基于双深度神经学习网络的数据处理方法和疾病诊断装置制造方法及图纸

本发明专利技术提供一种基于双深度学习神经网络的数据处理方法，该方法包括：根据预先训练好的第一深度学习神经网络的输入变量获取对应的第一输入数据，将第一输入数据输入到第一深度学习神经网络，通过计算得到第一输出结果；当第一输出结果中包含标识有疾病的标签时，根据预先训练好的第二深度学习神经网络的输入变量获取对应的第二输入数据，将第二输入数据输入到第二深度学习神经网络，通过计算得到第二输出结果；其中，第一深度学习神经网络的输入变量集合是所述第二深度学习神经网络的输入变量集合的子集。此外，还提供了一种基于深度学习神经网络的疾病诊断装置、一种计算机设备和计算机可读存储介质。

【技术实现步骤摘要】
基于双深度神经学习网络的数据处理方法和疾病诊断装置
本专利技术涉及机器学习领域，特别是涉及一种基于双深度神经学习网络的数据处理方法、疾病诊断装置、计算机设备和存储介质。
技术介绍
人工神经网络(ArtificialNeuralNetworks，简写为ANNs)也简称为神经网络(NNs)或称作连接模型(ConnectionModel)，它是一种模仿动物神经网络行为特征，进行分布式并行信息处理的算法数学模型。这种网络依靠系统的复杂程度，通过调整内部大量节点之间相互连接的关系，从而达到处理信息的目的。人工神经网络是一种应用类似于大脑神经突触联接的结构进行信息处理的数学模型。在工程与学术界也常直接简称为“神经网络”或类神经网络。传统技术中，采用神经网络对患者进行诊断时，需要对神经网络的输入变量集合进行采集，将所有的输入变量输入到对应的神经网络中通过计算得到输出数据才能够诊断出具体的疾病类型，而输入变量中很多数据都是非必需项，采集过多的输入变量(例如，体重、血压、血液检查结果等)不仅给患者带来了负担，而且给紧缺的医疗资源带来更大的压力和浪费。
技术实现思路
基于此，有必要针对上述问题，提供一种能够有效避免需要采集过多的数据才能诊断出疾病类型的基于深度神经学习网络的数据处理方法、疾病诊断装置、计算机设备和存储介质。一种基于深度学习神经网络的数据处理方法，该方法包括：根据预先训练好的第一深度学习神经网络的输入变量获取对应的第一输入数据，将第一输入数据输入到第一深度学习神经网络，通过计算得到第一输出结果；当第一输出结果中包含标识有疾病的标签时，根据预先训练好的第二深度学习神经网络的输入变量获取对应的第二输入数据，将第二输入数据输入到第二深度学习神经网络，通过计算得到第二输出结果；其中，第一深度学习神经网络的输入变量集合是第二深度学习神经网络的输入变量集合的子集。在其中一个实施例中，根据第一深度学习神经网络的输入变量获取对应的第一输入数据之前，还包括：从第二深度学习神经网络的输入变量集合中选取至少一个变量子集；将选取的变量子集作为该变量子集对应的第一深度学习神经网络的输入变量集合，初始化该变量子集对应的第一深度学习神经网络；根据训练第二深度学习神经网络的所使用的训练数据生成变量子集对应的第一深度学习神经网络的训练数据，对该变量子集对应的第一深度学习神经网络进行训练；对训练好的多个第一深度学习神经网络中选取符合预设条件的第一深度学习神经网络作为预先训练好的第一深度学习神经网络。在其中一个实施例中，根据训练第二深度学习神经网络的所使用的训练数据生成变量子集对应的第一深度学习神经网络的训练数据，对该变量子集对应的第一深度学习神经网络进行训练，包括：将第二深度学习神经网络的无监督训练输入数据中和变量子集对应的输入数据作为该变量子集对应的第一深度学习神经网络的输入数据，对该变量子集对应的第一深度学习神经网络进行无监督训练；将第二深度学习神经网络的有监督训练输入数据中和变量子集对应的输入数据作为该变量子集对应的第一深度学习神经网络的输入数据，将第二深度学习神经网络的有监督训练预期输出数据中各疾病标签输出值通过计算得到的值，作为该变量子集对应的第一深度学习神经网络的预期输出数据，对该变量子集对应的第一深度学习神经网络进行有监督训练。在其中一个实施例中，从训练好的多个第一深度学习神经网络中选取符合预设条件的第一深度学习神经网络作为所述预先训练好的第一深度学习神经网络，包括：对训练好的多个第一深度学习神经网络进行测试，通过计算得到变量子集对应的第一深度学习神经网络的测试成功率；根据测试成功率从多个第一深度学习神经网络中选取符合预设条件的第一深度学习神经网络作为预先训练好的第一深度学习神经网络。在其中一个实施例中，对训练好的多个第一深度学习神经网络进行测试，通过计算得到变量子集对应的第一深度学习神经网络的测试成功率，包括：将第二深度学习神经网络的测试输入数据中与变量子集对应的输入数据作为该变量子集对应的第一深度学习神经网络的输入数据，将第二深度学习神经网络的测试预期输出数据中各疾病标签输出值通过计算得到的值作为该变量子集对应的第一深度学习神经网络的预期输出数据，对该变量子集对应的第一深度学习神经网络进行测试，通过计算得到变量子集对应的第一深度学习神经网络的测试成功率。在其中一个实施例中，变量子集对应的第一深度学习神经网络的测试成功率为该变量子集对应的第一深度学习神经网络的测试实际输出和所述预期输出数据一致的测试次数与总测试次数的比值。在其中一个实施例中，预设条件包括测试成功率最大、变量子集中的变量数量最少、变量子集中的变量对应的数据采集成本最低中至少一者。在一个具体实施例中，将第一深度学习神经网络作为用于初诊的深度学习神经网络，将第二深度学习神经网络作为用于确诊的深度学习神经网络。通过用于初诊的第一深度学习神经网络进行初步诊断，用于初诊的第一深度学习神经网络只需要少量的患者数据项，只需要进行少量的检查，如果用于初诊的第一深度学习神经网络诊断的结果是病人没有该科的病，则不需要再使用该科用于确诊的深度学习神经网络进行检测。如果用于初诊的第一深度学习神经网络诊断的结果是病人有该科的病，再通过该科用于确诊的第二深度学习神经网络进行进一步诊断具体得了该科的什么类型的病，而用于初诊的第一深度学习神经网络输入变量只占用于确诊的第二深度学习神经网络输入变量的一部分，降低没有换该科病的病人的检查成本和额外检查给身体造成的伤害。一种基于深度学习神经网络的疾病诊断装置，该装置包括：第一输出结果生成模块，用于根据预先训练好的第一深度学习神经网络的输入变量获取对应的第一输入数据，将第一输入数据输入到第一深度学习神经网络，通过计算得到第一输出结果；第二输出结果生成模块，用于当第一输出结果中包含标识有疾病的标签时，根据预先训练好的第二深度学习神经网络的输入变量获取对应的第二输入数据，将第二输入数据输入到第二深度学习神经网络，通过计算得到第二输出结果；其中，第一深度学习神经网络的输入变量集合是第二深度学习神经网络的输入变量集合的子集。一种计算机设备，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，该处理器执行所述程序时实现以下步骤：根据预先训练好的第一深度学习神经网络的输入变量获取对应的第一输入数据，将第一输入数据输入到第一深度学习神经网络，通过计算得到第一输出结果；当第一输出结果中包含标识有疾病的标签时，根据预先训练好的第二深度学习神经网络的输入变量获取对应的第二输入数据，将第二输入数据输入到第二深度学习神经网络，通过计算得到第二输出结果；其中，第一深度学习神经网络的输入变量集合是第二深度学习神经网络的输入变量集合的子集。一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现以下步骤：根据预先训练好的第一深度学习神经网络的输入变量获取对应的第一输入数据，将第一输入数据输入到第一深度学习神经网络，通过计算得到第一输出结果；当第一输出结果中包含标识有疾病的标签时，根据预先训练好的第二深度学习神经网络的输入变量获取对应的第二输入数据，将第二输入数据输入到第二深度学习神经网络，通过计算得到第二输出结果；其中，第一深度学习神经网络的输入变本文档来自技高网...

【技术保护点】
1.一种基于深度学习神经网络的数据处理方法，其特征在于，所述方法包括：根据预先训练好的第一深度学习神经网络的输入变量获取对应的第一输入数据，将所述第一输入数据输入到所述第一深度学习神经网络，通过计算得到第一输出结果；当所述第一输出结果中包含标识有疾病的标签时，根据预先训练好的第二深度学习神经网络的输入变量获取对应的第二输入数据，将所述第二输入数据输入到所述第二深度学习神经网络，通过计算得到第二输出结果；其中，所述第一深度学习神经网络的输入变量集合是所述第二深度学习神经网络的输入变量集合的子集。

【技术特征摘要】
1.一种基于深度学习神经网络的数据处理方法，其特征在于，所述方法包括：根据预先训练好的第一深度学习神经网络的输入变量获取对应的第一输入数据，将所述第一输入数据输入到所述第一深度学习神经网络，通过计算得到第一输出结果；当所述第一输出结果中包含标识有疾病的标签时，根据预先训练好的第二深度学习神经网络的输入变量获取对应的第二输入数据，将所述第二输入数据输入到所述第二深度学习神经网络，通过计算得到第二输出结果；其中，所述第一深度学习神经网络的输入变量集合是所述第二深度学习神经网络的输入变量集合的子集。2.根据权利要求1所述的方法，其特征在于，所述根据第一深度学习神经网络的输入变量获取对应的第一输入数据之前，还包括：从第二深度学习神经网络的输入变量集合中选取至少一个变量子集，将选取的变量子集作为所述变量子集对应的第一深度学习神经网络的输入变量集合，初始化所述变量子集对应的第一深度学习神经网络；根据训练所述第二深度学习神经网络的所使用的训练数据生成变量子集对应的第一深度学习神经网络的训练数据，对所述变量子集对应的第一深度学习神经网络进行训练；从训练好的多个第一深度学习神经网络中选取符合预设条件的第一深度学习神经网络作为所述预先训练好的第一深度学习神经网络。3.根据权利要求2所述的方法，其特征在于，根据训练所述第二深度学习神经网络的所使用的训练数据生成变量子集对应的第一深度学习神经网络的训练数据，对所述变量子集对应的第一深度学习神经网络进行训练，包括：将所述第二深度学习神经网络的无监督训练输入数据中和所述变量子集对应的输入数据作为所述变量子集对应的第一深度学习神经网络的输入数据，对所述变量子集对应的第一深度学习神经网络进行无监督训练；将所述第二深度学习神经网络的有监督训练输入数据中和所述变量子集对应的输入数据作为所述变量子集对应的第一深度学习神经网络的输入数据，将所述第二深度学习神经网络的有监督训练预期输出数据中各疾病标签输出值通过计算得到的值，作为该变量子集对应的第一深度学习神经网络的预期输出数据，对该变量子集对应的第一深度学习神经网络进行有监督训练。4.根据权利要求2所述的方法，其特征在于，所述从训练好的多个第一深度学习神经网络中选取符合预设条件的第一深度学习神经网络作为所述预先训练好的第一深度学习神经网络，包括：对所述...

【专利技术属性】
技术研发人员：朱定局，
申请(专利权)人：华南师范大学，
类型：发明
国别省市：广东,44