[发明专利]时序生理数据分类方法、装置、存储介质和处理器

说明书

本发明公开了一种时序生理数据分类方法、装置、存储介质和处理器。其中方法包括：从数据库中提取多源体征数据，将数据分为训练数据和测试数据并进行预处理；构建深度学习模型DeepPhysioNet，该模型采用编码器‑解码器的神经网络架构，编码器是由基础的特征学习单元、序列残差单元以及表示学习单元组成，能进行强力特征抽取，而解码器利用提取的特征，针对不同目标的分类任务计算分类结果；离线训练阶段，将训练数据输入到模型中进行初步训练，通过测试数据对初步训练完成的模型进行测试，不断重复直至符合预设条件；在线推断阶段将待检测的数据输入到训练好的DeepPhysioNet模型，输出分类结果。本发明具有避免专家偏向、适用于多源时序生理数据、引入注意力机制的优点。

技术领域

本发明涉及数据处理领域，特别涉及一种基于深度学习的时序生理数据分类方法、装置、存储介质和处理器。

背景技术

虽然深度学习技术已经广泛应用在各种智慧医疗的场景中，但是基于时间维度产生的海量时序生理信号数据的挖掘尚处于起步阶段。主要表现在时序生理体征数据存在超长时序依赖，采集设备差异导致的数据量纲不统一，以及通用骨干网络模型的瓶颈。

针对时序生理数据分析在疾病预测方面的分析，医师决策过程是从给定数据中圈出异常部分，睡眠呼吸暂停疾病中的“心电信号突然密集”。目前的研究大多数都将此问题转化为固定时间窗口下的分类问题。如图1(a)所示，在载入原始数据后，将原始数据划分为固定窗口模式，根据切分后的数据进行建模，得到每种类别的概率。具体的，如图1(b)所示，通过固定窗口下的数据切分后，交给分类器去建模，得到每个窗口的分类概率，对应当前窗口下不同疾病的概率。最终通过统计病人的全集合表现，例如睡眠呼吸暂停计算AHI指标来衡量该病人的是否患病极其轻重程度。

现有技术中，对时序生理信号进行处理的方法如图2所示，包含传统特征工程建模与简单的深度学习模型。这类装置的缺点是：

1.通用性较差。针对不同数据集或不同细分任务，即使都属于监督学习中的分类问题，仍需要重新进行特征工程步骤。特征工程不仅耗时，且对不同细分任务都需要较强的领域知识。

2.特征工程与特征选择步骤必不可少。模型决策时起决定作用的是少数重要特征，所以特征选择步骤也是非常重要的一环。

3.泛化能力较弱。此类方法在大数据集任务上通常表现较差，因为手动特征工程一类特征刻画一部分数据分布，很难刻画大数据中的全部内在模式。

因此，需要提供随着数据量的增大，不仅可减少对领域先验知识的要求，模型效果与泛化能力也会相应增强的时序生理数据分类方法、装置。

发明内容

本发明的目的在于克服现有技术的缺点与不足，提供一种时序生理数据分类方法、装置，其具有避免专家偏向、适用于多源时序生理数据、引入注意力机制的优点。

本发明的另一个目的在于提供一种存储介质，其上存储有计算机程序，该程序运行时执行所述时序生理数据分类方法。

本发明的另一个目的在于提供一种处理器，所述处理器用于运行程序，其中，所述程序运行时执行所述时序生理数据分类方法。

本发明的目的通过以下的技术方案实现：时序生理数据分类方法，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；