[发明专利]数据预处理方法、装置、训练系统、穿戴设备及存储介质

说明书

本发明公开了数据预处理方法、装置、训练系统、穿戴设备及存储介质。其中数据预处理方法，包括如下步骤：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；连续采集M个上述RR间期直接作为一个输入样本；将上述输入样本以1×1×M的三维形式输入CNN深度神经网络模型，或者分解为M个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。本发明通过上述原理，通过提取ECG波形上的RR间期，且RR间期不需要进一步提特征，并处理为特定形式后，再送入相应的深度神经网络进行训练，用很少的RR间期数，达到甚至超过采用较多RR间期数的传统的机器学习算法。

技术领域

本发明涉及检测领域，具体涉及数据预处理方法、装置、训练系统、穿戴设备及存储介质。

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，目的在于提供数据预处理方法、装置、训练系统、穿戴设备及存储介质，通过提取ECG波形上的RR间期，且RR间期不需要进一步提特征，并处理为特定形式后，再送入相应的深度神经网络进行训练，实现心脏节律分类，用很少的RR间期数，达到甚至超过采用较多RR间期数的传统的机器学习算法。

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，包括如下步骤：

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，K＞1；连续采集M个上述RR间期直接作为一个输入样本，或者连续采集M个上述归一化处理后的RR间期作为一个输入样本，M＞0；将上述输入样本以1×1×M的三维形式输入CNN深度神经网络模型，或者将上述输入样本以M×1×1的三维形式输入CNN深度神经网络模型，或者将上述输入样本分解为M个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。

第二方面，本发明公开了一种数据预处理装置，通过该装置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，包括R间期采集处理单元：用于采集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，K＞1；

样本成型单元：连续采集M个上述RR间期直接作为一个输入样本，或者连续采集M个上述归一化处理后的RR间期作为一个输入样本，M＞0；输入样本格式处理单元：将上述输入样本以1×1×M的三维形式输入CNN深度神经网络模型，或者将上述输入样本以M×1×1的三维形式输入CNN深度神经网络模型，或者将上述输入样本分解为M个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。