System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及信号识别,特别涉及一种基于迁移学习的帕金森病状态识别方法。
技术介绍
1、由于技术、伦理等的限制导致人体局部场电位信号采集困难,进而导致所获得的电生理信号数据量小,不足以训练一个有效的深度学习模型,在临床环境下大幅增加数据量也是不现实的。在以往的研究中,通常依赖专家主观判断和经验进行算法设计来提取lfp信号特征,导致脑电特征存在主观性且易受知识限制,当结合传统的机器学习分类方法如朴素贝叶斯、支持向量机(svm)和随机森林(rf)等进行信号识别时,由于数据量小、特征选择不准确或特征维度过高、过低等原因容易导致分类效果较差。
技术实现思路
1、为了提高帕金森病状态识别的准确性,本专利技术提出一种基于迁移学习的帕金森病状态识别方法,具体包括以下步骤:
2、采集局部场电位信号,对局部场电位信号进行预处理,将预处理后得到的一维信号转换为二维图像;
3、通过预训练的vgg16网络对二维图像进行特征提取;
4、将提取的二维图像特征输入随机森林分类模型进行分类,识别是否属于帕金森病状态。
5、进一步的,对局部场电位信号进行预处理的过程包括:
6、使用50hz陷波滤波去除工频干扰;
7、使用4阶iir数字滤波器对信号进行目标频段滤波,去除高频噪声干扰;
8、对滤波之后的信号进行1000hz降采样以及切片操作。
9、进一步的,将预处理后得到的一维信号转换为二维图像的过程包括:
10
11、其中,cwt(a,b)表示预处理后得到的一维信号转换得到的二维图像;f(t)为预处理后得到的一维信号;ψa,b(t)是母小波函数<,>表示求内积;a为尺度参数,b为平移参数。
12、进一步的,通过预训练的vgg16网络对二维图像进行特征提取时,只使用vgg16网络前13层进行特征提取,删除vgg16网络最后三个全连接层,并将vgg16网络提取的特征输入随机森林分类器判断是否属于帕金森病状态。
13、进一步的,采用贝叶斯优化算法对vgg16网络和随机森林分类器进行参数更新。
14、进一步的,对vgg16网络提取的特征采用多头自注意力进行加权处理,将加权处理后的特征作为随机森林分类器的输入。
15、进一步的,对vgg16网络提取的特征采用多头自注意力进行加权处理,并在多头注意力中引入位置权重,加权过程包括:
16、若vgg16网络提取的特征序列表示为x={x1,x2,…xn},并将特征序列映射到高维空间获取查询向量、键向量和值向量;
17、通过查询向量和键向量计算多头注意力中每个头的注意力分数;
18、通过注意力分数、值向量以及引入的位置权重参数计算每个头的输出,将所有头的输出拼接在一起作为最终稿的特征表示;
19、其中,xn为特征序列中第n个元素,n为batch的大小。
20、进一步的,通过查询向量和键向量计算多头注意力中每个头的注意力分数的过程包括:
21、
22、
23、其中,ai表示第i个头的注意力分数;表示第i个头中查询向量的权重参数,表示第i个头中键向量的权重参数;dk表示键向量的维度。
24、进一步的,通过注意力分数、值向量以及引入的位置权重参数计算每个头的输出的过程包括:
25、outputi=(ai·valuei)t·wposition
26、
27、
28、其中,outputi为第i个头的输出;wposition为位置权重,amm表示位置矩阵中第m行、第m列的元素,m表示值向量与注意力分数相乘得到的矩阵的维度分数的维度;表示第i个头中值向量的权重参数。
29、进一步的,采用交叉熵作为vgg16网络和随机森林分类器的损失函数对网络参数进行优化,损失函数表示为:
30、
31、其中,loss表示损失函数,n为样本数;pi是样本i的预测标签,yi为样本i的真实标签。
32、本专利技术能够同时关注输入序列中不同位置的关系,更好地捕捉序列中的长程依赖关系,从而为后续的病理状态识别任务提供更丰富的特征表示,提高分类模型识别的准确性。
本文档来自技高网...【技术保护点】
1.一种基于迁移学习的帕金森病状态识别方法,其特征在于,具体包括以下步骤:
2.根据权利要求1所述的一种基于迁移学习的帕金森病状态识别方法,其特征在于,对局部场电位信号进行预处理的过程包括:
3.根据权利要求1所述的一种基于迁移学习的帕金森病状态识别方法,其特征在于,将预处理后得到的一维信号转换为二维图像的过程包括:
4.根据权利要求1所述的一种基于迁移学习的帕金森病状态识别方法,其特征在于,通过预训练的VGG16网络对二维图像进行特征提取时,只使用VGG16网络前13层进行特征提取,删除VGG16网络最后三个全连接层,并将VGG16网络提取的特征输入随机森林分类器判断是否属于帕金森病状态。
5.根据权利要求4所述的一种基于迁移学习的帕金森病状态识别方法,其特征在于,采用贝叶斯优化算法对VGG16网络和随机森林分类器进行参数更新。
6.根据权利要求4所述的一种基于迁移学习的帕金森病状态识别方法,其特征在于,对VGG16网络提取的特征采用多头自注意力进行加权处理,将加权处理后的特征作为随机森林分类器的输入。
7
8.根据权利要求7所述的一种基于迁移学习的帕金森病状态识别方法,其特征在于,通过查询向量和键向量计算多头注意力中每个头的注意力分数的过程包括:
9.根据权利要求7所述的一种基于迁移学习的帕金森病状态识别方法,其特征在于,通过注意力分数、值向量以及引入的位置权重参数计算每个头的输出的过程包括:
10.根据权利要求4所述的一种基于迁移学习的帕金森病状态识别方法,其特征在于,采用交叉熵作为VGG16网络和随机森林分类器的损失函数对网络参数进行优化,损失函数表示为:
...【技术特征摘要】
1.一种基于迁移学习的帕金森病状态识别方法,其特征在于,具体包括以下步骤:
2.根据权利要求1所述的一种基于迁移学习的帕金森病状态识别方法,其特征在于,对局部场电位信号进行预处理的过程包括:
3.根据权利要求1所述的一种基于迁移学习的帕金森病状态识别方法,其特征在于,将预处理后得到的一维信号转换为二维图像的过程包括:
4.根据权利要求1所述的一种基于迁移学习的帕金森病状态识别方法,其特征在于,通过预训练的vgg16网络对二维图像进行特征提取时,只使用vgg16网络前13层进行特征提取,删除vgg16网络最后三个全连接层,并将vgg16网络提取的特征输入随机森林分类器判断是否属于帕金森病状态。
5.根据权利要求4所述的一种基于迁移学习的帕金森病状态识别方法,其特征在于,采用贝叶斯优化算法对vgg16网络和随机森林分类器进行参数更新。
6.根据权利要求4所述的一种基于...
【专利技术属性】
技术研发人员:赵德春,罗子鑫,孙九悦,阎星竹,陈志栩,蒋宇皓,
申请(专利权)人:重庆邮电大学,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。