System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及医疗人工智能,更具体的说是涉及一种基于多模态原型网络的pu对比学习异常检测方法及系统。
技术介绍
1、在当今的医疗诊断领域中,准确迅速地诊断出病人的疾病变得越来越重要。传统的医学诊断方法主要依赖于医生的经验和知识,具有耗时效率低、无法处理大量患者数据、缺乏自动化和智能化的问题。医疗人工智能技术以其在图像识别、自然语言处理和深度学习等方面的出色性能,正逐渐成为辅助医生诊断,解决上述问题的重要工具。而现有的医疗智能检测方法通常为单模态检测,存在检测准确率有限且需要大量标注样本的问题,标注成本高昂。为了提高检测的准确率,可采用多模态数据进行分析,但在医疗诊断场景中,获取标注的多模态(脑电、文本)正样本及负样本数据是极其困难且成本高昂,通常情况下,获得的多模态数据为部分标注的正样本及大量未标记样本,这种数据不平衡性使得训练一个有效的分类器变得尤为困难,并且偏差较大。
2、为解决上述问题,现有的多模态异常检测方法大多通过数据增强技术来平衡正负样本,例如通过翻转、切分或添加噪声来人工地增加正样本数量,但这种方式无法充分捕捉数据的内在关联,而且可能引入额外的噪声。除此之外,目前一些先进的方法使用半监督学习对未标注数据进行学习,试图从大量未标注样本中提取有用信息,但通常需要精心设计损失函数和训练策略,面临模型难收敛,易坍塌的问题。
3、因此,提出一种基于多模态原型网络的pu对比学习异常检测方法,在多模态数据不平衡和资源有限的情境下,实现准确和有效的二分类,是本领域技术人员亟需解决的问题。
【技术保护点】
1.一种基于多模态原型网络的PU对比学习异常检测方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的一种基于多模态原型网络的PU对比学习异常检测方法,其特征在于,采集多模态数据包括对所述多模态数据进行预处理;
3.根据权利要求1所述的一种基于多模态原型网络的PU对比学习异常检测方法,其特征在于,所述特征提取与融合网络包括扩张卷积网络、BERT模型和多头自注意力机制;
4.根据权利要求3所述的一种基于多模态原型网络的PU对比学习异常检测方法,其特征在于,所述多模态原型网络通过融合特征计算k类的原型,,其中,为所述部分标记正样本XP的原型即正类原型,;为所述未标记样本XU的原型即未标签原型;
5.根据权利要求4所述的一种基于多模态原型网络的PU对比学习异常检测方法,其特征在于,所述多模态特征增强的原型网络的损失函数为:
6.根据权利要求1所述的一种基于多模态原型网络的PU对比学习异常检测方法,其特征在于,所述PU对比学习损失函数为:
7.一种基于多模态原型网络的PU对比学习异常检测系统,其特征在于,包括:<
...【技术特征摘要】
1.一种基于多模态原型网络的pu对比学习异常检测方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的一种基于多模态原型网络的pu对比学习异常检测方法,其特征在于,采集多模态数据包括对所述多模态数据进行预处理;
3.根据权利要求1所述的一种基于多模态原型网络的pu对比学习异常检测方法,其特征在于,所述特征提取与融合网络包括扩张卷积网络、bert模型和多头自注意力机制;
4.根据权利要求3所述的一种基于多模态原型网络的pu对比学习异常检测方法,其特征在于...
【专利技术属性】
技术研发人员:洪日昌,楚喻棋,郭艳蓉,郝世杰,
申请(专利权)人:合肥工业大学,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。