2017, Vol. 38
中医脉象复杂多变且具有稀疏特性[1], 脉象的智能识别是实现脉诊客观化的关键.计算机科学技术的发展为脉象的客观化研究提供了新的思路[2].国内外研究者对脉象信号的模式识别方法进行了探索, 例如:Velik采用桡动脉脉搏波进行脉象划分[3]; Peng等通过电容传感器阵列采集桡动脉脉搏波, 并进行脉象识别与分类[4]; Wang等采用多通道传感器融合的方法进行脉象识别[5]; Jia等针对脉象的差异性问题, 采用基于高斯内核的支持向量机实现中医脉象分类[6].
极限学习机(extreme learning machine, ELM)是由黄广斌教授于2004年提出的一种新型单隐层前馈神经网络[7], 训练过程一次完成, 无需迭代, 只需设置隐层节点数, 即可得唯一最优解.该模型自提出以来以其结构简单、学习速度快和泛化性能良好等优点在解决模式识别以及复杂系统建模等问题时表现出优于BP算法和支持向量机的性能, 目前仍在不断发展中[8-9].
因此, 本文设计并提出了基于极限学习机的脉象识别分类算法, 旨在获取一种新的有效的脉象识别技术.
1 脉象分类及研究范围根据现代中医理论，脉象共有28种.其中，滑脉、弦脉、平脉、细脉、涩脉、弦滑脉、弦细脉和沉细脉等8种脉象，均属于常见脉象.平脉常出现于健康人群中，且具有普遍性.弦脉常出现于胃气不足或者健康老年人群体中.
因此，本文针对这8种常见脉象展开研究.按照脉象复合程度，可以将脉象分为单一脉和复合脉两种.本文所研究的8种脉象中，共有单一脉5种(平脉、滑脉、弦脉，细脉和涩脉)和复合脉3种(弦滑脉、弦细脉和沉细脉).
2 极限学习机的原理极限学习机的原理是:假设存在N个不同的学习样本(xi, ti), 具有L个隐层节点, 隐层激励函数为g(x), 该网络的实际输出可表示为[10]
|
(1) |
式中:ai∈Rn为输入层节点到隐含层节点i的输入权重; bi和βi分别为第i个隐含节点的偏置和输出权重.
神经网络输出函数可以写成
|
(2) |
其中:
|
|
(3) |
随机选取输入权重ai和隐层偏置bi可计算得到矩阵H, 则ELM算法神经网络权重可由式(4) 求得, 其中, H+为H的广义逆.
|
(4) |
脉象识别的具体工作主要包含以下部分:首先, 对提取的脉搏信号进行预处理, 包括降噪和基线漂移抑制; 然后, 提取脉搏信号的特征值; 最后, 利用基于极限学习机的脉象分类算法对多种基本类型的脉象信号进行分类识别.
3.1 脉搏数据采集及预处理本文采用实验室自主研发的近红外脉搏信号采集设备采集人体指尖脉搏波, 如图 1所示.该设备频率为200 Hz, 波长为940 nm.采样位置为右手食指指尖.
|
图 1 近红外脉搏波设备 Fig.1 Near infrared pulse wave device |
红外脉搏波传感器采集人体手指指尖动脉处的脉搏数据.在信号采集过程中, 信号容易受到外界电磁环境的干扰；同时, 人的呼吸以及仪器本身也会引起干扰.脉搏信号的主要干扰包括极限漂移和噪声干扰.本文采用基于小波变换的脉搏信号预处理方法, 对脉象信号进行了降噪和基线漂移抑制的处理.
3.2 脉象识别算法设计本文采用基于前馈型极限学习机的神经网络算法对脉象数据进行了训练和分类, 以完成对脉象种类的多分类判别.利用传感器获取脉搏波数据, 然后经过去噪、去基线漂移处理后, 提取特征值, 作为输入的特征向量, 划定标签后, 组成样本数据集.随机选取总样本数的80%构成训练集, 另外20%构成测试集, 验证ELM分类模型性能.
具体算法设计如下:
1) 输入训练集, 设置隐含层的结点数量, 随机输入权值ai和隐层偏置bi;
2) 选择隐含层结点的激励函数, 在这里选择S型隐节点函数为激励函数, 由此计算隐含层的输出矩阵H和H的Moore-Penrose广义逆;
3) 最后, 计算输出层的权值
4) 获得输入层权值向量、隐含层神经元的偏置向量和输出层的权值矩阵, 由此构建极限学习机的多分类模型, 进入分类判别模块, 对分类数据进行判别, 得出分类结果.
|
图 2 基于极限学习机脉象识别流程 Fig.2 Process of pulse conditions identification based on ELM |
本实验共采集了8种常见脉象:平脉(35例)、滑脉(32例)、弦脉(34例)、细脉(15例)、涩脉(10例)、弦滑脉(25例)、弦细脉(20例)、沉细脉(18例), 共计189例.每例样本有5 min左右的数据, 即10万左右的样本点, 约800多个脉象信号周期, 随机取其50个周期, 则每种脉象样本数为脉象例数乘以50，例如，平脉35例，平脉样本数为35×50=1 750.
4.1 识别验证与结果分析根据国际医学指导组织AAMI(association for the advancement of medical instrumentation)提供的相关标准化建议, 本文采用查准率Pe和查全率Re来评价识别算法的性能.
|
(5) |
|
(6) |
式中:TP表示真正脉象被正确识别个数；FN表示没被正确识别个数；FP表示错误识别的脉象个数.
查准率Pe表示识别出的脉象A中真正的脉象A所占的比例, 查准率Pe越高表示ELM识别率越高; 查全率Re表示全部真的脉象A中有多少比例被ELM识别出来的, 查全率Re越高表示ELM识别的脉象A越不会漏掉真正的脉象A.
针对单周期的脉象信号的波峰个数不同, 相应提取的特征值不同, 构建相应的ELM分类模型.脉搏波波峰个数为1的脉象:部分弦脉、涩脉; 脉搏波波峰个数为2的脉象:部分弦脉、滑脉、弦滑脉、弦细脉、沉细脉; 脉搏波波峰个数为3的脉象:平脉、细脉.ELM分类效果统计指标如表 1所示.
|
表 1 分类效果统计 Table 1 Classification results |
以上结果显示, 脉象的分类准确率均保持在97%以上, 表明利用ELM分类算法对脉象的分类判别能取得良好的效果.
4.2 算法性能指标分析为了检验ELM与BP神经网络和SVM对脉象识别的性能, 利用训练后的BP神经网络、SVM和ELM对脉象信号进行识别.识别结果如表 2所示.
|
|
表 2 不同方法分类效果统计 Table 2 Classification results with different methods |
由表 2得出, ELM方法的平均Pe值达到97.4%, 平均Re值达到97.2%;BP神经网络方法的平均Pe值达到88%, 平均Re值达到87%;SVM方法的平均Pe值达到91.9%, 平均Re值达到91.8%.由此可见, ELM方法对中医脉象的识别能力高于BP神经网络方法和SVM方法.
5 结论本文设计并实现了基于ELM的脉象识别算法, 完成了对8种常见脉象的多分类判别.并与BP神经网络方法和SVM方法进行了比较.实验结果显示, ELM脉象的分类准确率平均高达97%, 而BP神经网络方法的分类准确率为88%, SVM方法的分类准确率为92%.这表明利用ELM分类算法对脉象的分类判别能取得良好的效果.
| [1] | Shi Z G, Zhou C W, Gu Y J. Source estimation using coprime array:a spare reconstruction perspective[J]. IEEE Sensors Journal, 2017, 17(3): 755–765. DOI:10.1109/JSEN.2016.2637059 |
| [2] | Zhang G G, Lee W L, Bausell B, et al. Variability in the traditional Chinese medicine (TCM) diagnoses and herbal prescriptions provided by three TCM practitioners for 40 patients with rheumatoid arthritis[J]. The Journal of Alternative and Complementary Medicine, 2005, 11(3): 415–421. DOI:10.1089/acm.2005.11.415 |
| [3] | Velik R. An objective review of the technological developments for radial pulse diagnosis in traditional Chinese medicine[J]. European Journal of Integrative Medicine, 2015, 7(4): 321–331. DOI:10.1016/j.eujim.2015.06.006 |
| [4] | Peng J Y, Lu M S C. A flexible capacitive tactile sensor array with CMOS readout circuits for pulse diagnosis[J]. IEEE Sensors Journal, 2015, 15(2): 1170–1177. DOI:10.1109/JSEN.2014.2360777 |
| [5] | Zhang D, Wang D, Lu G M. An optimal pulse system design by multichannel sensors fusion[J]. IEEE Journal of Biomedical and Health Informatics, 2016, 20(4): 450–459. |
| [6] | Jia D B, Zhang D Y, Li N M. Pulse waveform classification using support vector machine with Gaussian time warp edit distance kernel[J]. Computational and Mathematical Methods in Medicine, 2014, 2014(2014): 1–10. |
| [7] | Huang G B, Zhu Q Y, Siew C K. Extreme learning machine:theory and applications[J]. Neurocomputing, 2006, 70(1): 489–501. |
| [8] | Huang Z Y, Yu Y L, Gu J, et al. An efficient method for traffic sign recognition based on extreme learning machine[J]. IEEE Transactions on Cybernetics, 2017, 47(4): 920–933. DOI:10.1109/TCYB.2016.2533424 |
| [9] | Lu X X, Zou H, Zhou H M, et al. Robust extreme learning machine with its application to indoor positioning[J]. IEEE Transactions on Cybernetics, 2016, 46(1): 194–205. DOI:10.1109/TCYB.2015.2399420 |
| [10] | Huang G B, Ding X, Zhou H. Optimization method based extreme learning machine for classification[J]. Neurocomputing, 2010, 74(1): 155–163. |