专利示意图

一、技术领域

信号处理技术领域

二、专利介绍

1.专利信息

专利类型：发明

专利权人：清华大学深圳国际研究生院

申请号：202210152848.0

发明人：王兴军、赵亮、冯阳、汤献文、李御智、苏杭

2.专利说明书摘要

本发明提供一种脑电信号分类方法、装置、电子设备、介质及产品，包括：获取待处理的目标脑电信号；将待处理的目标脑电信号输入脑电信号分类模型，得到目标脑电信号所对应的脑电信号分类结果；其中，脑电信号分类模型是基于有标签的脑电信号训练数据、无标签的脑电信号训练数据，从按照复杂度排序的多个待训练神经网络模型中多次选取教师网络模型与学生网络模型进行训练，并基于最终训练得到的学生网络模型所得到的。本发明能够获得分类准确度较高的脑电信号分类模型，进而获得更加准确的分类结果，还能大大降低深度学习模型对优质数据的依赖度，降低数据的标注成本。

3.创新点

（1）提出了一种适应于一维生理信号的半监督学习框架，使得模型能够利用大量无标注数据提升性能；

（2）提出了一种同时利用伪标签和一致性正则化的半监督学习方法；

（3）提出了一种新的知识迁移方法，通过teacher-student模型来将无标注数据引入训练过程来降低模型对于有标注数据的依赖；

（4）提出了一种新的无标注数据的筛选方法；

（5）提出了一种新的多loss权重调整方法，缩短模型训练时间，提升模型性能；

（6）提出了一种适用于一维生理信号的数据增强方式；

（7）提出了一种新的半监督学习训练流程，通过两步训练来提升模型性能。

4.痛点问题

（1）解决了医疗人工智能模型训练需要大量标注数据的问题；

（2）解决了生理信号差异形大而导致的医疗人工智能模型泛化性差的问题；

（3）解决了多loss训练过程中由于不同loss差别大导致的模型训练慢、效果下降等问题；

（4）解决了生理信号缺乏有效的数据增强方式的问题。

5.技术优势

（1）本发明使用了半监督学习框架，能够利用少量标注数据和大量无标注数据获得较好的效果；

（2）由于不需要大量标注数据，且医疗数据标注需要专业的医生，因此成本低；

（3）由于可以利用无标注数据提升模型性能，因此可以通过使用大量无标注数据来提升模型的泛化性能，不必因为生理信号个人差异大而在不同地区甚至不同医院都需要去获得一定量的标注数据来训练新的模型。

三、产业化信息

1.应用场景

本发明可以应用于医疗机构的辅助诊断部门，为相关部分医生使用人工智能处理一维生理信号提供决策参考。

2.商业价值

本技术发明拥有较大的商业前景，对于提高医疗人工智能诊断类软件对于标注数据的依赖性具有重大意义。该技术可以集成进医疗自动诊断软件中，进行自动化智能化的诊断，大幅度提高诊断效率。同时该技术的半监督学习框架可以为其他医疗人工智能技术的开发提供参考。现阶段，全国约有1000个睡眠中心，该技术所集成的医疗自动诊断软件售价为200万元，市场规模约20亿元。

3.发展规划

该技术未来可应用至可穿戴设备，实现医疗自动诊断软件国产化，快速提高我国在医疗人工智能领域的水平。

4.合作方式

面议

注:所有成果未经授权，请勿转载

联系方式：ttc@sz.tsinghua.edu.cn