CN120105251A 一种基于模式识别的生物电阻抗肿瘤检测方法 （武汉纺织大学）

(22)申请日2025.05.06地址430074湖北省武汉市洪山区纺织路1号蔡子恒曹家诚陆丹妮何梓行有限公司42321一种基于模式识别的生物电阻抗肿瘤检测方法本发明公开了一种基于模式识别的生物电阻抗肿瘤检测方法，包括以下步骤：S1:通过生物电阻抗分析仪器对待检测肿瘤区域进行电阻抗阻抗值；S2:设计特征提取模块，提取各通道不同频率下的电阻抗数据中的关键特征；S3:将提取融合特征；S4:将融合特征输入至自适应分类模通过模式识别算法对数据进行自动化处理与分通过生物电阻抗分析仪器对待检测通过生物电阻抗分析仪器对待检测肿瘤区域进行电阻抗测量，获取在不同深度不同频率下的电流、电压及阻抗值征设计自适应分类模块结合自适应优化方法，调整模型参数2S1:通过生物电阻抗分析仪器对待检测肿瘤区域进行电阻抗测量，获取在不同深度不2.根据权利要求1所述的一种基于模式识别的生物电阻抗肿S13:使用电压电极测量肿瘤区域的电压信号，并通过信号放大与滤波等处理，得到不3.根据权利要求2所述的一种基于模式识别的生物电阻抗肿Z=R+jXS144:对频率-阻抗谱使用自适应滤波技术，根据噪声的统计特性动态调整滤波器参34.根据权利要求1所述的一种基于模式识别的生物电阻抗肿瘤检测方法，其特征在于，所述步骤S2具体包括：S21:对不同频率下的电阻抗数据进行频域分析，对每个通道的数据通过一种频域变换方法将时域信号转换为频域信号，获取电阻抗数据在各个频率点上的幅值和相位信息；S22:计算电阻抗数据中的幅值特征，包括电阻抗的模值|Z|和相位角θ,其计算公式如S23:根据电阻抗幅值与相位角的关系，提取电阻率p、电导率σ、电抗X电学参数作为X;S24:使用加权方差提取频率-阻抗谱的关键信息，其计算公式如下：4S25:使用自适应滑动窗口算法对电阻抗数据进行局部特征提S26:将提取的各项局部特征进行降维处理，得到各通道不同频率下的电阻抗数据中的5.根据权利要求4所述的一种基于模式识别的生物电阻抗肿S211:将时域信号经过频域变换方法变换后，获得的频率范围分割为n个子频段，其计频率成分如何在不同的时间T上变化，j是虚数单位，fk是第k个子频段的频率，fmin和S212:对于每个子频段的频域信号数据矩阵的每个元素进行处理，计算该子频段的幅X(f;)I=√Re(X(fi)²+Im(X(fi)²R(fi)=|H(f;)||x(fi)|ej(θ5S31:输入所述关键特征，使用一种跨通道注意力机制，计算注意力权重，其计算公式如其中，Aj表示通道i和通道j的相似度，Xi和Xj分别是第i和第j个通道的信号表示，意力权重的和为1,C表示通道的数量；S32:根据计算出的注意力权重，调整每个通道特征的贡献度，对不同通道的特征进行加权平均，根据注意力权重动态调整每个通道的影响力；S33:将所有经过加权处理后的特征进行加权平均，形成新的融合特征表示。7.根据权利要求6所述的一种基于模式识别的生物电阻抗肿瘤检测方法，其特征在于，所述步骤S4具体包括：S41:将所述融合特征输入至自适应分类模块中，选择卷积长短时记忆网络结合自适应优化方法对模型进行训练；S42:对训练得到的模型进行超参数调优，采用交叉验证评估不同参数配置下模型的性8.根据权利要求7所述的一种基于模式识别的生物电阻抗肿瘤检测方法，其特征在于，所述步骤S41具体包括：S411:将所述融合特征输入到卷积层进行提取高层次的抽象特征，所述卷积层包括1×S412:经过卷积层处理后的特征传入卷积长短时记忆网络模块，进一步提取序列数据中的时序特征；S413:将经过卷积长短时记忆网络模块后的特征进行展平操作后汇总得到时序信息，最终传入全连接层；S414:为了保证模型的鲁棒性，采用He方法进行模型初始化，避免梯度消失或梯度爆炸S415:采用自适应优化算法来动态调整模型参数，优化分类精度，其计算公式如下：6S416:在训练初期使用较小学习率，通过逐步升高学习率来避免收敛过慢，随着训练轮次的增加，再逐渐减小学习率，以避免过早收敛或在局部最小值附近震荡；S417:引入梯度提升树的集成学习策略，使用加权平均的方法，通过逐步训练弱学习器并组合它们的输出，生成初步的预测结果；S418:在实时自适应调整与在线学习阶段，基于新输入的数据和反馈，继续更新模型参数以提升分类精度，其计算公式如下：数更新的步长，决定每次调整的幅度，L(θt,xt,yt)是损失函数，Xt,yt为当前接收到的样本和标签，VL(θt,xt,yt)表示损失函数工对模型参数θt的梯度，表示损失值相对于模型参数的变化率。7技术领域[0001]本发明涉及生物医学检测领域，尤其涉及一种基于模式识别的生物电阻抗肿瘤检测方法。背景技术[0002]肿瘤作为一种严重威胁人类健康的疾病，其高发病率和高死亡率已成为全球公共卫生面临的重大挑战。尤其是恶性肿瘤，也就是我们常说的癌症，已成为导致死亡的主要原因之一。根据世界卫生组织的数据，癌症每年夺去数百万人的生命，其中多数患者在发现时已处于晚期，错过了最佳治疗时机。因此，肿瘤的早期发现和及时治疗对于提高治愈率和患等。然而，这些传统检测方法通常需要昂贵的设备、复杂的操作和较长的检测周期，且可能会带来一定的辐射风险或痛苦感。[0003]生物电阻抗测量是一种通过测量组织的电阻抗特性来分析组织的物理性质和健康状态的方法。电阻抗的变化可以反映不同类型组织的差异，尤其是在肿瘤组织与正常组织之间存在显著的电阻抗差异。通过测量电阻抗数据，可以实现对肿瘤的早期筛查和诊断。然而，传统的电阻抗检测方法通常依赖人工分析，准确性和效率较低。随着机器学习和模式识别技术的发展，基于模式识别的分析方法可以显著提高肿瘤检测的准确性和自动化水平。[0004]在现有技术中，公开号为CN118864354A的中国专利公开了“一种基于无监督对比学习的多模态脑肿瘤检测方法”,该方法结合MRI和CT图像的特征提取与无监督对比学习技CT图像的特征融合和对比学习，未能充分考虑其他模态数据或额外特征的整合。[0005]因此，亟待设计一种基于模式识别的生物电阻抗肿瘤检测方法，解决上述现有技术存在的问题。发明内容[0006]本发明的目的在于提供一种基于模式识别的生物电阻抗肿瘤检测方法，通过模式识别算法对数据进行自动化处理与分类，同时结合特征提取模块、多层次特征融合模块和自适应分类模块，能够有效提高肿瘤检测的准确性、灵敏度和可靠性。本发明第一方面提供了一种基于模式识别的生物电阻抗肿瘤检测方法，所述方法包括以下步骤：S1:通过生物电阻抗分析仪器对待检测肿瘤区域进行电阻抗测量，获取在不同深度不同频率下的电流、电压及阻抗值；S2:设计特征提取模块，提取各通道不同频率下的电阻抗数据中的关键特征；S3:将提取的关键特征输入至多层次特征融合模块，将不同通道、不同频率下的电8阻抗特征进行融合，形成新的融合特征；S4:将所述融合特征输入至自适应分类模块结合自适应优化方法，调整模型参数，提升分类精度和灵敏度。S11:配置双电极对，分别施加电流并测量电压；S12:将双电极对施加的电流分别引入待检测肿瘤区域，通过不同频率范围的电流信号激发该区域的生物组织电阻抗响应；S13:使用电压电极测量肿瘤区域的电压信号，并通过信号放大与滤波等处理，得到不同频率下的电压值；S14:各通道分别通过计算电压与施加电流的比值，得到不同频率下的阻抗值，生成频率-阻抗谱。[0009]作为本申请的一实施例，所述步骤S14具体包括：S141:对于每个频率点，使用已知的欧姆定律计算阻抗值，其计算公式如下；Z=R+jXS142:通过对信号进行时域与频域分析，以提取其幅度、相位和阻抗特征参数；S143:将不同频率下的阻抗值整合，绘制出阻抗随频率变化的谱图；S144:对频率-阻抗谱使用自适应滤波技术，根据噪声的统计特性动态调整滤波器[0014]其中，err(n)表示在时刻n的真实输出值与滤波器输出值之间的差异，g(n)是在示在时刻n的输入数据，b(n)为增益向量，λ为遗忘因子，P-¹(n-1)为上一时刻的逆协方差矩阵，P-¹(n)为更新后的逆协方差矩阵。[0015]作为本申请的一实施例，所述步骤S2具体包括：S21:对不同频率下的电阻抗数据进行频域分析，对每个通道的数据通过一种频域变换方法将时域信号转换为频域信号，获取电阻抗数据在各个频率点上的幅值和相位信S22:计算电阻抗数据中的幅值特征，包括电阻抗的模值|Z|和相位角θ,其计算公式如下：9S25:使用自适应滑动窗口算法对电阻抗S26:将提取的各项局部特征进行降维S211:将时域信号经过频域变换方法变换后，获得的频率范围分割为n个子频段，的时域表示，而x(T)只是信号的一个样本点，表示信号在时刻T的值，w(t)为窗函数，S212:对于每个子频段的频域信号数据矩阵的每个元素进行处理，计算该子频段式如下：[0031]其中，Aj表示通道i和通道j的相似度，Xi和Xj分别是第i和第j个通道的信号表注意力权重的和为1,C表示通道的数量；S32:根据计算出的注意力权重，调整每个通道特征的贡献度，对不同通道的特征进行加权平均，根据注意力权重动态调整每个通道的影响力；S33:将所有经过加权处理后的特征进行加权平均，形成新的融合特征表示。[0032]作为本申请的一实施例，所述步骤S4具体包括：S41:将融合后的特征数据输入至自适应分类模块中，选择卷积长短时记忆网络结合自适应优化方法对模型进行训练；S42:对训练得到的模型进行超参数调优，采用交叉验证评估不同参数配置下模型的性能。S411:将所述融合特征输入到卷积层进行提取高层次的抽象特征，所述卷积层包S412:经过卷积层处理后的特征传入卷积长短时记忆网络模块，进一步提取序列数据中的时序特征；S413:将经过卷积长短时记忆网络模块后的特征进行展平操作后汇总得到时序信S414:为了保证模型的鲁棒性，采用He方法进行模型初始化，避免梯度消失或梯度爆炸问题；S415:采用自适应优化算法来动态调整模型参数，优化分类精度，其计算公式如S416:在训练初期使用较小学习率，通过逐步升高学习率来避免收敛过慢，随着训练轮次的增加，再逐渐减小学习率，以避免过早收敛或在局部最小值附近震荡；S417:引入梯度提升树的集成学习策略，使用加权平均的方法，通过逐步训练弱学习器并组合它们的输出，生成初步的预测结果；S418:在实时自适应调整与在线学习阶段，基于新输入的数据和反馈，继续更新模型参数以提升分类精度，其计算公式如下：型参数更新的步长，决定每次调整的幅度，L(θt,xt,yt)是损失函数，Xt,yt为当前接收到的样本和标签，VeL(θt,xt,yt)表示损失函数L对模型参数θt的梯度，表示损失值相对于模型参数的变化率。[0037]本发明的有益效果为：(1)本发明利用生物电阻抗分析技术结合模式识别方法，能够精准提取不同频率下肿瘤组织的电信号特征，有效区分正常组织与肿瘤组织，进一步区分良性与恶性肿瘤，并在某些情况下可辅助区分肿瘤的具体类型。通过融合特征提取与智能模式识别方法，本发明大大提高了肿瘤检测的准确性，减少了误诊和漏诊的发生率。[0038](2)本发明通过设计特征提取模块，能够从每个通道和不同频率下的电阻抗数据中提取出具有高辨识度的关键特征，通过对电信号进行时域和频域分析，提取电导率、电抗、电阻等电学特性参数，这些特征反映了组织的电学性质，并能有效区分正常组织与肿瘤组织，在提取过程中，模块能够根据不同频率的响应特点，选取最具代表性的特征，去除噪声与冗余信息，从而确保提取到的特征具有较强的判别能力。[0039](3)本发明通过设计多层次特征融合模块，能够将来自不同深度、频率和通道的信息被有效地整合在一起，融合为一个更全面、准确的表示，进一步去除了冗余和噪声信息，提取出具有高判别能力的全局特征；这些融合后的特征能够更准确地反映乳腺组织的电学特性，为后续的分类任务提供更精确的特征表示；通过融合不同层次的信息，能够更全面地捕捉肿瘤与正常组织之间的差异，提升分类器的鲁棒性和准确性，通过多层次的融合，本发明可以有效捕捉到肿瘤区域的电学特征，减少噪声干扰，增强模型的判别能力。[0040](4)本发明通过设计自适应分类模块，可以根据不同肿瘤样本的特点，自动调节学习率、权重衰减等超参数，通过训练和验证数据不断优化模型的性能，通过梯度提升树的集成学习方法，模型能够从多个角度提高分类的精度和稳定性，每一类肿瘤(良性、恶性或不同类型的肿瘤)都会有其独特的电学特征，分类模块能够根据这些特征有效地区分各类型组织，通过此方法，不仅能有效区分正常组织和肿瘤组织，还能够进一步细化为良性肿瘤、恶性肿瘤等类别，提供更加精准的肿瘤检测与诊断信息，为后续的治疗决策提供可靠依据。附图说明[0041]图1为本发明实施例中提供的一种基于模式识别的生物电阻抗肿瘤检测方法的流图2为本发明实施例中提供的一种基于模式识别的生物电阻抗肿瘤检测方法的特征提取模块流程示意图；图3为本发明实施例中提供的一种基于模式识别的生物电阻抗肿瘤检测方法的多层次特征融合模块流程示意图；图4为本发明实施例中提供的一种基于模式识别的生物电阻抗肿瘤检测方法的自适应分类模块示意图。具体实施方式[0042]下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其于解释在某一特定姿态(如附图所示)下各部件之间的相对位置关系、运动情况等，如果该特定姿态发生改变时，则该方向性指示也相应地随之改变。电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通或两个元件的相互作用关系，除非另有明确的限定。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。的描述仅用于描述目的，而不能理解为指示或暗示其相对重要性或者隐含指明所指示的技案、或B方案、或A和B同时满足的方案。另外，各个实施例之间的技术方案可以相互结合，但是必须是以本领域普通技术人员能够实现为基础，当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在，也不在本发明要求的保护范围之内。[0046]参照图1至图4,本发明第一方面提供了一种基于模式识别的生物电阻抗肿瘤检测S1:通过生物电阻抗分析仪器对待检测肿瘤区域进行电阻抗测量，获取在不同深S2:设计特征提取模块，提取各通道不同频率下的电阻抗数据中的关键特征；S3:将提取的关键特征输入至多层次特征融合模块，将不同通道、不同频率下的电阻抗特征进行融合，形成新的融合特征；S4:将所述融合特征输入至自适应分类模块结合自适应优化方法，调整模型参数，提升分类精度和灵敏度。[0047]本发明利用生物电阻抗分析技术结合模式识别方法，能够精准提取不同频率下肿瘤组织的电信号特征，有效区分正常组织与肿瘤组织，进一步区分良性与恶性肿瘤，并在某些情况下可辅助区分肿瘤的具体类型，通过融合特征提取与智能模式识别方法，本发明大大提高了肿瘤检测的准确性，减少了误诊和漏诊的发生率，本发明采用的模式识别方法具有较好的可解释性，能够为医生提供透明的决策过程，辅助临床医生做出更加准确的诊断决策。[0048]作为本申请的一实施例，所述步骤S1具体包括：S11:配置双电极对，分别施加电流并测量电压；S12:将双电极对施加的电流分别引入待检测肿瘤区域，通过不同频率范围的电流信号激发该区域的生物组织电阻抗响应；S13:使用电压电极测量肿瘤区域的电压信号，并通过信号放大与滤波等处理，得到不同频率下的电压值；S14:各通道分别通过计算电压与施加电流的比值，得到不同频率下的阻抗值，生成频率-阻抗谱。[0049]作为本申请的一实施例，所述步骤S14具体包括：S141:对于每个频率点，使用已知的欧姆定律计算阻抗值，其计算公式如下；Z=R+jXS142:通过对信号进行时域与频域分析，以提取其幅度、相位和阻抗特征参数；S143:将不同频率下的阻抗值整合，绘制出阻抗随频率变化的谱图；S144:对频率-阻抗谱使用自适应滤波技术，根据噪声的统计特性动态调整滤波器[0054]其中，err(n)表示在时刻n的真实输出值与滤波器输出值之间的差异，g(n)是在时刻n的目标值，w(n)为滤波器系数，表示在时刻n的滤波器参数，x(n)为输入信号向量，表示在时刻n的输入数据，b(n)为增益向量，λ为遗忘因子，P-¹(n-1)为上一时刻的逆协方差矩阵，P-¹(n)为更新后的逆协方差矩阵。[0055]具体的，本发明利用多频生物电阻抗分析仪获取检测肿瘤区域的电信号数据，通过对不同深度和不同频率下的电流、电压及阻抗值的测量和分析，能够提取出关于肿瘤组织电导率、电阻、电容等重要电学参数。这些电学参数在肿瘤组织与正常组织之间存在显著差异，因为肿瘤细胞的异常增殖和组织结构的改变，通常会导致电性特性发生变化。因此，相较于传统的肿瘤诊断方法(如穿刺、CT或MRI检查),本发明无需进行侵入性操作，减少了广泛应用于健康筛查和早期肿瘤检测。[0056]作为本申请的一实施例，所述步骤S2具体包括：S21:对不同频率下的电阻抗数据进行频域分析，对每个通道的数据通过一种频域变换方法将时域信号转换为频域信号，获取电阻抗数据在各个频率点上的幅值和相位信S22:计算电阻抗数据中的幅值特征，包括电阻抗的模值|Z|和相位角θ,其计算公式如下：S211:将时域信号经过频域变换方法变换后，获得的频率范围分割为n个子频段，[0066]其中，X(t,f)表示信号在时频平面上的频率f和时间t位置的复数值，x(t)是信号的时域表示，而x(T)只是信号的一个样本点，表示信号在时刻T的值，w(t)为窗函数，w(T—t)表示窗函数的时域移动，其中心位于t时刻，e-i2πfr表示频率成分的复杂调制，描述了信号的频率成分如何在不同的时间T上变化，j是虚数单位，fk是第k个子频段的频率，fmin和fmax分别为最小和最大概率，n是子频段的数量；S212:对于每个子频段的频域信号数据矩阵的每个元素进行处理，计算该子频段S213:对所述频域信号数据矩阵的每个元素，计算响应矩阵的对应元素，其计算公式如下：R(f;)=|H(f;)||x(f;)|ej(θ在频率f;处对信号的增益和相位偏移，|X(f;)|是表示原始信号在频率f;处的复数值，j是虚数单位，θ(f;)是原始信号在频率f;处的相位，φ(fi)是传递函数在频率f;处的位部分的和θ(fi)+φ(fi)表示信号和系统的总相位偏移。[0070]本发明利用生物电阻抗分析技术，通过对电信号数据进行频域分析，从而提取出肿瘤组织在不同频率下的电阻抗特征。该方法通过对不同频段的电信号数据进行处理，可以全面了解各个频段对肿瘤组织响应的差异。这有助于识别哪些频段在肿瘤组织与正常组织之间具有较高的区分度和重要性。[0071]具体的，本发明通过设计特征提取模块，能够从每个通道和不同频率下的电阻抗数据中提取出具有高辨识度的关键特征；该模块通过对电信号进行时域和频域分析，提取电导率、电抗、电阻等电学特性参数；这些特征反映了组织的电学性质，并能有效区分正常组织与肿瘤组织；在提取过程中，模块能够根据不同频率的响应特点，选取最具代表性的特征，去除噪声与冗余信息，从而确保提取到的特征具有较强的判别能力；这些特征将为后续的分类任务提供有力的数据支持。[0072]作为本申请的一实施例，所述步骤S3具体包括：S31:输入所述关键特征，使用一种跨通道注意力机制，计算注意力权重，其计算公式如下：[0074]其中，Aj表示通道i和通道j的相似度，Xi和Xj分别是第i和第j个通道的信号表注意力权重的和为1,C表示通道的数量；S32:根据计算出的注意力权重，调整每个通道特征的贡献度，对不同通道的特征进行加权平均，根据注意力权重动态调整每个通道的影响力；S33:将所有经过加权处理后的特征进行加权平均，形成新的融合特征表示。[0075]具体的，本发明通过设计多层次特征融合模块，能够将不同通道、不同阻抗特征进行融合；通过多尺度特征融合策略，来自不同深度、频率和通道的信息被有效地整合在一起，进一步去除了冗余和噪声信息，提取出具有高判别能力的全局特征；这些融合后的特征能够更准确地反映乳腺组织的电学特性，为后续的分类任务提供更精确的特征表示；通过融合不同层次的信息，本发明能够更全面地捕捉肿瘤与正常组织之间的差异，提升分类器的鲁棒性和准确性；该模块通过综合来自不同通道和频率范围的信息，将多维度特征融合为一个更全面、准确的表示，即使面对不同个体和不同类型的肿瘤，该系统也能稳定工作，减少样本间的差异对检测结果的影响；通过多层次的融合，本发明可以有效捕捉到肿瘤区域的电学特征，减少噪声干扰，增强模型S41:将融合后的特征数据输入至自适应分类模块中，选择卷积长短时记忆网络结合自适应优化方法对模型进行训练；S42:对训练得到的模型进行超参数调优，采用交叉验证评估不同参数配置下模型的性能。[0077]作为本申请的一实施例，所述步骤S41具体包括：S411:将所述融合特征输入到卷积层进行提取高层次的抽象特征，所述卷积层包S412:经过卷积层处理后的特征传入卷积长短时记忆网络模块，进一步提取序列数据中的时序特征；S413:将经过卷积长短时记忆网络模块后的特征进行展平操作后汇总得到时序信S414:为了保证模型的鲁棒性，采用He方法进行模型初始化，避免梯度消失或梯度爆炸问题；S415:采用自适应优化算法来动态调整模型参数，优化分类精度，其计算公式如S416:在训练初期使用较小学习率，通过逐步升高学习率来避免收敛过慢，随着训练轮次的增加，再逐渐减小学习率，以避免过早收敛或在局部最小值附近震荡；S417:引入梯度提升树的集成学习策略，使用加权平均的方法，通过逐步训练弱学习器(决策树)并组合它们的输出，生成初步的预测结果；S415:在实时自适应调整与在线学习阶段，基于新输入的数据和反馈，继续更新模型参数以提升分类精度，其计算公式如下：型参数更新的步长，决定每次调整的幅度，L(θt,xt,yt)是损失函数，Xt,yt为当前接收到的样本和标签，VeL(θt,xt,yt)