逯 鹏， 王汉章， 毛晓波， 赵宇平， 刘 超， 尚莉伽， 孙智霞

(1.郑州大学 电气工程学院，河南 郑州 450001；2.中医药智能科学与工程技术研究中心，河南 郑州 450001；3.中国中医科学院，北京 100020；4.北京市东城区中小学卫生保健所，北京 100007；5.郑州大学第五附属医院，河南 郑州 450052)

0 引言

脉搏波是一种非平稳的低频微弱生理信号，其中蕴含的生理病理特征可用于人体病理的辅助诊断[1]。基于脉搏波解决心血管疾病分类方法主要分为模型驱动和数据驱动[2-3]。模型驱动主要是基于领域先验知识构建模型求解最优解；数据驱动是基于大量脉搏波数据训练的端到端深度学习模型。

传统脉搏波分类方法通常提取具有明确生理意义的时域参数和频谱[4-5]等作为样本特征，通过支持向量机、随机森林、K-近邻等算法实现分类识别。对于微弱脉搏波信号，主波、重搏前波、重搏波等[6]基准特征直观反应脉搏波形态信息，但此类特征提取的准确性易受噪声影响，且手工设计特征不足以精准地表达原始脉搏波数据，与心血管疾病关联性强的样本特征[7]有待进一步研究。随着深度学习技术发展，基于深度学习的脉搏波分类方法得到广泛研究。

利用卷积神经网络[8]、深度融合神经网络[9]等自动学习脉搏波内在规律和表示层次，建立脉搏波与疾病的非线性映射关系，取得较好的脉搏波分类效果。而网络训练的前提是大量有效标注数据。脉搏波临床数据标注成本高，需要较长时间周期才能建立高质量的大规模标注数据。……