[發(fā)明專利]一種基于聯(lián)邦學(xué)習(xí)的個(gè)性化心電信號(hào)監(jiān)測方法

有效

• 申請?zhí)枺?/td>: 202110408665.6
• 申請日: 2021-04-15
• 公開（公告）號(hào): CN113095238B
• 公開（公告）日: 2021-12-28
• 發(fā)明（設(shè)計(jì)）人: 林霖;舒明雷;王英龍;劉輝;謝小云
• 申請（專利權(quán)）人: 山東省人工智能研究院
• 主分類號(hào): G06K9/00
• 分類號(hào): G06K9/00;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 濟(jì)南泉城專利商標(biāo)事務(wù)所 37218
• 代理人: 支文彬

1.一種基于聯(lián)邦學(xué)習(xí)的個(gè)性化心電信號(hào)監(jiān)測方法，其特征在于，包括如下步驟：

a)在MIT-BIH數(shù)據(jù)庫DS1中取出I個(gè)心拍，將取出的I個(gè)心拍分為N型、S型、V型、F型和Q型五個(gè)類別，將取出的I個(gè)心拍作為訓(xùn)練云端的公共模型S⁰的數(shù)據(jù)集D⁰，{(x_i,y_i)∈D⁰},i∈{1,2，...,I}，x_i為公共模型S⁰的第i個(gè)輸入樣本，y_i為x_i的真實(shí)標(biāo)簽，y_i∈{1,...,5}，每個(gè)心拍x_i提取304維特征作為公共模型S⁰的輸入，公共模型S⁰的輸出為心拍類別的概率，對公共模型S⁰進(jìn)行L次迭代，得到基礎(chǔ)特征提取網(wǎng)絡(luò)參數(shù)為W^b、個(gè)性化分類網(wǎng)絡(luò)參數(shù)為W^p的公共模型S⁰，將云端的訓(xùn)練后的公共模型S⁰發(fā)送給N個(gè)終端；

b)第n個(gè)終端接收云端傳遞的模型參數(shù)W^b和W^p，n∈{1,2,...,N}，N為終端總數(shù)，將公共模型S⁰的模型參數(shù)作為本地個(gè)性化模型Sⁿ的模型參數(shù)初始配置，得到基礎(chǔ)特征提取網(wǎng)絡(luò)參數(shù)為W^b,n(0)、個(gè)性化分類網(wǎng)絡(luò)參數(shù)為W^p,n(0)的個(gè)性化模型Sⁿ；

c)第n個(gè)終端截取MIT-BIH數(shù)據(jù)庫DS2中其中一條記錄的前X分鐘心電數(shù)據(jù)作為訓(xùn)練終端的個(gè)性化模型Sⁿ的訓(xùn)練集Dⁿ，為個(gè)性化模型Sⁿ的第j個(gè)輸入樣本，為的真實(shí)標(biāo)簽，

d)對個(gè)性化模型Sⁿ進(jìn)行K次迭代，將第n個(gè)終端的基礎(chǔ)特征提取網(wǎng)絡(luò)參數(shù)上傳給云端；

e)云端接收N個(gè)終端發(fā)送的基礎(chǔ)特征提取網(wǎng)絡(luò)參數(shù)，并更新步驟d)中的第n個(gè)終端的基礎(chǔ)特征提取網(wǎng)絡(luò)參數(shù)；步驟e)中通過公式計(jì)算處理后的參數(shù)W^b(k)，云端將W^b(k)發(fā)送至N個(gè)終端，更新第n個(gè)終端的基礎(chǔ)特征提取網(wǎng)絡(luò)參數(shù)Bⁿ并凍結(jié)個(gè)性化分類網(wǎng)絡(luò)參數(shù)W^p,n(k)；

f)如果更新后的第n個(gè)終端上部署的個(gè)性化模型Sⁿ的模型參數(shù)與更新前的個(gè)性化模型Sⁿ的模型參數(shù)的差值大于等于差值閾值，則返回執(zhí)行步驟e)，如果更新后的第n個(gè)終端上部署的個(gè)性化模型Sⁿ的模型參數(shù)與更新前的個(gè)性化模型Sⁿ的模型參數(shù)的差值小于差值閾值則執(zhí)行步驟g)；

g)將MIT-BIH數(shù)據(jù)庫的DS2中每條記錄后Y分鐘的數(shù)據(jù)集作為每個(gè)終端的個(gè)性化模型Sⁿ的輸入，個(gè)性化模型Sⁿ的測試集為為個(gè)性化模型Sⁿ的輸入，個(gè)性化模型Sⁿ輸出為N型心拍或S型心拍或V型心拍或F型心拍或Q型心拍的概率值，將五種類別心拍的概率值最大的那個(gè)類別作為分類的結(jié)果，如果概率值最大的類別與真實(shí)標(biāo)簽相同，則判定分類正確，如果概率值最大的類別與真實(shí)標(biāo)簽不相同，則判定分類錯(cuò)誤；

步驟a)包括如下步驟：

a-1)公共模型S⁰由基礎(chǔ)特征提取網(wǎng)絡(luò)B⁰及個(gè)性化分類網(wǎng)絡(luò)P⁰構(gòu)成；

a-2)將基礎(chǔ)特征提取網(wǎng)絡(luò)B⁰劃分成k_b層，k_b取值為3，將個(gè)性化分類網(wǎng)絡(luò)P⁰劃分成k_p層，k_p取值為3；

a-3)將x_i輸入到公共模型S⁰中，通過公式計(jì)算經(jīng)過softmax之前線性層的輸出獲得分類的分?jǐn)?shù)向量Zⁱ，為分?jǐn)?shù)向量Zⁱ中將x_i分類為類別c的分?jǐn)?shù)，c∈{1,...,C}，C為類別個(gè)數(shù)，C＝5，W₁^b、分別為劃分后的基礎(chǔ)特征提取網(wǎng)絡(luò)B⁰的第一層、第二層、第三層的權(quán)重，W₁^p、W₃^p分別為劃分后的個(gè)性化分類網(wǎng)絡(luò)P⁰的第一層、第二層、第三層的權(quán)重，分別為劃分后的基礎(chǔ)特征提取網(wǎng)絡(luò)B⁰的第一層、第二層、第三層的激活函數(shù)，分別為劃分后的個(gè)性化分類網(wǎng)絡(luò)P⁰的第一層、第二層的激活函數(shù)；

a-4)通過公式計(jì)算x_i分類正確的概率softmax(x_i,y_i；W^b,W^p)，為分?jǐn)?shù)向量Zⁱ中為真實(shí)類別y_i的分?jǐn)?shù)；

a-5)通過公式

FL(softmax(x_i,y_i；W^b,W^p))

＝-(1-softmax(x_i,y_i；W^b,W^p))^γlog(softmax(x_i,y_i；W^b,W^p))

計(jì)算損失函數(shù)FL(softmax(x_i,y_i；W^b,W^p))，式中γ為調(diào)節(jié)系數(shù)，γ∈[0,5]；

a-6)使用Adam對損失函數(shù)FL(softmax(x_i,y_i；W^b,W^p))進(jìn)行L次迭代，得到基礎(chǔ)特征提取網(wǎng)絡(luò)參數(shù)為W^b、個(gè)性化分類網(wǎng)絡(luò)參數(shù)為W^p的公共模型S⁰，通過公式計(jì)算更新第l次迭代的參數(shù)，l∈[1,...,L]，為偏微分計(jì)算。