基于遞歸圖和卷積神經(jīng)網(wǎng)絡(luò)的脈象分析識(shí)別

顏建軍，陳松曄，燕海霞，王憶勤，郭 睿，3

1.華東理工大學(xué) 機(jī)械與動(dòng)力工程學(xué)院，上海200237

2.上海中醫(yī)藥大學(xué) 四診信息綜合實(shí)驗(yàn)室，上海201203

3.上海中醫(yī)藥大學(xué) 交叉科學(xué)研究院，上海201203

1 引言

脈診是傳統(tǒng)中醫(yī)的組成之一，具有重要的臨床價(jià)值。醫(yī)師通過按壓腕部橈動(dòng)脈脈搏獲取脈象信息，從而判斷人體健康狀況。但其準(zhǔn)確性主要取決于醫(yī)師的主觀意識(shí)和臨床經(jīng)驗(yàn)，缺乏客觀的診斷指標(biāo)[1]。因此有必要應(yīng)用現(xiàn)代計(jì)算機(jī)技術(shù)，進(jìn)行脈象信號(hào)的量化識(shí)別方法研究，實(shí)現(xiàn)脈診的規(guī)范化和客觀化。

當(dāng)前已有許多學(xué)者進(jìn)行了脈象信號(hào)分析識(shí)別的研究，分析方法主要包括時(shí)域分析、頻域分析、時(shí)頻域分析和非線性動(dòng)力學(xué)分析等。時(shí)域分析法是根據(jù)脈象信號(hào)定義多個(gè)具有生理意義的時(shí)域特征，其中包括脈象主波幅度、重博前波幅度、降中峽幅度和脈動(dòng)周期等[2-3]；頻域分析法通過傅里葉變換[4]等數(shù)學(xué)分析理論將脈象信號(hào)推導(dǎo)至頻域內(nèi)，進(jìn)行頻域特征提??；時(shí)頻域分析法可以同時(shí)描述信號(hào)的時(shí)域、頻域特征，常用的方法有小波變換[5-6]、希爾伯特-黃變換[7]等。研究表明，脈象信號(hào)具有非線性特征，而前三種方法在分析脈象信號(hào)過程中不可避免地會(huì)丟失非線性信息。目前，脈象信號(hào)的非線性分析方法主要有近似熵[3]、Lyapunov 指數(shù)[8]、遞歸圖（Recurrence Plot，RP）和遞歸定量分析[9]等。其中，遞歸圖是分析相空間中信號(hào)非線性特征的有效方法。該方法與其他非線性方法相比，克服了對信號(hào)長度和穩(wěn)態(tài)性的嚴(yán)格要求，適用于非線性動(dòng)力學(xué)系統(tǒng)的分析。然而，遞歸圖采用閾值判斷遞歸點(diǎn)，若閾值選擇不合理會(huì)損失大量細(xì)節(jié)特征。無閾值遞歸圖不受閾值的限制，可以保留更多的非線性信息。

在脈象信號(hào)模式識(shí)別研究中，主要采用BP 神經(jīng)網(wǎng)絡(luò)[6]、線性判別分析[10]、貝葉斯分類器[11]、支持向量機(jī)（Support Vector Machine，SVM）[12]、卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network，CNN）[13]等方法。傳統(tǒng)的機(jī)器學(xué)習(xí)方法都需要人工定義并提取脈象特征，但脈象類型與脈象特征之間存在復(fù)雜的非線性關(guān)系，難以定義一個(gè)最優(yōu)的特征集來區(qū)分不同類別的脈象。近年來，得益于卷積神經(jīng)網(wǎng)絡(luò)的快速發(fā)展，深度學(xué)習(xí)在語音識(shí)別[14-15]和圖像分割[16-17]等領(lǐng)域得到了廣泛的應(yīng)用。卷積神經(jīng)網(wǎng)絡(luò)通過模擬人類神經(jīng)元結(jié)構(gòu)逐層進(jìn)行信息傳遞，實(shí)現(xiàn)特征的自動(dòng)提取。這些特征在許多研究中被證實(shí)比傳統(tǒng)人工提取的特征更具表征力，獲得了更好的分類和識(shí)別效果。

本文提出基于無閾值遞歸圖和卷積神經(jīng)網(wǎng)絡(luò)的脈象信號(hào)分析識(shí)別方法。該方法通過非線性分析將脈象信號(hào)轉(zhuǎn)換為相應(yīng)的無閾值遞歸圖，從而使其非線性特征映射到二維平面中。通過卷積神經(jīng)網(wǎng)絡(luò)的多層卷積計(jì)算，實(shí)現(xiàn)對脈象信號(hào)特征的自學(xué)習(xí)并分類，使其具有分辨不同脈象類型的能力。

2 研究方法

2.1 系統(tǒng)概述

本文提出的脈象信號(hào)分析識(shí)別方法整體流程如圖1所示，將脈象信號(hào)轉(zhuǎn)換為無閾值遞歸圖，然后采用VGG-16卷積神經(jīng)網(wǎng)絡(luò)對脈象遞歸圖進(jìn)行特征提取并分類，建立脈象信號(hào)分類模型。

圖1 脈象信號(hào)分類流程圖

2.2 脈象信號(hào)無閾值遞歸圖

遞歸圖是研究系統(tǒng)非線性動(dòng)力學(xué)特征的有效方法，它可以揭示信號(hào)的內(nèi)部結(jié)構(gòu)，直觀地表現(xiàn)信號(hào)的復(fù)雜性和非穩(wěn)定性。該方法由Eckmann等[18]提出，首要步驟是對信號(hào)進(jìn)行相空間重構(gòu)。根據(jù)嵌入理論，選擇合適的嵌入維度m 和延遲時(shí)間τ 來進(jìn)行相空間重構(gòu)，則重構(gòu)后的向量為：

式中，N=n-(m-1)τ，定義相空間中任意兩點(diǎn)的距離為：

選取合適的閾值ε，可得遞歸矩陣為：

式中，θ(·)表示Heaviside函數(shù)，其表達(dá)式為：

遞歸圖能夠直觀地將信號(hào)高維相空間內(nèi)運(yùn)動(dòng)狀態(tài)映射到一個(gè)二維平面中，從而反映其非線性動(dòng)力學(xué)特性。當(dāng)Xi和Xj之間的距離Di,j小于ε 時(shí)，表示Xi和Xj之間的狀態(tài)非常相似，即運(yùn)動(dòng)狀態(tài)出現(xiàn)遞歸，Rij的值為1 且在圖中用黑點(diǎn)表示；反之，當(dāng)Xi和Xj之間的距離Di,j大于ε 時(shí)，表示兩者之間的運(yùn)動(dòng)狀態(tài)相差很大，此時(shí)Rij的值為0且在圖中用白點(diǎn)表示。

閾值ε 是計(jì)算遞歸圖的關(guān)鍵參數(shù)，一般根據(jù)經(jīng)驗(yàn)選取，沒有自適應(yīng)算法。如果ε 選取過大，則會(huì)使大部分相空間之間的狀態(tài)都是相似的，遞歸圖中黑點(diǎn)數(shù)目增加；如果ε 選取過小，則難以發(fā)現(xiàn)相空間之間狀態(tài)的相似性，使得圖中的白色區(qū)域增加。不合理的ε 會(huì)使遞歸圖損失大量的信息特征，無法反映系統(tǒng)的動(dòng)力學(xué)特征。因此，為了保留脈象信號(hào)中所有的非線性特征，本文將脈象信號(hào)轉(zhuǎn)換為相應(yīng)的無閾值遞歸圖。

如圖2 給出了脈象信號(hào)的遞歸圖和無閾值遞歸圖?？梢钥闯觯f歸圖雖然能夠直觀地表達(dá)脈象的遞歸特性，但是缺少細(xì)節(jié)特征；而無閾值遞歸圖包含了更豐富的非線性動(dòng)力學(xué)特征，能更好地保留細(xì)節(jié)信息。具體來看，無閾值遞歸圖關(guān)于45°對角線對稱，無明顯的周期現(xiàn)象，與脈象波形相符。其對角線存在較為明顯的節(jié)點(diǎn)和環(huán)形區(qū)域，分別反映了脈象信號(hào)兩個(gè)波峰從上升到下降的過程。由于重搏波寬度較長且幅度較小，相比主波遞歸現(xiàn)象更加明顯，從而遞歸點(diǎn)較多，形成較大的環(huán)形區(qū)域。圖中存在一條從左上方頂點(diǎn)向右下方頂點(diǎn)延伸的曲線，反映了脈象信號(hào)從上升到下降的整體波形特征。

圖2 脈象信號(hào)遞歸圖與無閾值遞歸圖

2.3 卷積神經(jīng)網(wǎng)絡(luò)

2.3.1 卷積神經(jīng)網(wǎng)絡(luò)簡介

卷積神經(jīng)網(wǎng)絡(luò)是一種帶有卷積結(jié)構(gòu)的深度神經(jīng)網(wǎng)絡(luò)，在語音識(shí)別和圖像分割中具有廣泛的應(yīng)用。卷積神經(jīng)網(wǎng)絡(luò)通常由卷積層、降采樣層和全連接層等組成。

（1）卷積層

卷積核是卷積層的重要組成部分。卷積層內(nèi)部包含多個(gè)卷積核，通過局部連接和權(quán)值共享，卷積核對輸入的數(shù)據(jù)進(jìn)行卷積，以提取數(shù)據(jù)的特征。第一個(gè)卷積層提取一些初級(jí)的數(shù)據(jù)特征，形成多個(gè)特征圖，然后作為下一個(gè)卷積層的輸入以提取深層抽象特征。卷積層的數(shù)學(xué)表達(dá)式為：

（2）降采樣層

降采樣層也被稱為池化層。卷積后得到的特征向量維數(shù)增大，若直接用于訓(xùn)練會(huì)增加網(wǎng)絡(luò)的計(jì)算量和復(fù)雜度。因此，需要對提取的特征圖進(jìn)行降維處理。降采樣層通過對特征進(jìn)行局部池化，不僅可以減小特征圖的大小，保持輸出的特征圖數(shù)量，又可以使網(wǎng)絡(luò)對輸入物體的平移和旋轉(zhuǎn)具有一定的不變性，在一定程度上減少網(wǎng)絡(luò)的過擬合問題，使得網(wǎng)絡(luò)更具魯棒性。卷積神經(jīng)網(wǎng)絡(luò)中一般采用最大池化層作為降采樣層。

（3）全連接層

全連接層可以增強(qiáng)網(wǎng)絡(luò)的非線性映射能力，一般設(shè)置卷積神經(jīng)網(wǎng)絡(luò)的最后幾層中。與卷積層不同，全連接層連接所有的特征進(jìn)行學(xué)習(xí)，通過感知全局信息來學(xué)習(xí)指定的分類目標(biāo)，以得到最終的分類結(jié)果。

2.3.2 VGG-16網(wǎng)絡(luò)

VGG-16 網(wǎng)絡(luò)是卷積神經(jīng)網(wǎng)絡(luò)中一種經(jīng)典的深度網(wǎng)絡(luò)模型[19]。該網(wǎng)絡(luò)結(jié)構(gòu)簡單，由卷積層、池化層和全連接層組成，卷積層采用3×3 小型卷積核的組合，形成深層的網(wǎng)絡(luò)結(jié)構(gòu)，提取輸入內(nèi)更多的細(xì)小特征。VGG-16 網(wǎng)絡(luò)具有優(yōu)良的性能，往往能夠得到與GoogleNet、ResNet 等相當(dāng)甚至更好的分類效果，因此廣泛應(yīng)用于圖像分類識(shí)別的研究中?；赩GG-16 網(wǎng)絡(luò)結(jié)構(gòu)，結(jié)合脈象信號(hào)遞歸圖的類別及特點(diǎn)，將VGG-16 網(wǎng)絡(luò)進(jìn)行改進(jìn)以滿足脈象信號(hào)的分類要求，網(wǎng)絡(luò)結(jié)構(gòu)如圖3所示。

由于VGG-16 中3 個(gè)全連接層參數(shù)較多，其原始是為了1 000 個(gè)分類類別設(shè)計(jì)的，而本文只針對二分類。因此，本文將2個(gè)全連接層替換原來的3個(gè)全連接層，減少全連接層通道數(shù)。在改進(jìn)的VGG-16中，包含了15個(gè)權(quán)重層，分別為13個(gè)卷積層和2個(gè)全連接層。輸入脈象遞歸圖大小為800×800×1，卷積層采用3×3濾波器，滑動(dòng)步長為1，選擇ReLU函數(shù)作為激活函數(shù)，并利用邊界填充使通過卷積層前后的維數(shù)不變；池化層采用最大池化，池化窗口大小為2×2，步長為2；全連接層由兩個(gè)連續(xù)的全連接進(jìn)行組合，通道數(shù)分別為1 024，256個(gè)；網(wǎng)絡(luò)最后通過Softmax函數(shù)輸出脈象二分類。在2個(gè)全連接層后增加Dropout，抑制卷積參數(shù)過大而導(dǎo)致過擬合，使網(wǎng)絡(luò)泛化性更強(qiáng)。

圖3 VGG-16網(wǎng)絡(luò)結(jié)構(gòu)示意圖

3 實(shí)驗(yàn)

3.1 實(shí)驗(yàn)數(shù)據(jù)

本文采用的數(shù)據(jù)是由上海中醫(yī)藥大學(xué)四診信息綜合研究實(shí)驗(yàn)室提供的冠心病脈診數(shù)據(jù)。冠心病患者脈診數(shù)據(jù)主要來源于上海市中山醫(yī)院、仁濟(jì)醫(yī)院、市中醫(yī)院、曙光醫(yī)院，總計(jì)1 612 例；健康人的脈診數(shù)據(jù)由上海中醫(yī)藥大學(xué)中醫(yī)四診信息化綜合研究實(shí)驗(yàn)的研究人員和學(xué)生采集獲得，總計(jì)268例。脈象信號(hào)由上海中醫(yī)藥大學(xué)和上海亞太計(jì)算機(jī)信息有限公司合作研發(fā)的ZBOX I型脈象數(shù)字化采集分析儀采集獲得，選取最佳取脈壓并在此基礎(chǔ)上采集脈象信號(hào)，采集時(shí)間為60 s。

3.2 數(shù)據(jù)處理

3.2.1 脈象信號(hào)預(yù)處理

脈象信號(hào)是一種微弱的生理信號(hào)，很容易受到其他信號(hào)的干擾，其中包括患者的肢體抖動(dòng)、呼吸，器械的機(jī)械振動(dòng)和工頻干擾。樣本的采樣頻率為720 Hz，根據(jù)采樣定理可知，采集脈象的頻率范圍為0～360 Hz。采用小波變換對脈象信號(hào)進(jìn)行濾波，選取sym8 小波對脈象信號(hào)進(jìn)行九級(jí)分解，去除脈象信號(hào)中20 Hz以上的高頻噪聲和1 Hz以下的低頻噪聲。對濾波后的脈象信號(hào)進(jìn)行單周期分割，獲得脈象的單周期波形。

3.2.2 均衡數(shù)據(jù)集

數(shù)據(jù)集存在明顯的不均衡情況，其中健康脈象遠(yuǎn)少于冠心病脈象。若采用不均衡樣本訓(xùn)練模型，會(huì)導(dǎo)致分類模型泛化能力差并且容易發(fā)生過擬合。因此，本文采用合成少數(shù)類樣本過采樣技術(shù)（Synthetic Minority Oversampling Technique，SMOTE）[20]來均衡數(shù)據(jù)集。設(shè)置k=5，樣本倍數(shù)N=6，可以生成健康樣本1 608 例，結(jié)合冠心病患者1 612 例，均衡后的數(shù)據(jù)集總共包含3 220例樣本。

3.2.3 脈象信號(hào)無閾值遞歸圖轉(zhuǎn)換

在構(gòu)造脈象信號(hào)無閾值遞歸圖時(shí)，需要確定嵌入維數(shù)m 和延遲時(shí)間τ 兩個(gè)關(guān)鍵參數(shù)。C-C 算法在統(tǒng)計(jì)學(xué)方法的基礎(chǔ)上，通過關(guān)聯(lián)積分，可以同時(shí)確定m 和τ 的參數(shù)大小。通過計(jì)算分析，本文選擇m=3，τ=4 對脈象信號(hào)進(jìn)行相空間展開。由于不同脈象信號(hào)的單周期長度不同，在周期較短的脈象信號(hào)末端進(jìn)行補(bǔ)零，使其生成相同大小的遞歸圖，如圖4所示。

圖4 兩種脈象信號(hào)的無閾值遞歸圖

3.3 實(shí)驗(yàn)結(jié)果及其分析

實(shí)驗(yàn)中將健康人脈象作為正類，冠心病脈象作為負(fù)類。采用三個(gè)指標(biāo)來評價(jià)分類模型：敏感性（Sensitivity，SE）、特異性（Specificity，SP）和準(zhǔn)確率（Accuracy，ACC），分別定義為：

其中，TP 表示正樣本預(yù)測正確的個(gè)數(shù)；FN 表示被錯(cuò)分為負(fù)樣本的正樣本個(gè)數(shù)；FP 表示被錯(cuò)分為正樣本的負(fù)樣本個(gè)數(shù)；TN 表示被正確預(yù)測的負(fù)樣本數(shù)。敏感性代表的是被模型正確分類的正樣本比例，特異性代表被模型正確分類的負(fù)樣本比例。

本文通過Keras框架實(shí)現(xiàn)改進(jìn)的VGG-16卷積神經(jīng)網(wǎng)絡(luò)，采用SGD優(yōu)化算法，分別設(shè)置參數(shù)為：迭代次數(shù)為2 000次，初始化學(xué)習(xí)率為0.001，網(wǎng)絡(luò)訓(xùn)練的動(dòng)量為0.9，權(quán)重衰退為0.000 1，Dropout 參數(shù)為0.5，訓(xùn)練集∶驗(yàn)證集∶測試集=6∶2∶2。實(shí)驗(yàn)采用的GPU 顯卡為NVIDIA Tesla V100。

將圖4 中的兩幅脈象遞歸圖作為VGG-16 的輸入，得到卷積神經(jīng)網(wǎng)絡(luò)自動(dòng)提取的部分特征圖（如圖5 所示）。遞歸圖經(jīng)過Conv1-1 處理后，不同卷積核提取的特征不同，主要提取初級(jí)的紋理特征。經(jīng)過卷積層Conv5-1 輸出的特征圖如圖5（c）和（d）所示，可以看出Conv5-1輸出的特征圖相比Conv1-1輸出的特征圖反映了更多紋理細(xì)節(jié)信息，使不同類型脈象信號(hào)的遞歸圖具有更好的可分性。因此，通過卷積核的設(shè)置和堆疊，可以獲得不同層級(jí)紋理結(jié)構(gòu)的特征圖。經(jīng)過卷積核處理越多，獲得遞歸圖的紋理信息越全面，可以更加充分地表達(dá)脈象信號(hào)中的非線性動(dòng)力學(xué)特征。

圖5 兩種脈象遞歸圖不同卷積的特征提取結(jié)果

為了驗(yàn)證無閾值遞歸圖的有效性，將其與遞歸圖進(jìn)行比較。根據(jù)文獻(xiàn)[21]中提出的“經(jīng)驗(yàn)法則”，選擇閾值ε 為相空間最大直徑的10%。將兩類遞歸圖分別作為VGG-16的輸入訓(xùn)練模型，結(jié)果如表1所示。由此可見，采用無閾值遞歸圖作為輸入可以獲得更高的分類準(zhǔn)確率，可達(dá)98.14%，并且在敏感性和特異性上相比遞歸圖均有所提升。無閾值遞歸圖相比遞歸圖保留了更多的細(xì)節(jié)特征，結(jié)合VGG-16可以獲得更好的分類準(zhǔn)確率。

表1 不同輸入分類結(jié)果 %

為了進(jìn)一步驗(yàn)證本文提出方法的有效性，本文對無閾值遞歸圖特征提取和分類進(jìn)行探索，并與現(xiàn)有的脈象信號(hào)分類研究進(jìn)行對比。無閾值遞歸圖的特征采用了局部二值模式（Local Binary Pattern，LBP）和梯度方向直方圖（Histogram of Oriented Gradien，HOG）。LBP的參數(shù)設(shè)置為圓形鄰域（8，2），劃分10×10個(gè)子區(qū)域，提取特征維度為1×3 776；HOG 采用大小為80×80 的單元格，塊大小為2×2，提取的特征維度為1×2 916，分類器SVM的核函數(shù)為高斯核函數(shù)，結(jié)果如表2所示。從結(jié)果可以看出，采用LBP和HOG相比傳統(tǒng)的時(shí)域、頻域特征分類效果有所提升。就準(zhǔn)確率而言，LBP 和HOG 相比時(shí)域特征分別提高了1.71%、1.24%；對于敏感性，LBP要比時(shí)域特征提高3.71%；在特異性上，HOG 相比時(shí)域特征和小波特征分別提升了2.20%、1.96%。這說明脈象信號(hào)的無閾值遞歸圖包含豐富的生理病理信息，通過特征提取可以獲得與傳統(tǒng)特征相當(dāng)甚至更好的分類效果。

表2 脈象分類結(jié)果%

從表2 還可以看出，無閾值遞歸圖結(jié)合VGG-16 取得的分類效果最好，相比時(shí)域特征、小波特征、HOG、LBP、DCNN 分別提升4.04%、2.95%、3.01%、2.33%、2.02%；在敏感性上，本文提出的方法相比其他5種方法分別高出5.43%、2.57%、4.01%、0.61%、2.16%；對于特異性，本文提出的方法為99.69%，比LBP 高了4.06%。因此，與其他方法相比，本文提出的脈象分類識(shí)別方法具有更好的分類性能。

綜上所述，本文通過脈象信號(hào)到無閾值遞歸圖的轉(zhuǎn)換，可以將脈象信號(hào)的非線性特征映射到二維圖像中，不必設(shè)置閾值，能夠保留脈象信號(hào)中更多的非線性信息。構(gòu)建VGG-16 卷積神經(jīng)網(wǎng)絡(luò)對無閾值遞歸圖數(shù)據(jù)進(jìn)行訓(xùn)練，建立脈象分類模型。該模型通過3×3卷積核的組合，形成深層網(wǎng)絡(luò)結(jié)構(gòu)，可以對無閾值遞歸圖進(jìn)行更多細(xì)節(jié)特征的自學(xué)習(xí)，獲得了較好的分類效果。

4 結(jié)論

當(dāng)前脈診客觀化研究中，大部分采用時(shí)域和頻域等分析方法，忽略了脈象信號(hào)中的非線性特征。考慮到脈象信號(hào)的非線性，使用非線性動(dòng)力學(xué)方法研究脈象信號(hào)，相比傳統(tǒng)方法能更好地挖掘出其內(nèi)在的非線性信息。深度學(xué)習(xí)利用深層的網(wǎng)絡(luò)結(jié)構(gòu)，可以得到原始數(shù)據(jù)的高層語義表達(dá)，已廣泛應(yīng)用于語音識(shí)別等領(lǐng)域。本文將非線性分析方法與深度學(xué)習(xí)結(jié)合起來，提出基于無閾值遞歸圖和卷積神經(jīng)網(wǎng)絡(luò)的脈象信號(hào)分析識(shí)別方法。首先，將脈象信號(hào)轉(zhuǎn)換為無閾值遞歸圖，以保留脈象信號(hào)中更多的細(xì)節(jié)特征。然后建立卷積神經(jīng)網(wǎng)絡(luò)對無閾值遞歸圖進(jìn)行特征自學(xué)習(xí)和訓(xùn)練獲得脈象信號(hào)分類模型，最后進(jìn)行了脈象信號(hào)的分類識(shí)別。實(shí)驗(yàn)結(jié)果表明，本文提出的脈象信號(hào)識(shí)別方法是有效的，相比目前的脈象信號(hào)分類方法可以獲得更高的分類準(zhǔn)確率。在今后的工作中，將進(jìn)一步研究更能表現(xiàn)脈象信號(hào)特征的信號(hào)分析方法，結(jié)合深度學(xué)習(xí)，提高脈象信號(hào)的識(shí)別率。