申请/专利权人:合肥工业大学
申请日:2024-03-20
公开(公告)日:2024-06-25
公开(公告)号:CN117912640B
主分类号:G16H20/70
分类号:G16H20/70;G16H50/20;G06F18/22;G06F18/2411;G06N20/10
优先权:
专利状态码:有效-授权
法律状态:2024.06.25#授权;2024.05.07#实质审查的生效;2024.04.19#公开
摘要:本发明公开了基于域增量学习的抑郁障碍检测模型训练方法及电子设备,属于数据处理技术领域。该方法包括获取训练数据集,输入当前域和前一域,进行特征提取及预测,利用JS散度以及训练数据集中的类别信息动态学习类定制的阈值,为训练数据集中的每个类使用相应类定制的阈值进行样本选择,将样本选择结果进行域内对齐,区分样本相似性,有效缩小这些领域之间的差距。这样的对齐过程鼓励从各个领域提取的特征变得更加紧凑,从而显著提高了对新数据的适应性,减轻了灾难性遗忘,有利于提高抑郁障碍检测准确性及效率。
主权项:1.一种基于域增量学习的抑郁障碍检测模型训练方法,其特征在于,包括以下步骤:获取训练数据集,所述训练数据集包括从社交平台收集的抑郁症用户信息和非抑郁症用户信息;将获取的训练数据集进行训练,得到特征提取网络模型;通过所述特征提取网络模型得到训练数据集中不同类别样本上的标签预测结果;利用JS散度比较预测结果之间的差异;利用JS散度以及训练数据集中的类别信息动态学习类定制的阈值;为训练数据集中的每个类使用相应类定制的阈值进行样本选择;将样本选择结果进行域内对齐,区分样本相似性;根据样本相似性得到域对齐损失函数,并通过所述域对齐损失函数进行域增量学习,从而得到训练好的抑郁障碍检测模型。
全文数据:
权利要求:
百度查询: 合肥工业大学 基于域增量学习的抑郁障碍检测模型训练方法及电子设备
免责声明
1、本报告根据公开、合法渠道获得相关数据和信息,力求客观、公正,但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解,仅供参考使用,不能作为本公司承担任何法律责任的依据或者凭证。