基于CEEMDAN 和極限學習機的脈象混合特征識別方法

摘 要： 中醫脈象的準確識別有利于人體疾病的診斷，針對脈象特征模糊問題，提出一種基于自適應噪聲完全集合經驗模態分解（CEEMDAN）和基本脈象時域特征、能量熵與樣本熵的混合特征提取方法。首先，采集人體脈象信號進行小波分解，以去除高頻噪聲和基線漂移。其次，對5 種脈象信號進行CEEMDAN 處理得到各階固有模函數（IMF），計算IMF 分量能量占比與脈象信號的相關性，選取5～7 階IMF 分量計算能量熵和樣本熵。最后，將時域特征、能量熵與樣本熵融合的混合特征向量，輸入到麻雀算法優化極限學習機（SSA-ELM）中進行脈象識別。實驗結果表明，該文所提方法的脈象識別準確率達98.60%，平均精確率為98.64%，單種脈象識別的召回率及F1 值都在97% 以上。與傳統方法相比，該方法具有較好的識別性能。

關鍵詞： 脈象識別; CEEMDAN; 能量熵; 樣本熵; 相關性分析

中圖分類號： TB9; TP391; TH776 文獻標志碼： A 文章編號： 1674–5124（2024）12–0106–11

0 引 言

傳統中醫診斷采用“望、聞、問、切”四診合參，其中切診即脈診在中醫診斷中具有重要作用[1]。中醫醫師通過感知患者腕部橈骨動脈的脈搏波動，據其不同的節奏將脈搏波歸為不同的脈象，以判斷相關病癥[2]。然而，此方法需要醫師大量的訓練和豐富的經驗，可能會存在醫師間的差異。此外，由于脈象自身的稀疏特性，這使得智能脈象識別成為客觀化脈診的關鍵手段[3]。

在中醫智能脈診中，傳統降噪方法難以完全消除高頻噪聲。為解決該問題，引入質量檢測環節以提高脈象識別的準確性[4]。針對脈象細節特征識別較難的問題，文獻[5] 將高血壓病人和正常人脈搏信號進行EMD 分解，并提出模態能量熵的概念，這克服了時域分析對波形的依賴。但EMD 分解會產生錯誤的IMF 分量，影響分解精度。為此，文獻[6] 利用集合經驗模態分解（EEMD）和Hilbert-黃變換對脈象信號進行分析，有效緩解EMD 模態混疊問題，并發現不同脈象的模態能量分布存在顯著差異。但EEMD 方法仍存在能量泄露問題，且分解效率較低。文獻[7] 提出了自適應噪聲完全集合經驗模態分解（CEEMDAN）方法，可自適應的在各分解階段加入高斯白噪聲，將信號完全分解，且重構誤差較低。

脈象信號的模式識別有基于相似性度量、機器學習和深度學習等方法[8]。相似性度量是種基于距離的分類策略，不能完全分離非線性空間中的潛在特征。為提高分類準確性，文獻[9] 使用GA-BP 神經網絡對健康人、高血壓和孕婦三類人的脈象進行識別，其準確率達86.67%。文獻[10] 提出了均值聚類策略和高斯支持向量機，對糖尿病、腦梗塞等常見心血管相關疾病的脈象進行早期無創篩查。文獻[11] 則基于希爾伯特-黃變換的卷積神經網絡，以此實現對脈象信號的分類。文獻[12] 將模糊數學與極限學習機相結合，對8 種原發性肝癌證型進行分類識別，取得了良好的效果。極限學習機作為一種新型單隱層前饋神經網絡，可通過隨機設定輸入層與隱含層間的連接權值和隱含層神經元的偏置，實現了快速的訓練過程，可對信號進行較好的識別[13]。

綜上所述，本文采用小波降噪和質量檢測的預處理方法，將時域特征、能量熵和樣本熵結合的混合特征向量輸入到麻雀算法優化極限學習機中進行脈象識別。為保證特征的準確提取，先采用小波分解對脈象信號進行降噪處理，并對脈象信號進行定位波谷、分割、質量檢測等預處理；其次，提取脈象信號時域特征；再對脈象信號進行CEEMDAN 分解得到各IMF 分量，由信息熵計算IMF 分量的能量熵，并利用皮爾遜相關系數原理篩選相關性較高的IMF 分量計算樣本熵。最后，將混合特征向量輸入SSA-ELM 實現脈象識別。

1 脈象識別方法

1.1 預處理方法

脈象信號采集中高頻噪聲和基線漂移會降低脈象特征的可靠性，需對脈象信號進行預處理[14]，圖1為預處理流程圖。

為剔除質量較差的脈象信號，提出了一種質量檢測方法。首先，對去噪聲后的脈象信號進行波谷定位，如圖2（a）；其次，將脈象信號分割為若干單周期信號，如圖2（b）；最后，對這些單周期信號進行質量檢測，如圖2（c）。

為使脈象有可比性，使用重采樣技術將采樣點數變為300 的相同長度，如圖2（d）；并對同采樣點數的單周期信號進行旋轉和平移操作，使脈象信號在主波處對齊，如圖2（e）；對采樣點數進行歸一化，如圖2（f）；最后將采樣點數取平均，如圖2（g）。