[发明专利]网络训练和单导联心电数据处理方法、计算机装置和介质

权利要求书

1.一种深度学习网络训练方法，所述深度学习网络包括生成对抗网络和分类网络，所述生成对抗网络包括生成器和判别器，其特征在于，所述深度学习网络训练方法包括：

获取训练数据集；所述训练数据集包括多组训练数据，所述训练数据包括单导联心电数据、真实多导联心电数据以及用于描述所述真实多导联心电数据是否包括房颤特征的标签值；

使用所述训练数据集对所述生成对抗网络中的所述生成器和判别器进行交替对抗训练，在所述交替对抗训练中，使所述生成器根据单导联心电数据生成多导联心电数据，由所述判别器判断所述生成多导联心电数据是否与所述真实多导联心电数据相同，以及判断所述生成多导联心电数据是否包括房颤特征，直至所述生成器和判别器达到平衡状态收敛，结束所述交替对抗训练；

所述交替对抗训练中，所使用的损失函数包括：

其中，x₁₂表示所述真实多导联心电数据；x₁表示所述单导联心电数据；G(x₁)表示生成多导联心电数据；G表示生成器；D表示判别器；所述中的第一项表示真实判别损失，所述中的第二项表示生成判别损失，其中所述真实多导联心电数据的真值为1，所述生成多导联心电数据的真值为0；所述中的第三项和第四项表示带有数据先验的类别判别损失，其中含有所述房颤特征的真值为1，不含有所述房颤特征的真值为0；所述中的第一项用于使所述生成多导联心电数据的质量预测逼近于1；所述中的第二项用于使所述生成多导联心电数据的诊断类别逼近给定类别；所述中的第三项为均方误差，使所述生成多导联心电数据与所述真实多导联心电数据在时域空间的整体波形保持一致；所述中的第四项为结构相似性，使所述生成多导联心电数据与所述真实多导联心电数据的高频细节保持一致；

使用所述生成多导联心电数据作为所述分类网络的输入，以相应的所述标签值作为所述分类网络的期待输出，对所述分类网络进行训练。

2.根据权利要求1所述的深度学习网络训练方法，其特征在于，所述生成器为32层网络结构，所述32层网络结构包括5个下采样模块、5个上采样模块和2个单独的卷积层，各所述下采样模块和上采样模块分别包括用于执行卷积或反卷积过程的3个卷积层；所述2个单独的卷积层之间通过残差结构连接，所述32层网络结构中具有相同尺度的特征图的模块之间设有跨层连接结构。

3.根据权利要求1所述的深度学习网络训练方法，其特征在于，所述判别器为18层网络结构，所述18层网络结构包括1个初始卷积层、8个下采样残差卷积模块和2个全连接层，各所述下采样残差卷积模块分别包括最大池化层、2个卷积层和压缩-激励模块，其中一个所述全连接层用于判断所述生成多导联心电数据是否与所述真实多导联心电数据相同，另一个所述全连接层用于判断所述生成多导联心电数据是否包括房颤特征。

4.根据权利要求1所述的深度学习网络训练方法，其特征在于，所述分类网络为34层网络结构，所述34层网络结构包括1个卷积层、1个全连接层和8个下采样残差模块，各所述下采样残差模块分别包括2个残差恒等映射层，各所述残差恒等映射层分别包括2个卷积层。

5.根据权利要求1所述的深度学习网络训练方法，其特征在于，所述深度学习网络训练方法还包括：

获取测试数据集；所述测试数据集包括多个真实多导联心电数据；

使用所述测试数据集测试所述分类网络；

根据所述分类网络对在测试过程中的输出，获得PR曲线；

根据所述PR曲线确定PR-AUC；

根据所述PR-AUC设定所述分类网络的分类阈值。

6.根据权利要求1-5任一项所述的深度学习网络训练方法，其特征在于，所述深度学习网络训练方法还包括：

对所述训练数据中的所述单导联心电数据进行数据增强处理；所述数据增强处理包括随机频率成分缺失、随机信号置零、随机周期性信号置零和/或随机裁剪缩放。

7.一种计算机装置，其特征在于，包括存储器和处理器，所述存储器用于存储至少一个程序，所述处理器用于加载所述至少一个程序以执行权利要求1-6任一项所述的深度学习网络训练方法。

8.一种存储介质，其中存储有处理器可执行的程序，其特征在于，所述处理器可执行的程序在由处理器执行时用于执行权利要求1-6任一项所述的深度学习网络训练方法。