【技术实现步骤摘要】
本专利技术涉及生理信号波形分类，具体是涉及一种波形分类模型的训练方法和生理信号波形分类方法。
技术介绍
1、生理信号波形包括动脉血压信号波形、心电信号波形以及肺动脉压波形，通过对被测试者的上述波形进行分析，可以实现对被测试者的血压分类。现有技术采用机器学习模型实现对血压的分类，而现有的机器学习模型以增加模型参数为代价而提高血压分类准确性，一旦增大模型参数就会导致模型计算量增大，从而降低了血压分类效率。
2、综上所述，现有技术难以兼顾血压分类效率和分类准确性。
3、因此，现有技术还有待改进和提高。
技术实现思路
1、为解决上述技术问题，本专利技术提供了一种波形分类模型的训练方法和生理信号波形分类方法，解决了现有技术难以兼顾血压分类效率和分类准确性的问题。
2、为实现上述目的，本专利技术采用了以下技术方案：
3、第一方面，本专利技术提供一种波形分类模型的训练方法，所述神经网络模型应用于生理信号波形分类，其中，包括：
4、构建包含卷积模块的神经网络模型，所述卷积模块包括依次级联的若干个卷积基本块，每一个所述卷积基本块包括依次级联的第一分组卷积层、洗牌操作层、第二分组卷积层和全连接层以及输出层，其中所述第一分组卷积层的卷积核为空洞卷积；
5、依据动脉舒张压、动脉收缩压，从数据库中筛选出训练数据集，所述数据库用于保存与血压信号相关的生理信号训练波形；
6、使用所述训练数据集对所述神经网络模型进行训练，以得到波
7、在一种实现方式中，所述依据动脉舒张压、动脉收缩压，从数据库中筛选出训练数据集，所述数据库用于保存与血压信号相关的生理信号训练波形，包括：
8、计算所述动脉收缩压与所述动脉舒张压之差，记为收缩舒张压差；
9、将所述收缩舒张压差乘以小于一的系数之后加上所述动脉舒张压，得到平动脉血压；
10、依据所述平动脉血压，从所述数据库中筛选出训练数据集，所述数据库用于保存与血压信号相关的生理信号训练波形。
11、在一种实现方式中，所述依据所述平动脉血压，从所述数据库中筛选出训练数据集，所述数据库用于保存与血压信号相关的生理信号训练波形，包括：
12、统计所述平动脉血压持续低于设定血压值所对应的持续时长；
13、从所述数据库中的各个训练者中筛选出所述持续时长大于设定时长所对应的训练者，记为目标训练者；
14、从所述数据库中筛选出所述目标训练者与血压信号相关的训练动脉压原始波形和/或训练心电信号原始波形和/或训练肺动脉压原始波形以及所述目标训练者所对应的分类训练标签；
15、将所述训练动脉压原始波形和/或所述训练心电信号原始波形和/或所述训练肺动脉压原始波形以及所述分类训练标签作为所述训练数据集。
16、第二方面，本专利技术实施例还提供一种生理信号波形分类方法，应用上述波形分类模型的训练方法确定的已训练的神经网络模型，所述生理信号波形分类方法，包括：
17、提取与血压信号相关的生理信号波形的原始特征图；
18、对所述原始特征图应用波形分类模型所包含的卷积模块，以得到最终特征图，其中所述卷积模块包括依次级联的若干个卷积基本块，每一个所述卷积基本块包括依次级联的第一分组卷积层、洗牌操作层、第二分组卷积层和全连接层以及输出层，其中所述第一分组卷积层的卷积核为空洞卷积；
19、依据所述最终特征图，对所述生理信号波形进行分类，以得到分类结果。
20、在一种实现方式中，所述卷积基本块还包括平均池化层，所述平均池化层与所述全连接层级联。
21、在一种实现方式中，所述提取与血压信号相关的生理信号波形的原始特征图，包括：
22、确定与所述血压信号相关的动脉压原始波形和/或心电信号原始波形和/或肺动脉压原始波形；
23、将所述动脉压原始波形和/或所述心电信号原始波形和/或所述肺动脉压原始波形作为所述生理信号波形；
24、对所述生理信号波形应用特征提取模块，以得到原始特征图，所述特征提取模块包括依次级联的1x1卷积层和归一化层以及激活函数层。
25、在一种实现方式中，所述依据所述最终特征图，对所述生理信号波形进行分类，以得到分类结果，包括：
26、对所述最终特征图应用分类模块，以对所述生理信号波形进行分类，以得到分类结果，所述分类模块包括级联的平均池化层和分类器。
27、第三方面，本专利技术实施例还提供一种波形分类模型的训练装置，其中，所述装置包括如下组成部分：
28、模型构建模块，用于构建包含卷积模块的神经网络模型，所述卷积模块包括依次级联的若干个卷积基本块，每一个所述卷积基本块包括依次级联的第一分组卷积层、洗牌操作层、第二分组卷积层和全连接层以及输出层，其中所述第一分组卷积层的卷积核为空洞卷积；
29、数据筛选模块，用于依据动脉舒张压、动脉收缩压，从数据库中筛选出训练数据集，所述数据库用于保存与血压信号相关的生理信号训练波形；
30、训练模块，用于使用所述训练数据集对所述神经网络模型进行训练，以得到波形分类模型。
31、第四方面，本专利技术实施例还提供一种终端设备，其中，所述终端设备包括存储器、处理器及存储在所述存储器中并可在所述处理器上运行的生理信号波形分类程序，所述处理器执行所述生理信号波形分类程序时，实现上述所述的生理信号波形分类方法的步骤；
32、或者，所述终端设备包括存储器、处理器及存储在所述存储器中并可在所述处理器上运行的波形分类模型的训练程序，所述处理器执行所述波形分类模型的训练程序时，实现上述所述的波形分类模型的训练方法的步骤。
33、第五方面，本专利技术实施例还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有生理信号波形分类程序，所述生理信号波形分类程序被处理器执行时，实现上述所述的生理信号波形分类方法的步骤；
34、或者，所述计算机可读存储介质上存储有波形分类模型的训练程序，所述波形分类模型的训练程序被处理器执行时，实现上述所述的波形分类模型的训练方法的步骤。
35、有益效果：本专利技术的卷积模块的各个卷积基本块中包括了分组卷积层和洗牌操作层，其中分组卷积层的卷积核采用空洞卷积，空洞卷积和分组卷积都属于计算轻量级的，也就是空洞卷积和分组卷积不需要太大的计算资源即可完成对特征的优化，同时卷积基本块中又设置了洗牌操作层，洗牌操作层能够对分组卷积的输入层中的各个通道输出的特征进行交叉组合，以使得分组卷积输出的最终特征图涵盖了输入层中所有通道中的特征信息，从而保证了分组卷积所在的卷积基本块所输出的特征准确性，进而保证了心理信号波形分类的准确性。综上所述，本专利技术既能够降低分类所需要的计算资源又能够保证分类准确性，也就是本专利技术兼顾了血压分类效率和分类准确性。
本文档来自技高网...【技术保护点】
1.一种波形分类模型的训练方法，所述波形分类模型应用于生理信号波形分类，其特征在于，包括：
2.如权利要求1所述的波形分类模型的训练方法，其特征在于，所述依据动脉舒张压、动脉收缩压，从数据库中筛选出训练数据集，所述数据库用于保存与血压信号相关的生理信号训练波形，包括：
3.如权利要求2所述的波形分类模型的训练方法，其特征在于，所述依据所述平动脉血压，从所述数据库中筛选出训练数据集，所述数据库用于保存与血压信号相关的生理信号训练波形，包括：
4.一种生理信号波形分类方法，其特征在于，应用权利要求1-3任一项所述的波形分类模型训练方法所训练得到的波形分类模型，所述生理信号波形分类方法，包括：
5.如权利要求4所述的生理信号波形分类方法，其特征在于，所述卷积基本块还包括平均池化层，所述平均池化层与所述全连接层级联。
6.如权利要求4所述的生理信号波形分类方法，其特征在于，所述提取与血压信号相关的生理信号波形的原始特征图，包括：
7.如权利要求4所述的生理信号波形分类方法，其特征在于，所述依据所述最终特征图，对所述生
8.一种波形分类模型的训练装置，其特征在于，所述装置包括：
9.一种终端设备，其特征在于，所述终端设备包括存储器、处理器及存储在所述存储器中并可在所述处理器上运行的波形分类模型的训练程序，所述处理器执行所述波形分类模型的训练程序时，实现如权利要求1-3任一项所述的波形分类模型的训练方法的步骤；
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有波形分类模型的训练程序，所述波形分类模型的训练程序被处理器执行时，实现如权利要求1-3任一项所述的波形分类模型的训练方法的步骤；
...【技术特征摘要】
1.一种波形分类模型的训练方法，所述波形分类模型应用于生理信号波形分类，其特征在于，包括：
2.如权利要求1所述的波形分类模型的训练方法，其特征在于，所述依据动脉舒张压、动脉收缩压，从数据库中筛选出训练数据集，所述数据库用于保存与血压信号相关的生理信号训练波形，包括：
3.如权利要求2所述的波形分类模型的训练方法，其特征在于，所述依据所述平动脉血压，从所述数据库中筛选出训练数据集，所述数据库用于保存与血压信号相关的生理信号训练波形，包括：
4.一种生理信号波形分类方法，其特征在于，应用权利要求1-3任一项所述的波形分类模型训练方法所训练得到的波形分类模型，所述生理信号波形分类方法，包括：
5.如权利要求4所述的生理信号波形分类方法，其特征在于，所述卷积基本块还包括平均池化层，所述平均池化层与所述全连接层级联。
6.如...
【专利技术属性】
技术研发人员：杭玉洁，刘龙飞，吴丹，李烨，
申请(专利权)人：中国科学院深圳先进技术研究院，
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。