一种基于睡眠分期的机器学习算法的部署方法技术

本发明专利技术提供了一种基于睡眠分期的机器学习算法的部署方法，包括如下具体步骤：步骤1）：采集脑电数据，将脑电数据切分成若干个分段数据并保存；步骤2）：对分段数据做特征工程；步骤3）：将脑电数据切分成训练集和测试集，对xgboost模型进行训练和调优，得到训练好的原始睡眠分期xgboost模型；步骤4）：用C语言中的math函数库实现原始睡眠分期xgboost模型的推理，得到纯C语言睡眠分期xgboost模型；步骤5）：对纯C语言睡眠分期xgboost模型进行校准；步骤6）：将校准后的纯C语言睡眠分期xgboost模型部署到端侧设备。本发明专利技术在传统的xgboost模型基础上实现了纯C语言推理，在部署至端侧设备上时，无需在端侧设备上事先安装相应的系统或平台，可以减少对端侧设备的系统需求。可以减少对端侧设备的系统需求。可以减少对端侧设备的系统需求。

【技术实现步骤摘要】
一种基于睡眠分期的机器学习算法的部署方法


[0001]本专利技术涉及睡眠算法领域，特别涉及一种基于睡眠分期的机器学习算法的部署方法。

技术介绍

[0002]现在常见的睡眠检测设备有手环、非穿戴式的检测设备、可穿戴睡眠检测设备。非穿戴式的监测设备一般为智能床垫、智能枕头、智能床带等，可以直接铺在床头，通过检测带上的传感器记录睡眠脑电信号，通过算法实现睡眠深睡、浅睡，REM(快速眼动),清醒的分类判断。
[0003]穿戴式设备通过贴片方式获取脑电信号，在云平台通过算法实现睡眠分期，可以有效检测、检查和评估睡眠质量，为各类睡眠疾病诊断过程中提供重要的依据，是诊断睡眠的关键前提。
[0004]与云计算不同的是，在边缘计算当中，数据不用再传到遥远的云端，在边缘侧就能解决，更适合实时的数据分析和智能化处理，也更加高效而且安全。但由于边缘设备算力有限，运行深度学习模型需要高算力的计算资源，所以选用机器学习的xgboost模型作为算法，来训练睡眠分期模型，减少计算量。为了方便携带，需要将训练好的模型部署嵌入到端侧边缘设备中。
[0005]但是由于端侧边缘设备电池功率一般比较小，且现在机器学习算法、深度学习算法部署都是需要依赖系统(需要安装python)，c++部署需要依赖编译库，对端侧边缘设备的存储空间和算力都具有较高的要求，且运行时功耗较大，需要较大的电池功率才能满足运算时的电力需求。

技术实现思路

[0006]本专利技术的目的是解决现有技术中的不足之处，提供一种基于睡眠分期的机器学习算法的部署方法。
[0007]本专利技术的目的是通过如下技术方案实现的：一种基于睡眠分期的机器学习算法的部署方法，包括如下具体步骤：步骤1）：采集脑电数据，将脑电数据切分成若干个分段数据并保存；步骤2）：对分段数据做特征工程，为xgboost模型做好数据准备；步骤3）：将脑电数据切分成训练集和测试集，对xgboost模型进行训练和调优，准确率达到要求后并保存模型，得到训练好的原始睡眠分期xgboost模型；步骤4）：用C语言中的math函数库实现原始睡眠分期xgboost模型的推理，具体方法如下：S1、保存原始睡眠分期xgboost模型的网络结构和参数；S2、逐层逐节点解析网络结构，利用math函数库实现各节点的算子；S3、对各节点的算子性能进行校验；
S4、对算子进行封装，方便相同算子的调用；S5、经过逐个节点算法实现、逐层算法实现，最后实现整个网络结构算法实现，从而得到纯C语言睡眠分期xgboost模型；步骤5）：加载原始睡眠分期xgboost模型和纯C语言睡眠分期xgboost模型，通过原始睡眠分期xgboost模型对纯C语言睡眠分期xgboost模型进行校准；步骤6）：将校准后的纯C语言睡眠分期xgboost模型部署到端侧设备。
[0008]作为优选，步骤1）中，在将脑电数据切分成分段数据前，对脑电数据进行滤波平滑处理。
[0009]作为优选，步骤1）中，分段数据的时间长度为6秒。
[0010]作为优选，步骤3）中，训练集和测试集的切分比例为8：2。
[0011]作为优选，步骤5）中，通过python加载原始睡眠分期xgboost模型。
[0012]作为优选，步骤5）中，对纯C语言睡眠分期xgboost模型的校准包括准确性校准和推理耗时评估优化。
[0013]作为优选，所述准确性校准的具体方法如下：同时加载原始睡眠分期xgboost模型和纯C语言睡眠分期xgboost模型并进行推理，查看两者的推理概率得分；若两者的概率得分小数点后两位达到一致，则表明纯C语言睡眠分期xgboost模型的推理准确性与原始睡眠分期xgboost模型的推理准确性一致，符合准确度要求；若两者的概率得分小数点后两位不一致，则对纯C语言睡眠分期xgboost模型的算子进行优化，然后再次加载原始睡眠分期xgboost模型和纯C语言睡眠分期xgboost模型并进行推理，直至两者的推理概率得分小数点后两位达到一致。
[0014]作为优选，所述推理耗时评估优化的具体方法如下：同时加载原始睡眠分期xgboost模型和纯C语言睡眠分期xgboost模型并进行推理，查看两者的推理耗时；若两者的推理耗时一致，则表明纯C语言睡眠分期xgboost模型的推理耗时达到要求；若两者的推理耗时不一致，则对纯C语言睡眠分期xgboost模型的算子进行优化，然后再次加载原始睡眠分期xgboost模型和纯C语言睡眠分期xgboost模型并进行推理，直至两者的推理耗时达到一致。
[0015]本专利技术的有益效果是：1、本专利技术提供了一款基于机器学习的睡眠分期算法，具有较高的准确率。2、本专利技术在传统的xgboost模型基础上实现了纯C语言推理，在部署至端侧设备上时，无需在端侧设备上事先安装相应的系统或平台，可以减少对端侧设备的系统需求，减少了端侧设备的计算量，降低了端侧设备的功耗，对低算力和低功耗的端侧设备落地睡眠分期算法有很大推动作用，并有利于端侧设备的小型化和便携化。3、本专利技术的纯C语言睡眠分期xgboost模型可以直接部署到端侧设备，且不需要依赖系统及扩展库，用纯C语言实现，只用到内置函数库，起到减少系统功耗和计算量的作用，可适用不同场景的部署,减少开发成本。
附图说明
[0016]图1为脑电数据采集及模型训练的流程示意图。
[0017]图2为对分段数据做特征工程的示意图。
[0018]图3为训练好的原始睡眠分期xgboost模型的网络结构示意图。
[0019]图4为用math函数库实现原始睡眠分期xgboost模型推理获得纯C语言睡眠分期xgboost模型的示意图。
[0020]图5为对纯C语言睡眠分期xgboost模型校准的流程示意图。
[0021]图6为纯C语言睡眠分期xgboost模型的部分代码。
具体实施方式
[0022]下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员所获得的所有其他实施例，都属于本专利技术保护的范围。
[0023]本领域技术人员应理解的是，在本专利技术的揭露中，术语“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底
”ꢀ“
内”、“外”等指示的方位或位置关系是基于附图所示的方位或位置关系，其仅是为了便于描述本专利技术和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此上述术语不能理解为对本专利技术的限制。
[0024]可以理解的是，术语“一”应理解为“至少一”或“一个或多个”，即在一个实施例中，一个元件的数量可以为一个，而在另外的实施例中，该元件的数量可以为多个，术语“一”不能理解为对数量的限制。
[0025]一种基于睡眠分期的机器学习算法的部署方法，包括如下具体步骤：步骤1）：采集脑本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于睡眠分期的机器学习算法的部署方法，其特征在于，包括如下具体步骤：步骤1）：采集脑电数据，将脑电数据切分成若干个分段数据并保存；步骤2）：对分段数据做特征工程，为xgboost模型做好数据准备；步骤3）：将脑电数据切分成训练集和测试集，对xgboost模型进行训练和调优，准确率达到要求后并保存模型，得到训练好的原始睡眠分期xgboost模型；步骤4）：用C语言中的math函数库实现原始睡眠分期xgboost模型的推理，具体方法如下：S1、保存原始睡眠分期xgboost模型的网络结构和参数；S2、逐层逐节点解析网络结构，利用math函数库实现各节点的算子；S3、对各节点的算子性能进行校验；S4、对算子进行封装，方便相同算子的调用；S5、经过逐个节点算法实现、逐层算法实现，最后实现整个网络结构算法实现，从而得到纯C语言睡眠分期xgboost模型；步骤5）：加载原始睡眠分期xgboost模型和纯C语言睡眠分期xgboost模型，通过原始睡眠分期xgboost模型对纯C语言睡眠分期xgboost模型进行校准；步骤6）：将校准后的纯C语言睡眠分期xgboost模型部署到端侧设备。2.根据权利要求1所述的一种基于睡眠分期的机器学习算法的部署方法，其特征在于，步骤1）中，在将脑电数据切分成分段数据前，对脑电数据进行滤波平滑处理。3.根据权利要求1所述的一种基于睡眠分期的机器学习算法的部署方法，其特征在于，步骤1）中，分段数据的时间长度为6秒。4.根据权利要求1所述的一种基于睡眠分期的机器学习算法的部署方法，其特征在于，步骤3）中，训练集和测试集的切分比例为8：2。5.根据权利...

【专利技术属性】
技术研发人员：刘文华，刘冰，
申请(专利权)人：浙江柔灵科技有限公司，
类型：发明
国别省市：