[发明专利]用于眼底检测仪数据的检测方法和系统

说明书

本发明提供了一种面向眼底检测仪数据的检测方法和系统，该方法使用了压缩后的深度学习模型对用户眼部数据进行分析和检测，其中，深度学习模型是通过采用包括岭回归和Lasso回归组合的弹性回归的损失函数的深度学习模型压缩方法进行压缩的。

技术领域

本发明涉及计算机数据挖掘分析技术领域，尤其涉及用于眼底检测仪数据的检测方法和系统。

背景技术

目前，国际先进的超广角眼底照相仪，只需0.4秒完成图片捕抓，能够快速采集大量、全面的用户眼部数据，便于对用户的眼部健康状态进行检测和分析。采用深度学习模型能够对这些数据进行有效的特征提取，并提高检测和分析的准确度。然而传统的深度学习模型通常包含大量的参数冗余，容易引发过拟合问题并增加学习的复杂度，在一定程度上限制了深度学习模型的性能，进而影响眼部数据的检测结果。

因此，亟需一种高效的面向眼底检测仪数据的深度学习方法和系统。

发明内容

因此，本发明提供一种深度学习模型的压缩方法，包括：初始化深度学习模型的联结权重并确定激活函数；将训练样本输入所述深度学习模型得到所述训练样本的输出值；删除所述深度学习模型中权重向量均值为零的神经元结点；基于所述训练样本的输出值、所述训练样本的实际值以及所述深度学习模型的损失函数计算所述深度学习模型的误差，其中，所述深度学习模型的损失函数采用弹性回归，所述弹性回归包括岭回归和Lasso回归的组合；利用反向传播算法更新所述深度学习模型的联结权重；以及重复上述步骤直至所述深度学习模型收敛，获得压缩后的深度学习模型。

在一个实施例中，所述深度学习模型的损失函数采用动态的网络压缩力度系数。

在一个实施例中，基于所述深度学习模型的网络结构因子、神经元数量因子以及神经元比率因子确定所述网络压缩力度系数。

在一个实施例中，所述深度学习模型的损失函数采用交叉熵表示所述深度学习模型中相邻两层网络之间隐藏信息的互信息。

在一个实施例中，所述深度学习模型的损失函数为：

其中，L为所述深度学习模型的网络的层数，i为第i层网络，γ_i为网络压缩力度系数，j为第j个神经元，r_i为第i层网络当前的神经元结点数，α是学习率，μ_i，j为第i层第j个神经元的权重向量的均值，σ_i，j是为第i层第j个神经元的权重向量的标准差，x为深度学习模型的输入，y为深度学习模型的输入，为数据的真实分布，p(h|x)是每一层的先验分布，q(y|h_L)是用来逼近最后一层先验分布p(y|h_L)的后验分布，h_L为第L层的隐藏信息。

在一个实施例中，所述反向传播算法包括梯度下降算法。

本发明另一方面提供了一种用于眼底检测仪的深度学习模型的压缩方法，包括：获得关于用户眼部数据的训练样本；利用所述训练样本训练深度学习模型；利用上述任一方法压缩所述深度学习模型。

本发明另一方面提供了一种用于眼底检测仪数据的检测方法，包括：通过眼底检测仪获取用户的眼部数据；基于上述方法所获得的所述深度学习模型对所述眼部数据进行分析和检测。

本发明另一方面提供了一种用于眼底检测仪数据的检测系统，包括：接口模块，用于获取用户的眼部数据以及基于上述方法所获得的深度学习模型；检测模块，用于基于所述深度学习模型对所述眼部数据进行分析和检测。

本发明另一方面提供了一种存储介质，其中存储有计算机程序，在所述计算机程序被处理器执行时，能够用于实现上述任一项所述的方法。

本发明另一方面提供了一种电子设备，包括处理器和存储器，所述存储器中存储有计算机程序，在所述计算机程序被处理器执行时，能够用于实现上述任一项所述的方法