基于残差神经网络的代谢组学数据分类方法及系统技术方案

本发明专利技术涉及一种基于残差神经网络的代谢组学数据分类方法及系统。通过对代谢组学动态检测数据进行预处理，得到预处理后的代谢组学动态检测数据；将预处理后的代谢组学动态检测数据分为代谢组学动态检测数据训练集和代谢组学动态检测数据测试集；采用深度残差神经网络对代谢组学动态检测数据训练集进行训练，得到训练后的代谢组学动态检测数据预测模型；采用代谢组学动态检测数据测试集对训练后的代谢组学动态检测数据预测模型进行优化，得到优化后的代谢组学动态检测数据预测模型；采用优化后的代谢组学动态检测数据预测模型对代谢组学动态检测数据进行分类。采用本发明专利技术能够提高代谢组学数据分类的精度。高代谢组学数据分类的精度。高代谢组学数据分类的精度。

【技术实现步骤摘要】
基于残差神经网络的代谢组学数据分类方法及系统


[0001]本专利技术涉及代谢组学数据领域，特别是涉及一种基于残差神经网络的代谢组学数据分类方法及系统。

技术介绍

[0002]目前的代谢组学数据分类方法主要是先人工提取农兽药化学污染物信号中的一些特征，然后通过一些分类算法如线性判别分析、朴素贝叶斯、随机森林等单层方法进行识别。通过上述方式进行的信号识别的效果很大程度上取决于选择的特征与分类相关的程度，而信号的复杂变化很难通过一些浅层特征进行解释，故一般的分类方法往往难以取得令人满意的效果。
[0003]深度学习方法使深层特征的提取成为可能，常用的特征提取技术包括卷积、池化、循环单元等。深度学习本质上就是多层人工神经网络，是一种非线性统计建模技术，通常用于变量或特征之间非线性关系的建模。深层次的神经网络具有对非线性关系的强大拟合能力，然而在提取深层次的特征时，传统的深层神经网络会发生性能退化，因此分类精度不高。

技术实现思路

[0004]本专利技术的目的是提供一种基于残差神经网络的代谢组学数据分类方法及系统，能够提高代谢组学数据分类的精度。
[0005]为实现上述目的，本专利技术提供了如下方案：
[0006]一种基于残差神经网络的代谢组学数据分类方法包括：
[0007]获取代谢组学动态检测数据；
[0008]对所述代谢组学动态检测数据进行预处理，得到预处理后的代谢组学动态检测数据；
[0009]将预处理后的代谢组学动态检测数据分为代谢组学动态检测数据训练集和代谢组学动态检测数据测试集；
[0010]采用深度残差神经网络对所述代谢组学动态检测数据训练集进行训练，得到训练后的代谢组学动态检测数据预测模型；
[0011]采用所述代谢组学动态检测数据测试集对所述训练后的代谢组学动态检测数据预测模型进行优化，得到优化后的代谢组学动态检测数据预测模型；
[0012]采用优化后的代谢组学动态检测数据预测模型对代谢组学动态检测数据进行分类。
[0013]可选地，所述所述获取代谢组学动态检测数据，具体包括：
[0014]获取人体血清农兽药化学污染物残留数据。
[0015]可选地，所述对所述代谢组学动态检测数据进行预处理，得到预处理后的代谢组学动态检测数据，具体包括：
[0016]对所述代谢组学动态检测数据进行峰对齐和峰识别处理，得到处理后的代谢组学动态检测数据。
[0017]可选地，所述深度残差神经网络包括15个卷积层、1个适应性平均池化层、1个全连接层、1个输入层、1个输出层和7个残差单元，所述深度残差神经网络的层和层之间加入BatchNorm、ReLU函数和Dropout深度学习算法，所述残差单元具有跳跃连接功能。
[0018]可选地，所述采用深度残差神经网络对所述代谢组学动态检测数据训练集进行训练，得到训练后的代谢组学动态检测数据预测模型，具体包括：
[0019]通过所述深度残差神经网络的输入层输入代谢组学动态检测数据，所述代谢组学动态检测数据长度为1000采样点，输入层的特征图数为1，神经元数为1*1000。
[0020]通过所述卷积层对输入层进行特征提取和升维，选用的卷积核数目为32，大小为1*10，步长为5，并且对输入层的输入数据的两端进行了长度为4的零值填充，得到输出为32维，每一维的长度为1*200；
[0021]通过所述全连接层将512个维度上的数值连接起来，每一维上只有一个数字，输入神经元个数为512；
[0022]通过所述输出层的代谢组学数据分类为二分类任务，输出神经元个数为2。
[0023]一种基于残差神经网络的代谢组学数据分类系统包括：
[0024]获取模块，用于获取代谢组学动态检测数据；
[0025]预处理模块，用于对所述代谢组学动态检测数据进行预处理，得到预处理后的代谢组学动态检测数据；
[0026]数据集划分模块，用于将预处理后的代谢组学动态检测数据分为代谢组学动态检测数据训练集和代谢组学动态检测数据测试集；
[0027]训练模块，用于采用贝叶斯网络对所述代谢组学动态检测数据训练集进行训练，得到训练后的代谢组学动态检测数据预测模型；
[0028]优化模块，用于采用所述代谢组学动态检测数据测试集对所述训练后的代谢组学动态检测数据预测模型进行优化，得到优化后的代谢组学动态检测数据预测模型；
[0029]分类模块，用于采用优化后的代谢组学动态检测数据预测模型对代谢组学动态检测数据进行分类。
[0030]可选地，所述获取模块具体包括：
[0031]获取单元，用于获取人体血清农兽药化学污染物残留数据。
[0032]可选地，所述预处理模块具体包括：
[0033]预处理单元，用于对所述代谢组学动态检测数据进行峰对齐和峰识别处理，得到处理后的代谢组学动态检测数据。
[0034]根据本专利技术提供的具体实施例，本专利技术公开了以下技术效果：
[0035]本专利技术提供一种基于残差神经网络的代谢组学数据分类方法，通过对代谢组学动态检测数据进行预处理，得到预处理后的代谢组学动态检测数据；将预处理后的代谢组学动态检测数据分为代谢组学动态检测数据训练集和代谢组学动态检测数据测试集；采用深度残差神经网络对代谢组学动态检测数据训练集进行训练，得到训练后的代谢组学动态检测数据预测模型；采用代谢组学动态检测数据测试集对训练后的代谢组学动态检测数据预测模型进行优化，得到优化后的代谢组学动态检测数据预测模型；采用优化后的代谢组学
动态检测数据预测模型对代谢组学动态检测数据进行分类，从而能够提高代谢组学数据分类的精度。
附图说明
[0036]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0037]图1为本专利技术基于残差神经网络的代谢组学数据分类方法流程图；
[0038]图2为深度残差神经网络模型结构示意图；
[0039]图3为具有跳跃连接的典型残差单元示意图；
[0040]图4为ReLU函数示意图；
[0041]图5为全连接层的结构示意图；
[0042]图6为本专利技术基于残差神经网络的代谢组学数据分类系统结构图。
具体实施方式
[0043]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。
[0044]本专利技术的目的是提供一种基于残差神经网络的代谢组学数据分类方法及系统，能够提高代谢组学数据分类的精度。
[0045]为使本专利技术的上述目的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于残差神经网络的代谢组学数据分类方法，其特征在于，包括：获取代谢组学动态检测数据；对所述代谢组学动态检测数据进行预处理，得到预处理后的代谢组学动态检测数据；将预处理后的代谢组学动态检测数据分为代谢组学动态检测数据训练集和代谢组学动态检测数据测试集；采用深度残差神经网络对所述代谢组学动态检测数据训练集进行训练，得到训练后的代谢组学动态检测数据预测模型；采用所述代谢组学动态检测数据测试集对所述训练后的代谢组学动态检测数据预测模型进行优化，得到优化后的代谢组学动态检测数据预测模型；采用优化后的代谢组学动态检测数据预测模型对代谢组学动态检测数据进行分类。2.根据权利要求1所述的基于残差神经网络的代谢组学数据分类方法，其特征在于，所述所述获取代谢组学动态检测数据，具体包括：获取人体血清农兽药化学污染物残留数据。3.根据权利要求1所述的基于残差神经网络的代谢组学数据分类方法，其特征在于，所述对所述代谢组学动态检测数据进行预处理，得到预处理后的代谢组学动态检测数据，具体包括：对所述代谢组学动态检测数据进行峰对齐和峰识别处理，得到处理后的代谢组学动态检测数据。4.根据权利要求1所述的基于残差神经网络的代谢组学数据分类方法，其特征在于，所述深度残差神经网络包括15个卷积层、1个适应性平均池化层、1个全连接层、1个输入层、1个输出层和7个残差单元，所述深度残差神经网络的层和层之间加入BatchNorm、ReLU函数和Dropout深度学习算法，所述残差单元具有跳跃连接功能。5.根据权利要求1所述的基于残差神经网络的代谢组学数据分类方法，其特征在于，所述采用深度残差神经网络对所述代谢组学动态检测数据训练集进行训练，得到训练后的代谢组学动态检测数据预测模型，具体包括：通过所述深度残差神经网络...

【专利技术属性】
技术研发人员：苏畅，王惠君，王睿，侯艳，武振宇，左丽君，卢宇红，
申请(专利权)人：苏畅，
类型：发明
国别省市：