[发明专利]一种基于机器学习的甲状腺采样数据识别方法及装置

权利要求书

1.一种基于机器学习的甲状腺采样数据识别方法，其特征在于，包括以下步骤：

对待测对象的颈前部施加激励源，获取m个待测对象在不同激励条件下的采样数据；

将采集到的采样数据进行预处理，并整理成第一数据集，将所述第一数据集内的样本数据输入甲状腺识别模型，其中所述甲状腺识别模型包括特征提取部和类别识别部，所述特征提取部用于使训练的样本数据的特征更加明显，并将样本数据整合成类别识别部的输入数据，所述类别识别部用于对所述输入数据进行分类；

所述第一数据集的样本数据经过特征提取步骤和类别识别步骤后输出，根据输出结果判定所述采样数据的阈值是否超出预设范围。

2.根据权利要求1所述的一种基于机器学习的甲状腺采样数据识别方法，其特征在于，所述将采集到的采样数据进行预处理的步骤还包括：

将采集到的采样数据整理成原始数据集，取所述原始数据集中的最大值i_max，将所述原始数据集中的每个数据与所述最大值i_max相加，并通过文本嵌入技术映射到高维空间形成第一数据集，便于后续的特征提取。

3.根据权利要求1所述的一种基于机器学习的甲状腺采样数据识别方法，其特征在于，所述特征提取步骤包括：

输入数据依次进入第一特征提取模块、第二特征提取模块和第三特征提取模块，其中

所述第一特征提取模块包括一个注意机制模块，

所述第二特征提取模块包括两个1×1卷积块、一个3×3卷积块和一个注意机制模块，

所述第三特征提取模块包括两个1×1卷积块、一个3×3卷积块和两个全连接层。

4.根据权利要求3所述的一种基于机器学习的甲状腺采样数据识别方法，其特征在于，所述注意力机制模块的计算规则为：

其中，A、B、E是大小相同的张量，d_k为输入的词嵌入维度，sigmiod函数用于对张量进行激活。

5.根据权利要求1所述的一种基于机器学习的甲状腺采样数据识别方法，其特征在于，所述类别识别步骤包括：

使用第一超平面对所述输入数据进行分类，根据分类的结果，所述甲状腺识别模型输出的结果是-1或者1，其中1代表所述采样数据为第一类数据，即异常数据，-1代表所述采样数据为第二类数据，即正常数据。

6.根据权利要求5所述的一种基于机器学习的甲状腺采样数据识别方法，其特征在于，所述第一超平面的表达式为：

M＝w^Tx+b

其中，w＝(w₁；w₂；…；w_m)w＝(w₁；w₂；w_m)为法向量，其中mm为训练样本数，ww决定了超平面的方向，b为位移项，这个超平面记为(ww，b)。

7.根据权利要求6所述的一种基于机器学习的甲状腺采样数据识别方法，其特征在于，所述第一超平面的表达式中ww和b的推导过程包括：

样本空间中任意点x到超平面(ww，b)的距离r可写为：

所以两个异类支持向量到超平面的距离之和为：

支持向量机的基本型为：

s.t.yi(w^Tx_i+b)≥1，i＝1，2，…，m

根据这个问题拉格朗日表达式，对ww和b求偏导为零，由对偶问题可得最终优化目标函数：

其中，约束条件为：α≥0 α≥0且代入训练样本值可以求出αα，进而求出ww和b。

8.根据权利要求7所述的一种基于机器学习的甲状腺采样数据识别方法，其特征在于，使用的优化目标函数的核函数为：

其中，xx为训练模型时的病人电阻率向量，σσ是一个大于0的常量。

9.一种电子设备，其特征在于，包括存储器和处理器，所述处理器用于执行所述存储器中存储的甲状腺识别模型，以实现权利要求1-8中任意一项所述的一种基于机器学习的甲状腺采样数据识别方法。