CN117290763A - 一种肺部功能模拟训练方法及系统 - Google Patents
一种肺部功能模拟训练方法及系统 Download PDFInfo
- Publication number
- CN117290763A CN117290763A CN202311338382.4A CN202311338382A CN117290763A CN 117290763 A CN117290763 A CN 117290763A CN 202311338382 A CN202311338382 A CN 202311338382A CN 117290763 A CN117290763 A CN 117290763A
- Authority
- CN
- China
- Prior art keywords
- description
- simulation training
- preset
- target
- lung function
- 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.)
- Pending
Links
- 238000004088 simulation Methods 0.000 title claims abstract description 647
- 238000012549 training Methods 0.000 title claims abstract description 484
- 238000000034 method Methods 0.000 title claims abstract description 62
- 230000009325 pulmonary function Effects 0.000 title claims description 79
- 230000004199 lung function Effects 0.000 claims abstract description 289
- 238000011156 evaluation Methods 0.000 claims abstract description 104
- 230000008569 process Effects 0.000 claims abstract description 16
- 238000012545 processing Methods 0.000 claims description 44
- 230000007704 transition Effects 0.000 claims description 16
- 230000004044 response Effects 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 7
- 230000002159 abnormal effect Effects 0.000 claims description 5
- 238000004891 communication Methods 0.000 claims description 3
- 210000004072 lung Anatomy 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000003491 array Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000003902 lesion Effects 0.000 description 2
- 208000000059 Dyspnea Diseases 0.000 description 1
- 206010013975 Dyspnoeas Diseases 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 238000013123 lung function test Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000004393 prognosis Methods 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 210000002345 respiratory system Anatomy 0.000 description 1
- 208000023504 respiratory system disease Diseases 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Computational Linguistics (AREA)
- Pathology (AREA)
- Biophysics (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请提供的一种肺部功能模拟训练方法及系统,根据目标肺部功能模拟数据及评估模拟训练结果,对肺部功能模拟训练线程进行训练,得到的训练后的肺部功能模拟训练线程的精确度会降低,还会根据肺部功能模拟训练线程对目标肺部功能模拟数据处理后得到的若干个模拟训练结果的可能性,获得目标肺部功能模拟数据的模拟训练结果描述特征,从而获知该肺部功能模拟训练线程处理目标肺部功能模拟数据得到的模拟训练结果的模糊程度,在模拟训练结果描述特征符合目标要求时,才会根据目标肺部功能模拟数据及评估模拟训练结果,对肺部功能模拟训练线程进行训练,保证了得到的训练后的肺部功能模拟训练线程的精确度越来越大。
Description
技术领域
本申请涉及数据训练技术领域,具体而言,涉及一种肺部功能模拟训练方法及系统。
背景技术
肺功能检查是呼吸系统疾病的必要检查之一。主要用于检测呼吸道的通畅程度、肺容量的大小,对于早期检出肺、气道病变,评估疾病的病情严重程度及预后,评定药物或其他治疗方法的疗效,鉴别呼吸困难的原因,诊断病变部位、评估肺功能对手术的耐受力或劳动强度耐受力及对危重病人的监护等方面有重要的临床价值。
现目前,针对肺的检查,只能做到短时间的检查,肺功能长时间的检查是难以实现的,这样可能会导致肺功能的检查不准确的问题,因此,亟需一种肺部功能模拟训练方法以克服上述技术问题。
发明内容
为改善相关技术中存在的技术问题,本申请提供了一种肺部功能模拟训练方法及系统。
第一方面,提供一种肺部功能模拟训练方法,所述方法包括:调用肺部功能模拟训练线程,对目标肺部功能模拟数据进行处理,得到若干个模拟训练结果的可能性,挑选可能性最佳的模拟训练结果确定为目标模拟训练结果;获得所述目标肺部功能模拟数据的评估数据,所述评估数据包括对所述目标模拟训练结果进行评估后得到的评估模拟训练结果,所述目标模拟训练结果与所述评估模拟训练结果不一致;对所述若干个模拟训练结果的可能性进行拟合处理,获得所述目标肺部功能模拟数据的模拟训练结果描述特征,所述模拟训练结果描述特征用于指示所述肺部功能模拟训练线程处理所述目标肺部功能模拟数据得到的模拟训练结果的模糊程度;其中,所述若干个模拟训练结果的可能性相差越小,所述模糊程度越大;所述模糊程度越大,所述目标模拟训练结果的精确度越小;响应于所述模拟训练结果描述特征符合目标要求,依据所述目标肺部功能模拟数据及所述评估模拟训练结果,对所述肺部功能模拟训练线程进行训练,得到训练后的肺部功能模拟训练线程,所述目标要求指示所述目标模拟训练结果为异常结果的要求。
进一步地,所述响应于所述模拟训练结果描述特征符合目标要求,依据所述目标肺部功能模拟数据及所述评估模拟训练结果,对所述肺部功能模拟训练线程进行训练,得到训练后的肺部功能模拟训练线程,包括:对所述模拟训练结果描述特征进行拟合处理,获得所述目标模拟训练结果的精确度;响应于所述目标模拟训练结果的精确度小于事先设定精确度,依据所述目标肺部功能模拟数据及所述评估模拟训练结果,对所述肺部功能模拟训练线程进行训练,得到所述训练后的肺部功能模拟训练线程。
可以理解的是,述响应于所述模拟训练结果描述特征符合目标要求,依据所述目标肺部功能模拟数据及所述评估模拟训练结果,对所述肺部功能模拟训练线程进行训练时,改善了训练异常的问题,从而能够精确地得到训练后的肺部功能模拟训练线程。
进一步地,所述模拟训练结果描述特征为所述目标肺部功能模拟数据的辨识度,所述辨识度与所述目标模拟训练结果的精确度存在联系;或者,所述模拟训练结果描述特征为所述目标肺部功能模拟数据的冗余数据,所述冗余数据与所述目标模拟训练结果的精确度不存在联系。
进一步地,所述对所述若干个模拟训练结果的可能性进行拟合处理,获得所述目标肺部功能模拟数据的模拟训练结果描述特征之后,所述方法还包括:若所述模拟训练结果描述特征不符合所述目标要求,将所述评估数据剔除。
可以理解的是,能精确地将不符合目标要求的数据进行删除,保障模拟训练结果描述特征的准确性。
进一步地,所述响应于所述模拟训练结果描述特征符合目标要求,依据所述目标肺部功能模拟数据及所述评估模拟训练结果,对所述肺部功能模拟训练线程进行训练,得到训练后的肺部功能模拟训练线程之后,所述方法还包括:对第一肺部功能模拟数据中的各个关键描述属性进行压缩,得到所述各个关键描述属性对应的属性描述值;获得包括若干个事先设定描述值以及对应的描述要素的对应关系,所述若干个事先设定描述值依照指定方式进行分布;根据各个属性描述值与所述若干个事先设定描述值之间的大小关系以及所述若干个事先设定描述值的分布情况,读取所述各个属性描述值对应的描述要素;将所述各个关键描述属性分别切换为所述各个属性描述值对应的描述要素,得到第二肺部功能模拟数据;调用所述训练后的肺部功能模拟训练线程,对所述第二肺部功能模拟数据进行处理,得到模拟训练结果。
可以理解的是,对各个关键描述属性进行精确地分析,从而能够精确地获得模拟训练结果。
进一步地,所述根据各个属性描述值与所述若干个事先设定描述值之间的大小关系以及所述若干个事先设定描述值的分布情况,读取所述各个属性描述值对应的描述要素,包括:对于各个属性描述值,进行如下读取处理:确定所述若干个事先设定描述值中位于过渡位置的第一事先设定描述值;响应于所述第一事先设定描述值与所述属性描述值一致,将所述第一事先设定描述值对应的描述要素,确定为所述属性描述值对应的描述要素;响应于所述第一事先设定描述值小于所述属性描述值,依据所述若干个事先设定描述值的分布情况确定大于所述第一事先设定描述值的第二事先设定描述值,直到确定的事先设定描述值与所述属性描述值一致,将所述确定的事先设定描述值对应的描述要素确定为所述属性描述值对应的描述要素;响应于所述第一事先设定描述值大于所述属性描述值,依据所述若干个事先设定描述值的分布情况确定小于所述第一事先设定描述值的第三事先设定描述值,直到确定的事先设定描述值与所述属性描述值一致,将所述确定的事先设定描述值对应的描述要素确定为所述属性描述值对应的描述要素。
可以理解的是,根据各个属性描述值与所述若干个事先设定描述值之间的大小关系以及所述若干个事先设定描述值的分布情况,这样能够提高数据的准确性,从而能够准确地读取所述各个属性描述值对应的描述要素。
进一步地,所述依据所述若干个事先设定描述值的分布情况确定大于所述第一事先设定描述值的第二事先设定描述值,包括:若所述若干个事先设定描述值依照从大到小的方式进行分布,从位于所述第一事先设定描述值之前的事先设定描述值中,确定第二事先设定描述值;若所述若干个事先设定描述值依照从小到大的方式进行分布,从位于所述第一事先设定描述值之后的事先设定描述值中,确定第二事先设定描述值。
可以理解的是,在精确地确信出若干个事先设定描述值的分布情况,从而能够准确地确定大于所述第一事先设定描述值的第二事先设定描述值。
进一步地,所述若所述若干个事先设定描述值依照从大到小的方式进行分布,从位于所述第一事先设定描述值之前的事先设定描述值中,确定第二事先设定描述值,包括:若所述若干个事先设定描述值依照从大到小的方式进行分布,将所述第一事先设定描述值的前一事先设定描述值确定为所述第二事先设定描述值;或者;若所述若干个事先设定描述值依照从大到小的方式进行分布,将位于所述若干个事先设定描述值中的第一个事先设定描述值与所述第一事先设定描述值的过渡位置的事先设定描述值,确定为所述第二事先设定描述值。
可以理解的是,若所述若干个事先设定描述值依照从大到小的方式进行分布,从位于所述第一事先设定描述值之前的事先设定描述值中时,改善了数据分布不准确的问题,从而能够准确地确定第二事先设定描述值。
进一步地,所述若所述若干个事先设定描述值依照从小到大的方式进行分布,从位于所述第一事先设定描述值之后的事先设定描述值中,确定第二事先设定描述值,包括:若所述若干个事先设定描述值依照从小到大的方式进行分布,将所述第一事先设定描述值的后一事先设定描述值确定为所述第二事先设定描述值;或者;若所述若干个事先设定描述值依照从小到大的方式进行分布,将位于所述若干个事先设定描述值中的最后一个事先设定描述值与所述第一事先设定描述值的过渡位置的事先设定描述值,确定为所述第二事先设定描述值。
可以理解的是,若所述若干个事先设定描述值依照从大到小的方式进行分布,从位于所述第一事先设定描述值之前的事先设定描述值中时,改善了数据分布不准确的问题,从而能够准确地确定第二事先设定描述值。
第二方面,提供一种肺部功能模拟训练系统,包括互相之间通信的处理器和存储器,所述处理器用于从所述存储器中读取计算机程序并执行,以实现上述的方法。
本申请实施例所提供的一种肺部功能模拟训练方法及系统,
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本申请的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他相关的附图。
图1为本申请实施例所提供的一种肺部功能模拟训练方法的流程图。
实施方式
为了更好的理解上述技术方案,下面通过附图以及具体实施例对本申请技术方案做详细的说明,应当理解本申请实施例以及实施例中的具体特征是对本申请技术方案的详细的说明,而不是对本申请技术方案的限定,在不冲突的情况下,本申请实施例以及实施例中的技术特征可以相互组合。
请参阅图1,示出了一种肺部功能模拟训练方法,该方法可以包括以下步骤201-204所描述的技术方案。
201、调用肺部功能模拟训练线程,对目标肺部功能模拟数据进行处理,得到若干个模拟训练结果的可能性,挑选可能性最佳的模拟训练结果确定为目标模拟训练结果。
示例性的,肺部功能模拟训练线程可以通过计算机或者数据中心将肺的工作状态进行数据化模拟。
其中,肺部功能模拟训练线程是采用深度学习算法训练得到的,用于对肺部功能模拟数据进行处理的线程,其中,对肺部功能模拟数据进行处理可以是对肺部功能模拟数据进行分类处理、对肺部功能模拟数据进行调试处理,根据肺部功能模拟数据生成对应的解答肺部功能模拟数据等。可选地,该肺部功能模拟训练线程可以是肺部功能模拟数据分类线程、肺部功能模拟数据调试线程、肺部功能模拟数据生成线程、肺部功能模拟数据衍生线程等。
其中,目标肺部功能模拟数据可以是该肺部功能模拟训练线程处理的任一肺部功能模拟数据。
202、获得该目标肺部功能模拟数据的评估数据,该评估数据包括对该目标模拟训练结果进行评估后得到的评估模拟训练结果,该目标模拟训练结果与该评估模拟训练结果不一致。
示例性的,评估数据可以理解为肺部功能模拟数据进行分析和评分后获得数据。
203、对该若干个模拟训练结果的可能性进行拟合处理,获得该目标肺部功能模拟数据的模拟训练结果描述特征,该模拟训练结果描述特征用于指示该肺部功能模拟训练线程处理该目标肺部功能模拟数据得到的模拟训练结果的模糊程度。
示例性的,拟合可以理解为整合以及拼接等。
由于目标模拟训练结果与评估模拟训练结果不一致,则该目标模拟训练结果与评估模拟训练结果中只有一个模拟训练结果是准确的。在肺部功能模拟训练线程对目标肺部功能模拟数据进行处理时,会得到若干个模拟训练结果的可能性,对该若干个模拟训练结果的可能性进行拟合处理,可以得到该目标肺部功能模拟数据的模拟训练结果描述特征,从而获知该肺部功能模拟训练线程处理该目标肺部功能模拟数据得到的模拟训练结果的模糊程度和目标模拟训练结果的准确性。
204、响应于该模拟训练结果描述特征符合目标要求,根据该目标肺部功能模拟数据及该评估模拟训练结果,对该肺部功能模拟训练线程进行训练,得到训练后的肺部功能模拟训练线程。
如果模拟训练结果描述特征符合目标要求,则说明目标模拟训练结果的准确性较差,可以认为目标模拟训练结果是不准确的,评估模拟训练结果是准确的,从而可以根据目标肺部功能模拟数据以及该评估模拟训练结果,对肺部功能模拟训练线程进行训练,得到更加准确的训练后的肺部功能模拟训练线程。
本申请实施例提供的肺部功能模拟训练方法,可以通过获得目标肺部功能模拟数据的评估数据,对输出的模拟训练结果不够准确的肺部功能模拟训练线程继续训练,提高了肺部功能模拟训练线程的精确度。另外,如果评估模拟训练结果是错误的模拟训练结果,那么根据目标肺部功能模拟数据及评估模拟训练结果,对肺部功能模拟训练线程进行训练,得到的训练后的肺部功能模拟训练线程的精确度会降低,因此,本申请实施例还会根据肺部功能模拟训练线程对目标肺部功能模拟数据处理后得到的若干个模拟训练结果的可能性,来获得目标肺部功能模拟数据的模拟训练结果描述特征,从而获知该肺部功能模拟训练线程处理目标肺部功能模拟数据得到的模拟训练结果的模糊程度,在模拟训练结果描述特征符合目标要求时,才会根据目标肺部功能模拟数据及评估模拟训练结果,对肺部功能模拟训练线程进行训练,保证了得到的训练后的肺部功能模拟训练线程的精确度越来越大。
可选地,该响应于该模拟训练结果描述特征符合目标要求,根据该目标肺部功能模拟数据及该评估模拟训练结果,对该肺部功能模拟训练线程进行训练,得到训练后的肺部功能模拟训练线程,包括:对该模拟训练结果描述特征进行拟合处理,获得该目标模拟训练结果的精确度;响应于该目标模拟训练结果的精确度小于事先设定精确度,根据该目标肺部功能模拟数据及该评估模拟训练结果,对该肺部功能模拟训练线程进行训练,得到该训练后的肺部功能模拟训练线程。
可选地,该模拟训练结果描述特征为该目标肺部功能模拟数据的辨识度,该辨识度与该目标模拟训练结果的精确度存在联系;或者,
该模拟训练结果描述特征为该目标肺部功能模拟数据的冗余数据,该冗余数据与该目标模拟训练结果的精确度不存在联系。
可选地,该对该若干个模拟训练结果的可能性进行拟合处理,获得该目标肺部功能模拟数据的模拟训练结果描述特征之后,该方法还包括:若该模拟训练结果描述特征不符合该目标要求,将该评估数据剔除。
可选地,该响应于该模拟训练结果描述特征符合目标要求,根据该目标肺部功能模拟数据及该评估模拟训练结果,对该肺部功能模拟训练线程进行训练,得到训练后的肺部功能模拟训练线程之后,该方法还包括:对第一肺部功能模拟数据中的各个关键描述属性进行压缩,得到该各个关键描述属性对应的属性描述值;获得包括若干个事先设定描述值以及对应的描述要素的对应关系,该若干个事先设定描述值依照指定方式进行分布;根据各个属性描述值与该若干个事先设定描述值之间的大小关系以及该若干个事先设定描述值的分布情况,读取该各个属性描述值对应的描述要素;将该各个关键描述属性分别切换为该各个属性描述值对应的描述要素,得到第二肺部功能模拟数据;调用该训练后的肺部功能模拟训练线程,对该第二肺部功能模拟数据进行处理,得到模拟训练结果。
可选地,该根据各个属性描述值与该若干个事先设定描述值之间的大小关系以及该若干个事先设定描述值的分布情况,读取该各个属性描述值对应的描述要素,包括:对于各个属性描述值,进行如下读取处理:确定该若干个事先设定描述值中位于过渡位置的第一事先设定描述值;响应于该第一事先设定描述值与该属性描述值一致,将该第一事先设定描述值对应的描述要素,确定为该属性描述值对应的描述要素;响应于该第一事先设定描述值小于该属性描述值,根据该若干个事先设定描述值的分布情况确定大于该第一事先设定描述值的第二事先设定描述值,直到确定的事先设定描述值与该属性描述值一致,将该确定的事先设定描述值对应的描述要素确定为该属性描述值对应的描述要素;响应于该第一事先设定描述值大于该属性描述值,根据该若干个事先设定描述值的分布情况确定小于该第一事先设定描述值的第三事先设定描述值,直到确定的事先设定描述值与该属性描述值一致,将该确定的事先设定描述值对应的描述要素确定为该属性描述值对应的描述要素。
可选地,该根据该若干个事先设定描述值的分布情况确定大于该第一事先设定描述值的第二事先设定描述值,包括:若该若干个事先设定描述值依照从大到小的方式进行分布,从位于该第一事先设定描述值之前的事先设定描述值中,确定第二事先设定描述值;若该若干个事先设定描述值依照从小到大的方式进行分布,从位于该第一事先设定描述值之后的事先设定描述值中,确定第二事先设定描述值。
可选地,该若该若干个事先设定描述值依照从大到小的方式进行分布,从位于该第一事先设定描述值之前的事先设定描述值中,确定第二事先设定描述值,包括:若该若干个事先设定描述值依照从大到小的方式进行分布,将该第一事先设定描述值的前一事先设定描述值确定为该第二事先设定描述值;或者;若该若干个事先设定描述值依照从大到小的方式进行分布,将位于该若干个事先设定描述值中的第一个事先设定描述值与该第一事先设定描述值的过渡位置的事先设定描述值,确定为该第二事先设定描述值。
可选地,该若该若干个事先设定描述值依照从小到大的方式进行分布,从位于该第一事先设定描述值之后的事先设定描述值中,确定第二事先设定描述值,包括:若该若干个事先设定描述值依照从小到大的方式进行分布,将该第一事先设定描述值的后一事先设定描述值确定为该第二事先设定描述值;或者;若该若干个事先设定描述值依照从小到大的方式进行分布,将位于该若干个事先设定描述值中的最后一个事先设定描述值与该第一事先设定描述值的过渡位置的事先设定描述值,确定为该第二事先设定描述值。
在一种可能实施的实施例中,该方法包括以下内容。
301、调用该肺部功能模拟训练线程,对该目标肺部功能模拟数据进行处理,得到若干个模拟训练结果的可能性,挑选可能性最佳的模拟训练结果确定为该目标模拟训练结果。
其中,目标肺部功能模拟数据可以是任一肺部功能模拟数据,譬如,该目标肺部功能模拟数据是肺部功能模拟数据等。其中,通过肺部功能模拟训练线程对目标肺部功能模拟数据进行处理,会得到若干个模拟训练结果的可能性,而目标模拟训练结果为可能性最佳的模拟训练结果。
譬如,肺部功能模拟训练线程为识别线程,肺部功能模拟训练线程对肺部功能模拟数据进行处理后,得到若干个分类结果的可能性。
譬如,肺部功能模拟训练线程为用于识别目标种类肺部功能模拟数据的线程,如果目标肺部功能模拟数据为目标种类肺部功能模拟数据的话,将该目标肺部功能模拟数据输入至肺部功能模拟训练线程中,得到的输出结果为该目标肺部功能模拟数据不是目标种类肺部功能模拟数据;如果目标肺部功能模拟数据不是目标种类肺部功能模拟数据的话,将该目标肺部功能模拟数据输入至肺部功能模拟训练线程中,得到的输出结果为该目标肺部功能模拟数据为目标种类肺部功能模拟数据。
302、获得目标肺部功能模拟数据的评估数据,该评估数据对该目标肺部功能模拟数据进行处理后得到的目标模拟训练结果,该目标模拟训练结果与该评估模拟训练结果不一致。
其中,评估数据用于对肺部功能模拟训练线程输出的目标模拟训练结果进行评估。譬如,肺部功能模拟训练线程为识别线程,该识别线程对目标肺部功能模拟数据进行处理。
303、对该若干个模拟训练结果的可能性进行拟合处理,获得该目标肺部功能模拟数据的模拟训练结果描述特征,该模拟训练结果描述特征用于指示该肺部功能模拟训练线程处理该目标肺部功能模拟数据得到的模拟训练结果的模糊程度。
由于肺部功能模拟训练线程的是经过训练得到的,该肺部功能模拟训练线程的模拟训练结果的精确度会较高,可选地,可以确定肺部功能模拟训练线程的目标模拟训练结果是否正确,若肺部功能模拟训练线程的模拟训练结果正确,则认为评估模拟训练结果错误;若肺部功能模拟训练线程的目标模拟训练结果的精确度较低,且还存在对该目标模拟训练结果进行评估得到的评估模拟训练结果,则可以认为目标模拟训练结果错误,评估模拟训练结果正确。
其中,模拟训练结果描述特征用于指示该肺部功能模拟训练线程处理该目标肺部功能模拟数据得到的模拟训练结果的模糊程度。可选地,该模拟训练结果描述特征可以根据肺部功能模拟训练线程对目标肺部功能模拟数据进行处理后,得到的若干个模拟训练结果的可能性来确定。其中,该若干个模拟训练结果相差越大,该肺部功能模拟训练线程处理该目标肺部功能模拟数据得到的模拟训练结果的模糊程度越小;该若干个模拟训练结果相差越小,该肺部功能模拟训练线程处理该目标肺部功能模拟数据得到的模拟训练结果的模糊程度越大。并且,肺部功能模拟训练线程处理目标肺部功能模拟数据得到的模拟训练结果的不确定性越大,目标模拟训练结果的精确度程度越小;肺部功能模拟训练线程处理目标肺部功能模拟数据得到的模拟训练结果的模糊程度越小,目标模拟训练结果的精确度越大。
在一种可能实现方式中,该目标肺部功能模拟数据的模拟训练结果描述特征为该目标肺部功能模拟数据的辨识度,该辨识度与该精确度存在联系;或者,该目标肺部功能模拟数据的模拟训练结果描述特征为该目标肺部功能模拟数据的冗余数据,该冗余数据与该精确度不存在联系。
其中,获得目标肺部功能模拟数据的辨识度,可以包括:根据辨识度公式,对该若干个模拟训练结果的可能性进行拟合处理,获得该目标肺部功能模拟数据的辨识度,其中,若干个模拟训练结果的差值越小,目标肺部功能模拟数据的辨识度越大。获得目标肺部功能模拟数据的冗余数据,可以包括:对该若干个模拟训练结果的可能性进行拟合处理,获得该目标肺部功能模拟数据的冗余数据,其中,若干个模拟训练结果的差值越小,目标肺部功能模拟数据的冗余数据越小。
304、对该目标肺部功能模拟数据的模拟训练结果描述特征进行拟合处理,获得该目标模拟训练结果的精确度。
其中,由于若干个模拟训练结果中,目标模拟训练结果所占的可能性越大,该目标模拟训练结果的精确度越大;该目标模拟训练结果所占的可能性越小,该目标模拟训练结果的精确度越小,因此,根据该目标肺部功能模拟数据的模拟训练结果描述特征,可以确定肺部功能模拟训练线程对目标肺部功能模拟数据模拟训练结果的精确度。
其中,目标肺部功能模拟数据的数据量越少,则该评估模拟训练结果的精确度越小,该目标肺部功能模拟数据的数据量越大,则对目标肺部功能模拟数据的评估数据,该评估模拟训练结果的精确度越大。
可选地,在根据该目标肺部功能模拟数据的模拟训练结果描述特征,获得该目标模拟训练结果的精确度时,可以根据目标肺部功能模拟数据的辨识度、冗余数据和肺部功能模拟数据的数据量,来确定目标模拟训练结果是否准确,或者评估模拟训练结果是否准确。其中,肺部功能模拟数据的数据量为评估数据中携带的目标肺部功能模拟数据的肺部功能模拟数据的数据量。
可选地,可以为目标肺部功能模拟数据的辨识度、冗余数据和肺部功能模拟数据的数据量分配不一致的权重,根据该目标肺部功能模拟数据的辨识度和对应的权重、冗余数据和对应的权重、目标肺部功能模拟数据的数据量和对应的权重,来获得该目标模拟训练结果的精确度。
305、响应于该目标模拟训练结果的精确度小于事先设定精确度,根据该目标肺部功能模拟数据及该评估模拟训练结果,对该肺部功能模拟训练线程进行训练,得到训练后的肺部功能模拟训练线程。
其中,若目标模拟训练结果的精确度小于事先设定精确度,可以认为该目标模拟训练结果的准确性较低,评估模拟训练结果的准确性较高,则可以根据目标肺部功能模拟数据及该评估模拟训练结果,对肺部功能模拟训练线程进行训练,得到训练后的肺部功能模拟训练线程。
可选地,根据目标肺部功能模拟数据及该评估模拟训练结果,对肺部功能模拟训练线程进行训练,可以包括:将目标肺部功能模拟数据输入至肺部功能模拟训练线程中,通过肺部功能模拟训练线程对该目标肺部功能模拟数据进行处理,得到该目标肺部功能模拟数据对应的模拟训练结果,根据该模拟训练结果与评估模拟训练结果之间的误差,对该肺部功能模拟训练线程进行训练,得到训练后的肺部功能模拟训练线程,以使该误差收敛。
可以理解的是,本申请实施例仅是以目标模拟训练结果的精确度小于事先设定精确度为例,对评估数据的处理过程进行示例性说明,而在另一实施例中,该目标模拟训练结果的精确度大于等于该事先设定精确度,也就是说,该目标模拟训练结果的精确度较高,评估模拟训练结果的精确度较低,可选地,该获得该目标模拟训练结果的精确度之后,该方法还包括:若该第一模拟训练结果的精确度大于等于该事先设定精确度,将该评估数据剔除。
可以理解的是,本申请实施例仅是以一个评估数据对肺部功能模拟训练线程进行训练为例,对评估数据的使用进行示例性说明。而在另一实施例中,可以是获得到事先设定数量阈值的评估数据后,根据该多条评估数据,对肺部功能模拟训练线程进行训练;在另一实施例中,还可以是每隔事先设定时长,获得该事先设定时长内接收到的多条评估数据,根据该多条评估数据,对肺部功能模拟训练线程进行训练。
可以理解的是,本申请实施例仅是以获得目标肺部功能模拟数据的模拟训练结果描述特征,根据该模拟训练结果描述特征,获得目标模拟训练结果的精确度为例,对模拟训练结果描述特征符合目标要求进行示例性说明,其中,目标要求指示目标模拟训练结果为异常结果的要求。而在其他实施例中,还可以将目标肺部功能模拟数据的模拟训练结果描述特征、评估模拟训练结果和目标模拟训练结果输入至分类线程中,通过分类线程根据目标肺部功能模拟数据的模拟训练结果描述特征、评估模拟训练结果和目标模拟训练结果,确定评估模拟训练结果和目标模拟训练结果中准确的模拟训练结果。
可选地,在通过分类线程根据目标肺部功能模拟数据的模拟训练结果描述特征,确定评估模拟训练结果和目标模拟训练结果中准确的模拟训练结果之前,该方法还包括:获得目标肺部功能模拟数据的模拟训练结果描述特征、评估模拟训练结果、目标模拟训练结果和样本分类结果,其中,该样本分类结果指示目标模拟训练结果和评估模拟训练结果中准确的模拟训练结果;根据目标肺部功能模拟数据的模拟训练结果描述特征、评估模拟训练结果、目标模拟训练结果和样本分类结果对分类线程进行训练。后续,可以通过训练后的分类线程,对任一目标肺部功能模拟数据的模拟训练结果描述特征、该目标肺部功能模拟数据对应的评估模拟训练结果和目标模拟训练结果进行处理,确定评估模拟训练结果和目标模拟训练结果中准确的模拟训练结果。
可以理解的是,本申请实施例在目标模拟训练结果与评估模拟训练结果不一致时,仅是以目标模拟训练结果的精确度小于事先设定精确度为例,来对确定目标模拟训练结果和评估模拟训练结果中准确的模拟训练结果的方法进行示例性说明。
本申请实施例提供的肺部功能模拟训练方法,可以通过获得目标肺部功能模拟数据的评估数据,对输出的模拟训练结果不够准确的肺部功能模拟训练线程继续训练,提高了肺部功能模拟训练线程的精确度。另外,如果评估模拟训练结果是错误的模拟训练结果,那么根据目标肺部功能模拟数据及评估模拟训练结果,对肺部功能模拟训练线程进行训练,得到的训练后的肺部功能模拟训练线程的精确度会降低,因此,本申请实施例还会根据肺部功能模拟训练线程对目标肺部功能模拟数据处理后得到的若干个模拟训练结果的可能性,来获得目标肺部功能模拟数据的模拟训练结果描述特征,从而获知该肺部功能模拟训练线程处理目标肺部功能模拟数据得到的模拟训练结果的模糊程度,在模拟训练结果描述特征符合目标要求时,才会根据目标肺部功能模拟数据及评估模拟训练结果,对肺部功能模拟训练线程进行训练,保证了得到的训练后的肺部功能模拟训练线程的精确度越来越大。
并且,本申请实施例还可以根据目标肺部功能模拟数据的模拟训练结果描述特征,来确定目标模拟训练结果的准确性,在目标模拟训练结果的精确度小于事先设定精确度时,根据目标肺部功能模拟数据及评估模拟训练结果,对肺部功能模拟训练线程进行训练,由于确定了目标模拟训练结果是不准确的,从而根据目标肺部功能模拟数据和评估模拟训练结果对肺部功能模拟训练线程进行训练,能够训练后的肺部功能模拟训练线程的精确度。
在对肺部功能模拟训练线程进行训练后,可以通过训练后的肺部功能模拟训练线程,对肺部功能模拟数据进行处理。可选地,可以生成该训练后的肺部功能模拟训练线程对应的线程文本,将该线程文本存储在本地,在需要调用训练后的肺部功能模拟训练线程时,调用该线程文本,以运行该训练后的肺部功能模拟训练线程。
以下实施例对基于训练后的肺部功能模拟训练线程对肺部功能模拟数据进行处理的过程进行示例性说明,该方法包括如下步骤。
401、对第一肺部功能模拟数据中的各个关键描述属性进行压缩,得到该各个关键描述属性对应的属性描述值。
其中,不一致的关键描述属性对应不一致的属性描述值,该属性描述值可以用于确定唯一对应的关键描述属性。
考虑到我们使用的关键描述属性有4万个以上,如果使用肺部功能模拟训练线程对包括关键描述属性的肺部功能模拟数据进行处理的话,需要预先使用包括关键描述属性的样本集合对肺部功能模拟训练线程进行训练,为了保证肺部功能模拟训练线程的训练效果,该样本集合需要覆盖全部的关键描述属性,从而对样本集合的要求较高,且样本集合中包括的样本肺部功能模拟数据的数量也会比较庞大,会减缓肺部功能模拟训练线程的训练速度。
并且,若使用训练后的肺部功能模拟训练线程对第二肺部功能模拟数据进行处理的话,需要预先根据包括描述要素的样本集合,对肺部功能模拟训练线程进行训练,由于描述要素的数量远小于关键描述属性的数量,因此,在根据包括描述要素的样本集合,对该肺部功能模拟训练线程进行训练时,会减小样本集合中样本肺部功能模拟数据的数量,从而提高了肺部功能模拟训练线程的训练速度。
本申请实施例中,不一致的关键描述属性对应不一致的属性描述值,属性描述值用于确定唯一对应的关键描述属性。属性描述值为数值形式,不一致的属性描述值的大小不一致。
其中,第一肺部功能模拟数据可以是中的任一肺部功能模拟数据,可以通过肺部功能模拟训练线程对第一肺部功能模拟数据进行处理。第一肺部功能模拟数据中可以包括至少一个关键描述属性,因此可以对第一肺部功能模拟数据中的各个关键描述属性进行压缩,得到该各个关键描述属性对应的属性描述值。其中,压缩方式可以由预先设置。
可选地,为了提高肺部功能模拟训练线程的处理效果,本申请实施例在对肺部功能模拟训练线程进行训练时,还可以考虑肺部功能模拟数据中的非关键描述属性,这样,在通过训练后的肺部功能模拟训练线程对输入的肺部功能模拟数据进行处理时,如果该肺部功能模拟数据中包括其他字符,也不会对模拟训练结果造成干扰。
402、获得包括若干个事先设定描述值以及对应的描述要素的对应关系,该若干个事先设定描述值依照指定方式进行分布。
其中,依照指定方式进行分布的若干个事先设定描述值可以是依照从小到大的方式进行分布,也可以依照从大到小的方式进行分布。
其中,该对应关系可以包括依照指定方式进行分布的若干个事先设定描述值和该若干个事先设定描述值对应的描述要素,可选地,建立该对应关系可以包括:将关键描述属性进行压缩,得到该关键描述属性的属性描述值,获得该关键描述属性对应的描述要素,建立该描述要素与属性描述值之间的对应关系。
可选地,该对应关系可以存储在对应文本中,可以通过从共享文本中获得对应文本,获得该对应关系。
403、对于各个属性描述值,确定该若干个事先设定描述值中位于过渡位置的第一事先设定描述值。
其中,读取属性描述值对应的描述要素时,可以根据二分法来进行读取。该二分法是指将若干个事先设定描述值一分为二,从第一部分的若干个事先设定描述值中读取该属性描述值对应的描述要素,或者从第二部分的若干个事先设定描述值中读取该属性描述值对应的描述要素,读取范围从整个对应关系变为对应关系的一半,减少了读取的工作量,加快了读取速度。
在获得到第一事先设定描述值后,第一事先设定描述值与属性描述值的关系可以是如下三种中的任一种:第一事先设定描述值与属性描述值一致、第一事先设定描述值小于该属性描述值和该第一事先设定描述值大于该属性描述值。步骤404、步骤405和步骤406分别对该三种基础上,如何确定属性描述值对应的描述要素进行说明。
404、响应于该第一事先设定描述值与该属性描述值一致,将该第一事先设定描述值对应的描述要素,确定为该属性描述值对应的描述要素。
其中,第一事先设定描述值与属性描述值一致,则第一事先设定描述值对应的描述要素,即为属性描述值对应的描述要素,由于属性描述值是对关键描述属性进行压缩得到的,因此,该第一事先设定描述值对应的描述要素即为关键描述属性对应的描述要素。
405、响应于该第一事先设定描述值小于该属性描述值,根据该若干个事先设定描述值的分布情况确定大于该第一事先设定描述值的第二事先设定描述值,直到确定的事先设定描述值与该属性描述值一致,将该确定的事先设定描述值对应的描述要素确定为该属性描述值对应的描述要素。
如果第一事先设定描述值小于属性描述值的话,则需要从该若干个事先设定描述值中确定大于第一事先设定描述值的第二事先设定描述值。由于若干个事先设定描述值是依照指定方式进行分布的,因此,确定大于第一事先设定描述值时,可以依照若干个事先设定描述值的排列分布情况,确定大于第一事先设定描述值的若干个事先设定描述值,从大于第一事先设定描述值的若干个事先设定描述值中挑选第二事先设定描述值,无需遍历对应关系中全部的事先设定描述值。
可选地,根据该若干个事先设定描述值的分布情况确定大于该第一事先设定描述值的第二事先设定描述值,可以包括:若该若干个事先设定描述值依照从大到小的方式进行分布,从位于该第一事先设定描述值之前的事先设定描述值中,确定第二事先设定描述值;若该若干个事先设定描述值依照从小到大的方式进行分布,从位于该第一事先设定描述值之后的事先设定描述值中,确定第二事先设定描述值。
可选地,在根据若干个事先设定描述值的分布情况确定大于该第一事先设定描述值的第二事先设定描述值时,可以对大于第一事先设定描述值的若干个事先设定描述值进行遍历,也可以继续采用二分法来确定第二事先设定描述值。在一种可能实现方式中,若该若干个事先设定描述值依照从大到小的方式进行分布,从位于该第一事先设定描述值之前的事先设定描述值中,确定第二事先设定描述值,可以包括:若该若干个事先设定描述值依照从大到小的方式进行分布,将该第一事先设定描述值的前一事先设定描述值确定为该第二事先设定描述值;或者;若该若干个事先设定描述值依照从大到小的方式进行分布,将位于该若干个事先设定描述值中的第一个事先设定描述值与该第一事先设定描述值的过渡位置的事先设定描述值,确定为该第二事先设定描述值。
在一种可能实施的实施例中,若该若干个事先设定描述值依照从小到大的方式进行分布,从位于该第一事先设定描述值之后的事先设定描述值中,确定第二事先设定描述值,可以包括:若该若干个事先设定描述值依照从小到大的方式进行分布,将该第一事先设定描述值的后一事先设定描述值确定为该第二事先设定描述值;或者;若该若干个事先设定描述值依照从小到大的方式进行分布,将位于该若干个事先设定描述值中的最后一个事先设定描述值与该第一事先设定描述值的过渡位置的事先设定描述值,确定为该第二事先设定描述值。
406、响应于该第一事先设定描述值大于该属性描述值,根据该若干个事先设定描述值的分布情况确定小于该第一事先设定描述值的第三事先设定描述值,直到确定的事先设定描述值与该属性描述值一致,将该确定的事先设定描述值对应的描述要素确定为该属性描述值对应的描述要素。
如果第一事先设定描述值大于属性描述值的话,则需要从该若干个事先设定描述值中确定小于第一事先设定描述值的第三事先设定描述值。由于若干个事先设定描述值是依照指定方式进行分布的,因此,确定小于第一事先设定描述值时,可以依照若干个事先设定描述值的排列分布情况,确定小于第一事先设定描述值的若干个事先设定描述值,从小于第一事先设定描述值的若干个事先设定描述值中挑选第三事先设定描述值,无需遍历对应关系中全部的事先设定描述值。
可选地,根据该若干个事先设定描述值的分布情况确定小于该第一事先设定描述值的第三事先设定描述值,可以包括:若该若干个事先设定描述值依照从大到小的方式进行分布,从位于该第一事先设定描述值之后的事先设定描述值中,确定第三事先设定描述值;若该若干个事先设定描述值依照从小到大的方式进行分布,从位于该第一事先设定描述值之前的事先设定描述值中,确定第三事先设定描述值。
可选地,在根据若干个事先设定描述值的分布情况确定小于该第一事先设定描述值的第三事先设定描述值时,可以对小于第一事先设定描述值的若干个事先设定描述值进行遍历,也可以继续采用二分法来确定第三事先设定描述值。在一种可能实现方式中,若该若干个事先设定描述值依照从大到小的方式进行分布,从位于该第一事先设定描述值之后的事先设定描述值中,确定第三事先设定描述值,可以包括:若该若干个事先设定描述值依照从大到小的方式进行分布,将该第一事先设定描述值的后一事先设定描述值确定为该第三事先设定描述值;或者;若该若干个事先设定描述值依照从大到小的方式进行分布,将位于该若干个事先设定描述值中的最后一个事先设定描述值与该第一事先设定描述值的过渡位置的事先设定描述值,确定为该第三事先设定描述值。
在一种可能实施的实施例中,若该若干个事先设定描述值依照从小到大的方式进行分布,从位于该第一事先设定描述值之前的事先设定描述值中,确定第三事先设定描述值,可以包括:若该若干个事先设定描述值依照从小到大的方式进行分布,将该第一事先设定描述值的前一事先设定描述值确定为该第三事先设定描述值;或者;若该若干个事先设定描述值依照从小到大的方式进行分布,将位于该若干个事先设定描述值中的第一个事先设定描述值与该第一事先设定描述值的过渡位置的事先设定描述值,确定为该第三事先设定描述值。
可选地,该对应关系可以包括若干个结构体,各个结构体包括一个事先设定描述值和该事先设定描述值对应的描述要素,且该若干个结构体依照对应的事先设定描述值排序。其中,在确定若干个事先设定描述值中位于过渡位置的第一事先设定描述值时,可以根据该若干个结构体的排列分布情况,快速读取到第一事先设定描述值。在确定其他事先设定描述值时,也可以根据该若干个结构体之间的排列分布情况,进行确定。
可以理解的是,本申请实施例仅是以步骤403至步骤406为例,对根据各个属性描述值与该若干个事先设定描述值之间的大小关系以及该若干个事先设定描述值的分布情况,读取该各个属性描述值对应的描述要素进行示例性说明。可选地,可以在若干个事先设定描述值中任意选择一个第四事先设定描述值,根据第四事先设定描述值与属性描述值之间的大小关系和若干个事先设定描述值的分布情况,读取属性描述值对应的描述要素。
在一种可能实施的实施例中,相邻事先设定描述值之间的差值可以是固定值,可选地,还可以在若干个事先设定描述值中任意选择一个第五事先设定描述值,若第五事先设定描述值与属性描述值一致,将第一事先设定描述值对应的描述要素,确定为属性描述值对应的描述要素;若第五事先设定描述值与属性描述值不一致,根据若干个事先设定描述值的分布情况以及第五事先设定描述值与属性描述值之间的差值,确定与第五事先设定描述值的序号差等于该差值的第六事先设定描述值,直到确定的事先设定描述值与属性描述值一致,将确定的事先设定描述值对应的描述要素确定为属性描述值对应的描述要素。
其中,第五事先设定描述值可以是对应关系中的第一个事先设定描述值、最后一个事先设定描述值、位于过渡位置的事先设定描述值、或者是没有任何特殊性,随意挑选的一个事先设定描述值。
407、将该各个关键描述属性分别切换为该各个属性描述值对应的描述要素,得到第二肺部功能模拟数据。
其中,在将各个关键描述属性切换为描述要素时,会保持关键描述属性与对应的描述要素的位置一致。
408、调用训练后的肺部功能模拟训练线程,对第二肺部功能模拟数据进行处理,得到模拟训练结果。
可选地,训练后的肺部功能模拟训练线程可以以线程文本的形式存储在上。在一种可能实现方式中,该调用训练后的肺部功能模拟训练线程,对该第二肺部功能模拟数据进行处理,得到该模拟训练结果,可以包括:根据当前应用程序所属的应用组,从该应用组对应的共享文本中获得该训练后的肺部功能模拟训练线程的线程文本;通过调用该线程文本运行该训练后的肺部功能模拟训练线程,对该第二肺部功能模拟数据进行处理,得到该模拟训练结果。
可选地,通过调用该线程文本运行该肺部功能模拟训练线程,对该第二肺部功能模拟数据进行处理,得到该模拟训练结果,可以包括:通过调用该线程文本运行该训练后的肺部功能模拟训练线程,得到若干个模拟训练结果的可能性,挑选可能性最佳的模拟训练结果确定为第二肺部功能模拟数据对应的模拟训练结果。
本申请实施例提供的基于深度学习的肺部功能模拟数据处理方法,先将各个关键描述属性进行压缩,得到各个关键描述属性对应的属性描述值,将对应关系中的若干个事先设定描述值依照指定方式进行分布,这样,可以根据各个属性描述值与对应关系中若干个事先设定描述值之间的大小关系以及若干个事先设定描述值的分布情况,读取属性描述值对应的描述要素,由于考虑了属性描述值与对应关系中的事先设定描述值之间的大小关系,可以根据该若干个事先设定描述值的排列分布情况,更快地读取到属性描述值对应的描述要素,加快了读取速度,加快了获得第二肺部功能模拟数据的速度,从而加快了肺部功能模拟数据处理速度,提高了肺部功能模拟数据处理效率。
以下实施例以肺部功能模拟训练线程为肺部功能模拟数据分类线程为例,对上述实施例中的方案进行示例性说明,该方法包括如下内容。
501、获得用户上传的目标肺部功能模拟数据对应的评估数据,该评估数据包括对该目标分类结果进行评估后得到的评估分类结果,该目标分类结果与该评估分类结果不一致,目标分类结果为肺部功能模拟数据分类线程对目标肺部功能模拟数据进行分类处理得到的模拟训练结果。
502、响应于该目标分类结果的精确度小于事先设定精确度,根据该目标肺部功能模拟数据及该评估分类结果,对该肺部功能模拟数据分类线程进行训练,得到训练后的肺部功能模拟数据分类线程。
如果肺部功能模拟数据分类线程输出的目标分类结果与评估分类结果不一致,则需要确定评估分类结果是否标注错误。
可选地,目标肺部功能模拟数据的分类结果描述特征601可以是目标肺部功能模拟数据的辨识度和冗余数据中的至少一项。另外,在基于目标肺部功能模拟数据的分类结果描述特征、评估分类结果和目标分类结果来分析评估数据的误差时,还可以考虑肺部功能模拟数据的数据量分布,将目标肺部功能模拟数据的分类结果描述特征、评估分类结果、目标分类结果和肺部功能模拟数据的数据量分布输入至分类线程中,由分类线程输出回归分析分类结果。
另外,在根据该目标肺部功能模拟数据及该评估分类结果,对该肺部功能模拟数据分类线程进行训练时,可以将目标肺部功能模拟数据切换为目标拼音肺部功能模拟数据,根据目标拼音肺部功能模拟数据和评估分类结果对该肺部功能模拟数据分类线程进行训练。
503、对训练后的肺部功能模拟数据分类线程进行处理。
504、对训练后的肺部功能模拟数据分类线程进行加密,将加密后的肺部功能模拟数据分类线程部署在终端上。
505、通过终端部署的肺部功能模拟数据分类线程,对输入的肺部功能模拟数据进行分类。
在上述基础上,提供了一种肺部功能模拟训练装置,所述装置包括:
结果确定模块,用于调用肺部功能模拟训练线程,对目标肺部功能模拟数据进行处理,得到若干个模拟训练结果的可能性,挑选可能性最佳的模拟训练结果确定为目标模拟训练结果;
数据获得模块,用于获得所述目标肺部功能模拟数据的评估数据,所述评估数据包括对所述目标模拟训练结果进行评估后得到的评估模拟训练结果,所述目标模拟训练结果与所述评估模拟训练结果不一致;
特征描述模块,用于对所述若干个模拟训练结果的可能性进行拟合处理,获得所述目标肺部功能模拟数据的模拟训练结果描述特征,所述模拟训练结果描述特征用于指示所述肺部功能模拟训练线程处理所述目标肺部功能模拟数据得到的模拟训练结果的模糊程度;其中,所述若干个模拟训练结果的可能性相差越小,所述模糊程度越大;所述模糊程度越大,所述目标模拟训练结果的精确度越小;
线程训练模块,用于响应于所述模拟训练结果描述特征符合目标要求,依据所述目标肺部功能模拟数据及所述评估模拟训练结果,对所述肺部功能模拟训练线程进行训练,得到训练后的肺部功能模拟训练线程,所述目标要求指示所述目标模拟训练结果为异常结果的要求。
在上述基础上,示出了一种肺部功能模拟训练系统,包括互相之间通信的处理器和存储器,所述处理器用于从所述存储器中读取计算机程序并执行,以实现上述的方法。
在上述基础上,还提供了一种计算机可读存储介质,其上存储的计算机程序在运行时实现上述的方法。
综上,基于上述方案,可以通过获得目标肺部功能模拟数据的评估数据,对输出的模拟训练结果不够准确的肺部功能模拟训练线程继续训练,提高了肺部功能模拟训练线程的精确度。另外,如果评估模拟训练结果是错误的模拟训练结果,那么根据目标肺部功能模拟数据及评估模拟训练结果,对肺部功能模拟训练线程进行训练,得到的训练后的肺部功能模拟训练线程的精确度会降低,因此,本申请实施例还会根据肺部功能模拟训练线程对目标肺部功能模拟数据处理后得到的若干个模拟训练结果的可能性,来获得目标肺部功能模拟数据的模拟训练结果描述特征,从而获知该肺部功能模拟训练线程处理目标肺部功能模拟数据得到的模拟训练结果的模糊程度,在模拟训练结果描述特征符合目标要求时,才会根据目标肺部功能模拟数据及评估模拟训练结果,对肺部功能模拟训练线程进行训练,保证了得到的训练后的肺部功能模拟训练线程的精确度越来越大。
应当理解,上述所示的系统及其模块可以利用各种方式来实现。例如,在一些实施例中,系统及其模块可以通过硬件、软件或者软件和硬件的结合来实现。其中,硬件部分可以利用专用逻辑来实现;软件部分则可以存储在存储器中,由适当的指令执行系统,例如微处理器或者专用设计硬件来执行。本领域技术人员可以理解上述的方法和系统可以使用计算机可执行指令和/或包含在处理器控制代码中来实现,例如在诸如磁盘、CD或DVD-ROM的载体介质、诸如只读存储器(固件)的可编程的存储器或者诸如光学或电子信号载体的数据载体上提供了这样的代码。本申请的系统及其模块不仅可以有诸如超大规模集成电路或门阵列、诸如逻辑芯片、晶体管等的半导体、或者诸如现场可编程门阵列、可编程逻辑设备等的可编程硬件设备的硬件电路实现,也可以用例如由各种类型的处理器所执行的软件实现,还可以由上述硬件电路和软件的结合(例如,固件)来实现。
需要说明的是,不同实施例可能产生的有益效果不同,在不同的实施例里,可能产生的有益效果可以是以上任意一种或几种的组合,也可以是其他任何可能获得的有益效果。
上文已对基本概念做了描述,显然,对于本领域技术人员来说,上述详细披露仅仅作为示例,而并不构成对本申请的限定。虽然此处并没有明确说明,本领域技术人员可能会对本申请进行各种修改、改进和修正。该类修改、改进和修正在本申请中被建议,所以该类修改、改进、修正仍属于本申请示范实施例的精神和范围。
Claims (10)
1.一种肺部功能模拟训练方法,其特征在于,所述方法包括:
调用肺部功能模拟训练线程,对目标肺部功能模拟数据进行处理,得到若干个模拟训练结果的可能性,挑选可能性最佳的模拟训练结果确定为目标模拟训练结果;
获得所述目标肺部功能模拟数据的评估数据,所述评估数据包括对所述目标模拟训练结果进行评估后得到的评估模拟训练结果,所述目标模拟训练结果与所述评估模拟训练结果不一致;
对所述若干个模拟训练结果的可能性进行拟合处理,获得所述目标肺部功能模拟数据的模拟训练结果描述特征,所述模拟训练结果描述特征用于指示所述肺部功能模拟训练线程处理所述目标肺部功能模拟数据得到的模拟训练结果的模糊程度;其中,所述若干个模拟训练结果的可能性相差越小,所述模糊程度越大;所述模糊程度越大,所述目标模拟训练结果的精确度越小;
响应于所述模拟训练结果描述特征符合目标要求,依据所述目标肺部功能模拟数据及所述评估模拟训练结果,对所述肺部功能模拟训练线程进行训练,得到训练后的肺部功能模拟训练线程,所述目标要求指示所述目标模拟训练结果为异常结果的要求。
2.根据权利要求1所述的方法,其特征在于,所述响应于所述模拟训练结果描述特征符合目标要求,依据所述目标肺部功能模拟数据及所述评估模拟训练结果,对所述肺部功能模拟训练线程进行训练,得到训练后的肺部功能模拟训练线程,包括:
对所述模拟训练结果描述特征进行拟合处理,获得所述目标模拟训练结果的精确度;
响应于所述目标模拟训练结果的精确度小于事先设定精确度,依据所述目标肺部功能模拟数据及所述评估模拟训练结果,对所述肺部功能模拟训练线程进行训练,得到所述训练后的肺部功能模拟训练线程。
3.根据权利要求2所述的方法,其特征在于,所述模拟训练结果描述特征为所述目标肺部功能模拟数据的辨识度,所述辨识度与所述目标模拟训练结果的精确度存在联系;或者,所述模拟训练结果描述特征为所述目标肺部功能模拟数据的冗余数据,所述冗余数据与所述目标模拟训练结果的精确度不存在联系。
4.根据权利要求1所述的方法,其特征在于,所述对所述若干个模拟训练结果的可能性进行拟合处理,获得所述目标肺部功能模拟数据的模拟训练结果描述特征之后,所述方法还包括:若所述模拟训练结果描述特征不符合所述目标要求,将所述评估数据剔除。
5.根据权利要求1所述的方法,其特征在于,所述响应于所述模拟训练结果描述特征符合目标要求,依据所述目标肺部功能模拟数据及所述评估模拟训练结果,对所述肺部功能模拟训练线程进行训练,得到训练后的肺部功能模拟训练线程之后,所述方法还包括:
对第一肺部功能模拟数据中的各个关键描述属性进行压缩,得到所述各个关键描述属性对应的属性描述值;
获得包括若干个事先设定描述值以及对应的描述要素的对应关系,所述若干个事先设定描述值依照指定方式进行分布;
根据各个属性描述值与所述若干个事先设定描述值之间的大小关系以及所述若干个事先设定描述值的分布情况,读取所述各个属性描述值对应的描述要素;
将所述各个关键描述属性分别切换为所述各个属性描述值对应的描述要素,得到第二肺部功能模拟数据;
调用所述训练后的肺部功能模拟训练线程,对所述第二肺部功能模拟数据进行处理,得到模拟训练结果。
6.根据权利要求5所述的方法,其特征在于,所述根据各个属性描述值与所述若干个事先设定描述值之间的大小关系以及所述若干个事先设定描述值的分布情况,读取所述各个属性描述值对应的描述要素,包括:
对于各个属性描述值,进行如下读取处理:确定所述若干个事先设定描述值中位于过渡位置的第一事先设定描述值;
响应于所述第一事先设定描述值与所述属性描述值一致,将所述第一事先设定描述值对应的描述要素,确定为所述属性描述值对应的描述要素;
响应于所述第一事先设定描述值小于所述属性描述值,依据所述若干个事先设定描述值的分布情况确定大于所述第一事先设定描述值的第二事先设定描述值,直到确定的事先设定描述值与所述属性描述值一致,将所述确定的事先设定描述值对应的描述要素确定为所述属性描述值对应的描述要素;
响应于所述第一事先设定描述值大于所述属性描述值,依据所述若干个事先设定描述值的分布情况确定小于所述第一事先设定描述值的第三事先设定描述值,直到确定的事先设定描述值与所述属性描述值一致,将所述确定的事先设定描述值对应的描述要素确定为所述属性描述值对应的描述要素。
7.根据权利要求6所述的方法,其特征在于,所述依据所述若干个事先设定描述值的分布情况确定大于所述第一事先设定描述值的第二事先设定描述值,包括:
若所述若干个事先设定描述值依照从大到小的方式进行分布,从位于所述第一事先设定描述值之前的事先设定描述值中,确定第二事先设定描述值;
若所述若干个事先设定描述值依照从小到大的方式进行分布,从位于所述第一事先设定描述值之后的事先设定描述值中,确定第二事先设定描述值。
8.根据权利要求7所述的方法,其特征在于,所述若所述若干个事先设定描述值依照从大到小的方式进行分布,从位于所述第一事先设定描述值之前的事先设定描述值中,确定第二事先设定描述值,包括:
若所述若干个事先设定描述值依照从大到小的方式进行分布,将所述第一事先设定描述值的前一事先设定描述值确定为所述第二事先设定描述值;
或者;若所述若干个事先设定描述值依照从大到小的方式进行分布,将位于所述若干个事先设定描述值中的第一个事先设定描述值与所述第一事先设定描述值的过渡位置的事先设定描述值,确定为所述第二事先设定描述值。
9.根据权利要求7所述的方法,其特征在于,所述若所述若干个事先设定描述值依照从小到大的方式进行分布,从位于所述第一事先设定描述值之后的事先设定描述值中,确定第二事先设定描述值,包括:
若所述若干个事先设定描述值依照从小到大的方式进行分布,将所述第一事先设定描述值的后一事先设定描述值确定为所述第二事先设定描述值;
或者;若所述若干个事先设定描述值依照从小到大的方式进行分布,将位于所述若干个事先设定描述值中的最后一个事先设定描述值与所述第一事先设定描述值的过渡位置的事先设定描述值,确定为所述第二事先设定描述值。
10.一种肺部功能模拟训练系统,其特征在于,包括互相之间通信的处理器和存储器,所述处理器用于从所述存储器中读取计算机程序并执行,以实现权利要求1-9任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311338382.4A CN117290763A (zh) | 2023-10-16 | 2023-10-16 | 一种肺部功能模拟训练方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311338382.4A CN117290763A (zh) | 2023-10-16 | 2023-10-16 | 一种肺部功能模拟训练方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117290763A true CN117290763A (zh) | 2023-12-26 |
Family
ID=89247967
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311338382.4A Pending CN117290763A (zh) | 2023-10-16 | 2023-10-16 | 一种肺部功能模拟训练方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117290763A (zh) |
-
2023
- 2023-10-16 CN CN202311338382.4A patent/CN117290763A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103177179B (zh) | 诊断因素集合确定设备和方法 | |
US11361248B2 (en) | Multi-stage machine learning-based chain diagnosis | |
CN109191451B (zh) | 异常检测方法、装置、设备和介质 | |
CN108595657B (zh) | His系统的数据表分类映射方法和装置 | |
CN112435753A (zh) | 医疗数据的自动验证 | |
CN113468525B (zh) | 针对二进制程序的相似漏洞检测方法及装置 | |
JP7045405B2 (ja) | センサの動作ステータスを検出するための方法および状態機械システム | |
CN112070239B (zh) | 基于用户数据建模的分析方法、系统、介质及设备 | |
Šikić et al. | Improving software defect prediction by aggregated change metrics | |
WO2020140624A1 (zh) | 从日志中提取数据的方法和相关设备 | |
CN115512823A (zh) | 设备异常处理方法、装置、异常处理系统和设备 | |
CN114154029B (zh) | 一种基于人工智能和色谱分析的样品查询方法及服务器 | |
CN114691403A (zh) | 一种服务器故障诊断方法、装置、电子设备及存储介质 | |
Huang et al. | Towards smarter diagnosis: A learning-based diagnostic outcome previewer | |
CN111161884A (zh) | 针对不平衡数据的疾病预测方法、装置、设备及介质 | |
JP2016085152A (ja) | 診断装置、診断プログラム及び診断方法 | |
JP2018032071A (ja) | 検証装置、検証方法及び検証プログラム | |
US20210279524A1 (en) | Training model creation system and training model creation method | |
CN116413587A (zh) | 回退路径的选择方法和装置 | |
Özkan et al. | Effect of data preprocessing on ensemble learning for classification in disease diagnosis | |
CN117290763A (zh) | 一种肺部功能模拟训练方法及系统 | |
Bodhe et al. | Diagnostic Fail Data Minimization Using an $ N $-Cover Algorithm | |
CN113889180B (zh) | 一种基于动态网络熵的生物标记物识别方法与系统 | |
US9280622B2 (en) | Circuit verifying apparatus, circuit verifying method, and circuit verifying program | |
CN113555118B (zh) | 一种病症程度的预测方法、装置、电子设备及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication |