SMART ANNOTATION FOR RECORDED WAVEFORMS REPRESENTING PHYSIOLOGICAL CHARACTERISTICS

In some embodiments, a method includes training an autoencoder with a set of unlabeled input samples through unsupervised learning and training a deep neural network through supervised learning using the trained autoencoder. The unlabeled input samples may be recorded waveforms representing a physiological characteristic of a human body. Training the deep neural network through supervised learning using the trained autoencoder may include: training the deep neural network with a first subset of manually labeled samples selected from the set of unlabeled samples; and iteratively training the deep neural network with a plurality of successive subsets of manually labeled samples drawn from the unlabeled samples until convergence or until the unlabeled sample inputs are exhausted. Each successive subset includes a plurality of selected, distanced unlabeled samples with the least confidence from the remaining unlabeled samples to which labels are propagated, the distance determination including using the autoencoder for feature extraction. L'invention concerne, dans certains modes de réalisation, un procédé comprenant l'entraînement d'un auto-encodeur avec un ensemble d'échantillons d'entrée non étiquetés par apprentissage non supervisé et l'entraînement d'un réseau neuronal profond par apprentissage supervisé à l'aide de l'auto-encodeur entraîné. Les échantillons d'entrée non marqués peuvent être des formes d'onde enregistrées représentant une caractéristique physiologique d'un corps humain. L'entraînement du réseau neuronal profond par apprentissage supervisé à l'aide de l'auto-encodeur entraîné peut comprendre : l'entraînement du réseau neuronal profond avec un premier sous-ensemble d'échantillons étiquetés manuellement sélectionnés dans l'ensemble d'échantillons non étiquetés ; et l'entraînement de manière itérative du réseau neuronal profond avec une pluralité de sous-ensembles successifs d'échantillons étiquetés manuellement extraits des échantillons non étiquetés jusqu'à la convergence ou jusqu'à ce que les entrées d'échantillons non étiquetés soient épuisées. Chaque sous-ensemble successif comprend une pluralité d'échantillons non étiquetés sélectionnés et éloignés ayant le moins de confiance par rapport aux échantillons non étiquetés restants auxquels les étiquettes sont propagées, la détermination de la distance incluant l'utilisation de l'auto-encodeur pour l'extraction des caractéristiques.