CN111291673A - 一种预测时序信号分类的方法、装置、服务器及存储介质 - Google Patents
一种预测时序信号分类的方法、装置、服务器及存储介质 Download PDFInfo
- Publication number
- CN111291673A CN111291673A CN202010079757.XA CN202010079757A CN111291673A CN 111291673 A CN111291673 A CN 111291673A CN 202010079757 A CN202010079757 A CN 202010079757A CN 111291673 A CN111291673 A CN 111291673A
- Authority
- CN
- China
- Prior art keywords
- signal sequence
- signal
- sequence
- time
- target
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Signal Processing (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请提供一种预测时序信号分类的方法、装置、服务器及存储介质,实时确定ECG设备输出的待预测分类的信号序列,信号序列的时长为预先设置的目标时长;基于利用训练集生成的标准化参数对信号序列进行标准化处理生成目标信号序列;将目标信号序列输入至预训练的时序信号预测分类模型得到目标信号序列所属的分类以及目标信号序列的异常信息;根据目标信号序列所属的分类以及目标信号序列的异常信息控制告警系统进行告警;时序信号预测分类模型基于卷积神经网络、长短期记忆网络和注意力机制模块构建且通过训练样本进行训练生成。基于该方法不仅可以提高对时序信号预测分类的效率、还可以提高对时序信号分类结果预测的准确性。
Description
技术领域
本发明涉及在线时序信号预测分类技术领域,更具体地说,涉及一种预测时序信号分类的方法、装置、服务器及存储介质。
背景技术
ECG是electrocardiogram的缩写,意思是心电图,指心脏在每个心动周期中,由起搏点、心房、心室相继兴奋,伴随着生物电的变化,通过心电描记器从体表引出多种形式的电位变化的图形。
ECG信号是时序信号,传统的预测时序信号的分类的方法主要是基于统计学方法的回归方法,如主成分分类法(PCA)、线性判别分类(LDA)、Softmax分类等。
这种传统的预测时序信号分类的方法不具备在线学习功能,当分类预测模型建立以后分类预测模型中参数就固定下来,如需要对新处理数据进行学习就必须重新训练分类预测模型,时序信号分类预测效率低;另外,传统的预测时序信号分类的方法主要适用于线性关系分类预测,对时序信号预测的分类结果不准确。
发明内容
有鉴于此,本申请实施例提供一种预测时序信号分类的方法、装置、服务器及存储介质,以提高对时序信号预测分类的效率、提高对时序信号分类结果预测的准确性。技术方案如下:
一种预测时序信号分类的方法,包括:
实时确定ECG设备输出的待预测分类的信号序列,所述信号序列的时长为预先设置的目标时长;
基于利用训练集生成的标准化参数对所述信号序列进行标准化处理生成目标信号序列;
将所述目标信号序列输入至预训练的时序信号预测分类模型得到所述目标信号序列所属的分类以及所述目标信号序列的异常信息;
根据所述目标信号序列所属的分类以及所述目标信号序列的异常信息控制告警系统进行告警;
其中,所述时序信号预测分类模型基于卷积神经网络、长短期记忆网络和注意力机制模块构建且通过训练样本进行训练生成;所述训练样本为利用所述标准化参数对所述训练集和验证集中的信号序列样本进行标准化处理生成,所述训练集中的信号序列样本和所述验证集中的信号序列样本的时长均为所述目标时长。
优选的,所述实时确定ECG设备输出的待预测分类的信号序列,包括:
依次将接收到的ECG设备输出的ECG信号中的每个ECG信号确定为一个第一ECG信号;
若当前已确定的各个第一ECG信号中存在接收时间与当前时间之间的时间间隔为所述目标时长的第二ECG信号,将所述ECG设备从输出所述第二ECG信号开始到输出当前接收到的ECG信号为止依次输出的各个ECG信号确定为一个信号序列。
优选的,所述基于利用训练集生成的标准化参数对所述信号序列进行标准化处理生成目标信号序列,包括:
确定训练集中各个信号序列样本的标准化参数,所述标准化参数包括平均值和标准差值;
根据所述平均值和标准差值对所述信号序列进行标准化处理生成目标信号序列。
优选的,还包括时序信号预测分类模型的训练过程,所述时序信号预测分类模型的训练过程包括:
确定训练集、验证集和测试集,其中,训练集中信号序列样的数量、验证集中信号序列样本的数量和测试集中信号序列样本的数量满足预设比例,所述测试集中信号序列样本的时长为所述目标时长;
基于利用训练集生成的标准化参数对所述训练集、验证集和测试集中的信号序列样本进行标准化处理得到目标信号序列样本;
将所述训练集和验证集的目标信号序列样本作为训练样本对待训练时序信号预测分类模型进行训练生成时序信号预测分类模型,所述待训练时序信号预测分类模型基于卷积神经网络、长短期记忆网络和注意力机制模块构建;
利用所述测试集中的目标信号序列样本对所生成的时序信号预测分类模型进行评价得到所述时序信号预测分类模型的评价指标。
优选的,所述利用所述测试集中的目标信号序列样本对所生成的时序信号预测分类模型进行评价得到所述时序信号预测分类模型的评价指标,包括:
将所述测试集中的目标信号序列样本输入至所述时序信号预测分类模型得到所述目标信号序列样本所属的分类;
比对所述测试集中目标信号序列样本携带的标准分类结果和所述时序信号预测分类模型预测的所述测试集中目标信号序列样本的分类结果得到所述测试集中目标信号序列样本的比对结果;
根据所述测试集中各个目标信号序列样本的比对结果计算所述时序信号预测分类模型的评价指标。
优选的,还包括:
根据所述评价指标确定所述时序信号预测分类模型的性能,所述评价指标包括准确率指标、特效度指标、精确率指标、召回率指标和综合评价指标中的任意一项或多项。
优选的,所述卷积神经网络包括:卷积层、批归一化层、激活层、池化层和丢弃层。
一种预测时序信号分类的装置,包括:
信号序列确定单元,用于实时确定ECG设备输出的待预测分类的信号序列,所述信号序列的时长为预先设置的目标时长;
目标信号序列生成单元,用于基于利用训练集生成的标准化参数对所述信号序列进行标准化处理生成目标信号序列;
预测单元,用于将所述目标信号序列输入至预训练的时序信号预测分类模型得到所述目标信号序列所属的分类以及所述目标信号序列的异常信息;
告警控制单元,用于根据所述目标信号序列所属的分类以及所述目标信号序列的异常信息控制告警系统进行告警;
其中,所述时序信号预测分类模型基于卷积神经网络、长短期记忆网络和注意力机制模块构建且通过训练样本进行训练生成;所述训练样本为利用所述标准化参数对所述训练集和验证集中的信号序列样本进行标准化处理生成,所述训练集中的信号序列样本和所述验证集中的信号序列样本的时长均为所述目标时长。
一种服务器,包括:至少一个存储器和至少一个处理器;所述存储器存储有程序,所述处理器调用所述存储器存储的程序,所述程序用于实现所述预测时序信号分类的方法。
一种计算机可读存储介质,用于存储实现所述预测时序信号分类的方法的程序。
本申请实施例提供的一种预测时序信号分类的方法、装置、服务器及存储介质,通过基于卷积神经网络、长短期记忆网络和注意力机制模块构建的时序信号预测分类模型可以提高对时序信号预测分类的效率、提高对时序信号分类结果预测的准确性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据提供的附图获得其他的附图。
图1为本申请实施例提供的一种预测时序信号分类的方法的示意图;
图2为本申请实施例提供的一种时序信号预测分类模型生成方法流程图;
图3为本申请实施例提供的一种时序信号预测分类模型生成方法示意图;
图4为本申请实施例提供的一种待训练时序信号预测分类模型的结构示意图;
图5为本申请实施例提供的一种基于待训练时序信号预测分模型的结构的时序信号预测分类模型生成方法示意图;
图6为本申请实施例提供的一种卷积神经网络的结构示意图;
图7为本申请实施例提供的一种利用测试集中的目标信号序列样本对所生成的时序信号预测分类模型进行评价得到时序信号预测分类模型的评价指标的方法流程图;
图8为本申请实施例提供的一种混淆矩阵示意图;
图9为本申请实施例提供额一种评价结果示意图;
图10为本申请实施例提供的一种预测时序信号分类的方法流程图;
图11为本申请实施例提供的一种ECG信号在线预测分类过程中注意力机制模块定位的目标信号序列中信号异常位置图;
图12为本申请实施例提供的一种预测时序信号分类的方法的示意图;
图13为本申请实施例提供的一种预测时序信号分类的装置的结构示意图;
图14为本申请实施例提供的一种预测时序信号分类的方法所适用于的服务器的硬件结构框图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明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发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,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,都属于本发明保护的范围。
实施例:
传统的预测时序信号分类的方法采用基于统计学方法的回归方法,这种方法不具备在线学习功能,当分类预测模型建立以后分类预测模型中参数就固定下来,如需要对新处理数据进行学习就必须重新训练分类预测模型,预测时序信号分类的效率低;另外,该传统的预测时序信号分类的方法主要适用于线性关系的时序信号分类预测,对时序信号预测的分类结果不准确。
本申请发明人通过研究发现,虽然可以采用基于机器学习方法的反向传播人工神经网络分类(BP-ANN)、支持向量机分类(SVM)、贝叶斯分类(Bayes)等对时序信号的预测分类具有良好的实用性,可以解决传统的回归方法预测时序信号分类时,导致的预测时序信号分类效率低、对时序信号预测的分类结果不准确的问题,但是其性能依赖在建模过程中需要有大量先验知识积累的特征工程,同时这类特征密切影响着预测分类的性能。
由此,本申请发明人通过研究进一步发现可以基于深度学习的卷积神经网络(CNN)、深度置信网络(DBN)、长短期记忆网络(LSTM)等模型预测时序信号的分类,深度学习对时序信号的预测分类具有良好的适用性,并且同时具备自动特征工程的能力。
其中,卷积神经网络预测分类模型具有短序列特征抽象能力,但是缺乏长序列的时间依赖性,导致在长序列的预测分类模型中泛化性能不强;长短期记忆网络预测分类模型具备一定的长序列数据信息提取能力,但是其对短序列的特征不具备抽象能力,随着输入序列变长,其泛化性能力也会逐渐下降。
由此,本申请发明人发现可以结合卷积神经网络和长短期记忆网络的预测分类模型可以很好的解决单个模型存在的不足。即,结合卷积神经网络和长短期记忆网络的预测分类模型既可以解决卷积神经网络预测分类模型的不足,又可以解决长短期记忆网络预测分类模型的不足。
但是,无论卷积神经网络预测分类模型,还是长短期记忆网络预测分类模型,还是结合卷积神经网络和长短期记忆网络的预测分类模型都不具有定位时序信号中异常信号位置的功能,使得模型的解释性较差。
有鉴于此,本申请实施例更进一步提供一种预测时序信号分类的方法、装置、服务器及存储介质,以在预测时序信号分类的过程中,在保证对短序列特征抽象能力的基础上,提高泛化性能和解释性能。
图1为本申请实施例提供的一种预测时序信号分类的方法的示意图。
如图1所示,本申请实施例提供的一种预测时序信号分类的方法主要是通过训练样本训练生成时序信号预测分类模型,以便于基于时序信号预测分类模型对ECG设备输出的信号序列进行分类预测得到信号序列所属的分类和信号序列的异常信息,进而基于信号序列所属的分类和异常信息控制告警系统进行告警。
为了便于对本申请实施例提供的一种预测时序信号分类的方法的理解,现先对时序信号预测分类模型的训练过程进行详细说明。
图2为本申请实施例提供的一种时序信号预测分类模型生成方法流程图,图3为本申请实施例提供的一种时序信号预测分类模型生成方法示意图。
结合图2-3可知,本申请实施例提供的一种时序信号预测分类模型生成方法包括:
S201、确定训练集、验证集和测试集,其中,训练集中信号序列样的数量、验证集中信号序列样本的数量和测试集中信号序列样本的数量满足预设比例,测试集中信号序列样本的时长为目标时长;
本申请实施例,可以采集历史数据集,历史数据集包括多个历史信号序列,每个历史信号序列的时长为目标时长,对历史信号序列进行类别标注,将标注类别后的历史信号序列作为一个信号序列样本。
本申请实施例中,目标时长可以为10秒、15秒等等,比如,在目标时长为10秒时,历史信号序列为时长为10秒的采用单通道的历史ECG信号序列。
历史数据集中包括携带“正常(N)”类别的信号序列样本、携带“左束支阻滞(L)”类别的信号序列样本、携带“右束支阻滞(R)”类别的信号序列样本以及携带“室性早搏(V)”类别的信号序列样本,将历史数据集中的各个信号序列样本按照8:1:1的比例划分为训练集、验证集和测试集。比如,若历史数据集中包括20000个信号序列样本,则训练集、验证集和测试集的信号序列样本的个数分别为16000个、2000个和2000个。
本申请实施例,对训练集进行标准化并保留标准化参数,标准化参数包括平均值和标准差值。比如,训练集中的各个信号序列样本为x1...xn,计算训练集中各个信号序列的平均值μ和标准差值σ。
S202、基于利用训练集生成的标准化参数对训练集、验证集和测试集中的信号序列样本进行标准化处理得到目标信号序列样本;
本申请实施例,利用平均值μ和标准差值σ对训练集中的每个信号序列样本进行标准化得到目标信号序列样本,利用平均值μ和标准差值σ对验证集中的每个信号序列样本进行标准化得到目标信号序列样本,利用平均值μ和标准差值σ对测试集中的信号序列样本进行标准化得到目标信号序列样本。
本申请实施例中标准化后的目标信号序列服从正态分布。
S203、将训练集和验证集的目标信号序列样本作为训练样本对待训练时序信号预测分类模型进行训练生成时序信号预测分类模型,待训练时序信号预测分类模型基于卷积神经网络、长短期记忆网络和注意力机制模块构建;
本申请实施例,待训练时序信号预测分类模型要求的输入数据的格式可以为1*3600*1,即数据宽、高和通道数分别为1、3600和1。相应的,在将训练集和验证集中的目标信号序列样本输入至待训练时序信号预测分类模型时,可以先对目标信号序列样本进行数据标准化(即,将目标信号序列样本转成待训练时序信号预测分类模型要求的输入数据的格式),在将进行数据标准化后的目标信号序列样本输入至待训练时序信号预测分类模型以对待训练时序信号预测分类模型进行训练生成时序信号预测分类模型。
其中,训练集中的各个目标时序信号样本用于模型拟合,验证集中的各个目标时序信号样本用于调整模型的超参数和用于对模型的能力进行初步评估。
参见图4本申请实施例提供的一种待训练时序信号预测分类模型的结构示意图,图5为本申请实施例提供的一种基于待训练时序信号预测分模型的结构的时序信号预测分类模型生成方法示意图。
结合图4-5可知,待训练时序信号预测分类模型至少基于卷积神经网络、长短期记忆网络和注意力机制模块构建,进一步的,待训练时序信号预测分类模型中还包括输入模块和分类模块。
如图6所示,卷积神经网络CNN包括卷积层、批归一化层、激活层、池化层和丢弃层。
作为一种实施例方式,结合图4-6可知可以将本申请上述实施例提供的标准化处理和数据标准化的过程认为是由待训练时序信号预测分类模型中的输入模块实现。
作为本申请实施例的另一种实施例方式,可以认为本申请上述实施例提供的标准化处理和数据标准化的过程是由独立于待训练时序信号预测分类模型的处理器实现,在此不做限定。
本申请实施例采用的批归一化层为Batch Normalization,其能解决在训练过程中,中间层数据分布发生改变的问题,以防止梯度消失或爆炸、加快训练速度。
本申请实施例激活层采用的激活函数可以为Leaky ReLU函数,其中对应计算公式为:
本申请实施例池化层采用的池化函数为平均池化函数。
本申请实施例可以采用一层包含50个隐藏单元的长短记忆网络。
本申请实施例采用一层注意力层,即注意力机制模块,其中注意力层的实现方式是一类自注意力模型,具体计算可以采用Softmax函数。
本申请实施例中分类模块采用的损失函数可以为交叉熵(Cross Entropy)。
进一步的,本申请实施例在训练生成时序信号预测分类模型时可以初始化设置的最大轮数(MaxEpochs),以通过最大轮数进行控制。比如,本申请实施例可以设置最大轮数为200,在训练完成200次后,可以确定训练完成并将此时训练得到的时序信号预测分类模型作为生成的时序信号预测分类模型。进一步的,还可以保持所生成的时序信号预测分类模型,以基于步骤S401评价所生成的时序信号预测分类模型的性能。
本申请实施例中,CLSTMA模型可以认为是时序信号预测分类模型,这里的时序信号预测分类模型可以认为是训练好的各层的权系数,基于此,在实时获取到信号序列后,对信号序列进行标准化处理生成目标信号序列后,可以将目标信号序列输入至时序信号预测分类模型得到对应的分类结果。
S204、利用测试集中的目标信号序列样本对所生成的时序信号预测分类模型进行评价得到时序信号预测分类模型的评价指标。
本申请实施例,可以根据上述标准化参数(平均值μ和标准差值σ)对测试集中的信号序列样本进行标准化处理得到目标信号序列样本,利用测试集中目标信号序列样本对所生成的时序信号预测分类模型进行评价得到所生成的时序信号预测分类模型的评价指标。这里使用训练集的标准化参数的目的是将测试集通过标准化参数映射,确保超出训练集范围的数据也能够得到较好的恢复,提高时序信号预测分类模型的泛化能力。
图7为本申请实施例提供的一种利用测试集中的目标信号序列样本对所生成的时序信号预测分类模型进行评价得到时序信号预测分类模型的评价指标的方法流程图。
如图7所示,该方法包括:
S701、将测试集中的目标信号序列样本输入至时序信号预测分类模型得到目标信号序列样本所属的分类;
本申请实施例,以本申请上述实施例提供的标准化处理和数据标准化的过程是由独立于待训练时序信号预测分类模型的处理器实现为例,针对测试集中的每个目标信号序列样本,可以将进行数据标准化处理的该目标信号序列样本输入至时序信号预测分类模型得到该目标信号序列样本所属的分类,比对该目标信号序列样本携带的标准分类结果和时序信号预测分类模型预测的该目标信号序列样本的分类结果得到该目标信号序列样本的比对结果;进而统计测试集中各个目标信号序列样本的比对结果,得到将测试集中正类预测成正类的个数TP,将测试集中负类预测成负类的个数TN,将测试集中正类预测成负类的个数FN,将测试集中负类预测成正类的个数FP。
其中,可以将正常认为是正类,将左束支阻滞(L)、右束支阻滞(R)、和室性早搏(V)均认为是负类。
S702、比对测试集中目标信号序列样本携带的标准分类结果和时序信号预测分类模型预测的测试集中目标信号序列样本的分类结果得到测试集中目标信号序列样本的比对结果;
S703、根据测试集中各个目标信号序列样本的比对结果计算时序信号预测分类模型的评价指标。
本申请实施例中的评价指标包括:准确率(Accuracy)、特效度(Specificity)、精确率(Precision)、召回率(Recall)和综合评价指标(F-Measure)。
本申请实施例中,对测试集中各个目标信号序列样本的比对结果进行统计可以得到混淆矩阵。比如,如图8所示的混淆矩阵,从该混淆矩阵中可以看出总体的分类准确率达到了95.2%,单个分类的分类准确率最低为92.6%。
更进一步的,本申请实施例还可以根据评价指标确定所生成的时序信号预测分类模型的性能,评价指标包括准确率指标、特效度指标、精确率指标、召回率指标和综合评价指标中的任意一项或多项。
比如,若根据准确率指标、特效度指标、精确率指标、召回率指标和综合评价指标对所生成的时序信号预测分类模型的性能进行评价所得到的评价结果如图9所示。参见图9示出的评价指标值,包括准确率、特效度、精确率、召回率和综合评价指标都在92%以上,因此,所得到的评价结果为时序信号预测分类模型具有良好的性能。
基于上述共性,现对本申请实施例提供的一种预测时序信号分类的方法进行详细说明。
图10为本申请实施例提供的一种预测时序信号分类的方法流程图。
如图10所示,该方法包括:
S1001、实时确定ECG设备输出的待预测分类的信号序列,信号序列的时长为预先设置的目标时长;
本申请实施例,实时确定ECG设备输出的待预测分类的信号序列,包括:依次将接收到的ECG设备输出的ECG信号中的每个ECG信号确定为一个第一ECG信号;若当前已确定的各个第一ECG信号中存在接收时间与当前时间之间的时间间隔为目标时长的第二ECG信号,将ECG设备从输出第二ECG信号开始到输出当前接收到的ECG信号为止依次输出的各个ECG信号确定为一个信号序列。
ECG设备在应用过程中会实时输出ECG信号,实时确定ECG设备输出的ECG信号构成的信号序列,信号序列的时长为预先设置的目标时长。比如,可以将ECG设备从输出第一个ECG信号开始到输出的第十个ECG信号为止,依次输出的各个ECG信号看成是一个信号序列;将ECG设备从输出第二个ECG信号开始到输出的第十一个ECG信号为止,依次输出的各个ECG信号看成是一个信号序列;ECG设备从输出第三个ECG信号开始到输出的第十三个ECG信号为止,依次输出的各个ECG信号看成是一个信号序列;ECG设备从输出第四个ECG信号开始到输出的第十四个ECG信号为止,依次输出的各个ECG信号看成是一个信号序列;ECG设备从输出第五个ECG信号开始到输出的第十五个ECG信号为止,依次输出的各个ECG信号看成是一个信号序列...需要说明的是,所看成的各个信号序列的时长为目标时长。
S1002、基于利用训练集生成的标准化参数对信号序列进行标准化处理生成目标信号序列;
本申请实施例,以本申请上述实施例提供的标准化处理和数据标准化的过程是由独立于待训练时序信号预测分类模型的处理器实现为例,可以根据上述实施例确定的标准化参数数对信号序列进行标准化处理得到目标信号序列,进而对目标信号序列进行数据标准化,并将进行数据标准化后的目标信号序列输入至预训练的时序信号预测分类模型得到该目标信号序列所属的分类以及该目标信号序列的异常信息。
S1003、将目标信号序列输入至预训练的时序信号预测分类模型得到目标信号序列所属的分类以及目标信号序列的异常信息;
本申请实施例中,由预测分类模型预测得到目标信号序列所属的分类可能为正常、左束支阻滞(L)、右束支阻滞(R)、和室性早搏(V)。
在目标信号序列不存在异常时,时序信号预测分类模型预测得到的该目标信号序列的异常信息表征该目标信号序列正常,即,表征该目标信号序列不存在异常;在目标信号序列存在异常时,时序信号预测分类模型预测得到的该目标信号序列的异常信息可以为该目标信号序列中异常信号的位置。
图11为ECG信号在线预测分类过程中注意力机制模块定位的目标信号序列中信号异常位置图,这里使用的注意力机制模块为自注意力方法。
S1004、根据目标信号序列所属的分类以及目标信号序列的异常信息控制告警系统进行告警。
本申请实施例中,时序信号预测分类模型基于卷积神经网络、长短期记忆网络和注意力机制模块构建且通过训练样本进行训练生成;训练样本为利用标准化参数对训练集和验证集中的信号序列样本进行标准化处理生成,训练集中的信号序列样本和验证集中的信号序列样本的时长均为目标时长。
时序信号预测分类模型预测得到目标信号序列所属的分类以及目标信号序列的异常信息后,可以根据目标信号序列所属的分类以及目标信号序列的异常信息控制告警信息进行告警。
目标信号序列所属的分类不同控制告警系统进行告警的方式不同,目标信号序列的异常信息不同控制告警系统进行告警的方式不同,通过告警系统的告警可以达到实时提醒用户的心电图的真实状态的目的。
参见图12为本申请实施例提供的一种预测时序信号分类的方法的示意图。进一步的,结合图12本申请实施例还可以将时序信号预测分类模型预测ECG设备输出的信号序列的结果上传到网络服务器,更进一步的,还可以通过网络服务器连接相关移动用户端,以通知相关移动用户端时序信号预测分类模型预测出ECG设备输出的信号序列的结果。
比如,在通过ECG设备对用户1进行心电图检测时,可以将时序信号分类模型对该ECG设备输出的信号序列进行预测的结果上传到网络服务器,以便于网络服务器连接与用户1相关的移动用户端,进而通知与用户1相关的移动用户端该时序信号分类模型对该ECG设备输出的信号序列进行预测的结果。
图13为本申请实施例提供的一种预测时序信号分类的装置的结构示意图,如图13所示,该装置包括:
信号序列确定单元131,用于实时确定ECG设备输出的待预测分类的信号序列,信号序列的时长为预先设置的目标时长;
目标信号序列生成单元132,用于基于利用训练集生成的标准化参数对信号序列进行标准化处理生成目标信号序列;
预测单元133,用于将目标信号序列输入至预训练的时序信号预测分类模型得到目标信号序列所属的分类以及目标信号序列的异常信息;
告警控制单元134,用于根据目标信号序列所属的分类以及目标信号序列的异常信息控制告警系统进行告警;
其中,时序信号预测分类模型基于卷积神经网络、长短期记忆网络和注意力机制模块构建且通过训练样本进行训练生成;训练样本为利用标准化参数对训练集和验证集中的信号序列样本进行标准化处理生成,训练集中的信号序列样本和验证集中的信号序列样本的时长均为目标时长。
本申请实施例中,信号序列确定单元包括:
第一确定单元,用于依次将接收到的ECG设备输出的ECG信号中的每个ECG信号确定为一个第一ECG信号;
第二确定单元,用于若当前已确定的各个第一ECG信号中存在接收时间与当前时间之间的时间间隔为目标时长的第二ECG信号,将ECG设备从输出第二ECG信号开始到输出当前接收到的ECG信号为止依次输出的各个ECG信号确定为一个信号序列。
本申请实施例中,优选的,目标信号序列生成单元,包括:
第三确定单元,用于确定训练集中各个信号序列样本的标准化参数,标准化参数包括平均值和标准差值;
目标信号序列生成子单元,用于根据平均值和标准差值对信号序列进行标准化处理生成目标信号序列。
本申请实施例提供的一种预测时序信号分类的装置还包括时序信号预测分类模型生成单元,该时序信号预测分类模型生成单元,包括:
第四确定单元,用于确定训练集、验证集和测试集,其中,训练集中信号序列样的数量、验证集中信号序列样本的数量和测试集中信号序列样本的数量满足预设比例,测试集中信号序列样本的时长为目标时长;
处理单元,用于基于利用训练集生成的标准化参数对训练集、验证集和测试集中的信号序列样本进行标准化处理得到目标信号序列样本;
训练单元,用于将训练集和验证集的目标信号序列样本作为训练样本对待训练时序信号预测分类模型进行训练生成时序信号预测分类模型,待训练时序信号预测分类模型基于卷积神经网络、长短期记忆网络和注意力机制模块构建;
验证单元,用于利用测试集中的目标信号序列样本对所生成的时序信号预测分类模型进行评价得到时序信号预测分类模型的评价指标。
本申请实施例中,验证单元,包括:
预测子单元,用于将测试集中的目标信号序列样本输入至时序信号预测分类模型得到目标信号序列样本所属的分类;
比对单元,用于比对测试集中目标信号序列样本携带的标准分类结果和时序信号预测分类模型预测的测试集中目标信号序列样本的分类结果得到测试集中目标信号序列样本的比对结果;
指标生成单元,用于根据测试集中各个目标信号序列样本的比对结果计算时序信号预测分类模型的评价指标。
进一步的,本申请实施例提供的一种预测时序信号分类的装置还包括性能确定单元,用于根据评价指标确定时序信号预测分类模型的性能,评价指标包括准确率指标、特效度指标、精确率指标、召回率指标和综合评价指标中的任意一项或多项。
为了便于理解,现从服务器的角度对本申请实施例提供的一种预测时序信号分类的方法进行详细说明。服务器可以是网络侧为用户提供服务的服务设备,其可能是多台服务器组成的服务器集群,也可能是单台服务器。
图14为本申请实施例提供的一种服务器的硬件结构框图。参照图14,服务器的硬件结构可以包括:处理器1401,通信接口1402,存储器1403和通信总线1404;
在本发明实施例中,处理器1401、通信接口1402、存储器1403、通信总线1404的数量均可以为至少一个,且处理器1401、通信接口1402、存储器1403通过通信总线1404完成相互间的通信;
处理器1401可能是一个中央处理器CPU,或者是特定集成电路ASIC(ApplicationSpecific Integrated Circuit),或者是被配置成实施本发明实施例的一个或多个集成电路等;
存储器1403可能包含高速RAM存储器,也可能还包括非易失性存储器(non-volatile memory)等,例如至少一个磁盘存储器;
其中,存储器存储有程序,处理器可调用存储器存储的程序,程序用于:
实时确定ECG设备输出的待预测分类的信号序列,信号序列的时长为预先设置的目标时长;
基于利用训练集生成的标准化参数对信号序列进行标准化处理生成目标信号序列;
将目标信号序列输入至预训练的时序信号预测分类模型得到目标信号序列所属的分类以及目标信号序列的异常信息;
根据目标信号序列所属的分类以及目标信号序列的异常信息控制告警系统进行告警;
其中,时序信号预测分类模型基于卷积神经网络、长短期记忆网络和注意力机制模块构建且通过训练样本进行训练生成;训练样本为利用标准化参数对训练集和验证集中的信号序列样本进行标准化处理生成,训练集中的信号序列样本和验证集中的信号序列样本的时长均为目标时长。
可选的,程序的细化功能和扩展功能可参照上文描述。
进一步的,本申请实施例还提供一种计算机可读存储介质,该计算机可读存储介质中存储有计算机可执行指令,该计算机可执行指令用于执行上述预测时序信号分类的方法。
可选的,计算机可执行指令的细化功能和扩展功能可参照上文描述。
本申请实施例提供一种预测时序信号分类的方法、装置、服务器及存储介质,可以在预测时序信号分类的过程中,在保证对短序列特征抽象能力的基础上,提高泛化性能和解释性能。
以上对本发明所提供的一种预测时序信号分类的方法、装置、服务器及存储介质进行了详细介绍,本文中应用了具体个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。
需要说明的是,本说明书中的各个实施例均采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似的部分互相参见即可。对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
还需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备所固有的要素,或者是还包括为这些过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种预测时序信号分类的方法,其特征在于,包括:
实时确定ECG设备输出的待预测分类的信号序列,所述信号序列的时长为预先设置的目标时长;
基于利用训练集生成的标准化参数对所述信号序列进行标准化处理生成目标信号序列;
将所述目标信号序列输入至预训练的时序信号预测分类模型得到所述目标信号序列所属的分类以及所述目标信号序列的异常信息;
根据所述目标信号序列所属的分类以及所述目标信号序列的异常信息控制告警系统进行告警;
其中,所述时序信号预测分类模型基于卷积神经网络、长短期记忆网络和注意力机制模块构建且通过训练样本进行训练生成;所述训练样本为利用所述标准化参数对所述训练集和验证集中的信号序列样本进行标准化处理生成,所述训练集中的信号序列样本和所述验证集中的信号序列样本的时长均为所述目标时长。
2.根据权利要求1所述的方法,其特征在于,所述实时确定ECG设备输出的待预测分类的信号序列,包括:
依次将接收到的ECG设备输出的ECG信号中的每个ECG信号确定为一个第一ECG信号;
若当前已确定的各个第一ECG信号中存在接收时间与当前时间之间的时间间隔为所述目标时长的第二ECG信号,将所述ECG设备从输出所述第二ECG信号开始到输出当前接收到的ECG信号为止依次输出的各个ECG信号确定为一个信号序列。
3.根据权利要求1所述的方法,其特征在于,所述基于利用训练集生成的标准化参数对所述信号序列进行标准化处理生成目标信号序列,包括:
确定训练集中各个信号序列样本的标准化参数,所述标准化参数包括平均值和标准差值;
根据所述平均值和标准差值对所述信号序列进行标准化处理生成目标信号序列。
4.根据权利要求1所述的方法,其特征在于,还包括时序信号预测分类模型的训练过程,所述时序信号预测分类模型的训练过程包括:
确定训练集、验证集和测试集,其中,训练集中信号序列样的数量、验证集中信号序列样本的数量和测试集中信号序列样本的数量满足预设比例,所述测试集中信号序列样本的时长为所述目标时长;
基于利用训练集生成的标准化参数对所述训练集、验证集和测试集中的信号序列样本进行标准化处理得到目标信号序列样本;
将所述训练集和验证集的目标信号序列样本作为训练样本对待训练时序信号预测分类模型进行训练生成时序信号预测分类模型,所述待训练时序信号预测分类模型基于卷积神经网络、长短期记忆网络和注意力机制模块构建;
利用所述测试集中的目标信号序列样本对所生成的时序信号预测分类模型进行评价得到所述时序信号预测分类模型的评价指标。
5.根据权利要求4所述的方法,其特征在于,所述利用所述测试集中的目标信号序列样本对所生成的时序信号预测分类模型进行评价得到所述时序信号预测分类模型的评价指标,包括:
将所述测试集中的目标信号序列样本输入至所述时序信号预测分类模型得到所述目标信号序列样本所属的分类;
比对所述测试集中目标信号序列样本携带的标准分类结果和所述时序信号预测分类模型预测的所述测试集中目标信号序列样本的分类结果得到所述测试集中目标信号序列样本的比对结果;
根据所述测试集中各个目标信号序列样本的比对结果计算所述时序信号预测分类模型的评价指标。
6.根据权利要求5所述的方法,其特征在于,还包括:
根据所述评价指标确定所述时序信号预测分类模型的性能,所述评价指标包括准确率指标、特效度指标、精确率指标、召回率指标和综合评价指标中的任意一项或多项。
7.根据权利要求4所述的方法,其特征在于,所述卷积神经网络包括:卷积层、批归一化层、激活层、池化层和丢弃层。
8.一种预测时序信号分类的装置,其特征在于,包括:
信号序列确定单元,用于实时确定ECG设备输出的待预测分类的信号序列,所述信号序列的时长为预先设置的目标时长;
目标信号序列生成单元,用于基于利用训练集生成的标准化参数对所述信号序列进行标准化处理生成目标信号序列;
预测单元,用于将所述目标信号序列输入至预训练的时序信号预测分类模型得到所述目标信号序列所属的分类以及所述目标信号序列的异常信息;
告警控制单元,用于根据所述目标信号序列所属的分类以及所述目标信号序列的异常信息控制告警系统进行告警;
其中,所述时序信号预测分类模型基于卷积神经网络、长短期记忆网络和注意力机制模块构建且通过训练样本进行训练生成;所述训练样本为利用所述标准化参数对所述训练集和验证集中的信号序列样本进行标准化处理生成,所述训练集中的信号序列样本和所述验证集中的信号序列样本的时长均为所述目标时长。
9.一种服务器,其特征在于,包括:至少一个存储器和至少一个处理器;所述存储器存储有程序,所述处理器调用所述存储器存储的程序,所述程序用于实现如权利要求1-7任意一项所述的预测时序信号分类的方法。
10.一种计算机可读存储介质,其特征在于,用于存储实现如权利要求1-7任意一项所述的预测时序信号分类的方法的程序。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010079757.XA CN111291673A (zh) | 2020-02-04 | 2020-02-04 | 一种预测时序信号分类的方法、装置、服务器及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010079757.XA CN111291673A (zh) | 2020-02-04 | 2020-02-04 | 一种预测时序信号分类的方法、装置、服务器及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111291673A true CN111291673A (zh) | 2020-06-16 |
Family
ID=71024394
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010079757.XA Pending CN111291673A (zh) | 2020-02-04 | 2020-02-04 | 一种预测时序信号分类的方法、装置、服务器及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111291673A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113159280A (zh) * | 2021-03-23 | 2021-07-23 | 出门问问信息科技有限公司 | 一种六轴传感信号的转换方法及装置 |
WO2022134472A1 (zh) * | 2020-12-25 | 2022-06-30 | 平安科技(深圳)有限公司 | 一种检测心电信号的方法、装置、终端及存储介质 |
CN115130385A (zh) * | 2022-07-04 | 2022-09-30 | 贵州省人民医院 | 一种时序信号预测分类识别方法及装置 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108926338A (zh) * | 2018-05-31 | 2018-12-04 | 中南民族大学 | 基于深度学习的心率预测方法及装置 |
CN110059878A (zh) * | 2019-04-15 | 2019-07-26 | 中国计量大学 | 基于cnn lstm光伏发电功率预测模型及其构建方法 |
CN110179453A (zh) * | 2018-06-01 | 2019-08-30 | 山东省计算中心(国家超级计算济南中心) | 基于卷积神经网络和长短期记忆网络的心电图分类方法 |
CN110222149A (zh) * | 2019-05-17 | 2019-09-10 | 华中科技大学 | 一种基于新闻舆情的时间序列预测方法 |
CN110349676A (zh) * | 2019-06-14 | 2019-10-18 | 华南师范大学 | 时序生理数据分类方法、装置、存储介质和处理器 |
CN110472729A (zh) * | 2019-08-02 | 2019-11-19 | 中南大学 | 基于综合cnn-lstm的岩爆状态预测方法 |
CN110633792A (zh) * | 2019-10-22 | 2019-12-31 | 西安交通大学 | 端到端基于卷积循环神经网络的轴承健康指标构建方法 |
CN110738070A (zh) * | 2018-07-02 | 2020-01-31 | 中国科学院深圳先进技术研究院 | 基于视频的行为识别方法、行为识别装置及终端设备 |
-
2020
- 2020-02-04 CN CN202010079757.XA patent/CN111291673A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108926338A (zh) * | 2018-05-31 | 2018-12-04 | 中南民族大学 | 基于深度学习的心率预测方法及装置 |
CN110179453A (zh) * | 2018-06-01 | 2019-08-30 | 山东省计算中心(国家超级计算济南中心) | 基于卷积神经网络和长短期记忆网络的心电图分类方法 |
CN110738070A (zh) * | 2018-07-02 | 2020-01-31 | 中国科学院深圳先进技术研究院 | 基于视频的行为识别方法、行为识别装置及终端设备 |
CN110059878A (zh) * | 2019-04-15 | 2019-07-26 | 中国计量大学 | 基于cnn lstm光伏发电功率预测模型及其构建方法 |
CN110222149A (zh) * | 2019-05-17 | 2019-09-10 | 华中科技大学 | 一种基于新闻舆情的时间序列预测方法 |
CN110349676A (zh) * | 2019-06-14 | 2019-10-18 | 华南师范大学 | 时序生理数据分类方法、装置、存储介质和处理器 |
CN110472729A (zh) * | 2019-08-02 | 2019-11-19 | 中南大学 | 基于综合cnn-lstm的岩爆状态预测方法 |
CN110633792A (zh) * | 2019-10-22 | 2019-12-31 | 西安交通大学 | 端到端基于卷积循环神经网络的轴承健康指标构建方法 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022134472A1 (zh) * | 2020-12-25 | 2022-06-30 | 平安科技(深圳)有限公司 | 一种检测心电信号的方法、装置、终端及存储介质 |
CN113159280A (zh) * | 2021-03-23 | 2021-07-23 | 出门问问信息科技有限公司 | 一种六轴传感信号的转换方法及装置 |
CN115130385A (zh) * | 2022-07-04 | 2022-09-30 | 贵州省人民医院 | 一种时序信号预测分类识别方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110221225B (zh) | 一种航天器锂离子电池循环寿命预测方法 | |
CN113987834B (zh) | 一种基于can-lstm的铁路列车轴承剩余寿命预测方法 | |
Bi et al. | Human activity recognition based on dynamic active learning | |
CN111291673A (zh) | 一种预测时序信号分类的方法、装置、服务器及存储介质 | |
CN110058178A (zh) | 一种锂电池健康状态检测方法和系统 | |
CN113040711B (zh) | 一种脑卒中发病风险预测系统、设备、存储介质 | |
CN112380773A (zh) | 一种基于迁移学习的燃料电池退化预测方法、装置、设备 | |
CN112233798B (zh) | 基于病理模式与注意力机制的可解释疾病风险分析系统 | |
CN112098873B (zh) | 基于充电电压曲线几何特征的锂电池健康状态估计方法 | |
CN112305441B (zh) | 一种集成式聚类下的动力电池健康状态评估方法 | |
CN112766496B (zh) | 基于强化学习的深度学习模型安全性保障压缩方法与装置 | |
CN113538037B (zh) | 监测电瓶车充电事件的方法及系统、设备、存储介质 | |
CN115236519A (zh) | 基于隐马尔可夫模型的锂电池健康状态预测方法及装置 | |
CN115389946A (zh) | 一种基于等压升能量和改进gru的锂电池健康状态估计方法 | |
CN115542182A (zh) | 一种移动储能系统串联电池组soh估计方法 | |
CN114841253A (zh) | 窃电检测方法、装置及存储介质、电子设备 | |
CN111539492B (zh) | 一种基于强化学习的异常用电判决系统及方法 | |
Urgun et al. | Lstm networks to evaluate composite power system reliability evaluation with injected wind power | |
Zhang et al. | SOH estimation and RUL prediction of lithium batteries based on multidomain feature fusion and CatBoost model | |
CN116712099A (zh) | 基于多模态数据的胎心状态检测方法、电子设备、存储介质 | |
Alam | Recurrent neural networks in electricity load forecasting | |
CN115115038B (zh) | 一种基于单导联心电信号的模型构建方法及性别识别方法 | |
CN116643190A (zh) | 一种锂电池健康状态实时监测方法及系统 | |
Abramson | Sequence classification with neural conditional random fields | |
CN111796173B (zh) | 局部放电模式识别方法、计算机设备和存储介质 |
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 |