CN113610007B - 一种鼻腔取样物检测装置 - Google Patents
一种鼻腔取样物检测装置 Download PDFInfo
- Publication number
- CN113610007B CN113610007B CN202110911710.XA CN202110911710A CN113610007B CN 113610007 B CN113610007 B CN 113610007B CN 202110911710 A CN202110911710 A CN 202110911710A CN 113610007 B CN113610007 B CN 113610007B
- Authority
- CN
- China
- Prior art keywords
- sample
- sampling
- detection
- hyperplane
- sample set
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 67
- 238000005070 sampling Methods 0.000 title claims abstract description 46
- 210000003928 nasal cavity Anatomy 0.000 title claims abstract description 25
- 238000012706 support-vector machine Methods 0.000 claims abstract description 17
- 238000012545 processing Methods 0.000 claims abstract description 15
- 238000012549 training Methods 0.000 claims abstract description 9
- 210000003128 head Anatomy 0.000 claims abstract description 4
- 239000013598 vector Substances 0.000 claims description 13
- 230000009977 dual effect Effects 0.000 claims description 9
- 238000006073 displacement reaction Methods 0.000 claims description 7
- 239000011159 matrix material Substances 0.000 claims description 7
- 238000013507 mapping Methods 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims 5
- 238000005457 optimization Methods 0.000 description 5
- 238000000034 method Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000002776 aggregation Effects 0.000 description 2
- 238000004220 aggregation Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 208000030880 Nose disease Diseases 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Signal Processing (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明提供一种鼻腔取样物检测装置,包括:采集模块,用于获取采样头的压力值或者电流值;处理模块,用于获取样本集并对所述样本集进行处理得到检测模型,其中,将采样头一次采样获取的压力值或者电流值设定为样本,通过多个所述样本获取所述样本集,通过支持向量机对所述样本集进行分类,并训练所述样本集和所述支持向量机获取检测模型;检测模块,用于通过所述检测模型处理目标样本,获取检测结果。通过支持向量机能够将鼻腔取样物的采样结果进行分类,获取理想的检测结果,并通过迭代训练,获取优选的模型作为检测模型,通过所述检测模型代替人工检测,不仅降低了鼻腔取样物的检测难度,而且提高了取样物的检测精度。
Description
技术领域
本发明涉及人工智能技术领域,特别是涉及一种鼻腔取样物检测装置。
背景技术
目前,诊断治疗鼻腔类疾病需要对鼻腔内部组织进行取样。而鼻腔内部组织取样的检测结果的离散性较大,相应的精度也较低。在实际操作过程中,不仅需要富有经验的医师进行临床指导,而且需要反复检测才能确定最终结果,增加了鼻腔取样物检测的难度和成本。
发明内容
鉴于以上所述现有技术的缺点,本发明的目的在于提供一种鼻腔取样物检测装置,用于解决现有技术中不便于检测鼻腔取样物的问题。
为实现上述目的及其他相关目的,本发明提供一种鼻腔取样物检测装置,包括:
采集模块,用于获取采样头的压力值或者电流值;
处理模块,用于获取样本集并对所述样本集进行处理得到检测模型,其中,将采样头一次采样获取的压力值或者电流值设定为样本,通过多个所述样本获取所述样本集,通过支持向量机对所述样本集进行分类,并训练所述样本集和所述支持向量机获取检测模型;
检测模块,用于通过所述检测模型处理目标样本,获取检测结果;
所述采集模块、所述处理模块以及所述检测模块之间信号连接。
可选的,通过支持向量机对所述样本集进行分类的步骤包括:通过超平面对所述样本集进行分类,所述超平面的数学表达为:
wTx+b=0
w=(ω1;ω2;...;ωd)
x=(x1;x2;...;xm)
所述样本集的数学表达为:
D={(x1,y1),...,(xi,yi)...,(xm,ym)},yi∈{-1,+1}
其中,D为样本集,x表示样本特征,xi表示样本特征参数的矩阵,yi表示样本的分类结果,m≥i≥1,w为法向量,b为位移量,w为法向量,d≥2,在一些实施过程中,m可以取2,x1为压力值,x2为电流值。
可选的,训练所述样本集和所述支持向量机获取检测模型的步骤包括:
获取分类结果的样本中点到所述超平面的距离之和的最大值,并通过该最大值确定处理后的超平面,通过所述处理后的超平面获取检测模型。
可选的,获取分类结果的样本中点到所述超平面的距离之和的最大值的步骤,还包括:
对所述样本添加算子,aj为所述算子,且αi≥0,将算子的偏导设置为0,得到算子的对偶问题,其对偶问题的数学表达为:
其约束条件为:
通过算子的对偶问题完成所述样本集的分类,其中,max为最大值函数,为xi的转置矩阵,m≥j≥1。
可选的,获取分类结果的样本中点到所述超平面的距离之和的最大值的步骤,还包括:
通过核函数将所述训练集映射到高维向量空间,再获取分类结果的样本中点到所述超平面的距离之和的最大值。
可选的,所述核函数为高斯核函数。
可选的,通过该最大值确定处理后的超平面的步骤包括:通过SMO算法求解超平面数学表达中的法向量和位移量。
可选的,所述检测结果包括细密组织和非细密组。
如上所述,本发明的鼻腔取样物检测装置,具有以下有益效果:
通过支持向量机能够将鼻腔取样物的采样结果进行分类,获取理想的检测结果,并通过迭代训练,获取优选的模型作为检测模型,通过所述检测模型代替人工检测,不仅降低了鼻腔取样物的检测难度,而且提高了取样物的检测精度。
附图说明
图1显示为本发明实施例的鼻腔取样物检测装置的结构示意图。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式,本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用,本说明书中的各项细节也可以基于不同观点与应用,在没有背离本发明的精神下进行各种修饰或改变。
需要说明的是,本实施例中所提供的图示仅以示意方式说明本发明的基本构想,遂图式中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制,其实际实施时各组件的型态、数量及比例可为一种随意的改变,且其组件布局型态也可能更为复杂。本说明书所附图式所绘示的结构、比例、大小等,均仅用以配合说明书所揭示的内容,以供熟悉此技术的人士了解与阅读,并非用以限定本发明可实施的限定条件,故不具技术上的实质意义,任何结构的修饰、比例关系的改变或大小的调整,在不影响本发明所能产生的功效及所能达成的目的下,均应仍落在本发明所揭示的技术内容得能涵盖的范围内。同时,本说明书中所引用的如“上”、“下”、“左”、“右”、“中间”及“一”等的用语,亦仅为便于叙述的明了,而非用以限定本发明可实施的范围,其相对关系的改变或调整,在无实质变更技术内容下,当亦视为本发明可实施的范畴。
请参阅图1,本发明提供一种鼻腔取样物检测装置,包括:
采集模块,用于获取采样头的压力值或者电流值,可以在所述采样头上设置压力传感器或者电流传感器,当采样头深入鼻腔后轻触鼻腔内的组织,获取采样结果,当采样结果稳定时,读取和采集压力值和电流值;
处理模块,用于获取样本集并对所述样本集进行处理得到检测模型,其中,将采样头一次采样获取的压力值或者电流值设定为样本,通过多个所述样本获取所述样本集,通过支持向量机对所述样本集进行分类,并训练所述样本集和所述支持向量机获取检测模型,一般的,样本集会按照特征的不同,划分为两类,例如细密组织和非细密组,而通过支持向量机能够将鼻腔取样物的采样结果进行分类,获取理想的检测结果,并通过迭代训练,获取优选的模型作为检测模型,通过所述检测模型代替人工检测,不仅降低了鼻腔取样物的检测难度,而且提高了取样物的检测精度;
检测模块,用于通过所述检测模型处理目标样本,获取检测结果;
所述采集模块、所述处理模块以及所述检测模块之间信号连接。
在一些实施过程中,通过支持向量机对所述样本集进行分类的步骤包括:通过超平面对所述样本集进行分类,例如,样本集能够按照特征不同在空间中呈现聚落或者聚类的情况,通过超平面划分聚落或者聚类,来达到分类的目的,所述超平面的数学表达为:
wTx+b=0
w=(ω1;ω2;...;ωd)
x=(x1;x2;...;xm)
所述样本集的数学表达为:
D={(x1,y1),...,(xi,yi)...,(xm,ym)},yi∈{-1,+1}
其中,D为样本集,x表示样本特征,xi表示样本特征参数的矩阵,yi表示样本的分类结果,m≥i≥1,w为法向量,b为位移量,w为法向量,d≥2,在一些实施过程中,m可以取2,x1为压力值的矩阵,x2为电流值的矩阵。
为了得到优选的检测模型,训练所述样本集和所述支持向量机获取检测模型的步骤包括:
获取分类结果的样本中点到所述超平面的距离之和的最大值,并通过该最大值确定处理后的超平面,通过所述处理后的超平面获取检测模型,其中,所述最大值的数学表达为:欲找到最大值,即找到满足样本分类约束下的参数法向量w和位移量b,使得γ最大,等价于最小化||w||2。
进一步的,获取分类结果的样本中点到所述超平面的距离之和的最大值的步骤,还包括:
对所述样本添加算子,ai、aj为所述算子,且αi≥0、αj≥0,将算子的偏导设置为0,得到算子的对偶问题,其对偶问题的数学表达为:
约束条件为:
通过算子的对偶问题完成所述样本集的分类,其中,max为最大值函数,为xi的转置矩阵,m≥j≥1。
在一些实施过程中,获取分类结果的样本中点到所述超平面的距离之和的最大值的步骤,还包括:
通过核函数将所述训练集映射到高维向量空间,再获取分类结果的样本中点到所述超平面的距离之和的最大值,例如,所述核函数为高斯核函数,其表达式为:
其中xi,xj分别表示表示样本特征参数的矩阵,例如表示压力值和电流值,σ表示高斯函数的方差。
进一步的,通过该最大值确定处理后的超平面的步骤包括:通过SMO算法求解超平面数学表达中的法向量和位移量。SMO算法的中心思想就是每次选出两个α进行优化(之所以是两个是因为α的约束条件决定了其与标签乘积的累加等于0,因此必须一次同时优化两个,否则就会破坏约束条件),然后固定其他的α值。重复此过程,直到达到某个终止条件程序退出并得到我们需要的优化结果。假定我们已经选择出优化α1,α2两个优化项,然后将目标函数(到超平面距离之和)展开为关于α1,α2两个优化项的函数,由于满足约束条件,因此α2可以用α1替换,替换后,目标函数仅含有一个优化变量α1,再对其求偏导,通过迭代不断优化,直到满足条件。
上述实施例仅例示性说明本发明的原理及其功效,而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下,对上述实施例进行修饰或改变。因此,举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变,仍应由本发明的权利要求所涵盖。
Claims (8)
1.一种鼻腔取样物检测装置,其特征在于,包括:
采集模块,用于获取采样头的压力值或者电流值,所述采样头上设置压力传感器或电流传感器,当所述采样头深入鼻腔后轻触鼻腔内的组织,获取采样结果,当采样结果稳定时,读取和采集压力值或电流值;
处理模块,用于获取样本集并对所述样本集进行处理得到检测模型,其中,将采样头一次采样获取的压力值或者电流值设定为样本,通过多个所述样本获取所述样本集,通过支持向量机对所述样本集进行分类,并训练所述样本集和所述支持向量机获取检测模型;
检测模块,用于通过所述检测模型处理目标样本,获取检测结果;
所述采集模块、所述处理模块以及所述检测模块之间信号连接。
2.根据权利要求1所述的鼻腔取样物检测装置,其特征在于,通过支持向量机对所述样本集进行分类的步骤包括:通过超平面对所述样本集进行分类,所述超平面的数学表达为:
wTx+b=0
w=(ω1;ω2;...;ωd)
x=(x1;x2;...;xm)
所述样本集的数学表达为:
D={(x1,y1),...,(xi,yi)...,(xm,ym)},yi∈{-1,+1}
其中,D为样本集,x表示样本特征,xi表示样本特征参数的矩阵,yi表示样本的分类结果,m≥i≥1,w为法向量,b为位移量,w为法向量,d≥2。
3.根据权利要求2所述的鼻腔取样物检测装置,其特征在于,训练所述样本集和所述支持向量机获取检测模型的步骤包括:
获取分类结果的样本中点到所述超平面的距离之和的最大值,并通过该最大值确定处理后的超平面,通过所述处理后的超平面获取检测模型。
4.根据权利要求3所述的鼻腔取样物检测装置,其特征在于,获取分类结果的样本中点到所述超平面的距离之和的最大值的步骤,还包括:
对所述样本添加算子,aj为所述算子,且αi≥0,将算子的偏导设置为0,得到算子的对偶问题,其对偶问题的数学表达为:
其约束条件为:
通过算子的对偶问题完成所述样本集的分类,其中,max为最大值函数,为xi的转置矩阵,m≥j≥1。
5.根据权利要求3所述的鼻腔取样物检测装置,其特征在于,获取分类结果的样本中点到所述超平面的距离之和的最大值的步骤,还包括:
通过核函数将训练集映射到高维向量空间,再获取分类结果的样本中点到所述超平面的距离之和的最大值。
6.根据权利要求5所述的鼻腔取样物检测装置,其特征在于,所述核函数为高斯核函数。
7.根据权利要求2所述的鼻腔取样物检测装置,其特征在于,通过最大值确定处理后的超平面的步骤包括:通过SMO算法求解超平面数学表达中的法向量和位移量。
8.根据权利要求1所述的鼻腔取样物检测装置,其特征在于,所述检测结果包括细密组织和非细密组。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110911710.XA CN113610007B (zh) | 2021-08-09 | 2021-08-09 | 一种鼻腔取样物检测装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110911710.XA CN113610007B (zh) | 2021-08-09 | 2021-08-09 | 一种鼻腔取样物检测装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113610007A CN113610007A (zh) | 2021-11-05 |
CN113610007B true CN113610007B (zh) | 2024-04-16 |
Family
ID=78340058
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110911710.XA Active CN113610007B (zh) | 2021-08-09 | 2021-08-09 | 一种鼻腔取样物检测装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113610007B (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6649416B1 (en) * | 2000-02-18 | 2003-11-18 | Trustees Of Tufts College | Intelligent electro-optical sensor array and method for analyte detection |
CN105606403A (zh) * | 2015-10-26 | 2016-05-25 | 季昭利 | 鼻腔液采样分析装置 |
KR20180014417A (ko) * | 2016-07-29 | 2018-02-08 | 연세대학교 원주산학협력단 | 비강압력신호를 이용한 수면호흡장애 환자의 수면/각성 분류 장치 및 방법 |
CN108237227A (zh) * | 2018-02-09 | 2018-07-03 | 重庆医科大学附属永川医院 | 一种骨科植入物的制备方法 |
CN110705794A (zh) * | 2019-10-09 | 2020-01-17 | 苏州卡泰里环保能源有限公司 | 一种基于支持向量机算法预测窗户状态的方法 |
CN111242156A (zh) * | 2019-11-13 | 2020-06-05 | 南通大学 | 一种用于微血管瘤病历图像的超平面近邻分类方法 |
CN111863196A (zh) * | 2020-07-14 | 2020-10-30 | 重庆医科大学附属永川医院 | 一种心理健康状况自助测评方法及系统 |
CN112964625A (zh) * | 2015-03-06 | 2021-06-15 | 英国质谱公司 | 细胞群体分析 |
CN113208904A (zh) * | 2021-06-21 | 2021-08-06 | 黄海兵 | 鼻腔检测冲洗装置 |
CN215017963U (zh) * | 2021-03-05 | 2021-12-07 | 何珂欣 | 一种鼻腔取样装置 |
-
2021
- 2021-08-09 CN CN202110911710.XA patent/CN113610007B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6649416B1 (en) * | 2000-02-18 | 2003-11-18 | Trustees Of Tufts College | Intelligent electro-optical sensor array and method for analyte detection |
CN112964625A (zh) * | 2015-03-06 | 2021-06-15 | 英国质谱公司 | 细胞群体分析 |
CN105606403A (zh) * | 2015-10-26 | 2016-05-25 | 季昭利 | 鼻腔液采样分析装置 |
KR20180014417A (ko) * | 2016-07-29 | 2018-02-08 | 연세대학교 원주산학협력단 | 비강압력신호를 이용한 수면호흡장애 환자의 수면/각성 분류 장치 및 방법 |
CN108237227A (zh) * | 2018-02-09 | 2018-07-03 | 重庆医科大学附属永川医院 | 一种骨科植入物的制备方法 |
CN110705794A (zh) * | 2019-10-09 | 2020-01-17 | 苏州卡泰里环保能源有限公司 | 一种基于支持向量机算法预测窗户状态的方法 |
CN111242156A (zh) * | 2019-11-13 | 2020-06-05 | 南通大学 | 一种用于微血管瘤病历图像的超平面近邻分类方法 |
CN111863196A (zh) * | 2020-07-14 | 2020-10-30 | 重庆医科大学附属永川医院 | 一种心理健康状况自助测评方法及系统 |
CN215017963U (zh) * | 2021-03-05 | 2021-12-07 | 何珂欣 | 一种鼻腔取样装置 |
CN113208904A (zh) * | 2021-06-21 | 2021-08-06 | 黄海兵 | 鼻腔检测冲洗装置 |
Non-Patent Citations (3)
Title |
---|
Logistic regression for Mouth(orotracheal) or Nose (nasotracheal) endotracheal intubation;Rekha Nair .etc;《ICPCSI》;20170922;1-6 * |
基于仿生鼻腔优化的油气检测方法与实验新技术;翁小辉等;《吉林大学学报》;20200115;382-388 * |
鼻腔计算机流体力学模拟及与鼻声反射和鼻阻力计相关研究;郭宇峰;张宇宁;刘树红;卢晓峰;朱敏;陈学明;陈广;;上海交通大学学报(医学版);20090715(第07期);845-849 * |
Also Published As
Publication number | Publication date |
---|---|
CN113610007A (zh) | 2021-11-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111341437B (zh) | 基于舌图像的消化道疾病判断辅助系统 | |
Bonifacio et al. | Determination of common Maize (Zea mays) disease detection using Gray-Level Segmentation and edge-detection technique | |
CN111192660B (zh) | 一种影像报告分析方法、设备及计算机存储介质 | |
Li et al. | MAU-Net: a retinal vessels segmentation method | |
Liu et al. | TSSK-Net: Weakly supervised biomarker localization and segmentation with image-level annotation in retinal OCT images | |
Malkawi et al. | White blood cells classification using convolutional neural network hybrid system | |
Mohamed et al. | Spatial pyramid pooling with atrous convolutional for mobilenet | |
Aliyu et al. | Red blood cell classification: deep learning architecture versus support vector machine | |
CN110717385A (zh) | 一种动态手势识别方法 | |
Meng et al. | Recombined convolutional neural network for recognition of macular disorders in SD-OCT images | |
CN113610007B (zh) | 一种鼻腔取样物检测装置 | |
CN110163130A (zh) | 一种用于手势识别的特征预对齐的随机森林分类器及分类方法 | |
Liu et al. | MTFIL-Net: automated Alzheimer’s disease detection and MMSE score prediction based on feature interactive learning | |
Fu’adah et al. | Computer Aided Diagnosis for Early Detection of Glaucoma Using Convolutional Neural Network (CNN) | |
Altay et al. | On the use of the statistical methods for biomedical signals and data processing | |
Tahir et al. | Deep learning and improved particle swarm optimization based multimodal brain tumor classification | |
CN112001877A (zh) | 一种基于深度学习的甲状腺恶性结节检测方法 | |
Fan et al. | A medical pre-diagnosis system for histopathological image of breast cancer | |
CN108764274A (zh) | 一种基于l0-合页损失函数的鲁棒分类方法 | |
Xu et al. | Unsupervised profiling of microglial arbor morphologies and distribution using a nonparametric Bayesian approach | |
Barburiceanu et al. | 3D Texture Feature Extraction and Classification using the BM3DELBP approach | |
Bahrami et al. | Prediction of diabetic retinopathy based on a committee of random forests | |
Sulaiman et al. | Classification of healthy and white root disease infected rubber trees based on relative permittivity and capacitance input properties using LM and SCG artificial neural network | |
Al Sariera et al. | Extraction of blood vessels in retina | |
Cheah | Chest x-ray classification of lung diseases using deep learning |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |