(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211106029.9 (22)申请日 2022.09.09 (71)申请人 武汉中数医疗科技有限公司 地址 430000 湖北省武汉市东湖高新 技术 开发区理工园四路1号理工大科技园 研发基地二期一标段A1号楼1-4层3层 304室 (72)发明人 燕自保　袁静萍　肖家波　张剑　 (74)专利代理 机构 深圳市诺正鑫泽知识产权代 理有限公司 4 4689 专利代理师 王璐 (51)Int.Cl. G06T 7/00(2017.01) A61B 5/0536(2021.01) G06F 17/10(2006.01)G06N 3/04(2006.01) G06V 10/40(2022.01) G06V 10/764(2022.01) G06V 10/77(2022.01) G06V 10/82(2022.01) (54)发明名称 一种基于机器学习的甲状腺采样数据识别 方法及装置 (57)摘要 本申请提出一种基于机器学习的甲状腺采 样数据识别方法及装置， 其中所述识别方法包 括： 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， 所述第一数据集的样 本数据经过所述甲 状腺识别模型中的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。 特征提取步骤使用基于注 意机制和卷积神经网络的特征提取网络， 获得文 本的更多相互关系， 挖掘文本更多的特征信息； 类别识别步骤使用机器学习算法处理特征提取 后的数据， 既考虑到了线性可分的情况也考虑到 了线性不可分的情况。 权利要求书2页 说明书8页 附图1页 CN 115546109 A 2022.12.30 CN 115546109 A 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imax， 将所述原 始数据集中的每个数据与所述最大值imax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， dk为输入的词嵌入维度， sigmio d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＝wTx+b 其中， w＝(w1； w2；…； wm)w＝(w1； w2； wm)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(w w， 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(w w， b)的距离r可写为：权　利　要　求　书 1/2 页 2 CN 115546109 A 2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(wTxi+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 α α， 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， σ σ 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。权　利　要　求　书 2/2 页 3 CN 115546109 A 3