[发明专利]一种基于深度森林模型的伤口感染电子鼻检测系统

说明书

本发明公开了一种基于深度森林模型的伤口感染电子鼻检测系统，包括依次连接的信息采集模块、分类识别模块以及结果输出模块；分类识别模块包括多粒度扫描模块、表征向量生成模块以及深度森林模块，系统从深度学习理论出发，有效提高了系统的检测精度，另外，使用决策树集成的深度森林模型,该模型相对容易训练，对超参数依赖低，可以有效缩短训练周期。

技术领域

本发明涉及伤口感染检测技术领域，更具体地说，涉及一种基于深度森林模型的伤口感染电子鼻检测系统。

背景技术

现有的模型检测系统使用了一些经典算法进行数据训练以建立模型，其中以SVM(Support Vector Machine，支持向量机)，RBF(径向基函数)神经网络为代表，它们虽然取得了不错的效果，同时也存在着很大的局限性，其中支持向量机比较依赖核函数与参数的选择，RBF神经网络在数据不充分的情况下效果不佳，总之现有模型检测系统的不足主要体现在如下两个方面：现有的模型检测系统在训练过程中使用优化算法寻参，训练周期较长，使得基于该模型检测系统进行伤口感染检测时不够灵活，且在准确率达到一定程度后，分类精度难以继续提升，优化遇到瓶颈，在伤口感染检测时对系统精度要求较高，现有技术存在的误分情况难以满足应用需求。

发明内容

针对现有技术的不足，本发明的目的是提供一种基于深度森林模型的伤口感染电子鼻检测系统。

其具体方案如下：

一种基于深度森林模型的伤口感染电子鼻检测系统，包括依次连接的信息采集模块、分类识别模块以及结果输出模块；

所述信息采集模块通过传感器获取伤口感染的p维特征数据；

所述分类识别模块包括多粒度扫描模块、表征向量生成模块以及深度森林模块，所述多粒度扫描模块用于对所述信息采集模块的p维特征数据进行处理，按照长度为k进行滑动采样，得到S个k维特征子样本；

所述表征向量生成模块包括一个普通随机森林模型和一个完全随机森林模型；针对每一个模型而言，输入一个k维特征子样本，输出一个C维的类别向量；从而得到长度为2S*C维的表征向量；

所述深度森林模块具有N级，每一级包括M个普通随机森林模型和M个完全随机森林模型，针对第一级而言，每个模型的输入为2S*C维的表征向量，输出为C维的类别向量，从而得到2M个C维类别向量；表征向量以及上一级输出得到的2M个C维类别向量拼接作为下一级的输入，最后将第N级输出的2M个C维类别向量针对每个类别求均值，取最大值对应的类别作为伤口感染的病菌类型；

所述结果输出模块用于将伤口感染的病菌类型进行输出；

所述p、S、k、C、M、N均为正整数，且p大于k，并根据应用场景确定。

进一步地，所述信息采集模块包括p1个金属氧化物传感器和p2个电化学传感器，p1+p2＝p。

进一步地，每一所述模型中包括多棵决策树，针对每一个模型而言，每一棵决策树输出一个C维类别向量，并针对相应模型对应的决策树输出的C维类别向量求均值得到相应模型对应的C维类别向量。

进一步地，所述多粒度扫描模块按照步长为b进行滑动采样，则：S＝(p-k)/b+1。

进一步地，所述k为2，所述b为1。

进一步地，所述分类识别模块中的表征向量生成模块和深度森林模块的模型结构由训练样本训练而得，且利用交叉验证确定所述深度森林模块的级数。

进一步地，在利用交叉验证确定所述深度森林模块的级数时，针对每一森林模型，在训练过程中使用交叉验证进行测试，并利用验证集对深度森林模块输出的结果进行估计，当识别率大于等于预设阈值或无法再增长时，将当前的森林模型作为所述深度森林模块中最后一级的森林模型。