[发明专利]一种基于肌电数据的应力性骨折预测方法

说明书

本发明涉及一种基于肌电数据的应力性骨折预测方法，属于辅助诊断技术领域。所述方法包括：1将数据进行标准归一化得到标准样本集；2对标准样本集进行稀疏采样，得到扩展数据集；3使用GAN对齐扩展数据集和语音数据集的分布，得到分布对齐后的语音数据集；4对LSTM模型进行预训练，得到预训练后的模型并训练，得到训练好的LSTM模型；5将待预测数据通过标准归一化，得到标准测试数据，再经稀疏采样，得到扩展测试数据集，再通过训练好的LSTM模型进行预测，得到预测结果集；6将预测结果集进行投票，计算预测为正样本和负样本个数，得到预测类别。所述方法适用于采样密度大、数据量少、类别不均衡的各种时序数据预测。

技术领域

本发明涉及一种基于肌电数据的应力性骨折预测方法，属于辅助诊断技术领域。

背景技术

肌电数据作为预测应力性骨折的一大依据，与步态数据既有着相同的特征，也有着很大的区别。相同在于肌电数据也存在采样密度高、样本量小以及类别不均衡的问题，区别在于肌电数据作为时序数据，与步态数据相比，拥有更多的时序特征。

时序特征具有连续性，因此适用于步态数据的方法，并不适用于肌电数据。为此，我们提出一套适用于时序数据的预测方法。

发明内容

本发明的目的在于现有应力性骨折预测方法存在成本高、效率低的缺陷，提出了一种基于肌电数据的应力性骨折预测方法，所述预测方法通过改进自动化分析肌电数据，提高系统的应力性骨折预测准确率。

为了达到上述目的，本发明采取如下技术方案：

所述应力性骨折预测方法，包括数据预处理、训练和预测，具体步骤如下：

步骤1、对数据样本集中的每个样本进行标准归一化，得到标准归一化后的样本，所有标准归一化后的样本构成标准样本集；

其中，标准归一化通过(1)实现：

其中，X′表示对单个样本X进行标准归一化后的标准样本，X表示单个样本，X_min和X_max分别为单个样本X中时序数据的最小值和最大值；

步骤2、对标准样本集进行稀疏采样，降低采样密度，在不丢失样本重要特征的前提下，增加样本的数量，得到扩展数据集；

其中，稀疏采样通过公式(2)实现：

X_i＝{x_i+δ,x_i+2δ，…,x_i+floor(n/δ)×δ},i＝

1,2,…,δ(2)

其中，X_i为采样后的样本，x_i为标准样本X′的第i个采样点，n为标准样本X′的采样点数，δ为采样间隔，floor为向下取整函数；

通过步骤2，一个标准样本X′经过稀疏采样后，样本数量变为δ个，即增加了δ-1个；

步骤3、基于扩展数据集的分布，使用GAN将语音数据集的分布对齐，得到分布对齐后的语音数据集；

其中，扩展数据集的分布，称为目标域；语音数据集的分布，称为源域；

步骤4、将步骤3输出的分布对齐后的语音数据集输入LSTM模型中进行预训练，得到预训练后的LSTM模型；

步骤5、使用扩展数据集对预训练后的LSTM模型进行训练，得到训练好的LSTM模型；

步骤6、将待预测数据进行标准归一化，得到标准测试数据；

将待预测数据中的每个样本进行标准归一化，得到标准归一化后的待预测数据，称该归一化后的待预测数据为标准测试数据，具体通过(1)实现；