[发明专利]一种基于课程元学习的心律失常检测算法和系统

说明书

本发明涉及智能医疗领域，公开了一种基于课程元学习的心律失常检测算法和系统，其中算法包括以下步骤：S1、将现有的神经网络模型在预训练数据集中进行预训练得到预训练模型；S2、再将S1中得到的所述预训练模型迁移到新的目标集中进行微调；本发明通过元学习方法和课程学习方法的结合，对原始的预训练模型进行训练，之后迁移到新的目标集中进行微调，这样可以得到能够快速适应不同个体的参数，并且能够缓解同一个体不同时期数据差异大的问题。

技术领域

本发明涉及智能医疗领域，特别涉及一种基于课程元学习的心律失常检测算法和系统。

背景技术

目前深度学习方法被广泛应用于心电信号的分类任务上。尽管深度学习模型能够有着不错的表现，但该方法仍有两个主要局限性：

(1)心电信号因人而异。换句话说，从一个人那里学到的模型能否推广到其他人身上是不确定的。这主要是由于一些条件(如信道、实验环境和受试者的类型)的差异，这限制了临床环境中机器学习模型的可适用性。

(2)除了不同个体之间的泛化能力外，深度学习模型在同一个体某一时期可能表现不佳，而在其他时期表现良好。人们在不同的阶段做不同的活动，无疑会影响到包括心律在内的不同心脏活动指标。因此，由某些时期的数据训练的模型在其他阶段可能表现不佳。

所以现有的深度学习方法存在上述限制。

发明内容

为了解决现有深度学习方法的限制问题，本发明提供了一种基于课程元学习的心律失常检测算法和系统，具体方案如下：

一种基于课程元学习的心律失常检测算法，包括以下步骤：

S1、将现有的神经网络模型在预训练数据集中进行预训练得到预训练模型，所述预训练数据集中，对每个个体进行心率失常检测为元任务Tb，其中所述元任务对应若干个样本，一个所述样本即一个心律检测数据；所述预训练数据集包括预训练训练集和预训练验证集；

S2、再将S1中得到的所述预训练模型迁移到新的目标集中进行微调，所述目标集中的每个子集为一个个体，且每个所述子集对应若干个样本，一个所述样本即一个心律检测数据。

优选的，步骤S1中所述的预训练包括元学习方法和课程学习方法；所述元学习方法用于为所述预训练模型学习可以快速适应新个体的参数，所述课程学习方法用于为所述元学习方法提供“从易到难”的学习顺序。

优选的，所述预训练的具体步骤包括：

S1.1、计算样本的交叉熵损失，并确定每个所述元任务的困难值；所述困难值是衡量每个元任务的复杂性或者模型学习这个元任务的困难程度，只要模型确定，我们能够为每个元任务设置一个固定值作为这些元任务的“困难值”；

S1.2、在所述预训练的每一步，挑选若干个所述元任务进行训练；

S1.3、为预训练模型的初始权重θ₀进行更新，得到更新后的元学习模型参数θ’；其中，用所述元学习方法和所述课程学习方法训练后得到的预训练模型称为元学习模型。

优选的，步骤S1.1中的计算所述困难值的具体步骤如下：

S1.1.1、用每个所述元任务中的K个所述样本进行训练，用每个所述元任务中剩余的所述样本进行测试；

S1.1.2、计算出每个所述元任务对应的所有所述样本的平均交叉熵损失lossb，其中N为样本个数，M为心律失常的类别数量，当样本i的类别为c时，真实标签y_ic为1，否则为0，p_ic为元学习模型给出的样本i为类别c的概率，则所述元任务Tb的困难值为

优选的，步骤S1.2中挑选元任务的依据为各个所述元任务的所述困难值，设置一个困难值的阈值，困难值小于所述阈值的所述元任务被等概率选择，而困难值大于所述阈值的元任务则不会被选择。