CN111128392A - 基于小样本进行疾病识别的数据处理方法以及装置、设备、存储介质 - Google Patents

基于小样本进行疾病识别的数据处理方法以及装置、设备、存储介质 Download PDF

Info

Publication number
CN111128392A
CN111128392A CN201911352410.1A CN201911352410A CN111128392A CN 111128392 A CN111128392 A CN 111128392A CN 201911352410 A CN201911352410 A CN 201911352410A CN 111128392 A CN111128392 A CN 111128392A
Authority
CN
China
Prior art keywords
space
disease
sample
distance
negative sample
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201911352410.1A
Other languages
English (en)
Other versions
CN111128392B (zh
Inventor
史业民
俞益洲
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Shenrui Bolian Technology Co Ltd
Shenzhen Deepwise Bolian Technology Co Ltd
Original Assignee
Beijing Shenrui Bolian Technology Co Ltd
Shenzhen Deepwise Bolian Technology Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Beijing Shenrui Bolian Technology Co Ltd, Shenzhen Deepwise Bolian Technology Co Ltd filed Critical Beijing Shenrui Bolian Technology Co Ltd
Priority to CN201911352410.1A priority Critical patent/CN111128392B/zh
Publication of CN111128392A publication Critical patent/CN111128392A/zh
Application granted granted Critical
Publication of CN111128392B publication Critical patent/CN111128392B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • Data Mining & Analysis (AREA)
  • Biomedical Technology (AREA)
  • Databases & Information Systems (AREA)
  • Pathology (AREA)
  • Epidemiology (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Investigating Or Analysing Biological Materials (AREA)

Abstract

本申请公开了一种基于小样本进行疾病识别的数据处理方法以及装置、设备、存储介质。该方法包括基于小样本建立开集识别模型，学习得到负样本初始空间；基于目标疾病所在空间和所述负样本初始空间，调整所述目标疾病所在空间与负样本所在空间的距离，区分出疾病发病区域与正常状态区域。本申请解决了基于少样本进行疾病识别的效果不佳的技术问题。通过本申请有效利用正负样本并可防止模型训练过程中的过拟合。

Description

基于小样本进行疾病识别的数据处理方法以及装置、设备、存 储介质
技术领域
本申请涉及自动疾病识别领域，具体而言，涉及一种基于小样本进行疾病识别的数据处理方法以及装置、设备、存储介质。
背景技术
相对于常见疾病，在大量疾病如脑卒中、偏瘫、部分癌症等仅能拿到较少样本。
发明人发现，如果直接在这类疾病的正样本上进行训练，可能导致正负样本不均衡或者总样本数过少，从而使得算法在实际应用中效果较差，难以满足需求。一些解决方法中，通过对正样本进行数据增强，从而一定程度上增加正样本数量，但由于数据增强并无法真正意义上增加样本量，仅能对现有样本进行微调，防止过拟合。而由于负样本数量大量存在，会导致正负样本不均衡严重，进而导致模型倾向于识别为负样本。若强行减少负样本数量，则会导致总数据量过少，使得模型训练过拟合严重。
针对相关技术中基于少样本进行疾病识别的效果不佳的问题，目前尚未提出有效的解决方案。
发明内容
本申请的主要目的在于提供一种基于小样本进行疾病识别的数据处理方法以及装置、设备、存储介质，以解决基于少样本进行疾病识别的效果不佳的问题。
为了实现上述目的，根据本申请的一个方面，提供了一种基于小样本进行疾病识别的数据处理方法。
根据本申请的基于小样本进行疾病识别的数据处理方法包括：
基于小样本建立开集识别模型，学习得到负样本初始空间；
基于目标疾病所在空间和所述负样本初始空间，调整所述目标疾病所在空间与负样本所在空间的距离，区分出疾病发病区域与正常状态区域。
进一步地，基于小样本建立开集识别模型，得到负样本初始空间包括：
假设小样本共分为K类，并将正样本定义为第K+1类，假设输入为X，针对负样本空间中学习每一类的N1个中心C和N2个远点S，
当前样本X为类别i，中心的温度值为t1，远点的温度值为t2，则计算中心距离和远点距离：
Figure BDA0002333453660000021
Figure BDA0002333453660000022
根据中心距离和远点距离，计算两者的比值为：
Figure BDA0002333453660000023
进一步地，还包括：将所述负样本初始空间调整为分布在围绕空间中心的超球面上的步骤，
计算所述中心距离、所述远点距离、所述中心距离/远点距离的激活值；
根据所述激活值计算损失函数，得到最终总损失为：
Figure BDA0002333453660000024
其中，所述
Figure BDA0002333453660000025
用于使得每个类别围绕当前类别中心紧凑分布；
Figure BDA0002333453660000026
用于使得每个类别都距离其远点足够远；
Figure BDA0002333453660000027
通过结合
Figure BDA0002333453660000028
和
Figure BDA0002333453660000029
用于使得每个类别的分布不但关注样本距离中心和远点的距离，而且关注类别所在区域空间大小相对于整个空间大小的比例。
进一步地，基于目标疾病所在空间和所述负样本初始空间，调整所述目标疾病所在空间与负样本所在空间的距离，区分出疾病发病区域与正常状态区域包括：通过调整所述目标疾病所在空间与负样本所在空间的距离，实现正样本空间微调。
进一步地，方法还包括：基于目标疾病所在空间和所述负样本初始空间，调整所述目标疾病所在空间与负样本所在空间的距离，以使所述目标疾病所在区域位于整个空间中心区域。
为了实现上述目的，根据本申请的另一方面，提供了一种基于小样本进行疾病识别的数据处理装置。
根据本申请的基于小样本进行疾病识别的数据处理装置包括：初始空间模块，用于基于小样本建立开集识别模型，学习得到负样本初始空间；空间微调模块，用于基于目标疾病所在空间和所述负样本初始空间，调整所述目标疾病所在空间与负样本所在空间的距离，区分出疾病发病区域与正常状态区域。
进一步地，所述初始空间模块，用于将负样本空间被调整为分布在围绕空间中心的超球面上。
进一步地，所述空间微调模块，用于将疾病所在区域调整至位于整个空间的中心区域。
为了实现上述目的，根据本申请的一个方面，提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现所述的基于小样本进行疾病识别的数据处理方法的步骤。
为了实现上述目的，根据本申请的一个方面，提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现所述的基于小样本进行疾病识别的数据处理方法的步骤。
在本申请实施例中基于小样本进行疾病识别的数据处理方法以及装置、设备、存储介质，采用开集识别配合正样本空间微调的方式，通过基于小样本建立开集识别模型，学习得到负样本初始空间，基于目标疾病所在空间和所述负样本初始空间，调整所述目标疾病所在空间与负样本所在空间的距离，区分出疾病发病区域与正常状态区域，达到了开集识别之后引入正样本空间进行微调的目的，从而实现了有效利用正负样本并防止过拟合的技术效果，进而解决了基于少样本进行疾病识别的效果不佳的技术问题。
优选地，由于正、负样本数据由于均来源于人体，通过首先在负样本训练针对正样本的开集识别模型，之后引入正样本都市空间进行微调，则可以有效利用上正负样本并防止过拟合。
附图说明
构成本申请的一部分的附图用来提供对本申请的进一步理解，使得本申请的其它特征、目的和优点变得更明显。本申请的示意性实施例附图及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1是根据本申请实施例的基于小样本进行疾病识别的数据处理方法示意图；
图2是根据本申请实施例的基于小样本进行疾病识别的数据处理装置示意图；
图3是根据本申请实施例的终端结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分的实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通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实施例，都应当属于本申请保护的范围。
需要说明的是，本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
在本申请中，术语“上”、“下”、“左”、“右”、“前”、“后”、“顶”、“底”、“内”、“外”、“中”、“竖直”、“水平”、“横向”、“纵向”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。这些术语主要是为了更好地描述本申请及其实施例，并非用于限定所指示的装置、元件或组成部分必须具有特定方位，或以特定方位进行构造和操作。
并且，上述部分术语除了可以用于表示方位或位置关系以外，还可能用于表示其他含义，例如术语“上”在某些情况下也可能用于表示某种依附关系或连接关系。对于本领域普通技术人员而言，可以根据具体情况理解这些术语在本申请中的具体含义。
此外，术语“安装”、“设置”、“设有”、“连接”、“相连”、“套接”应做广义理解。例如，可以是固定连接，可拆卸连接，或整体式构造；可以是机械连接，或电连接；可以是直接相连，或者是通过中间媒介间接相连，又或者是两个装置、元件或组成部分之间内部的连通。对于本领域普通技术人员而言，可以根据具体情况理解上述术语在本申请中的具体含义。
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
如图1所示，该方法包括如下的步骤S101至步骤S102：
步骤S101，基于小样本建立开集识别模型，学习得到负样本初始空间；
通过建立模型，针对具有少量样本的疾病类型进行分析，并判定目标样本是否为发病。在初始空间学习阶段，基于小样本建立开集识别模型，并学习得到负样本初始空间。
需要注意的是，小样本数据来源主要是CT、MR、运动传感器，在本申请中的并不进行具体限定。比如，为了识别脑卒中，小样本数据来源的输入为6轴IMU的实时信号。
具体地，基于小样本建立开集识别模型，得到负样本初始空间包括：
假设小样本共分为K类，并将正样本定义为第K+1类，假设输入为X，针对负样本空间中学习每一类的N1个中心C和N2个远点S，
当前样本X为类别i，中心的温度值为t1，远点的温度值为t2，则计算中心距离和远点距离：
Figure BDA0002333453660000061
Figure BDA0002333453660000062
其中，
Figure BDA0002333453660000063
代表第i类的第j个中心
Figure BDA0002333453660000064
代表第i类第j个远点。
根据中心距离和远点距离，计算两者的比值为：
Figure BDA0002333453660000065
在所述负样本初始空间中，还包括：将所述负样本初始空间调整为分布在围绕空间中心的超球面上的步骤，
计算所述中心距离、所述远点距离、所述中心距离/远点距离的激活值；
根据所述激活值计算损失函数，得到最终总损失为：
Figure BDA0002333453660000066
步骤S102，基于目标疾病所在空间和所述负样本初始空间，调整所述目标疾病所在空间与负样本所在空间的距离，区分出疾病发病区域与正常状态区域。
根据基于目标疾病所在空间，调整所述目标疾病所在空间与负样本所在空间的距离，使得负样本空间被调整为分布在围绕空间中心的超球面上，从而区分出疾病发病区域与正常状态区域。
基于目标疾病所在空间和所述负样本初始空间，调整所述目标疾病所在空间与负样本所在空间的距离，区分出疾病发病区域与正常状态区域包括：通过调整所述目标疾病所在空间与负样本所在空间的距离，实现正样本空间微调。
基于目标疾病所在空间和所述负样本初始空间，还包括：基于目标疾病所在空间和所述负样本初始空间，调整所述目标疾病所在空间与负样本所在空间的距离，以使所述目标疾病所在区域位于整个空间中心区域。
从以上的描述中，可以看出，本申请实现了如下技术效果：
在本申请实施例中，采用开集识别配合正样本空间微调的方式，通过基于小样本建立开集识别模型，学习得到负样本初始空间，基于目标疾病所在空间和所述负样本初始空间，调整所述目标疾病所在空间与负样本所在空间的距离，区分出疾病发病区域与正常状态区域，达到了开集识别之后引入正样本空间进行微调的目的，从而实现了有效利用正负样本并防止过拟合的技术效果，进而解决了基于少样本进行疾病识别的效果不佳的技术问题。
根据本申请实施例，作为本实施例中的优选，基于小样本建立开集识别模型，得到负样本初始空间包括：
假设小样本共分为K类，并将正样本定义为第K+1类，假设输入为X，针对负样本空间中学习每一类的N1个中心C和N2个远点S，
当前样本X为类别i，中心的温度值为t1，远点的温度值为t2，则计算中心距离和远点距离：
Figure BDA0002333453660000071
Figure BDA0002333453660000072
根据中心距离和远点距离，计算两者的比值为：
Figure BDA0002333453660000073
针对所述的三项距离，分别计算其激活值为：
Figure BDA0002333453660000074
Figure BDA0002333453660000075
Figure BDA0002333453660000081
其中，
x为当前样本经过网络之后输出的特征，
θ为可学习参数，
DCi为第i类的中心距离的负值，
DSi为第i类的远点距离，
DTi为第i类的距离比值，
e为自然对数的底数，
K为总类别个数。
之后，计算损失：
Figure BDA0002333453660000082
Figure BDA0002333453660000083
Figure BDA0002333453660000084
最终总损失为：
Figure BDA0002333453660000085
通过以上损失函数，负样本空间被调整为分布在围绕空间中心的超球面上。其中
Figure BDA0002333453660000086
使得每个类别围绕当前类别中心紧凑分布；
Figure BDA0002333453660000087
使得每个类别都距离其远点足够远，从而拉开每个类别与其他所有类别的距离，进而隐式将疾病类别调整到空间中心区域；
Figure BDA0002333453660000088
通过结合
Figure BDA0002333453660000089
和
Figure BDA00023334536600000810
使得每个类别的分布不仅仅关注样本距离中心和远点的距离，而是关注类别所在区域空间大小相对于整个空间大小的比例。
根据本申请实施例，作为本实施例中的优选，基于目标疾病所在空间和所述负样本初始空间，调整所述目标疾病所在空间与负样本所在空间的距离，区分出疾病发病区域与正常状态区域包括：
通过调整所述目标疾病所在空间与负样本所在空间的距离，实现正样本空间微调。
基于小样本进行疾病识别的数据处理方法还包括：基于目标疾病所在空间和所述负样本初始空间，调整所述目标疾病所在空间与负样本所在空间的距离，以使所述目标疾病所在区域位于整个空间中心区域。
具体地，基于初始负样本空间通过进一步引入疾病所在空间，并调整疾病所在空间区域与其他负样本所在空间的距离，使得疾病所在区域位于整个空间的中心区域，从而区分发病与正常状态。
首先，引入空间中心为：
Figure BDA0002333453660000091
CK+1代表整个类别空间的中心，其值等于所有类别中心的均值
之后，在DC基础上增加对于疾病类别的调整：
Figure BDA0002333453660000092
Figure BDA0002333453660000093
代表第i类的第j个中心，当i为K1时，则代表CK+1，即整个类别空间。
进一步，改进pC：
Figure BDA0002333453660000094
最后，
Figure BDA0002333453660000095
为：
Figure BDA0002333453660000096
最终总损失为：
Figure BDA0002333453660000097
使用以上新的损失函数在前一步初始空间基础上进行微调，从而得到最终模型。
需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
根据本申请实施例，还提供了一种用于实施上述方法的基于小样本进行疾病识别的数据处理装置，如图2所示，该装置包括：初始空间模块10，用于基于小样本建立开集识别模型，学习得到负样本初始空间；空间微调模块11，用于基于目标疾病所在空间和所述负样本初始空间，调整所述目标疾病所在空间与负样本所在空间的距离，区分出疾病发病区域与正常状态区域。
本申请实施例的初始空间模块10中通过建立模型，针对具有少量样本的疾病类型进行分析，并判定目标样本是否为发病。在初始空间学习阶段，基于小样本建立开集识别模型，并学习得到负样本初始空间。
本申请实施例的空间微调模块11中根据基于目标疾病所在空间，调整所述目标疾病所在空间与负样本所在空间的距离，使得负样本空间被调整为分布在围绕空间中心的超球面上，从而区分出疾病发病区域与正常状态区域。
基于目标疾病所在空间和所述负样本初始空间，调整所述目标疾病所在空间与负样本所在空间的距离，区分出疾病发病区域与正常状态区域包括：通过调整所述目标疾病所在空间与负样本所在空间的距离，实现正样本空间微调。
基于目标疾病所在空间和所述负样本初始空间，还包括：基于目标疾病所在空间和所述负样本初始空间，调整所述目标疾病所在空间与负样本所在空间的距离，以使所述目标疾病所在区域位于整个空间中心区域。
本申请实施例还提供了一种计算机设备。如图3所示，计算机设备20可以包括：至少一个处理器201，例如CPU，至少一个网络接口204，用户接口203，存储器205，至少一个通信总线202，可选地，还可以包括显示屏206。其中，通信总线202用于实现这些组件之间的连接通信。其中，用户接口203可以包括触摸屏、键盘或鼠标等等。网络接口204可选的可以包括标准的有线接口、无线接口(如WI-FI接口)，通过网络接口204可以与服务器建立通信连接。存储器205可以是高速RAM存储器，也可以是非不稳定的存储器(non-volatilememory)，例如至少一个磁盘存储器，存储器205包括本发明实施例中的flash。存储器205可选的还可以是至少一个位于远离前述处理器201的存储系统。如图3所示，作为一种计算机存储介质的存储器205中可以包括操作系统、网络通信模块、用户接口模块以及程序指令。
需要说明的是，网络接口204可以连接接收器、发射器或其他通信模块，其他通信模块可以包括但不限于WiFi模块、蓝牙模块等，可以理解，本发明实施例中计算机设备也可以包括接收器、发射器和其他通信模块等。
处理器201可以用于调用存储器205中存储的程序指令，并使计算机设备20执行以下操作：
基于小样本建立开集识别模型，学习得到负样本初始空间；
基于目标疾病所在空间和所述负样本初始空间，调整所述目标疾病所在空间与负样本所在空间的距离，区分出疾病发病区域与正常状态区域。
显然，本领域的技术人员应该明白，上述的本申请的各模块或各步骤可以用通用的计算装置来实现，它们可以集中在单个的计算装置上，或者分布在多个计算装置所组成的网络上，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样，本申请不限制于任何特定的硬件和软件结合。
以上所述仅为本申请的优选实施例而已，并不用于限制本申请，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。

Claims (10)

1.一种基于小样本进行疾病识别的数据处理方法，其特征在于，包括：
基于小样本建立开集识别模型，学习得到负样本初始空间；
基于目标疾病所在空间和所述负样本初始空间，调整所述目标疾病所在空间与负样本所在空间的距离，区分出疾病发病区域与正常状态区域。
2.根据权利要求1所述的基于小样本进行疾病识别的数据处理方法，其特征在于，基于小样本建立开集识别模型，得到负样本初始空间包括：
假设小样本共分为K类，并将正样本定义为第K+1类，假设输入为X，针对负样本空间中学习每一类的N1个中心C和N2个远点S，
当前样本X为类别i，中心的温度值为t1，远点的温度值为t2，则计算中心距离和远点距离：
Figure FDA0002333453650000011
Figure FDA0002333453650000012
根据中心距离和远点距离，计算两者的比值为：
Figure FDA0002333453650000013
3.根据权利要求1所述的基于小样本进行疾病识别的数据处理方法，其特征在于，还包括：将所述负样本初始空间调整为分布在围绕空间中心的超球面上的步骤，
计算所述中心距离、所述远点距离、所述中心距离/远点距离的激活值；
根据所述激活值计算损失函数，得到最终总损失为：
Figure FDA0002333453650000014
其中，所述
Figure FDA0002333453650000015
用于使得每个类别围绕当前类别中心紧凑分布；
Figure FDA0002333453650000016
用于使得每个类别都距离其远点足够远；
Figure FDA0002333453650000017
通过结合
Figure FDA0002333453650000018
和
Figure FDA0002333453650000019
用于使得每个类别的分布不但关注样本距离中心和远点的距离，而且关注类别所在区域空间大小相对于整个空间大小的比例。
4.根据权利要求1所述的基于小样本进行疾病识别的数据处理方法，其特征在于，基于目标疾病所在空间和所述负样本初始空间，调整所述目标疾病所在空间与负样本所在空间的距离，区分出疾病发病区域与正常状态区域包括：
通过调整所述目标疾病所在空间与负样本所在空间的距离，实现正样本空间微调。
5.根据权利要求4所述的基于小样本进行疾病识别的数据处理方法，其特征在于，还包括：
基于目标疾病所在空间和所述负样本初始空间，调整所述目标疾病所在空间与负样本所在空间的距离，以使所述目标疾病所在区域位于整个空间中心区域。
6.一种基于小样本进行疾病识别的数据处理装置，其特征在于，包括：
初始空间模块，用于基于小样本建立开集识别模型，学习得到负样本初始空间；
空间微调模块，用于基于目标疾病所在空间和所述负样本初始空间，调整所述目标疾病所在空间与负样本所在空间的距离，区分出疾病发病区域与正常状态区域。
7.根据权利要求6所述的基于小样本进行疾病识别的数据处理装置，其特征在于，所述初始空间模块，用于将负样本空间被调整为分布在围绕空间中心的超球面上。
8.根据权利要求6所述的基于小样本进行疾病识别的数据处理装置，其特征在于，所述空间微调模块，用于将疾病所在区域调整至位于整个空间的中心区域。
9.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现权利要求1至5任一项所述的基于小样本进行疾病识别的数据处理方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1至5任一项所述的基于小样本进行疾病识别的数据处理方法的步骤。
CN201911352410.1A 2019-12-24 2019-12-24 基于小样本进行疾病识别的数据处理方法以及装置、设备、存储介质 Active CN111128392B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911352410.1A CN111128392B (zh) 2019-12-24 2019-12-24 基于小样本进行疾病识别的数据处理方法以及装置、设备、存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911352410.1A CN111128392B (zh) 2019-12-24 2019-12-24 基于小样本进行疾病识别的数据处理方法以及装置、设备、存储介质

Publications (2)

Publication Number Publication Date
CN111128392A true CN111128392A (zh) 2020-05-08
CN111128392B CN111128392B (zh) 2023-09-26

Family

ID=70502319

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911352410.1A Active CN111128392B (zh) 2019-12-24 2019-12-24 基于小样本进行疾病识别的数据处理方法以及装置、设备、存储介质

Country Status (1)

Country Link
CN (1) CN111128392B (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5643765A (en) * 1993-04-06 1997-07-01 University Of Rochester Method for quantitative measurement of gene expression using multiplex competitive reverse transcriptase-polymerase chain reaction
US20090051901A1 (en) * 2007-08-24 2009-02-26 Pao-Lin Shen Integrated microfluidic optical device for sub-micro liter liquid sample microspectroscopy
CN104463211A (zh) * 2014-12-08 2015-03-25 天津大学 基于最大球心距的支持向量描述方法
US20180121601A1 (en) * 2016-10-28 2018-05-03 Edico Genome, Corp. Bioinformatics systems, apparatuses, and methods for performing secondary and/or tertiary processing
CN108921058A (zh) * 2018-06-19 2018-11-30 厦门大学 基于深度学习的鱼类识别方法、介质、终端设备及装置
CN110457982A (zh) * 2018-12-28 2019-11-15 中国科学院合肥物质科学研究院 一种基于特征迁移学习的作物病害图像识别方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5643765A (en) * 1993-04-06 1997-07-01 University Of Rochester Method for quantitative measurement of gene expression using multiplex competitive reverse transcriptase-polymerase chain reaction
US20090051901A1 (en) * 2007-08-24 2009-02-26 Pao-Lin Shen Integrated microfluidic optical device for sub-micro liter liquid sample microspectroscopy
CN104463211A (zh) * 2014-12-08 2015-03-25 天津大学 基于最大球心距的支持向量描述方法
US20180121601A1 (en) * 2016-10-28 2018-05-03 Edico Genome, Corp. Bioinformatics systems, apparatuses, and methods for performing secondary and/or tertiary processing
CN110121747A (zh) * 2016-10-28 2019-08-13 伊鲁米那股份有限公司 用于执行二级和/或三级处理的生物信息学系统、设备和方法
CN108921058A (zh) * 2018-06-19 2018-11-30 厦门大学 基于深度学习的鱼类识别方法、介质、终端设备及装置
CN110457982A (zh) * 2018-12-28 2019-11-15 中国科学院合肥物质科学研究院 一种基于特征迁移学习的作物病害图像识别方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
丁冬兵;: "TL-CNN-GAP模型下的小样本声纹识别方法研究" *
刘海燕,赵联文,冯勋省: "关于小样本置信区间" *

Also Published As

Publication number Publication date
CN111128392B (zh) 2023-09-26

Similar Documents

Publication Publication Date Title
CN111260665B (zh) 图像分割模型训练方法和装置
CN110176226A (zh) 一种语音识别、及语音识别模型训练方法及装置
JP2019535055A (ja) ジェスチャに基づく操作の実施
CN111461165A (zh) 图像识别方法、识别模型的训练方法及相关装置、设备
CN107742290A (zh) 植物病害识别预警方法及装置
WO2019062405A1 (zh) 应用程序的处理方法、装置、存储介质及电子设备
CN104636097A (zh) 一种基于眼睛的字体大小自适应调整方法及移动终端
WO2021051987A1 (zh) 神经网络模型训练的方法和装置
CN110069715A (zh) 一种信息推荐模型训练的方法、信息推荐的方法及装置
WO2020168754A1 (zh) 基于预测模型的绩效预测方法、装置及存储介质
CN110910964A (zh) 一种分子间的结合活性预测方法及装置
CN108052918A (zh) 一种笔迹比对系统及方法
CN114419378A (zh) 图像分类的方法、装置、电子设备及介质
CN109508087A (zh) 脑纹信号识别方法及终端设备
CN111128392B (zh) 基于小样本进行疾病识别的数据处理方法以及装置、设备、存储介质
CN115795355B (zh) 一种分类模型训练方法、装置及设备
DE112018007850B4 (de) Spracherkennungssystem und betriebsverfahren eines spracherkennungssystems
CN116110058A (zh) 一种基于手写数字识别的虚拟人交互方法及系统
CN115841144A (zh) 一种文本检索模型的训练方法及装置
CN115641276A (zh) 图像处理方法、装置、设备、介质及程序产品
CN108932704A (zh) 图片处理方法、图片处理装置及终端设备
CN110414295A (zh) 识别大米的方法、装置、烹饪设备及计算机存储介质
CN116259083A (zh) 一种图像质量识别模型的确定方法和相关装置
CN110909797B (zh) 图像检测方法以及装置、设备、存储介质
CN113055423B (zh) 策略的推送方法、策略的执行方法、装置、设备及介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant