【技术实现步骤摘要】
本申请涉及生物电信号识别。具体地，本申请涉及一种应用于生物电信号识别的神经网络结构搜索方法、装置、计算机设备和存储介质。
技术介绍
1、生物电信号识别技术涉及分析和辨识人体产生的各种电信号，例如心电图(ecg)、脑电图(eeg)和肌电图(emg)。这些信号可以应用于诊断、疾病监测和运动控制等领域，具备广泛的应用潜力。
2、传统的生物电信号识别方法依赖于机器学习技术来构建生物电信号识别模型，以通过该模型对生物电信号进行分类和辨识。然而，在传统技术中，生物电信号识别模型的设计通常需要人工干预来构建神经网络结构。这种手动设计方法需要进行反复试验和调整，因而耗费大量时间和资源，尤其在处理规模庞大和复杂的生物电信号识别任务时，识别过程将会变得尤为困难。
技术实现思路
1、基于此，有必要针对上述技术问题，提供一种应用于生物电信号识别的神经网络结构搜索方法、装置、计算机设备和存储介质。
2、第一方面，本申请提供了一种应用于生物电信号识别的神经网络结构搜索方法。所述方法应用于生物电信号识别模型中，所述生物电信号识别模型是基于神经网络构建的，所述方法包括：
3、步骤s102，获取训练集；其中，所述训练集包含带有生物电信号类别标签的生物电信号样本；
4、步骤s104，根据所述生物电信号识别模型对应的第一损失函数，搜索所述生物电信号识别模型的候选神经网络结构；其中，所述第一损失函数用于指示搜索不同的神经网络结构；
5、步骤s106，基于所述候选
6、步骤s108，交替循环执行所述步骤s104和所述步骤s106，直至达到预设的迭代终止条件，获得不同的候选神经网络结构以及各候选神经网络结构对应的候选损失函数值；
7、步骤s110，根据所述候选损失函数值，从所述不同的候选神经网络结构中，选取所述生物电信号识别模型的目标神经网络结构。
8、在其中一个实施例中，所述步骤s104包括：
9、步骤s1042，根据所述生物电信号识别模型对应的第一损失函数，通过梯度下降法调整所述生物电信号识别模型对应的操作算子的参数和操作算子的权重；其中，所述操作算子为用于构建神经网络的基本组件；
10、步骤s1044，根据调整后的操作算子的参数、调整后的操作算子的权重以及预设的搜索策略，确定所述生物电信号识别模型的候选神经网络结构。
11、在其中一个实施例中，所述生物电信号识别模型对应的搜索计算图为全连接有向无环图；所述全连接有向无环图如下所示：
12、xj＝σi＜joi，j(xi)
13、其中，x为全连接有向无环图中的结点，表示生物电信号识别模型中的特征；i、j为结点标识；o为全连接有向无环图中的边，表示生物电信号识别模型中的操作算子，每条边内包含搜索空间中所有的操作算子；
14、所述搜索策略采用
15、
16、其中，o为搜索空间中所有的操作算子，w为操作算子的权重，为每条边内的各操作算子对应的概率。
17、在其中一个实施例中，所述步骤s1044包括：
18、步骤s104a，根据调整后的操作算子的参数、调整后的操作算子的权重以及预设的搜索策略，针对每条边，从每条边内包含的所有操作算子中，选取概率最大的操作算子，确定所述生物电信号识别模型的候选神经网络结构。
19、在其中一个实施例中，所述第一损失函数包括：
20、
21、其中，α为操作算子的参数；
22、
23、其中，w为操作算子的权重。
24、在其中一个实施例中，所述第二损失函数为交叉熵损失函数；所述交叉熵损失函数如下所示：
25、
26、其中，crossentropy为交叉熵，y为生物电信号类别标签，为生物电信号识别结果，n为生物电信号类别标签的类别数量。
27、在其中一个实施例中，所述搜索空间中所有的操作算子包括：
28、大小为7x7、步长为1x1、3x3镜像填充的卷积算子、批归一化和relu的组合算子；
29、大小为5x5、步长为1x1、2x2镜像填充的卷积算子、批归一化和relu的组合算子；
30、大小为3x3、步长为1x1、1x1镜像填充的卷积算子、批归一化和relu的组合算子；
31、残差层；
32、恒等层；
33、空操作层；
34、2倍下采样的平均池化层；
35、2倍下采样的最大池化层。
36、第二方面，本申请提供了一种应用于生物电信号识别的神经网络结构搜索装置。所述装置用于生物电信号识别模型中，所述生物电信号识别模型是基于神经网络构建的，所述装置包括：
37、样本获取模块，用于获取训练集；其中，所述训练集包含带有生物电信号类别标签的生物电信号样本；
38、结构搜索模块，用于根据所述生物电信号识别模型对应的第一损失函数，搜索所述生物电信号识别模型的候选神经网络结构；其中，所述第一损失函数用于指示搜索不同的神经网络结构；
39、函数值计算模块，用于基于所述候选神经网络结构，将所述训练集输入至所述生物电信号识别模型中，以根据所述生物电信号识别模型对应的第二损失函数，计算候选损失函数值；其中，所述第二损失函数用于衡量所述生物电信号识别模型的预测性能；
40、优化迭代模块，用于交替循环执行所述结构搜索模块中的步骤和所述函数值计算模块中的步骤，直至达到预设的迭代终止条件，获得不同的候选神经网络结构以及各候选神经网络结构对应的候选损失函数值；
41、结构选取模块，用于根据所述候选损失函数值，从所述不同的候选神经网络结构中，选取所述生物电信号识别模型的目标神经网络结构。
42、第三方面，本申请还提供了一种计算机设备。所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
43、步骤s102，获取训练集；其中，所述训练集包含带有生物电信号类别标签的生物电信号样本；
44、步骤s104，根据所述生物电信号识别模型对应的第一损失函数，搜索所述生物电信号识别模型的候选神经网络结构；其中，所述第一损失函数用于指示搜索不同的神经网络结构；
45、步骤s106，基于所述候选神经网络结构，将所述训练集输入至所述生物电信号识别模型中，以根据所述生物电信号识别模型对应的第二损失函数，计算候选损失函数值；其中，所述第二损失函数用于衡量所述生物电信号识别模型的预测性能；
46、步骤s108，交替循环执行所述步骤s104和所述步骤s106，直至达到预设的迭本文档来自技高网...
【技术保护点】
1.一种应用于生物电信号识别的神经网络结构搜索方法，其特征在于，所述方法应用于生物电信号识别模型中，所述生物电信号识别模型是基于神经网络构建的，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述步骤S104包括：
3.根据权利要求2所述的方法，其特征在于，所述生物电信号识别模型对应的搜索计算图为全连接有向无环图；所述全连接有向无环图如下所示：
4.根据权利要求3所述的方法，其特征在于，所述步骤S1044包括：
5.根据权利要求1-4任一所述的方法，其特征在于，所述第一损失函数包括：
6.根据权利要求1-4任一所述的方法，其特征在于，所述第二损失函数为交叉熵损失函数；所述交叉熵损失函数如下所示：
7.根据权利要求3所述的方法，其特征在于，所述搜索空间中所有的操作算子包括：
8.一种应用于生物电信号识别的神经网络结构搜索装置，其特征在于，所述装置用于生物电信号识别模型中，所述生物电信号识别模型是基于神经网络构建的，所述装置包括：
9.一种计算机设备，包括存储器和处理器，所述存储
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
...【技术特征摘要】
1.一种应用于生物电信号识别的神经网络结构搜索方法，其特征在于，所述方法应用于生物电信号识别模型中，所述生物电信号识别模型是基于神经网络构建的，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述步骤s104包括：
3.根据权利要求2所述的方法，其特征在于，所述生物电信号识别模型对应的搜索计算图为全连接有向无环图；所述全连接有向无环图如下所示：
4.根据权利要求3所述的方法，其特征在于，所述步骤s1044包括：
5.根据权利要求1-4任一所述的方法，其特征在于，所述第一损失函数包括：
6.根据权利要求1-4任一所述的方法，其特征在于，所述第二损失函数...
【专利技术属性】
技术研发人员：王智林，秦旭，张玉冰，路璐，陈燕红，
申请(专利权)人：北京雪梦未来科技有限公司，
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。