基于STFT和卷积神经网络的模式识别方法、系统和介质技术方案

本发明专利技术公开了一种基于STFT和卷积神经网络的模式识别方法、系统和介质，基于STFT和卷积神经网络的模式识别方法包括：获取原始图像，对原始图像进行数据预处理得到第一图像；将第一图像分为训练集和验证集；使用双样本T检验的方式从训练集提取第一体素点，从验证集提取第二体素点；对第一体素点进行短时傅里叶变换处理得到第一时频谱图，对第二体素点进行短时傅里叶变换处理得到第二时频谱图，将第一时频谱图和第二时频谱图送入卷积神经网络进行深度学习，以得到模式识别结果。解决了不连续时序之间信息融合的问题，且使用的卷积神经网络模型，结构轻减，在提高识别率的同时还减少了模型的计算量。

【技术实现步骤摘要】
基于STFT和卷积神经网络的模式识别方法、系统和介质
本专利技术涉及小样本神经网络模型
，特别涉及一种基于STFT和卷积神经网络的模式识别方法、系统和介质。
技术介绍
脑科学一直都是研究热点，但目前的研究常常是基于静息态数据进行研究，对任务态数据的分析并不多。目前对fMRI(functionalmagneticresonanceimaging，功能核磁共振成像)数据的分析方法多是通过构建脑网络并借助机器学习的方法来进行分析，但是由于构建脑网络需要借助不同的脑模板，因此不同的脑模板构建出来的脑网络会有差异，这对后序分析结果会有很大的影响且机器学习因其深度有限，导致无法提取更深层次的信息。fMRI数据的一个特点就是维度高，因此较适用于深度学习，但fMRI数据通常样本量较少，使用深度学习的方法往往会导致模型过拟合，普通的数据增强方法对于模型的训练并没有太大的帮助。
技术实现思路
本专利技术旨在至少解决现有技术中存在的技术问题。为此，本专利技术提出一种基于STFT和卷积神经网络的模式识别方法，能够在MRI数据样本量较少的情况下，解决模型容易过拟合的问题，能够提取更深层次的信息，在提高识别率的同时还减少了模型的计算量。本专利技术还提出一种具有上述基于STFT和卷积神经网络的模式识别方法的基于STFT和卷积神经网络的模式识别系统。本专利技术还提出一种计算机可读存储介质。第一方面，本实施例提供了一种基于STFT和卷积神经网络的模式识别方法，包括以下步骤：获取原始图像，对所述原始图像进行数据预处理得到第一图像；将所述第一图像分为训练集和验证集；使用双样本T检验的方式从所述训练集提取第一体素点，从所述验证集提取第二体素点；对所述第一体素点进行短时傅里叶变换处理得到第一时频谱图，对所述第二体素点进行短时傅里叶变换处理得到第二时频谱图，将所述第一时频谱图和所述第二时频谱图送入卷积神经网络进行深度学习，以得到模式识别结果。根据本专利技术实施例的基于STFT和卷积神经网络的模式识别方法，至少具有如下有益效果：首先获取原始图像，对原始图像进行预处理得到第一图像，将第一图像分为训练集和验证集，其中训练集占多数，验证集占少数，再使用双样本T检验的方式从训练集中提取第一体素点，从验证集中提取第二体素点，将第一体素点的时序和第二体素点的时序提取出来，对第一体素点的时序进行短时傅里叶变换处理得到第一时频谱图，对第二体素点的时序进行短时傅里叶变换处理得到第二时频谱图，最后将第一时频谱图和第二时频谱图送入卷积神经网络进行深度学习，以得到模式识别结果。本实施例提供的基于STFT和卷积神经网络的模式识别方法在时频谱的获取和神经网络的构建都选取了更加简便的方式，考虑到数据时序不连续的特点，选择的短时傅里叶变换的方法获取时频谱，解决了不连续时序之间信息融合的问题，且使用的卷积神经网络模型，结构轻减，在提高识别率的同时还减少了模型的计算量。根据本专利技术的一些实施例，所述训练集为所述第一图像的90％，所述验证集为所述第一图像的10％。训练集用于在模型确认后对普通参数进行训练，用训练集对普通参数训练完成后再用验证集对模型是否正确进行验证。根据本专利技术的一些实施例，所述使用双样本T检验的方式从所述训练集提取第一体素点，从所述验证集提取第二体素点，包括步骤：使用双样本T检验的方式从所述训练集获取特征点位置，再根据所述特征点位置从所述训练集提取第一体素点，从所述验证集提取第二体素点。双样本T检验是T检验的一种形式，用于分析两个样本的均值是否存在统计上的差异，以确定他们是否来自于同一总体，双样本T检验的检验假设是两总体均数相等。根据本专利技术的一些实施例，所述卷积神经网络包括输入层、卷积层、池化层、全连接层和输出层。根据本专利技术的一些实施例，所述卷积神经网络包括输入层、卷积层、归一化层、全连接层和输出层。根据本专利技术的一些实施例，所述卷积层共三层，每个所述卷积层均由3*3的卷积核组成，对每一层所述卷积层的卷积提取的特征进行归一化处理，在所述全连接层对所述特征分类。本实施例通过对模型结构进行改进，得到了一个由输入层、卷积层、归一化层、全连接层和输出层构成的卷积神经网络，其中卷积层共三层，每个卷积层均是由3*3的卷积核组成，使用一致性填充方法并使用‘relu’函数激活，对每一层的卷积提取出来的特征进行归一化处理，最后在全连接层实现分类，能有效降低数据处理的数据复杂度，减小数据量。本实施例不需要构造复杂的特征工程，直接对体素点进行分析，解决了因脑模板不同而带来的结果差异，在保证识别率的前提下使得模型更加轻减。根据本专利技术的一些实施例，所述使用双样本T检验的方式从所述训练集提取第一体素点，从所述验证集提取第二体素点，包括步骤：使用降维的方法来选取第一体素点和第二体素点。这样在整个模型训练的过程中，可以使所选取的特征完全没有借鉴先验信息，模式识别的结果更加可靠。第二方面，本实施例提供了一种基于STFT和卷积神经网络的模式识别系统，包括：存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如第一方面所述的基于STFT和卷积神经网络的模式识别方法。根据本专利技术实施例的基于STFT和卷积神经网络的模式识别系统，至少具有如下有益效果：基于STFT和卷积神经网络的模式识别系统应用了如第一方面所述的基于STFT和卷积神经网络的模式识别方法，在时频谱的获取和神经网络的构建都选取了更加简便的方式，考虑到数据时序不连续的特点，选择的短时傅里叶变换的方法获取时频谱，解决了不连续时序之间信息融合的问题，且使用的卷积神经网络模型，结构轻减，在提高识别率的同时还减少了模型的计算量。第三方面，本实施例提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机可执行指令，所述计算机可执行指令用于使计算机执行如如第一方面所述的基于STFT和卷积神经网络的模式识别方法。本专利技术的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本专利技术的实践了解到。附图说明本专利技术的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中摘要附图要与说明书附图的其中一幅完全一致：图1是本专利技术一个实施例提供的基于STFT和卷积神经网络的模式识别方法的流程图；图2是本专利技术另一个实施例提供的基于STFT和卷积神经网络的模式识别方法的流程图；图3是本专利技术另一个实施例提供的基于STFT和卷积神经网络的模式识别方法的卷积神经网络的结构图；图4是本专利技术另一个实施例的数据处理的表格。具体实施方式为了使本专利技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本专利技术进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本专利技术，并不用于限定本专利技术。需要说明的是，虽然在系统示意图中进行了功能模块划分，在流程图中示出了逻辑顺序，但是在某些情况下，本文档来自技高网...

【技术保护点】
1.一种基于STFT和卷积神经网络的模式识别方法，其特征在于，包括以下步骤：/n获取原始图像，对所述原始图像进行数据预处理得到第一图像；/n将所述第一图像分为训练集和验证集；/n使用双样本T检验的方式从所述训练集提取第一体素点，从所述验证集提取第二体素点；/n对所述第一体素点进行短时傅里叶变换处理得到第一时频谱图，对所述第二体素点进行短时傅里叶变换处理得到第二时频谱图；/n将所述第一时频谱图和所述第二时频谱图送入卷积神经网络进行深度学习，以得到模式识别结果。/n

【技术特征摘要】
1.一种基于STFT和卷积神经网络的模式识别方法，其特征在于，包括以下步骤：
获取原始图像，对所述原始图像进行数据预处理得到第一图像；
将所述第一图像分为训练集和验证集；
使用双样本T检验的方式从所述训练集提取第一体素点，从所述验证集提取第二体素点；
对所述第一体素点进行短时傅里叶变换处理得到第一时频谱图，对所述第二体素点进行短时傅里叶变换处理得到第二时频谱图；
将所述第一时频谱图和所述第二时频谱图送入卷积神经网络进行深度学习，以得到模式识别结果。


2.根据权利要求1所述的基于STFT和卷积神经网络的模式识别方法，其特征在于，所述卷积神经网络包括输入层、卷积层、归一化层、全连接层和输出层。


3.根据权利要求2所述的基于STFT和卷积神经网络的模式识别方法，其特征在于，所述卷积层共三层，每个所述卷积层均由3*3的卷积核组成，对每一层所述卷积层的卷积提取的特征进行归一化处理，在所述全连接层对所述特征分类。


4.根据权利要求1所述的基于STFT和卷积神经网络的模式识别方法，其特征在于，所述训练集为所述第一图像的90％，所述验证集为所述第一图像的10％...

【专利技术属性】
技术研发人员：唐艳，赖欣，张昊，
申请(专利权)人：中南大学，
类型：发明
国别省市：湖南;43