Document
拖动滑块完成拼图
首页 专利交易 科技果 科技人才 科技服务 国际服务 商标交易 会员权益 IP管家助手 需求市场 关于龙图腾
 /  免费注册
到顶部 到底部
清空 搜索

基于协同深度学习和肺部听诊音的肺部疾病分类检测方法 

买专利卖专利找龙图腾,真高效! 查专利查商标用IPTOP,全免费!专利年费监控用IP管家,真方便!

申请/专利权人:浙江大学;浙江大学嘉兴研究院

摘要:本发明提供了一种基于协同深度学习和肺部听诊音的肺部疾病分类检测方法,其采用两个ResNet‑50之间协同学习的方法,通过成对学习模式进行训练,每次模型接受数据对作为输入,一对音频特征值分别被输送到对应的ResNet‑50中;采用微调预训练模型的方法对这些ResNet‑50进行初始化和训练,设计一个协同学习系统,使两个ResNet‑50进行互助学习,该协同系统用来对数据对的异同属性进行监督,即是否属于用一个类别,并且实时地将两个ResNet‑50产生的协同误差进行反向传播、修正网络的权值,从而进一步加强网络学习特征表征的能力,能够更加有效地对易混淆样本做出准确地判别。

主权项:1.一种基于协同深度学习和肺部听诊音的肺部疾病分类检测方法,包括如下步骤:1获取一定数量具有分类标签的肺部听诊音,对肺部听诊音的数据信号进行预加重以去除信号中的低频噪音;2对预加重后的数据信号进行分帧及加窗操作,且采用汉明窗进行加权的方式来实现信号分帧,在移窗时只移动12或13窗口长度,使相邻两帧间有重叠部分;3对每一帧数据信号做快速傅里叶变换以得到信号在频谱上的能量分布;4对每一帧数据信号的频谱进行特征提取,将整段数据信号的特征矩阵及其对应的分类标签作为一组样本,进而将所有样本分为训练集和测试集;具体实现方式为:首先将数据信号的频谱通过一组三角形滤波器后得到对应的梅尔频率特征,然后利用梅尔频率特征计算每一帧数据信号能量的对数表达形式,进而将每一帧数据信号的对数能量进行离散余弦变换得到对应的多阶梅尔特征倒谱值,完成特征提取;最后将整段数据信号的梅尔特征倒谱值组合成特征矩阵的形式并对特征矩阵进行通道扩增,以匹配模型三通道的输入要求;5构建由两个残差神经网络ResNet-50和一个协同网络所组成的分类检测模型,两个残差神经网络ResNet-50的输出共同作为协同网络的输入;所述协同网络由嵌入层、全连接学习层和输出层依次连接组成,两个残差神经网络ResNet-50在倒数第二个全连接层生成的深度特征分别表示为fA和fB,将fA与fB进行联结得到一个组合特征fA,B输入至协同网络中,得到的输出结果用于判断输入至两个残差神经网络ResNet-50的样本对是否属于同一类别,如果存在协同错误,则提供校正反馈;6利用训练集样本成对输入至两个残差神经网络ResNet-50,根据残差神经网络ResNet-50和协同网络的损失函数采用小批量随机梯度下降算法对模型进行训练以优化模型参数,其中残差神经网络ResNet-50的损失函数表达式如下: 式中:Lθ为残差神经网络ResNet-50在参数θ下的损失函数,N为每个批次输入的样本数量,K为分类数量,为本批次内第i个样本输入至残差神经网络ResNet-50在倒数第二个全连接层所生成的深度特征,其中下标j表示该样本输入至残差神经网络ResNet-50检测输出的类别,l{yi=j}为判别函数,若yi=j成立,则l{yi=j}=1,否则l{yi=j}=0,yi为第i个样本的真值类别;协同网络的损失函数表达式如下: 式中:Lsθs为协同网络在参数θs下的损失函数,为协同网络的输出结果,ys为协同网络的标签值,yA和yB为输入至两个残差神经网络ResNet-50的样本对的真值类别;最后利用训练完成的模型对测试集样本进行分类检测,具体地:将测试集样本成对输入至两个残差神经网络ResNet-50,对应得到两个预测向量PA和PB即残差神经网络ResNet-50中最后一个全连接层的输出,此时额外的协同网络在最后的分类预测中被丢弃,最终的输出预测结果为y: 其中:M为预测向量的维度,PAi和PBi分别为预测向量PA和PB中第i个元素值。

全文数据:

权利要求:

百度查询: 浙江大学 浙江大学嘉兴研究院 基于协同深度学习和肺部听诊音的肺部疾病分类检测方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息,力求客观、公正,但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解,仅供参考使用,不能作为本公司承担任何法律责任的依据或者凭证。