CN114154551B 一种基于深度学习的多元时间序列分类方法 （中山大学）

EffectiveGlobal-LocalRepresentationandLocalTe一种基于深度学习的多元时间序列分类方法本发明提供一种基于深度学习的多元时间序列分类方法，该方法在使用BaseCNN捕获变量间交互的同时，还使用具有长距离依赖能力的LSTM来构建了一个子网络，利用其长期记忆特大力推动现有人工智能前交叉韧带辅助诊断的2第i个变量对应的时间序列表示为时间序列向量x=[xx…,x,leR'，其中l是序S2：对进行特征转换后的变量进行全局特征提取先在时间序列数据的第三维度上进行池化操作并进行permute操作，使3维在步骤S2中，局部特征提取部分由四个子网络构成；第一个子网络之间的差异反映在第一阶段，通过调整阶段1中1D-CNN的卷积步长和卷积核大小3S4：对搭建分类网络进行多目标学习训练，将步分类网络由两个全连接层够成，在两个全连接层之间，使用非线。第一步先使用监督训练CenterLoss使得同类样本的类间距离更小，Cen表示第s类的特征中心，由于需要考虑整个训练集，并平均每次迭代中每个类的特这一阶段使用BCELoss和CenterLoss的联合监督，训练网络进行特征学习，第一步公式如45重要的减震作用，而与此同时膝关节损伤也十分常见。其中，膝关节前交叉韧带损伤叉韧带损伤的有CT和MRI等传统影像学技术，通过获取损伤部位的解剖结构信息来供诊断[0005]时间序列是一组按时间顺序排列的实值观测值。多元时间序列(MTS)是一组共同6受个体差异和时空差异影响，膝盖健康程度不同的个体在不同时刻的六自由度是不同的，[0020]第i个变量对应的时间序列可表示为时间序列向量其中7[0027]先在时间序列数据的第三维度上进行池化操作并进行permute操作，使3维转化为2维然后得到其中dl是LSTM层hiddensize参数的大x"e",a个子网络最终输出拼接后得到X"eB",全部特征提取部分的最终输出为接8[0047]本发明精心设计了4套能充分挖掘变量间关联特征和单一变量内部特征的局部特9[0053]对于本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解[0055]针对前交叉韧带损伤诊断，为了充分挖掘Opti-Knee测试得到的双腿六自由度数据集中蕴含的个体运动学特征，本发明设计了一种基于深度学习的多元时间序列分类方型在特征提取阶段丢失变量间关联特征的问题。我们的模型着重于探索变量间的关联特[0058]为了保留步态系统动力学的特征，我们采用相空间重构(PSR)技术将时间序列的[0059]第i个变量对应的时间序列可表示为时间序列向量其中[0065]本发明可以为每个多元时间序列样本学习一个低维的嵌入x;eR",其中de是最是延迟嵌入后的时间序列数据。间序列数据的第三维度上进行池化操作并进行permute操作，使3维转化为2维然后得到其中dl是LSTM层hiddensize参数的大小。[0068]局部特征提取部分由四个子网络构成。第一个子网络用来捕获全部变量间的特子网络则用来捕获单一变量内部的特征。与一般的纯一维或纯二维卷积神经网络(CNN)不最终输出为x"e",a个子网络最终输出拼接后得到x"eR",全部特征提取部分的1---23---4-56---7-8---9-------[0090]在特征生成部分的学习/训练的目标是确保同标签的时间序列获得相似的表示，作一样选取多个正样本和负样本，我们选取距目标样本最远的一个同类样本作为正样本，[0098]最终有效特征生成后，第三步我们单独使用BCELoss对分类网络模块进行正式训不同的方法进行了比较。在传统