一种基于扩散模型的小样本呼吸疾病模式识别方法

本发明提出了一种基于扩散模型的小样本呼吸疾病模式识别方法。首先，针对常见的呼吸疾病类型，采集并分类三种呼吸模式的数据：正常呼吸、暂停呼吸和深呼吸，分别对应于医学中的正常呼吸、阻塞性呼吸暂停和哮喘等呼吸性疾病；其次，利用射频扩散模型学习数据的内在分布规律，在有限的真实样本基础上生成多样化和高质量的射频时间序列数据，以扩充数据集。再次，将生成的数据与真实数据结合，并通过一维时间序列提取算法提取精准的呼吸信号，并利用格拉姆角场(Gramian Angular Field,GAF)方法将时间序列转换为二维图像，使时间序列的时间依赖关系在图像中得到直观呈现。最后，采用卷积神经网络(Convolutional Neural Network,CNN)‑Transformer深度学习模型对图像数据进行特征提取和分类，进而进行多尺度特征分析和呼吸模式识别。本发明的方法在小样本条件下显著提高了模型的识别精度与泛化能力，为非接触式呼吸模式识别提供了精准、可靠的解决方案。