楊晶東，陳 磊，蔡書琛，解天驍，燕海霞

（1.上海理工大學(xué)光電信息與計(jì)算機(jī)工程學(xué)院，上海 200093；2.上海中醫(yī)藥大學(xué)基礎(chǔ)醫(yī)學(xué)院，上海 201203）

引 言

近些年來，高血壓患病率逐步攀升。血漿同型半胱氨酸（Homocysteine，HCY）水平大于10 μmol/L的高血壓被定義為“H 型”高血壓，在高血壓患者中高達(dá)75%為H 型高血壓。HCY 水平升高是冠狀動脈粥樣硬化性心臟病、腦卒中等心腦血管疾病的危險(xiǎn)因素［1］。研究證實(shí)HCY 水平與心血管疾病的發(fā)生具有正相關(guān)性，Graham 等［2］發(fā)現(xiàn)，單獨(dú)存在高血壓或HCY 水平升高的患者中，腦卒中死亡風(fēng)險(xiǎn)分別為正常人的3.6 倍和4.2 倍，而高血壓與HCY 水平同時(shí)升高的患者腦卒中死亡的風(fēng)險(xiǎn)則增加至12.1 倍。迄今為止，檢測血液中的HCY 含量多少是臨床診斷H 型高血壓的唯一途徑［3］。

隨著深度學(xué)習(xí)和機(jī)器學(xué)習(xí)應(yīng)用到中醫(yī)領(lǐng)域進(jìn)行相關(guān)研究，中醫(yī)知識的碎片性和經(jīng)驗(yàn)性不再是難題。隨機(jī)森林算法具有較高訓(xùn)練速度，可以對內(nèi)部泛化誤差進(jìn)行無偏估計(jì)。同時(shí)隨機(jī)森林算法引入了重采樣和屬性選擇的隨機(jī)性，對噪聲不敏感，克服了過擬合問題。因此出現(xiàn)了將集成隨機(jī)森林應(yīng)用于肺結(jié)節(jié)的良惡性分類。借鑒深度學(xué)習(xí)思想，出現(xiàn)了深度隨機(jī)森林算法［4］，應(yīng)用于慢性胃炎的中醫(yī)癥候分類，為慢性胃炎診斷提供依據(jù)。Zhang 等［5］采用9 層卷積神經(jīng)網(wǎng)絡(luò)（Convolutional neural network，CNN）對脈搏波進(jìn)行分類，平均準(zhǔn)確率達(dá)到了93.49%。文獻(xiàn)［6］提出一種改進(jìn)的CNN 模型對脈搏波分類，在不同的數(shù)據(jù)集上最高分類精度達(dá)到95%；Ouyang 等［7］采用CNN 模型對Ⅱ型糖尿病患者的脈搏波分類，最高精度可達(dá)到90.6%，但當(dāng)CNN 層數(shù)較深時(shí)，才能提取到脈搏波深層特征，容易造成梯度消失問題。張選等［8］基于GoolgleNet 和ResNet 框架提出MIRNet 模型對健康和亞健康人群脈象分類，精度可達(dá)到87.84%。Chen 等［9］采用基于BasicBlocks 的ResNet 框架BRNet 模型對女性脈搏波分類，判斷是否處在妊娠期，預(yù)測準(zhǔn)確率達(dá)到89%，接收者操作特征（Receiver operating characteristic，ROC）曲線及其下方圍成的面積（Area under curve，AUC）值為0.91。雖然這些方法一定程度上解決了梯度消失問題，但模型深度多數(shù)處在4～6 層，無法學(xué)習(xí)到脈搏波周期內(nèi)的深度時(shí)序特征。楊浩等［10］運(yùn)用卷積和雙向長短時(shí)記憶（Bi-directional long short-term memory，BiLSTM）融合網(wǎng)絡(luò)對心房節(jié)拍分類，精度可達(dá)到90.21%。馬明艷等［11］使用CNN-BiLSTM 網(wǎng)絡(luò)對入侵的惡意行為進(jìn)行檢測，精度達(dá)到了92%。該方法在CNN 和BiLSTM 基礎(chǔ)上進(jìn)行融合，均具有“并聯(lián)”多通道融合特性，當(dāng)數(shù)據(jù)時(shí)序較長時(shí)，BiLSTM模型訓(xùn)練時(shí)間較長，出現(xiàn)特征冗余問題。本文提出一種異質(zhì)集成混合深度學(xué)習(xí)模型，采用CNN 結(jié)構(gòu)提取脈搏波淺層特征，同時(shí)“串聯(lián)”BiLSTM 結(jié)構(gòu)學(xué)習(xí)脈搏波的深層時(shí)序特征以及數(shù)據(jù)在時(shí)間序列上的相關(guān)性［12］。該模型可以根據(jù)患者脈診信息實(shí)現(xiàn)對H 型高血壓患者自主分類，為H 型高血壓患者診斷提供了新思路。

1 混合深度學(xué)習(xí)網(wǎng)絡(luò)模型

CNN 由輸入層、卷積層、池化層、全連接層和輸出層構(gòu)成。卷積層和池化層數(shù)量根據(jù)輸入需要調(diào)整，一般采用卷積層和池化層交替設(shè)置［13］。CNN 采用了局部連接和共享權(quán)值方式。減少了網(wǎng)絡(luò)權(quán)值數(shù)量，降低了過擬合風(fēng)險(xiǎn)。循環(huán)神經(jīng)網(wǎng)絡(luò)（Recurrent neural network，RNN）可以學(xué)習(xí)任意具有序列特征的神經(jīng)網(wǎng)絡(luò)。當(dāng)輸入維度增多，RNN 對較早時(shí)間的一些節(jié)點(diǎn)的感知力下降，難以學(xué)習(xí)到長時(shí)間序列特征，而產(chǎn)生長依賴問題，從而發(fā)生梯度消失或者梯度爆炸現(xiàn)象。長短時(shí)記憶（Long short-term memory，LSTM）［14-15］網(wǎng)絡(luò)是一種特殊RNN 網(wǎng)絡(luò)，其核心是利用“記憶細(xì)胞”記住長期的歷史信息，采用門機(jī)制管理，門結(jié)構(gòu)不提供信息，僅用來限制信息量，是一種多層次特征選擇方式。LSTM 解決了RNN 梯度爆炸和消失的問題，使模型能夠?qū)W習(xí)到長時(shí)間序列的特征。忘記門、輸入門、輸出門和記憶細(xì)胞以及相應(yīng)的更新公式分別為

式中：ft為遺忘門；it、、ot為更新門；ht為輸出門；W為權(quán)重；b為偏置。

但傳統(tǒng)LSTM 只能學(xué)習(xí)序列單向信息，如圖1（a）所示，BiLSTM［16-17］網(wǎng)絡(luò)結(jié)構(gòu)在每一個(gè)訓(xùn)練序列的前后同層各連接一個(gè)單向LSTM，可從正、反兩方向提取特征，提高模型分類精度。BiLSTM 模型結(jié)構(gòu)如圖1（b）所示。圖1（a）中σ為Sigmoid 函數(shù)，它的輸出在0～1 之間，tanh 為雙曲正切函數(shù)，輸出在-1～1 之間，c〈t〉為記憶細(xì)胞狀態(tài)，h〈t〉為隱含層狀態(tài)。圖1（b）中X表示輸入，Y表示輸出，A表示隱藏層。

圖1 LSTM 及BiLSTM 體系結(jié)構(gòu)圖Fig.1 Architecture diagrams of LSTM and BiLSTM

臨床中醫(yī)脈搏波數(shù)據(jù)呈現(xiàn)一維特性，采用一維卷積提取特征，會減少脈搏波特征間的相關(guān)性。針對脈搏波的時(shí)間特性，本文采用CNN 提取脈搏波局部特征，并采用BiLSTM 獲取各特征間時(shí)序關(guān)系，構(gòu)建基于CNN-BiLSTM 異質(zhì)混合深度學(xué)習(xí)方法，結(jié)構(gòu)圖如圖2 所示，本文提出的H 型高血壓預(yù)測算法步驟為：

圖2 混合卷積雙向長短時(shí)記憶網(wǎng)絡(luò)結(jié)構(gòu)圖Fig.2 CNN-BiLSTM architecture diagram

2 材料與方法

2.1 樣本分布

脈診的脈搏波數(shù)據(jù)由脈診儀采集，樣本采集前，患者需要放松5 min 以上，采樣時(shí)間為60 s，采樣觸點(diǎn)壓力依患者脈絡(luò)深淺確定，采樣頻率包括200、700、1 000 Hz。問診樣本根據(jù)門診醫(yī)師詢問患者相關(guān)基礎(chǔ)病癥狀況構(gòu)建量表數(shù)據(jù)，為問診分析提供依據(jù)。本文采用上海中醫(yī)藥大學(xué)附屬龍華醫(yī)院及中西醫(yī)結(jié)合醫(yī)院所提供的臨床脈診及問診數(shù)據(jù)。共325 例脈診。男性病例138 例（42.31%），平均年齡（66.35±10.37）歲；女性病例187 例（57.69%），平均年齡（71.32±8.51）歲。H 型高血壓患者125 例，占總病例38.19%，非H 型高血壓患者200 例占總病例61.81%。病例分布如圖3 所示。

圖3 脈診樣本分布Fig.3 Description of samples on pulse-taking diagnosis

2.2 脈診數(shù)據(jù)預(yù)處理

脈診采樣頻率包括200、700、1 000 Hz 三種，為了保證數(shù)據(jù)集維度一致性，將1 000、700 Hz 降采樣為200 Hz。由于脈搏信號很容易受到干擾而引入高頻噪聲，嚴(yán)重干擾脈搏信號特征提取，甚至導(dǎo)致脈搏波波形突變。為此，本文對原始脈搏波信號進(jìn)行降噪、去除高頻噪聲等操作。傳統(tǒng)傅里葉變換是一種頻域信號分析方法，很難確定在某個(gè)時(shí)間點(diǎn)上的具體信號變化，無法分辨信號在時(shí)間軸上的突變點(diǎn)。而小波變換具有正交性、方向選擇性、可變的時(shí)頻域分辨率等特點(diǎn)，可以有效提取脈搏波信號關(guān)聯(lián)特征。本文選擇Symlets 系列中的Sym7 小波作為小波基對脈象信號進(jìn)行降噪處理［18］。由于脈搏信號的絕大部分能量都集中在0～15 Hz 之間，降采樣處理后，脈搏波頻率皆為200 Hz，因此設(shè)置9 層脈搏波分解作為默認(rèn)閾值。被采集者的呼吸和體動會引起脈象信號波動，使脈搏波形變失真，引起脈搏波基線漂移［19］，因此必須對脈搏信號進(jìn)行預(yù)處理，去除存在的脈搏波基線漂移［20］。常用的基線漂移去除方法包括小波變換（Wavelet transform，WT）［21］、經(jīng)驗(yàn)?zāi)B(tài)分解（Empirical mode decomposition，EMD）［22-23］以及平滑先驗(yàn)法（Smoothness priors approach，SPA）［24-25］，由于脈診波形頻率不同，自適應(yīng)小波級聯(lián)方法需要多次調(diào)整小波分解系數(shù)。平滑先驗(yàn)法通過調(diào)節(jié)平滑參數(shù)λ實(shí)現(xiàn)頻率響應(yīng)，簡便易行。因此，本文采用平滑先驗(yàn)法去除脈搏波基線漂移

式中：p為有效脈搏波信號；I為觀測矩陣的單位矩陣；D2為二階微分矩陣；y為原始信號。

通過選擇不同的正則化參數(shù)可以得到不同的濾波特性。脈搏波信號中基線漂移的頻率為0.2～0.3 Hz，脈搏波的采樣頻率為200 Hz，因此在該采樣頻率下，取λ=2 500 對應(yīng)截止頻率為200×0.002 5 Hz=0.5 Hz，可以有效去除脈搏波信號中低于0.5 Hz 的基線漂移信號。脈搏波樣本采集時(shí)間為60 s，包含多個(gè)完整周期，對脈搏波樣本截取，使所有樣本單周期內(nèi)數(shù)據(jù)點(diǎn)少于250，提取400 個(gè)數(shù)據(jù)點(diǎn)，偏移量為100 個(gè)數(shù)據(jù)點(diǎn)，保證每段數(shù)據(jù)均包含一段完整周期［26-27］。因此，每個(gè)樣本至少能擴(kuò)展成114 個(gè)包含一個(gè)完整周期的波形。本文采用評估參數(shù)信噪比（Signal noise ratio，SNR）和均方根誤差（Root mean square error，RMSE）評估脈搏波去除基線漂移后效果。SNR 值越大，RMSE 值越小，說明去噪效果越好，表達(dá)式為

式中：p′(n)為原始信號；p(n)為去基線漂移后信號；N為信號長度。

3 實(shí)驗(yàn)結(jié)果

3.1 模型超參數(shù)設(shè)置

CNN-BiLSTM 模型超參數(shù)設(shè)置如表1 所示，對于脈診數(shù)據(jù)，前3 層為CNN 層，卷積核數(shù)目分別為32、64、128，卷積核長度為3、3、2，步長均為1，各層間添加3 層最大池化層，核長為3、2、2，步長全為1。后兩層采用BiLSTM 模型層，神經(jīng)元數(shù)為32，最后采用全連接層輸出分類結(jié)果。

表1 CNN-BiLSTM 模型超參數(shù)Table 1 Hyper parameters of CNN-BiLSTM model

3.2 性能評價(jià)標(biāo)準(zhǔn)

本文采用5 個(gè)二分類算法指標(biāo)和接收者操作特征（Receiver operating characteristic，ROC）曲線及其下方圍成的面積（Area under curve，AUC）和精度-召回率（Precision-Recall，PR）曲線及其下方圍成的面積平均精度（Average precision，AP）來評價(jià)算法性能，包括：靈敏度（Sensitivity，Sen），特異性（Specificity，Spe），準(zhǔn)確度（Accuracy，Acc），精確率（Precision，Pre）和F1分?jǐn)?shù)（F1-score），表達(dá)式為

式中：真陽性（True positive，TP）表示將樣本中H 型高血壓正確分類為H 型高血壓的樣本數(shù)；假陽性（False positive，F(xiàn)P）表示將樣本中非H 型高血壓分類為H 型高血壓的樣本數(shù)；真陰性（True negative，TN）表示將樣本中非H 型高血壓正確分類為非H 型高血壓的樣本數(shù)；假陰性（False negative，F(xiàn)N）表示將樣本中H 型高血壓分類為非H 型高血壓的樣本數(shù)。

3.3 脈診波形預(yù)處理

為了比較各種低頻噪聲方法，本文采用不同小波階數(shù)、基函數(shù)進(jìn)行對比實(shí)驗(yàn)。圖4 給出了當(dāng)小波階數(shù)為N，小波基為db、Sym 和Coif 時(shí)，脈搏波信噪比SNR 和均方根誤差RMSE 對比情況。表2 給出了不同小波基、不同階數(shù)評估參數(shù)SNR 和RMSE 值。分析可知，Sym7 小波的SNR 最大，為45.540 7；RMSE 最小，為0.037 23。因此，Sym7 作為小波去噪的小波基最為適合。這是由于Symles 小波系列Sym 小波相比db 小波和coif 小波具有更好的對稱性，可以有效減少脈搏波信號重構(gòu)時(shí)的相位失真和噪聲。當(dāng)Sym7 小波基的支撐范圍為13，消失矩為7 時(shí)，對于脈搏波能具備較好的正則性，可以較好地集中脈搏波能量，減少邊界效應(yīng)問題。

圖4 不同小波去噪效果比較Fig.4 Comparison of denoising effect of different wavelets

表2 不同小波去噪效果比較Table 2 Comparison of denoising effect of different wavelets

圖5 給出了基線漂移去除3 種典型方法評估指標(biāo)對比，分析可知，對于H 型高血壓樣本，與WT、EMD 方法相比，SPA 方法保留了脈搏波本征模態(tài)特征，剔除了殘余穩(wěn)態(tài)量，具有較高的SNR 值和較小的RMSE 值，說明SPA 方法更適合作為脈搏波數(shù)據(jù)去除的基線漂移方法。

圖5 基線漂移剔除方法比較Fig.5 Comparison of different baseline shifting methods

原始脈搏波圖像經(jīng)過去除噪聲、基線漂移后的波形圖像如圖6 所示。分析可知，經(jīng)過去噪、基線漂移后，脈搏波震動幅值和均值均有所降低，其中，基線漂移后波形幅值減少12.25%。同時(shí)，脈搏波減少了低頻噪聲和極端噪點(diǎn)，波形趨于穩(wěn)定，具有較好的周期性和可區(qū)分性。

圖6 去除噪聲、基線漂移后的數(shù)據(jù)波形圖Fig.6 Pulse waves before and after denoising and baseline drift correction

3.4 分類性能評估

圖7 顯示了不同的卷積層和雙向長短時(shí)記憶層（即模型的深度）對模型性能的影響?？梢钥闯?，當(dāng)卷積層數(shù)為3，雙向長短時(shí)記憶層數(shù)為2時(shí)，準(zhǔn)確度最高。同時(shí)AUC 值也最高。將該模型參數(shù)作為集成脈診模型參數(shù)。當(dāng)模型層數(shù)較少時(shí)，模型各項(xiàng)評價(jià)指標(biāo)均較差，無法學(xué)習(xí)到樣本的深層特征，因而準(zhǔn)確度較低。而隨著模型深度加深，準(zhǔn)確度逐漸提高，但容易導(dǎo)致模型過擬合，降低了模型準(zhǔn)確度，因此需要做出折中選擇。

圖7 模型不同深度的性能比較Fig.7 Performance comparison of models at different depths

針對脈診數(shù)據(jù)集，本文采用融合CNN-BiLSTM 模型，與CNN 和BiLSTM 模型進(jìn)行對比，進(jìn)行5折交叉驗(yàn)證，表3 給出了各模型H 型高血壓患者分類評價(jià)指標(biāo)。分析可知，CNN-BiLSTM 模型綜合指標(biāo)高于其他幾種模型，與CNN 模型和BiLSTM 模型相比，F(xiàn)1-score 分別增加了9.45% 和5.41%，AUC 值分別增加了5.45%和7.27%。這是由于與CNN 模型相比，CNN-BiLSTM 模型增加了BiLSTM 模型，可以有效檢測具有長依賴關(guān)系的脈診序列波形特征，有利于波形相關(guān)性特征提取。與BiLSTM 模型相比，CNN-BiLSTM 模型增加了CNN 模型，可以提取具有局部關(guān)聯(lián)關(guān)系的脈診特征。由于CNN 模型共享卷積核，可以有效提高模型分類速度和準(zhǔn)確度。典型機(jī)器學(xué)習(xí)模型如隨機(jī)森林（Random forest，RF）、梯度提升樹（Gradient boosting decision tree，GBDT）無法學(xué)習(xí)H 型高血壓脈診波形序列的深層特征，將大多數(shù)樣本判斷為負(fù)類，少數(shù)樣本判斷為正類，導(dǎo)致精度偏高，靈敏度、特異性偏低。而深度學(xué)習(xí)模型BRNet 雖然采用了ResNet 基本架構(gòu)，但精度比CNN-BiLSTM 降低了3.28%，這是由于脈搏波的時(shí)序特征是深層特征，BRNet 模型的深度較淺，無法學(xué)習(xí)到所有的脈搏波特征信息。MIRNet 模型在ResNet 模塊的基礎(chǔ)上加入Inception 模塊，模型深度較深，平均精度比CNN-BiLSTM 模型降低了0.44%，可達(dá)到0.805 5。但模型深度較深，穩(wěn)定性變差，當(dāng)數(shù)據(jù)在尺度上縮放時(shí)容易降低模型泛化性能。而脈搏波數(shù)據(jù)具有周期性，不同周期之間的尺度在預(yù)處理后仍具有一定的差異性，使MIRNet 模型評價(jià)指標(biāo)波動較大。因此，對于H 型高血壓樣本，CNN-BiLSTM 模型具有較高的分類精度和較好的泛化性能。

表3 脈診各算法評價(jià)指標(biāo)比較Table 3 Comparison of evaluation indexes of pulse diagnosis algorithms %

圖8（a）給出了針對脈診波形樣本，各種模型ROC 曲線對比?？梢钥闯觯啾葐文Ｐ?，CNN-BiLSTM 模型ROC 曲線位于坐標(biāo)平面左上部，與橫軸所圍面積AUC 值最大，達(dá)到了0.85，比CNN 模型提升了5.05%，比BiLSTM 模型提升了7.27%。這是由于在較淺層模型下，單層網(wǎng)絡(luò)無法學(xué)習(xí)到脈搏波全部特征。CNN-BiLSTM 模型比RF 提高了14.71%，比GBDT 提升了15.53%，這是由于機(jī)器學(xué)習(xí)方法具有數(shù)據(jù)平衡敏感性，使預(yù)測結(jié)果偏向多數(shù)類非H 型高血壓。CNN-BiLSTM 模型比BRNet 和MIRNet 提升了3.08%，這是由于BRNet 采用淺層ResNet 網(wǎng)絡(luò)，無法提取深層特征。而MIRNet 模型層數(shù)過深，泛化性能較差。圖8（b）給出了針對脈診波形樣本，各種模型的P-R 曲線?？梢钥闯?，CNN-BiLSTM 模型P-R 曲線位于坐標(biāo)平面右側(cè)與橫軸包圍的面積最大，AP 值達(dá)到了0.779。相比單模型CNN、BiLSTM 模型AP 值分別提升了4.77%、20.06%。這是由于CNN 模型深度較淺，無法學(xué)習(xí)脈搏波的深度時(shí)序特征，BiLSTM 模型受數(shù)據(jù)維度和周期重復(fù)分割的影響下，泛化性能差，AP 值較低。相比BRNet 和MIRNet，AP 值分別提升了7.74%和0.82%。這也體現(xiàn)了CNN-BiLSTM 模型具有更好的泛化性能。因此，CNN-BiLSTM 模型對于類別不均衡的H 型高血壓脈搏波樣本分類具有更好的分類性能。

圖8 不同算法脈診分類曲線比較Fig.8 Comparison of the classification curves of different algorithms in pulse-taking

表4 給出了不同模型運(yùn)行一個(gè)Epoch 的時(shí)間及模型參數(shù)量，典型集成學(xué)習(xí)模型如RF 和GBRT，時(shí)間復(fù)雜度和樣本數(shù)量、特征維度以及基分類器的種類數(shù)量具有較強(qiáng)的相關(guān)性，當(dāng)樣本數(shù)量增加時(shí)，運(yùn)行時(shí)間會急劇增加。對于高血壓數(shù)據(jù)集，CNN-BiLSTM模型訓(xùn)練周期高于CNN、BRNet算法。CNN-BiLSTM模型中CNN 模塊同時(shí)具有特征提取和降維作用，也減少了BiLSTM 層的運(yùn)行時(shí)間，提高模型的分類性能。MIRNet 模型具有較深層數(shù)，參數(shù)量較大，雖具有較好的分類性能，但運(yùn)行時(shí)間較長，當(dāng)數(shù)據(jù)集增大時(shí)運(yùn)行時(shí)間將會進(jìn)一步增加。綜合來看，CNN-BiLSTM 模型具有較好的時(shí)間復(fù)雜度與分類性能平衡效果。

表4 不同模型參數(shù)量和運(yùn)行時(shí)間Table 4 Number different model of parameters and runtime

4 實(shí)驗(yàn)分析與討論

本文針對脈診的脈圖特征參數(shù)進(jìn)行分析，并給出特征貢獻(xiàn)率排名，如圖9 所示。脈圖參數(shù)特征貢獻(xiàn)率排名前4 位的特征分別為W1/T、H4/H1、H4、t1/t4，均大于5%。W1/T 表示主動脈壓力升高的持續(xù)時(shí)間，與重搏前波的出現(xiàn)時(shí)間和外周阻力有關(guān)。H4/H1 主要反映外周阻力高低。當(dāng)外周血管收縮時(shí)，阻力增高，H4/H1 升高（＞0.45）；反之，外周阻力降低時(shí)，H4/H1 變?。ǎ?.30）。H4 是降中峽幅度，表示降中峽谷底到脈搏波圖基線的高度。降中峽高度與舒張壓相對應(yīng)，與動脈血管外周阻力、主動脈瓣關(guān)閉功能有關(guān)。前3 位特征貢獻(xiàn)率都反映了H 型高血壓患者的血管外周阻力對分類影響，也體現(xiàn)出H 型高血壓是動脈粥樣硬化與動脈硬化的獨(dú)立危險(xiǎn)因素。t1/t4與心臟射血功能有關(guān)，t1/t4值越大，反映心臟急性射血期速度越慢，左心收縮功能減弱，t4為左心室收縮期時(shí)間。反映了H 型高血壓患者心臟急性射血期速度與左心收縮功能。其余特征占比如圖9 所示。

圖9 脈診特征貢獻(xiàn)率排名Fig.9 Feature importance ranking of pulse-taking

本文通過脈診各評估參數(shù)特征貢獻(xiàn)率分析，深入挖掘潛在的脈診特征因素與H 型高血壓分類相關(guān)性，可有效地提高臨床輔助診斷的客觀性和準(zhǔn)確性。

5 結(jié)束語

針對中醫(yī)學(xué)脈診脈搏波樣本，本文根據(jù)脈診數(shù)據(jù)提出了一種混合深度學(xué)習(xí)分類模型，該模型可以有效地提取脈診局部及全局序列特征，從而提高H 型高血壓的脈診分類精度。實(shí)驗(yàn)結(jié)果表明，與傳統(tǒng)機(jī)器學(xué)習(xí)相比，該模型具有較好分類精度和泛化性能，其中，靈敏度、特異性、正確率、F1-score、AUC 值分別達(dá)到79.71%、69.56%、77.17%、83.96%、0.850 0。該模型能有效地兼顧H 型高血壓患者脈診綜合特征，對臨床診斷具有較好的參考價(jià)值。