脉象仪中的智能分类算法研究

田紫微，贾芸芳

南开大学 电子信息与光学工程学院，天津 300350

引言

中医的目标不仅是治愈疾病，中医更注重人体的气血调和[1]。中医四诊（“望闻问切”）中的脉诊在诊治病情过程中是非常重要的一环[2]。因为脉为血府，全身气血都要通过血脉流向身体的各个部位，当机体受到内外因素的刺激时，就必然会影响到气血的运行，随之脉搏发生变化，因此中医医师可以通过按触人体脉搏来体察脉象变化，然后结合中医辨证理论推断出病症并给出诊断结果和治疗方案[3]。然而这一过程较为依赖医师的主观感受和知识储备，随着近年来西方检验医学的引入，现代的诊断方法十分依赖于各种昂贵的诊断仪器，传统的“望闻问切”诊断体系面临着巨大挑战，中医“上工治未病”[4]的思想难以在临床实践中得以实施，为解决这一问题，应恢复脉诊在中医诊断中的主导作用。因此，中医脉象仪的研究受到了中医医师、养生保健人群和企事业单位的普遍关注。脉象仪将脉搏信息数字化与传统中医的脉象理论相结合，快速为用户提供脉诊结果，对于推广中医脉诊，实现未病先防和既病防变具有积极意义和商业化潜力[5]。

脉象仪的研究以脉搏采集为基础，借助多种传感装置采集脉搏信号，实现脉象的获取、传递、处理和利用[6-7]。中医医师和科研工作者们投入了大量的时间和精力，相继研制出了多种脉象仪，例如，TD-Ⅲ型中医脉象采集分析仪、ZM-300 型智能脉象仪[8]等。传感器采集到脉搏信号后利用现代信号处理方法和人工智能算法提取脉搏信号中的脉象信息，实现脉象诊断[9-10]。其中脉象智能分类算法在脉象仪中具有关键作用，对提高脉象仪的准确性和智能化水平，实现更加精准的中医诊疗具有重要意义。

随着数据挖掘和人工智能技术的迅速发展，大量基于机器学习（Machine Learning，ML）算法的脉象智能分类算法已经被研究出来以提高脉象分类的准确度，并且逐渐应用于脉象仪的研究中。这些算法可分为基本ML 算法、神经网络（Neural Network，NN）算法、集成学习算法，虽然有不同的侧重点[11]，但都能进行脉搏信号的处理、分析和识别。在综述文献的基础上，本文从脉搏信号预处理、脉搏特征参数提取和分类模型建立3 个层次，总结和分析了不同算法在脉象智能分类方面的研究现状，并分析了它们的优点和缺陷，为进一步提高脉象仪的准确度和智能化提供了理论参考。

1 脉搏信号预处理

目前应用的脉象仪主要采用的脉象分析方法可概括为3 个步骤，即信号预处理、提取脉搏特征、建立分类模型，其中脉搏信号预处理是精确提取特征参数，有效提升脉象分类准确度的关键步骤。信号预处理主要包括两部分内容：滤除脉搏信号的噪声与识别脉搏信号的多个特征点。

1.1 滤除脉搏信号噪声

脉搏信号预处理的主要目的是去除信号中的噪声，噪声主要来源于周围的电磁干扰、呼吸和肌肉抖动[12]。电磁信号的频率为50 Hz，相对于脉搏信号的频率范围0.3～20 Hz 来说属于高频噪声[13]，因此可以通过低通滤波器[14]抑制周围电磁干扰产生的工频噪声；脉搏波信号微弱，在采集脉搏信号过程中人体的呼吸和轻微的肌肉抖动都有可能造成脉搏信号的基线漂移，因此需要通过信号处理来消除此部分噪声。常见的基线漂移噪声的去除方法有高通滤波法、中值滤波法[15]、均值滤波法[16]、多项式趋势法[17]、包络检波法[18]、小波阈值去噪[19]、经验模态分解和小波的联合去噪[20-21]等。由于基线漂移本身属于一种低频信号，因此只要找到合适的截止频率，使用高通滤波[22]将基线漂移去除是完全可行的。但由于脉搏信号本身就属于低频信号且频率范围较窄，使用高通滤波会将低频段区域的大量有用信号一同滤除，因此这种方法不适用于脉搏信号的处理。中值滤波法[15]和均值滤波法[16]均须对原始信号进行分段处理，使用中值或均值取代分段内全部数据，当应用于基线漂移较轻的脉搏信号时具有较好的去噪效果，但对于基线漂移噪声较为严重的信号，可能使得原始信号中一些重要拐点与峰值模糊化，导致脉搏信号中的有用信息被滤除。多项式趋势法[17]和包络检波法[18]的核心思想均是基于脉搏信号的多个起始点利用多项式拟合出基线漂移噪声，拟合出的信号即噪声信号。该类方法简单，原信号与噪声信号相减即可得到去噪后的信号，在消除基线漂移噪声时不易损失有用信号，但对于n次多项式趋势的基线漂移难以估计该多项式的具体参数[18]。小波阈值去噪[19]和经验模态分解与小波变换方法相结合的去噪方法[20-21]均是将原始脉搏信号先进行分解，得到不同的分量，然后在各个分量中分别进行阈值量化处理，最后将处理后的分量进行重构得到去噪后的脉搏信号。其中，单纯的小波阈值去噪方法依托于小波基函数将信号分解，而经验模态分解与小波变换相结合的方法则依据信号自身时间尺度特征将其逐级分解为多个分量，完整保存了信号的性质，解决了分解过程中信息丢失的问题。此外，针对脉搏信号中随机异常值引起的信号失真问题，有研究者引入了基于动态时间扭曲[23]的方法，通过计算单个脉搏波形段与所有其他脉搏波形段的扭曲路径距离来识别异常波形。异常波形常见于脉搏信号中，目前就如何区分身体功能异常和外界因素引起的信号失真导致的波形异常尚无有效解决方案，还需进一步研究。

1.2 识别脉搏信号特征点

脉搏信号具有周期特性[24]，但各周期又并不完全相同。因此，即使是同一脉搏信号，不同周期提取出的特征也可能存在差异，这也是脉搏信号具有复杂性特点的原因之一。通常为了得到相对统一的脉搏特征并利用这些特征进一步对脉搏信号分类，需要进行以下操作：① 需要准确地识别出多周期脉搏信号的多个起始点，并将相邻的两个起始点作为一个周期进行分割；② 对分割后的周期信号通过重采样或补零等方式使得各个周期数据长度一致，更有利于脉搏信号特征点的识别和特征参数的提取[25]；③ 将多个周期信号进行叠加求得一个平均波形，进而继续后续的特征提取与分类。常见的特征点识别方法有峰值检测、谷值检测、局部最小值、局部最小值斜率、一阶导数等[24]。

2 脉搏特征参数提取

脉搏特征是指能够代表信号波形特点的可量化指标，主要包括线性特征，如时域特征、频域特征、时频域特征以及非线性的拟合特征等，其中，频域特征主要指谐波频率、谐波幅值、谱能比、谐波面积之比等[26-28]；时频域特征主要指信号在不同频谱范围内的能量及谱能比[29]；拟合特征[17-18]主要指拟合函数的各个参数；时域特征[24]主要包括波形的波峰波谷高度及时间间隔，具体如图1 所示[30]。其中，h1代表主波高度，主要反映左心室的射血功能和大动脉的顺应性；h3为潮波高度，主要反映动脉血管张力和外周阻力状态；h4为降中峡高度，反映动脉血管外周阻力的大小；h5为重搏波高度，反映了大动脉的弹性（顺应性）情况[31]。t1为脉搏信号波形起始点到主波峰顶的时间，对应左心室的快速射血期；t4为脉搏信号起始点到降中峡之间的时间，对应左心室的收缩期；t5为降中峡到下一个脉搏周期起始点之间的时间，对应左心室的舒张期；t为脉搏信号起始点到下一个脉搏周期起始点的时间，即一个心动周期；W代表主波1/3 高度的宽度，相当于动脉内高压力水平状态所维持的时间[31]。α为上升角或称U角，是主波升支与基线的夹角，反映血管弹性与血液黏性；θ为主波角或称P角，是主波升支与降支的夹角，反映血管弹性和血流状况。

图1 脉搏信号常用测量指标示意图

不同类型的脉搏特征需要采用不同的提取方法。如频域特征主要通过傅里叶变换方法将多周期的脉搏信号变换到频域，并计算信号的功率谱、倒谱和传递函数谱等[27,32]，据此得到频域特征。时频域特征常用的提取方法有小波变换[32]、经验模态分解（Empirical Mode Decomposition，EMD）[21,33]和希尔伯特黄变换（Hilbert-Huang Transform，HHT）[34]。其中小波变换通过小波基函数将去噪后的脉搏信号分解到不同尺度上，得到高频和低频小波系数分量，而后计算小波系数的能量值作为特征[35]；EMD[21]和HHT[34]则是先基于EMD 方法获得脉搏信号一系列的固有模态函数（Intrinsic Mode Function，IMF）分量，然后对每一个IMF 分量进行HHT 得到Hilbert 谱，综合所有IMF 分量的瞬时频率并在时间轴上积分即可得到信号的Hilbert 边际谱，由此计算特定频率处的谱能比作为信号的时频域特征。拟合特征通常指高斯拟合参数[18]，该方法使用混合高斯函数模型拟合多峰脉搏信号，并基于非线性最小二乘法获取高斯拟合参数。时域特征主要反映了脉搏信号的形状特点[36]，首先需要利用阈值法、极值法或滑动窗口法等识别出可反映脉搏信号形状特点的波形特征点，如起始点、主波峰点、重博波峰点等，随后统计脉搏信号的时域特征。有时为了更好地反映信号特征的变化和脏腑的健康状态，可采用各参数的相对比值作为信号的特征。

3 分类模型建立

中医理论从位、数、形、势4 个方面将脉搏信号分为28 种[37]，在临床上还出现多种类型脉搏信号相兼的复合信号。传统分类方法主要依赖于脉搏信号的多种特征值，采用简单阈值判据对脉搏信号进行线性分类，但对脉搏波高精度的测量要求以及算法本身高的实现复杂度限制了该类方法的实际应用。随着人工智能技术的发展，ML 算法为解决脉象分类等非线性问题提供了新思路[38]。ML 算法通过学习现有知识内容，挖掘出各类脉搏信号中隐藏的相关性并建立非线性分类模型，克服了传统分类方法采用简单阈值判据进行线性分类所带来的不利因素[39-40]，使得脉搏信号的识别和分类具有智能处理的色彩，大大提高了脉搏信号的分类效果。常见的建立分类模型的ML算法大致可分为3类，即基本ML算法、NN 算法以及集成学习算法。

3.1 基本ML算法

基本ML 算法是指使用统计学、线性代数、优化算法等数学方法，从已有数据中学习并构建模型，进而用于对未知数据的预测和分类[41]。常见的基本ML 算法包括决策树[42,43]、朴素贝叶斯[44]、K-近邻（K-Nearest Neighbor，KNN）算法[45]、支持向量机（Support Vector Machine，SVM）[46]等。

决策树是一种基于树结构进行决策判断的模型，它通过多个条件判别过程将数据集分类，最终获取需要的结果[42]。决策树中每个内部节点表示一个属性上的测试，每个分支代表一个测试输出，每个叶节点代表一种类别。通过学习样本的属性和类别，可以建立一个能对新数据进行正确分类的分类器[43]。决策树算法能同时处理数据型和常规型属性，且对缺失值不敏感；此外，还能够在相对短的时间内针对大型数据做出可行且效果良好的结果。Wang[42]将决策树算法与归一化信息增益相结合，构建了“常、实、虚”3 种脉象的分类模型。文中提取了脉搏信号的时域特征参数作为决策树算法的输入，并采用欠采样多数类技术对不平衡的数据集进行校正；实验结果表明，建立的基于决策树的脉象分类模型的平均识别准确度为90.32%，但决策树模型并没有考虑脉搏特征之间的相互关系。

朴素贝叶斯方法的研究基础是贝叶斯定理和特征条件独立假设[44]。对于分类数据集，利用特征条件独立假设学习输入/输出样本的联合概率分布；训练好的模型利用贝叶斯定理对未知样本计算后验概率，其输出标签为最大后验概率所对应的类别。该方法对缺失数据不敏感，所建立的模型具有稳定的分类效率，对小规模的数据表现很好，且能处理多分类任务。由于脉搏波信号具有非平稳和不确定的特性，朴素贝叶斯方法在脉象分类研究上也有较多应用。Wang 等[47]基于朴素贝叶斯算法建立了脉搏信号和脉象分类之间的映射关系，根据提取的15 个特征参数，分别用于训练与脉位深浅、脉率、节律、强弱和流利度相关的5 个贝叶斯网络，对“虚、实、浮、沉、缓、数、结、歇止、滑、涩、弦”等11 种脉象的平均识别率达84%，但此方法须假设所有特征同等重要，无法处理特征数据之间的依赖关系。

KNN 算法的核心思想是“物以类聚，人以群分”[45]。选取K个未知样本和最近的已知样本，将未知样本和已知样本比较，与未知样本最相似的样本的类别就是未知样本的类别。KNN 天然可以处理多分类问题，适合对稀有事件进行分类，与朴素贝叶斯算法相比，对数据没有假设，准确度高。Zhang 等[45]基于实际惩罚编辑距离（Edit Distance with Real Penalty，ERP）和KNN 分类器方法，开发了一个ERP 诱导的内积和一个高斯ERP 核，并将其嵌入到差分加权KNN 分类器中，提出了两个新的基于ERP 的分类器即基于ERP 的差分加权KNN 分类器（ERP-based Difference-Weighted KNN Classifier，EDKC）和基于高斯ERP 核分类器的核差分加权KNN 分类器（Kernel Difference-Weighted KNN with Gaussian ERP Kernel Classifier，GEKC），以解决脉冲模式的类内变化和局部时移问题。此外，该研究还构建了一个包含2470 个脉冲波形的数据集，用于EDKC 和GEKC 模型的训练和测试。其中，EDKC 和GEKC 方法对“缓、滑、涩、芤、紧”等5 种脉象类型的平均分类率均超过90%，但该算法在不同训练样本上识别度不稳定，且稳定性有待提高。

SVM 本身是针对二分类任务设计的，但经过推广后可用于多分类任务[48]。由于SVM 出色的泛化能力，SVM及其改进方法被广泛应用于文本分类、手写字体识别、面部识别、图像分析、生物医学信号处理等领域。史红斐等[49]采用小波分析方法提取了脉搏信号（40 例）的时频域特征，之后基于SVM 算法建立了“滑、弦、细、涩”等4 种单脉的自动识别模型，其中测试集的识别准确度达87.5%。Zhang 等[50]则首先应用聚合经验模态分解对脉搏信号进行去噪处理；然后利用多重分形去趋势分析法提取去噪后脉搏信号（140 例）的多重分形谱特征；最后将提取的特征作为基于粒子群优化算法的SVM 算法的输入，实现“滑、弦、洪、细”4 种单脉的分类，其平均识别准确度为87.5%。由于SVM 在使用大规模数据时训练速度较慢，因此在选择SVM 作为分类算法时须考虑数据集的规模。

3.2 NN算法

相较于基本ML 算法，NN 算法由具有适应性的基本单元构成，可以自动从数据中学习特征，并通过调整单元节点间的链接关系完成对输入信号的动态响应[51]。目前常用的NN 模型主要有反向传播神经网络（Back Propagation Neural Network，BPNN）[52-57]、卷积神经网络（Convolutional Neural Network，CNN）[58-59]、时序卷积网络（Temporal Convolutional Network，TCN）[60]等，其中BPNN 是应用最广泛的模型之一。陈雷等[54]采用BPNN 与分形理论相结合的方法实现了脉象分类，该研究首先基于分形理论提取了脉搏信号的时频域特征分数维，并以此作为信号的重要特征输入到BPNN，经学习和训练建立了“滑、数、弦、细”4 种单脉的分类模型。该模型对未训练样本的平均识别准确度达到81%，其中对弦脉的分类识别准确度达到了90%。在此基础上，Chen 等[55]基于遗传算法（Genetic Algorithm，GA）和Levenberg-Marquardt （LM）算法对BPNN 做了改进，将提取的4 个频域特征和6 种小波尺度能量特征信息作为三层GA-BPNN 输入；然后，经训练集学习和训练后确定了模型的权重和偏置等参数，建立了可识别常脉、弦脉、滑脉、细脉的分类模型。结果显示，基于GABPNN 建立的分类模型识别准确度可达到95%。虽然分类模型在识别脉搏信号方面显示了很高的准确度，但是由于数据量巨大，导致模型的训练时间过长。针对这个问题，盛雅兰等[56]在开源云计算平台Hadoop 环境的基础上改进了BPNN，实现了MapReduce 分布式的计算，提高了BPNN 对海量脉搏数据的处理速度。该方法中脉搏信号的特征值是BPNN 的输入，采用动量-学习率自适应调整快速BPNN 进行训练。结果显示，到达相同精度的误差区间时，MapReduce 链式并行处理模式所用时间为4 min，远少于传统串行模式所用时间（1 d），且在训练集（75%，35890 条数据）中，单机模式预测的准确度为81.22%；MapReduce 并行改进的BPNN 模式预测的准确度为99.86%。该数据表明与传统BPNN 相比，基于Hadoop 环境的MapReduce 分布式计算方法改进的BPNN 模型在时间性能和准确度上远远优于传统的串行处理方式。尽管上述方法提升了NN 模型处理数据的速度，然而较大的数据集输入容易导致模型过拟合。因此，张诗雨等[57]提出根据Gini 指数对脉搏信号的特征进行重要性排序，从而在确保分类准确度的同时减少输入特征的个数。文中提取了脉搏信号常用的时域特征、频域特征、时频域特征以及高斯特征共93 个，并根据Gini指数分别确定了平脉、实脉、弦脉、滑脉适合的特征类别。随后，又采用序列前向选择算法改变输入特征维度，实验显示，当选用前15 个特征时，BPNN 精度最高，相比筛选前分类精度提高了12%；当选用前13 个特征时，SVM 精度达到最高，相比降维前精度分别提高了13%。由此可见，可以通过改变输入特征种类及维数可提高脉象分类模型的识别准确度。

上述脉象分类实验方案均是先人工提取脉搏特征，再利用ML 算法建立脉搏信号分类模型，虽然展现了较高的分辨准确度，但是人工提取的特征很难完整体现脉搏信号的特点，可能导致部分细节信息的丢失，从而降低识别的准确度。近年来，得益于深度学习算法的快速发展，更高效的CNN 被开发出来。与NN 相比，CNN不仅具有多层感知器，还通过局部感受野、权重共享和降采样3 种策略，降低了网络模型的复杂度；同时通过卷积操作提取局部特征，减少了单独提取特征的片面性，获得了更好的分类和识别效果[58]。有研究将脉搏信号的时频域特征提取与CNN 相结合，实现了脉象分类[59]，文中首先利用小波变换理论和集成经验模态分解对脉搏信号中的噪声进行去除，提出了一种基于差分阈值法的特征点检测方法，实现了特征点的精确定位和时域值的提取，最后，建立并利用一维CNN 模型对数据进行训练，得到10 种脉象的平均准确度为94.12%。CNN 的应用可能使脉搏波信号在脉象识别准确度方面上升了一个台阶，但复杂的网络结构和高强度的训练使得算法在临床应用中还存在一定限制。有学者考虑到脉搏信号本身就是时间序列信号，于是采用能够直接处理时间序列的网络，即TCN 来处理脉搏信号，由于TCN 使用了残差连接和批归一化技术，因此能够并行执行卷积运算以提高脉象分类模型的训练速度[25,60]。文中首先对脉搏信号进行预处理以获得长度一致的脉搏信号时间序列；其次在TCN 的残差块中加入两层参数相同的膨胀因果卷积网络，这种新型卷积结构增加了卷积层的感受野，能够更好地捕捉时间序列中的长期依赖关系；然后，在每个卷积层后进行正则化处理以抓取该序列内的特征信息并防止过拟合；最后利用改进的深度学习网络实现对时间序列的特征提取，并通过训练集进行学习和训练建立脉象信号分类模型。结果表明，通过网络自学习提取的特征多数具有显著性差异，7 种脉象（滑脉、平脉、细脉、弦脉、细滑脉、细弦脉、弦滑脉）的平均识别准确度达到了85.76%。

3.3 集成学习算法

为了进一步提高ML 算法形成模型的泛化能力，有学者提出了集成学习思想[61]。首先选择合适的基础学习器，如决策树、BPNN、SVM、CNN 等，通过训练获得相应的分类模型；然后利用投票法、学习法、平均法等将训练模型有机地结合起来。该方法在泛化性能上与单一学习器相比往往有明显提高。常见的集成学习算法有梯度提升决策树（Gradient Boosting Decision Tree，GBDT）[62]、极值梯度提升（Extreme Gradient Boosting，XGBoost）[63-64]、随机森林（Random Forest，RF）[27,40]等。GBDT 主要是一种决策树升级算法，该算法的迭代是在梯度方向上重新建立决策树，迭代的次数生成决策树并输出结果，其优势主要在于所有分类的广泛应用[62]。由于脉搏参数比较多，不同数值段的每个数据代表不同的脉冲特性，因此选择GBDT 进行脉冲分类更为合适。此外，由于样本量小，GBDT 不会影响分类和识别，也不会由于样本量的不平衡而影响其准确度。Li 等[62]采用GBDT分类方法对中医脉象进行分类，首先，采用时域分析和血流动力学方法提取和分析脉搏参数并选择特征；然后，输入训练集数据建立GBDT 模型实现脉搏分类。结果显示，通过优化特征参数后，采用GBDT 分类方法对滑脉、结脉、弦脉和平脉的识别准确度分别为90.33%、83.52%、97.74%和78.60%，均高于SVM 方法的识别准确度。

XGBoost 由GBDT 发展而来，但XGBoost 的运算速度和算法精度都优于GBDT[63]。相比与GBDT，XGBoost 的基础学习器既可以是决策树也可以是线性分类器，并且支持并行生成。此外，XGBoost 的代价函数中额外引入了可用于控制模型复杂度的正则项，即“正则化提升”，正则项会降低模型的方差，使学习出来的模型更简单且不易过拟合，这是XGBoost 相比GBDT的优势所在[64]。张诗雨[64]应用集成学习Boosting 方式中的XGBoost 算法进行脉形要素分类模型的训练和测试。研究中首先提取48 维特征组成特征数据集，然后对脉形要素分类模型进行训练。结果显示，脉形要素分类器在测试集上对实脉和非实脉（包括“平、滑、弦、细”等不具有实脉特征）的样本的分类准确度为91.67%；将细脉样本从数据集中剔除后，分类准确度提升为92.73%。

RF 是一种以决策树为基础学习器的分类器，主要基于Bagging 方法从数据集中随机选取样本作为决策树的训练集[40]，在RF 的训练过程中，每个决策树会随机选择一部分特征进行节点分裂，从而避免了过拟合现象的发生；同时，对于每个节点，算法会选择最优的特征作为分裂依据，以最小化划分不纯度，并获得最佳的分割。决策树的投票结果被平均，以得出最终的分类结果。金陈玲[27]使用RF 对脉象特征的重要性进行分析，并建立了单脉和相兼脉象的分类模型。首先根据Gini 指数贡献率排名等要素删去部分重要程度低的脉象特征，降维至53 项特征作为脉象分类的依据，对“实、细、弦、滑、平、细弦、细滑、弦滑”8 类脉象进行分类模型训练，RF 方法在脉象分类实验中展现了优越的分类性能，其平均分类准确度为81.75%。

为了更全面地比较各个ML 算法在脉象分类上的效果，本文列举了上述不同脉象分类方案的分类准确度，如表1 所示。表中列出了不同脉象分类策略中所使用的ML 算法、数据集大小、脉搏信号类别数量以及识别率。

表1 不同脉象分类方法的比较

4 总结与展望

本文总结分析了当前ML算法在脉象分类上的应用，包括基本ML 算法、NN 算法以及集成学习算法。基本ML 算法主要采用人工提取的脉搏特征作为ML 算法的输入来建立脉象分类模型。因为脉搏信号复杂，人工提取的特征很难从多个角度体现脉搏信号的特性，导致部分细节信息可能会丢失。此外，仅仅依靠有限的特征参数训练的脉象分类模型并不具备中医个性化诊断的特点，若想进一步应用于临床或进行商业化生产以实现个性化医疗还需改进算法和方案。与此相比，NN 算法可以通过自学习特征来建立分类模型，并减少对人工提取特征的依赖，从而有效促进分类效果，为建立脉象分类模型提供新方向。另外，集成学习算法可以通过选择基础学习器将人工特征和自动提取的特征相结合，为提高脉象分类的准确度提供了新思路。总之，利用ML 技术实现脉象分类是可行的。随着NN 结构中模块的不断改进和融合以及集成学习算法的引入，将有望发掘出脉搏信号中更深层次的相关性，获得更高的识别率。但目前仍有一个难题，即无法得知分类模型中脉象特征和脉象类型的归类机理与中医对于脉象的定义是否一致。为了解决这个问题，研究者仍需要进一步探索和研究。

目前，脉象仪结合智能穿戴设备和应用程序可实现日常的自我检测，智能脉象仪采集脉搏信号，应用程序生成诊断和养生报告，帮助用户改善身体状态。但这仅可满足用户最基本的养生需求，还远远不能预防疾病或防止病情进一步恶化。因此，未来将致力于改进脉象仪，并增加“望闻问”三诊，实行四诊并用以更全面地了解病情，同时结合中西医理论，建立一个数据库来匹配病症及相应的诊疗方案。这不仅需要在脉象仪中增加新的功能和集成新的技术，如拍照观气色的人脸识别技术、录音听声息的语音识别技术、能够识别气味的气体传感器以及ChatGPT 智能语言处理技术等，还需要脉象仪具备高精度的信息匹配和计算能力。然而，这一过程必然面临许多挑战，需要中医、西医和科研工作者们共同努力，创造一个高效、精确的中西医信息系统。