一种基于多路径域偏移控制的医学时间序列分类方法和系统
本发明涉及医学信号处理,具体地,涉及一种基于多路径域偏移控制的医学时间序列分类方法和系统。
背景技术:
1、脑电、心电、肌电等医学时间序列信号包含包含疾病状态信息、个体生理差异和采集条件差异,是神经系统疾病、心血管疾病等临床诊断的重要依据。随着深度学习技术的发展,卷积神经网络、循环神经网络以及 transformer 架构已被广泛应用于医学时间序列的自动分类任务中,辅助医生进行疾病筛查与诊断。
2、现有医学时间序列分类方法通常将连续信号切分为固定长度的样本,通过深度学习网络提取特征后输入线性分类器输出类别。在模型训练与测试包含相同受试者的不同时间片段时,模型往往能取得较高的分类准确率;但在临床实际部署场景中,模型需要处理训练阶段从未出现的新受试者,此时分类性能通常会出现显著下降。造成该现象的核心原因是:医学时间序列中同时包含疾病相关的诊断信息与大量非诊断性的受试者特异性信息,包括个体生理结构差异、采集设备参数、电极放置位置等形成的稳定特征模式,模型容易学习到受试者身份线索而非疾病特征,导致跨受试者泛化能力不足。
3、现有技术通常采用域对抗训练、全局分布对齐等方法缓解域偏移问题,但这类方法普遍存在以下缺陷:
4、第一,现有域对抗、分布对齐或整体不变特征学习方法通常在单一表示层对整体特征施加约束,难以判断偏移从哪一处理环节进入,缺乏针对不同路径的差异化控制手段;
5、第二,医学时间序列中的非诊断性偏移可通过多条路径进入分类系统,包括通道相关路径(电极布局、个体空间结构形成的通道间相关关系)、频谱路径(个体节律、设备频响形成的特异性频谱模式)、样本统计路径(设备增益、基线漂移形成的幅值统计差异)、分类决策路径(特征模长反映采集条件而非疾病状态),单一的全局对齐无法同时兼顾多条路径的偏移控制;
6、第三,疾病相关信息与受试者特异性信息往往位于相同的信号通道或频带范围内,简单删除通道、滤除频带或全局分布对齐会同时损失疾病诊断证据,难以在抑制偏移的同时保留有效诊断信息。
7、因此,本领域亟需一种能够对多路径域偏移进行解耦控制、同时保留诊断信息的医学时间序列分类方案,以提升模型在未知受试者上的泛化性能与临床可靠性。
技术实现思路
1、本发明的目的在于提供一种基于多路径域偏移控制的医学时间序列分类方法和系统,针对训练受试者与待分类受试者不重叠的跨受试者场景,降低医学时间序列分类系统对非诊断性受试者特征的依赖,提升模型的跨受试者泛化能力。
2、为了实现上述目的,本发明的技术方案如下:
3、本发明提供一种基于多路径域偏移控制的医学时间序列分类方法,包括以下步骤:
4、s1.数据获取与标准化:获取多通道医学时间序列原始信号数据,对所述原始信号数据进行逐样本、逐通道标准化处理,得到标准化信号;
5、s2.通道偏移控制:构建满足约束条件的通道关系矩阵,通过通道间加权残差计算去除标准化信号中的稳定通道相关偏差,得到通道偏移受控信号;
6、s3.双路证据构建:将所述通道偏移受控信号分别输入时间证据路由和相对频带证据路由,所述时间证据路由对所述通道偏移受控信号进行多尺度时间建模和频谱对齐处理,输出时间-频谱联合特征;所述相对频带证据路由对所述通道偏移受控信号提取相对频带功率特征并映射,输出相对频带功率特征;
7、s4.特征融合:将时间-频谱联合特征与相对频带功率特征进行融合,得到融合特征;
8、s5.受限状态归一化:对所述融合特征分别进行自适应状态校准与固定层归一化,通过受限插值融合,输出最终分类特征;
9、s6.球面原型分类与输出:将所述最终分类特征映射至单位超球面空间,基于可学习类别原型与特征的余弦相似度进行分类,输出医学时间序列的类别预测结果。
10、进一步的,所述s2包括:
11、构建通道关系矩阵:,其中 c 为信号通道数量,矩阵元素满足:并满足:;
12、利用通道关系矩阵对标准化信号进行空间残差计算:,其中表示由其他通道加权组合形成的空间相关成分,表示去除稳定通道相关偏差后的信号。
13、进一步的,所述s3中,多尺度时间建模包括以下步骤:
14、将所述通道偏移受控信号输入多个不同时间尺度的一维卷积核进行特征提取,对于第i个时间尺度,通过对应时间编码函数提取特征,其中 y 为通道偏移受控信号, 表示第 i 个时间尺度的特征提取函数;
15、将不同时间尺度特征进行拼接,其中表示时间尺度数量,为融合后的多尺度时间表示。
16、进一步的,所述s3中,频谱对齐处理包括以下步骤:
17、单边傅里叶变换:对多尺度时间表示进行单边傅里叶变换,得到频域特征;其中,表示沿时间令牌维度实施的快速傅里叶变换。
18、构建软频带:采用可学习高斯函数构建多个软频带,
19、
20、其中,表示第k个频带,表示频带中心,表示频带宽度;
21、频带统计与上下文融合:基于软频带对频域特征进行逐元素加权,得到各频带的频域表示:,其中,表示逐元素乘法,表示按照特征维度广播;为对应频率箱的复数频域特征;根据当前样本上下文信息生成对应频带的增益调制参数;
22、频谱残差调制:利用增益调制参数与偏移调制参数对频带特征进行调整:,通过频谱残差调制降低受试者特异性频谱模式;
23、注意力微调:采用自注意力机制对调制后的频域特征进行关键时间位置与频率区域增强;
24、逆傅里叶变换:将处理后的频域特征逆变换回时域特征空间,得到时间-频谱联合特征。
25、进一步的,所述s3中,相对频带证据路由对通道偏移受控信号提取相对频带功率特征并映射,输出相对频带功率特征具体包括:
26、对所述通道偏移受控信号y进行频域转换,得到信号的频域表示;
27、对于第m个频带、第c个通道计算频带功率:;
28、计算相对频带功率,其中,m表示频带数量,表示归一化后的频谱诊断特征矩阵;
29、将相对频带功率输入可学习的频谱特征映射层,得到相对频带功率特征。
30、进一步的,所述s5包括:
31、计算融合特征的全局均值与标准差,生成校准参数,得到状态校准特征;
32、对融合特征执行固定层归一化结果;
33、采用受限融合为最终分类特征。
34、进一步的,所述s6包括:
35、将分类特征 z 进行特征嵌入;
36、将嵌入特征归一化至单位球面,得到表示单位球面上的分类特征;
37、对于每个类别建立可学习的类别原型,通过特征与类别原型之间的余弦相似度进行分类:;
38、计算各类别预测概率 ,输出医学时间序列对应类别及对应类别概率。
39、本发明还提供一种基于多路径域偏移控制的医学时间序列分类系统,包括:
40、数据获取与标准化模块,用于获取多通道医学时间序列原始信号,对原始信号进行逐样本、逐通道标准化处理,得到标准化信号;
41、通道偏移控制模块,用于构建满足约束条件的通道关系矩阵,通过通道间加权残差计算去除标准化样本中的稳定通道相关偏差,得到通道偏移受控信号;
42、双路证据构建模块,包含时间证据路由与相对频带证据路由,用于将通道偏移受控信号分别进行时间域与频域的偏移控制与特征提取,输出时间-频谱联合特征与相对频带功率特征;
43、特征融合模块,用于将时间-频谱联合特征与相对频带功率特征进行拼接与线性映射融合,得到融合特征;
44、受限状态归一化模块,用于对融合特征进行状态校准,得到最终分类特征;
45、球面原型分类模块,用于将最终分类特征映射至单位超球面空间,基于可学习类别原型与特征的余弦相似度进行分类,输出医学时间序列的类别预测结果。
46、进一步的,所述时间证据路由包括:
47、多尺度时间建模单元,用于将所述通道偏移受控信号输入多个不同时间尺度的卷积核进行特征提取并拼接,输出多尺度时间表示;
48、频带对齐单元,用于对所述多尺度时间表示进行傅里叶变换、软频带构建、频谱残差调制、注意力方向微调和逆傅里叶变换,输出频谱增强特征。
49、采用上述技术方案,本发明具有以下优点:
50、1.本发明提供一种基于多路径域偏移控制的医学时间序列分类方法,通过受约束通道间减法和训练阶段的通道随机失活,减少分类系统对固定电极或导联组合的依赖,有效抑制通道相关路径的偏移。与传统方法简单删除通道不同,本发明在保留全部通道信息的同时去除稳定的通道间共模结构,避免诊断信息损失。
51、2.本发明提供一种基于多路径域偏移控制的医学时间序列分类方法,设计了由频带对齐与相对频带功率组成的双路频谱建模机制,通过共享可学习软频带定义,在自注意力前抑制受试者特异性频谱模式的同时,保留具有诊断价值的相对频带能量信息,实现频谱偏移控制与疾病特征提取的统一。
52、3.本发明提供一种基于多路径域偏移控制的医学时间序列分类方法,通过相对频带功率路由,在降低绝对功率尺度影响的同时保留同一通道的频带能量分布,避免由于频谱控制而丢失全部频域诊断证据。相对频带功率的计算方式使得特征对不同受试者的绝对功率变化具有鲁棒性,同时保留疾病相关的频带间能量比例信息。
53、4.本发明提供一种基于多路径域偏移控制的医学时间序列分类方法,通过固定层归一化、停止梯度样本条件分支和受限插值,对采集状态差异进行有限校准,并限制样本条件分支的自由度,防止样本条件分支退化为受试者身份编码通路;通过单位超球面上的多原型角度匹配,从分类决策中去除特征模长,同时使同一类别能够由多个原型表示,增强模型对同一类别内多样性的建模能力,避免因去除模长而损失分类表达能力。
54、5.本发明提供一种基于多路径域偏移控制的医学时间序列分类系统,首次提出面向受试者独立医学时间序列分类的多路径域偏移控制架构,将通道相关偏移、频谱偏移、样本统计偏移以及特征模长偏移分别映射到网络不同处理阶段进行针对性控制,各偏移控制手段位于与相应偏移进入位置对应的模块,模块的输入、处理和输出关系明确可追踪,便于对各路径进行独立测试和替换。相比传统整体域对齐方法具有更明确的偏移控制路径和更好的跨受试者泛化能力。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com