一种检测方法、装置、设备及计算机可读存储介质与流程

本申请涉及信号处理领域，涉及但不限于一种检测方法、装置、设备及计算机可读存储介质。

背景技术：

1、随着科学技术的不断发展，医疗领域中监测设备的种类越来越繁多，功能也越来越强大，以多导睡眠监测(polysomnography，psg)举例来说，psg是检查睡眠疾病的有效手段，主要通过夜间连续的呼吸、血氧饱和度、脑电图、心电图、心率等指标进行监测，对受试者的睡眠结构和进程进行记录和评估，是国际公认的睡眠监测金标准。通过psg监测，并由专业医生对数据进行判读，能够定位睡眠问题原因。

2、在实际通过psg进行睡眠监测的时候，是需要在受试者身体的多个部位贴上监测电极，包含脑电、心电、肌电、血氧等传感器，每个传感器连接至少一根导线，总共使用的导线多达几十根。由于佩戴的电极与导线数量较多，如果受试者有起夜、翻身等行为，容易拉扯导线造成电极脱落，从而导致数据采集失败，最终影响睡眠监测质量和效率。

3、在相关技术中，是通过人工查房来查看电极或者导线的佩戴情况，或者是通过摄像头监控电极或者导线的佩戴情况，如此，人工查房会影响受试者的正常睡眠，从而影响检测结果；而通过摄像头监控的时候，捕捉精度较低，而且费时费力。

4、此外，综合考虑发生异常较少的情况，则针对较少异常数据，亟需一种精确、高效的异常检测方法。

技术实现思路

1、有鉴于此，本申请实施例提供一种检测方法、装置、设备及计算机可读存储介质。

2、本申请实施例的技术方案是这样实现的：

3、本申请实施例提供一种检测方法，所述方法包括：

4、获取待检测信号、正特征向量集和训练好的检测模型，其中，所述训练好的检测模型包括训练好的特征提取子模型和训练好的分类子模型，所述正特征向量集是利用所述训练好的特征提取子模型对正样本数据进行特征提取得到的，所述训练好的分类子模型是利用负样本数据对预训练的分类子模型进行训练得到的，所述负样本数据的数量小于所述正样本数据的数量；

5、从所述正特征向量集中确定所述待检测信号对应的第一目标正特征向量；

6、利用所述训练好的特征提取子模型对所述待检测信号进行特征提取，得到待检测特征向量；

7、确定所述第一目标正特征向量和所述待检测特征向量之间的第一相似特征向量；

8、利用所述训练好的分类子模型对所述第一相似特征向量进行预测处理，得到检测结果。

9、本申请实施例提供一种检测装置，所述检测装置包括：

10、第一获取模块，用于获取待检测信号、正特征向量集和训练好的检测模型，其中，所述训练好的检测模型包括训练好的特征提取子模型和训练好的分类子模型，所述正特征向量集是利用所述训练好的特征提取子模型对正样本数据进行特征提取得到的，所述训练好的分类子模型是利用负样本数据对预训练的分类子模型进行训练得到的，所述负样本数据的数量小于所述正样本数据的数量；

11、第一确定模块，用于从所述正特征向量集中确定所述待检测信号对应的第一目标正特征向量；

12、第一特征提取模块，用于利用所述训练好的特征提取子模型对所述待检测信号进行特征提取，得到待检测特征向量；

13、第二确定模块，用于确定所述第一目标正特征向量和所述待检测特征向量之间的第一相似特征向量；

14、第一预测模块，用于利用所述训练好的分类子模型对所述第一相似特征向量进行预测处理，得到检测结果。

15、本申请实施例提供一种检测设备，所述检测设备包括：

16、处理器；以及

17、存储器，用于存储可在所述处理器上运行的计算机程序；

18、其中，所述计算机程序被处理器执行时实现上述检测方法。

19、本申请实施例提供一种计算机可读存储介质，所述计算机存储介质中存储有计算机可执行指令，该计算机可执行指令配置为执行上述检测方法。

20、本申请实施例提供一种检测方法、装置、设备及计算机可读存储介质，该检测方法包括：获取待检测信号、正特征向量集以及训练好的检测模型，其中，训练好的检测模型包括用于特征提取的训练好的特征提取子模型和用于进行预测分类的训练好的分类子模型，该正特征向量集便是利用训练好的特征提取子模型对正样本数据进行特征提取得到的，并且训练好的分类子模型是通过负样本数据对预训练的分类子模型进行训练得到的，该负样本的数量小于正样本数据的数量；接着，从正样本数据集中确定待检测信号对应的第一目标正特征向量；然后，利用训练好的特征提取子模型对待检测信号进行特征提取，得到待检测特征向量；再确定第一目标正特征向量和待检测特征向量之间的第一相似特征向量；最后，利用训练好的分类子模型对第一相似特征向量进行预测处理，得到检测结果。如此，利用训练好的特征提取子模型分别对正样本数据和待检测信号进行特征提取，得到正样本数据集和待检测特征向量，确保两个特征向量保持类型一致；再基于数量较少的负样本数据对预训练的分类子模型进行训练处理，得到能够精准识别异常情况的训练好的分类子模型，其中，该预训练的分类子模型为模型结构确定的分类子模型；最后，确定待检测信号对应的第一目标整理特征向量与待检测特征向量之间的第一相似特征向量，再利用训练好的分类子模型对第一相似特征向量进行预测处理，得到最终反映待检测信号的检测结果，从而提升检测的精确度以及实时性，降低检测成本。

技术特征：

1.一种检测方法，其特征在于，所述方法包括：

2.根据权利要求1中所述的方法，其特征在于，所述方法还包括：

3.根据权利要求2中所述的方法，其特征在于，所述利用所述负特征向量训练所述预训练的分类子模型，得到训练好的分类子模型，包括；

4.根据权利要求3中所述的方法，其特征在于，所述基于所述多个训练特征向量和所述正特征向量集训练所述预训练的分类子模型的参数，得到训练好的分类子模型，包括：

5.根据权利要求4中所述的方法，其特征在于，所述基于所述第二相似特征向量和所述目标标签信息对所述预训练的分类子模型进行反向传播训练，得到训练好的分类子模型，包括：

6.根据权利要求2中所述的方法，其特征在于，所述利用所述训练好的特征提取子模型对所述负样本信息进行特征提取，得到负特征向量，包括：

7.根据权利要求1至6中任一项所述的方法，其特征在于，从所述正特征向量集中确定所述待检测信号对应的第一目标正特征向量，包括：

8.根据权利要求1至6中任一项所述的方法，其特征在于，所述方法还包括：

9.一种检测装置，其特征在于，所述检测装置包括：

10.一种检测设备，其特征在于，所述检测设备包括：

11.一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中存储有计算机可执行指令，该计算机可执行指令配置为执行上述权利要求1至8任一项所述的检测方法。

技术总结
本申请公开一种检测方法、装置、设备及计算机可读存储介质，包括：获取待检测信号、正特征向量集和训练好的检测模型，其中，训练好的检测模型包括训练好的分类子模型，训练好的分类子模型是利用负样本数据对预训练的分类子模型进行训练得到的，负样本数据的数量小于正样本数据的数量；确定第一目标正特征向量；对待检测信号进行特征提取，得到待检测特征向量；确定第一目标正特征向量和待检测特征向量之间的第一相似特征向量；利用训练好的分类子模型对第一相似特征向量进行预测处理，得到检测结果。如此，利用较少的负样本能够训练得到训练好的分类子模型，进而得到训练好的检测模型，从而提升检测准确率，简化检测过程。

技术研发人员：崔丽,谢悦,李家慧,乔丰,许利群
受保护的技术使用者：中移（成都）信息通信科技有限公司
技术研发日：
技术公布日：2024/1/15