CN113017613B - 基于人工智能的心冲击波信号处理方法及计算机设备 - Google Patents
基于人工智能的心冲击波信号处理方法及计算机设备 Download PDFInfo
- Publication number
- CN113017613B CN113017613B CN202110233796.5A CN202110233796A CN113017613B CN 113017613 B CN113017613 B CN 113017613B CN 202110233796 A CN202110233796 A CN 202110233796A CN 113017613 B CN113017613 B CN 113017613B
- Authority
- CN
- China
- Prior art keywords
- feature
- power output
- characteristic
- output period
- signal noise
- 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.)
- Active
Links
Images
Classifications
-
- 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
- A61B5/1102—Ballistocardiography
-
- 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
- A61B5/7203—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal
-
- 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
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- Animal Behavior & Ethology (AREA)
- Artificial Intelligence (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Physiology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Signal Processing (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Veterinary Medicine (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Psychiatry (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Cardiology (AREA)
- Dentistry (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明公开了基于人工智能的心冲击波信号处理方法及计算机设备,获取心肌输出功率特征和功率输出时段特征;基于心肌输出功率特征和功率输出时段特征之间的特征关联性,进行配对得到特征配对结果;根据功率输出时段特征与待匹配功率输出时段特征的特征相似度,确定信号噪声标签;将信号噪声标签和待匹配功率输出时段特征进行配对,得到标签配对结果;根据标签配对结果和特征配对结果,确定信号噪声数据和信号噪声标签。通过上述方法能精确的对输出功率特征和功率输出时段特征进行匹配,这样能对过程中数据发生误差的问题,进行有效的检测,从而保证了数据在传输过程中的误差属于正常误差范围内,这样就能精确的确定输入数据和输出数据。
Description
技术领域
本公开涉及人工智能和信号处理的技术领域,特别涉及基于人工智能的心冲击波信号处理方法及计算机设备。
背景技术
心脏是脊椎动物器官之一。是循环系统中的动力。人的心脏基本上和本人的拳头大小一样,外形像桃子,心尖偏向左。位于横膈之上,纵膈之间,胸腔中部偏左下方,两肺间而偏左。主要由心肌构成,有左心房、左心室、右心房、右心室四个腔。左右心房之间和左右心室之间均由间隔隔开,故互不相通,心房与心室之间有瓣膜(房室瓣),这些瓣膜使血液只能由心房流入心室而不能倒流。
心脏搏动异常即可指心脏搏动位置的异常,也可是频率的异常。心尖搏动位置的改变可受多种生理性和病理性因素的影响。
因此,在一些情况下,需要对心肌的搏动进行检测并进行心冲击波的相关数据信号处理。然而在实际处理过程中,获取到的心冲击波数据存在噪声,如何对噪声进行有效去除是现目前需要解决的一个技术问题。
发明内容
为改善相关技术中存在的上述背景技术存在的技术问题,本公开提供了基于人工智能的心冲击波信号处理方法及计算机设备。
一种基于人工智能的心冲击波信号处理方法,包括:
获取待处理心冲击波数据中的心肌输出功率特征和功率输出时段特征;
基于所述待处理心冲击波数据中的心肌输出功率特征和功率输出时段特征之间的特征关联性,对所述待处理心冲击波数据中的心肌输出功率特征和功率输出时段特征进行配对,得到特征配对结果;
将配对异常的功率输出时段特征确定为待匹配功率输出时段特征,根据所述特征配对结果中的功率输出时段特征与所述待匹配功率输出时段特征之间的特征相似度,确定与所述待匹配功率输出时段特征相匹配的信号噪声标签;
对与所述待匹配功率输出时段特征相匹配的信号噪声标签和所述待匹配功率输出时段特征进行配对,得到标签配对结果;
根据所述标签配对结果和所述特征配对结果,确定所述待处理心冲击波数据中的信号噪声数据和所述信号噪声数据对应的信号噪声标签。
进一步地,所述获取待处理心冲击波数据中的心肌输出功率特征和功率输出时段特征,包括:
获取所述待处理心冲击波数据中的至少两个心肌输出功率轨迹片段和至少两个功率输出时段轨迹片段;
获取所述至少两个心肌输出功率轨迹片段之间的第一片段相似度和第一轨迹片段变化信息,获取所述至少两个功率输出时段轨迹片段之间的第二轨迹片段相似度和第二轨迹片段变化信息;
根据所述第一片段相似度和所述第一轨迹片段变化信息,对所述至少两个心肌输出功率轨迹片段进行特征识别,得到所述待处理心冲击波数据中的心肌输出功率特征;一个心肌输出功率特征包括至少一个心肌输出功率轨迹片段;
根据所述第二轨迹片段相似度和所述第二轨迹片段变化信息,对所述至少两个功率输出时段轨迹片段进行特征识别,得到所述待处理心冲击波数据中的功率输出时段特征;一个功率输出时段特征包括至少一个功率输出时段轨迹片段。
进一步地,所述基于所述待处理心冲击波数据中的心肌输出功率特征和功率输出时段特征之间的特征关联性,对所述待处理心冲击波数据中的心肌输出功率特征和功率输出时段特征进行配对,得到特征配对结果,包括:
将所述待处理心冲击波数据中的功率输出时段特征确定为局部功率输出时段特征,将所述待处理心冲击波数据中的心肌输出功率特征确定为局部心肌输出功率特征;所述局部功率输出时段特征中的功率输出时段轨迹片段是从针对所述待处理心冲击波数据的目标测试轨迹片段中所获取的;
获取所述目标测试轨迹片段中的心肌输出功率轨迹片段;将所述目标测试轨迹片段中的心肌输出功率轨迹片段与所述局部心肌输出功率特征中的心肌输出功率轨迹片段之间的轨迹片段相似度,确定为所述局部功率输出时段特征与所述局部心肌输出功率特征之间的所述特征关联性;
当所述特征关联性大于或等于关联性阈值时,对所述局部功率输出时段特征和所述局部心肌输出功率特征进行配对,得到所述特征配对结果。
进一步地,所述待匹配功率输出时段特征包括所述待处理心冲击波数据中的第一功率输出时段轨迹片段;所述特征配对结果的数目为至少两个;每个特征配对结果中的功率输出时段特征分别包括所述待处理心冲击波数据中的第二功率输出时段轨迹片段;所述根据所述特征配对结果中的功率输出时段特征与所述待匹配功率输出时段特征之间的特征相似度,确定与所述待匹配功率输出时段特征相匹配的信号噪声标签,包括:
根据所述第一功率输出时段轨迹片段,获取所述待匹配功率输出时段特征的第一特征描述信息;
根据所述每个特征配对结果包括的第二功率输出时段轨迹片段,分别获取所述每个特征配对结果中的功率输出时段特征的第二特征描述信息;
获取所述第一特征描述信息分别与所述每个特征配对结果对应的第二特征描述信息之间的描述信息比较结果;
根据所述每个特征配对结果所属的描述信息比较结果,确定所述每个特征配对结果中的功率输出时段特征分别与所述待匹配功率输出时段特征之间的特征相似度;当目标特征配对结果的数目大于第一数目阈值且小于或等于第二数目阈值时,将所述目标特征配对结果中的心肌输出功率特征所包含的信号噪声标签,确定为与所述待匹配功率输出时段特征相匹配的信号噪声标签;所述目标特征配对结果,指所属的特征相似度大于或等于特征相似度阈值的特征配对结果。
进一步地,所述第一功率输出时段轨迹片段的轨迹片段数目为至少两个;所述根据所述第一功率输出时段轨迹片段获取所述待匹配功率输出时段特征的第一特征描述信息,包括:
获取至少两个第一功率输出时段轨迹片段中的每个第一功率输出时段轨迹片段分别对应的轨迹片段特征向量;
根据所述每个第一功率输出时段轨迹片段分别对应的轨迹片段特征向量,获取所述至少两个第一功率输出时段轨迹片段对应的第一综合特征向量;
将所述第一综合特征向量,确定为所述第一特征描述信息。
进一步地,所述至少两个特征配对结果包括特征配对结果i,i为小于或等于所述至少两个特征配对结果的总数目的正整数;所述特征配对结果i包括的第二功率输出时段轨迹片段的轨迹片段数目为至少两个;所述根据所述每个特征配对结果包括的第二功率输出时段轨迹片段,分别获取所述每个特征配对结果中的功率输出时段特征的第二特征描述信息,包括:
获取所述特征配对结果i包括的至少两个第二功率输出时段轨迹片段中的每个第二功率输出时段轨迹片段分别对应的轨迹片段特征向量;
根据所述每个第二功率输出时段轨迹片段分别对应的轨迹片段特征向量,获取所述至少两个第二功率输出时段轨迹片段对应的第二综合特征向量;
将所述第二综合特征向量,确定为所述特征配对结果i中的功率输出时段特征的第二特征描述信息。
进一步地,所述待匹配功率输出时段特征的数目为至少两个;所述方法还包括:
当所述目标特征配对结果的数目小于或等于所述第一数目阈值时,将与每个待匹配功率输出时段特征之间的特征相似度最大的功率输出时段特征所在的特征配对结果,分别确定为所述每个待匹配功率输出时段特征对应的待定配对结果;
将所述每个待匹配功率输出时段特征对应的待定配对结果中的心肌输出功率特征所包含的信号噪声标签,分别确定为所述每个待匹配功率输出时段特征对应的待定信号噪声标签;
根据所述每个待匹配功率输出时段特征对应的待定信号噪声标签,确定待确定标签对应的至少两个标签值;
获取所述至少两个标签值在至少两个特征配对结果的心肌输出功率特征所包含的信号噪声标签中的第一统计结果;
根据所述第一统计结果,确定所述每个待匹配功率输出时段特征针对所述待确定标签的第一目标标签值;
将分别具有所述每个待匹配功率输出时段特征对应的第一目标标签值的所述待确定标签,确定为与所述每个待匹配功率输出时段特征相匹配的信号噪声标签;所述至少两个标签值在与所述每个待匹配功率输出时段特征相匹配的信号噪声标签中的第二统计结果,等于所述第一统计结果。
进一步地,所述方法还包括:
当所述目标特征配对结果的数目大于所述第二数目阈值时,统计待确定标签的至少两个标签值在所述目标特征配对结果的心肌输出功率轨迹片段所包含的信号噪声标签中的激活次数;所述至少两个标签值,是根据所述目标特征配对结果中的心肌输出功率特征所包含的信号噪声标签所确定的;
根据所述待匹配功率输出时段特征与所述目标特征配对结果之间的特征相似度、以及所述激活次数,从所述至少两个标签值中,确定所述待匹配功率输出时段特征针对所述待确定标签的第二目标标签值;
将具有所述第二目标标签值的所述待确定标签,确定为与所述待匹配功率输出时段特征相匹配的信号噪声标签。
进一步地,所述方法还包括:
将所述特征配对结果中的心肌输出功率特征所包含的信号噪声标签,确定为所述特征配对结果所包含的信号噪声标签;
将所述特征配对结果和所述标签配对结果,确定为所述待处理心冲击波数据中的局部配对结果;
将所述局部配对结果所包含的信号噪声标签,确定为目标信号噪声标签;
为所述目标信号噪声标签与所在的所述局部配对结果中的功率输出时段特征添加相同的特征标识信息;
将具有所述特征标识信息的所述目标信号噪声标签,分别加载至深度学习神经网络、前向反馈神经网络以及时空图神经网络;
其中:
从所述深度学习神经网络中识别所述目标信号噪声标签的速度,大于从所述前向反馈神经网络中识别所述目标信号噪声标签的速度;
从所述前向反馈神经网络中识别所述目标信号噪声标签的速度,大于从所述时空图神经网络中识别所述目标信号噪声标签的速度;
所述深度学习神经网络针对所述目标信号噪声标签的识别准确率,小于所述前向反馈神经网络针对所述目标信号噪声标签的识别准确率;
所述前向反馈神经网络针对所述目标信号噪声标签的识别准确率,小于所述时空图神经网络针对所述目标信号噪声标签的识别准确率;
所述根据所述标签配对结果和所述特征配对结果,确定所述待处理心冲击波数据中的信号噪声数据和所述信号噪声数据对应的信号噪声标签,包括:
根据所述局部配对结果中的功率输出时段特征,确定所述待处理心冲击波数据中的所述信号噪声数据;
根据所述局部配对结果中的功率输出时段特征所具有的所述特征标识信息,从所述深度学习神经网络、所述前向反馈神经网络或所述时空图神经网络中,获取具有所述特征标识信息的所述目标信号噪声标签,将获取到的所述目标信号噪声标签确定为所述信号噪声数据对应的信号噪声标签。
一种计算机设备,包括互相之间通信的处理器和存储器,所述处理器用于从所述存储器中调取计算机程序,并通过运行所述计算机程序实现任一项所述的方法。
本公开的实施例提供的技术方案可以包括以下有益效果。
获取心肌输出功率特征和功率输出时段特征;基于心肌输出功率特征和功率输出时段特征之间的特征关联性,进行配对得到特征配对结果;根据功率输出时段特征与待匹配功率输出时段特征的特征相似度,确定信号噪声标签;将信号噪声标签和待匹配功率输出时段特征进行配对,得到标签配对结果;根据标签配对结果和特征配对结果,确定信号噪声数据和信号噪声标签。通过上述方法能精确的对输出功率特征和功率输出时段特征进行匹配、相似度的判断方法,这样能有效的在心冲击波数据中筛选出信号噪声标签,并将信号噪声标签进行去除,从而保证了数据在误差属于正常误差范围内,这样就能精确的确定输入数据和输出数据,因此,有效的避免了数据在处理过程因为存在噪声导致的数据不准确,带来的数据输出错误。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性的,并不能限制本公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本发明的实施例,并于说明书一起用于解释本发明的原理。
图1为本发明实施例所提供的基于心衰运动康复的数据处理系统的架构示意图;
图2为本发明实施例所提供的基于心衰运动康复的数据处理方法的流程图;
图3为本发明实施例所提供的基于心衰运动康复的数据处理装置的功能模块框图。
具体实施方式
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。
为了便于对上述的基于心衰运动康复的数据处理方法及装置进行阐述,请结合参考图1,提供了本发明实施例所公开的基于心衰运动康复的数据处理系统100的通信架构示意图。其中,所述基于心衰运动康复的数据处理系统100可以包括计算机设备300以及冲击波接收端200,所述计算机设备300与所述冲击波接收端200通信连接。
在具体的实施方式中,计算机设备300可以是台式电脑、平板电脑、笔记本电脑、手机或者其他能够实现数据处理以及数据通信的计算机设备,在此不作过多限定。
在上述基础上,请结合参阅图2,为本发明实施例所提供的基于心衰运动康复的数据处理方法的流程示意图,所述基于心衰运动康复的数据处理方法可以应用于图1中的计算机设备300,进一步地,所述基于心衰运动康复的数据处理方法具体可以包括以下步骤S21-步骤S25所描述的内容。
步骤S21,获取待处理心冲击波数据中的心肌输出功率特征和功率输出时段特征。
在本实施例中,所述心肌输出功率特征用于表征实时心肌跳动数据特征,所述功率输出时段特征用于表征检测数据进行传输后的心肌跳动数据特征。为了增加获得到地输出功率特征和功率输出时段特征的精确性,在所述获取待处理心冲击波数据中的心肌输出功率特征和功率输出时段特征的步骤,还可以包括以下步骤S211-步骤S214所描述的内容。
步骤S211,获取所述待处理心冲击波数据中的至少两个心肌输出功率轨迹片段和至少两个功率输出时段轨迹片段。
示例性的,所述待处理心冲击波数据用于表征心肌输出功率数据和心肌跳动点数据对应的时间。
步骤S212,获取所述至少两个心肌输出功率轨迹片段之间的第一片段相似度和第一轨迹片段变化信息,获取所述至少两个功率输出时段轨迹片段之间的第二轨迹片段相似度和第二轨迹片段变化信息。
示例性的,所述心肌输出功率轨迹片段用于表征心肌输出功率图。(例如:曲线函数图、柱状图等示意图)
步骤S213,根据所述第一片段相似度和所述第一轨迹片段变化信息,对所述至少两个心肌输出功率轨迹片段进行特征识别,得到所述待处理心冲击波数据中的心肌输出功率特征。
示例性的,一个心肌输出功率特征包括至少一个心肌输出功率轨迹片段。(例如:通过输出的功率形成的曲线示意图)
步骤S214,根据所述第二轨迹片段相似度和所述第二轨迹片段变化信息,对所述至少两个功率输出时段轨迹片段进行特征识别,得到所述待处理心冲击波数据中的功率输出时段特征。
示例性的,一个功率输出时段特征包括至少一个功率输出时段轨迹片段。(例如:通过输出的功率形成的曲线示意图)
可以理解的,在执行上述步骤S211-步骤S214所描述的内容时,有效的优化了输出功率特征和功率输出时段特征的精确性,这样能够确保精确的获得输出功率特征和功率输出时段特征。使对应的数据精确,有效的减少了处理的工作量。
步骤S22,基于所述待处理心冲击波数据中的心肌输出功率特征和功率输出时段特征之间的特征关联性,对所述待处理心冲击波数据中的心肌输出功率特征和功率输出时段特征进行配对,得到特征配对结果。
在本实施例中,在所述基于所述待处理心冲击波数据中的心肌输出功率特征和功率输出时段特征之间的特征关联性,对所述待处理心冲击波数据中的心肌输出功率特征和功率输出时段特征进行配对,存在着配对发生错误的技术问题,从而难以准确的得到特征配对结果的步骤,对步骤S22改善的具体可以包括以下步骤S221-步骤S223所描述的内容。
步骤S221,将所述待处理心冲击波数据中的功率输出时段特征确定为局部功率输出时段特征,将所述待处理心冲击波数据中的心肌输出功率特征确定为局部心肌输出功率特征。
示例性的,所述局部功率输出时段特征中的功率输出时段轨迹片段是从针对所述待处理心冲击波数据的目标测试轨迹片段中所获取的。
步骤S222,获取所述目标测试轨迹片段中的心肌输出功率轨迹片段;将所述目标测试轨迹片段中的心肌输出功率轨迹片段与所述局部心肌输出功率特征中的心肌输出功率轨迹片段之间的轨迹片段相似度,确定为所述局部功率输出时段特征与所述局部心肌输出功率特征之间的所述特征关联性。
示例性的,通过将所述目标测试轨迹片段中的心肌输出功率轨迹片段与所述局部心肌输出功率特征中的心肌输出功率轨迹片段之间的轨迹片段相似度的方法,这样有效的在对目标测试轨迹片段中的心肌输出功率轨迹片段进行精确性的判断,有效的降低了目标测试轨迹片段中的心肌输出功率轨迹片段数据不精确的问题,还能降低下一步步骤的计算复杂性。
步骤S223,当所述特征关联性大于或等于关联性阈值时,对所述局部功率输出时段特征和所述局部心肌输出功率特征进行配对,得到所述特征配对结果。
示例性的,对所述局部功率输出时段特征和所述局部心肌输出功率特征进行配对,通过配对的方式进一步地的对局部功率输出时段特征进行优化,这样能准确的得到所述特征配对结果。
可以理解的,在执行上述步骤S221-步骤S223所描述的内容时,,在所述基于所述待处理心冲击波数据中的心肌输出功率特征和功率输出时段特征之间的特征关联性,对所述待处理心冲击波数据中的心肌输出功率特征和功率输出时段特征进行配对,避免了配对发生错误的技术问题,从而能够准确的得到特征配对结果。
步骤S23,将配对异常的功率输出时段特征确定为待匹配功率输出时段特征,根据所述特征配对结果中的功率输出时段特征与所述待匹配功率输出时段特征之间的特征相似度,确定与所述待匹配功率输出时段特征相匹配的信号噪声标签。
在本实施例中,所述待匹配功率输出时段特征包括所述待处理心冲击波数据中的第一功率输出时段轨迹片段;所述特征配对结果的数目为至少两个;每个特征配对结果中的功率输出时段特征分别包括所述待处理心冲击波数据中的第二功率输出时段轨迹片段;所述根据所述特征配对结果中的功率输出时段特征与所述待匹配功率输出时段特征之间的特征相似度,确定与所述待匹配功率输出时段特征相匹配的信号噪声标签的步骤,包括以下步骤S231-步骤S234所描述的内容。
步骤S231,根据所述第一功率输出时段轨迹片段,获取所述待匹配功率输出时段特征的第一特征描述信息。
示例性的,所述第一功率输出时段轨迹片段,获取所述待匹配功率输出时段特征的第一特征描述信息的具体步骤,可以包括以下步骤Q1-步骤Q3所描述的内容。
步骤Q1,获取至少两个第一功率输出时段轨迹片段中的每个第一功率输出时段轨迹片段分别对应的轨迹片段特征向量。
示例性的,至少两个第一功率输出时段轨迹片段能够对确保所述第一功率输出时段轨迹片段的精确性,通过多个数据通过平均的方式,有效的降低了数据发生错误的情况。
步骤Q2,根据所述每个第一功率输出时段轨迹片段分别对应的轨迹片段特征向量,获取所述至少两个第一功率输出时段轨迹片段对应的第一综合特征向量。
示例性的,对每一个第一功率输出时段轨迹片段分别进行计算,这样能有效的降低计算错误率,得到更加精确的第一功率输出时段轨迹片段。
步骤Q3,将所述第一综合特征向量,确定为所述第一特征描述信息。
示例性的,所述第一特征描述信息用于表征每个第一功率输出时段轨迹片段特征对应的平均特征描述信息。
可以理解的,在执行上述步骤Q1-步骤Q3所描述的内容时,至少两个第一功率输出时段轨迹片段能够对确保所述第一功率输出时段轨迹片段的精确性,通过多个数据通过平均的方式,有效的降低了数据发生错误的情况,能精确的得到第一综合特征向量。
步骤S232,根据所述每个特征配对结果包括的第二功率输出时段轨迹片段,分别获取所述每个特征配对结果中的功率输出时段特征的第二特征描述信息。
在本实施例中,所述至少两个特征配对结果包括特征配对结果i,i为小于或等于所述至少两个特征配对结果的总数目的正整数;所述特征配对结果i包括的第二功率输出时段轨迹片段的轨迹片段数目为至少两个;所述根据所述每个特征配对结果包括的第二功率输出时段轨迹片段,分别获取所述每个特征配对结果中的功率输出时段特征的第二特征描述信息的步骤包括以下步骤W1-步骤W3所描述的内容。
步骤W1,获取所述特征配对结果i包括的至少两个第二功率输出时段轨迹片段中的每个第二功率输出时段轨迹片段分别对应的轨迹片段特征向量。
示例性的,至少两个第二功率输出时段轨迹片段来确定轨迹片段特征向量的方式,能有效的避免数据因为某个时间段的功率输出计量发生故障识别,带来得数据不准确的情况。
步骤W2,根据所述每个第二功率输出时段轨迹片段分别对应的轨迹片段特征向量,获取所述至少两个第二功率输出时段轨迹片段对应的第二综合特征向量。
示例性的,对每个第二功率输出时段轨迹片段进行特征向量计算,这样能够更加精准的得到计算结果。
步骤W3,将所述第二综合特征向量,确定为所述特征配对结果i中的功率输出时段特征的第二特征描述信息。
示例性的,根据每个第二功率输出时段轨迹片段的计算结果,进行平均,这样能有绩效的增加第二特征描述信息的精确度。
可以理解的,在执行上述步骤W1-步骤W3所描述的内容时,通过多次计算来有效的规避了数据错误的情况。
步骤S233,获取所述第一特征描述信息分别与所述每个特征配对结果对应的第二特征描述信息之间的描述信息比较结果。
示例性的,通过第一特征描述信息分别与第二特征描述信息进行比较,这样能及时的判断出错误的信息,有效的将错误的信息进行计算。避免了后续的工作的无效性,降低了工作成本。
步骤S234,根据所述每个特征配对结果所属的描述信息比较结果,确定所述每个特征配对结果中的功率输出时段特征分别与所述待匹配功率输出时段特征之间的特征相似度;当目标特征配对结果的数目大于第一数目阈值且小于或等于第二数目阈值时,将所述目标特征配对结果中的心肌输出功率特征所包含的信号噪声标签,确定为与所述待匹配功率输出时段特征相匹配的信号噪声标签;所述目标特征配对结果,指所属的特征相似度大于或等于特征相似度阈值的特征配对结果。
示例性的,进一步的进行判断,这样能进一步的对数据进行优化,能够得到更加精确的数据。
可以理解的,在执行上述步骤S231-步骤S234所描述的内容时,对每一个数据进行优化处理,这样能有效的将数据发生错误的可能性降到最低化,从而能够避免不必要的工作时间,因此通过上述步骤有效的降低时间成本。
步骤S24,对与所述待匹配功率输出时段特征相匹配的信号噪声标签和所述待匹配功率输出时段特征进行配对,得到标签配对结果。
在本实施例中,所述信号噪声标签用于表征实时情况下的功率误差范围。
步骤S25,根据所述标签配对结果和所述特征配对结果,确定所述待处理心冲击波数据中的信号噪声数据和所述信号噪声数据对应的信号噪声标签。
在本实施例中,在所述根据所述标签配对结果和所述特征配对结果时,存在特征配对不精确的问题,从而难以精确的确定所述待处理心冲击波数据中的信号噪声数据和所述信号噪声数据对应的信号噪声标签,为了改善上述技术问题,步骤S25所描述的根据所述标签配对结果和所述特征配对结果,确定所述待处理心冲击波数据中的信号噪声数据和所述信号噪声数据对应的信号噪声标签的步骤,具体可以包括以下步骤S251和步骤S252说描述的内容。
步骤S251,根据所述局部配对结果中的功率输出时段特征,确定所述待处理心冲击波数据中的所述信号噪声数据。
示例性的,对局部数据进行抽样检查的方式,这样能进一步地的确保数据的准确性。
步骤S252,根据所述局部配对结果中的功率输出时段特征所具有的所述特征标识信息,从所述深度学习神经网络、所述前向反馈神经网络或所述时空图神经网络中,获取具有所述特征标识信息的所述目标信号噪声标签,将获取到的所述目标信号噪声标签确定为所述信号噪声数据对应的信号噪声标签。
示例性的,在所述根据所述局部配对结果中的功率输出时段特征所具有的所述特征标识信息,从所述深度学习神经网络、所述前向反馈神经网络或所述时空图神经网络中,存在计算发生错误的问题,从而难以精确地获取具有所述特征标识信息的所述目标信号噪声标签,为了改善上述技术问题,以下步骤h1-步骤h3所描述的内容包括:
步骤h1,根据所述局部配对结果中的功率输出时段特征所具有的所述特征标识信息,生成用于在所述深度学习神经网络中获取所述目标信号噪声标签的第一标签识别请求,当根据所述第一标签识别请求未从所述深度学习神经网络中获取到所述目标信号噪声标签时,根据所述第一标签识别请求,生成用于在所述前向反馈神经网络中获取所述目标信号噪声标签的第二标签识别请求。
示例性的,通过深度学习神经网络进行请求的初步筛选,将请求量变小,减轻后续计算的工作量。
步骤h2,当根据所述第二标签识别请求未从所述前向反馈神经网络中获取到所述目标信号噪声标签时,根据所述第二标签识别请求,生成用于在所述时空图神经网络中获取所述目标信号噪声标签的第三标签识别请求。
示例性的,通过反馈的方式,再次进行请求,这样能精确和快速的得到对应的目标信号噪声标签。
步骤h3,根据所述第三标签识别请求,从所述时空图神经网络中获取所述目标信号噪声标签。
示例性的,通过深度学习神经网络、前向反馈神经网络或时空图神经网络多个计算方式,对特征标识信息进行计算,能全方面的得到数据的结果,这样能使数据更加的精确。
可以理解的,在执行上述步骤h1-步骤h3所描述的内容时,所述根据所述局部配对结果中的功率输出时段特征所具有的所述特征标识信息,从所述深度学习神经网络、所述前向反馈神经网络或所述时空图神经网络中,避免了计算发生错误的问题,从而能够精确地获取具有所述特征标识信息的所述目标信号噪声标签。
可以理解的,在执行上述步骤S251和步骤S252说描述的内容时,在所述根据所述标签配对结果和所述特征配对结果时,避免了特征配对不精确的问题,从而能够精确的确定所述待处理心冲击波数据中的信号噪声数据和所述信号噪声数据对应的信号噪声标签。
可以理解的,在执行上述步骤S21-步骤S25所描述的内容时,获取心肌输出功率特征和功率输出时段特征;基于心肌输出功率特征和功率输出时段特征之间的特征关联性,进行配对得到特征配对结果;根据功率输出时段特征与待匹配功率输出时段特征的特征相似度,确定信号噪声标签;将信号噪声标签和待匹配功率输出时段特征进行配对,得到标签配对结果;根据标签配对结果和特征配对结果,确定信号噪声数据和信号噪声标签。通过上述方法能精确的对输出功率特征和功率输出时段特征进行匹配、相似度的判断方法,这样能有效的在心冲击波数据中筛选出信号噪声标签,并将信号噪声标签进行去除,从而保证了数据在误差属于正常误差范围内,这样就能精确的确定输入数据和输出数据,因此,有效的避免了数据在处理过程因为存在噪声导致的数据不准确,带来的数据输出错误。
基于上述基础,所述待匹配功率输出时段特征的数目为至少两个;所述方法还包括以下步骤E1-步骤E6所描述的内容。
步骤E1,当所述目标特征配对结果的数目小于或等于所述第一数目阈值时,将与每个待匹配功率输出时段特征之间的特征相似度最大的功率输出时段特征所在的特征配对结果,分别确定为所述每个待匹配功率输出时段特征对应的待定配对结果。
示例性的,通过与预设最大的功率输出时段特征进行特征配对的方式,计算出最大误差范围。
步骤E2,将所述每个待匹配功率输出时段特征对应的待定配对结果中的心肌输出功率特征所包含的信号噪声标签,分别确定为所述每个待匹配功率输出时段特征对应的待定信号噪声标签。
示例性的,所述待定信号噪声标签用于表征心肌输出功率特征所包含的信号噪声标签。
步骤E3,根据所述每个待匹配功率输出时段特征对应的待定信号噪声标签,确定待确定标签对应的至少两个标签值。
示例性的,所述至少两个标签值用于表征每个待匹配功率输出时段特征对应的待定信号噪声标签。
步骤E4,获取所述至少两个标签值在至少两个特征配对结果的心肌输出功率特征所包含的信号噪声标签中的第一统计结果。
示例性的,所述第一统计结果用于表征至少两个标签值的计算结果进行统计的结果。
步骤E5,根据所述第一统计结果,确定所述每个待匹配功率输出时段特征针对所述待确定标签的第一目标标签值。
示例性的,所述第一目标标签值用于表征第一统计结果的平均计算值。
步骤E6,将分别具有所述每个待匹配功率输出时段特征对应的第一目标标签值的所述待确定标签,确定为与所述每个待匹配功率输出时段特征相匹配的信号噪声标签;所述至少两个标签值在与所述每个待匹配功率输出时段特征相匹配的信号噪声标签中的第二统计结果,等于所述第一统计结果。
可以理解的,在执行上述E1-步骤E6所描述的内容时,能够对最大误差范围进行计算,计算出数据的最大误差,采用的这样的方式,通过最大误差的来判断数据是否在误差范围内的方法,进行极端的计算,从而能够保证所有数据的精确性。
基于上述基础,所述方法还包括以下步骤R1-步骤R3所描述的内容。
步骤R1,当所述目标特征配对结果的数目大于所述第二数目阈值时,统计待确定标签的至少两个标签值在所述目标特征配对结果的心肌输出功率轨迹片段所包含的信号噪声标签中的激活次数。
示例性的,所述至少两个标签值,是根据所述目标特征配对结果中的心肌输出功率特征所包含的信号噪声标签所确定的。
步骤R2,根据所述待匹配功率输出时段特征与所述目标特征配对结果之间的特征相似度、以及所述激活次数,从所述至少两个标签值中,确定所述待匹配功率输出时段特征针对所述待确定标签的第二目标标签值。
示例性的,所述激活次数用于表征在特征相似后,对配对结果进行进一步的处理程序。所述第二目标标签值用于表征匹配功率输出时段特征对应的数值。
步骤R3,将具有所述第二目标标签值的所述待确定标签,确定为与所述待匹配功率输出时段特征相匹配的信号噪声标签。
可以理解的,在执行上述步骤R1-步骤R3所描述的内容时,对目标特征配对结果数目进行分类,这样的方式可以有效的提高数据的精确性,从而提高了得到信号噪声标签的可靠性。
基于上述基础,所述方法还包括以下步骤a1-步骤a9所描述的内容。
步骤a1,将所述特征配对结果中的心肌输出功率特征所包含的信号噪声标签,确定为所述特征配对结果所包含的信号噪声标签。
步骤a2,将所述特征配对结果和所述标签配对结果,确定为所述待处理心冲击波数据中的局部配对结果。
步骤a3,将所述局部配对结果所包含的信号噪声标签,确定为目标信号噪声标签。
步骤a4,为所述目标信号噪声标签与所在的所述局部配对结果中的功率输出时段特征添加相同的特征标识信息。
步骤a5,将具有所述特征标识信息的所述目标信号噪声标签,分别加载至深度学习神经网络、前向反馈神经网络以及时空图神经网络。
步骤a6,其中:
从所述深度学习神经网络中识别所述目标信号噪声标签的速度,大于从所述前向反馈神经网络中识别所述目标信号噪声标签的速度。
步骤a7,从所述前向反馈神经网络中识别所述目标信号噪声标签的速度,大于从所述时空图神经网络中识别所述目标信号噪声标签的速度。
步骤a8,所述深度学习神经网络针对所述目标信号噪声标签的识别准确率,小于所述前向反馈神经网络针对所述目标信号噪声标签的识别准确率。
步骤a9,所述前向反馈神经网络针对所述目标信号噪声标签的识别准确率,小于所述时空图神经网络针对所述目标信号噪声标签的识别准确率。
可以理解的,在执行上述步骤a1-步骤a9所描述的内容时,还能对心肌输出功率特征的局部数据进行进一步的检测,这样就能有效的降低检测数据发生错误的情况,及时的对错误数据进行规避,从而能有效的节约计算时间,因此提高了检测效率。
基于上述基础,还包括一下步骤U1-步骤U8所描述的内容。
步骤U1,获取输入的实时心肌搏动的业务数据搏动列表,以及预设心肌搏动对应的预设波动训练神经网络。
示例性的,所述业务数据搏动列表用于表征搏动数据用列表的方式进行表示(例如:Excel表格形式)。
步骤U2,将所述业务数据波动列表和所述预设搏动训练神经网络按照映射关系筛选出至少两个单位时间内心肌搏动范围。
示例性的,所述预设搏动训练神经网络用于表征计算函数公式。
步骤U3,获取每个所述单位时间内心肌搏动范围的矢量参数以及与所述单位时间内心肌搏动范围对应的统计业务数据波动列表,所述统计业务数据波动列表是所述业务数据搏动列表的一部分。
示例性的,所述矢量参数用于表征搏动范围的大小。
步骤U4,根据每个所述单位时间内心肌搏动范围的矢量参数和所述统计业务数据波动列表,计算将每个所述单位时间内心肌搏动范围调整至所述业务数据搏动列表对应的单位时间内心肌搏动范围时的搏动延迟,所述搏动延迟包括时间间隔。
示例性的,所述搏动延迟用于表征数据传输时会出现数据传输延迟的情况。
步骤U5,在所述时间间隔弥补时,将所述单位时间内心肌搏动范围调整至所述业务数据搏动列表中对应的单位时间内心肌搏动范围。
示例性的,所述时间间隔弥补用于表征数据传输延迟的间隔时间。
步骤U6,在所述至少两个单位时间内心肌搏动范围调整后,对间隔的单位时间内心肌搏动范围进行统计处理,得到所述实时心肌搏动对应的业务数据搏动训练神经网络。
示例性的,再一次的对单位时间内心肌搏动范围进行计算有效的规避了计算错误的发生。
步骤U7,根据每个所述单位时间内心肌搏动范围的范围参数和搏动特征值计算每个所述单位时间内心肌搏动范围对应的一组业务数据搏动特征值。
示例性的,业务数据搏动特征值用于表征心肌搏动次数。
步骤U8,对所述至少两个单位时间内心肌搏动范围对应的一组业务数据搏动特征值进行所述统计处理,得到所述实时心肌搏动的一组业务数据搏动特征值。
可以理解的,在执行上述步骤U1-步骤U8所描述的内容时,通过单位时间段内的进行统计的方法,能有效的将数据进行误差统计,这样能有效的减低数据的错误,并且在统计数据时,还能进行数据的准确的检测,筛选出不准确的数据,进行弥补优化的方式,有效地提高了数据的精确性。
基于同样的发明构思,还提供了基于心衰运动康复的数据处理系统,所述系统包括冲击波接收端和计算机设备,所述冲击波接收端与所述计算机设备通信连接,计算机设备具体用于:
获取待处理心冲击波数据中的心肌输出功率特征和功率输出时段特征;
基于所述待处理心冲击波数据中的心肌输出功率特征和功率输出时段特征之间的特征关联性,对所述待处理心冲击波数据中的心肌输出功率特征和功率输出时段特征进行配对,得到特征配对结果;
将配对异常的功率输出时段特征确定为待匹配功率输出时段特征,根据所述特征配对结果中的功率输出时段特征与所述待匹配功率输出时段特征之间的特征相似度,确定与所述待匹配功率输出时段特征相匹配的信号噪声标签;
对与所述待匹配功率输出时段特征相匹配的信号噪声标签和所述待匹配功率输出时段特征进行配对,得到标签配对结果;
根据所述标签配对结果和所述特征配对结果,确定所述待处理心冲击波数据中的信号噪声数据和所述信号噪声数据对应的信号噪声标签。
进一步的,计算机设备具体用于:
获取所述待处理心冲击波数据中的至少两个心肌输出功率轨迹片段和至少两个功率输出时段轨迹片段;
获取所述至少两个心肌输出功率轨迹片段之间的第一片段相似度和第一轨迹片段变化信息,获取所述至少两个功率输出时段轨迹片段之间的第二轨迹片段相似度和第二轨迹片段变化信息;
根据所述第一片段相似度和所述第一轨迹片段变化信息,对所述至少两个心肌输出功率轨迹片段进行特征识别,得到所述待处理心冲击波数据中的心肌输出功率特征;一个心肌输出功率特征包括至少一个心肌输出功率轨迹片段;
根据所述第二轨迹片段相似度和所述第二轨迹片段变化信息,对所述至少两个功率输出时段轨迹片段进行特征识别,得到所述待处理心冲击波数据中的功率输出时段特征;一个功率输出时段特征包括至少一个功率输出时段轨迹片段。
进一步的,计算机设备具体用于:
将所述待处理心冲击波数据中的功率输出时段特征确定为局部功率输出时段特征,将所述待处理心冲击波数据中的心肌输出功率特征确定为局部心肌输出功率特征;所述局部功率输出时段特征中的功率输出时段轨迹片段是从针对所述待处理心冲击波数据的目标测试轨迹片段中所获取的;
获取所述目标测试轨迹片段中的心肌输出功率轨迹片段;将所述目标测试轨迹片段中的心肌输出功率轨迹片段与所述局部心肌输出功率特征中的心肌输出功率轨迹片段之间的轨迹片段相似度,确定为所述局部功率输出时段特征与所述局部心肌输出功率特征之间的所述特征关联性;
当所述特征关联性大于或等于关联性阈值时,对所述局部功率输出时段特征和所述局部心肌输出功率特征进行配对,得到所述特征配对结果。
进一步的,计算机设备具体用于:
根据所述第一功率输出时段轨迹片段,获取所述待匹配功率输出时段特征的第一特征描述信息;
根据所述每个特征配对结果包括的第二功率输出时段轨迹片段,分别获取所述每个特征配对结果中的功率输出时段特征的第二特征描述信息;
获取所述第一特征描述信息分别与所述每个特征配对结果对应的第二特征描述信息之间的描述信息比较结果;
根据所述每个特征配对结果所属的描述信息比较结果,确定所述每个特征配对结果中的功率输出时段特征分别与所述待匹配功率输出时段特征之间的特征相似度;当目标特征配对结果的数目大于第一数目阈值且小于或等于第二数目阈值时,将所述目标特征配对结果中的心肌输出功率特征所包含的信号噪声标签,确定为与所述待匹配功率输出时段特征相匹配的信号噪声标签;所述目标特征配对结果,指所属的特征相似度大于或等于特征相似度阈值的特征配对结果。
进一步的,计算机设备具体用于:
获取至少两个第一功率输出时段轨迹片段中的每个第一功率输出时段轨迹片段分别对应的轨迹片段特征向量;
根据所述每个第一功率输出时段轨迹片段分别对应的轨迹片段特征向量,获取所述至少两个第一功率输出时段轨迹片段对应的第一综合特征向量;
将所述第一综合特征向量,确定为所述第一特征描述信息。
进一步的,计算机设备具体用于:
获取所述特征配对结果i包括的至少两个第二功率输出时段轨迹片段中的每个第二功率输出时段轨迹片段分别对应的轨迹片段特征向量;
根据所述每个第二功率输出时段轨迹片段分别对应的轨迹片段特征向量,获取所述至少两个第二功率输出时段轨迹片段对应的第二综合特征向量;
将所述第二综合特征向量,确定为所述特征配对结果i中的功率输出时段特征的第二特征描述信息。
进一步的,计算机设备具体用于:
当所述目标特征配对结果的数目小于或等于所述第一数目阈值时,将与每个待匹配功率输出时段特征之间的特征相似度最大的功率输出时段特征所在的特征配对结果,分别确定为所述每个待匹配功率输出时段特征对应的待定配对结果;
将所述每个待匹配功率输出时段特征对应的待定配对结果中的心肌输出功率特征所包含的信号噪声标签,分别确定为所述每个待匹配功率输出时段特征对应的待定信号噪声标签;
根据所述每个待匹配功率输出时段特征对应的待定信号噪声标签,确定待确定标签对应的至少两个标签值;
获取所述至少两个标签值在至少两个特征配对结果的心肌输出功率特征所包含的信号噪声标签中的第一统计结果;
根据所述第一统计结果,确定所述每个待匹配功率输出时段特征针对所述待确定标签的第一目标标签值;
将分别具有所述每个待匹配功率输出时段特征对应的第一目标标签值的所述待确定标签,确定为与所述每个待匹配功率输出时段特征相匹配的信号噪声标签;所述至少两个标签值在与所述每个待匹配功率输出时段特征相匹配的信号噪声标签中的第二统计结果,等于所述第一统计结果。
进一步的,计算机设备具体用于:
当所述目标特征配对结果的数目大于所述第二数目阈值时,统计待确定标签的至少两个标签值在所述目标特征配对结果的心肌输出功率轨迹片段所包含的信号噪声标签中的激活次数;所述至少两个标签值,是根据所述目标特征配对结果中的心肌输出功率特征所包含的信号噪声标签所确定的;
根据所述待匹配功率输出时段特征与所述目标特征配对结果之间的特征相似度、以及所述激活次数,从所述至少两个标签值中,确定所述待匹配功率输出时段特征针对所述待确定标签的第二目标标签值;
将具有所述第二目标标签值的所述待确定标签,确定为与所述待匹配功率输出时段特征相匹配的信号噪声标签。
进一步的,计算机设备具体用于:
将所述特征配对结果中的心肌输出功率特征所包含的信号噪声标签,确定为所述特征配对结果所包含的信号噪声标签;
将所述特征配对结果和所述标签配对结果,确定为所述待处理心冲击波数据中的局部配对结果;
将所述局部配对结果所包含的信号噪声标签,确定为目标信号噪声标签;
为所述目标信号噪声标签与所在的所述局部配对结果中的功率输出时段特征添加相同的特征标识信息;
将具有所述特征标识信息的所述目标信号噪声标签,分别加载至深度学习神经网络、前向反馈神经网络以及时空图神经网络;
其中:
从所述深度学习神经网络中识别所述目标信号噪声标签的速度,大于从所述前向反馈神经网络中识别所述目标信号噪声标签的速度;
从所述前向反馈神经网络中识别所述目标信号噪声标签的速度,大于从所述时空图神经网络中识别所述目标信号噪声标签的速度;
所述深度学习神经网络针对所述目标信号噪声标签的识别准确率,小于所述前向反馈神经网络针对所述目标信号噪声标签的识别准确率;
所述前向反馈神经网络针对所述目标信号噪声标签的识别准确率,小于所述时空图神经网络针对所述目标信号噪声标签的识别准确率;
所述根据所述标签配对结果和所述特征配对结果,确定所述待处理心冲击波数据中的信号噪声数据和所述信号噪声数据对应的信号噪声标签,包括:
根据所述局部配对结果中的功率输出时段特征,确定所述待处理心冲击波数据中的所述信号噪声数据;
根据所述局部配对结果中的功率输出时段特征所具有的所述特征标识信息,从所述深度学习神经网络、所述前向反馈神经网络或所述时空图神经网络中,获取具有所述特征标识信息的所述目标信号噪声标签,将获取到的所述目标信号噪声标签确定为所述信号噪声数据对应的信号噪声标签。
基于上述同样的发明构思,请结合参阅图3,还提供了基于心衰运动康复的数据处理装置500的功能模块框图,关于所述基于心衰运动康复的数据处理装置500的详细描述如下。
基于心衰运动康复的数据处理装置500,应用于计算机设备,所述装置500包括:
特征获取模块510,用于获取待处理心冲击波数据中的心肌输出功率特征和功率输出时段特征;
特征配对模块520,用于基于所述待处理心冲击波数据中的心肌输出功率特征和功率输出时段特征之间的特征关联性,对所述待处理心冲击波数据中的心肌输出功率特征和功率输出时段特征进行配对,得到特征配对结果;
特征匹配模块530,用于将配对异常的功率输出时段特征确定为待匹配功率输出时段特征,根据所述特征配对结果中的功率输出时段特征与所述待匹配功率输出时段特征之间的特征相似度,确定与所述待匹配功率输出时段特征相匹配的信号噪声标签;
标签配对模块540,用于对与所述待匹配功率输出时段特征相匹配的信号噪声标签和所述待匹配功率输出时段特征进行配对,得到标签配对结果;
结果确定模块550,用于根据所述标签配对结果和所述特征配对结果,确定所述待处理心冲击波数据中的信号噪声数据和所述信号噪声数据对应的信号噪声标签。
综上基于人工智能的心冲击波信号处理方法及计算机设备,有效的避免了数据在处理过程因为存在噪声导致的数据不准确的情况,带来的数据输出错误
应当理解的是,本发明并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围执行各种修改和改变。本发明的范围仅由所附的权利要求来限制。
Claims (7)
1.一种基于人工智能的心冲击波信号处理方法,其特征在于,包括:
获取待处理心冲击波数据中的心肌输出功率特征和功率输出时段特征;
基于所述待处理心冲击波数据中的心肌输出功率特征和功率输出时段特征之间的特征关联性,对所述待处理心冲击波数据中的心肌输出功率特征和功率输出时段特征进行配对,得到特征配对结果;
将配对异常的功率输出时段特征确定为待匹配功率输出时段特征,根据所述特征配对结果中的功率输出时段特征与所述待匹配功率输出时段特征之间的特征相似度,确定与所述待匹配功率输出时段特征相匹配的信号噪声标签;
对与所述待匹配功率输出时段特征相匹配的信号噪声标签和所述待匹配功率输出时段特征进行配对,得到标签配对结果;
根据所述标签配对结果和所述特征配对结果,确定所述待处理心冲击波数据中的信号噪声数据和所述信号噪声数据对应的信号噪声标签;
其中;所述基于所述待处理心冲击波数据中的心肌输出功率特征和功率输出时段特征之间的特征关联性,对所述待处理心冲击波数据中的心肌输出功率特征和功率输出时段特征进行配对,得到特征配对结果,包括:
将所述待处理心冲击波数据中的功率输出时段特征确定为局部功率输出时段特征,将所述待处理心冲击波数据中的心肌输出功率特征确定为局部心肌输出功率特征;所述局部功率输出时段特征中的功率输出时段轨迹片段是从针对所述待处理心冲击波数据的目标测试轨迹片段中所获取的;
获取所述目标测试轨迹片段中的心肌输出功率轨迹片段;将所述目标测试轨迹片段中的心肌输出功率轨迹片段与所述局部心肌输出功率特征中的心肌输出功率轨迹片段之间的轨迹片段相似度,确定为所述局部功率输出时段特征与所述局部心肌输出功率特征之间的所述特征关联性;
当所述特征关联性大于或等于关联性阈值时,对所述局部功率输出时段特征和所述局部心肌输出功率特征进行配对,得到所述特征配对结果;
其中;所述方法还包括:
将所述特征配对结果中的心肌输出功率特征所包含的信号噪声标签,确定为所述特征配对结果所包含的信号噪声标签;
将所述特征配对结果和所述标签配对结果,确定为所述待处理心冲击波数据中的局部配对结果;
将所述局部配对结果所包含的信号噪声标签,确定为目标信号噪声标签;
为所述目标信号噪声标签与所在的所述局部配对结果中的功率输出时段特征添加相同的特征标识信息;
将具有所述特征标识信息的所述目标信号噪声标签,分别加载至深度学习神经网络、前向反馈神经网络以及时空图神经网络;
其中:
从所述深度学习神经网络中识别所述目标信号噪声标签的速度,大于从所述前向反馈神经网络中识别所述目标信号噪声标签的速度;
从所述前向反馈神经网络中识别所述目标信号噪声标签的速度,大于从所述时空图神经网络中识别所述目标信号噪声标签的速度;
所述深度学习神经网络针对所述目标信号噪声标签的识别准确率,小于所述前向反馈神经网络针对所述目标信号噪声标签的识别准确率;
所述前向反馈神经网络针对所述目标信号噪声标签的识别准确率,小于所述时空图神经网络针对所述目标信号噪声标签的识别准确率;
所述根据所述标签配对结果和所述特征配对结果,确定所述待处理心冲击波数据中的信号噪声数据和所述信号噪声数据对应的信号噪声标签,包括:
根据所述局部配对结果中的功率输出时段特征,确定所述待处理心冲击波数据中的所述信号噪声数据;
根据所述局部配对结果中的功率输出时段特征所具有的所述特征标识信息,从所述深度学习神经网络、所述前向反馈神经网络或所述时空图神经网络中,获取具有所述特征标识信息的所述目标信号噪声标签,将获取到的所述目标信号噪声标签确定为所述信号噪声数据对应的信号噪声标签;
其中,所述心肌输出功率特征用于表征实时心肌跳动数据特征,所述功率输出时段特征用于表征检测数据进行传输后的心肌跳动数据特征;
所述获取待处理心冲击波数据中的心肌输出功率特征和功率输出时段特征,包括:
获取所述待处理心冲击波数据中的至少两个心肌输出功率轨迹片段和至少两个功率输出时段轨迹片段;
获取所述至少两个心肌输出功率轨迹片段之间的第一片段相似度和第一轨迹片段变化信息,获取所述至少两个功率输出时段轨迹片段之间的第二轨迹片段相似度和第二轨迹片段变化信息;
根据所述第一片段相似度和所述第一轨迹片段变化信息,对所述至少两个心肌输出功率轨迹片段进行特征识别,得到所述待处理心冲击波数据中的心肌输出功率特征;一个心肌输出功率特征包括至少一个心肌输出功率轨迹片段;
根据所述第二轨迹片段相似度和所述第二轨迹片段变化信息,对所述至少两个功率输出时段轨迹片段进行特征识别,得到所述待处理心冲击波数据中的功率输出时段特征;一个功率输出时段特征包括至少一个功率输出时段轨迹片段。
2.根据权利要求1所述的方法,其特征在于,所述待匹配功率输出时段特征包括所述待处理心冲击波数据中的第一功率输出时段轨迹片段;所述特征配对结果的数目为至少两个;每个特征配对结果中的功率输出时段特征分别包括所述待处理心冲击波数据中的第二功率输出时段轨迹片段;所述根据所述特征配对结果中的功率输出时段特征与所述待匹配功率输出时段特征之间的特征相似度,确定与所述待匹配功率输出时段特征相匹配的信号噪声标签,包括:
根据所述第一功率输出时段轨迹片段,获取所述待匹配功率输出时段特征的第一特征描述信息;
根据所述每个特征配对结果包括的第二功率输出时段轨迹片段,分别获取所述每个特征配对结果中的功率输出时段特征的第二特征描述信息;
获取所述第一特征描述信息分别与所述每个特征配对结果对应的第二特征描述信息之间的描述信息比较结果;
根据所述每个特征配对结果所属的描述信息比较结果,确定所述每个特征配对结果中的功率输出时段特征分别与所述待匹配功率输出时段特征之间的特征相似度;当目标特征配对结果的数目大于第一数目阈值且小于或等于第二数目阈值时,将所述目标特征配对结果中的心肌输出功率特征所包含的信号噪声标签,确定为与所述待匹配功率输出时段特征相匹配的信号噪声标签;所述目标特征配对结果,指所属的特征相似度大于或等于特征相似度阈值的特征配对结果。
3.根据权利要求2所述的方法,其特征在于,所述第一功率输出时段轨迹片段的轨迹片段数目为至少两个;所述根据所述第一功率输出时段轨迹片段获取所述待匹配功率输出时段特征的第一特征描述信息,包括:
获取至少两个第一功率输出时段轨迹片段中的每个第一功率输出时段轨迹片段分别对应的轨迹片段特征向量;
根据所述每个第一功率输出时段轨迹片段分别对应的轨迹片段特征向量,获取所述至少两个第一功率输出时段轨迹片段对应的第一综合特征向量;
将所述第一综合特征向量,确定为所述第一特征描述信息。
4.根据权利要求2所述的方法,其特征在于,至少两个所述特征配对结果包括特征配对结果i,i为小于或等于至少两个所述特征配对结果的总数目的正整数;所述特征配对结果i包括的第二功率输出时段轨迹片段的轨迹片段数目为至少两个;所述根据所述每个特征配对结果包括的第二功率输出时段轨迹片段,分别获取所述每个特征配对结果中的功率输出时段特征的第二特征描述信息,包括:
获取所述特征配对结果i包括的至少两个第二功率输出时段轨迹片段中的每个第二功率输出时段轨迹片段分别对应的轨迹片段特征向量;
根据所述每个第二功率输出时段轨迹片段分别对应的轨迹片段特征向量,获取所述至少两个第二功率输出时段轨迹片段对应的第二综合特征向量;
将所述第二综合特征向量,确定为所述特征配对结果i中的功率输出时段特征的第二特征描述信息。
5.根据权利要求2所述的方法,其特征在于,所述待匹配功率输出时段特征的数目为至少两个;所述方法还包括:
当所述目标特征配对结果的数目小于或等于所述第一数目阈值时,将与每个待匹配功率输出时段特征之间的特征相似度最大的功率输出时段特征所在的特征配对结果,分别确定为所述每个待匹配功率输出时段特征对应的待定配对结果;
将所述每个待匹配功率输出时段特征对应的待定配对结果中的心肌输出功率特征所包含的信号噪声标签,分别确定为所述每个待匹配功率输出时段特征对应的待定信号噪声标签;
根据所述每个待匹配功率输出时段特征对应的待定信号噪声标签,确定待确定标签对应的至少两个标签值;
获取所述至少两个标签值在至少两个特征配对结果的心肌输出功率特征所包含的信号噪声标签中的第一统计结果;
根据所述第一统计结果,确定所述每个待匹配功率输出时段特征针对所述待确定标签的第一目标标签值;
将分别具有所述每个待匹配功率输出时段特征对应的第一目标标签值的所述待确定标签,确定为与所述每个待匹配功率输出时段特征相匹配的信号噪声标签;所述至少两个标签值在与所述每个待匹配功率输出时段特征相匹配的信号噪声标签中的第二统计结果,等于所述第一统计结果。
6.根据权利要求2所述的方法,其特征在于,所述方法还包括:
当所述目标特征配对结果的数目大于所述第二数目阈值时,统计待确定标签的至少两个标签值在所述目标特征配对结果的心肌输出功率轨迹片段所包含的信号噪声标签中的激活次数;所述至少两个标签值,是根据所述目标特征配对结果中的心肌输出功率特征所包含的信号噪声标签所确定的;
根据所述待匹配功率输出时段特征与所述目标特征配对结果之间的特征相似度、以及所述激活次数,从所述至少两个标签值中,确定所述待匹配功率输出时段特征针对所述待确定标签的第二目标标签值;
将具有所述第二目标标签值的所述待确定标签,确定为与所述待匹配功率输出时段特征相匹配的信号噪声标签。
7.一种计算机设备,其特征在于,包括互相之间通信的处理器和存储器,所述处理器用于从所述存储器中调取计算机程序,并通过运行所述计算机程序实现权利要求1-6任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110233796.5A CN113017613B (zh) | 2021-03-03 | 2021-03-03 | 基于人工智能的心冲击波信号处理方法及计算机设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110233796.5A CN113017613B (zh) | 2021-03-03 | 2021-03-03 | 基于人工智能的心冲击波信号处理方法及计算机设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113017613A CN113017613A (zh) | 2021-06-25 |
CN113017613B true CN113017613B (zh) | 2022-05-06 |
Family
ID=76465644
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110233796.5A Active CN113017613B (zh) | 2021-03-03 | 2021-03-03 | 基于人工智能的心冲击波信号处理方法及计算机设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113017613B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105636505A (zh) * | 2013-10-17 | 2016-06-01 | 皇家飞利浦有限公司 | 用于获得对象的生命体征的设备和方法 |
CN106681961A (zh) * | 2015-11-09 | 2017-05-17 | 三星电子株式会社 | 信号特征提取方法和设备 |
CN107530016A (zh) * | 2015-04-20 | 2018-01-02 | 深圳市长桑技术有限公司 | 一种生理体征信息获取方法和系统 |
CN108354612A (zh) * | 2018-01-19 | 2018-08-03 | 深圳和而泰数据资源与云技术有限公司 | 一种信号处理方法及装置 |
CN207867530U (zh) * | 2018-02-23 | 2018-09-14 | 余海波 | 信号处理装置及系统 |
WO2020136302A1 (es) * | 2018-12-28 | 2020-07-02 | Universidad De Granada | Procedimiento para la detección de señales balistocardiográficas y sistema que lo implementa |
CN111528832A (zh) * | 2020-05-28 | 2020-08-14 | 四川大学华西医院 | 一种心律失常分类方法及其有效性验证方法 |
Family Cites Families (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1966764A1 (en) * | 2005-12-19 | 2008-09-10 | Philips Intellectual Property & Standards GmbH | Iterative image reconstruction of a moving object from projection data |
US8632465B1 (en) * | 2009-11-03 | 2014-01-21 | Vivaquant Llc | Physiological signal denoising |
US9824287B2 (en) * | 2015-09-29 | 2017-11-21 | Huami Inc. | Method, apparatus and system for biometric identification |
US10980483B2 (en) * | 2015-11-20 | 2021-04-20 | PhysioWave, Inc. | Remote physiologic parameter determination methods and platform apparatuses |
US10980430B2 (en) * | 2016-03-10 | 2021-04-20 | Healthy.Io Ltd. | Cuff-less multi-sensor system for statistical inference of blood pressure with progressive learning/tuning |
WO2018112389A1 (en) * | 2016-12-15 | 2018-06-21 | Progenity Inc. | Ingestible device and associated methods |
CN107951485B (zh) * | 2017-11-27 | 2019-06-11 | 深圳市凯沃尔电子有限公司 | 基于人工智能自学习的动态心电图分析方法和装置 |
US20190298209A1 (en) * | 2018-03-28 | 2019-10-03 | Livmor, Inc. | Heartbeat detection |
US11564632B2 (en) * | 2018-05-07 | 2023-01-31 | Pacesetter, Inc. | Method and system to detect noise in cardiac arrhythmic patterns |
JP7462400B2 (ja) * | 2018-12-13 | 2024-04-05 | 現代自動車株式会社 | 問題騒音の発音源を識別するための騒音データの人工知能装置および前処理方法 |
CN110916636B (zh) * | 2019-11-22 | 2023-05-26 | 新绎健康科技有限公司 | 一种基于动态二阶差分阈值的bcg信号心率计算方法及系统 |
CN112075940A (zh) * | 2020-09-21 | 2020-12-15 | 哈尔滨工业大学 | 一种基于双向长短时记忆神经网络的震颤检测系统 |
-
2021
- 2021-03-03 CN CN202110233796.5A patent/CN113017613B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105636505A (zh) * | 2013-10-17 | 2016-06-01 | 皇家飞利浦有限公司 | 用于获得对象的生命体征的设备和方法 |
CN107530016A (zh) * | 2015-04-20 | 2018-01-02 | 深圳市长桑技术有限公司 | 一种生理体征信息获取方法和系统 |
CN106681961A (zh) * | 2015-11-09 | 2017-05-17 | 三星电子株式会社 | 信号特征提取方法和设备 |
CN108354612A (zh) * | 2018-01-19 | 2018-08-03 | 深圳和而泰数据资源与云技术有限公司 | 一种信号处理方法及装置 |
CN207867530U (zh) * | 2018-02-23 | 2018-09-14 | 余海波 | 信号处理装置及系统 |
WO2020136302A1 (es) * | 2018-12-28 | 2020-07-02 | Universidad De Granada | Procedimiento para la detección de señales balistocardiográficas y sistema que lo implementa |
CN111528832A (zh) * | 2020-05-28 | 2020-08-14 | 四川大学华西医院 | 一种心律失常分类方法及其有效性验证方法 |
Non-Patent Citations (4)
Title |
---|
Noninvasive Measurement of Physiological Signals on a Modified Home Bathroom Scale;Inan, OT; Park, D; (...); Kovacs, GTA;《IEEE TRANSACTIONS ON BIOMEDICAL ENGINEERING》;20120203;第59卷(第8期);第2137-2143页 * |
基于DSP的超声多普勒胎儿监护仪研究与实现;杨书玉; 杨虎; 熊显名;《国外电子测量技术》;20060422;第25卷(第04期);第76-79页 * |
心血管生理参数非接触式检测关键技术研究;范强;《中国优秀博硕士学位论文全文数据库(博士)医药卫生科技辑》;20180315(第03期);全文 * |
胸痛患者正常心电图对排除急性心肌梗死的价值;张黎明,林闽溪,黄冬梅,刘英妹;《临床心血管病杂志》;19990525;第15卷(第05期);第200-202页 * |
Also Published As
Publication number | Publication date |
---|---|
CN113017613A (zh) | 2021-06-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Tschannen et al. | Heart sound classification using deep structured features | |
Übeyli | Combining recurrent neural networks with eigenvector methods for classification of ECG beats | |
CN110547792B (zh) | 房颤的检测方法、装置、计算机设备及存储介质 | |
US20200074281A1 (en) | Computer-readable recording medium, abnormality determination method, and abnormality determination device | |
Zhang et al. | Classification of pulse waveforms using edit distance with real penalty | |
WO2022193312A1 (zh) | 基于多导联的心电信号识别方法和心电信号识别装置 | |
CN115470828A (zh) | 基于卷积与自注意力机制的多导联心电图分类识别方法 | |
KR102439082B1 (ko) | 딥러닝 기반 심전도 분석데이터를 이용한 일반인의 간질환 보유 가능성 예측 방법 | |
CN109770861B (zh) | 心电节律模型的训练及检测方法、装置、设备和存储介质 | |
CN110558971A (zh) | 基于单目标及多目标的生成对抗网络心电图异常检测方法 | |
Lassoued et al. | ECG decision support system based on feedforward neural networks | |
CN113017613B (zh) | 基于人工智能的心冲击波信号处理方法及计算机设备 | |
KR20200004667A (ko) | 순환신경망을 이용한 구간혈압 추정 방법 및 그 방법을 구현하기 위한 구간 혈압 추정 장치 | |
CN114154530A (zh) | 一种心电时序信号房颤检测模型训练方法及装置 | |
Shahin et al. | Adversarial multi-task learning for robust end-to-end ECG-based heartbeat classification | |
Sayed et al. | Arrhythmia classification based on novel distance series transform of phase space trajectories | |
CN116636856A (zh) | 心电分类方法、系统、电子设备及存储介质 | |
Pal et al. | Two-stage classifier for resource constrained on-board cardiac arrhythmia detection | |
CN116473569A (zh) | 一种心电图数据处理方法、系统及存储介质 | |
CN114004258B (zh) | 一种半监督的心电异常检测方法 | |
Mansor et al. | Local wall motion classification of stress echocardiography using a hidden Markov model approach | |
Bozyigit et al. | Classification of electrocardiogram (ECG) data using deep learning methods | |
Hernandez Larzabal et al. | Efficient estimation of time-dependent functional connectivity using Structural Connectivity constraints | |
CN113317797A (zh) | 一种结合医疗领域知识的可解释心率失常诊断方法 | |
Deepak et al. | ECG beat classification using CNN |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |