一种BPPV眼震信号的标注方法技术

本发明专利技术涉及一种BPPV眼震信号的标注方法，包括以下步骤：专家依据临床诊断经验，对部分挑选的高质量视频样本进行打标签；根据专家已打标签的数据，采用数据增强、正样本扩充等数据处理方案，将样本量进行扩充获得充足的样本数量，训练一个基础的深度学习模型，作为Teacher Model；将未标注数据作为测试集，使用Teacher Model对未标注数据进行预测，给出对应的伪标签效果；对于伪标签显示阴性、低置信度阳性的样本、独立存在的阳性样本，选择舍弃；对于连续的阳性样本，其中高置信度的样本标注为阳性，作为新的训练样本；本发明专利技术利用有限的标注数据集训练深度学习模型，并对新的病患样本进行自动标注，降低标注成本。降低标注成本。降低标注成本。

【技术实现步骤摘要】
一种BPPV眼震信号的标注方法
[
][0001]本专利技术涉及医疗领域数据建模，具体地说是一种BPPV眼震信号的标注方法。
[
技术介绍
][0002]在对真实的视频数据进行建模时，对于有监督学习来说，需要一定量的标注数据。然而在医疗领域，标注样本往往需要专业的医生参与，并且对标注的准确度要求极高；同时，因为隐私、法律等相关因素，病人的真实数据往往无法从外部获得，这就导致医院获得带标签的可训练样本有非常高的成本。
[0003]深度学习模型训练需要大量的标注数据，而这一点在医疗领域的成本是非常高的。比如在论文《Developing a Diagnostic Decision Support System for Benign Paroxysmal Positional Vertigo Using a Deep
‑
Learning Model》提出的深度学习模型中，需要有7万名患者的带标签视频数据。而在为一家三甲医院建模时，可供使用的已标注视频样本也不足200个，成为深度学习模型训练的最大阻碍。且对于非专业数据机构来说，获得标注样本的成本是非常本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种BPPV眼震信号的标注方法，其特征在于，包括以下步骤：1)对少量样本进行专家标注：由医院的专家依据临床诊断经验，对部分挑选的高质量视频样本进行打标签；2)训练深度学习模型：根据专家已打标签的数据，采用数据增强、正样本扩充等数据处理方案，将样本量进行扩充获得充足的样本数量，训练一个基础的深度学习模型，作为Teacher Model教师模型；3)预测未标注样本：将未标注数据作为测试集，使用步骤2)中的Teacher Model教师模型对未标注数据进行预测，给出对应的伪标签效果；4)伪标签筛选：对于伪标签显示阴性、低置信度阳性即<0.95的样本，选择舍弃；对于独立存在的阳性样本，选择舍弃；对于连续的阳性样本，其中高置信度即>0.95的样本标注为阳性，作为新的训练样本。2.如权利要求1所述的BPPV眼震信号的标注方法，其特征在于，步骤4)之后还包...

【专利技术属性】
技术研发人员：时海波，
申请(专利权)人：上海市第六人民医院，
类型：发明
国别省市：