CN117936103A - 一种基于神经网络的智能ai针灸模型训练***及方法 - Google Patents

Abstract

本发明涉及机器学习技术领域，具体涉及一种基于神经网络的智能AI针灸模型训练***及方法，包括：获取患者的针灸数据，获取患者的协方差矩阵，获取协方差矩阵的矩阵块；根据矩阵块内元素值之间的差异得到矩阵块的稳定性；获取元素值的稳定性，根据元素值的稳定性，得到元素值的估计量；根据估计量得到每个患者的最终协方差矩阵；进而得到降维矩阵；根据降维矩阵对神经网络进行训练，并依据训练完成的神经网络模型得到患者的康复日期的参考指标。本发明通过对患者相关的协方差矩阵进行降维，保留患者的关键针灸信息，提高神经网络模型的训练速度，并通过训练完成的神经网络获取患者的康复日期的参考指标。

Description

一种基于神经网络的智能AI针灸模型训练***及方法

技术领域

本发明涉及机器学习技术领域，具体涉及一种基于神经网络的智能AI针灸模型训练***及方法。

背景技术

针灸作为一种传统的中医疗法，有着悠久的历史。随着现代科学技术的发展，人们对针灸的认识也在不断深化。基于神经网络的智能AI针灸模型是指利用神经网络技术来模拟针灸的相关特征和效果，从而实现针灸治疗方面的自动化、智能化或辅助决策。

在智能AI针灸模型训练时，由于训练数据较少、针灸不同维度数据的重复性，例如穴位位置、使用技术以及患者的生理反应等，此类数据彼此高度相关，使得数据特征高度重复，导致利用神经网络训练AI针灸模型时，训练时间较长，进一步导致训练成本高且效率低。

发明内容

为解决上述问题，本发明提供一种基于神经网络的智能AI针灸模型训练***及方法。

本发明的一种基于神经网络的智能AI针灸模型训练***及方法采用如下技术方案：

本发明一个实施例提供了一种基于神经网络的智能AI针灸模型训练方法，该方法包括以下步骤：

获取若干患者的针灸数据，所述针灸数据包含若干种数据；对每个患者的针灸数据中每种数据进行编码，得到每个患者的针灸数据中每种数据对应的行向量；根据每个患者的针灸数据和针灸数据中每种数据对应的行向量，得到每个患者的数值矩阵；根据每个患者的数值矩阵得到每个患者的协方差矩阵；

对每个患者的协方差矩阵进行均等划分，得到每个患者的协方差矩阵的若干矩阵块；根据矩阵块内元素值之间的差异，得到每个患者的协方差矩阵中每个矩阵块的稳定性；依据矩阵块的稳定性的大小，得到每个患者的协方差矩阵的若干不稳定矩阵块和若干稳定矩阵块；根据矩阵块的稳定性和矩阵块内的元素值，得到每个患者的协方差矩阵中每个元素值的稳定性；

根据不稳定矩阵块中的元素值、稳定矩阵块中的元素值及元素值的稳定性，得到每个患者的协方差矩阵中每个元素值的估计量；根据元素值的估计量得到每个患者的协方差矩阵中每个元素值的更新值；根据元素值的更新值对协方差矩阵中的元素进行替换，得到每个患者的最终协方差矩阵；对每个患者的最终协方差矩阵进行降维，得到每个患者的降维矩阵；

根据降维矩阵对神经网络进行训练，并依据训练完成的神经网络模型得到患者的康复日期的参考指标。

优选的，所述根据矩阵块内元素值之间的差异，得到每个患者的协方差矩阵中每个矩阵块的稳定性，包括的具体步骤如下：

将任意一个患者，记为目标患者；将目标患者的协方差矩阵，记为目标协方差矩阵；将目标协方差矩阵的任意一个矩阵块，记为目标矩阵块；

；

式中，为目标矩阵块中第/>个元素值，/>为目标矩阵块中第/>个元素值，/>为取绝对值，/>为目标矩阵块中元素值个数，/>为目标矩阵块的稳定性。

优选的，所述依据矩阵块的稳定性的大小，得到每个患者的协方差矩阵的若干不稳定矩阵块和若干稳定矩阵块，包括的具体步骤如下：

将任意一个患者，记为目标患者；将目标患者的协方差矩阵，记为目标协方差矩阵；

预设一个第一阈值，获取目标协方差矩阵中每个矩阵块的稳定性，对目标协方差矩阵中所有矩阵块的稳定性进行线性归一化处理，得到的结果作为目标协方差矩阵中每个矩阵块的归一化稳定性，将目标协方差矩阵中矩阵块的归一化稳定性小于第一阈值的矩阵块，作为目标协方差矩阵的不稳定矩阵块，将目标协方差矩阵中矩阵块的归一化稳定性大于或等于第一阈值的矩阵块，作为目标协方差矩阵的稳定矩阵块。

优选的，所述根据矩阵块的稳定性和矩阵块内的元素值，得到每个患者的协方差矩阵中每个元素值的稳定性，包括的具体步骤如下：

将任意一个患者，记为目标患者；将目标患者的协方差矩阵，记为目标协方差矩阵；将目标协方差矩阵的任意一个矩阵块，记为目标矩阵块；通过Z-score算法获取目标矩阵块中每个元素值的Z得分；对目标矩阵块中所有元素值的Z得分进行线性归一化处理，将目标矩阵块中每个元素值的归一化Z得分与目标矩阵块的稳定性的乘积，作为目标矩阵块中每个元素值的稳定性。

优选的，所述根据不稳定矩阵块中的元素值、稳定矩阵块中的元素值及元素值的稳定性，得到每个患者的协方差矩阵中每个元素值的估计量，包括的具体步骤如下：

将任意一个患者，记为目标患者；将目标患者的协方差矩阵，记为目标协方差矩阵；将目标协方差矩阵的任意一个不稳定矩阵块，记为目标不稳定矩阵块；

；

式中，为目标不稳定矩阵块中第/>个元素值的稳定性；/>为以自然常数为底的指数函数；/>为目标不稳定矩阵块中元素值的个数，/>为目标不稳定矩阵块中第/>个元素值，/>为归一化函数；/>为目标不稳定矩阵块中第/>个元素值的估计量；

对于目标协方差矩阵的稳定矩阵块，稳定矩阵块中每个元素值的估计量为0。

优选的，所述根据元素值的估计量得到每个患者的协方差矩阵中每个元素值的更新值，包括的具体步骤如下：

将任意一个患者，记为目标患者；将目标患者的协方差矩阵，记为目标协方差矩阵；将1与目标协方差矩阵中第个元素值的估计量的和值，与目标协方差矩阵中第/>个元素值的乘积，作为目标协方差矩阵中第/>个元素值的更新值。

优选的，所述根据元素值的更新值对协方差矩阵中的元素进行替换，得到每个患者的最终协方差矩阵，包括的具体步骤如下：

将任意一个患者，记为目标患者；将目标患者的协方差矩阵，记为目标协方差矩阵；获取目标协方差矩阵中每个元素值的更新值，将目标协方差矩阵中每个元素值替换为对应的更新值，得到一个矩阵，记为目标患者的最终协方差矩阵。

优选的，所述根据每个患者的针灸数据和针灸数据中每种数据对应的行向量，得到每个患者的数值矩阵，包括的具体步骤如下：

将任意一个患者，记为目标患者，获取目标患者的针灸数据中每种数据对应的行向量，将目标患者的针灸数据中所有种数据对应的行向量进行纵向拼接，得到目标患者的初始矩阵；获取目标患者的针灸数据中所有的数值数据；将目标患者的针灸数据中所有的数值数据的乘积结果，记为目标患者的综合乘积参数，将目标患者的综合乘积参数与目标患者的初始矩阵进行相乘，得到一个矩阵，记为目标患者的数值矩阵。

优选的，所述对每个患者的针灸数据中每种数据进行编码，得到每个患者的针灸数据中每种数据对应的行向量，包括的具体步骤如下：

将任意一个患者，记为目标患者，将目标患者的针灸数据中任意一种数据，记为目标数据，利用One-hot Encoding算法对目标数据进行编码，得到目标数据对应的行向量。

本发明还提出了一种基于神经网络的智能AI针灸模型训练***，包括存储器和处理器，所述处理器执行所述存储器存储的计算机程序，以实现前述所述方法的步骤。

本发明的技术方案的有益效果是：本发明在获取到若干患者的针灸数据后，通过对每个患者的针灸数据中每种数据进行编码，得到每个患者的针灸数据中每种数据对应的行向量，使得针灸数据中的文字信息可以转变到数值信息，进而后续构建的协方差矩阵可以更好的表示和患者针灸的相关信息，通过每个患者的针灸数据和针灸数据中每种数据对应的行向量，获取到每个患者的协方差矩阵，通过对每个患者的协方差矩阵进行均等划分，得到每个患者的协方差矩阵的若干矩阵块，后续通过对协方差矩阵的矩阵块进行稳定性分析，可以更好的反映和患者针灸的相关信息，便于后续矩阵进行降维，进而提高神经网络的训练速度，通过矩阵块内元素值之间的差异，获取到矩阵块的稳定性，进而得到矩阵块中元素值的稳定性，进而获取到协方差矩阵中每个元素值的稳定性，通过不稳定矩阵块中的元素值、稳定矩阵块中的元素值及元素值的稳定性，得到每个患者的协方差矩阵中每个元素值的估计量，进而通过协方差矩阵中每个元素值的更新值，得到每个患者的最终协方差矩阵，并对最终协方差矩阵进行降维，得到降维矩阵，最终通过降维矩阵对神经网络进行训练，并依据训练完成的神经网络模型得到患者的康复日期的参考指标，在进行神经网络训练时，减少网络训练时长。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明一个实施例二所提供的一种基于神经网络的智能AI针灸模型训练方法的步骤流程图；

图2为本发明一个实施例二所提供的获取目标患者的初始矩阵的示意图；

图3为本发明一个实施例二所提供的获取患者的康复日期的参考指标的流程图。

具体实施方式

为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的一种基于神经网络的智能AI针灸模型训练***及方法，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一个或多个实施例中的特定特征、结构或特点可由任何合适形式组合。

除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。

下面结合附图具体的说明本发明所提供的一种基于神经网络的智能AI针灸模型训练***及方法的具体方案。

本发明提供的实施例一：

步骤S101、获取多个患者的针灸数据。

需要说明的是，患者的针灸数据包含多个数据，例如针灸点位数据、病症类型数据、治疗手法数据及患者的心率数据等。

步骤S102、对针灸数据中包含文字信息的每个数据进行编码，并结合针灸数据中包含数值信息的每个数据，得到每个患者的协方差矩阵。

需要说明的是，对针灸数据中包含文字信息的每个数据进行编码，其中文字信息是指，数据中的信息是文字，例如针灸点位数据和病症类型数据，具体都是文字信息的数据；通过编码可以得到针灸数据中每个数据对应的行向量，进而可以构建一个第一矩阵，并将针灸数据中包含数值信息的每个数据与第一矩阵相乘，得到第二矩阵，其中数值信息的每个数据是指，数据中的信息是数值，例如患者的心率数据，具体是一个数值；通过第二矩阵获取协方差矩阵。

步骤S103、对每个患者的协方差矩阵进行均等划分，得到每个患者的协方差矩阵的若干矩阵块，根据矩阵块内元素值之间的差异，得到每个患者的协方差矩阵中每个矩阵块的稳定性，根据矩阵块的稳定性和矩阵块内的元素值，得到每个患者的协方差矩阵中每个元素值的稳定性，根据矩阵块中的元素值和元素值的稳定性，得到每个患者的协方差矩阵中每个元素值的估计量，根据元素值的估计量获取每个患者的最终协方差矩阵，对最终协方差矩阵进行降维，得到每个患者的降维矩阵。

需要说明的是，元素值的稳定性通过矩阵块中元素值的Z得分与对应矩阵块的稳定性的乘积得到。

步骤S104、采集大量患者的针灸数据，并获取所述大量患者中每个患者的降维矩阵，记为第一降维矩阵，将所有第一降维矩阵作为神经网络模型的数据集；本实施例中神经网络模型具体为ResNet50。

人为的对数据集中每个第一降维矩阵进行标注，标注方法为：当患者的康复日期小于或等于一个月，将康复日期小于或等于一个月的患者的第一降维矩阵标注为高等康复程度；当患者的康复日期大于一个月且小于六个月，将康复日期大于一个月且小于六个月的患者的第一降维矩阵标注为中等康复程度；当患者的康复日期大于或等于六个月，将康复日期大于或等于六个月的患者的第一降维矩阵标注为低等康复程度。

将数据集中每个第一降维矩阵输入到神经网络模型中，神经网络模型的损失函数为交叉熵损失函数，输出得到每个第一降维矩阵为高等康复程度的概率、为中等康复程度的概率以及为低等康复程度的概率；当损失函数收敛时，得到训练完成的神经网络模型。

将任意一个患者，记为目标患者；将目标患者的降维矩阵，记为目标降维矩阵；将目标降维矩阵输入到训练完成的神经网络模型中，输出得到目标降维矩阵为高等康复程度的概率、为中等康复程度的概率以及为低等康复程度的概率，将目标降维矩阵为高等康复程度的概率、为中等康复程度的概率以及为低等康复程度的概率，作为目标患者的康复日期的参考指标。

至此，通过获取患者的协方差矩阵，对协方差矩阵进行降维，并依据大量降维矩阵对神经网络进行训练，获取患者的康复日期的参考指标。

进一步地，本发明提供一个实施例二对基于神经网络的智能AI针灸模型训练方法进行详细说明。

本发明提供的实施例二：

请参阅图1，其示出了本发明一个实施例二提供的一种基于神经网络的智能AI针灸模型训练方法的步骤流程图，该方法包括以下步骤：

步骤S001、获取若干患者的针灸数据；对每个患者的针灸数据中每种数据进行编码，得到每个患者的针灸数据中每种数据对应的行向量；根据每个患者的针灸数据和针灸数据中每种数据对应的行向量，得到每个患者的数值矩阵；根据每个患者的数值矩阵得到每个患者的协方差矩阵。

需要说明的是，本实施例的主要目的是将降维后的针灸数据输入到神经网络进行训练及后续的处理，因此在将其输入到网络之前，需要对不同维度的针灸数据进行获取和预处理。

具体的，获取若干患者的针灸数据，具体如下：

获取若干患者的针灸数据，针灸数据包括但不仅限于：针灸点位数据、病症类型数据、治疗手法数据及患者的心率数据等，其中治疗手法数据包括捻转、提插、呼吸、迎随补泻手法，还有烧山火、透天凉手法等。

进一步地，对每个患者的针灸数据中每种数据进行编码，得到每个患者的针灸数据中每种数据对应的行向量，具体如下：

将任意一个患者，记为目标患者，将目标患者的针灸数据中任意一种数据，记为目标数据，利用One-hot Encoding（独热编码）算法，对目标数据进行编码，得到目标数据对应的行向量；需要说明的是，利用One-hot Encoding（独热编码）算法，对目标数据进行编码，得到目标数据对应的行向量为One-hot Encoding算法的现有方法，One-hot Encoding算法通过创建一个虚拟变量，并将其转换为二进制向量，例如假设有三种穴位（针灸点位数据），分别为。/>可以编码为/>，/>可以编码为/>，/>可以编码为；需要说明的是，目标数据针对的是针灸数据中的文字信息，对于数值信息不进行独热编码处理；若每种数据对应的行向量长度不同，则在行向量之后进行补0，便于后续拼接矩阵操作。

进一步地，根据每个患者的针灸数据和针灸数据中每种数据对应的行向量，得到每个患者的数值矩阵，具体如下：

获取目标患者的针灸数据中每种数据对应的行向量，将目标患者的针灸数据中所有种数据对应的行向量按照获取顺序进行纵向拼接，得到一个行数增加，列数不变的矩阵，记为目标患者的初始矩阵，请参阅图2，图2为本实施例获取目标患者的初始矩阵的示意图，图2中包含三种数据对应的示意行向量，分别为针灸点位数据的行向量、病症类型数据的行向量及治疗手法数据的行向量，纵向拼接后得到一个行数增加的大矩阵；需要说明的是，初始矩阵是一个方阵，若不同列向量中元素个数不同，则在前面补0，使得列向量中元素的个数相同，进而得到方阵；获取目标患者的针灸数据中所有的数值数据；需要说明的是，数值数据是指具体的数值信息，例如针灸数据中患者的心率数据；将目标患者的针灸数据中所有的数值数据的乘积结果，记为目标患者的综合乘积参数，将目标患者的综合乘积参数与目标患者的初始矩阵进行相乘，得到一个矩阵，记为目标患者的数值矩阵。

进一步地，根据每个患者的数值矩阵得到每个患者的协方差矩阵。

需要说明的是，根据每个患者的数值矩阵得到每个患者的协方差矩阵为现有方法，本实施例不再赘述。

至此，得到每个患者的协方差矩阵。

步骤S002、对每个患者的协方差矩阵进行均等划分，得到每个患者的协方差矩阵的若干矩阵块；根据矩阵块内元素值之间的差异，得到每个患者的协方差矩阵中每个矩阵块的稳定性；依据矩阵块的稳定性的大小，得到每个患者的协方差矩阵的若干不稳定矩阵块和若干稳定矩阵块；根据矩阵块的稳定性和矩阵块内的元素值，得到每个患者的协方差矩阵中每个元素值的稳定性。

需要说明的是，上述得到了协方差矩阵，由于针灸数据的规模不大，可用数据较少，针灸不同维度数据的重复性，例如穴位位置、使用技术以及患者的生理反应等，此类数据彼此高度相关，使得数据特征高度重复，即同一患者在其所在的行向量下具备着较高的元素值重复性，并且该重复性导致协方差矩阵特征呈现较不稳定性。

需要说明的是，由于场景限制导致的协方差矩阵稳定性较低，该稳定性是指矩阵内零元素的数量以及对应的高重复性元素值的数量，数量越多，稳定性越低。为了消除该低稳定性导致的降维结果不精准，需要检测并获取到矩阵内不同区域的局部稳定性，依据局部稳定性进行元素估计量的确定，局部稳定性越高，元素估计量越低，反之则越高；进一步的，确定不同矩阵区域的局部稳定性后，若该区域稳定性较低，那么就需要进行缺失值的估计，旨在提高矩阵的稳定性。而为了得到合理的元素缺失值估计量，该合理是指在保证原矩阵元素值特征的基础上，能够进行有效值的添加，添加之后能够增加矩阵内局部区域的稳定性，提高向量降维后数据质量，增加神经网络训练和识别效率。

需要说明的是，由于场景的数据特征限制，依据针灸数据得到的协方差矩阵内的局部区域零值数量越多，对应到场景内即指，矩阵内零值较多；元素值相似数量越多，对应到场景内即指：穴位位置、使用技术以及患者的生理反应等，此类数据彼此高度相关，使得数据特征高度重复，那么矩阵不稳定性越高。因此，处在该局部区域内元素其不稳定性就越高。

具体的，对每个患者的协方差矩阵进行均等划分，得到每个患者的协方差矩阵的若干矩阵块，具体如下：

将目标患者的协方差矩阵，记为目标协方差矩阵。

将目标协方差矩阵的大小，记为，目标协方差矩阵通过等比例分块得到个大小为/>的矩阵块，/>为预设的一个分块比例；本实施例中以/>进行叙述，具体实施时可以设置为其他值，当分块比例不能使得协方差矩阵等比例分块时，即对目标协方差矩阵中的元素进行分块操作时，可能会超出目标协方差矩阵的边界，此时，本实施例利用二次线性插值的方法将目标协方差矩阵超出边界的部分进行插值填充数据。

进一步地，根据矩阵块内元素值之间的差异，得到每个患者的协方差矩阵中每个矩阵块的稳定性，具体如下：

将目标协方差矩阵的任意一个矩阵块，记为目标矩阵块。

；

式中，为目标矩阵块中第/>个元素值，/>为目标矩阵块中第/>个元素值，/>为取绝对值，/>为目标矩阵块中元素值个数，/>为目标矩阵块的稳定性。

需要说明的是，元素值是指矩阵中具体的一个数值，表示目标矩阵块中元素值之间的异常性，该值越小，目标矩阵块中元素值之间的差异性越小，元素值之间越相近，目标矩阵块的稳定性越低，对应到场景中，其逻辑为：当针灸得到的结果都趋于一致时例如穴位位置、使用技术以及患者的生理反应等，其经过编码后得到的元素值相互接近，那么目标矩阵块内元素值差值就越小，目标矩阵块的稳定性就越低，此处目标矩阵块的稳定性不同于一般序列数据的稳定性，当目标矩阵块内某两行或者某两列元素值相近或者一致时，目标矩阵块越接近奇异矩阵，那么其特征值就越接近0，越不具备原矩阵自身特征，所以元素值越相近稳定性越低；/>表示目标矩阵块中元素值与0元素之间的差异性，旨在量化协方差矩阵内的局部区域零值数量越多，那么矩阵不稳定性越高，当该差异结果越接近0时，目标矩阵块内零元素或者接近0的元素越多，稳定性越低，对应到场景中为：矩阵内零值较多，协方差矩阵内包含的特征就越少；将/>作为权重与/>相乘，得到目标矩阵块的稳定性。

进一步地，依据矩阵块的稳定性的大小，得到每个患者的协方差矩阵的若干不稳定矩阵块和若干稳定矩阵块，具体如下：

预设一个第一阈值，本实施例以第一阈值为0.3进行叙述，获取目标协方差矩阵中每个矩阵块的稳定性，对目标协方差矩阵中所有矩阵块的稳定性进行线性归一化处理，得到的结果作为目标协方差矩阵中每个矩阵块的归一化稳定性，将目标协方差矩阵中矩阵块的归一化稳定性小于第一阈值的矩阵块，作为目标协方差矩阵的不稳定矩阵块，将目标协方差矩阵中矩阵块的归一化稳定性大于或等于第一阈值的矩阵块，作为目标协方差矩阵的稳定矩阵块。

进一步地，根据矩阵块的稳定性和矩阵块内的元素值，得到每个患者的协方差矩阵中每个元素值的稳定性，具体如下：

通过Z-score算法获取目标矩阵块中每个元素值的Z得分；需要说明的是，通过Z-score算法获取目标矩阵块中每个元素值的Z得分为现有方法，本实施例不再赘述。

；

式中，为目标矩阵块的稳定性，/>为目标矩阵块中第/>个元素值的Z得分，为线性归一化函数，归一化的对象为目标矩阵块中所有元素值的Z得分，/>为目标矩阵块中第/>个元素值的稳定性。

需要说明的是，当目标矩阵块内某一元素值越偏离整体值，其越具备着较高的稳定性，逻辑参考元素值越相近，稳定性越低，使用Z-score量化该关系，分数越高，其偏离程度越大，稳定性越高，越大，那么第/>个元素值的稳定性就越高。

至此，得到每个患者的协方差矩阵中每个元素值的稳定性。

步骤S003、根据不稳定矩阵块中的元素值、稳定矩阵块中的元素值及元素值的稳定性，得到每个患者的协方差矩阵中每个元素值的估计量；根据元素值的估计量得到每个患者的协方差矩阵中每个元素值的更新值；根据元素值的更新值对协方差矩阵中的元素进行替换，得到每个患者的最终协方差矩阵；对每个患者的最终协方差矩阵进行降维，得到每个患者的降维矩阵。

需要说明的是，矩阵内元素值越不稳定，其越需要进行元素缺失值的估计，并在保证不丢失或者改变矩阵特征的前提下，能够进行元素缺失值估计量的获取。因此，为了不丢失或者改变矩阵特征值及特征向量，选择对元素特征分布性进行获取，该特征分布性包含了局部元素之间的变化关系以及对应的场景意义，进而能够通过结合元素稳定性得到缺失值估计量，元素值稳定性越低，缺失值估计量越高。

具体的，根据不稳定矩阵块中的元素值、稳定矩阵块中的元素值及元素值的稳定性，得到每个患者的协方差矩阵中每个元素值的估计量，具体如下：

将目标协方差矩阵的任意一个不稳定矩阵块，记为目标不稳定矩阵块。

；

式中，为目标不稳定矩阵块中第/>个元素值的稳定性；/>为以自然常数为底的指数函数，本实施例采用/>的模型来呈现反比例关系，具体实施例时可设置为其他的反比例函数；/>为目标不稳定矩阵块中元素值的个数，/>为目标不稳定矩阵块中第/>个元素值，/>为线性归一化函数；/>归一化时，归一化的对象为目标不稳定矩阵块中所有元素值的稳定性；归一化时，归一化的对象为目标不稳定矩阵块中所有元素值的/>；/>为目标不稳定矩阵块中第/>个元素值的估计量。

对于目标协方差矩阵的稳定矩阵块，稳定矩阵块中每个元素值的估计量为0。

需要说明的是，对于元素值的估计量，由于元素值稳定性越低，缺失值估计量越高，因此通过的模型来呈现反比例关系即/>，对应到场景中为某一患者其针灸数据不同维度值如穴位位置、使用技术以及患者的生理反应等转化为协方差后相近，并且针灸次数与可供参考的针灸历史数据较少，那么该患者具备的特征就较少，此时就需要依据其现有数据进行估计，而现有数据越少，即稳定性越低，那么估计值就越大，旨在增加矩阵块稳定性的同时提高矩阵元素数据特征；/>表示加权元素均值，其权重为/>，即稳定性越高越具备较高的权重值，对应到场景中为：对于某一患者，越是存在着针灸特征的数据，其在参与构建得到其它维度无值或者稳定性较低数据的估计量时，往往拥有着较高的权重值，越能凸显并放大关键数据的特征，最终进行归一化得到元素值的估计量。

进一步地，根据元素值的估计量得到每个患者的协方差矩阵中每个元素值的更新值，具体如下：

；式中，/>为目标协方差矩阵中第/>个元素值的估计量，/>为目标协方差矩阵中第/>个元素值，/>为目标协方差矩阵中第/>个元素值的更新值。

进一步地，根据元素值的更新值对协方差矩阵中的元素进行替换，得到每个患者的最终协方差矩阵，具体如下：

获取目标协方差矩阵中每个元素值的更新值，将目标协方差矩阵中每个元素值替换为对应的更新值，得到一个矩阵，记为目标患者的最终协方差矩阵。

进一步地，对每个患者的最终协方差矩阵进行降维，得到每个患者的降维矩阵，具体如下：

通过主成分分析（PCA，Principal Component Analysis）对目标患者的最终协方差矩阵进行降维，得到目标患者的降维矩阵。需要说明的是，通过主成分分析（PCA，Principal Component Analysis）对矩阵进行降维，得到降维矩阵为现有方法，本实施例不再赘述。

至此，得到每个患者的降维矩阵。

步骤S004、根据降维矩阵对神经网络进行训练，并依据训练完成的神经网络模型得到患者的康复日期的参考指标。

需要说明的是，降维矩阵包含了针灸的不同维度数据，并在保留基本特征基础上，减少了数据量，以便神经网络训练和识别。

具体的，根据降维矩阵对神经网络进行训练，并依据训练完成的神经网络模型得到患者的康复日期的参考指标，具体如下：

采集大量患者的针灸数据，并利用本实施例获取所述大量患者中每个患者的降维矩阵，记为第一降维矩阵，将所有第一降维矩阵作为神经网络模型的数据集；本实施例中神经网络模型具体为ResNet50。

人为的对数据集中每个第一降维矩阵进行标注，标注方法为：当患者的康复日期小于或等于一个月，将康复日期小于或等于一个月的患者的第一降维矩阵标注为高等康复程度；当患者的康复日期大于一个月且小于六个月，将康复日期大于一个月且小于六个月的患者的第一降维矩阵标注为中等康复程度；当患者的康复日期大于或等于六个月，将康复日期大于或等于六个月的患者的第一降维矩阵标注为低等康复程度。

将数据集中每个第一降维矩阵输入到神经网络模型中，神经网络模型的损失函数为交叉熵损失函数，输出得到每个第一降维矩阵为高等康复程度的概率、为中等康复程度的概率以及为低等康复程度的概率；当损失函数收敛时，得到训练完成的神经网络模型。

将目标患者的降维矩阵，记为目标降维矩阵；将目标降维矩阵输入到训练完成的神经网络模型中，输出得到目标降维矩阵为高等康复程度的概率、为中等康复程度的概率以及为低等康复程度的概率，将目标降维矩阵为高等康复程度的概率、为中等康复程度的概率以及为低等康复程度的概率，作为目标患者的康复日期的参考指标。

需要说明的是，对神经网络模型进行训练进而得到训练完成的神经网络模型，具体为现有方法，本实施例不再赘述。

通过对患者的协方差矩阵进行降维，并通过降维矩阵对神经网络进行训练，依据训练完成的神经网络模型得到患者的康复日期的参考指标。

本发明的另一个实施例提供了一种基于神经网络的智能AI针灸模型训练***，所述***包括存储器和处理器，所述处理器执行所述存储器存储的计算机程序时，执行以下操作：

获取若干患者的针灸数据，所述针灸数据包含若干种数据；对每个患者的针灸数据中每种数据进行编码，得到每个患者的针灸数据中每种数据对应的行向量；根据每个患者的针灸数据和针灸数据中每种数据对应的行向量，得到每个患者的数值矩阵；根据每个患者的数值矩阵得到每个患者的协方差矩阵；对每个患者的协方差矩阵进行均等划分，得到每个患者的协方差矩阵的若干矩阵块；根据矩阵块内元素值之间的差异，得到每个患者的协方差矩阵中每个矩阵块的稳定性；依据矩阵块的稳定性的大小，得到每个患者的协方差矩阵的若干不稳定矩阵块和若干稳定矩阵块；根据矩阵块的稳定性和矩阵块内的元素值，得到每个患者的协方差矩阵中每个元素值的稳定性；根据不稳定矩阵块中的元素值、稳定矩阵块中的元素值及元素值的稳定性，得到每个患者的协方差矩阵中每个元素值的估计量；根据元素值的估计量得到每个患者的协方差矩阵中每个元素值的更新值；根据元素值的更新值对协方差矩阵中的元素进行替换，得到每个患者的最终协方差矩阵；对每个患者的最终协方差矩阵进行降维，得到每个患者的降维矩阵；根据降维矩阵对神经网络进行训练，并依据训练完成的神经网络模型得到患者的康复日期的参考指标；请参阅图3，图3为本实施例获取患者的康复日期的参考指标的流程图。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种基于神经网络的智能AI针灸模型训练方法，其特征在于，该方法包括以下步骤：

获取若干患者的针灸数据，所述针灸数据包含若干种数据；对每个患者的针灸数据中每种数据进行编码，得到每个患者的针灸数据中每种数据对应的行向量；根据每个患者的针灸数据和针灸数据中每种数据对应的行向量，得到每个患者的数值矩阵；根据每个患者的数值矩阵得到每个患者的协方差矩阵；

对每个患者的协方差矩阵进行均等划分，得到每个患者的协方差矩阵的若干矩阵块；根据矩阵块内元素值之间的差异，得到每个患者的协方差矩阵中每个矩阵块的稳定性；依据矩阵块的稳定性的大小，得到每个患者的协方差矩阵的若干不稳定矩阵块和若干稳定矩阵块；根据矩阵块的稳定性和矩阵块内的元素值，得到每个患者的协方差矩阵中每个元素值的稳定性；

根据不稳定矩阵块中的元素值、稳定矩阵块中的元素值及元素值的稳定性，得到每个患者的协方差矩阵中每个元素值的估计量；根据元素值的估计量得到每个患者的协方差矩阵中每个元素值的更新值；根据元素值的更新值对协方差矩阵中的元素进行替换，得到每个患者的最终协方差矩阵；对每个患者的最终协方差矩阵进行降维，得到每个患者的降维矩阵；

根据降维矩阵对神经网络进行训练，并依据训练完成的神经网络模型得到患者的康复日期的参考指标。

2.根据权利要求1所述一种基于神经网络的智能AI针灸模型训练方法，其特征在于，所述根据矩阵块内元素值之间的差异，得到每个患者的协方差矩阵中每个矩阵块的稳定性，包括的具体步骤如下：

将任意一个患者，记为目标患者；将目标患者的协方差矩阵，记为目标协方差矩阵；将目标协方差矩阵的任意一个矩阵块，记为目标矩阵块；

；

式中，为目标矩阵块中第/>个元素值，/>为目标矩阵块中第/>个元素值，/>为取绝对值，/>为目标矩阵块中元素值个数，/>为目标矩阵块的稳定性。

3.根据权利要求1所述一种基于神经网络的智能AI针灸模型训练方法，其特征在于，所述依据矩阵块的稳定性的大小，得到每个患者的协方差矩阵的若干不稳定矩阵块和若干稳定矩阵块，包括的具体步骤如下：

将任意一个患者，记为目标患者；将目标患者的协方差矩阵，记为目标协方差矩阵；

预设一个第一阈值，获取目标协方差矩阵中每个矩阵块的稳定性，对目标协方差矩阵中所有矩阵块的稳定性进行线性归一化处理，得到的结果作为目标协方差矩阵中每个矩阵块的归一化稳定性，将目标协方差矩阵中矩阵块的归一化稳定性小于第一阈值的矩阵块，作为目标协方差矩阵的不稳定矩阵块，将目标协方差矩阵中矩阵块的归一化稳定性大于或等于第一阈值的矩阵块，作为目标协方差矩阵的稳定矩阵块。

4.根据权利要求1所述一种基于神经网络的智能AI针灸模型训练方法，其特征在于，所述根据矩阵块的稳定性和矩阵块内的元素值，得到每个患者的协方差矩阵中每个元素值的稳定性，包括的具体步骤如下：

将任意一个患者，记为目标患者；将目标患者的协方差矩阵，记为目标协方差矩阵；将目标协方差矩阵的任意一个矩阵块，记为目标矩阵块；通过Z-score算法获取目标矩阵块中每个元素值的Z得分；对目标矩阵块中所有元素值的Z得分进行线性归一化处理，将目标矩阵块中每个元素值的归一化Z得分与目标矩阵块的稳定性的乘积，作为目标矩阵块中每个元素值的稳定性。

5.根据权利要求1所述一种基于神经网络的智能AI针灸模型训练方法，其特征在于，所述根据不稳定矩阵块中的元素值、稳定矩阵块中的元素值及元素值的稳定性，得到每个患者的协方差矩阵中每个元素值的估计量，包括的具体步骤如下：

将任意一个患者，记为目标患者；将目标患者的协方差矩阵，记为目标协方差矩阵；将目标协方差矩阵的任意一个不稳定矩阵块，记为目标不稳定矩阵块；

；

式中，为目标不稳定矩阵块中第/>个元素值的稳定性；/>为以自然常数为底的指数函数；/>为目标不稳定矩阵块中元素值的个数，/>为目标不稳定矩阵块中第个元素值，/>为归一化函数；/>为目标不稳定矩阵块中第/>个元素值的估计量；

对于目标协方差矩阵的稳定矩阵块，稳定矩阵块中每个元素值的估计量为0。

6.根据权利要求1所述一种基于神经网络的智能AI针灸模型训练方法，其特征在于，所述根据元素值的估计量得到每个患者的协方差矩阵中每个元素值的更新值，包括的具体步骤如下：

将任意一个患者，记为目标患者；将目标患者的协方差矩阵，记为目标协方差矩阵；将1与目标协方差矩阵中第个元素值的估计量的和值，与目标协方差矩阵中第/>个元素值的乘积，作为目标协方差矩阵中第/>个元素值的更新值。

7.根据权利要求1所述一种基于神经网络的智能AI针灸模型训练方法，其特征在于，所述根据元素值的更新值对协方差矩阵中的元素进行替换，得到每个患者的最终协方差矩阵，包括的具体步骤如下：

将任意一个患者，记为目标患者；将目标患者的协方差矩阵，记为目标协方差矩阵；获取目标协方差矩阵中每个元素值的更新值，将目标协方差矩阵中每个元素值替换为对应的更新值，得到一个矩阵，记为目标患者的最终协方差矩阵。

8.根据权利要求1所述一种基于神经网络的智能AI针灸模型训练方法，其特征在于，所述根据每个患者的针灸数据和针灸数据中每种数据对应的行向量，得到每个患者的数值矩阵，包括的具体步骤如下：

将任意一个患者，记为目标患者，获取目标患者的针灸数据中每种数据对应的行向量，将目标患者的针灸数据中所有种数据对应的行向量进行纵向拼接，得到目标患者的初始矩阵；获取目标患者的针灸数据中所有的数值数据；将目标患者的针灸数据中所有的数值数据的乘积结果，记为目标患者的综合乘积参数，将目标患者的综合乘积参数与目标患者的初始矩阵进行相乘，得到一个矩阵，记为目标患者的数值矩阵。

9.根据权利要求1所述一种基于神经网络的智能AI针灸模型训练方法，其特征在于，所述对每个患者的针灸数据中每种数据进行编码，得到每个患者的针灸数据中每种数据对应的行向量，包括的具体步骤如下：

将任意一个患者，记为目标患者，将目标患者的针灸数据中任意一种数据，记为目标数据，利用One-hot Encoding算法对目标数据进行编码，得到目标数据对应的行向量。

10.一种基于神经网络的智能AI针灸模型训练***，所述***包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-9任一项所述一种基于神经网络的智能AI针灸模型训练方法的步骤。