CN113229798B - 模型迁移训练方法、装置、计算机设备及可读存储介质 - Google Patents

模型迁移训练方法、装置、计算机设备及可读存储介质 Download PDF

Info

Publication number
CN113229798B
CN113229798B CN202110538360.7A CN202110538360A CN113229798B CN 113229798 B CN113229798 B CN 113229798B CN 202110538360 A CN202110538360 A CN 202110538360A CN 113229798 B CN113229798 B CN 113229798B
Authority
CN
China
Prior art keywords
data
pulse
model
target
pulse condition
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.)
Active
Application number
CN202110538360.7A
Other languages
English (en)
Other versions
CN113229798A (zh
Inventor
张旺
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.)
Ping An Technology Shenzhen Co Ltd
Original Assignee
Ping An Technology Shenzhen 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 Ping An Technology Shenzhen Co Ltd filed Critical Ping An Technology Shenzhen Co Ltd
Priority to CN202110538360.7A priority Critical patent/CN113229798B/zh
Publication of CN113229798A publication Critical patent/CN113229798A/zh
Application granted granted Critical
Publication of CN113229798B publication Critical patent/CN113229798B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
    • A61B5/024—Detecting, measuring or recording pulse rate or heart rate
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7225—Details of analog processing, e.g. isolation amplifier, gain or sensitivity adjustment, filtering, baseline or drift compensation
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Biophysics (AREA)
  • General Health & Medical Sciences (AREA)
  • Veterinary Medicine (AREA)
  • Public Health (AREA)
  • Physiology (AREA)
  • Animal Behavior & Ethology (AREA)
  • Surgery (AREA)
  • Molecular Biology (AREA)
  • Medical Informatics (AREA)
  • Pathology (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Artificial Intelligence (AREA)
  • Signal Processing (AREA)
  • Psychiatry (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Cardiology (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Fuzzy Systems (AREA)
  • Power Engineering (AREA)
  • Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)

Abstract

本发明涉及人工智能技术领域，公开了一种模型迁移训练方法、装置、计算机设备及可读存储介质，包括：与脉诊仪连接并获取脉搏数据；识别脉象数据的数据特性，并根据数据特性获取相似样本；以表现数据为输入数据，以类别数据为输出数据对预置的神经网络模型进行训练得到中间模型；将中间模型的输入层的通道数调整为脉象数据的维数，并将中间模型的输出层的通道数调整为脉诊数据的类别数量使中间模型转为调整模型；将脉象数据录入调整模型的输入层，并以脉诊数据作为输出数据，对调整模型进行训练用以获得成熟模型。本发明还涉及区块链技术，信息可存储于区块链节点中。本发明消除了因目标样本数量不足，导致难以获得能够准确分类的成熟模型的问题。

Description

模型迁移训练方法、装置、计算机设备及可读存储介质
技术领域
本发明涉及人工智能技术领域，尤其涉及一种模型迁移训练方法、装置、计算机设备及可读存储介质。
背景技术
随着人工智能的发展，当前的企事业单位通常会采用经训练的神经网络模型，对特征量大且复杂的对象进行分类识别，以节省人工成本的投入，提高对象识别效率及准确度。
对神经网络进行训练通常需要准备大量的训练样本，但是，发明人发现，对于样本量较少的业务，尤其是脉诊仪，因为脉象种类繁多、需要多年临床专业经验积累才能有较好的诊断，导致样本采集和标注难度极高，通常会导致神经网络因训练量不足，造成获得的所谓成熟模型识别准确度较差的问题发生。
发明内容
本发明的目的是提供一种模型迁移训练方法、装置、计算机设备及可读存储介质，用于解决现有技术存在的只通过数量有限的样本训练神经网络模型，导致获得的成熟模型的识别准确度不高的问题。
为实现上述目的，本发明提供一种模型迁移训练方法，包括：
与脉诊仪连接并获取脉搏数据，其中，所述脉搏数据包括脉象数据和脉诊数据，所述脉象数据描述了所述脉诊仪在采集部位下施加采集压力所获得的脉象表现，所述脉诊数据反映了所述脉象数据所属的脉象类别；
识别所述脉象数据的数据特性，并根据所述数据特性获取相似样本；其中，所述相似样本包括表现数据和类别数据；
以所述表现数据为输入数据，以所述类别数据为输出数据对预置的神经网络模型进行训练得到中间模型；
将所述中间模型的输入层的通道数调整为所述脉象数据的维数，并将所述中间模型的输出层的通道数调整为所述脉诊数据的类别数量，使所述中间模型转为调整模型；其中，所述脉象数据的维数是指各所述采集部位与各所述采集压力一一对应形成组合对的数量，所述脉诊数据的类别数量是指所有所述脉象数据所属脉象类别的总数；
将所述脉象数据录入所述调整模型的输入层，并以所述脉诊数据作为输出数据，对所述调整模型进行训练用以获得成熟模型。
上述方案中，所述与脉诊仪连接并获取脉搏数据的步骤，包括：
通过TCP/IP协议与所述脉诊仪构建连接；
从所述脉诊仪中获取脉象数据，及获取与所述脉象数据对应的脉诊数据；
将所述脉象数据和所述脉诊数据整合成脉搏数据。
上述方案中，所述识别所述脉象数据的数据特性，并根据所述数据特性获取相似样本的步骤，包括：
提取所述脉搏数据的数据特性并将所述数据特性设为目标特征，其中，所述数据特性是描述脉搏数据的形式特征的数据信息；
提取所述目标特征中的关键字，识别预置的数据库中具有所述关键字的数据特性并将所述数据特性设为中间特征；
将具有所述关键字的数量超过预置的关键数量的中间特征设为相似特征；或根据具有所述关键字的数量对所述中间特征进行降序排列得到中间队列，将位于所述中间队列首位的中间特征设为相似特征。
上述方案中，所述对所述调整模型进行训练用以获得成熟模型之后，所述方法还包括：
构建具有分类阈值的阈值分类规则，将所述阈值分类规则载入所述成熟模型中成为阈值分类层，用以提取所述成熟模型的输出层中的概率值，并根据所述概率值生成目标类别；
其中，所述阈值分类规则用于识别所述成熟模型的输出层中超过所述分类阈值的概率值，并将所述概率值所对应的输出类别设为目标类别。
上述方案中，所述对所述调整模型进行训练用以获得成熟模型之后，所述方法还包括：
构建具有差值阈值的差值分类规则；将所述差值分类规则载入所述成熟模型中成为差值分类层，用以提取所述成熟模型的输出层中的概率值，并根据所述概率值生成目标类别；
其中，所述差值分类规则用于提取所述成熟模型的输出层中的概率值，将所有概率值中的最大值和次大值相减得到分类差值；判断所述分类差值是否超过所述差值阈值；若是，则将所述最大值对应的输出类别设为目标类别；若否，则将所述最大值和所述次大值对应的输出类别设为目标类别。
上述方案中，所述将所述阈值分类规则载入所述成熟模型中成为阈值分类层之后，所述方法还包括：
构建阈值显示规则，将所述阈值显示规则载入所述成熟模型成为阈值显示层，用以提取所述阈值分类层中的目标类别，并根据所述目标类别生成显示信息，并根据所述目标类别生成显示信息；
其中，所述阈值显示规则用于按照概率值对所述目标类别进行降序排列得到目标队列，将所述目标队列中的目标类别及其概率值作为用于发送至客户端的显示信息；
所述将所述阈值显示规则载入所述成熟模型成为阈值显示层之后，所述方法还包括：
将所述阈值显示层生成的显示信息上传至区块链中。
上述方案中，所述将所述差值分类规则载入所述成熟模型中成为差值分类层之后，所述方法还包括：
构建差值显示规则，将所述差值显示规则载入所述成熟模型成为阈值显示层，用以提取所述差值分类层中的目标类别，并根据所述目标类别生成显示信息，并根据所述目标类别生成显示信息；
其中，所述差值显示规则用于按照概率值对所述目标类别进行降序排列得到目标队列，将所述目标队列中的目标类别及其概率值作为用于发送至客户端的显示信息；
所述将所述差值显示规则载入所述成熟模型成为阈值显示层之后，所述方法还包括：
将所述阈值显示层生成的显示信息上传至区块链中。
为实现上述目的，本发明还提供一种模型迁移训练装置，包括：
连接输入模块，用于与脉诊仪连接并获取脉搏数据，其中，所述脉搏数据包括脉象数据和脉诊数据，所述脉象数据描述了所述脉诊仪在采集部位下施加采集压力所获得的脉象表现，所述脉诊数据反映了所述脉象数据所属的脉象类别；
相似识别模块，用于识别所述脉象数据的数据特性，并根据所述数据特性获取相似样本；其中，所述相似样本包括表现数据和类别数据；
中间训练模块，用于以所述表现数据为输入数据，以所述类别数据为输出数据对预置的神经网络模型进行训练得到中间模型；
模型调整模块，用于将所述中间模型的输入层的通道数调整为所述脉象数据的维数，并将所述中间模型的输出层的通道数调整为所述脉诊数据的类别数量，使所述中间模型转为调整模型；其中，所述脉象数据的维数是指各所述采集部位与各所述采集压力一一对应形成组合对的数量，所述脉诊数据的类别数量是指所有脉象数据所属脉象类别的总数；
脉搏训练模块，用于将所述脉象数据录入所述调整模型的输入层，并以所述脉诊数据作为输出数据，对所述调整模型进行训练用以获得成熟模型。
为实现上述目的，本发明还提供一种计算机设备，其包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，所述计算机设备的处理器执行所述计算机程序时实现上述模型迁移训练方法的步骤。
为实现上述目的，本发明还提供一种计算机可读存储介质，所述可读存储介质上存储有计算机程序，所述可读存储介质存储的所述计算机程序被处理器执行时实现上述模型迁移训练方法的步骤。
本发明提供的模型迁移训练方法、装置、计算机设备及可读存储介质，通过根据目标样本识别相似样本，用以扩充训练模型的样本量，并通过相似样本对神经网络模型进行训练，使得相似样本能够首先对神经网络模型的中间层进行充分的训练并得到中间模型，保证模型能够具有足够的样本来对其进行训练，解决了目标样本数量较少无法对模型进行足够强度的训练的问题，实现通过数量较大的相似样本对神经网络模型进行训练得到中间模型的技术效果，保证了模型的训练强度；
根据目标样本的维度和类别数量修改中间模型的输入层和输出层，得到对于目标样本更加适配的输入层和输出层，再通过目标样本对已经被训练成功的调整模型进行训练，用于对中间模型进行精准调节得到成熟模型，实现基于实现算法模型的迁移，得到能够准确通过目标样本的输入信息识别目标样本的标签信息的成熟模型的技术效果，故消除了因目标样本数量不足，导致难以获得能够准确的根据输入信息对其进行分类的成熟模型的问题，提高了成熟模型的识别准确度。
附图说明
图1为本发明模型迁移训练方法实施例一的流程图；
图2是本发明模型迁移训练方法实施例二中模型迁移训练方法的具体方法流程图；
图3为本发明模型迁移训练装置实施例三的程序模块示意图；
图4为本发明计算机设备实施例四中计算机设备的硬件结构示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。基于本发明中的实施例，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，都属于本发明保护的范围。
本发明提供的模型迁移训练方法、装置、计算机设备及可读存储介质，适用于人工智能的智能决策技术领域，为提供一种基于输入识别模块、中间训练模块、模型调整模块、目标训练模块的模型迁移训练方法。本发明通过根据所述目标样本识别相似样本，通过所述相似样本对所述神经网络模型进行训练得到中间模型，将所述中间模型的输入层的通道数调整为所述目标样本的输入信息的维数，并将所述中间模型的输出层的通道数，调整为所述目标样本的标签信息的类别数量得到调整模型，通过所述目标样本对所述调整模型进行训练得到成熟模型。
实施例一：
请参阅图1，本实施例的一种模型迁移训练方法，包括：
S101：与脉诊仪连接并获取脉搏数据，其中，所述脉搏数据包括脉象数据和脉诊数据，所述脉象数据描述了所述脉诊仪在采集部位下施加采集压力所获得的脉象表现，所述脉诊数据反映了所述脉象数据所属的脉象类别；
S102：识别所述脉象数据的数据特性，并根据所述数据特性获取相似样本；其中，所述相似样本包括表现数据和类别数据；
S103：以所述表现数据为输入数据，以所述类别数据为输出数据对预置的神经网络模型进行训练得到中间模型；
S104：将所述中间模型的输入层的通道数调整为所述脉象数据的维数，并将所述中间模型的输出层的通道数调整为所述脉诊数据的类别数量，使所述中间模型转为调整模型；其中，所述脉象数据的维数是指各所述采集部位与各所述采集压力一一对应形成组合对的数量，所述脉诊数据的类别数量是指所有所述脉象数据所属脉象类别的总数；
S105：将所述脉象数据录入所述调整模型的输入层，并以所述脉诊数据作为输出数据，对所述调整模型进行训练用以获得成熟模型。
在示例性的实施例中，从所述脉诊仪中采集脉搏数据，所述脉搏数据包括脉象数据和脉诊数据；所述脉象数据是指分别在桡动脉的寸、关、尺三个采集部位，并分别在浮、中、沉三种采集压力下的的脉象表现，于本实施例中，所述脉象表现为跳动频次和反馈力度；因此，所述脉象数据是在寸浮、寸中、寸沉、关浮、关中、关沉、尺浮、尺中、尺沉9个维度下的跳动频次和反馈力度，即：寸浮-频次及力度1、寸中-频次及力度2、寸沉-频次及力度3、关浮-频次及力度4、关中-频次及力度5、关沉-频次及力度6、尺浮-频次及力度7、尺中-频次及力度8、尺沉-频次及力度9，9个采集部位和采集压力下的跳动频次和反馈力度，并将所述跳动频次和所述反馈力度设为脉象数据。其中，所述脉象数据的维数是指各所述采集部位与各所述采集压力一一对应形成组合对的数量，即：9个维度。所述脉诊数据是根据所述跳动频次和所述反馈力度对桡动脉所属脉象类别的判断数据，如：浮脉、沉脉、迟脉、数脉、虚脉、实脉、滑脉、洪脉、细脉、弦脉、促脉、结脉、代脉等共28个脉象类别，因此，所述脉诊数据的类别数量为28。
由于脉搏数据的数量通常是有限的，因此，如果只通过脉搏数据训练神经网络模型会导致所述模型不会受到充分的训练，进而导致获得的成熟模型的识别准确度不高的问题发生。因此，本步骤通过识别所述脉象数据的数据特性，并根据所述数据特性获取相似样本。根据脉搏数据识别相似样本，用以扩充训练模型的样本量，进而保证模型能够具有足够的样本来对其进行训练。
所述神经网络模型为卷积神经网络分类模型，尤其是一维卷积神经网络分类模型。所述神经网络模型的网络结构主体包括输入层、多个一维卷积层、全局平均池化层、全连接层、softmax输出层等。Softmax函数输出模型预测的该样本属于各个类别的概率分布。其中，所述卷积层、全局平均池化层和所述全连接层为所述中间层，所述softmax输出层为所述神经网络模型的输出层。
将所述相似样本的表现数据录入所述神经网络模型的输入层，并以所述类别数据作为输出数据，对所述神经网络模型进行训练用以获得中间模型。
由于脉搏数据和相似样本之间的维度和特征是不同的，因此，本步骤通过根据所述脉象数据的维数以及脉诊数据的类别数量，修改所述中间模型的输入层和输出层，得到对于所述脉搏数据更加适配的输入层和输出层。
通过脉搏数据对已经被训练成功的调整模型进行训练，用以获得能够准确识别脉搏数据的所属类别的成熟模型。通过数量较大的相似样本对神经网络模型进行训练得到中间模型，再通过脉搏数据对所述中间模型进行精准调节，实现基于实现算法模型的迁移，得到能够准确判断脉象数据是所属类别，并将该类别作为脉诊数据的成熟模型，因此，消除了脉搏数据数量不足，难以训练获得通过脉象数据识别其所属类别，以获得准确的脉诊数据的成熟模型的问题。
实施例二：
本实施例为上述实施例一的一种具体应用场景，通过本实施例，能够更加清楚、具体地阐述本发明所提供的方法。
下面，以在运行有模型迁移训练方法的服务器中，通过相似样本和目标样本训练神经网络模型以得到成熟模型为例，来对本实施例提供的方法进行具体说明。需要说明的是，本实施例只是示例性的，并不限制本发明实施例所保护的范围。
图2是本发明一个实施例提供的一种模型迁移训练方法的具体方法流程图，该方法具体包括步骤S201至S209。
S201：与脉诊仪连接并获取脉搏数据，其中，所述脉搏数据包括脉象数据和脉诊数据，所述脉象数据描述了所述脉诊仪在采集部位下施加采集压力所获得的脉象表现，所述脉诊数据反映了所述脉象数据所属的脉象类别。
本步骤中，从所述脉诊仪中采集脉搏数据，所述脉搏数据包括脉象数据和脉诊数据；所述脉象数据是指桡动脉的寸、关、尺三个采集部位，在浮、中、沉三种采集压力下的脉象表现，于本实施例中，所述脉象表现为跳动频次和反馈力度；因此，所述脉象数据是在寸浮、寸中、寸沉、关浮、关中、关沉、尺浮、尺中、尺沉9个维度下的跳动频次和反馈力度，即：寸浮-频次及力度1、寸中-频次及力度2、寸沉-频次及力度3、关浮-频次及力度4、关中-频次及力度5、关沉-频次及力度6、尺浮-频次及力度7、尺中-频次及力度8、尺沉-频次及力度9，9个采集部位和采集压力下的跳动频次和反馈力度，并将所述跳动频次和所述反馈力度设为脉象数据。所述脉诊数据是根据所述跳动频次和所述反馈力度对桡动脉进行判断的数据，如：浮脉、沉脉、迟脉、数脉、虚脉、实脉、滑脉、洪脉、细脉、弦脉、促脉、结脉、代脉等。
在一个优选的实施例中，所述与脉诊仪连接并获取脉搏数据的步骤，包括：
S11：通过TCP/IP协议与所述脉诊仪构建连接。
本步骤中，TCP/IP协议是一个网络通信模型，以及一整个网络传输协议家族，为互联网的基础通信架构，用于提供点对点的链接机制，将数据应该如何封装、定址、传输、路由以及在目的地如何接收，都加以标准化，其中，Tcp协议在传输层，ip协议在网际层。
S12：从所述脉诊仪中获取脉象数据，及获取与所述脉象数据对应的脉诊数据。
本步骤中，在从脉诊仪中采集脉象数据时，同时获取与所述脉象数据关联的脉诊数据，其中，所述关联的方式包括但不限于，
所述脉诊数据与所述脉象数据处于同一表格的同一行中；
所述脉诊数据与所述脉象数据处于同一诊断单据中；
所述脉诊数据与所述脉象数据之间具有映射关系。
通常的，所述脉象数据是通过脉诊仪对用户桡动脉进行测量所获得的，而所述脉诊数据是根据医生对脉象数据进行判断而录入所述脉诊仪中的医师判断数据。
S13：将所述脉象数据和所述脉诊数据整合成脉搏数据。
本步骤中，通过将所述脉象数据和所述脉诊数据汇总成一个数据集合，将所述数据集合设为所述脉搏数据。
S202：识别所述脉象数据的数据特性，并根据所述数据特性获取相似样本；其中，所述相似样本包括表现数据和类别数据。
本步骤中，由于脉搏数据的数量通常是有限的，因此，如果只通过脉搏数据训练神经网络模型会导致所述模型不会受到充分的训练，进而导致获得的成熟模型的识别准确度不高的问题发生。因此，本步骤通过识别所述脉象数据的数据特性，并根据所述数据特性获取相似样本。
通过根据脉搏数据识别相似样本，用以扩充训练模型的样本量，进而保证模型能够具有足够的样本来对其进行训练。
在一个优选的实施例中，所述识别所述脉象数据的数据特性，并根据所述数据特性获取相似样本的步骤，包括：
S21：提取所述脉搏数据的数据特性并将所述数据特性设为目标特征，其中，所述数据特性是描述脉搏数据的形式特征的数据信息。
本步骤中，所述脉搏信息的数据特征是是基于人体脉搏的周期性跳动，反映脉搏的跳动频次和反馈力度的指标。由于所述脉搏跳动数据是分别在桡动脉的寸、关、尺三个部位，依次施加浮、中、沉三种压力用以采集所述桡动脉的跳动频次；关为桡骨茎突处为关，寸为关之前的腕端部位，尺为关之后的肘端部位；浮是指所述诊脉仪轻轻地按在病人桡骨动脉皮肤上，中是指所述诊脉仪从浮位加小力，诊于皮肤之下，沉是指所述诊脉仪加重用力向下切脉并按至筋骨；于本实施例中，所述浮、中、沉的施力强度可通过在所述诊脉仪上调节设置。因此，所述脉搏跳动数据的数据特性是：基于人体脉搏的周期性跳动，反映脉搏的跳动频次和反馈力度的指标。
S22：提取所述目标特征中的关键字，识别预置的数据库中具有所述关键字的数据特性并将所述数据特性设为中间特征。
本步骤中，采用关键字提取方法提取目标特征中的关键字，获取数据库中所有样本信息的数据特性，识别所述数据库中具有所述关键字的数据特性并将所述数据特性设为相似特征，将所述相似特征对应的样本信息设为相似样本。需要说明的是，可采用基于TF-IDF算法的中文文本中的关键字提取算法，提取目标特征中的关键字，由于所述关键字提取算法属于现有技术，因此在本申请中不做进一步的赘述。
所述数据库中保存有用于训练神经网络模型的样本信息，通过脉诊仪采集的脉搏跳动信息、通过心电仪采集的心电图数据、通过脑电仪采集的脑电波数据等等。
S23：将具有所述关键字的数量超过预置的关键数量的中间特征设为相似特征。
S24：根据具有所述关键字的数量对所述中间特征进行降序排列得到中间队列，将位于所述中间队列首位的中间特征设为相似特征。
示例性地，目标特征是基于人体脉搏的周期性跳动，反映脉搏的跳动频次和反馈力度的指标，提取所述目标特征中的关键字，如：人体、脉搏、周期性跳动、跳动频次、反馈力度；
心电图(ECG)数据是利用心电图机从体表记录心脏每一心动周期所产生的电活动变化图形的技术，其反映了心机细胞从极化状态、经除极过程和复极过程后，再次进入到极化状态时，通过心房的P波、心室的QRS波、T波和等电位线在心电图上展示。因此，所述心电图数据是：基于人体心脏周期性跳动，反映心肌细胞的外心膜和内心膜之间电位变化的数据指标。
脑电波(Electroencephalogram，EEG)信息是一种使用电生理指标记录大脑活动的方法，大脑在活动时，大量神经元同步发生的突触后电位经总和后形成的。它记录大脑活动时的电波变化，是脑神经细胞的电生理活动在大脑皮层或头皮表面的总体反映。因此，所述脑电波数据的数据特性是：基于人体大脑的活动，反映大脑中神经元电位变化的指标。
根据所述关键字从数据库中获取具有所述关键字的数据特性，包括：心电图数据和脑电波数据的数据特性。心电图数据的数据特征：基于人体心脏周期性跳动，反映心肌细胞的外心膜和内心膜之间电位变化的数据指标中，具有2个关键字；脑电波数据的特征信息：基于人体大脑的活动，反映大脑中神经元电位变化的指标中，具有1个关键字；因此，将心电图数据的特征信息设为相似特征，而将所述心电图数据设为相似样本，其中，所述表现数据是反映所述相似样本的展示特征，例如：心电图信息的P波、心室的QRS波、T波和等电位线；所述类别数据是基于所述表现数据对所述相似样本的所属类别，例如：心房肥大、心室肥大、冠心病、心绞痛发作、心肌梗死、先心病、房间隔缺损、室间隔缺损、法洛四联症、肺动脉瓣狭窄等等。
S203：以所述表现数据为输入数据，以所述类别数据为输出数据对预置的神经网络模型进行训练得到中间模型。
本步骤中，所述神经网络模型为卷积神经网络分类模型，尤其是一维卷积神经网络分类模型。所述神经网络模型的网络结构主体包括输入层、多个一维卷积层、全局平均池化层、全连接层、softmax输出层等。Softmax函数输出模型预测的该样本属于各个类别的概率分布。其中，所述卷积层、全局平均池化层和所述全连接层为所述中间层，所述softmax输出层为所述神经网络模型的输出层。
S204：将所述中间模型的输入层的通道数调整为所述脉象数据的维数，并将所述中间模型的输出层的通道数调整为所述脉诊数据的类别数量，使所述中间模型转为调整模型；其中，所述脉象数据的维数是指各所述采集部位与各所述采集压力一一对应形成组合对的数量，所述脉诊数据的类别数量是指所有所述脉象数据所属脉象类别的总数。
由于脉搏数据和相似样本之间的维度和特征是不同的，因此，本步骤通过根据所述脉象数据的维数以及脉诊数据的类别数量，修改所述中间模型的输入层和输出层，得到对于所述脉搏数据更加适配的输入层和输出层。其其中，所述脉象数据的维数是指各所述采集部位与各所述采集压力一一对应形成组合对的数量，所述脉诊数据的类别数量是指所有所述脉象数据所属脉象类别的总数。
示例性地，脉象数据包括：寸浮-频次及力度1、寸中-频次及力度2、寸沉-频次及力度3、关浮-频次及力度4、关中-频次及力度5、关沉-频次及力度6、尺浮-频次及力度7、尺中-频次及力度8、尺沉-频次及力度9，共9个维度数量，因此，将所述输入层的通道数设为9。
所有脉诊数据的类别包括：浮脉、沉脉、迟脉、数脉、虚脉、实脉、滑脉、洪脉、细脉、弦脉、促脉、结脉、代脉等共28个脉象，因此，将所述输出层的通道数设为28。
因此得到输入层的通道数为9，输出层的通道数为28的调整模型。
S205：将所述脉象数据录入所述调整模型的输入层，并以所述脉诊数据作为输出数据，对所述调整模型进行训练用以获得成熟模型。
本步骤中，通过脉搏数据对已经被训练成功的调整模型进行训练，用以获得能够准确识别脉搏数据的所属类别的成熟模型。通过数量较大的相似样本对神经网络模型进行训练得到中间模型，再通过脉搏数据对所述中间模型进行精准调节，实现基于实现算法模型的迁移，得到能够准确判断脉象数据是所属类别，并将该类别作为脉诊数据的成熟模型，因此，消除了脉搏数据数量不足，难以训练获得通过脉象数据识别其所属类别，以获得准确的脉诊数据的成熟模型的问题。
S206：构建具有分类阈值的阈值分类规则，将所述阈值分类规则载入所述成熟模型中成为阈值分类层，用以提取所述成熟模型的输出层中的概率值，并根据所述概率值生成目标类别；
其中，所述阈值分类规则用于识别所述成熟模型的输出层中超过所述分类阈值的概率值，并将所述概率值所对应的输出类别设为目标类别。
由于样本的所属类别可能不是唯一的分类所属类别，因此，本步骤通过构建阈值分类规则，将所述输出层中所有可能的输出类别，即：概率值超过所述分类阈值的输出类别设为目标类别。
示例性地，接收客户端发送的待识别信息，其中，所述待识别信息是脉诊仪采集到的未知脉象的信号；通过所述成熟模型预测该未知脉象的类别预测结果的概率分布，即最后一个全连接层结果softmax函数的输出结果，即：所述成熟模型基于所述待识别信息在输出层中各输出类别上生成的概率值。
假设所述分类阈值为0.4；如果输出层上0.9的概率是滑脉，0.1的概率是其他脉象，那么阈值分类层预测结果，即所述目标类别，显示为滑脉。如果0.5的概率是弦脉，0.4的概率是滑脉，0.1的概率是其他脉象，那么阈值分类层预测结果，即所述目标类别，显示为弦滑脉。
S207：构建具有差值阈值的差值分类规则；将所述差值分类规则载入所述成熟模型中成为差值分类层，用以提取所述成熟模型的输出层中的概率值，并根据所述概率值生成目标类别；
其中，所述差值分类规则用于提取所述成熟模型的输出层中的概率值，将所有概率值中的最大值和次大值相减得到分类差值；判断所述分类差值是否超过所述差值阈值；若是，则将所述最大值对应的输出类别设为目标类别；若否，则将所述最大值和所述次大值对应的输出类别设为目标类别。
示例性地，接收客户端发送的待识别信息，其中，所述待识别信息是脉诊仪采集到的未知脉象的信号；通过所述成熟模型预测该未知脉象的类别预测结果的概率分布，即最后一个全连接层结果softmax函数的输出结果，即：所述成熟模型基于所述待识别信息在输出层中各输出类别上生成的概率值。
假设所述差值阈值为0.3；如果输出层上0.9的概率是滑脉，0.1的概率是其他脉象，那么差值分类层预测结果，即所述目标类别，显示为滑脉。如果0.5的概率是弦脉，0.4的概率是滑脉，0.1的概率是其他脉象，由于弦脉和滑脉的概率值分别为最大值和次大值，因此分类差值为0.1，其小于所述差值阈值，那么差值分类层预测结果，即所述目标类别，显示为弦滑脉。
S208：构建阈值显示规则，将所述阈值显示规则载入所述成熟模型成为阈值显示层，用以提取所述阈值分类层中的目标类别，并根据所述目标类别生成显示信息，并根据所述目标类别生成显示信息；
其中，所述阈值显示规则用于按照概率值对所述目标类别进行降序排列得到目标队列，将所述目标队列中的目标类别及其概率值作为用于发送至客户端的显示信息。
示例性地，基于上述举例，如果0.5的概率是弦脉，0.4的概率是滑脉，0.1的概率是其他脉象，那么目标类别为弦脉和滑脉，将弦脉：0.5和滑脉：0.4作为用于发送至客户端的显示信息，以便于客户端使用者进行参考。
优选的，所述将所述阈值显示规则载入所述成熟模型成为阈值显示层之后，所述方法还包括：
将所述阈值显示层生成的显示信息上传至区块链中。
需要说明的是，基于显示信息得到对应的摘要信息，具体来说，摘要信息由显示信息进行散列处理得到，比如利用sha256s算法处理得到。将摘要信息上传至区块链可保证其安全性和对用户的公正透明性。用户设备可以从区块链中下载得该摘要信息，以便查证显示信息是否被篡改。本示例所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
S209：构建差值显示规则，将所述差值显示规则载入所述成熟模型成为阈值显示层，用以提取所述差值分类层中的目标类别，并根据所述目标类别生成显示信息，并根据所述目标类别生成显示信息；
其中，所述差值显示规则用于按照概率值对所述目标类别进行降序排列得到目标队列，将所述目标队列中的目标类别及其概率值作为用于发送至客户端的显示信息。
示例性地，基于上述举例，如果0.5的概率是弦脉，0.4的概率是滑脉，0.1的概率是其他脉象，由于弦脉和滑脉的概率值分别为最大值和次大值，将最大值的弦脉：0.5和次大值的滑脉：0.4作为用于发送至客户端的显示信息，以便于客户端使用者进行参考。
优选的，所述将所述差值显示规则载入所述成熟模型成为阈值显示层之后，所述方法还包括：
将所述阈值显示层生成的显示信息上传至区块链中。
需要说明的是，基于显示信息得到对应的摘要信息，具体来说，摘要信息由显示信息进行散列处理得到，比如利用sha256s算法处理得到。将摘要信息上传至区块链可保证其安全性和对用户的公正透明性。用户设备可以从区块链中下载得该摘要信息，以便查证显示信息是否被篡改。本示例所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
在示例性的实施例中，所述成熟模型及阈值分类规则或差值分类规则，对客户端发送的待识别信息进行分类预测的方法，包括：
M1：接收客户端发送的待识别信息，通过所述成熟模型对所述待识别信息进行识别，并在所述成熟模型的输出层中生成各输出类别的概率值。
M2：调用所述阈值分类规则将超过所述分类阈值的概率值所对应的输出类别设为目标类别，汇总所述目标类别形成运算结果并将所述运算结果发送至所述客户端。
本步骤中，通过成熟模型识别客户端发送的待识别信息的所属类别，其中，所述待识别信息在各输出类别的概率，通过所述成熟模型的输出层中以概率值的形式展示。
示例性地，接收客户端发送的待识别信息，其中，所述待识别信息是脉诊仪采集到的未知脉象的信号；通过所述成熟模型预测该未知脉象的类别预测结果的概率分布，即最后一个全连接层结果softmax函数的输出结果，即：所述成熟模型基于所述待识别信息在输出层中各输出类别上生成的概率值。
假设所述分类阈值为0.4；如果输出层上0.9的概率是滑脉，0.1的概率是其他脉象，那么阈值分类层预测结果，即所述目标类别，显示为滑脉。如果0.5的概率是弦脉，0.4的概率是滑脉，0.1的概率是其他脉象，那么阈值分类层预测结果，即所述目标类别，显示为弦滑脉。
M3：调用所述差值分类规则，提取所述成熟模型的输出层中的概率值，将所有概率值中的最大值和次大值相减得到分类差值；判断所述分类差值是否超过所述差值阈值；若是，则将所述最大值对应的输出类别设为目标类别；若否，则将所述最大值和所述次大值对应的输出类别设为目标类别。
示例性地，接收客户端发送的待识别信息，其中，所述待识别信息是脉诊仪采集到的未知脉象的信号；通过所述成熟模型预测该未知脉象的类别预测结果的概率分布，即最后一个全连接层结果softmax函数的输出结果，即：所述成熟模型基于所述待识别信息在输出层中各输出类别上生成的概率值。
假设所述差值阈值为0.3；如果输出层上0.9的概率是滑脉，0.1的概率是其他脉象，那么差值分类层预测结果，即所述目标类别，显示为滑脉。如果0.5的概率是弦脉，0.4的概率是滑脉，0.1的概率是其他脉象，由于弦脉和滑脉的概率值分别为最大值和次大值，因此分类差值为0.1，其小于所述差值阈值，那么差值分类层预测结果，即所述目标类别，显示为弦滑脉。
实施例三：
请参阅图3，本实施例的一种模型迁移训练装置1，包括：
连接输入模块11，用于与脉诊仪连接并获取脉搏数据，其中，所述脉搏数据包括脉象数据和脉诊数据；
相似识别模块12，用于识别所述脉象数据的数据特性，并根据所述数据特性获取相似样本；其中，所述相似样本包括表现数据和类别数据；
中间训练模块13，用于以所述表现数据为输入数据，以所述类别数据为输出数据对预置的神经网络模型进行训练得到中间模型；
模型调整模块14，用于将所述中间模型的输入层的通道数调整为所述脉象数据的维数，并将所述中间模型的输出层的通道数调整为所述脉诊数据的类别数量，使所述中间模型转为调整模型；
脉搏训练模块15，用于将所述脉象数据录入所述调整模型的输入层，并以所述脉诊数据作为输出数据，对所述调整模型进行训练用以获得成熟模型。
可选的，模型迁移训练装置1还包括：
阈值分类模块16，用于构建具有分类阈值的阈值分类规则，将所述阈值分类规则载入所述成熟模型中成为阈值分类层，用以提取所述成熟模型的输出层中的概率值，并根据所述概率值生成目标类别；
其中，所述阈值分类规则用于识别所述成熟模型的输出层中超过所述分类阈值的概率值，并将所述概率值所对应的输出类别设为目标类别。
差分分类模块17，用于构建具有差值阈值的差值分类规则；将所述差值分类规则载入所述成熟模型中成为差值分类层，用以提取所述成熟模型的输出层中的概率值，并根据所述概率值生成目标类别；
其中，所述差值分类规则用于提取所述成熟模型的输出层中的概率值，将所有概率值中的最大值和次大值相减得到分类差值；判断所述分类差值是否超过所述差值阈值；若是，则将所述最大值对应的输出类别设为目标类别；若否，则将所述最大值和所述次大值对应的输出类别设为目标类别。
阈值显示模块18，用于构建阈值显示规则，将所述阈值显示规则载入所述成熟模型成为阈值显示层，用以提取所述阈值分类层中的目标类别，并根据所述目标类别生成显示信息，并根据所述目标类别生成显示信息；
其中，所述阈值显示规则用于按照概率值对所述目标类别进行降序排列得到目标队列，将所述目标队列中的目标类别及其概率值作为用于发送至客户端的显示信息。
差值显示模块19，用于构建差值显示规则，将所述差值显示规则载入所述成熟模型成为阈值显示层，用以提取所述差值分类层中的目标类别，并根据所述目标类别生成显示信息，并根据所述目标类别生成显示信息；
其中，所述差值显示规则用于按照概率值对所述目标类别进行降序排列得到目标队列，将所述目标队列中的目标类别及其概率值作为用于发送至客户端的显示信息。
可选的，连接输入模块11包括：
通信连接单元111，用于通过TCP/IP协议与所述脉诊仪构建连接。
数据获取单元112，用于从所述脉诊仪中获取脉象数据，及获取与所述脉象数据对应的脉诊数据。
数据整合单元113，用于将所述脉象数据和所述脉诊数据整合成脉搏数据。
可选的，相似识别模块12包括：
特性识别单元121，用于提取所述脉搏数据的数据特性并将所述数据特性设为目标特征，其中，所述数据特性是描述脉搏数据的形式特征的数据信息。
关键字单元122，用于提取所述目标特征中的关键字，识别预置的数据库中具有所述关键字的数据特性并将所述数据特性设为中间特征。
第一相似单元123，用于将具有所述关键字的数量超过预置的关键数量的中间特征设为相似特征。
第二相似单元124，用于根据具有所述关键字的数量对所述中间特征进行降序排列得到中间队列，将位于所述中间队列首位的中间特征设为相似特征。
本技术方案应用于人工智能的智能决策领域，通过根据所述目标样本识别的相似样本对所述神经网络模型进行训练得到中间模型，将所述中间模型的输入层的通道数调整为所述目标样本的输入信息的维数，并将所述中间模型的输出层的通道数，调整为所述目标样本的标签信息的类别数量得到调整模型，最后通过所述目标样本对所述调整模型进行训练得到成熟模型，进而得到能够对目标样本的类别进行准确识别的分类模型。
实施例四：
为实现上述目的，本发明还提供一种计算机设备2，实施例三的模型迁移训练装置的组成部分可分散于不同的计算机设备中，计算机设备2可以是执行程序的智能手机、平板电脑、笔记本电脑、台式计算机、机架式服务器、刀片式服务器、塔式服务器或机柜式服务器(包括独立的服务器，或者多个应用服务器所组成的服务器集群)等。本实施例的计算机设备至少包括但不限于：可通过系统总线相互通信连接的存储器21、处理器22，如图4所示。需要指出的是，图4仅示出了具有组件-的计算机设备，但是应理解的是，并不要求实施所有示出的组件，可以替代的实施更多或者更少的组件。
本实施例中，存储器21(即可读存储介质)包括闪存、硬盘、多媒体卡、卡型存储器(例如，SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘等。在一些实施例中，存储器21可以是计算机设备的内部存储单元，例如该计算机设备的硬盘或内存。在另一些实施例中，存储器21也可以是计算机设备的外部存储设备，例如该计算机设备上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。当然，存储器21还可以既包括计算机设备的内部存储单元也包括其外部存储设备。本实施例中，存储器21通常用于存储安装于计算机设备的操作系统和各类应用软件，例如实施例三的模型迁移训练装置的程序代码等。此外，存储器21还可以用于暂时地存储已经输出或者将要输出的各类数据。
处理器22在一些实施例中可以是中央处理器(Central Processing Unit，CPU)、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器22通常用于控制计算机设备的总体操作。本实施例中，处理器22用于运行存储器21中存储的程序代码或者处理数据，例如运行模型迁移训练装置，以实现实施例一和实施例二的模型迁移训练方法。
实施例五：
为实现上述目的，本发明还提供一种计算机可读存储介质，如闪存、硬盘、多媒体卡、卡型存储器(例如，SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘、服务器、App应用商城等等，其上存储有计算机程序，程序被处理器22执行时实现相应功能。本实施例的计算机可读存储介质用于存储实现所述模型迁移训练方法的计算机程序，被处理器22执行时实现实施例一和实施例二的模型迁移训练方法。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (9)

1.一种模型迁移训练方法，其特征在于，包括：
与脉诊仪连接并获取脉搏数据，其中，所述脉搏数据包括脉象数据和脉诊数据，所述脉象数据描述了所述脉诊仪在采集部位下施加采集压力所获得的脉象表现，所述脉诊数据反映了所述脉象数据所属的脉象类别；
识别所述脉象数据的数据特性，并根据所述数据特性获取相似样本；其中，所述相似样本包括表现数据和类别数据；所述识别所述脉象数据的数据特性，并根据所述数据特性获取相似样本的步骤，包括：提取所述脉搏数据的数据特性并将所述数据特性设为目标特征，其中，所述数据特性是描述脉搏数据的形式特征的数据信息；提取所述目标特征中的关键字，识别预置的数据库中具有所述关键字的数据特性并将所述数据特性设为中间特征；将具有所述关键字的数量超过预置的关键数量的中间特征设为相似特征；或根据具有所述关键字的数量对所述中间特征进行降序排列得到中间队列，将位于所述中间队列首位的中间特征设为相似特征；
以所述表现数据为输入数据，以所述类别数据为输出数据对预置的神经网络模型进行训练得到中间模型；
将所述中间模型的输入层的通道数调整为所述脉象数据的维数，并将所述中间模型的输出层的通道数调整为所述脉诊数据的类别数量，使所述中间模型转为调整模型；其中，所述脉象数据的维数是指各所述采集部位与各所述采集压力一一对应形成组合对的数量，所述脉诊数据的类别数量是指所有所述脉象数据所属脉象类别的总数；
将所述脉象数据录入所述调整模型的输入层，并以所述脉诊数据作为输出数据，对所述调整模型进行训练用以获得成熟模型。
2.根据权利要求1所述的模型迁移训练方法，其特征在于，所述与脉诊仪连接并获取脉搏数据的步骤，包括：
通过TCP/IP协议与所述脉诊仪构建连接；
从所述脉诊仪中获取脉象数据，及获取与所述脉象数据对应的脉诊数据；
将所述脉象数据和所述脉诊数据整合成脉搏数据。
3.根据权利要求1所述的模型迁移训练方法，其特征在于，所述对所述调整模型进行训练用以获得成熟模型之后，所述方法还包括：
构建具有分类阈值的阈值分类规则，将所述阈值分类规则载入所述成熟模型中成为阈值分类层，用以提取所述成熟模型的输出层中的概率值，并根据所述概率值生成目标类别；
其中，所述阈值分类规则用于识别所述成熟模型的输出层中超过所述分类阈值的概率值，并将所述概率值所对应的输出类别设为目标类别。
4.根据权利要求1所述的模型迁移训练方法，其特征在于，所述对所述调整模型进行训练用以获得成熟模型之后，所述方法还包括：
构建具有差值阈值的差值分类规则；将所述差值分类规则载入所述成熟模型中成为差值分类层，用以提取所述成熟模型的输出层中的概率值，并根据所述概率值生成目标类别；
其中，所述差值分类规则用于提取所述成熟模型的输出层中的概率值，将所有概率值中的最大值和次大值相减得到分类差值；判断所述分类差值是否超过所述差值阈值；若是，则将所述最大值对应的输出类别设为目标类别；若否，则将所述最大值和所述次大值对应的输出类别设为目标类别。
5.根据权利要求3所述的模型迁移训练方法，其特征在于，所述将所述阈值分类规则载入所述成熟模型中成为阈值分类层之后，所述方法还包括：
构建阈值显示规则，将所述阈值显示规则载入所述成熟模型成为阈值显示层，用以提取所述阈值分类层中的目标类别，并根据所述目标类别生成显示信息；
其中，所述阈值显示规则用于按照概率值对所述目标类别进行降序排列得到目标队列，将所述目标队列中的目标类别及其概率值作为用于发送至客户端的显示信息；
所述将所述阈值显示规则载入所述成熟模型成为阈值显示层之后，所述方法还包括：
将所述阈值显示层生成的显示信息上传至区块链中。
6.根据权利要求4所述的模型迁移训练方法，其特征在于，所述将所述差值分类规则载入所述成熟模型中成为差值分类层之后，所述方法还包括：
构建差值显示规则，将所述差值显示规则载入所述成熟模型成为阈值显示层，用以提取所述差值分类层中的目标类别，并根据所述目标类别生成显示信息；
其中，所述差值显示规则用于按照概率值对所述目标类别进行降序排列得到目标队列，将所述目标队列中的目标类别及其概率值作为用于发送至客户端的显示信息；
所述将所述差值显示规则载入所述成熟模型成为阈值显示层之后，所述方法还包括：
将所述阈值显示层生成的显示信息上传至区块链中。
7.一种模型迁移训练装置，其特征在于，包括：
连接输入模块，用于与脉诊仪连接并获取脉搏数据，其中，所述脉搏数据包括脉象数据和脉诊数据，所述脉象数据描述了所述脉诊仪在采集部位下施加采集压力所获得的脉象表现，所述脉诊数据反映了所述脉象数据所属的脉象类别；
相似识别模块，用于识别所述脉象数据的数据特性，并根据所述数据特性获取相似样本；其中，所述相似样本包括表现数据和类别数据；所述识别所述脉象数据的数据特性，并根据所述数据特性获取相似样本的步骤，包括：提取所述脉搏数据的数据特性并将所述数据特性设为目标特征，其中，所述数据特性是描述脉搏数据的形式特征的数据信息；提取所述目标特征中的关键字，识别预置的数据库中具有所述关键字的数据特性并将所述数据特性设为中间特征；将具有所述关键字的数量超过预置的关键数量的中间特征设为相似特征；或根据具有所述关键字的数量对所述中间特征进行降序排列得到中间队列，将位于所述中间队列首位的中间特征设为相似特征；
中间训练模块，用于以所述表现数据为输入数据，以所述类别数据为输出数据对预置的神经网络模型进行训练得到中间模型；
模型调整模块，用于将所述中间模型的输入层的通道数调整为所述脉象数据的维数，并将所述中间模型的输出层的通道数调整为所述脉诊数据的类别数量，使所述中间模型转为调整模型；其中，所述脉象数据的维数是指各所述采集部位与各所述采集压力一一对应形成组合对的数量，所述脉诊数据的类别数量是指所有脉象数据所属脉象类别的总数；
脉搏训练模块，用于将所述脉象数据录入所述调整模型的输入层，并以所述脉诊数据作为输出数据，对所述调整模型进行训练用以获得成熟模型。
8.一种计算机设备，其包括存储器、处理器以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，所述计算机设备的处理器执行所述计算机程序时实现权利要求1至6任一项所述模型迁移训练方法的步骤。
9.一种计算机可读存储介质，所述可读存储介质上存储有计算机程序，其特征在于，所述可读存储介质存储的所述计算机程序被处理器执行时实现权利要求1至6任一项所述模型迁移训练方法的步骤。
CN202110538360.7A 2021-05-18 2021-05-18 模型迁移训练方法、装置、计算机设备及可读存储介质 Active CN113229798B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110538360.7A CN113229798B (zh) 2021-05-18 2021-05-18 模型迁移训练方法、装置、计算机设备及可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110538360.7A CN113229798B (zh) 2021-05-18 2021-05-18 模型迁移训练方法、装置、计算机设备及可读存储介质

Publications (2)

Publication Number Publication Date
CN113229798A CN113229798A (zh) 2021-08-10
CN113229798B true CN113229798B (zh) 2023-08-22

Family

ID=77135033

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110538360.7A Active CN113229798B (zh) 2021-05-18 2021-05-18 模型迁移训练方法、装置、计算机设备及可读存储介质

Country Status (1)

Country Link
CN (1) CN113229798B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115374125B (zh) * 2022-09-01 2024-05-10 无锡市华焯光电科技有限公司 脉象诊断分类方法、数据库构建方法、装置及存储介质

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108670209A (zh) * 2018-03-29 2018-10-19 中国科学院微电子研究所 一种自动识别中医脉象的方法和系统
CN109276255A (zh) * 2018-11-27 2019-01-29 平安科技（深圳）有限公司 一种肢体震颤检测方法及装置
CN109363632A (zh) * 2018-09-26 2019-02-22 北京三医智慧科技有限公司 脉象数据的解读方法和脉象数据的解读装置
CN110575148A (zh) * 2019-09-29 2019-12-17 北京一药良心信息科技有限公司 一种中医远程诊脉方法、装置和服务器
CN111568393A (zh) * 2020-05-10 2020-08-25 张东 一种基于人工智能的个体化中医脉诊系统
TWI702936B (zh) * 2019-09-26 2020-09-01 國立成功大學 基於穴道電阻與血壓波的脈象分析方法、預測模型建立方法及其系統
CN112487945A (zh) * 2020-11-26 2021-03-12 上海贝业斯健康科技有限公司 一种基于双路卷积神经网络融合的脉象识别方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108670209A (zh) * 2018-03-29 2018-10-19 中国科学院微电子研究所 一种自动识别中医脉象的方法和系统
CN109363632A (zh) * 2018-09-26 2019-02-22 北京三医智慧科技有限公司 脉象数据的解读方法和脉象数据的解读装置
CN109276255A (zh) * 2018-11-27 2019-01-29 平安科技（深圳）有限公司 一种肢体震颤检测方法及装置
TWI702936B (zh) * 2019-09-26 2020-09-01 國立成功大學 基於穴道電阻與血壓波的脈象分析方法、預測模型建立方法及其系統
CN110575148A (zh) * 2019-09-29 2019-12-17 北京一药良心信息科技有限公司 一种中医远程诊脉方法、装置和服务器
CN111568393A (zh) * 2020-05-10 2020-08-25 张东 一种基于人工智能的个体化中医脉诊系统
CN112487945A (zh) * 2020-11-26 2021-03-12 上海贝业斯健康科技有限公司 一种基于双路卷积神经网络融合的脉象识别方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
颜建军 等.基于递归图和卷积神经网络的脉象分析识别.2020,第56卷(第7期),第170-175页. *

Also Published As

Publication number Publication date
CN113229798A (zh) 2021-08-10

Similar Documents

Publication Publication Date Title
US11564612B2 (en) Automatic recognition and classification method for electrocardiogram heartbeat based on artificial intelligence
de Albuquerque et al. Robust automated cardiac arrhythmia detection in ECG beat signals
Jiang et al. A novel multi-module neural network system for imbalanced heartbeats classification
JP6986724B2 (ja) 人工知能に基づく心電図干渉識別方法
US11617528B2 (en) Systems and methods for reduced lead electrocardiogram diagnosis using deep neural networks and rule-based systems
CN111990989A (zh) 一种基于生成对抗及卷积循环网络的心电信号识别方法
Ahmed et al. An investigative study on motifs extracted features on real time big-data signals
Moses et al. A survey of data mining algorithms used in cardiovascular disease diagnosis from multi-lead ECG data
CN112690802B (zh) 一种检测心电信号的方法、装置、终端及存储介质
WO2022077888A1 (zh) 一种光体积描计信号的散点图分类方法和装置
Jeong et al. Convolutional neural network for classification of eight types of arrhythmia using 2D time–frequency feature map from standard 12-lead electrocardiogram
El‐Saadawy et al. Hybrid hierarchical method for electrocardiogram heartbeat classification
CN115666387A (zh) 基于多导联的心电信号识别方法和心电信号识别装置
Feyisa et al. Lightweight Multireceptive Field CNN for 12‐Lead ECG Signal Classification
CN113966192A (zh) 用于心房颤动分类的ecg庞加莱图上的深度神经网络
EP4041073A1 (en) Systems and methods for electrocardiogram diagnosis using deep neural networks and rule-based systems
Zhao et al. An explainable attention-based TCN heartbeats classification model for arrhythmia detection
CN113229798B (zh) 模型迁移训练方法、装置、计算机设备及可读存储介质
Wang et al. Multiscale residual network based on channel spatial attention mechanism for multilabel ECG classification
CN110522446A (zh) 一种准确性高实用性强的脑电信号分析方法
CN109033990B (zh) 基于类内类间距离的cnn模型心拍分类方法
CN116649899A (zh) 一种基于注意力机制特征融合的心电信号分类方法
Qu et al. Quantum conditional generative adversarial network based on patch method for abnormal electrocardiogram generation
CN113723519A (zh) 基于对比学习的心电数据处理方法、装置及存储介质
CN117547283B (zh) 心电信号数据分类方法、装置、计算机设备及介质

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