[发明专利]基于心电图诊断的元学习模型训练方法、系统和设备

说明书

本发明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。

技术领域

本发明涉及元学习的技术领域，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。

背景技术

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。

发明内容

有鉴于此，本发明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，本发明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，本发明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，本发明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，本发明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，本发明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，本发明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：