【技術實現步驟摘要】
本專利技術涉及毫米波雷達和無接觸式心臟疾病檢測，更具體地，涉及一種用于輔助確定心臟疾病類別的模型訓練方法及裝置。
技術介紹
1、近年來，具備高分辨率和高精度特性的毫米波雷達技術不僅能夠進行無接觸式的動作識別以及對心率、呼吸等生命體征進行監測，還能夠實現無接觸式心電圖（electrocardiogram，ecg）監測，這對于心臟疾病的早期輔助診斷和監測具有重大意義。
2、在實現本專利技術構思的過程中，經研究發現，相關技術中由于缺乏較高質量的毫米波雷達數據標簽，使得毫米波雷達技術在無接觸式心臟疾病檢測領域的進步受到了制約。
技術實現思路
1、有鑒于此，本專利技術提供了一種用于輔助確定心臟疾病類別的模型訓練方法及裝置。
2、本專利技術的一個方面提供了一種用于輔助確定心臟疾病類別的模型訓練方法，包括：獲取預定時段內樣本對象的心電圖數據集和毫米波雷達數據集，其中，毫米波雷達數據集包括樣本心跳信息和樣本冗余信息；分別對心電圖數據集和毫米波雷達數據集進行特征提取，得到預定時段內多個時刻各自的心電圖特征和毫米波雷達特征；根據多個時刻各自的心電圖特征和毫米波雷達特征，將樣本心跳信息與心電圖數據集進行語義匹配，得到相對齊的目標心電圖特征和目標毫米波雷達特征；根據目標心電圖特征和目標毫米波雷達特征，對利用心電圖特征訓練得到的初始分類模型進行調整，得到目標分類模型，其中，目標分類模型用于確定心臟疾病類別。
3、根據本專利技術的實施例，分別對心電圖數據集和毫米波雷達數據集
4、根據本專利技術的實施例，第二初始特征包括空間特征和時間特征，利用深度學習模型，對毫米波雷達數據集進行特征提取，得到第二初始特征，包括：利用深度學習模型的三維卷積網絡，對毫米波雷達數據集進行空間域的特征提取，得到多個時刻各自的空間特征，空間特征表征毫米波雷達數據集在三維空間中的變化規律；利用深度學習模型的一維卷積網絡，對毫米波雷達數據集進行時間域的特征提取，得到與不同時間尺度相對應的時間特征，時間特征表征毫米波雷達數據集在不同時間尺度上的變化規律；根據空間特征和時間特征，得到第二初始特征。
5、根據本專利技術的實施例，根據空間特征和時間特征，得到第二初始特征，包括：利用與一維卷積網絡相對應的注意力模型，對與不同時間尺度相對應的時間特征進行尺度融合，得到與時間特征相對應的時序數據；根據空間特征和與時間特征相對應的時序數據，得到第二初始特征。
6、根據本專利技術的實施例，初始分類模型包括分類器子模型和解碼器子模型，初始分類模型是根據以下步驟訓練得到的：根據心電圖特征與心臟疾病類別的對應關系，構建分類器子模型；利用解碼器子模型，對心電圖特征進行特征重建，得到重建心電圖數據；利用重建心電圖數據，對分類器子模型進行迭代優化，直至分類器子模型的損失函數滿足預定閾值，得到初始分類模型。
7、根據本專利技術的實施例，根據多個時刻各自的心電圖特征和毫米波雷達特征，將樣本心跳信息與心電圖數據集進行語義匹配，得到相對齊的目標心電圖特征和目標毫米波雷達特征，包括：對于每一時刻，將與毫米波雷達特征相對應的梯度與心電圖特征的梯度相對齊，使得毫米波雷達數據集中的樣本心跳信息與心電圖數據集實現語義匹配，得到相對齊的目標心電圖特征和目標毫米波雷達特征。
8、根據本專利技術的實施例，獲取預定時段內樣本對象的心電圖數據集和毫米波雷達數據集，包括：獲取預定時段內樣本對象的心電圖數據集；獲取預定時段內樣本對象與目標空間中每個空間位置點相對應的雷達信號；對與每個空間位置點相對應的雷達信號進行二階差分處理，得到二階雷達信號；分別從每個二階雷達信號中提取實部數據、虛部數據和相位數據；根據每個二階雷達信號各自的實部數據、虛部數據和相位數據，得到毫米波雷達數據集。
9、本專利技術的另一個方面提供了一種用于輔助確定心臟疾病類別的方法，包括：采集與目標對象相對應的毫米波雷達信號，其中，毫米波雷達信號包括心跳信息；將毫米波雷達信號輸入至目標分類模型，輸出與心跳信息相對應的心臟疾病類別，其中，目標分類模型是利用上述模型訓練方法訓練得到的。
10、本專利技術的另一個方面提供了一種用于輔助確定心臟疾病類別的模型訓練裝置，包括：獲取模塊，用于獲取預定時段內樣本對象的心電圖數據集和毫米波雷達數據集，其中，毫米波雷達數據集包括樣本心跳信息和樣本冗余信息；?提取模塊，用于分別對心電圖數據集和毫米波雷達數據集進行特征提取，得到預定時段內多個時刻各自的心電圖特征和毫米波雷達特征；得到模塊，用于根據多個時刻各自的心電圖特征和毫米波雷達特征，將樣本心跳信息與心電圖數據集進行語義匹配，得到相對齊的目標心電圖特征和目標毫米波雷達特征；調整模塊，用于根據目標心電圖特征和目標毫米波雷達特征，對利用心電圖特征訓練得到的初始分類模型進行調整，得到目標分類模型，其中，目標分類模型用于確定心臟疾病類別。
11、本專利技術的另一方面提供了一種用于輔助確定心臟疾病類別的裝置，包括：采集模塊，用于采集與目標對象相對應的毫米波雷達信號，其中，毫米波雷達信號包括心跳信息；輸出模塊，用于將毫米波雷達信號輸入至目標分類模型，輸出與心跳信息相對應的心臟疾病類別，其中，目標分類模型是利用上述模型訓練方法訓練得到的。
12、根據本專利技術的實施例，通過對采集到的樣本對象的心電圖數據集和毫米波雷達數據集進行特征提取，利用得到的心電圖特征訓練得到初始分類模型，根據預定時段內多個時刻各自的心電圖特征和毫米波雷達特征，將樣本心跳信息與心電圖數據集進行語義匹配，能夠得到相對齊的目標心電圖特征和目標毫米波雷達特征，同時剔除冗余信息，并根據目標心電圖特征和目標毫米波雷達特征，對初始分類模型進行調整，使得利用心電圖特征訓練的初始分類模型能夠識別毫米波雷達數據，并輔助確定心臟疾病類別，由于在對初始分類模型進行訓練時使用心電圖特征代替毫米波雷達特征，因此實現了毫米波雷達心臟疾病分類的零樣本學習，避免了心臟疾病分類對于毫米波雷達數據和疾病標簽的依賴，利用心電圖數據彌補毫米波數據的不足，使得毫米波雷達能夠檢測和分類更多的心臟疾病，進一步提高了疾病分類的準確性，拓寬了毫米波雷達技術在心臟疾病監測領域的應用范圍，為無接觸式心臟健康監測提供了新的可能性。
本文檔來自技高網...【技術保護點】
1.一種用于輔助確定心臟疾病類別的模型訓練方法，其特征在于，包括：
2.根據權利要求1所述的方法，其特征在于，所述分別對所述心電圖數據集和所述毫米波雷達數據集進行特征提取，得到所述預定時段內多個時刻各自的心電圖特征和毫米波雷達特征，包括：
3.根據權利要求2所述的方法，其特征在于，所述第二初始特征包括空間特征和時間特征，所述利用所述深度學習模型，對所述毫米波雷達數據集進行特征提取，得到第二初始特征，包括：
4.根據權利要求3所述的方法，其特征在于，所述根據所述空間特征和所述時間特征，得到所述第二初始特征，包括：
5.根據權利要求1所述的方法，其特征在于，所述初始分類模型包括分類器子模型和解碼器子模型，所述初始分類模型是根據以下步驟訓練得到的：
6.根據權利要求1所述的方法，其特征在于，所述根據所述多個時刻各自的心電圖特征和毫米波雷達特征，將所述樣本心跳信息與所述心電圖數據集進行語義匹配，得到相對齊的目標心電圖特征和目標毫米波雷達特征，包括：
7.根據權利要求1所述的方法，其特征在于，所述獲取預定時段內樣本對象
8.一種用于輔助確定心臟疾病類別的方法，其特征在于，包括：
9.一種用于輔助確定心臟疾病類別的模型訓練裝置，其特征在于，包括：
10.一種用于輔助確定心臟疾病類別的裝置，其特征在于，包括：
...【技術特征摘要】
1.一種用于輔助確定心臟疾病類別的模型訓練方法，其特征在于，包括：
2.根據權利要求1所述的方法，其特征在于，所述分別對所述心電圖數據集和所述毫米波雷達數據集進行特征提取，得到所述預定時段內多個時刻各自的心電圖特征和毫米波雷達特征，包括：
3.根據權利要求2所述的方法，其特征在于，所述第二初始特征包括空間特征和時間特征，所述利用所述深度學習模型，對所述毫米波雷達數據集進行特征提取，得到第二初始特征，包括：
4.根據權利要求3所述的方法，其特征在于，所述根據所述空間特征和所述時間特征，得到所述第二初始特征，包括：
5.根據權利要求1所述的方法，其特征在于，所述初始分類模型包括分...
【專利技術屬性】
技術研發人員：陳彥，岳奧翔，盧智，張東恒，胡洋，孫啟彬，陸軍，
申請(專利權)人：中國科學技術大學，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。