本發明專利技術公開了基于隨機配置網絡的半監督體外診察信息認知裝置及方法，包括：數據預處理模塊，用于對各模態的體外診察數據進行數據預處理，提取得到對應的可解釋生物特征；半監督體外診察信息分析模塊，用于根據提取的可解釋生物特征，利用基于流形學習的隨機配置網絡生成未標記體外診察數據的偽標簽，并利用基于直接模糊加權的隨機配置網絡進行分類，得到基于體外診察信息的疾病數據分類結果。本發明專利技術通過半監督體外診察信息分析模塊學習標記數據和未標記數據的內在聯系，并學習標記樣本數據和帶有偽標簽的未標記數據樣本的分布信息，提高了體外診察信息的疾病分類準確率。
1、為促進中醫客觀化和標準化發展，利用智能傳感技術、信號處理技術采集處理數字化體表信息，并通過精確的西方病理學對樣本進行標記，最后通過數據驅動的人工智能算法實現不同疾病的診斷，不僅對于病例樣本歸類提供了嚴格的劃分依據，同時符合當前國內外主流研究的標準，有利于促進傳統中醫國際化、標準化推廣。但是，在體表信息采集過程中，容易因人為因素、設備故障等原因，導致樣本標記缺失等問題，影響分類準確率。如果僅采取標記數據，進行模型學習，容易忽視未標記數據的內在信息，合理有效的利用標記數據與未標記數據，有利于提高疾病診斷精度。
2、與深度置信網絡、深度玻爾茲曼機、卷積神經網絡等模型不同，隨機配置網絡因其建模的快速有效性，在機器學習中展現出了巨大的發展潛力。隨機配置網絡采取增量學習方式，并引入監督機制，利用不等式約束對隨機參數進行賦值，并自適應地選擇隨機參數的取值范圍，通過最小二乘法計算隱含層輸出權重，保證了學習模型的全局逼近性，在較少人為干預下，提高了網絡的學習精度和學習效率。
3、盡管當前已有針對半監督醫學數據的方法，但是尚未發現利用半監督隨機配置網絡解決體外診察數據分析任務研究；在體表信息采集樣本標記缺失的情況下，現有的半監督醫學數據的分類裝置僅采取標記數據，進行模型學習，容易忽視未標記數據的內在信息，從而導致出現體外診察信息的疾病分類準確率低的問題。
>技術實現思路1、本專利技術要解決的技術問題在于，針對現有技術缺陷，本專利技術提供一種基于隨機配置網絡的半監督體外診察信息認知裝置及方法，以解決現有的半監督醫學數據的分類裝置對于體外診察信息的疾病分類準確率低的問題。
2、本專利技術解決技術問題所采用的技術方案如下：
3、第一方面，本專利技術提供一種基于隨機配置網絡的半監督體外診察信息認知裝置，包括：
4、數據預處理模塊，用于對各模態的體外診察數據進行數據預處理，提取得到對應的可解釋生物特征；
5、半監督體外診察信息分析模塊，用于根據提取的可解釋生物特征，利用基于流形學習的隨機配置網絡生成未標記體外診察數據的偽標簽，并利用基于直接模糊加權的隨機配置網絡進行分類，得到基于體外診察信息的疾病數據分類結果。
6、在一種實現方式中，所述數據預處理模塊包括：
7、數據獲取單元，用于獲取各模態的體外診察數據；其中，所述體外診察數據包括：標記的體外診察數據和無標記的體外診察數據；
8、特征提取單元，用于根據各模態的體外診察數據對應的信號特征提取方法進行特征提取，歸一化后得到各模態的體外診察數據對應的可解釋生物特征。
9、在一種實現方式中，所述半監督體外診察信息分析模塊包括：
10、基于流形學習的隨機配置網絡單元，用于根據提取的可解釋生物特征，利用所述基于流形學習的隨機配置網絡學習標記的體外診察數據與無標記的體外診察數據之間的內在聯系，生成所述未標記體外診察數據的偽標簽；
11、直接模糊加權的隨機配置網絡單元，用于利用所述基于直接模糊加權的隨機配置網絡學習標記的體外診察數據和帶所述偽標簽的無標記的體外診察數據的分布信息。
12、在一種實現方式中，所述基于流形學習的隨機配置網絡單元包括：
13、內在聯系學習子單元，用于構建所述基于流形學習的隨機配置網絡，通過流形學習方法學習所述標記的體外診察數據與所述無標記的體外診察數據之間的內在聯系；
14、偽標簽生成子單元，用于根據所述標記的體外診察數據與所述無標記的體外診察數據之間的內在聯系，生成所述無標記的體外診察數據的偽標簽。
15、在一種實現方式中，所述直接模糊加權的隨機配置網絡單元包括：
16、構建子單元，用于構建所述基于直接模糊加權的隨機配置網絡；
17、加權值賦予子單元，用于通過所述基于直接模糊加權的隨機配置網絡，利用直覺模糊集理論分別為所述標記的體外診察數據和帶所述偽標簽的無標記的體外診察數據賦予一個加權值；
18、分布信息學習子單元，用于基于賦予的加權值分別學習所述標記的體外診察數據和帶所述偽標簽的無標記的體外診察數據對于類別的隸屬度和非隸屬度，得到對應的分布信息。
19、第二方面，本專利技術提供一種基于隨機配置網絡的半監督體外診察信息認知裝置的半監督體外診察信息處理方法，包括：
20、通過數據預處理模塊對各模態的體外診察數據進行數據預處理，提取得到對應的可解釋生物特征；
21、通過半監督體外診察信息分析模塊對提取的可解釋生物特征進行分析，利用基于流形學習的隨機配置網絡生成未標記體外診察數據的偽標簽，并利用基于直接模糊加權的隨機配置網絡進行分類，得到基于體外診察信息的疾病數據分類結果。
22、在一種實現方式中，所述通過數據預處理模塊對各模態的體外診察數據進行數據預處理，提取得到對應的可解釋生物特征，包括：
23、通過所述數據預處理模塊獲取各模態的體外診察數據，并根據各模態的體外診察數據對應的信號特征提取方法進行特征提取，歸一化后得到各模態的體外診察數據對應的可解釋生物特征；其中，所述體外診察數據包括：標記的體外診察數據和無標記的體外診察數據。
24、在一種實現方式中，所述通過半監督體外診察信息分析模塊對提取的可解釋生物特征進行分析，利用基于流形學習的隨機配置網絡生成未標記體外診察數據的偽標簽，并利用基于直接模糊加權的隨機配置網絡進行分類，包括：
25、根據提取的可解釋生物特征，利用所述半監督體外診察信息分析模塊的基于流形學習的隨機配置網絡學習標記的體外診察數據與無標記的體外診察數據之間的內在聯系，生成所述未標記體外診察數據的偽標簽；
26、利用所述半監督體外診察信息分析模塊的基于直接模糊加權的隨機配置網絡學習標記的體外診察數據和帶所述偽標簽的無標記的體外診察數據的分布信息。
27、在一種實現方式中，所述利用所述半監督體外診察信息分析模塊的基于流形學習的隨機配置網絡學習標記的體外診察數據與無標記的體外診察數據之間的內在聯系，生成所述未標記體外診察數據的偽標簽，包括：
28、通過所述半監督體外診察信息分析模塊構建所述基于流形學習的隨機配置網絡；
29、通過所述基于流形學習的隨機配置網絡，以流形學習方法學習所述標記的體外診察數據與所述無標記的體外診察數據之間的內在聯系，并根據所述標記的體外診察數據與所述無標記的體外診察數據之間的內在聯系，生成所述無標記的體外診察數據的偽標簽。
30、在一種實現方式中，所述利用所述半監督體外診察信息分析模塊的基于直接模糊加權的隨機配置網絡學習標記的體外診察數據和帶所述偽標簽的無標記的體外診察數據的分布信息，包括：
31、通過所述半監督體外診察信息分析模塊構建所述基本文檔來自技高網...
【技術保護點】
1.一種基于隨機配置網絡的半監督體外診察信息認知裝置，其特征在于，包括：
2.根據權利要求1所述的基于隨機配置網絡的半監督體外診察信息認知裝置，其特征在于，所述數據預處理模塊包括：
3.根據權利要求1所述的基于隨機配置網絡的半監督體外診察信息認知裝置，其特征在于，所述半監督體外診察信息分析模塊包括：
4.根據權利要求3所述的基于隨機配置網絡的半監督體外診察信息認知裝置，其特征在于，所述基于流形學習的隨機配置網絡單元包括：
5.根據權利要求3所述的基于隨機配置網絡的半監督體外診察信息認知裝置，其特征在于，所述直接模糊加權的隨機配置網絡單元包括：
6.一種基于隨機配置網絡的半監督體外診察信息認知裝置的半監督體外診察信息處理方法，其特征在于，包括：
7.根據權利要求6所述的基于隨機配置網絡的半監督體外診察信息認知方法，其特征在于，所述通過數據預處理模塊對各模態的體外診察數據進行數據預處理，提取得到對應的可解釋生物特征，包括：
8.根據權利要求6所述的基于隨機配置網絡的半監督體外診察信息認知方法，其特征在于，所述通過半監督體外診察信息分析模塊對提取的可解釋生物特征進行分析，利用基于流形學習的隨機配置網絡生成未標記體外診察數據的偽標簽，并利用基于直接模糊加權的隨機配置網絡進行分類，包括：
9.根據權利要求8所述的基于隨機配置網絡的半監督體外診察信息認知方法，其特征在于，所述利用所述半監督體外診察信息分析模塊的基于流形學習的隨機配置網絡學習標記的體外診察數據與無標記的體外診察數據之間的內在聯系，生成所述未標記體外診察數據的偽標簽，包括：
10.根據權利要求8所述的基于隨機配置網絡的半監督體外診察信息認知方法，其特征在于，所述利用所述半監督體外診察信息分析模塊的基于直接模糊加權的隨機配置網絡學習標記的體外診察數據和帶所述偽標簽的無標記的體外診察數據的分布信息，包括：
...
【技術特征摘要】
1.一種基于隨機配置網絡的半監督體外診察信息認知裝置，其特征在于，包括：
2.根據權利要求1所述的基于隨機配置網絡的半監督體外診察信息認知裝置，其特征在于，所述數據預處理模塊包括：
3.根據權利要求1所述的基于隨機配置網絡的半監督體外診察信息認知裝置，其特征在于，所述半監督體外診察信息分析模塊包括：
4.根據權利要求3所述的基于隨機配置網絡的半監督體外診察信息認知裝置，其特征在于，所述基于流形學習的隨機配置網絡單元包括：
5.根據權利要求3所述的基于隨機配置網絡的半監督體外診察信息認知裝置，其特征在于，所述直接模糊加權的隨機配置網絡單元包括：
6.一種基于隨機配置網絡的半監督體外診察信息認知裝置的半監督體外診察信息處理方法，其特征在于，包括：
7.根據權利要求6所述的基于隨機配置網絡的半監督體外診察信息認知方法，其特征在于，所述通過數據預處理模塊對各模態的體外診...
【專利技術屬性】
技術研發人員：張成龍，葉子晴，郭超勛，張大鵬，
申請(專利權)人：香港中文大學深圳，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。