一种用于整合神经损伤数据的综合分析系统的制作方法

本发明涉及神经损伤分析，具体而言，涉及一种用于整合神经损伤数据的综合分析系统。

背景技术：

1、目前的神经损伤研究中，通过对神经损伤监测点检测出监测数据，通过监测数据进行分析得出损伤情况。一般的，对于一个植株或者动物体的神经进行损伤分析，是基于多个检测点的监测数据对神经进行神经损伤分析，每个监测点对应一个监测设备采集得到该监测数据。目前，数据的采集\收集会受到计算机资源的影响，如计算机网络延迟、内存使用爆满等情况会对获取\采集的数据就会出现不准确，采集到的一些监测点的检测数据并非有效，且对于分析阶段，在获取到监测数据后，通过检测来判断该监测数据是否异常，以判断该检测点是否出现神经损伤，然而这样的方式没有检测到具体是哪个监测数据、指标、位置出现的异常，增加了再次进行判断的复杂度，降低了神经损伤监测和分析的准确性。

技术实现思路

1、本发明的目的在于提供了一种用于整合神经损伤数据的综合分析系统，用以解决现有技术中存在的上述问题。

2、本发明实施例提供了一种用于整合神经损伤数据的综合分析系统，所述系统包括：

3、采集模块，用于采集神经损伤检测点的检测数据集，多个检测点对应获得多组检测数据，多组检测数据构成检测数据集，每个检测数据对应一个采集时间，每个检测点有一个标号；

4、数据字典模块，用于将检测数据作为键，检测数据对应的检测点的标号作为值，得到检测点字典；将检测数据输入检测点网络的第一神经网络和第三神经网络，得到检测点向量；所述检测点向量为检测点网络中第三特征向量中的一个元素向量；将检测点向量输入分类器，结合检测点字典，得到有效检测点的标号；将有效检测点的标号作为值，将有效数据作为键，得到指标检测点字典；有效数据为所述有效检测点对应的检测数据；

5、综合分析模块，用于将有效数据以及所述有效数据对应的采集时间输入筛选网络，通过神经网络筛选数据，得到标准数据；将标准数据和所述标准数据对应的采集时间输入异常网络进行异常数据检测，得到异常标志；所述异常标志表示标准数据的异常情况；根据异常标志，将标准数据输入神经损伤综合分析网络进行神经损伤分析，得到神经损伤情况以及出现神经损伤的监测点的标号；神经损伤情况包括损伤程度。

6、可选的，所述检测点网络包括第一神经网络、第二神经网络、第三神经网络和分类器。

7、可选的，所述检测点网络在训练时网络结构包括第一神经网络、第二神经网络、第三神经网络；所述检测点网络在测试时网络结构包括第一神经网络、第三神经网络和分类器。

8、可选的，所述检测点网络的训练方法，包括：

9、获取训练检测点数据；所述训练检测点数据包括多个历史数据，历史数据包括历史采集数据和历史采集数据对应的数据内容；

10、将训练检测点数据输入第一神经网络，提取检测点数据特征，得到第一特征向量；所述第一特征向量的行数为训练检测点数据的行数；

11、将数据内容输入第二神经网络，提取数据内容特征，得到第二特征向量；所述第二特征向量的行数为数据内容的行数；

12、将第一特征向量和第二特征向量输入第三神经网络，得到第三特征向量；所述第三特征向量中元素向量的数量为第二特征向量的行数；所述第三特征向量中每一个元素向量的行数为第一特征向量的行数；

13、计算第三特征向量中每个元素向量与第二特征向量的损失值，若第三特征向量中每个元素向量与第二特征向量的损失值收敛，停止训练，得到训练好的检测点网络。

14、可选的，所述异常网络的训练方法，包括：

15、获取训练数据和标注数据；所述训练数据包括检测时间和标准数据；所述标准数据为异常标志；

16、将训练数据输入两个随机森林，计算决策树左右节点的概率，得到样本得分；所述决策树为随机森林中的每一颗树；

17、将样本得分按照划分比例进行划分，得到样本标志；所述样本标志表示训练数据的检测结果；

18、计算样本标志与异常标志的误检率，得到样本错误数量；所述样本错误数量为样本标志中检测错误的样本总数；

19、调整划分比例；所述划分比例的调整由样本错误数量控制；

20、将决策树深度输入反馈机制，通过划分比例进行调整，得到新的决策树深度；

21、反复通过新的决策树深度构建随机森林，直到达到预设的迭代次数，停止训练，得到训练好的异常网络。

22、可选的，所述将训练数据输入两个随机森林，计算决策树左右节点的概率，得到样本得分，包括：

23、将样本特征作为键，样本特征对应的标准时间作为值，得到样本字典；所述样本特征为训练数据中标准数据的每一条数据；

24、将训练数据中检测时间进行归一化处理，得到标准时间；

25、将训练数据中标准数据按照交叉验证法进行划分，得到两个子数据集；

26、将子数据集中样本特征进行随机选择，在与对应标准时间相乘，得到节点划分标准；

27、根据节点划分标准，将每个子数据集的样本特征划分为决策树的左右两个子节点，直到达到停止条件，得到两个随机森林；所述决策树的每一个节点都需要重新选择节点划分标准；

28、所述决策树深度为达到最大深度；

29、根据每一个子数据集，遍历每个随机森林节点，计算样本特征划分到左子节点与右子节点的概率，得到两个概率向量；

30、计算训练数据中每个样本特征在两个随机森林中决策树上对应的概率的内积，得到样本得分。

31、可选的，所述神经损伤综合分析网络的训练方法，包括：

32、获得训练数据集，训练数据集包括神经损伤检测点的多个历史检测数据以及每个历史检测数据对应的标签；标签标注所述检测点是否存在损伤，标签包括异常指标和正常指标；

33、基于所述训练数据集，得到训练数据特征和训练标签特征；

34、将训练数据特征分别输入两个二维卷积，进行特征提取，得到两个二维卷积向量；

35、将两个二维卷积向量与训练数据特征进行拼接，得到卷积特征图；

36、将卷积特征图输入三维卷积，沿着三个方向进行特征提取，得到三维卷积向量；

37、将三维卷积向量输入一维卷积，通过一维卷积核上下移动，得到输出向量；

38、计算输出向量和训练标签特征的损失值，若所述损失值收敛，停止训练，得到训练好的神经损伤综合分析网络。

39、可选的，所述计算输出向量和训练标签特征的损失值，若所述损失收敛，停止训练，得到训练好的神经损伤综合分析网络，包括：

40、基于第一损失计算输出向量与训练标签特征的损失，得到全损失；

41、根据全损失，重新进行模型训练，得到模型输出向量；

42、将模型输出向量与训练标签特征进行数据分类，得到分类数据；所述数据分类为预测正确和预测错误，预测正确包括预测正常实际正常、预测异常实际异常，预测错误包括预测异常实际正常、预测异常实际异常、预测正常实际异常；

43、将分类数据进行分组，得到分组数据；所述分组数据包括预测正确为第一组数据、预测错误中预测异常实际正常和预测正常实际异常为第二组数据、预测错误中预测异常实际异常为第三组数据；

44、计算每一组数据的概率，对概率进行排序，得到概率数据；所述概率数据包括第一概率、第二概率、第三概率；

45、使用第二损失计算第二组数据的损失，并乘以第二概率，得到第二组损失；

46、使用第三损失计算第三组数据的损失，并乘以第三概率，得到第三组损失；

47、将第二组损失和第三组损失加权求和，在除以训练标签特征的数量，得到分组损失；

48、根据分组损失，通过反向传播对模型参数进行训练，得到训练好的神经损伤综合分析网络。

49、可选的，所述基于所述训练数据集，得到训练数据特征和训练标签特征，包括：

50、将训练数据集通过空值检测，并进行补零操作，得到所有新数据；

51、获取最大值列表和最小值列表；所述最大值列表和最小值列表为包括所有新数据中每一个标签对应的最大值和最小值；

52、将所有新数据中每一个标签通过最大值列表和最小值列表中对应的最大值和最小值进行归一化，得到训练数据特征；

53、将所有的标签转换为在训练数据集中异常指标对应的索引值，得到训练标签特征。

54、可选的，所述筛选网络的训练方法，包括：

55、获取训练数据和标签数据；所述训练数据为从检测点中检测得到的数据；所述标签数据为预先得到的标准数据；

56、将训练数据进行预处理，得到处理数据；

57、将处理数据输入神经网络，提取数据特征，得到预测数据概率；

58、将预测数据概率与阈值进行比较，得到预测数据；

59、计算预测数据和标签数据的损失值，若预测数据和标签数据的损失值收敛，停止训练，得到训练好的筛选网络。

60、相较于现有技术，本发明实施例达到了以下有益效果：

61、本发明实施例提供了一种用于整合神经损伤数据的综合分析系统，所述系统包括采集模块、数据字典模块和综合分析模块，其中，采集模块用于采集神经损伤检测点的检测数据集，多个检测点对应获得多组检测数据，多组检测数据构成检测数据集，每个检测数据对应一个采集时间，每个检测点有一个标号；数据字典模块用于：将检测数据作为键，检测数据对应的检测点的标号作为值，得到检测点字典；将检测数据输入检测点网络的第一神经网络和第三神经网络，得到检测点向量；所述检测点向量为检测点网络中第三特征向量中的一个元素向量；将检测点向量输入分类器，结合检测点字典，得到有效检测点的标号；将有效检测点的标号作为值，将有效数据作为键，得到指标检测点字典；有效数据为所述有效检测点对应的检测数据；综合分析模块用于：将有效数据以及所述有效数据对应的采集时间输入筛选网络，通过神经网络筛选数据，得到标准数据；将标准数据和所述标准数据对应的采集时间输入异常网络进行异常数据检测，得到异常标志；所述异常标志表示标准数据的异常情况；根据异常标志，将标准数据输入神经损伤综合分析网络进行神经损伤分析，得到神经损伤情况以及出现神经损伤的监测点的标号；神经损伤情况包括损伤程度。

62、通过采用以上方案，对于标号，能够先对检测点进行检测，得到正确的检测点在开始收集数据，并且对收集的数据再次进行检测，得到标准数据，保证获取到正确的数据，然后对标准数据进行检测是否异常，最后再检测标准数据的异常指标，在进行检测标准数据异常情况时，可以依据检测情况进行判断是否需要执行下一步操作，即进行异常指标检测，提高了检测效率，并且在最后能得出标准数据中出现的异常指标，减少了再次检测的操作，能够快速定位出现异常的原因，提高了神经损伤检测的效率和准确性。

63、综上，本实施例中的检测点获取，能够在众多的数据收集途径中找到最适合的收集标准数据的途径，通过卷积神经网络和自注意力网络进行数据特征提取和数据间的相关性，来进行检测点的选择，从选择好的检测点中进行数据，通过深度神经网络，得到有用的数据，舍弃无用数据，在提取过程之前先对基础数据的判断来是否有外部因素影响了数据的获取，最终得到标准数据，使用本方法能够保证收集到的数据是有效的，减少收集到错误数据的可能性，减少了外部因素的影响。在进行异常检测时，先进行检测标准数据是否有问题，通过构建随机森林，划分节点，且节点的划分是随机的，且包含了当前检测时间的特征，实现了对高维数据的快速和准确的检测，并且使用交叉验证的方法，提高了模型的泛化能力，解决了鲁棒性问题，还能得到模型的最佳参数，增加模型的准确率，对于没有异常的标准数据，则会直接进行下一阶段业务指标检测，不进行异常指标的检测。最后进行异常指标检测，通过深度神经网络，多维度的数据特征提取，得到异常指标，通过异常指标能够快速定位到出现损失位置，还能进一步分析出现神经损伤的原因，提高了神经损伤检测的效率和准确性。