[發明專利]基于心電圖診斷的元學習模型訓練方法、系統和設備

在審

• 申請號: 201811631982.9
• 申請日: 2018-12-28
• 公開（公告）號: CN109700434A
• 公開（公告）日: 2019-05-03
• 發明（設計）人: 朱佳兵;李毅;朱濤;張瑋;羅偉
• 申請（專利權）人: 武漢中旗生物醫療電子有限公司
• 主分類號: A61B5/00
• 分類號: A61B5/00
• 代理公司: 北京超凡志成知識產權代理事務所(普通合伙) 11371
• 代理人: 唐維虎

本發明提供了一種基于心電圖診斷的元學習模型訓練方法、系統和設備，涉及元學習的技術領域，包括，獲取多個樣本數據組，其中，樣本數據組包括多個樣本數據。將多個樣本數據組中的多個樣本數據輸入元學習模型，得到多個標簽組。將多個與樣本數據組對應的標簽組代入元損失函數，得到多個元參數。將多個元參數輸入元學習優化器，根據預設算法進行計算，得到最優元參數，根據最優元參數對元學習模型進行訓練。元學習優化器把每一次訓練中的元參數保留了下來，用作后續處理，使元學習模型具備心電圖診斷的學習能力。

技術領域

本發明涉及元學習的技術領域，尤其是涉及一種基于心電圖診斷的元學習模型訓練方法、系統和設備。

背景技術

基于深度學習的方法雖然大大提高了計算機心電圖的診斷水平。但其往往需要大量的帶標注的樣本進行學習。而心電圖樣本的標注往往工程量巨大，且有些疑難病癥的樣本難以大規模的獲取。此外，由于心電圖細分子類眾多(超過200類)，如果完全采用傳統的機器學習或深度學習方法，則每一類需要從零開始學習，這種逐個技能逐步訓練的代價太大。

針對現有技術中計算機深度學習診斷心電圖的水平較低的問題，目前尚未提出有效解決方案。

發明內容

有鑒于此，本發明的目的在于提供一種基于心電圖診斷的元學習模型訓練方法、系統和設備，緩解計算機深度學習診斷心電圖的水平較低的問題。

第一方面，本發明實施例提供了一種基于心電圖診斷的元學習模型訓練方法，包括：

獲取多個樣本數據組，其中，樣本數據組包括多個樣本數據；

將多個樣本數據組中的多個樣本數據輸入元學習模型，得到多個標簽組；

將多個標簽組代入元損失函數，得到多個元參數；

將多個元參數輸入元學習優化器，根據預設算法進行計算，得到最優元參數；

根據最優元參數對元學習模型進行訓練。

結合第一方面，本發明實施例提供了第一方面的第一種可能的實施方式，其中，獲取多個樣本數據組的步驟，包括重復執行以下處理，直至樣本庫中的樣本數據都被遍歷：

從樣本庫中隨機挑選M*k個樣本數據進行排序，形成樣本序列；

選取樣本序列中的第i個樣本數據至第j個樣本數據組成第i個樣本數據組中，其中，1≤i＜j≤M*k。

結合第一方面，本發明實施例提供了第一方面的第二種可能的實施方式，其中，樣本數據包括心電圖數據和與心電圖數據相關聯的病癥標簽，標簽組包括與同一心電圖數據相關聯的病癥標簽和預測標簽，將多個樣本數據組中的多個樣本數據輸入元學習模型，得到多個標簽組包括重復執行以下處理，直至多個樣本數據組都被遍歷：

將第i個樣本數據組中的第a個心電圖數據輸入第i元學習模型，得到與心電圖數據相關聯的第a個預測標簽，i≤a≤j；將樣本數據組中的多個心電圖數據輸入元學習模型，得到多個與心電圖數據相關聯的預測標簽。

結合第一方面第二種可能的實施方式，本發明實施例提供了第一方面的第三種可能的實施方式，其中，將多個標簽組代入損失函數，得到多個元參數的步驟，包括，重復執行以下處理，直至多個標簽組都被遍歷：

將第i個樣本數據組中的多個標簽組代入損失函數，得到第i個元參數。

結合第一方面第三種可能的實施方式，本發明實施例提供了第一方面的第四種可能的實施方式，其中，還包括：

根據第i個元參數訓練第i+1元學習模型。

結合第一方面，本發明實施例提供了第一方面的第五種可能的實施方式，其中，將多個元參數輸入元學習優化器，根據預設算法進行計算，得到最優元參數的步驟，包括：