一种医疗感应数据流分类模型的构建方法技术

本发明专利技术公开了一种医疗感应数据流分类模型的构建方法，包括：采用自监督学习方法训练并获得基于CNN和LSTM结合的医疗感应数据流分类模型，包括：将未标注的数据输入医疗感应数据流分类模型的稀疏自编码器进行训练，使得模型的输入与输出一致；将带有标签的数据输入训练好的稀疏自编码器，输出得对应的分类结果；基于深度可分离卷积方法训练医疗感应数据流分类模型，获得轻量级医疗感应数据流分类模型，将获得的轻量级医疗感应数据流分类模型存储在云服务库中或部署在边缘设备上。本发明专利技术通过构建高效的、准确的轻量级模型，可以保证较高的异常诊断准确率，实现高精度疾病分类。在满足了高推理准确率的同时，符合了轻量化的要求，有效得以部署。

【技术实现步骤摘要】
一种医疗感应数据流分类模型的构建方法
本专利技术涉及一种医疗感应数据流分类模型的构建方法，属于医疗感应数据处理的

技术介绍
基于医疗感应数据的异常检测面临的一个主要问题是缺少有标签的数据。数据的标记需要专业的医疗知识，且标记过程复杂、耗时。大规模高精度的深度学习模型可以保证较高的异常诊断准确率，在实际部署和使用时却需占用大量内存和计算资源。针对于不同的应用场景，需要提出不同推理精确度、不同规模(即不同空间和时间复杂度)的医疗感应数据流分类模型。
技术实现思路
本专利技术所要解决的技术问题在于克服现有技术的不足，提供一种医疗感应数据流分类模型的构建方法，基于自监督学习理论，设计了高效的、准确的医疗感应数据流分类模型；基于深度可分离卷积方法，设计了轻量级医疗感应数据流分类模型，可有效快速将模型部署在云服务库或各类资源受限的设备上。本专利技术具体采用以下技术方案解决上述技术问题：一种医疗感应数据流分类模型的构建方法，包括以下步骤：采用自监督学习方法训练并获得基于CNN和LSTM结合的医疗感应数据流分类模型，包括：将未标注的数据输入医疗感应数据流分类模型的稀疏自编码器进行训练，使得模型的输入与输出一致；将带有标签的数据输入训练好的稀疏自编码器，输出得对应的分类结果；基于深度可分离卷积方法训练医疗感应数据流分类模型，获得轻量级医疗感应数据流分类模型，具体为：采用滑动窗口技术分割由感应器收集的一个时间段内的人体感应数据流，人体感应数据流被分割为n段多维时间序列数据：x1,...,xn,其中n∈Z,n≥0；Z是整数集；将分割的n段多维时间序列数据被输入至医疗感应数据流分类模型进行分类：提取每个滑动窗口内的多维时间序列数据的特征，并根据单位时间的输出和下一单位时间的时间序列数据，预测可变时间长度内的时间序列数据；对预测的时间序列数据的异常与否进行分类，获得和输出分类结果，并得到轻量级医疗感应数据流分类模型；将获得的轻量级医疗感应数据流分类模型存储在云服务库中或部署在边缘设备上。进一步地，作为本专利技术的一种优选技术方案，所述方法中医疗感应数据流分类模型由两层LSTM层、一层全连接层和一层softmax输出层组成，并且连接两层之间的边具有权重。进一步地，作为本专利技术的一种优选技术方案，所述LSTM层内两个元胞之间的数据转换即到底部隐藏层的输入其中，ilower是到底部隐藏层的输入；f()是一个激活函数；是连接上层单元和底层单元边的权重；N是上层的输出编号；on是一个元胞的输出；blower是一个偏置值。进一步地，作为本专利技术的一种优选技术方案，所述LSTM层的每个元胞内部设置包含多个卷积层的深度可分离卷积网络；所述卷积层包括两类：3×3Depth-wise卷积层和1×1卷积层，且该两类卷积层间隔排列，每个卷积层后跟一个批量标准化BN层和一个ReLU激活层。进一步地，作为本专利技术的一种优选技术方案，所述方法中对预测的时间序列数据的异常与否进行分类，具体为：由于n个预测的时间序列数据{x1，...，xn}，每个数据样本都有m个数字信号并且，第i个预测的时间序列数据xi∈xn；令n个时间序列数据的真实值为则第i个时间序列数据中的第j个元素的误差是定义多变量高斯第i个预测的时间序列数据xi的误差向量ei的分布p为：其中是n×1矢量，是n×n矩阵；如果p(ei；μ；Ξ)＜ε，则称xi是一个正常的时间序列数据，否则，xi是异常的时间序列数据，其中ε是误差阈值。进一步地，作为本专利技术的一种优选技术方案，所述方法还包括采用移除常规片段法对采集的人体感应数据流进行片段移除。本专利技术采用上述技术方案，能产生如下技术效果：本专利技术的方法，基于自监督学习方法训练得到基于CNN和LSTM的高精度医疗感应数据流分类模型，使用未标注的和带有标签数据进行医疗感应数据流分类模型的训练，其中集成的模型为CNN与LSTM的结合，CNN可以学习到局部的特征并且能够权值共享，而LSTM可以学习到数据的前后依赖关系，二者相辅相成，从而提高预测的准确率。并且，采用基于深度可分离卷积技术训练得到轻量级医疗感应数据流分类模型，采取轻量化全精度模型的思想，保证在边缘部署的系统具备两个特点：轻量、高推理准确率。通过本专利技术的大规模高精度的医疗感应数据流分类模型可以保证较高的异常诊断准确率，实现高精度疾病分类。轻量级医疗感应数据流分类模型在满足了高推理准确率的同时，符合了轻量化的要求，得以部署在云服务库或边缘移动设备等资源受限的设备上。附图说明图1为本专利技术采用的自监督学习方法训练模型的流程示意图。图2为本专利技术采用的基于深度可分离卷积方法训练模型的示意图。具体实施方式下面结合说明书附图对本专利技术的实施方式进行描述。本专利技术提出了一种医疗感应数据流分类模型的构建方法，该方法具体包括以下步骤：步骤一、采用自监督学习方法训练并获得基于CNN和LSTM结合的医疗感应数据流分类模型，具体如下：针对一个疾病领域，比如心血管疾病，可以训练一个大规模、全精度的深度模型，该模型部署于云端。考虑到初期实际能收集到已标注医疗数据非常有限，本专利技术采用了自监督学习方法训练基于CNN和LSTM结合的医疗感应数据流分类模型，如图1所示，包括：首先，将未标注的数据输入医疗感应数据流分类模型的稀疏自编码器进行训练，使得模型的输入与输出一致。这样就可以学习到样本中的重要特征，并获得比原始输入数据更好的特征描述。稀疏自编码器训练后得到隐层的输出是对原始输入数据的更好的表示。接着，将带有标签的数据输入训练好的稀疏自编码器，来获得更好的特征表示。使用上述处理过的带有标签数据进行医疗感应数据流分类模型的训练，其中集成的模型为CNN与LSTM的结合。CNN可以学习到局部的特征并且能够权值共享，而LSTM可以学习到数据的前后依赖关系，二者相辅相成，从而提高预测的准确率。因而可以得到预测结果输出，即对应样本的分类结果。步骤二、基于深度可分离卷积方法训练医疗感应数据流分类模型，获得轻量级医疗感应数据流分类模型。在前期工作基础上，开发基于深度学习的轻量级精确卷积算法，以微服务的方式发布在云服务库中，或部署在边缘设备上。本专利技术采取‘轻量化全精度模型’的思想，保证在边缘部署的系统具备两个特点：轻量、高推理准确率。所述基于深度可分离卷积方法训练医疗感应数据流分类模型，提取每个滑动窗口内的多维时间序列数据的特征，并根据单位时间的输出和下一单位时间的时间序列数据，预测可变时间长度内的时间序列数据；对预测的时间序列数据的异常与否进行分类，获得和输出分类结果，并得到轻量级医疗感应数据流分类模型；具体过程为：首先，采用滑动窗口技术分割由感应器收集的一个时间段内的人体感应数据流，人体感应数据流被分割为n段多维时间序列数据：x1，...，xn，其中n∈Z，n≥0；z是整数集；将分割的n段多维时间序列数据被输入至医疗感应数据流分类模型本文档来自技高网...

【技术保护点】
1.一种医疗感应数据流分类模型的构建方法，其特征在于，包括以下步骤：/n采用自监督学习方法训练并获得基于CNN和LSTM结合的医疗感应数据流分类模型，包括：将未标注的数据输入医疗感应数据流分类模型的稀疏自编码器进行训练，使得模型的输入与输出一致；将带有标签的数据输入训练好的稀疏自编码器，输出得对应的分类结果；/n基于深度可分离卷积方法训练医疗感应数据流分类模型，获得轻量级医疗感应数据流分类模型，具体为：/n采用滑动窗口技术分割由感应器收集的一个时间段内的人体感应数据流，人体感应数据流被分割为n段多维时间序列数据：x

【技术特征摘要】
1.一种医疗感应数据流分类模型的构建方法，其特征在于，包括以下步骤：
采用自监督学习方法训练并获得基于CNN和LSTM结合的医疗感应数据流分类模型，包括：将未标注的数据输入医疗感应数据流分类模型的稀疏自编码器进行训练，使得模型的输入与输出一致；将带有标签的数据输入训练好的稀疏自编码器，输出得对应的分类结果；
基于深度可分离卷积方法训练医疗感应数据流分类模型，获得轻量级医疗感应数据流分类模型，具体为：
采用滑动窗口技术分割由感应器收集的一个时间段内的人体感应数据流，人体感应数据流被分割为n段多维时间序列数据：x1,...,xn,其中n∈Z,n≥0；Z是整数集；
将分割的n段多维时间序列数据被输入至医疗感应数据流分类模型进行分类：提取每个滑动窗口内的多维时间序列数据的特征，并根据单位时间的输出和下一单位时间的时间序列数据，预测可变时间长度内的时间序列数据；对预测的时间序列数据的异常与否进行分类，获得和输出分类结果，并得到轻量级医疗感应数据流分类模型；
将获得的轻量级医疗感应数据流分类模型存储在云服务库中或部署在边缘设备上。


2.根据权利要求1所述医疗感应数据流分类模型的构建方法，其特征在于，所述方法中医疗感应数据流分类模型由两层LSTM层、一层全连接层和一层softmax输出层组成，并且连接两层之间的边具有权重。


3.根据权利要求2所述医疗感应数据流分类模型的构建方法，其特征在于，所述LSTM层内...

【专利技术属性】
技术研发人员：孙乐，虞千迪，郭宇焱，瞿治国，
申请(专利权)人：南京信息工程大学，
类型：发明
国别省市：江苏;32