一种边云协同的脑电数据任务调度方法和系统 专利技术说明

电子通信装置的制造及其应用技术1.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：2.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。3.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。4.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。技术实现要素：5.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。6.一方面，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：边缘端实时采集脑电数据并进行预处理，得到脑电数据帧；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；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，若是，所述边缘端将所述脑电数据帧上传至云端；云端获取所述脑电数据帧，执行云端任务调度；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；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。7.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：判断所述边缘端识别结果的精度和置信度是否满足要求；若否，所述边缘端将所述脑电数据帧上传至云端；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；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。8.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：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；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。9.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：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；其中，所述心跳机制包括如下步骤：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；云端获取所述脑电数据帧，执行云端任务调度；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。10.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：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；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；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；边云通信模块，用于边缘端和云端通信；云端任务调度模块，用于执行云端任务调度；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；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。11.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；其中，所述心跳机制包括如下步骤：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；云端获取所述脑电数据帧，执行云端任务调度；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。12.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。13.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。14.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。附图说明15.图1为本技术一实施例提供的一种边云协同的脑电数据任务调度方法流程示意图；图2为本技术一实施例提供的一种边云协同的脑电数据任务调度系统结构示意图。具体实施方式16.为使本技术实施例的目的、技术方案和优点更加清楚，下面将结合附图对具体实施例中的技术方案进行清楚、完整的描述，显然，所描述的实施例仅仅是本技术一部分实施例，而不是全部的实施例。基于本技术的实施例，本领域技术人员在没有做出创造性劳动前提下，所获得的所有其他的实施例，都属于本技术保护的范围。17.图1示出了本技术一实施例提供的一种边云协同的脑电数据任务调度方法流程示意图。如图1所示，本实施例的边云协同的脑电数据任务调度方法流程如下所述:步骤101，边缘端实时采集脑电数据并进行预处理，得到脑电数据帧；步骤102，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；步骤103，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；步骤104，若是，所述边缘端将所述脑电数据帧上传至云端；步骤105，云端获取所述脑电数据帧，执行云端任务调度；步骤106，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；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。18.在一个实施例中，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：判断所述边缘端识别结果的精度和置信度是否满足要求；若否，所述边缘端将所述脑电数据帧上传至云端，执行云端任务调度；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，执行云端任务调度；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。19.在一个实施例中，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：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；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。20.在一实施例中，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；其中，所述心跳机制包括如下步骤：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；云端获取所述脑电数据帧，执行云端任务调度；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。21.图2为本技术一实施例提供的一种边云协同的脑电数据任务调度系统结构示意图，包括：边缘端数据采集及预处理模块201，实时采集脑电数据并进行预处理，得到脑电数据帧；边缘端计算模块202，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；边缘端调度模块203，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；边云通信模块204，用于边缘端和云端通信；云端任务调度模块205，用于执行云端任务调度；云端计算模块206，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。22.在一个实施例中，所述边缘端调度模块203还包括心跳模块，用于边缘端向云端执行心跳机制；其中，所述心跳机制包括如下步骤：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；云端获取所述脑电数据帧，执行云端任务调度；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。23.此外，本发明实施例还提出一种终端设备，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被处理器执行时实现如下操作：边缘端实时采集脑电数据并进行预处理，得到脑电数据帧；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；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；若是，所述边缘端将所述脑电数据帧上传至云端；云端获取所述脑电数据帧，执行云端任务调度；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.进一步的，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还实现如下操作：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：判断所述边缘端识别结果的精度和置信度是否满足要求；若否，所述边缘端将所述脑电数据帧上传至云端，执行云端任务调度；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，执行云端任务调度；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。25.进一步的，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还实现如下操作：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：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；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。26.进一步的，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还实现如下操作：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；其中，所述心跳机制包括如下步骤：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；云端获取所述脑电数据帧，执行云端任务调度；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。27.此外，本发明实施例还提出一种存储介质，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能够实现上述各方法实施例所提供的方法本领域内的技术人员应明白，本技术的实施例可提供为方法、系统、或计算机程序产品。因此，本技术可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本技术可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器、cd-rom、光学存储器等）上实施的计算机程序产品的形式。28.本技术是参照根据本技术实施例的方法、系统、和计算机程序产品的流程图和或方框图来描述的。应理解可由计算机程序指令实现流程图和或方框图中的每一流程和或方框、以及流程图和或方框图中的流程和或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和或方框图一个方框或多个方框中指定的功能的装置。29.这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和或方框图一个方框或多个方框中指定的功能。这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和或方框图一个方框或多个方框中指定的功能的步骤。30.需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他险的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。术语“上”、“下”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。除非另有明确的规定和限定,术语“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接可以是机械连接,也可以是电连接可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以根据具体情况理解上述术语在本发明中的具体含义。31.本发明的说明书中，说明了大量具体细节。然而能够理解的是，本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。类似地，应当理解，为了精简本发明公开并帮助理解各个发明方面中的一个或多个，在上面对本发明的示例性实施例的描述中，本发明的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释呈反映如下意图即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说，如权利要求书所反映的那样，发明方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本发明的单独实施例。需要说明的是，在不冲突的情况下,本技术中的实施例及实施例中的特征可以相互组合。本发明并不局限于任何单一的方面，也不局限于任何单一的实施例，也不局限于这些方面和或实施例的任意组合和或置换。而且，可以单独使用本发明的每个方面和或实施例或者与一个或更多其他方面和或其实施例结合使用。32.最后应说明的是以上各实施例仅用以说明本发明的技术方案，而非对其限制尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围，其均应涵盖在本发明的权利要求和说明书的范围当中。









图片声明：本站部分配图来自人工智能系统AI生成,觅知网授权图片,PxHere摄影无版权图库。本站只作为美观性配图使用,无任何非法侵犯第三方意图,一切解释权归图片著作权方,本站不承担任何责任。如有恶意碰瓷者,必当奉陪到底严惩不贷!




内容声明：本文中引用的各种信息及资料（包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主体（包括但不限于公司、媒体、协会等机构）的官方网站或公开发表的信息。部分内容参考包括:(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供参考使用,不准确地方联系删除处理！本站为非盈利性质站点,发布内容不收取任何费用也不接任何广告!




免责声明：我们致力于保护作者版权，注重分享，被刊用文章因无法核实真实出处，未能及时与作者取得联系，或有版权异议的，请联系管理员，我们会立即处理，本文部分文字与图片资源来自于网络，部分文章是来自自研大数据AI进行生成,内容摘自(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供学习参考,不准确地方联系删除处理!的,若有来源标注错误或侵犯了您的合法权益，请立即通知我们，情况属实，我们会第一时间予以删除，并同时向您表示歉意,谢谢!