[发明专利]一种非侵入式的人体铁离子浓度智能分析方法

权利要求书

1.一种非侵入式的人体铁离子浓度智能分析方法，其特征在于：步骤S01，采用非侵入式的数据采集方法，获取指关节正面和反面两个不同的动态序列光谱数据；采用侵入式抽血方式测定对应的铁离子浓度值；

步骤S02，基于步骤S01获得的数据训练铁离子浓度智能分析网络；

步骤S03，基于步骤S02训练完成的铁离子浓度智能分析网络可以根据指关节正反面数据进行人体内铁离子浓度的非侵入式分析。

2.根据权利要求1所述的一种非侵入式的人体铁离子浓度智能分析方法，其特征在于：步骤S01中采用一种非侵入式技术进行动态序列数据获取，利用血液中血红蛋白吸收光谱的特性，使用光学传感器照射指关节部位，测量反射光的吸收光谱，并保存一段时间内的序列光谱数据；

其中，数据集中每个样例由三个部分组成：正面指关节光谱数据集V_f、反面指关节光谱数据集V_b以及铁离子浓度标签Y：

式中，n代表样本数量，X_f和X_b中包含的序列光谱数据为：

式中，t代表序列光谱数据的长度。

3.根据权利要求1所述的一种非侵入式的人体铁离子浓度智能分析方法，其特征在于：步骤S02中铁离子浓度智能分析网络由序列多角度学习模块和浓度分析模块组成，序列多角度学习模块用于探索不同视角序列光谱数据的潜在联系，浓度分析模块用于探索序列多角度学习模块的输出和铁离子浓度之间的关系，铁离子浓度智能分析网络是一个端到端的结构，整体损失函数为：

其中，为序列多角度学习损失，为浓度分析损失。

4.根据权利要求3所述的一种非侵入式的人体铁离子浓度智能分析方法，其特征在于：所述的铁离子浓度智能分析网络，其训练过程包含以下步骤：

步骤A10，将正面指关节光谱数据集V_f和反面指关节光谱数据集V_b作为序列多角度学习模块的输入，序列多角度学习模块通过正负样本对的学习，探索不同视角之间数据的联系；

步骤A20，将序列多角度学习模块的输出表示向量z和对应铁离子浓度标签作为浓度分析模块的输入，对浓度分析模块进行训练；

步骤A30，通过反向传播向所述损失函数值变小的方向更新时间序列多角度学习模块和浓度分析模块的参数，并选择分析准确率最高的权重作为最优权重。

5.根据权利要求4所述的一种非侵入式的人体铁离子浓度智能分析方法，其特征在于：所述的序列多角度学习模块学习过程如下：

正面指关节光谱数据集V_f和反面指关节光谱数据集V_b包含的样本记作n为样本数量，正样本对为负样本对训练一个判别函数，让它能够从包含1个正样本对和k(kn)个负样本的集合中，准确找到正样本对，判别的方式是通过对样本对距离度量的计算，距离越小分数越高。

6.根据权利要求5所述的一种非侵入式的人体铁离子浓度智能分析方法，其特征在于：所述判别函数的实现过程，采用两个编码器和对V_f和V_b进行特征转换，得到相对应的特征表示记作和然后随机固定V_f中的第i个样本，然后枚举V_b中的k个样本，目标损失函数如下：

其中τ是超参数，用于动态调节范围，θ_f和θ_b分别为编码器和的参数，c(·)是距离度量函数；

公式(4)式中损失是固定视图V_f中元素视为锚点枚举V_b中元素得到的；对称地，将锚点定在V_b中来枚举V_f中元素以获得对比损失；然后将它们加在一起作为序列多角度学习模块损失：

经过序列多角度学习阶段之后，将特征表示z_f和z_b串联得到表示向量z作为下一阶段的输入。

7.根据权利要求3所述的一种非侵入式的人体铁离子浓度智能分析方法，其特征在于：所述的浓度分析模块用于探索序列多角度学习模块的输出和铁离子浓度之间的联系，该模块以表示向量z和铁离子浓度标签作为输入，该模块损失函数为：

式中，Y代表真实铁离子浓度，f_p代表表示向量z和铁离子浓度之间的映射关系，p为浓度分析的参数。