(22)申請(qǐng)日2025.05.06地址430074湖北省武漢市洪山區(qū)紡織路1號(hào)蔡子恒曹家誠(chéng)陸丹妮何梓行有限公司42321一種基于模式識(shí)別的生物電阻抗腫瘤檢測(cè)方法本發(fā)明公開了一種基于模式識(shí)別的生物電阻抗腫瘤檢測(cè)方法，包括以下步驟：S1:通過生物電阻抗分析儀器對(duì)待檢測(cè)腫瘤區(qū)域進(jìn)行電阻抗阻抗值；S2:設(shè)計(jì)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(shí)別算法對(duì)數(shù)據(jù)進(jìn)行自動(dòng)化處理與分通過生物電阻抗分析儀器對(duì)待檢測(cè)通過生物電阻抗分析儀器對(duì)待檢測(cè)腫瘤區(qū)域進(jìn)行電阻抗測(cè)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(jì)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(duì)待檢測(cè)腫瘤區(qū)域進(jìn)行電阻抗測(cè)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(shí)別的生物電阻抗腫S13:使用電壓電極測(cè)量腫瘤區(qū)域的電壓信號(hào)，并通過信號(hào)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(shí)別的生物電阻抗腫Z=R+jXS144:對(duì)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(jì)特性動(dòng)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(shí)別的生物電阻抗腫瘤檢測(cè)方法，其特征在于，所述步驟S2具體包括：S21:對(duì)不同頻率下的電阻抗數(shù)據(jù)進(jìn)行頻域分析，對(duì)每個(gè)通道的數(shù)據(jù)通過一種頻域變換方法將時(shí)域信號(hào)轉(zhuǎn)換為頻域信號(hào)，獲取電阻抗數(shù)據(jù)在各個(gè)頻率點(diǎn)上的幅值和相位信息；S22:計(jì)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(jì)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(jì)算公式如下：4S25:使用自適應(yīng)滑動(dòng)窗口算法對(duì)電阻抗數(shù)據(jù)進(jìn)行局部特征提S26:將提取的各項(xiàng)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(shí)別的生物電阻抗腫S211:將時(shí)域信號(hào)經(jīng)過頻域變換方法變換后，獲得的頻率范圍分割為n個(gè)子頻段，其計(jì)頻率成分如何在不同的時(shí)間T上變化，j是虛數(shù)單位，fk是第k個(gè)子頻段的頻率，fmin和S212:對(duì)于每個(gè)子頻段的頻域信號(hào)數(shù)據(jù)矩陣的每個(gè)元素進(jìn)行處理，計(jì)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(jì)算注意力權(quán)重，其計(jì)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(gè)通道的信號(hào)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(jì)算出的注意力權(quán)重，調(diào)整每個(gè)通道特征的貢獻(xiàn)度，對(duì)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(dòng)態(tài)調(diào)整每個(gè)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(shí)別的生物電阻抗腫瘤檢測(cè)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(zhǎng)短時(shí)記憶網(wǎng)絡(luò)結(jié)合自適應(yīng)優(yōu)化方法對(duì)模型進(jìn)行訓(xùn)練；S42:對(duì)訓(xùn)練得到的模型進(jìn)行超參數(shù)調(diào)優(yōu)，采用交叉驗(yàn)證評(píng)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(shí)別的生物電阻抗腫瘤檢測(cè)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(zhǎng)短時(shí)記憶網(wǎng)絡(luò)模塊，進(jìn)一步提取序列數(shù)據(jù)中的時(shí)序特征；S413:將經(jīng)過卷積長(zhǎng)短時(shí)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(shí)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(dòng)態(tài)調(diào)整模型參數(shù)，優(yōu)化分類精度，其計(jì)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(cè)結(jié)果；S418:在實(shí)時(shí)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(jì)算公式如下：數(shù)更新的步長(zhǎng)，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(duì)模型參數(shù)θt的梯度，表示損失值相對(duì)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(cè)領(lǐng)域，尤其涉及一種基于模式識(shí)別的生物電阻抗腫瘤檢測(cè)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(wàn)人的生命，其中多數(shù)患者在發(fā)現(xiàn)時(shí)已處于晚期，錯(cuò)過了最佳治療時(shí)機(jī)。因此，腫瘤的早期發(fā)現(xiàn)和及時(shí)治療對(duì)于提高治愈率和患等。然而，這些傳統(tǒng)檢測(cè)方法通常需要昂貴的設(shè)備、復(fù)雜的操作和較長(zhǎng)的檢測(cè)周期，且可能會(huì)帶來一定的輻射風(fēng)險(xiǎn)或痛苦感。[0003]生物電阻抗測(cè)量是一種通過測(cè)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(cè)量電阻抗數(shù)據(jù)，可以實(shí)現(xiàn)對(duì)腫瘤的早期篩查和診斷。然而，傳統(tǒng)的電阻抗檢測(cè)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(shí)別技術(shù)的發(fā)展，基于模式識(shí)別的分析方法可以顯著提高腫瘤檢測(cè)的準(zhǔn)確性和自動(dòng)化水平。[0004]在現(xiàn)有技術(shù)中，公開號(hào)為CN118864354A的中國(guó)專利公開了“一種基于無(wú)監(jiān)督對(duì)比學(xué)習(xí)的多模態(tài)腦腫瘤檢測(cè)方法”,該方法結(jié)合MRI和CT圖像的特征提取與無(wú)監(jiān)督對(duì)比學(xué)習(xí)技CT圖像的特征融合和對(duì)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(jì)一種基于模式識(shí)別的生物電阻抗腫瘤檢測(cè)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(shí)別的生物電阻抗腫瘤檢測(cè)方法，通過模式識(shí)別算法對(duì)數(shù)據(jù)進(jìn)行自動(dòng)化處理與分類，同時(shí)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(cè)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(shí)別的生物電阻抗腫瘤檢測(cè)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(duì)待檢測(cè)腫瘤區(qū)域進(jìn)行電阻抗測(cè)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(jì)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(duì)，分別施加電流并測(cè)量電壓；S12:將雙電極對(duì)施加的電流分別引入待檢測(cè)腫瘤區(qū)域，通過不同頻率范圍的電流信號(hào)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(cè)量腫瘤區(qū)域的電壓信號(hào)，并通過信號(hào)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(jì)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(qǐng)的一實(shí)施例，所述步驟S14具體包括：S141:對(duì)于每個(gè)頻率點(diǎn)，使用已知的歐姆定律計(jì)算阻抗值，其計(jì)算公式如下；Z=R+jXS142:通過對(duì)信號(hào)進(jìn)行時(shí)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(duì)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(jì)特性動(dòng)態(tài)調(diào)整濾波器[0014]其中，err(n)表示在時(shí)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(shí)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(shí)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(qǐng)的一實(shí)施例，所述步驟S2具體包括：S21:對(duì)不同頻率下的電阻抗數(shù)據(jù)進(jìn)行頻域分析，對(duì)每個(gè)通道的數(shù)據(jù)通過一種頻域變換方法將時(shí)域信號(hào)轉(zhuǎn)換為頻域信號(hào)，獲取電阻抗數(shù)據(jù)在各個(gè)頻率點(diǎn)上的幅值和相位信S22:計(jì)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(jì)算公式如下：9S25:使用自適應(yīng)滑動(dòng)窗口算法對(duì)電阻抗S26:將提取的各項(xiàng)局部特征進(jìn)行降維S211:將時(shí)域信號(hào)經(jīng)過頻域變換方法變換后，獲得的頻率范圍分割為n個(gè)子頻段，的時(shí)域表示，而x(T)只是信號(hào)的一個(gè)樣本點(diǎn)，表示信號(hào)在時(shí)刻T的值，w(t)為窗函數(shù)，S212:對(duì)于每個(gè)子頻段的頻域信號(hào)數(shù)據(jù)矩陣的每個(gè)元素進(jìn)行處理，計(jì)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(gè)通道的信號(hào)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(jì)算出的注意力權(quán)重，調(diào)整每個(gè)通道特征的貢獻(xiàn)度，對(duì)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(dòng)態(tài)調(diào)整每個(gè)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(qǐng)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(zhǎng)短時(shí)記憶網(wǎng)絡(luò)結(jié)合自適應(yīng)優(yōu)化方法對(duì)模型進(jìn)行訓(xùn)練；S42:對(duì)訓(xùn)練得到的模型進(jìn)行超參數(shù)調(diào)優(yōu)，采用交叉驗(yàn)證評(píng)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(zhǎng)短時(shí)記憶網(wǎng)絡(luò)模塊，進(jìn)一步提取序列數(shù)據(jù)中的時(shí)序特征；S413:將經(jīng)過卷積長(zhǎng)短時(shí)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(shí)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(dòng)態(tài)調(diào)整模型參數(shù)，優(yōu)化分類精度，其計(jì)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(cè)結(jié)果；S418:在實(shí)時(shí)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(jì)算公式如下：型參數(shù)更新的步長(zhǎng)，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(duì)模型參數(shù)θt的梯度，表示損失值相對(duì)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(shí)別方法，能夠精準(zhǔn)提取不同頻率下腫瘤組織的電信號(hào)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(shí)別方法，本發(fā)明大大提高了腫瘤檢測(cè)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(jì)特征提取模塊，能夠從每個(gè)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(shí)度的關(guān)鍵特征，通過對(duì)電信號(hào)進(jìn)行時(shí)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(jì)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(gè)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(jì)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(dòng)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(yàn)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(gè)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(huì)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(cè)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(shí)別的生物電阻抗腫瘤檢測(cè)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(shí)別的生物電阻抗腫瘤檢測(cè)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(shí)別的生物電阻抗腫瘤檢測(cè)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(shí)別的生物電阻抗腫瘤檢測(cè)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(duì)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。基于本發(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(dòng)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(duì)位置關(guān)系、運(yùn)動(dòng)情況等，如果該特定姿態(tài)發(fā)生改變時(shí)，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(gè)元件內(nèi)部的連通或兩個(gè)元件的相互作用關(guān)系，除非另有明確的限定。對(duì)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(yǔ)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(duì)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(shí)滿足的方案。另外，各個(gè)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(wú)法實(shí)現(xiàn)時(shí)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?qǐng)D1至圖4,本發(fā)明第一方面提供了一種基于模式識(shí)別的生物電阻抗腫瘤檢測(cè)S1:通過生物電阻抗分析儀器對(duì)待檢測(cè)腫瘤區(qū)域進(jìn)行電阻抗測(cè)量，獲取在不同深S2:設(shè)計(jì)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(shí)別方法，能夠精準(zhǔn)提取不同頻率下腫瘤組織的電信號(hào)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(shí)別方法，本發(fā)明大大提高了腫瘤檢測(cè)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(shí)別方法具有較好的可解釋性，能夠?yàn)獒t(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(qǐng)的一實(shí)施例，所述步驟S1具體包括：S11:配置雙電極對(duì)，分別施加電流并測(cè)量電壓；S12:將雙電極對(duì)施加的電流分別引入待檢測(cè)腫瘤區(qū)域，通過不同頻率范圍的電流信號(hào)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(cè)量腫瘤區(qū)域的電壓信號(hào)，并通過信號(hào)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(jì)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(qǐng)的一實(shí)施例，所述步驟S14具體包括：S141:對(duì)于每個(gè)頻率點(diǎn)，使用已知的歐姆定律計(jì)算阻抗值，其計(jì)算公式如下；Z=R+jXS142:通過對(duì)信號(hào)進(jìn)行時(shí)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(duì)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(jì)特性動(dòng)態(tài)調(diào)整濾波器[0054]其中，err(n)表示在時(shí)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(shí)刻n的目標(biāo)值，w(n)為濾波器系數(shù)，表示在時(shí)刻n的濾波器參數(shù)，x(n)為輸入信號(hào)向量，表示在時(shí)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(shí)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(cè)腫瘤區(qū)域的電信號(hào)數(shù)據(jù)，通過對(duì)不同深度和不同頻率下的電流、電壓及阻抗值的測(cè)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?yàn)槟[瘤細(xì)胞的異常增殖和組織結(jié)構(gòu)的改變，通常會(huì)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(wú)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(cè)。[0056]作為本申請(qǐng)的一實(shí)施例，所述步驟S2具體包括：S21:對(duì)不同頻率下的電阻抗數(shù)據(jù)進(jìn)行頻域分析，對(duì)每個(gè)通道的數(shù)據(jù)通過一種頻域變換方法將時(shí)域信號(hào)轉(zhuǎn)換為頻域信號(hào)，獲取電阻抗數(shù)據(jù)在各個(gè)頻率點(diǎn)上的幅值和相位信S22:計(jì)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(jì)算公式如下：S211:將時(shí)域信號(hào)經(jīng)過頻域變換方法變換后，獲得的頻率范圍分割為n個(gè)子頻段，[0066]其中，X(t,f)表示信號(hào)在時(shí)頻平面上的頻率f和時(shí)間t位置的復(fù)數(shù)值，x(t)是信號(hào)的時(shí)域表示，而x(T)只是信號(hào)的一個(gè)樣本點(diǎn)，表示信號(hào)在時(shí)刻T的值，w(t)為窗函數(shù)，w(T—t)表示窗函數(shù)的時(shí)域移動(dòng)，其中心位于t時(shí)刻，e-i2πfr表示頻率成分的復(fù)雜調(diào)制，描述了信號(hào)的頻率成分如何在不同的時(shí)間T上變化，j是虛數(shù)單位，fk是第k個(gè)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(duì)于每個(gè)子頻段的頻域信號(hào)數(shù)據(jù)矩陣的每個(gè)元素進(jìn)行處理，計(jì)算該子頻段S213:對(duì)所述頻域信號(hào)數(shù)據(jù)矩陣的每個(gè)元素，計(jì)算響應(yīng)矩陣的對(duì)應(yīng)元素，其計(jì)算公式如下：R(f;)=|H(f;)||x(f;)|ej(θ在頻率f;處對(duì)信號(hào)的增益和相位偏移，|X(f;)|是表示原始信號(hào)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(hào)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(hào)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(duì)電信號(hào)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(duì)不同頻段的電信號(hào)數(shù)據(jù)進(jìn)行處理，可以全面了解各個(gè)頻段對(duì)腫瘤組織響應(yīng)的差異。這有助于識(shí)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(jì)特征提取模塊，能夠從每個(gè)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(shí)度的關(guān)鍵特征；該模塊通過對(duì)電信號(hào)進(jìn)行時(shí)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(qǐng)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(jì)算注意力權(quán)重，其計(jì)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(gè)通道的信號(hào)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(jì)算出的注意力權(quán)重，調(diào)整每個(gè)通道特征的貢獻(xiàn)度，對(duì)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(dòng)態(tài)調(diào)整每個(gè)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(jì)多層次特征融合模塊，能夠?qū)⒉煌ǖ馈⒉煌杩固卣鬟M(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(gè)更全面、準(zhǔn)確的表示，即使面對(duì)不同個(gè)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(duì)檢測(cè)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(zhǎng)短時(shí)記憶網(wǎng)絡(luò)結(jié)合自適應(yīng)優(yōu)化方法對(duì)模型進(jìn)行訓(xùn)練；S42:對(duì)訓(xùn)練得到的模型進(jìn)行超參數(shù)調(diào)優(yōu)，采用交叉驗(yàn)證評(píng)估不同參數(shù)配置下模型的性能。[0077]作為本申請(qǐng)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(zhǎng)短時(shí)記憶網(wǎng)絡(luò)模塊，進(jìn)一步提取序列數(shù)據(jù)中的時(shí)序特征；S413:將經(jīng)過卷積長(zhǎng)短時(shí)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(shí)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(dòng)態(tài)調(diào)整模型參數(shù)，優(yōu)化分類精度，其計(jì)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(cè)結(jié)果；S415:在實(shí)時(shí)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(jì)算公式如下：型參數(shù)更新的步長(zhǎng)，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)