学术报告：脉象仪中的智能分类算法研究综述

作者及机构
本文由田紫微、贾芸芳（通信作者）合作完成，作者单位均来自南开大学电子信息与光学工程学院。论文于2024年发表在《中国医疗设备》期刊（China Medical Devices）第39卷第3期，文章编号为1674-1633(2024)03-0146-08。

研究背景与主题
本文是一篇系统性综述，聚焦于脉象仪（pulse instruments）中智能分类算法的研究进展。中医脉诊通过分析脉搏信号评估气血循环状态，是疾病诊治和健康管理的重要依据。然而，传统脉诊依赖医师主观经验，而现代西医诊断过度依赖仪器，导致中医“治未病”理念难以落实。为此，脉象仪的研发成为结合中医理论与现代技术的关键突破口，其核心挑战在于如何从微弱脉搏信号中提取有效特征并实现精准分类。本文旨在综述机器学习（machine learning, ML）算法在脉象分类中的应用，比较不同算法的性能，为脉象仪的智能化发展提供理论参考。

主要内容与观点

1. 脉搏信号预处理的关键技术
脉搏信号预处理是分类准确性的基础，包括噪声滤除和特征点识别。噪声主要来自电磁干扰（50 Hz工频噪声）、呼吸及肌肉抖动引起的基线漂移。文中对比了多种去噪方法：
- 低通滤波器可抑制高频电磁噪声，但会损失有用低频信号；
- 中值滤波和均值滤波适用于轻度基线漂移，但会模糊信号细节；
- 小波阈值去噪（wavelet threshold denoising）和经验模态分解（empirical mode decomposition, EMD）通过信号分解重构保留更多特征，但计算复杂度较高。
特征点识别需分割脉搏周期并统一数据长度，常用方法包括峰值检测、一阶导数分析等。

2. 脉搏特征参数的提取方法
特征提取分为线性与非线性格局：
- 时域特征：如主波高度（h1）、潮波高度（h3）等，反映心血管功能（图1）；
- 频域特征：通过傅里叶变换获取谐波频率、谱能比等；
- 时频域特征：利用小波变换或希尔伯特黄变换（Hilbert-Huang transform, HHT）分析信号能量分布；
- 拟合特征：如高斯混合模型参数。
作者指出，时域特征易受个体差异影响，而时频域方法能更好捕捉非平稳信号特性。

3. 脉象分类模型的算法比较
本文系统分析了三类ML算法在脉象分类中的表现：
- 基本ML算法：
- 决策树（decision tree）结合归一化信息增益，对“常、实、虚”脉象分类准确率达90.32%，但忽略特征间相关性；
- 支持向量机（support vector machine, SVM）在小波特征支持下对“滑、弦、细、涩”脉的识别率为87.5%，但大数据训练效率低。
- 神经网络算法（neural network, NN）：
- BP神经网络（back propagation NN）通过分形理论提取特征，准确率81%；改进的遗传算法-BP（GA-BP）模型将准确率提升至95%；
- 卷积神经网络（convolutional NN, CNN）直接学习时频特征，平均准确率94.12%，但需大量计算资源；
- 时序卷积网络（temporal CNN, TCN）通过残差连接处理长期依赖，对7种脉象分类准确率85.76%。
- 集成学习算法（ensemble learning）：
- 梯度提升决策树（gradient boosting decision tree, GBDT）对弦脉识别率高达97.74%；
- 随机森林（random forest, RF）通过Gini指数筛选特征，对8类脉象平均准确率81.75%。

4. 挑战与未来方向
当前脉象分类的瓶颈在于：
- 算法与中医脉象理论的映射关系不明确；
- 复合脉象（如“弦滑脉”）的分类精度不足；
- 临床验证数据规模有限。
未来需结合“望闻问”三诊信息，集成人脸识别、语音分析等技术，构建中西医融合的多模态诊断系统。

研究价值与亮点
1. 全面性：首次系统梳理了从信号预处理到分类算法的全流程技术，涵盖传统方法与前沿ML模型；
2. 实用性：对比了不同算法的适用场景（如GBDT对小样本数据的稳定性），为工程化应用提供指导；
3. 跨学科创新：提出将时序卷积网络（TCN）等时间序列分析方法引入脉象分类，拓展了中医数字化的技术路径。

总结
本文为脉象仪的智能化研发提供了重要理论支撑，其技术框架亦可迁移至其他生物信号分析领域。未来需进一步解决算法可解释性与临床适配性问题，推动中医诊断的标准化和普及化。