[发明专利]一种基于医疗健康数据安全的反向传播神经网络训练方法

说明书

本发明公开一种基于医疗健康数据安全的反向传播神经网络训练方法，正向传播和反向传播两个阶段分离，在不同的设备上由两方分别负责：正向传播过程由医疗健康数据提供方的数据方负责，而反向传播过程由神经网络研究员执行。数据方对样本数据进行分批次等预处理后，研究员提供当前前向网络给数据方，数据方将当前批次数据输入前向网络，继而得到某批次的误差，经过审核后，返回该误差给研究员，研究员反向传播更新网络后，再次将新的当前网络提供给数据方，继而循环，直到误差足够小或完成特定次数的整体训练。本发明有效地解决了反向传播神经网络的训练和医疗健康数据安全的保障两者矛盾的问题。

技术领域

本发明涉及医疗数据安全技术领域，尤其涉及一种基于医疗健康数据安全的反向传播神经网络训练方法。

背景技术

人工神经网络作为一种在应用实践中行之有效的机器学习方法，通过神经元的连接和协作模拟人脑解决问题。为了从结构模型进而得到具体应用模型，需要用大量的样本数据对神经网络调整参数。在监督学习情况中，反向传播是一种常见的神经网络训练方法，即正向计算误差，误差在网络反向梯度下降。

伴随人工神经网络的兴起，反向传播的神经网络被大量应用于医疗健康领域，如图像处理，智能诊断等，并产生了巨大的社会和经济效益。作为数据驱动型的方法，神经网络需要使用大量的医疗数据，而这些医疗数据会触动患者的隐私。过去，医疗健康数据隐私的保护不被重视且管理混乱，虽然方便了医疗健康数据的获取和神经网络的训练，但是也导致了医疗健康数据的泄露和滥用。当前人们对医疗数据的安全越来越关注，与此同时，对更智能更准确的医疗健康神经网络的需求亦越来越急迫。主流的神经网络训练方法是研究人员完整地获取到所需医疗健康数据，然后应用于神经网络。在此情况下，研究人员如何使用数据，使用后原数据如何处理和保证安全都无法得到有效的监管，使数据安全和训练需求产生冲突矛盾。如何在允许神经网络使用医疗健康数据训练的同时，防止其泄露和滥用数据是亟待解决的问题。

发明内容

本发明的目的在于提供一种基于医疗健康数据安全的反向传播神经网络训练方法。

本发明采用的技术方案是：

一种基于医疗健康数据安全的反向传播神经网络训练方法，其包括以下步骤：

步骤（1）研究员告知数据方研究所需数据、预处理方法和批次参数；

步骤（2）数据方组合所需数据并依照预处理方法执行预处理操作；

步骤（3）研究员建立神经网络模型并黑箱化后，连同经加密的网络参数发送给数据方；

步骤（4）数据方将加密的网络参数输入黑箱以更新黑箱，并将该批次数据输入黑箱进行正向传播过程，获取误差；

步骤（5）数据方审核误差通过后，将误差与当前批次参数返回给研究员；

步骤（6）研究员根据误差以及当前批次参数判断是否结束训练过程；是则，结束训练；否则，，研究员根据误差进行反向传播过程，更新网络参数并加密发送给数据方，执行步骤（4）进一步训练。

进一步地，步骤（1）中批次参数包括批次数量、整体训练次数。

进一步地，整体训练次数不超过样本数和样本特征数量两者乘积十分之一。

进一步地，每批次样本数不低于误差维度的十倍。

进一步地，步骤（2）中预处理方法包括数据筛选、归一化和分批次。

进一步地，归一化后的误差精度不超过批次样本数和样本特征数量两者数量乘积的倒数的十倍。

进一步地，步骤（3）中黑箱化的方法为将神经网络模型封装为带UI界面的可执行文件，数据方将可执行文件在与外网隔绝的虚拟机中运行。