一种交叉对比神经网络在心声智能检测中的应用方法
阅读：361发布：2020-05-08
专利汇可以提供一种交叉对比神经网络在心声智能检测中的应用方法专利检索，专利查询，专利分析的服务。并且本 发明 公开了一种交叉对比神经网络在心声智能检测中的应用方法。本发明将 深度神经网络 与IBS理论相结合，提出了一种新的网络架构，交叉对比神经网络。这种新的网络架构利用卷积 滤波器 提取声音 频谱 的纹理特征，然后通过对比的方式计算两幅图像特征的相似度。对心声 数据库 的实验表明，我们的方法可以提高分类的准确度，同时给出了直观的统计学解释。，下面是一种交叉对比神经网络在心声智能检测中的应用方法专利的具体信息内容。
1.本发明公开了一种交叉对比神经网络在心声智能检测中的应用方法的技术，其特征在于对于交叉对比神经网络以及IBS公式进行应用，训练和测试。
2.根据权利要求1所述的一种交叉对比神经网络在心声智能检测中的应用方法的技术，其特征在于将采集到的心音信号转化为图像，将图像以组合方式两两输入到网络中，对传统IBS理论进行修改并作为先验知识加入到网络判决中，解决了样本量少，准确率难以保证以及统计特征无法寻找的问题。
3.根据权利要求1所述的一种交叉对比神经网络在心声智能检测中的应用方法的技术，其特征在于利用图像训练的交叉对比神经网络模型，可以将任意一层输出的图像特征作为后序的IBS公式处理阶段的输入，利用滤波器提取声音频谱的纹理特征，通过对比的方式计算两幅图像特征的相似度。
4.根据权利要求1所述的一种交叉对比神经网络在心声智能检测中的应用方法的技术，其特征在于通过一张已知类别图像与各类别图像进行对比判断一张图像的类别。
一种交叉对比神经网络在心声智能检测中的应用方法
技术领域
背景技术
[0002] 2012年，AlexNet网络在ILSVRC中取得了历史性的突破，效果大幅度超越传统的图像分类方法，这也是首次将深度神经网络用于大规模图像分类中。从AlexNet网络之后，出现了一系列的卷积神经网络模型，不断地在ImageNet数据集上刷新成绩。深度学习以及神经网络在信号分析特别是图像分析中得到了飞速的发展，极大提高了分析的准确性。
[0003] 神经网络在医学图像上的应用主要存在两方面问题。一方面，神经网络结构非常复杂，在小样本集上尤其是医学样本上很容易出现过拟合的现象。另一方面，医学图像的分类任务不光关注准确度的提升，也要求增强其可解释性。和计算机视觉领域的许多分类/分割任务不一样，医学上的计算机辅助应用往往需要得到临床知识的认可才能大规模使用。基于此，我们提出了一种新的网络架构，交叉对比神经网络(CCNN)。这种新的网络架构利用卷积滤波器提取声音频谱的纹理特征，然后通过对比的方式计算两幅图像特征的相似度。
这种方法一方面提升对样本的利用，另一方面从统计学的角度部分的解释了为什么我们可以判断一张图像的类别。对心声数据库的实验表明，我们的方法可以提高分类的准确度，同时给出了直观的统计学解释。
这种方法一方面提升对样本的利用，另一方面从统计学的角度部分的解释了为什么我们可以判断一张图像的类别。对心声数据库的实验表明，我们的方法可以提高分类的准确度，同时给出了直观的统计学解释。
发明内容
[0004] 针对以上现有方法中存在的不足，本发明的目的在于提出了一种新的网络架构，交叉对比神经网络(CCNN)。这种新的网络架构利用卷积滤波器提取声音频谱的纹理特征，然后通过对比的方式计算两幅图像特征的相似度。首先需要将心音信号转化为图像再输入后序的网络进行处理。将采集的心音信号转化为图像的方式有很多种，本方案采用的方式是通过短时傅立叶变换将心音转换为图像。
[0005] 本网络架构有二个部分：
[0006] 第一个部分是网络的架构部分，分为四层结构。每一层由若干个滤波器组成的卷积层组成。第二个部分我们提取出第k层网络得到的图像特征，进行训练，包括以下步骤：
[0007] 步骤1，对提取的特征进行概率统计；
[0010] 步骤3，优化损失值，进行模型训练直到训练结束。
[0011] 本发明的有益效果是：将深度神经网络与统计分析的IBS理论相结合，将图像以组合方式两两输入到网络中，对传统IBS理论进行修改并作为先验知识加入到网络判决中，解决了样本量少，准确率难以保证以及统计特征无法寻找的问题。这种方法一方面提升对样本的利用，另一方面从统计学的角度部分的解释了为什么我们可以判断一张图像的类别。对心声数据库的实验表明，我们的方法可以提高分类的准确度，同时给出了直观的统计学解释。
附图说明
附图说明
[0012] 图1是本发明方法的网络结构图
[0013] 图2是卷积神经网络模型图
具体实施方式
[0015] 为了使本发明的目的、技术方案和优点更加清楚，下面结合附图和具体实施方式对本发明进行详细的说明。
[0016] 本实施例的一种基于交叉对比神经网络的图像多任务分类方法在心音智能检测当中的应用。如图1所示为本发明的网络结构图，首先将采集到的心音信号转化为图像，例如可以使用以下的短时傅立叶变换的方式。声音信号经过短时傅里叶变换，转化为归一化的时频图，我们将这些图像经过交叉对比神经网络进行特征提取。对不同输入的响应。具体公式如下：
[0017]
[0018] (例如可使用参数：fs为2k HZ，窗口大小为512，汉明距离为256)
[0019] 如图2所示为采用的卷积神经网络结构，假设我们提取的是第i层的卷积结果，该层对应的滤波器个数为t个。每一个滤波器可以看作是某种纹理的模式，卷积的结果代表着输入图像在这t个纹理模式上的响应。为了衡量输入图像对这t种滤波器响应的强弱，我们设定一个阈值，统计t张特征图上像素点值大于该阈值的像素点个数作为提取到的纹理特征值。将t幅图像中每个像素点的像素值和阈值进行比较，大于等于阈值计为1，反之计为0。由此，得到t幅图像中每一幅图像中1的个数，并由此得到一系列的概率wi(i＝1，2，3，....，N)。
[0020]
[0021] 在本发明的至少一个实施例中，集合是从数据库中选取一定数量一定类别的图像组成，数据库中每个类别的图像数量可以有略微不同，但是不能偏差太多，否则训练出的网络会有偏移。
[0022] 如图3所示为算法流程图，我们将任意一层输出的图像特征作为后序的IBS公式处理阶段的输入。例如我们可以取第i层的输出，对于一组输入(两张心声的时频图)，我们设定一个阈值，可以将第4层卷积层的特征图简化为2个1*t的特征向量。特征向量的数值大小代表输入图像对t个滤波器的响应强弱。因此可以将如何度量两张图像纹理的相似性转化为度量这两个向量的距离。由于我们并不关心数值的大小，仅仅关心两幅图像对于t种纹理的响应强弱是否存在明显的秩相关关系，所以在这里我们并没有选取欧几里得距离/曼哈顿距离等数值敏感的方法。我们采用了修改过的IBS模型来度量将折t个点搬运到45度线上所需的能量。我们利用IBS值和真实label之间的交叉熵作为损失函数更新整个网络的参数。
[0023] 接下来我们将详细阐述相似性度量的M-IBS模型的原理。假设两张图像属于不同类，它们应具有不同的纹理分布；属于同一类时，它们应该具有相似的纹理特征。这在统计学上就表示为滤波器提取到的1*t维的向量具有显著的相关性，于是我们利用IBS度量这种相关性，给定两组提取出的1*t维的纹理特征向量(例如取第四层的结果将得到以下的特征向量)：
[0024]
[0025] 我们定义了NorIBS值的计算为如下：
[0026]
[0027] 其中
[0028]
[0029] wk表示4-1层滤波器k的卷积结果，pi(wk)表示一组输入(两张MR图像)中第i(i＝1，2)幅图像在4-1层第k个滤波器上的输出大于给定阈值的像素数占比。可看作是对应第k个滤波器代表纹理在原图上出现的概率。Ri(wk)表示对于图像i而言，第k个滤波器的输出在
512个值中的大小排序。F(wk)表示着第k个滤波器在两幅图像上的归一化后的熵。N表示滤波器的个数，本实施例中，N为512。若两张心声的时频图属于同一类，其各个纹理特征的排序值应该接近，NorIBS值将趋向于0。如果将2*512维的特征向量画成散点图，点应该分布在
45度线附近。反之，若两张心声的时频图不属于同一类，其NorIBS值大于0，并且如果熵比较大的滤波器出现排序差异，将会更大的增加NorIBS值。反映在散点图上就是点的分布在二维空间中非常分散，毫无规律可循。对于两张心声的时频图，我们在将他们喂进网络的时候已经给定了标签为0或者为1，label＝0代表该组输入来源于相同的肝纤维化分期，label＝
1代表来源于不同的肝纤维化分期。由于我们想要把真实label和IBS预测值之间的交叉熵作为loss传导回去计算梯度更新网络，而IBS的上限并不严格为1，所以我们要修改原有的IBS模型。具体方法如下：在计算完NorIBS之后，我们选择将概率值进行随机打乱。我们定义打乱后的距离为RevIBS：
512个值中的大小排序。F(wk)表示着第k个滤波器在两幅图像上的归一化后的熵。N表示滤波器的个数，本实施例中，N为512。若两张心声的时频图属于同一类，其各个纹理特征的排序值应该接近，NorIBS值将趋向于0。如果将2*512维的特征向量画成散点图，点应该分布在
45度线附近。反之，若两张心声的时频图不属于同一类，其NorIBS值大于0，并且如果熵比较大的滤波器出现排序差异，将会更大的增加NorIBS值。反映在散点图上就是点的分布在二维空间中非常分散，毫无规律可循。对于两张心声的时频图，我们在将他们喂进网络的时候已经给定了标签为0或者为1，label＝0代表该组输入来源于相同的肝纤维化分期，label＝
1代表来源于不同的肝纤维化分期。由于我们想要把真实label和IBS预测值之间的交叉熵作为loss传导回去计算梯度更新网络，而IBS的上限并不严格为1，所以我们要修改原有的IBS模型。具体方法如下：在计算完NorIBS之后，我们选择将概率值进行随机打乱。我们定义打乱后的距离为RevIBS：
[0030] RevIBS＝NorIBS(random(p1(wk))，ramdom(p2(wk))) (6)[0031]
[0032] 其中α为一个学习因子，可设置为2～4。
[0033] 对于属于同一类的图像，NorIBS接近于0，其打乱后的RevIBS值远远大于NorIBS，这个差异通过指数运算进一步被放大，ModIBS趋向于0。而对于不同分期的MR图像，其原始分布就呈现散乱分布的情况，打乱前后的分布变化不大，可认为二者之差趋于0，ModIBS趋向于1。至此，我们已将ModIBS转化为0～1之间的数值。我们使用了交叉熵作为损失函数，采用批量梯度训练方法修改模型参数。
[0034] loss＝(1-label)·log(1-IBS)+label·log(IBS) (8)
[0035] 对于一张待分期的测试图片，我们选取训练集中每个类别的部分样本和待测图片组成输入对，计算他们的ModIBS，选择相似性最高的训练集样本所属类别作为预测结果。
[0036] 这种新的网络结构的主要的创新点：
[0037] 1)这种新的网络架构利用滤波器提取声音频谱的纹理特征，通过对比的方式计算两幅图像特征的相似度。
[0038] 2)这种方法一方面提升对样本的利用.实验表明，我们的方法可以提高分类的准确度，同时给出了直观的统计学解释。
[0039] 应当理解，虽然本说明书按照实施方式加以描述，但并非每个实施方式仅包含一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技术人员应当将说明书作为一个整体，各实施方式中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其他实施方式。
[0040] 上文所列出的一系列的详细说明仅仅是针对本发明的可行性实施方式的具体说明，它们并非用以限制本发明的保护范围，凡未脱离本发明技艺精神所作的等效实施方式或变更均应包含在本发明的保护范围之内。
| 标题 | 发布/更新时间 | 阅读量 |
|---|---|---|
| 基于自适应深度学习的新能源锂电池表面缺陷检测方法 | 2020-05-08 | 358 |
| 一种生成带深度信息的全景图的方法、装置及存储介质 | 2020-05-08 | 174 |
| 基于深度神经网络的风力涡轮机齿轮箱故障诊断方法 | 2020-05-11 | 28 |
| 一种书法字体类型与文字内容同步识别方法 | 2020-05-08 | 727 |
| 一种基于知识注意力的细粒度图像分类方法 | 2020-05-08 | 939 |
| 一种基于卷积神经网络的管道缺陷深度的反演方法 | 2020-05-11 | 671 |
| 一种视频业务播放卡顿的识别方法和装置 | 2020-05-08 | 647 |
| 一种基于振动机理与深度学习技术的整周期无键相监测方法 | 2020-05-08 | 954 |
| 一种基于概率分布自适应的实体关系分类方法 | 2020-05-08 | 748 |
| 基于深度学习的纵膈淋巴结超声弹性图像分割分类方法 | 2020-05-11 | 704 |
高效检索全球专利专利汇是专利免费检索,专利查询,专利分析-国家发明专利查询检索分析平台，是提供专利分析，专利查询，专利检索等数据服务功能的知识产权数据服务商。
我们的产品包含105个国家的1.26亿组数据，免费查、免费专利分析。
分析报告
专利汇分析报告产品可以对行业情报数据进行梳理分析，涉及维度包括行业专利基本状况分析、地域分析、技术分析、发明人分析、申请人分析、专利权人分析、失效分析、核心专利分析、法律分析、研发重点分析、企业专利处境分析、技术处境分析、专利寿命分析、企业定位分析、引证分析等超过60个分析角度，系统通过AI智能系统对图表进行解读，只需1分钟，一键生成行业专利分析报告。
QQ群二维码
意见反馈
意见反馈