CN113782182A - 一种基于肌电数据的应力性骨折预测方法 - Google Patents
一种基于肌电数据的应力性骨折预测方法 Download PDFInfo
- Publication number
- CN113782182A CN113782182A CN202110861324.4A CN202110861324A CN113782182A CN 113782182 A CN113782182 A CN 113782182A CN 202110861324 A CN202110861324 A CN 202110861324A CN 113782182 A CN113782182 A CN 113782182A
- Authority
- CN
- China
- Prior art keywords
- data
- standard
- sample
- samples
- data 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.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/389—Electromyography [EMG]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Pathology (AREA)
- Biophysics (AREA)
- Theoretical Computer Science (AREA)
- Epidemiology (AREA)
- Molecular Biology (AREA)
- Primary Health Care (AREA)
- Databases & Information Systems (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Heart & Thoracic Surgery (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Veterinary Medicine (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种基于肌电数据的应力性骨折预测方法,属于辅助诊断技术领域。所述方法包括:1将数据进行标准归一化得到标准样本集;2对标准样本集进行稀疏采样,得到扩展数据集;3使用GAN对齐扩展数据集和语音数据集的分布,得到分布对齐后的语音数据集;4对LSTM模型进行预训练,得到预训练后的模型并训练,得到训练好的LSTM模型;5将待预测数据通过标准归一化,得到标准测试数据,再经稀疏采样,得到扩展测试数据集,再通过训练好的LSTM模型进行预测,得到预测结果集;6将预测结果集进行投票,计算预测为正样本和负样本个数,得到预测类别。所述方法适用于采样密度大、数据量少、类别不均衡的各种时序数据预测。
Description
技术领域
本发明涉及一种基于肌电数据的应力性骨折预测方法,属于辅助诊断技术领域。
背景技术
肌电数据作为预测应力性骨折的一大依据,与步态数据既有着相同的特征,也有着很大的区别。相同在于肌电数据也存在采样密度高、样本量小以及类别不均衡的问题,区别在于肌电数据作为时序数据,与步态数据相比,拥有更多的时序特征。
时序特征具有连续性,因此适用于步态数据的方法,并不适用于肌电数据。为此,我们提出一套适用于时序数据的预测方法。
发明内容
本发明的目的在于现有应力性骨折预测方法存在成本高、效率低的缺陷,提出了一种基于肌电数据的应力性骨折预测方法,所述预测方法通过改进自动化分析肌电数据,提高系统的应力性骨折预测准确率。
为了达到上述目的,本发明采取如下技术方案:
所述应力性骨折预测方法,包括数据预处理、训练和预测,具体步骤如下:
步骤1、对数据样本集中的每个样本进行标准归一化,得到标准归一化后的样本,所有标准归一化后的样本构成标准样本集;
其中,标准归一化通过(1)实现:
其中,X′表示对单个样本X进行标准归一化后的标准样本,X表示单个样本,Xmin和Xmax分别为单个样本X中时序数据的最小值和最大值;
步骤2、对标准样本集进行稀疏采样,降低采样密度,在不丢失样本重要特征的前提下,增加样本的数量,得到扩展数据集;
其中,稀疏采样通过公式(2)实现:
Xi={xi+δ,xi+2δ,…,xi+floor(n/δ)×δ},i=
1,2,…,δ(2)
其中,Xi为采样后的样本,xi为标准样本X′的第i个采样点,n为标准样本X′的采样点数,δ为采样间隔,floor为向下取整函数;
通过步骤2,一个标准样本X′经过稀疏采样后,样本数量变为δ个,即增加了δ-1个;
步骤3、基于扩展数据集的分布,使用GAN将语音数据集的分布对齐,得到分布对齐后的语音数据集;
其中,扩展数据集的分布,称为目标域;语音数据集的分布,称为源域;
步骤4、将步骤3输出的分布对齐后的语音数据集输入LSTM模型中进行预训练,得到预训练后的LSTM模型;
步骤5、使用扩展数据集对预训练后的LSTM模型进行训练,得到训练好的LSTM模型;
步骤6、将待预测数据进行标准归一化,得到标准测试数据;
将待预测数据中的每个样本进行标准归一化,得到标准归一化后的待预测数据,称该归一化后的待预测数据为标准测试数据,具体通过(1)实现;
其中,X′表示归一化后的待预测数据,即标准测试数据;X表示待预测数据,Xmin和Xmax分别为待预测数据中的单个样本中时序数据的最小值和最大值;
步骤7、将标准测试数据经过稀疏采样,得到扩展的测试数据集;
稀疏采样具体通过公式(2)实现,其中,公式(2)中的xi为标准测试数据的第i个采样点,Xi为标准测试数据采样后的样本,n为标准测试数据的采样点数,δ为采样间隔,floor为向下取整函数;至此,一个标准测试数据经过稀疏采样后,样本数量变为δ个,即增加了δ-1个;所有稀疏采样后的标准测试数据,构成了扩展的测试数据集;
步骤8、将扩展的测试数据集通过步骤5得到的训练好的LSTM模型进行预测,得到预测结果集;
步骤9、将预测结果集进行投票,分别计算预测为正样本和预测为负样本的个数,将预测输出个数多的那个类别作为最终的预测类别。
有益效果
本发明一种基于肌电数据的应力性骨折预测方法,与现有应力性骨折预测方法相比,具有如下有益效果:
1.所述方法利用一系列预处理,在实验中获得了92%的准确率和75%的灵敏度,优于现有系统普遍采用的参与比较法;
2.所述方法使用预训练解决了数据集中存在的如数据量少、类别不均衡的问题;
3.所述方法使用分布对齐,解决了源域和目标域分布不匹配的问题。
附图说明
图1为本发明一种基于肌电数据的应力性骨折预测方法的整体设计流程图;
图2为本发明一种基于肌电数据的应力性骨折预测方法步骤4中LSTM模型的计算流程;
图3为本发明一种基于肌电数据的应力性骨折预测方法步骤4中LSTM模型的整体框架。
具体实施方式
下面结合具体实施例以及附图对本发明所述的一种基于肌电数据的应力性骨折预测方法进行详细描述。
实施例1
本发明所述方法,包括如下步骤:步骤1)将数据进行标准归一化得到标准样本集;步骤2)对标准样本集进行稀疏采样,得到扩展数据集;步骤3)使用GAN对齐扩展数据集和语音数据集的分布,得到分布对齐后的语音数据集;步骤4)对LSTM模型进行预训练,得到预训练后的模型并训练,得到训练好的LSTM模型;步骤5)将待预测数据通过标准归一化,得到标准测试数据,再经稀疏采样,得到扩展测试数据集,再通过训练好的LSTM模型进行预测,得到预测结果集;步骤6)将预测结果集进行投票,计算预测为正样本和负样本个数,得到预测类别。所述方法适用于采样密度大、数据量少、类别不均衡的各种时序数据预测。具体实施时,不仅适用于肌电数据,更适用于一切采样密集、数据量少、类别不均衡的医学数据上,如脑电波数据、血压变化数据、血糖变化数据等。只要数据符合时序数据的特点,均可先通过标准归一化,然后简单调整疏采样频率δ进行稀疏采样,然后用WGAN进行分布对齐,使用分布对齐后的语音数据集进行预训练,最后使用稀疏采样后的数据进行正式训练,在正式训练时要简单调整优化步长、训练代数等来控制模型的训练程度,以达到良好的效果。
本发明所述方法具体实施时,肌电数据集由解放军总医院提供,采集于新兵训练时期。数据集一共包含了126个样本,将骨折的样本称为正样本,未骨折的样本称为负样本,总样本集中包含了20个正样本和106个负样本。每个样本包含了5000个采样点,囊括了5s内左胫骨前肌、右胫骨前肌、左臀中肌、右臀中肌、左臀大肌、右臀大肌六个部位的肌电数据。我们将整个样本集随机切分为101个训练样本集和25个测试样本集。而用于预训练的语音数据集则使用公开数据集Free ST American English Corpus,该数据集包含了10个不同的人的英文录音,每个人包含了400段5秒左右的录音。
所述基于肌电数据的应力性骨折预测方法,如图1所示,图1中,圆角矩形代表数据集,尖角矩形代表处理过程。
从图1可以看出,包括以下步骤:
步骤1:训练阶段;
步骤1.1:对于训练样本集中的每个训练样本,计算出每个训练样本的最大值和最小值向量,然后根据公式(1)进行标准归一化,得到标准样本集;
步骤1.2:设置采样间隔δ为20,根据公式(2)对标准样本集进行稀疏采样,采样后得到的扩展样本集的数量为标准样本集的20倍,单个样本的尺度缩小为标准样本集的1/20,即扩展样本集中有2020个样本;
步骤1.3:将数据量大、样本均衡的语音数据集和扩展数据集按照表1所示的算法流程进行分布对齐,以解决源域和目标域分布不匹配的问题;在表1中D为判别器网络,w为判别器网络的参数,G为生成器网络,θ为生成器网络的参数,Δ为求梯度运算,α为优化步长。在WGAN中使用判别器和生成器来交替进行对抗训练;先随机从扩展样本集和语音数据集中选取等量的样本个数,用于训练判别器,使得判别器能够分辨出两种不同的数据集,将判别器训练100代后,从语音数据集中随机选取若干样本,用于训练生成器,使得经过生成器生成的样本能够迷惑判别器。如此反复迭代,直到θ收敛。保存生成器模型,将语音数据输入到生成器模型中,得到分布对齐后的语音数据,至此解决了源域和目标域分布不匹配的问题。
表1分布对齐优化流程
步骤1.4:使用分布对齐后的语音数据集对如图2和图3所示的LSTM模型进行预训练,图2展示了一个LSTM单元的计算流程,其中xt表示t采样点的时序数据,ht-1和ct-1表示上一个采样点的输出,此三个变量作为一个LSTM单元的输入,经过输入门、遗忘门和输出门处理,ht和ct表示保留到下一个采样点的输出,w表示门的权重。图3则是将若干个LSTM单元串联起来,并共享权重w,我们将每个时序样本按照采样顺序依次输入每个LSTM单元,然后将每个单元的输出合并后经过全连接层映射输出为概率,根据概率大小判断预测的类别。我们将分布对齐后的语音数据输入到该模型中进行训练,直到模型完全将语音数据的不同类别分开,以解决肌电数据集中存在的如数据量少、类别不均衡的问题;
步骤1.5:使用扩展数据集对预训练好的LSTM模型进行正式训练100代,得到训练好的LSTM模型;
步骤2:测试阶段;
步骤2.1:对于测试样本集中的每个测试样本,计算出每个测试样本的最大值和最小值向量,然后根据公式(1)进行标准归一化,得到标准样本集,得到标准的测试数据集;
步骤2.2:设置稀疏采样间隔δ为20,根据公式(2)对标准测试数据进行稀疏采样,得到扩展的测试数据集,该扩展的测试数据集包含了500个样本;
步骤2.3:将扩展的测试数据集经过训练好的LSTM模型计算得到预测结果集;
步骤2.4:在预测结果集中分别计算预测为正样本和预测为负样本的个数,个数多的那个类别为最终的预测类别;
步骤2.5:统计预测正确的样本数占测试集的百分比,即准确率,和预测正确的正样本数占测试集中正样本数量的百分比,即灵敏度,得到最终的准确率为92%,灵敏度为75%。
以上所述为本发明的较佳实施例而已,本发明不应该局限于该实施例和附图所公开的内容。凡是不脱离本发明所公开的精神下完成的等效或修改,都落入本发明保护的范围。
Claims (6)
1.一种基于肌电数据的应力性骨折预测方法,其特征在于:包括数据预处理、训练和预测,具体步骤如下:
步骤1、对数据样本集中的每个样本进行标准归一化,得到标准归一化后的样本,所有标准归一化后的样本构成标准样本集;
步骤2、对标准样本集进行稀疏采样,降低采样密度,在不丢失样本重要特征的前提下,增加样本的数量,得到扩展数据集;
通过步骤2,一个标准样本经过稀疏采样后,样本数量变为δ个,即增加了δ-1个,δ为采样间隔;
步骤3、基于扩展数据集的分布,使用GAN将语音数据集的分布对齐,得到分布对齐后的语音数据集;
步骤4、将步骤3输出的分布对齐后的语音数据集输入LSTM模型中进行预训练,得到预训练后的LSTM模型;
步骤5、使用扩展数据集对预训练后的LSTM模型进行训练,得到训练好的LSTM模型;
步骤6、将待预测数据进行标准归一化,得到标准测试数据;
步骤7、将标准测试数据经过稀疏采样,得到扩展的测试数据集;
步骤8、将扩展的测试数据集通过步骤5得到的训练好的LSTM模型进行预测,得到预测结果集;
步骤9、将预测结果集进行投票,分别计算预测为正样本和预测为负样本的个数,将预测输出个数多的那个类别作为最终的预测类别。
3.根据权利要求2所述的一种基于肌电数据的应力性骨折预测方法,其特征在于:步骤2中,稀疏采样通过公式(2)实现:
Xi={xi+δ,xi+2δ,....,xi+floor(n/δ)×δ},i=1,2,…,β (2)
其中,Xi为采样后的样本,xi为标准样本X′的第i个采样点,n为标准样本X′的采样点数,floor为向下取整函数。
4.根据权利要求3所述的一种基于肌电数据的应力性骨折预测方法,其特征在于:步骤3中,扩展数据集的分布,称为目标域;语音数据集的分布,称为源域。
5.根据权利要求4所述的一种基于肌电数据的应力性骨折预测方法,其特征在于:步骤6中,将待预测数据中的每个样本进行标准归一化,得到标准归一化后的待预测数据,称该归一化后的待预测数据为标准测试数据,具体通过(1)实现;
其中,X′表示归一化后的待预测数据,即标准测试数据;X表示待预测数据,Xmin和Xmax分别为待预测数据中的单个样本中时序数据的最小值和最大值。
6.根据权利要求5所述的一种基于肌电数据的应力性骨折预测方法,其特征在于:步骤7中,稀疏采样具体通过公式(2)实现,其中,公式(2)中的xi为标准测试数据的第i个采样点,Xi为标准测试数据采样后的样本,n为标准测试数据的采样点数,δ为采样间隔,floor为向下取整函数;至此,一个标准测试数据经过稀疏采样后,样本数量变为δ个,即增加了δ-1个;所有稀疏采样后的标准测试数据,构成了扩展的测试数据集。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110861324.4A CN113782182A (zh) | 2021-07-29 | 2021-07-29 | 一种基于肌电数据的应力性骨折预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110861324.4A CN113782182A (zh) | 2021-07-29 | 2021-07-29 | 一种基于肌电数据的应力性骨折预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113782182A true CN113782182A (zh) | 2021-12-10 |
Family
ID=78836561
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110861324.4A Pending CN113782182A (zh) | 2021-07-29 | 2021-07-29 | 一种基于肌电数据的应力性骨折预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113782182A (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108874149A (zh) * | 2018-07-28 | 2018-11-23 | 华中科技大学 | 一种基于表面肌电信号连续估计人体关节角度的方法 |
WO2019008798A1 (en) * | 2017-07-07 | 2019-01-10 | Ntt Data Corporation | DEVICE FOR PREDICTING DISEASE APPEARANCE, METHOD FOR PREDICTING DISEASE DISEASE, AND PROGRAM |
CN112052874A (zh) * | 2020-07-31 | 2020-12-08 | 山东大学 | 一种基于生成对抗网络的生理数据分类方法及系统 |
CN112669968A (zh) * | 2020-12-31 | 2021-04-16 | 上海电气集团股份有限公司 | 一种疾病风险预测方法和设备 |
-
2021
- 2021-07-29 CN CN202110861324.4A patent/CN113782182A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019008798A1 (en) * | 2017-07-07 | 2019-01-10 | Ntt Data Corporation | DEVICE FOR PREDICTING DISEASE APPEARANCE, METHOD FOR PREDICTING DISEASE DISEASE, AND PROGRAM |
CN108874149A (zh) * | 2018-07-28 | 2018-11-23 | 华中科技大学 | 一种基于表面肌电信号连续估计人体关节角度的方法 |
CN112052874A (zh) * | 2020-07-31 | 2020-12-08 | 山东大学 | 一种基于生成对抗网络的生理数据分类方法及系统 |
CN112669968A (zh) * | 2020-12-31 | 2021-04-16 | 上海电气集团股份有限公司 | 一种疾病风险预测方法和设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2020156348A1 (zh) | 基于总体经验模态分解与卷积神经网络的结构损伤识别法 | |
CN109949929A (zh) | 一种基于深度学习大规模病历的辅助诊断系统 | |
CN107492382A (zh) | 基于神经网络的声纹信息提取方法及装置 | |
CN110675859B (zh) | 结合语音与文本的多情感识别方法、系统、介质及设备 | |
CN110598676B (zh) | 基于置信度得分模型的深度学习手势肌电信号识别方法 | |
CN107622797A (zh) | 一种基于声音的身体状况确定系统及方法 | |
CN111759345B (zh) | 基于卷积神经网络的心脏瓣膜异常分析方法、系统和装置 | |
CN107887025A (zh) | 一种医疗大脑系统 | |
CN105989849A (zh) | 一种语音增强方法、语音识别方法、聚类方法及装置 | |
Mohapatra et al. | Systematic Stress Detection in CNN Application | |
CN109003677A (zh) | 病历数据结构化分析处理方法 | |
CN115530847A (zh) | 一种基于多尺度注意力的脑电信号自动睡眠分期方法 | |
CN108175426B (zh) | 一种基于深度递归型条件受限玻尔兹曼机的测谎方法 | |
Salhi et al. | Voice disorders identification using hybrid approach: Wavelet analysis and multilayer neural networks | |
CN108877812A (zh) | 一种声纹识别方法、装置及存储介质 | |
CN113076878B (zh) | 基于注意力机制卷积网络结构的体质辨识方法 | |
Ren et al. | Self-learning and active-learning for electromyography-to-speech Conversion | |
CN113539412A (zh) | 基于深度学习的中草药推荐系统 | |
Moummad et al. | Learning audio features with metadata and contrastive learning | |
Hernandez-Espinosa et al. | Diagnosis of vocal and voice disorders by the speech signal | |
CN113782182A (zh) | 一种基于肌电数据的应力性骨折预测方法 | |
Yu et al. | Prompt learning for multi-modal COVID-19 diagnosis | |
CN115399735A (zh) | 基于时频双流增强的多头注意机制睡眠分期方法 | |
CN114299925A (zh) | 一种基于语音对帕金森病患者吞咽困难症状重要性度量指标的获取方法和系统 | |
CN114091529A (zh) | 一种基于生成对抗网络数据增强的脑电情感识别方法 |
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 |