CN113948203A - 一种基于卷积神经网络的快速预测方法 - Google Patents
一种基于卷积神经网络的快速预测方法 Download PDFInfo
- Publication number
- CN113948203A CN113948203A CN202111227007.3A CN202111227007A CN113948203A CN 113948203 A CN113948203 A CN 113948203A CN 202111227007 A CN202111227007 A CN 202111227007A CN 113948203 A CN113948203 A CN 113948203A
- Authority
- CN
- China
- Prior art keywords
- neural network
- layer
- data set
- convolutional neural
- prediction method
- 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
-
- 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
- G06N3/045—Combinations of networks
-
- 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
- G06N3/08—Learning methods
-
- 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
Abstract
本发明公开了一种基于卷积神经网络的快速预测方法,涉及深度学习领域。本发明包括以下步骤:获取气体,利用气体传感器阵列对气体识别;获取气体传感器阵列对气体识别的响应曲线;从响应曲线中获取提取特征值;对特征值进行预处理及归一化,得到特征数据集;将所述特征数据集随机分为训练数据集和测试数据集;将训练数据集输入到CNN神经网络中进行训练,得到预测神经网络模型。本发明利用卷积神经网络对通过丙酮系列气体传感器阵列的气体所生成的特征数据集进行处理分析,对数据进行预测,进而辅助医生对患者进行诊断。
Description
技术领域
本发明涉及深度学习领域,更具体的说是涉及一种基于卷积神经网络的快速预测方法。
背景技术
糖尿病是一组因胰岛素绝对或相对分泌不足以及靶组织细胞对胰岛素敏感性降低引起蛋白质、脂肪和电解质等一系列代谢紊乱综合征,其中以高血糖为主要标志。糖尿病若得不到有效的治疗,会导致体内积累大量丙酮,可引起身体多系统的损害。
当前针对糖尿病患者呼出气体丙酮含量的检测主要为气相色谱质谱联用(GC-MS)技术,其检测精度高,但存在分析时间长,样本前处理操作复杂、受环境条件约束较大等缺点。
因此,亟需一种高效的快速预测方法。
发明内容
有鉴于此,本发明提供了一种基于卷积神经网络的快速预测方法。该方法利用卷积神经网络对通过丙酮系列气体传感器阵列的气体所生成的特征数据集进行处理分析,得到预测结果,进而辅助医生对患者进行诊断。
为了实现上述目的,本发明采用如下技术方案:
一种基于卷积神经网络的快速预测方法,包括以下步骤:
获取气体,利用气体传感器阵列对气体识别;
获取气体传感器阵列对气体识别的响应曲线;
从响应曲线中获取提取特征值;
对特征值进行预处理及归一化,得到特征数据集;
将所述特征数据集随机分为训练数据集和测试数据集;
将训练数据集输入到CNN神经网络中进行训练,得到预测神经网络模型。
可选的,还包括利用测试数据集对所述预测神经网络模型进行检测。
可选的,所述特征值包括曲线积分面积之和,最大响应值、上升段最大正斜率以及振幅。
可选的,曲线积分面积之和,采用一阶牛顿-柯特斯闭型积分公式,具体计算为:
其中,h是积分步长,即曲线上相邻两点横坐标之间的距离;n表示把积分区域平均分成n等份;f(xi)和f(xi+1)分别是曲线上第i个和第i+1个函数值。
可选的,最大响应值即为曲线上最高点的函数值:
M=f(x)max。
可选的,振幅为曲线最大响应值与稳定值之差:
A=f(x)max-f(x)1;
其中,f(x)1为稳定值。
可选的,上升段最大正斜率计算如下:
其中,x取值范围为上升沿区域。
可选的,CNN神经网络包括输入层、2个卷积层、1个池化层、1个全连接层、1个Softmax层、输出层;
输入层:接受归一化处理后的单个训练样本;
2个卷积层:增加网络深度,并通过卷积进一步提取输入信号中的隐藏特征;
池化层:接受卷积层的输出值作为输入值,对特征进行压缩,除去冗余信息,减小计算量;
全连接层:接受池化层的的输出值作为输入值,输出值是E个元素,其中E代表预测情况;
Softmax层:采用Softmax函数作为激活函数,把任意一个m维向量压缩到另一个m维向量,使得每一个元素的范围都在(0,1)之间,并且所有的元素之和为1;
输出层:将Softmax层的输出值作为预测依据。
可选的,卷积层的公式具体为:
s(i,j)=(X*W)(i,j)=∑ln∑nx(i+m,j+n)w(m,n);
其中,W为卷积核,X为输入张量。
经由上述的技术方案可知,与现有技术相比,本发明公开提供了一种基于卷积神经网络的快速预测方法,利用卷积神经网络对通过丙酮系列气体传感器阵列的患者呼出气体所生成的特征数据集进行处理分析,得到预测结果,进而辅助医生对患者进行诊断。
附图说明
为了更清楚地说明本发明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作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据提供的附图获得其他的附图。
图1为本发明的流程示意图;
图2为本发明的CNN网络结构示意图;
图3为本发明的特征提取示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明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发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,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,都属于本发明保护的范围。
实施例1
本发明实施例公开了一种基于卷积神经网络的快速预测方法,如图1所示具体步骤如下:
S1、分别采集正常、糖尿病患者的呼出气体,使其通过丙酮系列气体传感器阵列,并进行模数转换、放大得到一系列传感器响应曲线,从中提取响应曲线振幅A、曲线积分面积之和S、最大响应值M、上升段最大正斜率E这四个特征的值作为结果数据;
S2、根据S1中的数据,结合传感器序列制作成数据集,进行预处理及归一化得到特征数据集,将其按照3:1随机分配成训练数据集、测试数据集;
S3、根据数据集规模和输出需求构建卷积神经网络(CNN),作为糖尿病检测的数据训练网络模型;
S4、将步骤S2中的训练数据集放入S3的CNN神经网络中进行训练;其中CNN神经网络结构如图2所示。
S5、将测试数据集放入步骤S4训练完的CNN网络中进行糖尿病检测,实现对糖尿病的快速检测。
步骤S1中,丙酮系列气体传感器主要包括MQ138(检测丙醇、乙醇等)、SGA500B-C3H6O(检测丙酮)、MQ3(检测乙醇)、MQ135(检测氨气、硫化物等)、MQ8(检测氢气)、ME2-O2(检测氧气)等,各传感器并行排列,相关传感器均可在市面上购得。
步骤S1中,对获得的响应曲线进行特征提取如图3所示,以曲线积分面积之和S、最大响应值M、振幅A、上升段最大正斜率E为特征值。
曲线积分面积之和S,采用一阶牛顿-柯特斯闭型积分公式,具体计算为:
其中,h是积分步长,即曲线上相邻两点横坐标之间的距离;n表示把积分区域平均分成n等份;f(xi)和f(xi+1)分别是曲线上第i个和第i+1个函数值;
最大响应值M即为曲线上最高点的函数值:
M=f(x)max;
振幅A为曲线最大响应值M与稳定值之差:
A=f(x)max-f(x)1;
其中,f(x)1为稳定值。
上升段最大正斜率E:
其中,x取值范围为上升沿区域。
步骤S2中,归一化处理具体为(以曲线积分面积之和S为例):
步骤S3中,CNN神经网络结构包括输入层、2个卷积层、1个池化层、1个全连接层、1个Softmax层、输出层。
输入层:接受归一化处理后的单个训练样本;
2个卷积层:增加网络深度,并通过卷积进一步提取输入信号中的隐藏特征;
池化层:接受卷积层的输出值作为输入值,对特征进行压缩,除去冗余信息,减小计算量;
全连接层:接受池化层的的输出值作为输入值,输出值是E个元素,其中E代表糖尿病情况,E=2;
Softmax层:采用Softmax函数作为激活函数,把任意一个m维向量压缩到另一个m维向量,使得每一个元素的范围都在(0,1)之间,并且所有的元素之和为1;
输出层:将Softmax层的输出值作为依据,进而辅助医生判断患者是否患有糖尿病。
卷积层的公式具体为:
s(i,j)=(X*W)(i,j)=∑m∑nx(i+m,j+n)w(m,n);
其中,W为卷积核,X为输入张量。
实施例2
在另一实施例中,包括以下步骤:
S1:采集广东某医院381位正常和糖尿病患者在同一条件下的呼出气体,使其通过传感器组成的传感器阵列,并进行模数转换和放大,得到气体响应曲线,运用如上公式提取特征值:曲线振幅A、曲线积分面积之和S、最大响应值M、上升段最大正斜率E;根据患者的检查结果确定糖尿病情况:正常为0,患糖尿病为1。
S2:根据S1中的数据生成规模为“10×4”的检测数据,规模为“1”的结果数据,将数据一一结合形成381组数据,通过上述预处理及归一化方式生成数据集,将其按照3:1随机分配成训练数据集、测试数据集。
S3:构建CNN神经网络,对于多层LSTM网络:针对数据集规模和输出需求构建CNN网络,包括输入层、2个卷积层、1个池化层、1个全连接层、1个Softmax层、输出层,每一层具体形式如图2所示。
S4:将S2中生成的测试数据集进行放入CNN神经网络进行训练,并设定训练结束方式,以误差小于0.01或训练次数多于100000次为结束标志。以训练次数为x轴,误差为y轴生成训练误差图,以此判断训练完的CNN神经网络模型的性能,若图像出现过拟合、误差过大等问题,则需通过增加网络深度、改变卷积核池化核类型、调整激活函数等方法将网络改进。
S5:选取步骤S2中的测试数据集,将其导入训练完的CNN神经网络模型,得到预测的检测结果,并与真实的检测结果进行比对得到准确率,进而辅助医生对糖尿病进行预测。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (9)
1.一种基于卷积神经网络的快速预测方法,其特征在于,包括以下步骤:
获取气体,利用气体传感器阵列对气体识别;
获取气体传感器阵列对气体识别的响应曲线;
从响应曲线中获取提取特征值;
对特征值进行预处理及归一化,得到特征数据集;
将所述特征数据集随机分为训练数据集和测试数据集;
将训练数据集输入到CNN神经网络中进行训练,得到预测神经网络模型。
2.根据权利要求1所述的一种基于卷积神经网络的快速预测方法,其特征在于,还包括利用测试数据集对所述预测神经网络模型进行检测。
3.根据权利要求1所述的一种基于卷积神经网络的快速预测方法,其特征在于,所述特征值包括曲线积分面积之和,最大响应值、上升段最大正斜率以及振幅。
5.根据权利要求3所述的一种基于卷积神经网络的快速预测方法,其特征在于,最大响应值即为曲线上最高点的函数值:
M=f(x)max。
6.根据权利要求3所述的一种基于卷积神经网络的快速预测方法,其特征在于,振幅为曲线最大响应值与稳定值之差:
A=f(x)max-f(x)1;
其中,f(x)1为稳定值。
8.根据权利要求1所述的一种基于卷积神经网络的快速预测方法,其特征在于,CNN神经网络包括输入层、2个卷积层、1个池化层、1个全连接层、1个Softmax层、输出层;
输入层:接受归一化处理后的单个训练样本;
2个卷积层:增加网络深度,并通过卷积进一步提取输入信号中的隐藏特征;
池化层:接受卷积层的输出值作为输入值,对特征进行压缩,除去冗余信息,减小计算量;
全连接层:接受池化层的的输出值作为输入值,输出值是E个元素,其中E代表预测情况;
Softmax层:采用Softmax函数作为激活函数,把任意一个m维向量压缩到另一个m维向量,使得每一个元素的范围都在(0,1)之间,并且所有的元素之和为1;
输出层:将Softmax层的输出值作为预测依据。
9.根据权利要求8所述的一种基于卷积神经网络的快速预测方法,其特征在于,卷积层的公式具体为:
s(i,j)=(X*W)(i,j)=∑m∑nx(i+m,j+n)w(m,n);
其中,W为卷积核,X为输入张量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111227007.3A CN113948203A (zh) | 2021-10-21 | 2021-10-21 | 一种基于卷积神经网络的快速预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111227007.3A CN113948203A (zh) | 2021-10-21 | 2021-10-21 | 一种基于卷积神经网络的快速预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113948203A true CN113948203A (zh) | 2022-01-18 |
Family
ID=79331810
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111227007.3A Pending CN113948203A (zh) | 2021-10-21 | 2021-10-21 | 一种基于卷积神经网络的快速预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113948203A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116189800A (zh) * | 2023-02-23 | 2023-05-30 | 深圳大学 | 基于气体检测的模式识别方法、装置、设备及存储介质 |
-
2021
- 2021-10-21 CN CN202111227007.3A patent/CN113948203A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116189800A (zh) * | 2023-02-23 | 2023-05-30 | 深圳大学 | 基于气体检测的模式识别方法、装置、设备及存储介质 |
CN116189800B (zh) * | 2023-02-23 | 2023-08-18 | 深圳大学 | 基于气体检测的模式识别方法、装置、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Lekha et al. | Real-time non-invasive detection and classification of diabetes using modified convolution neural network | |
Zhang et al. | Machine learning‐reinforced noninvasive biosensors for healthcare | |
CN113052113B (zh) | 一种基于紧凑型卷积神经网络的抑郁症识别方法及系统 | |
TWI825240B (zh) | 用於判定體液樣品中之分析物濃度的方法和系統及用於產生軟體實施模組的方法和系統 | |
CN112419321B (zh) | X射线图像识别方法、装置、计算机设备及存储介质 | |
KR102095959B1 (ko) | 인공지능 딥러닝 학습을 이용한 생체측정물 농도 측정방법 | |
Patil et al. | A Novel Approach for ABO Blood Group Prediction using Fingerprint through Optimized Convolutional Neural Network | |
KR102179203B1 (ko) | 혈당 센싱 데이터 판별 방법 및 장치 | |
Singhal et al. | Detection of alcoholism using EEG signals and a CNN-LSTM-ATTN network | |
CN115602325A (zh) | 一种基于多模型算法的慢性病风险评估方法及其系统 | |
CN114512239A (zh) | 基于迁移学习的脑卒中风险预测方法及系统 | |
Parte et al. | Non-invasive method for diabetes detection using CNN and SVM classifier | |
CN110403611B (zh) | 血液中糖化血红蛋白成分值预测方法、装置、计算机设备和存储介质 | |
CN113948203A (zh) | 一种基于卷积神经网络的快速预测方法 | |
Bhaskar et al. | An approach for analysis and prediction of CKD using deep learning architecture | |
Bhaskar et al. | Automated detection of diabetes from exhaled human breath using deep hybrid architecture | |
US20210158967A1 (en) | Method of prediction of potential health risk | |
CN117193537A (zh) | 一种基于自适应迁移学习的双分支卷积神经网络运动想象意图解码方法 | |
Głowacz et al. | Comparison of various data analysis techniques applied for the classification of oligopeptides and amino acids by voltammetric electronic tongue | |
Nissimagoudar et al. | AlertNet: Deep convolutional-recurrent neural network model for driving alertness detection | |
CN112086130B (zh) | 一种基于测序和数据分析的肥胖风险预测装置的预测方法 | |
Liu et al. | An attention-based temporal convolutional network for rodent sleep stage classification across species, mutants and experimental environments with single-channel electroencephalogram | |
CN109034079B (zh) | 一种用于人脸非标准姿态下的面部表情识别方法 | |
WO2022216220A1 (en) | Method and system for personalized prediction of infection and sepsis | |
KR102617046B1 (ko) | 딥러닝 모델을 이용한 수면 단계 예측 방법 및 분석장치 |
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 |