[发明专利]基于深度学习的个体信号识别算法及系统

说明书

本发明涉及信号识别技术领域，具体的说是一种基于深度学习的个体信号识别算法及系统，其特征在于设有多通道数据采集单元、数据预处理单元、通道选择单元、CNN‑HMM混合分类器搭建训练单元、结果判别单元，其中所述多通道数据采集单元所获取的同一测试者在多个测试条件下产生的多个类型原始数据以多通道形式输出至数据预处理单元；所述数据预处理单元将预处理后的数据以多通道形式输出至通道选择单元，本发明解决了传统算法设计方案过程中对信号采集通道个数的限制，发明了一种自适应信号通道的算法，通过前期简易算法设计，筛选具体通道信号，既避免了传入模型信息的繁杂，简化了模型结构，又充分利用了有效的信号资源。

技术领域：

本发明涉及信号识别技术领域，具体的说是一种能够自适应信号通道，通过筛选具体通道信号，既简化了模型结构，又充分利用了有效的信号资源的基于深度学习的个体信号识别算法及系统。

背景技术：

随着社会的发展、科技水平的提升，各行各业都在充分利用大量的数据信息，革新智能化产品，以提升人们生活幸福感。

人工智能技术利用现有的仪器采集序列信号，对其进行自动分析和诊断。有效的机器学习方法，如支持向量机、多层感知机、决策树、随机森林、梯度提升树等等，都能够对信号进行分类判别，这些方法在建模前，都要进行信号的预处理，从信号中提取人工特征(具体有小波包分析、功率谱估计、能量熵、梅尔功率谱、傅里叶分析等等)，用于实现最终的分类任务。

这些人工提取的信号特征能够展现信号某方面的形态，但却很难利用信号序列的全部特征信息，对于特定的分类任务，人工提取的特征可能不能满足机器智能学习此分类任务的需求。在处理信号分类的问题上，自动的特征提取和代表性方法被证实更加具有可扩展性，且能够做到更加精准的预测，从原始信号序列出发，充分利用信号的全部信息，构建端到端的深度学习框架，它能够允许机器学习最适合其所需特定分类任务的特征。

在研究信号识别算法领域里，基于机器学习与深度学习分类器的算法有很多，通过设计网络结构及分类器参数，能够对特定领域信号类型进行有效的识别。在信号采集后片段的处理上，通常采取两种方案，第一，将多个通道的信号并为一个单通道信号，进行模型的搭建与分类，第二，将多个通道同一时刻采集上来的信号一起作为模型的输入端，经过简单预处理后，进行模型的搭建与分类，极少数现有方案中对信号数据进行复杂的预处理，虽然分类效果是有效可靠的，但方法的泛化性不高。此外，目前大部分技术手段中，具体算法的迁移能力(迁移能力是指将算法迁移到另一相近领域进行准确识别的能力)不能够保证；当发明的具体算法需要多个通道数据的支持时，对于具体产品而言，也会给工程实施带来一定的限制。

发明内容：

本发明针对现有技术对于信号序列分析的缺陷，提出了一种能够对有效信号进行高效利用，缩减输入信号通道，简化网络模型复杂度，提升计算效率的基于深度学习的个体信号识别算法及系统。

本发明通过以下措施达到：

一种基于深度学习的个体信号识别算法，其特征在于包括以下步骤：

步骤1：采集同一测试者在不同测试要求下的多通道原始信号数据，并进行信号预处理；

步骤2：对多个信号通道内多个类别的原始数据，分别进行类别间差异性计算，并对计算结果按大小排序，选取结果最大的通道作为输入信号通道；

步骤3：搭建并训练CNN-HMM混合分类器，采用卷积神经网络对信号进行特征提取，然后每个类别下分别训练一个HMM模型，利用每个类别的HMM参数的运算确定落入每个类别的概率，最终确定分类结果；若分类结果不满足要求，采取重复迭代的方式，添加步骤2中排序第二的通道信号，使排序第二的通道信号与排序第一的通道信号合并，重新训练，直至获得训练后的CNN-HMM混合分类器；

步骤4：对步骤1中的同一测试者所提供的其他待分类数据依次执行步骤1、2后，利用步骤3中获得的CNN-HMM混合分类器，计算信号在每个类别下的概率大小，输出分类结果。