【技术实现步骤摘要】
本申请涉及人工智能，具体涉及一种信号检测模型的训练方法、信号检测方法以及装置。
技术介绍
1、光电容积脉搏波描记法(photoplethysmographic，ppg)以光源和探测器为基础，测量经过人体血管和组织反射、吸收后的衰减光,记录血管的搏动状态并测量脉搏波。已成为一种低成本和用于连续监测心率和血液流动的非侵入式方式，如健康检测/运动手环和智能手表。异常ppg信号检测属于时间序列异常检测任务，是一个分类任务。由于ppg信号包含大量的噪声，现有的技术无法有效的应用原始ppg信号来检测异常，导致信号检测的准确度较低。
2、也即，现有技术中信号检测的准确度较低。
技术实现思路
1、本申请实施例提供一种信号检测模型的训练方法、信号检测方法以及装置，可以信号检测的准确度。
2、第一方面，本申请提供的信号检测模型的训练方法，包括：
3、获取样本信号、所述样本信号的异常类别标签以及所述样本信号的至少一个辅助指标的辅助指标标签；
4、利用所述信号检测模型对所述样本信号预测，得到所述样本信号的异常类别预测值和所述样本信号的至少一个辅助指标的辅助指标预测值；
5、基于所述样本信号的异常类别预测值和所述样本信号的异常类别标签确定异常损失值；
6、分别基于所述样本信号的各个辅助指标的辅助指标预测值和辅助指标标签确定各个辅助指标的辅助损失值；
7、基于所述异常损失值和各个所述辅助指标的所述辅助损失值确定目标损失值；p>
8、基于所述目标损失值迭代训练所述预设信号检测模型，至所述目标损失值满足预设停止条件。
9、第二方面，本申请提供的信号检测方法，包括：
10、获取需要检测的待检测信号；
11、获取预设信号检测模型；
12、将所述待检测信号输入所述预设信号检测模型，得到所述待检测信号的预测结果。
13、第三方面，本申请提供的信号检测模型的训练装置，包括：
14、获取模块，用于获取样本信号、所述样本信号的异常类别标签以及所述样本信号的至少一个辅助指标的辅助指标标签；
15、预测模块，用于利用所述信号检测模型对所述样本信号预测，得到所述样本信号的异常类别预测值和所述样本信号的至少一个辅助指标的辅助指标预测值；
16、第一确定模块，用于基于所述样本信号的异常类别预测值和所述样本信号的异常类别标签确定异常损失值；
17、第二确定模块，用于基于所述样本信号的各个辅助指标的辅助指标预测值和辅助指标标签确定各个辅助指标的辅助损失值；
18、第三确定模块，用于基于所述异常损失值和各个所述辅助指标的所述辅助损失值确定目标损失值；
19、训练模块，用于基于所述目标损失值迭代训练所述预设信号检测模型，至所述目标损失值满足预设停止条件。
20、第四方面，本申请提供的信号检测装置，包括：
21、信号获取模块，用于获取需要检测的待检测信号；
22、模型获取模块，用于获取预设信号检测模型；
23、预测模块，用于将所述待检测信号输入所述预设信号检测模型，得到所述待检测信号的预测结果。
24、第五方面，本申请提供的电子设备，包括存储器和处理器，存储器存储有计算机程序，处理器用于运行存储器内的计算机程序，实现本申请所提供的信号检测模型的训练方法中的步骤或者信号检测方法中的步骤。
25、第六方面，本申请提供的计算机可读存储介质，存储有多条指令，该指令适于处理器进行加载，实现本申请所提供的信号检测模型的训练方法中的步骤或者信号检测方法中的步骤。
26、第七方面，本申请提供的计算机程序产品，包括计算机程序或指令，该计算机程序或指令被处理器执行时实现本申请所提供的信号检测模型的训练方法中的步骤或者信号检测方法中的步骤。
27、本申请中，相较于相关技术，获取样本信号、样本信号的异常类别标签以及样本信号的至少一个辅助指标的辅助指标标签；利用信号检测模型对样本信号预测，得到样本信号的异常类别预测值和样本信号的至少一个辅助指标的辅助指标预测值；基于样本信号的异常类别预测值和样本信号的异常类别标签确定异常损失值；分别基于样本信号的各个辅助指标的辅助指标预测值和辅助指标标签确定各个辅助指标的辅助损失值；基于异常损失值和各个辅助指标的辅助损失值确定目标损失值；基于目标损失值迭代训练预设信号检测模型，至目标损失值满足预设停止条件。在模型训练时，让信号检测模型预测异常类别的同时，预测样本信号对应的至少一个辅助指标，使模型从样本信号里抽取与噪声无关的通用和关键信息来完成辅助指标的预测，能够提升模型的学习和降噪能力，从而提高信号检测的准确度。
本文档来自技高网...【技术保护点】
1.一种信号检测模型的训练方法，其特征在于，包括：
2.根据权利要求1所述的信号检测模型的训练方法，其特征在于，所述基于所述异常损失值和各个所述辅助指标的所述辅助损失值确定目标损失值，包括：
3.根据权利要求1所述的信号检测模型的训练方法，其特征在于，所述至少一个辅助指标包括心率值指标、年龄指标和性别指标中的至少一个。
4.根据权利要求1所述的信号检测模型的训练方法，其特征在于，所述利用所述信号检测模型对所述样本信号预测，得到所述样本信号的异常类别预测值和所述样本信号的至少一个辅助指标的辅助指标预测值，包括：
5.根据权利要求4所述的信号检测模型的训练方法，其特征在于，所述信号检测模型包括异常分类模块以及至少一个辅助分类模块；所述基于所述样本信号的时域数据和所述样本信号的频域数据对所述样本信号预测，得到所述样本信号的异常类别预测值和所述样本信号的至少一个辅助指标的辅助指标预测值，包括：
6.根据权利要求5所述的信号检测模型的训练方法，其特征在于，所述信号检测模型包括第一交叉注意力模块和第二交叉注意力模块；
7
8.根据权利要求7所述的信号检测模型的训练方法，其特征在于，所述将所述第一输出向量和所述第一频域向量输入所述第一交叉注意力模块，得到第一交叉注意力输出特征，包括：
9.根据权利要求6所述的信号检测模型的训练方法，其特征在于，所述信号检测模型包括第一多层感知器和第二多层感知器；所述基于所述第一交叉注意力输出特征和所述第二交叉注意力输出特征确定所述信号特征，包括：
10.一种信号检测方法，其特征在于，包括：
11.根据权利要求10所述的信号检测方法，其特征在于，包括：所述预设信号检测模型由权利要求1至9任一项所述的信号检测模型的训练方法得到。
12.一种信号检测模型的训练装置，其特征在于，包括：
13.一种信号检测装置，其特征在于，包括：
14.一种电子设备，其特征在于，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器用于运行所述存储器内的计算机程序，以执行权利要求1至9任一项所述的信号检测模型的训练方法中的步骤或者权利要求10至11所述的信号检测方法中的步骤。
15.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有多条指令，所述指令适于处理器进行加载，以执行权利要求1至9任一项所述的信号检测模型的训练方法中的步骤或者权利要求10至11所述的信号检测方法中的步骤。
16.一种计算机程序产品，包括计算机程序或指令，其特征在于，该计算机程序或指令被处理器执行时实现权利要求1至9任一项所述的信号检测模型的训练方法中的步骤或者权利要求10至11所述的信号检测方法中的步骤。
...【技术特征摘要】
1.一种信号检测模型的训练方法，其特征在于，包括：
2.根据权利要求1所述的信号检测模型的训练方法，其特征在于，所述基于所述异常损失值和各个所述辅助指标的所述辅助损失值确定目标损失值，包括：
3.根据权利要求1所述的信号检测模型的训练方法，其特征在于，所述至少一个辅助指标包括心率值指标、年龄指标和性别指标中的至少一个。
4.根据权利要求1所述的信号检测模型的训练方法，其特征在于，所述利用所述信号检测模型对所述样本信号预测，得到所述样本信号的异常类别预测值和所述样本信号的至少一个辅助指标的辅助指标预测值，包括：
5.根据权利要求4所述的信号检测模型的训练方法，其特征在于，所述信号检测模型包括异常分类模块以及至少一个辅助分类模块；所述基于所述样本信号的时域数据和所述样本信号的频域数据对所述样本信号预测，得到所述样本信号的异常类别预测值和所述样本信号的至少一个辅助指标的辅助指标预测值，包括：
6.根据权利要求5所述的信号检测模型的训练方法，其特征在于，所述信号检测模型包括第一交叉注意力模块和第二交叉注意力模块；
7.根据权利要求6所述的信号检测模型的训练方法，其特征在于，所述信号检测模型包括第一预设注意力模块，所述将所述时域映射向量和所述第一频域向量输入所述第一交叉注意力模块，得到第一交叉注意力输出特征，包括：
8.根据权利要求7所述的信号检测模型的训练方法，其特征在于，所述将所述第一输出向量和所述第一频域向...
【专利技术属性】
技术研发人员：边成，李叶磊，曾子敬，
申请(专利权)人：OPPO广东移动通信有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。