疾病识别模型的训练方法、疾病识别方法及装置与流程
本申请属于人工智能,更具体地说,是涉及一种疾病识别模型的训练方法、疾病识别方法及装置。
背景技术:
1、脑电信号作为一种非侵入式、高时间分辨率的神经活动记录手段,在疾病识别中被广泛应用。目前基于脑电信号的疾病识别方式为:借助滤波、小波变换、功率谱分析、熵值计算等手段提取脑电信号中的时域或频域特征,基于传统深度学习模型训练疾病识别模型,以利用该疾病识别模型进行疾病识别。
2、此种方式虽然在一定程度上提升了疾病识别的自动化水平,但在识别准确度方面还有待提升,也即,对于疾病识别用的信息的提取准确度还有待提升。
技术实现思路
1、本申请的目的在于提供一种疾病识别模型的训练方法、疾病识别方法及装置,以提升疾病识别用的信息的提取准确度。
2、本申请实施例的第一方面,提供了一种疾病识别模型的训练方法,包括:
3、获取多个第一脑电信号,每个第一脑电信号均带有标签,每个第一脑电信号均包括同一时序下多个通道的脑电信号以及在时序方向上按照预设滑动窗口划分成多帧第二脑电信号;
4、确定多个第一脑电信号对应的三维标准化互信息矩阵作为训练样本;第一脑电信号对应的三维标准化互信息矩阵由多帧第二脑电信号各自对应的二维标准化互信息矩阵组合得到;
5、至少利用注意力加权重构后的训练样本对基于注意力机制的深度学习模型进行训练,其中,注意力加权重构后的训练样本是通过对每个训练样本中的每帧第二脑电信号进行通道间的注意力加权重构处理得到的。
6、本申请实施例的第二方面,提供了一种疾病识别方法,包括:
7、获取待识别的脑电信号;
8、利用基于本申请任一实施例的疾病识别模型的训练方法训练的疾病识别模型对待识别的脑电信号进行识别,得到疾病识别结果。
9、本申请实施例的第三方面,提供了一种疾病识别模型的训练装置,包括:
10、第一获取模块,用于获取多个第一脑电信号,每个第一脑电信号均带有标签,每个第一脑电信号均包括同一时序下多个通道的脑电信号以及在时序方向上按照预设滑动窗口划分成多帧第二脑电信号;
11、样本确定模块,用于确定多个第一脑电信号对应的三维标准化互信息矩阵作为训练样本;第一脑电信号对应的三维标准化互信息矩阵由多帧第二脑电信号各自对应的二维标准化互信息矩阵组合得到;
12、模型训练模块,用于至少利用注意力加权重构后的训练样本对基于注意力机制的深度学习模型进行训练,其中,注意力加权重构后的训练样本是通过对每个训练样本中的每帧第二脑电信号进行通道间的注意力加权重构处理得到的。
13、本申请实施例的第四方面,提供了一种疾病识别装置,包括:
14、第二获取模块,用于获取待识别的脑电信号;
15、疾病识别模块,用于利用基于本申请任一实施例的疾病识别模型的训练方法训练的疾病识别模型对待识别的脑电信号进行识别,得到疾病识别结果。
16、本申请实施例的第五方面,提供了一种电子设备,包括存储器、处理器以及存储在存储器中并在处理器上运行的计算机程序,处理器执行计算机程序时实现本申请任一实施例的疾病识别模型的训练方法的步骤,或者本申请任一实施例的疾病识别方法的步骤。
17、本申请实施例的第六方面,提供了一种计算机可读存储介质,计算机可读存储介质存储有计算机程序,计算机程序被处理器执行时实现本申请任一实施例的疾病识别模型的训练方法的步骤,或者本申请任一实施例的疾病识别方法的步骤。
18、本申请实施例的第七方面,提供一种计算机程序产品,包括计算机程序或计算机可执行指令,计算机程序或计算机可执行指令被处理器执行时实现本申请任一实施例的疾病识别模型的训练方法的步骤,或者本申请任一实施例的疾病识别方法的步骤。
19、本申请实施例提供的疾病识别模型的训练方法、疾病识别方法及装置至少带来如下效果:
20、一方面,本申请实施例通过三维标准化互信息矩阵对脑电信号的空间特征以及脑电信号各通道之间的功能连接关系进行了更精细的刻画,提高了特征构建的精度。另一方面,本申请实施例利用基于注意力机制的深度学习模型进行疾病识别模型的训练,基于注意力机制的深度学习模型在其本身的时序建模能力的基础上可更加深入地学习训练样本中帧与帧之间脑电信号的相关性,捕捉到更精细的时序特征。再一方面,本申请实施例针对每个训练样本中的每帧脑电信号进行了通道间的注意力加权重构,使得训练样本能够突出疾病发作过程中关键脑区之间的重要的连接关系,提高疾病识别模型对空间特征的判别力。综合以上几方面,本申请实施例通过对训练样本的空间特征和时序特征的有效学习,可以更加精准的捕捉疾病发作过程中关键脑区之间的网络突变模式,提升疾病识别用的信息的提取准确度。
1.一种疾病识别模型的训练方法,其特征在于,包括:
2.如权利要求1所述的疾病识别模型的训练方法,其特征在于,基于注意力机制的深度学习模型为双通道神经网络模型,所述至少利用所述注意力加权重构后的训练样本对基于注意力机制的深度学习模型进行训练的步骤,具体包括:
3.如权利要求1所述的疾病识别模型的训练方法,其特征在于,所述对每个训练样本中的每帧第二脑电信号进行通道间的注意力加权重构处理,包括:
4.如权利要求3所述的疾病识别模型的训练方法,其特征在于,所述利用所述每个训练样本中多帧第二脑电信号各自的通道间的注意力权重计算所述每个训练样本的注意力权重,包括:
5.如权利要求1所述的疾病识别模型的训练方法,其特征在于,所述方法还包括:
6.根据权利要求5所述的疾病识别模型的训练方法,其特征在于,所述预设规则包括:
7.如权利要求5所述的疾病识别模型的训练方法,其特征在于,所述确定第一脑电信号中的多个通道脑电信号各自的标签,具体包括:
8.如权利要求1至7任一项所述的疾病识别模型的训练方法,其特征在于,所述获取多个第一脑电信号的步骤,具体包括:
9.一种疾病识别方法,其特征在于,包括:
10.一种疾病识别模型的训练装置,其特征在于,包括:
11.一种疾病识别装置,其特征在于,包括:
12.一种电子设备,包括存储器、处理器以及存储在所述存储器中并在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至8任一项所述方法的步骤、或者实现如权利要求9所述方法的步骤。
13.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至8任一项所述方法的步骤、或者实现如权利要求9所述方法的步骤。
14.一种计算机程序产品,包括计算机可执行指令或计算机程序,其特征在于,所述计算机可执行指令或计算机程序被处理器执行时实现权利要求1至8任一项所述方法的步骤、或者实现如权利要求9所述方法的步骤。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com