本发明专利技术涉及一种基于轻量化混合模型的生理信号实时质量评估方法。所述方法包括：将采集得到的生理信号进行分割、归一化、求导、拼接等预处理得到一维信号片段，并通过多尺度马尔可夫转移域这一多尺度融合技术，转换成二维图像；基于多尺度混合模型实现对输入信号的准确评估，并利用知识蒸馏策略，对微调后的混合模型进行轻量化，实现对干净信号与噪声信号的快速准确分类。本发明专利技术方法可以提取生理信号的局部和全局信息，可有效地提高质量评估的准确率。同时，本方法将知识蒸馏与深度学习方法相结合，为信号的实时评估提供了一种方便、准确的解决方案，在信号处理研究和基于可穿戴设备的健康管理等领域均具有一定的应用价值。
【技术实现步骤摘要】
本专利技术涉及一种基于轻量化混合模型的生理信号实时质量评估方法。
技术介绍
1、随着可穿戴生物医学传感技术的飞速进展，随时随地采集人体的生理信号已经成为现实。目前，智能手表、手环和健康贴片等可穿戴设备已成功商业化，并在监测人类生命体征方面得到广泛应用。这些可穿戴设备能够迅速、简便地采集多种人体生理信号，在健康监测和疾病诊断中扮演着重要角色。例如，心电信号反映了心脏电生理活动的正常和病理变化，可用于检测心律失常、心肌缺血或心肌梗死等多种疾病；脉搏波信号则表征了心血管系统的血流动力学变化，为血压、血氧饱和度、心率等生理参数提供了便捷的测量方法。
2、在日常监护中，如何从动态环境中提取稳定可靠的信号是一个迫切需要解决的难题。这主要因为生理信号幅值相对较小，对外部干扰极为敏感，而人体运动引起的伪影会导致信号波形变化，可能导致设备错误诊断和严重的医疗并发症。此外，生理信号采集过程中还会引入噪声，这些噪声可能会污染信号的关键特征。考虑到在日常生活环境中对生理信号采集的需求不断增加，解决这一问题变得尤为关键。
3、近年来，高性能处理芯片的迅速发展为生理信号处理提供了硬件支持，而机器学习/深度学习的兴起则为快速且准确地信号质量评估提供了可能性。目前，大多数研究采用一维时间序列信号与机器学习相结合来进行信号质量评估。这种方法容易产生过拟合问题，且泛化能力有限，跨数据库迁移验证困难。尽管当前深度学习算法可以解决部分问题，但即使是传统的深度学习模型也具有大量参数和较长的推理时间，仅限于离线部署，不能实时应用。
技术实现思路
1、本专利技术的目的在于提出一种基于轻量化混合模型的生理信号实时质量评估方法。本专利技术方法首先通过多尺度马尔可夫转移域将一维时间序列信号转换为二维图像。接着对数据集进行划分，并将训练集输入到多尺度混合模型中，得到最优的训练权重。考虑到深度学习的推理速度是限制实时评估的障碍，本方法使用知识蒸馏策略来减少模型的参数数量，以得到训练好的轻量化模型。最后利用轻量化模型对转化后的二维图像进行分类，实现生理信号的实时质量评估。
2、本专利技术提出的一种基于轻量化混合模型的生理信号实时质量评估方法，具体步骤如下：
3、(1)采集静态或动态情况下生物个体的生理信号；对采集到的生物个体的生理信号进行预处理，即进行数据片段裁剪、归一化、求导和拼接操作，得到预处理后的一维生理信号片段；
4、(2)对于步骤(1)得到的一维生理信号片段，通过数学运算得到包含信号片段周期性信息的时间序列，将该时间序列划分为q个区间，则时间序列中的每个值都有一个对应的区间qj，其中q代表区间的数目，且j∈[1,..q]；那么ωij满足以下关系式：其中，ωij表示当前属于qi的某一点在下一时刻出现在qj中的概率；通过一阶马尔可夫链构建q×q加权邻接矩阵k：
5、
6、(3)对于步骤(2)得到的加权邻接矩阵k，采用mij||i-j|＝k来表示加权邻接矩阵k中的任意点ωij转移概率，其中，k表示点之间的时间间隔；通过马尔可夫变换域，将加权邻接矩阵k映射到矩阵m：矩阵m是一个q行q列的矩阵,q表示区间/分位数目，表示从一个分位箱(或状态)到另一个分位箱之间的转移概率。m是一个n×n的马尔可夫矩阵(n代表输入信号的长度)，表示信号中某点从一个状态到另一个状态的转移概率。m的每个元素m(i,j)表示从状态i到状态j的转移概率；
7、
8、(4)将步骤(1)处理后的一维生理信号片段通过多尺度马尔可夫变换域这一多尺度融合技术转成二维图像，所有图像组成数据集[b,c,h,w]，其中：b为图像总数，c为通道的维度，h和w分别是图像的长和宽；按照一定的比例划分为训练集[b1,c,h,w]，验证集[b2,c,h,w]与测试集[b3,c,h,w]；b1，b2和b3分别为训练集，验证集和测试集中的图像数量，且b1，b2，b3之和等于b；
9、(5)构建多尺度混合模型，该模型包括两个部分：卷积神经网络主干和transformer主干；前者具有极好的提取浅层局部特征的能力，后者可以利用transformer结构的自注意力机制提取深层全局特征；
10、(6)将步骤(4)得到的训练集[b1,c,h,w]数据输入到步骤(5)中构建的多尺度混合模型中进行训练，同时监测验证集[b2,c,h,w]的损失函数变化，直至模型触发早停策略或者达到预设次数，停止训练，保存通用模型的最优权重；
11、(7)通过知识蒸馏来实现通用模型的轻量化：使用步骤(6)训练的通用模型来指导轻量级模型训练，以提高轻量级模型的准确性和收敛速度。具体而言，通用模型基于步骤(5)构建多尺度混合模型，轻量模型是通用模型的简化，仅由一个transformer块和一个卷积神经网络块组成。知识蒸馏的损失函数通过对软损失和硬损失进行加权求和，得到损失函数
12、(8)对步骤(7)构建的轻量模型进行网络训练，以得到最优参数。将测试集数据[b3,c,h,w]输入模型进行测试，输出预测类别，从而得到生理信号的质量评估结果。
13、本专利技术中，步骤(1)中所述采集静态或动态情况下心血管系统生理病理信息的生理信号，具体为：心电信号、脉搏波信号、心冲击信号、心震图信号或心音信号中的一种或多种。
14、本专利技术中，步骤(1)预处理后的一维信号片段包括原始信号、原始信号的一阶导数或原始信号的二阶导数中的一种或多种。
15、本专利技术中，步骤(3)中的多尺度马尔可夫变换域可以进一步挖掘生理信号的质量信息，该方法所使用的数学变换包括马尔可夫链、马尔可夫随机场、状态空间模型或马尔可夫随机场中的一种或者几种。
16、本专利技术中，步骤(4)中所述训练集用于生成和保存最优模型权重，测试集则用于验证轻量化模型在未知数据集上的质量评估性能。
17、本专利技术中，步骤(5)中所述多尺度混合模型将transformer块和卷积神经网络块所提取的特征进行融合，将两个网络的主干进行合并，形成一个混合主干网络。然后，通过平均池化层、线性归一化层和全连接层顺序处理该混合主干，得到最终输出结果。
18、本专利技术中，步骤(7)所述的知识蒸馏使用自适应降温方法：知识蒸馏的温度以类似余弦退火算法首先增加到的最大值tmax，然后缓慢降低到tmin。
19、本专利技术中，步骤(7)和步骤(8)所述的用于评估模型轻量级的指标包括参数数量，计算复杂度，模型推理时间。
20、本专利技术中，步骤(8)中所述的生理信号质量评估级别包括两分类，三分类，四分类，五分类中的一种或者多种。
21、本专利技术中，步骤(8)中的使用深度学习的方法对生理信号的二维图像进行分类：其训练集是由不同数据库混合之后得到的均衡数据集，设置模型的损失函数和优化准则，经过指定迭代次数或达到设定的早停值之后，停止训练并得到最优权重。基于训练好的通用模型，进行模型的知识蒸馏，并使用轻量化模型对测试集进行预测，输出预测结本文档来自技高网
...
【技术保护点】
1.一种基于轻量化混合模型的生理信号实时质量评估方法，其特征在于，具体步骤如下：
2.根据权利要求1所述的方法，其特征在于，步骤(1)中所述采集静态或动态情况下生物个体的生理信号，具体为：心电信号、脉搏波信号、心冲击信号、心震图信号或心音信号中的一种或多种。
3.根据权利要求1所述的方法，其特征在于，步骤(1)预处理后的一维信号片段包括原始信号、原始信号一阶导数或原始信号二阶导数中的一种或者几种。
4.根据权利要求1所述的方法，其特征在于，步骤(3)中的多尺度马尔可夫变换域进一步得到生理信号的质量信息，该方法所使用的数学变换包括马尔可夫链、马尔可夫随机场、状态空间模型或马尔可夫随机场中的一种或者几种。
5.根据权利要求1所述的方法，其特征在于，步骤(4)中所述训练集用于生成和保存最优模型权重，其训练方法包括监督学习、半监督学习、弱监督学习或无监督学习中的一种或几种。
6.根据权利要求1所述的方法，其特征在于，步骤(5)中所述多尺度混合模型将Transformer块和卷积神经网络块所提取的特征进行融合，所述融合方法包括平行结构融合、串行结构融合、多模态融合或特征嵌入中的一种或者几种。
7.根据权利要求1所述的方法，其特征在于，步骤(7)所述的知识蒸馏使用温度参数，可用于控制软目标分布以提高训练稳定性和泛化性能，其温度改变策略包括固定温度法、超参数调优法、自适应温度法或多阶段温度蒸馏法中的任一种。
8.根据权利要求1所述的方法，其特征在于，步骤(7)和步骤(8)所述的用于评估模型轻量级的指标包括参数数量、计算复杂度、模型推理时间或压缩比率中的一种或者几种。
9.根据权利要求1所述的方法，其特征在于，步骤(8)中所述的生理信号质量评估级别包括两分类、三分类、四分类或五分类中的一种或者多种。
10.根据权利要求1所述的方法，其特征在于，步骤(8)中的使用深度学习的方法对生理信号的二维图像进行质量评估：数据集是由不同数据库混合之后得到的均衡数据集组成，将数据集分为训练集，验证集和测试集；训练集和验证集用于模型的训练，以获得最优权重；测试集用于轻量化质量评估模型在未知数据集上的分类性能。
...
【技术特征摘要】
1.一种基于轻量化混合模型的生理信号实时质量评估方法，其特征在于，具体步骤如下：
2.根据权利要求1所述的方法，其特征在于，步骤(1)中所述采集静态或动态情况下生物个体的生理信号，具体为：心电信号、脉搏波信号、心冲击信号、心震图信号或心音信号中的一种或多种。
3.根据权利要求1所述的方法，其特征在于，步骤(1)预处理后的一维信号片段包括原始信号、原始信号一阶导数或原始信号二阶导数中的一种或者几种。
4.根据权利要求1所述的方法，其特征在于，步骤(3)中的多尺度马尔可夫变换域进一步得到生理信号的质量信息，该方法所使用的数学变换包括马尔可夫链、马尔可夫随机场、状态空间模型或马尔可夫随机场中的一种或者几种。
5.根据权利要求1所述的方法，其特征在于，步骤(4)中所述训练集用于生成和保存最优模型权重，其训练方法包括监督学习、半监督学习、弱监督学习或无监督学习中的一种或几种。
6.根据权利要求1所述的方法，其特征在于，步骤(5)中所述多尺度混合模型将transformer块和卷积神经网络块所提取...
【专利技术属性】
技术研发人员：杨翠微，刘建，胡帅聪，
申请(专利权)人：复旦大学，
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。