[发明专利]基于持续学习的非线性医疗传感器数据的语义分割方法

权利要求书

1.一种基于持续学习的非线性医疗传感器数据的语义分割方法，其特征在于，所述语义分割方法包括以下步骤：

S1，获取心电图数据集和脑电图数据集，对心电图数据集和脑电图数据集中的心电信号和脑电信号进行预处理，分别生成心电信号样本数据集和脑电信号样本数据集；

S2，基于CNN构建语义分割模型，对语义分割模型进行初始化，设置损失函数和超参数；

S3，将心电信号样本数据集导入语义分割模型进行迭代训练，定位心电信号中各心拍类型的位置和预测各心拍的类型；同时，记录每个心电信号实例对于当前任务的训练难易程度，利用基于重要实例的缓冲区机制，将重要实例存放入缓冲区中；当模型训练完成后，计算每个心电信号实例最后对于当前任务的训练难易程度，计算如下：

s_i,current＝∫₀^τβ_i,current(t)dt (1)

其中，τ是指超参数迭代次数；β_i,current用来衡量第i个心电信号实例x_i,current训练的困难程度，β_i,current最大表示该心电信号实例越容易训练；

训练完成后，利用基于重要实例的缓冲区机制，计算每个心电信号实例的重要性s_i,current，对s_i,current进行从大到小排序，选取前48个作为当前任务对应的第一重要实例存放至缓冲区；同时，保存准确率最高的模型参数和准确率；

S4，将脑电信号样本数据集中导入步骤S3中已经完成心电信号样本训练的语义分割模型，再次进行训练，定位脑电信号中各睡眠状态的位置和预测各睡眠状态的类型；当模型训练完成后，计算每个脑电信号实例最后对于当前任务的训练难易程度，计算如下：

s′_j,current＝∫₀^τβ′_j,current(t)dt

其中，τ是指超参数迭代次数；β′_j,current用来衡量第j个脑电信号实例x′_j,current训练的困难程度，β′_j,current最大表示该脑电信号实例越容易训练；

训练完成后，利用基于重要实例的缓冲区机制，计算每个脑电信号实例的重要性s′_j,current，对s′_j,current进行从大到小排序，选取前48个作为当前任务对应的第二重要实例存放至缓冲区；保存准确率最高的模型参数和准确率；

S5，采用缓冲区存储的第一重要实例和第二重要实例对步骤S4中得到的语义分割模型进行再次训练，保存准确率最高的模型作为最终应用的语义分割模型。

2.根据权利要求1所述的基于持续学习的非线性医疗传感器数据的语义分割方法，其特征在于，步骤S1中，对心电图数据集和脑电图数据集中的心电信号和脑电信号进行预处理的过程包括以下步骤：

S11，采用小波变换对心电信号数据集和脑电信号数据集进行去噪处理；

S12，根据心电信号数据集中提供的标注信息，对每个心拍的位置和类型进行标注，生成心电信号样本数据集；根据脑电信号数据集中提供的标注信息，对每个睡眠状态的片段进行标注，生成脑电信号样本数据集；

S13，对心电信号样本数据集和脑电信号样本数据集分别进行划分，得到相应的训练集和测试集。

3.根据权利要求2所述的基于持续学习的非线性医疗传感器数据的语义分割方法，其特征在于，步骤S12中，根据心电信号数据集中提供的标注信息，对每个心拍的位置和类型进行标注，生成心电信号样本数据集的过程包括以下步骤：

将心拍类型分为正常搏动、室上异位心拍、心室异位心拍、融合心拍以及不可分心拍；

设置一个滑动窗口，基于R峰位置向前取100个采样点和向后取200个采样点进行心拍截取，使每个心拍对应300个采样点；

标注每个心拍对应的类型，得到心电信号样本。