信号识别方法、信号识别装置、电子设备及可读存储介质

技术领域

本公开涉及数据处理技术领域，具体而言，涉及一种信号识别方法、信号识别装置、电子设备及计算机可读存储介质。

背景技术

在现有的基于深度学习的信号识别方法中，以心率信号识别为例，常用的基于深度学习的心率信号识别方法，虽然有着较高的准确率，但网络参数量过大，模型复杂度较高，使得基于深度学习的心率识别算法的计算负荷过大，降低识别效率，且对硬件设备要求较高，会增加硬件设备的成本。而如果降低模型参数量，又会影响识别的准确率。

因此，如何在提高信号识别效率、降低硬件成本的同时，保证信号识别的准确性，是目前亟需解决的技术问题。

需要说明的是，在上述背景技术部分公开的信息仅用于加强对本公开的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。

发明内容

本公开的目的在于提供一种信号识别方法及装置、电子设备及计算机可读存储介质，进而至少在一定程度上在提高信号识别效率的同时保证信号识别的准确性，以改善上述的一个或多个技术问题。

本公开的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本公开的实践而习得。

根据本公开的第一方面，提供了一种信号识别方法，包括：

将待识别信号数据输入到预先训练的轻量化神经网络模型中，得到所述待识别信号数据的特征数据；

将所述待识别信号数据的特征数据输入到预先训练的集成分类器中，得到所述待识别信号数据的分类识别结果。

在本公开的一种示例性实施例中，基于前述方案，所述深度可分离卷积子网络包括深度可分离卷积层、子网络池化层、批量归一化层。

在本公开的一种示例性实施例中，基于前述方案，所述轻量化神经网络模型包括四个深度可分离卷积子网络，各深度可分离卷积子网络的卷积核数目均不相同。

在本公开的一种示例性实施例中，基于前述方案，所述轻量化神经网络模型通过以下步骤训练得到：

获取样本信号数据和所述样本信号数据对应的标签；

利用所述样本信号数据和所述标签对构建的轻量化神经网络分类模型进行有监督学习训练，以得到预先训练的轻量化神经网络分类模型，其中，所述构建的轻量化神经网络分类模型包括输入层、一个或多个深度可分离卷积子网络、全局池化层、全连接层、分类层、输出层；

提取所述预先训练的轻量化神经网络分类模型中的输入层、一个或多个深度可分离卷积子网络、全局池化层，以得到所述预先训练的轻量化神经网络模型。

在本公开的一种示例性实施例中，基于前述方案，所述预先训练的集成分类器通过以下步骤训练得到：

获取所述预先训练的轻量化神经网络模型的全局池化层输出的样本特征数据；

利用所述样本特征数据和所述标签对集成分类器进行有监督学习训练，以得到预先训练的集成分类器。

在本公开的一种示例性实施例中，基于前述方案，所述集成分类器包括以分类回归树模型CART为树模型的极端梯度上升XGBoost分类器。

在本公开的一种示例性实施例中，基于前述方案，所述待识别信号数据包括当前采集的心率信号数据。

根据本公开的第二方面，提供了一种电子设备，包括：

一个或多个处理器；

存储装置，用于存储预先训练的轻量化神经网络模型和预先训练的集成分类器的模型权重，当所述一个或多个处理器对待识别信号数据进行处理时，使得所述一个或多个处理器执行权利要求1所述的方法，以根据所述预先训练的轻量化神经网络模型和预先训练的集成分类器的模型权重得到所述信号数据的分类识别结果。

根据本公开的第三方面，提供了一种信号识别装置，包括：

特征数据提取模块，被配置为将待识别信号数据输入到预先训练的轻量化神经网络模型中，得到所述待识别信号数据的特征数据；

类别识别模块，被配置为将所述待识别信号数据的特征数据输入到预先训练的集成分类器中，得到所述待识别信号数据的分类识别结果；

其中，所述轻量化神经网络模型包括输入层、一个或多个深度可分离卷积子网络、全局池化层。

根据本公开的第四方面，提供了一种计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行时实现如上述实施例中第一方面所述的信号识别方法。

由上述技术方案可知，本公开示例性实施例中的信号识别方法、信号识别装置、电子设备、以及实现所述信号识别方法的计算机可读存储介质备，至少具备以下优点和积极效果：

在本公开的一些实施例所提供的技术方案中，首先，将待识别信号数据输入到预先训练的轻量化神经网络模型中，得到待识别信号数据的特征数据；其次，将待识别信号数据的特征数据输入到预先训练的集成分类器中，得到待识别信号数据的分类识别结果，其中，轻量化神经网络模型包括输入层、一个或多个深度可分离卷积子网络、全局池化层。与现有技术相比，一方面，本公开基于深度可分离卷积子网络构建轻量化神经网络模型，以进行特征提取，减少了特征提取模型的参数量，降低了计算负荷，从而提高了信号识别的效率；另一方面，本公开基于集成分类器对提取到的特征数据进行分类识别，可以提高分类结果的准确性，进而在提高信号识别效率的同时，保证信号识别的准确性；再一方面，本公开基于轻量化神经网络模型减少了模型参数量，降低了计算复杂度，进而可以在配置较低的设备中进行使用，节约了硬件成本。

本公开应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。显而易见地，下面描述中的附图仅仅是本公开的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1示出本公开一示例性实施例中信号识别方法的流程示意图；

图2示出本公开一示例性实施例中得到预先训练的轻量化神经网络模型的方法的流程示意图；

图3示出本公开一示例性实施例中构建的一种轻量化神经网络分类模型的结构示意图；

图4示出本公开一示例性实施例中构建的包括四个深度可分离子网络的轻量化神经网络分类模型的结构示意图；

图5示出本公开一示例性实施例中得到预先训练的集成分类器的方法的流程示意图；

图6示出本公开一示例性实施例中的心率信号识模型的结构示意图；

图7示出本公开一示例性实施例中对当前采集的心率信号数据进行识别的方法的流程对示意图；

图8示出本公开一示例性实施例中心率信号识别装置的结构示意图；

图9示出本公开示例性实施例中计算机存储介质的结构示意图；以及，

图10示出本公开示例性实施例中电子设备的结构示意图。

具体实施方式

现在将参考附图更全面地描述示例实施方式。然而，示例实施方式能够以多种形式实施，且不应被理解为限于在此阐述的范例；相反，提供这些实施方式使得本公开将更加全面和完整，并将示例实施方式的构思全面地传达给本领域的技术人员。所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施方式中。在下面的描述中，提供许多具体细节从而给出对本公开的实施方式的充分理解。然而，本领域技术人员将意识到，可以实践本公开的技术方案而省略所述特定细节中的一个或更多，或者可以采用其它的方法、组元、装置、步骤等。在其它情况下，不详细示出或描述公知技术方案以避免喧宾夺主而使得本公开的各方面变得模糊。

本说明书中使用用语“一个”、“一”、“该”和“所述”用以表示存在一个或多个要素/组成部分/等；用语“包括”和“具有”用以表示开放式的包括在内的意思并且是指除了列出的要素/组成部分/等之外还可存在另外的要素/组成部分/等。

此外，附图仅为本公开的示意性图解，并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体，不一定必须与物理或逻辑上独立的实体相对应。

相关的信号识别技术中，以基于深度学习的心率信号分类识别为例，深度学习算法在进行心率识别时，虽然具有较高的准确率，但由于网络的参数量过大，模型复杂度较高，使得基于深度学习的心率识别算法的计算负荷过大，降低了识别效率，如果要保证识别效率，则需要提高硬件设备的配置，进而会增加硬件成本，而如果降低模型参数量，则又会影响模型的识别准确性。

在本公开的实施例中，首先提供了一种信号识别方法，至少在一定程度上克服上述相关技术中存在的缺陷。

图1示出本公开一示例性实施例中信号识别方法的流程示意图。参考图1，该方法包括：

步骤S110，将待识别信号数据输入到预先训练的轻量化神经网络模型中，得到待识别信号数据的特征数据；

步骤S120，将待识别信号数据的特征数据输入到预先训练的集成分类器中，得到待识别信号数据的分类识别结果。

在图1所示实施例所提供的技术方案中，首先，将待识别信号数据输入到预先训练的轻量化神经网络模型中，得到待识别信号数据的特征数据；其次，将待识别信号数据的特征数据输入到预先训练的集成分类器中，得到待识别信号数据的分类识别结果，其中，轻量化神经网络模型包括输入层、一个或多个深度可分离卷积子网络、全局池化层。与现有技术相比，一方面，本公开基于深度可分离卷积子网络构建轻量化神经网络模型，以进行特征提取，减少了特征提取模型的参数量，降低了计算负荷，从而提高了信号识别的效率；另一方面，本公开基于集成分类器对提取到的特征数据进行分类识别，可以提高分类结果的准确性，进而在提高信号识别效率的同时，保证信号识别的准确性；再一方面，本公开基于轻量化神经网络模型减少了模型参数量，降低了计算复杂度，进而可以在配置较低的设备中进行使用，节约了硬件成本。

以下对图1所示实施例中各个步骤的具体实施方式进行详细阐述：

在步骤S110中，将待识别信号数据输入到预先训练的轻量化神经网络模型中，得到待识别信号数据的特征数据。

其中，待识别信号数据包括一维的序列数据，例如，一维的心率信号序列数据。其中，心率信号数据可以是当前采集的心率信号数据，具体的，可以对电子设备或终端实时采集的心率信号数据进行分类识别。

在示例性的实施方式中，轻量化神经网络模型包括输入层、一个或多个深度可分离卷积子网络、全局池化层。

具体的，轻量化神经网络模型中可以包括四个深度可分离卷积子网络，各深度可分离卷积子网络的卷积核数目均不相同。其中，各深度可分离卷积子网络可以包括深度可分离卷积层、子网络池化层、批量归一化层。

在示例性的实施方式中，可以对轻量化神经网络分类模型进行训练，以得到上述的预先训练的轻量化神经网络模型。示例性的，图2示出本公开一示例性实施例中得到预先训练的轻量化神经网络模型的方法的流程示意图。参考图2，该方法可以包括步骤S210-步骤S230。

在步骤S210中，获取样本信号数据和样本信号数据对应的标签。

其中，样本信号数据可以包括已经得到的信号数据，样本信号数据对应的标签可以包括已经得到的信号数据所对应的实际类别。

在示例性的实施方式中，可以在开源的数据集中获取样本信号数据和样本信号数据对应的标签。

以心率信号数据为例，可以在Physionet challenge 2017年公开的心率识别的数据集中获取样本心率信号数据和样本心率信号数据对应的标签。具体的，Physionet数据集已经包含了心率信号数据的训练样本和标签，该数据集中包含了8528个ECG(心电图)信号，其中7528个作为训练集，1000个作为测试集，心率信号数据的标签为4种，分别为正常、房颤、其他异常节律、噪声。

在另一种示例性实施方式中，当待识别信号数据没有对应的开源数据集时，则可以进行人工标注。具体的，可以在已经得到的信号数据中随机选取一定数量的信号数据作为样本信号数据，然后标注各样本信号数据所对应的类别，以生成样本信号数据和样本信号数据所对应的标签。其中，随机选取的数量可以进行自定义。

一般而言，样本信号数据的数量越多，模型的训练结果越准确。但同时训练时间会越长，所以用户可以根据自己的需求确定合适的对样本信号数据的数量。例如1000个。

以心率信号数据为例，可以从已有的心率信号数据中随机选取一定数量的心率信号数据作为样本心率信号数据，人工标注各样本心率信号数据所对应的实际类别，以生成样本心率信号数据和样本心率信号数据所对应的标签。其中，已有的心率信号数据可以是已经根据一定的采集频率采集的一段时间内的心率数据的一维序列。

接下来，在步骤S220中，利用样本信号数据和标签对构建的轻量化神经网络分类模型进行有监督学习训练，以得到预先训练的轻量化神经网络分类模型。

在示例性的实施方式中，构建的轻量化神经网络分类模型可以包括输入层、一个或多个深度可分离卷积子网络、全局池化层、全连接层、分类层、输出层。其中，全局池化层可以包括全局平均池化层或全局最大池化层，例如，图3示出了包括输入层31、深度可分离卷积子网络32、全局池化层33、全连接层34、分类层35、输出层36的轻量化神经网络分类模型的结构示意图。

具体的，轻量化神经网络分类模型中的深度可分离卷积子网络包括深度可分离卷积层、子网络池化层、批量归一化层。其中，子网络池化层可以为最大值池化层，也可以为均值池化层，本示例性实施方式对此不做特殊限定。

进一步的，构建的轻量化神经网络模型中可以包括四个深度可分离卷积子网络，其中，各深度可分离卷积子网络的卷积核数目均不相同。

示例性的，图4示出了本公开一示例性实施例中构建的包括四个深度可分离子网络的轻量化神经网络分类模型的结构示意图。

在图4中，包括第一深度可分离卷积子网络41、第二深度可分离卷积子网络42、第三深度可分离卷积子网络43、第三深度可分离卷积子网络44。其中，各深度可分离卷积子网络中的子网络池化层为最大值池化层MaxPooling1D(3)。而在图4中，全局池化层为全局平均池化层GlobalAveragePooling1D。各深度可分离卷积层SeparableConv1D后面的括号中的数字代表的是该深度可分离卷积层的卷积核的数目，例如，深度可分离卷积层SeparableConv1D(32)中的数字32表示该深度可分离卷积层的卷积核数目为32。最大值池化层MaxPooling1D后面的括号中的数字表示最大池化的窗口的大小，例如，最大值池化层MaxPooling1D(3)中的数字3表示最大池化的窗口大小为3。全连接层Dense后面的括号中的数字表示全连接层的节点的数量，例如，全连接层Dense(128)表示该全连接层的节点的数量为128，其可以将全局平均池化层GlobalAveragePooling1D的输出值映射为一个大小为128的向量。

构建好轻量化神经网络分类模型后，可以利用获取的样本信号数据和样本信号数据所对应的标签对构建的轻量化神经网络分类模型进行训练。

以对心率信号数据进行识别分类为例，可以利用获取的开源数据集Physionetchallenge 2017中的心率信号数据的训练样本和标签对构建的轻量化神经网络分类模型进行有监督学习训练。

如前所述，Physionet数据集中包含了8528个ECG(心电图)信号，其中7528个作为训练集，1000个作为测试集，心率信号数据的标签类别为4种，分别为正常、房颤、其他异常节律、噪声。则轻量化神经网络分类模型中的分类层softmax的节点数为4，在训练的过程中，分类层softmax可以将全连接层Dense(64)输出的特征数据映射为输入的心率数据分别属于正常、房颤、其他异常节律、噪声这4个类别的概率，然后输出层output可以选择概率最大的类别作为输入的心率数据的预测类别。

示例性的，在对轻量化神经网络分类模型进行训练之前，可以先对Physionet数据集中的心率信号数据进行预处理。具体的，Physionet数据集中的各心率数据的长度区间为[2000，18000]，预处理的目的就是将各心率数据的长度处理为同一种数据长度。

例如，可以通过对长度不足18000的数据末尾补0的方式，将Physionet数据集中的所有心率数据的长度统一为18000。当然，也可以将心率信号数据预处理为其他的相同长度，本示例性实施方式对此不做特殊限定。

数据预处理完成后，可以将训练集中经过预处理后的7528个样本心率数据输入到如图4所示的轻量化神经网络分类模型中，对其进行有监督学习训练。具体的，根据交叉熵损失函数计算每次迭代训练的损失，并通过反向传播算法更新网络的权重，直到达到预设的迭代次数，则训练结束，得到预先训练的神经网络分类模型。

其中，交叉熵损失函数的如公式(1)所示：

公式(1)中，y表示轻量化神经网络分类模型的预测值，即预测的输入的样本心率数据的类别，a为轻量化神经网络模型的实际输出值，即输入的样本心率数据的标签类别，n为训练样本的数量。

图4中的深度可分离卷积层将传统的卷积过程进行分解，将其划分为深度卷积和逐点卷积，深度卷积是基于通道的卷积运算，每个卷积核对应一个输入通道，而逐点卷积则是采用1x1卷积核将各输入通道进行合并。

上述的Physionet数据集中的每个样本心率数据是一维的序列数据，其对应的通道数为1。因此，在第一深度可分离卷积子网络41的深度可分离卷积层SeparableConv1D(32)中，先进行单通道的深度卷积运算，再进行逐点卷积，由于输入通道数是1，因此，逐点卷积前后的特征数据完全相同。

而在深度可分离卷积层SeparableConv1D(32)、深度可分离卷积层SeparableConv1D(64)、深度可分离卷积层SeparableConv1D(128)、深度可分离卷积层SeparableConv1D(256)中，先进行基于通道的深度卷积运算，每个卷积核对应一个输入通道，再采用1x1卷积核进行逐点卷积将各输入通道的特征值进行合并。其中，深度可分离卷积层SeparableConv1D(64)的输入通道数为第一深度可分离卷积子网络41的最大池化层的输出通道数。以此类推，后面的深度可分离卷积层的输入通道数为上一的可分离卷积子网络的最大池化层的输出通道数。

深度可分离卷积通过改变卷积计算方式，在不影响特征提取效果的情况下，减少了网络模型的计算量和参数量，因此，通过使用深度可分离卷积层可以生成轻量化的神经网络。表1展示了使用传统卷积和使用深度可分离卷积构建信号数据分类模型时的网络参数量的对比。

从表1中的网络参数量的对比可以知道，传统卷积的总参数量是深度可分离卷积的总参数量的2.96倍。而在本示例性实施例中，由于使用了深度可分离卷积层，因此可以极大的降低构建的轻量化神经网络分类模型的参数量，进而降低模型的计算复杂度，以及节约模型对设备资源内存的占用空间。

表1

训练得到轻量化神经网络分类模型后，在步骤S230中，提取预先训练的轻量化神经网络分类模型中的输入层、一个或多个深度可分离卷积子网络、全局池化层，以得到预先训练的轻量化神经网络模型。

以图4为例，对图4所示的轻量化神经网络分类模型训练完成后，可以提取图4中的输入层、第一深度可分离卷积子网络41、第二深度可分离卷积子网络42、第三深度可分离卷积子网络43、第四深度可分离卷积子网络44，以及全局平均池化层GlobalAveragePooling1D，从而得到预先训练的轻量化神经网络模型。该预先训练的轻量化神经网络模型可以用于提取输入的信号数据的特征数据。

需要说明的是，由于预先训练的轻量化神经网络模型的作用是提取输入的信号数据的特征数据。因此，在得到预先训练的轻量化神经网络分类模型后，可以将其任何一个全连接层的输出数据作为提取的特征数据。

即，对图4中的网络模型训练完成后，还可以提取图4中的输入层、第一深度可分离卷积子网络41、第二深度可分离卷积子网络42、第三深度可分离卷积子网络43、第四深度可分离卷积子网络44、全局平均池化层GlobalAveragePooling1D、以及全连接层Dense(128)，以得到预先训练的轻量化神经网络模型，或者删除图4中的分类层softmax和输出层，以得到预先训练的轻量化神经网络模型，本示例性实施方式对此不做特殊限定。

通过上述的步骤S210-步骤S230，可以得到预先训练的轻量化神经网络模型。将当前采集的待识别信号数据输入到预先训练的轻量化神经网络模型中，以得到当前采集的待识别信号数据的特征数据。其中，对待识别信号数据进行采集时，为了保证模型的特征提取的效果，采集频率和获得的待识别信号数据的长度应当与训练数据集中的采集频率和预处理后的数据长度保持一致。

例如，可以根据图4得到的预先训练的神经网络模型，对当前采集的心率信号数据进行特征提取，以得到当前采集的心率信号数据的特征数据。由于上述的Physionet数据集中的心率信号数据的采集频率是300HZ，经预处理后的心率信号训练数据长度是18000。在对当前心率信号数据进行采集时，应当以300HZ的采集频率得到长度为18000的一维心率信号数据序列。

得到待识别信号数据的特征数据后，在步骤S120中，将待识别信号数据的特征数据输入到预先训练的集成分类器中，得到待识别信号数据的分类识别结果。

在示例性的实施方式中，待识别信号的特征数据可以包括从上述的全局池化层输出的特征数据，例如，训练后的图4中的模型中的全局平均池化层GlobalAveragePooling1D输出的待识别心率信号数据的特征数据。

在将待识别信号数据的特征数据输入到预先训练的集成分类器中，可以先根据样本特征数据对集成分类器进行训练，以得到预先训练的集成分类器。图5示出本公开一示例性实施例中，得到预先训练的基础分类器的方法的流程示意图。参考图5，该方法可以包括步骤S510-步骤S520。

在步骤S510中，获取预先训练的轻量化神经网络模型的全局池化层输出的样本特征数据。

在示例性的实施方式中，步骤S510中的预先训练的轻量化神经网络模型可以包括上述的步骤S230中得到的预先训练的轻量化神经网络模型。例如，上述的对图4所示的轻量化神经网络分类模型训练完成后，提取图4中的输入层、第一深度可分离卷积子网络41、第二深度可分离卷积子网络42、第三深度可分离卷积子网络43、第四深度可分离卷积子网络44，以及全局平均池化层GlobalAveragePooling1D，所得到的预先训练的轻量化神经网络模型。

举例而言，在利用样本心率信号数据对上述的对图4所示的轻量化神经网络分类模型训练完成，得到预先训练的轻量化神经网络模型后，可以获取该轻量化神经网络模型的全局平均池化层输出的样本心率信号数据的特征数据。

接下来，在步骤S520中，利用样本特征数据和标签对集成分类器进行有监督学习训练，以得到预先训练的集成分类器。

在示例性的实施方式中，集成分类器包括以分类回归树模型CART为树模型的极端梯度上升XGBoost分类器。其中，XGBoost的全称为eXtreme Gradient Boosting，即极端梯度上升。当然，也可以是其他的集成分类器，例如选择随机森林或GDBT(Gradient BoostDecision Tree，梯度下降树)等，本示例性实施方式对此不做特殊限定。

以集成分类器XGBoost为例，XGBoost可以将多个树模型结合在一起，形成一个强分类器，其所用到的树模型是上述的CART(Classification And Regression Tree)分类回归树模型。

其中，XGBoost分类器可以表示为如下的公式(2)：

公式(2)中，K为树的总个数，f

在示例性的实施方式中，树的个数K可以根据训练数据量、树的深度、叶子结点数等超参数，采用随机网格算法来确定。

XGBoost分类器训练时的损失函数可以表示为如下的公式(3)：

公式(3)中，y

XGBoost的思想是不断地添加树模型，每添加一棵树，其实就是学习一个新函数，去拟合上次预测的残差。具体的，其以上述的CART树为基分类器，将模型上次(由k-1棵树组合成的模型)预测产生的误差作为参考进行下一棵树(第k棵树)的建立。以此，每添加一棵树，将其损失函数不断降低。

示例性的，在对XGBoost分类器进行训练时，可以将迭代模型booster配置为基于树的模型，每棵树模型对应的类别数目配置为4，将上述的全局平均池化层输出的样本心率信号数据的特征数据作为XGBoost分类器的训练数据，而每个特征数据的标签对应的就是输入的心率信号数据的标签，即Physionet数据集中的各心率信号数据的标签。

得到Physionet数据集中的各心率信号数据的特征数据和各心率信号数据对应的标签后，将其输入到XGBoost分类器中，根据预设的迭代次数，对XGBoost分类器进行有监督学习训练。在训练的过程中，根据标签对应的真实值，以减少预测值和真实值之间的误差为目标，不断的调整模型权重，直到达到预设的迭代次数，训练结束。其中，预设的迭代次数可以根据实际情况进行自定义设置，例如30次，50次，300次，500次等。

进一步的，XGBoost分类器训练完成后，为了保证预测结果的准确性，可以利用测试集对训练得到的轻量化神经网络模型和XGBoost分类器进行模型验证。

举例而言，可以利用上述的Physionet数据集中的1000个测试样本进行模型验证。具体的，可以将各心率信号数据测试样本输入到训练得到的轻量化神经网络模型中，得到各测试样本对应的特征数据，然后将该特征数据输入到XGBoost分类器中，得到输入的测试心率信号数据的预测类别，将各测试样本的预测类别和对应的标签中的真实类别进行对比，得到训练得到的模型在测试集上的心率信号识别准确率，进而可以验证模型的识别性能。

如果识别准确率达到预设阈值，则认为该模型有效，此次训练结果即为最终的模型；如果识别准确率小于预设阈值，则需要对模型进行重新训练，具体的，可以调整携迭代次数，对模型进行重新训练，直到在测试集上的识别准确率达到预设阈值为止，则可以确定最终的模型。

通过上述的步骤S510-步骤S520，可以得到预先训练的集成分类器，然后，根据该集成分类器进行分类结果的确定。由于集成分类器可以将多个分类器的结果进行综合，因此，其会提高分类识别的准确性。

训练得到集成分类器后，当要预测待识别信号数据的类别，其实就是将待识别信号数据的特征数据输入到XGBoost分类器中，该特征数据在每棵树模型中都会落到对应的叶子节点，每个叶子节点对应一个类别分数，然后，只需要将每棵树对应的分数加起来就是该输入数据在每个类别中对应的预测分数。最后，可以确定预测分数之和最大的类别为待识别信号数据对应的类别。

在本示例性实施方式中，通过深度可分离卷积层构建轻量化神经网络模型以提取待识别信号数据的特征数据，可以降低特征提取模型的网络参数量，从而降低计算复杂度以及降低对硬件设备的配置要求，进而可以将模型移植到一些硬件配置较低的设备中，例如具有处理器的可穿戴式电子设备，比如智能手表中。同时，通过集成分类器对提取的特征数据进行分类，可以保证分类的准确性。

因此，本示例性实施例提高的信号识别方法，可以在减少网络参数量，节约模型对内存资源的占用空间，降低计算复杂度，提高计算效率的同时，保证信号识别的准确性。

进一步的，以心率信号数据识别为例，可以根据训练得到的轻量化神经网络模型和XGBoost确定最终的轻量化心率信号识别模型。具体的，如图6所示，最终确定的轻量化心率信号识别模型可以包括心率信号输入层61、包含深度可分离卷积层的深度可分离卷积子网络62、全局平均池化层63、XGBoost分类器64、输出层65。其中，深度可分离卷积子网络62可以包括上述的图4中的第一深度可分离卷积子网络41、第二深度可分离卷积子网络42、第三深度可分离卷积子网络43、第四深度可分离卷积子网络44。

可以利用图6所示的心率信号识别模型对输入的心率数据直接进行分类识别，并根据XGBoost输出的分数确定最终的心率信号类别。

图7示出本公开一示例性实施例中对当前采集的心率信号数据进行识别的方法的流程示意图。该方法可以包括步骤S701-步骤S711。

具体的，在服务器端71中可以通过步骤S701-步骤S706完成对心率信号识别模型的训练以及评估，如利用Physionet数据集分别根据步骤S210-步骤S230以及步骤S510-步骤S520所示的方法对图4中所示的分类模型以及XGBoost集成分类器机进行训练以及模型有效性验证。

有效性验证通过后，可以得到结构如图6所示的心率信号识别模型，在步骤S707中，可以在服务器端71中导出训练得到的心率信号识别模型的权重。然后，在步骤S708中，将导出的心率信号识别模型权重导入到硬件设备72中，以实现模型的移植。

进一步的，模型移植完成后，在步骤S709-步骤S711中，硬件设备72可以根据导入的模型权重对其当前采集的心率信号数据进行分类识别。

其中，硬件设备72可以包括可穿戴式电子设备、智能手机、便携式计算机等。硬件设备72可以自己采集心率信号数据并进行识别，也可以对其他设备传输的心率信号数据进行识别。

本领域技术人员可以理解实现上述实施方式的全部或部分步骤被实现为由CPU执行的计算机程序。在该计算机程序被CPU执行时，执行本发明提供的上述方法所限定的上述功能。所述的程序可以存储于一种计算机可读存储介质中，该存储介质可以是只读存储器，磁盘或光盘等。

此外，需要注意的是，上述附图仅是根据本发明示例性实施方式的方法所包括的处理的示意性说明，而不是限制目的。易于理解，上述附图所示的处理并不表明或限制这些处理的时间顺序。另外，也易于理解，这些处理可以是例如在多个模块中同步或异步执行的。

图8示出本公开示例性实施例中心率信号识别装置的结构示意图。参考图8，该装置800可以包括特征数据提取模块810，类别识别模块820。其中：

上述的特征数据提取模块810，被配置为将待识别信号数据输入到预先训练的轻量化神经网络模型中，得到所述待识别信号数据的特征数据

上述的类别识别模块820，被配置为将所述待识别信号数据的特征数据输入到预先训练的集成分类器中，得到所述待识别信号数据的分类识别结果。

在本公开的一种示例性实施例中，基于前述实施例，上述的特征数据提取模块810中的轻量化神经网络模型可以通过以下方式确定：

获取样本信号数据和样本信号数据对应的标签；

利用样本信号数据和标签对构建的轻量化神经网络分类模型进行有监督学习训练，以得到预先训练的轻量化神经网络分类模型，其中，构建的轻量化神经网络分类模型包括输入层、一个或多个深度可分离卷积子网络、全局池化层、全连接层、分类层、输出层；

提取预先训练的轻量化神经网络分类模型中的输入层、一个或多个深度可分离卷积子网络、全局池化层，以得到预先训练的轻量化神经网络模型。

在本公开的一种示例性实施例中，基于前述实施例，上述的深度可分离卷积子网络包括深度可分离卷积层、子网络池化层、批量归一化层。

在本公开的一种示例性实施例中，基于前述实施例，轻量化神经网络模型包括四个深度可分离卷积子网络，各深度可分离卷积子网络的卷积核数目均不相同。

在本公开的一种示例性实施例中，基于前述实施例，上述的类别识别模块820中的集成分类器可以通过以下方式确定：

获取所述预先训练的轻量化神经网络模型的全局池化层输出的样本特征数据；

利用所述样本特征数据和所述标签对集成分类器进行有监督学习训练，以得到预先训练的集成分类器。

在本公开的一种示例性实施例中，基于前述实施例，上述的类别识别模块820中的集成分类器包括以分类回归树模型CART为树模型的极端梯度上升XGBoost分类器。

上述心率信号识别装置中各单元的具体细节已经在对应的心率信号识别方法中进行了详细的描述，因此此处不再赘述。

应当注意，尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元，但是这种划分并非强制性的。实际上，根据本公开的实施方式，上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之，上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。

此外，尽管在附图中以特定顺序描述了本公开中方法的各个步骤，但是，这并非要求或者暗示必须按照该特定顺序来执行这些步骤，或是必须执行全部所示的步骤才能实现期望的结果。附加的或备选的，可以省略某些步骤，将多个步骤合并为一个步骤执行，以及/或者将一个步骤分解为多个步骤执行等。

通过以上的实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本公开实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、移动终端、或者网络设备等)执行根据本公开实施方式的方法。

在本公开示例性实施方式中，还提供了一种能够实现上述方法的计算机存储介质。其上存储有能够实现本说明书上述方法的程序产品。在一些可能的实施例中，本公开的各个方面还可以实现为一种程序产品的形式，其包括程序代码，当所述程序产品在终端设备上运行时，所述程序代码用于使所述终端设备执行本说明书上述“示例性方法”部分中描述的根据本公开各种示例性实施方式的步骤。

参考图9所示，描述了根据本公开的实施方式的用于实现上述方法的程序产品900，其可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码，并可以在终端设备，例如个人电脑上运行。然而，本公开的程序产品不限于此，在本文件中，可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。

所述程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。

计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了可读程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。可读信号介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。

可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、有线、光缆、RF等等，或者上述的任意合适的组合。

可以以一种或多种程序设计语言的任意组合来编写用于执行本公开操作的程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、C++等，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。

此外，在本公开的示例性实施例中，还提供了一种能够实现上述方法的电子设备。

所属技术领域的技术人员能够理解，本公开的各个方面可以实现为系统、方法或程序产品。因此，本公开的各个方面可以具体实现为以下形式，即：完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等)，或硬件和软件方面结合的实施方式，这里可以统称为“电路”、“模块”或“系统”。

下面参照图10来描述根据本公开的这种实施方式的电子设备1000。图10显示的电子设备1000仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。

如图10所示，电子设备1000以通用计算设备的形式表现。电子设备1000的组件可以包括但不限于：上述至少一个处理单元1010、上述至少一个存储单元1020、连接不同系统组件(包括存储单元1020和处理单元1010)的总线1030以及显示单元1040。

其中，所述存储单元存储有上述的预先训练的轻量化神经网络模型和预先训练的集成分类器的模型权重，当所述处理单元1010对待识别信号数据进行处理时，使得所述处理单元1010执行如图1所示的各个步骤，以根据预先训练的轻量化神经网络模型和预先训练的集成分类器的模型权重，得到信号数据的分类识别结果。

显示单元1040可以显示待识别信号数据的分类识别结果。

存储单元1020可以包括易失性存储单元形式的可读介质，例如随机存取存储单元(RAM)10201和/或高速缓存存储单元10202，还可以进一步包括只读存储单元(ROM)10203。

存储单元1020还可以包括具有一组(至少一个)程序模块10205的程序/实用工具10204，这样的程序模块10205包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。

总线1030可以为表示几类总线结构中的一种或多种，包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。

电子设备1000也可以与一个或多个外部设备1100(例如键盘、指向设备、蓝牙设备等)通信，还可与一个或者多个使得用户能与该电子设备1000交互的设备通信，和/或与使得该电子设备1000能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口1050进行。并且，电子设备1000还可以通过网络适配器1060与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图所示，网络适配器1060通过总线1030与电子设备1000的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备1000使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。

通过以上的实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本公开实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、终端装置、或者网络设备等)执行根据本公开实施方式的方法。

此外，上述附图仅是根据本公开示例性实施例的方法所包括的处理的示意性说明，而不是限制目的。易于理解，上述附图所示的处理并不表明或限制这些处理的时间顺序。另外，也易于理解，这些处理可以是例如在多个模块中同步或异步执行的。

本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本公开的其他实施例。本申请旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由权利要求指出。