[发明专利]一种基于电阻抗层析成像测量框架的中风位置分类方法

权利要求书

1.一种基于电阻抗层析成像测量框架的中风位置分类方法，其特征在于具体步骤为：

步骤一：对人脑区域进行划分，做一垂直于前额中心至后枕中心连线的平面，将平面从前额中心向后枕中心平移，当平面到达两侧太阳穴时停止，此时平面扫过的脑部区域为Λ1，继续向后枕中心平移平面，当平面到达两侧耳后时停止，此时平面扫过的脑部区域为Λ2，余下未扫过的脑部区域为Λ3；

步骤二：对患者情况进行类型划分，最终可以划分为：健康、Λ1出血、Λ1缺血、Λ2出血、Λ2缺血、Λ3出血、Λ3缺血共7种情况；

步骤三：将大量已知病变或健康情况的患者设置为训练数据患者组，将16电极的EIT采集系统的电极以前额中心为1号电极，逆时针等间隔的将16个电极放置在训练数据患者组第一位患者头部的同一水平面；

步骤四：采用相对模式的安全电流激励和相邻模式的电压检测，即首先以1号电极和9号电极为激励电极，检测电极对依次为2号-3号、3号-4号、4号-5号、5号-6号、6号-7号、7号-8号、10号-11号、11号-12号、12号-13号、13号-14号、14号-15号、15号-16号，共获得12个边界测量电压，将这些数据作为1组保存，然后以2号电极和10号电极为激励电极，3号-4号为首对检测电极按上述方法依次获取数据，直到16号电极和8号电极为激励电极时获取完成最后一组12个边界测量电压，总共可以获得16组边界电压测量数据，每组数据包含12个边界测量电压；

步骤五：数据扩充，为了提高神经网络分类性能，使输入神经网络的数据信息更多，对原先12*16的EIT电压数据进行数据变换，取1号电极和9号电极为激励电极的第一组数据，将15号-16号和2号-3号两个电压进行线性插值，得到16号-1号、1号-2号两个扩充电压，同理对7号-8号、10号-11号两个电压进行线性插值，得到8号-9号、9号-10号两个扩充电压，最终将第一组电压数据扩充为1号-2号、2号-3号、3号-4号、4号-5号、5号-6号、6号-7号、7号-8号、8号-9号、9号-10号、10号-11号、11号-12号、12号-13号、13号-14号、14号-15号、15号-16号、16号-1号，共16个电压数据，然后取2号电极和10号电极为激励电极的第二组数据，进行类似的操作，以此类推，最终将EIT电压数据变换为16*16的大小；

步骤六：判断是否所有训练数据患者组的患者均采集了数据，若是则进行步骤七，若否则返回步骤三对下一位患者进行数据采集；

步骤七：训练神经网络的搭建，神经网络的结构按顺序分别由跳线块一、跳线块一、跳线块二、跳线块一、跳线块二、跳线块一、全局平均池化层、全连接层组成，其中跳线块一的结构为：

(1)卷积块一，由依次顺序连接的卷积层、批归一化层、激活层组成，其中卷积层滤波器大小为3*3，步长为1，激活层采用ReLU函数激活，经过了卷积块一的输出可以被表示为：

其中

式中，y为卷积块一的输出，a为卷积块一的输入，W为卷积块一的权重矩阵，b为偏置，x、y分别为输入矩阵的行、列序号，m、n分别为输出矩阵的行、列序号，f(x)为ReLU函数，t为激活层输入变量；

(2)卷积块二，由顺序连接的卷积层、批归一化层组成，其中卷积层滤波器大小为3*3，步长为1；

(3)卷积块三，由一个滤波器大小为1*1，步长为1的卷积层构成，其输入为卷积块一的输入a；

(4)ReLU激活层，将跳线块一的卷积块二与卷积块三的输出相加并送入ReLU函数激活；

跳线块二的结构为：

(1)卷积块四，由依次顺序连接的卷积层、批归一化层、激活层组成，其中卷积层滤波器大小为3*3，步长为2，激活层采用ReLU函数激活；

(2)卷积块二；

(3)卷积块五，由一个滤波器大小为1*1，步长为2的卷积层构成，其输入为卷积块四的输入；

(4)ReLU激活层，将跳线块二的卷积块二与卷积块五的输出相加并送入ReLU函数激活；

全局平均池化层将最后的跳线块一的输出进行压缩提取，转变为列向量，送入全连接层，全连接层包含7个神经元作为输出分别对应步骤二的分类情况，该层的激活函数为SoftMax，因此该层的输出可以被写为：

式中，Y为该层的输出，y为激活函数的输入；

步骤八：训练参数设置，每层权重以及偏置参数在0-1之间随机赋值，将初始学习率设置为10^-4，随着训练次数的增加缓慢的下降到最小10^-6，由于输出为7种分类，损失函数的数学形式为：

式中，p为标签值，q为网络输出值，i为输出神经元的序号，优化器采用混合动量加权估计方法，即

其中

式中，lr为学习率，SGD为一般动量中间变量值，RMS为平方动量中间变量值，λ1、λ2为动量超参数，o为极小值10^-8；

步骤九：神经网络训练，根据训练数据患者组的CT、MRI图像对患者数据进行相应分类并设定标签，将所有采集到的数据以及分类结果进行归一化后送入具有跳线连接的神经网络，经过神经网络得到初始输出，将初始输出通过步骤八所设置的损失函数计算误差，并通过反向传播的形式由优化器更新每一层的权重参数，随即进行下一次训练，直到所有数据完成训练，即完成了一轮训练，随后再次从第一组数据开始输入神经网络训练，共进行100轮，完成全部神经网络的训练，将此时的权重与偏置数据保存；

步骤十：预测神经网络的搭建，预测神经网络的结构按顺序分别由跳线块一、跳线块一、跳线块二、跳线块一、跳线块二、跳线块一、全局平均池化层、全连接层组成，其中跳线块一的结构为：

(1)卷积块一，由依次顺序连接的卷积层、批归一化层、激活层组成，其中卷积层滤波器大小为3*3，步长为1，激活层采用ReLU函数激活；

(2)卷积块二，由顺序连接的卷积层、批归一化层组成，其中卷积层滤波器大小为3*3，步长为1；

(3)卷积块三，由一个滤波器大小为1*1，步长为1的卷积层构成，其输入为卷积块一的输入a；

(4)ReLU激活层，将跳线块一的卷积块二与卷积块三的输出相加并送入ReLU函数激活；

跳线块二的结构为：

(1)卷积块四，由依次顺序连接的卷积层、批归一化层、激活层组成，其中卷积层滤波器大小为3*3，步长为2，激活层采用ReLU函数激活；

(2)卷积块二；

(3)卷积块五，由一个滤波器大小为1*1，步长为2的卷积层构成，其输入为卷积块四的输入；

(4)ReLU激活层，将跳线块二的卷积块四与卷积块五的输出相加并送入ReLU函数激活；

全局平均池化层将最后的跳线块一的输出进行压缩提取，转变为列向量，送入全连接层，全连接层七个神经元的输出经过SoftMax函数激活，最终得到的七个输出即为当前数据对应于七种情况的概率大小；

步骤十一：预测数据获取，将16电极的EIT采集系统的电极以前额中心为1号电极，逆时针等间隔的将16个电极放置在待检测患者头部的同一水平面，进行步骤四所述的相同方式的相对模式的安全电流激励和相邻模式的电压检测，进行步骤五所述的相同方式的数据扩充，最终获得待预测数据；

步骤十二：数据预测，将步骤九所保存的数据设定为预测神经网络的权重与偏置，将待预测数据送入预测神经网络进行预测，从而获得7种情况对应的概率大小，选取概率最大的情况作为最终的预测结果。