基于深度學(xué)習(xí)的醫(yī)學(xué)氣體識(shí)別方法
【專(zhuān)利摘要】本發(fā)明公開(kāi)了一種基于深度學(xué)習(xí)的醫(yī)學(xué)氣體識(shí)別方法,具體使用原始的頻率響應(yīng)信號(hào),對(duì)其進(jìn)行簡(jiǎn)單的歸一化,然后輸入棧式自編碼網(wǎng)絡(luò),通過(guò)逐層提取,最終學(xué)習(xí)得到原始數(shù)據(jù)的抽象特征,整個(gè)網(wǎng)絡(luò)對(duì)外屏蔽了提取特征,降維,抑制漂移等過(guò)程,同時(shí)在網(wǎng)絡(luò)最后附加一個(gè)分類(lèi)層,使得這些特征可以直接進(jìn)入分類(lèi)器進(jìn)行分類(lèi)。訓(xùn)練過(guò)程分為預(yù)訓(xùn)練與微調(diào)兩個(gè)步驟,可以有效地提高網(wǎng)絡(luò)的學(xué)習(xí)能力,訓(xùn)練完成后,新樣本輸入網(wǎng)絡(luò)可以直接得到預(yù)測(cè)的類(lèi)別。本發(fā)明的方法能自動(dòng)提取醫(yī)學(xué)氣體有效區(qū)分特征,將特征提取、特征選擇和抑制漂移等步驟融合在了一起,極大地簡(jiǎn)化了傳統(tǒng)方法的復(fù)雜度,提升了氣體檢測(cè)與識(shí)別的效率。
【專(zhuān)利說(shuō)明】基于深度學(xué)習(xí)的醫(yī)學(xué)氣體識(shí)別方法
【技術(shù)領(lǐng)域】
[0001]本發(fā)明屬于生物醫(yī)學(xué)【技術(shù)領(lǐng)域】,具體涉及醫(yī)學(xué)氣體識(shí)別方法。
【背景技術(shù)】
[0002]機(jī)器嗅覺(jué)是一種人工智能系統(tǒng),其基本原理是:氣味分子被傳感器陣列吸附,產(chǎn)生電信號(hào),然后使用各種信號(hào)處理技術(shù)提取特征,再經(jīng)計(jì)算機(jī)模式識(shí)別系統(tǒng)做出判斷,完成氣體識(shí)別和濃度測(cè)量等工作。電子鼻系統(tǒng)即是機(jī)器嗅覺(jué)的一個(gè)典型應(yīng)用,在醫(yī)學(xué)領(lǐng)域發(fā)揮著非常重要的作用,例如診斷某些疾病,識(shí)別血液中的細(xì)菌種類(lèi),檢測(cè)對(duì)呼吸系統(tǒng)有害的氣體等。
[0003]傳感氣體檢測(cè)與識(shí)別在醫(yī)學(xué)領(lǐng)域有著重要的應(yīng)用,例如可以利用電子鼻設(shè)備采集口腔、胸腔、血液內(nèi)的樣本數(shù)據(jù),然后使用各種信號(hào)處理技術(shù)以分析處理,再由計(jì)算機(jī)模式識(shí)別系統(tǒng)做出判斷,可以完成諸如疾病診斷、病菌識(shí)別、藥物濃度測(cè)定等任務(wù)。
[0004]傳統(tǒng)的氣體檢測(cè)與識(shí)別方法通常包含特征提取,特征選擇等步驟,最后通過(guò)分類(lèi)、回歸或者聚類(lèi)等手段達(dá)成預(yù)定目標(biāo)。對(duì)于需要長(zhǎng)期使用的設(shè)備,還必須使用有效的傳感器漂移補(bǔ)償技術(shù)來(lái)抑制漂移帶來(lái)的影響。在醫(yī)學(xué)應(yīng)用中,由于這些傳統(tǒng)方法操作復(fù)雜,效率較低,往往需要在精確性與實(shí)時(shí)性之間折衷。
[0005]傳感器采樣得到的數(shù)據(jù)可以看作是一種時(shí)間序列信號(hào),這種信號(hào)結(jié)構(gòu)復(fù)雜,難以解釋?zhuān)⑶彝S度很高。為了更好的進(jìn)行識(shí)別,通常需要根據(jù)信號(hào)的各種屬性設(shè)計(jì)特征,再經(jīng)過(guò)特征選擇,如降維等,然后將他們作為分類(lèi)算法的輸入進(jìn)行分類(lèi),例如支持向量機(jī)。
[0006]傳感器漂移是指隨著時(shí)間的推移,傳感器的響應(yīng)會(huì)發(fā)生緩慢而又隨機(jī)的變化。這種變化導(dǎo)致模式識(shí)別系統(tǒng)在當(dāng)前學(xué)習(xí)得到的模式不能夠很好地應(yīng)用于后續(xù)的待測(cè)樣本,從而使氣體檢測(cè)與識(shí)別的準(zhǔn)確率逐漸降低。在醫(yī)學(xué)應(yīng)用中,為了抑制傳感器漂移的影響,一般有兩種措施:⑴開(kāi)發(fā)有效的漂移補(bǔ)償技術(shù)。這個(gè)過(guò)程往往與特征提取相互獨(dú)立,而且操作復(fù)雜,效率很低;⑵由于短時(shí)間內(nèi)的漂移程度較小,通過(guò)定期對(duì)電子鼻設(shè)備進(jìn)行維護(hù)更新以保證采樣數(shù)據(jù)穩(wěn)定可靠,但是這無(wú)疑極大地增加了成本,減少了設(shè)備的使用壽命。
[0007]實(shí)際上,某些設(shè)計(jì)良好的特征對(duì)漂移有很好的魯棒性。從這一角度來(lái)考慮,可以簡(jiǎn)單的通過(guò)提取更好的特征來(lái)抑制傳感器漂移,從而將兩個(gè)過(guò)程融合在一起。深度學(xué)習(xí)技術(shù)通過(guò)建立包含多個(gè)隱層的人工神經(jīng)網(wǎng)絡(luò),模擬人類(lèi)大腦來(lái)進(jìn)行分析學(xué)習(xí)和解釋數(shù)據(jù),可以獲得數(shù)據(jù)的高度抽象的表示,善于發(fā)現(xiàn)數(shù)據(jù)中潛在的模式,在解決上述問(wèn)題時(shí)非常適用。
[0008]在文獻(xiàn)“ M.Tr i ncave 11 i,S.Cor ade sch i,A.Lou t fi,B.Sdclcrquist,P.Thunberg, Direct identification ofbacteria in blood culture samples using anelectronic nose, IEEE Trans Biomedical Engineering57 (12), 2884 - 2890,2010”中提出了一種有效識(shí)別血液培養(yǎng)標(biāo)本中的病原菌的方法,該方法首先由電子鼻設(shè)備米樣得到樣本數(shù)據(jù),然后進(jìn)行特征提取和降維,最后用支持向量機(jī)完成分類(lèi),其中在特征提取部分,針對(duì)信號(hào)總體波形,采用了穩(wěn)態(tài)響應(yīng)和響應(yīng)導(dǎo)數(shù)兩種特征提取方法。
[0009]有時(shí)為了在復(fù)雜的問(wèn)題中得到更高的識(shí)別準(zhǔn)確率,需要更細(xì)致地分析信號(hào)波形,提取維度更高的特征。在文獻(xiàn) “A.Vergaraa, S.Vembua, T.Ayhanb, M.A.R.Vitae, Μ.L.H.Vitae and R.Huertaa.Chemical gas sensor drift compensation using classiferensembles, Sensors andActuators B: Chemical, vol.166-167,pp.320-329,May2012,,研究了如何提高漂移下的乙醇等氣體的識(shí)別準(zhǔn)確率,設(shè)計(jì)了 8種不同的特征。
[0010]在分類(lèi)算法確定的情況下,氣體的識(shí)別準(zhǔn)確率就只取決于特征的好壞程度。相比于原始信號(hào)中的頻率響應(yīng)值,設(shè)計(jì)良好的特征可以大幅度的減少維度冗余,同時(shí)凸顯了不同類(lèi)別之間的差異,通??梢缘玫奖容^好的識(shí)別準(zhǔn)確率。
[0011]然而手工設(shè)計(jì)的特征往往針對(duì)某些特定的應(yīng)用場(chǎng)合(氣體類(lèi)型,傳感器類(lèi)型,外界環(huán)境等),因而具有極強(qiáng)的目的性,通用性很差。而且由于傳感器的交叉敏感性,最終提取的特征維數(shù)仍然很高,通常需要尋找高效的降維算法,如PCA、LDA等。如果在某個(gè)新的應(yīng)用中,使用現(xiàn)有特征的識(shí)別準(zhǔn)確率都達(dá)不到要求,就需要設(shè)計(jì)更好的特征,這無(wú)疑進(jìn)一步增加了這一任務(wù)的復(fù)雜程度。
[0012]目前抑制漂移最有效的方法是通過(guò)周期重校進(jìn)行漂移補(bǔ)償,其大體思想是尋找一種線性變換對(duì)傳感器響應(yīng)進(jìn)行歸一化,使得分類(lèi)器可以直接應(yīng)用于這些變換后的數(shù)據(jù)。
[0013]CN1514239A公開(kāi)了一種實(shí)現(xiàn)氣體傳感器漂移檢測(cè)和修正的方法。該方法通過(guò)綜合利用主元分析和小波變換技術(shù),提高了傳感器漂移檢測(cè)的靈敏度和準(zhǔn)確度。對(duì)檢測(cè)出的漂移傳感器,采用基于自適應(yīng)漂移模型的修正方法,對(duì)傳感器輸出進(jìn)行在線修正,同時(shí)漂移模型可進(jìn)行在線更新,從而達(dá)到提高傳感器系統(tǒng)可靠性,延長(zhǎng)系統(tǒng)使用壽命的目的。
[0014]在文獻(xiàn)“T.Artursson, T.Ekl5v, 1.Lundstr5m, P.Martensson, M.Sjostrom,; andM.Holmberg, “Drift correction for gas sensors using multivariatemethods,,,J.Chemom.,vol.14,n0.5-6, pp.711 - 723,2000”中用一種參考?xì)怏w來(lái)近似估計(jì)漂移方向,然后對(duì)待分析氣體的響應(yīng)進(jìn)行如下的修正。
[0015]然而這些方法都假設(shè)傳感器的漂移規(guī)律是線性的,這一點(diǎn)并沒(méi)有得到證實(shí),而且往往需要一種化學(xué)性質(zhì)隨時(shí)間相對(duì)穩(wěn)定而又與待分析氣體在傳感器行為上高度相似的參考?xì)怏w,這個(gè)條件在實(shí)際應(yīng)用中無(wú)疑是相當(dāng)苛刻的。除此之外,這些方法在實(shí)際應(yīng)用中操作相當(dāng)復(fù)雜,效率很低。
【發(fā)明內(nèi)容】
[0016]本發(fā)明的目的是簡(jiǎn)化傳統(tǒng)氣體檢測(cè)與識(shí)別方法的復(fù)雜度,開(kāi)發(fā)一種更簡(jiǎn)單,更高效,對(duì)于傳感器漂移更魯棒的氣體檢測(cè)與識(shí)別方法。
[0017]本發(fā)明方案使用原始的頻率響應(yīng)信號(hào),對(duì)其進(jìn)行簡(jiǎn)單的歸一化,然后輸入棧式自編碼網(wǎng)絡(luò),通過(guò)逐層提取,最終學(xué)習(xí)得到原始數(shù)據(jù)的抽象特征,整個(gè)網(wǎng)絡(luò)對(duì)外屏蔽了提取特征,降維,抑制漂移等過(guò)程,同時(shí)在網(wǎng)絡(luò)最后附加一個(gè)分類(lèi)層,使得這些特征可以直接進(jìn)入分類(lèi)器進(jìn)行分類(lèi)。訓(xùn)練過(guò)程分為預(yù)訓(xùn)練與微調(diào)兩個(gè)步驟,可以有效地提高網(wǎng)絡(luò)的學(xué)習(xí)能力,訓(xùn)練完成后,新樣本輸入網(wǎng)絡(luò)可以直接得到預(yù)測(cè)的類(lèi)別。
[0018]本發(fā)明的技術(shù)方案為:一種基于深度學(xué)習(xí)的醫(yī)學(xué)氣體識(shí)別方法,具體步驟如下:
[0019]步驟1.數(shù)據(jù)歸一化,設(shè)有m個(gè)樣本,將每個(gè)樣本按以下形式組織,V= [S1, S2…,st],其中,Si是第i個(gè)頻率響應(yīng)值,一共有t個(gè)響應(yīng)值,整個(gè)氣體數(shù)據(jù)集和對(duì)應(yīng)的標(biāo)簽可以表示為:
【權(quán)利要求】
1.一種基于深度學(xué)習(xí)的醫(yī)學(xué)氣體識(shí)別方法,具體步驟如下: 步驟1.數(shù)據(jù)歸一化,設(shè)有m個(gè)樣本,將每個(gè)樣本按以下形式組織,¥=[81,^,\],其中,Si是第i個(gè)頻率響應(yīng)值,一共有t個(gè)響應(yīng)值,整個(gè)氣體數(shù)據(jù)集和對(duì)應(yīng)的標(biāo)簽可以表示為:
2.根據(jù)權(quán)利要求1所述的基于深度學(xué)習(xí)的醫(yī)學(xué)氣體識(shí)別方法,其特征在于,步驟步驟2.6中利用最小化損失函數(shù)來(lái)訓(xùn)練權(quán)重矩陣Θ具體過(guò)程如下: 步驟2.6.1隨機(jī)初始化參數(shù)矩陣Θ ; 步驟2.6.2直接計(jì)算J(0)的導(dǎo)數(shù),其中,Θ ^表示矩陣中的第j列;
【文檔編號(hào)】G06F19/00GK103544392SQ201310503402
【公開(kāi)日】2014年1月29日 申請(qǐng)日期:2013年10月23日 優(yōu)先權(quán)日:2013年10月23日
【發(fā)明者】劉啟和, 陳雷霆, 蔡洪斌, 邱航, 蒲曉蓉, 胡曉楠 申請(qǐng)人:電子科技大學(xué)