期刊导航
期刊开放获取
上海教育软件发展有限公..
期刊文献
+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
检索
高级检索
期刊导航
共找到
2
篇文章
<
1
>
每页显示
20
50
100
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
显示方式：
文摘
详细
列表
相关度排序
被引量排序
时效性排序
基于卷积-自注意力机制对多周期脉象识别分类
1
作者
邓威
刘轩吉
+8 位作者
郝龙辉
朱子简
李飞
王蕊
刘克勤
郭鹏宇
周华
王维广
陈占春
《中华中医药学刊》
北大核心
2025年第8期13-17,I0003-I0006,共9页
传统单周期脉象识别面临形态复杂、周期异变和个体差异等挑战,限制了其在实际应用中的有效性。本研究专注于解决多周期脉象识别分类问题,通过马尔可夫转移场融合脉象信号的幅值与时序信息,构建了新的图像数据集。基于此,提出了一种新的...
传统单周期脉象识别面临形态复杂、周期异变和个体差异等挑战,限制了其在实际应用中的有效性。本研究专注于解决多周期脉象识别分类问题,通过马尔可夫转移场融合脉象信号的幅值与时序信息,构建了新的图像数据集。基于此,提出了一种新的网络模型——对于卷积-注意力网络模型(Temporal convolutional attention network,TCANet),该模型结合深度可分离卷积和自注意力机制,显著提升了脉象图像数据的识别分类能力。实验结果显示,TCANet在滑脉、弦脉、平脉等脉象识别任务中分别达到了94.74%的准确率、94.79%的精确率、94.74%的召回率和94.76%的F1分数,表明其在多周期脉象识别领域具备优异的性能和广泛的应用潜力。
展开更多
关键词
多周期脉象
脉象
识别
马尔可夫转移场
深度可分离卷积
自注意力
在线阅读
下载PDF
职称材料
基于GASF及神经网络的多周期脉象信号识别分类研究
被引量：
2
2
作者
刘轩吉
刘光浚
+3 位作者
邓威
郝龙辉
王维广
陈占春
《中华中医药学刊》
CAS
北大核心
2024年第10期22-27,I0003,I0004,共8页
目的旨在解决一维时序的脉象信号特征提取阶段参数量不够以及一维信号转化为二维序列图像时逆运算缺失和数据与时序关系模糊等问题。方法提出了基于无分段聚合近似(PAA)的格拉姆和角场(GASF)及深度学习网络模型相结合的一维脉象信号多...
目的旨在解决一维时序的脉象信号特征提取阶段参数量不够以及一维信号转化为二维序列图像时逆运算缺失和数据与时序关系模糊等问题。方法提出了基于无分段聚合近似(PAA)的格拉姆和角场(GASF)及深度学习网络模型相结合的一维脉象信号多周期数据分类方法。首先通过GASF编码将一维脉象信号转换为二维时序图像,然后输入神经网络(TCPNet)进行训练并分类。设置了4273段同样长度的多周期脉象信号作为输入数据集。结果研究发现使用无分段聚合近似的格拉姆角场处理的网络准确率不低于89%。模型最高准确率达到93.61%,精确度为93.63%,F1分数为93.60%,召回率为93.61%。结论基于文章方法建立的脉象分类模型准确率明显提高,力证了分类方法的有效性,也为脉象信号的分类问题提供了新的思路和方法。
展开更多
关键词
多周期脉象
信号
脉象
识别分类
GASF
卷积神经网络
残差块
在线阅读
下载PDF
职称材料
题名
基于卷积-自注意力机制对多周期脉象识别分类
1
作者
邓威
刘轩吉
郝龙辉
朱子简
李飞
王蕊
刘克勤
郭鹏宇
周华
王维广
陈占春
机构
太原理工大学机械工程学院
上海贝业斯健康科技有限公司
山西省针灸医院
太原市中医院
北京中医药大学中医学院中医基础理论系
出处
《中华中医药学刊》
北大核心
2025年第8期13-17,I0003-I0006,共9页
基金
国家自然科学基金项目(52075361)
科技部科技基础资源调查专项(2022FY102000,2022FY102002)
+3 种基金
山西省科技重大专项(20201102003)
中央高校基本科研业务费专项(2022-JYB-JBZR-011)
太原市卫生健康委员会中医人工智能医生工作室研发创新团队项目(ZYYTD2024035)
山西浙大新材料与化工研究院项目(2022SX-TD021)。
文摘
传统单周期脉象识别面临形态复杂、周期异变和个体差异等挑战,限制了其在实际应用中的有效性。本研究专注于解决多周期脉象识别分类问题,通过马尔可夫转移场融合脉象信号的幅值与时序信息,构建了新的图像数据集。基于此,提出了一种新的网络模型——对于卷积-注意力网络模型(Temporal convolutional attention network,TCANet),该模型结合深度可分离卷积和自注意力机制,显著提升了脉象图像数据的识别分类能力。实验结果显示,TCANet在滑脉、弦脉、平脉等脉象识别任务中分别达到了94.74%的准确率、94.79%的精确率、94.74%的召回率和94.76%的F1分数,表明其在多周期脉象识别领域具备优异的性能和广泛的应用潜力。
关键词
多周期脉象
脉象
识别
马尔可夫转移场
深度可分离卷积
自注意力
Keywords
multi-period pulse
pulse classification
MTF
depth-wise separable convolution
self-attention
分类号
R241.1 [医药卫生—中医诊断学]
在线阅读
下载PDF
职称材料
题名
基于GASF及神经网络的多周期脉象信号识别分类研究
被引量：
2
2
作者
刘轩吉
刘光浚
邓威
郝龙辉
王维广
陈占春
机构
太原理工大学机械与运载工程学院
北京中医药大学中医学院
出处
《中华中医药学刊》
CAS
北大核心
2024年第10期22-27,I0003,I0004,共8页
基金
国家科技部科技基础资源调查专项(2022FY102000,2022FY102002)
中央高校基本科研业务费专项(2022-JYB-JBZR-011)
山西浙大新材料与化工研究院项目(2022SX-TD021)。
文摘
目的旨在解决一维时序的脉象信号特征提取阶段参数量不够以及一维信号转化为二维序列图像时逆运算缺失和数据与时序关系模糊等问题。方法提出了基于无分段聚合近似(PAA)的格拉姆和角场(GASF)及深度学习网络模型相结合的一维脉象信号多周期数据分类方法。首先通过GASF编码将一维脉象信号转换为二维时序图像,然后输入神经网络(TCPNet)进行训练并分类。设置了4273段同样长度的多周期脉象信号作为输入数据集。结果研究发现使用无分段聚合近似的格拉姆角场处理的网络准确率不低于89%。模型最高准确率达到93.61%,精确度为93.63%,F1分数为93.60%,召回率为93.61%。结论基于文章方法建立的脉象分类模型准确率明显提高,力证了分类方法的有效性,也为脉象信号的分类问题提供了新的思路和方法。
关键词
多周期脉象
信号
脉象
识别分类
GASF
卷积神经网络
残差块
Keywords
multi-cycle pulse diagnosis signal
pulse classification
GASF
convolutional neural networks
residual block
分类号
R241.1 [医药卫生—中医诊断学]
在线阅读
下载PDF
职称材料
题名
作者
出处
发文年
被引量
操作
1
基于卷积-自注意力机制对多周期脉象识别分类
邓威
刘轩吉
郝龙辉
朱子简
李飞
王蕊
刘克勤
郭鹏宇
周华
王维广
陈占春
《中华中医药学刊》
北大核心
2025
0
在线阅读
下载PDF
职称材料
2
基于GASF及神经网络的多周期脉象信号识别分类研究
刘轩吉
刘光浚
邓威
郝龙辉
王维广
陈占春
《中华中医药学刊》
CAS
北大核心
2024
2
在线阅读
下载PDF
职称材料
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
上一页
1
下一页
到第
页
确定
用户登录
登录
IP登录
使用帮助
返回顶部
