[发明专利]基于多任务学习和类激活图反馈的人机不同步识别方法

权利要求书

1.一种基于多任务学习和类激活图反馈的人机不同步识别方法，其特征在于，该方法包括：

用于人机不同步类型识别的深度学习模型训练和多种人机不同步类型的类激活图特征区域限定规则获取步骤：

采集标记的包含多种人机不同步类型和非人机不同步的呼吸信号，所述呼吸信号由一路流速和一路压力数据组成。对每个呼吸信号先进行数据标准化，再通过重采样，将数据集中的所有样本处理成等长的序列；

根据采集的数据所属的类别，构建多组训练标签，以呼吸信号为输入、类别为输出，采用多任务学习的方式训练获得用于人机不同步类型识别的深度学习模型；

通过类激活映射的方式，获得训练好的深度学习模型对每个样本输出结果的可视化解释；同时根据所有样本的类激活图激活域和标准特征区域设定特征区域的限定规则。所述特征区域的限定规则为类激活图激活域的阈值。

根据训练好的深度学习模型和特征区域的限定规则进行人机不同步类型识别步骤：

将原始呼吸信号经过预处理后，输入已训练的深度学习模型里，即可获得当前呼吸信号的人机不同步识别结果；同时通过类激活映射的方式，获得识别结果中识别类型的类激活图；若识别类型的类激活图的激活域满足特征区域的限定规则，则判为相应的人机不同步类型，否则，判为其他类型。

2.根据权利要求1所述的基于多任务学习和类激活图反馈的人机不同步识别方法，其特征在于：以欠采样的方式，通过随机抽取与人机不同步样本数量相当的非人机不同步样本，对数据集进行样本均衡；所有样本进行z-score标准化处理：

其中，x_i是每个独立样本中第i个采样点的信号幅值，L是每个独立样本的信号长度，μ和σ分别是每个独立样本的信号幅值的均值和标准差。

3.根据权利要求2所述的基于多任务学习和类激活图反馈的人机不同步识别方法，其特征在于：每个样本的数据重采样到300长度，使所有样本序列等长。

4.根据权利要求1所述的基于多任务学习和类激活图反馈的人机不同步识别方法，其特征在于：所述多任务学习通过参数硬共享的方式，将不同任务的特征提取能力都固化在一个深度学习模型结构中，所述深度学习模型结构包括多层一维卷积神经网络、特征融合层、全局平均池化层和多个分类头；一维卷积神经网络为双通道并行结构，分别用于提取压力和流速波形特征，最后再采用特征融合层Add将两路特征信息相加经全局平均池化层后利用多个分类头进行分类。

5.根据权利要求1所述的基于多任务学习和类激活图反馈的人机不同步识别方法，其特征在于：所述一维卷积神经网络包含一维卷积层、批归一化层和一维最大池化层。

6.根据权利要求1所述的基于多任务学习和类激活图反馈的人机不同步识别方法，其特征在于：所述深度学习模型训练的结束条件为所述深度学习模型的损失函数收敛或所述深度学习模型的迭代次数达到预设迭代次数。

7.根据权利要求1所述的基于多任务学习和类激活图反馈的人机不同步识别方法，其特征在于：所述训练标签采用独热编码进行构建。