基于弱标记学习的脉搏信号分类方法研究

ulse diagnosis is one of the most distinct diagnosis methods in Traditional Chinese Medicine. With the development of biomedical technology, the research on the objectifying of traditional pulse diagnosis has attracted many attentions in the international academia, and it has becoming a focus to research the objectification of traditional pulse diagnosis by using biomedical pattern recognition technology recently. In this research, we will focus on the problem of multi-meaning of samples in the pulse waveform classification and the model adaptation problems in pulse diagnosis. By introducing the multi-label learning methods, we will solve the problems of multi-meaning of pulse signal sample, and develop new pulse waveform classification methods. Furthermore, we can also use the correlation between the class labels of pulse signal to promote the classification accuracy and the generalization ability of the new methods. Besides, for the failure of diagnosis model that caused by the equipment regeneration, environment variation or even the encountering with the different distribution of pulse waveforms, we plan to use relative domain adaptation methods to solve them. The domain adaptation research work will be carried out in three levels, i.e., signal level, feature level and model level, and our purpose is to develop unsupervised or semi-unsupervised based methods to solve the former problems. This research will bring new thought and new methods in the pulse waveform classification and pulse diagnosis.

中医脉诊是我国传统医学中最具特色的诊断方法之一。随着生物医学技术的发展，中医脉诊现代化研究已引起国际学术界的广泛关注。近年来，采用生物特征识别技术对脉搏信号进行分析已经成为中医脉诊客观化研究的一个新方向。本项目针对脉搏信号分类问题中存在的脉搏信号样本多义性的问题及疾病诊断过程中诊断模型的自适应问题开展相关的研究。本研究引入基于多标记学习的方法，用以解决脉搏信号样本的多义性问题。通过对脉搏信号特性的分析，利用类别标记之间的相关性来提高分类模型的精度及泛化能力；针对由于设备更新、环境变化、样本分布变化引起的脉搏信号诊断模型精度降低的问题，本研究中将通过领域自适应的方法，在信号层、特征层、模型层三个方面开展基于非监督或半监督学习方法的自适应诊断模型研究。本研究将在脉搏信号分类与诊断的相关研究方面提供新的思路与方法。

本项目以中医脉诊的客观化研究为背景，采用生物特征识别方法、机器学习方法，针对中医脉象信号分类中存在的样本多义性的问题开展相关的研究。本项目主要包括两方面的研究内容：.(1) 针对中医脉诊中脉搏信号样本标记的多义性问题，研究基于有监督学习或半监督学习策略的多类别脉搏信号分类方法；.(2) 针对脉诊中由于样本分布变化引起的分类模型精度低的问题，开展基于领域自适应的分类模型，同时对模型进行推广以适用不同的分类问题。.本项目通过一系列理论研究，取得了如下一系列富有意义的成果：.(1) 构建了一个的包含多种脉象类型、多种疾病标记的脉搏信号数据库。.(2) 提出了一种新的判别字典学习方法，该方法能够自适应的学习与类别相关的字典系数矩阵，从而更加有效的提高多类别样本分类问题的精度。.(3) 提出了一种基于重建迁移学习的领域自适应方法。该方法采用一种联合学习模型，能够对稀疏表达与最优子空间表达同时进行优化。同时该模型可以避免再生Hilbert空间中非线性子空间的漂移问题。.(4) 提出了一种任务驱动的端到端的图像风格自动转换方法。有效的避免的传统的合成方法需要精确的样本选择等缺陷。.(5) 提出了一种基于主动学习框架的面向图像分类的深度神经网络模型，该模型在不显著降低精度的同时大量的减少数据标注的工作量。该工作可以推广应用于具有海量未标注数据的图像分类任务中。.本项目已发表学术论文8 篇。其中国际知名期刊IEEE Transactions 4 篇，Pattern Recognition 1 篇，知名国际学术会议论文2 篇。SCI收录6 篇； EI收录 8 篇。