基于多任务特征对齐的脉诊信号分类方法、介质和设备技术

本发明专利技术公开了一种基于多任务特征对齐的脉诊信号分类方法、介质和设备，该方法包括：获取脉诊信号样本数据，并构造正负关系推理样本数据和噪声样本数据；将有标注部分样本数据、正负关系推理样本数据和噪声样本数据输入至编码器中，分别得到第一低维嵌入特征、第二低维嵌入特征和第三低维嵌入特征；将第一低维嵌入特征输入第一分类器进行有分类监督，得到第一分类结果，将第二低维嵌入特征输入第二分类器进行关系推理，得到第一关系推理结果，将第三低维嵌入特征输入解码器进行重构，得到第一重构结果；对三种结果同时进行优化，输出优化后的脉诊信号分类结果。上述方案能够有效对齐无标注脉诊样本和有标注脉诊样本的特征空间，降低噪声干扰。

【技术实现步骤摘要】

本申请涉及人工智能领域，具体涉及一种基于多任务特征对齐的脉诊信号分类方法、介质和设备。

技术介绍

1、脉搏波是一种高度非稳态的生理信号，蕴含着丰富的心血管生理病理信息，可用来诊断心血管疾病。深度学习强大的特征提取能力可以用来建模脉搏波特征并进行自动分类。基于深度学习的脉诊信号诊断已经得到了广泛研究，其中，对于脉搏波分类是重要一项内容。基于深度学习的脉搏波分类依赖大量有标注数据,现有的脉搏波分类方式存在着带有疾病标注的数据少、标注方法不统一等缺点,导致模型准确率低、泛化能力弱。

2、半监督学习（semi-supervised learning）是有效利用少量有标注样本和大量未标注样本数据来训练模型，以提高模型性能的有效方法。半监督学习方法一般分为两类：基于熵最小化（entropy minimization）的方法和基于一致性正则化（consistencyregularization）的方法。基于熵最小化的方法假设决策边界不应跨越边缘分布的高密度区域，这种方法通常会训练一个面向未标注数据的低熵预测分类器。基于一致性正则化的方法则假设模型对不同的输入本文档来自技高网...

【技术保护点】

1.一种基于多任务特征对齐的脉诊信号分类方法，其特征在于，所述方法包括：

2.如权利要求1所述的基于多任务特征对齐的脉诊信号分类方法，其特征在于，所述有标注部分样本数据记为有标注脉诊样本；

3.如权利要求2所述的基于多任务特征对齐的脉诊信号分类方法，其特征在于，

4.如权利要求1所述的基于多任务特征对齐的脉诊信号分类方法，其特征在于，将所述无标注部分样本数据记为无标注脉诊样本；

5.如权利要求3或4所述的基于多任务特征对齐的脉诊信号分类方法，其特征在于，

6.如权利要求1所述的基于多任务特征对齐的脉诊信号分类方法，其特征在于，将...

【技术特征摘要】

1.一种基于多任务特征对齐的脉诊信号分类方法，其特征在于，所述方法包括：

2.如权利要求1所述的基于多任务特征对齐的脉诊信号分类方法，其特征在于，所述有标注部分样本数据记为有标注脉诊样本；

3.如权利要求2所述的基于多任务特征对齐的脉诊信号分类方法，其特征在于，

4.如权利要求1所述的基于多任务特征对齐的脉诊信号分类方法，其特征在于，将所述无标注部分样本数据记为无标注脉诊样本；

5.如权利要求3或4所述的基于多任务特征对齐的脉诊信号分类方法，其特征在于，

6.如权利要求1所述的基于多任务特征对齐的脉诊信号分类方法，其特征在于...

【专利技术属性】
技术研发人员：周常恩，
申请(专利权)人：福州安玉科技有限公司，
类型：发明
国别省市：