CN114757260A - 生理学电信号分类方法、装置、电子设备及存储介质 - Google Patents

生理学电信号分类方法、装置、电子设备及存储介质 Download PDF

Info

Publication number
CN114757260A
CN114757260A CN202210255157.3A CN202210255157A CN114757260A CN 114757260 A CN114757260 A CN 114757260A CN 202210255157 A CN202210255157 A CN 202210255157A CN 114757260 A CN114757260 A CN 114757260A
Authority
CN
China
Prior art keywords
physiological
neural network
network model
data set
data
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
Application number
CN202210255157.3A
Other languages
English (en)
Inventor
王兴军
赵亮
汤献文
刘冠洲
杨逸飞
林国栋
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen International Graduate School of Tsinghua University
Original Assignee
Shenzhen International Graduate School of Tsinghua University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shenzhen International Graduate School of Tsinghua University filed Critical Shenzhen International Graduate School of Tsinghua University
Priority to CN202210255157.3A priority Critical patent/CN114757260A/zh
Publication of CN114757260A publication Critical patent/CN114757260A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/48—Other medical applications
    • A61B5/4806—Sleep evaluation
    • 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
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent

Landscapes

  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • Veterinary Medicine (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Animal Behavior & Ethology (AREA)
  • Surgery (AREA)
  • Mathematical Physics (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Pathology (AREA)
  • Software Systems (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computing Systems (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Computational Linguistics (AREA)
  • Fuzzy Systems (AREA)
  • Physiology (AREA)
  • Psychiatry (AREA)
  • Signal Processing (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)

Abstract

本发明提供一种生理学电信号分类方法、装置、电子设备及存储介质，所述方法包括：获取待分类的目标生理学电信号；将目标生理学电信号输入预先训练的生理学电信号特征提取模型，得到目标生理学电信号的特征向量，根据目标生理学电信号的特征向量与已知类别生理学电信号的特征向量之间的距离，确定目标生理学电信号的类别；其中，生理学电信号特征提取模型是基于生理学电信号训练数据集、生理学电信号训练数据集所对应的时序错位数据集进行训练得到或基于时序错位数据集、增广数据集训练得到的。本发明提供的生理信号处理方法能够保证分类结果的准确性，提高生理信号分类模型的处理精度，提升用户体验。

Description

生理学电信号分类方法、装置、电子设备及存储介质
技术领域
本发明涉及数据处理技术领域，尤其涉及一种生理学电信号分类方法、装置、电子设备及存储介质。
背景技术
睡眠是人类在漫长的进化中为了适应昼夜节律变化而产生的一种生命过程，是人类不可缺少的生理过程，具有多方面的重要意义，例如减少能量消耗、记忆编码、记忆巩固、脑功能重塑等重要功能。
目前由于工作压力大等原因导致越来越多的人患有不同程度的睡眠问题。针对这一问题，患者需要到医院睡眠科进行专业的睡眠分析，而对具有时序的生理学电信号分类则属于睡眠分析中最重要的一个环节。
现有技术，采用的生理学电信号分类方法是基于多导睡眠图(PSG)的监测，需要患者在专业的睡眠实验室接受整夜的PSG监测，操作繁琐，但是，学界主流的生理学电信号分类方式是通过利用有监督学习的方法，训练出可以进行分类的神经网络模型，但是囿于高质量的有标签数据较难获得，目前很难训练出准确率高、鲁棒性好的模型。另外，在深度学习领域，数据的数量和质量对深度学习模型的性能影响是巨大的，在以睡眠分期为代表的生理信号分类领域，有准确标签的数据是非常缺乏的，导致训练得到的模型准确率较低、用户体验较差。
发明内容
本发明提供一种生理学电信号分类方法、装置、电子设备及存储介质，用以解决现有技术中有标签数据缺乏导致训练得到的模型准确率较低、用户体验较差的技术问题，本发明以实现提高通过无标签数据和有标签数据相结合训练得到的生理信号分类模型的准确率，提升用户体验的目的。
第一方面，本发明提供一种生理学电信号分类方法，包括：
获取待分类的目标生理学电信号；其中，所述目标生理学电信号为时序信号；
将所述目标生理学电信号输入预先训练的生理学电信号特征提取模型，得到所述目标生理学电信号的特征向量；
根据所述目标生理学电信号的特征向量与已知类别生理学电信号的特征向量之间的距离，确定目标生理学电信号的类别；
其中，所述生理学电信号特征提取模型是基于生理学电信号训练数据集、生理学电信号训练数据集所对应的时序错位数据集训练得到的。
进一步，根据本发明提供的生理学电信号分类方法，在所述将所述目标生理学电信号输入预先训练的生理学电信号特征提取模型之前，方法还包括：
获取生理学电信号训练数据集；其中，所述生理学电信号训练数据集包括：有标签的生理学电信号训练数据，以及无标签的生理学电信号训练数据；
对所述生理学电信号训练数据集中的训练数据进行时序错位处理，得到生理学电信号训练数据集所对应的时序错位数据集；其中，所述时序错位数据集包括：有标签的时序错位数据，以及无标签的时序错位数据；
将所述生理学电信号训练数据集中的数据输入第一神经网络模型，得到第一输出结果；将所述时序错位数据集中的数据输入第二神经网络模型，得到第二输出结果；根据所述第一输出结果与所述第二输出结果计算第一损失函数；其中，所述第一神经网络模型包括特征提取网络、映射网络与分类网络，所述第二神经网络模型包括特征提取网络与映射网络；
将所述生理学电信号训练数据集中的数据输入第二神经网络模型，得到第三输出结果；将所述时序错位数据集中的数据输入第一神经网络模型，得到第四输出结果；根据所述第三输出结果与所述第四输出结果计算第二损失函数；
根据所述第一损失函数与所述第二损失函数确定总损失函数，根据所述总损失函数对所述第一神经网络模型与所述第二神经网络模型进行训练，直至所述第一神经网络模型收敛；
基于训练好的第一神经网络模型中的特征提取网络，生成所述生理学电信号特征提取模型。
进一步，根据本发明提供的生理学电信号分类方法，所述对所述生理学电信号训练数据集中的训练数据进行时序错位处理，得到生理学电信号训练数据集所对应的时序错位数据集，包括：
对所述生理学电信号训练数据集中的每一训练数据进行复制，得到多个复制后的训练数据；
对所述多个复制后的训练数据按照时序进行移动，得到时序移动后的多个复制后的训练数据；
将所述时序移动后的多个复制后的训练数据与所述生理学电信号训练数据集中的对应训练数据进行长度对齐，得到生理学电信号训练数据集所对应的时序错位数据集。
进一步，根据本发明提供的生理学电信号分类方法，所述将所述生理学电信号训练数据集中的数据输入第一神经网络模型，得到第一输出结果；将所述时序错位数据集中的数据输入第二神经网络模型，得到第二输出结果；根据所述第一输出结果与所述第二输出结果计算第一损失函数，包括：
将所述生理学电信号训练数据集中的数据v输入第一神经网络模型的特征提取网络fθ，得到第一特征向量yθ；将所述第一特征向量yθ输入第一神经网络模型的映射网络gθ，得到第二特征向量zθ；将第二特征向量zθ输入第一神经网络模型的分类网络qθ，得到第三特征向量qθ(zθ)；
将所述时序错位数据集中的数据v’输入第二神经网络模型的特征提取网络fε，得到第四特征向量y′ε；将所述第四特征向量y′ε输入第二神经网络模型的映射网络gε，得到第五特征向量Z′ε；
对所述第一特征向量yθ、第二特征向量Zθ、第三特征向量qθ(Zθ)、第四特征向量y′ε和第五特征向量Z′ε进行l2正则化处理；根据l2正则化处理的结果计算第一损失函数；其中，第一损失函数Lθ，ε的计算公式为：
Figure BDA0003548217700000031
进一步，根据本发明提供的生理学电信号分类方法，所述将所述生理学电信号训练数据集中的数据输入第二神经网络模型，得到第三输出结果；将所述时序错位数据集中的数据输入第一神经网络模型，得到第四输出结果；根据所述第三输出结果与所述第四输出结果计算第二损失函数，包括：
将所述生理学电信号训练数据集中的数据v输入第二神经网络模型的特征提取网络fε，得到第六特征向量yε；将所述第六特征向量yε输入第二神经网络模型的映射网络gε，得到第七特征向量Zε；
将所述时序错位数据集中的数据v输入第一神经网络模型的特征提取网络fθ，得到第八特征向量y′θ；将所述第八特征向量y′θ输入第一神经网络模型的映射网络gθ，得到第九特征向量Z′θ；将第九特征向量Z′θ输入第一神经网络模型的分类网络qθ，得到第十特征向量q′θ(Z′θ)；
对所述第六特征向量yε、第七特征向量Zε、第八特征向量y′θ、第九特征向量Z′θ和第十特征向量q′θ(z′θ)进行l2正则化处理；根据l2正则化处理的结果计算第二损失函数；其中，第二损失函数L′θ，ε的计算公式为：
Figure BDA0003548217700000032
进一步，根据本发明提供的生理学电信号分类方法，所述根据所述第一损失函数与所述第二损失函数确定总损失函数，根据所述总损失函数对所述第一神经网络模型与所述第二神经网络模型进行训练，直至所述第一神经网络模型收敛，包括：
根据所述第一损失函数与所述第二损失函数确定总损失函数；其中，所述总损失函数的计算公式为：
Llos，s＝Lθ，ε+L′θ，ε；
根据所述总损失函数确定所述第一神经网络模型是否收敛；
在未收敛的情况下，对所述第一神经网络模型通过梯度更新的方式更新所述第一神经网络模型中的参数；其中，所述第一神经网络模型中的参数的更新公式为：
Figure BDA0003548217700000041
其中，optimizer为优化器，θ为第一神经网络模型的参数，η为学习率；
在未收敛的情况下，对所述第二神经网络模型进行参数更新；其中，所述第二神经网络模型中的参数的更新公式为：
ε←τε+(1-τ)θ；
其中，ε为第二神经网络模型的参数，τ为第二神经网络模型训练完一轮后的迭代率，其中τ∈(0，1)；
在收敛的情况下，结束对所述第一神经网络模型与所述第二神经网络模型的训练过程。
进一步，根据本发明提供的生理学电信号分类方法，所述基于训练好的第一神经网络模型中的特征提取网络，生成所述生理学电信号特征提取模型，包括：
在训练好的第一神经网络模型中的特征提取网络的末尾添加全连接网络，得到初始的生理学电信号特征提取模型；
将有标签的生理学电信号训练数据输入所述初始的生理学电信号特征提取模型，得到所述有标签的生理学电信号训练数据的特征向量，根据所述特征向量与所述有标签的生理学电信号训练数据所对应的标签信息计算网络损失；
根据计算得到的网络损失反向传播更新所述生理学电信号特征提取模型中的参数，直至所述生理学电信号特征提取模型收敛，得到最终确定的生理学电信号特征提取模型。
进一步，根据本发明提供的生理学电信号分类方法，在所述将所述目标生理学电信号输入预先训练的生理学电信号特征提取模型之前，方法还包括：
获取生理学电信号训练数据集；其中，所述生理学电信号训练数据集包括：有标签的生理学电信号训练数据，以及无标签的生理学电信号训练数据；
对所述生理学电信号训练数据集中的训练数据进行数据增广处理，得到生理学电信号训练数据集所对应的增广数据集；其中，所述增广数据集包括：有标签的增广数据，以及无标签的增广数据；
对所述生理学电信号训练数据集中的训练数据进行时序错位处理，得到生理学电信号训练数据集所对应的时序错位数据集；其中，所述时序错位数据集包括：有标签的时序错位数据，以及无标签的时序错位数据；
将所述增广数据集中的第一类数据输入第三神经网络模型，得到第三输出结果；将所述增广数据集中的第二类数据输入第四神经网络模型，得到第四输出结果；将所述时序错位数据集中的数据输入第五神经网络模型，得到第五输出结果；根据所述第三输出结果与所述第四输出结果计算出第三损失函数；根据所述第四输出结果与所述第五输出结果计算出第四损失函数；其中，所述第三神经网络模型、所述第四神经网络模型以及所述第五神经网络模型均包括特征提取网络、映射网络与分类网络；
根据所述第三损失函数与所述第四损失函数确定目标损失函数，根据所述目标损失函数对所述第三神经网络模型、所述第四神经网络模型以及第五神经网络模型进行训练，直至所述第四神经网络模型收敛；
基于训练好的第四神经网络模型中的特征提取网络，生成所述生理学电信号特征提取模型。
进一步，根据本发明提供的生理学电信号分类方法，所述对所述生理学电信号训练数据集中的训练数据进行数据增广处理，得到生理学电信号训练数据集所对应的增广数据集，包括：
对所述生理学电信号训练数据集中的每一训练数据进行复制，得到多个复制后的训练数据；
对所述多个复制后的训练数据在单位时间内按照预设阈值进行增广处理，得到增广处理后的第一类训练数据；
对所述多个复制后的训练数据在单位时间内按照预设阈值进行增广处理，得到增广处理后的第二类训练数据；
根据所述第一类训练数据和所述第二类训练数据得到所述增广数据集。
进一步，根据本发明提供的生理学电信号分类方法，所述将所述增广数据集中的第一类数据输入第三神经网络模型，得到第三输出结果；将所述增广数据集中的第二类数据输入第四神经网络模型，得到第四输出结果；根据所述第三输出结果与所述第四输出结果计算出第三损失函数，包括：
将所述增广数据集中的第一类数据v1输入第三神经网络模型的特征提取网络fθ1，得到第十一特征向量yθ1；将所述第十一特征向量yθ1输入第三神经网络模型的映射网络gθ1，得到第十二特征向量zθ1；将第十二特征向量zθ1输入第三神经网络模型的分类网络qθ1，得到第十三特征向量qθ1(zθ1)；
将所述增广数据集中的第二类数据v2输入第四神经网络模型的特征提取网络fθ2，得到第十四特征向量yθ2；将所述第十四特征向量yθ2输入第四神经网络模型的映射网络gθ2，得到第十五特征向量zθ2；将第十五特征向量zθ2输入第四神经网络模型的分类网络qθ2，得到第十六特征向量qθ2(zθ2)；
对所述第十一特征向量yθ1、第十二特征向量zθ1、第十三特征向量qθ1(zθ1)、第十四特征向量yθ2、第十五特征向量zθ2和第十六特征向量qθ2(zθ2)进行差异度计算，得第三损失函数，其中，所述第三损失函数的计算公式为：
Figure BDA0003548217700000051
进一步，根据本发明提供的生理学电信号分类方法，所述将所述增广数据集中的第二类数据输入第四神经网络模型，得到第四输出结果；将所述时序错位数据集中的数据输入第五神经网络模型，得到第五输出结果；根据所述第四输出结果与所述第五输出结果计算出第四损失函数，包括：
将所述增广数据集中的第二类数据v2输入第四神经网络模型的特征提取网络fθ2，得到第十四特征向量yθ2；将所述第十四特征向量yθ2输入第四神经网络模型的映射网络gθ2，得到第十五特征向量zθ2；将第十五特征向量zθ2输入第四神经网络模型的分类网络qθ2，得到第十六特征向量qθ2(zθ2)；
将所述时序错位数据集中的数据v’输入第五神经网络模型的特征提取网络fε，得到第十七特征向量yε；将所述第十七特征向量yε输入第五神经网络模型的映射网络gε，得到十八特征向量zε；将第十八特征向量zε输入第五神经网络模型的分类网络qε，得到第十九特征向量qε(zε)；
对第十四特征向量yθ2、第十五特征向量zθ2、第十六特征向量qθ2(zθ2)、第十七特征向量yε、十八特征向量zε和第十九特征向量qε(zε)进行差异度计算，得到第四损失函数，其中，所述第四损失函数的计算公式为：
Figure BDA0003548217700000061
进一步，根据本发明提供的生理学电信号分类方法，所述根据所述第三损失函数与所述第四损失函数确定目标损失函数，根据所述目标损失函数对所述第三神经网络模型、所述第四神经网络模型以及第五神经网络模型进行训练，直至所述第四神经网络模型收敛，包括：
根据所述第三损失函数与所述第四损失函数确定目标损失函数；其中，所述目标损失函数的计算公式为：
Ltotal＝LIntrasample1+LIntersample2；
根据所述目标损失函数确定所述第四神经网络模型是否收敛；
在未收敛的情况下，对所述第四神经网络模型通过梯度更新的方式更新所述第四神经网络模型中的参数；其中，所述第四神经网络模型中的参数的更新公式为：
Figure BDA0003548217700000062
其中，optimizer为优化器，θ2为第四神经网络模型的参数，η为学习率；
在未收敛的情况下，对所述第三神经网络模型和所述第五神经网络模型进行参数更新；其中，所述第三神经网络模型中的参数的更新公式为：
θ1←τθ1+(1-τ)θ2；
其中，θ1为第三神经网络模型的参数，τ为第三神经网络模型训练完一轮后的迭代率，其中τ∈(0，1)，θ2为第四神经网络模型的参数；
所述第五神经网络模型中的参数的更新公式为：
ε←τε+(1-τ)θ2；
其中，ε为第五神经网络模型的参数，τ为第五神经网络模型训练完一轮后的迭代率，其中τ∈(0，1)；
在收敛的情况下，结束对所述第三神经网络模型、所述第四神经网络模型与所述第五神经网络模型的训练过程。
进一步，根据本发明提供的生理学电信号分类方法，所述基于训练好的第四神经网络模型中的特征提取网络，生成所述生理学电信号特征提取模型，包括：
在训练好的第四神经网络模型中的特征提取网络的末尾添加全连接网络，得到初始的生理学电信号特征提取模型；
将有标签的生理学电信号训练数据输入所述初始的生理学电信号特征提取模型，得到所述有标签的生理学电信号训练数据的特征向量，根据所述特征向量与所述有标签的生理学电信号训练数据所对应的标签信息计算网络损失；
根据计算得到的网络损失反向传播更新所述生理学电信号特征提取模型中的参数，直至所述生理学电信号特征提取模型收敛，得到最终确定的生理学电信号特征提取模型。
进一步，根据本发明提供的生理学电信号分类方法，所述根据所述目标生理学电信号的特征向量与已知类别生理学电信号的特征向量之间的距离，确定目标生理学电信号的类别，包括：
将多个具有标签的生理学电信号输入所述生理学电信号特征提取模型，得到所述多个具有标签的生理学电信号的特征向量；
对所述多个具有标签的生理学电信号的特征向量进行聚类分析，并根据聚类分析的结果以及多个具有标签的生理学电信号所对应的标签，确定多个类别的质心点位置与数据簇平均距离；
计算所述目标生理学电信号的特征向量与所述多个类别的质心点位置各自的距离，根据所述距离以及所述多个类别的数据簇平均距离，确定所述目标生理学电信号的类别。
进一步，根据本发明提供的生理学电信号分类方法，方法还包括：
将已分类的生理学电信号输入预先训练的生理学电信号特征提取模型，得到所述已分类的生理学电信号的特征向量；
根据所述已分类的生理学电信号的特征向量与已知类别生理学电信号的特征向量之间的距离，检测已分类的生理学电信号的数据质量与标签质量。
进一步，根据本发明提供的生理学电信号分类方法，所述根据所述已分类的生理学电信号的特征向量与已知类别生理学电信号的特征向量之间的距离，检测已分类的生理学电信号的数据质量与标签质量，包括：
在所述已分类的生理学电信号的特征向量与一个已知生理学电信号类别的质心点位置之间的距离小于相应类别的平均距离，与其他已知生理学电信号类别的质心点位置之间的距离大于相应类别的平均距离，且所述已分类的生理学电信号所对应的标签与距离最近的质心点位置所属生理学电信号类别的标签不一致的情况下，降低所述已分类的生理学电信号所对应的标签的置信度，并对所述已分类的生理学电信号所对应的标签进行核验与重新验证；
在所述已分类的生理学电信号的特征向量与任意一个已知生理学电信号类别的质心点位置之间的距离均大于相应类别的平均距离的预设倍数值的情况下，确定所述已分类的生理学电信号为离群点，对所述已分类的生理学电信号做核验分析；
在所述已分类的生理学电信号的特征向量与至少两个已知生理学电信号类别的质心点位置之间的距离均在相应类别的平均距离的预设倍数值以内，且所述距离之间的差值小于预设值的情况下，确定所述已分类的生理学电信号为处于中间状态的低质量数据，对所述已分类的生理学电信号做核验分析。
进一步，根据本发明提供的生理学电信号分类方法，方法还包括：
将标准数据集中的数据输入预先训练的生理学电信号特征提取模型，得到所述标准数据集中的数据的特征向量；其中，所述标准数据集包括有标签数据与无标签数据；
对所述标准数据集中的数据的特征向量进行聚类分析，根据所述标准数据集中的有标签数据的标签，确定多个类别的质心点位置；
根据所述标准数据集中的无标签数据的特征向量与所述多个类别的质心点位置之间的距离，确定所述标准数据集中的无标签数据的标签；
将所述标准数据集中的无标签数据的标签与采用其他方式获取的标准数据集中的无标签数据的真实标签进行比对，计算所述生理学电信号特征提取模型的准确率。
进一步，根据本发明提供的生理学电信号分类方法，所述获取待分类的目标生理学电信号，包括：
采集待分类的目标生理学电信号，并对所述目标生理学电信号执行以下至少一项操作：降噪操作、脱敏操作、数据残缺度确认和归一化操作。
第二方面，本发明还提供一种生理学电信号分类装置，包括：
获取模块，用于获取待分类的目标生理学电信号；其中，所述目标生理学电信号为时序信号；
输入模块，用于将所述目标生理学电信号输入预先训练的生理学电信号特征提取模型，得到所述目标生理学电信号的特征向量；
确定模块，用于根据所述目标生理学电信号的特征向量与已知类别生理学电信号的特征向量之间的距离，确定目标生理学电信号的类别；
其中，所述生理学电信号特征提取模型是基于生理学电信号训练数据集、生理学电信号训练数据集所对应的时序错位数据集训练得到的。
第三方面，本发明还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述生理学电信号分类方法的步骤。
第四方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述生理学电信号分类方法的步骤。
第五方面，本发明还提供一种计算机程序产品，所述计算机程序产品包括计算机可执行指令，所述指令在被执行时用于实现如上任一项所述生理学电信号分类方法的步骤。
本发明提供一种生理学电信号分类方法、装置、电子设备及存储介质，所述方法包括：获取待分类的目标生理学电信号；将目标生理学电信号输入预先训练的生理学电信号特征提取模型，得到目标生理学电信号的特征向量；根据目标生理学电信号的特征向量与已知类别生理学电信号的特征向量之间的距离，确定目标生理学电信号的类别；其中，生理学电信号特征提取模型是基于生理学电信号训练数据集、生理学电信号训练数据集所对应的时序错位数据集训练得到的或基于生理学电信号训练数据集所对应的时序错位数据集、增广数据集训练得到的。本发明提供的生理信号处理方法能够保证分类结果的准确性，提高生理信号分类模型的处理精度，提升用户体验。
附图说明
为了更清楚地说明本发明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一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，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，还可以根据这些附图获得其他的附图。
图1是本发明提供的生理学电信号分类方法的流程示意图；
图2是本发明提供的生理学电信号特征提取模型训练过程的流程示意图；
图3是本发明提供的生理学电信号特征提取模型的有监督学习的训练流程示意图；
图4是本发明提供的另一种生理学电信号特征提取模型的训练流程示意图；
图5是本发明提供的数据质量与标签质量分析的流程示意图；
图6是本发明提供的生理学电信号处分类装置的结构示意图；
图7是本发明提供的电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例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作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。
图1为本发明提供的生理学电信号处理方法的流程示意图，如图1所示，本发明提供一种生理学电信号处理方法，包括：
步骤101：获取待分类的目标生理学电信号；其中，所述目标生理学电信号为时序信号。
在本实施例中，需要获取用户的整晚睡眠监测到的目标生理学电信号数据，然后对该目标生理学电信号数据进行完整性和可用性的检查，在保证获取的目标生理学电信号数据的完整性和可用性的前提下，对该生理学电信号数据进行预处理，其中，目标生理学电信号为时序信号；需要说明的是，在预处理时，采用的方法包括如下任意之一：带通滤波器滤波、LMS自适应滤波、维纳滤波、基于统计模型的滤波方法、基于神经网络的滤波方法、最大最小归一化、sigmoid归一化等处理，并将预处理完成后的生理学电信号数据用于后续的处理中。
需要说明的是，目标生理学电信号是根据多导睡眠图获取的，多导睡眠图(Polysomnography,PSG)又称睡眠脑电图，主要用于睡眠和梦境研究以及抑郁症和睡眠呼吸暂停综合征的诊断。
需要说明的是，本实施例中，目标生理学电信号是指脑电信号数据，在其他实施例中还可以是眼电信号，或者下颌肌电信号，具体可以根据用户的实际需要进行设定，在此不作具体限定。
步骤102：将所述目标生理学电信号输入预先训练的生理学电信号特征提取模型，得到所述目标生理学电信号的特征向量。
在本实施例中，将步骤101中获取的目标生理学电信号输入预先训练好的生理学电信号特征提取模型中，得到该目标生理学电信号的特征向量，需要说明的是，本发明实施例中的生理学电信号可以是任意一种待检测信号事件(即具有某个信号特征的事件)的数据，其中，信号包括但不限于PSG信号、心电信号或脑电信号。
需要说明的是，本实施例中采用的生理学电信号特征提取模型是采用有监督学习的方式，基于生理学电信号训练数据集、生理学电信号训练数据集所对应的时序错位数据集训练得到的，可以充分利用现有技术中存在的大量无标签训练数据，提高生理学电信号特征提取模型的处理效率和准确性。
步骤103：根据所述目标生理学电信号的特征向量与已知类别生理学电信号的特征向量之间的距离，确定目标生理学电信号的类别；
其中，所述生理学电信号特征提取模型是基于生理学电信号训练数据集、生理学电信号训练数据集所对应的时序错位数据集训练得到的。
在本实施例中，需要计算提取到的目标生理学电信号的特征向量与已知类别生理学电信号的特征向量之间的距离，然后将得到的距离值与预设的阈值进行比较，确定出目标生理学电信号的类别。如类别为A，则对应深入睡眠，说明该目标用户的睡眠质量比较好，若是一直处于浅入睡眠状态下，说明该目标用户的睡眠质量较差。
需要说明的是，本实施例中可以根据通过t-SNE方法确定目标生理学电信号的特征向量，其中，t-SNE(t-distributed stochastic neighbor embedding)是一种用于降维的机器学习算法，是由Laurens van der Maaten和Geoffrey Hinton在08年提出来，t-SNE是一种非线性降维算法，非常适用于高维数据降维到2维或者3维，进行可视化展示。
需要说明的是，类别可以是对应各个睡眠阶段的信息，还可以是对应的不同的分值，其中，睡眠阶段包括入睡期、浅睡期、熟睡期、深睡期和快速动眼期。类别具体可以根据用户的实际需要进行设定，在此不作具体限定。
根据本发明提供的生理学电信号分类方法，通过获取待分类的目标生理学电信号；目标生理学电信号为时序信号；将目标生理学电信号输入预先训练的生理学电信号特征提取模型，得到目标生理学电信号的特征向量；根据目标生理学电信号的特征向量与已知类别生理学电信号的特征向量之间的距离，确定目标生理学电信号的类别。本发明提供的生理信号处理方法能够保证分类结果的准确性，提高生理信号分类模型的处理精度，提升用户体验。
基于上述任一实施例，在本实施例中，在所述将所述目标生理学电信号输入预先训练的生理学电信号特征提取模型之前，方法还包括：
获取生理学电信号训练数据集；其中，所述生理学电信号训练数据集包括：有标签的生理学电信号训练数据，以及无标签的生理学电信号训练数据；
对所述生理学电信号训练数据集中的训练数据进行时序错位处理，得到生理学电信号训练数据集所对应的时序错位数据集；其中，所述时序错位数据集包括：有标签的时序错位数据，以及无标签的时序错位数据；
将所述生理学电信号训练数据集中的数据输入第一神经网络模型，得到第一输出结果；将所述时序错位数据集中的数据输入第二神经网络模型，得到第二输出结果；根据所述第一输出结果与所述第二输出结果计算第一损失函数；其中，所述第一神经网络模型包括特征提取网络、映射网络与分类网络，所述第二神经网络模型包括特征提取网络与映射网络；
将所述生理学电信号训练数据集中的数据输入第二神经网络模型，得到第三输出结果；将所述时序错位数据集中的数据输入第一神经网络模型，得到第四输出结果；根据所述第三输出结果与所述第四输出结果计算第二损失函数；
根据所述第一损失函数与所述第二损失函数确定总损失函数，根据所述总损失函数对所述第一神经网络模型与所述第二神经网络模型进行训练，直至所述第一神经网络模型收敛；
基于训练好的第一神经网络模型中的特征提取网络，生成所述生理学电信号特征提取模型。
在本实施例中，需要完成生理学电信号特征提取模型的训练，训练数据不仅包括生理学电信号训练数据集中的数据，还包括通过时序错位处理得到的时序错位数据集中的数据，其中，生理学电信号特征提取模型是由两部分模型组成的，分为第一神经网络模型和第二神经网络模型，其中，第一神经网络模型由三部分构成，第二神经网络模型由两部分构成。
其中，第一神经网络模型和第二神经网络模型的第一层均为特征提取网络，采用深度学习卷积神经网络的方法，特征提取层是由卷积层、池化层、激活层和标准化层搭建而成的，能够用于提取生理学电信号数据的深层次语义信息，并将该深层次语义信息传输至映射网络。
其中，第一神经网络模型和第二神经网络模型的第二层均为映射网络，是在前述特征提取网络之后设计一个全连接神经网络的映射网络，用于对深层次语义信息进行再次提取。而第一神经网络模型的第三层为全连接网络，在前述映射网络之后连接另一全连接神经网络，将生理学电信号数据进行进一步信息提取与分类处理。
在本实施例中，需要对生理学电信号训练数据集中的训练数据进行时序错位处理，得到时序错位数据集，该时序错位数据集中包括有标签的时序错位数据和无标签的时序错位数据，根据生理学电信号训练数据集中的数据和时序错位数据集中的数据对第一神经网络模型和第二神经网络模型进行训练，得到生理学电信号特征提取模型。
在本实施例中，需要将生理学电信号训练数据集中的数据输入第一神经网络模型得到第一输出结果，时序错位数据集中的数据输入第二神经网络模型中，得到第二输出结果，根据第一输出结果和第二输出结果计算第一损失函数，然后再将生理学电信号训练数据集中的数据输入第二神经网络模型中得到第三输出结果，将时序错位数据集中的数据输入第一神经网络模型中，得到第四输出结果，根据第三输出结果和第四输出结果计算第二损失函数，根据第一损失函数和第二损失函数确定出总损失函数，然后根据总损失函数对网络模型进行训练的，直到第一神经网络模型收敛，得到生理学电信号特征提取模型。其中，生理学电信号特征提取模型是基于第一神经网络模型中的特征提取网络得到的。
需要说明的是，本实施例中采用数量较多的无标签的PSG生理学电信号数据作为生理学电信号训练数据集中的原始数据，通过第一神经网络模型和第二神经网络模型实现特征含义的深度提取和高级抽象信息的整合精炼，形成特征向量，并通过神经网络映射和全连接层进行进一步降维处理，此后经过正则化计算提取的两组特征向量的损失函数，通过互换输入数据计算得到另一组损失函数，并求和形成总损失函数。然后，通过反向传播、梯度下降的方法来最小化损失函数数值，保障第一神经网络模型和第二神经网络模型能提取类似的信息与特征，通过联动性的模型参数更新幅度来保障两个神经网络模型协同调整，实现模型的逐步优化，使经过训练的生理学电信号特征提取模型可以通过聚类分析判断评估网络高层特征信息的提取能力，用于有监督分类和特征分析等任务中。
根据本发明提供的生理学电信号分类方法，生理学电信号特征提取模型是由第一神经网络模型和第二神经网络模型组成的，而且，第一神经网络模型是由特征提取网络、映射网络和全连接网络组成的，第二神经网络模型则是由特征提取网络和映射网络组成的，使得到的生理学电信号特征提取模型能够保证提取结果的准确性，提高特征处理的准确性和精度，提升了用户体验。
基于上述任一实施例，在本实施例中，所述对所述生理学电信号训练数据集中的训练数据进行时序错位处理，得到生理学电信号训练数据集所对应的时序错位数据集，包括：
对所述生理学电信号训练数据集中的每一训练数据进行复制，得到多个复制后的训练数据；
对所述多个复制后的训练数据按照时序进行移动，得到时序移动后的多个复制后的训练数据；
将所述时序移动后的多个复制后的训练数据与所述生理学电信号训练数据集中的对应训练数据进行长度对齐，得到生理学电信号训练数据集所对应的时序错位数据集。
在本实施例中，在获取到生理学电信号训练数据集中的原始数据后，需要对该生理学电信号训练数据集中的原始数据进行去噪、脱敏和数据残缺度确认等预处理，然后将生理学电信号训练数据集中的原始数据进行时序错位处理，即同一段生理学电信号原始数据复制之后在时序上错动一个单元，保障每一单元数据能对应上相邻单元的生理学电信号数据，将该生理学电信号原始数据和错位处理后的时序错位数据确定为正样本集，对第一神经网络模型和第二神经网络模型进行训练。
在本实施例中，如获取到一段完整的脑电生理学电信号，然后复制该脑电生理学电信号，产生一段相同的脑电生理学电信号，对复制的脑电生理学电信号数据在时序上往前或往后移动一个信号单元，其中，信号单元是指一帧数据(30秒数据)。如果选择前移，则将复制的脑电生理学电信号数据的第一帧去掉，将原始脑电生理学电信号数据的最后一帧去掉；如果选择后移，则将复制的脑电生理学电信号数据的最后一个单元去掉，将原始脑电生理学电信号数据的第一个单元去掉，确保原始脑电生理学电信号数据和复制的脑电生理学电信号数据的长度保持一致。其中，时序错位处理可以是将生理学电信号原始数据在时序上进行前移处理，也可以是将生理学电信号原始数据在时序上进行后移处理，具体可以根据用户的实际需要进行设定，在此不作具体限定。
根据本发明提供的生理学电信号分类方法，通过对生理学电信号训练数据集中的每一训练数据进行复制，得到多个复制后的训练数据，然后对多个复制后的训练数据按照时序进行移动，得到时序移动后的多个复制后的训练数据；将时序移动后的多个复制后的训练数据与生理学电信号训练数据集中的对应训练数据进行长度对齐，得到生理学电信号训练数据集所对应的时序错位数据集，通过时序错位数据集中的数据对模型进行训练能够提高生理学电信号特征提取模型处理的准确性和效率。
基于上述任一实施例，在本实施例中，所述将所述生理学电信号训练数据集中的数据输入第一神经网络模型，得到第一输出结果；将所述时序错位数据集中的数据输入第二神经网络模型，得到第二输出结果；根据所述第一输出结果与所述第二输出结果计算第一损失函数，包括：
将所述生理学电信号训练数据集中的数据v输入第一神经网络模型的特征提取网络fθ，得到第一特征向量yθ；将所述第一特征向量yθ输入第一神经网络模型的映射网络gθ，得到第二特征向量Zθ；将第二特征向量Zθ输入第一神经网络模型的分类网络qθ，得到第三特征向量qθ(Zθ)；
将所述时序错位数据集中的数据v输入第二神经网络模型的特征提取网络fε，得到第四特征向量y′ε；将所述第四特征向量y′ε输入第二神经网络模型的映射网络gε，得到第五特征向量Z′ε；
对所述第一特征向量yθ、第二特征向量Zθ、第三特征向量qθ(Zθ)、第四特征向量y′ε和第五特征向量Z′ε进行l2正则化处理；根据l2正则化处理的结果计算第一损失函数；其中，第一损失函数Lθ，ε的计算公式为：
Figure BDA0003548217700000141
在本实施中，需要获取第一损失函数的计算公式，假如对采集好的一段生理学电信号训练数据集中的原始数据进行数据时序错位处理，得到与改生理学电信号训练数据集中的原始数据形成两段互为正样本的生理学电信号数据，分别记为v和v’。具体如图2所示，将生理学电信号训练数据集中的数据v和时序错位数据集中的数据v’分别通过第一神经网络模型和第二神经网络模型，生理学电信号训练数据集中的数据v通过第一神经网络模型中的特征提取网络、映射网络和分类网络层三层，得到的特征向量数据分别为yθ、zθ、qθ(zθ)；而时序错位数据集中的数据v’通过第二神经网络模型的提取网络、映射网络，分别得到特征向量y′ε和z′ε。其中第一神经网络模型的参数用θ来表示，第二神经网络模型的参数用ε来表示。
随后进行l2正则化处理，具体如公式(2)与公式(3)所示。
Figure BDA0003548217700000142
Figure BDA0003548217700000143
然后根据正则化处理后的数据计算第一损失函数的损失值为Lθ，ε：
Figure BDA0003548217700000144
根据上述得到的第一损失函数的损失值可以用于后续总损失函数的计算中，根据得到的总损失函数判断模型训练的收敛程度，具体见下述实施例，在此不作详细介绍。
根据本发明提供的生理学电信号分类方法，通过将生理学电信号训练数据集中的数据和时序错位数据集中的数据分别输入第一神经网络模型和第二神经网络模型中，得到第一损失函数，能够提高生理学电信号特征提取模型处理的准确性和效率。
基于上述任一实施例，在本实施例中，所述将所述生理学电信号训练数据集中的数据输入第二神经网络模型，得到第三输出结果；将所述时序错位数据集中的数据输入第一神经网络模型，得到第四输出结果；根据所述第三输出结果与所述第四输出结果计算第二损失函数，包括：
将所述生理学电信号训练数据集中的数据v输入第二神经网络模型的特征提取网络fε，得到第六特征向量yε；将所述第六特征向量yε输入第二神经网络模型的映射网络gε，得到第七特征向量Zε；
将所述时序错位数据集中的数据v输入第一神经网络模型的特征提取网络f′θ，得到第八特征向量y′θ；将所述第八特征向量y′θ输入第一神经网络模型的映射网络gθ，得到第九特征向量z’θ；将第九特征向量Z’θ输入第一神经网络模型的分类网络qθ，得到第十特征向量q’θ(z’θ)；
对所述第六特征向量yε、第七特征向量zε、第八特征向量y’θ、第九特征向量z’θ和第十特征向量q′θ(z’θ)进行l2正则化处理；根据l2正则化处理的结果计算第二损失函数；其中，第二损失函数L′θ，ε的计算公式为：
Figure BDA0003548217700000151
在本实施例中，需要基于上述实施例的操作过程作相反的操作，将时序错位数据集中的数据v输入第一神经网络模型中，将生理学电信号训练数据集中的数据v输入第二神经网络模型中，分别得到y′θ、z’θ、q’θ(z’θ)和yε、zε，与公式(2)类似，然后通过l2正则化处理，计算第二损失函数的损失值，得到L’θ，ε，具体的计算方法如下公式(5)：
Figure BDA0003548217700000152
根据上述得到的第二损失函数的损失值用于后续总损失函数的计算中，根据得到的总损失函数判断模型训练的收敛程度，具体见下述实施例，在此不作详细介绍。
根据本发明提供的生理学电信号分类方法，通过将生理学电信号训练数据集中的数据和时序错位数据集中的数据分别输入第二神经网络模型和第一神经网络模型中，得到第二损失函数，能够提高生理学电信号特征提取模型处理的准确性和效率。
基于上述任一实施例，在本实施例中，所述根据所述第一损失函数与所述第二损失函数确定总损失函数，根据所述总损失函数对所述第一神经网络模型与所述第二神经网络模型进行训练，直至所述第一神经网络模型收敛，包括：
根据所述第一损失函数与所述第二损失函数确定总损失函数；其中，所述总损失函数的计算公式为：
Lloss＝Lθ，ε+L′θ，ε；
根据所述总损失函数确定所述第一神经网络模型是否收敛；
在未收敛的情况下，对所述第一神经网络模型通过梯度更新的方式更新所述第一神经网络模型中的参数；其中，所述第一神经网络模型中的参数的更新公式为：
Figure BDA0003548217700000153
其中，optimizer为优化器，θ为第一神经网络模型的参数，η为学习率；
在未收敛的情况下，对所述第二神经网络模型进行参数更新；其中，所述第二神经网络模型中的参数的更新公式为：
ε←τε+(1-τ)θ；
其中，ε为第二神经网络模型的参数，τ为第二神经网络模型训练完一轮后的迭代率，其中τ∈(0，1)；
在收敛的情况下，结束对所述第一神经网络模型与所述第二神经网络模型的训练过程。
在本实施例中，需要根据上述得到的第二损失函数的公式以及第一损失函数确定出总损失函数，将公式(1)和公式(4)的数值相加得到总损失函数Lloss，如公式(6)所示。
Lloss＝Lθ，ε+L’θ，ε (6)
需要说明的是，本实施例中还需要通过反向传播来更新生理信号分类模型的参数，获得特征提取网络的参数。利用反向传播算法进行参数更新，在这一处理过程中θ维持参数更新，ε停止梯度更新，其中第一神经网络模型的参数更新公式如公式(7)所示，其中optimizer为优化器，θ为第一神经网络模型的参数，η为学习率。
Figure BDA0003548217700000161
而第二神经网络模型的参数更新采取公式(8)，其中ε为第二神经网络模型的参数，τ为神经网络训练完一轮后的迭代率，其中τ∈(0，1)。
ε←τε+(1-τ)θ (8)
在相关参数更新操作完成后，得到参数初始化设置的生理学电信号特征提取模型，用于后续迁移学习的数据分类或数据特征分析、数据质量分析、标签质量评价等工作。
根据本发明提供的生理学电信号分类方法，通过确定的总损失函数对第一神经网络模型和第二神经网络模型进行训练，直到第一神经网络模型收敛为止，得到的生理学电信号特征提取模型具有较高的精度，提高生理学电信号分类的准确性。
基于上述任一实施例，在本实施例中，所述基于训练好的第一神经网络模型中的特征提取网络，生成所述生理学电信号特征提取模型，包括：
在训练好的第一神经网络模型中的特征提取网络的末尾添加全连接网络，得到初始的生理学电信号特征提取模型；
将有标签的生理学电信号训练数据输入所述初始的生理学电信号特征提取模型，得到所述有标签的生理学电信号训练数据的特征向量，根据所述特征向量与所述有标签的生理学电信号训练数据所对应的标签信息计算网络损失；
根据计算得到的网络损失反向传播更新所述生理学电信号特征提取模型中的参数，直至所述生理学电信号特征提取模型收敛，得到最终确定的生理学电信号特征提取模型。
在本实施例中，如图3所示，通过在上述实施例中获得的训练好的第一神经网络模型中的特征提取网络的末尾添加全连接网络，获得初始的生理学电信号特征提取模型，然后将有标签的生理学电信号训练数据输入该初始的生理学电信号特征提取模型中，得到对应的特征向量，并根据该特征向量与有标签的生理学电信号训练数据对应的标签信息计算网络损失，根据网络损失反向传播更新该生理学电信号特征提取模型中的参数，当该模型收敛时，则得到了最终的生理学电信号特征提取模型。
需要说明的是，在第一神经网络模型中的特征提取网络的后边加入全连接网络，形成具有分类能力的网络，利用有标签的生理学电信号对该网络进行有监督训练，设置全部模型参数为梯度可变，同时设置合适的优化器、学习率、训练片段量、训练轮次等超参数。训练模型，在测试数据集上计算模型的准确率、召回率、精确率等指标，直至模型收敛且测试集准确率稳定为止。
需要说明的是，本实施例中对生理学电信号数据进行随机增强处理，在有监督分类任务中，为增加模型的泛化性和鲁棒性，提升准确率，使用的数据增强方法包括但不限于时域平移、频域平移、加高斯噪声、加脉冲波形、裁剪、变速等。然后利用增强处理后的生理学电信号数据输入初始的生理学电信号特征提取模型中，获得信号数据的输出。需要说明的是，在此之前设置的生理学电信号特征提取模型中的所有参数梯度可变，获得输出的特征向量与原始标签信息一同计算该模型的网络损失；而且还需要设置合适的学习率，利用计算出的损失反向传播更新神经网络参数。
根据本发明提供的生理学电信号分类方法，通过在训练好的第一神经网络模型中的特征提取网络的末尾添加全连接网络，得到初始的生理学电信号特征提取模型，然后利用有标签的生理学电信号数据对该模型进行训练，当模型收敛时得到最终的生理学电信号特征提取模型，保证了模型的提取精度，提高了模型处理的效率。
基于上述任一实施例，在本实施例中，在将目标生理学电信号输入预先训练的生理学电信号特征提取模型之前，方法还包括：
获取生理学电信号训练数据集；其中，所述生理学电信号训练数据集包括：有标签的生理学电信号训练数据，以及无标签的生理学电信号训练数据；
对所述生理学电信号训练数据集中的训练数据进行数据增广处理，得到生理学电信号训练数据集所对应的增广数据集；其中，所述增广数据集包括：有标签的增广数据，以及无标签的增广数据；
对所述生理学电信号训练数据集中的训练数据进行时序错位处理，得到生理学电信号训练数据集所对应的时序错位数据集；其中，所述时序错位数据集包括：有标签的时序错位数据，以及无标签的时序错位数据；
将所述增广数据集中的第一类数据输入第三神经网络模型，得到第三输出结果；将所述增广数据集中的第二类数据输入第四神经网络模型，得到第四输出结果；将所述时序错位数据集中的数据输入第五神经网络模型，得到第五输出结果；根据所述第三输出结果与所述第四输出结果计算出第三损失函数；根据所述第四输出结果与所述第五输出结果计算出第四损失函数；其中，所述第三神经网络模型、所述第四神经网络模型以及所述第五神经网络模型均包括特征提取网络、映射网络与分类网络；
根据所述第三损失函数与所述第四损失函数确定目标损失函数，根据所述目标损失函数对所述第三神经网络模型、所述第四神经网络模型以及第五神经网络模型进行训练，直至所述第四神经网络模型收敛；
基于训练好的第四神经网络模型中的特征提取网络，生成所述生理学电信号特征提取模型。
在本实施例中，同样需要完成生理学电信号特征提取模型的训练，本实施例中训练数据不仅包括生理学电信号训练数据集所对应的增广数据集，还包括通过时序错位处理得到的时序错位数据集中的数据，其中，生理学电信号特征提取模型是由三部分模型组成的，分为第三神经网络模型、第四神经网络模型和第五神经网络模型，其中，三个神经网络模型均是由特征提取网路、映射网络和分类网络三部分构成的。
在本实施例中，需要将增广数据集中的第一数据输入第三神经网络模型得到第三输出结果，将增广数据集中的第二数据输入第四神经网络模型得到第四输出结果，将时序错位数据集中的数据输入第五神经网络模型中，得到第五输出结果，然后根据第三输出结果和第四输出结果计算第三损失函数，根据第四输出结果和第五输出结果计算第四损失函数，根据第三损失函数和第四损失函数确定出目标损失函数，然后根据目标损失函数对网络模型进行训练的，直到第四神经网络模型收敛，得到生理学电信号特征提取模型。其中，生理学电信号特征提取模型是基于第四神经网络模型中的特征提取网络得到的。需要说明的是，各个神经网络模型的各层的作用以及功能见上述实施例，在此不作详细介绍。
根据本发明提供的生理学电信号分类方法，生理学电信号特征提取模型是由三个神经网络模型组成的，而且每个神经网络模型是由三部分组成的，使得到的生理学电信号特征提取模型能够保证提取结果的准确性，提高特征处理的准确性和精度，提升了用户体验。
基于上述任一实施例，在本实施例中，对生理学电信号训练数据集中的训练数据进行数据增广处理，得到生理学电信号训练数据集所对应的增广数据集，包括：
对生理学电信号训练数据集中的每一训练数据进行复制，得到多个复制后的训练数据；
对多个复制后的训练数据在单位时间内按照预设阈值进行增广处理，得到增广处理后的第一类训练数据；
对多个复制后的训练数据在单位时间内按照预设阈值进行增广处理，得到增广处理后的第二类训练数据；
根据第一类训练数据和所述第二类训练数据得到增广数据集。
在本实施例中，对生理学电信号训练数据集中的每一训练数据进行复制，得到多个复制后的训练数据，对复制后的训练数据在单位时间内进行增广处理，由于增广处理具有随机性，根据预设阈值的范围确定出第一类训练数据和第二类训练数据，然后将得到的第一类训练数据和第二类训练数据确定为增广数据集。其中，增广处理是指对数据进行平移、变换等处理。
根据本发明提供的生理学电信号分类方法，通过对获取的生理学电信号训练数据集中的数据进行复制，然后对复制的数据进行增广处理，将得到的数据确定为增广数据集，能够实现训练数据集的扩充，提高模型训练的准确性。
基于上述任一实施例，在本实施例中，将增广数据集中的第一类数据输入第三神经网络模型，得到第三输出结果；将增广数据集中的第二类数据输入第四神经网络模型，得到第四输出结果；根据第三输出结果与第四输出结果计算出第三损失函数，包括：
将增广数据集中的第一类数据v1输入第三神经网络模型的特征提取网络fθ1，得到第十一特征向量yθ1；将第十一特征向量yθ1输入第三神经网络模型的映射网络gθ1，得到第十二特征向量zθ1；将第十二特征向量zθ1输入第三神经网络模型的分类网络qθ1，得到第十三特征向量qθ1(zθ1)；
将增广数据集中的第二类数据v2输入第四神经网络模型的特征提取网络fθ2，得到第十四特征向量yθ2；将第十四特征向量yθ2输入第四神经网络模型的映射网络gθ2，得到第十五特征向量zθ2；将第十五特征向量zθ2输入第四神经网络模型的分类网络qθ2，得到第十六特征向量qθ2(zθ2)；
对第十一特征向量yθ1、第十二特征向量zθ1、第十三特征向量qθ1(zθ1)、第十四特征向量yθ2、第十五特征向量zθ2和第十六特征向量qθ2(zθ2)进行差异度计算，得第三损失函数，其中，第三损失函数的计算公式为：
Figure BDA0003548217700000191
在本实施例中，通过上述将增广数据集中的第一类数据输入第三神经网络模型中和将增广数据集中的第二类数据输入第四神经网络模型中，然后根据得到的第三输出结果和第四输出结果计算得到第三损失函数，其中，本实施例中是根据差异度计算得到的第三损失函数，具体的差异度计算公式为：
Figure BDA0003548217700000192
根据本发明提供的生理学电信号分类方法，通过差异度计算第三损失函数，能够提高生理学电信号特征提取模型处理的准确性和效率。
基于上述任一实施例，在本实施例中，如图4所示，将增广数据集中的第二类数据输入第四神经网络模型，得到第四输出结果；将时序错位数据集中的数据输入第五神经网络模型，得到第五输出结果；根据第四输出结果与第五输出结果计算出第四损失函数，包括：
将增广数据集中的第二类数据v2输入第四神经网络模型的特征提取网络fθ2，得到第十四特征向量yθ2；将第十四特征向量yθ2输入第四神经网络模型的映射网络gθ2，得到第十五特征向量zθ2；将第十五特征向量zθ2输入第四神经网络模型的分类网络qθ2，得到第十六特征向量qθ2(zθ2)；
将时序错位数据集中的数据v’输入第五神经网络模型的特征提取网络fε，得到第十七特征向量yε；将第十七特征向量yε输入第五神经网络模型的映射网络gε，得到十八特征向量zε；将第十八特征向量zε输入第五神经网络模型的分类网络qε，得到第十九特征向量qε(zε)；
对第十四特征向量yθ2、第十五特征向量zθ2、第十六特征向量qθ2(zθ2)、第十七特征向量yε、十八特征向量zε和第十九特征向量qε(zε)进行差异度计算，得到第四损失函数，其中，第四损失函数的计算公式为：
Figure BDA0003548217700000201
在本实施例中，同样是通过差异度计算出第四损失函数，将增广数据集中的第二类数据输入第四神经网络模型中和将时序错位数据集中的数据输入第五神经网络模型中，然后根据得到的第四输出结果和第五输出结果计算得到第四损失函数。
根据本发明提供的生理学电信号分类方法，通过差异度计算第四损失函数，能够提高生理学电信号特征提取模型处理的准确性和效率。
基于上述任一实施例，在本实施例中，根据第三损失函数与第四损失函数确定目标损失函数，根据目标损失函数对第三神经网络模型、第四神经网络模型以及第五神经网络模型进行训练，直至第四神经网络模型收敛，包括：
根据第三损失函数与第四损失函数确定目标损失函数；其中，目标损失函数的计算公式为：
Ltotal＝LIntrasample 1+LIntersample2 (12)
根据目标损失函数确定第四神经网络模型是否收敛；
在未收敛的情况下，对第四神经网络模型通过梯度更新的方式更新第四神经网络模型中的参数；其中，第四神经网络模型中的参数的更新公式为：
Figure BDA0003548217700000202
其中，optimizer为优化器，θ2为第四神经网络模型的参数，η为学习率；
在未收敛的情况下，对第三神经网络模型和所述第五神经网络模型进行参数更新；其中，第三神经网络模型中的参数的更新公式为：
θ1←τθ1+(1-τ)θ2 (14)
其中，θ1为第三神经网络模型的参数，τ为第三神经网络模型训练完一轮后的迭代率，其中τ∈(0，1)，θ2为第四神经网络模型的参数；
第五神经网络模型中的参数的更新公式为：
ε←τε+(1-τ)θ2 (15)
其中，ε为第五神经网络模型的参数，τ为第五神经网络模型训练完一轮后的迭代率，其中τ∈(0，1)；
在收敛的情况下，结束对第三神经网络模型、第四神经网络模型与第五神经网络模型的训练过程。
在本实施例中，通过将上述实施例得到的第三损失函数和第四损失函数确定出目标损失函数，根据得到的目标损失函数确定第四神经网络模型是否收敛，在未收敛的情况下，通过梯度更新的方式对第四神经网络模型中的参数进行更新处理，直到收敛时，结束对第三神经网络模型、第四神经网络模型与第五神经网络模型的训练过程，得到生理学电信号分类模型。
根据本发明提供的生理学电信号分类方法，通过对各个神经网络模型中的参数进行更新处理，能够提高生理学电信号特征提取模型处理的准确性和效率。
基于上述任一实施例，在本实施例中，基于训练好的第四神经网络模型中的特征提取网络，生成所述生理学电信号特征提取模型，包括：
在训练好的第四神经网络模型中的特征提取网络的末尾添加全连接网络，得到初始的生理学电信号特征提取模型；
将有标签的生理学电信号训练数据输入初始的生理学电信号特征提取模型，得到有标签的生理学电信号训练数据的特征向量，根据特征向量与有标签的生理学电信号训练数据所对应的标签信息计算网络损失；
根据计算得到的网络损失反向传播更新所述生理学电信号特征提取模型中的参数，直至生理学电信号特征提取模型收敛，得到最终确定的生理学电信号特征提取模型。
在本实施例中，是对第四神经网络模型中的特征提取网络末尾添加全连接网络，得到初始的生理学电信号特征提取模型的，最终是根据第四神经网络模型得到的生理学电信号特征提取模型，具体的处理过程与上述实施例相同，在此不作详细介绍。
根据本发明提供的生理学电信号分类方法，通过在训练好的第四神经网络模型中的特征提取网络的末尾添加全连接网络，得到初始的生理学电信号特征提取模型，然后利用有标签的生理学电信号数据对该模型进行训练，当模型收敛时得到最终的生理学电信号特征提取模型，保证了模型的提取精度，提高了模型处理的效率。
基于上述任一实施例，在本实施例中，所述根据所述目标生理学电信号的特征向量与已知类别生理学电信号的特征向量之间的距离，确定目标生理学电信号的类别，包括：
将多个具有标签的生理学电信号输入所述生理学电信号特征提取模型，得到所述多个具有标签的生理学电信号的特征向量；
对所述多个具有标签的生理学电信号的特征向量进行聚类分析，并根据聚类分析的结果以及多个具有标签的生理学电信号所对应的标签，确定多个类别的质心点位置与数据簇平均距离；
计算所述目标生理学电信号的特征向量与所述多个类别的质心点位置各自的距离，根据所述距离以及所述多个类别的数据簇平均距离，确定所述目标生理学电信号的类别。
在本实施例中，需要将有标签的生理学电信号输入生理学电信号特征提取模型中，得到该生理学电信号的特征向量，然后对特征向量进行聚类分析，根据聚类分析结果以及该生理学电信号对应的标签信息，确定出多个类别的质心点位置与数据簇平均距离，根据目标生理学电信号与多个类别质心点位置的距离确定出目标生理学电信号的类型，如距离类别A比较近，且满足设置的预设条件，则将类别A确定为目标生理学电信号的类别。
需要说明的是，本实施例中，需要计算不同类别中的每个特征向量的数据簇的质心点，质心点坐标为相应类别下所有数据点的相应坐标的算数平均值，然后计算所有数据点与质心点之间的欧式距离的平均值，通过这一方法可以计算出每个类别中数据的质心点位置与数据簇平均距离，用于确定出目标生理学电信号的类别。
举例说明，假如计算得到的数据簇平均距离为a，确定某一目标生理学电信号与类别A的质心点的位置距离最近，且在类别A的数据簇平均距离a范围之内，则确定该目标生理学电信号的类别为类别A。
根据本发明提供的生理学电信号分类方法，通过将多个具有标签的生理学电信号输入所述生理学电信号特征提取模型，得到所述多个具有标签的生理学电信号的特征向量，然后对多个具有标签的生理学电信号的特征向量进行聚类分析，并根据聚类分析的结果以及多个具有标签的生理学电信号所对应的标签，确定多个类别的质心点位置与数据簇平均距离，计算该目标生理学电信号的特征向量与多个类别的质心点位置各自的距离，根据距离以及多个类别的数据簇平均距离，确定出目标生理学电信号的类别，提高了生理学电信号分类处理的准确性，提升了用户体验。
基于上述任一实施例，在本实施例中，方法还包括：
将已分类的生理学电信号输入预先训练的生理学电信号特征提取模型，得到所述已分类的生理学电信号的特征向量；
根据所述已分类的生理学电信号的特征向量与已知类别生理学电信号的特征向量之间的距离，检测已分类的生理学电信号的数据质量与标签质量。
在本实施例中，需要将已分类的生理学电信号输入预先训练的生理学电信号特征提取模型中，得到生理学电信号的特征向量，然后根据已分类的生理学电信号的特征向量与已知类别生理学电信号的特征向量之间的距离检测该已分类的生理学电信号的数据质量与标签质量。需要说明的是，本实施例中是利用现有技术中数量较多的无标签的生理学电信号，为无标签的生理学电信号数据确定出对应的标签信息。
在本实施例中，如图5所示，需要将待测试数据经过数据预处理后输入训练好的生理学电信号特征提取模型中，获得经过降维的包含高层语义信息的特征向量，然后利用tSNE或者聚类的方法，在高维空间对特征向量进行分布与距离的计算与分析，计算每个数据簇的质心点和平均距离，并确认每个待测试数据经过计算得到的特征向量与质心点的距离，推测其可能对应的标签信息，将该标签信息与真实标签信息进行对比，从而确定出低置信度区域的生理学电信号数据的标签信息，同时还可以通过确认出特征向量离群点与中间状态点，对相应标签信息和数据进行核验分析，提示找出错误标签信息、低质量离群点数据、低质量中间态数据，提高数据的质量。
需要说明的是，需要计算不同类别中的每个特征向量的数据簇的质心点，质心点坐标为相应类别下所有数据点的相应坐标的平均数值，然后计算这些数据点与质心点之间的欧式距离的平均值，确定出每个分类的质心点位置与数据簇平均距离。
根据本发明提供的生理学电信号分类方法，通过将已分类的生理学电信号输入预先训练的生理学电信号特征提取模型，得到已分类的生理学电信号的特征向量，根据已分类的生理学电信号的特征向量与已知类别生理学电信号的特征向量之间的距离，检测已分类的生理学电信号的数据质量与标签质量，提高了生理学电信号数据的质量，提高了模型的处理质量。
基于上述任一实施例，在本实施例中，所述根据所述已分类的生理学电信号的特征向量与已知类别生理学电信号的特征向量之间的距离，检测已分类的生理学电信号的数据质量与标签质量，包括：
在所述已分类的生理学电信号的特征向量与一个已知生理学电信号类别的质心点位置之间的距离小于相应类别的平均距离，与其他已知生理学电信号类别的质心点位置之间的距离大于相应类别的平均距离，且所述已分类的生理学电信号所对应的标签与距离最近的质心点位置所属生理学电信号类别的标签不一致的情况下，降低所述已分类的生理学电信号所对应的标签的置信度，并对所述已分类的生理学电信号所对应的标签进行核验与重新验证；
在所述已分类的生理学电信号的特征向量与任意一个已知生理学电信号类别的质心点位置之间的距离均大于相应类别的平均距离的预设倍数值的情况下，确定所述已分类的生理学电信号为离群点，对所述已分类的生理学电信号做核验分析；
在所述已分类的生理学电信号的特征向量与至少两个已知生理学电信号类别的质心点位置之间的距离均在相应类别的平均距离的预设倍数值以内，且所述距离之间的差值小于预设值的情况下，确定所述已分类的生理学电信号为处于中间状态的低质量数据，对所述已分类的生理学电信号做核验分析。
在本实施例中，需要通过欧式距离来评估数据质量与标签质量，具体方法为：(1)如果待测试数据中的已分类的生理学电信号的与某一个已知生理学电信号类别的质心点位置的距离小于平均距离，而距离其他已知生理学电信号类别的质心点位置的距离都大于相应类别的平均距离，且该已分类的生理学电信号所对应的标签与距离最近的质心点位置所属的类别标签信息不一致时，则可以低该已分类的生理学电信号所对应的标签的置信度，并对该标签信息进行核验与重新验证；(2)如果待测试数据的已分类的生理学电信号的特征向量距离任何一个已知生理学电信号类别的质心点位置的距离均超过相应类别两倍的平均距离，则可以定该已分类的生理学电信号为离群点数据，并对该已分类的生理学电信号进行下一步核验分析，判断推测是否正确；(3)如果待测试数据的已分类的生理学电信号的特征向量与两个或两个以上的已知生理学电信号类别的质心点位置之间的欧式距离差距不足10％，且距离都在两倍的质心点位置的平均距离之内，则可以认为该已分类的生理学电信号为中间状态的低质量数据，可以对该已分类的生理学电信号作进一步的核验分析，判断推断是否正确。
根据本发明提供的生理学电信号分类方法，通过对已分类的生理学电信号的数据质量和标签质量进行校验，能够提高生理学电信号特征提取模型的处理精度。
基于上述任一实施例，在本实施例中，方法还包括：
将标准数据集中的数据输入预先训练的生理学电信号特征提取模型，得到所述标准数据集中的数据的特征向量；其中，所述标准数据集包括有标签数据与无标签数据；
对所述标准数据集中的数据的特征向量进行聚类分析，根据所述标准数据集中的有标签数据的标签，确定多个类别的质心点位置；
根据所述标准数据集中的无标签数据的特征向量与所述多个类别的质心点位置之间的距离，确定所述标准数据集中的无标签数据的标签；
将所述标准数据集中的无标签数据的标签与采用其他方式获取的标准数据集中的无标签数据的真实标签进行比对，计算所述生理学电信号特征提取模型的准确率。
在本实施例中，需要将标准数据集中的数据输入预先训练的生理学电信号特征提取模型，得到所述标准数据集中的数据的特征向量，根据该特征向量与多个类别的质心点位置之间的距离，确定出无标签数据的标签，将该标签与无标签数据的真实标签信息进行比对，计算该生理学电信号特征提取模型的准确率，其中，特征向量的距离的计算采用上述具体的计算方式，在此不作详细介绍。
需要说明的是，本实施例中是将经过预处理的标准数据集(标准数据集保障每一个类别的数据量近乎相同)中的有标签数据和无标签数据分别输入预先训练的生理学电信号特征提取模型中，得到对应的特征向量，并进行聚类分析，其中，标准数据集中有10％～30％数据给予标签信息，根据有标签的数据计算每个类别数据的质心点位置，然后通过计算其他未知标签的数据与多个类别的质心点位置的距离来推测该无标签数据的标签信息，并将其与真实标签信息进行比对，计算出生理学电信号特征提取模型的准确率，根据得到的准确率评估生理学电信号特征提取模型的性能。
根据本发明提供的生理信号处理方法，利用标准数据集中的有标签数据计算出多个类别的质心点位置，利用无标签数据得到标签信息，通过与真实标签信息进行比较得到生理学电信号特征提取模型的准确率，充分利用了无标签数据资源，提高了模型处理的准确性。
基于上述任一实施例，在本实施例中，所述获取待分类的目标生理学电信号，包括：
采集待分类的目标生理学电信号，并对所述目标生理学电信号执行以下至少一项操作：降噪操作、脱敏操作、数据残缺度确认和归一化操作。
在本实施例中，需要对采集到的待分类的目标生理学电信号进行预处理操作，具体包括至少降噪操作、脱敏操作、数据残缺度确认和归一化操作中的任意一项，需要说明的是，归一化处理可以是最大最小归一化、sigmoid归一化处理等，降噪操作可以是带通滤波、LMS自适应滤波、维纳滤波、基于统计模型的滤波或基于神经网络的滤波，具体的处理方式可以根据用户的实际需要进行设定，在此不作具体限定。
根据本发明提供的生理学电信号分类方法，通过对采集到的待分类的生理学电信号进行一定的预处理，能够提高生理学电信号数据分类结果的准确性。
基于上述任一实施例，在本实施例中，生理学电信号数据获取过程为：获取睡眠监测的PSG生理学电信号数据，将其切割为30秒每帧的生理学电信号片段，方便后续网络对每30秒一帧的片段进行分类，其中，需要保障有二到五个稳定的信号通道；然后将生理学电信号数据划分为标准数据集、无标签预训练数据集、有标签的训练数据集、验证数据集和测试数据集，并利用带通滤波器，对信号数据进行滤波处理。需要说明的是，在输入生理学电信号特征提取模型之前将获得的生理学电信号数据进行归一化处理。
需要说明的是，无标签数据的获取过程为：获取完整的一段无标签生理学电信号原始数据，并复制产生相同一段生理学电信号数据。对复制得到的生理学电信号数据在时序上往前或往后移动一个信号单元，这里的信号单元往往指一帧数据(30秒数据)，如果选择前移，则将复制的生理学电信号数据的第一帧去掉，将生理学电信号原始数据的最后一帧去掉；如果选择后移，则将复制的生理学电信号数据的最后一个单元去掉，将生理学电信号原始数据的第一个单元去掉，保障两段数据长度上保持对应。将处理后的生理学电信号时序错位数据和生理学电信号原始数据确定为无标签数据。
图6为本发明提供的一种生理学电信号分类装置，如图6所示，本发明提供的一种生理学电信号分类装置，包括：
获取模块601，用于获取待分类的目标生理学电信号；其中，所述目标生理学电信号为时序信号；
输入模块602，用于将所述目标生理学电信号输入预先训练的生理学电信号特征提取模型，得到所述目标生理学电信号的特征向量；
确定模块603，用于根据所述目标生理学电信号的特征向量与已知类别生理学电信号的特征向量之间的距离，确定目标生理学电信号的类别；
其中，所述生理学电信号特征提取模型是基于生理学电信号训练数据集、生理学电信号训练数据集所对应的时序错位数据集训练得到的；
或，
所述生理学电信号特征提取模型是基于生理学电信号训练数据集所对应的增广数据集、时序错位数据集训练得到的。
根据本发明提供的生理学电信号分类装置，通过获取待分类的目标生理学电信号；目标生理学电信号为时序信号；将目标生理学电信号输入预先训练的生理学电信号特征提取模型，得到目标生理学电信号的特征向量；根据目标生理学电信号的特征向量与已知类别生理学电信号的特征向量之间的距离，确定目标生理学电信号的类别。本发明提供的生理学电信号处理装置能够保证分类结果的准确性，提高生理信号分类模型的处理精度，提升用户体验。
由于本发明实施例所述装置与上述实施例所述方法的原理相同，对于更加详细的解释内容在此不再赘述。
图7为本发明实施例中提供的电子设备实体结构示意图，如图7所示，本发明提供一种电子设备，包括：处理器(processor)701、存储器(memory)702和总线703；
其中，处理器701、存储器702通过总线703完成相互间的通信；
处理器701用于调用存储器702中的程序指令，以执行上述各方法实施例中所提供的方法，例如包括：获取待分类的目标生理学电信号；其中，所述目标生理学电信号为时序信号；将所述目标生理学电信号输入预先训练的生理学电信号特征提取模型，得到所述目标生理学电信号的特征向量；根据所述目标生理学电信号的特征向量与已知类别生理学电信号的特征向量之间的距离，确定目标生理学电信号的类别；其中，所述生理学电信号特征提取模型是基于生理学电信号训练数据集、生理学电信号训练数据集所对应的时序错位数据集训练得到的，或，所述生理学电信号特征提取模型是基于生理学电信号训练数据集所对应的增广数据集、时序错位数据集训练得到的。
此外，上述的存储器703中的逻辑指令可以通过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所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。
另一方面，本发明还提供一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，计算机能够执行上述各方法所提供的方法，该方法包括：获取待分类的目标生理学电信号；其中，所述目标生理学电信号为时序信号；将所述目标生理学电信号输入预先训练的生理学电信号特征提取模型，得到所述目标生理学电信号的特征向量；根据所述目标生理学电信号的特征向量与已知类别生理学电信号的特征向量之间的距离，确定目标生理学电信号的类别；其中，所述生理学电信号特征提取模型是基于生理学电信号训练数据集、生理学电信号训练数据集所对应的时序错位数据集训练得到的，或，所述生理学电信号特征提取模型是基于生理学电信号训练数据集所对应的增广数据集、时序错位数据集训练得到的。
又一方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各提供的方法，该方法包括：获取待分类的目标生理学电信号；其中，所述目标生理学电信号为时序信号；将所述目标生理学电信号输入预先训练的生理学电信号特征提取模型，得到所述目标生理学电信号的特征向量；根据所述目标生理学电信号的特征向量与已知类别生理学电信号的特征向量之间的距离，确定目标生理学电信号的类别；其中，所述生理学电信号特征提取模型是基于生理学电信号训练数据集、生理学电信号训练数据集所对应的时序错位数据集训练得到的，或，所述生理学电信号特征提取模型是基于生理学电信号训练数据集所对应的增广数据集、时序错位数据集训练得到的。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，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)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (21)

1.一种生理学电信号分类方法，其特征在于，包括：
获取待分类的目标生理学电信号；其中，所述目标生理学电信号为时序信号；
将所述目标生理学电信号输入预先训练的生理学电信号特征提取模型，得到所述目标生理学电信号的特征向量；
根据所述目标生理学电信号的特征向量与已知类别生理学电信号的特征向量之间的距离，确定目标生理学电信号的类别；
其中，所述生理学电信号特征提取模型是基于生理学电信号训练数据集、生理学电信号训练数据集所对应的时序错位数据集训练得到的；
或，
所述生理学电信号特征提取模型是基于生理学电信号训练数据集所对应的增广数据集、生理学电信号训练数据集所对应的时序错位数据集训练得到的。
2.根据权利要求1所述的生理学电信号分类方法，其特征在于，在所述将所述目标生理学电信号输入预先训练的生理学电信号特征提取模型之前，方法还包括：
获取生理学电信号训练数据集；其中，所述生理学电信号训练数据集包括：有标签的生理学电信号训练数据，以及无标签的生理学电信号训练数据；
对所述生理学电信号训练数据集中的训练数据进行时序错位处理，得到生理学电信号训练数据集所对应的时序错位数据集；其中，所述时序错位数据集包括：有标签的时序错位数据，以及无标签的时序错位数据；
将所述生理学电信号训练数据集中的数据输入第一神经网络模型，得到第一输出结果；将所述时序错位数据集中的数据输入第二神经网络模型，得到第二输出结果；根据所述第一输出结果与所述第二输出结果计算第一损失函数；其中，所述第一神经网络模型包括特征提取网络、映射网络与分类网络，所述第二神经网络模型包括特征提取网络与映射网络；
将所述生理学电信号训练数据集中的数据输入第二神经网络模型，得到第三输出结果；将所述时序错位数据集中的数据输入第一神经网络模型，得到第四输出结果；根据所述第三输出结果与所述第四输出结果计算第二损失函数；
根据所述第一损失函数与所述第二损失函数确定总损失函数，根据所述总损失函数对所述第一神经网络模型与所述第二神经网络模型进行训练，直至所述第一神经网络模型收敛；
基于训练好的第一神经网络模型中的特征提取网络，生成所述生理学电信号特征提取模型。
3.根据权利要求2所述的生理学电信号分类方法，其特征在于，所述对所述生理学电信号训练数据集中的训练数据进行时序错位处理，得到生理学电信号训练数据集所对应的时序错位数据集，包括：
对所述生理学电信号训练数据集中的每一训练数据进行复制，得到多个复制后的训练数据；
对所述多个复制后的训练数据按照时序进行移动，得到时序移动后的多个复制后的训练数据；
将所述时序移动后的多个复制后的训练数据与所述生理学电信号训练数据集中的对应训练数据进行长度对齐，得到生理学电信号训练数据集所对应的时序错位数据集。
4.根据权利要求2所述的生理学电信号分类方法，其特征在于，所述将所述生理学电信号训练数据集中的数据输入第一神经网络模型，得到第一输出结果；将所述时序错位数据集中的数据输入第二神经网络模型，得到第二输出结果；根据所述第一输出结果与所述第二输出结果计算第一损失函数，包括：
将所述生理学电信号训练数据集中的数据v输入第一神经网络模型的特征提取网络fθ，得到第一特征向量yθ；将所述第一特征向量yθ输入第一神经网络模型的映射网络gθ，得到第二特征向量zθ；将第二特征向量zθ输入第一神经网络模型的分类网络qθ，得到第三特征向量qθ(zθ)；
将所述时序错位数据集中的数据v’输入第二神经网络模型的特征提取网络fε，得到第四特征向量y′ε；将所述第四特征向量y′ε输入第二神经网络模型的映射网络gε，得到第五特征向量Z′ε；
对所述第一特征向量yθ、第二特征向量zθ、第三特征向量qθ(zθ)、第四特征向量y′ε和第五特征向量Z′ε进行l2正则化处理；根据l2正则化处理的结果计算第一损失函数；其中，第一损失函数Lθ，ε的计算公式为：
Figure FDA0003548217690000021
5.根据权利要求4所述的生理学电信号分类方法，其特征在于，所述将所述生理学电信号训练数据集中的数据输入第二神经网络模型，得到第三输出结果；将所述时序错位数据集中的数据输入第一神经网络模型，得到第四输出结果；根据所述第三输出结果与所述第四输出结果计算第二损失函数，包括：
将所述生理学电信号训练数据集中的数据v输入第二神经网络模型的特征提取网络fε，得到第六特征向量yε；将所述第六特征向量yε输入第二神经网络模型的映射网络gε，得到第七特征向量Zε；
将所述时序错位数据集中的数据v’输入第一神经网络模型的特征提取网络fθ，得到第八特征向量y′θ；将所述第八特征向量y′θ输入第一神经网络模型的映射网络gθ，得到第九特征向量Z′θ；将第九特征向量Z′θ输入第一神经网络模型的分类网络qθ，得到第十特征向量q′θ(Z′θ)；
对所述第六特征向量yε、第七特征向量zε、第八特征向量y′θ、第九特征向量z′θ和第十特征向量q′θ(Z′θ)进行l2正则化处理；根据l2正则化处理的结果计算第二损失函数；其中，第二损失函数L′θ.ε的计算公式为：
Figure FDA0003548217690000031
6.根据权利要求5所述的生理学电信号分类方法，其特征在于，所述根据所述第一损失函数与所述第二损失函数确定总损失函数，根据所述总损失函数对所述第一神经网络模型与所述第二神经网络模型进行训练，直至所述第一神经网络模型收敛，包括：
根据所述第一损失函数与所述第二损失函数确定总损失函数；其中，所述总损失函数的计算公式为：
Lloss＝Lθ，ε+L′θ.ε；
根据所述总损失函数确定所述第一神经网络模型是否收敛；
在未收敛的情况下，对所述第一神经网络模型通过梯度更新的方式更新所述第一神经网络模型中的参数；其中，所述第一神经网络模型中的参数的更新公式为：
Figure FDA0003548217690000032
其中，optimizer为优化器，θ为第一神经网络模型的参数，η为学习率；
在未收敛的情况下，对所述第二神经网络模型进行参数更新；其中，所述第二神经网络模型中的参数的更新公式为：
ε←τε+(1-τ)θ；
其中，ε为第二神经网络模型的参数，τ为第二神经网络模型训练完一轮后的迭代率，其中τ∈(0，1)；
在收敛的情况下，结束对所述第一神经网络模型与所述第二神经网络模型的训练过程。
7.根据权利要求2所述的生理学电信号分类方法，其特征在于，所述基于训练好的第一神经网络模型中的特征提取网络，生成所述生理学电信号特征提取模型，包括：
在训练好的第一神经网络模型中的特征提取网络的末尾添加全连接网络，得到初始的生理学电信号特征提取模型；
将有标签的生理学电信号训练数据输入所述初始的生理学电信号特征提取模型，得到所述有标签的生理学电信号训练数据的特征向量，根据所述特征向量与所述有标签的生理学电信号训练数据所对应的标签信息计算网络损失；
根据计算得到的网络损失反向传播更新所述生理学电信号特征提取模型中的参数，直至所述生理学电信号特征提取模型收敛，得到最终确定的生理学电信号特征提取模型。
8.根据权利要求1所述的生理学电信号分类方法，其特征在于，在所述将所述目标生理学电信号输入预先训练的生理学电信号特征提取模型之前，方法还包括：
获取生理学电信号训练数据集；其中，所述生理学电信号训练数据集包括：有标签的生理学电信号训练数据，以及无标签的生理学电信号训练数据；
对所述生理学电信号训练数据集中的训练数据进行数据增广处理，得到生理学电信号训练数据集所对应的增广数据集；其中，所述增广数据集包括：有标签的增广数据，以及无标签的增广数据；
对所述生理学电信号训练数据集中的训练数据进行时序错位处理，得到生理学电信号训练数据集所对应的时序错位数据集；其中，所述时序错位数据集包括：有标签的时序错位数据，以及无标签的时序错位数据；
将所述增广数据集中的第一类数据输入第三神经网络模型，得到第三输出结果；将所述增广数据集中的第二类数据输入第四神经网络模型，得到第四输出结果；将所述时序错位数据集中的数据输入第五神经网络模型，得到第五输出结果；根据所述第三输出结果与所述第四输出结果计算出第三损失函数；根据所述第四输出结果与所述第五输出结果计算出第四损失函数；其中，所述第三神经网络模型、所述第四神经网络模型以及所述第五神经网络模型均包括特征提取网络、映射网络与分类网络；
根据所述第三损失函数与所述第四损失函数确定目标损失函数，根据所述目标损失函数对所述第三神经网络模型、所述第四神经网络模型以及第五神经网络模型进行训练，直至所述第四神经网络模型收敛；
基于训练好的第四神经网络模型中的特征提取网络，生成所述生理学电信号特征提取模型。
9.根据权利要求8所述的生理学电信号分类方法，其特征在于，所述对所述生理学电信号训练数据集中的训练数据进行数据增广处理，得到生理学电信号训练数据集所对应的增广数据集，包括：
对所述生理学电信号训练数据集中的每一训练数据进行复制，得到多个复制后的训练数据；
对所述多个复制后的训练数据在单位时间内按照预设阈值进行增广处理，得到增广处理后的第一类训练数据；
对所述多个复制后的训练数据在单位时间内按照预设阈值进行增广处理，得到增广处理后的第二类训练数据；
根据所述第一类训练数据和所述第二类训练数据得到所述增广数据集。
10.根据权利要求8所述的生理学电信号分类方法，其特征在于，所述将所述增广数据集中的第一类数据输入第三神经网络模型，得到第三输出结果；将所述增广数据集中的第二类数据输入第四神经网络模型，得到第四输出结果；根据所述第三输出结果与所述第四输出结果计算出第三损失函数，包括：
将所述增广数据集中的第一类数据v1输入第三神经网络模型的特征提取网络fθ1，得到第十一特征向量yθ1；将所述第十一特征向量yθ1输入第三神经网络模型的映射网络gθ1，得到第十二特征向量zθ1；将第十二特征向量zθ1输入第三神经网络模型的分类网络qθ1，得到第十三特征向量qθ1(zθ1)；
将所述增广数据集中的第二类数据v2输入第四神经网络模型的特征提取网络fθ2，得到第十四特征向量yθ2；将所述第十四特征向量yθ2输入第四神经网络模型的映射网络gθ2，得到第十五特征向量zθ2；将第十五特征向量zθ2输入第四神经网络模型的分类网络qθ2，得到第十六特征向量qθ2(zθ2)；
对所述第十一特征向量yθ1、第十二特征向量zθ1、第十三特征向量qθ1(zθ1)、第十四特征向量yθ2、第十五特征向量zθ2和第十六特征向量qθ2(zθ2)进行差异度计算，得第三损失函数，其中，所述第三损失函数的计算公式为：
Figure FDA0003548217690000051
11.根据权利要求8所述的生理学电信号分类方法，其特征在于，所述将所述增广数据集中的第二类数据输入第四神经网络模型，得到第四输出结果；将所述时序错位数据集中的数据输入第五神经网络模型，得到第五输出结果；根据所述第四输出结果与所述第五输出结果计算出第四损失函数，包括：
将所述增广数据集中的第二类数据v2输入第四神经网络模型的特征提取网络fθ2，得到第十四特征向量yθ2；将所述第十四特征向量yθ2输入第四神经网络模型的映射网络gθ2，得到第十五特征向量zθ2；将第十五特征向量zθ2输入第四神经网络模型的分类网络qθ2，得到第十六特征向量qθ2(zθ2)；
将所述时序错位数据集中的数据v’输入第五神经网络模型的特征提取网络fε，得到第十七特征向量yε；将所述第十七特征向量yε输入第五神经网络模型的映射网络gε，得到十八特征向量zε；将第十八特征向量zε输入第五神经网络模型的分类网络qε，得到第十九特征向量qε(zε)；
对第十四特征向量yθ2、第十五特征向量zθ2、第十六特征向量qθ2(zθ2)、第十七特征向量yε、十八特征向量zε和第十九特征向量qε(zε)进行差异度计算，得到第四损失函数，其中，所述第四损失函数的计算公式为：
Figure FDA0003548217690000052
12.根据权利要求8所述的生理学电信号分类方法，其特征在于，所述根据所述第三损失函数与所述第四损失函数确定目标损失函数，根据所述目标损失函数对所述第三神经网络模型、所述第四神经网络模型以及第五神经网络模型进行训练，直至所述第四神经网络模型收敛，包括：
根据所述第三损失函数与所述第四损失函数确定目标损失函数；其中，所述目标损失函数的计算公式为：
Ltotal＝LIntrasample1+LIntersample2；
根据所述目标损失函数确定所述第四神经网络模型是否收敛；
在未收敛的情况下，对所述第四神经网络模型通过梯度更新的方式更新所述第四神经网络模型中的参数；其中，所述第四神经网络模型中的参数的更新公式为：
Figure FDA0003548217690000061
其中，optimizer为优化器，θ2为第四神经网络模型的参数，η为学习率；
在未收敛的情况下，对所述第三神经网络模型和所述第五神经网络模型进行参数更新；其中，所述第三神经网络模型中的参数的更新公式为：
θ1←τθ1+(1-τ)θ2；
其中，θ1为第三神经网络模型的参数，τ为第三神经网络模型训练完一轮后的迭代率，其中τ∈(0，1)，θ2为第四神经网络模型的参数；
所述第五神经网络模型中的参数的更新公式为：
ε←τε+(1-τ)θ2；
其中，ε为第五神经网络模型的参数，τ为第五神经网络模型训练完一轮后的迭代率，其中τ∈(0，1)；
在收敛的情况下，结束对所述第三神经网络模型、所述第四神经网络模型与所述第五神经网络模型的训练过程。
13.根据权利要求8所述的生理学电信号分类方法，其特征在于，所述基于训练好的第四神经网络模型中的特征提取网络，生成所述生理学电信号特征提取模型，包括：
在训练好的第四神经网络模型中的特征提取网络的末尾添加全连接网络，得到初始的生理学电信号特征提取模型；
将有标签的生理学电信号训练数据输入所述初始的生理学电信号特征提取模型，得到所述有标签的生理学电信号训练数据的特征向量，根据所述特征向量与所述有标签的生理学电信号训练数据所对应的标签信息计算网络损失；
根据计算得到的网络损失反向传播更新所述生理学电信号特征提取模型中的参数，直至所述生理学电信号特征提取模型收敛，得到最终确定的生理学电信号特征提取模型。
14.根据权利要求1所述的生理学电信号分类方法，其特征在于，所述根据所述目标生理学电信号的特征向量与已知类别生理学电信号的特征向量之间的距离，确定目标生理学电信号的类别，包括：
将多个具有标签的生理学电信号输入所述生理学电信号特征提取模型，得到所述多个具有标签的生理学电信号的特征向量；
对所述多个具有标签的生理学电信号的特征向量进行聚类分析，并根据聚类分析的结果以及多个具有标签的生理学电信号所对应的标签，确定多个类别的质心点位置与数据簇平均距离；
计算所述目标生理学电信号的特征向量与所述多个类别的质心点位置各自的距离，根据所述距离以及所述多个类别的数据簇平均距离，确定所述目标生理学电信号的类别。
15.根据权利要求1至14任一项所述的生理学电信号分类方法，其特征在于，方法还包括：
将已分类的生理学电信号输入预先训练的生理学电信号特征提取模型，得到所述已分类的生理学电信号的特征向量；
根据所述已分类的生理学电信号的特征向量与已知类别生理学电信号的特征向量之间的距离，检测已分类的生理学电信号的数据质量与标签质量。
16.根据权利要求15所述的生理学电信号分类方法，其特征在于，所述根据所述已分类的生理学电信号的特征向量与已知类别生理学电信号的特征向量之间的距离，检测已分类的生理学电信号的数据质量与标签质量，包括：
在所述已分类的生理学电信号的特征向量与一个已知生理学电信号类别的质心点位置之间的距离小于相应类别的平均距离，与其他已知生理学电信号类别的质心点位置之间的距离大于相应类别的平均距离，且所述已分类的生理学电信号所对应的标签与距离最近的质心点位置所属生理学电信号类别的标签不一致的情况下，降低所述已分类的生理学电信号所对应的标签的置信度，并对所述已分类的生理学电信号所对应的标签进行核验与重新验证；
在所述已分类的生理学电信号的特征向量与任意一个已知生理学电信号类别的质心点位置之间的距离均大于相应类别的平均距离的预设倍数值的情况下，确定所述已分类的生理学电信号为离群点，对所述已分类的生理学电信号做核验分析；
在所述已分类的生理学电信号的特征向量与至少两个已知生理学电信号类别的质心点位置之间的距离均在相应类别的平均距离的预设倍数值以内，且所述距离之间的差值小于预设值的情况下，确定所述已分类的生理学电信号为处于中间状态的低质量数据，对所述已分类的生理学电信号做核验分析。
17.根据权利要求1至14任一项所述的生理学电信号分类方法，其特征在于，方法还包括：
将标准数据集中的数据输入预先训练的生理学电信号特征提取模型，得到所述标准数据集中的数据的特征向量；其中，所述标准数据集包括有标签数据与无标签数据；
对所述标准数据集中的数据的特征向量进行聚类分析，根据所述标准数据集中的有标签数据的标签，确定多个类别的质心点位置；
根据所述标准数据集中的无标签数据的特征向量与所述多个类别的质心点位置之间的距离，确定所述标准数据集中的无标签数据的标签；
将所述标准数据集中的无标签数据的标签与采用其他方式获取的标准数据集中的无标签数据的真实标签进行比对，计算所述生理学电信号特征提取模型的准确率。
18.根据权利要求1所述的生理学电信号分类方法，其特征在于，所述获取待分类的目标生理学电信号，包括：
采集待分类的目标生理学电信号，并对所述目标生理学电信号执行以下至少一项操作：降噪操作、脱敏操作、数据残缺度确认和归一化操作。
19.一种生理学电信号分类装置，其特征在于，包括：
获取模块，用于获取待分类的目标生理学电信号；其中，所述目标生理学电信号为时序信号；
输入模块，用于将所述目标生理学电信号输入预先训练的生理学电信号特征提取模型，得到所述目标生理学电信号的特征向量；
确定模块，用于根据所述目标生理学电信号的特征向量与已知类别生理学电信号的特征向量之间的距离，确定目标生理学电信号的类别；
其中，所述生理学电信号特征提取模型是基于生理学电信号训练数据集、生理学电信号训练数据集所对应的时序错位数据集训练得到的；
或，
所述生理学电信号特征提取模型是基于生理学电信号训练数据集所对应的增广数据集、生理学电信号训练数据集所对应的时序错位数据集训练。
20.一种电子设备，其特征在于，包括：处理器、存储器和总线，其中，
所述处理器和所述存储器通过所述总线完成相互间的通信；
所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令能够执行如权利要求1至18中任一项所述生理学电信号分类方法的步骤。
21.一种非暂态计算机可读存储介质，其特征在于，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行如权利要求1至18中任一项所述生理学电信号分类方法的步骤。
CN202210255157.3A 2022-03-15 2022-03-15 生理学电信号分类方法、装置、电子设备及存储介质 Pending CN114757260A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210255157.3A CN114757260A (zh) 2022-03-15 2022-03-15 生理学电信号分类方法、装置、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210255157.3A CN114757260A (zh) 2022-03-15 2022-03-15 生理学电信号分类方法、装置、电子设备及存储介质

Publications (1)

Publication Number Publication Date
CN114757260A true CN114757260A (zh) 2022-07-15

Family

ID=82327670

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210255157.3A Pending CN114757260A (zh) 2022-03-15 2022-03-15 生理学电信号分类方法、装置、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN114757260A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115795367A (zh) * 2023-01-29 2023-03-14 湖南大学 基于机器学习的藻华爆发预测方法及应用

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115795367A (zh) * 2023-01-29 2023-03-14 湖南大学 基于机器学习的藻华爆发预测方法及应用

Similar Documents

Publication Publication Date Title
CN109998525B (zh) 一种基于判别式深度置信网络的心律失常自动分类方法
CN111445905B (zh) 混合语音识别网络训练方法、混合语音识别方法、装置及存储介质
CN103793718B (zh) 一种基于深度学习的人脸表情识别方法
CN106782602B (zh) 基于深度神经网络的语音情感识别方法
CN108776788B (zh) 一种基于脑电波的识别方法
CN108806792B (zh) 深度学习面诊系统
CN110188836B (zh) 一种基于变分自编码器的脑功能网络分类方法
CN109620152B (zh) 一种基于MutiFacolLoss-Densenet的心电信号分类方法
CN111461176A (zh) 基于归一化互信息的多模态融合方法、装置、介质及设备
CN106951753B (zh) 一种心电信号的认证方法和认证装置
CN109101938B (zh) 一种基于卷积神经网络的多标签年龄估计方法
CN110459225B (zh) 一种基于cnn融合特征的说话人辨认系统
CN108567418A (zh) 一种基于PCANet的脉搏信号亚健康检测方法及检测系统
CN110321810A (zh) 单通道信号双路分离方法、装置、存储介质及处理器
CN112294342A (zh) 一种基于深度残差Mask-CCNN的睡眠分期方法
Turan et al. Monitoring Infant's Emotional Cry in Domestic Environments Using the Capsule Network Architecture.
CN110543831A (zh) 一种基于卷积神经网络的脑纹识别方法
CN114841216B (zh) 一种基于模型不确定性学习的脑电信号分类方法
CN108175426B (zh) 一种基于深度递归型条件受限玻尔兹曼机的测谎方法
CN114881105A (zh) 基于transformer模型和对比学习的睡眠分期方法及系统
CN114757260A (zh) 生理学电信号分类方法、装置、电子设备及存储介质
Ma et al. Application of time-frequency domain and deep learning fusion feature in non-invasive diagnosis of congenital heart disease-related pulmonary arterial hypertension
CN108665001A (zh) 一种基于深度置信网络的跨被试空闲态检测方法
CN114091529A (zh) 一种基于生成对抗网络数据增强的脑电情感识别方法
CN113397562A (zh) 基于深度学习的睡眠纺锤波检测方法

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