基于心电图诊断的元学习模型训练方法、系统和设备技术方案

本发明专利技术提供了一种基于心电图诊断的元学习模型训练方法、系统和设备，涉及元学习的技术领域，包括，获取多个样本数据组，其中，样本数据组包括多个样本数据。将多个样本数据组中的多个样本数据输入元学习模型，得到多个标签组。将多个与样本数据组对应的标签组代入元损失函数，得到多个元参数。将多个元参数输入元学习优化器，根据预设算法进行计算，得到最优元参数，根据最优元参数对元学习模型进行训练。元学习优化器把每一次训练中的元参数保留了下来，用作后续处理，使元学习模型具备心电图诊断的学习能力。

Training method, system and equipment of meta-learning model based on electrocardiogram diagnosis

The invention provides a meta-learning model training method, system and equipment based on electrocardiogram diagnosis, which relates to the technical field of meta-learning, including acquiring a plurality of sample data groups, in which the sample data group includes a plurality of sample data. Multiple label groups are obtained by inputting multiple sample data from multiple sample data groups into meta-learning model. Multiple label groups corresponding to the sample data group are substituted into the meta-loss function to obtain multiple meta-parameters. Multiple meta-parameters are input into the meta-learning optimizer, and the optimal meta-parameters are calculated according to the preset algorithm. The meta-learning model is trained according to the optimal meta-parameters. The meta-learning optimizer retains the meta-parameters in each training session for subsequent processing, so that the meta-learning model has the learning ability of ECG diagnosis.

【技术实现步骤摘要】
基于心电图诊断的元学习模型训练方法、系统和设备
本专利技术涉及元学习的
，尤其是涉及一种基于心电图诊断的元学习模型训练方法、系统和设备。
技术介绍
基于深度学习的方法虽然大大提高了计算机心电图的诊断水平。但其往往需要大量的带标注的样本进行学习。而心电图样本的标注往往工程量巨大，且有些疑难病症的样本难以大规模的获取。此外，由于心电图细分子类众多(超过200类)，如果完全采用传统的机器学习或深度学习方法，则每一类需要从零开始学习，这种逐个技能逐步训练的代价太大。针对现有技术中计算机深度学习诊断心电图的水平较低的问题，目前尚未提出有效解决方案。
技术实现思路
有鉴于此，本专利技术的目的在于提供一种基于心电图诊断的元学习模型训练方法、系统和设备，缓解计算机深度学习诊断心电图的水平较低的问题。第一方面，本专利技术实施例提供了一种基于心电图诊断的元学习模型训练方法，包括：获取多个样本数据组，其中，样本数据组包括多个样本数据；将多个样本数据组中的多个样本数据输入元学习模型，得到多个标签组；将多个标签组代入元损失函数，得到多个元参数；将多个元参数输入元学习优化器，根据预设算法进行计算，得到最优元参数；根据最优元参数对元学习模型进行训练。结合第一方面，本专利技术实施例提供了第一方面的第一种可能的实施方式，其中，获取多个样本数据组的步骤，包括重复执行以下处理，直至样本库中的样本数据都被遍历：从样本库中随机挑选M*k个样本数据进行排序，形成样本序列；选取样本序列中的第i个样本数据至第j个样本数据组成第i个样本数据组中，其中，1≤i＜j≤M*k。结合第一方面，本专利技术实施例提供了第一方面的第二种可能的实施方式，其中，样本数据包括心电图数据和与心电图数据相关联的病症标签，标签组包括与同一心电图数据相关联的病症标签和预测标签，将多个样本数据组中的多个样本数据输入元学习模型，得到多个标签组包括重复执行以下处理，直至多个样本数据组都被遍历：将第i个样本数据组中的第a个心电图数据输入第i元学习模型，得到与心电图数据相关联的第a个预测标签，i≤a≤j；将样本数据组中的多个心电图数据输入元学习模型，得到多个与心电图数据相关联的预测标签。结合第一方面第二种可能的实施方式，本专利技术实施例提供了第一方面的第三种可能的实施方式，其中，将多个标签组代入损失函数，得到多个元参数的步骤，包括，重复执行以下处理，直至多个标签组都被遍历：将第i个样本数据组中的多个标签组代入损失函数，得到第i个元参数。结合第一方面第三种可能的实施方式，本专利技术实施例提供了第一方面的第四种可能的实施方式，其中，还包括：根据第i个元参数训练第i+1元学习模型。结合第一方面，本专利技术实施例提供了第一方面的第五种可能的实施方式，其中，将多个元参数输入元学习优化器，根据预设算法进行计算，得到最优元参数的步骤，包括：将多个元参数依次输入对元学习优化器，根据初始元参数和预设算法进行计算，得到最优元参数，其中，预设算法包括SGD或ADAM算法。结合第一方面第三种可能的实施方式，本专利技术实施例提供了第一方面的第六种可能的实施方式，其中，还包括：计算损失函数最小时的元学习模型的参数，参数为元参数。第二方面，本专利技术实施例还提供一种基于元学习的心电图诊断的方法，包括：将心电图数据输入最优元学习模型，得到心电图数据的诊断分类结果，其中，最优元学习模型通过最优元参数对元学习模型进行训练得到。第三方面，本专利技术实施例还提供一种基于心电图诊断的元学习模型训练系统，包括：样本数据组获取模块，获取多个样本数据组，其中，样本数据组包括多个样本数据；标签获取模块，将多个样本数据组中的多个样本数据输入元学习模型，得到多个标签组；损失计算模块，将多个样本数据组中的标签组代入损失函数，得到多个元参数；最优元参数计算模块，将多个元参数输入元学习优化器，根据预设算法进行计算，得到最优元参数；训练模块，根据最优元参数对元学习模型进行训练。第四方面，本专利技术实施例还提供一种基于元学习的心电图诊断的设备，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，处理器执行计算机程序时实现上述第一方面和第二方面的方法的步骤。本专利技术实施例带来了以下有益效果：本专利技术提供了一种基于心电图诊断的元学习模型训练方法，包括，获取多个样本数据组，其中，样本数据组包括多个样本数据。将多个样本数据组中的多个样本数据输入元学习模型，得到多个标签组。将多个与样本数据组对应的标签组代入损失函数，得到多个元参数。将多个元参数输入元学习优化器，根据预设算法进行计算，得到最优元参数，根据最优元参数对元学习模型进行训练。元学习优化器把每一次训练中的“经验”(元参数)保留了下来，用作后续处理，使元学习模型具备学习新任务的能力，先通过接触大量的病症诊断任务进行训练，获得由最优元参数表征的最优元参数模型。本公开的其他特征和优点将在随后的说明书中阐述，或者，部分特征和优点可以从说明书推知或毫无疑义地确定，或者通过实施本公开的上述技术即可得知。为使本公开的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。附图说明为了更清楚地说明本专利技术具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本专利技术的一些实施方式，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的附图。图1为本专利技术实施例提供的一种基于心电图诊断的元学习模型训练方法；图2为本专利技术实施例提供了一种基于心电图诊断的SNAIL元学习模型架构图；图3为本专利技术实施例提供了一种基于心电图诊断的卷积神经网络架构图；图4为为本专利技术实施例提供的一种基于心电图诊断的元学习模型训练系统框架图。具体实施方式为使本专利技术实施例的目的、技术方案和优点更加清楚，下面将结合附图对本专利技术的技术方案进行描述，显然，所描述的实施例是本专利技术一部分实施例，而不是全部的实施例。目前计算机深度学习诊断心电图的水平较低，基于此，本专利技术实施例提供的一种基于心电图诊断的元学习模型训练方法、系统和设备，可以使元学习模型具备学习新任务的能力。为便于对本实施例进行理解，首先对本专利技术实施例所公开的一种基于心电图诊断的元学习模型训练方法进行详细介绍。实施例1如图1所示，本专利技术实施例提供了一种基于心电图诊断的元学习模型训练方法，该方法包括步骤S101-S105，具体如下：步骤S101，获取多个样本数据组，其中，样本数据组包括多个样本数据。样本数据包括心电图仪按照固定的采样频率采集的心电图数据，采样时长可以为30s，采样频率可以为200Hz，心电图数据为随时间变化的电位差数据。该心电图数据已经专业医师分析，且确定病症类型，病症类型包括早搏、逸搏、心动过速肥大，心肌缺血、梗死等。全部的样本数据组成样本数据库，从样本数据库中可以挑选多个样本数据组成一个样本数据组，重复上述步骤获得多组样本数据。步骤S102，将多个样本数据组中的多个样本数据输入元学习模型，得到多个标签组。本专利技术实施例的元学习模型采用SNAIL(SimpleNeuralAttentlveLearner)元学习模型。如图2所示，本专利技术实施例提供了一种基于心电图诊断的SNAIL元学习模本文档来自技高网...

【技术保护点】
1.一种基于心电图诊断的元学习模型训练方法，其特征在于，包括：获取多个样本数据组，其中，所述样本数据组包括多个样本数据；将所述多个样本数据组中的所述多个样本数据输入所述元学习模型，得到多个标签组；将多个所述标签组代入元损失函数，得到多个元参数；将多个所述元参数输入元学习优化器，根据预设算法进行计算，得到最优元参数；根据所述最优元参数对所述元学习模型进行训练。

【技术特征摘要】
1.一种基于心电图诊断的元学习模型训练方法，其特征在于，包括：获取多个样本数据组，其中，所述样本数据组包括多个样本数据；将所述多个样本数据组中的所述多个样本数据输入所述元学习模型，得到多个标签组；将多个所述标签组代入元损失函数，得到多个元参数；将多个所述元参数输入元学习优化器，根据预设算法进行计算，得到最优元参数；根据所述最优元参数对所述元学习模型进行训练。2.根据权利要求1所述的基于心电图诊断的元学习模型训练方法，其特征在于，所述获取多个样本数据组的步骤，包括重复执行以下处理，直至样本库中的样本数据都被遍历：从所述样本库中随机挑选M*k个所述样本数据进行排序，形成样本序列；选取所述样本序列中的第i个样本数据至第j个样本数据组成第i个样本数据组，其中，1≤i＜j≤M*k。3.根据权利要求1所述的基于心电图诊断的元学习模型训练方法，其特征在于，所述样本数据包括心电图数据和与所述心电图数据相关联的病症标签，所述标签组包括与同一所述心电图数据相关联的所述病症标签和预测标签，将所述多个样本数据组中的所述多个样本数据输入所述元学习模型，得到多个标签组包括重复执行以下处理，直至所述多个样本数据组都被遍历：将第i个样本数据组中的第a个所述心电图数据输入第i元学习模型，得到与所述心电图数据相关联的第a个预测标签，i≤a≤j；将所述样本数据组中的多个所述心电图数据输入所述元学习模型，得到多个与所述心电图数据相关联的预测标签。4.根据权利要求3所述的基于心电图诊断的元学习模型训练方法，其特征在于，所述将多个所述标签组代入元损失函数，得到多个元参数的步骤，包括，重复执行以下处理，直至所述多个标签组都被遍历：将所述第i个样本数据组中的多个所述标签组...

【专利技术属性】
技术研发人员：朱佳兵，李毅，朱涛，张玮，罗伟，
申请(专利权)人：武汉中旗生物医疗电子有限公司，
类型：发明
国别省市：湖北,42