[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

说明书

本公开涉及数据处理技术领域，提供了一种信号识别方法及装置、计算机可读存储介质和电子设备。其中，上述方法包括：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，得到待识别信号数据的特征数据；将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，得到待识别信号数据的分类识别结果。本方案基于轻量化神经网络模型，可以减少模型参数量，从而提高信号识别效率，基于集成分类器可以提高信号识别的分类结果，进而可以在提高信号识别效率的同时保证信号识别的准确性。

技术领域

本公开涉及数据处理技术领域，具体而言，涉及一种信号识别方法、信号识别装置、电子设备及计算机可读存储介质。

背景技术

在现有的基于深度学习的信号识别方法中，以心率信号识别为例，常用的基于深度学习的心率信号识别方法，虽然有着较高的准确率，但网络参数量过大，模型复杂度较高，使得基于深度学习的心率识别算法的计算负荷过大，降低识别效率，且对硬件设备要求较高，会增加硬件设备的成本。而如果降低模型参数量，又会影响识别的准确率。

因此，如何在提高信号识别效率、降低硬件成本的同时，保证信号识别的准确性，是目前亟需解决的技术问题。

需要说明的是，在上述背景技术部分公开的信息仅用于加强对本公开的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。

发明内容

本公开的目的在于提供一种信号识别方法及装置、电子设备及计算机可读存储介质，进而至少在一定程度上在提高信号识别效率的同时保证信号识别的准确性，以改善上述的一个或多个技术问题。

本公开的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本公开的实践而习得。

根据本公开的第一方面，提供了一种信号识别方法，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。

在本公开的一种示例性实施例中，基于前述方案，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。

在本公开的一种示例性实施例中，基于前述方案，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。

在本公开的一种示例性实施例中，基于前述方案，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。

在本公开的一种示例性实施例中，基于前述方案，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。

在本公开的一种示例性实施例中，基于前述方案，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。