CN110037680A - 心电图的识别方法及装置、存储介质、计算机设备 - Google Patents

Abstract

本申请公开了一种心电图的识别方法及装置、存储介质、计算机设备，该方法包括：对心电图样本数据进行采样率预处理，以使心电图样本数据的采样率与预设标准采样率一致；根据采样率预处理后的心电图样本数据，建立训练样本集和测试样本集；利用训练样本集训练UNet卷积神经网络模型，直至训练好的模型识别测试样本集的准确率大于或等于预设准确率阈值；接收待识别的心电图数据，并利用训练好的模型识别待识别的心电图数据对应的心电图类型。本申请有助于解决现有技术中依靠医务人员人工诊断心电图导致的效率低下以及容易因疲劳造成误诊的问题，提高了心电图的诊断效率和准确率，降低了医务人员的工作量。

Description

心电图的识别方法及装置、存储介质、计算机设备

技术领域

本申请涉及心电图诊断技术领域，尤其是涉及到一种心电图的识别方法及装置、存储介质、计算机设备。

背景技术

心血管疾病是全球的头号杀手，我国心血管病死亡占居民疾病死亡构成40％以上，居首位。对心血管疾病的治疗与预防已经越来越受到人们的关注。心电图被认为是心血管疾病诊断中最早、最常用和最基本的诊断方法。与其它诊断方法相比，心电图使用方便，易于普及。

目前，主要依靠医护人员对心电图进行人工诊断，据统计我国每年心电图记录多达3亿条以上，人工诊断工作量非常大，长时间的人工诊断容易造成医护人员疲劳导致误诊。因此，如何提高心电图的诊断效率和诊断准确率成为了亟待解决的问题。

发明内容

有鉴于此，本申请提供了一种心电图的识别方法及装置、存储介质、计算机设备，通过心电图分类模型识别心电图的类型，有助于提高心电图的诊断效率和准确率。

根据本申请的一个方面，提供了一种心电图的识别方法，包括：

对心电图样本数据进行采样率预处理，以使所述心电图样本数据的采样率与预设标准采样率一致；

根据采样率预处理后的心电图样本数据，建立训练样本集和测试样本集；

利用所述训练样本集训练UNet卷积神经网络模型，直至训练好的模型识别所述测试样本集的准确率大于或等于预设准确率阈值；

接收待识别的心电图数据，并利用所述训练好的模型识别所述待识别的心电图数据对应的心电图类型。

根据本申请的另一方面，提供了一种心电图的识别装置，包括：

样本采样率处理模块，用于对心电图样本数据进行采样率预处理，以使所述心电图样本数据的采样率与预设标准采样率一致；

样本集建立模块，用于根据采样率预处理后的心电图样本数据，建立训练样本集和测试样本集；

模型训练模块，用于利用所述训练样本集训练UNet卷积神经网络模型，直至训练好的模型识别所述测试样本集的准确率大于或等于预设准确率阈值；

识别模块，用于接收待识别的心电图数据，并利用所述训练好的模型识别所述待识别的心电图数据对应的心电图类型。

依据本申请又一个方面，提供了一种存储介质，其上存储有计算机程序，所述程序被处理器执行时实现上述心电图的识别方法。

依据本申请再一个方面，提供了一种计算机设备，包括存储介质、处理器及存储在存储介质上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述心电图的识别方法。

借由上述技术方案，本申请提供的一种心电图的识别方法及装置、存储介质、计算机设备，通过对心电图样本数据的采样率进行处理，根据处理后的心电图样本数据建立训练样本集以及测试样本集，从而利用训练样本集对UNet卷积神经网络模型进行训练，使得训练后的模型对测试样本集的识别准确率达到预设准确率阈值的标准，从而可以通过训练后的模型对新的待识别的心电图数据进行分类，识别心电图对应的类型。本申请与现有技术中依靠医护人员对心电图进行诊断分析容易因疲劳引发误诊相比，通过UNet模型对历史心电图数据进行学习从而利用学习好的模型实现心电图的自动诊断，提高了心电图的诊断效率和准确率，也节约了医护资源。

上述说明仅是本申请技术方案的概述，为了能够更清楚了解本申请的技术手段，而可依照说明书的内容予以实施，并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂，以下特举本申请的具体实施方式。

附图说明

此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：

图1示出了本申请实施例提供的一种心电图的识别方法的流程示意图；

图2示出了本申请实施例提供的另一种心电图的识别方法的流程示意图；

图3示出了本申请实施例提供的一种心电图的识别装置的结构示意图；

图4示出了本申请实施例提供的另一种心电图的识别装置的结构示意图。

具体实施方式

下文中将参考附图并结合实施例来详细说明本申请。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。

在本实施例中提供了一种心电图的识别方法，如图1所示，该方法包括：

步骤101，对心电图样本数据进行采样率预处理，以使心电图样本数据的采样率与预设标准采样率一致。

心房纤颤是心血管疾病中最常见的心率失常类型，本申请的实施例以实现区分正常心率心电图、心房纤颤心电图和其他种类心电图为例进行解释，本申请实施例仅作为举例说明，本领域技术人员也可以利用本申请的技术方案实现窦性心动过速、窦性心动过缓、心房扑动等等类型的心电图进行识别，在此不做限定。

在上述实施例中，采用单导联心电图的心电图样本数据，样本类型包括正常心率样本数据、心房纤颤样本数据以及其他样本数据(在本申请实施例中，将其他样本数据类型称为噪声)，得到心电图样本数据后，为了方便利用心电图样本数据训练分类模型，提高训练效率，需要对心电图样本数据的采样率进行归一化，将每一张心电图样本对应的采样率处理为预设标准采样率，例如500Hz。

步骤102，根据采样率预处理后的心电图样本数据，建立训练样本集和测试样本集。

经过采样率预处理的心电图样本数据可以用于训练模型，具体应利用处理后的心电图样本数据分别建立训练样本集和测试样本集，其中训练样本集的样本数据数量要高于测试样本集的样本数据数量，例如训练样本集中包含5000张心电图样本对应的数据，测试样本集中包含300张心电图样本对应的数据。

步骤103，利用训练样本集训练UNet卷积神经网络模型，直至训练好的模型识别测试样本集的准确率大于或等于预设准确率阈值。

利用测试样本集对模型进行测试，以验证模型对测试样本集中的心电图样本数据的分类准确率，如果分类准确率大于或等于预设的准确率阈值，则训练结束，如果分类准确率小于预设准确率阈值，则调整模型的相关训练参数后，继续利用测试样本集对模型进行训练，直至满足分类准确率条件为止。

本申请实施例采用UNet网络结构的深度卷积神经网络模型，该网络结构对于一维图像的识别性能较高，适合用于心电图数据的识别。

步骤104，接收待识别的心电图数据，并利用训练好的模型识别待识别的心电图数据对应的心电图类型。

模型训练成功后，就可以通过训练好的模型对待识别的心电图进行诊断，确定待识别的心电图数据对应的类型。本申请的实施例中，向模型输入待识别的心电图数据后，可以得出该心电图数据为正常心率数据、心房纤颤数据和噪声数据的概率。

通过应用本实施例的技术方案，通过对心电图样本数据的采样率进行处理，根据处理后的心电图样本数据建立训练样本集以及测试样本集，从而利用训练样本集对UNet卷积神经网络模型进行训练，使得训练后的模型对测试样本集的识别准确率达到预设准确率阈值的标准，从而可以通过训练后的模型对新的待识别的心电图数据进行分类，识别心电图对应的类型。本申请与现有技术中依靠医护人员对心电图进行诊断分析容易因疲劳引发误诊相比，通过UNet模型对历史心电图数据进行学习从而利用学习好的模型实现心电图的自动诊断，提高了心电图的诊断效率和准确率，也节约了医护资源。

进一步的，作为上述实施例具体实施方式的细化和扩展，为了完整说明本实施例的具体实施过程，提供了另一种心电图的识别方法，如图2所示，该方法包括：

步骤201，获取采样时长大于或等于预设采样时长的心电图样本数据。

本申请实施例中选用的心电图样本的采样时长应不小于预设采样时长，例如10s，并且心电图样本应预先由心血管病理专家组进行标注，在每一张心电图样本上标记正常心率、心房纤颤以及其他心率的起止区间，若采样时长过短，不利于专家组进行数据标注。

步骤202，若心电图样本数据的采样率大于预设标准采样率，则对心电图样本数据进行降采样处理，得到预设标准采样率的心电图样本数据。

若心电图样本数据的采样率大于预设标准采样率，应对心电图数据进行降采样处理使其下降到预设标准采样率，使全部心电图的采样率得到统一，方便后续的图像分块处理等操作以及建立训练样本集和测试样本集。

步骤203，若心电图样本数据的采样率小于预设标准采样率，则对心电图样本数据进行升采样处理，得到预设标准采样率的心电图样本数据。

同样的，若心电图样本数据的采样率小于预设标准采样率，应对心电图数据进行升采样处理使其上升到预设标准采样率，使全部心电图的采样率得到统一。

在本申请的任一实施例中，具体地，本申请实施例的模型采用UNet网络结构，该网络结构共包括19层，假设一张样本心电图包括16x个采样点，那么网络模型以16x×1的心电图单路数据作为输入，该网络结构依次包括：一维卷积层(16x×1×64)、最大池化层(8x×1×64)、一维卷积层(8x×1×128)、最大池化层(4x×1×128)、一维卷积层(4x×1×256)、一维卷积层(4x×1×256)、最大池化层(2x×1×256)、一维卷积层(2x×1×512)、一维卷积层(2x×1×512)、最大池化层(x×1×512)、一维卷积层(x×1×512)、转置卷积层(2x×1×(256+512))、一维卷积层(2x×1×512)、转置卷积层(4x×1×(256+256))、一维卷积层(4x×1×256)、转置卷积层(8x×1×(128+128))、一维卷积层(8x×1×128)、转置卷积层(16x×1×(64+64))、一维卷积层(16x×1×3)，括号内为每一层的输出维度，各层的卷积核都为25×1，步长为1。本申请以识别三种类别的心电图(分别为正常、心房纤颤、噪音)为例建立网络结构，最后一层的输出为3种类别心电图的预测概率。当然，本领域技术人员可以根据实际需要按照样本心电图数据包含的心电图类别数量，对网络结构进行调整改变其输出维度，上述网络结构仅为本申请的举例说明。

步骤204，将采样率预处理后的心电图样本数据按照预设标准采样点阈值进行截取，得到截取后的心电图样本数据。

由于上述的网络结构模型中包含最大池化层，而每层最大池化层会将输入降低至原来的1/2，若最大池化层的输入为2个采样点，则输出为1个采样点，因此需要对心电图样本数据进行截取，最大池化层与其他卷积层拼接时因维度不匹配产生错误。

在本申请的任一实施例中，具体地，预设标准采样点阈值为预设单位采样点阈值的任意正整数倍。

本申请的模型采用包含4层最大池化层的UNet网络结构，每一层最大池化层都会将输入降低至原来的1/2，第四层最大池化层的输出会降低至最初输入的1/16，因此，心电图样本数据应包含16的倍数个采样点，才能保证模型正常运行，本申请中预设单位采样点阈值取16，预设标准采样点阈值为16的正整数倍，以保证模型训练的正常运行，保证模型的运行速度。

当然，本领域技术人员可以根据实际模型需要和训练要求设置其他的阈值大小。

步骤204，具体可以包括：

步骤2041，获取采样率预处理后的心电图样本数据的采样点数量；

步骤2042，若采样点数量不等于预设标准采样点阈值，则计算小于采样点数量的最大预设标准采样点阈值，并在采样率预处理后的心电图样本数据中截取任意连续的与最大预设标准采样点阈值长度对应的数据段作为截取后的心电图样本数据。

如果心电图样本数据的采样点个数等于预设标准采样点阈值(16的倍数)，则心电图样本数据不必进行截取可以直接放入训练样本集或者测试样本集中；而如果心电图样本数据的采样点个数不等于预设标准采样点阈值，则应进行截取，具体可以截取最长的连续的16的倍数个采样点，并将多余的采样点丢弃。

例如，一张心电图样本对应的采样点有5010个，5010＝16*313+2，那么应从全部的采样点数据中截取16*313个，丢弃2个采样点，具体可以丢弃前2个采样点或后2个采样点或丢弃第一个和最后一个采样点。通过这种截取方式，最多丢弃15个采样点，而心电图样本数据的采样率为500Hz，15个采样点相当于15/500＝0.03s采集的数据，将其丢弃几乎不会影响对这张心电图的诊断。

步骤205，根据截取后的心电图样本数据，建立训练样本集和测试样本集。

利用截取后的心电图样本数据，建立用于训练UNet模型的训练样本集以及用于对训练后的UNet模型进行测试以保证模型诊断效果的测试样本集。

步骤206，利用训练样本集，按照预设学习率对模型进行训练。

按照预先设定的学习率对模型利用训练样本集对模型进行训练。例如按照0.01的学习率利用训练样本集训练模型。

步骤207，若训练后的模型识别测试样本集的准确率小于预设准确率阈值和/或召回率小于预设召回率阈值，则降低预设学习率，并按照降低后的预设学习率继续训练模型直至训练后的模型识别测试样本集的准确率大于或等于预设准确率阈值且召回率大于或等于预设召回率阈值为止。

按照预设学习率对模型进行训练后，利用测试样本集测试该模型的分类准确率和召回率，如果模型的识别准确率和召回率分别大于或等于预设的准确率和召回率阈值，则该模型完成训练，可以进一步利用该模型对待识别的心电图数据进行识别，而如果模型的识别准确率小于预设准确率阈值和/或识别召回率小于预设召回率阈值，则需要继续对模型进行训练，具体应用比原来的预设学习率更低的学习率进行训练，从而使模型的识别准确率和召回率满足阈值的训练终止条件。

例如，假设预设学习率为0.01，预设准确率和召回率阈值都为90％，可以先使用0.01的学习率训练模型5000遍，每遍包含训练样本集中随机抽取的50张心电图样本对应的数据，如果训练后的模型识别准确率和召回率中的至少一个低于90％，则再使用0.001的学习率训练模型2000遍，每遍包含训练样本集中随机抽取的50张心电图样本对应的数据，再测试训练后的模型的识别准确率和召回率，如果仍然没有都达到90％，可以再次降低学习率继续学习。

步骤208，对接收到的待识别的心电图数据进行采样率预处理，以使待识别的心电图数据的采样率与预设标准采样率一致；

步骤209，按照预设标准采样点阈值截取采样率预处理后的待识别的心电图数据，得到截取后的待识别的心电图数据；

步骤210，将截取后的待识别的心电图数据输入至训练后的模型中，得到待识别的心电图数据对应的心电图类型。

在上述步骤208至步骤210中，模型训练完成后，可以通过上述步骤实现对待识别的心电图的识别。具体地，接收到待识别的心电图数据后，与心电图样本数据的处理过程相似，先将样本数据的采样率处理为预设标准采样率，然后对样本数据进行截取保证其输入模型后不会产生数据维度不匹配的错误，最后将处理完成的待识别的心电图数据输入至训练好的模型当中，得到与待识别的心电图数据上的每个采样点对应的识别结果，其中每个采样点对应的识别结果应包括正常心率、心房纤颤、噪音的概率。

需要说明的是，待识别的心电图数据包含的采样点不能低于预设单位采样点阈值，采样点过少模型将无法对其进行识别。

另外，得到心电图的识别结果后，可以根据识别结果对心电图进行标注，例如第1到第1000个采样点的心房纤颤概率均高于其他正常心率和噪音的概率，第1001到第2000个采样点的正常心率概率高于心房纤颤和噪音的概率，那么就可以在第1到第1000个采样点上标注心房纤颤，在第1001到第2000个采样点上标注正常，或者对每种类型设置不同的标注颜色，第1到第1000个采样点用红色绘制，第1001到第2000个采样点用绿色绘制。

通过应用本实施例的技术方案，通过利用采样率预处理和截取后的心电图样本数据建立训练样本集和测试样本集，从而对UNet进行训练和测试使其达到预设准确率阈值和预设召回率阈值，进而当接收到待识别的心电图数据时，对其进行采样率预处理和截取后，输入至训练好的模型中可以实现对待识别的心电图的诊断。本申请有助于解决现有技术中依靠医务人员人工诊断心电图导致的效率低下以及容易因疲劳造成误诊的问题，提高了心电图的诊断效率和准确率，降低了医务人员的工作量。

进一步的，作为图1方法的具体实现，本申请实施例提供了一种心电图的识别装置，如图3所示，该装置包括：样本采样率处理模块31、样本集建立模块32、模型训练模块33、识别模块34。

样本采样率处理模块31，用于对心电图样本数据进行采样率预处理，以使心电图样本数据的采样率与预设标准采样率一致；

样本集建立模块32，用于根据采样率预处理后的心电图样本数据，建立训练样本集和测试样本集；

模型训练模块33，用于利用训练样本集训练UNet卷积神经网络模型，直至训练好的模型识别测试样本集的准确率大于或等于预设准确率阈值；

识别模块34，用于接收待识别的心电图数据，并利用训练好的模型识别待识别的心电图数据对应的心电图类型。

在具体的应用场景中，如图4所示，该装置还包括：样本截取模块35。

样本截取模块35，用于根据采样率预处理后的心电图样本数据，建立训练样本集和测试样本集之前，将采样率预处理后的心电图样本数据按照预设标准采样点阈值进行截取，得到截取后的心电图样本数据；

模型训练模块33，具体用于根据截取后的心电图样本数据，建立训练样本集和测试样本集。

在具体的应用场景中，如图4所示，预设标准采样点阈值为预设单位采样点阈值的任意正整数倍。样本截取模块35，具体包括：采样点数量获取单元351、采样点截取单元352。

采样点数量获取单元351，用于获取采样率预处理后的心电图样本数据的采样点数量；

采样点截取单元352，用于若采样点数量不等于预设标准采样点阈值，则计算小于采样点数量的最大预设标准采样点阈值，并在采样率预处理后的心电图样本数据中截取任意连续的与最大预设标准采样点阈值长度对应的数据段作为截取后的心电图样本数据。

在具体的应用场景中，如图4所示，识别模块34，具体包括：待识别心电图采样率处理单元341、待识别心电图截取单元342、识别单元343。

待识别心电图采样率处理单元341，用于对接收到的待识别的心电图数据进行采样率预处理，以使待识别的心电图数据的采样率与预设标准采样率一致；

待识别心电图截取单元342，用于按照预设标准采样点阈值截取采样率预处理后的待识别的心电图数据，得到截取后的待识别的心电图数据；

识别单元343，用于将截取后的待识别的心电图数据输入至训练后的模型中，得到待识别的心电图数据对应的心电图类型。

在具体的应用场景中，如图4所示，模型训练模块33，具体包括：第一模型训练单元331、第二模型训练单元332。

第一模型训练单元331，用于利用训练样本集，按照预设学习率对模型进行训练；

第二模型训练单元332，用于若训练后的模型识别测试样本集的准确率小于预设准确率阈值和/或召回率小于预设召回率阈值，则降低预设学习率，并按照降低后的预设学习率继续训练模型直至训练后的模型识别测试样本集的准确率大于或等于预设准确率阈值且召回率大于或等于预设召回率阈值为止。

在具体的应用场景中，如图4所示，样本采样率处理模块31，具体包括：

样本降采样单元311，用于若心电图样本数据的采样率大于预设标准采样率，则对心电图样本数据进行降采样处理，得到预设标准采样率的心电图样本数据；

样本升采样单元312，用于若心电图样本数据的采样率小于预设标准采样率，则对心电图样本数据进行升采样处理，得到预设标准采样率的心电图样本数据。

在具体的应用场景中，如图4所示，该装置还包括，样本获取模块36。

样本获取模块36，用于对心电图样本数据进行采样率预处理之前，获取采样时长大于或等于预设采样时长的心电图样本数据。

需要说明的是，本申请实施例提供的一种心电图的识别装置所涉及各功能单元的其他相应描述，可以参考图1和图2中的对应描述，在此不再赘述。

基于上述如图1和图2所示方法，相应的，本申请实施例还提供了一种存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述如图1和图2所示的心电图的识别方法。

基于这样的理解，本申请的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施场景所述的方法。

基于上述如图1、图2所示的方法，以及图3、图4所示的虚拟装置实施例，为了实现上述目的，本申请实施例还提供了一种计算机设备，具体可以为个人计算机、服务器、网络设备等，该计算机设备包括存储介质和处理器；存储介质，用于存储计算机程序；处理器，用于执行计算机程序以实现上述如图1和图2所示的心电图的识别方法。

可选地，该计算机设备还可以包括用户接口、网络接口、摄像头、射频(RadioFrequency，RF)电路，传感器、音频电路、WI-FI模块等等。用户接口可以包括显示屏(Display)、输入单元比如键盘(Keyboard)等，可选用户接口还可以包括USB接口、读卡器接口等。网络接口可选的可以包括标准的有线接口、无线接口(如蓝牙接口、WI-FI接口)等。

本领域技术人员可以理解，本实施例提供的一种计算机设备结构并不构成对该计算机设备的限定，可以包括更多或更少的部件，或者组合某些部件，或者不同的部件布置。

存储介质中还可以包括操作系统、网络通信模块。操作系统是管理和保存计算机设备硬件和软件资源的程序，支持信息处理程序以及其它软件和/或程序的运行。网络通信模块用于实现存储介质内部各组件之间的通信，以及与该实体设备中其它硬件和软件之间通信。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到本申请可以借助软件加必要的通用硬件平台的方式来实现，也可以通过硬件实现通过对心电图样本数据的采样率进行处理，根据处理后的心电图样本数据建立训练样本集以及测试样本集，从而利用训练样本集对UNet卷积神经网络模型进行训练，使得训练后的模型对测试样本集的识别准确率达到预设准确率阈值的标准，从而可以通过训练后的模型对新的待识别的心电图数据进行分类，识别心电图对应的类型。本申请与现有技术中依靠医护人员对心电图进行诊断分析容易因疲劳引发误诊相比，通过UNet模型对历史心电图数据进行学习从而利用学习好的模型实现心电图的自动诊断，提高了心电图的诊断效率和准确率，也节约了医护资源。

本领域技术人员可以理解附图只是一个优选实施场景的示意图，附图中的模块或流程并不一定是实施本申请所必须的。本领域技术人员可以理解实施场景中的装置中的模块可以按照实施场景描述进行分布于实施场景的装置中，也可以进行相应变化位于不同于本实施场景的一个或多个装置中。上述实施场景的模块可以合并为一个模块，也可以进一步拆分成多个子模块。

上述本申请序号仅仅为了描述，不代表实施场景的优劣。以上公开的仅为本申请的几个具体实施场景，但是，本申请并非局限于此，任何本领域的技术人员能思之的变化都应落入本申请的保护范围。

Claims (10)

1.一种心电图的识别方法，其特征在于，包括：

对心电图样本数据进行采样率预处理，以使所述心电图样本数据的采样率与预设标准采样率一致；

根据采样率预处理后的心电图样本数据，建立训练样本集和测试样本集；

利用所述训练样本集训练UNet卷积神经网络模型，直至训练好的模型识别所述测试样本集的准确率大于或等于预设准确率阈值；

接收待识别的心电图数据，并利用所述训练好的模型识别所述待识别的心电图数据对应的心电图类型。

2.根据权利要求1所述的方法，其特征在于，所述根据采样率预处理后的心电图样本数据，建立训练样本集和测试样本集之前，所述方法还包括：

将采样率预处理后的心电图样本数据按照预设标准采样点阈值进行截取，得到截取后的心电图样本数据；

所述根据采样率预处理后的心电图样本数据，建立训练样本集和测试样本集，具体包括：

根据所述截取后的心电图样本数据，建立训练样本集和测试样本集。

3.根据权利要求2所述的方法，其特征在于，所述预设标准采样点阈值为预设单位采样点阈值的任意正整数倍；

所述将采样率预处理后的心电图样本数据按照预设标准采样点阈值进行截取，得到截取后的心电图样本数据，具体包括：

获取所述采样率预处理后的心电图样本数据的采样点数量；

若所述采样点数量不等于所述预设标准采样点阈值，则计算小于所述采样点数量的最大预设标准采样点阈值，并在所述采样率预处理后的心电图样本数据中截取任意连续的与所述最大预设标准采样点阈值长度对应的数据段作为所述截取后的心电图样本数据。

4.根据权利要求3所述的方法，其特征在于，所述接收待识别的心电图数据，并利用所述训练好的模型识别所述待识别的心电图数据对应的心电图类型，具体包括：

对接收到的所述待识别的心电图数据进行采样率预处理，以使所述待识别的心电图数据的采样率与所述预设标准采样率一致；

按照所述预设标准采样点阈值截取采样率预处理后的待识别的心电图数据，得到截取后的待识别的心电图数据；

将所述截取后的待识别的心电图数据输入至训练后的模型中，得到所述待识别的心电图数据对应的心电图类型。

5.根据权利要求1至4中任一项所述的方法，其特征在于，所述利用所述训练样本集训练UNet卷积神经网络模型，直至训练好的模型识别所述测试样本集的准确率大于或等于预设准确率阈值，具体包括：

利用所述训练样本集，按照预设学习率对所述模型进行训练；

若训练后的所述模型识别所述测试样本集的准确率小于所述预设准确率阈值和/或召回率小于所述预设召回率阈值，则降低所述预设学习率，并按照降低后的预设学习率继续训练所述模型直至训练后的所述模型识别所述测试样本集的准确率大于或等于所述预设准确率阈值且召回率大于或等于所述预设召回率阈值为止。

6.根据权利要求1至4中任一项所述的方法，其特征在于，所述对心电图样本数据进行采样率预处理，具体包括：

若所述心电图样本数据的采样率大于所述预设标准采样率，则对所述心电图样本数据进行降采样处理，得到所述预设标准采样率的心电图样本数据；

若所述心电图样本数据的采样率小于所述预设标准采样率，则对所述心电图样本数据进行升采样处理，得到所述预设标准采样率的心电图样本数据。

7.根据权利要求1至4中任一项所述的方法，其特征在于，所述对心电图样本数据进行采样率预处理之前，所述方法还包括：

获取采样时长大于或等于预设采样时长的心电图样本数据。

8.一种心电图的识别装置，其特征在于，包括：

样本采样率处理模块，用于对心电图样本数据进行采样率预处理，以使所述心电图样本数据的采样率与预设标准采样率一致；

样本集建立模块，用于根据采样率预处理后的心电图样本数据，建立训练样本集和测试样本集；

模型训练模块，用于利用所述训练样本集训练UNet卷积神经网络模型，直至训练好的模型识别所述测试样本集的准确率大于或等于预设准确率阈值；

识别模块，用于接收待识别的心电图数据，并利用所述训练好的模型识别所述待识别的心电图数据对应的心电图类型。

9.一种存储介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现权利要求1至7中任一项所述的心电图的识别方法。

10.一种计算机设备，包括存储介质、处理器及存储在存储介质上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现权利要求1至7中任一项所述的心电图的识别方法。