[發(fā)明專利]一種基于深度學(xué)習(xí)技術(shù)的血紅蛋白動態(tài)光譜分析預(yù)測方法

在審

• 申請?zhí)枺?/td>: 201711438640.0
• 申請日: 2017-12-21
• 公開（公告）號: CN107908928A
• 公開（公告）日: 2018-04-13
• 發(fā)明（設(shè)計(jì)）人: 劉玉良;張全
• 申請（專利權(quán)）人: 天津科技大學(xué)
• 主分類號: G06F19/24
• 分類號: G06F19/24;A61B5/00;G06K9/62;G06N3/08
• 代理公司: 暫無信息
• 代理人: 暫無信息

1.一種基于深度學(xué)習(xí)技術(shù)的血紅蛋白動態(tài)光譜分析預(yù)測方法，其特征在于，包括如下步驟：

1-1)深度學(xué)習(xí)訓(xùn)練數(shù)據(jù)的獲得與預(yù)處理；

1-2)構(gòu)建深度學(xué)習(xí)模型；

1-3)深度學(xué)習(xí)測試數(shù)據(jù)的獲得；

1-4)將預(yù)處理過后的訓(xùn)練數(shù)據(jù)、測試數(shù)據(jù)和相應(yīng)標(biāo)簽輸入進(jìn)深度學(xué)習(xí)模型，完成對深度學(xué)習(xí)模型的訓(xùn)練與評價(jià)；

1-5)將待測數(shù)據(jù)輸入訓(xùn)練好的深度學(xué)習(xí)模型進(jìn)行預(yù)測。

2.根據(jù)權(quán)利要求1所述的一種基于深度學(xué)習(xí)技術(shù)的血紅蛋白動態(tài)光譜分析預(yù)測方法，其特征在于，深度學(xué)習(xí)訓(xùn)練數(shù)據(jù)的獲得與預(yù)處理，具體包括如下步驟：

2-1)患者將手指放入光譜儀中，測量患者的光電容積脈搏波；

2-2)對獲得的光電容積脈搏波進(jìn)行低通濾波，去除高頻噪聲；

2-3)運(yùn)用小波分析或者EMD去除基線漂移，同時保留未去基線漂移的數(shù)據(jù)，即利用小波分析或者EMD去除信號中所包含的低頻的呼吸波成份以及手指抖動所造成的低頻成份；

2-4)利用如下公式提取動態(tài)光譜：

式中ΔC為吸光度，即動態(tài)光譜幅值；I_max為光電容積脈搏波最大值；I_min為光電容積脈搏波最小值；

2-5)利用如下公式對動態(tài)光譜進(jìn)行歸一化，本發(fā)明采用矢量歸一化：

其中，n為波長總數(shù)；

2-6)將每一條數(shù)據(jù)的醫(yī)院診斷結(jié)果利用相應(yīng)標(biāo)簽進(jìn)行標(biāo)記，標(biāo)簽形式為one-hot形式，輸出層每一個神經(jīng)元代表不同的病癥；

2-7)由經(jīng)過去基線漂移的信號所對應(yīng)的動態(tài)光譜數(shù)據(jù)，未去基線漂移的信號所對應(yīng)的動態(tài)光譜數(shù)據(jù)，歸一化后的動態(tài)光譜數(shù)據(jù)，未歸一化的動態(tài)光譜數(shù)據(jù)共同組成訓(xùn)練集；這種方式可以有效提高深度學(xué)習(xí)模型的抗干擾能力，增加模型的泛化能力，提升預(yù)測的準(zhǔn)確度；

2-8)測試數(shù)據(jù)獲取按上述2-1)～2-7)步驟進(jìn)行，采用與訓(xùn)練集不同的患者數(shù)據(jù)。

3.根據(jù)權(quán)利要求1所述的一種基于深度學(xué)習(xí)技術(shù)的血紅蛋白動態(tài)光譜分析預(yù)測方法，其特征在于，構(gòu)建深度學(xué)習(xí)模型，其過程包括：

3-1)將未加標(biāo)簽的動態(tài)光譜數(shù)據(jù)作為輸入，對深度學(xué)習(xí)模型進(jìn)行預(yù)訓(xùn)練；

3-2)將上述訓(xùn)練集數(shù)據(jù)和相應(yīng)標(biāo)簽作為輸入，對深度學(xué)習(xí)模型進(jìn)行正式訓(xùn)練；

3-3)深度學(xué)習(xí)模型進(jìn)行前向傳播；

3-4)深度學(xué)習(xí)模型進(jìn)行反向傳播。

4.根據(jù)權(quán)利要求1所述的一種基于深度學(xué)習(xí)技術(shù)的血紅蛋白動態(tài)光譜分析預(yù)測方法，其特征在于，深度學(xué)習(xí)模型進(jìn)行前向傳播，步驟如下：

4-1)數(shù)據(jù)經(jīng)過卷積層(conv)進(jìn)行自動的特征提取，卷積層能夠有效地自動提取信號的特征；并且，利用卷積層的局部感受野的特性，機(jī)器能夠有效地學(xué)習(xí)有擾動的信號的本質(zhì)特征，可以有效提升預(yù)測的準(zhǔn)確性；為了保持維度的相同，本發(fā)明利用補(bǔ)0(padding)的方法保持?jǐn)?shù)據(jù)維數(shù)的恒定；同時，卷積利用了共享權(quán)重的方法，簡化了模型參數(shù)，使其便于優(yōu)化；

4-2)提取后的特征經(jīng)過池化層(pool)，經(jīng)過池化，數(shù)據(jù)數(shù)量變?yōu)樵瓉淼?/2，池化層可以達(dá)到提煉特征，減少模型規(guī)模便于優(yōu)化的目的；

4-3)經(jīng)過若干卷積層，進(jìn)行充分的特征提取，本發(fā)明所采用的深度學(xué)習(xí)模型為有“短接”的ResNet模型，“短接”的使用能夠有效降低由于層數(shù)過多引起的梯度爆炸問題，能夠有效地提升模型的深度，增加預(yù)測的準(zhǔn)確度；

4-4)經(jīng)過平均池化層。

5.根據(jù)權(quán)利要求1所述的一種基于深度學(xué)習(xí)技術(shù)的血紅蛋白動態(tài)光譜分析預(yù)測方法，其特征在于，深度學(xué)習(xí)模型進(jìn)行反向傳播，根據(jù)輸出層代價(jià)函數(shù)的梯度反向計(jì)算每一層的梯度，利用梯度進(jìn)行全局參數(shù)的優(yōu)化，最終使代價(jià)函數(shù)達(dá)到最小，即使輸出向量與目標(biāo)向量偏差最小。

6.根據(jù)權(quán)利要求1所述的一種基于深度學(xué)習(xí)技術(shù)的血紅蛋白動態(tài)光譜分析預(yù)測方法，其特征在于，評價(jià)深度學(xué)習(xí)模型方法如下：

采用交叉熵對深度學(xué)習(xí)模型進(jìn)行評價(jià)，交叉熵表達(dá)式如下：

式中n為輸出向量數(shù)目；y為目標(biāo)輸出向量；a為實(shí)際輸出向量；loss為代價(jià)函數(shù)，交叉熵描述了兩個向量的相似程度，兩個向量越相似交叉熵代價(jià)函數(shù)越小，即實(shí)際輸出與預(yù)期輸出越相近；因此利用交叉熵代價(jià)函數(shù)能夠很好地評價(jià)深度學(xué)習(xí)模型的質(zhì)量，評價(jià)也可以利用各種正則化后的代價(jià)函數(shù)。