检索结果-维普期刊中文期刊服务平台

基于压阻传感器和微信小程序的中医脉象深度学习分类算法被引量：1: 1; 作者陈江宁陈俊飞 +3 位作者施京红丁辉雷成阳陈文会《传感技术学报》北大核心 2025年第2期288-293,共6页; 人体手腕处的桡动脉脉象是心脏、血管、血液的质和量等因素共同作用并互相影响的表现,可以反映人体整个循环系统的状态。首先,基于压阻式传感器设计了人体桡动脉脉搏信号采集单元,并提出基于卷积神经网络的脉象分类算法和基于自编码器... 展开更多; 关键词压阻传感器深度学习中医脉象分类微信小程序; 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... 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

基于随机森林的脉象信号特征降维与分类研究被引量：7: 3; 作者张诗雨杨珂 +3 位作者夏春明金陈玲王忆勤燕海霞《世界科学技术-中医药现代化》 CSCD 北大核心 2020年第7期2418-2426,共9页; 应用于中医脉象信号分类研究中的多种方法提取了大量复杂特征,但使用时由于缺乏系统分析而难以在算法中高效利用,本文提出了一种基于随机森林的脉象信号特征评估降维方法。首先,提取常用的脉象时域、频域以及时-频域特征共93维;随后,使... 展开更多; 关键词脉象分类特征提取特征降维随机森林; 在线阅读下载PDF 职称材料

基于残差网络与注意力机制的脉象信号分析识别被引量：1: 4; 作者朱嘉健冯跃 +4 位作者徐红林卓胜梁惠珠刘慧琳李福凤《现代电子技术》 2023年第7期57-62,共6页; 传统机器学习方法在中医脉象信号分类研究中需要人工提取脉象的特征,且分类准确率不高,因此较难应用于实际环境中。为对脉象信号进行特征的自动提取和精确分类,文中采用改进的一维残差网络对脉象信号进行特征提取并结合改进的注意力机... 展开更多; 关键词中医脉象分类机器学习特征提取残差网络注意力机制; 在线阅读下载PDF 职称材料

题名基于压阻传感器和微信小程序的中医脉象深度学习分类算法被引量：1: 1; 作者陈江宁陈俊飞施京红丁辉雷成阳陈文会; 机构西北工业大学航海学院西北工业大学电子信息学院陕西中医药大学免疫及检验学教研室陕西省中医药研究院中药所陕西省肿瘤医院中西医结合科陕西云承舜智能科技有限公司; 出处《传感技术学报》北大核心 2025年第2期288-293,共6页; 基金陕西省秦创原中医药创新研发转化项目(2022-QCYZH-031)。; 文摘人体手腕处的桡动脉脉象是心脏、血管、血液的质和量等因素共同作用并互相影响的表现,可以反映人体整个循环系统的状态。首先,基于压阻式传感器设计了人体桡动脉脉搏信号采集单元,并提出基于卷积神经网络的脉象分类算法和基于自编码器的脉搏信号判别算法进行脉象识别,并将其成功应用到脉象识别系统中。经过大量的临床测试表明,该方案具有一定的可行性。其次,在“微信开发者工具”环境下,设计了“WH采集脉象”微信小程序,微信小程序把采集到的脉搏数据送到微信云数据库上进行存储,使用人体桡动脉常见的平脉、细脉、滑脉、弦脉等10种注重脉形和脉势的标准脉图作为依据进行标注,构建了2127条样本的脉象数据集,搭建了脉象分类模型,并对模型进行了五折交叉验证训练和测试,临床测试结果说明,卷积神经网络模型在测试集上的脉象分类准确度高于95%以上。最后,为避免非脉搏信号或其他干扰信号对脉象分类准确性造成影响,使用自编码器模型判别脉搏信号并进行训练和测试。临床测试结果表明,使用自编码器构建的脉搏信号判别模型,可以有效判别常见脉搏信号和非脉搏信号。; 关键词压阻传感器深度学习中医脉象分类微信小程序; Keywords piezoresistive sensor deep learning pulse classification of TCM Wechat mini program; 分类号 TV698.15 [水利工程—水利水电工程]; 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

题名基于随机森林的脉象信号特征降维与分类研究被引量：7: 3; 作者张诗雨杨珂夏春明金陈玲王忆勤燕海霞; 机构华东理工大学机械与动力工程学院上海中医药大学四诊信息综合实验室; 出处《世界科学技术-中医药现代化》 CSCD 北大核心 2020年第7期2418-2426,共9页; 基金国家自然科学基金委员会面上项目(81673880):基于中医四诊大数据的冠心病风险评估与预测模型研究,负责人:王忆勤; 文摘应用于中医脉象信号分类研究中的多种方法提取了大量复杂特征,但使用时由于缺乏系统分析而难以在算法中高效利用,本文提出了一种基于随机森林的脉象信号特征评估降维方法。首先,提取常用的脉象时域、频域以及时-频域特征共93维;随后,使用随机森林算法,基于Gini指数对各个特征重要性进行排序,并使用支持向量机(SVM)、反向传播神经网络(BP-NN)以及随机森林(RF)算法验证排序的正确性,最后,结合序列前向选择算法,根据算法的分类准确率变化进行特征选择。实验结果表明:基于随机森林算法的脉象特征重要性排序可行,且进行特征筛选后,特征维数从93维降低到13维左右,对平、实、弦、滑四类脉象的分类,SVM和BP-NN的准确率均提高了10%以上,对特征冗余性不敏感的RF算法分类准确率也提高了4.5%,该方法可用于脉象信号分析中大量特征的评估降维,可显著提高算法的分类准确率和运行效率。; 关键词脉象分类特征提取特征降维随机森林; Keywords Pulse signal classification Feature extraction Feature reduction Random forest; 分类号 TN911.7 [电子电信—通信与信息系统] R241.1 [医药卫生—中医诊断学]; 在线阅读下载PDF 职称材料

题名基于残差网络与注意力机制的脉象信号分析识别被引量：1: 4; 作者朱嘉健冯跃徐红林卓胜梁惠珠刘慧琳李福凤; 机构五邑大学智能制造学部维多利亚大学上海中医药大学; 出处《现代电子技术》 2023年第7期57-62,共6页; 基金广东省普通高校重点领域专项项目(2021ZDZX1032) 广东省国际及港澳台高端人才交流专项(2020A1313030021) 五邑大学科研项目(2018TP023,2018GR003)。; 文摘传统机器学习方法在中医脉象信号分类研究中需要人工提取脉象的特征,且分类准确率不高,因此较难应用于实际环境中。为对脉象信号进行特征的自动提取和精确分类,文中采用改进的一维残差网络对脉象信号进行特征提取并结合改进的注意力机制提高网络的分类性能。所构建的基于一维残差网络与注意力机制模型在单个GTX 1080 GPU上对脉象数据集进行实验,得到的平均准确率、平均召回率、平均精确率、平均F1分数均高于98.84%,在临床病例数据集中,该模型对冠心病分类的平均准确率为100%、平均召回率为99.91%、平均精确率为99.54%、平均F1分数为99.72%。与已有的脉象信号分类模型相比,该模型在脉象数据集上和临床病例数据集上的准确率分别提高1.32%~9.23%和0.21%~3.03%。存储该模型时所需容量不超过10 MB,有利于将其部署在实际脉诊设备上并应用于现实的脉象检测。; 关键词中医脉象分类机器学习特征提取残差网络注意力机制; Keywords traditional Chinese medicine pulse classification machine learning feature extraction residual network attention mechanism; 分类号 TN911.7-34 [电子电信—通信与信息系统] TP391.4 [自动化与计算机技术—计算机应用技术]; 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	基于压阻传感器和微信小程序的中医脉象深度学习分类算法	陈江宁陈俊飞施京红丁辉雷成阳陈文会	《传感技术学报》北大核心	2025	1	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
3	基于随机森林的脉象信号特征降维与分类研究	张诗雨杨珂夏春明金陈玲王忆勤燕海霞	《世界科学技术-中医药现代化》 CSCD 北大核心	2020	7	在线阅读下载PDF 职称材料
4	基于残差网络与注意力机制的脉象信号分析识别	朱嘉健冯跃徐红林卓胜梁惠珠刘慧琳李福凤	《现代电子技术》	2023	1	在线阅读下载PDF 职称材料