换一批基于卷积-自注意力机制对多周期脉象识别分类
Multi-period Pulse Recognition Based on Convolutional and Self-Attention Model
摘要传统单周期脉象识别面临形态复杂、周期异变和个体差异等挑战,限制了其在实际应用中的有效性.本研究专注于解决多周期脉象识别分类问题,通过马尔可夫转移场融合脉象信号的幅值与时序信息,构建了新的图像数据集.基于此,提出了一种新的网络模型——对于卷积-注意力网络模型(Temporal convolutional attention network,TCANet),该模型结合深度可分离卷积和自注意力机制,显著提升了脉象图像数据的识别分类能力.实验结果显示,TCANet在滑脉、弦脉、平脉等脉象识别任务中分别达到了 94.74％的准确率、94.79％的精确率、94.74％的召回率和94.76％的F1分数,表明其在多周期脉象识别领域具备优异的性能和广泛的应用潜力.
更多相关知识
关键词
多周期脉象脉象识别马尔可夫转移场深度可分离卷积自注意力multi-period pulsepulse classificationMTFdepth-wise separable convolutionself-attention
分类号
R241.1（中医临床学）
栏目名称
DOI
10.13193/j.issn.1673-7717.2025.08.004
发布时间
2025-08-29（万方平台首次上网日期，不代表论文的发表时间）
基金项目
国家自然科学基金（52075361）
科技部科技基础资源调查专项（2022FY102000）
科技部科技基础资源调查专项（2022FY102002）
山西省科技重大专项（20201102003）
中央高校基本科研业务费专项（2022-JYB-JBZR-011）
太原市卫生健康委员会中医人工智能医生工作室研发创新团队项目（ZYYTD2024035）
山西浙大新材料与化工研究院项目（2022SX-TD021）
- 浏览5
- 被引1
- 下载1
相似文献
- 中文期刊
- 外文期刊
- 学位论文
- 会议论文
