论文部分内容阅读
随着社会和经济的发展,人们对生理状态的关注和对健康产品的需求增加。在中国传统医学中,医者通过诊脉来检测人体的状态。脉诊过程无创无痛,是一种理想的生理状态检测方式。然而脉诊依靠个人经验诊断,医疗资源不足,这阻碍了中医的推广和发展。脉诊的客观化对于其推广尤为重要。通过分析脉搏数据对不同的生理状态进行识别是本文解决的主要问题。深度学习的核心思想是从大量数据中自动地提取特征进行表示,与脉诊理论相契合。本文的主要工作是选取并构建了长短时记忆神经网络(Long Short-Term Memory Neural Network,LSTM)来对脉搏信号进行分类。本文选取了 3组待分类状态(午休前、后,运动前、后,吸烟前、后),针对各组状态采集了数据作为样本数据。本文对采集到的数据进行了预处理,包括异常值处理、拆分预编码、数据归一化。本文建立了一个具有五个网络层的LSTM模型,并对参数进行了训练和优化,最终神经网络的分类性能达到了如下效果:训练集准确率为0.85,验证集准确率为0.81,测试集数据的整体脉搏状态识别准确率为0.71。在相同网络层级、迭代次数的前提下进行了双向LSTM、深度神经网络的实验对比。双向LSTM神经网络在脉搏短序列的训练集上的准确率为0.91,在验证集的准确率0.89,对测试集数据的整体脉搏状态识别准确率为0.79。双向LSTM神经网络优于单向LSTM神经网络,单向LSTM神经网络优于深度神经网络。由此推断睡眠对人体的脉搏有影响,LSTM神经网络可以有效识别午休前和午休后的脉搏信号。进而选取了跑步前、跑步后这两种生理状态以及吸烟前、吸烟后这两种生理状态分别进行分类识别。最终得出双向LSTM神经网络在跑步前和跑步后的脉搏短序列的训练集上的准确率为0.93,在验证集的准确率0.91,对测试集数据的整体脉搏状态识别准确率为0.83。在吸烟前和吸烟后的脉搏短序列的训练集上的准确率为0.84,在验证集的准确率0.82,对测试集数据的整体脉搏状态识别准确率为0.71,实现了有效识别。