[发明专利]一种深度学习的数据预处理方法、装置及训练系统

权利要求书

1.一种深度学习的数据预处理方法，通过该方法处理后的数据用于送入深度神经网络进行训练，实现心脏心搏分类，其特征在于，包括如下步骤：

采集ECG波形第K个完整的心拍波形，重采样到N个点，0N≤Fs*t；

将上述步骤中的N个点直接作为1个输入波形，或者将上述步骤中的N个点进行幅度归一化处理，作为1个输入波形；

连续采集M个上述输入波形作为一个输入样本，M＞0；

将上述一个输入样本以N×1×M的三维形式输入CNN深度神经网络模型，或者将上述一个输入样本分解为M个N×1的点对应送入RNN深度神经网络模型上的M个RNN基本神经单元，或者采用CRNN深度神经网络模型，将上述一个输入样本分解为M个N×1×1的点对应送入M个相同的CNN深度神经网络模型处理后再送入RNN深度神经网络模型上的M个RNN基本神经单元。

2.根据权利要求1所述的一种深度学习的数据预处理方法，其特征在于，采集ECG波形第K个完整的心拍波形，重采样到N个点，方法如下：采集ECG波形第K个R位置的前t1时间段和后t2时间段内的一段波形，重采样到N个点，0N≤Fs*t，t＝t1+t2，R位置前t1时间段至少包含P波的一段波形，R位置后t2时间段至少包含T波的一段波形。

3.一种深度学习的数据预处理方法，通过该方法处理后的数据用于送入深度神经网络进行训练，实现心脏节律分类和/或心脏心搏分类，其特征在于，包括如下步骤：

S101：采集ECG波形第K个完整的心拍波形，重采样到N个点，0N≤Fs*t；

S102：采集ECG波形上第K-1到第K个R的间期，或者采集ECG波形上第K到第K+1个R的间期；

S103：将步骤S101中的重采样后的1个输入波形和步骤S102中的1个RR间期分别进行归一化处理，再组合为H，形成N+1的一维向量；或者将步骤S101中的重采样后的1个输入波形和步骤S102中的1个RR间期直接组合为H，形成N+1的一维向量；或者将步骤S101中的重采样后的1个输入波形和步骤S102中的1个RR间期二选一的进行归一化处理，再组合为H，形成N+1的一维向量；

S104：取步骤S103中的连续M个H作为一个输入样本，M＞0；

S105：将步骤S104中的一个输入样本以(N+1)×1×M的三维形式输入CNN深度神经网络模型，或者将上述一个输入样本分解为M个(N+1)×1的点对应送入RNN深度神经网络模型上的M个RNN基本神经单元；或者采用CRNN深度神经网络模型，将上述一个输入样本分解为M个N×1×1的输入波形和M个1×1的RR间期后，将M个N×1×1的输入波形对应送入M个相同的CNN深度神经网络模型处理后，得到M个结果P_M，M个结果P_M和M个1×1的RR间期组合成M个组合后，送入RNN深度神经网络模型上的M个RNN基本神经单元，其中每个组合包含1个结果P_M和1个1×1的RR间期。

4.根据权利要求3所述的一种深度学习的数据预处理方法，其特征在于，采集ECG波形第K个完整的心拍波形，重采样到N个点，方法如下：采集ECG波形第K个R位置的前t1时间段和后t2时间段内的一段波形，重采样到N个点，0N≤Fs*t，t＝t1+t2，R位置前t1时间段至少包含P波的一段波形，R位置后t2时间段至少包含T波的一段波形。