[發明專利]基于持續學習的非線性醫療傳感器數據的語義分割方法

有效

• 申請號: 202210495956.8
• 申請日: 2022-05-09
• 公開（公告）號: CN114595731B
• 公開（公告）日: 2022-08-19
• 發明（設計）人: 孫樂;徐天博
• 申請（專利權）人: 南京信息工程大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G06N3/04;G06N3/08;A61B5/318;A61B5/369;A61B5/363;A61B5/00
• 代理公司: 南京經緯專利商標代理有限公司 32200
• 代理人: 陳月菊

1.一種基于持續學習的非線性醫療傳感器數據的語義分割方法，其特征在于，所述語義分割方法包括以下步驟：

S1，獲取心電圖數據集和腦電圖數據集，對心電圖數據集和腦電圖數據集中的心電信號和腦電信號進行預處理，分別生成心電信號樣本數據集和腦電信號樣本數據集；

S2，基于CNN構建語義分割模型，對語義分割模型進行初始化，設置損失函數和超參數；

S3，將心電信號樣本數據集導入語義分割模型進行迭代訓練，定位心電信號中各心拍類型的位置和預測各心拍的類型；同時，記錄每個心電信號實例對于當前任務的訓練難易程度，利用基于重要實例的緩沖區機制，將重要實例存放入緩沖區中；當模型訓練完成后，計算每個心電信號實例最后對于當前任務的訓練難易程度，計算如下：

s_i,current＝∫₀^τβ_i,current(t)dt (1)

其中，τ是指超參數迭代次數；β_i,current用來衡量第i個心電信號實例x_i,current訓練的困難程度，β_i,current最大表示該心電信號實例越容易訓練；

訓練完成后，利用基于重要實例的緩沖區機制，計算每個心電信號實例的重要性s_i,current，對s_i,current進行從大到小排序，選取前48個作為當前任務對應的第一重要實例存放至緩沖區；同時，保存準確率最高的模型參數和準確率；

S4，將腦電信號樣本數據集中導入步驟S3中已經完成心電信號樣本訓練的語義分割模型，再次進行訓練，定位腦電信號中各睡眠狀態的位置和預測各睡眠狀態的類型；當模型訓練完成后，計算每個腦電信號實例最后對于當前任務的訓練難易程度，計算如下：

s′_j,current＝∫₀^τβ′_j,current(t)dt

其中，τ是指超參數迭代次數；β′_j,current用來衡量第j個腦電信號實例x′_j,current訓練的困難程度，β′_j,current最大表示該腦電信號實例越容易訓練；

訓練完成后，利用基于重要實例的緩沖區機制，計算每個腦電信號實例的重要性s′_j,current，對s′_j,current進行從大到小排序，選取前48個作為當前任務對應的第二重要實例存放至緩沖區；保存準確率最高的模型參數和準確率；

S5，采用緩沖區存儲的第一重要實例和第二重要實例對步驟S4中得到的語義分割模型進行再次訓練，保存準確率最高的模型作為最終應用的語義分割模型。

2.根據權利要求1所述的基于持續學習的非線性醫療傳感器數據的語義分割方法，其特征在于，步驟S1中，對心電圖數據集和腦電圖數據集中的心電信號和腦電信號進行預處理的過程包括以下步驟：

S11，采用小波變換對心電信號數據集和腦電信號數據集進行去噪處理；

S12，根據心電信號數據集中提供的標注信息，對每個心拍的位置和類型進行標注，生成心電信號樣本數據集；根據腦電信號數據集中提供的標注信息，對每個睡眠狀態的片段進行標注，生成腦電信號樣本數據集；

S13，對心電信號樣本數據集和腦電信號樣本數據集分別進行劃分，得到相應的訓練集和測試集。

3.根據權利要求2所述的基于持續學習的非線性醫療傳感器數據的語義分割方法，其特征在于，步驟S12中，根據心電信號數據集中提供的標注信息，對每個心拍的位置和類型進行標注，生成心電信號樣本數據集的過程包括以下步驟：

將心拍類型分為正常搏動、室上異位心拍、心室異位心拍、融合心拍以及不可分心拍；

設置一個滑動窗口，基于R峰位置向前取100個采樣點和向后取200個采樣點進行心拍截取，使每個心拍對應300個采樣點；

標注每個心拍對應的類型，得到心電信號樣本。