CN110378319A - 一种信号的检测方法、装置、计算机设备和存储介质 - Google Patents
一种信号的检测方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN110378319A CN110378319A CN201910700431.1A CN201910700431A CN110378319A CN 110378319 A CN110378319 A CN 110378319A CN 201910700431 A CN201910700431 A CN 201910700431A CN 110378319 A CN110378319 A CN 110378319A
- Authority
- CN
- China
- Prior art keywords
- attention
- signal
- subsignal
- signal characteristic
- original signal
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Landscapes
- Monitoring And Testing Of Transmission In General (AREA)
Abstract
本发明实施例公开了一种信号的检测方法、装置、计算机设备和存储介质，该方法包括：接收原始信号，所述原始信号包括至少两段子信号；确定所述子信号之间的注意力；根据所述注意力确定所述子信号表征周期性的信号特征；根据所述信号特征确定处于异常状态的子信号。子信号之间的注意力具有泛化性，无需关注原始信号的信号类型，在特征提取时关注注意力即可，因此，通过注意力可对不同类型的对原始信号进行异常检测，提高异常检测的泛化性能与自适应能力，无需针对不同类型的信号重新信号特征和建立数据分布，降低工作量。
Description
技术领域
本发明实施例涉及信号处理的技术，尤其涉及一种信号的检测方法、装置、计算机设备和存储介质。
背景技术
周期性信号是日常生活中常见的一类信号，对信号应用过程中的质量评估、预处理、建模分析等环节，通常对周期性信号进行异常检测。
所谓异常，是指在信号中存在差异的数据，且这种差异很可能是基于产生机制的不同而不只是随机偏差。
目前，对周期性信号的异常检测多是从信号特征和数据分布等方面进行检测。
但是，对于不同类型的信号，其适用的信号特征和建立的数据分布也各不相同，在不同信号间的泛化性能较差，自适应能力较差，针对不同类型的信号需要重新信号特征和建立数据分布，导致工作量较大。
发明内容
本发明实施例提供一种信号的检测方法、装置、计算机设备和存储介质，以解决对周期性信号进行异常检测的方法泛化性能较差，自适应能力较差的问题。
第一方面，本发明实施例提供了一种信号的检测方法，包括：
接收原始信号，所述原始信号包括至少两段子信号；
确定所述子信号之间的注意力；
根据所述注意力确定所述子信号表征周期性的信号特征；
根据所述信号特征确定处于异常状态的子信号。
可选地，在所述接收原始信号之后，还包括：
在保持周期性的条件下，对所述原始信号进行降维处理。
可选地，所述在保持周期性的条件下，对所述原始信号进行降维处理，包括：
确定超参数；
按照所述超参数随机生成卷积核；
使用所述卷积核、按照所述超参数对所述原始信号进行卷积处理。
可选地，所述确定所述子信号之间的注意力，包括：
生成自注意力矩阵，所述自注意矩阵的行与列为其中一个子信号与所有子信号之间的注意力。
可选地，所述注意力存储在自注意力矩阵中；
所述根据所述注意力确定所述子信号表征周期性的信号特征，包括：
对所述自注意力矩阵中每行所述注意力计算第一平均值；
若某行所述注意力中、大于所述第一平均值的注意力的比值超过预设的第一阈值，则减小所述行中所述注意力相对于所述自注意力矩阵的权重；
对所述注意力矩阵中每列所述注意力计算第二平均值，作为每列所述注意力所属子信号表征周期性的信号特征。
可选地，所述根据所述注意力确定所述子信号表征周期性的信号特征，还包括：
对所述注意力进行规范化处理。
可选地，所述根据所述信号特征确定处于异常状态的子信号，包括：
对所述信号特征进行异常校验，以确定所述信号特征所处的特征状态；
按照所述特征状态将所述信号特征转换为候选向量；
对所述候选向量进行集成，获得特征向量；
对所述特征向量进行二值化处理，获得目标向量；
若所述目标向量为指定的数值，则确定所述目标向量所属的子信号处于异常状态。
可选地，所述根据所述信号特征确定处于异常状态的子信号，还包括：
对所述候选向量进行插值处理，以使所述候选向量的长度等于所述原始信号的长度。
可选地，所述按照所述特征状态将所述信号特征转换为候选向量，包括：
若所述特征状态为正常状态，则在候选向量中、对所述信号特征标记第一数值；
若所述特征状态为异常状态，则在候选向量中、对所述信号特征标记第二数值。
可选地，所述对所述特征向量进行二值化处理，获得目标向量，包括：
若所述特征向量小于预设的第二阈值，则在目标向量中、对所述特征向量标记第一数值；
若所述特征向量大于或等于预设的第二阈值，则在目标向量中、对所述特征向量标记第二数值。
可选地，所述若所述目标向量为指定的数值，则确定所述目标向量所属的子信号处于异常状态，包括：
若所述目标向量为第二数值，则确定所述目标向量所属的子信号处于异常状态。
第二方面，本发明实施例还提供了一种信号的检测装置，包括：
原始信号接收模块，用于接收原始信号，所述原始信号包括至少两段子信号；
注意力确定模块，用于确定所述子信号之间的注意力；
信号特征确定模块，用于根据所述注意力确定所述子信号表征周期性的信号特征；
异常信号确定模块，用于根据所述信号特征确定处于异常状态的子信号。
可选地，还包括：
降维处理模块，用于在保持周期性的条件下，对所述原始信号进行降维处理。
可选地，所述降维处理模块包括：
超参数确定子模块，用于确定超参数；
卷积核生成子模块，用于按照所述超参数随机生成卷积核；
卷积处理子模块，用于使用所述卷积核、按照所述超参数对所述原始信号进行卷积处理。
可选地，所述注意力确定模块包括：
自注意力矩阵生成子模块，用于生成自注意力矩阵，所述自注意矩阵的行与列为其中一个子信号与所有子信号之间的注意力。
可选地，所述注意力存储在自注意力矩阵中；
所述信号特征确定模块包括：
第一平均值计算子模块，用于对所述自注意力矩阵中每行所述注意力计算第一平均值；
注意力降低子模块，用于若某行所述注意力中、大于所述第一平均值的注意力的比值超过预设的第一阈值，则减小所述行中所述注意力相对于所述自注意力矩阵的权重；
第二平均值计算子模块，用于对所述注意力矩阵中每列所述注意力计算第二平均值，作为每列所述注意力所属子信号表征周期性的信号特征。
可选地，所述信号特征确定模块还包括：
规范化处理子模块，用于对所述注意力进行规范化处理。
可选地，所述异常信号确定模块包括：
异常校验子模块，用于对所述信号特征进行异常校验，以确定所述信号特征所处的特征状态；
信号特征转换子模块，用于按照所述特征状态将所述信号特征转换为候选向量；
候选向量集成子模块，用于对所述候选向量进行集成，获得特征向量；
二值化处理子模块，用于对所述特征向量进行二值化处理，获得目标向量；
异常状态确定子模块，用于若所述目标向量为指定的数值，则确定所述目标向量所属的子信号处于异常状态。
可选地，所述异常信号确定模块还包括：
插值处理子模块，用于对所述候选向量进行插值处理，以使所述候选向量的长度等于所述原始信号的长度。
可选地，所述按照所述特征状态将所述信号特征转换为候选向量，包括：
若所述特征状态为正常状态，则在候选向量中、对所述信号特征标记第一数值；
若所述特征状态为异常状态，则在候选向量中、对所述信号特征标记第二数值。
可选地，所述信号特征转换子模块包括：
第一数值转换单元，用于若所述特征向量小于预设的第二阈值，则在目标向量中、对所述特征向量标记第一数值；
第二数值转换单元，用于若所述特征向量大于或等于预设的第二阈值，则在目标向量中、对所述特征向量标记第二数值。
可选地，所述异常状态确定子模块包括：
子信号确定单元，用于若所述目标向量为第二数值，则确定所述目标向量所属的子信号处于异常状态。
第三方面，本发明实施例还提供了一种计算机设备，所述计算机设备包括：
一个或多个处理器；
存储器，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如第一方面中任一所述的信号的检测方法。
第四方面，本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如第一方面中任一所述的信号的检测方法。
在本发明实施例中，接收原始信号，原始信号包括至少两段子信号，确定子信号之间的注意力，根据注意力确定子信号表征周期性的信号特征，根据信号特征确定处于异常状态的子信号，子信号之间的注意力具有泛化性，无需关注原始信号的信号类型，在特征提取时关注注意力即可，因此，通过注意力可对不同类型的对原始信号进行异常检测，提高异常检测的泛化性能与自适应能力，无需针对不同类型的信号重新信号特征和建立数据分布，降低工作量。
附图说明
图1为本发明实施例一提供的一种信号的检测方法的流程图；
图2为本发明实施例二提供的一种信号的检测方法的流程图；
图3A至图3D是本发明实施例二提供的一种异常检测的示例图；
图4为本发明实施例三提供的一种信号的检测装置的结构示意图；
图5为本发明实施例四提供的一种计算机设备的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。
实施例一
图1为本发明实施例一提供的一种信号的检测方法的流程图，本实施例可适用于基于注意力对周期性信号进行异常检测的情况，该方法可以由信号的检测装置来执行，该信号的检测装置可以由软件和/或硬件实现，可配置在计算机设备中，该计算机设备自身可产生周期性信号，例如，心电图检测设备、光电容积脉搏波检测设备、电机等，或者，该计算机设备自身不可产生周期性信号，但可连接产生周期性信号的设备，例如，移动终端、个人电脑、服务器、工作站，等等，该方法具体包括如下步骤：
S101、接收原始信号。
在具体实现中，原始信号可以为周期性信号，其特点是信号的波形周期性重复，但信号的周期和幅值可能在某个特定范围内随机变动。
例如，原始信号包括ECG(electrocardiogram，心电图信号)、PPG(PhotoPlethysmoGraphy，光电容积脉搏波信号)、PWM(Pulse Width Modulation，脉冲宽度调制信号)、海平面涨落的高度信号等。
S102、确定所述子信号之间的注意力。
在本实施例中，原始信号包括至少两段子信号，每段子信号可以为一个周期内的信号。
通过自注意力机制(Self-attention Mechanism)，计算子信号之间的注意力。
各个子信号之间的注意力，可以反映原始信号不同区域的周期性的强弱。
一方面，注意力的计算对原始信号的波形不敏感，提高了在不同类型的原始信号间的泛化能力。
另一方面，对于后续提取信号特征的算法而言，无需针对不同类型的原始信号的不同特征进行调整，关注注意力即可，从而降低了算法的复杂程度，提高了泛化能力和稳定性。
S103、根据所述注意力确定所述子信号表征周期性的信号特征。
根据各个子信号之间的注意力，可提取反映原始信号周期性强弱变化的特征向量，作为信号特征。
S104、根据所述信号特征确定处于异常状态的子信号。
对周期性的原始信号而言，出现异常往往意味着原始信号周期性的破坏，基于这一先验知识，可以根据周期性强弱变化来对原始信号进行异常检测，识别原始信号是否出现异常，并定位异常区域(处于异常状态的子信号)的位置。
在本发明实施例中，接收原始信号，原始信号包括至少两段子信号，确定子信号之间的注意力，根据注意力确定子信号表征周期性的信号特征，根据信号特征确定处于异常状态的子信号，子信号之间的注意力具有泛化性，无需关注原始信号的信号类型，在特征提取时关注注意力即可，因此，通过注意力可对不同类型的对原始信号进行异常检测，提高异常检测的泛化性能与自适应能力，无需针对不同类型的信号重新信号特征和建立数据分布，降低工作量。
实施例二
图2为本发明实施例二提供的一种信号的检测方法的流程图，本实施例以前述实施例为基础，进一步增加降维处理，细化的处理操作。该方法具体包括如下步骤：
S201、接收原始信号。
其中，原始信号包括至少两段子信号。
S202、在保持周期性的条件下，对所述原始信号进行降维处理。
在具体实现中，可以从多个维度描述原始信号，如波形、幅值、相位、周期性、平稳性等，在不同的应用场景中关注的维度各不相同。
在本实施例中，原始信号的周期性和平稳性受到关注，如检查交流电电压是否异常波动、心电信号中是否出现异常等。
对于机器学习、深度学习等算法，在训练模型的过程中可能关注了信号的所有维度，而不止是周期性和平稳性，从而导致该模型在某种信号上过拟合，在不同信号间的泛化能力弱。
在本实施例中，可以对原始信号进行降维处理，对原始信号的波形、幅值、相位等维度的进行变换，减弱波形、幅值、相位等维度的关注，增强对周期性的关注，从而增强对不同类型的原始信号的泛化能力。
在一种示例中，可以基于随机卷积核对原始信号进行降维处理。
进一步而言，如图3A所示，对于原始信号301，可以根据原始信,301的周期大小、采样率、是否需要压缩等信息，确定超参数，如卷积核的大小、移动的步长、填充(Padding)的大小、卷积核的数量等。
通过高斯分布随机采样、平均分布、泊松分布等方式，按照超参数(如卷积核的大小、卷积核的数量等)随机生成卷积核302。
需要说明的是，n为可调参数，n≥1，n越大，检测结果越准确，但计算量越大
使用卷积核302、按照超参数(如移动的步长、填充的大小等)对原始信号进行卷积处理，从而获得降维之后的原始信号303。
在本发明实施例中，通过随机生成的卷积核对原始信号进行卷积处理，从而实现数据降维，保证降维过程不影响原始信号的周期性变化，同时尽可能减少人工设计映射函数的工作。
当然，上述基于随机卷积核对原始信号进行降维处理只是作为示例，在实施本发明实施例时，可以根据实际情况设置其他对原始信号进行降维处理的方式，例如，基于离散小波变换(DWT)对原始信号进行降维处理、基于滑动窗口的能量对原始信号进行降维处理、基于信息熵对原始信号进行降维处理，等等，本发明实施例对此不加以限制。另外，除了上述基于随机卷积核对原始信号进行降维处理外，本领域技术人员还可以根据实际需要采用其它对原始信号进行降维处理的方式，本发明实施例对此也不加以限制。
S203、生成自注意力矩阵。
在本实施例中，可以通过缩放点积法(Scaled Dot Product)、点积、余弦相似度、皮尔逊相关系数等方式，对原始信号生成自注意力矩阵。
自注意矩阵，实际为矩阵，行与列的数量相等，行与列为其中一个子信号与所有子信号之间的注意力。
例如，如图3B所示，对降维之后的原始信号303计算自注意矩阵304，其中，注意力3041的数值最小，表现为周期性较弱，注意力3043的数值最大，注意力3042的数值位于注意力3041的值与注意力3043的值最大之间，表现为周期性较强。
S204、对所述注意力进行规范化处理。
在本实施例中，注意力存储在自注意力矩阵中，可以通过Z-score、最大最小归一化、softmax等方法，对自注意力矩阵中的注意力进行规范化处理。
以Z-score为例，Z-score可以通过如下公式进行规范化：
其中，x为注意力的观测值，μ为注意力的平均值，δ为注意力的标准差。
Z-score可以将注意力的数值规范化到均值为0，标准差为1，从而将不同的注意力转换到相同的量级上。
S205、对所述自注意力矩阵中每行所述注意力计算第一平均值。
S206、若某行所述注意力中、大于所述第一平均值的注意力的比值超过预设的第一阈值，则减小所述行中所述注意力相对于所述自注意力矩阵的权重。
在本实施例中，如图3C所示，若自注意矩阵304的每一行中，大于该行第一平均值的自注意力占该行的比例小于r，则减小该行中注意力相对于自注意力矩阵的权重，即减小该行中注意力的的分布规律对自注意矩阵真题主力已分布规律的影响，从而调整注意力所表现的周期性。
其中，r为第一阈值，是可调参数，0＜r＜1，一般地，r取0.5。
例如，可对该行的注意力乘以-1，即将注意力的数值转换为该数值的相反数。
又例如，可将该行的注意力设为常数，如全部置零。
又例如，忽略该行的注意力。
S207、对所述注意力矩阵中每列所述注意力计算第二平均值，作为每列所述注意力所属子信号表征周期性的信号特征。
在本实施例中，如图3C所示，将自注意力矩阵304按列求第二平均值，得到信号特征305。
在本发明实施例中，对自注意力矩阵中每行注意力计算第一平均值，若某行注意力中、大于第一平均值的注意力的比值超过预设的第一阈值，则减小该行中注意力相对于自注意力矩阵的权重，对注意力矩阵中每列注意力计算第二平均值，作为每列注意力所属子信号表征周期性的信号特征，基于自注意力的统计学特性，筛选出周期性较弱的行，通过降低该行的注意力，加强列之间的周期性对比，从而提高信号特征的显著性。
S208、对所述信号特征进行异常校验，以确定所述信号特征所处的特征状态。
在本实施例中，可以通过k-sigma、规则判别法、机器学习、深度学习等方法信号特征进行异常校验，以确定信号特征所处的特征状态，即判定信号特征是否存在异常。
S209、按照所述特征状态将所述信号特征转换为候选向量。
在本发明实施例中，可将信号特征转换为候选向量，该候选向量可体现信号特征的特征状态。
若特征状态为正常状态，则在候选向量中、对信号特征标记第一数值，如0。
若特征状态为异常状态，则在候选向量中、对信号特征标记第二数值，如1。
S210、对所述候选向量进行插值处理，以使所述候选向量的长度等于所述原始信号的长度。
在本实施例中，可对候选向量进行插值处理，如线性插值，从而使得候选向量的长度等于原始信号的长度，保证运算的一致性。
S211、对所述候选向量进行集成，获得特征向量。
集成，又称集成学习(ensemble learning)，它本身不是一个单独的机器学习算法，而是通过构建并结合多个机器学习器来完成学习任务，可以用于异常点检测集成。
在本实施例中，可通过平均法、投票法、加权求和法、机器学习、深度学习等方法，对所有的候选向量进行集成，从而获得特征向量。
S212、对所述特征向量进行二值化处理，获得目标向量。
在具体实现中，可以预先设置第二阈值t，t是可调参数，0＜t＜1，本领域技术人员可以根据实际情况设置t的数值，t越小，对异常状态越敏感，但误检率越高，一般地，t取0.5。
若特征向量小于预设的第二阈值，则在目标向量中、对特征向量标记第一数值，如0。
若特征向量大于或等于预设的第二阈值，则在目标向量中、对特征向量标记第二数值，如1。
S213、若所述目标向量为指定的数值，则确定所述目标向量所属的子信号处于异常状态。
在具体实现中，若目标向量为第一数值，则确定目标向量所属的子信号处于正常状态，若目标向量为第二数值，则确定目标向量所属的子信号处于异常状态。
如图3D所示，目标向量306为异常检测的结果，目标向量306中值为第一数值(如0)的位置对应了原始信号301中的正常区域(子信号)3061，目标向量306中值为第二数值(如1)的位置对应了原始信号301中的异常区域(第二数值)3062。
在本发明实施例中，对信号特征进行异常校验，以确定信号特征所处的特征状态，按照特征状态将信号特征转换为候选向量，对候选向量进行集成，获得特征向量，对特征向量进行二值化处理，获得目标向量，若目标向量为指定的数值，则确定目标向量所属的子信号处于异常状态，通过特征状态加强异常检测，从而提高异常检测的准确率。
实施例三
图4为本发明实施例三提供的一种信号的检测装置的结构示意图，该装置具体可以包括如下模块：
原始信号接收模块401，用于接收原始信号，所述原始信号包括至少两段子信号；
注意力确定模块402，用于确定所述子信号之间的注意力；
信号特征确定模块403，用于根据所述注意力确定所述子信号表征周期性的信号特征；
异常信号确定模块404，用于根据所述信号特征确定处于异常状态的子信号。
在本发明的一个实施例中，还包括：
降维处理模块，用于在保持周期性的条件下，对所述原始信号进行降维处理。
在本发明的一个实施例中，所述降维处理模块包括：
超参数确定子模块，用于确定超参数；
卷积核生成子模块，用于按照所述超参数随机生成卷积核；
卷积处理子模块，用于使用所述卷积核、按照所述超参数对所述原始信号进行卷积处理。
在本发明的一个实施例中，所述注意力确定模块402包括：
自注意力矩阵生成子模块，用于生成自注意力矩阵，所述自注意矩阵的行与列为其中一个子信号与所有子信号之间的注意力。
在本发明的一个实施例中，所述注意力存储在自注意力矩阵中；
所述信号特征确定模块403包括：
第一平均值计算子模块，用于对所述自注意力矩阵中每行所述注意力计算第一平均值；
注意力降低子模块，用于若某行所述注意力中、大于所述第一平均值的注意力的比值超过预设的第一阈值，则减小所述行中所述注意力相对于所述自注意力矩阵的权重；
第二平均值计算子模块，用于对所述注意力矩阵中每列所述注意力计算第二平均值，作为每列所述注意力所属子信号表征周期性的信号特征。
在本发明的一个实施例中，所述信号特征确定模块403还包括：
规范化处理子模块，用于对所述注意力进行规范化处理。
在本发明的一个实施例中，所述异常信号确定模块404包括：
异常校验子模块，用于对所述信号特征进行异常校验，以确定所述信号特征所处的特征状态；
信号特征转换子模块，用于按照所述特征状态将所述信号特征转换为候选向量；
候选向量集成子模块，用于对所述候选向量进行集成，获得特征向量；
二值化处理子模块，用于对所述特征向量进行二值化处理，获得目标向量；
异常状态确定子模块，用于若所述目标向量为指定的数值，则确定所述目标向量所属的子信号处于异常状态。
在本发明的一个实施例中，所述异常信号确定模块404还包括：
插值处理子模块，用于对所述候选向量进行插值处理，以使所述候选向量的长度等于所述原始信号的长度。
在本发明的一个实施例中，所述按照所述特征状态将所述信号特征转换为候选向量，包括：
若所述特征状态为正常状态，则在候选向量中、对所述信号特征标记第一数值；
若所述特征状态为异常状态，则在候选向量中、对所述信号特征标记第二数值。
在本发明的一个实施例中，所述信号特征转换子模块包括：
第一数值转换单元，用于若所述特征向量小于预设的第二阈值，则在目标向量中、对所述特征向量标记第一数值；
第二数值转换单元，用于若所述特征向量大于或等于预设的第二阈值，则在目标向量中、对所述特征向量标记第二数值。
在本发明的一个实施例中，所述异常状态确定子模块包括：
子信号确定单元，用于若所述目标向量为第二数值，则确定所述目标向量所属的子信号处于异常状态。
本发明实施例所提供的信号的检测装置可执行本发明任意实施例所提供的信号的检测方法，具备执行方法相应的功能模块和有益效果。
实施例四
图5为本发明实施例四提供的一种计算机设备的结构示意图。如图5所示，该计算机设备包括处理器500、存储器501、通信模块502、输入装置503和输出装置504；计算机设备中处理器500的数量可以是一个或多个，图5中以一个处理器500为例；计算机设备中的处理器500、存储器501、通信模块502、输入装置503和输出装置504可以通过总线或其他方式连接，图5中以通过总线连接为例。
存储器501作为一种计算机可读存储介质，可用于存储软件程序、计算机可执行程序以及模块，如本实施例中的信号的检测方法对应的模块(例如，如图4所示的信号的检测装置中的原始信号接收模块401、注意力确定模块402、信号特征确定模块403和异常信号确定模块404)。处理器500通过运行存储在存储器501中的软件程序、指令以及模块，从而执行计算机设备的各种功能应用以及数据处理，即实现上述的信号的检测方法。
存储器501可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序；存储数据区可存储根据计算机设备的使用所创建的数据等。此外，存储器501可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中，存储器501可进一步包括相对于处理器500远程设置的存储器，这些远程存储器可以通过网络连接至计算机设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
通信模块502，用于与显示屏建立连接，并实现与显示屏的数据交互。输入装置503可用于接收输入的数字或字符信息，以及产生与计算机设备的用户设置以及功能控制有关的键信号输入。
本实施例提供的计算机设备，可执行本发明任一实施例提供的信号的检测方法，具体相应的功能和有益效果。
实施例五
本发明实施例五还提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现一种信号的检测方法，该方法包括：
接收原始信号，所述原始信号包括至少两段子信号；
确定所述子信号之间的注意力；
根据所述注意力确定所述子信号表征周期性的信号特征；
根据所述信号特征确定处于异常状态的子信号。
当然,本发明实施例所提供的计算机可读存储介质,其计算机程序不限于如上所述的方法操作,还可以执行本发明任意实施例所提供的信号的检测方法中的相关操作。
通过以上关于实施方式的描述，所属领域的技术人员可以清楚地了解到，本发明可借助软件及必需的通用硬件来实现，当然也可以通过硬件实现，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如计算机的软盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(RandomAccess Memory,RAM)、闪存(FLASH)、硬盘或光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。
值得注意的是，上述信号的检测装置的实施例中，所包括的各个单元和模块只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。
注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。
Claims (12)
1.一种信号的检测方法，其特征在于，包括：
接收原始信号，所述原始信号包括至少两段子信号；
确定所述子信号之间的注意力；
根据所述注意力确定所述子信号表征周期性的信号特征；
根据所述信号特征确定处于异常状态的子信号。
2.根据权利要求1所述的方法，其特征在于，在所述接收原始信号之后，还包括：
在保持周期性的条件下，对所述原始信号进行降维处理。
3.根据权利要求2所述的方法，其特征在于，所述在保持周期性的条件下，对所述原始信号进行降维处理，包括：
确定超参数；
按照所述超参数随机生成卷积核；
使用所述卷积核、按照所述超参数对所述原始信号进行卷积处理。
4.根据权利要求1所述的方法，其特征在于，所述确定所述子信号之间的注意力，包括：
生成自注意力矩阵，所述自注意矩阵的行与列为其中一个子信号与所有子信号之间的注意力。
5.根据权利要求1-4任一项所述的方法，其特征在于，所述注意力存储在自注意力矩阵中；
所述根据所述注意力确定所述子信号表征周期性的信号特征，包括：
对所述自注意力矩阵中每行所述注意力计算第一平均值；
若某行所述注意力中、大于所述第一平均值的注意力的比值超过预设的第一阈值，则减小所述行中所述注意力相对于所述自注意力矩阵的权重；
对所述注意力矩阵中每列所述注意力计算第二平均值，作为每列所述注意力所属子信号表征周期性的信号特征。
6.根据权利要求5所述的方法，其特征在于，所述根据所述注意力确定所述子信号表征周期性的信号特征，还包括：
对所述注意力进行规范化处理。
7.根据权利要求1-4任一项所述的方法，其特征在于，所述根据所述信号特征确定处于异常状态的子信号，包括：
对所述信号特征进行异常校验，以确定所述信号特征所处的特征状态；
按照所述特征状态将所述信号特征转换为候选向量；
对所述候选向量进行集成，获得特征向量；
对所述特征向量进行二值化处理，获得目标向量；
若所述目标向量为指定的数值，则确定所述目标向量所属的子信号处于异常状态。
8.根据权利要求7所述的方法，其特征在于，所述根据所述信号特征确定处于异常状态的子信号，还包括：
对所述候选向量进行插值处理，以使所述候选向量的长度等于所述原始信号的长度。
9.根据权利要求7所述的方法，其特征在于，所述按照所述特征状态将所述信号特征转换为候选向量，包括：
若所述特征状态为正常状态，则在候选向量中、对所述信号特征标记第一数值；
若所述特征状态为异常状态，则在候选向量中、对所述信号特征标记第二数值。
10.一种信号的检测装置，其特征在于，包括：
原始信号接收模块，用于接收原始信号，所述原始信号包括至少两段子信号；
注意力确定模块，用于确定所述子信号之间的注意力；
信号特征确定模块，用于根据所述注意力确定所述子信号表征周期性的信号特征；
异常信号确定模块，用于根据所述信号特征确定处于异常状态的子信号。
11.一种计算机设备，其特征在于，所述计算机设备包括：
一个或多个处理器；
存储器，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-9中任一所述的信号的检测方法。
12.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-9中任一所述的信号的检测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910700431.1A CN110378319A (zh) | 2019-07-31 | 2019-07-31 | 一种信号的检测方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910700431.1A CN110378319A (zh) | 2019-07-31 | 2019-07-31 | 一种信号的检测方法、装置、计算机设备和存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110378319A true CN110378319A (zh) | 2019-10-25 |
Family
ID=68257203
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910700431.1A Pending CN110378319A (zh) | 2019-07-31 | 2019-07-31 | 一种信号的检测方法、装置、计算机设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110378319A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113197582A (zh) * | 2021-04-27 | 2021-08-03 | 浙江大学 | 一种高通用性的心电数据压缩感知系统、终端和存储介质 |
| WO2021184804A1 (zh) * | 2020-03-17 | 2021-09-23 | 乐普（北京）医疗器械股份有限公司 | 一种光体积变化描记图法信号质量检测方法和装置 |
| CN115251951A (zh) * | 2022-08-02 | 2022-11-01 | 哈尔滨理工大学 | 基于fpga的癫痫脑电信号分类方法、实现方法及装置 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5265617A (en) * | 1991-02-20 | 1993-11-30 | Georgetown University | Methods and means for non-invasive, dynamic tracking of cardiac vulnerability by simultaneous analysis of heart rate variability and T-wave alternans |
| US5474078A (en) * | 1990-12-14 | 1995-12-12 | Hutson; William H. | Method and system for near real-time analysis and display of electrocardiographic signals |
| CN101198277A (zh) * | 2005-02-22 | 2008-06-11 | 海尔思-斯玛特有限公司 | 用于生理学和心理生理学监控的方法和系统及其应用 |
| CN106096535A (zh) * | 2016-06-07 | 2016-11-09 | 广东顺德中山大学卡内基梅隆大学国际联合研究院 | 一种基于双线性联合cnn的人脸验证方法 |
| CN107871126A (zh) * | 2017-11-22 | 2018-04-03 | 西安翔迅科技有限责任公司 | 基于深层神经网络的车型识别方法和系统 |
| CN108430327A (zh) * | 2015-10-07 | 2018-08-21 | 普莱柯迪尔公司 | 用于产生指示心脏状况的信息的方法和设备 |
| CN108830188A (zh) * | 2018-05-30 | 2018-11-16 | 西安理工大学 | 基于深度学习的车辆检测方法 |
| CN109157200A (zh) * | 2018-10-31 | 2019-01-08 | 安徽华米信息科技有限公司 | 噪声检测方法及装置 |
| CN109953755A (zh) * | 2019-03-15 | 2019-07-02 | 度特斯(大连)实业有限公司 | 一种心电向量数据特征的提取方法及装置 |
-
2019
- 2019-07-31 CN CN201910700431.1A patent/CN110378319A/zh active Pending
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5474078A (en) * | 1990-12-14 | 1995-12-12 | Hutson; William H. | Method and system for near real-time analysis and display of electrocardiographic signals |
| US5265617A (en) * | 1991-02-20 | 1993-11-30 | Georgetown University | Methods and means for non-invasive, dynamic tracking of cardiac vulnerability by simultaneous analysis of heart rate variability and T-wave alternans |
| CN101198277A (zh) * | 2005-02-22 | 2008-06-11 | 海尔思-斯玛特有限公司 | 用于生理学和心理生理学监控的方法和系统及其应用 |
| CN108430327A (zh) * | 2015-10-07 | 2018-08-21 | 普莱柯迪尔公司 | 用于产生指示心脏状况的信息的方法和设备 |
| CN106096535A (zh) * | 2016-06-07 | 2016-11-09 | 广东顺德中山大学卡内基梅隆大学国际联合研究院 | 一种基于双线性联合cnn的人脸验证方法 |
| CN107871126A (zh) * | 2017-11-22 | 2018-04-03 | 西安翔迅科技有限责任公司 | 基于深层神经网络的车型识别方法和系统 |
| CN108830188A (zh) * | 2018-05-30 | 2018-11-16 | 西安理工大学 | 基于深度学习的车辆检测方法 |
| CN109157200A (zh) * | 2018-10-31 | 2019-01-08 | 安徽华米信息科技有限公司 | 噪声检测方法及装置 |
| CN109953755A (zh) * | 2019-03-15 | 2019-07-02 | 度特斯(大连)实业有限公司 | 一种心电向量数据特征的提取方法及装置 |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2021184804A1 (zh) * | 2020-03-17 | 2021-09-23 | 乐普（北京）医疗器械股份有限公司 | 一种光体积变化描记图法信号质量检测方法和装置 |
| CN113197582A (zh) * | 2021-04-27 | 2021-08-03 | 浙江大学 | 一种高通用性的心电数据压缩感知系统、终端和存储介质 |
| CN113197582B (zh) * | 2021-04-27 | 2022-03-25 | 浙江大学 | 一种高通用性的心电数据压缩感知系统、终端和存储介质 |
| CN115251951A (zh) * | 2022-08-02 | 2022-11-01 | 哈尔滨理工大学 | 基于fpga的癫痫脑电信号分类方法、实现方法及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110378319A (zh) | 一种信号的检测方法、装置、计算机设备和存储介质 | |
| JP2019520600A (ja) | ニューラルネットワークを使用した周波数ベースのオーディオ分析 | |
| Mak et al. | Ship as a wave buoy: Estimating relative wave direction from in-service ship motion measurements using machine learning | |
| US20050177314A1 (en) | System and method for signal matching and characterization | |
| US20030007690A1 (en) | System and method for image pattern matching using a unified signal transform | |
| Miao et al. | Underwater acoustic signal classification based on sparse time–frequency representation and deep learning | |
| JP2008146353A (ja) | 観測対象の異常を検出する技術 | |
| US20120078814A1 (en) | System and method for forecasting realized volatility via wavelets and non-linear dynamics | |
| Haynes et al. | Efficient penalty search for multiple changepoint problems | |
| WO2019220620A1 (ja) | 異常検出装置、異常検出方法及びプログラム | |
| Chai et al. | Forecasting business cycle with chaotic time series based on neural network with weighted fuzzy membership functions | |
| US20230316720A1 (en) | Anomaly detection apparatus, anomaly detection method, and program | |
| Belaire-Franch et al. | Recurrence plots in nonlinear time series analysis: free software | |
| Scholz et al. | Parameter-free resolution of the superposition of stochastic signals | |
| Nam et al. | The uncertainty of storm season changes: quantifying the uncertainty of autocovariance changepoints | |
| Leira | A comparison of stochastic process models for definition of design contours | |
| CN114259255A (zh) | 一种基于频域信号与时域信号的模态融合胎心率分类方法 | |
| CN116879910B (zh) | 激光扫描测距装置及其方法 | |
| Leong et al. | Control variates for efficient long-term extreme analysis of mooring lines | |
| Pasanen et al. | Scale space multiresolution correlation analysis for time series data | |
| CN107894837A (zh) | 动态情感分析模型样本处理方法及装置 | |
| Chen et al. | A texture-based rolling bearing fault diagnosis scheme using adaptive optimal kernel time frequency representation and uniform local binary patterns | |
| Lampert et al. | An active contour algorithm for spectrogram track detection | |
| CN113688655B (zh) | 干扰信号的识别方法、装置、计算机设备和存储介质 | |
| Kofoed et al. | Determining mean annual energy production |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191025 |
|
| RJ01 | Rejection of invention patent application after publication |