【技術(shù)實(shí)現(xiàn)步驟摘要】
本專利技術(shù)涉及生理信號(hào)分析，特別是涉及一種基于多尺度交叉指導(dǎo)神經(jīng)網(wǎng)絡(luò)的生理信號(hào)分析方法及系統(tǒng)。
技術(shù)介紹
1、本部分的陳述僅僅是提供了與本專利技術(shù)相關(guān)的
技術(shù)介紹
信息，不必然構(gòu)成在先技術(shù)。
2、生理信號(hào)是醫(yī)療領(lǐng)域的重要研究對(duì)象。醫(yī)生通過(guò)分析生理信號(hào)可以了解患者的特定活動(dòng)、情緒以及健康狀況，這對(duì)臨床診斷、治療監(jiān)測(cè)和藥物測(cè)試具有深遠(yuǎn)的意義。穿戴式設(shè)備的應(yīng)用使得生理信號(hào)的記錄時(shí)長(zhǎng)趨于長(zhǎng)程化。同時(shí)，電子健康記錄的普及使得生理信號(hào)分析的任務(wù)類型趨于多樣化。臨床中的生理信號(hào)分析主要依靠專家的手工注釋，其分析效率低下并且疲勞錯(cuò)誤頻發(fā)。時(shí)長(zhǎng)的長(zhǎng)程化和任務(wù)的多樣化進(jìn)一步加劇了生理信號(hào)分析的負(fù)擔(dān)。因此，臨床需要人工智能(ai)來(lái)提高生理信號(hào)分析的準(zhǔn)確性和效率。
3、盡管ai在生理信號(hào)分析中涉及疾病檢測(cè)、生理參數(shù)監(jiān)測(cè)以及疾病預(yù)測(cè)等多個(gè)領(lǐng)域的臨床應(yīng)用，但是從任務(wù)性質(zhì)的角度分析ai主要完成分類和回歸兩項(xiàng)基本任務(wù)。分類是根據(jù)輸入信號(hào)的特征將其劃分到預(yù)定義的類別，回歸是尋找自變量和因變量之間的關(guān)系。兩者的差異性導(dǎo)致現(xiàn)有的研究主要開發(fā)不同的專用人工智能(ani)。例如，分析心電信號(hào)(ecg)實(shí)現(xiàn)心房顫動(dòng)(af)識(shí)別和分析光電容積脈搏信號(hào)(ppg)實(shí)現(xiàn)非侵入式的血壓(bp)估算分別需要特定的分類模型和回歸模型。在特定的臨床場(chǎng)景下，ani緩解了生理信號(hào)分析的臨床負(fù)擔(dān)并為患者提供了更好的治療方案。
4、然而，在臨床中，共病是一種常見的現(xiàn)象，它代表患者同時(shí)患有兩種及以上的疾病，例如af和高血壓。面對(duì)存在共病的患者，ai需要完成多種類型
技術(shù)實(shí)現(xiàn)思路
1、為了解決上述問題，本專利技術(shù)提出了一種基于多尺度交叉指導(dǎo)神經(jīng)網(wǎng)絡(luò)的生理信號(hào)分析方法及系統(tǒng)，同時(shí)具備分類和回歸的能力，泛化到不同的任務(wù)時(shí)不需要重新優(yōu)化超參數(shù)且具有良好的魯棒性，輕量化設(shè)計(jì)，能夠部署于邊緣設(shè)備，在不同的臨床場(chǎng)景中具有良好的準(zhǔn)確性和實(shí)效性。
2、為了實(shí)現(xiàn)上述目的，本專利技術(shù)采用如下技術(shù)方案：
3、第一方面，本專利技術(shù)提供一種基于多尺度交叉指導(dǎo)神經(jīng)網(wǎng)絡(luò)的生理信號(hào)分析方法，包括以下步驟：
4、獲取生理信號(hào)，并將生理信號(hào)切分為多個(gè)數(shù)據(jù)分區(qū)；
5、采用多個(gè)不同尺度的并行的卷積神經(jīng)網(wǎng)絡(luò)子模塊分別對(duì)多個(gè)數(shù)據(jù)分區(qū)的生理信號(hào)進(jìn)行高維度映射，獲得非線性向量，學(xué)習(xí)不同卷積神經(jīng)網(wǎng)絡(luò)子模塊之間的相關(guān)性并將其量化為權(quán)重向量，基于權(quán)重向量對(duì)非線性向量進(jìn)行并行運(yùn)算，對(duì)并行運(yùn)算結(jié)果進(jìn)行點(diǎn)卷積操作，獲得信息向量；
6、對(duì)信息向量進(jìn)行解碼，獲得符合特定生理信號(hào)分析任務(wù)的特征向量；
7、利用符合特定生理信號(hào)分析任務(wù)的特征向量進(jìn)行生理信號(hào)分析。
8、作為可選擇的實(shí)施方式，采用稀疏突觸連接強(qiáng)化不同卷積神經(jīng)網(wǎng)絡(luò)子模塊之間的信息交互，通過(guò)嵌入全局信息和自適應(yīng)校正來(lái)學(xué)習(xí)不同卷積神經(jīng)網(wǎng)絡(luò)子模塊之間的相關(guān)性并將其量化為權(quán)重向量。
9、作為可選擇的實(shí)施方式，采用多尺度的深度可分離卷積神經(jīng)網(wǎng)絡(luò)對(duì)非線性向量進(jìn)行并行運(yùn)算，并對(duì)并行運(yùn)算結(jié)果進(jìn)行點(diǎn)卷積操作。
10、作為可選擇的實(shí)施方式，所述多尺度的深度卷積神經(jīng)網(wǎng)絡(luò)引入了跳躍連接，淺層深度卷積神經(jīng)網(wǎng)絡(luò)的輸出直接添加到深層深度卷積神經(jīng)網(wǎng)絡(luò)的輸入中以減緩梯度變化。
11、作為可選擇的實(shí)施方式，所述多尺度的深度卷積神經(jīng)網(wǎng)絡(luò)由dc算子構(gòu)建，所述dc算子應(yīng)用了逐通道卷積的思想。
12、作為可選擇的實(shí)施方式，采用tcnn對(duì)信息向量進(jìn)行解碼，所述tcnn采用轉(zhuǎn)置卷積算子構(gòu)建。
13、第二方面，本專利技術(shù)提供一種基于多尺度交叉指導(dǎo)神經(jīng)網(wǎng)絡(luò)的生理信號(hào)分析系統(tǒng)，包括：
14、數(shù)據(jù)獲取及分區(qū)模塊，被配置為：獲取生理信號(hào)，并將生理信號(hào)切分為多個(gè)數(shù)據(jù)分區(qū)；
15、編碼模塊，被配置為：采用多個(gè)不同尺度的并行的卷積神經(jīng)網(wǎng)絡(luò)子模塊分別對(duì)多個(gè)數(shù)據(jù)分區(qū)的生理信號(hào)進(jìn)行高維度映射，獲得非線性向量，學(xué)習(xí)不同卷積神經(jīng)網(wǎng)絡(luò)子模塊之間的相關(guān)性并將其量化為權(quán)重向量，基于權(quán)重向量對(duì)非線性向量進(jìn)行并行運(yùn)算，對(duì)并行運(yùn)算結(jié)果進(jìn)行點(diǎn)卷積操作，獲得信息向量；
16、解碼模塊，被配置為：對(duì)信息向量進(jìn)行解碼，獲得符合特定生理信號(hào)分析任務(wù)的特征向量；
17、分析模塊，被配置為：利用符合特定生理信號(hào)分析任務(wù)的特征向量進(jìn)行生理信號(hào)分析。
18、第三方面，本專利技術(shù)提供一種電子設(shè)備，包括存儲(chǔ)器和處理器以及存儲(chǔ)在存儲(chǔ)器上并在處理器上運(yùn)行的計(jì)算機(jī)指令，所述計(jì)算機(jī)指令被處理器運(yùn)行時(shí)，完成第一方面所述的方法。
19、第四方面，本專利技術(shù)提供一種計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，用于存儲(chǔ)計(jì)算機(jī)指令，所述計(jì)算機(jī)指令被處理器執(zhí)行時(shí)，完成第一方面所述的方法。
20、第五方面，本專利技術(shù)提供一種計(jì)算機(jī)程序產(chǎn)品，包括計(jì)算機(jī)程序，所述計(jì)算機(jī)程序被處理器執(zhí)行時(shí)實(shí)現(xiàn)完成第一方面所述的方法。
21、與現(xiàn)有技術(shù)相比，本專利技術(shù)的有益效果為：
22、本公開提出一種基于多尺度交叉指導(dǎo)神經(jīng)網(wǎng)絡(luò)的生理信號(hào)分析方法及系統(tǒng)，同時(shí)具備分類和回歸的能力，能夠在不改變?nèi)魏纬瑓?shù)的前提下完成分類和回歸兩種不同屬性的生理信號(hào)分析任務(wù)。本公開采用多尺度機(jī)制進(jìn)行特征提取，其中，小尺度的感受野用于學(xué)習(xí)局部細(xì)節(jié)信息，大尺度的感受野用于學(xué)習(xí)全局語(yǔ)義信息。多尺度機(jī)制使本方法具備提取多樣化特征的能力從而提取不同任務(wù)所需要的特征，在不同任務(wù)中展現(xiàn)出良好的通用性。
23、本公開提出一種基于多尺度交叉指導(dǎo)神經(jīng)網(wǎng)絡(luò)的生理信號(hào)分析方法及系統(tǒng)，采用分布式的思想以解決多尺度機(jī)制計(jì)算成本過(guò)高的問題。本方法的主干被劃分為多個(gè)獨(dú)立的子模塊。每個(gè)子模塊由輕量級(jí)的卷積算子構(gòu)建。主干和算子的優(yōu)化降低了生理信號(hào)分析的計(jì)算成本。分布式的架構(gòu)使mscg-net具有更低的計(jì)算成本和更快的推理速度從而能夠部署于邊緣設(shè)備。
24、本公開提出一種基于多尺度交叉指導(dǎo)神經(jīng)網(wǎng)絡(luò)的生理信號(hào)分析方法及系統(tǒng)，引入稀疏突觸連接以增強(qiáng)分布式神經(jīng)網(wǎng)絡(luò)中子模塊的信息交互本文檔來(lái)自技高網(wǎng)...
【技術(shù)保護(hù)點(diǎn)】
1.基于多尺度交叉指導(dǎo)神經(jīng)網(wǎng)絡(luò)的生理信號(hào)分析方法，其特征在于，包括以下步驟：
2.如權(quán)利要求1所述的基于多尺度交叉指導(dǎo)神經(jīng)網(wǎng)絡(luò)的生理信號(hào)分析方法，其特征在于，采用稀疏突觸連接強(qiáng)化不同卷積神經(jīng)網(wǎng)絡(luò)子模塊之間的信息交互，通過(guò)嵌入全局信息和自適應(yīng)校正來(lái)學(xué)習(xí)不同卷積神經(jīng)網(wǎng)絡(luò)子模塊之間的相關(guān)性并將其量化為權(quán)重向量。
3.如權(quán)利要求1所述的基于多尺度交叉指導(dǎo)神經(jīng)網(wǎng)絡(luò)的生理信號(hào)分析方法，其特征在于，采用多尺度的深度可分離卷積神經(jīng)網(wǎng)絡(luò)對(duì)非線性向量進(jìn)行并行運(yùn)算，并對(duì)并行運(yùn)算結(jié)果進(jìn)行點(diǎn)卷積操作。
4.如權(quán)利要求3所述的基于多尺度交叉指導(dǎo)神經(jīng)網(wǎng)絡(luò)的生理信號(hào)分析方法，其特征在于，所述多尺度的深度卷積神經(jīng)網(wǎng)絡(luò)引入了跳躍連接，淺層深度卷積神經(jīng)網(wǎng)絡(luò)的輸出直接添加到深層深度卷積神經(jīng)網(wǎng)絡(luò)的輸入中以減緩梯度變化。
5.如權(quán)利要求4所述的基于多尺度交叉指導(dǎo)神經(jīng)網(wǎng)絡(luò)的生理信號(hào)分析方法，其特征在于，所述多尺度的深度卷積神經(jīng)網(wǎng)絡(luò)由DC算子構(gòu)建，所述DC算子應(yīng)用了逐通道卷積的思想。
6.如權(quán)利要求1所述的基于多尺度交叉指導(dǎo)神經(jīng)網(wǎng)絡(luò)的生理信號(hào)分析方法，其特征在于，采用
7.基于多尺度交叉指導(dǎo)神經(jīng)網(wǎng)絡(luò)的生理信號(hào)分析系統(tǒng)，其特征在于，包括：
8.一種電子設(shè)備，其特征在于，包括存儲(chǔ)器和處理器以及存儲(chǔ)在存儲(chǔ)器上并在處理器上運(yùn)行的計(jì)算機(jī)指令，所述計(jì)算機(jī)指令被處理器運(yùn)行時(shí)，完成權(quán)利要求1-6任一項(xiàng)所述的方法。
9.一種計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，其特征在于，用于存儲(chǔ)計(jì)算機(jī)指令，所述計(jì)算機(jī)指令被處理器執(zhí)行時(shí)，完成權(quán)利要求1-6任一項(xiàng)所述的方法。
10.一種計(jì)算機(jī)程序產(chǎn)品，其特征在于，包括計(jì)算機(jī)程序，所述計(jì)算機(jī)程序被處理器執(zhí)行時(shí)實(shí)現(xiàn)完成權(quán)利要求1-6任一項(xiàng)所述的方法。
...【技術(shù)特征摘要】
1.基于多尺度交叉指導(dǎo)神經(jīng)網(wǎng)絡(luò)的生理信號(hào)分析方法，其特征在于，包括以下步驟：
2.如權(quán)利要求1所述的基于多尺度交叉指導(dǎo)神經(jīng)網(wǎng)絡(luò)的生理信號(hào)分析方法，其特征在于，采用稀疏突觸連接強(qiáng)化不同卷積神經(jīng)網(wǎng)絡(luò)子模塊之間的信息交互，通過(guò)嵌入全局信息和自適應(yīng)校正來(lái)學(xué)習(xí)不同卷積神經(jīng)網(wǎng)絡(luò)子模塊之間的相關(guān)性并將其量化為權(quán)重向量。
3.如權(quán)利要求1所述的基于多尺度交叉指導(dǎo)神經(jīng)網(wǎng)絡(luò)的生理信號(hào)分析方法，其特征在于，采用多尺度的深度可分離卷積神經(jīng)網(wǎng)絡(luò)對(duì)非線性向量進(jìn)行并行運(yùn)算，并對(duì)并行運(yùn)算結(jié)果進(jìn)行點(diǎn)卷積操作。
4.如權(quán)利要求3所述的基于多尺度交叉指導(dǎo)神經(jīng)網(wǎng)絡(luò)的生理信號(hào)分析方法，其特征在于，所述多尺度的深度卷積神經(jīng)網(wǎng)絡(luò)引入了跳躍連接，淺層深度卷積神經(jīng)網(wǎng)絡(luò)的輸出直接添加到深層深度卷積神經(jīng)網(wǎng)絡(luò)的輸入中以減緩梯度變化。
5.如權(quán)利要求4所述的基于多尺度交叉指導(dǎo)神經(jīng)網(wǎng)絡(luò)的生理信號(hào)分...
【專利技術(shù)屬性】
技術(shù)研發(fā)人員：魏守水，李永建，陳蒙，孫乙桁，高嘉慧，張秀新，
申請(qǐng)(專利權(quán))人：山東大學(xué)，
類型：發(fā)明
國(guó)別省市：
還沒有人留言評(píng)論。發(fā)表了對(duì)其他瀏覽者有用的留言會(huì)獲得科技券。