一种信息分类方法、装置、设备及计算机可读存储介质与流程

本技术涉及计算机领域的信息分类技术，尤其涉及一种信息分类方法、装置、设备及计算机可读存储介质。

背景技术：

1、睡眠障碍已经成为一个日益严重的公共卫生问题，为了诊断睡眠障碍患者的睡眠情况，需要熟练的临床医生对患者的睡眠生理信号进行耗时且繁琐的睡眠分期工作。深度学习方法在大型睡眠数据集上显示了具有竞争力的分期性能，已经成为自动睡眠分期研究的主流。当前的智能睡眠分期方法通常使用常见基础神经网络进行训练，利用经过多次训练之后的神经网络对输入数据提取足够明显的特征，再通过特征分布聚类方式对提取到的特征进行识别得到分类。然而，相关技术方案中的特征分布聚类过程与神经网络的训练过程是分离的，无法对神经网络提取到的特征进一步做特征分布挖掘，从而导致网络收敛较慢，得到的分类结果的准确率较低。

技术实现思路

1、为解决上述技术问题，本技术实施例提供一种信息分类方法、装置、设备及计算机可读存储介质，可以解决相关技术中网络收敛较慢且分类结果不准确的问题，进而提高了对体征信息的分期的准确率和效率。

2、为达到上述目的，本技术实施例的技术方案是这样实现的：

3、一种信息分类方法，所述方法包括：

4、获取样本对象的样本体征数据、所述样本对象的体征信息的类别和所述样本对象的属性信息；其中，所述样本体征数据表征所述样本对象的身体状况；所述体征信息是与所述样本体征数据相关的；

5、对所述样本对象的属性信息进行处理，得到目标参数；

6、基于所述样本体征数据、所述体征信息的类别和所述目标参数，对初始体征信息分类模型中的目标神经网络和目标聚类网络进行模型训练，得到目标体征信息分类模型；

7、基于所述目标体征信息分类模型对待检测对象的体征数据和属性信息进行处理，得到所述待检测对象的目标体征信息的分类结果。

8、上述方案中，所述获取样本对象的样本体征数据，包括：

9、获取所述样本对象的初始体征数据；

10、对所述初始体征数据进行滤除处理，并对处理后的所述初始体征数据进行分段，得到所述样本体征数据。

11、上述方案中，所述对所述样本对象的属性信息进行处理，得到目标参数，包括：

12、将所述样本对象的属性信息进行分类，并构建每一类属性信息对应的初始矩阵；

13、对每一所述初始矩阵进行编码，得到多个特征矩阵；

14、对多个所述初始矩阵和所述多个特征矩阵进行处理，得到所述目标参数。

15、上述方案中，所述对多个所述初始矩阵和所述多个特征矩阵进行处理，得到所述目标参数，包括：

16、针对每一类属性信息，将所述特征矩阵与所述初始矩阵进行运算，得到目标矩阵；

17、将多个所述目标矩阵进行合并得到所述目标参数。

18、上述方案中，所述基于所述样本体征数据、所述体征信息的类别和所述目标参数，对初始体征信息分类模型中的目标神经网络和目标聚类网络进行模型训练，得到目标体征信息分类模型，包括：

19、基于所述样本体征数据、所述目标参数、残差网络和高斯混合聚类网络进行处理，确定聚类结果；其中，所述目标神经网络包括所述残差网络，所述目标聚类网络包括所述高斯混合聚类网络；

20、基于所述聚类结果、所述样本体征数据、所述目标参数和所述体征信息的类别，对所述残差网络和所述高斯混合聚类网络进行训练，得到所述目标体征信息分类模型。

21、上述方案中，所述基于所述样本体征数据、所述目标参数、残差网络和高斯混合聚类网络进行处理，确定聚类结果，包括：

22、采用所述残差网络的第一子网络对所述样本体征数据和所述目标参数进行处理，得到第一特征信息；

23、基于所述第一特征信息对所述高斯混合聚类网络的第一高斯混合聚类子网络进行训练，得到第一分布特征和所述第一高斯混合聚类子网络的第一参数；

24、采用所述残差网络的第二子网络对所述第一分布特征和所述第一参数进行处理，得到第二特征信息；

25、基于所述第二特征信息对所述高斯混合聚类网络的第二高斯混合聚类子网络进行训练，直到所述残差网络中的子网络和所述高斯混合聚类网络中的子网络均处理完成，并得到第n分布特征和第n高斯混合聚类子网络的第n参数；其中，n为正整数，所述第n分布特征表征所述聚类结果；

26、相应的，所述基于所述聚类结果、所述样本体征数据、所述目标参数和所述体征信息的类别，对所述残差网络和所述高斯混合聚类网络进行训练，得到所述目标体征信息分类模型，包括：

27、基于所述第n分布特征所表征的聚类结果、所述样本体征数据、所述目标参数、所述体征信息的类别和所述第n参数，对所述残差网络和所述高斯混合聚类网络进行训练，得到所述目标体征信息分类模型。

28、上述方案中，所述基于所述第n分布特征所表征的聚类结果、所述样本体征数据、所述目标参数、所述体征信息的类别和所述第n参数，对所述残差网络和所述高斯混合聚类网络进行训练，得到所述目标体征信息分类模型，包括：

29、确定体征信息的基础分类信息和目标损失函数；

30、基于所述第n分布特征所表征的聚类结果、所述样本体征数据、所述目标参数、所述体征信息的类别、所述基础分类信息、所述第n参数和所述目标损失函数，对所述残差网络和所述高斯混合聚类网络进行训练，得到所述目标体征信息分类模型。

31、一种信息分类装置，所述装置包括：

32、获取模块，用于获取样本对象的样本体征数据、所述样本对象的体征信息的类别和所述样本对象的属性信息；其中，所述样本体征数据表征所述样本对象的身体状况；所述体征信息是与所述样本体征数据相关的；

33、处理模块，用于对所述样本对象的属性信息进行处理，得到目标参数；

34、训练模块，用于基于所述样本体征数据、所述体征信息的类别和所述目标参数，对初始体征信息分类模型中的目标神经网络和目标聚类网络进行模型训练，得到目标体征信息分类模型；

35、分类模块，用于基于所述目标体征信息分类模型对待检测对象的体征数据和属性信息进行处理，得到所述待检测对象的目标体征信息的分类结果。

36、一种信息分类设备，所述设备包括：处理器、存储器和通信总线；

37、所述通信总线用于实现处理器和存储器之间的通信连接；

38、所述处理器用于执行存储器中的信息分类程序，以实现上述的信息分类方法的步骤。

39、一种计算机可读存储介质，所述计算机可读存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现上述的信息分类方法的步骤。

40、本技术的实施例所提供的信息分类方法、装置、设备及计算机可读存储介质，可以获取样本对象的样本体征数据、样本对象的与样本体征数据相关的体征信息的类别和样本对象的属性信息，样本体征数据表征样本对象的身体状况，并对样本对象的属性信息进行处理得到目标参数，以及基于样本体征数据、体征信息的类别和目标参数，对初始体征信息分类模型中的目标神经网络和目标聚类网络进行模型训练得到目标体征信息分类模型，最后基于目标体征信息分类模型对待检测对象的体征数据和属性信息进行处理，得到待检测对象的目标体征信息的分类结果，如此，在训练得到目标体征信息分类模型时用到了样本体征数据、样本对象的与样本体征数据相关的体征信息的类别和样本对象的属性信息，并且整个训练模型过程中具有特征分布聚类过程与神经网络的训练过程，从而使得特征分布聚类过程与神经网络的训练过程是一体的；同时，训练模型时增加了用户的个人属性信息，进而使得得到的目标体征信息分类模型的收敛速度较快；并且，目标体征信息分类模型在进行分类时可以对神经网络提取到的特征的进一步特征分布挖掘，且会参考用户的个人信息，提高了对体征信息的分期的准确率和效率。