(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111667670.5 (22)申请日 2021.12.3 0 (71)申请人 安徽心之声医疗科技有限公司 地址 238000 安徽省合肥市巢湖市旗麓路2 号安徽居巢经济开 发区中科先进制造 创新产业园 (72)发明人 张文睿　洪申达　耿世佳　俞杰　 周荣博　傅兆吉　 (74)专利代理 机构 合肥市长 远专利代理事务所 (普通合伙) 34119 代理人 刘勇 (51)Int.Cl. G06K 9/00(2022.01) G06N 3/08(2006.01) A61B 5/00(2006.01)A61B 5/024(2006.01) (54)发明名称 一种基于课程元学习的心律失常检测算法 和系统 (57)摘要 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。 权利要求书2页 说明书7页 附图2页 CN 114330446 A 2022.04.12 CN 114330446 A 1.一种基于 课程元学习的心律失常检测算法， 其特 征在于， 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。 2.根据权利要求1所述的算法， 其特征在于： 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。 3.根据权利要求2所述的算法， 其特 征在于， 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。 4.根据权利要求3所述的算法， 其特征在于， 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yic为1， 否则为0， pic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 5.根据权利要求3所述的算法， 其特征在于： 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。 6.根据权利要求3所述的算法， 其特征在于： 步骤S1.3中预训练模型的初始权重θ0进行 更新的具体步骤 包括： S1.3.1、 将所述预训练数据集中所述样本的集 合随机分为样本支持集和样本查询集； S1.3.2、 若此时预训练模型参数为θ0， 复制 θb＝θ0， 计算参数θb在所述样本查询集上的交 叉熵损失： 其中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yic为1， 否则为0， pic为元学习模型 给出的样本i 为类别c的概 率；权　利　要　求　书 1/2 页 2 CN 114330446 A 2S1.3.3、 在所述样本支持集上进行一步梯度下降 其 中α 是学习率， 为参数为θb的模型在所述查询集上的交叉熵损失， 为交叉熵损失对 θb的梯度； S1.3.4、 用所述样本查询集上的交叉熵损失， 对 θ0进行更新； S1.3.5、 计算参数为θ0的所述预训练模型在所述预训练验证集上的交叉熵损失， 若连续 若干次预训练验证集交叉熵损失不降低， 则停止更新， 得到更新的元 学习模型参数θ ’。 7.根据权利要求6所述的算法， 其特 征在于， 步骤S2中的所述 微调包括以下步骤： S2.1、 将所述目标数据集的所述样本的集合分为目标样本训练集， 目标样本测试集和 目标样本验证集； S2.2、 对 θ0进行过渡； 其中， 所述过渡方法包括以下步骤： S2 .2 .1、 将复制的参数θ0’在所述目标样本训练集T上进行一步梯度下降 ： S2.2.2、 在所述目标样本训练集上计算交叉熵损失； S2.2.3、 用计算的交叉熵损失对 θ0进行更新； S2.2.4、 重复2.2.1 ‑2.2.3步骤S次； S2.2.5、 完成过渡。 S2.3、 在所述目标样本训练集上使用普通的随机梯度下降法进行训练。 S2.4、 过程中出现的超参数包括学习率α、 学习率β 以及S， 依次尝试每种超参数的组合， 并根据训练好的元学习模型中给出的当前样本的所属类别的概率判断当前样本上固有的 分类标签的正确与否， 计算当前样本在目标样本验证集上 的分类准确 率， 且目标样本验证 集上的分类准确率 ＝分类正确样本数/总样本数， 然后选取准确率 最高的一组超参数。 S.2.5、 在所述目标样本测试集上计算模型的性能指标， 如ROC(Receiver  Operating   Characteristic)曲线下面积(AUC)、 准确率、 平均精确率(AP)、 精确率、 召回率、 特异度、 F1 ‑ 分数。 8.一种计算机可读存储介质， 其特征在于： 介质上存有计算机程序， 计算机程序运行 后， 执行如权利要求1至7中任一项所述的基于 课程元学习的心律失常检测算法。 9.一种计算机系统， 其特征在于： 包括处理器、 存储介质， 存储介质上存有计算机程序， 处理器从存储介质上读取并运行计算机程序以执行如权利要求1至7中任一项所述的基于 课程元学习的心律失常检测算法。 10.用于权利要求1 ‑7任一所述的一种基于课程元学习的心律失常检测算法的系统， 其 特征在于： 包括数据处理模块和依次与所述数据处理模块电性连接的心 率检测模块以及数 据存储模块。权　利　要　求　书 2/2 页 3 CN 114330446 A 3