[發(fā)明專利]一種基于模型融合的生理信號分類方法

在審

• 申請?zhí)枺?/td>: 202110270113.3
• 申請日: 2021-03-12
• 公開（公告）號: CN113116300A
• 公開（公告）日: 2021-07-16
• 發(fā)明（設(shè)計(jì)）人: 楊翠微;蘭天杰
• 申請（專利權(quán)）人: 復(fù)旦大學(xué)
• 主分類號: A61B5/00
• 分類號: A61B5/00
• 代理公司: 上海正旦專利代理有限公司 31200
• 代理人: 張磊

1.一種基于模型融合的生理信號分類方法，其特征在于，具體步驟如下：

（1）采集生物個體的生理信號，并對生理信號進(jìn)行預(yù)處理，所述預(yù)處理包括片段分割、重采樣、噪聲濾除和幅值歸一化操作，得到一維信號片段，將預(yù)處理后的一維信號片段按照標(biāo)簽分成若干種不同的類別；

（2）針對步驟（1）得到的一維信號片段，選用合適的時頻變換方法，確定時頻變換的各項(xiàng)參數(shù)，將一維信號片段轉(zhuǎn)變?yōu)閹Щ叶刃畔⒌亩S時頻幅度矩陣，該二維時頻幅度矩陣類似于圖像，對該圖像進(jìn)行歸一化操作，得到歸一化后的二維時頻矩陣；

（3）將經(jīng)步驟（1）和（2）處理后得到的全部數(shù)據(jù)劃分成訓(xùn)練集和測試集：

針對步驟（1）得到的一維信號片段，按照比例劃分得到訓(xùn)練集和測試集；將步驟（2）得到的二維時頻矩陣也按照同樣比例劃分得到訓(xùn)練集和測試集；其中：在一維信號片段的訓(xùn)練集中出現(xiàn)的樣本，其對應(yīng)的二維時頻矩陣樣本也被劃分入同一個訓(xùn)練集中；在一維信號片段的測試集中出現(xiàn)的樣本，其對應(yīng)的二維時頻矩陣樣本也被劃分入同一個測試集中；

（4）將一維信號片段作為輸入，構(gòu)建一維神經(jīng)網(wǎng)絡(luò)模型進(jìn)行分類，將步驟（3）得到的一維信號片段的訓(xùn)練集數(shù)據(jù)輸入到該一維神經(jīng)網(wǎng)絡(luò)模型中進(jìn)行網(wǎng)絡(luò)訓(xùn)練，直至一維神經(jīng)網(wǎng)絡(luò)模型收斂或者達(dá)到預(yù)設(shè)訓(xùn)練次數(shù)，得到分類模型1；

（5）將二維時頻矩陣作為輸入，構(gòu)建二維神經(jīng)網(wǎng)絡(luò)模型進(jìn)行分類，將步驟（3）得到的二維時頻矩陣的訓(xùn)練集數(shù)據(jù)輸入到該二維神經(jīng)網(wǎng)絡(luò)模型中進(jìn)行網(wǎng)絡(luò)訓(xùn)練，直至二維神經(jīng)網(wǎng)絡(luò)模型收斂或者達(dá)到預(yù)設(shè)訓(xùn)練次數(shù)，得到分類模型2；

（6）通過模型融合得到預(yù)測結(jié)果：

將步驟（3）得到的同一個測試集中兩種數(shù)據(jù)分別輸入步驟（4）和步驟（5）得到的分類模型中進(jìn)行測試，即將一維信號片段的測試集輸入分類模型1進(jìn)行分類預(yù)測，得到分類結(jié)果1，將對應(yīng)的二維時頻矩陣的測試集輸入分類模型2進(jìn)行分類預(yù)測，得到分類結(jié)果2；將分類結(jié)果1和分類結(jié)果2進(jìn)行加權(quán)平均融合，得到分類結(jié)果3；將分類結(jié)果3和樣本標(biāo)簽進(jìn)行對比，檢驗(yàn)分類結(jié)果3的準(zhǔn)確率。

2.根據(jù)權(quán)利要求1所述的方法，其特征在于步驟（2）中，對一維信號片段進(jìn)行時頻變換，得到一維信號在時間域和頻率域的聯(lián)合分布信息；時頻變換之后，對幅值進(jìn)行歸一化，并通過重采樣得到合適的二維時頻矩陣大小，后續(xù)作為二維神經(jīng)網(wǎng)絡(luò)的輸入；該步驟可以同時用多種不同類型的時頻變換對信號進(jìn)行分析，將一個信號片段變換得到多個二維圖像。

3.根據(jù)權(quán)利要求1所述的方法，其特征在于步驟（4）中，構(gòu)建一維神經(jīng)網(wǎng)絡(luò)模型對一維信號片段的測試集信號進(jìn)行分類，一維神經(jīng)網(wǎng)絡(luò)模型最后一層通過softmax函數(shù)計(jì)算輸出類型的概率分布，得到分類結(jié)果1。

4.根據(jù)權(quán)利要求1所述的方法，其特征在于步驟（5）中，構(gòu)建二維神經(jīng)網(wǎng)絡(luò)模型對二維時頻矩陣的測試集信號進(jìn)行分類，二維神經(jīng)網(wǎng)絡(luò)模型最后一層通過softmax函數(shù)計(jì)算輸出類型的概率分布，得到分類結(jié)果2；如果采用多種時頻變換方法得到了多個時頻圖，則針對不同時頻圖分別建立二維神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，最終得到多個二維模型。

5.根據(jù)權(quán)利要求1所述的方法，其特征在于步驟（6）中，使用網(wǎng)絡(luò)最后一層softmax輸出的概率，每個概率值看作該模型對于這個類型的置信度，將不同模型輸出的屬于各類型的概率進(jìn)行加權(quán)融合，再將概率最大的類型作為融合模型的分類預(yù)測結(jié)果，即分類結(jié)果3。