(22)申請日2025.05.06地址430074湖北省武漢市洪山區(qū)紡織路1號蔡子恒曹家誠陸丹妮何梓行有限公司42321一種基于模式識別的生物電阻抗腫瘤檢測方法本發(fā)明公開了一種基于模式識別的生物電阻抗腫瘤檢測方法，包括以下步驟：S1:通過生物電阻抗分析儀器對待檢測腫瘤區(qū)域進(jìn)行電阻抗阻抗值；S2:設(shè)計特征提取模塊，提取各通道不同頻率下的電阻抗數(shù)據(jù)中的關(guān)鍵特征；S3:將提取融合特征；S4:將融合特征輸入至自適應(yīng)分類模通過模式識別算法對數(shù)據(jù)進(jìn)行自動化處理與分通過生物電阻抗分析儀器對待檢測通過生物電阻抗分析儀器對待檢測腫瘤區(qū)域進(jìn)行電阻抗測量，獲取在不同深度不同頻率下的電流、電壓及阻抗值征設(shè)計自適應(yīng)分類模塊結(jié)合自適應(yīng)優(yōu)化方法，調(diào)整模型參數(shù)2S1:通過生物電阻抗分析儀器對待檢測腫瘤區(qū)域進(jìn)行電阻抗測量，獲取在不同深度不2.根據(jù)權(quán)利要求1所述的一種基于模式識別的生物電阻抗腫S13:使用電壓電極測量腫瘤區(qū)域的電壓信號，并通過信號放大與濾波等處理，得到不3.根據(jù)權(quán)利要求2所述的一種基于模式識別的生物電阻抗腫Z=R+jXS144:對頻率-阻抗譜使用自適應(yīng)濾波技術(shù)，根據(jù)噪聲的統(tǒng)計特性動態(tài)調(diào)整濾波器參34.根據(jù)權(quán)利要求1所述的一種基于模式識別的生物電阻抗腫瘤檢測方法，其特征在于，所述步驟S2具體包括：S21:對不同頻率下的電阻抗數(shù)據(jù)進(jìn)行頻域分析，對每個通道的數(shù)據(jù)通過一種頻域變換方法將時域信號轉(zhuǎn)換為頻域信號，獲取電阻抗數(shù)據(jù)在各個頻率點(diǎn)上的幅值和相位信息；S22:計算電阻抗數(shù)據(jù)中的幅值特征，包括電阻抗的模值|Z|和相位角θ,其計算公式如S23:根據(jù)電阻抗幅值與相位角的關(guān)系，提取電阻率p、電導(dǎo)率σ、電抗X電學(xué)參數(shù)作為X;S24:使用加權(quán)方差提取頻率-阻抗譜的關(guān)鍵信息，其計算公式如下：4S25:使用自適應(yīng)滑動窗口算法對電阻抗數(shù)據(jù)進(jìn)行局部特征提S26:將提取的各項局部特征進(jìn)行降維處理，得到各通道不同頻率下的電阻抗數(shù)據(jù)中的5.根據(jù)權(quán)利要求4所述的一種基于模式識別的生物電阻抗腫S211:將時域信號經(jīng)過頻域變換方法變換后，獲得的頻率范圍分割為n個子頻段，其計頻率成分如何在不同的時間T上變化，j是虛數(shù)單位，fk是第k個子頻段的頻率，fmin和S212:對于每個子頻段的頻域信號數(shù)據(jù)矩陣的每個元素進(jìn)行處理，計算該子頻段的幅X(f;)I=√Re(X(fi)2+Im(X(fi)2R(fi)=|H(f;)||x(fi)|ej(θ5S31:輸入所述關(guān)鍵特征，使用一種跨通道注意力機(jī)制，計算注意力權(quán)重，其計算公式如其中，Aj表示通道i和通道j的相似度，Xi和Xj分別是第i和第j個通道的信號表示，意力權(quán)重的和為1,C表示通道的數(shù)量；S32:根據(jù)計算出的注意力權(quán)重，調(diào)整每個通道特征的貢獻(xiàn)度，對不同通道的特征進(jìn)行加權(quán)平均，根據(jù)注意力權(quán)重動態(tài)調(diào)整每個通道的影響力；S33:將所有經(jīng)過加權(quán)處理后的特征進(jìn)行加權(quán)平均，形成新的融合特征表示。7.根據(jù)權(quán)利要求6所述的一種基于模式識別的生物電阻抗腫瘤檢測方法，其特征在于，所述步驟S4具體包括：S41:將所述融合特征輸入至自適應(yīng)分類模塊中，選擇卷積長短時記憶網(wǎng)絡(luò)結(jié)合自適應(yīng)優(yōu)化方法對模型進(jìn)行訓(xùn)練；S42:對訓(xùn)練得到的模型進(jìn)行超參數(shù)調(diào)優(yōu)，采用交叉驗證評估不同參數(shù)配置下模型的性8.根據(jù)權(quán)利要求7所述的一種基于模式識別的生物電阻抗腫瘤檢測方法，其特征在于，所述步驟S41具體包括：S411:將所述融合特征輸入到卷積層進(jìn)行提取高層次的抽象特征，所述卷積層包括1×S412:經(jīng)過卷積層處理后的特征傳入卷積長短時記憶網(wǎng)絡(luò)模塊，進(jìn)一步提取序列數(shù)據(jù)中的時序特征；S413:將經(jīng)過卷積長短時記憶網(wǎng)絡(luò)模塊后的特征進(jìn)行展平操作后匯總得到時序信息，最終傳入全連接層；S414:為了保證模型的魯棒性，采用He方法進(jìn)行模型初始化，避免梯度消失或梯度爆炸S415:采用自適應(yīng)優(yōu)化算法來動態(tài)調(diào)整模型參數(shù)，優(yōu)化分類精度，其計算公式如下：6S416:在訓(xùn)練初期使用較小學(xué)習(xí)率，通過逐步升高學(xué)習(xí)率來避免收斂過慢，隨著訓(xùn)練輪次的增加，再逐漸減小學(xué)習(xí)率，以避免過早收斂或在局部最小值附近震蕩；S417:引入梯度提升樹的集成學(xué)習(xí)策略，使用加權(quán)平均的方法，通過逐步訓(xùn)練弱學(xué)習(xí)器并組合它們的輸出，生成初步的預(yù)測結(jié)果；S418:在實(shí)時自適應(yīng)調(diào)整與在線學(xué)習(xí)階段，基于新輸入的數(shù)據(jù)和反饋，繼續(xù)更新模型參數(shù)以提升分類精度，其計算公式如下：數(shù)更新的步長，決定每次調(diào)整的幅度，L(θt,xt,yt)是損失函數(shù)，Xt,yt為當(dāng)前接收到的樣本和標(biāo)簽，VL(θt,xt,yt)表示損失函數(shù)工對模型參數(shù)θt的梯度，表示損失值相對于模型參數(shù)的變化率。7技術(shù)領(lǐng)域[0001]本發(fā)明涉及生物醫(yī)學(xué)檢測領(lǐng)域，尤其涉及一種基于模式識別的生物電阻抗腫瘤檢測方法。背景技術(shù)[0002]腫瘤作為一種嚴(yán)重威脅人類健康的疾病，其高發(fā)病率和高死亡率已成為全球公共衛(wèi)生面臨的重大挑戰(zhàn)。尤其是惡性腫瘤，也就是我們常說的癌癥，已成為導(dǎo)致死亡的主要原因之一。根據(jù)世界衛(wèi)生組織的數(shù)據(jù)，癌癥每年奪去數(shù)百萬人的生命，其中多數(shù)患者在發(fā)現(xiàn)時已處于晚期，錯過了最佳治療時機(jī)。因此，腫瘤的早期發(fā)現(xiàn)和及時治療對于提高治愈率和患等。然而，這些傳統(tǒng)檢測方法通常需要昂貴的設(shè)備、復(fù)雜的操作和較長的檢測周期，且可能會帶來一定的輻射風(fēng)險或痛苦感。[0003]生物電阻抗測量是一種通過測量組織的電阻抗特性來分析組織的物理性質(zhì)和健康狀態(tài)的方法。電阻抗的變化可以反映不同類型組織的差異，尤其是在腫瘤組織與正常組織之間存在顯著的電阻抗差異。通過測量電阻抗數(shù)據(jù)，可以實(shí)現(xiàn)對腫瘤的早期篩查和診斷。然而，傳統(tǒng)的電阻抗檢測方法通常依賴人工分析，準(zhǔn)確性和效率較低。隨著機(jī)器學(xué)習(xí)和模式識別技術(shù)的發(fā)展，基于模式識別的分析方法可以顯著提高腫瘤檢測的準(zhǔn)確性和自動化水平。[0004]在現(xiàn)有技術(shù)中，公開號為CN118864354A的中國專利公開了“一種基于無監(jiān)督對比學(xué)習(xí)的多模態(tài)腦腫瘤檢測方法”,該方法結(jié)合MRI和CT圖像的特征提取與無監(jiān)督對比學(xué)習(xí)技CT圖像的特征融合和對比學(xué)習(xí)，未能充分考慮其他模態(tài)數(shù)據(jù)或額外特征的整合。[0005]因此，亟待設(shè)計一種基于模式識別的生物電阻抗腫瘤檢測方法，解決上述現(xiàn)有技術(shù)存在的問題。發(fā)明內(nèi)容[0006]本發(fā)明的目的在于提供一種基于模式識別的生物電阻抗腫瘤檢測方法，通過模式識別算法對數(shù)據(jù)進(jìn)行自動化處理與分類，同時結(jié)合特征提取模塊、多層次特征融合模塊和自適應(yīng)分類模塊，能夠有效提高腫瘤檢測的準(zhǔn)確性、靈敏度和可靠性。本發(fā)明第一方面提供了一種基于模式識別的生物電阻抗腫瘤檢測方法，所述方法包括以下步驟：S1:通過生物電阻抗分析儀器對待檢測腫瘤區(qū)域進(jìn)行電阻抗測量，獲取在不同深度不同頻率下的電流、電壓及阻抗值；S2:設(shè)計特征提取模塊，提取各通道不同頻率下的電阻抗數(shù)據(jù)中的關(guān)鍵特征；S3:將提取的關(guān)鍵特征輸入至多層次特征融合模塊，將不同通道、不同頻率下的電8阻抗特征進(jìn)行融合，形成新的融合特征；S4:將所述融合特征輸入至自適應(yīng)分類模塊結(jié)合自適應(yīng)優(yōu)化方法，調(diào)整模型參數(shù)，提升分類精度和靈敏度。S11:配置雙電極對，分別施加電流并測量電壓；S12:將雙電極對施加的電流分別引入待檢測腫瘤區(qū)域，通過不同頻率范圍的電流信號激發(fā)該區(qū)域的生物組織電阻抗響應(yīng)；S13:使用電壓電極測量腫瘤區(qū)域的電壓信號，并通過信號放大與濾波等處理，得到不同頻率下的電壓值；S14:各通道分別通過計算電壓與施加電流的比值，得到不同頻率下的阻抗值，生成頻率-阻抗譜。[0009]作為本申請的一實(shí)施例，所述步驟S14具體包括：S141:對于每個頻率點(diǎn)，使用已知的歐姆定律計算阻抗值，其計算公式如下；Z=R+jXS142:通過對信號進(jìn)行時域與頻域分析，以提取其幅度、相位和阻抗特征參數(shù)；S143:將不同頻率下的阻抗值整合，繪制出阻抗隨頻率變化的譜圖；S144:對頻率-阻抗譜使用自適應(yīng)濾波技術(shù)，根據(jù)噪聲的統(tǒng)計特性動態(tài)調(diào)整濾波器[0014]其中，err(n)表示在時刻n的真實(shí)輸出值與濾波器輸出值之間的差異，g(n)是在示在時刻n的輸入數(shù)據(jù)，b(n)為增益向量，λ為遺忘因子，P-1(n-1)為上一時刻的逆協(xié)方差矩陣，P-1(n)為更新后的逆協(xié)方差矩陣。[0015]作為本申請的一實(shí)施例，所述步驟S2具體包括：S21:對不同頻率下的電阻抗數(shù)據(jù)進(jìn)行頻域分析，對每個通道的數(shù)據(jù)通過一種頻域變換方法將時域信號轉(zhuǎn)換為頻域信號，獲取電阻抗數(shù)據(jù)在各個頻率點(diǎn)上的幅值和相位信S22:計算電阻抗數(shù)據(jù)中的幅值特征，包括電阻抗的模值|Z|和相位角θ,其計算公式如下：9S25:使用自適應(yīng)滑動窗口算法對電阻抗S26:將提取的各項局部特征進(jìn)行降維S211:將時域信號經(jīng)過頻域變換方法變換后，獲得的頻率范圍分割為n個子頻段，的時域表示，而x(T)只是信號的一個樣本點(diǎn)，表示信號在時刻T的值，w(t)為窗函數(shù)，S212:對于每個子頻段的頻域信號數(shù)據(jù)矩陣的每個元素進(jìn)行處理，計算該子頻段式如下：[0031]其中，Aj表示通道i和通道j的相似度，Xi和Xj分別是第i和第j個通道的信號表注意力權(quán)重的和為1,C表示通道的數(shù)量；S32:根據(jù)計算出的注意力權(quán)重，調(diào)整每個通道特征的貢獻(xiàn)度，對不同通道的特征進(jìn)行加權(quán)平均，根據(jù)注意力權(quán)重動態(tài)調(diào)整每個通道的影響力；S33:將所有經(jīng)過加權(quán)處理后的特征進(jìn)行加權(quán)平均，形成新的融合特征表示。[0032]作為本申請的一實(shí)施例，所述步驟S4具體包括：S41:將融合后的特征數(shù)據(jù)輸入至自適應(yīng)分類模塊中，選擇卷積長短時記憶網(wǎng)絡(luò)結(jié)合自適應(yīng)優(yōu)化方法對模型進(jìn)行訓(xùn)練；S42:對訓(xùn)練得到的模型進(jìn)行超參數(shù)調(diào)優(yōu)，采用交叉驗證評估不同參數(shù)配置下模型的性能。S411:將所述融合特征輸入到卷積層進(jìn)行提取高層次的抽象特征，所述卷積層包S412:經(jīng)過卷積層處理后的特征傳入卷積長短時記憶網(wǎng)絡(luò)模塊，進(jìn)一步提取序列數(shù)據(jù)中的時序特征；S413:將經(jīng)過卷積長短時記憶網(wǎng)絡(luò)模塊后的特征進(jìn)行展平操作后匯總得到時序信S414:為了保證模型的魯棒性，采用He方法進(jìn)行模型初始化，避免梯度消失或梯度爆炸問題；S415:采用自適應(yīng)優(yōu)化算法來動態(tài)調(diào)整模型參數(shù)，優(yōu)化分類精度，其計算公式如S416:在訓(xùn)練初期使用較小學(xué)習(xí)率，通過逐步升高學(xué)習(xí)率來避免收斂過慢，隨著訓(xùn)練輪次的增加，再逐漸減小學(xué)習(xí)率，以避免過早收斂或在局部最小值附近震蕩；S417:引入梯度提升樹的集成學(xué)習(xí)策略，使用加權(quán)平均的方法，通過逐步訓(xùn)練弱學(xué)習(xí)器并組合它們的輸出，生成初步的預(yù)測結(jié)果；S418:在實(shí)時自適應(yīng)調(diào)整與在線學(xué)習(xí)階段，基于新輸入的數(shù)據(jù)和反饋，繼續(xù)更新模型參數(shù)以提升分類精度，其計算公式如下：型參數(shù)更新的步長，決定每次調(diào)整的幅度，L(θt,xt,yt)是損失函數(shù)，Xt,yt為當(dāng)前接收到的樣本和標(biāo)簽，VeL(θt,xt,yt)表示損失函數(shù)L對模型參數(shù)θt的梯度，表示損失值相對于模型參數(shù)的變化率。[0037]本發(fā)明的有益效果為：(1)本發(fā)明利用生物電阻抗分析技術(shù)結(jié)合模式識別方法，能夠精準(zhǔn)提取不同頻率下腫瘤組織的電信號特征，有效區(qū)分正常組織與腫瘤組織，進(jìn)一步區(qū)分良性與惡性腫瘤，并在某些情況下可輔助區(qū)分腫瘤的具體類型。通過融合特征提取與智能模式識別方法，本發(fā)明大大提高了腫瘤檢測的準(zhǔn)確性，減少了誤診和漏診的發(fā)生率。[0038](2)本發(fā)明通過設(shè)計特征提取模塊，能夠從每個通道和不同頻率下的電阻抗數(shù)據(jù)中提取出具有高辨識度的關(guān)鍵特征，通過對電信號進(jìn)行時域和頻域分析，提取電導(dǎo)率、電抗、電阻等電學(xué)特性參數(shù)，這些特征反映了組織的電學(xué)性質(zhì)，并能有效區(qū)分正常組織與腫瘤組織，在提取過程中，模塊能夠根據(jù)不同頻率的響應(yīng)特點(diǎn)，選取最具代表性的特征，去除噪聲與冗余信息，從而確保提取到的特征具有較強(qiáng)的判別能力。[0039](3)本發(fā)明通過設(shè)計多層次特征融合模塊，能夠?qū)碜圆煌疃?、頻率和通道的信息被有效地整合在一起，融合為一個更全面、準(zhǔn)確的表示，進(jìn)一步去除了冗余和噪聲信息，提取出具有高判別能力的全局特征；這些融合后的特征能夠更準(zhǔn)確地反映乳腺組織的電學(xué)特性，為后續(xù)的分類任務(wù)提供更精確的特征表示；通過融合不同層次的信息，能夠更全面地捕捉腫瘤與正常組織之間的差異，提升分類器的魯棒性和準(zhǔn)確性，通過多層次的融合，本發(fā)明可以有效捕捉到腫瘤區(qū)域的電學(xué)特征，減少噪聲干擾，增強(qiáng)模型的判別能力。[0040](4)本發(fā)明通過設(shè)計自適應(yīng)分類模塊，可以根據(jù)不同腫瘤樣本的特點(diǎn)，自動調(diào)節(jié)學(xué)習(xí)率、權(quán)重衰減等超參數(shù)，通過訓(xùn)練和驗證數(shù)據(jù)不斷優(yōu)化模型的性能，通過梯度提升樹的集成學(xué)習(xí)方法，模型能夠從多個角度提高分類的精度和穩(wěn)定性，每一類腫瘤(良性、惡性或不同類型的腫瘤)都會有其獨(dú)特的電學(xué)特征，分類模塊能夠根據(jù)這些特征有效地區(qū)分各類型組織，通過此方法，不僅能有效區(qū)分正常組織和腫瘤組織，還能夠進(jìn)一步細(xì)化為良性腫瘤、惡性腫瘤等類別，提供更加精準(zhǔn)的腫瘤檢測與診斷信息，為后續(xù)的治療決策提供可靠依據(jù)。附圖說明[0041]圖1為本發(fā)明實(shí)施例中提供的一種基于模式識別的生物電阻抗腫瘤檢測方法的流圖2為本發(fā)明實(shí)施例中提供的一種基于模式識別的生物電阻抗腫瘤檢測方法的特征提取模塊流程示意圖；圖3為本發(fā)明實(shí)施例中提供的一種基于模式識別的生物電阻抗腫瘤檢測方法的多層次特征融合模塊流程示意圖；圖4為本發(fā)明實(shí)施例中提供的一種基于模式識別的生物電阻抗腫瘤檢測方法的自適應(yīng)分類模塊示意圖。具體實(shí)施方式[0042]下面將結(jié)合本發(fā)明實(shí)施例中的附圖，對本發(fā)明實(shí)施例中的技術(shù)方案進(jìn)行清楚、完整地描述，顯然，所描述的實(shí)施例僅僅是本發(fā)明的一部分實(shí)施例，而不是全部的實(shí)施例?；诒景l(fā)明中的實(shí)施例，本領(lǐng)域普通技術(shù)人員在沒有作出創(chuàng)造性勞動前提下所獲得的所有其于解釋在某一特定姿態(tài)(如附圖所示)下各部件之間的相對位置關(guān)系、運(yùn)動情況等，如果該特定姿態(tài)發(fā)生改變時，則該方向性指示也相應(yīng)地隨之改變。電連接；可以是直接相連，也可以通過中間媒介間接相連，可以是兩個元件內(nèi)部的連通或兩個元件的相互作用關(guān)系，除非另有明確的限定。對于本領(lǐng)域的普通技術(shù)人員而言，可以根據(jù)具體情況理解上述術(shù)語在本發(fā)明中的具體含義。的描述僅用于描述目的，而不能理解為指示或暗示其相對重要性或者隱含指明所指示的技案、或B方案、或A和B同時滿足的方案。另外，各個實(shí)施例之間的技術(shù)方案可以相互結(jié)合，但是必須是以本領(lǐng)域普通技術(shù)人員能夠?qū)崿F(xiàn)為基礎(chǔ)，當(dāng)技術(shù)方案的結(jié)合出現(xiàn)相互矛盾或無法實(shí)現(xiàn)時應(yīng)當(dāng)認(rèn)為這種技術(shù)方案的結(jié)合不存在，也不在本發(fā)明要求的保護(hù)范圍之內(nèi)。[0046]參照圖1至圖4,本發(fā)明第一方面提供了一種基于模式識別的生物電阻抗腫瘤檢測S1:通過生物電阻抗分析儀器對待檢測腫瘤區(qū)域進(jìn)行電阻抗測量，獲取在不同深S2:設(shè)計特征提取模塊，提取各通道不同頻率下的電阻抗數(shù)據(jù)中的關(guān)鍵特征；S3:將提取的關(guān)鍵特征輸入至多層次特征融合模塊，將不同通道、不同頻率下的電阻抗特征進(jìn)行融合，形成新的融合特征；S4:將所述融合特征輸入至自適應(yīng)分類模塊結(jié)合自適應(yīng)優(yōu)化方法，調(diào)整模型參數(shù)，提升分類精度和靈敏度。[0047]本發(fā)明利用生物電阻抗分析技術(shù)結(jié)合模式識別方法，能夠精準(zhǔn)提取不同頻率下腫瘤組織的電信號特征，有效區(qū)分正常組織與腫瘤組織，進(jìn)一步區(qū)分良性與惡性腫瘤，并在某些情況下可輔助區(qū)分腫瘤的具體類型，通過融合特征提取與智能模式識別方法，本發(fā)明大大提高了腫瘤檢測的準(zhǔn)確性，減少了誤診和漏診的發(fā)生率，本發(fā)明采用的模式識別方法具有較好的可解釋性，能夠為醫(yī)生提供透明的決策過程，輔助臨床醫(yī)生做出更加準(zhǔn)確的診斷決策。[0048]作為本申請的一實(shí)施例，所述步驟S1具體包括：S11:配置雙電極對，分別施加電流并測量電壓；S12:將雙電極對施加的電流分別引入待檢測腫瘤區(qū)域，通過不同頻率范圍的電流信號激發(fā)該區(qū)域的生物組織電阻抗響應(yīng)；S13:使用電壓電極測量腫瘤區(qū)域的電壓信號，并通過信號放大與濾波等處理，得到不同頻率下的電壓值；S14:各通道分別通過計算電壓與施加電流的比值，得到不同頻率下的阻抗值，生成頻率-阻抗譜。[0049]作為本申請的一實(shí)施例，所述步驟S14具體包括：S141:對于每個頻率點(diǎn)，使用已知的歐姆定律計算阻抗值，其計算公式如下；Z=R+jXS142:通過對信號進(jìn)行時域與頻域分析，以提取其幅度、相位和阻抗特征參數(shù)；S143:將不同頻率下的阻抗值整合，繪制出阻抗隨頻率變化的譜圖；S144:對頻率-阻抗譜使用自適應(yīng)濾波技術(shù)，根據(jù)噪聲的統(tǒng)計特性動態(tài)調(diào)整濾波器[0054]其中，err(n)表示在時刻n的真實(shí)輸出值與濾波器輸出值之間的差異，g(n)是在時刻n的目標(biāo)值，w(n)為濾波器系數(shù)，表示在時刻n的濾波器參數(shù)，x(n)為輸入信號向量，表示在時刻n的輸入數(shù)據(jù)，b(n)為增益向量，λ為遺忘因子，P-1(n-1)為上一時刻的逆協(xié)方差矩陣，P-1(n)為更新后的逆協(xié)方差矩陣。[0055]具體的，本發(fā)明利用多頻生物電阻抗分析儀獲取檢測腫瘤區(qū)域的電信號數(shù)據(jù)，通過對不同深度和不同頻率下的電流、電壓及阻抗值的測量和分析，能夠提取出關(guān)于腫瘤組織電導(dǎo)率、電阻、電容等重要電學(xué)參數(shù)。這些電學(xué)參數(shù)在腫瘤組織與正常組織之間存在顯著差異，因為腫瘤細(xì)胞的異常增殖和組織結(jié)構(gòu)的改變，通常會導(dǎo)致電性特性發(fā)生變化。因此，相較于傳統(tǒng)的腫瘤診斷方法(如穿刺、CT或MRI檢查),本發(fā)明無需進(jìn)行侵入性操作，減少了廣泛應(yīng)用于健康篩查和早期腫瘤檢測。[0056]作為本申請的一實(shí)施例，所述步驟S2具體包括：S21:對不同頻率下的電阻抗數(shù)據(jù)進(jìn)行頻域分析，對每個通道的數(shù)據(jù)通過一種頻域變換方法將時域信號轉(zhuǎn)換為頻域信號，獲取電阻抗數(shù)據(jù)在各個頻率點(diǎn)上的幅值和相位信S22:計算電阻抗數(shù)據(jù)中的幅值特征，包括電阻抗的模值|Z|和相位角θ,其計算公式如下：S211:將時域信號經(jīng)過頻域變換方法變換后，獲得的頻率范圍分割為n個子頻段，[0066]其中，X(t,f)表示信號在時頻平面上的頻率f和時間t位置的復(fù)數(shù)值，x(t)是信號的時域表示，而x(T)只是信號的一個樣本點(diǎn)，表示信號在時刻T的值，w(t)為窗函數(shù)，w(T—t)表示窗函數(shù)的時域移動，其中心位于t時刻，e-i2πfr表示頻率成分的復(fù)雜調(diào)制，描述了信號的頻率成分如何在不同的時間T上變化，j是虛數(shù)單位，fk是第k個子頻段的頻率，fmin和fmax分別為最小和最大概率，n是子頻段的數(shù)量；S212:對于每個子頻段的頻域信號數(shù)據(jù)矩陣的每個元素進(jìn)行處理，計算該子頻段S213:對所述頻域信號數(shù)據(jù)矩陣的每個元素，計算響應(yīng)矩陣的對應(yīng)元素，其計算公式如下：R(f;)=|H(f;)||x(f;)|ej(θ在頻率f;處對信號的增益和相位偏移，|X(f;)|是表示原始信號在頻率f;處的復(fù)數(shù)值，j是虛數(shù)單位，θ(f;)是原始信號在頻率f;處的相位，φ(fi)是傳遞函數(shù)在頻率f;處的位部分的和θ(fi)+φ(fi)表示信號和系統(tǒng)的總相位偏移。[0070]本發(fā)明利用生物電阻抗分析技術(shù)，通過對電信號數(shù)據(jù)進(jìn)行頻域分析，從而提取出腫瘤組織在不同頻率下的電阻抗特征。該方法通過對不同頻段的電信號數(shù)據(jù)進(jìn)行處理，可以全面了解各個頻段對腫瘤組織響應(yīng)的差異。這有助于識別哪些頻段在腫瘤組織與正常組織之間具有較高的區(qū)分度和重要性。[0071]具體的，本發(fā)明通過設(shè)計特征提取模塊，能夠從每個通道和不同頻率下的電阻抗數(shù)據(jù)中提取出具有高辨識度的關(guān)鍵特征；該模塊通過對電信號進(jìn)行時域和頻域分析，提取電導(dǎo)率、電抗、電阻等電學(xué)特性參數(shù)；這些特征反映了組織的電學(xué)性質(zhì)，并能有效區(qū)分正常組織與腫瘤組織；在提取過程中，模塊能夠根據(jù)不同頻率的響應(yīng)特點(diǎn)，選取最具代表性的特征，去除噪聲與冗余信息，從而確保提取到的特征具有較強(qiáng)的判別能力；這些特征將為后續(xù)的分類任務(wù)提供有力的數(shù)據(jù)支持。[0072]作為本申請的一實(shí)施例，所述步驟S3具體包括：S31:輸入所述關(guān)鍵特征，使用一種跨通道注意力機(jī)制，計算注意力權(quán)重，其計算公式如下：[0074]其中，Aj表示通道i和通道j的相似度，Xi和Xj分別是第i和第j個通道的信號表注意力權(quán)重的和為1,C表示通道的數(shù)量；S32:根據(jù)計算出的注意力權(quán)重，調(diào)整每個通道特征的貢獻(xiàn)度，對不同通道的特征進(jìn)行加權(quán)平均，根據(jù)注意力權(quán)重動態(tài)調(diào)整每個通道的影響力；S33:將所有經(jīng)過加權(quán)處理后的特征進(jìn)行加權(quán)平均，形成新的融合特征表示。[0075]具體的，本發(fā)明通過設(shè)計多層次特征融合模塊，能夠?qū)⒉煌ǖ?、不同阻抗特征進(jìn)行融合；通過多尺度特征融合策略，來自不同深度、頻率和通道的信息被有效地整合在一起，進(jìn)一步去除了冗余和噪聲信息，提取出具有高判別能力的全局特征；這些融合后的特征能夠更準(zhǔn)確地反映乳腺組織的電學(xué)特性，為后續(xù)的分類任務(wù)提供更精確的特征表示；通過融合不同層次的信息，本發(fā)明能夠更全面地捕捉腫瘤與正常組織之間的差異，提升分類器的魯棒性和準(zhǔn)確性；該模塊通過綜合來自不同通道和頻率范圍的信息，將多維度特征融合為一個更全面、準(zhǔn)確的表示，即使面對不同個體和不同類型的腫瘤，該系統(tǒng)也能穩(wěn)定工作，減少樣本間的差異對檢測結(jié)果的影響；通過多層次的融合，本發(fā)明可以有效捕捉到腫瘤區(qū)域的電學(xué)特征，減少噪聲干擾，增強(qiáng)模型S41:將融合后的特征數(shù)據(jù)輸入至自適應(yīng)分類模塊中，選擇卷積長短時記憶網(wǎng)絡(luò)結(jié)合自適應(yīng)優(yōu)化方法對模型進(jìn)行訓(xùn)練；S42:對訓(xùn)練得到的模型進(jìn)行超參數(shù)調(diào)優(yōu)，采用交叉驗證評估不同參數(shù)配置下模型的性能。[0077]作為本申請的一實(shí)施例，所述步驟S41具體包括：S411:將所述融合特征輸入到卷積層進(jìn)行提取高層次的抽象特征，所述卷積層包S412:經(jīng)過卷積層處理后的特征傳入卷積長短時記憶網(wǎng)絡(luò)模塊，進(jìn)一步提取序列數(shù)據(jù)中的時序特征；S413:將經(jīng)過卷積長短時記憶網(wǎng)絡(luò)模塊后的特征進(jìn)行展平操作后匯總得到時序信S414:為了保證模型的魯棒性，采用He方法進(jìn)行模型初始化，避免梯度消失或梯度爆炸問題；S415:采用自適應(yīng)優(yōu)化算法來動態(tài)調(diào)整模型參數(shù)，優(yōu)化分類精度，其計算公式如S416:在訓(xùn)練初期使用較小學(xué)習(xí)率，通過逐步升高學(xué)習(xí)率來避免收斂過慢，隨著訓(xùn)練輪次的增加，再逐漸減小學(xué)習(xí)率，以避免過早收斂或在局部最小值附近震蕩；S417:引入梯度提升樹的集成學(xué)習(xí)策略，使用加權(quán)平均的方法，通過逐步訓(xùn)練弱學(xué)習(xí)器(決策樹)并組合它們的輸出，生成初步的預(yù)測結(jié)果；S415:在實(shí)時自適應(yīng)調(diào)整與在線學(xué)習(xí)階段，基于新輸入的數(shù)據(jù)和反饋，繼續(xù)更新模型參數(shù)以提升分類精度，其計算公式如下：型參數(shù)更新的步長，決定每次調(diào)整的幅度，L(θt,xt,yt)是損失函數(shù)，Xt,yt為當(dāng)前接收到的樣本和標(biāo)簽，VeL(θt,xt,yt)