[发明专利]模型迁移训练方法、装置、计算机设备及可读存储介质

说明书

本发明涉及人工智能技术领域，公开了一种模型迁移训练方法、装置、计算机设备及可读存储介质，包括：与脉诊仪连接并获取脉搏数据；识别脉象数据的数据特性，并根据数据特性获取相似样本；以表现数据为输入数据，以类别数据为输出数据对预置的神经网络模型进行训练得到中间模型；将中间模型的输入层的通道数调整为脉象数据的维数，并将中间模型的输出层的通道数调整为脉诊数据的类别数量使中间模型转为调整模型；将脉象数据录入调整模型的输入层，并以脉诊数据作为输出数据，对调整模型进行训练用以获得成熟模型。本发明还涉及区块链技术，信息可存储于区块链节点中。本发明消除了因目标样本数量不足，导致难以获得能够准确分类的成熟模型的问题。

技术领域

本发明涉及人工智能技术领域，尤其涉及一种模型迁移训练方法、装置、计算机设备及可读存储介质。

背景技术

随着人工智能的发展，当前的企事业单位通常会采用经训练的神经网络模型，对特征量大且复杂的对象进行分类识别，以节省人工成本的投入，提高对象识别效率及准确度。

对神经网络进行训练通常需要准备大量的训练样本，但是，发明人发现，对于样本量较少的业务，尤其是脉诊仪，因为脉象种类繁多、需要多年临床专业经验积累才能有较好的诊断，导致样本采集和标注难度极高，通常会导致神经网络因训练量不足，造成获得的所谓成熟模型识别准确度较差的问题发生。

发明内容

本发明的目的是提供一种模型迁移训练方法、装置、计算机设备及可读存储介质，用于解决现有技术存在的只通过数量有限的样本训练神经网络模型，导致获得的成熟模型的识别准确度不高的问题。

为实现上述目的，本发明提供一种模型迁移训练方法，包括：

与脉诊仪连接并获取脉搏数据，其中，所述脉搏数据包括脉象数据和脉诊数据，所述脉象数据描述了所述脉诊仪在采集部位下施加采集压力所获得的脉象表现，所述脉诊数据反映了所述脉象数据所属的脉象类别；

识别所述脉象数据的数据特性，并根据所述数据特性获取相似样本；其中，所述相似样本包括表现数据和类别数据；

以所述表现数据为输入数据，以所述类别数据为输出数据对预置的神经网络模型进行训练得到中间模型；

将所述中间模型的输入层的通道数调整为所述脉象数据的维数，并将所述中间模型的输出层的通道数调整为所述脉诊数据的类别数量，使所述中间模型转为调整模型；其中，所述脉象数据的维数是指各所述采集部位与各所述采集压力一一对应形成组合对的数量，所述脉诊数据的类别数量是指所有所述脉象数据所属脉象类别的总数；

将所述脉象数据录入所述调整模型的输入层，并以所述脉诊数据作为输出数据，对所述调整模型进行训练用以获得成熟模型。

上述方案中，所述与脉诊仪连接并获取脉搏数据的步骤，包括：

通过TCP/IP协议与所述脉诊仪构建连接；

从所述脉诊仪中获取脉象数据，及获取与所述脉象数据对应的脉诊数据；

将所述脉象数据和所述脉诊数据整合成脉搏数据。

上述方案中，所述识别所述脉象数据的数据特性，并根据所述数据特性获取相似样本的步骤，包括：

提取所述脉搏数据的数据特性并将所述数据特性设为目标特征，其中，所述数据特性是描述脉搏数据的形式特征的数据信息；

提取所述目标特征中的关键字，识别预置的数据库中具有所述关键字的数据特性并将所述数据特性设为中间特征；

将具有所述关键字的数量超过预置的关键数量的中间特征设为相似特征；或根据具有所述关键字的数量对所述中间特征进行降序排列得到中间队列，将位于所述中间队列首位的中间特征设为相似特征。