中医已经有两千余年的历史,其中脉象作为“望闻问切”四诊中的关键组成之一,在中医辨证施治体系中起着非常重要的作用。然而,在脉诊的临床实践过程中,脉象主要通过医生手指感知桡动脉的搏动获取,影响因素众多,而且缺乏客观的评价标准,诊断的准确性和医生的临床经验也密切相关。从中医发展角度考虑,通过现代仪器和技术将主观性较强的脉诊客观化,以此构建数字化的脉诊体系对临床有重要意义,也是推动中医现代化的主要途径。根据中医理论,妊娠期和非妊娠女性的脉象有明显的差异,脉诊是早期诊断妊娠的重要手段,因此本研究将以妊娠的检测作为应用场景,结合信号处理和机器学习技术来构建数字化的脉诊体系。本研究集成脉象信号的采集、特征提取、模式识别为一体。我们采用敏感性和稳定性更高的数字脉象仪收集了 495例女性的脉象,其中妊娠者264例,非妊娠女性231例,将传统中医脉象的主观感受转化为客观化的时间-压力二维数据,建立初步的脉象数据库。然后,在提取脉象时域波形特征的基础上,提出了一种脉象小波特征提取方法,使用小波变换对脉象信号进行了四层分解,提取了小波能量和小波熵作为小波特征。这些特征被输入到不同的机器学习模型以进行妊娠的脉象识别,包括极端梯度增强、支持向量机和概率神经网络,贝叶斯优化被用于模型训练过程中的超参数寻优,比传统网格搜索取得了更好的效果。我们采用留一交叉验证严谨地评估了识别模型的性能,结果显示本研究提出的基于脉象时频域特征的贝叶斯优化——极端梯度增强模型对妊娠脉象有最佳的检测精度,其识别率达到了 87.5%,受试者工作特征曲线下的面积为0.94。我们发现妊娠的识别率和妊娠阶段有关,妊娠中期的识别率为91.3%,妊娠后期为90.7%,明显高于妊娠早期的85.4%。我们也比较了留一交叉验证与传统方法划分单独测试集在评估稳定性方面差异,前者有更好的稳定性。本研究所构建的数字化诊脉系统可以客观收集并分析传统中医脉象,具有无辐射、非侵入及更精确的优点,随着数据的不断积累和体系的优化,在基于脉象的中医辨证施治方面将发挥巨大的潜力,从而进一步提升中医的社会和经济价值。