CN114067190B - 基于人体气味信号的健康状态关联模型构建方法及系统 - Google Patents

基于人体气味信号的健康状态关联模型构建方法及系统 Download PDF

Info

Publication number
CN114067190B
CN114067190B CN202210046648.7A CN202210046648A CN114067190B CN 114067190 B CN114067190 B CN 114067190B CN 202210046648 A CN202210046648 A CN 202210046648A CN 114067190 B CN114067190 B CN 114067190B
Authority
CN
China
Prior art keywords
odor
signals
human body
graph
convolution
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
Application number
CN202210046648.7A
Other languages
English (en)
Other versions
CN114067190A (zh
Inventor
胡铃越
凌永权
吴泽佳
林潇
邱晓芳
刘庆
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangdong University of Technology
Original Assignee
Guangdong University of Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Guangdong University of Technology filed Critical Guangdong University of Technology
Priority to CN202210046648.7A priority Critical patent/CN114067190B/zh
Publication of CN114067190A publication Critical patent/CN114067190A/zh
Application granted granted Critical
Publication of CN114067190B publication Critical patent/CN114067190B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/251—Fusion techniques of input or preprocessed data
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/48—Other medical applications
    • A61B5/4854—Diagnosis based on concepts of traditional oriental medicine
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • 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
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • 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
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/29—Graphical models, e.g. Bayesian 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
    • G06N3/04—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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/047—Probabilistic or stochastic 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • 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
    • G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction
    • G06F2218/10—Feature extraction by analysing the shape of a waveform, e.g. extracting parameters relating to peaks
    • 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

Abstract

本发明公开了一种基于人体气味信号的健康状态关联模型构建方法及系统，包括：采集用户样本多处气味信号并进行预处理，对用户样本口腔、鼻腔、腋下三个部位的气味信号进行传感器有效通道选择，通过时域降维对所述气味信号进行融合及表征，将融合的气味信号进行归一化处理，根据归一化处理后的信号数据进行高阶特征提取，将得到的高阶特征作为输入，建立人体气味信号与健康状态关联的模型。本发明实现人体多部位气味信号融合与诊断，提出一种人体气味信号与健康联系模型，提高医生诊断效率和精度。

Description

基于人体气味信号的健康状态关联模型构建方法及系统
技术领域
本发明涉及模型构建领域，更具体的，涉及一种基于人体气味信号的健康状态关联模型构建方法及系统。
背景技术
“嗅诊”是归于中医中望闻问切中的闻，“嗅诊”是利用健康嗅觉判断病人气味与健康或病症之间关系的一种诊断方法。通过气味信号进行诊断可以减少医生接触病人同时又可以准确治疗出患者的疾病，降低医生被病人传染的风险，但目前对“嗅诊”的研究极其匮乏。随着医学和科技的逐渐发展，人们学会运用可靠的科学技术结合生物医学进行嗅诊。而目前现有的对气味信号的诊断大多为人工诊断及质谱分析、气象色谱分析等技术方法，而上述方法存在获取气味信息单一，疾病诊断单一的片面性，不同气味诊断不同疾病的复杂性，存在医生主观判断和没有将气味信号与人体健康特征总体联系结合起来的缺陷。
为了对克服上述的局限性，需要提出一种人体气味综合信号高阶特征与人的整体健康状态的全新模型，通过电子鼻采集不同健康状态人群不同部位的气味信号得到人体健康状态气味特征数据库，采集口鼻腋下三个部位的信号并去除信息中的冗余部分；再采用随机森林算法进行传感器通道选择，时域降维，得到融合的信号及其表征；然后对数据归一化处理并利用图神经网络对其进行高阶特征提取；最后用基于注意力机制的卷积神经网络来实现从人体综合气味信号高阶特征到健康状态的映射模型，在实现过程中如何基于注意力机制的卷积神经网络来实现从人体综合气味信号高阶特征到健康状态的映射模型是亟不可待需要解决的问题。
发明内容
为了解决上述技术问题，本发明提出了一种基于人体气味信号的健康状态关联模型构建方法及系统。
本发明第一方面提供了一种基于人体气味信号的健康状态关联模型构建方法，包括：
通过电子鼻进行采集用户样本多处气味信号并进行预处理；
对用户样本口腔、鼻腔、腋下三个部位的气味信号进行传感器有效通道选择，通过时域降维对所述气味信号进行融合及表征；
将融合的气味信号进行归一化处理，根据归一化处理后的信号数据进行高阶特征提取；
将得到的高阶特征作为输入，建立人体气味信号与健康状态关联的模型。
本方案中，所述的对用户样本口腔、鼻腔、腋下三个部位的气味信号进行传感器有效通道选择，具体为：
根据用户样本的口腔、鼻腔、腋下的气味信号生成气味信号矩阵，采用随机森林算法进行传感器通道选择；设
Figure DEST_PATH_IMAGE001
为传感器个数，
Figure 309507DEST_PATH_IMAGE002
为第
Figure 59026DEST_PATH_IMAGE001
个传感器记录的时间点数，则所述气味信号矩阵
Figure DEST_PATH_IMAGE003
表示为：
Figure DEST_PATH_IMAGE005
将所述气味信号矩阵的每一行视为一个特征
Figure 417326DEST_PATH_IMAGE006
，得到
Figure 989428DEST_PATH_IMAGE001
个传感器的重要性指标
Figure DEST_PATH_IMAGE007
；
在
Figure 102878DEST_PATH_IMAGE001
个传感器重要性指标中提取前
Figure 841158DEST_PATH_IMAGE008
个最大的数值对应的通道，最后选择出这
Figure 393362DEST_PATH_IMAGE008
个通道。
本方案中，所述的通过时域降维对所述气味信号进行融合及表征，具体为：
根据气味信号在时域上的峰值变化特征在不同梯度段上进行样本点的分配个数，通过基于信号梯度变化的时域数据压缩降维方法对电子鼻信号的时域压缩降维，将所述电子鼻信号从
Figure DEST_PATH_IMAGE009
变成
Figure 359919DEST_PATH_IMAGE010
，其中
Figure DEST_PATH_IMAGE011
，
Figure 926160DEST_PATH_IMAGE012
；
将用户样本口腔、鼻腔和腋下三个部位的气味信号进行融合，构成一个
Figure DEST_PATH_IMAGE013
的张量，实现对人体综合性整体气味表征。
本方案中，将融合的气味信号进行归一化处理，根据归一化处理后的信号数据进行高阶特征提取，具体为：
将融合的气味信号进行归一化处理，根据归一化处理后的信号数据得到气味特征矩阵；
将人体不同部位作为节点构建图结构，通过采集不同节点的3D 坐标，计算两节点间的欧氏距离，预设连接判断值，通过所述欧氏距离与所述连接判断值判断两部位是否具有连接关系，确定邻接矩阵；
将所述邻接矩阵进行标准化，将所述气味特征矩阵及归一化后的气味特征矩阵作为图卷积网络的输入信号输入图卷积网络，将多层图卷积网络进行叠加，通过多层图卷积网络提取用户样本人体综合气味高阶特征。
本方案中，所述的将人体不同部位作为节点构建图结构，具体为：
将人体的不同部位看作图结构中的节点，不同部位间连接关系作为图结构中的边，组成图网络的信号输入形式，通过邻节点构造、图规范化、图卷积架构将所述图结构转换成序列结构。
本方案中，将得到的高阶特征作为输入，建立人体气味信号与健康状态关联的模型，具体为：
基于注意力机制的卷积神经网络构建人体气味信号与健康状态关联的健康状态检测模型；
根据所述高阶特征中提取信号中每个通道响应之间的关联特征、信号局部响应变化特征、信号完整的响应变化特征；
通过第一卷积模块利用两个不同大小的卷积核并行排列对输入信息进行特征提取，并进行通道上的组合，通过多个卷积核提取人体综合气味类别特征；
将第一卷积模块输出的特征图作为键项，所述高阶特征作为查询项，将所述特征图与高阶矩阵进行相关性计算，得到相关函数，根据所述相关函数计算出查询项和键值相似性得到权重，将所述权重与值项进行加权求和生成注意力特征；
通过第二卷积模块采用逐点卷积进一步提取特征，经过第一卷积模块及第二卷积模块两类卷积层运算之后，采用线性整流函数作为激活函数，最后通过 SoftMax 多分类器进行用户样本的健康状态分类。
本发明第二方面还提供了一种基于人体气味信号的健康状态关联模型构建系统，该系统包括：存储器、处理器，所述存储器中包括一种基于人体气味信号的健康状态关联模型构建方法程序，所述一种基于人体气味信号的健康状态关联模型构建方法程序被所述处理器执行时实现如下步骤：
通过电子鼻进行采集用户样本多处气味信号并进行预处理；
对用户样本口腔、鼻腔、腋下三个部位的气味信号进行传感器有效通道选择，通过时域降维对所述气味信号进行融合及表征；
将融合的气味信号进行归一化处理，根据归一化处理后的信号数据进行高阶特征提取；
将得到的高阶特征作为输入，建立人体气味信号与健康状态关联的模型。
本方案中，所述的对用户样本口腔、鼻腔、腋下三个部位的气味信号进行传感器有效通道选择，具体为：
根据用户样本的口腔、鼻腔、腋下的气味信号生成气味信号矩阵，采用随机森林算法进行传感器通道选择；设
Figure 512256DEST_PATH_IMAGE001
为传感器个数，
Figure 336993DEST_PATH_IMAGE002
为第
Figure 66045DEST_PATH_IMAGE001
个传感器记录的时间点数，则所述气味信号矩阵
Figure 990139DEST_PATH_IMAGE003
表示为：
Figure 749016DEST_PATH_IMAGE014
将所述气味信号矩阵的每一行视为一个特征
Figure 783968DEST_PATH_IMAGE006
，得到
Figure 662800DEST_PATH_IMAGE001
个传感器的重要性指标
Figure 757795DEST_PATH_IMAGE007
；
在
Figure 941652DEST_PATH_IMAGE001
个传感器重要性指标中提取前
Figure 311454DEST_PATH_IMAGE008
个最大的数值对应的通道，最后选择出这
Figure 811836DEST_PATH_IMAGE008
个通道。
本方案中，所述的通过时域降维对所述气味信号进行融合及表征，具体为：
根据气味信号在时域上的峰值变化特征在不同梯度段上进行样本点的分配个数，通过基于信号梯度变化的时域数据压缩降维方法对电子鼻信号的时域压缩降维，将所述电子鼻信号从
Figure 405629DEST_PATH_IMAGE009
变成
Figure 483306DEST_PATH_IMAGE010
，其中
Figure 502471DEST_PATH_IMAGE011
，
Figure 981994DEST_PATH_IMAGE012
；
将用户样本口腔、鼻腔和腋下三个部位的气味信号进行融合，构成一个
Figure 543425DEST_PATH_IMAGE013
的张量，实现对人体综合性整体气味表征。
本方案中，将融合的气味信号进行归一化处理，根据归一化处理后的信号数据进行高阶特征提取，具体为：
将融合的气味信号进行归一化处理，根据归一化处理后的信号数据得到气味特征矩阵；
将人体不同部位作为节点构建图结构，通过采集不同节点的3D 坐标，计算两节点间的欧氏距离，预设连接判断值，通过所述欧氏距离与所述连接判断值判断两部位是否具有连接关系，确定邻接矩阵；
将所述邻接矩阵进行标准化，将所述气味特征矩阵及归一化后的气味特征矩阵作为图卷积网络的输入信号输入图卷积网络，将多层图卷积网络进行叠加，通过多层图卷积网络提取用户样本人体综合气味高阶特征。
本方案中，所述的将人体不同部位作为节点构建图结构，具体为：
将人体的不同部位看作图结构中的节点，不同部位间连接关系作为图结构中的边，组成图网络的信号输入形式，通过邻节点构造、图规范化、图卷积架构将所述图结构转换成序列结构。
本方案中，将得到的高阶特征作为输入，建立人体气味信号与健康状态关联的模型，具体为：
基于注意力机制的卷积神经网络构建人体气味信号与健康状态关联的健康状态检测模型；
根据所述高阶特征中提取信号中每个通道响应之间的关联特征、信号局部响应变化特征、信号完整的响应变化特征；
通过第一卷积模块利用两个不同大小的卷积核并行排列对输入信息进行特征提取，并进行通道上的组合，通过多个卷积核提取人体综合气味类别特征；
将第一卷积模块输出的特征图作为键项，所述高阶特征作为查询项，将所述特征图与高阶矩阵进行相关性计算，得到相关函数，根据所述相关函数计算出查询项和键值相似性得到权重，将所述权重与值项进行加权求和生成注意力特征；
通过第二卷积模块采用逐点卷积进一步提取特征，经过第一卷积模块及第二卷积模块两类卷积层运算之后，采用线性整流函数作为激活函数，最后通过 SoftMax 多分类器进行用户样本的健康状态分类。
本发明解决了背景技术中存在的缺陷，具备以下有益效果：
第一，本发明是将每一个部位的气味作为一个节点转换为邻接矩阵进行构图，图结构存在检测部位的气味信号，进而研究多个部位的信号；拟采用解决了多部位气味信号的有效融合和表征的问题，主要采用传感器通道选择算法以及信号时域算法，将高阶的信号进行降维，为模型建立提供便利
第二，本发明模型研究部位综合，利用身体各个部位内在联系进行综合气味信号的检测；拟人体每个部位气味信号作为一个节点构建图，实现综合气味信号诊断，实现融合后的信号进行高阶特征提取从而提高诊断效率与精度
第三，本发明模型完善了传统的单个部位的“嗅诊”，实现人体多部位气味信号融合与诊断，提出一种人体气味信号与健康联系模型，提高医生诊断效率和精度。以图结构融合人体多部位气味信号作为前提，采用基于注意力机制的卷积神经网络的方法构建模型，进一步提取人体综合气味高阶特征二维数据矩阵，最后实现不同人体健康状态对人体健康状态进行分类。
附图说明
图1示出了本发明一种基于人体气味信号的健康状态关联模型构建方法的流程图；
图2示出了本发明一种基于人体气味信号的健康状态关联模型构建系统的框图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是，本发明还可以采用其他不同于在此描述的其他方式来实施，因此，本发明的保护范围并不受下面公开的具体实施例的限制。
图1示出了本发明一种基于人体气味信号的健康状态关联模型构建方法的流程图。
如图1所示，本发明第一方面提供了一种基于人体气味信号的健康状态关联模型构建方法，包括：
S102，通过电子鼻进行采集用户样本多处气味信号并进行预处理；
S104，对用户样本口腔、鼻腔、腋下三个部位的气味信号进行传感器有效通道选择，通过时域降维对所述气味信号进行融合及表征；
S106，将融合的气味信号进行归一化处理，根据归一化处理后的信号数据进行高阶特征提取；
S108，将得到的高阶特征作为输入，建立人体气味信号与健康状态关联的模型。
需要说明的是，电子鼻中的传感器阵列中每个传感器对人体部位不同气味的敏感度不同，因此用电子鼻测得的人体高维气味信号进行处理，实现对人体气味信号特征的有效表征；本专利使用电子鼻设备采集青年组（18-25周岁）和老年组（65周岁以上）人群的口腔、鼻腔和腋下的气味信号作为数据分析对象。
需要说明的是，所述的对用户样本口腔、鼻腔、腋下三个部位的气味信号进行传感器有效通道选择，具体为：
根据用户样本的口腔、鼻腔、腋下的气味信号生成气味信号矩阵，采用随机森林算法进行传感器通道选择；设
Figure 108399DEST_PATH_IMAGE001
为传感器个数，
Figure 898631DEST_PATH_IMAGE002
为第
Figure 498240DEST_PATH_IMAGE001
个传感器记录的时间点数，则所述气味信号矩阵
Figure 230573DEST_PATH_IMAGE003
表示为：
Figure DEST_PATH_IMAGE015
将所述气味信号矩阵的每一行视为一个特征
Figure 125585DEST_PATH_IMAGE006
，得到
Figure 844142DEST_PATH_IMAGE001
个传感器的重要性指标
Figure 422891DEST_PATH_IMAGE016
；
在
Figure 201491DEST_PATH_IMAGE001
个传感器重要性指标中提取前
Figure 616423DEST_PATH_IMAGE008
个最大的数值对应的通道，最后选择出这
Figure 138672DEST_PATH_IMAGE008
个通道。
所述的通过时域降维对所述气味信号进行融合及表征，具体为：
根据气味信号在时域上的峰值变化特征在不同梯度段上进行样本点的分配个数，通过基于信号梯度变化的时域数据压缩降维方法对电子鼻信号的时域压缩降维，将所述电子鼻信号从
Figure 571927DEST_PATH_IMAGE009
变成
Figure 521428DEST_PATH_IMAGE010
，其中
Figure 659542DEST_PATH_IMAGE011
，
Figure 985481DEST_PATH_IMAGE012
；
将用户样本口腔、鼻腔和腋下三个部位的气味信号进行融合，构成一个
Figure 273243DEST_PATH_IMAGE013
的张量，实现对人体综合性整体气味表征；
其中数据压缩降维方法包括以下要求：从开始到结束的全部样本值划分为一段，对这一段求平均长度；满足梯度大的段取多样本点、梯度小的段取少样本点的原则。
需要说明的是，将融合的气味信号进行归一化处理，根据归一化处理后的信号数据进行高阶特征提取，具体为：
将融合的气味信号进行归一化处理，根据归一化处理后的信号数据得到气味特征矩阵；
将人体的不同部位看作图结构中的节点，不同部位间连接关系作为图结构中的边，组成图网络的信号输入形式，通过邻节点构造、图规范化、图卷积架构将所述图结构转换成序列结构；
通过采集不同节点的3D 坐标，计算两节点间的欧氏距离，预设连接判断值，通过所述欧氏距离与所述连接判断值判断两部位是否具有连接关系，确定邻接矩阵；
将所述邻接矩阵进行标准化，将所述气味特征矩阵及归一化后的气味特征矩阵作为图卷积网络的输入信号输入图卷积网络，将多层图卷积网络进行叠加，通过多层图卷积网络提取用户样本人体综合气味高阶特征。
预先设定连接判断值d；计算身体两部位间的距离a；比较a与d的大小，确定的邻接矩阵A，如下公式：
Figure 393646DEST_PATH_IMAGE018
将得到的邻接矩阵标准化为
Figure DEST_PATH_IMAGE019
，其中
Figure 48749DEST_PATH_IMAGE020
,D为
Figure DEST_PATH_IMAGE021
度矩阵。
设特征矩阵
Figure 709538DEST_PATH_IMAGE022
是一个
Figure DEST_PATH_IMAGE023
的矩阵，其中
Figure 366653DEST_PATH_IMAGE006
表示部位个数，
Figure 923536DEST_PATH_IMAGE024
表示每个部位气味的特征数。电子鼻气味信号划分为
Figure 987307DEST_PATH_IMAGE001
个独立输入通道，
Figure DEST_PATH_IMAGE025
秒采集到的人体某一部位气味电子鼻信号为：
Figure DEST_PATH_IMAGE027
将人体不同部位经过处理后得到的电子鼻信号进行归一化后再进行维度变换作为该部位的气味特征矩阵，具体表示为：
Figure DEST_PATH_IMAGE029
以归一化的邻接矩阵和气味特征矩阵作为图卷积网络的输入信号输入图卷积网络，将多层图卷积网络相叠加，通过多层图卷积网络结构提取人体不同部位的气味体征信号，其中图卷积网络的信息叠加运过程如下：
Figure DEST_PATH_IMAGE031
其中
Figure 61574DEST_PATH_IMAGE032
为激活函数 ReLU；W为第l层的权重，即第 l 层中邻节点传递给目标节点的一个传递系数维度为：
Figure 587844DEST_PATH_IMAGE034
使用切比雪夫多项式加速特征矩阵的求解，假设切比雪夫多项式的第
Figure DEST_PATH_IMAGE035
项是
Figure 909104DEST_PATH_IMAGE036
，计算卷积核：
Figure 866695DEST_PATH_IMAGE038
其中，*代表卷积运算，
Figure DEST_PATH_IMAGE039
和
Figure 682336DEST_PATH_IMAGE040
是卷积核和参数，且
Figure 799196DEST_PATH_IMAGE036
表达式为：
Figure 432303DEST_PATH_IMAGE042
Figure DEST_PATH_IMAGE043
将特征向量矩阵归一化到[−1,1]之间，设置
Figure 985513DEST_PATH_IMAGE044
来抑制参数数量防止过拟合。
需要说明的是，将得到的高阶特征作为输入，建立人体气味信号与健康状态关联的模型，具体为：
基于注意力机制的卷积神经网络构建人体气味信号与健康状态关联的健康状态检测模型；
根据所述高阶特征中提取信号中每个通道响应之间的关联特征、信号局部响应变化特征、信号完整的响应变化特征；
通过第一卷积模块利用两个不同大小的卷积核并行排列对输入信息进行特征提取，并进行通道上的组合，通过多个卷积核提取人体综合气味类别特征；
将第一卷积模块输出的特征图作为键项，所述高阶特征作为查询项，将所述特征图与高阶矩阵进行相关性计算，得到相关函数，根据所述相关函数计算出查询项和键值相似性得到权重，将所述权重与值项进行加权求和生成注意力特征；
通过第二卷积模块采用逐点卷积进一步提取特征，经过第一卷积模块及第二卷积模块两类卷积层运算之后，采用线性整流函数作为激活函数，最后通过 SoftMax 多分类器进行用户样本的健康状态分类。
以经图卷积网络提取得到的人体综合气味高阶特征作为人体气味信号与健康状态的关联模型的输入，青年健康状态或老年健康状态为模型的输出，采用基于注意力机制的卷积神经网络来实现该关联模型，人体综合气味的高阶特征中应提取三个方面的信息：信号中每个通道响应之间的关联特征；信号局部响应变化特征；信号完整的响应变化特征；
区分目标类别的识别特征，可以使用所提取的
Figure DEST_PATH_IMAGE045
大小的人体综合气味高阶特征二维数据矩阵对人体综合气味信号进行横纵两个方向上有效特征的提取，二维数据矩阵可以表示为：
Figure DEST_PATH_IMAGE047
第一卷积模块利用2个不同大小的（
Figure 932740DEST_PATH_IMAGE048
）卷积核并行排列对输入信息进行特征提取，并进行通道上的组合，通过多个卷积核提取人体综合气味类别特征，将不同尺度的信息进行融合来处理更多、更丰富的特征，增加特征多样性，同时这种设计可以有效的将每个通道间的关联特征进行提取；
注意力机制通过第一卷积模块输出的特征图作为键项
Figure DEST_PATH_IMAGE049
，以高阶特征输入特征为查询项Q进行相关性计算，设计出
Figure 372949DEST_PATH_IMAGE050
相关函数，通过
Figure 442536DEST_PATH_IMAGE051
计算出查询项和键值相似性，得到权重，将所述权重与值项进行加权求和生成注意力特征；；
通过第二卷积模块采用点卷积进一步提取特征。设点卷积的卷积核为
Figure DEST_PATH_IMAGE052
，并且由
Figure 220393DEST_PATH_IMAGE053
个卷积核组成：
Figure 158262DEST_PATH_IMAGE055
其中
Figure DEST_PATH_IMAGE056
为卷积核的系数；
在经过第一卷积模块，第二卷积模块两类卷积层运算之后，采用线性整流函数作为激活函数，ReLU函数使得网络可以自行引入稀疏性的同时大大地提高了训练速度，最后采用 SoftMax 多分类器进行人体健康状态分类。
本发明第二方面还提供了一种基于人体气味信号的健康状态关联模型构建系统2，该系统包括：存储器21、处理器22，所述存储器中包括一种基于人体气味信号的健康状态关联模型构建方法程序，所述一种基于人体气味信号的健康状态关联模型构建方法程序被所述处理器执行时实现如下步骤：
通过电子鼻进行采集用户样本多处气味信号并进行预处理；
对用户样本口腔、鼻腔、腋下三个部位的气味信号进行传感器有效通道选择，通过时域降维对所述气味信号进行融合及表征；
将融合的气味信号进行归一化处理，根据归一化处理后的信号数据进行高阶特征提取；
将得到的高阶特征作为输入，建立人体气味信号与健康状态关联的模型。
需要说明的是，电子鼻中的传感器阵列中每个传感器对人体部位不同气味的敏感度不同，因此用电子鼻测得的人体高维气味信号进行处理，实现对人体气味信号特征的有效表征；本专利使用电子鼻设备采集青年组（18-25周岁）和老年组（65周岁以上）人群的口腔、鼻腔和腋下的气味信号作为数据分析对象。
需要说明的是，所述的对用户样本口腔、鼻腔、腋下三个部位的气味信号进行传感器有效通道选择，具体为：
根据用户样本的口腔、鼻腔、腋下的气味信号生成气味信号矩阵，采用随机森林算法进行传感器通道选择；设
Figure 469288DEST_PATH_IMAGE001
为传感器个数，
Figure 444198DEST_PATH_IMAGE002
为第
Figure 253891DEST_PATH_IMAGE001
个传感器记录的时间点数，则所述气味信号矩阵
Figure 605237DEST_PATH_IMAGE003
表示为：
Figure 800464DEST_PATH_IMAGE015
将所述气味信号矩阵的每一行视为一个特征
Figure 274171DEST_PATH_IMAGE006
，得到
Figure 180947DEST_PATH_IMAGE001
个传感器的重要性指标
Figure 211351DEST_PATH_IMAGE016
；
在
Figure 887183DEST_PATH_IMAGE001
个传感器重要性指标中提取前
Figure 594108DEST_PATH_IMAGE008
个最大的数值对应的通道，最后选择出这
Figure 988180DEST_PATH_IMAGE008
个通道。
所述的通过时域降维对所述气味信号进行融合及表征，具体为：
根据气味信号在时域上的峰值变化特征在不同梯度段上进行样本点的分配个数，通过基于信号梯度变化的时域数据压缩降维方法对电子鼻信号的时域压缩降维，将所述电子鼻信号从
Figure 58161DEST_PATH_IMAGE009
变成
Figure 854078DEST_PATH_IMAGE010
，其中
Figure 731905DEST_PATH_IMAGE011
，
Figure 347694DEST_PATH_IMAGE012
；
将用户样本口腔、鼻腔和腋下三个部位的气味信号进行融合，构成一个
Figure 719900DEST_PATH_IMAGE013
的张量，实现对人体综合性整体气味表征；
其中数据压缩降维方法包括以下要求：从开始到结束的全部样本值划分为一段，对这一段求平均长度；满足梯度大的段取多样本点、梯度小的段取少样本点的原则。
需要说明的是，将融合的气味信号进行归一化处理，根据归一化处理后的信号数据进行高阶特征提取，具体为：
将融合的气味信号进行归一化处理，根据归一化处理后的信号数据得到气味特征矩阵；
将人体的不同部位看作图结构中的节点，不同部位间连接关系作为图结构中的边，组成图网络的信号输入形式，通过邻节点构造、图规范化、图卷积架构将所述图结构转换成序列结构；
通过采集不同节点的3D 坐标，计算两节点间的欧氏距离，预设连接判断值，通过所述欧氏距离与所述连接判断值判断两部位是否具有连接关系，确定邻接矩阵；
将所述邻接矩阵进行标准化，将所述气味特征矩阵及归一化后的气味特征矩阵作为图卷积网络的输入信号输入图卷积网络，将多层图卷积网络进行叠加，通过多层图卷积网络提取用户样本人体综合气味高阶特征。
预先设定连接判断值d；计算身体两部位间的距离a；比较a与d的大小，确定的邻接矩阵A，如下公式：
Figure 370325DEST_PATH_IMAGE018
将得到的邻接矩阵标准化为
Figure 419052DEST_PATH_IMAGE019
，其中
Figure 787716DEST_PATH_IMAGE020
,D为
Figure 462149DEST_PATH_IMAGE021
度矩阵。
设特征矩阵
Figure 701501DEST_PATH_IMAGE022
是一个
Figure 655550DEST_PATH_IMAGE023
的矩阵，其中
Figure 918035DEST_PATH_IMAGE006
表示部位个数，
Figure 756678DEST_PATH_IMAGE024
表示每个部位气味的特征数。电子鼻气味信号划分为
Figure 24105DEST_PATH_IMAGE001
个独立输入通道，
Figure 617897DEST_PATH_IMAGE025
秒采集到的人体某一部位气味电子鼻信号为：
Figure 492312DEST_PATH_IMAGE027
将人体不同部位经过处理后得到的电子鼻信号进行归一化后再进行维度变换作为该部位的气味特征矩阵，具体表示为：
Figure 869067DEST_PATH_IMAGE057
以归一化的邻接矩阵和气味特征矩阵作为图卷积网络的输入信号输入图卷积网络，将多层图卷积网络相叠加，通过多层图卷积网络结构提取人体不同部位的气味体征信号，其中图卷积网络的信息叠加运过程如下：
Figure 223956DEST_PATH_IMAGE031
其中
Figure 660754DEST_PATH_IMAGE032
为激活函数 ReLU；W为第l层的权重，即第 l 层中邻节点传递给目标节点的一个传递系数维度为：
Figure 350361DEST_PATH_IMAGE034
使用切比雪夫多项式加速特征矩阵的求解，假设切比雪夫多项式的第
Figure 530807DEST_PATH_IMAGE035
项是
Figure 504317DEST_PATH_IMAGE036
，计算卷积核：
Figure DEST_PATH_IMAGE058
其中，*代表卷积运算，
Figure 908753DEST_PATH_IMAGE039
和
Figure 570810DEST_PATH_IMAGE040
是卷积核和参数，且
Figure 554946DEST_PATH_IMAGE036
表达式为：
Figure 133695DEST_PATH_IMAGE042
Figure 912295DEST_PATH_IMAGE043
将特征向量矩阵归一化到[−1,1]之间，设置
Figure 551394DEST_PATH_IMAGE044
来抑制参数数量防止过拟合。
需要说明的是，将得到的高阶特征作为输入，建立人体气味信号与健康状态关联的模型，具体为：
基于注意力机制的卷积神经网络构建人体气味信号与健康状态关联的健康状态检测模型；
根据所述高阶特征中提取信号中每个通道响应之间的关联特征、信号局部响应变化特征、信号完整的响应变化特征；
通过第一卷积模块利用两个不同大小的卷积核并行排列对输入信息进行特征提取，并进行通道上的组合，通过多个卷积核提取人体综合气味类别特征；
将第一卷积模块输出的特征图作为键项，所述高阶特征作为查询项，将所述特征图与高阶矩阵进行相关性计算，得到相关函数，根据所述相关函数计算出查询项和键值相似性得到权重，将所述权重与值项进行加权求和生成注意力特征；
通过第二卷积模块采用逐点卷积进一步提取特征，经过第一卷积模块及第二卷积模块两类卷积层运算之后，采用线性整流函数作为激活函数，最后通过 SoftMax 多分类器进行用户样本的健康状态分类。
以经图卷积网络提取得到的人体综合气味高阶特征作为人体气味信号与健康状态的关联模型的输入，青年健康状态或老年健康状态为模型的输出，采用基于注意力机制的卷积神经网络来实现该关联模型，人体综合气味的高阶特征中应提取三个方面的信息：信号中每个通道响应之间的关联特征；信号局部响应变化特征；信号完整的响应变化特征；
区分目标类别的识别特征，可以使用所提取的
Figure 73642DEST_PATH_IMAGE045
大小的人体综合气味高阶特征二维数据矩阵对人体综合气味信号进行横纵两个方向上有效特征的提取，二维数据矩阵可以表示为：
Figure 506898DEST_PATH_IMAGE059
第一卷积模块利用2个不同大小的（
Figure 253137DEST_PATH_IMAGE048
）卷积核并行排列对输入信息进行特征提取，并进行通道上的组合，通过多个卷积核提取人体综合气味类别特征，将不同尺度的信息进行融合来处理更多、更丰富的特征，增加特征多样性，同时这种设计可以有效的将每个通道间的关联特征进行提取；
注意力机制通过第一卷积模块输出的特征图作为键项
Figure 279999DEST_PATH_IMAGE049
，以高阶特征输入特征为查询项Q进行相关性计算，设计出
Figure 215725DEST_PATH_IMAGE050
相关函数，通过
Figure 644432DEST_PATH_IMAGE051
计算出查询项和键值相似性，得到权重，将所述权重与值项进行加权求和生成注意力特征；；
通过第二卷积模块采用点卷积进一步提取特征。设点卷积的卷积核为
Figure 889469DEST_PATH_IMAGE052
，并且由
Figure 138048DEST_PATH_IMAGE053
个卷积核组成：
Figure DEST_PATH_IMAGE060
其中
Figure 844841DEST_PATH_IMAGE056
为卷积核的系数；
在经过第一卷积模块，第二卷积模块两类卷积层运算之后，采用线性整流函数作为激活函数，ReLU函数使得网络可以自行引入稀疏性的同时大大地提高了训练速度，最后采用 SoftMax 多分类器进行人体健康状态分类。
在本申请所提供的几个实施例中，应该理解到，所揭露的设备和方法，可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，如：多个单元或组件可以结合，或可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口，设备或单元的间接耦合或通信连接，可以是电性的、机械的或其它形式的。
上述作为分离部件说明的单元可以是、或也可以不是物理上分开的，作为单元显示的部件可以是、或也可以不是物理单元；既可以位于一个地方，也可以分布到多个网络单元上；可以根据实际的需要选择其中的部分或全部单元来实现本实施例方案的目的。
另外，在本发明各实施例中的各功能单元可以全部集成在一个处理单元中，也可以是各单元分别单独作为一个单元，也可以两个或两个以上单元集成在一个单元中；上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。
本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：移动存储设备、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、磁碟或者光盘等各种可以存储程序代码的介质。
或者，本发明上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实施例的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机、服务器、或者网络设备等）执行本发明各个实施例所述方法的全部或部分。而前述的存储介质包括：移动存储设备、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。

Claims (6)

1.一种基于人体气味信号的健康状态关联模型构建方法，其特征在于，包括以下步骤：
通过电子鼻进行采集用户样本多处气味信号并进行预处理；
对用户样本口腔、鼻腔、腋下三个部位的气味信号进行传感器有效通道选择，通过时域降维对所述气味信号进行融合及表征；
将融合的气味信号进行归一化处理，根据归一化处理后的信号数据进行高阶特征提取；
将得到的高阶特征作为输入，建立人体气味信号与健康状态关联的模型；
所述的将融合的气味信号进行归一化处理，根据归一化处理后的信号数据进行高阶特征提取，具体为：
将融合的气味信号进行归一化处理，根据归一化处理后的信号数据得到气味特征矩阵；
将人体不同部位作为节点构建图结构，通过采集不同节点的3D 坐标，计算两节点间的欧氏距离，预设连接判断值，通过所述欧氏距离与所述连接判断值判断两部位是否具有连接关系，确定邻接矩阵；
将所述邻接矩阵进行标准化，将所述气味特征矩阵及归一化后的气味特征矩阵作为图卷积网络的输入信号输入图卷积网络，将多层图卷积网络进行叠加，通过多层图卷积网络提取用户样本人体综合气味高阶特征；
所述的将得到的高阶特征作为输入，建立人体气味信号与健康状态关联的模型，具体为：
基于注意力机制的卷积神经网络构建人体气味信号与健康状态关联的健康状态检测模型；
根据所述高阶特征中提取信号中每个通道响应之间的关联特征、信号局部响应变化特征、信号完整的响应变化特征；
通过第一卷积模块利用两个不同大小的卷积核并行排列对输入信息进行特征提取，并进行通道上的组合，通过多个卷积核提取人体综合气味类别特征；
将第一卷积模块输出的特征图作为键项，所述高阶特征作为查询项，将所述特征图与高阶矩阵进行相关性计算，得到相关函数，根据所述相关函数计算出查询项和键值相似性得到权重，将所述权重与值项进行加权求和生成注意力特征；
通过第二卷积模块采用逐点卷积进一步提取特征，经过第一卷积模块及第二卷积模块两类卷积层运算之后，采用线性整流函数作为激活函数，最后通过 SoftMax 多分类器进行用户样本的健康状态分类。
2.根据权利要求1所述的一种基于人体气味信号的健康状态关联模型构建方法，其特征在于，所述的对用户样本口腔、鼻腔、腋下三个部位的气味信号进行传感器有效通道选择，具体为：
根据用户样本的口腔、鼻腔、腋下的气味信号生成气味信号矩阵，采用随机森林算法进行传感器通道选择；设
Figure DEST_PATH_IMAGE002
为传感器个数，
Figure DEST_PATH_IMAGE004
为第
Figure 684567DEST_PATH_IMAGE002
个传感器记录的时间点数，则所述气味信号矩阵
Figure DEST_PATH_IMAGE006
表示为：
Figure DEST_PATH_IMAGE008
将所述气味信号矩阵的每一行视为一个特征
Figure DEST_PATH_IMAGE010
，得到
Figure 8232DEST_PATH_IMAGE002
个传感器的重要性指标
Figure DEST_PATH_IMAGE012
；
在
Figure 601018DEST_PATH_IMAGE002
个传感器重要性指标中提取前
Figure DEST_PATH_IMAGE014
个最大的数值对应的通道，最后选择出这
Figure 58544DEST_PATH_IMAGE014
个通道。
3.根据权利要求1所述的一种基于人体气味信号的健康状态关联模型构建方法，其特征在于，所述的通过时域降维对所述气味信号进行融合及表征，具体为：
根据气味信号在时域上的峰值变化特征在不同梯度段上进行样本点的分配个数，通过基于信号梯度变化的时域数据压缩降维方法对电子鼻信号的时域压缩降维，将所述电子鼻信号从
Figure DEST_PATH_IMAGE016
变成
Figure DEST_PATH_IMAGE018
，其中
Figure DEST_PATH_IMAGE020
，
Figure DEST_PATH_IMAGE022
；
将用户样本口腔、鼻腔和腋下三个部位的气味信号进行融合，构成一个
Figure DEST_PATH_IMAGE024
的张量，实现对人体综合性整体气味表征。
4.根据权利要求1所述的一种基于人体气味信号的健康状态关联模型构建方法，其特征在于，所述的将人体不同部位作为节点构建图结构，具体为：
将人体的不同部位看作图结构中的节点，不同部位间连接关系作为图结构中的边，组成图网络的信号输入形式，通过邻节点构造、图规范化、图卷积架构将所述图结构转换成序列结构。
5.一种基于人体气味信号的健康状态关联模型构建系统，其特征在于，该系统包括：存储器、处理器，所述存储器中包括一种基于人体气味信号的健康状态关联模型构建方法程序，所述一种基于人体气味信号的健康状态关联模型构建的方法程序被所述处理器执行时实现如下步骤：
通过电子鼻进行采集用户样本多处气味信号并进行预处理；
对用户样本口腔、鼻腔、腋下三个部位的气味信号进行传感器有效通道选择，通过时域降维对所述气味信号进行融合及表征；
将融合的气味信号进行归一化处理，根据归一化处理后的信号数据进行高阶特征提取；
将得到的高阶特征作为输入，建立人体气味信号与健康状态关联的模型；
所述的将融合的气味信号进行归一化处理，根据归一化处理后的信号数据进行高阶特征提取，具体为：
将融合的气味信号进行归一化处理，根据归一化处理后的信号数据得到气味特征矩阵；
将人体不同部位作为节点构建图结构，通过采集不同节点的3D 坐标，计算两节点间的欧氏距离，预设连接判断值，通过所述欧氏距离与所述连接判断值判断两部位是否具有连接关系，确定邻接矩阵；
将所述邻接矩阵进行标准化，将所述气味特征矩阵及归一化后的气味特征矩阵作为图卷积网络的输入信号输入图卷积网络，将多层图卷积网络进行叠加，通过多层图卷积网络提取用户样本人体综合气味高阶特征；
所述的将得到的高阶特征作为输入，建立人体气味信号与健康状态关联的模型，具体为：
基于注意力机制的卷积神经网络构建人体气味信号与健康状态关联的健康状态检测模型；
根据所述高阶特征中提取信号中每个通道响应之间的关联特征、信号局部响应变化特征、信号完整的响应变化特征；
通过第一卷积模块利用两个不同大小的卷积核并行排列对输入信息进行特征提取，并进行通道上的组合，通过多个卷积核提取人体综合气味类别特征；
将第一卷积模块输出的特征图作为键项，所述高阶特征作为查询项，将所述特征图与高阶矩阵进行相关性计算，得到相关函数，根据所述相关函数计算出查询项和键值相似性得到权重，将所述权重与值项进行加权求和生成注意力特征；
通过第二卷积模块采用逐点卷积进一步提取特征，经过第一卷积模块及第二卷积模块两类卷积层运算之后，采用线性整流函数作为激活函数，最后通过 SoftMax 多分类器进行用户样本的健康状态分类。
6.根据权利要求5所述的一种基于人体气味信号的健康状态关联模型构建系统，其特征在于，所述的将人体不同部位作为节点构建图结构，具体为：
将人体的不同部位看作图结构中的节点，不同部位间连接关系作为图结构中的边，组成图网络的信号输入形式，通过邻节点构造、图规范化、图卷积架构将所述图结构转换成序列结构。
CN202210046648.7A 2022-01-17 2022-01-17 基于人体气味信号的健康状态关联模型构建方法及系统 Active CN114067190B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210046648.7A CN114067190B (zh) 2022-01-17 2022-01-17 基于人体气味信号的健康状态关联模型构建方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210046648.7A CN114067190B (zh) 2022-01-17 2022-01-17 基于人体气味信号的健康状态关联模型构建方法及系统

Publications (2)

Publication Number Publication Date
CN114067190A CN114067190A (zh) 2022-02-18
CN114067190B true CN114067190B (zh) 2022-04-15

Family

ID=80231036

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210046648.7A Active CN114067190B (zh) 2022-01-17 2022-01-17 基于人体气味信号的健康状态关联模型构建方法及系统

Country Status (1)

Country Link
CN (1) CN114067190B (zh)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101048658A (zh) * 2004-10-28 2007-10-03 株式会社Seems 疾病诊断系统
CN104751004A (zh) * 2015-04-15 2015-07-01 苏州大学 一种疾病预警方法、装置及系统
CN108267550A (zh) * 2018-01-22 2018-07-10 陈忠 基于智能鞋的疾病预警系统及方法
CN109394183A (zh) * 2018-12-14 2019-03-01 量子云未来（北京）信息科技有限公司 一种医疗疾病预警方法、系统及存储介质
CN111443165A (zh) * 2020-03-27 2020-07-24 华中科技大学 一种基于气体传感器与深度学习的气味识别方法
CN112806963A (zh) * 2021-01-27 2021-05-18 高也陶 一种人体气味嗅诊仪
CN113593697A (zh) * 2021-07-31 2021-11-02 吾征智能技术(北京)有限公司 一种基于呼吸气味判断疾病的系统、设备及介质
CN113671164A (zh) * 2021-09-26 2021-11-19 吾征智能技术(北京)有限公司 一种基于大便颜色及气味判断疾病的系统、设备及介质

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TW201915727A (zh) * 2017-09-18 2019-04-16 元智大學 多元感測器之錯誤偵測與分類方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101048658A (zh) * 2004-10-28 2007-10-03 株式会社Seems 疾病诊断系统
CN104751004A (zh) * 2015-04-15 2015-07-01 苏州大学 一种疾病预警方法、装置及系统
CN108267550A (zh) * 2018-01-22 2018-07-10 陈忠 基于智能鞋的疾病预警系统及方法
CN109394183A (zh) * 2018-12-14 2019-03-01 量子云未来（北京）信息科技有限公司 一种医疗疾病预警方法、系统及存储介质
CN111443165A (zh) * 2020-03-27 2020-07-24 华中科技大学 一种基于气体传感器与深度学习的气味识别方法
CN112806963A (zh) * 2021-01-27 2021-05-18 高也陶 一种人体气味嗅诊仪
CN113593697A (zh) * 2021-07-31 2021-11-02 吾征智能技术(北京)有限公司 一种基于呼吸气味判断疾病的系统、设备及介质
CN113671164A (zh) * 2021-09-26 2021-11-19 吾征智能技术(北京)有限公司 一种基于大便颜色及气味判断疾病的系统、设备及介质

Also Published As

Publication number Publication date
CN114067190A (zh) 2022-02-18

Similar Documents

Publication Publication Date Title
CN108806792B (zh) 深度学习面诊系统
CN106778042A (zh) 心脑血管患者相似性分析方法及系统
CN110090012A (zh) 一种基于机器学习的人体疾病检测方法及检测产品
CN108597605B (zh) 一种个人健康生活大数据采集与分析系统
CN116705337B (zh) 一种健康数据采集及智能分析方法
CN109009102B (zh) 一种基于脑电图深度学习的辅助诊断方法及系统
CN108090509B (zh) 一种数据长度自适应的心电图分类方法
M. Jomaa et al. End-to-end deep learning fusion of fingerprint and electrocardiogram signals for presentation attack detection
WO2021151295A1 (zh) 患者治疗方案的确定方法、装置、计算机设备及介质
CN111524093A (zh) 一种异常舌象的智能筛查方法及其系统
CN116110597B (zh) 一种基于数字孪生的患者病症类别智能分析方法及装置
CN113095382B (zh) 基于ct图像的可解释性肺结核分类网络识别方法
Xu et al. Intelligent emotion detection method based on deep learning in medical and health data
CN115064246A (zh) 一种基于多模态信息融合的抑郁症评估系统及设备
Nagadeepa et al. Artificial Intelligence based Cervical Cancer Risk Prediction Using M1 Algorithms
CN114041800B (zh) 心电信号实时分类方法、装置及可读存储介质
WO2023097780A1 (zh) 机械通气过程中人机异步现象的分类方法和分类装置
Zhang et al. A noninvasive method to detect diabetes mellitus and lung cancer using the stacked sparse autoencoder
Gavhale et al. Identification of medicinal plant using Machine learning approach
CN114067190B (zh) 基于人体气味信号的健康状态关联模型构建方法及系统
CN117542474A (zh) 基于大数据的远程护理监测系统及方法
WO2021231044A1 (en) System and method for testing for sars-cov-2/covid-19 based on wearable medical sensors and neural networks
Saranya et al. Classification and prediction of lung cancer with histopathological images using VGG-19 architecture
Senyurek et al. A comparison of SVM and CNN-LSTM based approach for detecting smoke inhalations from respiratory signal
CN105708441A (zh) 可佩戴指套及心电图和脉象采集终端

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