本发明涉及机器学习，具体涉及一种基于神经网络的智能ai针灸模型训练系统及方法。
背景技术：
1、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。
2、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。
技术实现思路
1、为解决上述问题，本发明提供一种基于神经网络的智能ai针灸模型训练系统及方法。
2、本发明的一种基于神经网络的智能ai针灸模型训练系统及方法采用如下技术方案：
3、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：
4、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；
5、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；
6、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；
7、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。
8、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：
9、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；
10、；
11、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。
12、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：
13、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；
14、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。
15、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：
16、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。
17、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：
18、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；
19、；
20、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；
21、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。
22、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：
23、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。
24、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：
25、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。
26、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：
27、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。
28、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：
29、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。
30、本发明还提出了一种基于神经网络的智能ai针灸模型训练系统，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。
31、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。
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：
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：
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：
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：
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：
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：
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：
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：
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：
10.一种基于神经网络的智能ai针灸模型训练系统，所述系统包括存储器、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。
