论文部分内容阅读
随着近年来医疗采集设备的普及与信息化技术的迅猛发展,生物医学信号可由多传感器同时采集并能持续反映人体不同部位的体征信息,如多模态睡眠图和多通道脑电图等。如何高效表征这类多元时序的波形信号,是目前生物医学信息学领域中亟待突破的关键技术,对于临床诊疗具有重要意义。对此新兴领域的研究热点,国内外学者尝试使用深度学习技术提取生物医学信号中的有效信息,但目前的研究还没有充分地结合生物医学信号多元时序的结构特点,仍处于研究初期阶段。其研究难点主要包括如何结合生物医学信号中的波形时序相关性、多元结构先验性、特征模式相互依赖性、临床表现异构性等独特属性,构建高效的端到端多元时序深度表征模型。本课题针对上述难点,研究基于深度学习的生物医学信号多元时序表征方法,旨在为建立端到端的生物医学信号深度表征模型提供新方法,为医生监测诊断疾病提供实用技术,引领推动深度学习在健康医疗中的发展和应用。论文主要研究内容与取得的创新成果如下:1.提出了一种基于多上下文学习的深度语义表征方法。针对目前生物医学信号无监督深度表征方法只能学习信号片段内的波形表示,没有考虑波形片段间的时序相关性的问题,该方法结合语义学习技术,构建基于堆栈自编码器的静态上下文波形词编码网络和基于Skip-gram的动态上下文波形词嵌入网络,并通过共享特征表示设计统一的目标函数,协同训练端到端的多级上下文深度语义网络。实验结果表明,该方法在两种生物医学信号数据集上的表征性能整体优于其他无监督特征学习方法,能有效提升高分辨率生物医学波形信号多级时序特征的自编码能力。2.提出了一种基于多视角学习的深度多元表征方法。针对标准深度学习架构容易忽略生物医学信号的多元结构先验信息而难以有效学习多角度体征表示,以及多元信号中的冗余不相关特征会干扰网络端到端训练的问题,该方法通过改进深度学习架构,分别提取信号的元间和元内特征,并结合无监督的多元重构误差训练监督模型。该方法还根据神经网络激活响应模式设计基于多元竞争机制的稀疏惩罚项,以指导多视角模型在训练时倾向激活关键视角信息,同时抑制无关特征的表达。实验结果表明,与基线算法相比,所提出的具有多元稀疏约束的多视角深度学习架构能更好地引导模型聚焦多角度信息,从而有效提高生物医学信号的多元表征质量。3.提出了一种基于混合注意力机制的多元时序向量融合表征方法。针对目前生物医学信号融合表征方法没有充分利用特征模式间相互依赖关系的问题,该方法在以上提出的多元时序特征提取策略的基础上,提出通过计算全局-局部融合率动态整合多元时序信息,而后学习元间和时间维度上的归一化贡献得分向量以进一步度量特征间的依赖关系,并利用加权组合方式依次融合元间和时间向量特征。实验结果表明,该方法在多模态和多通道数据集上表现优于其他主流方法,能有效提高生物医学信号多元时序特征融合能力。4.提出了一种基于二维注意力机制的多元时序矩阵融合表征方法。针对由临床个体差异所带来的生物医学信号多元时序特征模式异构的问题,该方法模仿医生根据病人在多时段下的不同体征表现做出判断的综合诊断过程,直接在多元矩阵特征序列上进行二维注意力能量分配,并通过混合聚焦方式计算归一化贡献得分矩阵,从而在矩阵层面同时融合生物医学信号的多元时序特征。通过与多种目前流行的深度特征融合方法进行比较,实验结果表明,该方法能同时感知信号在时间和元间两个维度的关键信息自适应融合矩阵特征,从而进一步提升生物医学信号多元时序融合特征的泛化性和临床实用性。