【技術(shù)實(shí)現(xiàn)步驟摘要】
本申請涉及生物電阻抗成像，具體涉及一種基于卷積神經(jīng)網(wǎng)絡(luò)的電極脫落檢測方法及裝置。
技術(shù)介紹
1、目前，電極脫落檢測技術(shù)一是由人工提取電極脫落時(shí)電信號的特征并通過模型進(jìn)行分類。這種方法包括從電信號中人工提取統(tǒng)計(jì)學(xué)結(jié)果，例如均方根(rms)值，或者從電信號的頻域中提取特征向量，然后利用數(shù)據(jù)驅(qū)動的模型進(jìn)行分類或檢測。二是直接以電流信號為輸入的電極接觸狀態(tài)檢測算法。主要做法是將采集到的電流波形直接輸入到神經(jīng)網(wǎng)絡(luò)模型中,由神經(jīng)網(wǎng)絡(luò)模型自動依據(jù)電流波形特點(diǎn)完成模型訓(xùn)練。
2、盡管上述描述的現(xiàn)有技術(shù)在一定程度上能夠滿足電極脫落檢測的需求，但在實(shí)際應(yīng)用中，特別是在電阻抗成像(eit)測量中，胸廓形態(tài)和年齡差異導(dǎo)致的數(shù)據(jù)異質(zhì)性給電極脫落檢測帶來了挑戰(zhàn)。由于模型訓(xùn)練過程中需要分階段進(jìn)行，并且各訓(xùn)練模塊的目標(biāo)函數(shù)不統(tǒng)一，這導(dǎo)致了累積誤差的問題，影響了檢測的準(zhǔn)確性和可靠性。
技術(shù)實(shí)現(xiàn)思路
1、本專利技術(shù)實(shí)施例的一個(gè)目的旨在提供一種基于卷積神經(jīng)網(wǎng)絡(luò)的電極脫落檢測方法及裝置，用于解決電極脫落檢測中傳統(tǒng)模型準(zhǔn)確率低，導(dǎo)致電極脫落檢測不準(zhǔn)確的技術(shù)問題。
2、在第一方面，本專利技術(shù)實(shí)施例提供了一種基于卷積神經(jīng)網(wǎng)絡(luò)的電極脫落檢測方法，所述方法包括：
3、獲取待檢測人員的檢測數(shù)據(jù)；
4、對所述檢測數(shù)據(jù)進(jìn)行預(yù)處理，得到所述預(yù)處理后的目標(biāo)數(shù)據(jù)；
5、獲取預(yù)設(shè)卷積神經(jīng)網(wǎng)絡(luò)模型，所述預(yù)設(shè)卷積神經(jīng)網(wǎng)絡(luò)模型已通過目標(biāo)訓(xùn)練集完成訓(xùn)練；
6、將所述目標(biāo)數(shù)據(jù)輸入所述
7、第二方面，本專利技術(shù)實(shí)施例提供了一種基于卷積神經(jīng)網(wǎng)絡(luò)的電極脫落檢測裝置，所述裝置包括：
8、獲取單元，用于獲取待檢測人員的檢測數(shù)據(jù)；
9、處理單元，用于對所述檢測數(shù)據(jù)進(jìn)行預(yù)處理，得到所述預(yù)處理后的目標(biāo)數(shù)據(jù)；
10、所述獲取單元，還用于獲取預(yù)設(shè)卷積神經(jīng)網(wǎng)絡(luò)模型，所述預(yù)設(shè)卷積神經(jīng)網(wǎng)絡(luò)模型已通過目標(biāo)訓(xùn)練集完成訓(xùn)練；
11、所述處理單元，還用于將所述目標(biāo)數(shù)據(jù)輸入所述預(yù)設(shè)卷積神經(jīng)網(wǎng)絡(luò)模型中進(jìn)行電極脫落檢測處理，得到目標(biāo)預(yù)測值，所述目標(biāo)預(yù)測值用于比對所述待檢測人員在電極脫落檢測中的真實(shí)值，以得到所述待檢測人員的檢測結(jié)果。
12、在第三方面，本專利技術(shù)實(shí)施例提供一種計(jì)算機(jī)設(shè)備，包括：
13、至少一個(gè)處理器；以及，
14、與所述至少一個(gè)處理器通信連接的存儲器；其中，
15、所述存儲器存儲有可被所述至少一個(gè)處理器執(zhí)行的指令，所述指令被所述至少一個(gè)處理器執(zhí)行，以使所述至少一個(gè)處理器能夠執(zhí)行如第一方面所述的方法。
16、在第四方面，提供一種計(jì)算機(jī)可讀存儲介質(zhì)，所述計(jì)算機(jī)可讀存儲介質(zhì)存儲有計(jì)算機(jī)程序，所述計(jì)算機(jī)程序包括程序指令，所述程序指令當(dāng)被處理器執(zhí)行時(shí)使所述處理器執(zhí)行如第一方面所述的方法。
17、上述基于卷積神經(jīng)網(wǎng)絡(luò)的電極脫落檢測方法、裝置、設(shè)備及存儲介質(zhì)所實(shí)現(xiàn)的方案中，本方法通過獲取待檢測人員的詳細(xì)檢測數(shù)據(jù)，并對其進(jìn)行預(yù)處理，能夠有效減少噪聲和異常值的影響，從而提高電極脫落檢測的準(zhǔn)確性；進(jìn)一步的預(yù)處理步驟能夠標(biāo)準(zhǔn)化和歸一化數(shù)據(jù)，使得數(shù)據(jù)更適合卷積神經(jīng)網(wǎng)絡(luò)模型的輸入要求，提高了數(shù)據(jù)處理效率和模型訓(xùn)練的速度；采用預(yù)設(shè)卷積神經(jīng)網(wǎng)絡(luò)模型進(jìn)行電極脫落檢測，減少了人工判斷過程中可能出現(xiàn)的錯(cuò)誤，確保了檢測結(jié)果的客觀性和一致性，因此本方法能夠根據(jù)實(shí)時(shí)輸入目標(biāo)數(shù)據(jù)并快速得到預(yù)測值，在將預(yù)測值與真實(shí)值進(jìn)行比對，及時(shí)發(fā)現(xiàn)電極脫落情況，并采取相應(yīng)的措施，提高了電極脫落檢測的響應(yīng)速度。
本文檔來自技高網(wǎng)...【技術(shù)保護(hù)點(diǎn)】
1.一種基于卷積神經(jīng)網(wǎng)絡(luò)的電極脫落檢測方法，其特征在于，包括：
2.根據(jù)權(quán)利要求1所述的方法，其特征在于，在所述獲取預(yù)設(shè)卷積神經(jīng)網(wǎng)絡(luò)模型之前，所述方法還包括：
3.根據(jù)權(quán)利要求2所述的方法，其特征在于，所述獲取用于電極脫落檢測的第一數(shù)據(jù)集，包括：
4.根據(jù)權(quán)利要求2所述的方法，其特征在于，所述根據(jù)所述目標(biāo)訓(xùn)練集訓(xùn)練初始卷積神經(jīng)網(wǎng)絡(luò)模型，得到所述預(yù)設(shè)卷積神經(jīng)網(wǎng)絡(luò)模型，包括：
5.根據(jù)權(quán)利要求4所述的方法，其特征在于，所述將所述第一特征圖輸入所述初始卷積神經(jīng)網(wǎng)絡(luò)模型中的殘差網(wǎng)絡(luò)模塊，得到所述殘差網(wǎng)絡(luò)模塊輸出的第二特征圖，包括：
6.根據(jù)權(quán)利要求4所述的方法，其特征在于，所述依次根據(jù)目標(biāo)訓(xùn)練集對所述初始卷積神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，直到滿足預(yù)設(shè)停止條件時(shí)，停止訓(xùn)練，得到所述預(yù)設(shè)卷積神經(jīng)網(wǎng)絡(luò)模型，包括：
7.根據(jù)權(quán)利要求2所述的方法，其特征在于，在所述根據(jù)所述目標(biāo)訓(xùn)練集訓(xùn)練初始卷積神經(jīng)網(wǎng)絡(luò)模型，得到所述預(yù)設(shè)卷積神經(jīng)網(wǎng)絡(luò)模型之后，所述方法還包括：
8.一種基于卷積神經(jīng)網(wǎng)絡(luò)的電極脫落檢測裝置，所述裝置包括：>
9.一種計(jì)算機(jī)設(shè)備，包括存儲器、處理器，所述存儲器連接至所述處理器，所述處理器用于執(zhí)行存儲在所述存儲器中的一個(gè)或多個(gè)計(jì)算機(jī)程序，所述處理器在執(zhí)行所述一個(gè)或多個(gè)計(jì)算機(jī)程序時(shí)，使得所述計(jì)算機(jī)設(shè)備實(shí)現(xiàn)如權(quán)利要求1-7任一項(xiàng)所述的方法。
10.一種計(jì)算機(jī)可讀存儲介質(zhì)，其特征在于，所述計(jì)算機(jī)可讀存儲介質(zhì)存儲有計(jì)算機(jī)程序，所述計(jì)算機(jī)程序包括程序指令，所述程序指令當(dāng)被處理器執(zhí)行時(shí)使所述處理器執(zhí)行如權(quán)利要求1-7任一項(xiàng)所述的方法。
...【技術(shù)特征摘要】
1.一種基于卷積神經(jīng)網(wǎng)絡(luò)的電極脫落檢測方法，其特征在于，包括：
2.根據(jù)權(quán)利要求1所述的方法，其特征在于，在所述獲取預(yù)設(shè)卷積神經(jīng)網(wǎng)絡(luò)模型之前，所述方法還包括：
3.根據(jù)權(quán)利要求2所述的方法，其特征在于，所述獲取用于電極脫落檢測的第一數(shù)據(jù)集，包括：
4.根據(jù)權(quán)利要求2所述的方法，其特征在于，所述根據(jù)所述目標(biāo)訓(xùn)練集訓(xùn)練初始卷積神經(jīng)網(wǎng)絡(luò)模型，得到所述預(yù)設(shè)卷積神經(jīng)網(wǎng)絡(luò)模型，包括：
5.根據(jù)權(quán)利要求4所述的方法，其特征在于，所述將所述第一特征圖輸入所述初始卷積神經(jīng)網(wǎng)絡(luò)模型中的殘差網(wǎng)絡(luò)模塊，得到所述殘差網(wǎng)絡(luò)模塊輸出的第二特征圖，包括：
6.根據(jù)權(quán)利要求4所述的方法，其特征在于，所述依次根據(jù)目標(biāo)訓(xùn)練集對所述初始卷積神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，直到滿足預(yù)設(shè)停止條件時(shí)，停...
【專利技術(shù)屬性】
技術(shù)研發(fā)人員：胡耀天，
申請(專利權(quán))人：上海融易邁醫(yī)療健康科技有限公司，
類型：發(fā)明
國別省市：
還沒有人留言評論。發(fā)表了對其他瀏覽者有用的留言會獲得科技券。