[发明专利]信号识别方法、信号识别装置、电子设备及可读存储介质在审

专利信息
申请号: 202011150006.9 申请日: 2020-10-23
公开(公告)号: CN112244863A 公开(公告)日: 2021-01-22
发明(设计)人: 欧歌;唐大伟;马小惠;沈鸿翔 申请(专利权)人: 京东方科技集团股份有限公司
主分类号: A61B5/346 分类号: A61B5/346;A61B5/361;A61B5/024
代理公司: 北京律智知识产权代理有限公司 11438 代理人: 王辉;阚梓瑄
地址: 100015 *** 国省代码: 北京;11
权利要求书: 查看更多 说明书: 查看更多
摘要:
搜索关键词: 信号 识别 方法 装置 电子设备 可读 存储 介质
【权利要求书】:

1.一种信号识别方法,其特征在于,包括:

将待识别信号数据输入到预先训练的轻量化神经网络模型中,得到所述待识别信号数据的特征数据;

将所述待识别信号数据的特征数据输入到预先训练的集成分类器中,得到所述待识别信号数据的分类识别结果;

其中,所述轻量化神经网络模型包括输入层、一个或多个深度可分离卷积子网络、全局池化层。

2.根据权利要求1所述的信号识别方法,其特征在于,所述深度可分离卷积子网络包括深度可分离卷积层、子网络池化层、批量归一化层。

3.根据权利要求1所述的信号识别方法,其特征在于,所述轻量化神经网络模型包括四个深度可分离卷积子网络,各深度可分离卷积子网络的卷积核数目均不相同。

4.根据权利要求1至3中任一项所述的信号识别方法,其特征在于,所述轻量化神经网络模型通过以下步骤训练得到:

获取样本信号数据和所述样本信号数据对应的标签;

利用所述样本信号数据和所述标签对构建的轻量化神经网络分类模型进行有监督学习训练,以得到预先训练的轻量化神经网络分类模型,其中,所述构建的轻量化神经网络分类模型包括输入层、一个或多个深度可分离卷积子网络、全局池化层、全连接层、分类层、输出层;

提取所述预先训练的轻量化神经网络分类模型中的输入层、一个或多个深度可分离卷积子网络、全局池化层,以得到所述预先训练的轻量化神经网络模型。

5.根据权利要求4中所述的信号识别方法,其特征在于,所述预先训练的集成分类器通过以下步骤训练得到:

获取所述预先训练的轻量化神经网络模型的全局池化层输出的样本特征数据;

利用所述样本特征数据和所述标签对集成分类器进行有监督学习训练,以得到预先训练的集成分类器。

6.根据权利要求1所述的信号识别方法,其特征在于,所述集成分类器包括以分类回归树模型CART为树模型的极端梯度上升XGBoost分类器。

7.根据权利要求1所述的信号识别方法,其特征在于,所述待识别信号数据包括当前采集的心率信号数据。

8.一种电子设备,其特征在于,包括:

一个或多个处理器;

存储装置,用于存储预先训练的轻量化神经网络模型和预先训练的集成分类器的模型权重,当所述一个或多个处理器对待识别信号数据进行处理时,使得所述一个或多个处理器执行权利要求1所述的方法,以根据所述预先训练的轻量化神经网络模型和预先训练的集成分类器的模型权重得到所述信号数据的分类识别结果。

9.一种信号识别装置,其特征在于,包括:

特征数据提取模块,被配置为将待识别信号数据输入到预先训练的轻量化神经网络模型中,得到所述待识别信号数据的特征数据;

类别识别模块,被配置为将所述待识别信号数据的特征数据输入到预先训练的集成分类器中,得到所述待识别信号数据的分类识别结果;

其中,所述轻量化神经网络模型包括输入层、一个或多个深度可分离卷积子网络、全局池化层。

10.一种计算机可读介质,其上存储有计算机程序,其特征在于,所述程序被处理器执行时实现如权利要求1至7中任一项所述的信号识别方法。

下载完整专利技术内容需要扣除积分,VIP会员可以免费下载。

该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于京东方科技集团股份有限公司,未经京东方科技集团股份有限公司许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服

本文链接:http://www.vipzhuanli.com/pat/books/202011150006.9/1.html,转载请声明来源钻瓜专利网。

×

专利文献下载

说明:

1、专利原文基于中国国家知识产权局专利说明书;

2、支持发明专利 、实用新型专利、外观设计专利(升级中);

3、专利数据每周两次同步更新,支持Adobe PDF格式;

4、内容包括专利技术的结构示意图流程工艺图技术构造图

5、已全新升级为极速版,下载速度显著提升!欢迎使用!

请您登陆后,进行下载,点击【登陆】 【注册】

关于我们 寻求报道 投稿须知 广告合作 版权声明 网站地图 友情链接 企业标识 联系我们

钻瓜专利网在线咨询

周一至周五 9:00-18:00

咨询在线客服咨询在线客服
tel code