一种基于生物电阻抗的甲状腺采样数据识别方法技术

本发明专利技术提出一种基于生物电阻抗的甲状腺采样数据识别方法，采用生物电阻抗测量方法获得采样数据并对采样数据进行预处理，将得到的数据集输入甲状腺识别模型中采用多层完善后的循环神经网络模块进行特征提取、递进式全连接操作进行特征融合以及选用改进后的随机森林算法进行分类识别；进而判定采样数据是否超出预设范围。该方法无需进行成像处理即可简单准确识别甲状腺肿瘤，充分利用了阻抗技术数据稳定、成像效果不佳的特点。另外与现有的学习方法相比，本发明专利技术采用了深度学习方法挖掘各采样数据之间的空间关系，能够自动进行特征提取与融合，有利于放大数据特征，通过在训练过程中参数的不断调节，显著提高模型识别的准确率。率。率。

【技术实现步骤摘要】
一种基于生物电阻抗的甲状腺采样数据识别方法


[0001]本专利技术涉及医疗智能识别
，具体地，涉及一种基于生物电阻抗的甲状腺采样数据识别方法。

技术介绍

[0002]甲状腺结节是指在甲状腺内的肿瘤，鉴于甲状腺结节的高发病率，如能首先通过非手术方式识别出尽可能多的甲状腺肿瘤，则可大幅度减少不必要的诊断性手术数量，既可减少手术给病人带来的损伤，又可更合理地应用有限的医疗资源。
[0003]目前诊断甲状腺肿瘤的传统方法有穿刺细胞学检查、X线检查、甲状腺扫描、核磁共振成像(magnetic resonance imaging，MRI)、电子计算机断层扫描(computed tomography，CT)、B超等，一般均依靠医学成像技术。然而，目前临床上常用的医学成像技术如电子计算机断层扫描(computed tomography，CT)，成像精度较高、性能稳定，但这这种技术具有电离辐射危害，会对人体组织造成一定程度的损伤，对正常成年人使用有一定的次数限制，对儿童和孕妇使用须更加谨慎。核磁共振成像(magnetic resonance imaging，MRI)和超声技术虽然对没有放射性对人体组织造成损伤，且此两种技术由于忽略了超声波与人体组织间的相互作用，过滤了许多有用信息，因而在清晰度、分辨率以及准确性等方面存在一定问题。
[0004]生物电阻抗测量(ElectricaI BioimPedance Measurement)，或简称阻抗技术，是一种利用生物组织与器官的电特性及其变化规律提取与人体生理、病理状况相关的生物医学信息的检测技术。它通常是借助置于体表的电极系统向检测对象送入一微小的交流测量电流或电压，检测相应的电阻抗及其变化，然后根据不同的应用目的，获取相关的生理和病理信息。现阶段该技术空间分辨率还相对较低，无法与现有医学成像手段所比拟，但由于该技术不使用射线，因而不会对人体造成伤害；同时不需要使用对环境要求严格的传感器(如MRI)，因而结构相对简单，体积小且造价低；更为关键的是，由于组织的功能性变化(如血供、电解质浓度、膜的通透性和局部温升等)均会导致其电阻抗特性的改变，因而其能够在器官病变发生前检测到病变的存在，因而在疾病的早期辅助诊断与筛查方面有着广泛的应用前景。
[0005]鉴于生物电阻抗测量技术的优势以及其在成像方面的问题，有必要提供一种无需成像处理即可简单准确识别甲状腺采样数据的方法。

技术实现思路

[0006]针对现用技术的以上缺陷或者改进需求，本专利技术提供了一种基于生物电阻抗的甲状腺采样数据识别方法，其采用生物电阻抗断层技术获得采样数据，并对数据进行有效的提取、融合和分类，进而实现对甲状腺采样数据的识别，该识别方法无需对数据进行成像处理，简化了诊断流程，且准确性高。
[0007]本专利技术的目的可以通过以下技术方案来实现：
[0008]一种基于生物电阻抗的甲状腺采样数据识别方法，包括以下步骤：
[0009]步骤1，使用生物电阻抗断层前端采集平台，对待测对象颈前部施加激励源，获取待测对象在不同激励条件下的采样数据；
[0010]步骤2，将所述采样数据进行预处理获得数据集，将所述数据集送入甲状腺识别模型中，其中所述甲状腺识别模型包括特征提取部、特征融合部以及分类识别部；所述特征提取部基于循环神经网络形成，并将推理提取后的数据整合成特征融合部的输入数据，所述特征融合部采用融合网络对所述输入数据进行特征融合；所述分类识别部采用基于机器学习的分类算法对特征融合后的数据进行分类；
[0011]步骤3，分类识别部输出分类结果，根据分类结果判定所述采样数据是否超出预设范围。
[0012]进一步地，所述步骤2中对采样数据进行预处理获得数据集的步骤中，
[0013]采样数据包括指标数据，所述指标数据包括激励源的频率和所述激励源的频率对应的电阻率，将指标数据转换为浮点型张量；
[0014]转换后的指标数据是二维数据，采用维度映射的方式将所述二维数据转换为三维数据。
[0015]进一步地，步骤2中所述特征提取部包括8个循环神经网络模块，其中每一个循环神经网络模块均包括开启门和状态门，所述数据集依次通过8个所述循环神经网络模块。
[0016]进一步地，所述的开启门的具体操作如下：
[0017]计算开启门门控值S
i
和状态门门控值C
i
：
[0018]开启门门控值S
i
是将上一个时间隐含状态h
i
‑1与当前状态的输入x
i
对应位置相加，然后进行全连接操作输出的尺寸等于输入尺寸，再使用sigmoid激活函数获得；
[0019]状态门门控值C
i
是将上一个时间隐含状态h
i
‑1与当前状态的输入x
i
对应位置相加，相加后的结果乘以状态保留比例，然后进行全连接操作输出的尺寸等于输入尺寸，再使用sigmoid激活函数获得；这里的i代表的是第i个采样数据。
[0020]进一步地，所述状态门的具体操作如下：
[0021]得到门控值后，计算第一个中间变量h
i
‑1′
，计算方式是使用状态门门控值C
i
乘以上一个时间隐含状态h
i
‑1；
[0022]再计算第二个中间变量h
i
′
，计算方式是使用第一个中间变量h
i
‑1′
与当前状态的输入x
i
进行拼接，拼接后进行全连接操作，该全连接操作的输出尺寸设置为输入尺寸的一半，随后再进行tanh激活操作；
[0023]最后计算当前时间隐含状态h
i
和当前状态输出y
i
，当前时间隐含状态h
i
的计算方式是将1减去开启门门控值S
i
，再与h
i
‑1′
相乘，最后加上S
i
乘以h
i
′
，得到最后结果；当前状态输出y
i
与h
i
相等。
[0024]进一步地，所述特征融合部分包括两个全连接层，第1个全连接层的输入是将第8个循
[0025]环神经网络模块的输出与第6个循环神经网络的输出都去掉第一个维度，再进行对应位置相加操作得到的，其中第1个全连接层的输入尺寸和输出尺寸不变；
[0026]然后进行第2个全连接层操作，第2个全连接层的输入是将第1个全连接层的输出加上去掉第一个维度的第4个循环神经网络的输出得到，同样第2个全连接层的输入尺寸和
输出尺寸不变。
[0027]进一步地，步骤2所述的基于机器学习的分类算法采用随机森林算法，所述随机森林算法采用绝大多数赞成投票机制。
[0028]更进一步地，所述随机森林算法中，在构建决策树时每次选取随机的8个属性值进行构建，随机森林中决策树设定为15棵本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于生物电阻抗的甲状腺采样数据识别方法，其特征在于，包括以下步骤：步骤1，使用生物电阻抗断层前端采集平台，对待测对象颈前部施加激励源，获取待测对象在不同激励条件下的采样数据；步骤2，将所述采样数据进行预处理获得数据集，将所述数据集送入甲状腺识别模型中，其中所述甲状腺识别模型包括特征提取部、特征融合部以及分类识别部；所述特征提取部基于循环神经网络形成，并将推理提取后的数据整合成特征融合部的输入数据，所述特征融合部采用融合网络对所述输入数据进行特征融合；所述分类识别部采用基于机器学习的分类算法对特征融合后的数据进行分类；步骤3，分类识别部输出分类结果，根据分类结果判定所述采样数据是否超出预设范围。2.如权利要求1所述一种基于生物电阻抗的甲状腺采样数据识别方法，其特征在于，所述步骤2中对采样数据进行预处理获得数据集的步骤中，采样数据包括指标数据，所述指标数据包括激励源的频率和所述激励源的频率对应的电阻率，将指标数据转换为浮点型张量；转换后的指标数据是二维数据，采用维度映射的方式将所述二维数据转换为三维数据，即形成所述数据集。3.如权利要求1所述一种基于生物电阻抗的甲状腺采样数据识别方法，其特征在于，步骤2中所述特征提取部包括8个循环神经网络模块，其中每一个循环神经网络模块均包括开启门和状态门，所述数据集依次通过8个所述循环神经网络模块。4.如权利要求3所述一种基于生物电阻抗的甲状腺采样数据识别方法，其特征在于，所述的开启门的具体操作如下：计算开启门门控值S
i
和状态门门控值C
i
：开启门门控值S
i
是将上一个时间隐含状态h
i
‑1与当前状态的输入x
i
对应位置相加，然后进行全连接操作输出的尺寸等于输入尺寸，再使用sigmoid激活函数获得；状态门门控值C
i
是将上一个时间隐含状态h
i
‑1与当前状态的输入x
i
对应位置相加，相加后的结果乘以状态保留比例，然后进行全连接操作输出的尺寸等于输入尺寸，再使用sigmoid激活函数获得；这里的i代表的是第i个采样数据。5.如权利要求4中所述一种基于生物电阻抗的甲状腺采样数据识别方法，其特征在于：所述状态门的具体操作如下：得到门控值后，计算第一个中间变量h
i

【专利技术属性】
技术研发人员：袁静萍，黄奥玲，黄文雯，燕自保，
申请(专利权)人：武汉中数医疗科技有限公司，
类型：发明
国别省市：