[發(fā)明專利]基于深度學(xué)習(xí)的個(gè)體信號(hào)識(shí)別算法及系統(tǒng)

在審

• 申請(qǐng)?zhí)枺?/td>: 202010143701.6
• 申請(qǐng)日: 2020-03-04
• 公開（公告）號(hào): CN111428580A
• 公開（公告）日: 2020-07-17
• 發(fā)明（設(shè)計(jì)）人: 曲媛媛;劉偉;鄭旭東;秦志亮;劉曉煒;謝耘
• 申請(qǐng)（專利權(quán)）人: 威海北洋電氣集團(tuán)股份有限公司
• 主分類號(hào): G06K9/00
• 分類號(hào): G06K9/00;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 威海科星專利事務(wù)所 37202
• 代理人: 初姣姣

本發(fā)明涉及信號(hào)識(shí)別技術(shù)領(lǐng)域，具體的說是一種基于深度學(xué)習(xí)的個(gè)體信號(hào)識(shí)別算法及系統(tǒng)，其特征在于設(shè)有多通道數(shù)據(jù)采集單元、數(shù)據(jù)預(yù)處理單元、通道選擇單元、CNN?HMM混合分類器搭建訓(xùn)練單元、結(jié)果判別單元，其中所述多通道數(shù)據(jù)采集單元所獲取的同一測(cè)試者在多個(gè)測(cè)試條件下產(chǎn)生的多個(gè)類型原始數(shù)據(jù)以多通道形式輸出至數(shù)據(jù)預(yù)處理單元；所述數(shù)據(jù)預(yù)處理單元將預(yù)處理后的數(shù)據(jù)以多通道形式輸出至通道選擇單元，本發(fā)明解決了傳統(tǒng)算法設(shè)計(jì)方案過程中對(duì)信號(hào)采集通道個(gè)數(shù)的限制，發(fā)明了一種自適應(yīng)信號(hào)通道的算法，通過前期簡(jiǎn)易算法設(shè)計(jì)，篩選具體通道信號(hào)，既避免了傳入模型信息的繁雜，簡(jiǎn)化了模型結(jié)構(gòu)，又充分利用了有效的信號(hào)資源。

技術(shù)領(lǐng)域：

本發(fā)明涉及信號(hào)識(shí)別技術(shù)領(lǐng)域，具體的說是一種能夠自適應(yīng)信號(hào)通道，通過篩選具體通道信號(hào)，既簡(jiǎn)化了模型結(jié)構(gòu)，又充分利用了有效的信號(hào)資源的基于深度學(xué)習(xí)的個(gè)體信號(hào)識(shí)別算法及系統(tǒng)。

背景技術(shù)：

隨著社會(huì)的發(fā)展、科技水平的提升，各行各業(yè)都在充分利用大量的數(shù)據(jù)信息，革新智能化產(chǎn)品，以提升人們生活幸福感。

人工智能技術(shù)利用現(xiàn)有的儀器采集序列信號(hào)，對(duì)其進(jìn)行自動(dòng)分析和診斷。有效的機(jī)器學(xué)習(xí)方法，如支持向量機(jī)、多層感知機(jī)、決策樹、隨機(jī)森林、梯度提升樹等等，都能夠?qū)π盘?hào)進(jìn)行分類判別，這些方法在建模前，都要進(jìn)行信號(hào)的預(yù)處理，從信號(hào)中提取人工特征(具體有小波包分析、功率譜估計(jì)、能量熵、梅爾功率譜、傅里葉分析等等)，用于實(shí)現(xiàn)最終的分類任務(wù)。

這些人工提取的信號(hào)特征能夠展現(xiàn)信號(hào)某方面的形態(tài)，但卻很難利用信號(hào)序列的全部特征信息，對(duì)于特定的分類任務(wù)，人工提取的特征可能不能滿足機(jī)器智能學(xué)習(xí)此分類任務(wù)的需求。在處理信號(hào)分類的問題上，自動(dòng)的特征提取和代表性方法被證實(shí)更加具有可擴(kuò)展性，且能夠做到更加精準(zhǔn)的預(yù)測(cè)，從原始信號(hào)序列出發(fā)，充分利用信號(hào)的全部信息，構(gòu)建端到端的深度學(xué)習(xí)框架，它能夠允許機(jī)器學(xué)習(xí)最適合其所需特定分類任務(wù)的特征。

在研究信號(hào)識(shí)別算法領(lǐng)域里，基于機(jī)器學(xué)習(xí)與深度學(xué)習(xí)分類器的算法有很多，通過設(shè)計(jì)網(wǎng)絡(luò)結(jié)構(gòu)及分類器參數(shù)，能夠?qū)μ囟I(lǐng)域信號(hào)類型進(jìn)行有效的識(shí)別。在信號(hào)采集后片段的處理上，通常采取兩種方案，第一，將多個(gè)通道的信號(hào)并為一個(gè)單通道信號(hào)，進(jìn)行模型的搭建與分類，第二，將多個(gè)通道同一時(shí)刻采集上來的信號(hào)一起作為模型的輸入端，經(jīng)過簡(jiǎn)單預(yù)處理后，進(jìn)行模型的搭建與分類，極少數(shù)現(xiàn)有方案中對(duì)信號(hào)數(shù)據(jù)進(jìn)行復(fù)雜的預(yù)處理，雖然分類效果是有效可靠的，但方法的泛化性不高。此外，目前大部分技術(shù)手段中，具體算法的遷移能力(遷移能力是指將算法遷移到另一相近領(lǐng)域進(jìn)行準(zhǔn)確識(shí)別的能力)不能夠保證；當(dāng)發(fā)明的具體算法需要多個(gè)通道數(shù)據(jù)的支持時(shí)，對(duì)于具體產(chǎn)品而言，也會(huì)給工程實(shí)施帶來一定的限制。

發(fā)明內(nèi)容：

本發(fā)明針對(duì)現(xiàn)有技術(shù)對(duì)于信號(hào)序列分析的缺陷，提出了一種能夠?qū)τ行盘?hào)進(jìn)行高效利用，縮減輸入信號(hào)通道，簡(jiǎn)化網(wǎng)絡(luò)模型復(fù)雜度，提升計(jì)算效率的基于深度學(xué)習(xí)的個(gè)體信號(hào)識(shí)別算法及系統(tǒng)。

本發(fā)明通過以下措施達(dá)到：

一種基于深度學(xué)習(xí)的個(gè)體信號(hào)識(shí)別算法，其特征在于包括以下步驟：

步驟1：采集同一測(cè)試者在不同測(cè)試要求下的多通道原始信號(hào)數(shù)據(jù)，并進(jìn)行信號(hào)預(yù)處理；

步驟2：對(duì)多個(gè)信號(hào)通道內(nèi)多個(gè)類別的原始數(shù)據(jù)，分別進(jìn)行類別間差異性計(jì)算，并對(duì)計(jì)算結(jié)果按大小排序，選取結(jié)果最大的通道作為輸入信號(hào)通道；

步驟3：搭建并訓(xùn)練CNN-HMM混合分類器，采用卷積神經(jīng)網(wǎng)絡(luò)對(duì)信號(hào)進(jìn)行特征提取，然后每個(gè)類別下分別訓(xùn)練一個(gè)HMM模型，利用每個(gè)類別的HMM參數(shù)的運(yùn)算確定落入每個(gè)類別的概率，最終確定分類結(jié)果；若分類結(jié)果不滿足要求，采取重復(fù)迭代的方式，添加步驟2中排序第二的通道信號(hào)，使排序第二的通道信號(hào)與排序第一的通道信號(hào)合并，重新訓(xùn)練，直至獲得訓(xùn)練后的CNN-HMM混合分類器；

步驟4：對(duì)步驟1中的同一測(cè)試者所提供的其他待分類數(shù)據(jù)依次執(zhí)行步驟1、2后，利用步驟3中獲得的CNN-HMM混合分類器，計(jì)算信號(hào)在每個(gè)類別下的概率大小，輸出分類結(jié)果。