目的中医体质证型的辨识,在中医“治未病”方面起着重要作用。目前,对于湿热质及平和质的辨识多以问卷形式判定,主观因素影响较大,针对中医湿热质及平和质辨识问题,本文通过语音研究自动化体质辨识任务,为中医体质临床辨识提供辅助。方...目的中医体质证型的辨识,在中医“治未病”方面起着重要作用。目前,对于湿热质及平和质的辨识多以问卷形式判定,主观因素影响较大,针对中医湿热质及平和质辨识问题,本文通过语音研究自动化体质辨识任务,为中医体质临床辨识提供辅助。方法基于深度学习Transformer和迁移学习,设计一种纯粹注意力机制模型,用于中医声诊体质辨识。采集了34名受试者的700条语音,对语音数据预处理得到对应梅尔频谱图,并利用基于公共数据集预训练的Transformer模型来提升模型对音频分类的性能。结果实验结果准确率为83.33%,曲线下面积(Area under curve,AUC)为92.16%,灵敏度为80.25%,特异性为87.03%,与使用卷积神经网络(Convolutional neural network,CNN)来构建的深度学习模型相比性能更佳。结论本文湿热质和平和质辨识模型Transformer取得了更优的辨识效果,表明其可提高中医声诊体质识别效率,能够推动体质辨识客观化和智能化发展。展开更多
文摘目的中医体质证型的辨识,在中医“治未病”方面起着重要作用。目前,对于湿热质及平和质的辨识多以问卷形式判定,主观因素影响较大,针对中医湿热质及平和质辨识问题,本文通过语音研究自动化体质辨识任务,为中医体质临床辨识提供辅助。方法基于深度学习Transformer和迁移学习,设计一种纯粹注意力机制模型,用于中医声诊体质辨识。采集了34名受试者的700条语音,对语音数据预处理得到对应梅尔频谱图,并利用基于公共数据集预训练的Transformer模型来提升模型对音频分类的性能。结果实验结果准确率为83.33%,曲线下面积(Area under curve,AUC)为92.16%,灵敏度为80.25%,特异性为87.03%,与使用卷积神经网络(Convolutional neural network,CNN)来构建的深度学习模型相比性能更佳。结论本文湿热质和平和质辨识模型Transformer取得了更优的辨识效果,表明其可提高中医声诊体质识别效率,能够推动体质辨识客观化和智能化发展。
