[发明专利]一种可用于多变量医疗传感数据流的分类方法

说明书

本发明公开了一种可用于多变量医疗传感数据流的分类方法，首先构造签名矩阵，该签名矩阵可以捕捉各个时间序列之间的相关性并可以代表这些时间序列，此外它还对噪声具有鲁棒性；随后，针对个别不平衡的类别，我们采用辅助分类器生成对抗网络ACGAN来生成足够该类别所对应的签名矩阵；最后我们构建了一个基于注意力Attention机制的双向卷积长短期记忆BPCLSTM轻量级网络分类模型，以实现对多变量医疗传感数据流地准确分类，该分类模型不仅可以提高分类的准确率，而且还能够降低原始分类模型的规模。

技术领域

本发明涉及计算机技术领域，特别是一种可用于多变量医疗传感数据流的分类方法。

背景技术

医用传感器是应用于生物医学领域的那一部分传感器，是把人体的生理信息转换成为与之有确定函数关系的电信息的变换装置。它所拾取的信息是人体的生理信息，而它的输出常以电信号来表现。医用传感器常用于检测生物体信息、临床监护、控制人体生理过程等。随着医用传感器类别与性能的快速发展，其已经成为医学不可或缺的一部分。通过使用医用传感器收集各种医学数据，医生可以第一时间获取需要的病人人体信息，从而能够更准确更方便地实现对病人身体状况的监控，进一步提供更优质的治疗。

但是，在传统的治疗过程中，医用传感器提供的信息往往只能提供给具有专业知识的专业医生，不具备专业知识的从业者无法有效使用医用传感器提供的信息。因此，这就导致了专业医生的工作负担大、医疗资源分配不平衡、救治效率低等各方面的问题。

现有技术中还存在以下问题：

(1)数据存在噪声影响分类效果。实际收集的医疗感应数据流中存在大量噪声，且实际医疗异常诊断问题一般是多分类问题。如何区分噪声和具有少量训练样本的类，消除噪声，提升多分类的准确率是亟待解决的问题之一；

(2)现实数据较少。现实中已被准确标记的医疗样本很少。如何基于少量标记样本，设计有效的数据生成和分类模型，降低分类误差，进一步提升分类的准确率和效率是亟待解决的问题之二；

(3)现有模型规模较大。边缘计算要求轻量化分类模型的规模(即计算量和存储量)。如何在保证分类准确率的前提下，降低分类模型的规模，使分类模型的分类准确率、效率和模型规模达到最优平衡是亟待解决的问题之三。

发明内容

本发明所要解决的技术问题是克服现有技术的不足而提供一种可用于多变量医疗传感数据流的分类方法，本发明通过使用深度学习的方法，实现了对多变量医疗数据流分类，可以自动处理医用传感器提供的多变量信息，不仅可以大大降低专业医生的工作负担，还可以有效提供客观的分类结果。

本发明为解决上述技术问题采用以下技术方案：

根据本发明提出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，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；