[發明專利]一種非侵入式的人體鐵離子濃度智能分析方法

在審

• 申請號: 202210441641.5
• 申請日: 2022-04-25
• 公開（公告）號: CN114795198A
• 公開（公告）日: 2022-07-29
• 發明（設計）人: 王橋生
• 申請（專利權）人: 王橋生
• 主分類號: A61B5/1455
• 分類號: A61B5/1455;A61B5/00
• 代理公司: 長沙智德知識產權代理事務所(普通合伙) 43207
• 代理人: 黃宇

1.一種非侵入式的人體鐵離子濃度智能分析方法，其特征在于：步驟S01，采用非侵入式的數據采集方法，獲取指關節正面和反面兩個不同的動態序列光譜數據；采用侵入式抽血方式測定對應的鐵離子濃度值；

步驟S02，基于步驟S01獲得的數據訓練鐵離子濃度智能分析網絡；

步驟S03，基于步驟S02訓練完成的鐵離子濃度智能分析網絡可以根據指關節正反面數據進行人體內鐵離子濃度的非侵入式分析。

2.根據權利要求1所述的一種非侵入式的人體鐵離子濃度智能分析方法，其特征在于：步驟S01中采用一種非侵入式技術進行動態序列數據獲取，利用血液中血紅蛋白吸收光譜的特性，使用光學傳感器照射指關節部位，測量反射光的吸收光譜，并保存一段時間內的序列光譜數據；

其中，數據集中每個樣例由三個部分組成：正面指關節光譜數據集V_f、反面指關節光譜數據集V_b以及鐵離子濃度標簽Y：

式中，n代表樣本數量，X_f和X_b中包含的序列光譜數據為：

式中，t代表序列光譜數據的長度。

3.根據權利要求1所述的一種非侵入式的人體鐵離子濃度智能分析方法，其特征在于：步驟S02中鐵離子濃度智能分析網絡由序列多角度學習模塊和濃度分析模塊組成，序列多角度學習模塊用于探索不同視角序列光譜數據的潛在聯系，濃度分析模塊用于探索序列多角度學習模塊的輸出和鐵離子濃度之間的關系，鐵離子濃度智能分析網絡是一個端到端的結構，整體損失函數為：

其中，為序列多角度學習損失，為濃度分析損失。

4.根據權利要求3所述的一種非侵入式的人體鐵離子濃度智能分析方法，其特征在于：所述的鐵離子濃度智能分析網絡，其訓練過程包含以下步驟：

步驟A10，將正面指關節光譜數據集V_f和反面指關節光譜數據集V_b作為序列多角度學習模塊的輸入，序列多角度學習模塊通過正負樣本對的學習，探索不同視角之間數據的聯系；

步驟A20，將序列多角度學習模塊的輸出表示向量z和對應鐵離子濃度標簽作為濃度分析模塊的輸入，對濃度分析模塊進行訓練；

步驟A30，通過反向傳播向所述損失函數值變小的方向更新時間序列多角度學習模塊和濃度分析模塊的參數，并選擇分析準確率最高的權重作為最優權重。

5.根據權利要求4所述的一種非侵入式的人體鐵離子濃度智能分析方法，其特征在于：所述的序列多角度學習模塊學習過程如下：

正面指關節光譜數據集V_f和反面指關節光譜數據集V_b包含的樣本記作n為樣本數量，正樣本對為負樣本對訓練一個判別函數，讓它能夠從包含1個正樣本對和k(kn)個負樣本的集合中，準確找到正樣本對，判別的方式是通過對樣本對距離度量的計算，距離越小分數越高。

6.根據權利要求5所述的一種非侵入式的人體鐵離子濃度智能分析方法，其特征在于：所述判別函數的實現過程，采用兩個編碼器和對V_f和V_b進行特征轉換，得到相對應的特征表示記作和然后隨機固定V_f中的第i個樣本，然后枚舉V_b中的k個樣本，目標損失函數如下：

其中τ是超參數，用于動態調節范圍，θ_f和θ_b分別為編碼器和的參數，c(·)是距離度量函數；

公式(4)式中損失是固定視圖V_f中元素視為錨點枚舉V_b中元素得到的；對稱地，將錨點定在V_b中來枚舉V_f中元素以獲得對比損失；然后將它們加在一起作為序列多角度學習模塊損失：

經過序列多角度學習階段之后，將特征表示z_f和z_b串聯得到表示向量z作為下一階段的輸入。

7.根據權利要求3所述的一種非侵入式的人體鐵離子濃度智能分析方法，其特征在于：所述的濃度分析模塊用于探索序列多角度學習模塊的輸出和鐵離子濃度之間的聯系，該模塊以表示向量z和鐵離子濃度標簽作為輸入，該模塊損失函數為：

式中，Y代表真實鐵離子濃度，f_p代表表示向量z和鐵離子濃度之間的映射關系，p為濃度分析的參數。