CN113143286B - 基于分布式学习的心电信号识别方法、系统、装置及介质 - Google Patents
基于分布式学习的心电信号识别方法、系统、装置及介质 Download PDFInfo
- Publication number
- CN113143286B CN113143286B CN202110478965.1A CN202110478965A CN113143286B CN 113143286 B CN113143286 B CN 113143286B CN 202110478965 A CN202110478965 A CN 202110478965A CN 113143286 B CN113143286 B CN 113143286B
- Authority
- CN
- China
- Prior art keywords
- parameter model
- global
- upper computer
- model
- local
- 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
- A61B5/72—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
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Physics & Mathematics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physiology (AREA)
- Psychiatry (AREA)
- Signal Processing (AREA)
- Fuzzy Systems (AREA)
- Evolutionary Computation (AREA)
- Pathology (AREA)
- Mathematical Physics (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明公开了一种基于分布式学习的心电信号识别方法、系统、装置及介质,方法包括:通过多个上位机分别采集第一心电信号并输入深度可分离卷积网络进行训练,得到第一局部参数模型;通过参数服务器对第一局部参数模型进行梯度下降后得到第一全局参数模型;通过各个上位机分别对第一全局参数模型进行梯度下降得到第二局部参数模型;通过参数服务器对第二局部参数模型进行梯度下降后得到第二全局参数模型;重复上述的梯度下降迭代直至得到的全局参数模型满足预设的收敛条件,根据该全局参数模型对各上位机采集的第二心电信号进行识别。本发明能够降低对参数服务器的算力要求,提高心电信号识别的效率和准确度,可广泛应用于心电信号识别技术领域。
Description
技术领域
本发明涉及心电信号识别技术领域,尤其是一种基于分布式学习的心电信号识别方法、系统、装置及介质。
背景技术
心律不齐是心血管疾病中常见的一种症状,是指心跳或快或慢,超过了一般范围的一种现象。心电信号是一种被广泛应用于诊断心血管疾病的数据指标,其具有数据量大、对噪声敏感、分析难度大的特点。如今,医院中对于心电信号的识别大多是依靠医生的经验来判断,不仅耗费大量时间,而且还有误诊和漏诊的风险。为了适应户外实时监测,提高监测效率,基于计算机技术的心律不齐信号识别分类成为了一个主要的研究方向。
目前,虽然有很多方法能够用于心电信号的分析和分类,例如深度学习特别是卷积神经网络的分类,但由于用于训练的数据不统一,采集的数据样本不能及时迭代,神经网络结构复杂等多方面的原因,在面对复杂多样的心电信号时,现有的方法难以实现高效、准确地识别。
发明内容
本发明的目的在于至少一定程度上解决现有技术中存在的技术问题之一。
为此,本发明实施例的一个目的在于提供一种基于分布式学习的心电信号识别方法,该方法通过分布式机器学习训练用于识别心电信号的全局参数模型,能够提高样本数据的利用率,降低对参数服务器的算力要求,并且可以确保模型的可靠性和拓展性,从而提高心电信号识别的效率和准确度。
本发明实施例的另一个目的在于提供一种基于分布式学习的心电信号识别系统。
为了达到上述技术目的,本发明实施例所采取的技术方案包括:
第一方面,本发明实施例提供了一种基于分布式学习的心电信号识别方法,包括以下步骤:
通过多个上位机分别采集多个第一心电信号,并将所述第一心电信号输入深度可分离卷积网络进行训练,得到多个第一局部参数模型;
通过各所述上位机将所述第一局部参数模型上传至参数服务器,并通过参数服务器对所述第一局部参数模型进行梯度下降,得到第一全局参数模型;
通过参数服务器将所述第一全局参数模型下发至各所述上位机,并通过各所述上位机分别对所述第一全局参数模型进行梯度下降,得到多个第二局部参数模型;
通过各所述上位机将所述第二局部参数模型上传至参数服务器,并通过参数服务器对所述第二局部参数模型进行梯度下降,得到第二全局参数模型;
确定所述第二全局参数模型满足预设的收敛条件,通过参数服务器将所述第二全局参数模型下发至各所述上位机,并根据所述第二全局参数模型对各所述上位机采集的第二心电信号进行识别。
进一步地,在本发明的一个实施例中,所述通过多个上位机分别采集多个第一心电信号,并将所述第一心电信号输入深度可分离卷积网络进行训练,得到多个第一局部参数模型这一步骤,其具体包括:
通过多个上位机分别采集多个第一心电信号,并通过各所述上位机对所述第一心电信号进行切片,提取出各所述第一心电信号的信号特征;
根据所述信号特征对所述第一心电信号进行标注,建立心电信号样本集,并将所述心电信号样本集划分为训练集、验证集以及测试集;
构建深度可分离卷积网络,并将所述训练集输入深度可分离卷积网络进行训练,得到多个备选局部参数模型;
利用所述验证集和所述测试集对所述备选局部参数模型进行验证和测试,并确定所述备选局部参数模型的分类准确度,进而选取分类准确度大于等于预设的第一阈值的备选局部参数模型作为第一局部参数模型。
进一步地,在本发明的一个实施例中,所述通过各所述上位机将所述第一局部参数模型上传至参数服务器,并通过参数服务器对所述第一局部参数模型进行梯度下降,得到第一全局参数模型这一步骤,其具体包括:
通过各所述上位机对所述第一局部参数模型进行RSA加密后上传至参数服务器;
通过参数服务器对加密后的第一局部参数模型进行模型聚合和随机梯度下降,得到第一全局参数模型。
进一步地,在本发明的一个实施例中,所述通过参数服务器将所述第一全局参数模型下发至各所述上位机,并通过各所述上位机分别对所述第一全局参数模型进行梯度下降,得到多个第二局部参数模型这一步骤,其具体包括:
通过参数服务器将所述第一全局参数模型下发至各所述上位机,并通过各所述上位机对所述第一全局参数模型进行RSA解密得到解密后的第一全局参数模型;
通过各所述上位机分别对解密后的第一全局参数模型进行随机梯度下降,得到多个第二局部参数模型。
进一步地,在本发明的一个实施例中,所述确定所述第二全局参数模型满足预设的收敛条件,通过参数服务器将所述第二全局参数模型下发至各所述上位机,并根据所述第二全局参数模型对各所述上位机采集的第二心电信号进行识别这一步骤,其具体包括:
确定所述第二全局参数模型与所述第一全局参数模型的差值小于等于预设的第二阈值,通过参数服务器将所述第二全局参数模型下发至各所述上位机;
通过各所述上位机分别采集第二心电信号,并根据所述第二全局参数模型对所述第二心电信号进行识别。
进一步地,在本发明的一个实施例中,所述确定所述第二全局参数模型满足预设的收敛条件,通过参数服务器将所述第二全局参数模型下发至各所述上位机,并根据所述第二全局参数模型对各所述上位机采集的第二心电信号进行识别这一步骤,其具体包括:
确定所述第二全局参数模型的迭代次数达到预设的第三阈值,通过参数服务器将所述第二全局参数模型下发至各所述上位机;
通过各所述上位机分别采集第二心电信号,并根据所述第二全局参数模型对所述第二心电信号进行识别。
进一步地,在本发明的一个实施例中,所述心电信号识别方法还包括以下步骤:
确定所述第二全局参数模型不满足预设的收敛条件,通过各所述上位机分别对所述第二全局参数模型进行梯度下降后再通过参数服务器进行模型聚合和梯度下降,直至得到满足所述收敛条件的全局参数模型。
第二方面,本发明实施例提供了一种基于分布式学习的心电信号识别系统,包括:
第一局部参数模型生成模块,用于通过多个上位机分别采集多个第一心电信号,并将所述第一心电信号输入深度可分离卷积网络进行训练,得到多个第一局部参数模型;
第一全局参数模型生成模块,用于通过各所述上位机将所述第一局部参数模型上传至参数服务器,并通过参数服务器对所述第一局部参数模型进行梯度下降,得到第一全局参数模型;
第二局部参数模型生成模块,用于通过参数服务器将所述第一全局参数模型下发至各所述上位机,并通过各所述上位机分别对所述第一全局参数模型进行梯度下降,得到多个第二局部参数模型;
第二全局参数模型生成模块,用于通过各所述上位机将所述第二局部参数模型上传至参数服务器,并通过参数服务器对所述第二局部参数模型进行梯度下降,得到第二全局参数模型;
心电信号识别模块,用于确定所述第二全局参数模型满足预设的收敛条件,通过参数服务器将所述第二全局参数模型下发至各所述上位机,并根据所述第二全局参数模型对各所述上位机采集的第二心电信号进行识别。
第三方面,本发明实施例提供了一种基于分布式学习的心电信号识别装置,包括:
至少一个处理器;
至少一个存储器,用于存储至少一个程序;
当所述至少一个程序被所述至少一个处理器执行时,使得所述至少一个处理器实现上述的一种基于分布式学习的心电信号识别方法。
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,其中存储有处理器可执行的程序,所述处理器可执行的程序在由处理器执行时用于执行上述的一种基于分布式学习的心电信号识别方法。
本发明的优点和有益效果将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到:
本发明实施例通过多个上位机分别采集第一心电信号并输入深度可分离卷积网络进行训练,得到第一局部参数模型,再通过参数服务器对第一局部参数模型进行梯度下降后得到第一全局参数模型,然后通过各个上位机分别对第一全局参数模型进行梯度下降得到第二局部参数模型,进而通过参数服务器对第二局部参数模型进行梯度下降后得到第二全局参数模型,重复上述的梯度下降迭代直至得到的全局参数模型满足预设的收敛条件,然后根据该全局参数模型对各上位机采集的第二心电信号进行识别。本发明实施例通过分布式机器学习训练用于识别心电信号的全局参数模型,能够提高样本数据的利用率,降低对参数服务器的算力要求,并且可以确保模型的可靠性和拓展性,从而提高心电信号识别的效率和准确度。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面对本发明实施例中所需要使用的附图作以下介绍,应当理解的是,下面介绍中的附图仅仅为了方便清晰表述本发明的技术方案中的部分实施例,对于本领域的技术人员来说,在无需付出创造性劳动的前提下,还可以根据这些附图获取到其他附图。
图1为本发明实施例提供的一种基于分布式学习的心电信号识别方法的步骤流程图;
图2为本发明实施例提供的深度可分离卷积网络的结构示意图;
图3为本发明实施例提供的分布式机器学习的流程示意图;
图4为本发明实施例提供的一种基于分布式学习的心电信号识别系统的结构框图;
图5为本发明实施例提供的一种基于分布式学习的心电信号识别装置的结构框图。
具体实施方式
下面详细描述本发明的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,仅用于解释本发明,而不能理解为对本发明的限制。对于以下实施例中的步骤编号,其仅为了便于阐述说明而设置,对步骤之间的顺序不做任何限定,实施例中的各步骤的执行顺序均可根据本领域技术人员的理解来进行适应性调整。
在本发明的描述中,多个的含义是两个或两个以上,如果有描述到第一、第二只是用于区分技术特征为目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量或者隐含指明所指示的技术特征的先后关系。此外,除非另有定义,本文所使用的所有的技术和科学术语与本技术领域的技术人员通常理解的含义相同。
参照图1,本发明实施例提供了一种基于分布式学习的心电信号识别方法,具体包括以下步骤:
S101、通过多个上位机分别采集多个第一心电信号,并将第一心电信号输入深度可分离卷积网络进行训练,得到多个第一局部参数模型。
具体地,多个上位机分别通过与其远程通信连接的下位机采集心电信号,并对采集到的心电信号进行特征提取后再通过深度可分离卷积网络进行训练。步骤S101具体包括以下步骤:
S1011、通过多个上位机分别采集多个第一心电信号,并通过各上位机对第一心电信号进行切片,提取出各第一心电信号的信号特征;
S1012、特征对第一心电信号进行标注,建立心电信号样本集,并将心电信号样本集划分为训练集、验证集以及测试集;
S1013、构建深度可分离卷积网络,并将训练集输入深度可分离卷积网络进行训练,得到多个备选局部参数模型;
S1014、利用验证集和测试集对备选局部参数模型进行验证和测试,并确定备选局部参数模型的分类准确度,进而选取分类准确度大于等于预设的第一阈值的备选局部参数模型作为第一局部参数模型。
具体地,本发明实施例的深度可分离卷积网络采用MobileNet V3网络,其具体结构如图2所示,依次包括3×3深度可分离卷积层、BN层、ReLU层、1×1卷积层、BN层和ReLU层。
本发明实施例中,具体训练过程如下:
构建MobileNet V3网络,将MobileNet V3网络中每个多特征倒残差层与其前、后一层或者多层倒残差层的输出特征输入特征融合模块,得到融合特征;将该融合特征作为分类和回归网络的输入;根据多尺度特征提取网络中的卷积层;将最后一层的输出特征输入卷积注意力模块,输出特征波形作为分类和回归网络的输入;建立MobileNet V3网络的目标损失函数,设置训练参数,将前述得到的训练集输入MobileNet V3网络进行训练,得到多个备选局部参数模型;利用前述得到的验证集、测试集对备选局部参数模型进行验证、测试,并通过模型评价指标对备选局部参数模型进行评估,得到各个备选局部参数模型的分类准确度,并将所分类准确度大于等于预设的第一阈值的备选局部参数模型作为第一局部参数模型加入后续的分布式机器学习的流程中。
S102、通过各上位机将第一局部参数模型上传至参数服务器,并通过参数服务器对第一局部参数模型进行梯度下降,得到第一全局参数模型。
具体地,对第一局部参数模型进行部分同态加密后上传至参数服务器进行模型聚合和梯度下降。步骤S102具体包括以下步骤:
S1021、通过各上位机对第一局部参数模型进行RSA加密后上传至参数服务器;
S1022、通过参数服务器对加密后的第一局部参数模型进行模型聚合和随机梯度下降,得到第一全局参数模型。
具体地,各个上位机将第一局部参数模型利用RSA进行部分同态加密,获得加密后的局部参数模型;将加密后的局部参数模型上传至参数服务器;参数服务器对加密后的局部参数模型进行模型聚合和随机梯度计算,随机梯度计算的公式如下:
lt-1=ωt-η*g(wt;xt,yt)
其中,ωt表示当前模型,(xt,yt)表示随机抽取的数据,g(wt;xt,yt)表示(xt,yt)所对应的经验损失函数关于当前模型wt的梯度,η单位学习率的迭代步长。
参数服务器在完成随机梯度计算后可以得到全局参数模型。
可选地,可以采用ADMM、SSGD等方法进行模型聚合。
S103、通过参数服务器将第一全局参数模型下发至各上位机,并通过各上位机分别对第一全局参数模型进行梯度下降,得到多个第二局部参数模型。
具体地,参数服务器将第一全局参数模型广播给所有参与训练的上位机,上位机获取第一全局参数模型后进行解密操作,然后继续进行梯度下降。步骤S103具体包括以下步骤:
S1031、通过参数服务器将第一全局参数模型下发至各上位机,并通过各上位机对第一全局参数模型进行RSA解密得到解密后的第一全局参数模型;
S1032、通过各上位机分别对解密后的第一全局参数模型进行随机梯度下降,得到多个第二局部参数模型。
具体地,本发明实施例提供的分布式机器学习的流程如图3所示,上位机训练后获得的局部参数模型本地加密后上传至参数服务器,参数服务器对每个参与方的局部参数模型进行模型聚合和梯度下降,从而获得全局参数模型,当达到一定条件时,将全局参数模型分享给参与训练的上位机,上位机对全局参数模型进行解密即可用于对心电信号的精确识别。
S104、通过各上位机将第二局部参数模型上传至参数服务器,并通过参数服务器对第二局部参数模型进行梯度下降,得到第二全局参数模型。
具体地,步骤S104的具体实施过程与步骤S102类似,在此不做赘述。
S105、确定第二全局参数模型满足预设的收敛条件,通过参数服务器将第二全局参数模型下发至各上位机,并根据第二全局参数模型对各上位机采集的第二心电信号进行识别。
可以理解的是,本发明实施例中第二全局参数模型并不特指第一次迭代得到全局参数模型,也可以指代N次迭代后得到的全局参数模型,只需在每次迭代后判断得到的全局参数模型是否满足预设的收敛条件即可。
本发明实施例中,需要重复步骤S103和步骤S104若干次直至得到的全局参数模型满足预设的收敛条件,然后将得到全局参数模型下发至各上位机,进而可以根据该全局参数模型对各上位机采集的第二心电信号进行识别。对于步骤S105的一种实施方式,其具体包括以下步骤:
S1051、确定第二全局参数模型与第一全局参数模型的差值小于等于预设的第二阈值,通过参数服务器将第二全局参数模型下发至各上位机;
S1052、通过各上位机分别采集第二心电信号,并根据第二全局参数模型对第二心电信号进行识别。
具体地,预先自定义一个合适的第二阈值,当两次迭代之间的差值小于第二阈值时,迭代结束,将此时得到的全局参数模型作为最终模型下发至各上位机进行心电信号识别。
对于步骤S105的另一种实施方式,其具体包括以下步骤,
S1053、确定第二全局参数模型的迭代次数达到预设的第三阈值,通过参数服务器将第二全局参数模型下发至各上位机;
S1054、通过各上位机分别采集第二心电信号,并根据第二全局参数模型对第二心电信号进行识别。
具体地,可以预先设置一个合适的迭代次数阈值(即第三阈值),比如1000或500,梯度下降最终的迭代肯定会收敛,只要达到相应迭代次数,即可将此时的全局参数模型作为最终模型下发至各上位机进行心电信号识别。
进一步作为可选的实施方式,心电信号识别方法还包括以下步骤:
确定第二全局参数模型不满足预设的收敛条件,通过各上位机分别对第二全局参数模型进行梯度下降后再通过参数服务器进行模型聚合和梯度下降,直至得到满足收敛条件的全局参数模型。
具体地,当得到的全局参数模型不满足预设的收敛条件时,需重复步骤S103和步骤S104若干次,直至满足预设的收敛条件,具体过程不再赘述。
以上对本发明实施例的步骤进行了说明,本发明实施例利用深度可卷积神经网络可以使低算力的嵌入式设备能够学习心电信号特征,降低训练所需的计算资源;通过分布式机器学习的方法,能够提高数据利用率,降低参数服务器的计算成本,并且保证模型的可靠性和拓展性;降低了用户对心电信号的专业知识要求,提高监测患者的准确率;同时还通过安全的参数模型共享机制,保证了被检测方和医院的数据隐私安全。
可以认识到,本发明实施例能够应用于临床监护、日常检测和社区疾病筛查等需要对心电信号进行处理的场景中的数据分析,通过对更多被检测方的数据进行快速学习,能够增加数据样本,从而提高识别的准确率。相较于本地使用神经网络进行识别的方法,本发明实施例能够利用更多上位机的样本数据进行学习,而且消耗的计算时间要远远比先上传数据再由参数服务器训练的时间要短,并且在数据传输的过程中能够保证数据安全。
参照图4,本发明实施例提供了一种基于分布式学习的心电信号识别系统,包括:
第一局部参数模型生成模块,用于通过多个上位机分别采集多个第一心电信号,并将第一心电信号输入深度可分离卷积网络进行训练,得到多个第一局部参数模型;
第一全局参数模型生成模块,用于通过各上位机将第一局部参数模型上传至参数服务器,并通过参数服务器对第一局部参数模型进行梯度下降,得到第一全局参数模型;
第二局部参数模型生成模块,用于通过参数服务器将第一全局参数模型下发至各上位机,并通过各上位机分别对第一全局参数模型进行梯度下降,得到多个第二局部参数模型;
第二全局参数模型生成模块,用于通过各上位机将第二局部参数模型上传至参数服务器,并通过参数服务器对第二局部参数模型进行梯度下降,得到第二全局参数模型;
心电信号识别模块,用于确定第二全局参数模型满足预设的收敛条件,通过参数服务器将第二全局参数模型下发至各上位机,并根据第二全局参数模型对各上位机采集的第二心电信号进行识别。
上述方法实施例中的内容均适用于本系统实施例中,本系统实施例所具体实现的功能与上述方法实施例相同,并且达到的有益效果与上述方法实施例所达到的有益效果也相同。
参照图5,本发明实施例提供了一种基于分布式学习的心电信号识别装置,包括:
至少一个处理器;
至少一个存储器,用于存储至少一个程序;
当上述至少一个程序被上述至少一个处理器执行时,使得上述至少一个处理器实现上述的一种基于分布式学习的心电信号识别方法。
上述方法实施例中的内容均适用于本装置实施例中,本装置实施例所具体实现的功能与上述方法实施例相同,并且达到的有益效果与上述方法实施例所达到的有益效果也相同。
本发明实施例还提供了一种计算机可读存储介质,其中存储有处理器可执行的程序,该处理器可执行的程序在由处理器执行时用于执行上述一种基于分布式学习的心电信号识别方法。
本发明实施例的一种计算机可读存储介质,可执行本发明方法实施例所提供的一种基于分布式学习的心电信号识别方法,可执行方法实施例的任意组合实施步骤,具备该方法相应的功能和有益效果。
本发明实施例还公开了一种计算机程序产品或计算机程序,该计算机程序产品或计算机程序包括计算机指令,该计算机指令存储在计算机可读存介质中。计算机设备的处理器可以从计算机可读存储介质读取该计算机指令,处理器执行该计算机指令,使得该计算机设备执行图1所示的方法。
在一些可选择的实施例中,在方框图中提到的功能/操作可以不按照操作示图提到的顺序发生。例如,取决于所涉及的功能/操作,连续示出的两个方框实际上可以被大体上同时地执行或上述方框有时能以相反顺序被执行。此外,在本发明的流程图中所呈现和描述的实施例以示例的方式被提供,目的在于提供对技术更全面的理解。所公开的方法不限于本文所呈现的操作和逻辑流程。可选择的实施例是可预期的,其中各种操作的顺序被改变以及其中被描述为较大操作的一部分的子操作被独立地执行。
此外,虽然在功能性模块的背景下描述了本发明,但应当理解的是,除非另有相反说明,上述的功能和/或特征中的一个或多个可以被集成在单个物理装置和/或软件模块中,或者一个或多个功能和/或特征可以在单独的物理装置或软件模块中被实现。还可以理解的是,有关每个模块的实际实现的详细讨论对于理解本发明是不必要的。更确切地说,考虑到在本文中公开的装置中各种功能模块的属性、功能和内部关系的情况下,在工程师的常规技术内将会了解该模块的实际实现。因此,本领域技术人员运用普通技术就能够在无需过度试验的情况下实现在权利要求书中所阐明的本发明。还可以理解的是,所公开的特定概念仅仅是说明性的,并不意在限制本发明的范围,本发明的范围由所附权利要求书及其等同方案的全部范围来决定。
上述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。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或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,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上述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤,例如,可以被认为是用于实现逻辑功能的可执行指令的定序列表,可以具体实现在任何计算机可读介质中,以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用,或结合这些指令执行系统、装置或设备而使用。就本说明书而言,“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。
计算机可读介质的更具体的示例(非穷尽性列表)包括以下:具有一个或多个布线的电连接部(电子装置),便携式计算机盘盒(磁装置),随机存取存储器(RAM),只读存储器(ROM),可擦除可编辑只读存储器(EPROM或闪速存储器),光纤装置,以及便携式光盘只读存储器(CDROM)。另外,计算机可读介质甚至可以是可在其上打印上述程序的纸或其他合适的介质,因为可以例如通过对纸或其他介质进行光学扫描,接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得上述程序,然后将其存储在计算机存储器中。
应当理解,本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中,多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如,如果用硬件来实现,和在另一实施方式中一样,可用本领域公知的下列技术中的任一项或他们的组合来实现:具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路,具有合适的组合逻辑门电路的专用集成电路,可编程门阵列(PGA),现场可编程门阵列(FPGA)等。
在本说明书的上述描述中,参考术语“一个实施方式/实施例”、“另一实施方式/实施例”或“某些实施方式/实施例”等的描述意指结合实施方式或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施方式或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施方式或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施方式或示例中以合适的方式结合。
尽管已经示出和描述了本发明的实施方式,本领域的普通技术人员可以理解:在不脱离本发明的原理和宗旨的情况下可以对这些实施方式进行多种变化、修改、替换和变型,本发明的范围由权利要求及其等同物限定。
以上是对本发明的较佳实施进行了具体说明,但本发明并不限于上述实施例,熟悉本领域的技术人员在不违背本发明精神的前提下还可做作出种种的等同变形或替换,这些等同的变形或替换均包含在本申请权利要求所限定的范围内。
Claims (9)
1.一种基于分布式学习的心电信号识别方法,其特征在于,包括以下步骤:
通过多个上位机分别采集多个第一心电信号,并将所述第一心电信号输入深度可分离卷积网络进行训练,得到多个第一局部参数模型;
通过各所述上位机将所述第一局部参数模型上传至参数服务器,并通过参数服务器对所述第一局部参数模型进行梯度下降,得到第一全局参数模型;
通过参数服务器将所述第一全局参数模型下发至各所述上位机,并通过各所述上位机分别对所述第一全局参数模型进行梯度下降,得到多个第二局部参数模型;
通过各所述上位机将所述第二局部参数模型上传至参数服务器,并通过参数服务器对所述第二局部参数模型进行梯度下降,得到第二全局参数模型;
确定所述第二全局参数模型满足预设的收敛条件,通过参数服务器将所述第二全局参数模型下发至各所述上位机,并根据所述第二全局参数模型对各所述上位机采集的第二心电信号进行识别;
所述通过多个上位机分别采集多个第一心电信号,并将所述第一心电信号输入深度可分离卷积网络进行训练,得到多个第一局部参数模型这一步骤,其具体包括:
通过多个上位机分别采集多个第一心电信号,并通过各所述上位机对所述第一心电信号进行切片,提取出各所述第一心电信号的信号特征;
根据所述信号特征对所述第一心电信号进行标注,建立心电信号样本集,并将所述心电信号样本集划分为训练集、验证集以及测试集;
构建深度可分离卷积网络,并将所述训练集输入深度可分离卷积网络进行训练,得到多个备选局部参数模型;
利用所述验证集和所述测试集对所述备选局部参数模型进行验证和测试,并确定所述备选局部参数模型的分类准确度,进而选取分类准确度大于等于预设的第一阈值的备选局部参数模型作为第一局部参数模型。
2.根据权利要求1所述的一种基于分布式学习的心电信号识别方法,其特征在于,所述通过各所述上位机将所述第一局部参数模型上传至参数服务器,并通过参数服务器对所述第一局部参数模型进行梯度下降,得到第一全局参数模型这一步骤,其具体包括:
通过各所述上位机对所述第一局部参数模型进行RSA加密后上传至参数服务器;
通过参数服务器对加密后的第一局部参数模型进行模型聚合和随机梯度下降,得到第一全局参数模型。
3.根据权利要求2所述的一种基于分布式学习的心电信号识别方法,其特征在于,所述通过参数服务器将所述第一全局参数模型下发至各所述上位机,并通过各所述上位机分别对所述第一全局参数模型进行梯度下降,得到多个第二局部参数模型这一步骤,其具体包括:
通过参数服务器将所述第一全局参数模型下发至各所述上位机,并通过各所述上位机对所述第一全局参数模型进行RSA解密得到解密后的第一全局参数模型;
通过各所述上位机分别对解密后的第一全局参数模型进行随机梯度下降,得到多个第二局部参数模型。
4.根据权利要求1所述的一种基于分布式学习的心电信号识别方法,其特征在于,所述确定所述第二全局参数模型满足预设的收敛条件,通过参数服务器将所述第二全局参数模型下发至各所述上位机,并根据所述第二全局参数模型对各所述上位机采集的第二心电信号进行识别这一步骤,其具体包括:
确定所述第二全局参数模型与所述第一全局参数模型的差值小于等于预设的第二阈值,通过参数服务器将所述第二全局参数模型下发至各所述上位机;
通过各所述上位机分别采集第二心电信号,并根据所述第二全局参数模型对所述第二心电信号进行识别。
5.根据权利要求1所述的一种基于分布式学习的心电信号识别方法,其特征在于,所述确定所述第二全局参数模型满足预设的收敛条件,通过参数服务器将所述第二全局参数模型下发至各所述上位机,并根据所述第二全局参数模型对各所述上位机采集的第二心电信号进行识别这一步骤,其具体包括:
确定所述第二全局参数模型的迭代次数达到预设的第三阈值,通过参数服务器将所述第二全局参数模型下发至各所述上位机;
通过各所述上位机分别采集第二心电信号,并根据所述第二全局参数模型对所述第二心电信号进行识别。
6.根据权利要求1至5中任一项所述的一种基于分布式学习的心电信号识别方法,其特征在于,所述心电信号识别方法还包括以下步骤:
确定所述第二全局参数模型不满足预设的收敛条件,通过各所述上位机分别对所述第二全局参数模型进行梯度下降后再通过参数服务器进行模型聚合和梯度下降,直至得到满足所述收敛条件的全局参数模型。
7.一种基于分布式学习的心电信号识别系统,其特征在于,包括:
第一局部参数模型生成模块,用于通过多个上位机分别采集多个第一心电信号,并将所述第一心电信号输入深度可分离卷积网络进行训练,得到多个第一局部参数模型;
第一全局参数模型生成模块,用于通过各所述上位机将所述第一局部参数模型上传至参数服务器,并通过参数服务器对所述第一局部参数模型进行梯度下降,得到第一全局参数模型;
第二局部参数模型生成模块,用于通过参数服务器将所述第一全局参数模型下发至各所述上位机,并通过各所述上位机分别对所述第一全局参数模型进行梯度下降,得到多个第二局部参数模型;
第二全局参数模型生成模块,用于通过各所述上位机将所述第二局部参数模型上传至参数服务器,并通过参数服务器对所述第二局部参数模型进行梯度下降,得到第二全局参数模型;
心电信号识别模块,用于确定所述第二全局参数模型满足预设的收敛条件,通过参数服务器将所述第二全局参数模型下发至各所述上位机,并根据所述第二全局参数模型对各所述上位机采集的第二心电信号进行识别;
所述第一局部参数模型生成模块具体用于:
通过多个上位机分别采集多个第一心电信号,并通过各所述上位机对所述第一心电信号进行切片,提取出各所述第一心电信号的信号特征;
根据所述信号特征对所述第一心电信号进行标注,建立心电信号样本集,并将所述心电信号样本集划分为训练集、验证集以及测试集;
构建深度可分离卷积网络,并将所述训练集输入深度可分离卷积网络进行训练,得到多个备选局部参数模型;
利用所述验证集和所述测试集对所述备选局部参数模型进行验证和测试,并确定所述备选局部参数模型的分类准确度,进而选取分类准确度大于等于预设的第一阈值的备选局部参数模型作为第一局部参数模型。
8.一种基于分布式学习的心电信号识别装置,其特征在于,包括:
至少一个处理器;
至少一个存储器,用于存储至少一个程序;
当所述至少一个程序被所述至少一个处理器执行,使得所述至少一个处理器实现如权利要求1至6中任一项所述的一种基于分布式学习的心电信号识别方法。
9.一种计算机可读存储介质,其中存储有处理器可执行的程序,其特征在于,所述处理器可执行的程序在由处理器执行时用于执行如权利要求1至6中任一项所述的一种基于分布式学习的心电信号识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110478965.1A CN113143286B (zh) | 2021-04-30 | 2021-04-30 | 基于分布式学习的心电信号识别方法、系统、装置及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110478965.1A CN113143286B (zh) | 2021-04-30 | 2021-04-30 | 基于分布式学习的心电信号识别方法、系统、装置及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113143286A CN113143286A (zh) | 2021-07-23 |
CN113143286B true CN113143286B (zh) | 2023-06-20 |
Family
ID=76872913
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110478965.1A Active CN113143286B (zh) | 2021-04-30 | 2021-04-30 | 基于分布式学习的心电信号识别方法、系统、装置及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113143286B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109785973A (zh) * | 2019-01-25 | 2019-05-21 | 中国医学科学院阜外医院 | 一种手术患者在围手术期发生并发症的定量预测方法 |
CN111460951A (zh) * | 2020-03-25 | 2020-07-28 | 西安交通大学 | 一种基于深度学习的心电信号自动分析方法 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11836576B2 (en) * | 2018-04-13 | 2023-12-05 | International Business Machines Corporation | Distributed machine learning at edge nodes |
US20200034747A1 (en) * | 2018-07-25 | 2020-01-30 | Kabushiki Kaisha Toshiba | System and method for distributed learning |
US11216512B2 (en) * | 2018-10-08 | 2022-01-04 | Fujitsu Limited | Accessible machine learning backends |
US11886961B2 (en) * | 2019-09-25 | 2024-01-30 | Sap Se | Preparing data for machine learning processing |
US11379727B2 (en) * | 2019-11-25 | 2022-07-05 | Shanghai United Imaging Intelligence Co., Ltd. | Systems and methods for enhancing a distributed medical network |
CN111860832A (zh) * | 2020-07-01 | 2020-10-30 | 广州大学 | 一种基于联邦学习的增强神经网络防御能力的方法 |
CN111709533B (zh) * | 2020-08-19 | 2021-03-30 | 腾讯科技(深圳)有限公司 | 机器学习模型的分布式训练方法、装置以及计算机设备 |
-
2021
- 2021-04-30 CN CN202110478965.1A patent/CN113143286B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109785973A (zh) * | 2019-01-25 | 2019-05-21 | 中国医学科学院阜外医院 | 一种手术患者在围手术期发生并发症的定量预测方法 |
CN111460951A (zh) * | 2020-03-25 | 2020-07-28 | 西安交通大学 | 一种基于深度学习的心电信号自动分析方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113143286A (zh) | 2021-07-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110832499B (zh) | 通过稀疏时间池化网络的弱监督动作定位 | |
CN109919928B (zh) | 医学影像的检测方法、装置和存储介质 | |
US20170049389A1 (en) | Internet-Based Traditional Chinese Medical Science Health Consultation System | |
CN113724880A (zh) | 一种异常脑连接预测系统、方法、装置及可读存储介质 | |
CN111345817B (zh) | Qrs波群位置确定方法、装置、设备及存储介质 | |
WO2011126860A2 (en) | Medical diagnosis using biometric sensor protocols | |
CN108935188A (zh) | 猪只疾病识别方法、装置及电子设备 | |
CN112426160A (zh) | 一种心电信号类型识别方法及装置 | |
CN104423574B (zh) | 用于增强系统可用性的设备和方法 | |
CN104133999A (zh) | 消化道疾病远程医疗信息服务系统 | |
CN105611872A (zh) | 用于评估多通道ecg信号的装置和方法 | |
CN109460717A (zh) | 消化道共聚焦激光显微内镜病变图像识别方法及装置 | |
Chen et al. | Edge2Analysis: a novel AIoT platform for atrial fibrillation recognition and detection | |
CN109817297B (zh) | 医疗报告的生成方法、装置、计算机设备及计算机存储介质 | |
CN113143286B (zh) | 基于分布式学习的心电信号识别方法、系统、装置及介质 | |
CN116631626A (zh) | 一种患者临床风险评估方法、装置、设备及介质 | |
CN110414562A (zh) | X光片的分类方法、装置、终端及存储介质 | |
CN115024816A (zh) | 一种冷循环微波肿瘤消融系统 | |
Grueneberg et al. | IoT data management system for rapid development of machine learning models | |
CN114300071A (zh) | 一种基于真实数据的信息化系统以及方法 | |
CN112086174A (zh) | 一种三维知识诊断模型构建方法和系统 | |
Catherwood et al. | Artificial intelligence for long-term respiratory disease management | |
Bopaiah et al. | Precision/Recall trade-off analysis in Abnormal/Normal heart sound classification | |
CN109480757A (zh) | 视功能检测方法和系统及装置 | |
CN115620110B (zh) | 一种视频事件定位与识别方法、装置及存储介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |