[发明专利]一种基于卷积神经网络的生理信号评分及评价方法

权利要求书

1.一种基于卷积神经网络的生理信号评分方法，其特征在于，包括以下步骤：

步骤1：构建卷积神经网络；卷积神经网络包括4组依次连接的卷积层和评分回归网络；

步骤2：对步骤1构建得到的卷积神经网络进行训练和测试；

步骤3：将需要处理的信号进行标准化处理，输入训练好的卷积神经网络即可得到每段信号的评分结果CNNscore。

2.根据权利要求1所述的一种基于卷积神经网络的生理信号评分方法，其特征在于，所述步骤1中的卷积神经网络：

每组卷积层均由多个卷积块构成，卷积块的个数依次为2、4、4、2，每组卷积层之间通过最大池化层连接；

每个卷积块包括依次串联连接的1维卷积层、归一化层、激活层。

3.根据权利要求2所述的一种基于卷积神经网络的生理信号评分方法，其特征在于，所述评分回归网络包括依次串联连接的平均池化层、全连接层和输出层。

4.根据权利要求2所述的一种基于卷积神经网络的生理信号评分方法，其特征在于，卷积块进行特征计算的方法如下：

feature＝Relu(BatchNorm(Conv(x)))

式中：feature为卷积块输出特征，Relu为函数，BatchNorm(x)为归一化层计算，Conv为卷积操作；

其中：

式中：x为卷积块输入特征，x_std为x的标准差，x_mean为x的平均值；

Relu(x)＝max(x,0)。

5.根据权利要求4所述的一种基于卷积神经网络的生理信号评分方法，其特征在于，所述平均池化层特征计算方法如下：

式中：i为窗长，j为步长；

全连接层特征计算方法如下：

Dense(x)＝w*x,w∈R^1*p,x∈R^p*d

式中：R^1*p为1列p行的矩阵，R^p*d为p行d列的矩阵，w为参数矩阵；

输出层特征计算方法如下：

式中：Sigmoid为函数。

6.根据权利要求1所述的一种基于卷积神经网络的生理信号评分方法，其特征在于，所述卷积神经网络采用的优化函数L1Smooth(x)为：

式中：x为输入特征，x_label为目标值，x_pred为预测值。

7.根据权利要求1所述的一种基于卷积神经网络的生理信号评分方法，其特征在于，所述步骤3中的标准化处理如下：

式中：x_i为输入的信号，y_i为对应变换后的信号，x_mean为x的标准差，x_std为x的平均值。

8.采用如权利要求1～7所述任一种基于卷积神经网络的生理信号得到的评分的信号评价方法，其特征在于，

生理信号包括血氧数据和心率数据；

计算每段血氧数据评分Spo2Score，统计小于a₁、a₂…a_n的数据点数，为lessa₁cout、lessa₂cout…lessa_ncout，计算一阶差分统计绝对值大于等于3的点数diffmore3；

计算得分Spo2Score：

其中，b₁、b₂…b_n、b_n+1为对应的取值；

计算每段心率数据评分HRScore，统计小于c₁和大于c₂的数据点数，记为lessc₁cout、morec₂cout；计算一节差分统计绝对值大于等于3的点数diffmore3；

计算得分HRScore：

其中，d₁、d₂、d₃为对应取值；

计算最终得分Score：

Score＝100×(m₁×CNNScore+m₂×Spo2Score+m₃×HRScore)

式中：m₁、m₂、m₃分别为对应得分的权重值；m₁+m₂+m₃＝1

根据最终得分对生理信号进行评价，评分越接近100则信号质量越好。