[發(fā)明專利]基于持續(xù)學習的非線性醫(yī)療傳感器數(shù)據(jù)的語義分割方法

有效

• 申請?zhí)枺?/td>: 202210495956.8
• 申請日: 2022-05-09
• 公開（公告）號: CN114595731B
• 公開（公告）日: 2022-08-19
• 發(fā)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(jīng)緯專利商標代理有限公司 32200
• 代理人: 陳月菊

本發(fā)明提出一種基于持續(xù)學習的非線性醫(yī)療傳感器數(shù)據(jù)的語義分割方法，包括：基于CNN構建語義分割模型；將心電信號樣本數(shù)據(jù)集導入語義分割模型進行迭代訓練；選取對于當前訓練任務難度較低的實例定義為第一重要實例存放至緩沖區(qū)；將腦電信號樣本數(shù)據(jù)集中導入語義分割模型再次進行訓練；選取對于當前訓練任務難度較低的實例定義為第二重要實例存放至緩沖區(qū)；采用緩沖區(qū)存儲的重要實例對模型再次訓練，保存準確率最高的模型作為最終應用的語義分割模型。本發(fā)明能夠使計算機進行自動、高效、準確地對非線性的醫(yī)療傳感器數(shù)據(jù)中的各個類別的數(shù)據(jù)進行精確定位和分類；并且使得模型具有一定的持續(xù)學習能力和遷移能力。

技術領域

本發(fā)明屬于非線性醫(yī)療傳感器數(shù)據(jù)集定位和分類技術領域，尤其涉及一種基于持續(xù)學習的非線性醫(yī)療傳感器數(shù)據(jù)的語義分割方法。

背景技術

以心電信號和腦電信號為代表的生理信號均是非線性的，其反映了人體不同時間段的生理變化。醫(yī)療傳感器可以將人體生理信號轉換為電信號的信息變換裝置，所以生理信號主要是通過醫(yī)療傳感器進行測量，方便用于人體數(shù)據(jù)采集和跟蹤治療等。目前，隨著深度學習在圖像、文本數(shù)據(jù)上的廣泛應用，其在生理信號上的處理也越來越受到關注。深度學習模型在圖片、文本數(shù)據(jù)上的預測和分類精度較高；這是因為圖片和文本的公開數(shù)據(jù)集眾多，并且容易進行標準化處理和標簽標注；從而提升了模型的泛化能力。但由于目前公開的非線性醫(yī)療傳感器數(shù)據(jù)集較少，利用普通的卷積神經(jīng)模型或者循環(huán)神經(jīng)網(wǎng)絡模型直接對目前已有的非線性醫(yī)療傳感器數(shù)據(jù)集進行訓練，效果并不是很理想，并且將訓練好的模型遷移到不同的生理信號的檢測效果也不是很好；其主要原因在于：1）各種生理信號數(shù)據(jù)量太少；2）普通的卷積神經(jīng)網(wǎng)絡和循環(huán)神經(jīng)網(wǎng)絡無法準確定位各類生理信號的位置，需要大量的人工標注；3）網(wǎng)絡模型容易產(chǎn)生災難性遺忘，持續(xù)學習的能力不強。

在非線性的醫(yī)療傳感器數(shù)據(jù)分類中還有一些問題尚待解決：

第一，分類精度不高，需要較多數(shù)據(jù)集。由于部分生理信號數(shù)據(jù)集較少，如腦電圖、肌電圖等等。導致一般深度學習模型在訓練過程中容易發(fā)送欠擬合現(xiàn)象，導致分類和預測精度不高。

第二，效率不高。在利用深度學習模型對生理信號進行預測或分類任務時，一般分為以下三步：數(shù)據(jù)預處理、提取特征和分類。當傳感器收集到的電信號數(shù)據(jù)傳入時，首先需要在數(shù)據(jù)預處理過程中，對電信號數(shù)據(jù)中各類數(shù)據(jù)進行精準定位；接著需要搭建模型提取各類數(shù)據(jù)的特征；最后還需要搭建分類器模型或預測模型進行分類或預測；這使得模型比較復雜、運行時間過高，導致模型的效率較低。如果利用語義分割模型方法，將以上三步融于一體，將會減少模型的時間復雜度和空間復雜度。

第三，數(shù)據(jù)量少的生理信號類別和具有相似特征的理信號類別較難識別。在一種生理信號中存在不同的類別，部分類別的數(shù)據(jù)量較少或某兩個類別之間的特征較相似；容易導致模型識別錯誤，降低準確率。

第四，持續(xù)學習能力不強。當模型在一種非線性的醫(yī)療傳感器數(shù)據(jù)中已經(jīng)得到較好的精確定位和分類效果時，將該模型直接對另一種非線性的醫(yī)療傳感器數(shù)據(jù)進行測試時，模型的效果將會降低；表現(xiàn)出模型的泛化能力不強。

發(fā)明內(nèi)容

解決的技術問題：為了解決前述非線性的醫(yī)療傳感器數(shù)據(jù)分類中存在的技術問題，本發(fā)明提出一種基于持續(xù)學習和語義分割的卷積神經(jīng)網(wǎng)絡（Convolutional NeuralNetworks, 簡稱CNN）的非線性醫(yī)療傳感器數(shù)據(jù)的語義分割方法，能夠使計算機進行自動、高效、準確地對非線性的醫(yī)療傳感器數(shù)據(jù)中的各個類別的數(shù)據(jù)進行精確定位和分類；并且使得模型具有一定的持續(xù)學習能力和遷移能力。

技術方案：

一種基于持續(xù)學習的非線性醫(yī)療傳感器數(shù)據(jù)的語義分割方法，所述語義分割方法包括以下步驟：

S1，獲取心電圖數(shù)據(jù)集和腦電圖數(shù)據(jù)集，對心電圖數(shù)據(jù)集和腦電圖數(shù)據(jù)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(shù)據(jù)集和腦電信號樣本數(shù)據(jù)集；