CN114176526B - 基于新型神经架构搜索的穿戴式膀胱充盈检测方法及装置 - Google Patents
基于新型神经架构搜索的穿戴式膀胱充盈检测方法及装置 Download PDFInfo
- Publication number
- CN114176526B CN114176526B CN202111641217.7A CN202111641217A CN114176526B CN 114176526 B CN114176526 B CN 114176526B CN 202111641217 A CN202111641217 A CN 202111641217A CN 114176526 B CN114176526 B CN 114176526B
- Authority
- CN
- China
- Prior art keywords
- network
- bladder
- signal
- filling
- search
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 37
- 230000001537 neural effect Effects 0.000 title claims abstract description 29
- 238000000034 method Methods 0.000 claims abstract description 31
- 230000003287 optical effect Effects 0.000 claims abstract description 20
- 238000012549 training Methods 0.000 claims abstract description 17
- 238000010168 coupling process Methods 0.000 claims description 19
- 238000005859 coupling reaction Methods 0.000 claims description 19
- 230000008878 coupling Effects 0.000 claims description 18
- 230000006870 function Effects 0.000 claims description 13
- 238000013527 convolutional neural network Methods 0.000 claims description 10
- 210000001015 abdomen Anatomy 0.000 claims description 7
- 238000011176 pooling Methods 0.000 claims description 6
- 230000004927 fusion Effects 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 5
- 230000008859 change Effects 0.000 claims description 3
- 238000004821 distillation Methods 0.000 claims description 3
- 230000007613 environmental effect Effects 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 238000012546 transfer Methods 0.000 claims description 3
- 238000010200 validation analysis Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 abstract description 3
- 210000002700 urine Anatomy 0.000 description 12
- 238000013528 artificial neural network Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 3
- 208000000693 Neurogenic Urinary Bladder Diseases 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000003902 lesion Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 206010029279 Neurogenic bladder Diseases 0.000 description 1
- 206010046543 Urinary incontinence Diseases 0.000 description 1
- 210000000683 abdominal cavity Anatomy 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000027939 micturition Effects 0.000 description 1
- 230000003387 muscular Effects 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 210000000653 nervous system Anatomy 0.000 description 1
- 230000000474 nursing effect Effects 0.000 description 1
- 230000000149 penetrating effect Effects 0.000 description 1
- 230000009323 psychological health Effects 0.000 description 1
- 230000002485 urinary effect Effects 0.000 description 1
- 210000001635 urinary tract Anatomy 0.000 description 1
- 208000019206 urinary tract infection Diseases 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/0059—Measuring for diagnostic purposes; Identification of persons using light, e.g. diagnosis by transillumination, diascopy, fluorescence
- A61B5/0075—Measuring for diagnostic purposes; Identification of persons using light, e.g. diagnosis by transillumination, diascopy, fluorescence by spectroscopy, i.e. measuring spectra, e.g. Raman spectroscopy, infrared absorption spectroscopy
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/05—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves
- A61B5/053—Measuring electrical impedance or conductance of a portion of the body
- A61B5/0535—Impedance plethysmography
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/20—Measuring for diagnostic purposes; Identification of persons for measuring urological functions restricted to the evaluation of the urinary system
- A61B5/202—Assessing bladder functions, e.g. incontinence assessment
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/20—Measuring for diagnostic purposes; Identification of persons for measuring urological functions restricted to the evaluation of the urinary system
- A61B5/202—Assessing bladder functions, e.g. incontinence assessment
- A61B5/204—Determining bladder volume
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/68—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient
- A61B5/6801—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient specially adapted to be attached to or worn on the body surface
- A61B5/6802—Sensor mounted on worn items
-
- 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
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Animal Behavior & Ethology (AREA)
- Veterinary Medicine (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Pathology (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Physiology (AREA)
- Urology & Nephrology (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Hematology (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Psychiatry (AREA)
- Signal Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于新型神经架构搜索的穿戴式膀胱充盈检测方法及装置。该检测方法如下：一、在服务器训练一个用于区分膀胱充盈度的网络；二、通过神经架构搜索方法，以服务器训练出的网络作为教师网络，进一步搜索出轻量化网络；三、将轻量化网络模型部署在膀胱充盈检测装置内置的处理器上；四、使用膀胱充盈检测装置采集用户的膀胱信号；五、将检测到的膀胱信号输入网络进行充盈度判断；本发明利用对膀胱位置非侵入式采集得到电学信号和光学信号，识别出使用者的膀胱充盈度，提高了膀胱充盈度检测的便捷性和舒适性；此外，本发明以服务器训练出的网络作为教师网络，搜索出了具有较高检测准确性的轻量化网络，减小了膀胱充盈度检测所需的算力。
Description
技术领域
本发明涉及智慧医疗领域，具体涉及一种基于新型神经架构搜索的穿戴式膀胱充盈检测装置。
背景技术
近年来膀胱病变的患者越来越多。人类膀胱是一种用于储尿的中空肌性囊状器官，其作为尿路系统的核心组成部分，管理着尿液的存储和排放。然而，根据美国泌尿外科护理基金会统计，仅在美国，就有超过3300万人患有神经源性膀胱障碍，患有神经源性膀胱的病人由于控制排尿的神经系统损伤，失去协调膀胱、贮排尿的功能，无法意识到膀胱内尿液容量的多少，无法得知自身何时需要排尿，因过度注意自身膀胱储尿多少导致出现尿频、尿失禁等情况，引起过度紧张、尴尬、沮丧和社会鼓励，极大影响病人的心理健康和生存质量。
膀胱病变还有多种，我们决定开发一种新型的穿戴式膀胱充盈检测装置，能够及时显示患者的膀胱充盈度情况，提醒患者及时排尿，引发各种并发症。现如今对膀胱充盈度检测的主流方法为导尿管技术，其通过将导管经尿路插入膀胱以检测膀胱充盈度，然而该方法不仅会对病人造成不适感，并且会使尿路感染发生的风险极高。而我们的装置采用非侵入式检测方法，提高了检测的便捷性、舒适性和准确性。
发明内容
本发明的目的在于现有技术存在的缺点与不足，提供一种基于新型神经架构搜索的穿戴式膀胱充盈检测装置。该装置可以通过光电耦合传感器采集光电信号，并通过一种新型算法检测出用户的膀胱充盈度。
第一方面，本发明提供一种基于新型神经架构搜索的穿戴式膀胱充盈检测方法，其包括以下步骤：
S10)在服务器训练一个用于精准区分膀胱充盈度的网络；该网络以膀胱的光学信号和电学信号为输入，膀胱充盈度为输出。光学信号为近红外光照射在下腹部的反射信号；电学信号为电阻抗信号。
S20)通过神经架构搜索方法，以服务器训练出的网络作为教师网络，进一步搜索出轻量化网络；
S30)将轻量化网络模型部署在膀胱充盈检测装置内置的处理器上；
S40)使用膀胱充盈检测装置采集用户的膀胱信号；
S50)将检测到的膀胱信号输入网络进行充盈度判断；
作为优选，步骤S10)的具体过程如下：
构建膀胱信号数据集用于训练。膀胱信号通过光学信号和电学信号两种形式信号融合得到。光学信号和电学信号通过光电耦合传感器采集得到；光电耦合传感器包括近红外光源、光电二极管、测试电极和电阻抗检测装置。将光学信号和电学信号融合后作为数据样本，构建用于检测膀胱充盈度变化的光电融合信号数据集。
对densenet121卷积神经网络进行训练；densenet121卷积神经网络通过串联的方式结合，用公式表示为：
xl＝Hl([x0.x1,…,xl-1])
其中，xl为第l层的输出,x0.x1,…,xl-1为前l-1层的输出，Hl(·)代表的是非线性转换函数，是BN、ReLU、3x3卷积核的操作组合。
作为优选，训练集中的膀胱信号设置膀胱充盈度标签；膀胱充盈度以10％为刻度进行十分类。
作为优选，步骤S10)中增加9轴姿态传感器以及温湿度传感器来进行修正姿态和环境变量的影响。
作为优选，步骤S20)的具体过程如下：
将步骤S10)获得的网络作为教师网络，指导神经架构搜索轻量型网络；将轻量型网络称为学生网络。将由两个输入节点，两个中间节点和一个输出节点组成的有序无环图作为一个基本单元cell。对于卷积单元而言，输入节点定义为前两层的输出，cell的输出节点是通过对两个中间节点做连接处理得到的。其中每个中间节点的表达式如下：
其中，x(i)为每一个节点，o(i,j)表示有序边i,j关于x(i)的操作。
对搜索空间的操作进行优化，只保留空洞卷积、深度可分离卷积、池化操作，并将操作用sigmod函数进行连续化，公式如下：
其中，为候选的操作集合，o(·)为任意两个相连节点之间的操作，/>为相连的两个节点间的操作混合权重。σ为sigmod函数；/>为操作空间。
模型架构搜索的任务转化为用梯度下降来优化损失。架构搜索的问题被简化为学习α*和网络权值w*。定义训练集损失为Ltrain，验证集损失为Lval，最终优化目标是在满足w*＝argminwLtrain(w,α)的前提下找到使得Lval(w*,α*)最小化的α*。
在神经架构搜索策略中，将搜索空间supernet作为学生网络，加入教师网络作为指导。具体方法为：在搜索策略的loss函数中加入教师网络的软标签，公式为：
其中，p(zi,T)为每一分类的概率值，zi为教师网络最后一个全连接层对每一分类的输出，T为自定义温度因子。
通过软标签定义蒸馏损失Lsoft＝∑i-p(zti,T)log(p(zsi,T))；其中，zti，zsi分别为教师和学生模型的全连接层各类别的输出。
定义硬标签损失其中，/>代表交叉熵损失，y是学生网络输入的真实标签向量。
同时加入0-1损失L0-1使不同操作的权重值更有区分度，公式为：
其中，αi为任意一个操作的权重；N为操作总数。
总损失Ltotal表示为：
Ltotal＝λ1Lsoft+(1-λ1)Lhard+λ2L0-1
其中，λ1和λ2为自定义参数。
最小化总损失Ltotal，以找到cell中每个节点间的最佳操作。将最终搜索到的cell作为基础结构，堆叠一个轻量化网络作为学生网络。
作为优选，步骤S30)中将步骤S20)得到的轻量化网络转换为MNN推理引擎，实现在嵌入式端的部署。
作为优选，被部署的处理器是基于ARMv7指令集的低功耗蓝牙芯片。
第二方面，本发明提供一种基于新型神经架构搜索的穿戴式膀胱充盈检测装置，其包括穿戴式主体，以及安装在穿戴式主体上的处理器和光电耦合传感器。穿戴式主体能够穿戴到人体的下腹部，并使得光电耦合传感器正对膀胱位置。光电耦合传感器能够检测电阻抗信号和反射的近红外光信号。处理器中部署有前述的学生网络，用以对光电耦合传感器采集到的电阻抗信号和近红外光信号进行处理，获取膀胱充盈度。
本发明的有益效果为：
本发明利用对膀胱位置非侵入式采集得到电学信号和光学信号，识别出使用者的膀胱充盈度，提高了膀胱充盈度检测的便捷性和舒适性；此外，本发明提出了一种新型的神经架构搜索方法，以服务器训练出的网络作为教师网络，搜索出了具有较高检测准确性的轻量化网络，减小了膀胱充盈度检测所需的算力，能够部署到基于ARM指令的低功耗蓝牙芯片中；从而降低了膀胱充盈检测装置成本，提高了膀胱充盈检测装置的便携性，进而达到穿戴式检测的目的。
附图说明
图1为本发明的流程图；
图2为步骤S10)中教师网络的示意图。
具体实施方式
以下结合附图对本发明进行进一步说明。
如图1所示，一种基于新型神经架构搜索的穿戴式膀胱充盈检测方法，包括以下步骤：
S10)在服务器训练一个用于精准区分膀胱充盈度的网络；该网络以膀胱的光学信号和电学信号为输入，膀胱充盈度为输出。光学信号为近红外光照射在下腹部的反射信号；电学信号为电阻抗信号。具体过程如下：
构建膀胱信号数据集用于训练。数据通过光学信号和电学信号两种形式信号融合，提高训练准确性。其中光学信号通过近红外光采集，近红外光能够进行膀胱充盈度探测是基于光线在不同的组织、不同的成分中具有不同的光衰，从而使PD接收的反射光强包含了各种组织的信息。同时，近红外光具有最深的穿透能力，能较容易穿透腹部耻区，经过膀胱壁面到达尿液。当近红外光抵达尿液，由于尿液中的水含量较高，造成PD接收的反射光强产生较大的突变，从而获取膀胱充盈度信息。电学信号由电阻抗特性获得，由于机体组织成分发生改变时，其电导率和相对介电常数将发生改变，例如，尿液充盈过程中，下腹部等效电阻抗将发生连续性改变、尿液充盈过程中，一定面板的的极板与人体的耦合电容将发生明显改变。因此，通过该特性，可以获得膀胱不同充盈度下的电学信号变化。我们采用光电耦合传感器获得光学信号和电学信号，并增加9轴姿态传感器以及温湿度传感器来进行修正姿态和环境变量的影响。光电耦合传感器包括近红外光源、光电二极管、测试电极和电阻抗检测装置。将光学信号和电学信号融合后作为数据样本，构建用于检测膀胱充盈度变化的光电融合信号数据集。
训练采用densenet121卷积神经网络。它的结构如图1所示；
densenet121卷积神经网络通过串联的方式结合，用公式表示为：
xl＝Hl([x0.x1,…,xl-1])
其中，xl为第l层的输出,x0.x1,…,xl-1为前l-1层的输出，Hl(·)代表的是非线性转换函数，是BN、ReLU、3x3卷积核的操作组合。与vgg模型类似，densenet通过分块结构构成，每个块称为denseblock，每个denseblock的中间层称为transitionlayers，由BN、1x1卷积核、2x2平均池化层组成。Densenet-121卷积神经网络的组成结构为1个7x7卷积核，一个3x3最大池化层，4个平均池化层和96个denseblock。
由densenet-121卷积神经网络训练膀胱充盈度光电融合信号数据集，得到以10％为刻度的，膀胱充盈度从0～100％的十分类结果。
S20)通过新型神经架构搜索方法，以服务器训练出的网络作为教师网络，进一步搜索出轻量化网络；具体步骤如下：
将步骤S10)中获得的densenet-121卷积神经网络作为教师网络，指导神经架构搜索轻量型网络，其中我们将轻量型网络称为densenet121的学生网络。
神经架构搜索(NAS)一种自动设计神经网络的技术，可以通过算法自动设计出最优的网络结构，再通过性能评估。搜索空间定义了可以搜索的神经网络结构的集合，决定了网络的潜在性能，搜索策略定义了如何在搜索空间中寻找最优网络结构，性能评估策略定义了如何评估搜索出的网络结构的性能。我们以cell为单位堆叠一个超网，我们称其为supernet，以此作为搜索空间，搜索最优的cell。cell是由两个输入节点，两个中间节点和一个输出节点组成的有序无环图。对于卷积单元而言，输入节点定义为前两层的输出，cell的输出节点是通过对两个中间节点做连接处理得到的。其中每个中间节点的表达式如下：
其中，x(i)为每一个节点，o(i,j)表示有序边i,j关于x(i)的操作。为了使构建的网络足够轻量化，我们对搜索空间的操作进行优化，只保留空洞卷积、深度可分离卷积、池化等计算量少的操作。为了使搜索能以可微分的方式进行，我们将操作用sigmod进行连续化，公式如下：
其中，为候选的操作集合，o(·)为任意两个相连节点之间的操作，/>为相连的两个节点间的操作混合权重。σ为sigmod函数；/>为操作空间。
经过上面的公式将操作连续化之后，模型架构搜索的任务可以转化为用梯度下降来优化损失。架构搜索的问题被简化为学习α*和网络权值w*。定义训练集损失为Ltrain，验证集损失为Lval，最终优化目标是在满足w*＝argminwLtrain(w,α)的前提下找到使得Lval(w*,α*)最小化的α*。
在神经架构搜索策略中，我们将搜索空间supernet作为学生网络，加入教师网络densenet121作为指导。具体方法为：在搜索策略的loss函数中加入教师网络的软标签，公式为：
其中，p(zi,T)为每一分类的概率值，zi为教师网络最后一个全连接层对每一分类的输出，T为自定义温度因子。
通过软标签定义蒸馏损失Lsoft，公式为：
其中，zti，zsi分别为教师和学生模型的全连接层各类别的输出。
与软标签对应的，定义硬标签损失Lhard为：
其中，代表交叉熵损失，y是学生网络输入的真实标签向量。
同时加入0-1损失L0-1使不同操作的权重值更有区分度，公式为：
其中，αi为任意一个操作的权重；N为操作总数。
总损失Ltotal表示为：
Ltotal＝λ1Lsoft+(1-λ1)Lhard+λ2L0-1
其中，λ1和λ2为自定义参数。
最小化总损失Ltotal，以找到cell中每个节点间的最佳操作。将最终搜索到的cell作为基础结构，堆叠一个轻量化网络作为学生网络。
S30)将轻量化网络模型部署在膀胱充盈检测装置内置的处理器上；具体步骤如下：
将S20)中搜索出的轻量化网络转换为MNN推理引擎，以实现在嵌入式端的部署。MNN是一个高效、轻量的深度学习引擎，在端侧加载卷积神经网络模型进行推理预测。我们部署的处理器是基于ARMv7指令集的低功耗蓝牙芯片，具体转换步骤为：将服务器中训练好的pytorch模型转换为onnx模型，再用MNN中的转换工具将onnx模型转换为MNN推理引擎下的模型。
S40)使用膀胱充盈检测装置采集用户的膀胱信号；具体步骤如下：
使用柔性材料制作可穿戴式设备，该可穿戴式设备中不仅集成了用于部署神经网络的处理器，还集成了用于检测光学信号和电学信号的光电耦合传感器，用于修正误差的9轴姿态传感器以及温湿度传感器。用户穿戴上设备后，光电耦合传感器可以透过腹腔对膀胱进行非侵入式的数据采集。采集的膀胱信号由近红外光得到的光学信号以及基于电阻抗特性得到的电学信号组成。
S50)将检测到的膀胱信号输入网络进行充盈度判断；具体步骤如下：
由S40)所述采集到的信号，作为部署至端侧的神经网络的输入信号，经过神经网络本地推理后，输出0,10％，20％，30％..至100％的膀胱充盈度结果，根据检测结果可以很好的实现对用户预警等功能。
Claims (7)
1.一种基于新型神经架构搜索的穿戴式膀胱充盈检测方法，其特征在于：包括以下步骤：
S10)在服务器训练一个用于区分膀胱充盈度的网络；该网络以膀胱的光学信号和电学信号为输入，膀胱充盈度为输出；光学信号为近红外光照射在下腹部的反射信号；电学信号为电阻抗信号；
S20)通过神经架构搜索方法，以服务器训练出的网络作为教师网络，进一步搜索出轻量化网络；
S30)将轻量化网络模型部署在膀胱充盈检测装置内置的处理器上；
S40)使用膀胱充盈检测装置采集用户的膀胱信号；
S50)将检测到的膀胱信号输入网络进行充盈度判断；
步骤S20)的具体过程如下：
将步骤S10)获得的网络作为教师网络，指导神经架构搜索轻量型网络；将轻量型网络称为学生网络；将由两个输入节点，两个中间节点和一个输出节点组成的有序无环图作为一个基本单元cell；对于卷积单元而言，输入节点定义为前两层的输出，cell的输出节点是通过对两个中间节点做连接处理得到的；其中每个中间节点的表达式如下：
其中，x(i)为每一个节点，o(i,j)表示有序边i,j关于x(i)的操作；
对搜索空间的操作进行优化，只保留空洞卷积、深度可分离卷积、池化操作，并将操作用sigmod函数进行连续化，公式如下：
其中，为候选的操作集合，o(·)为任意两个相连节点之间的操作，/>为相连的两个节点间的操作混合权重；σ为sigmod函数；/>为操作空间；
模型架构搜索的任务转化为用梯度下降来优化损失；架构搜索的问题被简化为学习α*和网络权值w*；定义训练集损失为Ltrain，验证集损失为Lval，最终优化目标是在满足w*＝argminwLtrain(w,α)的前提下找到使得Lval(w*,α*)最小化的α*；
在神经架构搜索策略中，将搜索空间supernet作为学生网络，加入教师网络作为指导；具体方法为：在搜索策略的loss函数中加入教师网络的软标签，公式为：
其中，p(zi,T)为每一分类的概率值，zi为教师网络最后一个全连接层对每一分类的输出，T为自定义温度因子；
通过软标签定义蒸馏损失Lsoft＝∑i-p(zti,T)log(p(zsi,T))；其中，zti，zsi分别为教师和学生模型的全连接层各类别的输出；
定义硬标签损失其中，/>代表交叉熵损失，y是学生网络输入的真实标签向量；
同时加入0-1损失L0-1使不同操作的权重值更有区分度，公式为：
其中，αi为任意一个操作的权重；N为操作总数；
总损失Ltotal表示为：
Ltotal＝λ1Lsoft+(1-λ1)Lhard+λ2L0-1
其中，λ1和λ2为自定义参数；
最小化总损失Ltotal，以找到cell中每个节点间的最佳操作；将最终搜索到的cell作为基础结构，堆叠一个轻量化网络作为学生网络。
2.根据权利要求1所述的基于新型神经架构搜索的穿戴式膀胱充盈检测方法，其特征在于：步骤S10)的具体过程如下：
构建膀胱信号数据集用于训练；膀胱信号通过光学信号和电学信号两种形式信号融合得到；光学信号和电学信号通过光电耦合传感器采集得到；光电耦合传感器包括近红外光源、光电二极管、测试电极和电阻抗检测装置；将光学信号和电学信号融合后作为数据样本，构建用于检测膀胱充盈度变化的光电融合信号数据集；
对densenet121卷积神经网络进行训练；densenet121卷积神经网络通过串联的方式结合，用公式表示为：
xl＝Hl([x0.x1,…,xl-1])
其中，xl为第l层的输出,x0.x1,…,xl-1为前l-1层的输出，Hl(·)代表的是非线性转换函数，是BN、ReLU、3x3卷积核的操作组合。
3.根据权利要求2所述的基于新型神经架构搜索的穿戴式膀胱充盈检测方法，其特征在于：训练集中的膀胱信号设置膀胱充盈度标签；膀胱充盈度以10％为刻度进行十分类。
4.根据权利要求2所述的基于新型神经架构搜索的穿戴式膀胱充盈检测方法，其特征在于：步骤S10)中增加9轴姿态传感器以及温湿度传感器来进行修正姿态和环境变量的影响。
5.根据权利要求1所述的基于新型神经架构搜索的穿戴式膀胱充盈检测方法，其特征在于：步骤S30)中将步骤S20)得到的轻量化网络转换为MNN推理引擎，实现在嵌入式端的部署。
6.根据权利要求1所述的基于新型神经架构搜索的穿戴式膀胱充盈检测方法，其特征在于：被部署的处理器是基于ARMv7指令集的低功耗蓝牙芯片。
7.一种基于新型神经架构搜索的穿戴式膀胱充盈检测装置，其特征在于：包括穿戴式主体，以及安装在穿戴式主体上的处理器和光电耦合传感器；穿戴式主体能够穿戴在人体的下腹部，并使得光电耦合传感器正对膀胱位置；光电耦合传感器能够检测电阻抗信号和反射的近红外光信号；处理器中部署有如权利要求1-6中任意一项所述的基于新型神经架构搜索的穿戴式膀胱充盈检测方法中的学生网络，用以对光电耦合传感器采集到的电阻抗信号和近红外光信号进行处理，获取膀胱充盈度。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111641217.7A CN114176526B (zh) | 2021-12-29 | 2021-12-29 | 基于新型神经架构搜索的穿戴式膀胱充盈检测方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111641217.7A CN114176526B (zh) | 2021-12-29 | 2021-12-29 | 基于新型神经架构搜索的穿戴式膀胱充盈检测方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114176526A CN114176526A (zh) | 2022-03-15 |
| CN114176526B true CN114176526B (zh) | 2024-05-07 |
Family
ID=80606396
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111641217.7A Active CN114176526B (zh) | 2021-12-29 | 2021-12-29 | 基于新型神经架构搜索的穿戴式膀胱充盈检测方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114176526B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115040140B (zh) * | 2022-06-29 | 2024-08-02 | 燕山大学 | 一种基于深度学习的实时麻醉深度监测系统 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110859636A (zh) * | 2019-12-12 | 2020-03-06 | 北京航空航天大学 | 一种对尿液电导率不敏感的动态膀胱体积测量方法 |
| CN112957073A (zh) * | 2021-01-29 | 2021-06-15 | 北京大学第三医院（北京大学第三临床医学院） | 一种膀胱容量的测量方法及系统 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2010123907A1 (en) * | 2009-04-24 | 2010-10-28 | Medtronic, Inc. | Bladder sensing using impedance and posture |
| WO2018175100A1 (en) * | 2017-03-24 | 2018-09-27 | The Regents Of The University Of California | System, device and method for bladder volume sensing |
| WO2019104170A2 (en) * | 2017-11-22 | 2019-05-31 | Verathon Inc. | Systems and methods for bladder health management |
-
2021
- 2021-12-29 CN CN202111641217.7A patent/CN114176526B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110859636A (zh) * | 2019-12-12 | 2020-03-06 | 北京航空航天大学 | 一种对尿液电导率不敏感的动态膀胱体积测量方法 |
| CN112957073A (zh) * | 2021-01-29 | 2021-06-15 | 北京大学第三医院（北京大学第三临床医学院） | 一种膀胱容量的测量方法及系统 |
Non-Patent Citations (1)
| Title |
|---|
| 膀胱充盈的三维电阻抗成像算法;冉鹏;何为;徐征;李冰;;计算物理;20130725(第04期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114176526A (zh) | 2022-03-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Lavrač | Selected techniques for data mining in medicine | |
| CN107103182A (zh) | 一种基于深度学习算法的心脏性疾病风险预警系统及方法 | |
| US20220198661A1 (en) | Artificial intelligence based medical image automatic diagnosis system and method | |
| CN114176526B (zh) | 基于新型神经架构搜索的穿戴式膀胱充盈检测方法及装置 | |
| CN106203484A (zh) | 一种基于类别分层机制的人体运动状态分类方法 | |
| CN111599462A (zh) | 基于认知学习的身体异常气味智能筛查系统 | |
| CN106559744A (zh) | 一种基于稀疏识别与压缩感知的体域网节能方法 | |
| CN116864112B (zh) | 用于人体芯片的用户数据智能管理系统及其方法 | |
| CN102722643A (zh) | 用于下肢肌电假肢控制的多信息融合运动模式识别方法 | |
| CN113133762B (zh) | 一种无创血糖预测方法及装置 | |
| CN115482926B (zh) | 知识驱动的罕见病可视化问答式辅助鉴别诊断系统及方法 | |
| CN116458878A (zh) | 一种微型通信感知一体太赫兹无创血糖监测系统 | |
| Gan et al. | Human-computer interaction based interface design of intelligent health detection using PCANet and multi-sensor information fusion | |
| CN113658110A (zh) | 一种基于动态领域自适应学习的医学图像识别方法 | |
| CN116584962B (zh) | 一种基于胃肠电信号的睡眠障碍预测系统及其构建方法 | |
| CN114533043B (zh) | 一种用于偏瘫患者肢体功能障碍自动评估的方法 | |
| US20230309931A1 (en) | Deep learning-based simple urine flow test result learning method and lower urinary tract symptom diagnosis method | |
| CN114974589A (zh) | 一种宫颈癌预测方法 | |
| Hsu et al. | A lightweight CNN net for AMD detection using OCT volumes | |
| CN113780378A (zh) | 一种疾病高危人群预测装置 | |
| CN109464158A (zh) | 一种生理检测方法、装置、终端及存储介质 | |
| KR20080072987A (ko) | 모바일 장치를 이용한 휴대용 방광기능 검사 방법 | |
| Chiranjeevi et al. | Human Activity Recognition using EfficientNet for Wearable Sensor Data | |
| CN118379292B (zh) | 植、介入性管状器械的外壁质量检测方法及装置 | |
| CN118121229A (zh) | 一种基于图像处理的尿失禁监测装置与监测方法 |
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 |