(19)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 202210571838.0 (22)申请日 2022.05.25 (71)申请人 山东师范大学 地址 250358 山东省济南市长清区大 学科 技园大学路1号 (72)发明人 李登旺　高祝敏　黄浦　陆华　 洪亭轩　王醒　李玉玲　周顺风　 赵本靖　 (74)专利代理 机构 山东知圣律师事务所 37262 专利代理师 陈晓辉 (51)Int.Cl. G06V 10/44(2022.01) G06V 10/774(2022.01) G06V 10/776(2022.01) G06V 10/764(2022.01)G06V 10/80(2022.01) G06V 10/82(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06K 9/62(2022.01) (54)发明名称 一种基于特征融合元学习的凝血指标异常 分类方法 (57)摘要 本发明提供了一种基于特征融合元学习的 凝血指标异常分类方法， 包括以下步骤： 获取样 本PT、 TT将曲线图像， 对曲线图像进行特征提取， 创建训练集、 测试集； 将训练集图像输入到 resnet网络中， 输出处理后的图像； 将图像输入 到元训练模 型上进行梯度下降更新参数θ， 构建 特征融合元学习的异常凝血指标分类模型； 设置 异常凝血指标分类模型的超参数； 利用测试集对 训练后的模 型进行迭代测试和微调， 将测试集输 入经过迭代测试和微调的异常凝血指标分类模 型， 使用特征融合元学习的异常凝血指标分类模 型实现分类。 本发明利用元学习促进基于深层神 经网络的快速适应和泛化， 以识别具有更少注释 数据的异常指标， 提高分类性能。 权利要求书2页 说明书5页 附图4页 CN 114663679 A 2022.06.24 CN 114663679 A 1.基于特 征融合元 学习的凝血指标异常 分类方法， 其特 征在于， 包括以下步骤： 步骤一： 获取样本凝血酶原时间、 凝血酶时间曲线图像， 对曲线图像进行特征提取， 转 换为1×39的特征向量， 创建训练集、 测试集； 步骤二： 将训练集图像输入到残差 网络中， 所述残差 网络有四组块， 每组分别 有3、 4、 6、 3个块， 输出处 理后的图像； 步骤三： 将步骤二输出的图像输入到元训练模型上进行梯度 下降更新参数θ， 构建特征 融合元学习的异常凝血指标分类模型； 步骤四： 设置异常凝血指标分类模型的超参数， 包括元学习率， 批尺寸， 梯度更新步数， 优化器和迭代次数； 步骤五： 利用元测试集对训练后的模型进行微调和迭代测试， 将测试集输入经过迭代 测试和微调的异常凝血指标分类模型， 使用特征融合元学习的异常凝血指标分类模型实现 分类。 2.根据权利要求1所述的基于特征融合元学习的凝血指标异常分类方法， 其特征在于， 所述训练集创建过程如下： 对样本凝血酶原时间、 凝血酶时间曲线图像进行特征融合， 比较特征融合的图像的在 同一个位置上、 下、 左、 右、 左 上、 左下、 右上、 右下8个方向的灰度值大小， 计算8个方向灰度 值的平均值作为新图像在该位置灰度值， 遍历图像中所有的点， 得到特征融合图， 形成训练 集； 所述测试集创建过程如下： 计算凝血酶原时间、 凝血酶时间两个图像每个像素点主线布局周围上、 下、 左、 右以及 自身五点的区域梯度能量和的大小， 取能量大 的点的灰度值作为新图像的点的灰度值， 形 成测试集。 3.根据权利要求1所述的基于特征融合元学习的凝血指标异常分类方法， 其特征在于， 所述残差网络采用残差卷积 ‑50网络结构， 有50层带有权重， 包括卷积层和全连接层， 不包 括池化层和批标准 化层。 4.根据权利要求1所述的基于特征融合元学习的凝血指标异常分类方法， 其特征在于， 所述元训练模型还使用如下损失函数进行约束训练： 式中： 表示图像输入， 表示图像 类别的权 重， 表示对应 类别图像的权 重。 5.根据权利要求1所述的基于特征融合元学习的凝血指标异常分类方法， 其特征在于， 所述元训练模型中参数θ 更新公式如下： = ⊙exp(γ ⊙ ) = −η ⊙ 式中： t表示时间， η表示 步长， g表示梯度， V 表示非负变量， ⊙表示同或运 算。 6.根据权利要求5所述的基于特征融合元学习的凝血指标异常分类方法， 其特征在于， 所述非负变量V的大小等于参数θ 。权　利　要　求　书 1/2 页 2 CN 114663679 A 27.根据权利要求1所述的基于特征融合元学习的凝血指标异常分类方法， 其特征在于， 所述超参数中， 元学习率为0.001， 批尺寸为5， 优化器为自适应矩估计优化器， 迭代次数 10000次， 梯度更新 步数为5。权　利　要　求　书 2/2 页 3 CN 114663679 A 3