[发明专利]一种基于卷积神经网络的快速预测方法

说明书

本发明公开了一种基于卷积神经网络的快速预测方法，涉及深度学习领域。本发明包括以下步骤：获取气体，利用气体传感器阵列对气体识别；获取气体传感器阵列对气体识别的响应曲线；从响应曲线中获取提取特征值；对特征值进行预处理及归一化，得到特征数据集；将所述特征数据集随机分为训练数据集和测试数据集；将训练数据集输入到CNN神经网络中进行训练，得到预测神经网络模型。本发明利用卷积神经网络对通过丙酮系列气体传感器阵列的气体所生成的特征数据集进行处理分析，对数据进行预测，进而辅助医生对患者进行诊断。

技术领域

本发明涉及深度学习领域，更具体的说是涉及一种基于卷积神经网络的快速预测方法。

背景技术

糖尿病是一组因胰岛素绝对或相对分泌不足以及靶组织细胞对胰岛素敏感性降低引起蛋白质、脂肪和电解质等一系列代谢紊乱综合征，其中以高血糖为主要标志。糖尿病若得不到有效的治疗，会导致体内积累大量丙酮，可引起身体多系统的损害。

当前针对糖尿病患者呼出气体丙酮含量的检测主要为气相色谱质谱联用(GC-MS)技术，其检测精度高，但存在分析时间长,样本前处理操作复杂、受环境条件约束较大等缺点。

因此，亟需一种高效的快速预测方法。

发明内容

有鉴于此，本发明提供了一种基于卷积神经网络的快速预测方法。该方法利用卷积神经网络对通过丙酮系列气体传感器阵列的气体所生成的特征数据集进行处理分析，得到预测结果，进而辅助医生对患者进行诊断。

为了实现上述目的，本发明采用如下技术方案：

一种基于卷积神经网络的快速预测方法，包括以下步骤：

获取气体，利用气体传感器阵列对气体识别；

获取气体传感器阵列对气体识别的响应曲线；

从响应曲线中获取提取特征值；

对特征值进行预处理及归一化，得到特征数据集；

将所述特征数据集随机分为训练数据集和测试数据集；

将训练数据集输入到CNN神经网络中进行训练，得到预测神经网络模型。

可选的，还包括利用测试数据集对所述预测神经网络模型进行检测。

可选的，所述特征值包括曲线积分面积之和，最大响应值、上升段最大正斜率以及振幅。

可选的，曲线积分面积之和，采用一阶牛顿-柯特斯闭型积分公式，具体计算为：

其中，h是积分步长，即曲线上相邻两点横坐标之间的距离；n表示把积分区域平均分成n等份；f(x_i)和f(x_i+1)分别是曲线上第i个和第i+1个函数值。

可选的，最大响应值即为曲线上最高点的函数值：

M＝f(x)_max。

可选的，振幅为曲线最大响应值与稳定值之差：

A＝f(x)_max-f(x)₁；

其中，f(x)₁为稳定值。

可选的，上升段最大正斜率计算如下：

其中，x取值范围为上升沿区域。

可选的，CNN神经网络包括输入层、2个卷积层、1个池化层、1个全连接层、1个Softmax层、输出层；

输入层：接受归一化处理后的单个训练样本；