CN116671893A - 基于dwt-1dcnn的电子鼻新冠肺炎呼吸诊断装置 - Google Patents

基于dwt-1dcnn的电子鼻新冠肺炎呼吸诊断装置 Download PDF

Info

Publication number
CN116671893A
CN116671893A CN202211014471.9A CN202211014471A CN116671893A CN 116671893 A CN116671893 A CN 116671893A CN 202211014471 A CN202211014471 A CN 202211014471A CN 116671893 A CN116671893 A CN 116671893A
Authority
CN
China
Prior art keywords
signal
module
electronic nose
channel
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
Application number
CN202211014471.9A
Other languages
English (en)
Inventor
章伟
刘泽浩
李思宇
包楚阳
刘嘉明
王海燕
俞佳丽
宁璐
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.)
Anhui Liuwei Sensing Technology Co ltd
Chuzhou Yiran Sensing Technology Research Institute Co ltd
Hefei University of Technology
Original Assignee
Anhui Liuwei Sensing Technology Co ltd
Chuzhou Yiran Sensing Technology Research Institute Co ltd
Hefei 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 Anhui Liuwei Sensing Technology Co ltd, Chuzhou Yiran Sensing Technology Research Institute Co ltd, Hefei University of Technology filed Critical Anhui Liuwei Sensing Technology Co ltd
Publication of CN116671893A publication Critical patent/CN116671893A/zh
Pending legal-status Critical Current

Links

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/08—Detecting, measuring or recording devices for evaluating the respiratory organs
    • A61B5/082—Evaluation by breath analysis, e.g. determination of the chemical composition of exhaled breath
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/08—Detecting, measuring or recording devices for evaluating the respiratory organs
    • A61B5/097—Devices for facilitating collection of breath or for directing breath into or through measuring devices
    • 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
    • A61B5/7203—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal
    • 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
    • A61B5/725—Details of waveform analysis using specific filters therefor, e.g. Kalman or adaptive filters
    • 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
    • A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Molecular Biology (AREA)
  • Artificial Intelligence (AREA)
  • Biophysics (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Veterinary Medicine (AREA)
  • Physiology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Pathology (AREA)
  • Public Health (AREA)
  • Medical Informatics (AREA)
  • Signal Processing (AREA)
  • Psychiatry (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Pulmonology (AREA)
  • Evolutionary Computation (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Fuzzy Systems (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)

Abstract

本发明了公开了基于DWT‑1DCNN的电子鼻新冠肺炎呼吸诊断装置，包括电子鼻设备，用于接收呼气气体，并生成原始响应信号数据集；预处理模块，用于对原始响应信号进行预处理，获得预处理后的数据集；信号分解重构模块，用于对预处理后的数据集中的信号进行分解重构，获得扩充的训练集；通道注意力模块，用于对扩充的训练集中信每一个特征通道赋予权重；一维卷积神经网络模块，用于对扩充的训练集进行训练，获得呼气气体检测的正常或异常的结果。本发明解决了电子鼻难以采集大量新冠肺炎数据集用于模型训练的问题，利用DWT增强小样本数据集并取得了很好的效果。

Description

基于DWT-1DCNN的电子鼻新冠肺炎呼吸诊断装置
技术领域
本发明属于人体呼吸气体检测装置领域，具体涉及基于DWT-1DCNN的电子鼻新冠肺炎呼吸诊断装置。
背景技术
当前对于SARS-CoV-2引起的冠状病毒(COVID-19)标准和首选的检测装置是基于鼻咽和/或口咽拭子的实时逆转录聚合酶链反应(RT-PCR)。该检测装置的特异性和敏感性非常高，但由于口咽环境中不存在SARS-CoV-2会对检测的真实敏感性产生负面影响。假阴性测试结果的发生率相对较高，这使得人们希望有一种新的采样设备。其他诊断测试包括胸部CT扫描，以及通过逆转录聚合酶链式反应分析粪便或唾液以检测当前感染。然而，所有这些测试都是昂贵和耗时的，需要训练有素的人员，而且在胸部CT扫描的情况下，患者会暴露在X光下。
呼气分析装置是最近发展起来的一种检测设备。由于其快速、无创、易于被患者接受等优点，在医疗系统中越来越受到重视。呼出的气体中含有1000多种有机化合物。检测呼气产生的挥发性有机化合物主要通过两种方法进行，即化学成分分析和基于模式识别的方法。前者最常用的技术是气相色谱/质普法(GC/MS)来寻找呼气特异性生物标志物。但GC-MS具有一定的局限性，如成本高、不便携和操作难度高等。
近年来，深度人工神经网络在模式识别方面取得了许多成功。这些成功依赖于大数据来保证模型的良好泛化能力。然而，在时间序列识别领域，很多数据集往往非常小，其中较为明显的就是医学领域的时间序列数据。解决这一问题的有效方法是通过数据增强手段来避免过拟合。数据增强在图像领域由广泛应用，常用的方法由裁剪、旋转、添加噪声点等。而这些手段并不能很好的推广到时间序列数据中。
发明内容
本发明所要解决的技术问题是：针对现有技术的不足，本发明提出一种基于DWT-1DCNN的电子鼻新冠肺炎呼吸诊断装置。
为解决以上技术问题，本发明提供如下技术方案：
本发明提出一种基于DWT-1DCNN的电子鼻新冠肺炎呼吸诊断装置，包括电子鼻设备，用于接收呼气气体，并生成原始响应信号数据集；
电子鼻设备，用于接收呼气气体，并生成原始响应信号数据集；
上位机，包括预处理模块、信号分解重构模块、通道注意力模块、一维卷积神经网络模块；其中，
预处理模块，用于接收电子鼻设备输出的原始响应信号数据集，并对所述数据集中的原始响应信号进行预处理，获得预处理后的数据集；
信号分解重构模块，用于对预处理后的数据集中的信号进行分解重构，获得扩充的训练集；
通道注意力模块，用于对扩充的训练集中的每一个特征通道赋予权重；
一维卷积神经网络模块，用于对扩充的训练集进行训练，获得呼气气体检测的正常或异常的结果；所述一维卷积神经网络模块，包括：第一卷积、以及与第一卷积依次串联的第一通道注意力模块、第一池化层、第二卷积、第二通道注意力模块、第二池化层、flatten模块、全连接层、Dense模块、Softmax分类器。
进一步地，前述的电子鼻设备包括传感器阵列、控制器、传输模块，所述传感器阵列为对人体呼气有响应的数个气体传感器；控制器接收气体传感器阵列输出的呼气响应信号，并生成原始响应信号，之后通过无线传输模块输出至预处理模块。
进一步地，前述的预处理模块被配置执行以下动作：
S101、基于电子鼻采集人群呼气的原始响应信号构成的原始响应信号数据集X，按如下公式将呼气信号与基线信号之间的电阻变化除以基线信号中位数：
其中，为第k个呼气样本在基线阶段某一时刻气体传感器对环境气的响应值，为第k个呼气样本在呼气阶段某一时刻传感器对呼气信号的响应值，/>为第k个呼气样本在某一个时刻气体传感器响应特征信号。
S102、按如下公式进行归一化处理得到预处理后的数据集Xm：
其中，为第k个呼气样本的最大值，/>为第k个呼气样本的最小值，/>为样本集Xm中第k个呼气样本。
进一步地，前述的信号分解重构模块被配置执行以下动作：
S201、将样本集Xm按照预设比例随机划分为训练样本集Xtrain及测试样本集Xtest，对训练样本集Xtrain呼气样本中单个气体传感器响应信号x(z)进行小波分解：
按如下公式对信号x(z)经过低通滤波器F0(Z)进行下采样，得到尺度和分辨率均减半的平均信号c(z)，即低频部分；
按如下公式对信号x(z)经过高通滤波器F1(Z)进行下采样，得到尺度和分辨率均减半的细节信号d(z)，即高频成分：
S202、按如下公式对平均信号c(z)经过上采样，再经过低通滤波器得到大尺度低分辨率的逼近，即低通输出；对细节信号d(z)经过上采样，再经过高通滤波器，即高通输出，对所述低通输出、高通输出相加即得到重构的信号：
S203、采用相关系数R作为评价指标，按如下公式计算原始信号与重构信号的相似程度：
其中，R的范围为(0，1)，R越接近1表示信号的相似程度越高；
S204、将重构的信号与Xtrain中信号累加得到新的训练集X′train。
进一步地，所述通道注意力模块被配置执行以下动作：
S301、搭建通道注意力机制，按如下公式使用全局平均池化将全局时间信息压缩为通道描述符，并生成通道统计向量：
其中，输入为Y＝[y1，y2，...，yc]，yi∈RW×1，通道统计向量z∈R1×c，c为通道数，w为每一个通道的长度；
S302、按如下公式，采用门控制来完全捕获通道相关性，并生成通道重新校准向量z′：
z′＝σ(F″(δ(F′(Z))))
其中，δ为ReLU激活函数，F′和F″分别代表通道数为1、卷积核大小为1*1的卷积操作，σ是Sigmoid函数，将输入激活向量的动态范围压缩到[0，1]。
S303、利用校准向量z′校准输入，按如下公式计算特征M：
M＝[m1，m2，...，mc]＝Y.z′＝[y1z′1，y2z′2，...，ycz′c]。
进一步地，前述的一维卷积神经网络模块被配置执行以下动作：
利用一维卷积神经网络、引入通道注意力机制，以数据集X′train中各个样本数据、以及数据集X′train中各个样本数据对应的预设检测结果为输出构建呼吸气体检测模型；以数据集X′train中各个样本数据为输入、数据集X′train中各个样本数据对应的呼气气体正常或呼气气体非正常为输出，针对呼吸气体检测模型进行训练，获得呼吸气体检测模型，实现对呼气气体正常与否的分类检测。
进一步地，前述的利用训练好的呼吸气体检测模型对测试集Xtest进行分类检测，绘制混淆矩阵，计算分类准确率、敏感性、特异性。
本发明采用以上技术方案，与现有技术相比的有益效果如下：
本发明提出利用DWT重构来增强时间序列数据集，DWT在时间序列领域常用于剔除高频部分的噪声信号而保留低频部分的主要信息。利用指标R可以计算重构信号与原有信号的相似程度，在确保R大于一定值的条件下，所重构的信号基本保留了原有信号的特征，可以用做数据增强。增强后的数据用于添加注意力通道机制的1DCNN，自动提取出数据的特征，且取得了很好的效果。解决了电子鼻在医学诊断领域难以获得足量样本的问题，且避免了提取特征和选取各种机器学习分类器的困难。
附图说明
图1为本发明基于DWT-1DCNN的电子鼻新冠肺炎呼吸诊断装置整体结构示意图。
图2为呼吸诊断装置中呼吸气体检测模型的训练步骤。
图3为一实施例中DWT重构信号与原信号的对比图。
图4为一实施例中的通道注意力模块。
图5为一实施例中的1DCNN模块。
图6为一实施例中的分类准确率、损失与迭代次数的结果图，其中(a)、(b)分别是数据增强前后的分类准确率、损失与迭代次数的关系。
具体实施方式
为了更了解本发明的技术内容，特举具体实施例并配合所附图式说明如下。
在本发明中参照附图来描述本发明的各方面，附图中示出了许多说明性实施例。本发明的实施例不局限于附图所述。应当理解，本发明通过上面介绍的多种构思和实施例，以及下面详细描述的构思和实施方式中的任意一种来实现，这是因为本发明所公开的构思和实施例并不限于任何实施方式。另外，本发明公开的一些方面可以单独使用，或者与本发明公开的其他方面的任何适当组合来使用。
如图1所示，电子鼻设备包括传感器阵列以及与传感器阵列依次相连的控制器、传输模块，用于采集人群呼吸的原始响应信号，传感器阵列为对人体呼气有响应的数个气体传感器；之后传输模块将该原始响应信号传输至上位机，上位机包括已训练好的呼吸气体检测模型，并应用该模型对原始响应信号分析检测，输出检测结果。
如图2所示，本发明提供一种基于DWT-1DCNN的电子鼻新冠肺炎呼吸诊断装置，包括：
电子鼻设备，用于接收呼气气体，并生成原始响应信号数据集；
上位机，包括预处理模块、信号分解重构模块、通道注意力模块、一维卷积神经网络模块；其中，
预处理模块，用于接收电子鼻设备输出的原始响应信号数据集，并对所述数据集中的原始响应信号进行预处理，获得预处理后的数据集；
信号分解重构模块，用于对预处理后的数据集中的信号进行分解重构，获得扩充的训练集；
通道注意力模块，用于对扩充的训练集中的每一个特征通道赋予权重；
一维卷积神经网络模块，用于对扩充的训练集进行训练，获得呼气气体检测的正常或异常的结果；所述一维卷积神经网络模块，包括：第一卷积、以及与第一卷积依次串联的第一通道注意力模块、第一池化层、第二卷积、第二通道注意力模块、第二池化层、flatten模块、全连接层、Dense模块、Softmax分类器。
其中，预处理模块被配置执行以下动作：
S101、基于电子鼻采集人群呼气的原始响应信号构成的原始响应信号数据集X，按如下公式将呼气信号与基线信号之间的电阻变化除以基线信号中位数：
其中，为第k个呼气样本在基线阶段某一时刻气体传感器对环境气的响应值，为第k个呼气样本在呼气阶段某一时刻传感器对呼气信号的响应值，/>为第k个呼气样本在某一个时刻气体传感器响应特征信号。
S102、按如下公式进行归一化处理得到预处理后的数据集Xm：
其中，为第k个呼气样本的最大值，/>为第k个呼气样本的最小值，/>为样本集Xm中第k个呼气样本。
将数据集Xm按照7∶3的比例随机划分为训练样本集Xtrain及测试样本集Xtest。其中Xtrain中有28个新冠肺炎样本，39个健康对照样本；Xtest有13个新冠肺炎样本，18个健康对照样本，
信号分解重构模块被配置执行以下动作：
S201、将样本集Xm按照7∶3的比例随机划分为训练样本集Xtrain及测试样本集Xtest。其中Xtrain中有28个新冠肺炎样本，39个健康对照样本；Xtest有13个新冠肺炎样本，18个健康对照样本，对训练样本集Xtrain呼气样本中单个气体传感器响应信号x(z)进行小波分解：
按如下公式对信号x(z)经过低通滤波器F0(Z)进行下采样，得到尺度和分辨率均减半的平均信号c(z)，即低频部分；
按如下公式对信号x(z)经过高通滤波器F1(Z)进行下采样，得到尺度和分辨率均减半的细节信号d(z)，即高频成分：
S202、按如下公式对平均信号c(z)经过上采样，再经过低通滤波器得到大尺度低分辨率的逼近，即低通输出；对细节信号d(z)经过上采样，再经过高通滤波器，即高通输出，对所述低通输出、高通输出相加即得到重构的信号：
S203、采用相关系数R作为评价指标，按如下公式计算原始信号与重构信号的相似程度：
其中，R的范围为(0，1)，R越接近1表示信号的相似程度越高；
S204、将重构的信号与Xtrain中信号累加得到新的训练集X′train。
本次研究选择了bior4.4，coif1，sym3三种小波对信号进行重构，如图3所示，DWT重构信号与原信号吻合度较高。
图4为搭建的通道注意力模块示意图。通道注意力模块被配置执行以下动作：
S301、搭建通道注意力机制，按如下公式使用全局平均池化将全局时间信息压缩为通道描述符，并生成通道统计向量：
其中，输入为Y＝[y1，y2，...，yc]，yi∈RW×1，通道统计向量z∈R1×c，c为通道数，w为每一个通道的长度；
S302、按如下公式，采用门控制来完全捕获通道相关性，并生成通道重新校准向量z′：
z′＝σ(F″(δ(F′(Z))))
其中，δ为ReLU激活函数，F′和F″分别代表通道数为1、卷积核大小为1*1的卷积操作，σ是Sigmoid函数，将输入激活向量的动态范围压缩到[0，1]。
S303、利用校准向量z′校准输入，按如下公式计算特征M：
M＝[m1，m2，...，mc]＝Y.z′＝[y1z′1，y2z′2，...，ycz′c]。
如图5所示的1DCNN模块示意图，一维卷积神经网络1DCNN，包括第一卷积、以及与第一卷积依次相连的第一通道注意力模块、第一池化层、第二卷积2、第二通道注意力模块、第二池化层、flatten模块、全连接层、Dense模块、Softmax分类器。其中卷积核采用1维卷积核，第一卷积大小为1*4，第二卷积大小为1*8，卷积过程中将padding设置为“same”，“strides”设置为1，并选用ReLU激活函数增加网络的非线性。池化层采用最大池化，第一、第二池化核尺寸均为2，“strides”设置为2。在第二池化层后进行Flatten，再通过全连接层，“dropout”设置为0.3，最后通过Softmax分类器产生最终标签。模型选用交叉熵作为损失函数，使用Adam自适应动量随机优化算法，确保损失函数迅速收敛至全局最小。训练过程中学习率设置0.01，Batch_sizes设置为10，Epoch大小为50，从训练集划分20％的数据作为验证集。各个过程中的数据如表1所示：
表1
利用训练好的呼吸气体检测模型对测试集Xtest进行分类检测，绘制混淆矩阵，计算分类准确率、敏感性、特异性。
将Xtrain和X′train，分别输入呼吸气体检测模型，分别绘制其训练集和验证集的准确率和损失曲线，对比增强数据集前后的效果。
如图6(a)、图6(b)所示，增强数据前验证集的损失率随Epoch的增加并没有收敛，而准确率曲线却达到了很好的效果，表明模型过拟合问题严重。增强后的数据随着Epoch的增加，模型逐渐收敛，过拟合问题得到了解决。
利用训练好的模型对测试集Xtest进行分类检测，计算分类准确率、敏感性、特异性，结果如表2所示。
表2
准确率 敏感性 特异性
93.60％ 91.73％ 95.19％
由表可以看出本发明的DWT-1DCNN模型取得了很好的效果。
虽然本发明已以较佳实施例阐述如上，然其并非用以限定本发明。本发明所属技术领域中具有通常知识者，在不脱离本发明的精神和范围内，当可作各种的更动与润饰。因此，本发明的保护范围当视权利要求书所界定者为准。

Claims (7)

1.基于DWT-1DCNN的电子鼻新冠肺炎呼吸诊断装置，其特征在于，包括：
电子鼻设备，用于接收呼气气体，并生成原始响应信号数据集；
上位机，包括预处理模块、信号分解重构模块、通道注意力模块、一维卷积神经网络模块；
其中，
预处理模块，用于接收电子鼻设备输出的原始响应信号数据集，并对所述数据集中的原始响应信号进行预处理，获得预处理后的数据集；
信号分解重构模块，用于对预处理后的数据集中的信号进行分解重构，获得扩充的训练集；
通道注意力模块，用于对扩充的训练集中的每一个特征通道赋予权重；
一维卷积神经网络模块，用于对扩充的训练集进行训练，获得呼气气体检测的正常或异常的结果；所述一维卷积神经网络模块，包括：第一卷积、以及与第一卷积依次串联的第一通道注意力模块、第一池化层、第二卷积、第二通道注意力模块、第二池化层、flatten模块、全连接层、Dense模块、Softmax分类器。
2.根据权利要求1所述的基于DWT-1DCNN的电子鼻新冠肺炎呼吸诊断装置，其特征在于，电子鼻设备包括传感器阵列、控制器、传输模块，所述传感器阵列为对人体呼气有响应的数个气体传感器；控制器接收气体传感器阵列输出的呼气响应信号，并生成原始响应信号，之后通过无线传输模块输出至预处理模块。
3.根据权利要求2所述的基于DWT-1DCNN的电子鼻新冠肺炎呼吸诊断装置，其特征在于，所述预处理模块被配置执行以下动作：
S101、基于电子鼻采集人群呼气的原始响应信号构成的原始响应信号数据集X，按如下公式将呼气信号与基线信号之间的电阻变化除以基线信号中位数：
其中，为第k个呼气样本在基线阶段某一时刻气体传感器对环境气的响应值，/>为第k个呼气样本在呼气阶段某一时刻传感器对呼气信号的响应值,/>为第k个呼气样本在某一个时刻气体传感器响应特征信号；
S102、按如下公式进行归一化处理得到预处理后的数据集Xm：
其中，为第k个呼气样本的最大值，/>为第k个呼气样本的最小值，/>为样本集Xm中第k个呼气样本。
4.根据权利要求3所述的基于DWT-1DCNN的电子鼻新冠肺炎呼吸诊断装置，其特征在于，所述信号分解重构模块被配置执行以下动作：
S201、将样本集Xm按照预设比例随机划分为训练样本集Xtrain及测试样本集Xtest，对训练样本集Xtrain呼气样本中单个气体传感器响应信号x(z)进行小波分解：
按如下公式对信号x(z)经过低通滤波器F0(Z)进行下采样，得到尺度和分辨率均减半的平均信号c(z)，即低频部分；
按如下公式对信号x(z)经过高通滤波器F1(Z)进行下采样，得到尺度和分辨率均减半的细节信号d(z)，即高频成分：
S202、按如下公式对平均信号c(z)经过上采样，再经过低通滤波器得到大尺度低分辨率的逼近，即低通输出；对细节信号d(z)经过上采样，再经过高通滤波器，即高通输出，对所述低通输出、高通输出相加即得到重构的信号：
S203、采用相关系数R作为评价指标，按如下公式计算原始信号与重构信号的相似程度：
其中，R的范围为(0，1)，R越接近1表示信号的相似程度越高；
S204、将重构的信号与Xtrain中信号累加得到新的训练集X′train。
5.根据权利要求4所述的基于DWT-1DCNN的电子鼻新冠肺炎呼吸诊断装置，其特征在于，所述通道注意力模块被配置执行以下动作：
S301、搭建通道注意力机制，按如下公式使用全局平均池化将全局时间信息压缩为通道描述符，并生成通道统计向量：
其中，输入为Y＝[y1，y2，...，yc]，yi∈RW×1，通道统计向量z∈R1×c，c为通道数，w为每一个通道的长度；
S302、按如下公式，采用门控制来完全捕获通道相关性，并生成通道重新校准向量z′：
z′＝σ(F″(δ(F′(Z))))
其中，δ为ReLU激活函数，F′和F″分别代表通道数为1、卷积核大小为1*1的卷积操作，σ是Sigmoid函数，将输入激活向量的动态范围压缩到[0，1]。
S303、利用校准向量z′校准输入，按如下公式计算特征M：
M＝[m1，m2，...，mc]＝Y.z′＝[y1z′1，y2z′2，...，ycz′c]。
6.根据权利要求5所述的基于DWT-1DCNN的电子鼻新冠肺炎呼吸诊断装置，其特征在于，所述一维卷积神经网络模块被配置执行以下动作：
利用一维卷积神经网络、引入通道注意力机制，以数据集X′train中各个样本数据、以及数据集X′train中各个样本数据对应的预设检测结果为输出构建呼吸气体检测模型；以数据集X′train中各个样本数据为输入、数据集X′train中各个样本数据对应的呼气气体正常或呼气气体非正常为输出，针对呼吸气体检测模型进行训练，获得呼吸气体检测模型，实现对呼气气体正常与否的分类检测。
7.根据权利要求6所述的基于DWT-1DCNN的电子鼻新冠肺炎呼吸诊断装置，其特征在于，利用训练好的呼吸气体检测模型对测试集Xtest进行分类检测，绘制混淆矩阵，计算分类准确率、敏感性、特异性。
CN202211014471.9A 2022-08-16 2022-08-23 基于dwt-1dcnn的电子鼻新冠肺炎呼吸诊断装置 Pending CN116671893A (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN2022109801315 2022-08-16
CN202210980131 2022-08-16

Publications (1)

Publication Number Publication Date
CN116671893A true CN116671893A (zh) 2023-09-01

Family

ID=87787835

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211014471.9A Pending CN116671893A (zh) 2022-08-16 2022-08-23 基于dwt-1dcnn的电子鼻新冠肺炎呼吸诊断装置

Country Status (1)

Country Link
CN (1) CN116671893A (zh)

Similar Documents

Publication Publication Date Title
Salman et al. Covid-19 detection using artificial intelligence
US11864880B2 (en) Method for analysis of cough sounds using disease signatures to diagnose respiratory diseases
Chaudhary et al. FBSED based automatic diagnosis of COVID-19 using X-ray and CT images
CN108670200B (zh) 一种基于深度学习的睡眠鼾声分类检测方法及系统
Kosasih et al. Wavelet augmented cough analysis for rapid childhood pneumonia diagnosis
CN108827605B (zh) 一种基于改进稀疏滤波的机械故障特征自动提取方法
CN112472065A (zh) 基于咳嗽声识别的病症检测方法及其相关设备
CN113436726B (zh) 一种基于多任务分类的肺部病理音自动化分析方法
Arifin et al. Fast COVID-19 detection of chest X-ray images using single shot detection MobileNet convolutional neural networks
Dar et al. Spectral features and optimal hierarchical attention networks for pulmonary abnormality detection from the respiratory sound signals
CN113539398A (zh) 一种呼吸机人机异步分类方法、系统、终端以及存储介质
Jayalakshmy et al. CNN based Categorization of respiratory sounds using spectral descriptors
WO2021120007A1 (zh) 一种基于红外图像序列的睡眠质量评估系统和方法
CN115089123A (zh) 基于注意力和Transformer的OSA检测方法
He et al. Multifractal analysis on age-based discrimination in X-ray images for sensing the severity of COVID-19 disease
CN116671893A (zh) 基于dwt-1dcnn的电子鼻新冠肺炎呼吸诊断装置
Kazemi et al. Frequency analysis of capnogram signals to differentiate asthmatic and non-asthmatic conditions using radial basis function neural networks
CN114209302B (zh) 基于数据不确定性学习的咳嗽检测方法
CN116246658A (zh) 一种基于MobileCBAM-CenterNet的鼾声检测方法及装置
CN111012306B (zh) 基于双神经网络的睡眠呼吸声检测方法及系统
CN115251845A (zh) 基于TB-TF-BiGRU模型处理脑电波信号的睡眠监测方法
CN111383764B (zh) 一种机械通气驱动压与呼吸机相关事件的相关性检测系统
Saeed et al. An AI-Enabled Bias-Free Respiratory Disease Diagnosis Model Using Cough Audio
Shi et al. A two stage recognition method of lung sounds based on multiple features
Hakim et al. Tuberculosis detection analysis using texture features on CXRs images

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