[发明专利]基于半监督判别投影的脉搏数据分类方法及装置

权利要求书

1.基于半监督判别投影的脉搏数据分类方法，其特征在于：具体包括以下步骤：

步骤1、采集脉搏数据，并将对应的身体状况信息作为该数据的标签；所述身体状况信息为：表寒、表热、表虚、表实、里寒、里热、里虚、里实或正常；

步骤2、对步骤1采集到的脉搏数据进行预处理消除噪声，然后通过快速傅里叶变换，将频率能量分布序列最大值对应的频率值的倒数作为脉搏周期；

步骤3、使用步骤2计算得到的脉搏周期，将预处理后的脉搏数据划分为单周期数据，对每个单周期数据提取主波幅度、主波峡幅度、重搏前波幅度、降中峡幅度、重搏波幅度，以及左心室的快速射血期时间、起始点到主波峡谷底的时间间隔、起始点到重搏前波波峰的时间间隔、左心室收缩期、左心室舒张期共10个特征；将每个脉搏周期的特征作为一个样本，各样本按列合并得到脉搏数据的样本矩阵其中，d表示特征数量，n表示单周期脉搏信号的数量；将样本矩阵X划分为两部分，其中X_l为带标记样本，X_u为无标记样本；最后，对样本矩阵X进行去中心化处理；

步骤4、根据步骤3得到的样本矩阵X，建立如下半监督判别投影模型：

其中，为投影矩阵，m为子空间的维度；为子空间聚类中心，c为标签类别数量，为指示矩阵，G＝[G_l,G_u]，包含带标记样本指示矩阵G_l与无标记样本指示矩阵G_u，带标记样本指示矩阵G_l根据原始样本标记进行初始化，G_ij＝1表示第i个样本属于第j类，G_ij＝0表示第i个样本不属于第j类；无标记样本指示矩阵G_u中各个元素初始化为表示对应样本归属于各类别的概率；S_b为类间散度矩阵，用于衡量不同样本之间的离散程度，为单位矩阵；为全1的列向量；上标T表示转置，Tr(·)表示求取迹，||·||_F表示对矩阵求F范数；

步骤5、根据步骤4建立的半监督判别投影模型，对投影矩阵W、指示矩阵G、子空间聚类中心F进行联合迭代优化，每一轮迭代中仅更新一个参数，具体优化过程如下：

步骤5.1、初始化投影矩阵W：

求解得到W为XX^T最大的m个特征值对应的特征向量；

步骤5.2、初始化判别中心：

矩阵F的取值为子空间聚类中心点，因此矩阵F的第i列F_i为：

其中，n_k表示第k类中样本的数量，l_k为第k类样本的集合，x_i为样本矩阵X中的一列，X_l为样本矩阵中带标签的样本；

步骤5.3、固定子空间聚类中心F和投影矩阵W，更新指示矩阵G中的G_u：

将G_u按行分解后，转化为具有单纯形约束的二次优化问题，引入辅助变量v对分解后的每一行g^T进行更新，构造的增广拉格朗日函数如下，：

其中β为拉格朗日乘子，μ为罚因子，b＝F^TW^Tg_i；

依次固定v、g中的一个变量，更新另一个变量，进行迭代优化以获取局部最优解；重复上述过程，对G_u中的每一行依次进行更新，完成对指示矩阵G更新；

步骤5.4、固定指示矩阵G和投影矩阵W，更新子空间聚类中心F：

直接对F求导，得到更新后的子空间聚类中心F：

F＝W^TXG(G^TG)^-1                             (8)

步骤5.5、固定子空间聚类中心F和指示矩阵G，更新投影矩阵W：

并将其转化为Trace-Ratio问题进行求解；

步骤5.6、多次重复步骤5.3～步骤5.5，直至达到最大迭代次数或步骤4中半监督判别投影模型的值达到设定阈值；

步骤6、分离步骤5迭代优化后的指示矩阵G中的无标记样本部分G_u,对G_u按行分块：

G_u＝[g_l+1^T,g_l+2^T,…,g_n^T]                          (10)

取G_u中最大元素对应的列序作为第i个样本x_i^T的对应类别，完成对原始脉搏数据的分类。