[發明專利]一種可用于多變量醫療傳感數據流的分類方法

有效

• 申請號: 202011267085.1
• 申請日: 2020-11-13
• 公開（公告）號: CN112270996B
• 公開（公告）日: 2023-04-25
• 發明（設計）人: 孫樂;仲昭奕;瞿治國;寇振媛;路永平
• 申請（專利權）人: 南京信息工程大學
• 主分類號: G16H50/70
• 分類號: G16H50/70;G06N3/0464;G06N3/0442;G06N3/08
• 代理公司: 南京經緯專利商標代理有限公司 32200
• 代理人: 朱楨榮

1.一種可用于多變量時間序列醫療傳感數據流的分類方法，其特征在于，包括以下步驟：

步驟1、采用輔助分類器生成對抗網絡ACGAN生成不平衡的傳感器醫療數據對應的簽名矩陣；具體如下：

先收集多變量時間序列醫療傳感數據，設收集到的數據中包括不平衡的多變量時間序列醫療傳感數據，該不平衡的多變量時間序列醫療傳感數據的類別一共有k種，這k個類別進行一位有效編碼，得到不平衡的多變量時間序列醫療傳感數據所對應的簽名矩陣的類別的一位有效編碼張量C；隨后將收集到的不同類別的不平衡的多變量時間序列醫療傳感數據轉換成簽名矩陣，從而得到不平衡的多變量時間序列醫療傳感數據對應的簽名矩陣的集合M＝{M₁,M₂,…,M_k},其中M_i是第i種類別的不平衡時間序列數據的簽名矩陣集合，是屬于第i種類別的第q個簽名矩陣，q＝1,2…j，j是第i種類別簽名矩陣的個數；

ACGAN的生成器的輸入包含了兩個部分，一個是不平衡的多變量時間序列醫療傳感數據所對應的簽名矩陣的類別的一位有效編碼張量C，另一個是滿足高斯分布的隨機噪聲Z，然后再對這兩個部分進行拼接操作，最后生成器輸出的是與不平衡多變量時間序列醫療傳感數據類別一致的簽名矩陣集合M^g；ACGAN的判別器的輸入為收集到的不平衡的醫療多變量時間序列數據所生成的簽名矩陣的集合M，ACGAN的判別器用于對收集到的M進行真假的判斷，并進行簽名矩陣的分類；其中，真假的判斷的損失函數L_S表示為公式(1)，分類的損失函數L_C表示為公式(2)；

其中，表示生成器生成的簽名矩陣集合M^g中第i種類別的第qfake個簽名矩陣，qfake為大于0的整數，c表示第i種類別對應的一位有效編碼張量，S表示數據來源的類別，該數據分為不平衡的多變量時間序列醫療傳感數據對應的簽名矩陣real和生成器生成的簽名矩陣fake，E[]表示取括號內的數學期望，P()指計算括號內概率值；

ACGAN中判別器D的目標函數是最大化L_S+L_C,生成器G的目標函數是最大化L_C-L_S；D和G交替訓練，二者相互博弈，D的目標是區分出收集得到的不平衡類別的簽名矩陣與生成器生成的簽名矩陣G的目的是讓D將生成器G生成的簽名矩陣判定為收集得到的不平衡類別的簽名矩陣；總體上，ACGAN的目的是為了讓生成的簽名矩陣盡可能接近收集得到的不平衡類別的簽名矩陣

記收集到的所有多變量時間序列醫療傳感數據對應的簽名矩陣集合為M'，M'包括兩部分，一部分是多變量時間序列醫療傳感數據對應的簽名矩陣集合，另一部分是不平衡的多變量時間序列醫療傳感數據對應的簽名矩陣的集合M；取簽名矩陣集合M^input，M^input由M'與M^g共同組成，其中M^g為ACGAN的生成器的輸出結果，M^input將作為步驟2中模型的輸入；

步驟2：構建基于注意力機制的雙向卷積長短期記憶網絡BPCLSTM模型對輸入的簽名矩陣集合M^input進行分類。

2.根據權利要求1所述的一種可用于多變量時間序列醫療傳感數據流的分類方法，其特征在于，步驟2中構建基于注意力機制的雙向卷積長短期記憶網絡BPCLSTM模型，具體如下：

BPCLSTM模型包括兩層堆疊的BPCLSTM網絡、一個MobileNet?v3模塊、dropout層，全連接層和softmax函數，向BPCLSTM模型中輸入簽名矩陣集合M^input，在BPCLSTM模型處理過程中，簽名矩陣在每一層網絡中被提取分類特征處理為特征圖，將BPCLSTM網絡輸出得到的特征圖H¹送入MobileNet?v3模塊中進行進一步訓練，將MobileNet?v3模塊輸出的特征圖H²分別經dropout層，全連接層和softmax函數進行處理分類。