[发明专利]时序生理数据分类方法、装置、存储介质和处理器

权利要求书

1.一种时序生理数据分类方法，其特征在于，包括步骤：

(1)从数据库中提取出多源体征数据，将数据分为训练数据和测试数据，并进行数据的预处理；

(2)构建深度学习模型DeepPhysioNet，所述DeepPhysioNet模型采用编码器-解码器的神经网络架构，编码器的首部是由卷积神经网络构成的基础的特征学习单元，然后通过跳字连接构成序列残差单元以加深网络及避免网络出现梯度退化的问题，最后由表示学习单元引入注意力机制，解码器自动对时序生理数据进行强力的特征抽取，而解码器利用提取到的特征，针对不同目标的分类任务计算分类结果；

DeepPhysioNet模型中基础的特征学习单元包括五层卷积神经网络，其中每层卷积神经网络由两个卷积核大小为3的卷积层、一个线性整流单元和一个最大池化层组成；

DeepPhysioNet模型的序列残差单元由多个序列残差子单元堆叠而成，每个序列残差子单元由两个卷积层堆叠一个线性整流单元组成，通过加入跳字连接用于加深网络；

DeepPhysioNet模型的表示学习单元由多头注意力机制层与前馈神经网络组成，所述多头注意力机制层与前馈神经网络都由一个残差连接链路连接着归一化层；

(3)离线训练阶段，以步骤(1)中的训练数据作为输入，输入到DeepPhysionet模型中进行初步训练，再通过步骤(1)中的测试数据对初步训练完成的模型进行测试，不断重复此过程直至模型符合预设条件为止；

(4)在线推断阶段，将待检测的数据输入到所述DeepPhysioNet模型，输出分类结果。

2.根据权利要求1所述的时序生理数据分类方法，其特征在于，对数据库中的数据进行预处理，首先使用标准差标准化的方法进行归一化，然后通过整数分解进行降采样，把不同采样频率的数据规整到固定尺度。

3.根据权利要求1所述的时序生理数据分类方法，其特征在于，步骤(2)中，DeepPhysioNet模型中的解码器由m个任务类型的Softmax函数层拼接组成，当待处理的数据为单目标多类型的任务时，DeepPhysioNet模型的损失函数如下式所示：

其中i∈m，表示多类型任务的数量；x是输入样本，y是标签，N表示样本数量，n∈N；

当待处理的数据为多目标任务时，损失函数为多个目标任务的加权损失函数，公式如下：

L_sum＝w₁l₁+w₂l₂+...w_il_i

其中，ω₁、ω₂、ω_i表示各目标任务的权重，l₁、l₂、l_i表示各目标任务的损失函数。