基于时间邻域编码的医学时序信号分类预测方法技术

本发明专利技术公开了一种基于时间邻域编码的医学时序信号分类预测方法，包括：获取医学时序信号，并对医学时序信号进行时间窗口划分；检测信号平稳性，确定时间邻域参数；基于时间邻域参数，利用时间窗口对所述医学时序信号进行采样；利用编码器对采样信号进行编码；利用判别器对编码结果进行鉴别分类，预测目标窗口与样本窗口位于同一邻域的可能性。本发明专利技术中，基于时间邻域编码对医学时序信号进行分类预测，预测过程简单，准确率高，可靠性较高，解释性强，不仅适用于单类数据的分类识别，同时在两类相干性指标的分类任务中效果较好，可以应用在具有相关性病理指标的分析方向，探究某些相关指标与医学疾病的关系，为HIE指标的分析方法提供一个新思路。法提供一个新思路。法提供一个新思路。

【技术实现步骤摘要】
基于时间邻域编码的医学时序信号分类预测方法


[0001]本专利技术涉及医学时序信号分类
，特别是涉及基于时间邻域编码的医学时序信号分类预测方法。

技术介绍

[0002]目前针对新生儿缺氧缺血性脑病(HIE)治疗情况可以通过治疗期间的部分生理指标进行评估，为完成时间序列的分类识别任务，对医学时序信号进行的研究方法主要有传递函数分析法和小波相干分析法，其主要思路如下：
[0003]传递函数分析法，这是衡量脑自调节机制的传统方法，是利用传递函数，在静息状态的前提条件下，分析血压(刺激或者输入信号)与脑血流(反应或者输出信号)之间的动态关系，进而研究血压的自发波动的方法。
[0004]小波相干分析法，利用小波时域分析从多时间尺度对平均血动脉压，脑组织氧饱和度的谱功率和动态关系进行量化，通过比较在不同区间内的相位、增益同向或反向变化，来推断患者生理指标间的变化同治疗结果的关系。
[0005]然而，上述两种方法存在以下缺陷：
[0006]传递函数分析是在静息状态的前提条件下进行分析的，在实际的脑自调节过程中，血压和血流都是动态变化的，该方法具有一定的局限性。虽然理论上可行，传递函数分析方法在实践中存在相当大的主观性。
[0007]小波相干分析法，变量指标的相干性区分效果不是很明显，对图像的解释性较弱，不能准确直接的说明哪类图像患者可能治愈，哪类不能治愈。而且该方法经留一交叉验证后得到的预测准确率有待提升。

技术实现思路

[0008]有鉴于此，本专利技术公开了一种基于时间邻域编码的医学时序信号分类预测方法，能够对HIE患者治疗过程中的脑自调节指标进行分析评估，实现对治疗状况的分类识别，以便按照分类识别结果采取不同的治疗手段，达到辅助治疗的目的。
[0009]为此，本专利技术提供了以下技术方案：
[0010]本专利技术提供了一种基于时间邻域编码的医学时序信号分类预测方法，该方法包括：
[0011]获取医学时序信号，并对医学时序信号进行时间窗口划分；
[0012]检测信号平稳性，确定时间邻域参数；
[0013]基于时间邻域参数，利用时间窗口对医学时序信号进行采样；
[0014]利用编码器对采样信号进行编码；
[0015]利用判别器对编码结果进行鉴别分类，预测目标窗口与样本窗口位于同一邻域的可能性。
[0016]进一步地，医学时序信号，包括：
[0017]连续若干个小时记录的平均血动脉压和脑组织氧饱和度。
[0018]进一步地，检测信号平稳性，包括：采用增广迪基富勒统计检验方法检测信号平稳性。
[0019]进一步地，采用增广迪基富勒统计检验方法检测信号平稳性，包括：
[0020]输入医学时序信号；
[0021]初始化时间邻域参数；
[0022]进行单位根检验；
[0023]输出显著性P值；
[0024]判断显著性P值是否满足拒绝假设条件，如果是，则保存时间邻域参数，确定平稳时间邻域范围；如果否，则更新时间邻域参数。
[0025]进一步地，还包括：计算分类识别准确率和精度召回曲线面积值，对分类识别结果进行验证。
[0026]进一步地，判别器中，基于对比学习对经过时间邻域编码后的时序信号进行分类识别。
[0027]进一步地，对比学习包括：
[0028]视样本窗口信号邻域范围的抽样窗口信号为相同属性的正样本；
[0029]对于非邻域范围的抽样窗口信号，将其定义为未标记样本；
[0030]学习样本窗口信号的表征，通过滑动窗口获得信号潜在状态的变化轨迹。
[0031]进一步地，判别器中，基于有偏学习和权重调整，确定整体分类识别的优化目标。
[0032]进一步地，优化目标为：其中，损失函数公式如下：W
t
为中心的样本窗口；W
n
为邻域内的窗口信号，即正样本，W
u
为非邻域窗口信号，即未标记样本；Z
t
表示W
t
通过编码器编码映射到低维空间的结果，D
x
＝Dis(Z
x
,Z)，属于邻域范围正样本的度量结果。
[0033]本专利技术还提供了一种基于时间邻域编码的医学时序信号分类预测系统，系统包括：
[0034]邻域窗口划分模块，获取医学时序信号，并对医学时序信号进行时间窗口划分；
[0035]平稳性检测模块，用于检测信号平稳性，确定时间邻域参数；
[0036]时间邻域编码模块，用于基于时间邻域参数，利用时间窗口对医学时序信号进行采样；并利用编码器对采样信号进行编码；
[0037]预测模块，用于利用判别器对编码结果进行鉴别分类，预测目标窗口与样本窗口位于同一邻域的可能性。
[0038]本专利技术的优点和积极效果：本专利技术中，基于时间邻域编码对医学时序信号进行分类预测，预测过程简单，准确率高，可靠性较高，解释性强，不仅适用于单类数据的分类识别，同时在两类相干性指标的分类任务中效果较好，可以应用在具有相关性病理指标的分析方向，探究某些相关指标与医学疾病的关系，为HIE指标的分析方法提供一个新思路。
附图说明
[0039]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，下面将对实施例或现
有技术描述中所需要使用的附图做以简单地介绍，显而易见地，下面描述中的附图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性的前提下，还可以根据这些附图获得其他的附图。
[0040]图1为本专利技术实施例中变量指标预测流程图；
[0041]图2为本专利技术实施例中ADF检验流程图；
[0042]图3为本专利技术实施例中时间窗口与时间邻域示意图；
[0043]图4为本专利技术实施例中邻域编码示意图。
具体实施方式
[0044]为了使本
的人员更好地理解本专利技术方案，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的实施例，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，都应当属于本专利技术保护的范围。
[0045]需要说明的是，本专利技术的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本专利技术的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
[0046]如图1所示，本专利技术实施例中提供了一种基于时间邻域编码的医学信号时序分类预本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于时间邻域编码的医学时序信号分类预测方法，其特征在于，方法包括：获取医学时序信号，并对医学时序信号进行时间窗口划分；检测信号平稳性，确定时间邻域参数；基于时间邻域参数，利用时间窗口对所述医学时序信号进行采样；利用编码器对采样信号进行编码；利用判别器对编码结果进行鉴别分类，预测目标窗口与样本窗口位于同一邻域的可能性。2.根据权利要求1的基于时间邻域编码的医学时序信号分类预测方法，其特征在于，所述医学时序信号，包括：连续若干个小时记录的平均血动脉压和脑组织氧饱和度。3.根据权利要求1的基于时间邻域编码的医学时序信号分类预测方法，其特征在于，所述检测信号平稳性，包括：采用增广迪基富勒统计检验方法检测信号平稳性。4.根据权利要求3的基于时间邻域编码的医学时序信号分类预测方法，其特征在于，所述采用增广迪基富勒统计检验方法检测信号平稳性，包括：输入医学时序信号；初始化时间邻域参数；进行单位根检验；输出显著性P值；判断显著性P值是否满足拒绝假设条件，如果是，则保存时间邻域参数，确定平稳时间邻域范围；如果否，则更新时间邻域参数。5.根据权利要求1的基于时间邻域编码的医学时序信号分类预测方法，其特征在于，还包括：计算分类识别准确率和精度召回曲线面积值，对分类识别结果进行验证。6.根据权利要求1的基于时间邻域编码的医学时序信号分类预测方法，其特征在于，所述判别器中，基于对比学习对经过时间邻域编码后的时序信号进行分类识别。7.根据权利要求6的基于时间邻域编码的医学时序信号分类...

【专利技术属性】
技术研发人员：王演，崔世钰，郑贺予，安永泰，
申请(专利权)人：大连海事大学，
类型：发明
国别省市：