[發明專利]基于半監督判別投影的脈搏數據分類方法及裝置

有效

• 申請號: 202210547995.8
• 申請日: 2022-05-18
• 公開（公告）號: CN114841214B
• 公開（公告）日: 2023-06-02
• 發明（設計）人: 陳子源;高亦心;阮淵鵬;張煒寒;彭勇
• 申請（專利權）人: 杭州電子科技大學
• 主分類號: G06F18/241
• 分類號: G06F18/241;G16H20/90;A61B5/024;G06N3/0895
• 代理公司: 杭州君度專利代理事務所(特殊普通合伙) 33240
• 代理人: 楊舟濤

1.基于半監督判別投影的脈搏數據分類方法，其特征在于：具體包括以下步驟：

步驟1、采集脈搏數據，并將對應的身體狀況信息作為該數據的標簽；所述身體狀況信息為：表寒、表熱、表虛、表實、里寒、里熱、里虛、里實或正常；

步驟2、對步驟1采集到的脈搏數據進行預處理消除噪聲，然后通過快速傅里葉變換，將頻率能量分布序列最大值對應的頻率值的倒數作為脈搏周期；

步驟3、使用步驟2計算得到的脈搏周期，將預處理后的脈搏數據劃分為單周期數據，對每個單周期數據提取主波幅度、主波峽幅度、重搏前波幅度、降中峽幅度、重搏波幅度，以及左心室的快速射血期時間、起始點到主波峽谷底的時間間隔、起始點到重搏前波波峰的時間間隔、左心室收縮期、左心室舒張期共10個特征；將每個脈搏周期的特征作為一個樣本，各樣本按列合并得到脈搏數據的樣本矩陣其中，d表示特征數量，n表示單周期脈搏信號的數量；將樣本矩陣X劃分為兩部分，其中X_l為帶標記樣本，X_u為無標記樣本；最后，對樣本矩陣X進行去中心化處理；

步驟4、根據步驟3得到的樣本矩陣X，建立如下半監督判別投影模型：

其中，為投影矩陣，m為子空間的維度；為子空間聚類中心，c為標簽類別數量，為指示矩陣，G＝[G_l,G_u]，包含帶標記樣本指示矩陣G_l與無標記樣本指示矩陣G_u，帶標記樣本指示矩陣G_l根據原始樣本標記進行初始化，G_ij＝1表示第i個樣本屬于第j類，G_ij＝0表示第i個樣本不屬于第j類；無標記樣本指示矩陣G_u中各個元素初始化為表示對應樣本歸屬于各類別的概率；S_b為類間散度矩陣，用于衡量不同樣本之間的離散程度，為單位矩陣；為全1的列向量；上標T表示轉置，Tr(·)表示求取跡，||·||_F表示對矩陣求F范數；

步驟5、根據步驟4建立的半監督判別投影模型，對投影矩陣W、指示矩陣G、子空間聚類中心F進行聯合迭代優化，每一輪迭代中僅更新一個參數，具體優化過程如下：

步驟5.1、初始化投影矩陣W：

求解得到W為XX^T最大的m個特征值對應的特征向量；

步驟5.2、初始化判別中心：

矩陣F的取值為子空間聚類中心點，因此矩陣F的第i列F_i為：

其中，n_k表示第k類中樣本的數量，l_k為第k類樣本的集合，x_i為樣本矩陣X中的一列，X_l為樣本矩陣中帶標簽的樣本；

步驟5.3、固定子空間聚類中心F和投影矩陣W，更新指示矩陣G中的G_u：

將G_u按行分解后，轉化為具有單純形約束的二次優化問題，引入輔助變量v對分解后的每一行g^T進行更新，構造的增廣拉格朗日函數如下，：

其中β為拉格朗日乘子，μ為罰因子，b＝F^TW^Tg_i；

依次固定v、g中的一個變量，更新另一個變量，進行迭代優化以獲取局部最優解；重復上述過程，對G_u中的每一行依次進行更新，完成對指示矩陣G更新；

步驟5.4、固定指示矩陣G和投影矩陣W，更新子空間聚類中心F：

直接對F求導，得到更新后的子空間聚類中心F：

F＝W^TXG(G^TG)^-1?????????????????????????????(8)

步驟5.5、固定子空間聚類中心F和指示矩陣G，更新投影矩陣W：

并將其轉化為Trace-Ratio問題進行求解；

步驟5.6、多次重復步驟5.3～步驟5.5，直至達到最大迭代次數或步驟4中半監督判別投影模型的值達到設定閾值；

步驟6、分離步驟5迭代優化后的指示矩陣G中的無標記樣本部分G_u,對G_u按行分塊：

G_u＝[g_l+1^T,g_l+2^T,…,g_n^T]??????????????????????????(10)

取G_u中最大元素對應的列序作為第i個樣本x_i^T的對應類別，完成對原始脈搏數據的分類。