[发明专利]一种对神经网络模型的处理方法及湿啰音的识别方法

权利要求书

1.一种对神经网络模型的处理方法，其特征在于，包括以下步骤：

(1)步骤一、设计损失函数及对损失函数正则化

采用对抗损失函数作为神经网络模型的损失函数；引进正则化对神经网络模型的每一层均进行正则化处理，包括如下：

对神经网络模型的第一层的所有参数进行正则化，获得正则化项：

对神经网络模型的每一层的所有参数进行正则化，获得正则化项：

形成新的损失函数为：

L＝L₁+λR；

其中，N表示该层的向量个数，M表示层数，M＝1,2,3,…,l；N_l表示第l层的向量个数；L₁表示对抗损失函数；λ表示超参数；W_lj表示网络参数的第l层的第j个向量；W_li表示网络参数的第l层的第i个向量；

(2)步骤二、神经网络训练采用的优化器

神经网络模型训练采用Adam优化器；优化器的参数中学习率设置为0.0002，β₁为0.5，β₂为0.999；β₁为一阶矩估计的指数衰减率，β₂为二阶矩估计的指数衰减率；

(3)步骤三、神经网络模型在训练之后，若未达到收敛，采用反向传播算法更新参数

对于所有的层数l(l∈1，2....n)，令ΔW^(l)：＝0，Δb^(l)：＝0，即将向量的权值设置为全零矩阵或全零向量；

对于i＝1,2….m，进行一步训练，得到向量权值和偏置向量参数的变化值，以便更新参数；

使用反向传播算法计算和

反向传播算法：给定输入样例(x，y)，首先进行“前向传导”运算，计算出网络中所有的激活值，包括h_W,b(x)的输出值。之后对第l层上的每一个向量i,计算出其“残差”该残差表明了该向量对输出值的残差的影响；对于最终的输出向量，直接算出网络产生的激活值与实际值之间的差距；对于隐藏单元，基于向量残差的加权平均值计算输入残差；

(4)步骤四、更新权重参数

其中，W和b分别表示各层的向量权值和偏置向量参数；γ，α表示给定参数；m表示第l层的向量的个数；表示第l层更新前的向量权值；W^(l)表示更新后的第l层向量权值；b′^(l)表示更新前第l层偏置向量参数；b^(l)表示更新后第l层偏置向量参数。

2.根据权利要求1所述的对神经网络模型的处理方法，其特征在于，

所述反向传播算法的过程如下：

(1)、进行前馈传导计算，得到隐藏层和输出层的激活值；

(2)、对于第nl层的每个输出向量i，根据以下公式计算残差：

其中，f(z)表示sigmoid函数；·表示向量乘积；a^(nl)表示第nl层单元激活值；z_i^(nl)表示第nl层第i单元输入加权和；δ^(nl)表示第nl层的残差；

(3)、对l＝nl-1，nl-2，...，2的各个层，第l层的第i个节点的残差计算方法如下：

(4)、计算所需偏导数，计算方法如下：

计算(向量权值变化值)；

计算(偏置向量变化值)。

3.一种湿啰音的识别方法，其特征在于，包括以下步骤：

步骤一、采用小波分解法获取不同频率段的小波系数，然后分析小波系数与时域能量的对应关系，构建出肺音的特征向量；

步骤二、采用上述权利要求1所述的对神经网络模型的处理方法，对肺音的特征向量进行识别；

通过以上两个步骤，可通过采集患者的肺音，并根据患者的肺音特征识别出是否存在湿啰音。