基于残差网络的呼吸模式分类方法、系统、设备和介质

1.本发明涉及生物医学技术领域，特别是涉及一种基于残差网络的呼吸模式分类方法、系统、计算机设备和存储介质。


背景技术：

2.呼吸作为人体最重要的参数之一，往往能够表明人体的生理状态是否正常和健康。呼吸运动是在肺牵引反射和呼吸中枢的作用下，保持呼吸肌有节律性的活动，造成胸廓的扩大或者缩小的运动，其通过吸入氧气、呼出二氧化碳来保持体内含氧量的稳定，这是一种自动的、节律性的运动。通过观察人体不同状态下的呼吸情况，可以察觉人体呼吸异样，提取人体身体生理信息。因此，呼吸研究在睡眠分层、临床监测、心血管系统的反馈调节和很多其他领域都具有十分重大的意义。
3.现有常见呼吸形态的监测方法包括：压力传感器法、电阻抗式呼吸测量法、温度传感器法和呼吸感应体积描记仪法等，但是这些方法都是接触式的监测，它有很大的局限性，对于一些特殊人群，比如，对于一些发烧、有传染病、皮肤病、大面积烧伤的病人，接触式设备将无法穿戴。为了克服接触式呼吸监测的局限性，科研人员也有提出非接触的呼吸形态监测方法，但目前基于超宽带雷达(uwb)技术的非接触式呼吸形态监测分类中不仅手动特征提取需要相关专业知识且劳动强度比较大，而且因临床监测异常呼吸数据较少，影响深度学习效果，导致呼吸分类预测的精准性和稳定性不足，实用性不高；
4.因此，亟需提供一种能够基于uwb技术和深度学习的优势，提高小数据量应用场景的预测精准性和稳定性的非接触式呼吸模式分类方法。


技术实现要素：

5.本发明的目的是提供一种基于残差网络的呼吸模式分类方法，通过对采用uwb技术获取的回波信号转换为可用于深度学习的张量数据后，分成预设批次训练改进的残差网络得到稳定的呼吸分类模型，用以对非接触式呼吸数据进行简单高效的呼吸模式识别，能够有效提高小数据量应用场景的预测精准性和稳定性，提供更加精准有效的呼吸异常监测，进而提升呼吸异常监测的应用价值。
6.为了实现上述目的，有必要针对上述技术问题，提供了一种基于残差网络的呼吸模式分类方法、系统、计算机设备和存储介质。
7.第一方面，本发明实施例提供了一种基于残差网络的呼吸模式分类方法，所述方法包括以下步骤：
8.预设多种呼吸模式，并分别采集各个呼吸模式对应的uwb回波信号；
9.根据各个呼吸模式的uwb回波信号，建立呼吸信号数据集，并将所述呼吸信号数据集按照预设比例划分为训练集和测试集；所述呼吸信号数据集包括各个呼吸模式的uwb回波信号对应的回波张量数据和模式标签；
10.根据所述训练集，对改进的残差网络进行训练，得到呼吸分类模型；
11.将所述测试集输入所述呼吸分类模型进行分类预测，得到呼吸模式识别结果。
12.进一步地，所述呼吸模式包括憋气模式、胸式呼吸模式、腹部呼吸模式和混合呼吸模式；
13.进一步地，所述根据各个呼吸模式的uwb回波信号，建立呼吸信号数据集的步骤包括：
14.将各个uwb回波信号进行数据预处理，得到对应的回波张量数据；
15.将各个回波张量数据添加对应的模式标签，得到所述呼吸信号数据集。
16.进一步地，所述将各个uwb回波信号进行数据预处理，得到对应的回波张量数据的步骤包括：
17.将各个uwb回波信号按照预设间距进行等距分割，得到回波分割数据；
18.将所述回波分割数据进行标准化处理，得到回波标准化数据；
19.将所述回波标准化数据转换为对应的张量数据，并对所述张量数据进行维度扩展，得到所述回波张量数据。
20.进一步地，所述将所述回波分割数据进行标准化处理，得到回波标准化数据的步骤包括：
21.选取所述回波分割数据的实部，得到对应的待标准化数据；
22.对所述待标准化数据进行标准化处理，得到所述回波标准化数据。
23.进一步地，所述改进的残差网络包括依次连接的输入层、4个残差块和输出层；
24.所述输入层包括依次连接的1个二维卷积层、1个归一化层、激活函数和1个最大池化层；
25.所述残差块包括依次连接的第一卷积层块和第二卷积层块；所述第一卷积层块包括依次连接的第一预设数目个不同尺寸的二维卷积层，以及对应的多个归一化层；所述第二卷积层块包括依次连接的第二预设数目个不同尺寸的二维卷积层，以及对应的多个归一化层；
26.所述输出层包括依次连接的1个全局最大池化层、1个展平层和1个线性层。
27.进一步地，所述根据所述训练集，对改进的残差网络进行训练，得到呼吸分类模型的步骤包括：
28.将所述训练集随机分成预设批次，采用adam优化器对改进的残差网络进行反向传播监督训练，得到所述呼吸分类模型。
29.第二方面，本发明实施例提供了一种基于残差网络的呼吸模式分类系统，所述系统包括：
30.数据获取模块，用于预设多种呼吸模式，并分别采集各个呼吸模式对应的uwb回波信号；
31.数据处理模块，用于根据各个呼吸模式的uwb回波信号，建立呼吸信号数据集，并将所述呼吸信号数据集按照预设比例划分为训练集和测试集；所述呼吸信号数据集包括各个呼吸模式的uwb回波信号对应的回波张量数据和模式标签；
32.模型训练模块，用于根据所述训练集，对改进的残差网络进行训练，得到呼吸分类模型；
33.模式识别模块，用于将所述测试集输入所述呼吸分类模型进行分类预测，得到呼
吸模式识别结果。
34.第三方面，本发明实施例还提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述方法的步骤。
35.第四方面，本发明实施例还提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述方法的步骤。
36.上述本技术提供了一种基于残差网络的呼吸模式分类方法、系统、计算机设备及存储介质，通过所述方法，实现了通过对采集的各个预设呼吸模式的uwb回波信号进行相应的数据预处理转换为可用于深度学习的张量数据，建立对应的呼吸信号数据集并按照预设比例划分为训练集和测试集后，根据训练集对改进的残差网络进行训练得到呼吸分类模型，以及将测试集输入呼吸分类模型进行分类预测，得到呼吸模式识别结果的技术方案。与现有技术相比，该基于残差网络的呼吸模式分类方法，能够基于uwb技术和深度学习的优势，对非接触式呼吸模式进行简单高效的预测分类的同时，有效提高小数据量应用场景的预测精准性和稳定性，以提供更加精准有效的呼吸异常监测，进而提升呼吸异常监测的应用价值。
附图说明
37.图1是本发明实施例中基于残差网络的呼吸模式分类的应用场景示意图；
38.图2是本发明实施例中基于残差网络的呼吸模式分类方法的流程示意图；
39.图3是本发明实施例中改进的残差网络的结构示意图；
40.图4是图3中残差块的结构示意图；
41.图5是本发明实施例中改进的残差网络训练得到的呼吸分类模型的结构示意图；
42.图6是图3所示的改进的残差网络训练的损失率和准确率的可视化结果示意图；
43.图7是本发明实施例中基于残差网络的呼吸模式分类系统的结构示意图；
44.图8是本发明实施例中计算机设备的内部结构图。
具体实施方式
45.为了使本技术的目的、技术方案和有益效果更加清楚明白，下面结合附图及实施例，对本发明作进一步详细说明，显然，以下所描述的实施例是本发明实施例的一部分，仅用于说明本发明，但不用来限制本发明的范围。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
46.本发明提供的基于残差网络的呼吸模式分类方法可以应用于如图1所示的终端或服务器上。其中，终端可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备，服务器可以用独立的服务器或者是多个服务器组成的服务器集群来实现。本发明是基于uwb呼吸回波信号展开呼吸模式分类的研究，如服务器或终端可按照本发明的基于残差网络的呼吸模式分类方法采集预设呼吸模式对应uwb回波信号后进行预处理建立对应的呼吸信号数据集，并依此训练改进的残差网络，得到呼吸分类模型，用于对需要识别的uwb回波信号进行呼吸模式预测分类得到对应的呼吸模式识别结果；下述实施例将对本发明的基于残差网络的呼吸模式分类方法进行详细说明。
47.在一个实施例中，如图2所示，提供了一种基于残差网络的呼吸模式分类方法，包括以下步骤：
48.s11、预设多种呼吸模式，并分别采集各个呼吸模式对应的uwb回波信号；其中，超宽带雷达(uwb)是利用电磁波和多普勒原理测量生命体征的技术，具有远检测距离、高灵敏度、技术成熟等优点；本发明是基于超宽带雷达(uwb)非接触式获取回波信号作为呼吸信号进行研究的；
49.呼吸模式可根据实际应用需求进行调整，本实施例优选包括憋气模式、胸式呼吸模式、腹部呼吸模式和混合呼吸模式；对应的，憋气模式可理解为用户处于憋气状态，相应的模式标签可设为0；胸式呼吸模式可理解为用户处于胸部呼吸状态，相应的模式标签可设为1；腹部呼吸模式可理解为用户处于腹部呼吸状态，相应的模式标签可设为2；混合呼吸模式可理解为用户同时处于胸部呼吸和腹部呼吸状态，相应的模式标签可设为3；在实际回波信号采集时，每种预设状态下采集的时长和频率均可根据实际应用需求和采集设备条件进行调整，为了保证后续深度学习网络训练的效果，需要尽可能多的采集uwb信号；需要说明的是，本实施例中采集uwb回波信号的装置以及方式采用现有技术实现即可，对应上文给出的各个模式标签值仅为示例性描述，对保护范围不作具体限制。
50.s12、根据各个呼吸模式的uwb回波信号，建立呼吸信号数据集，并将所述呼吸信号数据集按照预设比例划分为训练集和测试集；所述呼吸信号数据集包括各个呼吸模式的uwb回波信号对应的回波张量数据和模式标签；其中，uwb回波信号(雷达数据)并不能直接终于深度学习网络的学习训练，为了使用深度网络提高分类效率和精准性，本实施例优选对采集的uwb回波信号进行预处理转为对应张量数据，构建进行深度学习的呼吸信号数据集；具体地，所述根据各个呼吸模式的uwb回波信号，建立呼吸信号数据集的步骤包括：
51.将各个uwb回波信号进行数据预处理，得到对应的回波张量数据；其中，所述将各个uwb回波信号进行数据预处理，得到对应的回波张量数据的步骤包括：
52.将各个uwb回波信号按照预设间距进行等距分割，得到回波分割数据；其中，预设间距可在保证呼吸信号数据集的数据满足深度学习需求的基础上，根据实际应用需求进行调整，如设预设间距为10s，即，将采集的每个uwb回波信号在保证数据格式的情况下，按照10s为间距进行等间距分割，得到某种呼吸模式下的若干个回波分割数据，并标注同样的模式标签；
53.将所述回波分割数据进行标准化处理，得到回波标准化数据；其中，标准化处理采用现有标注化处理方法即可，如sklearn库中有专门的数据预处理的函数fit_transform()可实现本实施例的标准化处理；除了对回波分割数据进行标准化处理外，为了提高数据转换处理的效率和保证后续模式分类识别的高效性，本实施例考虑到回波数据是复数形式且回波序列信号的大部分信息保留在实部信息的情况，在标准化处理前，对回波分割数据进行实部提取处理，具体步骤包括：选取所述回波分割数据的实部，得到对应的待标准化数据；对所述待标准化数据进行标准化处理，得到所述回波标准化数据；
54.将所述回波标准化数据转换为对应的张量数据，并对所述张量数据进行维度扩展，得到所述回波张量数据；其中，张量数据可理解为可用于深度学习网络进行处理的张量格式数据，且对得到的张量格式数据的维数进扩展为四维，对应的维度大小可表示为[呼吸信号数据集中回波张量数据的总数，1，每个回波张量数据的长度，1]，具体的维数扩展所用
的数字1本身并没有特殊含义，原则上可以替换为其他数值，本实施例为了在不影响数据处理结果的基础上，尽可能保证数据处理的高效性，优选以数字1进行扩充，得到所需的维数大小；需要说明的是，具体张量数据转换方法参考现有技术实际即可，此处不再赘述；
[0055]
将各个回波张量数据添加对应的模式标签，得到所述呼吸信号数据集；其中，回波张量数据如上所述是由对应的回波信号转换而来的，对应的回波张量数据的模式标签与原有的回波信号对应的模式标签保持一致，并使用pytorch中的dataloader数据加载器将回波张量数据和原有回波信号对应的模式标签连接起来，即可得到所需的呼吸信号数据集。
[0056]
采用上述方法得到呼吸信号数据集后，可对呼叫信号数据集内的回波张量数据进行随机打乱，再按照预设比例将其划分为训练集和测试集；具体地，预设比例原则上可根据实际应用需求进行设置，本实施例考虑到小数据量的模型训练效果，优选将预设比例设为8(训练集):2(测试集)，若实际应用中能够采集的数据量增大，则可根据数据量对预设比例进行调整，此处不作具体限制。
[0057]
s13、根据所述训练集，对改进的残差网络进行训练，得到呼吸分类模型；所述改进的残差网络包括如图3所示，依次连接的输入层、4个残差块和输出层；
[0058]
所述输入层包括依次连接的1个二维卷积层、1个归一化层(batchnorm2d)、激活函数(relu)和1个最大池化层(maxpool2d)；
[0059]
所述残差块如图4所示，包括依次连接的第一卷积层块和第二卷积层块；所述第一卷积层块包括依次连接的第一预设数目个不同尺寸的二维卷积层，以及对应的多个归一化层；所述第二卷积层块包括依次连接的第二预设数目个不同尺寸的二维卷积层，以及对应的多个归一化层；
[0060]
所述输出层包括依次连接的1个全局最大池化层(globalavgpool2d)、1个展平层(flattenlayer)和1个线性层(linear)；上述改进的残差网络结构中每个残差块中二维卷积层的数量和卷积核的尺寸大小都可根据实际应用需求进行优化设置，并经过迭代训练后得到，如图5所示的稳定可直接应用分类预测的呼吸分类模型；需要说明的是，对改进的残差网络的训练原则上可采用训练集数据直接进行训练，但考虑到应用场景小数据量的局限性，本实施例优选地将训练集分割成小批次进行训练，以保证训练结果的可靠性和稳定性；具体地，所述根据所述训练集，对改进的残差网络进行训练，得到呼吸分类模型的步骤包括：
[0061]
将所述训练集随机分成预设批次，采用adam优化器对改进的残差网络进行反向传播监督的可视化训练，并采用pytorch深度学习库进行评估，得到所述呼吸分类模型；其中，预设批次可根据实际训练集的大小确定，如每个批次训练两个数据，将所有训练集划分为对应的多批次训练集，设置学习率为0.0001进行学习训练，并在模型达到预设的收敛条件，如图6所示损失率基本不再减少，准确率不再提升等时，停止迭代，得到稳定的呼吸分类模型；
[0062]
本实施例采用训练所用的改进的残差网络，结构简单，层数较少，更适用于小数据集的学习训练，现有的残差网络大都用于图像处理领域，本实施例将uwb信号转成类似图像的张量形式数据并进行维数扩展，即将序列信号转化成图片进行高效的特征提取分类，在保留原有回波信号信息的基础上，可有效提高呼吸模式分类的精准性和稳定性，能达到比卷积神经网络更好的分类效果。
[0063]
s14、将所述测试集输入所述呼吸分类模型进行分类预测，得到呼吸模式识别结果；其中，测试集的数据输入呼吸分类模型进行分类预测的过程与上述模型训练的过程相同，此处不再赘述。
[0064]
本技术实施例通过通过对采集的各个预设呼吸模式的uwb回波信号进行相应的数据预处理转换为可用于深度学习的张量数据，且依此建立对应的呼吸信号数据集并按照预设比例划分为训练集和测试集后，将训练集分成预设批次训练改进的残差网络得到稳定的呼吸分类模型，用于对呼吸模式进行识别的方法，不仅能够基于uwb技术和深度学习的优势，将uwb信号转化成图片进行高效的特征提取分类，实现对非接触式呼吸模式进行简单高效的预测分类，而且能够在保留原有回波信号信息的基础上，有效提高小数据量应用场景的预测精准性和稳定性，以提供更加精准有效的呼吸异常监测，进而提升呼吸异常监测的应用价值。
[0065]
需要说明的是，虽然上述流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。
[0066]
在一个实施例中，如图7所示，提供了一种基于残差网络的呼吸模式分类系统，所述系统包括：
[0067]
数据获取模块1，用于预设多种呼吸模式，并分别采集各个呼吸模式对应的uwb回波信号；
[0068]
数据处理模块2，用于根据各个呼吸模式的uwb回波信号，建立呼吸信号数据集，并将所述呼吸信号数据集按照预设比例划分为训练集和测试集；所述呼吸信号数据集包括各个呼吸模式的uwb回波信号对应的回波张量数据和模式标签；
[0069]
模型训练模块3，用于根据所述训练集，对改进的残差网络进行训练，得到呼吸分类模型；
[0070]
模式识别模块4，用于将所述测试集输入所述呼吸分类模型进行分类预测，得到呼吸模式识别结果。
[0071]
关于一种基于残差网络的呼吸模式分类系统的具体限定可以参见上文中对于一种基于残差网络的呼吸模式分类方法的限定，在此不再赘述。上述一种基于残差网络的呼吸模式分类系统中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
[0072]
图8示出一个实施例中计算机设备的内部结构图，该计算机设备具体可以是终端或服务器。如图8所示，该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、显示器和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种基于残差网络的呼吸模式分类方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标
等。
[0073]
本领域普通技术人员可以理解，图8中示出的结构，仅仅是与本技术方案相关的部分结构的框图，并不构成对本技术方案所应用于其上的计算机设备的限定，具体的计算设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有同的部件布置。
[0074]
在一个实施例中，提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可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上述方法的步骤。
[0075]
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述方法的步骤。
[0076]
综上，本发明实施例提供的一种基于残差网络的呼吸模式分类方法、系统、计算机设备及存储介质，其基于残差网络的呼吸模式分类方法实现了通过预设多种呼吸模式和采集各个呼吸模式对应的uwb回波信号，并对采集的各个预设呼吸模式的uwb回波信号进行相应的数据预处理转换为可用于深度学习的张量数据，且依此建立对应的呼吸信号数据集并按照预设比例划分为训练集和测试集后，将训练集分成预设批次训练改进的残差网络得到稳定的呼吸分类模型，用于对呼吸模式进行识别的技术方案，该方法不仅能够基于uwb技术和深度学习的优势，将uwb信号转化成图片进行高效的特征提取分类，实现对非接触式呼吸模式进行简单高效的预测分类，而且能够在保留原有回波信号信息的基础上，有效提高小数据量应用场景的预测精准性和稳定性，以提供更加精准有效的呼吸异常监测，进而提升呼吸异常监测的应用价值。
[0077]
本说明书中的各个实施例均采用递进的方式描述，各个实施例直接相同或相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。需要说明的是，上述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
[0078]
以上所述实施例仅表达了本技术的几种优选实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和替换，这些改进和替换也应视为本技术的保护范围。因此，本技术专利的保护范围应以所述权利要求的保护范围为准。