[发明专利]一种模型训练方法、装置、电子设备及存储介质

说明书

本发明涉及一种模型训练方法、装置、电子设备及存储介质，所述模型训练方法，包括：获取用于重新训练预设分类模型的训练数据集；将所述训练数据集输入所述预设分类模型中，对所述预设分类模型进行重新训练，直至所述预设分类模型收敛时，得到新的分类模型；其中，所述预设分类模型重新训练时的初始参数为预先训练所述预设分类模型时得到的模型参数。本发明实施例通过利用预先训练所述预设分类模型时得到的模型参数作为预设分类模型重新训练时的初始参数，而不随机初始化，通过这种方式，这种转移学习间接地利用了之前预训练模型中的大量数据，且不需要存储这些数据，仅对预先训练的模型进行微调，校准时间短，更具有实用性和便捷性。

技术领域

本申请涉及计算机技术领域，尤其涉及一种模型训练方法、装置、电子设备及存储介质。

背景技术

肌电控制的模式识别在多自由度解码肌电意图方面显示出了巨大的潜力，然而，由于缺乏对混杂因素的鲁棒性，阻碍了其在商业假肢中的应用。研究表明，对于前臂肌电识别系统，每纵向移动1厘米，分类误差大约从5％增加到20％，横向移动误差增加到40％，还有肢体位置变化、由干燥、湿度等引起的皮肤电极阻抗变化、肌肉疲劳以及随着用户获得收缩其残余肌肉的经验而产生的学习效果，都会降低基于表面肌电信号的运动意图估计的准确性。

而如果重新训练模型，则可能由于模型收缩过慢，用户需要等待较长时间，不利于用户使用。

发明内容

为了解决上述技术问题或者至少部分地解决上述技术问题，本申请提供了一种模型训练方法、装置、电子设备及存储介质。

第一方面，本申请提供了一种模型训练方法，包括：

获取用于重新训练预设分类模型的训练数据集；

将所述训练数据集输入所述预设分类模型中，对所述预设分类模型进行重新训练，直至所述预设分类模型收敛时，得到新的分类模型；

其中，所述预设分类模型重新训练时的初始参数为预先训练所述预设分类模型时得到的模型参数。

可选的，所述获取用于重新训练预设分类模型的训练数据集，包括：

获取用于预先训练所述预设分类模型的预训练数据集；

在所述预训练数据集中提取训练数据，构建所述训练数据集。

可选的，所述在所述预训练数据集中提取训练数据，得到所述训练数据集，包括：

获取至少两个不同手势动作中每个手势动作对应的预设数量个通道的表面肌电信号；

将获取至少两个不同手势动作中每个手势动作对应的预设数量个通道的表面肌电信号的采集位置向左或向右移动半个通道位置，得到所述训练数据；

和/或，将获取至少两个不同手势动作中，每个手势动作对应的预设数量个通道的表面肌电信号的采集位置向上或向下移动半个通道位置，得到所述训练数据。

可选的，预先训练所述预设分类模型，包括：

获取预训练数据集和测试数据集；

随机初始化原始分类模型的预训练参数；

将预训练参数作为所述原始分类模型预先训练时的初始参数；

将所述预训练数据集输入所述原始分类模型中，对所述原始分类模型进行预先训练；

在所述原始分类模型预先训练完成时，利用所述测试数据集对所述原始分类模型进行验证；

若所述原始分类模型收敛，得到所述预设分类模型。

可选的，所述方法还包括：

获取至少两个不同手势动作中每个手势动作对应的预设数量个通道的表面肌电信号；