[发明专利]一种基于深度词向量的端到端生物医学信号语义表征方法

摘要

本发明公开了一种基于深度词向量的端到端生物医学信号语义表征方法，属于生物医学工程和数据挖掘领域。本发明通过引入语义表达学习方法于生物医学信号深度特征提取中，无监督训练端到端的深度词向量模型，即联合训练深度自编码器和词向量模型。与现有技术相比，本发明结合了深度神经网络和词向量模型共享表示生物医学信号的深度静态特征和动态语义特征，使其融合的深度语义特征在提升算法性能的同时具有鲁棒性。

主权项

1.一种基于深度词向量的端到端生物医学信号语义表征方法，其特征在于：包括以下步骤，1)采集生物医学信号数据，这些生物医学信号数据为无标注数据，将这些无标注数据作为训练数据集{x(i),i＝1,2,…,m}，其中m为训练样本数量；2)对训练数据集中的训练数据进行预处理；对训练数据集中的生物医学信号使用短时傅里叶变换表达生物医学信号的时频信息，并按照时间方向定长分块，获得生物医学信号的时频向量时间序列训练集对于生物医学信号样本x(t)，利用短时傅里叶变换表达脑电时频信息s的公式如下：其中，τ为时间索引，用来定位生物医学信号并调用窗函数w(t)进行傅里叶变换；t表示时间，j为脑电信号的定长分块长度；3)用生成的时频向量时间序列训练集无监督训练端到端深度词向量模型；具体为：4)采集新的待表征的生物医学信号数据x；5)用步骤2)的方法对新的待表征生物医学信号数据x进行预处理，获得待表征的时频向量时间序列{s1,s2,…,sT}；6)用训练好的深度词向量模型对待表征的时频向量时间序列{s1,s2,…,sT}进行语义特征表达，获得相应的嵌入向量，即语义特征序列{v1,v2,…,vT}，其公式如下：vt＝f(Wvf(Whst+bh)+bv)，Wv,h和bv,h为深度词向量模型中预先训练好的参数；至此，完成基于深度词向量的端到端生物医学信号语义表征过程。