[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

说明书

本发明公开了一种深度学习的数据预处理方法、装置及训练系统。其中深度学习的数据预处理方法，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；将上述步骤中的N个点直接作为1个心拍波形，或者将上述步骤中的N个点进行幅度归一化处理，作为1个心拍波形；连续采集M个上述心拍波形作为一个输入样本；将上述一个输入样本输入CNN深度神经网络模型，或者将输入样本送入RNN深度神经网络模型，或者采用CRNN深度神经网络模型。本发明通过上述原理，对采集的ECG波形进行处理后，再送入深度神经网络进行训练，实现了采用很少的训练样本让深度神经网络达到可用的目的，大大降低了医学领域的深度神经网络训练难度。

技术领域

本发明涉及检测领域，具体涉及一种深度学习的数据预处理方法、装置及训练系统。

背景技术

近年来，随着信息技术的不断发展，基于深度神经网络(Deep Neural Network)的识别方法在分类领域取得了巨大的成功，应用领域也衍伸到各行各业。深度神经网络训练流程通常为将训练样本输入深度神经网络模型，经过深度神经网络处理输出分类结果与训练样本值进行比较，得到损失函数计算出的网络损失，然后将网络损失回传给深度神经网络，修正深度神经网络上各层的参数，重复上述步骤，直到该网络损失满足一定的收敛条件，则认为达到了深度神经网络的优化目标，训练结束。通常网络损失以最小化为优化目标。在现有的医学领域对深度神经网络进行训练时，大多采用的输入训练数据的方式为从采集到的整段数据的开始端开始逐一输入，直到结束端输入完成为止，采用该种训练数据输入方式，需要大量的训练数据样本才能实现可用的效果。但是医学数据需要基于人体采集，特别是一些判断疾病的信息还不易采集，其特殊性导致了其采集和标记的工作量较大，给医学领域的深度神经网络训练到可用的地步增加了难度。

发明内容

本发明所要解决的技术问题是采用很少的训练样本让深度神经网络达到可用的目的，目的在于提供一种深度学习的数据预处理方法、装置及训练系统，通过对采集的ECG波形进行处理并处理为特定的数据形式后，再送入相应的深度神经网络进行训练，并且即便是不同的采样率，都可采用同一深度神经网络模型，无需再更换深度神经网络模型，即可实现对心电图的自动分析，如实现心脏节律分类或心脏心搏分类，该发明采用很少的训练样本让深度神经网络达到可用的目的，大大降低了医学领域的深度神经网络训练难度。

本发明通过下述技术方案实现：

第一方面，本发明公开了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，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。

优选的，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。

第二方面，本发明公开了另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，包括如下步骤：