[发明专利]一种房颤评价模型训练方法、房颤评价方法和装置

权利要求书

1.一种房颤评价模型训练方法，其特征在于，所述方法包括如下步骤：

获取包括训练对象的脸部影像，提取所述训练对象脸部的VPPG脉搏信号；

提取所述VPPG脉搏信号的节律变化特征作为训练数据，输入softmax分类器中进行训练得到房颤评价模型。

2.根据权利要求1所述的房颤评价模型训练方法，其特征在于，训练基于循环神经网络的降噪自编码器，用以提取VPPG脉搏信号的节律变化特征。

3.根据权利要求2所述的房颤评价模型训练方法，其特征在于，所述的降噪自编码器采用RNN网络模型构建；

将VPPG脉搏信号分解为T个片段，分别作为降噪自编码器的输入；获取VPPG脉搏信号在t时刻的隐藏状态特征向量h_t作为节律变化特征；

其中，所述隐藏状态特征向量h_t包含了t个时刻脉搏信号片段的基本信息，还包含了与t-1个时刻所对应的信号片段之间的关联信息。

4.根据权利要求3所述的房颤评价模型训练方法，其特征在于，所述的降噪自编码器模型的损失函数表达式如下：

RNN_w，b表示RNN降噪自编码器的映射函数，表示与VPPG脉搏信号反向的PPG脉搏信号，L表示损失函数；N表示训练样本数量；I_vPPG表示输入的VPPG脉搏信号；n表示第n例训练样本。

5.根据权利要求1所述的房颤评价模型训练方法，其特征在于，所述的房颤评价模型训练步骤包括：

将所述的降噪自编码器获取的所有时刻的隐藏层状态特征向量h_t作为softmax分类器的训练数据；

通过全连接神经网络学习每个时刻中所述隐藏层状态特征向量h_t的评分a_t；

对评分a_t进行归一化，并将所述隐藏层状态特征向量按归一化的评分进行加性融合，得到约束下的合成特征向量h_syn；

再将合成特征向量h_syn输入到全连接神经网络中进行房颤分类训练，得到预置的房颤评价模型。

6.根据权利要求5所述的房颤评价模型训练方法，其特征在于，所述softmax分类器的损失函数定义为预测输出与训练标签的交叉熵，其表达式如下：

式中，C_w，b表示分类器的映射函数，l(n)是房颤分类的独热编码标签；N表示训练样本数量，n表示第n例训练样本。

7.一种房颤评价方法，其特征在于，所述方法包括：

获取包括目标对象的脸部影像，提取所述目标对象脸部的VPPG脉搏信号；

提取所述VPPG脉搏信号的节律变化特征，将所述节律变化特征向量输入到如权利要求1-6任意一项所述的房颤评价模型中进行分类，得到对应的评价类别，所述评价类别包括非房颤和房颤。

8.一种房颤评价装置，其特征在于，所述装置包括：

第一提取模块，其用于获取包括目标对象的脸部影像，提取所述目标对象脸部的VPPG脉搏信号；

第二提取模块，其用于提取所述VPPG脉搏信号的节律变化特征；及

被配置为如权利要求1-6任意一项所述的房颤评价模型，其用于接收所述节律变化特征向量，输出与所述节律变化特征向量对应的评价类别，所述评价类别包括非房颤和房颤。

9.一种电子设备，其特征在于，包括处理器、输入设备、输出设备和存储器，所述处理器、输入设备、输出设备和存储器依次连接，所述存储器用于存储计算机程序，所述计算机程序包括程序指令，所述处理器被配置用于调用所述程序指令，执行如权利要求1-7任一项所述的方法。

10.一种可读存储介质，其特征在于，所述存储介质存储有计算机程序，所述计算机程序包括程序指令，所述程序指令当被处理器执行时使所述处理器执行如权利要求1-7任一项所述的方法。