基于GASF及神经网络的多周期脉象信号识别分类研究

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。