[发明专利]一种用于机器学习的双模态特征集构建方法

说明书

本发明涉及复杂有机样品的显微CT成像、红外光谱检测和数据挖掘技术，具体公开了一种用于机器学习的双模态特征集的构建方法，该特征集包括CT重建图像和红外扫描图像的多维特征，有效将复杂有机样品的微观三维结构信息和有机组分含量与分布的谱学信息结合起来，用于提高机器学习的分类准确率和样品诊断水平。本发明的方法相比基于单一模态特征集的机器学习方法，提高了测试样品的分类准确率，有效减少了由于结构或有机组分过于相似所造成的混淆，尤其适用于复杂有机样品体系的分类与诊断。

技术领域

本发明涉及机器学习技术，具体公开了一种用于机器学习的双模态特征集构建方法。

背景技术

X射线显微CT成像技术作为先进的无损检测技术，能够在不破坏材料结构的情况下呈现出其内部结构信息，已经广泛应用于众多行业，如工业制造、材料科学、生物医学等领域，CT数据常被用来进行机器学习的分类任务。

红外光谱检测技术因其应用范围广，特征性强，不受样品物态的限制等优点广泛应用于食品、农业等行业，由于其特征性强的数据特性，红外光谱数据也经常被用于机器学习的分类任务。

基于机器学习的诊断与检测已经应用到人类生活中的方方面面，可以使人类更加智能化地处理各种海量样品信息，已经成为大数据挖掘的有力工具。目前，基于机器学习的分类任务的分类精度极大地依赖于训练特征集的构建，当处理大量复杂有机样品分类时，由于其单一模态数据信息相似度较高，常常导致分类精度不理想或错分率较高。

传统的机器学习分类通常选用单一模态数据来构建特征集来组建，如结构特征数据或谱学特征数据。当复杂样品的结构信息或化学成分信息高度相似时，分类结果通常不够理想，无法提供精准的诊断信息。因此，有必要对复杂样品体系的特征数据进行优化和扩充，增加特征集的辨识度。

发明内容

针对上述现有技术方法的不足，本发明目的在于提供一种用于机器学习的双模态特征集构建方法，全面利用样品的多属性数据，从而提高了机器学习中分类任务的分类精度，为复杂有机样品的精确诊断提供方法学支持。

为了达到上述目的，本发明提供了如下技术方案：一种用于机器学习的双模态特征集构建方法，该方法包括：数据采集模块、数据预处理模块、双模态数据特征集构建模块、机器学习模块，参见图1所示，其中。

所述数据采集模块用于分别获取测试样品的三维结构特征数据和有机组分的红外光谱数据。

所述数据预处理模块用于分别对CT结构数据与红外光谱数据进行预处理，提高信噪比和对比度，达到增强数据特征的目的。

所述双模态数据特征集构建模块用于分别对两种单一模态数据特征进行降维处理，实现数据匹配并组合成双模态特征集。

所述机器学习模块用于检测和比较双模态特征集分类效果和优势。

本发明所提供的基于双模态特征集的机器学习方法，对复杂有机样品来说，可以克服单一模态数据信息不足，分类精度不理想等问题，适用于生物医学样品、高分子材料样品、软物质等。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。

图1是本发明公开的一种用于机器学习的双模态特征集构建方法的工作流程图。

图2是依照本发明一实施例的测试样品CT图像数据预处理过程和结果。

图3A是依照本发明一实施例的测试样品红外mapping图像预处理结果。

图3B是依照本发明一实施例的测试样品红外特征光谱的预处理结果。