[发明专利]一种基于深度学习的阿基米德螺旋图数据处理方法及设备

权利要求书

1.一种基于深度学习的阿基米德螺旋图数据处理方法，其特征在于，所述方法包括：

基于卷积神经网络，搭建螺旋图数据分析模型；

对预先采集的批量训练数据进行对齐操作，得到训练集，并通过所述训练集训练所述螺旋图数据分析模型；

通过数据采集设备，采集患者绘制螺旋图产生的原始螺旋图数据；

对所述原始螺旋图数据进行预处理，得到标准螺旋图数据；

将所述标准螺旋图数据输入训练好的所述螺旋图数据分析模型，得到所述患者的辅助诊断结果。

2.根据权利要求1所述的一种基于深度学习的阿基米德螺旋图数据处理方法，其特征在于，基于卷积神经网络，搭建螺旋图数据分析模型，具体包括：

将一个一维卷积层、一个一维批归一化层以及一个一维最大池化层构建为输入层；

将一个一维卷积层、一个一维批归一化层、一个激活函数以及一个最大池化层组成一个基础卷积块，并将五个所述基础卷积块依次连接，构建卷积池化层；

将一个卷积层以及一个自适应平均池化层构建为自适应平均池化层；

将两个全连接层以及一个随机失活层构建为分类层；

将所述输入层、所述卷积池化层、所述自适应平均池化层以及所述分类层依次连接，构成所述螺旋图数据分析模型。

3.根据权利要求1所述的一种基于深度学习的阿基米德螺旋图数据处理方法，其特征在于，对预先采集的批量训练数据进行对齐操作，得到训练集，具体包括：

针对不同的病症标签，分别采集对应的批量螺旋图数据，得到所述批量训练数据；

确定所述批量训练数据中训练数据的最短数据长度；

将每条训练数据中，长度超过所述最短数据长度的部分统一进行裁剪，完成所述对齐操作；

将裁剪后的训练数据存入所述训练集。

4.根据权利要求1所述的一种基于深度学习的阿基米德螺旋图数据处理方法，其特征在于，通过所述训练集训练所述螺旋图数据分析模型，具体包括：

将所述训练集作为输入数据，以所述训练集中每条训练数据的病症标签为监督信息，对所述螺旋图数据分析模型进行初步训练；

计算初步训练后的所述螺旋图数据分析模型的交叉熵损失值；

在所述交叉熵损失值大于预设阈值的情况下，优化所述螺旋图数据分析模型的各参数权重，直至所述交叉熵损失值小于或等于所述预设阈值后，完成训练。

5.根据权利要求4所述的一种基于深度学习的阿基米德螺旋图数据处理方法，其特征在于，计算初步训练后的所述螺旋图数据分析模型的交叉熵损失值，具体包括：

根据交叉熵损失函数：计算所述螺旋图数据分析模型的交叉熵损失值loss；

其中，K表示所述训练集中的病症标签数量；N表示所述训练集中的样本数量；y_i,k表示所述训练集中第i个样本的病症标签为第k个标签值；p_i,k表示第i个样本预测为第k个标签值的概率。

6.根据权利要求1所述的一种基于深度学习的阿基米德螺旋图数据处理方法，其特征在于，通过数据采集设备，采集患者绘制螺旋图产生的原始螺旋图数据，具体包括：

通过数据采集设备，采集所述患者在触控屏上绘制螺旋图时产生的实时螺旋图数据；其中，所述实时螺旋图数据至少包括：点位坐标、点位压力值、压感笔倾斜角度以及点位间隔时间和间隔距离；

根据每个点位与上一个点位之间的间隔时间以及间隔距离，计算每个点位的速度以及加速度；

将所述点位坐标、点位压力值、压感笔倾斜角度、每个点位的速度及加速度，组合为所述原始螺旋图数据。