CN110931125A - 用于脑卒中的判别信号识别方法及装置 - Google Patents
用于脑卒中的判别信号识别方法及装置 Download PDFInfo
- Publication number
- CN110931125A CN110931125A CN201911271873.5A CN201911271873A CN110931125A CN 110931125 A CN110931125 A CN 110931125A CN 201911271873 A CN201911271873 A CN 201911271873A CN 110931125 A CN110931125 A CN 110931125A
- Authority
- CN
- China
- Prior art keywords
- signal
- classification
- classification result
- user
- hemiplegia
- 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
- 208000006011 Stroke Diseases 0.000 title claims abstract description 56
- 238000000034 method Methods 0.000 title claims abstract description 45
- 206010008190 Cerebrovascular accident Diseases 0.000 title claims abstract description 18
- 230000002490 cerebral effect Effects 0.000 title claims abstract description 18
- 206010019468 Hemiplegia Diseases 0.000 claims description 65
- 238000012545 processing Methods 0.000 claims description 35
- 238000012549 training Methods 0.000 claims description 23
- 238000001914 filtration Methods 0.000 claims description 15
- 230000004927 fusion Effects 0.000 claims description 10
- 238000013145 classification model Methods 0.000 claims description 8
- 208000024891 symptom Diseases 0.000 abstract description 8
- 208000023516 stroke disease Diseases 0.000 abstract description 6
- 230000000694 effects Effects 0.000 abstract description 4
- 230000006870 function Effects 0.000 description 13
- 238000010586 diagram Methods 0.000 description 10
- 238000004590 computer program Methods 0.000 description 7
- 238000003062 neural network model Methods 0.000 description 7
- 238000012216 screening Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 5
- 230000036772 blood pressure Effects 0.000 description 4
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 4
- 201000010099 disease Diseases 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000011282 treatment Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000002800 charge carrier Substances 0.000 description 1
- 238000013399 early diagnosis Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 208000002040 neurosyphilis Diseases 0.000 description 1
- 230000000474 nursing effect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011369 optimal treatment Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 230000002087 whitening effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
- A61B5/0205—Simultaneously evaluating both cardiovascular conditions and different types of body conditions, e.g. heart and respiratory condition
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/40—Detecting, measuring or recording for evaluating the nervous system
- A61B5/4058—Detecting, measuring or recording for evaluating the nervous system for evaluating the central nervous system
- A61B5/4064—Evaluating the brain
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/725—Details of waveform analysis using specific filters therefor, e.g. Kalman or adaptive filters
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
- A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
- A61B5/021—Measuring pressure in heart or blood vessels
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
- A61B5/024—Detecting, measuring or recording pulse rate or heart rate
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
- A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
-
- 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
- G06F2218/12—Classification; Matching
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- Pathology (AREA)
- General Health & Medical Sciences (AREA)
- Physiology (AREA)
- Physics & Mathematics (AREA)
- Animal Behavior & Ethology (AREA)
- Heart & Thoracic Surgery (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Artificial Intelligence (AREA)
- Veterinary Medicine (AREA)
- Biophysics (AREA)
- Neurology (AREA)
- Signal Processing (AREA)
- Psychiatry (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Cardiology (AREA)
- Pulmonology (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Psychology (AREA)
- Neurosurgery (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本申请公开了一种用于脑卒中的判别信号识别方法及装置、电子设备及可读存储介质。该方法包括：采集用户的信号数据，所述信号数据包括至少一个用于诊断脑卒中的判别信号；将所述用户的信号数据输入第一网络模型进行分类，以得到第一信号分类结果；将所述第一信号分类结果与预设信号数据库进行比较，以得到未确定判别信号；将所述第一信号分类结果中的未确定判别信号输入第二网络模型进行判断，以得到第二信号分类结果。本申请解决了相关技术中由于缺少对于脑卒中早期症状的预警导致无法辅助医生尽早诊断和治疗脑卒中疾病的技术问题。通过本申请，达到了对脑卒中早期症状进行预警的目的，从而实现了辅助医生尽早诊断和治疗脑卒中疾病的技术效果。
Description
技术领域
本申请涉及辅助医疗技术领域，具体而言，涉及一种用于脑卒中的判别信号识别方法及装置、电子设备及可读存储介质。
背景技术
随着人们生活水平的提高，脑卒中逐步从老年常见疾病发展成为中年、老年人群的常见疾病，发病率也不断提高，且国内脑卒中发病概率显著高于世界平均水平，尤其贫困地区最为明显。
现有的用于脑卒中医疗设备都针对脑卒中发作后的辅助训练或护理，但这并不能从根本上帮助患者。鉴于脑卒中一年内的复发概率高达10％，一种尽早发现、尽快治疗的方案才可以尽可能降低脑卒中患者的身体损伤，并在4小时的最佳治疗期内进行治疗，从而提高患者的病后存活概率，提高病后生活质量。脑卒中的一个主要早期征兆便是局部或全身瘫痪，因此，尽早识别偏瘫对于脑卒中尽快就医具有至关重要的作用。
针对相关技术中由于缺少对于脑卒中早期症状的预警导致无法辅助医生尽早诊断和治疗脑卒中疾病的问题，目前尚未提出有效的解决方案。
发明内容
本申请的主要目的在于提供一种用于脑卒中的判别信号识别方法及装置、电子设备及可读存储介质，以解决相关技术中由于缺少对于脑卒中早期症状的预警导致无法尽早诊断脑卒中疾病的问题。
为了实现上述目的，根据本申请的第一方面，提供了一种用于脑卒中的判别信号识别方法。
根据本申请的用于脑卒中的判别信号识别方法包括：采集用户的信号数据，所述信号数据包括至少一个用于诊断脑卒中的判别信号；将所述用户的信号数据输入第一网络模型进行分类，以得到第一信号分类结果，其中所述第一信号分类结果是指用于区分所述判别信号是属于偏瘫或者非偏瘫的信号分类处理结果；将所述第一信号分类结果与预设信号数据库进行比较，以得到未确定判别信号；将所述第一信号分类结果中的未确定判别信号输入第二网络模型进行判断，以得到第二信号分类结果，其中所述第二信号分类结果是指对所述未确定判别信号的信号分类处理结果。
进一步地，所述采集用户的信号数据包括：通过至少一个传感器采集用户的原始信号，其中每个所述传感器分别采集多组原始信号；将所述用户的原始信号进行滤波；将每个所述传感器的所述多组原始信号分别进行融合；将滤波后得到的原始信号与融合后得到的原始信号拼接，以得到所述用户的信号数据。
进一步地，所述将所述用户的信号数据输入第一网络模型进行分类，以得到第一信号分类结果包括：将已标注的用户信号划分为多分类信号数据，所述多分类信号数据包括非偏瘫信号数据；将所述非偏瘫信号数据输入预设多分类模型进行训练并利用损失函数修正训练结果，以得到所述第一网络模型。
进一步地，所述将所述第一信号分类结果与预设信号数据库进行比较，以得到未确定判别信号包括：将所述第一信号分类结果与所述预设信号数据库进行匹配，以判断所述第一信号分类结果中的信号在所述预设信号数据库中是否存在，其中所述预设信号数据库用于存储错误信号和/或复杂偏瘫信号；如果存在，则根据所述预设信号数据库确定所述信号是否为所述偏瘫信号或所述非偏瘫信号。
进一步地，所述将所述第一信号分类结果与所述预设信号数据库进行匹配，以判断所述第一信号分类结果中的信号在所述预设信号数据库中是否存在之后包括：如果所述第一信号分类结果中的信号在所述预设信号数据库中不存在，则确定所述第一信号分类结果中的信号为未确定信号；将所述未确定信号输入所述第二网络模型，以判断所述未确定信号是否为所述偏瘫信号或所述非偏瘫信号。
为了实现上述目的，根据本申请的第二方面，提供了一种用于脑卒中的判别信号识别装置。
根据本申请的用于脑卒中的判别信号装置包括：采集模块，用于采集用户的信号数据，所述信号数据包括至少一个用于诊断脑卒中的判别信号；第一分类模块，用于将所述用户的信号数据输入第一网络模型进行分类，以得到第一信号分类结果，其中所述第一信号分类结果是指用于区分所述判别信号是属于偏瘫或者非偏瘫的信号分类处理结果；比较模块，用于将所述第一信号分类结果与预设信号数据库进行比较，以得到未确定判别信号；第二分类模块，用于将所述第一信号分类结果中的未确定判别信号输入第二网络模型进行判断，以得到第二信号分类结果，其中所述第二信号分类结果是指对所述未确定判别信号的信号分类处理结果。
进一步地，所述采集模块包括：采集单元，用于通过至少一个传感器采集用户的原始信号，其中每个所述传感器分别采集多组原始信号；滤波单元，用于将所述用户的原始信号进行滤波；融合单元，用于将每个所述传感器的所述多组原始信号分别进行融合；拼接单元，用于将滤波后得到的原始信号与融合后得到的原始信号拼接，以得到所述用户的信号数据。
进一步地，所述第一分类模块包括：划分单元，用于将已标注的用户信号划分为多分类信号数据，所述多分类信号数据包括非偏瘫信号数据；训练单元，用于将所述非偏瘫信号数据输入预设多分类模型进行训练并利用损失函数修正训练结果，以得到所述第一网络模型。
为了实现上述目的，根据本申请的第三方面，提供了一种电子设备，包括：一个或多个处理器；存储装置，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时，使得所述一个或多个处理器实现如前所述的方法。
为了实现上述目的，根据本申请的第四方面，提供了一种非暂态可读存储介质，其上存储有计算机指令，所述指令被处理器执行时实现如前所述方法的步骤。
在本申请实施例中，采用采集用户的信号数据，所述信号数据包括至少一个用于诊断脑卒中的判别信号；将所述用户的信号数据输入第一网络模型进行分类，以得到第一信号分类结果，其中所述第一信号分类结果是指用于区分所述判别信号是属于偏瘫或者非偏瘫的信号分类处理结果；将所述第一信号分类结果与预设信号数据库进行比较，以得到未确定判别信号的方式，通过将所述第一信号分类结果中的未确定判别信号输入第二网络模型进行判断，以得到第二信号分类结果，其中所述第二信号分类结果是指对所述未确定判别信号的信号分类处理结果，达到了对脑卒中早期症状进行预警的目的，从而实现了辅助医生尽早诊断和治疗脑卒中疾病的技术效果，进而解决了相关技术中由于缺少对于脑卒中早期症状的预警导致无法辅助医生尽早诊断和治疗脑卒中疾病的技术问题。
附图说明
构成本申请的一部分的附图用来提供对本申请的进一步理解，使得本申请的其它特征、目的和优点变得更明显。本申请的示意性实施例附图及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1是根据本申请第一实施例的用于脑卒中的判别信号识别方法的流程示意图；
图2是根据本申请第二实施例的用于脑卒中的判别信号识别方法的流程示意图；
图3是根据本申请第三实施例的用于脑卒中的判别信号识别方法的流程示意图；
图4是根据本申请第四实施例的用于脑卒中的判别信号识别方法的流程示意图；
图5是根据本申请第五实施例的用于脑卒中的判别信号识别方法的流程示意图；
图6是根据本申请实施例的用于脑卒中的判别信号识别装置的组成结构示意图以及
图7是根据本申请实施例的电子设备的组成结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分的实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本申请保护的范围。
需要说明的是，本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
根据本发明实施例，提供了一种用于脑卒中的判别信号识别方法，如图1所示，该方法包括如下的步骤S101至步骤S104：
步骤S101，采集用户的信号数据，所述信号数据包括至少一个用于诊断脑卒中的判别信号。
具体实施时，首先需要通过可穿戴设备采集用户的原始信号，可穿戴设备中包括但不限于：6轴或9轴惯性运动传感器(IMU)、心跳传感器、心电传感器、血压传感器，可将其中一个或多个传感器进行组合，将分别采集到的运动信号、心跳信号、心电信号以及血压信号等进行预处理后得到用户的信号数据，作为后续模型的输入。
步骤S102，将所述用户的信号数据输入第一网络模型进行分类，以得到第一信号分类结果，其中所述第一信号分类结果是指用于区分所述判别信号是属于偏瘫或者非偏瘫的信号分类处理结果。
具体实施时，将上述采集到的用户信号数据进行信号滤波和信号融合、拼接等预处理操作后可以得到用户的信号数据，将用户的信号数据输入到预先训练好的第一神经网络模型中进行信号分类，以初步筛选得到用户信号数据中的偏瘫信号或者非偏瘫信号的分类处理结果。鉴于脑卒中发病数据占总数据的比例极低，因此本申请实施例中的第一神经网络模型是先利用正常数据训练模型，再利用少量发病数据辅助调整得到的信号分类模型。
步骤S103，将所述第一信号分类结果与预设信号数据库进行比较，以得到未确定判别信号。
具体实施时，预先构建信号数据库，用于将实际使用中遇到的错误信号或复杂困难的偏瘫信号进行分析，保存到数据库中。通过将第一信号分类结果与预设信号数据库进行比较，若遇到与信号数据库中数据匹配的信号，则可以直接判定该信号是否为偏瘫信号还是非偏瘫信号，如果通过比较后无法确定，则得到未确定的判别信号。为了保证识别准确率，预判阶段要求识别为偏瘫或非偏瘫的准确率接近100％。
步骤S104，将所述第一信号分类结果中的未确定判别信号输入第二网络模型进行判断，以得到第二信号分类结果，其中所述第二信号分类结果是指对所述未确定判别信号的信号分类处理结果。
具体实施时，在通过上述初筛和预判过程得到的仍未确定的判别信号，需要输入第二神经网络模型中进行终判，以得到未确定判别信号的信号分类处理结果。上述第二神经网络模型可以通过训练最后的二类分类器来得到。通过上述对采集到的用户信号数据进行初筛、预判和终判的过程，实现了对用户的信号的精准分类，准确识别脑卒中的早期症状信号，进而为辅助医生尽早诊断和治疗脑卒中疾病提供了基础。
作为本申请实施例的一种优选实施方式，如图2所示，所述采集用户的信号数据包括如下的步骤S201至步骤S204：
步骤S201，通过至少一个传感器采集用户的原始信号，其中每个所述传感器分别采集多组原始信号。
具体实施时，在进行用户信号数据的采集，可以通过可穿戴设备中的一个或多个传感器对用户进行原始信号的采集，所述传感器的类型可以包括6轴或9轴惯性运动传感器(IMU)、心跳传感器、心电传感器、血压传感器，用以分别采集用户的运动信号、心跳信号、心电信号以及血压信号。至于采用何种类型的传感器或者传感器的组合本领域技术人员可以根据实际情况灵活调整，在此不做具体限定。此外，需要针对每个传感器分别采集多组原始信号，例如如果采用心跳传感器和心电传感器分别进行心跳信号和心电信号的采集，则要要分别获取多组心跳信号和多组心电信号，以提高信号采集的稳定性和可靠性。
步骤S202，将所述用户的原始信号进行滤波。
具体实施时，在得到上述用户的原始信号后，需要对每个原始信号si进行滤波处理，以得到滤波后的信号|s|i，具体地，可以按照如下公式进行：
其中，k代表原始信号的数量。
步骤S203，将每个所述传感器的所述多组原始信号分别进行融合。
具体实施时，在将所有的原始信号进行滤波处理后，需要将每个传感器对应的多组原始信号在传感器维度分别进行融合处理，以得到融合后的信号ri，具体地，可以按照如下公式进行：
步骤S204，将滤波后得到的原始信号与融合后得到的原始信号拼接，以得到所述用户的信号数据。
具体实施时，将上述得到的滤波后的信号|s|i和融合后的信号ri进行拼接，同时进行ZCA白化处理，以降低输入的冗余性，进而得到最终的用户信号数据，作为后续模型的输入。
[u,s,V]＝svd(∑)
作为本申请实施例的一种优选实施方式，如图3所示，所述将所述用户的信号数据输入第一网络模型进行分类，以得到第一信号分类结果包括如下的步骤S301至步骤S302：
步骤S301，将已标注的用户信号划分为多分类信号数据，所述多分类信号数据包括非偏瘫信号数据。
具体实施时，在训练第一神经网络模型时，首先需要获取已标注的海量的用户信号数据，鉴于脑卒中发病数据占总数据的比例极低，本申请实施例首先利用正常数据即非偏瘫信号数据训练模型，同时利用少量发病数据即偏瘫信号数据辅助，从而实现偏瘫判别信号的初筛。对于输入的用户信号数据X，可以将其分为K+1类，得到多分类信号数据，其中前K类为正常信号数据，第K+1类为偏瘫信号数据。
步骤S302，将所述非偏瘫信号数据输入预设多分类模型进行训练并利用损失函数修正训练结果，以得到所述第一网络模型。
具体实施时，将上述得到的多分类信号数据输入到预设多分类模型中进行训练，并计算softmax，具体采用如下公式：
之后，利用通过loss损失函数训练网络，loss可以包括如下两部分：
最终loss为：
训练后，在验证集上选择合适的阈值T1，使得初筛的召回率接近100％，进而得到最终的第一网络模型。上述公式为本领域训练神经网络模型所采用的公知形式，在此不做具体阐述。
作为本申请实施例的一种优选实施方式，如图4所示，所述将所述第一信号分类结果与预设信号数据库进行比较，以得到未确定判别信号包括如下的步骤S401至步骤S402：
步骤S401，将所述第一信号分类结果与所述预设信号数据库进行匹配，以判断所述第一信号分类结果中的信号在所述预设信号数据库中是否存在，其中所述预设信号数据库用于存储错误信号和/或复杂偏瘫信号。
具体实施时，为了剔除上述初筛后明显不是偏瘫或明显是偏瘫的信号，需要事先建立专家信号判别数据库，将实际使用中遇到的错误信号或复杂困难的偏瘫信号进行分析，保存到数据库中。通过将第一信号分类结果与上述预设信号数据库进行匹配，以判断在该预设信号数据库中是否存在与之相匹配的信号。
步骤S402，如果存在，则根据所述预设信号数据库确定所述信号是否为所述偏瘫信号或所述非偏瘫信号。
具体实施时，如果在专家数据库中存在与之相匹配的信号，则直接判定该信号为偏瘫信号或者为非偏瘫信号。为了保证识别准确率，在该阶段要求识别为偏瘫或非偏瘫信号的准确率接近100％。
作为本申请实施例的一种优选实施方式，如图5所示，所述将所述第一信号分类结果与所述预设信号数据库进行匹配，以判断所述第一信号分类结果中的信号在所述预设信号数据库中是否存在之后包括如下的步骤S501至步骤S502：
步骤S501，如果所述第一信号分类结果中的信号在所述预设信号数据库中不存在，则确定所述第一信号分类结果中的信号为未确定信号。
具体实施时，如果第一信号分类结果中的信号在上述预设信号数据库中不存在，则将该信号确定为未确定信号，即暂时无法确定该信号是否为偏瘫信号或者非偏瘫信号。
步骤S502，将所述未确定信号输入所述第二网络模型，以判断所述未确定信号是否为所述偏瘫信号或所述非偏瘫信号。
具体实施时，为了进行最后的偏瘫信号识别，需要训练最后的二类分类器，其输入为预判阶段仍未确定是否为偏瘫的信号即上述未确定信号。将上述的未确定信号输入到事先训练好的二分类网络模型中进行终判，以输出该未确定信号是否为偏瘫信号或非偏瘫信号的分类结果。
通过输入未确定信号数据X，训练神经网络，并采用如下公式进行softmax计算：
之后，利用如下的loss损失函数修正网络模型：
上述公式为本领域训练神经网络模型所采用的公知形式，在此不做具体阐述。
从以上的描述中，可以看出，本发明实现了如下技术效果：采用采集用户的信号数据，所述信号数据包括至少一个用于诊断脑卒中的判别信号；将所述用户的信号数据输入第一网络模型进行分类，以得到第一信号分类结果；将所述第一信号分类结果与预设信号数据库进行比较，以得到未确定判别信号的方式，通过将所述第一信号分类结果中的未确定判别信号输入第二网络模型进行判断，以得到第二信号分类结果，达到了对脑卒中早期症状进行识别和预警的目的，从而实现了辅助医生尽早诊断和治疗脑卒中疾病的技术效果。
需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
根据本发明实施例，还提供了一种用于实施上述用于脑卒中的判别信号识别方法的装置，如图6所示，该装置包括：采集模块1、第一分类模块2、比较模块3和第二分类模块4。本申请实施例的采集模块1，用于采集用户的信号数据，所述信号数据包括至少一个用于诊断脑卒中的判别信号；本申请实施例的第一分类模块2，用于将所述用户的信号数据输入第一网络模型进行分类，以得到第一信号分类结果，其中所述第一信号分类结果是指用于区分所述判别信号是属于偏瘫或者非偏瘫的信号分类处理结果；本申请实施例的比较模块3，用于将所述第一信号分类结果与预设信号数据库进行比较，以得到未确定判别信号；本申请实施例的第二分类模块4，用于将所述第一信号分类结果中的未确定判别信号输入第二网络模型进行判断，以得到第二信号分类结果，其中所述第二信号分类结果是指对所述未确定判别信号的信号分类处理结果。
作为本申请实施例的一种优选实施方式，所述采集模块包括：采集单元，用于通过至少一个传感器采集用户的原始信号，其中每个所述传感器分别采集多组原始信号；滤波单元，用于将所述用户的原始信号进行滤波；融合单元，用于将每个所述传感器的所述多组原始信号分别进行融合；拼接单元，用于将滤波后得到的原始信号与融合后得到的原始信号拼接，以得到所述用户的信号数据。
作为本申请实施例的一种优选实施方式，所述第一分类模块包括：划分单元，用于将已标注的用户信号划分为多分类信号数据，所述多分类信号数据包括非偏瘫信号数据；训练单元，用于将所述非偏瘫信号数据输入预设多分类模型进行训练并利用损失函数修正训练结果，以得到所述第一网络模型。
作为本申请实施例的一种优选实施方式，所述比较模块包括：匹配单元，用于将所述第一信号分类结果与所述预设信号数据库进行匹配，以判断所述第一信号分类结果中的信号在所述预设信号数据库中是否存在，其中所述预设信号数据库用于存储错误信号和/或复杂偏瘫信号；第一确定单元，用于如果存在，则根据所述预设信号数据库确定所述信号是否为所述偏瘫信号或所述非偏瘫信号。
作为本申请实施例的一种优选实施方式，所述比较模块还包括：第二确定单元，用于如果所述第一信号分类结果中的信号在所述预设信号数据库中不存在，则确定所述第一信号分类结果中的信号为未确定信号；输入单元，用于将所述未确定信号输入所述第二网络模型，以判断所述未确定信号是否为所述偏瘫信号或所述非偏瘫信号。
上述各模块及各单元之间的具体连接关系及所发挥的功能请参照方法部分的具体描述，在此不做赘述。
根据本发明实施例，还提供了一种计算机设备，包括：一个或多个处理器；存储装置，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时，使得所述一个或多个处理器实现如前所述的方法。
根据本发明实施例，还提供了一种计算机可读存储介质，其上存储有计算机指令，所述指令被处理器执行时实现如前所述方法的步骤。
如图7所示，该电子设备包括一个或多个处理器31以及存储器32，图7中以一个处理器33为例。
控制单元还可以包括：输入装置33和输出装置34。
处理器31、存储器32、输入装置33和输出装置34可以通过总线或者其他方式连接，图7中以通过总线连接为例。
处理器31可以为中央处理器(Central Processing Unit，CPU)。处理器31还可以为其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等芯片，或者上述各类芯片的组合。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器32作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序、非暂态计算机可执行程序以及模块。处理器31通过运行存储在存储器32中的非暂态软件程序、指令以及模块，从而执行服务器的各种功能应用以及数据处理，即实现上述方法实施例的判别信号识别方法。
存储器32可以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、至少一个功能所需要的应用程序；存储数据区可存储根据服务器操作的处理装置的使用所创建的数据等。此外，存储器32可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施例中，存储器32可选包括相对于处理器31远程设置的存储器，这些远程存储器可以通过网络连接至网络连接装置。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。
输入装置33可接收输入的数字或字符信息，以及产生与服务器的处理装置的用户设置以及功能控制有关的键信号输入。输出装置34可包括显示屏等显示设备。
一个或者多个模块存储在存储器32中，当被一个或者多个处理器31执行时，执行如前所述的方法。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。计算机指令用于使所述计算机执行上述的判别信号识别方法。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
最后，本发明中应用了具体实施例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种用于脑卒中的判别信号识别方法，其特征在于，包括：
采集用户的信号数据，所述信号数据包括至少一个用于诊断脑卒中的判别信号；
将所述用户的信号数据输入第一网络模型进行分类，以得到第一信号分类结果，其中所述第一信号分类结果是指用于区分所述判别信号是属于偏瘫或者非偏瘫的信号分类处理结果；
将所述第一信号分类结果与预设信号数据库进行比较，以得到未确定判别信号；
将所述第一信号分类结果中的未确定判别信号输入第二网络模型进行判断，以得到第二信号分类结果，其中所述第二信号分类结果是指对所述未确定判别信号的信号分类处理结果。
2.根据权利要求1所述的用于脑卒中的判别信号识别方法，其特征在于，所述采集用户的信号数据包括：
通过至少一个传感器采集用户的原始信号，其中每个所述传感器分别采集多组原始信号；
将所述用户的原始信号进行滤波；
将每个所述传感器的所述多组原始信号分别进行融合；
将滤波后得到的原始信号与融合后得到的原始信号拼接，以得到所述用户的信号数据。
3.根据权利要求1所述的用于脑卒中的判别信号识别方法，其特征在于，所述将所述用户的信号数据输入第一网络模型进行分类，以得到第一信号分类结果包括：
将已标注的用户信号划分为多分类信号数据，所述多分类信号数据包括非偏瘫信号数据；
将所述非偏瘫信号数据输入预设多分类模型进行训练并利用损失函数修正训练结果，以得到所述第一网络模型。
4.根据权利要求1所述的用于脑卒中的判别信号识别方法，其特征在于，所述将所述第一信号分类结果与预设信号数据库进行比较，以得到未确定判别信号包括：
将所述第一信号分类结果与所述预设信号数据库进行匹配，以判断所述第一信号分类结果中的信号在所述预设信号数据库中是否存在，其中所述预设信号数据库用于存储错误信号和/或复杂偏瘫信号；
如果存在，则根据所述预设信号数据库确定所述信号是否为所述偏瘫信号或所述非偏瘫信号。
5.根据权利要求4所述的用于脑卒中的判别信号识别方法，其特征在于，所述将所述第一信号分类结果与所述预设信号数据库进行匹配，以判断所述第一信号分类结果中的信号在所述预设信号数据库中是否存在之后包括：
如果所述第一信号分类结果中的信号在所述预设信号数据库中不存在，则确定所述第一信号分类结果中的信号为未确定信号；
将所述未确定信号输入所述第二网络模型，以判断所述未确定信号是否为所述偏瘫信号或所述非偏瘫信号。
6.一种用于脑卒中的判别信号识别装置，其特征在于，包括：
采集模块，用于采集用户的信号数据，所述信号数据包括至少一个用于诊断脑卒中的判别信号；
第一分类模块，用于将所述用户的信号数据输入第一网络模型进行分类，以得到第一信号分类结果，其中所述第一信号分类结果是指用于区分所述判别信号是属于偏瘫或者非偏瘫的信号分类处理结果；
比较模块，用于将所述第一信号分类结果与预设信号数据库进行比较，以得到未确定判别信号；
第二分类模块，用于将所述第一信号分类结果中的未确定判别信号输入第二网络模型进行判断，以得到第二信号分类结果，其中所述第二信号分类结果是指对所述未确定判别信号的信号分类处理结果。
7.根据权利要求6所述的用于脑卒中的判别信号识别装置，其特征在于，所述采集模块包括：
采集单元，用于通过至少一个传感器采集用户的原始信号，其中每个所述传感器分别采集多组原始信号；
滤波单元，用于将所述用户的原始信号进行滤波；
融合单元，用于将每个所述传感器的所述多组原始信号分别进行融合；
拼接单元，用于将滤波后得到的原始信号与融合后得到的原始信号拼接，以得到所述用户的信号数据。
8.根据权利要求6所述的用于脑卒中的判别信号识别装置，其特征在于，所述第一分类模块包括：
划分单元，用于将已标注的用户信号划分为多分类信号数据，所述多分类信号数据包括非偏瘫信号数据；
训练单元，用于将所述非偏瘫信号数据输入预设多分类模型进行训练并利用损失函数修正训练结果，以得到所述第一网络模型。
9.一种电子设备，其特征在于，包括：
一个或多个处理器；
存储装置，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时，使得所述一个或多个处理器实现如权利要求1至5中任一项所述的方法。
10.一种非暂态可读存储介质，其特征在于，其上存储有计算机指令，所述指令被处理器执行时实现如权利要求1至5中任一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911271873.5A CN110931125A (zh) | 2019-12-11 | 2019-12-11 | 用于脑卒中的判别信号识别方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911271873.5A CN110931125A (zh) | 2019-12-11 | 2019-12-11 | 用于脑卒中的判别信号识别方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110931125A true CN110931125A (zh) | 2020-03-27 |
Family
ID=69860219
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911271873.5A Pending CN110931125A (zh) | 2019-12-11 | 2019-12-11 | 用于脑卒中的判别信号识别方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110931125A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111667916A (zh) * | 2020-06-09 | 2020-09-15 | 复旦大学 | 一种基于机器学习的临产宫缩判别系统 |
| CN115553730A (zh) * | 2022-10-10 | 2023-01-03 | 强联智创（北京）科技有限公司 | 对缺血性脑卒中的预后效果进行预测的方法和相关产品 |
| JP7493293B1 (ja) | 2024-03-13 | 2024-05-31 | 株式会社カルディオインテリジェンス | 心電図解析のための支援装置、支援システム、およびプログラム |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106570179A (zh) * | 2016-11-10 | 2017-04-19 | 中国科学院信息工程研究所 | 一种面向评价性文本的核心实体识别方法及装置 |
| CN107863152A (zh) * | 2017-11-08 | 2018-03-30 | 杨昆蓉 | 脑卒中预警系统及方法 |
| CN108335749A (zh) * | 2018-01-26 | 2018-07-27 | 首都师范大学 | 抑郁症数据分析方法及装置 |
| CN109510815A (zh) * | 2018-10-19 | 2019-03-22 | 杭州安恒信息技术股份有限公司 | 一种基于有监督学习的多级钓鱼网站检测方法及检测系统 |
| CN109522302A (zh) * | 2018-11-09 | 2019-03-26 | 南京医渡云医学技术有限公司 | 医疗数据处理方法、装置、电子设备及计算机可读介质 |
| CN109859836A (zh) * | 2019-01-15 | 2019-06-07 | 上海鹰瞳医疗科技有限公司 | 医疗图像识别方法和设备 |
| CN110353725A (zh) * | 2019-07-10 | 2019-10-22 | 东南大学 | 一种基于云架构的心音采集与分析系统及方法 |
-
2019
- 2019-12-11 CN CN201911271873.5A patent/CN110931125A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106570179A (zh) * | 2016-11-10 | 2017-04-19 | 中国科学院信息工程研究所 | 一种面向评价性文本的核心实体识别方法及装置 |
| CN107863152A (zh) * | 2017-11-08 | 2018-03-30 | 杨昆蓉 | 脑卒中预警系统及方法 |
| CN108335749A (zh) * | 2018-01-26 | 2018-07-27 | 首都师范大学 | 抑郁症数据分析方法及装置 |
| CN109510815A (zh) * | 2018-10-19 | 2019-03-22 | 杭州安恒信息技术股份有限公司 | 一种基于有监督学习的多级钓鱼网站检测方法及检测系统 |
| CN109522302A (zh) * | 2018-11-09 | 2019-03-26 | 南京医渡云医学技术有限公司 | 医疗数据处理方法、装置、电子设备及计算机可读介质 |
| CN109859836A (zh) * | 2019-01-15 | 2019-06-07 | 上海鹰瞳医疗科技有限公司 | 医疗图像识别方法和设备 |
| CN110353725A (zh) * | 2019-07-10 | 2019-10-22 | 东南大学 | 一种基于云架构的心音采集与分析系统及方法 |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111667916A (zh) * | 2020-06-09 | 2020-09-15 | 复旦大学 | 一种基于机器学习的临产宫缩判别系统 |
| CN115553730A (zh) * | 2022-10-10 | 2023-01-03 | 强联智创（北京）科技有限公司 | 对缺血性脑卒中的预后效果进行预测的方法和相关产品 |
| CN115553730B (zh) * | 2022-10-10 | 2024-05-28 | 强联智创（北京）科技有限公司 | 对缺血性脑卒中的预后效果进行预测的方法和相关产品 |
| JP7493293B1 (ja) | 2024-03-13 | 2024-05-31 | 株式会社カルディオインテリジェンス | 心電図解析のための支援装置、支援システム、およびプログラム |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110909780B (zh) | 一种图像识别模型训练和图像识别方法、装置及系统 | |
| WO2021174618A1 (zh) | 一种脑电图模式分类模型的训练方法、分类方法及系统 | |
| CN109993093B (zh) | 基于面部和呼吸特征的路怒监测方法、系统、设备及介质 | |
| CN110931125A (zh) | 用于脑卒中的判别信号识别方法及装置 | |
| CN109497990B (zh) | 一种基于典型相关分析的心电信号身份识别方法及系统 | |
| CN105559802A (zh) | 一种基于注意和情感信息融合的抑郁症诊断系统及方法 | |
| CN107095669A (zh) | 一种癫痫患者脑电信号的处理方法及系统 | |
| WO2019040675A1 (en) | SYSTEM AND METHOD FOR ANALYZING RACE DATA USING TELEMETRY DATA AND DETECTION SENSOR DATA | |
| Ghislieri et al. | Long short-term memory (LSTM) recurrent neural network for muscle activity detection | |
| El_Rahman | Multimodal biometric systems based on different fusion levels of ECG and fingerprint using different classifiers | |
| Huang et al. | Automatic epileptic seizure detection via attention-based CNN-BiRNN | |
| CN115329818A (zh) | 基于vr的多模态融合注意力评估方法、系统及存储介质 | |
| CN109858366A (zh) | 身份认证方法及装置 | |
| Abibullaev et al. | A brute-force CNN model selection for accurate classification of sensorimotor rhythms in BCIs | |
| Zhang et al. | Identifying diabetic macular edema and other retinal diseases by optical coherence tomography image and multiscale deep learning | |
| CN110123280B (zh) | 一种基于智能移动终端操作行为识别的手指灵活度检测模型的构建方法 | |
| Balnarsaiah et al. | Parkinson’s disease detection using modified ResNeXt deep learning model from brain MRI images | |
| Umirzakova et al. | Deep learning-driven diagnosis: A multi-task approach for segmenting stroke and Bell's palsy | |
| CN111914724B (zh) | 基于滑动窗口分割的连续中国手语识别方法及其系统 | |
| Wang et al. | A multimodal fusion depression recognition assisted decision-making system based on EEG and speech signals | |
| CN112132782B (zh) | 一种基于深度神经网络对dme分型进行处理的方法和终端 | |
| Anju et al. | Recent survey on Parkinson disease diagnose using deep learning mechanism | |
| CN114748072A (zh) | 一种基于脑电的抑郁症辅助诊断的信息分析及康复训练系统及方法 | |
| CN111870253A (zh) | 基于视觉和语音融合技术的抽动障碍症病情监测方法及其系统 | |
| Zeng et al. | A gamified assessment platform for predicting the risk of dementia+ Parkinson's disease (DPD) co-morbidity |
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: 20200327 |
|
| RJ01 | Rejection of invention patent application after publication |