信号检测方法、检测模型、检测设备及应用技术

本发明专利技术公开了一种信号检测方法、检测模型、检测设备及应用，信号检测方法，包括：S1：对原始信号进行预处理得到待处理信号；S2：利用加权机制获得动态加权信号；S3：输出离散数组以获得分类结果。本发明专利技术利用加权机制对待处理信号进行处理，获得动态加权信号，动态加权信号能够更加贴合生理状态的变化，以提高后续检测结果的准确性；通过加权机制可以为不同通道赋予动态权重，并捕获更多的频带范围，具有很高的应用价值。高的应用价值。高的应用价值。

【技术实现步骤摘要】
信号检测方法、检测模型、检测设备及应用


[0001]本专利技术涉及信号检测
，尤其涉及一种信号检测方法、检测模型、检测设备及应用。

技术介绍

[0002]信号检测技术常被应用于各种领域，通过对信号的实时检测，可以发现信号特征的变化趋势，从而得到想要的信息。现有技术中，对于信号的检测主要是采用不同通道采集的数据进行平均相加或者人为设置一个权重，这种方式忽略了被试对象处于不同状态时的权重变化以及不同通道在不同频率下的权重变化，导致检测结果的准确率较低，检测算法的泛化能力、鲁棒性较差。

技术实现思路

[0003]本专利技术要解决的技术问题是：如何提高信号检测方法的准确性、鲁棒性。
[0004]本专利技术提供一种信号检测方法、检测模型、检测设备及应用，可以提高检测结果的准确性和鲁棒性。
[0005]本专利技术解决其技术问题所采用的技术方案是：一种信号检测方法，包括：S1：对原始信号进行预处理得到待处理信号；S2：利用加权机制获得动态加权信号；S3：输出离散数组以获得分类结果；所述加权机制包括通道加权模型、卷积网络加权模型中的至少一种；其中，所述加权机制适用于调整通道在所述待处理信号中权重；所述卷积网络加权模型适用于通过多尺度卷积处理筛选关注频带的信号；当所述通道加权模型、卷积网络加权模型同时存在时，所述通道加权模型的输出结果作为卷积网络加权模型的输入信号，以调整输入信号中各个通道对应频带的权重。
[0006]进一步的，所述通道加权模型包括：对所述待处理信号依次进行时间池化处理、通道卷积处理、激活处理后，得到通道加权信号。
[0007]进一步的，所述卷积网络加权模型包括：采用多尺度卷积网络对输入信号进行处理得到多个特征图注意力信号；将所述多个特征图注意力信号进行级联。
[0008]进一步的，所述多尺度卷积网络包括至少两个卷积分支，每个卷积分支均包含时间卷积层和通道卷积层；多个所述时间卷积层的卷积核大小不同；所述时间卷积层的卷积核=[采样率/关注频带范围的最小值]+1，[]表示取整；所述时间卷积层的卷积核用于获取关注频带范围的特征，并采用限制权重的方式约束卷积核参数，以筛选出关注频带。
[0009]进一步的，在步骤S2和S3之间，还包括步骤S2
‑
1：对所述动态加权信号进行微调处理；所述微调处理包括：获取目标对象的原始信号以及其他对象的原始信号；利用其他对象的原始信号进行K1‑
折训练验证，获取预训练网络；取目标对象的原始信号的一部分作为微调训练数据，以权重限制损失为约束对所述预训练网络进行K2‑
折训练验证，获取微调网络；以目标对象的原始信号的剩余部分作为微调测试数据对所述微调网络进行测试。
[0010]进一步的，所述对原始信号进行预处理包括：频域滤波、指数滑动标准化、多数据增强联用中的至少一种；其中，所述多数据增强联用包括：对所述原始信号进行随机翻转处理、高斯噪声处理、时域交换处理和时域组合处理，以扩充信号的数据量。
[0011]进一步的，所述输出离散数组包括：对所述动态加权信号依次进行激活处理、批归一化处理、线性处理后得到离散数组；其中，所述激活处理包括：平方激活、平均池化和LOG激活；所述待处理信号未进行滑窗处理。
[0012]本专利技术还提供一种所述的信号检测方法的检测模型，包括：预处理模块，用于对原始信号进行预处理；加权机制模块，用于运行加权机制，以获取动态加权信号；输出模块，用于输出离散数组。
[0013]本专利技术还提供一种检测设备，包括：下位机，用于采集原始信号、存储信号数据、传输数据至上位机处理；上位机，用于执行所述的信号检测方法；显示器，用于显示所述上位机输出的检测结果；执行部件，用于根据检测结果执行相应的指令。
[0014]本专利技术还提供一种所述的信号检测方法在生理信号分类中的应用，通过卷积网络加权模型筛选出不同频带的特征信息。
[0015]本专利技术的有益效果是，本专利技术利用加权机制对待处理信号进行处理，获得动态加权信号，动态加权信号能够更加贴合生理状态的变化，以提高后续检测结果的准确性。通过加权机制可以为不同通道赋予动态权重，并捕获更多的频带范围，具有很高的应用价值。
附图说明
[0016]下面结合附图和实施例对本专利技术进一步说明。
[0017]图1是本专利技术的信号检测方法的流程图。
[0018]图2是本专利技术的信号检测方法的具体实施流程图。
[0019]图3是本专利技术的通道加权模型的处理示意图。
[0020]图4是本专利技术的卷积网络加权模型的处理示意图。
[0021]图5是本专利技术的微调处理的示意图。
[0022]图6是本专利技术的多数据增强联用的示意图。
[0023]图7是本专利技术的多数据增强联用的流程图。
[0024]图8是本专利技术的实施例一的混淆矩阵。
[0025]图9是对比例一的混淆矩阵。
[0026]图10是实施例一和对比例一对不同被试者的检测准确率对比图。
[0027]图11本专利技术的实施例二的混淆矩阵。
[0028]图12是对比例二的混淆矩阵。
[0029]图13是实施例二和对比例二对不同被试者的检测准确率对比图。
具体实施方式
[0030]现在结合附图对本专利技术作进一步详细的说明。这些附图均为简化的示意图，仅以示意方式说明本专利技术的基本结构，因此其仅显示与本专利技术有关的构成。
[0031]在本专利技术的描述中，需要理解的是，术语“中心”、“纵向”、“横向”、“长度”、“宽度”、“厚度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”“内”、“外”、“顺时针”、“逆时针”、“轴向”、“径向”、“周向”等指示的方位或位置关系为基于附图所示的方位或位置关系，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，因此不能理解为对本专利技术的限制。此外，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本专利技术的描述中，除非另有说明，“多个”的含义是两个或两个以上。
[0032]在本专利技术的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本专利技术中的具体含义。
[0033]如图1至图2所示，本专利技术的信号检测方法，包括：S1：对原始信号进行预处理得到待处理信号；S2：利用加权机制获得动态加权信号；S3：输出离散数组以获得分类结果。需要说明的是，本专利技术利用加权机制对待处理信号进行处理，获得动态加权信号，动态加权信号能够更加贴合生理状态的变化，以提高后续分类结果的准确性。对动态加权信号进行处理后可以获得离散数组，应用于不同的领本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种信号检测方法，其特征在于，包括：S1：对原始信号进行预处理得到待处理信号；S2：利用加权机制获得动态加权信号；S3：输出离散数组以获得分类结果；所述加权机制包括通道加权模型、卷积网络加权模型中的至少一种；其中，所述加权机制适用于调整信号通道在所述待处理信号中权重；所述卷积网络加权模型适用于通过多尺度卷积处理筛选关注频带的信号；当所述通道加权模型、卷积网络加权模型同时存在时，所述通道加权模型的输出结果作为卷积网络加权模型的输入信号，以调整输入信号中各个信号通道对应频带的权重。2.如权利要求1所述的信号检测方法，其特征在于，所述通道加权模型包括：对所述待处理信号依次进行时间池化处理、通道卷积处理、激活处理后，得到通道加权信号。3.如权利要求2所述的信号检测方法，其特征在于，所述卷积网络加权模型包括：采用多尺度卷积网络对输入信号进行处理得到多个特征图注意力信号；将所述多个特征图注意力信号进行级联。4.如权利要求3所述的信号检测方法，其特征在于，所述多尺度卷积网络包括至少两个卷积分支，每个卷积分支均包含时间卷积层和通道卷积层；多个所述时间卷积层的卷积核大小不同；所述时间卷积层的卷积核=[采样率/关注频带范围的最小值]+1，[]表示取整；所述时间卷积层的卷积核用于获取关注频带范围的特征，并采用限制权重的方式约束卷积核参数，以筛选出关注频带。5.如权利要求1所述的信号检测方法，其特征在于，在步骤S2和S3之间，还包括步骤S2
‑
1：对所述动态加权信号进行微调处理；所述微调处理包括：获取目标对象的原始信号以及其他对象的原...

【专利技术属性】
技术研发人员：黄肖山，胥红来，龚鸣，章希睿，郝慎才，
申请(专利权)人：博睿康科技常州股份有限公司，
类型：发明
国别省市：