一种检测方法技术

本申请公开一种检测方法

【技术实现步骤摘要】
一种检测方法、装置、设备及计算机可读存储介质


[0001]本申请涉及信号处理领域，涉及但不限于一种检测方法
、
装置
、
设备及计算机可读存储介质
。

技术介绍

[0002]随着科学技术的不断发展，医疗领域中监测设备的种类越来越繁多，功能也越来越强大，以多导睡眠监测
(Polysomnography
，
PSG)
举例来说，
PSG
是检查睡眠疾病的有效手段，主要通过夜间连续的呼吸
、
血氧饱和度
、
脑电图
、
心电图
、
心率等指标进行监测，对受试者的睡眠结构和进程进行记录和评估，是国际公认的睡眠监测金标准
。
通过
PSG
监测，并由专业医生对数据进行判读，能够定位睡眠问题原因
。
[0003]在实际通过
PSG
进行睡眠监测的时候，是需要在受试者身体的多个部位贴上监测电极，包含脑电
、
心电
、
肌电
、
血氧等传感器，每个传感器连接至少一根导线，总共使用的导线多达几十根
。
由于佩戴的电极与导线数量较多，如果受试者有起夜
、
翻身等行为，容易拉扯导线造成电极脱落，从而导致数据采集失败，最终影响睡眠监测质量和效率
。
[0004]在相关技术中，是通过人工查房来查看电极或者导线的佩戴情况，或者是通过摄像头监控电极或者导线的佩戴情况，如此，人工查房会影响受试者的正常睡眠，从而影响检测结果；而通过摄像头监控的时候，捕捉精度较低，而且费时费力
。
[0005]此外，综合考虑发生异常较少的情况，则针对较少异常数据，亟需一种精确
、
高效的异常检测方法
。

技术实现思路

[0006]有鉴于此，本申请实施例提供一种检测方法
、
装置
、
设备及计算机可读存储介质
。
[0007]本申请实施例的技术方案是这样实现的：
[0008]本申请实施例提供一种检测方法，所述方法包括：
[0009]获取待检测信号
、
正特征向量集和训练好的检测模型，其中，所述训练好的检测模型包括训练好的特征提取子模型和训练好的分类子模型，所述正特征向量集是利用所述训练好的特征提取子模型对正样本数据进行特征提取得到的，所述训练好的分类子模型是利用负样本数据对预训练的分类子模型进行训练得到的，所述负样本数据的数量小于所述正样本数据的数量；
[0010]从所述正特征向量集中确定所述待检测信号对应的第一目标正特征向量；
[0011]利用所述训练好的特征提取子模型对所述待检测信号进行特征提取，得到待检测特征向量；
[0012]确定所述第一目标正特征向量和所述待检测特征向量之间的第一相似特征向量；
[0013]利用所述训练好的分类子模型对所述第一相似特征向量进行预测处理，得到检测结果
。
[0014]本申请实施例提供一种检测装置，所述检测装置包括：
[0015]第一获取模块，用于获取待检测信号
、
正特征向量集和训练好的检测模型，其中，所述训练好的检测模型包括训练好的特征提取子模型和训练好的分类子模型，所述正特征向量集是利用所述训练好的特征提取子模型对正样本数据进行特征提取得到的，所述训练好的分类子模型是利用负样本数据对预训练的分类子模型进行训练得到的，所述负样本数据的数量小于所述正样本数据的数量；
[0016]第一确定模块，用于从所述正特征向量集中确定所述待检测信号对应的第一目标正特征向量；
[0017]第一特征提取模块，用于利用所述训练好的特征提取子模型对所述待检测信号进行特征提取，得到待检测特征向量；
[0018]第二确定模块，用于确定所述第一目标正特征向量和所述待检测特征向量之间的第一相似特征向量；
[0019]第一预测模块，用于利用所述训练好的分类子模型对所述第一相似特征向量进行预测处理，得到检测结果
。
[0020]本申请实施例提供一种检测设备，所述检测设备包括：
[0021]处理器；以及
[0022]存储器，用于存储可在所述处理器上运行的计算机程序；
[0023]其中，所述计算机程序被处理器执行时实现上述检测方法
。
[0024]本申请实施例提供一种计算机可读存储介质，所述计算机存储介质中存储有计算机可执行指令，该计算机可执行指令配置为执行上述检测方法
。
[0025]本申请实施例提供一种检测方法
、
装置
、
设备及计算机可读存储介质，该检测方法包括：获取待检测信号
、
正特征向量集以及训练好的检测模型，其中，训练好的检测模型包括用于特征提取的训练好的特征提取子模型和用于进行预测分类的训练好的分类子模型，该正特征向量集便是利用训练好的特征提取子模型对正样本数据进行特征提取得到的，并且训练好的分类子模型是通过负样本数据对预训练的分类子模型进行训练得到的，该负样本的数量小于正样本数据的数量；接着，从正样本数据集中确定待检测信号对应的第一目标正特征向量；然后，利用训练好的特征提取子模型对待检测信号进行特征提取，得到待检测特征向量；再确定第一目标正特征向量和待检测特征向量之间的第一相似特征向量；最后，利用训练好的分类子模型对第一相似特征向量进行预测处理，得到检测结果
。
如此，利用训练好的特征提取子模型分别对正样本数据和待检测信号进行特征提取，得到正样本数据集和待检测特征向量，确保两个特征向量保持类型一致；再基于数量较少的负样本数据对预训练的分类子模型进行训练处理，得到能够精准识别异常情况的训练好的分类子模型，其中，该预训练的分类子模型为模型结构确定的分类子模型；最后，确定待检测信号对应的第一目标整理特征向量与待检测特征向量之间的第一相似特征向量，再利用训练好的分类子模型对第一相似特征向量进行预测处理，得到最终反映待检测信号的检测结果，从而提升检测的精确度以及实时性，降低检测成本
。
附图说明
[0026]在附图
(
其不一定是按比例绘制的
)
中，相似的附图标记可在不同的视图中描述相似的部件
。
附图以示例而非限制的方式大体示出了本文中所讨论的各个实施例
。
[0027]图1为本申请实施例提供的检测方法的一种实现流程示意图；
[0028]图2为本申请实施例提供的训练检测模型方法的一种实现流程示意图；
[0029]图3为本申请实施例提供的特征提取方法的一种实现流程示意图；
[0030]图4为本申请实施例提供的训练方法的一种实现流程示意图；
[0031]图5为本申请实施例提供的训练方法的另一种实现本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种检测方法，其特征在于，所述方法包括：获取待检测信号
、
正特征向量集和训练好的检测模型，其中，所述训练好的检测模型包括训练好的特征提取子模型和训练好的分类子模型，所述正特征向量集是利用所述训练好的特征提取子模型对正样本数据进行特征提取得到的，所述训练好的分类子模型是利用负样本数据对预训练的分类子模型进行训练得到的，所述负样本数据的数量小于所述正样本数据的数量；从所述正特征向量集中确定所述待检测信号对应的第一目标正特征向量；利用所述训练好的特征提取子模型对所述待检测信号进行特征提取，得到待检测特征向量；确定所述第一目标正特征向量和所述待检测特征向量之间的第一相似特征向量；利用所述训练好的分类子模型对所述第一相似特征向量进行预测处理，得到检测结果
。2.
根据权利要求1中所述的方法，其特征在于，所述方法还包括：获取通过所述正样本数据训练得到的预训练检测模型，所述预训练检测模型包括训练好的特征提取子模型和预训练的分类子模型；获取负样本信息，并利用所述训练好的特征提取子模型对所述负样本信息进行特征提取，得到负特征向量；利用所述负特征向量训练所述预训练的分类子模型，得到训练好的分类子模型；基于所述训练好的特征提取子模型和所述训练好的分类子模型，确定训练好的检测模型
。3.
根据权利要求2中所述的方法，其特征在于，所述利用所述负特征向量训练所述预训练的分类子模型，得到训练好的分类子模型，包括；初始化所述预训练的分类子模型的参数；获取所述负样本信息对应的正样本信息，并将所述负样本信息和所述正样本信息确定为训练集；利用所述训练好的特征提取子模型对所述正样本数据进行特征提取，得到所述正特征向量集；利用所述训练好的特征提取子模型依次对所述训练集中训练样本信息的训练样本数据进行特征提取，得到多个训练特征向量，其中，所述训练样本信息包括所述负样本信息和所述负样本信息对应的正样本信息；基于所述多个训练特征向量和所述正特征向量集训练所述预训练的分类子模型的参数，得到训练好的分类子模型
。4.
根据权利要求3中所述的方法，其特征在于，所述基于所述多个训练特征向量和所述正特征向量集训练所述预训练的分类子模型的参数，得到训练好的分类子模型，包括：从所述多个训练特征向量中选取待训练特征向量；获取所述待训练特征向量对应的目标标签信息和所述待训练特征向量对应的待训练类型；从所述正特征向量集中确定类型为所述待训练类型的第二目标正特征向量；确定所述待训练特征向量和所述第二目标正特征向量之间的第二相似特征向量；
基于所述第二相似特征向量和所述目标标签信息对所述预训练的分类子模型进行反向传播训练，得到训练好的分类子模型
。5.
根据权利要求4中所述的方法，其特征在于，所述基于所述第二相似特征向量和所述目标标签信息对所述...

【专利技术属性】
技术研发人员：崔丽，谢悦，李家慧，乔丰，许利群，
申请(专利权)人：中国移动通信集团有限公司，
类型：发明
国别省市：