基于深度学习的一维生理信号的特征提取与状态识别制造技术

本发明专利技术公开了一种基于深度学习的一维生理信号的特征提取与状态识别方法。建立基于深度学习的一维生理信号的特征提取与状态识别分析模型DBN，DBN模型采用“预训练+微调”训练过程，在预训练阶段，首先训练第一个RBM，然后将训练好的结点作为第二个RBM的输入，再训练第二个RBM，以此类推；所有RBM训练完成之后使用BP算法对网络进行微调，最后将深信度网络输出的特征向量输入Softmax分类器中，对纳入到的一维生理信号的个体状态做出判断。本发明专利技术有效解决了传统的一维生理信号分类过程中需要人工选择特征输入致使分类精度不高的问题，通过深信度网络的非线性映射，自动得到高度可分的特征/特征组合用于分类，并且可以不断优化网络结构得到更好的分类效果。

Feature extraction and state recognition of a care signal based on deep learning

The invention discloses a feature extraction and state recognition method for a signal based on deep learning. Establish a deep learning living state recognition feature extraction and signal analysis based on DBN model, DBN model is used in the \pre training + fine-tuning training process, in the pre training stage, training the first RBM first, and then the trained node as second RBM input, second RBM re training, and so on; after all RBM trained using the BP algorithm to fine tune the network, finally the feature vector is input Softmax classifier output deep belief network, on a physical signal into the living individual state judge. The invention can effectively solve the traditional artificial selection features need a live signal classification process input in classification accuracy is not high, through nonlinear mapping deep belief network, automatic feature / height can be divided combination of features for classification, and the classification results can optimize network structure better.

【技术实现步骤摘要】
基于深度学习的一维生理信号的特征提取与状态识别
本专利技术涉及医学数据处理
，尤其涉及一种生理信号特征提取及分类识别方法，具体是基于深度学习的一维生理信号的特征提取与状态识别。
技术介绍
生理信号由自主神经系统和内分泌系统支配，不受主观意识控制，能客观、真实地反应个体的生理、精神、情绪状态，因此得到了越来越广泛的研究与应用。生理信号是个体的生理、精神、情绪等状态的外在表现，能直接、真实地反应这些状态的变化，因此,已经有许多研究者使用不同的分类器对基于生理信号(脑电-EEG、心电、肌电、呼吸、皮电等)的个体状态进行识别。虽然目前适用于生理信号个体状态识别的分类器在不断增多，识别率也在不断提高，但大部分分类器需要人工提取特征，识别率的高低和人工经验有关且不稳定、离实际应用还有一定的距离。如Moghimi等人利用线性判别分析分类器对基于脑血氧变化量的情绪状态进行识别，识别率为72％左右2011年，李淑芳等人采用经验模式分解EMD和支持向量机SVM针对脑电信号进行癫痫状态分类，首先用经验模式分解EMD将脑电EEG信号分成多个经验模式分量,然后提取有效特征,再用支持向量机SVM对脑电EE本文档来自技高网...

【技术保护点】
一种基于深度学习的一维生理信号的特征提取与状态识别，其特征在于：建立基于深度学习的一维生理信号的特征提取与状态识别数据分析模型DBN，DBN模型采用“预训练+微调”训练过程：预训练过程采用自下而上的无监督训练，首先训练第一个隐含层，然后逐层训练下一个隐含层，并将上一个隐含层结点的输出作为输入，将本隐含层结点的输出作为下一个隐含层的输入；微调过程通过对带标签数据进行自上而下的监督训练，在预训练阶段，首先训练第一个RBM，然后将训练好的结点作为第二个RBM的输入，再训练第二个RBM，以此类推；所有RBM训练完成之后使用BP算法对网络进行微调，最后将深信度网络输出的特征向量输入Softmax分类器中...

【技术特征摘要】
1.一种基于深度学习的一维生理信号的特征提取与状态识别，其特征在于：建立基于深度学习的一维生理信号的特征提取与状态识别数据分析模型DBN，DBN模型采用“预训练+微调”训练过程：预训练过程采用自下而上的无监督训练，首先训练第一个隐含层，然后逐层训练下一个隐含层，并将上一个隐含层结点的输出作为输入，将本隐含层结点的输出作为下一个隐含层的输入；微调过程通过对带标签数据进行自上而下的监督训练，在预训练阶段，首先训练第一个RBM，然后将训练好的结点作为第二个RBM的输入，再训练第二个RBM，以此类推；所有RBM训练完成之后使用BP算法对网络进行微调，最后将深信度网络输出的特征向量输入Softmax分类器中，对纳入到的一维生理信号的个体状态做出判断；提取及分类方法的步骤：S1：纳入一维生理信号，包括脑电、心电、肌电、呼吸、皮电中一个或多个，并对其进行预处理操作和特征映射操作，在标准空间内进行特征映射，得到标准空间内的特征映射图，预处理含去噪、滤波、层次分解、重构操作；S2：构建一个包括输入层、多个受限玻尔兹曼机RBM、一个反向传播结构以及一个分类器的深信度网络DBN，其中，所述受限玻尔兹曼机RBM作为整个网络的核心结构在数量上有1～N个，在结构上互相嵌套；S3：使用步骤S2构建的所述深信度网络对步骤S1中经预处理和特征映射后的一维生理信号进行特征提取，提取过程含RBM训练和BP算法对网络进行微调；RBM训练和BP算法包括：1)、在RBM训练和BP算法微调中，每一层输出之前均进行批归一化处理；2)、在Gibbs采样中多次迭代采用了k次迭代的CD算法CD-k算法；3)、在使用Gibbs采样最大可能地拟合输入数据转变为求解输入样本的极大似然估计中选用Dropout法来防止过拟合；4)、在BP算法对网络进行微调过程中，在以目标的负梯度方向对参数进行调整时，采用小批量梯度下降算法对每组小样本采进行权值的迭代更新；5)、在自下而上的前向传播过程选择Sigmoid激活函数；在自上而下的反向传播时选择ReLU激活函数；S4：将步骤S3中所述深信度网络输出的特征向量输入Softmax分类器中，对纳入到的一维生理信号的个体状态做出判断。2.如权利要求1所述的基于深度学习的一维生理信号的特征提取与状态识别，其特征在于：S31：所述在RBM训练和BP算法微调中，每一层输出之前均进行批归一化处理,是选用Z-score标准化方法进行归一化处理，对训练集和测试集分别利用Z-score将数据变换为均值为0、标准差为1的正态分布，再将数据变换到[0,1]的范围内，Z-score标准化方法利用算术数据的均值和标准差进行归一化，公式如下：上式中u表示每一维的平均值，σ表示每一维的标准差，处理后的数据符合均值为0，标准差为1的标准正太分布；S32：在Gibbs采样中多次迭代采用k次迭代的CD算法CD-k算法是：对于一个输入样本：v＝(v1,v2,…,vm)，根据RBM，得到样本v编码后的输出样本h＝(h1,h2,…,hn)，这n维编码后的输出理解为是抽取了n个特征的输入样本：1)输入一个训练样本x0，隐含层层数m，学习率ε；2)初始化可视层v1＝x0、权值w、可视层偏置b、隐含层偏置c为接近于0；3)fori<m；4)利用公式计算隐含层的分布；5)将步骤(3)得到的结果带入利用公式计算可视层重构的分布；6)将步骤(4)得到的结果带入公式得到重构后的隐含层分布；7)根据梯度下降算法，更新w、b、c：％rec表示重构后的模△w＝ε(<vihj>data-<vihj>rec)△b＝ε(<vi>data-<vi>rec)△c＝ε(<hj>data-<hj>rec)8)endfor；9)输出更新后的w、b、c。S33：在使用Gibbs采样最大可能地拟合输入数据转变为求解输入样本的极大似然估计中选...

【专利技术属性】
技术研发人员：张俊然，杨豪，
申请(专利权)人：四川大学，
类型：发明
国别省市：四川,51