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