[發明專利]一種深度學習的數據預處理方法、裝置及訓練系統

在審

• 申請號: 201910307795.3
• 申請日: 2019-04-16
• 公開（公告）號: CN111832586A
• 公開（公告）日: 2020-10-27
• 發明（設計）人: 黃韻竹;楊海波;薛奮
• 申請（專利權）人: 成都心吉康科技有限公司
• 主分類號: G06K9/62
• 分類號: G06K9/62;A61B5/0402;A61B5/00;G06N3/04
• 代理公司: 暫無信息
• 代理人: 暫無信息

本發明公開了一種深度學習的數據預處理方法、裝置及訓練系統。其中深度學習的數據預處理方法，包括如下步驟：采集ECG波形第K個完整的心拍波形，重采樣到N個點；將上述步驟中的N個點直接作為1個心拍波形，或者將上述步驟中的N個點進行幅度歸一化處理，作為1個心拍波形；連續采集M個上述心拍波形作為一個輸入樣本；將上述一個輸入樣本輸入CNN深度神經網絡模型，或者將輸入樣本送入RNN深度神經網絡模型，或者采用CRNN深度神經網絡模型。本發明通過上述原理，對采集的ECG波形進行處理后，再送入深度神經網絡進行訓練，實現了采用很少的訓練樣本讓深度神經網絡達到可用的目的，大大降低了醫學領域的深度神經網絡訓練難度。

技術領域

本發明涉及檢測領域，具體涉及一種深度學習的數據預處理方法、裝置及訓練系統。

背景技術

近年來，隨著信息技術的不斷發展，基于深度神經網絡(Deep Neural Network)的識別方法在分類領域取得了巨大的成功，應用領域也衍伸到各行各業。深度神經網絡訓練流程通常為將訓練樣本輸入深度神經網絡模型，經過深度神經網絡處理輸出分類結果與訓練樣本值進行比較，得到損失函數計算出的網絡損失，然后將網絡損失回傳給深度神經網絡，修正深度神經網絡上各層的參數，重復上述步驟，直到該網絡損失滿足一定的收斂條件，則認為達到了深度神經網絡的優化目標，訓練結束。通常網絡損失以最小化為優化目標。在現有的醫學領域對深度神經網絡進行訓練時，大多采用的輸入訓練數據的方式為從采集到的整段數據的開始端開始逐一輸入，直到結束端輸入完成為止，采用該種訓練數據輸入方式，需要大量的訓練數據樣本才能實現可用的效果。但是醫學數據需要基于人體采集，特別是一些判斷疾病的信息還不易采集，其特殊性導致了其采集和標記的工作量較大，給醫學領域的深度神經網絡訓練到可用的地步增加了難度。

發明內容

本發明所要解決的技術問題是采用很少的訓練樣本讓深度神經網絡達到可用的目的，目的在于提供一種深度學習的數據預處理方法、裝置及訓練系統，通過對采集的ECG波形進行處理并處理為特定的數據形式后，再送入相應的深度神經網絡進行訓練，并且即便是不同的采樣率，都可采用同一深度神經網絡模型，無需再更換深度神經網絡模型，即可實現對心電圖的自動分析，如實現心臟節律分類或心臟心搏分類，該發明采用很少的訓練樣本讓深度神經網絡達到可用的目的，大大降低了醫學領域的深度神經網絡訓練難度。

本發明通過下述技術方案實現：

第一方面，本發明公開了一種深度學習的數據預處理方法，通過該方法處理

后的數據用于送入深度神經網絡進行訓練，實現心臟心搏分類，包括如下步驟：

采集ECG波形第K個完整的心拍波形，重采樣到N個點，0N≤Fs*t；將上述步驟中的N個點直接作為1個輸入波形，或者將上述步驟中的N個點進行幅度歸一化處理，作為1個輸入波形；連續采集M個上述輸入波形作為一個輸入樣本，M＞0；將上述一個輸入樣本以N×1×M的三維形式輸入CNN深度神經網絡模型，或者將上述一個輸入樣本分解為M個N×1的點對應送入RNN深度神經網絡模型上的M個RNN基本神經單元，或者采用CRNN深度神經網絡模型，將上述一個輸入樣本分解為M個N×1×1的點對應送入M個相同的CNN深度神經網絡模型處理后再送入RNN深度神經網絡模型上的M個RNN基本神經單元。

優選的，采集ECG波形第K個完整的心拍波形，重采樣到N個點，方法如下：采集ECG波形第K個R位置的前t1時間段和后t2時間段內的一段波形，重采樣到N個點，0N≤Fs*t，t＝t1+t2，R位置前t1時間段至少包含P波的一段波形，R位置后t2時間段至少包含T波的一段波形。

第二方面，本發明公開了另一種深度學習的數據預處理方法，通過該方法處理后的數據用于送入深度神經網絡進行訓練，實現心臟節律分類和/或心臟心搏分類，包括如下步驟：