張?jiān)娪?，?珂，夏春明＊＊，金陳玲，王憶勤，燕海霞

（1. 華東理工大學(xué)機(jī)械與動(dòng)力工程學(xué)院 上海 200237；2. 上海中醫(yī)藥大學(xué)四診信息綜合實(shí)驗(yàn)室 上海 201203）

1 引言

脈診作為傳統(tǒng)中醫(yī)四診的重要組成部分，其客觀化研究在中醫(yī)現(xiàn)代化發(fā)展中備受關(guān)注，基于不同原理的脈象采集裝置以及脈象信號(hào)分析處理也得到了較大發(fā)展。在脈象的分類和模式識(shí)別方面，對(duì)于傳統(tǒng)中醫(yī)上基本脈象類別的分類和某些疾病對(duì)應(yīng)病脈的分類都已有較多研究，且根據(jù)時(shí)域分析、頻域分析、時(shí)-頻聯(lián)合分析等多種方法提取出大量特征用于脈象信號(hào)分類分析[1]。

Zhang DY 等人[2]對(duì)多普勒超聲裝置采集的橈動(dòng)脈血流速度信號(hào)進(jìn)行分析處理，根據(jù)脈象波形特征點(diǎn)提取了時(shí)域特征，并結(jié)合通過希爾伯特-黃變換(HHT)提取的頻譜特征，使用支持向量機(jī)(SVM)區(qū)分健康人群和膽囊炎以及腎炎患者，三類平均準(zhǔn)確率達(dá)到75.9%。史紅斐[3]等人對(duì)脈象信號(hào)進(jìn)行了五個(gè)尺度上的二進(jìn)離散小波變換，將前四個(gè)頻帶的能量作為特征，使用SVM 對(duì)滑、弦、細(xì)、澀四類脈象進(jìn)行分類，平均準(zhǔn)確率達(dá)到87.5%。此外，還有研究人員提取了高斯混合模型參數(shù)特征[4，5]、小波包特征[6]、倒譜特征[7]等用于脈象的分類識(shí)別。這些特征結(jié)合起來包含了大量冗余性及差異性，Lei Liu 等人[8]對(duì)七種不同的特征提取方法（基于特征點(diǎn)的時(shí)域特征、自回歸模型特征、希爾伯特-黃變換特征、近似熵、小波包和小波變換）提取出的七類特征進(jìn)行集成，使用多核學(xué)習(xí)SimpleMKL 算法對(duì)健康人群、糖尿病患者、腎病患者和胃病患者進(jìn)行區(qū)分，最終平均識(shí)別準(zhǔn)確率達(dá)到94%。雖然此研究對(duì)多種脈象特征進(jìn)行了集成應(yīng)用，但并未對(duì)特征進(jìn)行分析評(píng)估。

目前大多應(yīng)用的分類算法沒有對(duì)特征組合進(jìn)行篩選分析，因此也難以充分利用脈象特征的冗余性和差異性，采用的特征數(shù)量過多不僅會(huì)增大計(jì)算量，而且會(huì)造成過擬合，降低分類正確率。為嘗試解決以上問題，本文對(duì)采集到的脈象信號(hào)進(jìn)行濾波、歸一化等預(yù)處理后，提取脈象信號(hào)的時(shí)域、頻域及時(shí)頻特征共93維，使用集成學(xué)習(xí)中的隨機(jī)森林算法對(duì)特征的重要性進(jìn)行排序，并使用SVM、BP-NN 以及隨機(jī)森林算法驗(yàn)證重要性排序的正確性，確定應(yīng)用于四類脈象分類的最佳脈象特征區(qū)間，據(jù)此對(duì)脈象特征進(jìn)行降維，確定四類脈象適合的特征類別。

2 脈象數(shù)據(jù)預(yù)處理及特征提取

2.1 脈象信號(hào)預(yù)處理

脈搏波是由心臟持續(xù)不斷地跳動(dòng)引起血液在血管中流動(dòng)而造成的脈的搏動(dòng)，當(dāng)機(jī)體發(fā)生病變或臟腑失調(diào)時(shí)，血管、脈氣、脈血發(fā)生改變形成特定的“象”[9]。從頻域來看，脈象信號(hào)是一種周期性較強(qiáng)的準(zhǔn)周期信號(hào)，也是時(shí)頻隨機(jī)變化的非平穩(wěn)信號(hào)，其頻譜成分主要分布于0-20 Hz之間[10]。由于脈象信號(hào)在采集過程中易受外界環(huán)境干擾，因此需要對(duì)采集到的數(shù)據(jù)進(jìn)行去噪處理，并根據(jù)后續(xù)信號(hào)分析需求進(jìn)行周期分割和特征提取。

2.1.1 脈象信號(hào)去噪

如表1所示，本文研究使用的脈象數(shù)據(jù)由上海中醫(yī)藥大學(xué)提供，包括滑脈、平脈、弦脈及實(shí)脈四種脈象共175例，診斷結(jié)果均由兩名中醫(yī)師同時(shí)做出并結(jié)論一致，采樣頻率為720 Hz，在最佳取脈壓力下記錄60 s得到。

本文采用小波變換進(jìn)行脈象信號(hào)降噪，首先將含有噪聲的脈象信號(hào)進(jìn)行多尺度小波分解，根據(jù)得到的高頻細(xì)節(jié)分量和低頻近似分量進(jìn)行閾值量化處理，再經(jīng)小波重構(gòu)即可得到去噪后信號(hào)。Symlets 作為雙正交小波，具有有限緊支撐和近似對(duì)稱的特性，在尺度變換上較靈活且可降低信號(hào)重構(gòu)的相移。使用小波基Sym8 對(duì)脈象信號(hào)進(jìn)行10 層小波分解，在采樣頻率720 Hz 下，根據(jù)Nyquist 采樣定理，信號(hào)的頻率范圍為0-360 Hz，低頻分量 A10 的頻寬為 0-0.35 Hz，可用于去除由于人體移動(dòng)而引起的基線漂移。高頻細(xì)節(jié)分量D1-D3頻寬為360-45 Hz包含了高頻噪聲和工頻干擾可采用軟閾值去噪處理。將經(jīng)過閾值去噪后的1-3尺度上的細(xì)節(jié)分量和未處理的4-10 尺度細(xì)節(jié)分量進(jìn)行小波重構(gòu)，即可得到濾除高頻、工頻干擾和基線漂移的脈象信號(hào)，如圖1即為小波去噪后結(jié)果。

表1 本文用于分析的脈象信號(hào)類型及數(shù)量

2.1.2 脈象信號(hào)分割及平均

在提取脈象信號(hào)時(shí)域特征時(shí)，需要對(duì)一個(gè)脈搏周期內(nèi)的特征點(diǎn)進(jìn)行定位提取，由于一個(gè)受試者在連續(xù)采集得到的多周期信號(hào)之間會(huì)存在一定的差異，因此需要對(duì)同一個(gè)受試者的多周期脈象信號(hào)進(jìn)行分割和平均。脈象信號(hào)的分割前需要找出多周期信號(hào)的谷峰對(duì)，通過設(shè)置距離閾值和高限閾值確保得到準(zhǔn)確的波形起始點(diǎn)和峰值點(diǎn)。信號(hào)分割后將各個(gè)單周期的起始點(diǎn)和結(jié)束點(diǎn)之間的連線旋轉(zhuǎn)至水平位置再進(jìn)行標(biāo)準(zhǔn)化，將標(biāo)準(zhǔn)化之后的單周期信號(hào)在相關(guān)性最大處進(jìn)行對(duì)齊后求平均波形。對(duì)于各個(gè)樣本得到的平均波形可能存在數(shù)據(jù)長度的差異，為了使提取的時(shí)域特征更具備可比性，對(duì)平均后的單周期脈象信號(hào)進(jìn)行重采樣，統(tǒng)一各樣本周期長度，如圖2 為經(jīng)過周期分割、旋轉(zhuǎn)、標(biāo)準(zhǔn)化、平均和重采樣之后的脈搏波形。

2.2 脈象信號(hào)特征提取

為了研究脈象信號(hào)特征對(duì)四類脈象信號(hào)分類的影響，本文提取了脈象分類常使用的脈象時(shí)域、頻域以及時(shí)-頻域特征。

圖1 小波去噪前后對(duì)比圖

圖2 重采樣后單周期脈搏波形

2.2.1 時(shí)域特征提取

對(duì)每個(gè)樣本經(jīng)過重采樣和平均后的單周期脈象信號(hào)進(jìn)行時(shí)域特征提取，主要反映脈搏波形狀特點(diǎn)。如圖3 所示為一個(gè)單周期脈搏波的時(shí)域基本信息點(diǎn)，本文提取了28 種時(shí)域特征[11]，包括5 個(gè)幅值比例特征以及主波高度 2/3處的橫坐標(biāo)寬度w），5 個(gè)時(shí)間比例特征，10 個(gè)斜率相關(guān)特征（升支斜率，降支在主波與降中峽間的斜率，降中峽至主波終點(diǎn)的斜率，主波升支上升最快點(diǎn)的斜率值及坐標(biāo)值，兩個(gè)降支（lbc和lde）中下降最快點(diǎn)的斜率值及坐標(biāo)值，以及上升最快點(diǎn)與下降最快點(diǎn)之間的橫坐標(biāo)距離），7 個(gè)面積相關(guān)特征（收縮期脈圖面積As(曲線段abcde下)，舒張期脈圖面積Ad(曲線段efg下)和脈圖面積特征量脈搏波起點(diǎn)到主波峰之間的脈搏波波形與這兩點(diǎn)間的直線所圍成的面積Asmp，脈搏波主峰到降中峽之間的波形與這兩點(diǎn)間直線所圍成的面積Ampv，降中峽到重搏波峰間脈搏波與這兩點(diǎn)的直線所組成的面積Avsp，以及重博波峰到波形末尾間脈搏波與這兩點(diǎn)的直線所組成的面積Aspe[12]），1 個(gè)脈搏波類型相關(guān)特征（如圖4 為四種脈搏波類型，其中type值即代表了樣本脈搏波類型）。

圖3 單周期脈搏波時(shí)域特征點(diǎn)

2.2.2 頻域特征提取

頻域特征需要從濾波后的多周期信號(hào)中提取，本文采用welch 法對(duì)小波分解濾波重構(gòu)之后的脈搏信號(hào)序列進(jìn)行功率譜估計(jì)，提取的特征包括諧波頻率、諧波幅值、諧波頻率差值df、譜能比、幅值差值、幅值之比和諧波面積之比，共33項(xiàng)特征[11]。

2.2.3 時(shí)-頻域特征提取

時(shí)-頻域聯(lián)合分析是信號(hào)處理分析中的重要部分，時(shí)-頻分析能將信號(hào)的局部特征表現(xiàn)出來，獲取信號(hào)在某一時(shí)刻的瞬時(shí)頻率特性，提取出不同于時(shí)域和頻域特征的重要特征信息。本文選用小波多尺度分析和經(jīng)驗(yàn)?zāi)B(tài)分解以及希爾伯特-黃變換三種常用的時(shí)-頻分析方法用于提取時(shí)-頻特征。

圖4 四種不同類型的脈象波形

信號(hào)f(t)在L2(R)空間上L2 范數(shù)的平方被定義為信號(hào)的能量，即若Dj(k)為信號(hào)f(t)經(jīng)小波變換之后第j尺度上的第k個(gè)小波系數(shù)，則Ejk=|Dj(k)|2為信號(hào)在第j尺度k點(diǎn)上的小波能量，則Ej=為第j尺度N個(gè)采樣點(diǎn)的能量總和[13]。本文使用小波基Sym8 對(duì)多周期脈象序列進(jìn)行10 層小波分解，獲取各尺度小波系數(shù)并依照上述定義計(jì)算了10層高頻細(xì)節(jié)分量以及第10 層低頻近似分量的小波系數(shù)能量值，將獲得的11個(gè)小波能量值進(jìn)行歸一化即得到11個(gè)小波相關(guān)時(shí)-頻特征。

經(jīng)驗(yàn)?zāi)B(tài)分解（EMD）能夠根據(jù)信號(hào)本身的時(shí)間尺度來將其逐層分解成局部對(duì)稱的各個(gè)分量，它克服了傅里葉變換的局限性具有與小波變換相似的多分辨特性。經(jīng)驗(yàn)?zāi)B(tài)分解得到一系列固有模態(tài)函數(shù)（IMF）和一個(gè)殘余分量，能很好地保存信號(hào)本身的特性，避免信息丟失。希爾伯特-黃（Hilbert-Huang）變換是一種在非平穩(wěn)信號(hào)處理中應(yīng)用廣泛的時(shí)-頻分析方法，克服了小波變換在時(shí)頻窗內(nèi)依然具有平穩(wěn)性而導(dǎo)致在處理非平穩(wěn)信號(hào)時(shí)會(huì)產(chǎn)生諧波分量的缺點(diǎn)[14，15]。

本文對(duì)經(jīng)過小波濾波后的多周期連續(xù)脈象序列進(jìn)行經(jīng)驗(yàn)?zāi)B(tài)分解，篩選出5 個(gè)固有模態(tài)函數(shù)和一個(gè)殘余分量，如圖5 為一例經(jīng)過小波分解濾波后的脈象信號(hào)的經(jīng)驗(yàn)?zāi)B(tài)分解結(jié)果。采用類似于上述小波能量特征的提取方法，提取5 個(gè)IMF 分量和1 個(gè)殘余分量的能量值，歸一化后得到6 個(gè)EMD 分解相關(guān)的時(shí)-頻能量特征。

對(duì)經(jīng)過EMD 分解后的每一個(gè)IMF 分量進(jìn)行希爾伯特-黃變換得到所有IMF 分量的Hilbert 譜，綜合所有IMF 分量的瞬時(shí)頻率并在時(shí)間軸上積分即可得到信號(hào)的Hilbert 邊際譜。Hilbert 邊際譜代表了各個(gè)頻率在全局幅值上的貢獻(xiàn)，表示統(tǒng)計(jì)意義上全部數(shù)據(jù)的累加幅度，如圖6 為上述同一例脈象信號(hào)的Hilbert 邊際譜。譜能比是一定頻率內(nèi)能量Nj與總能量N的比值，由于脈象信號(hào)信息主要集中在0-20Hz，本文選取了 0.5、1、2、3、4、5Hz 內(nèi)的能量與前 40Hz 內(nèi)總能量的譜能比共6個(gè)特征。

圖5 脈象信號(hào)EMD分解結(jié)果

圖6 脈象信號(hào)Hilbert邊際譜

2.2.4 基于高斯混合模型的脈象信號(hào)特征提取

單周期脈搏波可以建模為高斯混合信號(hào)[5]，即為高斯信號(hào)，可以寫作gk(t)。ak、tk、σk分別是第k 個(gè)高斯信號(hào)函數(shù)的幅值、峰值位置和時(shí)間尺度因子，用三個(gè)高斯函數(shù)即可對(duì)單周期脈搏波形建模，可以得到共9個(gè)高斯混合模型參數(shù)特征。

綜上所述的特征提取方法，本文提取并用于評(píng)估分析的脈象特征如表2所示。

表2 提取脈象特征及其維數(shù)

3 基于隨機(jī)森林的脈象特征評(píng)估降維及結(jié)果

本文對(duì)脈象信號(hào)特征的研究和評(píng)估基于隨機(jī)森林算法（Random Forest,RF）。隨機(jī)森林是一種以決策樹為基學(xué)習(xí)器的集成學(xué)習(xí)算法[16]。首先對(duì)包含N 個(gè)樣本的訓(xùn)練集進(jìn)行M 輪自助采樣（有放回的重復(fù)獨(dú)立采樣），獲得M 個(gè)包含N 個(gè)訓(xùn)練樣本的訓(xùn)練集，基于這些訓(xùn)練集訓(xùn)練出M 棵未剪枝的決策樹，最終通過簡單投票法得出分類結(jié)果。

隨機(jī)森林在決策樹的訓(xùn)練過程中引入了隨機(jī)屬性選擇。不同于傳統(tǒng)決策樹在選擇劃分屬性時(shí)每次選擇一個(gè)最優(yōu)屬性，在構(gòu)建決策樹時(shí)會(huì)從該節(jié)點(diǎn)的屬性集合中隨機(jī)選取包含k 個(gè)屬性的子集，再從子集中選擇一個(gè)最優(yōu)屬性用于節(jié)點(diǎn)劃分，這種每次只需要考慮一個(gè)屬性子集的決策樹訓(xùn)練方法使得RF 的訓(xùn)練效率較高、容易實(shí)現(xiàn)且計(jì)算開銷小。

隨機(jī)森林在為節(jié)點(diǎn)選擇特征時(shí)根據(jù)Gini 增益最大化原理[17]，若父節(jié)點(diǎn)nf上的樣本被劃分到兩個(gè)子節(jié)點(diǎn)n1和n2中，則 Gini 增益最大化即是使 ΔIG=IG(nf)-p1*IG(n1)-p2*IG(n2)最大化，其中為節(jié)點(diǎn) n 的 Gini 指數(shù)，pc為節(jié)點(diǎn) n 中 c 類樣本所占比重，p1和p2則為從父節(jié)點(diǎn)nf劃分到兩個(gè)子節(jié)點(diǎn)n1和n2的樣本在父節(jié)點(diǎn)樣本中所占的比例。由于決策樹在生成節(jié)點(diǎn)時(shí)選擇能在該節(jié)點(diǎn)實(shí)現(xiàn)Gini 增益最大化的特征，因此特征的重要性可由節(jié)點(diǎn)樣本的劃分來體現(xiàn)，但RF 在訓(xùn)練時(shí)引入數(shù)據(jù)樣本和輸入特征的雙重隨機(jī)性，可能導(dǎo)致區(qū)分度高的重要特征被用作劃分節(jié)點(diǎn)的次數(shù)比區(qū)分度低的特征少，所以不能簡單地用特征被用作劃分屬性的次數(shù)來衡量特征的重要性[18，19]。

特征si在第j 棵決策樹中作為節(jié)點(diǎn)劃分屬性的節(jié)點(diǎn)有N 個(gè)，則特征si在這棵決策樹上的特征重要性可表達(dá)為：

隨機(jī)森林中有J棵樹，特征si在整個(gè)RF中的重要性為：

3.1 基于隨機(jī)森林的特征評(píng)估可行性驗(yàn)證

本文首先對(duì)基于隨機(jī)森林的特征重要性進(jìn)行驗(yàn)證，所選特征為使用前述特征提取方法所獲的時(shí)域、頻域、時(shí)-頻域和高斯混合信號(hào)特征，共93維。實(shí)驗(yàn)中從樣本總量中分層抽樣其中的3/4 作為訓(xùn)練集，剩余1/4 作為測試集，使得訓(xùn)練集和測試集都保留了原有樣本總量中四種脈象數(shù)據(jù)類型的比例。為避免隨機(jī)森林算法中樣本抽取過程帶來的隨機(jī)因素影響，重復(fù)進(jìn)行十次實(shí)驗(yàn)。使用網(wǎng)格搜索法確定最佳的RF 參數(shù)，取每次測試集分類精度最高的一組作為特征選擇的依據(jù)，計(jì)算十組特征重要性結(jié)果的平均值并排序，實(shí)驗(yàn)結(jié)果如表3。表中列出了按照特征重要性從高到低列出了部分特征的種類、名稱和特征重要性，其中前54維的累計(jì)重要性已達(dá)到95%。

根據(jù)表3 實(shí)驗(yàn)結(jié)果，將排名前八十的特征按重要性降序分為四組，每組二十個(gè)特征。使用支持向量機(jī)（support vector machine, SVM）、反向傳播神經(jīng)網(wǎng)絡(luò)（BP-NN）及隨機(jī)森林（random forest, RF）三種方法驗(yàn)證特征重要性排序的正確性。本文的隨機(jī)森林算法采用Gini 指數(shù)作為判據(jù)，使用網(wǎng)格搜索法優(yōu)化算法的兩個(gè)關(guān)鍵參數(shù)：決策樹的數(shù)量和每棵決策樹的深度。SVM 模型性能主要由核函數(shù)、懲罰參數(shù)C 以及核函數(shù)參數(shù)γ決定，使用鏡像基函數(shù)作為核函數(shù)，并用網(wǎng)格搜索法優(yōu)化懲罰參數(shù)C 以及核函數(shù)參數(shù)γ。BP-NN 的網(wǎng)絡(luò)結(jié)構(gòu)影響分類精度，目前并沒有明確的理論指導(dǎo)網(wǎng)絡(luò)層數(shù)與每層節(jié)點(diǎn)個(gè)數(shù)的選用。經(jīng)過大量實(shí)驗(yàn)，嘗試使用不同的網(wǎng)絡(luò)層數(shù)與節(jié)點(diǎn)個(gè)數(shù)，確定網(wǎng)絡(luò)結(jié)構(gòu)為四層反向傳播神經(jīng)網(wǎng)絡(luò)，具體為：兩個(gè)節(jié)點(diǎn)數(shù)為64 的全連接層，隨后一個(gè)Dropout層（系數(shù)為0.2）減少過擬合，最后使用softmax 層作為輸出層，其中優(yōu)化器為Adam。為避免訓(xùn)練過程中的隨機(jī)性對(duì)實(shí)驗(yàn)結(jié)論產(chǎn)生影響，每組特征組合均重復(fù)進(jìn)行十次實(shí)驗(yàn)，最后取十次實(shí)驗(yàn)結(jié)果的平均值。

表3 基于隨機(jī)森林Gini指數(shù)的特征重要性

實(shí)驗(yàn)結(jié)果如圖7 所示。從圖中可以看出，分類精度與隨機(jī)森林算法得到的特征重要性排序結(jié)果一致。三種算法的分類精度隨著特征重要性排名的下降而呈下降趨勢，特征的重要性排名越低，其分類精度越低。特征子集1 與特征子集4 的分類精度相差27.29%。

3.2 脈象特征降維及四類脈象分類實(shí)驗(yàn)

在使用算法進(jìn)行脈象分類前，通常會(huì)對(duì)較多的特征進(jìn)行降維以提高算法的時(shí)間效率并通過去除可能導(dǎo)致錯(cuò)分的冗余信息，減少過擬合提高分類準(zhǔn)確率。常用的PCA 主成分分析將特征向量投影到新的坐標(biāo)系中以降低維數(shù)，但經(jīng)過變化后的特征向量無法用于研究原本特征在分類中的重要性，因此使用具體分類算法確定獲得最佳分類結(jié)果的維數(shù)有利于在獲取最佳分類精度的同時(shí)減少模型的復(fù)雜度，提高算法的運(yùn)行效率。本研究采用序列前向選擇算法（Sequential Forward Selection,SFS），改變輸入特征的維度，計(jì)算相應(yīng)RF、SVM以及BP-NN的分類精度。

結(jié)果如圖8 所示，初始時(shí)隨著重要性排名高的特征的加入，分類精度整體呈上升趨勢，隨后由于冗余特征的加入，分類精度隨后逐漸下降。結(jié)果證明本文的算法能夠有效減少脈象信號(hào)特征的數(shù)量，減少提取大量特征花費(fèi)的時(shí)間，并能提高分類器的分類性能，三種算法達(dá)到最佳精度時(shí)，其特征數(shù)量都在15 維附近。

對(duì)于BP-NN 算法，其輸入特征分別在前15、16、18、19維獲得最佳精度，取最小維度15；對(duì)于RF算法，其最佳特征輸入維數(shù)為前13 維；對(duì)于SVM 算法；其最佳特征維數(shù)為前13 維。三種算法的特征類型如表4所示。

由表可以看出，在本文研究的平、實(shí)、弦、滑四種脈象分類中，時(shí)域特征對(duì)脈象信號(hào)的分類起主導(dǎo)作用，但同時(shí)排名靠前的時(shí)頻域特征和頻域特征也較為重要。

圖7 分類精度隨特征重要性排名的變化趨勢

圖8 分類精度隨特征數(shù)目變化趨勢

三種算法在最佳特征輸入維數(shù)與篩選前特征維數(shù)的分類精度對(duì)比如表5所示。表中精度提升的計(jì)算公式為。

表4 三種算法得到最佳精度時(shí)的特征組合

表5 三種算法特征篩選前后分類精度的提升

4 結(jié)語

人體脈象信號(hào)作為一種非平穩(wěn)信號(hào)，包含著與機(jī)體有關(guān)的多種生理信息，對(duì)于中醫(yī)脈診客觀化研究至關(guān)重要。本文對(duì)脈象信號(hào)常用的時(shí)域、頻域、時(shí)-頻域以及高斯特征進(jìn)行了系統(tǒng)分析，并采用SVM、RF、BPNN 驗(yàn)證基于Gini 指數(shù)的隨機(jī)森林算法可以得到特征重要性排名。采用序列前向選擇算法，改變輸入特征維度，當(dāng)選用前15 個(gè)特征時(shí)，BP-NN 精度最高，相比篩選前分類精度提高12%，當(dāng)選用前13 個(gè)特征時(shí)，SVM 和RF 精度均達(dá)到最高，相比降維前精度分別提高了13%和4.5%。本文進(jìn)行分析的共175 例平、實(shí)、弦、滑四類脈象，時(shí)域特征在分類中占主導(dǎo)作用，同時(shí)基于頻域分析、小波分析和經(jīng)驗(yàn)?zāi)B(tài)分析的部分頻域和時(shí)-頻域特征也起到了重要作用。實(shí)驗(yàn)結(jié)果表明本文算法可以根據(jù)特征重要性有效降低特征數(shù)量，確定不同分類算法適合的特征種類及維數(shù)并提高分類精度。