一种边云协同的脑电数据任务调度方法和系统与流程

本技术涉及计算机高性能计算、边缘计算、云计算领域，尤其涉及一种边云协同的脑电数据任务调度方法和系统。

背景技术：

1、脑电图(electroencephalography, eeg) 是一种记录脑电波的电生理监测方法。其主要用于辅助诊断脑部相关疾病，最常用于诊断癫痫，还可以用于诊断睡眠障碍、麻醉深度、昏迷、脑血管疾病和脑死亡。虽然eeg的空间分辨率有限，但它能提供精确至毫秒的时间分辨率，这是mri、ct和pet所不能做到的。因此，脑电图仍然是用于研究和诊断的宝贵工具。eeg是一种复杂的信号，只有使用先进的信号处理方式和特征提取方法才能正确解释。

2、各种各样的任务将受益于更高级别的自动化处理。例如，睡眠评分，通过将几秒钟的窗口划分为睡眠阶段来注释睡眠记录的过程，目前仍需要由训练有素的技术人员花费大量的时间手工完成。通过使用更复杂的自动脑电图处理可以使这个过程更快更灵活。同样，癫痫发作的实时检测或预测对癫痫患者非常有益，但也需要自动化的脑电图处理。

3、在当前大数据时代，每天都会有数以亿计的增量数据产生，尤其是随着脑电数据采集设备的精细化以及对于脑电数据需求的增长，如何存放并合理利用这些数据将是人们面临的一个巨大的挑战。随着云基础设施的不断发展，云服务也逐渐成熟并广泛普及。对于临床环境，实际上相较于购买高性能通用服务器并进行维护，直接向云服务商购买服务为更为合适的选择。同时，云服务能够避免资源闲置，能够最高效地利用计算资源。但是，完全选择计算上云需要大量的网络通信，这一方面会提高计算总成本，另一方面已有的硬件计算资源将会被浪费，并且在需求较高时云计算并不能保证计算的实时性，网络拥塞及计算排队仍然是脑电实时监测需要解决的问题。为此，需要同时利用云端资源及边缘端资源，在尽可能满足识别精度的情况下，实现对于计算资源的最高效利用。

技术实现思路

1、针对现有技术的局限性，即单一使用边缘端计算设备进行低精度计算或单一使用云端计算，我们提出一种边云协同的脑电数据任务调度方法和系统。在边缘端进行脑电数据采集，多用户在边缘端进行低精度计算，并共享云端资源来进行高精度计算，保证计算精度要求的情况下，最大化云端计算资源有效使用率。

2、一方面，本技术提供了一种边云协同的脑电数据任务调度方法，包括如下步骤：

3、边缘端实时采集脑电数据并进行预处理，得到脑电数据帧；

4、基于预设的边缘端人工智能模型，对所述脑电数据帧进行识别，得到边缘端识别结果；

5、基于所述边缘端识别结果执行边缘端调度，判断是否将所述脑电数据帧上传至云端进行高精度识别；以及，

6、若是，所述边缘端将所述脑电数据帧上传至云端；

7、云端获取所述脑电数据帧，执行云端任务调度；

8、根据所述云端任务调度结果，获取待处理脑电数据帧，基于预设的云端人工智能模型对所述待处理脑电数据帧进行识别，得到云端识别结果；

9、其中，所述边缘端人工智能模型和云端人工智能模型均使用多组训练数据训练得到，所述多组数据中的每一组数据均包括脑电数据帧和识别结果信息。

10、优选的，基于所述边缘端识别结果执行边缘端调度，判断是否将所述脑电数据帧上传至云端进行高精度识别包括如下步骤：

11、判断所述边缘端识别结果的精度和置信度是否满足要求；

12、若否，所述边缘端将所述脑电数据帧上传至云端；

13、若是，根据所述边缘端在云端资源分配情况判断是否将所述脑电数据帧上传至云端；若r< ，则所述边缘端将所述脑电数据帧上传至云端；

14、其中r为所述边缘端在云端当前资源分配总数；为公平度，；为云端资源总数；为边缘端总数。

15、优选的，所述云端任务调度采用公平-效率多目标优化调度，包括如下骤：

16、1）先进行公平性优化调度，所述公平性优化调度针对云端的资源采用max-min调度策略进行资源分配；

17、2）然后进行效率优化调度，所述效率优化调度针对云端的（1）资源基于0-1背包策略进行资源分配。

18、优选的，所述基于所述边缘端识别结果执行边缘端调度，判断是否将所述脑电数据帧上传至云端进行高精度识别，还包括如下步骤：

19、在一个心跳周期内，若所述边缘端未执行将脑电数据帧上传至云端进行高精度识别，则所述边缘端向云端执行心跳机制；

20、其中，所述心跳机制包括如下步骤：

21、所述边缘端将心跳周期内所述边缘端识别结果置信度最低的脑电数据帧上传至云端；

22、云端获取所述脑电数据帧，执行云端任务调度；

23、根据所述云端任务调度结果，获取待处理脑电数据帧，基于预设的云端人工智能模型对所述待处理脑电数据帧进行识别，得到云端识别结果。

24、另一方面，本技术提供了一种边云协同的脑电数据任务调度系统，包括：

25、边缘端数据采集及预处理模块，用于实时采集脑电数据并进行预处理，得到脑电数据帧；

26、边缘端计算模块，用于基于预设的边缘端人工智能模型，对脑电数据帧进行识别，得到边缘端识别结果；

27、边缘端调度模块，用于基于所述边缘端识别结果执行边缘端调度，判断是否将所述脑电数据帧上传至云端进行高精度识别；

28、边云通信模块，用于边缘端和云端通信；

29、云端任务调度模块，用于执行云端任务调度；

30、云端计算模块，用于根据所述云端任务调度结果，获取待处理脑电数据帧，基于预设的云端人工智能模型对所述待处理脑电数据帧进行识别，得到云端识别结果；

31、其中，所述边缘端人工智能模型和云端人工智能模型均使用多组训练数据训练得到，所述多组数据中的每一组数据均包括脑电数据帧和识别结果信息。

32、优选的，所述边缘端调度模块还包括心跳模块，用于边缘端向云端执行心跳机制；

33、其中，所述心跳机制包括如下步骤：

34、所述边缘端将心跳周期内所述边缘端识别结果置信度最低的脑电数据帧上传至云端；

35、云端获取所述脑电数据帧，执行云端任务调度；

36、根据所述云端任务调度结果，获取待处理脑电数据帧，基于预设的云端人工智能模型对所述待处理脑电数据帧进行识别，得到云端识别结果。

37、第三方面，本技术还提供一种终端设备，所述终端设备包括：存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的边云协同的脑电数据任务调度方法程序，所述边云协同的脑电数据任务调度方法程序配置为实现上文所述的边云协同的脑电数据任务调度方法的步骤。

38、第四方面，本技术还提供一种存储介质，所述存储介质为计算机介质，所述计算机介质上存储有边云协同的脑电数据任务调度方法程序，所述边云协同的脑电数据任务调度方法程序被处理器执行时实现如上文所述的边云协同的脑电数据任务调度方法的步骤。

39、本技术一种边云协同的脑电数据任务调度方法和系统，支持多边缘端在计算的同时，边缘端可根据其当前在云端资源分配情况进行边云协同优化调度，判断是否将脑电数据帧上传至云端进行高精度识别；云端根据多边缘端在云端当前的资源分配情况，保证各边缘端在云端资源分配的部分公平性前提下，最大化云端资源的利用率，实现云端公平-效率多目标优化调度。