[发明专利]一种可用于多变量医疗传感数据流的分类方法

权利要求书

1.一种可用于多变量时间序列医疗传感数据流的分类方法，其特征在于，包括以下步骤：

步骤1、采用辅助分类器生成对抗网络ACGAN生成不平衡的传感器医疗数据对应的签名矩阵；具体如下：

先收集多变量时间序列医疗传感数据，设收集到的数据中包括不平衡的多变量时间序列医疗传感数据，该不平衡的多变量时间序列医疗传感数据的类别一共有k种，这k个类别进行一位有效编码，得到不平衡的多变量时间序列医疗传感数据所对应的签名矩阵的类别的一位有效编码张量C；随后将收集到的不同类别的不平衡的多变量时间序列医疗传感数据转换成签名矩阵，从而得到不平衡的多变量时间序列医疗传感数据对应的签名矩阵的集合M＝{M₁,M₂,…,M_k},其中M_i是第i种类别的不平衡时间序列数据的签名矩阵集合，是属于第i种类别的第q个签名矩阵，q＝1,2…j，j是第i种类别签名矩阵的个数；

ACGAN的生成器的输入包含了两个部分，一个是不平衡的多变量时间序列医疗传感数据所对应的签名矩阵的类别的一位有效编码张量C，另一个是满足高斯分布的随机噪声Z，然后再对这两个部分进行拼接操作，最后生成器输出的是与不平衡多变量时间序列医疗传感数据类别一致的签名矩阵集合M^g；ACGAN的判别器的输入为收集到的不平衡的医疗多变量时间序列数据所生成的签名矩阵的集合M，ACGAN的判别器用于对收集到的M进行真假的判断，并进行签名矩阵的分类；其中，真假的判断的损失函数L_S表示为公式(1)，分类的损失函数L_C表示为公式(2)；

其中，表示生成器生成的签名矩阵集合M^g中第i种类别的第qfake个签名矩阵，qfake为大于0的整数，c表示第i种类别对应的一位有效编码张量，S表示数据来源的类别，该数据分为不平衡的多变量时间序列医疗传感数据对应的签名矩阵real和生成器生成的签名矩阵fake，E[]表示取括号内的数学期望，P()指计算括号内概率值；

ACGAN中判别器D的目标函数是最大化L_S+L_C,生成器G的目标函数是最大化L_C-L_S；D和G交替训练，二者相互博弈，D的目标是区分出收集得到的不平衡类别的签名矩阵与生成器生成的签名矩阵G的目的是让D将生成器G生成的签名矩阵判定为收集得到的不平衡类别的签名矩阵；总体上，ACGAN的目的是为了让生成的签名矩阵尽可能接近收集得到的不平衡类别的签名矩阵

记收集到的所有多变量时间序列医疗传感数据对应的签名矩阵集合为M'，M'包括两部分，一部分是多变量时间序列医疗传感数据对应的签名矩阵集合，另一部分是不平衡的多变量时间序列医疗传感数据对应的签名矩阵的集合M；取签名矩阵集合M^input，M^input由M'与M^g共同组成，其中M^g为ACGAN的生成器的输出结果，M^input将作为步骤2中模型的输入；

步骤2：构建基于注意力机制的双向卷积长短期记忆网络BPCLSTM模型对输入的签名矩阵集合M^input进行分类。

2.根据权利要求1所述的一种可用于多变量时间序列医疗传感数据流的分类方法，其特征在于，步骤2中构建基于注意力机制的双向卷积长短期记忆网络BPCLSTM模型，具体如下：

BPCLSTM模型包括两层堆叠的BPCLSTM网络、一个MobileNet v3模块、dropout层，全连接层和softmax函数，向BPCLSTM模型中输入签名矩阵集合M^input，在BPCLSTM模型处理过程中，签名矩阵在每一层网络中被提取分类特征处理为特征图，将BPCLSTM网络输出得到的特征图H¹送入MobileNet v3模块中进行进一步训练，将MobileNet v3模块输出的特征图H²分别经dropout层，全连接层和softmax函数进行处理分类。