1.一种由计算机实现的用于生成神经网络的方法,包括:
2.根据权利要求1所述的方法,其中所述多个层包括一个或多个池化层以及每个池化层之间的一个或多个卷积层,所述多个超参数包括池化层的数量以及每个池化层之间的卷积层的数量。
3.根据权利要求2所述的方法,其中所述池化层是最大池化层。
4.根据权利要求2或3所述的方法,其中所述输入数据是周期性时序数据,并且在所述确定多个超参数的值的步骤中,基于所述时序数据的每个周期内所述时序数据中的样本数量来确定所述池化层的数量。
5.根据权利要求4所述的方法,其中所述池化层的数量根据以下来确定:
6.根据权利要求2或3所述的方法,其中所述输入数据是非周期性时序数据,并且在所述确定多个超参数的值的步骤中,基于所述时序数据中的样本数量来确定所述池化层的数量。
7.根据权利要求6所述的方法,其中所述池化层的数量根据以下来确定:
8.根据权利要求2至7中任一项所述的方法,其中所述多个层还包括每个卷积层之后的激活层。
9.根据权利要求8所述的方法,其中所述激活层包括线性整流函数或带泄漏线性整流函数。
10.根据权利要求2至7中任一项所述的方法,其中所述更新所述超参数中的一个或多个超参数的值包括增加每个池化层之间的卷积层的数量。
11.根据前述权利要求中任一项所述的方法,其中所述输入数据为经标注的输入数据,并且使用监督学习的方式来训练所述神经网络。
12.根据权利要求11所述的方法,其中:
13.根据权利要求12所述的方法,其中所述损失函数的训练值包括通过对应用于所述输入数据的所述神经网络的输出上的所述损失函数进行评估来计算的训练损失。
14.根据前述权利要求中任一项所述的方法,其中神经网络在训练之后的损失函数的验证值不低于前一个神经网络在训练之后的损失函数的验证值时,满足所述第一预定条件。
15.根据权利要求1至14中任一项所述的方法,其中所述方法还包括,在满足所述第一预定条件之后:
16.根据权利要求15所述的方法,其中当包括一个或多个跳跃连接的神经网络在训练之后的损失函数的验证值不低于前一个包括一个或多个跳跃连接的神经网络在训练之后的损失函数的验证值时,满足所述第二预定条件。
17.根据权利要求15或16所述的方法,其中所述方法还包括,在满足所述第二预定条件之后:
18.根据权利要求17所述的方法,其中所述多个层包括多个卷积层和每个卷积层之后的激活层,并且所述包括一个或多个批量归一化层的神经网络包括每个激活层之后的批量归一化层。
19.根据权利要求17或18所述的方法,其中包括一个或多个批量归一化层的神经网络在训练之后的损失函数的验证值不低于前一个包括一个或多个批量归一化层的神经网络在训练之后的损失函数的验证值时,满足所述第三预定条件。
20.根据权利要求14、16或19中任一项所述的方法,其中所述损失函数的验证值包括通过对应用于验证数据集的神经网络的输出上的损失函数进行评估而计算的验证损失。
21.根据权利要求1至20中任一项所述的方法,其中所述输入数据包括时序数据。
22.根据权利要求21所述的方法,其中所述时序数据是周期性生理数据。
23.根据权利要求22所述的方法,其中所述时序数据是心电图数据。
24.根据前述权利要求中任一项所述的方法,其中所述选择经训练的神经网络中的一个包括选择具有最低的损失函数验证值的经训练的神经网络。
25.根据权利要求1至23中任一项所述的方法,其中所述选择经训练的神经网络中的一个包括:
26.根据权利要求24或25所述的方法,其中所述损失函数验证值包括通过对应用于验证数据集的经训练的神经网络的输出上的损失函数进行评估来计算的验证损失。
27.根据前述权利要求中任一项所述的方法,其中输出所述选择的神经网络包括输出在生成所述选择的神经网络时使用的所述超参数的值。
28.根据前述权利要求中任一项所述的方法,其中所述多个层包括一个或多个卷积层,每个卷积层有相关联的多个参数,并且输出所述选择的神经网络包括输出所述卷积层的参数值。
29.根据前述权利要求中任一项所述的方法,其中所述神经网络还包括分类层。
30.根据权利要求29所述的方法,其中所述输入数据是生理数据,并且所述分类层用于将所述输入数据分类为多个临床类别中的一个。
31.一种对来自患者的生理数据进行分类的方法,所述方法包括:
32.一种将患者分类为临床类别的方法,所述方法包括:
33.一种计算机程序,所述计算机程序包括指令,所述指令在被计算机执行时使得所述计算机执行权利要求1至32中任一项所述的方法。
34.一种计算机可读介质,所述计算机可读介质包括指令,所述指令在被计算机执行时使得所述计算机执行权利要求1至32中任一项所述的方法。
35.一种用于生成机器学习网络的装置,包括: