[发明专利]样本训练方法、分类方法、识别方法、装置、介质及系统

说明书

本发明适用计算机技术领域，提供了一种样本训练方法、分类方法、下背痛症状识别方法、计算装置、计算机可读存储介质及下背痛症状识别系统，第一分类器既考虑了属于第一类别的第二样本集合中样本特征相较于第二类别参考样本特征变化的普通性，也考虑了属于第一类别的第三样本集合中样本特征相较于第二类别参考样本特征变化的相对稀有性，从而能快速、较为准确地进行分类，而第二分类器重点考虑了属于第一类别的第三样本集合中样本特征相较于第二类别参考样本特征变化的稀有性，从而能在第一分类器的分类错误时对其进行修正性地再次分类，进而有效保证了待测样本分类的准确性。

技术领域

本发明属于计算机技术领域，尤其涉及一种样本训练方法、分类方法、下背痛症状识别方法、计算装置、计算机可读存储介质及下背痛症状识别系统。

背景技术

由于信息资源分布的不均衡，对于属于同一类别的信息而言，其中有些类别的信息数量明显匮乏但与另一参考类别信息特征存在显著差异，而有些类别的信息数量明显充裕而与参考类别信息特征不存在显著差异，使得明显匮乏的稀有类别信息从数量上无法与明显充裕的普通类别信息相比较，在现有的分类过程中，不会因为稀有类别信息特征的特别而与普通类别信息相区别对待，导致训练所得分类器中涉及稀有类别信息因素相对被弱化，待测样本的分类准确性无法得到有效保障。

发明内容

本发明的目的在于提供一种样本训练方法、分类方法、下背痛症状识别方法、计算装置、计算机可读存储介质及下背痛症状识别系统，旨在解决由于现有技术无法有效保障待测样本分类准确性的问题。

一方面，本发明提供了一种样本训练方法，所述方法包括下述步骤：

获得由属于第一类别的待训练样本构成的第一样本集合，所述第一样本集合包含：由相较于属于第二类别的参考样本、特征变化不具有显著差异的待训练样本构成的第二样本集合，以及，由相较于所述参考样本的特征变化、与所述第二样本集合中待训练样本相较于所述参考样本的特征变化之间具有显著差异的待训练样本构成的第三样本集合；

对所述第一样本集合中待训练样本的特征、所述第三样本集合中待训练样本的特征进行机器学习分类方法的训练，分别对应得到第一分类器、第二分类器。

另一方面，本发明提供了一种分类方法，所述分类方法包括下述步骤：

将待测样本的特征输入第一分类器进行第一次判断，若所得第一判断结果指示所述待测样本属于所述第一类别，则以所述第一判断结果作为分类结果，

若所述第一判断结果指示所述待测样本不属于所述第一类别，则将所述待测样本的特征输入第二分类器进行第二次判断，若所得第二判断结果指示所述待测样本属于所述第一类别，则以所述第二判断结果作为分类结果，

其中，所述第一分类器对应的第一样本集合中的已分类样本以及所述第二分类器对应的第三样本集合中的已分类样本均属于第一类别，所述第一样本集合包含：由相较于属于第二类别的参考样本、特征变化不具有显著差异的已分类样本构成的第二样本集合，以及，由相较于所述参考样本的特征变化、与所述第二样本集合中已分类样本相较于所述参考样本的特征变化之间具有显著差异的已分类样本构成的所述第三样本集合。

另一方面，本发明还提供了一种下背痛症状识别方法，所述下背痛症状识别方法包括下述步骤：

获得待测者的腰部局部肌肉肌电信号；

对所述腰部局部肌肉肌电信号进行预处理，得到待测样本；

对所述待测样本进行处理，得到所述待测样本的特征；