一种基于神经网络训练模型的数据可视化方法技术

本发明专利技术公开了一种基于神经网络训练模型的数据可视化方法，采用电阻抗及血流图技术原理，从电阻抗及血流图技术的指标中找出与脑血管健康状态的相关性指标，S1：高精度阻抗前端模块发出激励信号，通过一对激励电极注入脑部，在大脑内部形成电场，高精度阻抗前端模块，通过一对监测电极，实时获取由上述激励信号引起的电信号，从而测算出相应的脑部电阻抗数据；S2：通过蓝牙模块上传至移动端(手机，pad等)APP，由移动端APP传送到云端EI健康平台，实时进行脑部电阻抗数据分析处理，通过物联网技术实现不同地区众多用户的实时在线监测；S3：脑部训练模型的数据，根据脑部电阻抗变化，经过“去除阻抗基线”，“滤波”等操作转化为脑阻抗血流图数据，为脑血流容积变化做记录。

【技术实现步骤摘要】
一种基于神经网络训练模型的数据可视化方法
本专利技术涉及可视化领域，更具体地说，涉及一种基于神经网络训练模型的数据可视化方法。
技术介绍
随着技术的飞速发展，机器学习方法逐渐被广泛地应用到各个领域，通过研究给定数据集的数据分布，来完成特定的分类以及识别任务。但由于传统头环算法自身的局限性，在很多特定领域并不适用，缺乏普适性使得其难以适应大规模数据集，可扩展性较差，而且普遍由人为进行算法参数的设定，对于数据的特性拟合并不够完善。是一种能够模拟出人脑的神经结构的头环数据可视化。不同于传统的机器学习方法，深度学习通常需要大量的训练样本数据，通过学习一种深层非线性网络结构来实现复杂函数的逼近，与人工构造的特征相比，在大规模数据训练下生成的深度学习神经网络模型，能够更好的学习数据本身的特征。目前的头环识别辅助工具只能适用于简单的统计以及分类计算，缺乏针对于数据的自动化诊断识别方法，而通过使用深度学习技术，对影像数据进行神经网络模型建立，最终将训练完成的神经网络模型对测试图像进行推理，输出正确的分类识别数据，从而达到提高工作效率，减轻相关工作任务量的最终目的，为此，我们提出了一种基于神经网络训练模型的数据可视化方法。
技术实现思路
1.技术方案为解决上述问题，本专利技术采用如下的技术方案。一种基于神经网络训练模型的数据可视化方法，其特征在于，采用电阻抗及血流图技术原理，从电阻抗及血流图技术的指标中找出与脑血管健康状态的相关性指标，通过相关性指标设计出可视化度高的检测结果。具体包括以下步骤：S1：高精度阻抗前端模块发出激励信号，通过一对激励电极注入脑部，在大脑内部形成电场，高精度阻抗前端模块，通过一对监测电极，实时获取由上述激励信号引起的电信号，从而测算出相应的脑部电阻抗数据；S2：通过蓝牙模块上传至移动端(手机，pad等)APP，由移动端APP传送到云端EI健康平台，实时进行脑部电阻抗数据分析处理，通过物联网技术实现不同地区众多用户的实时在线监测；S3：脑部训练模型的数据，根据脑部电阻抗变化，经过“去除阻抗基线”，“滤波”等操作转化为脑阻抗血流图数据，为脑血流容积变化做记录。所述根据步骤S2，通过AI人工智能、大数据分析对用户监测数据进行综合分析，给出准确有效的脑血管健康状况评估。所述的数据可视化硬件方案模块化设计由电源管理模块、高精度阻抗前端模块和蓝牙模块组成。所述的电源管理模块：提供完整的无线电源接收器，在断开/运输模式下具有零电池漏电流，通过无线充电线圈实现给设备充电，通过电源管理模块实现无线充电，并给MCU和高精度阻抗前端模块供电。电源管理模块是具有低电池电量断接功能的简单高性能无线锂离子电池充电器，引脚可选的充电电流(最高100mA)和充电电压确保了多功能性，同时最大限度减少了所需的外部组件数。所述的高精度阻抗前端模块：芯片是一款高精度/低功耗模拟前端(AFE)，设计用于皮肤阻抗和人体阻抗测量，所含有高速DAC和放大器，高速TIA，支持更宽信号带宽的测量，用其高带宽阻抗环路对人体进行4线绝对阻抗测量。高性能16位ADC及片上DFT硬件加速器在50kHz时的目标SNR是100dB，阻抗测量频率高达200kHz。所述的蓝牙模块：通过SPI通信协议与高精度阻抗前端采集芯片连接，通过蓝牙将设备与手机连接，实现信息传输。2.有益效果相比于现有技术，本专利技术的优点在于：通过神经网络训练模型，可自动提取和分析电阻抗及血流图技术的指标并从中找出与脑血管健康状态的相关性指标，提高数据分析的效率和准确性；根据脑血管健康相关性指标设计出可视化度高且通俗易懂的检测结果，便于用户更直观的了解脑血管健康状态。附图说明图1为本专利技术的神经网络训练模型工作流程图；图2为本专利技术神经网络训练模型可视化流程图。具体实施方式下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述；显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例，基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。请参阅图1、图2，一种基于神经网络训练模型的数据可视化方法，其特征在于，采用电阻抗及血流图技术原理，从电阻抗及血流图技术的指标中找出与脑血管健康状态的相关性指标，通过相关性指标设计出可视化度高的检测结果；具体包括以下步骤：S1：高精度阻抗前端模块发出激励信号，通过一对激励电极注入脑部，在大脑内部形成电场，高精度阻抗前端模块，通过一对监测电极，实时获取由上述激励信号引起的电信号，从而测算出相应的脑部电阻抗数据。S2：通过蓝牙模块上传至移动端(手机，pad等)APP，由移动端APP传送到云端EI健康平台，实时进行脑部电阻抗数据分析处理，通过物联网技术实现不同地区众多用户的实时在线监测；S3：脑部训练模型的数据，根据脑部电阻抗变化，经过“去除阻抗基线”，“滤波”等操作转化为脑阻抗血流图数据，为脑血流容积变化做记录。所述根据步骤S2，通过AI人工智能、大数据分析对用户监测数据进行综合分析，给出准确有效的脑血管健康状况评估。所述的数据可视化硬件方案模块化设计由电源管理模块、高精度阻抗前端模块和蓝牙模块组成。所述的电源管理模块：提供完整的无线电源接收器，在断开/运输模式下具有零电池漏电流，通过无线充电线圈实现给设备充电。通过电源管理芯片实现无线充电，并给MCU和高精度阻抗前端芯片供电。LTC4124是具有低电池电量断接功能的简单高性能无线锂离子电池充电器。引脚可选的充电电流(最高100mA)和充电电压确保了多功能性，同时最大限度减少了所需的外部组件数。所述的高精度阻抗前端模块：AD5941芯片是一款高精度/低功耗模拟前端(AFE)，AD5941设计用于皮肤阻抗和人体阻抗测量。AD5941所含有高速DAC和放大器，高速TIA，支持更宽信号带宽的测量。AD5941用其高带宽阻抗环路对人体进行4线绝对阻抗测量。高性能16位ADC及片上DFT硬件加速器在50kHz时的目标SNR是100dB，阻抗测量频率高达200kHz。所述的蓝牙nRF52832模块：nrf52832通过SPI通信协议与高精度阻抗前端采集芯片连接，通过蓝牙将设备与手机连接，实现信息传输。以上所述，仅为本专利技术较佳的具体实施方式；但本专利技术的保护范围并不局限于此。任何熟悉本
的技术人员在本专利技术揭露的技术范围内，根据本专利技术的技术方案及其改进构思加以等同替换或改变，都应涵盖在本专利技术的保护范围内。本文档来自技高网...

【技术保护点】
1.一种基于神经网络训练模型的数据可视化方法，其特征在于，采用电阻抗及血流图技术原理，从电阻抗及血流图技术的指标中找出与脑血管健康状态的相关性指标，通过相关性指标设计出可视化度高的检测结果。/n具体包括以下步骤：/nS1：高精度阻抗前端模块发出激励信号，通过一对激励电极注入脑部，在大脑内部形成电场，高精度阻抗前端模块，通过一对监测电极，实时获取由上述激励信号引起的电信号，从而测算出相应的脑部电阻抗数据；/nS2：通过蓝牙模块上传至移动端(手机，pad等)APP，由移动端APP传送到云端EI健康平台，实时进行脑部电阻抗数据分析处理，通过物联网技术实现不同地区众多用户的实时在线监测；/nS3：脑部训练模型的数据，根据脑部电阻抗变化，经过“去除阻抗基线”，“滤波”等操作转化为脑阻抗血流图数据，为脑血流容积变化做记录。/n

【技术特征摘要】
1.一种基于神经网络训练模型的数据可视化方法，其特征在于，采用电阻抗及血流图技术原理，从电阻抗及血流图技术的指标中找出与脑血管健康状态的相关性指标，通过相关性指标设计出可视化度高的检测结果。
具体包括以下步骤：
S1：高精度阻抗前端模块发出激励信号，通过一对激励电极注入脑部，在大脑内部形成电场，高精度阻抗前端模块，通过一对监测电极，实时获取由上述激励信号引起的电信号，从而测算出相应的脑部电阻抗数据；
S2：通过蓝牙模块上传至移动端(手机，pad等)APP，由移动端APP传送到云端EI健康平台，实时进行脑部电阻抗数据分析处理，通过物联网技术实现不同地区众多用户的实时在线监测；
S3：脑部训练模型的数据，根据脑部电阻抗变化，经过“去除阻抗基线”，“滤波”等操作转化为脑阻抗血流图数据，为脑血流容积变化做记录。


2.根据权利要求1所述的一种基于神经网络训练模型的数据可视化方法，其特征在于：所述根据步骤S2，通过AI人工智能、大数据分析对用户监测数据进行综合分析，给出准确有效的脑血管健康状况评估。


3.根据权利要求1所述的一种基于神经网络训练模型的数据可视化方法，其特征在于：所述的数据可视化硬件方案模块化设计由电源管理模块、高精度阻抗前端模块和蓝牙模块组成。

【专利技术属性】
技术研发人员：陈聪，苏国庆，蒋聪，高梁山，周巍，
申请(专利权)人：陈聪，
类型：发明
国别省市：江苏;32