团队首先展开了大规模的种族数据收集工作。他们与世界各地的科研机构、医疗机构建立紧密合作，收集来自不同种族人群的海量气脉数据。这些数据包括详细的脉象数据、体质特征信息、遗传背景资料等。通过对亚洲、欧洲、非洲、美洲等各大洲不同种族人群的数据采样，构建了一个庞大且丰富的原始数据集。例如，在亚洲，团队深入到各个民族聚居地，收集如蒙古族、朝鲜族等具有独特体质特征人群的气脉数据；在欧洲，与多个国家的医学研究中心合作，获取不同地域白人的相关数据。
基于这些丰富的数据，团队开始对算法进行优化设计。传统的算法在处理气脉数据时，往往采用较为统一的标准模式，忽略了种族间的差异。新算法的设计理念则是以种族特征为导向，针对不同种族构建个性化的分析模型。例如，对于脉象数据的分析，考虑到不同种族心脏泵血能力、血管弹性等生理差异，算法会调整对脉象力度、节律等特征的权重计算方式。对于体型高大、血液循环较快的种族，算法会着重关注脉象中与血流速度相关的特征指标；而对于体型相对较小、代谢率不同的种族，算法会更侧重于对脉象细微波动所反映的脏腑功能信息的提取。
在优化过程中，团队还运用了先进的机器学习技术。通过深度学习算法对大量已标注的不同种族气脉数据进行训练，让算法自动学习不同种族数据中的模式和规律。经过反复的训练、验证与调整，新算法逐渐能够精准地识别不同种族气脉数据中的独特特征，并进行准确的分析和分类。这一优化后的算法大大提升了数据库对不同种族数据的处理能力，为基于种族差异的中医精准诊断和个性化治疗提供了强有力的支持。
病症维度拓展：丰富数据深度广度
除了算法优化，增加更多病症维度的信息是 “全球气脉数据库” 升级的另一项核心任务。叶尘团队明白，数据库中病症维度的丰富程度直接决定了其对中医临床实践和研究的支持力度。
团队积极组织国内外中医专家进行广泛的病症调研和整理工作。他们深入到各级中医医疗机构，收集临床实践中遇到的各种病症案例。这些案例不仅包括常见的感冒、咳嗽、肠胃疾病等，还涵盖了大量罕见病和疑难杂症。例如，一些由特殊环境因素或遗传因素导致的病症，在以往的数据库中鲜有记载，但随着中医在不同地区的广泛应用，这些病症逐渐进入人们的视野。团队对这些病症进行详细的记录，包括病症的临床表现、发病过程、中医诊断方法以及治疗方案等信息。