模型训练方法、血细胞信号检测方法、装置及设备制造方法及图纸

本申请涉及一种模型训练方法、血细胞信号检测方法、装置及设备，所述方法包括：获取训练样本集；训练样本集包括通过至少两种采集方式采集到的目标血细胞信号；根据预设标准对训练样本集进行人工标注，得到训练样本集对应的目标标注信息；将训练样本集输入至初始深度学习神经网络模型中，得到训练样本集对应的预测标注信息；根据目标标注信息、预测标注信息对初始深度学习神经网络模型的参数进行更新，生成预设的深度学习神经网络模型。本申请实施例提供的技术方案可以提高检测有效血细胞信号的准确率。准确率。准确率。

【技术实现步骤摘要】
模型训练方法、血细胞信号检测方法、装置及设备


[0001]本申请涉及生物检测
，特别是涉及一种模型训练方法、血细胞信号检测方法、装置及设备。

技术介绍

[0002]通过对血液中血细胞进行检测与识别来判断生物身体各项指标的方式，在血常规等基础检测中已广泛应用。在通过采集装置采集血细胞信号的过程中，若在采集装置的检测点上未检测到血细胞，则此时就未检测到血细胞信号。若在采集装置的检测点上检测到血细胞，则就会形成血细胞信号。进而，从该血细胞信号中提取有效信号，并对有效信号进行分析，可以得到生物身体各项指标。
[0003]现有的在通过采集装置采集血细胞信号时，是通过单一的采集方式去采集血细胞信号，进而获取到一种血细胞信号，再对获取到的该血细胞信号进行检测与识别，从而提取出有效信号。由于只对单一方式采集到的血细胞信号进行分析，容易出现漏检、误检的情况，使得检测有效血细胞信号的准确率低。

技术实现思路

[0004]基于此，本申请实施例提供了一种模型训练方法、血细胞信号检测方法、装置及设备，可以提高检测有效血细胞信号的准确率。
[0005]第一方面，提供了一种血细胞信号检测方法，该方法包括：
[0006]获取训练样本集；训练样本集包括通过至少两种采集方式采集到的目标血细胞信号；根据预设标准对训练样本集进行人工标注，得到训练样本集对应的目标标注信息；将训练样本集输入至初始深度学习神经网络模型中，得到训练样本集对应的预测标注信息；根据目标标注信息、预测标注信息对初始深度学习神经网络模型的参数进行更新，生成预设的深度学习神经网络模型。
[0007]在其中一个实施例中，至少两种采集方式包括光学采集方式及阻抗采集方式；获取训练样本集，包括：
[0008]通过光学采集方式从血液样本中采集血细胞信号，生成第一目标血细胞信号；通过阻抗采集方式从血液样本中采集血细胞信号，生成第二目标血细胞信号；基于第一目标血细胞信号及第二目标血细胞信号，生成训练样本集。
[0009]在其中一个实施例中，将训练样本集输入至初始深度学习神经网络模型中，得到训练样本集对应的预测标注信息，包括：
[0010]对至少两种目标血细胞信号分别进行矩阵化处理，生成目标血细胞信号对应的目标矩阵；将目标矩阵输入至初始深度学习神经网络模型中进行学习，得到训练样本集对应的预测标注信息。
[0011]在其中一个实施例中，将目标矩阵输入至初始深度学习神经网络模型中进行学习，得到训练样本集对应的预测标注信息，包括：
[0012]将目标矩阵输入至初始卷积神经网络中，得到目标矩阵对应的特征信息；将特征信息输入至初始长短期记忆神经网络中，得到特征信息对应的预测标注信息。
[0013]在其中一个实施例中，对至少两种目标血细胞信号分别进行矩阵化处理，生成目标血细胞信号对应的目标矩阵，包括：
[0014]采用预设宽度的滑动窗口依次对目标血细胞信号进行划分，生成目标血细胞子信号；基于目标血细胞子信号，生成目标血细胞信号对应的目标矩阵。
[0015]在其中一个实施例中，上述方法还包括：
[0016]获取血液样本的初始血细胞信号；对初始血细胞信号进行模数转换及信号预处理后，生成目标血细胞信号。
[0017]第二方面，提供了一种血细胞信号检测方法，该方法包括：
[0018]通过至少两种采集方式从血液样本中采集血细胞信号，生成至少两种目标血细胞信号；将至少两种目标血细胞信号输入至如第一方面任一实施例中的预设的深度学习神经网络模型中进行计算，得到目标血细胞信号对应的标注信息；标注信息用于表示目标血细胞信号是否为有效信号；基于标注信息确定目标血细胞信号中的有效信号。
[0019]第三方面，提供了一种模型训练装置，该装置包括：
[0020]第一获取模块，用于获取训练样本集；训练样本集包括通过至少两种采集方式采集到的目标血细胞信号；
[0021]标注模块，用于根据预设标准对训练样本集进行人工标注，得到训练样本集对应的目标标注信息；
[0022]输入模块，用于将训练样本集输入至初始深度学习神经网络模型中，得到训练样本集对应的预测标注信息；
[0023]第一生成模块，用于根据目标标注信息、预测标注信息对初始深度学习神经网络模型的参数进行更新，生成预设的深度学习神经网络模型。
[0024]第四方面，提供了一种计算机设备，包括存储器和处理器，存储器存储有计算机程序，计算机程序被处理器执行时实现上述第一方面和第二方面任一实施例中的方法步骤。
[0025]第五方面，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述第一方面和第二方面任一实施例中的方法步骤。
[0026]上述模型训练方法、血细胞信号检测方法、装置及设备，通过获取训练样本集；根据预设标准对训练样本集进行人工标注，得到训练样本集对应的目标标注信息；将训练样本集输入至初始深度学习神经网络模型中，得到训练样本集对应的预测标注信息；根据目标标注信息、预测标注信息对初始深度学习神经网络模型的参数进行更新，生成预设的深度学习神经网络模型。在本申请实施例提供的技术方案中，由于在通过采集装置采集血细胞信号的训练样本集时，通过多种采集方式采集到的多种血细胞信号，然后通过深度学习神经网络模型对多种血细胞信号进行学习，从而训练得到的深度学习神经网络模型可以综合分析多种血细胞信号，进而提高了检测有效血细胞信号的准确率。
附图说明
[0027]图1为本申请实施例提供的一种计算机设备的框图；
[0028]图2为本申请实施例提供的一种模型训练方法的流程图；
[0029]图3为本申请实施例提供的一种获取训练样本集的流程图；
[0030]图4为本申请实施例提供的一种对目标血细胞信号进行学习的流程图；
[0031]图5为本申请实施例提供的一种对目标矩阵处理的流程图；
[0032]图6为本申请实施例提供的一种深度学习神经网络模型对目标矩阵处理过程的示意图；
[0033]图7为本申请实施例提供的一种生成目标矩阵的流程图；
[0034]图8为本申请实施例提供的一种生成目标血细胞信号的流程图；
[0035]图9为本申请实施例提供的一种血细胞信号检测方法的流程图；
[0036]图10为本申请实施例提供的一种噪声信号的示意图；
[0037]图11为本申请实施例提供的一种血细胞信号的示意图；
[0038]图12为本申请实施例提供的一种血模型训练装置的框图。
具体实施方式
[0039]为使本申请的目的、技术方案和优点更加清楚，下面将结合附图对本申请实施方式作进一步地详细描述。
[0040]本申请提供的模型训练方法、血细胞信号检测方法可以应用于计算机设备中，计算机设备可以是服务器，也可以是终端，其中，服务器可以为一台服务器也可以为由多台服务器组成的服务器集群，本申请实施例对此不作具体限定，终端可以本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种模型训练方法，其特征在于，所述方法包括：获取训练样本集；所述训练样本集包括通过至少两种采集方式采集到的目标血细胞信号；根据预设标准对所述训练样本集进行人工标注，得到所述训练样本集对应的目标标注信息；将所述训练样本集输入至初始深度学习神经网络模型中，得到所述训练样本集对应的预测标注信息；根据所述目标标注信息、所述预测标注信息对初始深度学习神经网络模型的参数进行更新，生成预设的深度学习神经网络模型。2.根据权利要求1所述的方法，其特征在于，所述至少两种采集方式包括光学采集方式及阻抗采集方式；所述获取训练样本集，包括：通过所述光学采集方式从血液样本中采集血细胞信号，生成第一目标血细胞信号；通过所述阻抗采集方式从血液样本中采集血细胞信号，生成第二目标血细胞信号；基于所述第一目标血细胞信号及所述第二目标血细胞信号，生成所述训练样本集。3.根据权利要求1所述的方法，其特征在于，所述将所述训练样本集输入至初始深度学习神经网络模型中，得到所述训练样本集对应的预测标注信息，包括：对至少两种所述目标血细胞信号分别进行矩阵化处理，生成所述目标血细胞信号对应的目标矩阵；将所述目标矩阵输入至所述初始深度学习神经网络模型中进行学习，得到所述训练样本集对应的预测标注信息。4.根据权利要求3所述的方法，其特征在于，所述将所述目标矩阵输入至所述初始深度学习神经网络模型中进行学习，得到所述训练样本集对应的预测标注信息，包括：将所述目标矩阵输入至初始卷积神经网络中，得到所述目标矩阵对应的特征信息；将所述特征信息输入至初始长短期记忆神经网络中，得到所述特征信息对应的所述预测标注信息。5.根据权利要求3所述的方法，其特征在于，所述对至少两种所述目标血细胞信号分别进行矩阵化处理，生成所述目标血细胞信号对应的目标矩...

【专利技术属性】
技术研发人员：刘晓康，许德鹏，陈齐文，杨鹏升，
申请(专利权)人：深圳市瑞图生物技术有限公司，
类型：发明
国别省市：