【技术实现步骤摘要】
本申请涉及计算机，具体而言，涉及一种认知功能障碍预测模型的训练方法、装置、计算机可读介质及电子设备。
技术介绍
1、在当前的医疗与科技的应用中，存在着很多通过人工智能的方式进行医学检验的方法或者设备。但是针对一些疑难的病症很难通过这些方式来确定。尤其是在数据样本较为复杂、种类较多的情况下，现有技术中很难通过数据的检测来生成一个精确的模型，这种方式使得模型生成的效率较低，且模型的准确性也相对较低。
技术实现思路
1、本申请的实施例提供了一种认知功能障碍预测模型的训练方法、装置、计算机可读介质及电子设备，进而至少在一定程度上可以解决模型生成的效率和准确性相对较低的问题。
2、本申请的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本申请的实践而习得。
3、根据本申请的一个方面，提供了一种认知功能障碍预测模型的训练方法，包括：
4、从人群中获取至少两个认知功能维度的检测信息，构成信息集；
5、检测所述信息集中的异常数据，删除所述异常数据得到第一信息集；
6、基于所述第一信息集的训练样本计算特征因子，并基于所述特征因子从所述训练样本中提取训练特征；
7、将所述训练特征输入预设的训练模型中，输出训练结果；
8、基于所述训练结果评估所述训练模型的检测效果。
9、在本申请中，基于前述方案，所述从人群中获取至少两个认知功能维度的检测信息，构成信息集，包括：获取从人群中采集的检测报告；对所述检测报
10、在本申请中，基于前述方案，所述检测所述信息集中的异常数据，删除所述异常数据得到第一信息集，包括：识别信息集中各数据标签对应的数据值；将各数据标签对应的数据值进行异常检测，确定其中的异常数据；删除其中的异常数据得到第一信息集。
11、在本申请中，基于前述方案，所述将各数据标签对应的数据值进行异常检测，确定其中的异常数据，包括：从数据库中查找所述数据标签对应的目标标签，并获取所述目标标签对应的正常数据范围；基于所述正常数据范围对所述数据标签对应的数据值进行检测，确定是否为异常数据。
12、在本申请中，基于前述方案，所述基于所述第一信息集的训练样本计算特征因子，并基于所述特征因子从所述训练样本中提取训练特征，包括：基于所述第一信息集的训练样本，计算所述训练样本对应的特征因子；基于所述特征因子确定各训练样本对应的比重参数；基于所述比重参数对所述训练样本进行由高到低排序，基于预设的特征数量提取其中靠前的样本作为训练特征。
13、在本申请中，基于前述方案，所述将所述训练特征输入预设的训练模型中，输出训练结果，包括：将所述训练特征输入预设的训练模型中，所述训练模型包括至少两个；获取所述训练模型的训练结果。
14、在本申请中，基于前述方案，所述基于所述训练结果评估所述训练模型的检测效果，包括：将所述训练结果与样本标签进行对比，确定差异参数；基于所述差异参数评估训练模型的检测效果。
15、根据本申请的一个方面，提供了一种认知功能障碍预测模型的训练装置，包括：
16、获取单元，用于从人群中获取至少两个认知功能维度的检测信息，构成信息集；
17、检测单元，用于检测所述信息集中的异常数据，删除所述异常数据得到第一信息集；
18、特征单元，用于基于所述第一信息集的训练样本计算特征因子，并基于所述特征因子从所述训练样本中提取训练特征；
19、训练单元，用于将所述训练特征输入预设的训练模型中，输出训练结果；
20、评估单元，用于基于所述训练结果评估所述训练模型的检测效果。
21、在本申请中，基于前述方案，所述从人群中获取至少两个认知功能维度的检测信息，构成信息集，包括：获取从人群中采集的检测报告；对所述检测报告进行筛选处理，确定各认知功能维度对应的检测信息，构成信息集。
22、在本申请中，基于前述方案，所述检测所述信息集中的异常数据，删除所述异常数据得到第一信息集，包括：识别信息集中各数据标签对应的数据值；将各数据标签对应的数据值进行异常检测，确定其中的异常数据；删除其中的异常数据得到第一信息集。
23、在本申请中，基于前述方案，所述将各数据标签对应的数据值进行异常检测，确定其中的异常数据，包括：从数据库中查找所述数据标签对应的目标标签，并获取所述目标标签对应的正常数据范围；基于所述正常数据范围对所述数据标签对应的数据值进行检测，确定是否为异常数据。
24、在本申请中，基于前述方案，所述基于所述第一信息集的训练样本计算特征因子，并基于所述特征因子从所述训练样本中提取训练特征，包括：基于所述第一信息集的训练样本，计算所述训练样本对应的特征因子；基于所述特征因子确定各训练样本对应的比重参数；基于所述比重参数对所述训练样本进行由高到低排序，基于预设的特征数量提取其中靠前的样本作为训练特征。
25、在本申请中，基于前述方案，所述将所述训练特征输入预设的训练模型中，输出训练结果，包括：将所述训练特征输入预设的训练模型中，所述训练模型包括至少两个；获取所述训练模型的训练结果。
26、在本申请中，基于前述方案，所述基于所述训练结果评估所述训练模型的检测效果，包括：将所述训练结果与样本标签进行对比，确定差异参数；基于所述差异参数评估训练模型的检测效果。
27、根据本申请的一个方面，提供了一种计算机可读介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如上述实施例中所述的认知功能障碍预测模型的训练方法。
28、根据本申请的一个方面，提供了一种电子设备，包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现如上述实施例中所述的认知功能障碍预测模型的训练方法。
29、根据本申请的一个方面，提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行上述各种可选实现方式中提供的认知功能障碍预测模型的训练方法。
30、在本申请的技术方案中，从人群中获取至少两个认知功能维度的检测信息，构成信息集；检测所述信息集中的异常数据，删除所述异常数据得到第一信息集；基于所述第一信息集的训练样本计算特征因子，并基于所述特征因子从所述训练样本中提取训练特征；将所述训练特征输入预设的训练模型中，输出训练结果；基于所述训练结果评估所述训练模型的检测效果。通过对从人群中得到的信息集进行异常检测和特征提取，将得到的训练特征用于各类模型的训练中，提高了数据应用的准确性，进而提高了模型生成的效率和应用的精确性。
31、应当理解的是，以上的本文档来自技高网...
【技术保护点】
1.一种认知功能障碍预测模型的训练方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，从人群中获取至少两个认知功能维度的检测信息，构成信息集，包括：
3.根据权利要求1所述的方法，其特征在于，检测所述信息集中的异常数据，删除所述异常数据得到第一信息集，包括：
4.根据权利要求3所述的方法，其特征在于，将各数据标签对应的数据值进行异常检测，确定其中的异常数据，包括：
5.根据权利要求1所述的方法，其特征在于，基于所述第一信息集的训练样本计算特征因子，并基于所述特征因子从所述训练样本中提取训练特征，包括：
6.根据权利要求1所述的方法，其特征在于，将所述训练特征输入预设的训练模型中，输出训练结果，包括：
7.根据权利要求1所述的方法，其特征在于，基于所述训练结果评估所述训练模型的检测效果，包括：
8.一种认知功能障碍预测模型的训练装置，其特征在于，包括：
9.一种计算机可读介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7中任一项所述的
10.一种电子设备，其特征在于，包括：
...【技术特征摘要】
1.一种认知功能障碍预测模型的训练方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，从人群中获取至少两个认知功能维度的检测信息，构成信息集，包括：
3.根据权利要求1所述的方法，其特征在于，检测所述信息集中的异常数据，删除所述异常数据得到第一信息集，包括：
4.根据权利要求3所述的方法，其特征在于，将各数据标签对应的数据值进行异常检测，确定其中的异常数据，包括：
5.根据权利要求1所述的方法，其特征在于，基于所述第一信息集的训练样本计算特征因子，并基于所述特征因子从所述...
【专利技术属性】
技术研发人员：任晓虎，刘建军，朱飞奇，刘佩意，刘威，杨细飞，黄新凤，
申请(专利权)人：深圳市疾病预防控制中心深圳市卫生检验中心，深圳市预防医学研究所，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。