基于概率神经网络的中医脉象识别方法研究

计算机工程与应用 ›› 2007, Vol. 43 ›› Issue (20): 194-196.

基于概率神经网络的中医脉象识别方法研究

郭红霞¹，王炳和¹，郑思仪¹，师义民²

1.武警工程学院基础部通信工程系，西安710086
2.西北工业大学应用数学系，西安710072

收稿日期:1900-01-01 修回日期:1900-01-01 出版日期:2007-07-11 发布日期:2007-07-11
通讯作者: 郭红霞

Recognition method of traditional Chinese medicine pulse conditions based on probabilistic neural network

GUO Hong-xia¹，WANG Bing-he¹，ZHENG Si-yi¹，SHI Yi-ming²

1.Engineering College of the Chinese People’s Armed Police Force，Xi’an 710086，China
2.Applied Mathematics Department of Northwestern Polytechnical University，Xi’an 710072，China

Received:1900-01-01 Revised:1900-01-01 Online:2007-07-11 Published:2007-07-11
Contact: GUO Hong-xia

摘要/Abstract

摘要： 中医脉象客观化研究的关键在于对各种脉象进行客观检测和正确识别。在长期对中医脉象进行临床检测、采集和分析的基础上，针对中医脉象模糊性强、种类繁多、特征复杂的特点，以及传统识别方法和BP神经网络识别方法的不足，提出了一种基于概率神经网络（Probabilistic Neural Network，简称PNN）的中医脉象识别方法;运用所建立的PNN脉象识别模型对中医常见的12种脉象进行了识别和检验，识别正确率平均达93％（而传统模糊聚类方法的为75％，BP神经网络方法的为87.1％）。最后对PNN方法和BP神经网络方法的识别性能做了对比实验，发现在强噪声干扰下PNN方法对脉象的识别正确率远高于BP神经网络方法。

关键词: 中医脉象, 模式识别, PNN, Bayes准则

Abstract: The key of objectivity study in Traditional Chinese Medicine（TCM） pulse-condition lies on the objective detection and correct recognition of all kinds of TCM pulse conditions.Three projects of NNSFC（National Natural Science Foundation of China）and a similar foundation of Shaanxi province have supported this research since 1988 on detection and recognition of TCM pulse conditions.In the light of the ambiguity，variety and complexity of TCM pulse conditions，and the shortcomings of the traditional recognition methods and BP neural network method，a kind of TCM pulse-condition recognition method based on Probabilistic Neural Networks（PNN） is put forward.In this research three experienced practitioners of Xi’an TCM Hospital gives us their expert advice and determined the percentage of correct recognition of our PNN method.For the twelve kinds of TCM pulse conditions，we attain an average recognition accuracy of about 93%，better than the average recognition accuracy of about 75% attained with the traditional fuzzy cluster method and 87.1% with BP Neural Network method.

Key words: traditional Chinese medicine pulse condition, pattern recognition, Probabilistic Neural Networks, Bayes’ criterion

郭红霞¹，王炳和¹，郑思仪¹，师义民². 基于概率神经网络的中医脉象识别方法研究[J]. 计算机工程与应用, 2007, 43(20): 194-196.

GUO Hong-xia¹，WANG Bing-he¹，ZHENG Si-yi¹，SHI Yi-ming². Recognition method of traditional Chinese medicine pulse conditions based on probabilistic neural network[J]. Computer Engineering and Applications, 2007, 43(20): 194-196.

[1]	张朕通，单玉刚，袁杰. 联合多尺度和注意力机制的遥感影像检测[J]. 计算机工程与应用, 2021, 57(9): 212-216.
[2]	侯旋，薛飞，陈涛. 无人机目标检测量子多模式识别优化算法[J]. 计算机工程与应用, 2021, 57(7): 228-236.
[3]	卢俊杰，黄金泉，鲁峰. 似然K均值聚类用于涡扇发动机气路故障诊断[J]. 计算机工程与应用, 2020, 56(9): 136-141.
[4]	姜东明，杨火根. 融合图卷积网络模型的无监督社区检测算法[J]. 计算机工程与应用, 2020, 56(20): 59-66.
[5]	隋修武，牛佳宝，李昊天，乔明敏. 基于NMF-SVM模型的上肢sEMG手势识别方法[J]. 计算机工程与应用, 2020, 56(17): 161-166.
[6]	王众，章学良，刘亚群，周俊宇，单东升. 基于脑电传感器的面部动作识别研究[J]. 计算机工程与应用, 2020, 56(12): 182-186.
[7]	徐小来，房晓丽. 基于改进的直觉模糊核聚类的图像分割方法[J]. 计算机工程与应用, 2019, 55(17): 227-231.
[8]	王忠民，张瑶，衡霞. SF-CNN在驾驶行为识别中的应用研究[J]. 计算机工程与应用, 2018, 54(11): 128-132.
[9]	邱爱昆，朱嘉钢. 基于集成学习的多重集典型相关分析方法[J]. 计算机工程与应用, 2017, 53(6): 162-168.
[10]	李葵，范玉刚，吴建德. 基于MRSVD和VPMCD的轴承故障智能诊断方法研究[J]. 计算机工程与应用, 2016, 52(8): 153-157.
[11]	王新颖，江志伟，陈海群，王凯全. SVM与DS结合的管道泄漏诊断方法研究[J]. 计算机工程与应用, 2016, 52(5): 262-265.
[12]	刘欢1，2，邵蔚元1，郭跃飞1. 卷积神经网络在验证码识别上的应用与研究[J]. 计算机工程与应用, 2016, 52(18): 1-7.
[13]	卢明，刘黎辉，吴亮红. 多核支持向量数据描述分类方法研究[J]. 计算机工程与应用, 2016, 52(18): 68-73.
[14]	吴斌1，卢笑蕾2，余建波2. 晶圆表面缺陷模式的在线探测与自适应识别研究[J]. 计算机工程与应用, 2016, 52(17): 261-265.
[15]	罗剑，杨印根，雷震春. 加权成对约束度量学习在说话人识别中的应用[J]. 计算机工程与应用, 2016, 52(11): 158-163.