本发明专利技术实施例公开了一种监测模型训练方法、数据监测方法、装置、设备及介质。该方法包括：提取脉搏波采集数据的脉搏特征作为脉搏波特征样本数据；将脉搏波特征样本数据输入至初始监测模型进行训练，得到设定数量的初始监测模型；通过目标优化算法对各初始监测模型的模型参数进行优化，得到优化监测模型；根据各优化监测模型的分类误差率确定各优化监测模型的权重；根据各优化监测模型的权重对各优化监测模型进行集成，得到目标监测模型；其中，目标监测模型用于检测目标对象的精神压力监测结果。本发明专利技术实施例的技术方案能够提高监测模型的监测准确率，进而提高精神压力监测的便利性和准确性。和准确性。和准确性。
【技术实现步骤摘要】
监测模型训练方法、数据监测方法、装置、设备及介质
[0001]本专利技术实施例涉及深度学习
，尤其涉及一种监测模型训练方法、数据监测方法、装置、设备及介质。
技术介绍
[0002]随着生活节奏的加快和压力的递增，能够检测和分析人体精神状态和疲劳程度的方法和/或仪器的需求也越来越高。
[0003]现有的精神压力检测方法主要使用心电图(electrocardiogram,ECG)对受试者进行检测，在利用ECG对受试者采集精神压力数据过程中，为了提高采集信号的质量，需要在人体特定部位放置至少三个电极。
[0004]专利技术人在实现本专利技术的过程中，发现现有技术存在如下缺陷：现有的精神压力监测方法在舒适性和方便程度上表现较差，且精神压力信号采集的方便性较差，准确性较低。
技术实现思路
[0005]本专利技术实施例提供了一种监测模型训练方法、数据监测方法、装置、设备及介质，能够提高监测模型的监测准确率，进而提高精神压力监测的便利性和准确性。
[0006]第一方面，本专利技术实施例提供了一种监测模型训练方法，包括：
[0007]提取脉搏波采集数据的脉搏特征作为脉搏波特征样本数据；
[0008]将所述脉搏波特征样本数据输入至初始监测模型进行训练，得到设定数量的初始监测模型；
[0009]通过目标优化算法对各所述初始监测模型的模型参数进行优化，得到优化监测模型；
[0010]根据各所述优化监测模型的分类误差率确定各所述优化监测模型的权重；
[0011]根据各所述优化监测模型的权重对各所述优化监测模型进行集成，得到目标监测模型；
[0012]其中，所述目标监测模型用于检测目标对象的精神压力监测结果。
[0013]第二方面，本专利技术实施例还提供了一种数据监测方法，包括：
[0014]获取待检测脉搏波数据，并提取所述待检测脉搏波数据的脉搏特征作为待检测脉搏波特征数据；
[0015]将所述待检测脉搏波特征数据输入至目标监测模型，以通过所述目标监测模型输出精神压力监测结果；
[0016]其中，所述目标监测模型通过本专利技术任一实施例所述的监测模型训练方法训练得到。
[0017]第三方面，本专利技术实施例还提供了一种监测模型训练装置，包括：
[0018]样本数据提取模块，用于提取脉搏波采集数据的脉搏特征作为脉搏波特征样本数据；
[0019]初始监测模型生成模块，用于将所述脉搏波特征样本数据输入至初始监测模型进行训练，得到设定数量的初始监测模型；
[0020]优化监测模型生成模块，用于通过目标优化算法对各所述初始监测模型的模型参数进行优化，得到优化监测模型；
[0021]优化监测模型权重确定模块，用于根据各所述优化监测模型的分类误差率确定各所述优化监测模型的权重；
[0022]目标监测模型生成模块，用于根据各所述优化监测模型的权重对各所述优化监测模型进行集成，得到目标监测模型；
[0023]其中，所述目标监测模型用于检测目标对象的精神压力监测结果。
[0024]第四方面，本专利技术实施例还提供了一种数据监测装置，包括：
[0025]待检测脉搏波特征数据提取模块，用于获取待检测脉搏波数据，并提取所述待检测脉搏波数据的脉搏特征作为待检测脉搏波特征数据；
[0026]精神压力监测结果输出模块，用于将所述待检测脉搏波特征数据输入至目标监测模型，以通过所述目标监测模型输出精神压力监测结果；
[0027]其中，所述目标监测模型通过本专利技术任一实施例所述的监测模型训练方法训练得到。
[0028]第五方面，本专利技术实施例还提供了一种电子设备，所述电子设备包括：
[0029]至少一个处理器；以及
[0030]与所述至少一个处理器通信连接的存储器；其中，
[0031]所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行本专利技术任一实施例所述的监测模型训练方法，或者，执行本专利技术任一实施例所述的数据监测方法。
[0032]第六方面，本专利技术实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使处理器执行时实现本专利技术任一实施例所述的监测模型训练方法，或者，执行本专利技术任一实施例所述的数据监测方法。
[0033]本专利技术实施例通过提取脉搏波采集数据的脉搏特征作为脉搏波特征样本数据，将脉搏波特征样本数据输入至初始监测模型进行训练，得到设定数量的初始监测模型，从而通过目标优化算法对各初始监测模型的模型参数进行优化，得到优化监测模型，以根据各优化监测模型的分类误差率确定各优化监测模型的权重，从而根据各优化监测模型的权重对各优化监测模型进行集成，以得到用于检测目标对象的精神压力监测结果的目标监测模型。当目标监测模型训练完成后，可以获取待检测脉搏波数据，并提取待检测脉搏波数据的脉搏特征作为待检测脉搏波特征数据，并将待检测脉搏波特征数据输入至目标监测模型，以通过目标监测模型输出精神压力监测结果，解决了现有精神压力监测识别方法不准确和便利性较差等问题，能够提高监测模型的监测准确率，进而提高精神压力监测的便利性和准确性。
[0034]应当理解，本部分所描述的内容并非旨在标识本专利技术的实施例的关键或重要特征，也不用于限制本专利技术的范围。本专利技术的其它特征将通过以下的说明书而变得容易理解。
附图说明
[0035]为了更清楚地说明本专利技术实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0036]图1是本专利技术实施例一提供的一种监测模型训练方法的流程图；
[0037]图2是本专利技术实施例二提供的一种监测模型训练方法的流程图；
[0038]图3是本专利技术实施例二所适用的一种模型参数优化的流程示意图；
[0039]图4是本专利技术实施例二所适用的一种硬件系统的连接示意图；
[0040]图5是本专利技术实施例二所适用的一种脉搏波数据采集的流程图；
[0041]图6是本专利技术实施例二所适用的一种测试方法的示意图；
[0042]图7是本专利技术实施例二所适用的一种任务流程图；
[0043]图8是本专利技术实施例二提供的一种脉搏波波形示意图；
[0044]图9是本专利技术实施例二提供的一种标记波峰的示意图；
[0045]图10是本专利技术实施例二提供的一种散点图；
[0046]图11是本专利技术实施例二提供的一种数据统计效果示意图；
[0047]图12是本专利技术实施例二所适用的一种特征选择流程图；
[0048]图13是本专利技术实施例二所适用的一种特征选择算法流程图；
[0049]图14是本专利技术实施例二提供的一种特征分类准确率排列的效果示意图；
[00本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种监测模型训练方法，其特征在于，包括：提取脉搏波采集数据的脉搏特征作为脉搏波特征样本数据；将所述脉搏波特征样本数据输入至初始监测模型进行训练，得到设定数量的初始监测模型；通过目标优化算法对各所述初始监测模型的模型参数进行优化，得到优化监测模型；根据各所述优化监测模型的分类误差率确定各所述优化监测模型的权重；根据各所述优化监测模型的权重对各所述优化监测模型进行集成，得到目标监测模型；其中，所述目标监测模型用于检测目标对象的精神压力监测结果。2.根据权利要求1所述的方法，其特征在于，所述提取脉搏波采集数据的脉搏特征作为脉搏波特征样本数据，包括：根据所述脉搏波采集数据计算瞬时脉搏关联指标，其中，所述瞬时脉搏关联指标包括瞬时心率和/或瞬时脉率；根据所述瞬时脉搏关联指标计算心率变异性特征，并将所述心率变异性特征作为所述脉搏波特征样本数据；其中，所述心率变异性特征包括以下至少一项：时域指标数据、频域指标数据和非线性指标。3.根据权利要求1所述的方法，其特征在于，所述提取脉搏波采集数据的脉搏特征作为脉搏波特征样本数据，包括：确定所述脉搏特征的分类准确率；根据所述分类准确率对所述脉搏特征进行排序；根据所述脉搏特征的排序结果选择设定数量的脉搏特征作为所述脉搏波特征样本数据。4.根据权利要求1所述的方法，其特征在于，所述目标优化算法包括遗传算法，所述初始监测模型包括BP神经网络模型；所述通过目标优化算法对各所述初始监测模型的模型参数进行优化，包括：计算所述BP神经网络模型的初始模型参数；通过所述遗传算法对所述初始模型参数进行编码，得到适应度值；根据所述适应度值进行循环遗传操作处理，直至满足所述遗传算法的算法终止优化条件，得到优化模型参数；根据所述优化模型参数更新所述BP神经网络模型的初始模型参数。5.根据权利要求1所述的方法，其特征在于，所述根据各所述优化监测模型的分类误差率确定各所述优化监测模型的权重，包括：基于如下公式确定各所述优化监测模型的权重：at(i)＝0.5*log((1
‑
error(i))/error(i))其中，at(i)表示第i个优化监测模型的权重，error(i)表示第i个优化监测模型的分类误差率。6.根据权利要求1所述的方法，其特征在于，所述根据各所述优化监测模型的权重对各所述优化监测模型进行集成，得到目标监测模型，包括：
【专利技术属性】
技术研发人员：张雪松，王磊，
申请(专利权)人：河北工业大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。