[发明专利]呼吸气体诊断系统的领域自适应装置

摘要

本发明公开了一种呼吸气体诊断系统的领域自适应方法及装置，该方法包括：根据第一设备响应获取对已知病患者呼吸气体采样的数据，从数据中提取目标数据作为训练样本；根据第二设备响应获取对待测病患者呼吸气体采样的数据，从数据中提取目标数据作为测试样本；训练、测试样本共同构成样本空间；训练、测试样本的背景特征构成背景特征空间；根据kernel trick、背景特征空间、HSIC、MIDA获得第一投影矩阵；经第一投影矩阵将样本空间投影到高维特征空间，以使训练、测试样本呈线性分布。本发明通过采用大数据支持下的漂移补偿方法，缩小了使不同设备、不同时间采集到气体样本间的设备差异和时变漂移。

主权项

1.一种呼吸气体诊断系统的领域自适应装置，其特征在于，包括：第一获取模块，用于根据第一设备的响应获取对已知病患者呼吸气体进行采样的数据，按照预定规则从所述数据中提取目标数据作为训练样本；第二获取模块，用于根据第二设备的响应获取对待测病患者呼吸气体进行采样的数据，按照预定规则从所述数据中提取目标数据作为测试样本；所述训练样本和测试样本共同构成样本空间；所述训练样本的背景特征及测试样本的背景特征构成背景特征空间；计算模块，用于根据kernel trick核戏法、背景特征空间、HSIC独立准则、MIDA最大独立领域适配算法获得第一投影矩阵；迁移模块，用于经所述第一投影矩阵将所述样本空间投影到一个高维特征空间，以使所述训练样本及测试样本按照同一特征呈线性分布；所述计算模块包括：映射模块，用于用非线性映射函数把原始特征向量映射到所述高维特征空间；投影模块，用于定义第二投影矩阵将高维特征空间投影到所述第一投影矩阵，投影后的样本构成子空间；核戏法模块，用于根据kernel trick核戏法获得非线性映射函数内积的核函数，获得所述子空间中样本与非线性映射函数内积的核函数及所述第一投影矩阵的关系式，进而获得所述子空间中样本内积的核函数；适配模块，用于从所述子空间和背景特征空间中分别抽取独立样本，通过HSIC独立准则使得从所述子空间中样本与背景特征空间中抽取的独立样本之间的独立性最大；并使得所述子空间中样本的方差最大，获得所述第一投影矩阵；所述适配模块包括：HSIC模块，用于由所述子空间中样本内积的核函数Kz、所述背景特征空间中样本内积的核函数Kd及HSIC独立准则的经验估计公式获得决定HSIC值的关键因子：tr(Kz×H×Kd×H)＝tr(Kx×W×WT×Kx×H×Kd×H)；方差模块，用于由所述子空间中样本Z与非线性映射函数内积的核函数Kx及所述第一投影矩阵W的关系式：Z＝Kx×W，计算子空间样本的协方差矩阵：cov(Z)＝WT×Kx×H×Kx×W；MIDA模块，根据HSIC值的关键因子和子空间样本的协方差矩阵的迹，获得MIDA最大独立领域适配算法目标函数：Y＝‑tr(WT×Kx×H×Kd×H×Kx×W)+μ×tr(WT×Kx×H×Kx×W)其中：μ为权重系数，μ>0，K_x为非线性映射函数内积的核函数，W为所述第一投影矩阵，且满足：W^T×W＝I，H满足：I是单位矩阵，n为样本空间中样本的数量；解析模块，用于在所述MIDA最大独立领域适配算法目标函数的函数值Y最大时，获取与所述函数值Y对应的变量，即获得所述第一投影矩阵W；所述解析模块包括：函数构造模块，用于利用拉格朗日乘子法构造中间函数：tr(WT×Kx×(‑H×Kd×H+μ×H)×Kx×W)‑tr((WT×W‑I)×Λ)其中Λ为拉格朗日乘子矩阵；算子模块，用于令所述中间函数对W的导数为：Y'＝Kx×(‑H×Kd×H+μ×H)×Kx×W‑W×Λ在所述中间函数对W的导数值Y’为零时，可得所述第一投影矩阵W是矩阵Kx×(‑H×Kd×H+μ×H)×Kx的最大特征值对应的特征向量；其中所述非线性映射函数内积的核函数K_x为以下线性核函数k(x,y)＝x^Ty、多项式k(x,y)＝(σx^Ty+1)^d或高斯径向基函数中的一个；其中所述σ为核参数，d为核矩阵维度；所述背景特征空间中样本内积的核函数Kd满足：Kd＝DDT，其中，D为背景特征矩阵，若样本i和样本j来自不同设备，则(Kd)ij＝0；若来自相同设备，则(Kd)ij＝1或1+titj，t为样本的采样时间；由所述非线性映射函数内积的核函数Kx及所述背景特征空间中样本内积的核函数Kd获得所述第一投影矩阵W。