本發明涉及脈象識別領域，具體是一種基于多源數據融合與雙層架構的脈象識別方法。
背景技術：
1、脈象識別是中醫診斷的核心手段之一，傳統人工診斷依賴醫師經驗積累，存在主觀性強、診斷一致性差、技能傳承難度大等問題。隨著傳感技術與人工智能的快速發展，基于機器學習的自動脈象識別技術成為研究熱點，但現有技術仍存在顯著局限性：單一模型如svm、bp神經網絡對含運動干擾、工頻噪聲的復雜脈搏信號適應性不足，難以全面捕捉時域、頻域、時頻域多維度特征間的非線性關聯；現有技術多依賴單一傳感數據，信息維度單一，無法完整表征脈象的力學、血流及運動狀態等多維度屬性；同時，數據不平衡、特征提取冗余等問題進一步制約識別精度與泛化能力，導致現有技術無法滿足臨床診斷的精準性要求。
技術實現思路
1、為了提高脈象識別的精度，本發明提供了基于多源數據融合與雙層架構的脈象識別方法。
2、本發明解決上述問題所采用的技術方案是：
3、基于多源數據融合與雙層架構的脈象識別方法，包括：
4、步驟1、采集脈象原始數據，包括脈象力學信號、血流信號及運動干擾信號；
5、步驟2、基于脈象原始數據及多源數據融合算法生成標準化脈搏波信號，并對脈搏波信號進行分類；
6、步驟3、采用多級濾波與信號分段對齊的方式對脈搏波信號進行預處理，輸出脈搏周期信號；
7、步驟4、基于脈搏周期信號提取原始特征，包括時域特征、頻域特征、時頻域特征及多源獨有特征，基于原始特征生成特征向量；
8、步驟5、基于不同算法構建多個基模型并訓練，將特征向量輸入基模型以獲取脈象類別概率；
9、步驟6、對各基模型輸出的脈象類別概率進行加權求和以獲取最終脈象識別結果。
10、進一步地，多源數據融合算法處理步驟為：
11、對脈象原始數據進行同步對齊；
12、基于運動干擾信號構建運動干擾模型，分離并去除脈象力學信號及血流信號中的干擾；
13、采用加權平均算法生成融合脈搏波信號s，，其中為去噪后的脈象力學信號，為去噪后的血流信號，、分別為兩類信號的權重；
14、將融合脈搏波信號經min-max標準化映射至區間得到標準化脈搏波信號。
15、進一步地，，其中，為脈象力學信號的信噪比，為血流信號的信噪比。
16、進一步地，步驟3中，采用多級濾波與信號分段對齊的方式對脈搏波信號進行預處理的步驟包括：
17、采用自適應陷波濾波、巴特沃斯低通濾波、多項式擬合校正消除干擾；
18、采用波峰檢測法識別脈搏波峰，自動劃分脈搏周期；
19、將每個脈搏周期信號截取為固定長度；
20、通過異常檢測算法剔除異常數據。
21、進一步地，基于壓力傳感器采集脈象力學信號，基于ppg采集血流信號，基于三軸加速度傳感器采集運動干擾信號。
22、進一步地，多源獨有特征包括：脈象力學-血流幅值比、脈象力學-血流同步性系數、運動校正后的周期穩定性指標、血流信號諧波與脈象力學信號諧波的耦合系數及多源信號熵值。
23、進一步地，多源信號熵值y的計算公式為：，為脈象力學信號幅值占比，為血流信號幅值占比，且；
24、運動校正后的周期穩定性指標的計算方式為：
25、從脈搏周期信號中提取脈搏周期序列，對該序列進行干擾校正：若第i個周期對應的運動干擾強度，則用相鄰3個無干擾周期的均值替代ti，得到校正后周期序列，其中ti為第i個脈搏周期時長，為預設干擾閾值；
26、計算校正后序列的變異系數cv作為周期穩定性指標：變異系數cv=（校正后周期標準差/校正后周期均值）×100%。
27、進一步地，步驟4中，原始特征通過降維處理生成特征向量，降維處理包括相關性分析、特征重要性評估及主成分分析。
28、進一步地，基于cart決策樹、elda、k-svm、res-bpnn及lightgbm分別構建基模型。
29、進一步地，步驟6中，根據雙因子加權法確定模型權重，因子一為基模型在驗證集上的識別準確率權重，因子二為多源獨有特征貢獻度權重。
30、本發明相比于現有技術具有的有益效果是：通過整合脈象力學信號、血流信號及運動干擾信號實現脈象信號的全面采集及運動干擾抑制，基于脈象力學信號及血流信號提取時域、頻域、時頻域及多源獨有特征，基于不同算法構建脈象識別基模型，采用雙因子加權法確定權重系數對各模型輸出的類別概率進行加權求和以實現最終識別結果；多源獨有特征增強了脈象辨識度，雙因子加權提升了復雜脈象識別能力，泛化能力顯著增強。
1.基于多源數據融合與雙層架構的脈象識別方法，其特征在于，包括：
2.根據權利要求1所述的基于多源數據融合與雙層架構的脈象識別方法，其特征在于，多源數據融合算法處理步驟為：
3.根據權利要求2所述的基于多源數據融合與雙層架構的脈象識別方法，其特征在于，，其中，為脈象力學信號的信噪比，為血流信號的信噪比。
4.根據權利要求1所述的基于多源數據融合與雙層架構的脈象識別方法，其特征在于，步驟3中，采用多級濾波與信號分段對齊的方式對脈搏波信號進行預處理的步驟包括：
5.根據權利要求1所述的基于多源數據融合與雙層架構的脈象識別方法，其特征在于，基于壓力傳感器采集脈象力學信號，基于ppg采集血流信號，基于三軸加速度傳感器采集運動干擾信號。
6.根據權利要求1所述的基于多源數據融合與雙層架構的脈象識別方法，其特征在于，多源獨有特征包括：脈象力學-血流幅值比、脈象力學-血流同步性系數、運動校正后的周期穩定性指標、血流信號諧波與脈象力學信號諧波的耦合系數及多源信號熵值。
7.根據權利要求6所述的基于多源數據融合與雙層架構的脈象識別方法，其特征在于，多源信號熵值y的計算公式為：，為脈象力學信號幅值占比，為血流信號幅值占比，且；
8.根據權利要求1所述的基于多源數據融合與雙層架構的脈象識別方法，其特征在于，步驟4中，原始特征通過降維處理生成特征向量，降維處理包括相關性分析、特征重要性評估及主成分分析。
9.根據權利要求1所述的基于多源數據融合與雙層架構的脈象識別方法，其特征在于，基于cart決策樹、elda、k-svm、res-bpnn及lightgbm分別構建基模型。
10.根據權利要求1所述的基于多源數據融合與雙層架構的脈象識別方法，其特征在于，步驟6中，根據雙因子加權法確定模型權重，因子一為基模型在驗證集上的識別準確率權重，因子二為多源獨有特征貢獻度權重。