发明内容
基于此,有必要针对上述技术问题,提供一种能够提高判断准确性的分类模型获取方法、HRV数据分类方法、装置及相关产品。
第一方面,本申请实施例提供一种分类模型获取方法,所述方法包括:
获取多个时段内的初始心率变异性HRV训练数据,和每个时段内的所述初始HRV训练数据对应的类别标签值;所述类别标签值用于表征一个时段是否发生呼吸暂停事件;
根据所述每个时段内的所述初始HRV训练数据,分别确定所述每个时段对应的前向HRV训练数据和后向HRV训练数据;所述前向HRV训练数据用于表征对应时段之前的HRV数据、所述后向HRV训练数据用于表征对应时段之后的HRV数据,所述前向HRV训练数据、所述后向HRV训练数据与对应时段内的所述初始HRV训练数据一一对应;
根据所述每个时段内的所述初始HRV训练数据、所述每个时段对应的所述前向HRV训练数据和所述后向HRV训练数据,确定所述每个时段对应的长时记忆HRV训练数据;
根据所述每个时段对应的所述长时记忆HRV训练数据和所述类别标签值,训练初始分类模型,得到目标分类模型。
第二方面,本申请实施例提供一种HRV数据分类方法,所述方法包括:
将待分类HRV数据输入目标分类模型,得到所述待分类数据的每个时段对应的所述类别标签值;所述目标分类模型包括如权利要求1-8所述的目标分类模型;
将所述待分类HRV数据的每个时段对应的所述类别标签值按照预设的时长范围进行统计,得到每个时长范围内的所述类别标签值的类别数量;
获取与所述类别数量匹配的类别区间,根据所述类别区间确定所述呼吸暂停事件的类别。
第三方面,本申请实施例提供一种分类模型获取装置,所述装置包括:
获取模块,用于获取多个时段内的初始心率变异性HRV训练数据,和每个时段内的所述初始HRV训练数据对应的类别标签值;所述类别标签值用于表征一个时段是否发生呼吸暂停事件;
数据生成模块,用于根据所述每个时段内的所述初始HRV训练数据,分别确定所述每个时段对应的前向HRV训练数据和后向HRV训练数据;所述前向HRV训练数据用于表征对应时段之前的HRV数据、所述后向HRV训练数据用于表征对应时段之后的HRV数据,所述前向HRV训练数据、所述后向HRV训练数据与对应时段内的所述初始HRV训练数据一一对应;
数据关联模块,用于根据所述每个时段内的所述初始HRV训练数据、所述每个时段对应的所述前向HRV训练数据和所述后向HRV训练数据,确定所述每个时段对应的长时记忆HRV训练数据;
处理模块,用于根据所述每个时段对应的所述长时记忆HRV训练数据和所述类别标签值,训练初始分类模型,得到目标分类模型。
第四方面,本申请实施例提供一种HRV数据分类装置所述装置包括:
标记模块,用于将待分类HRV数据输入目标分类模型,得到所述待分类数据的每个时段对应的所述类别标签值;所述目标分类模型包括如权利要求1-8所述的目标分类模型;
统计模块,用于将所述待分类HRV数据的每个时段对应的所述类别标签值按照预设的时长范围进行统计,得到每个时长范围内的所述类别标签值的类别数量;
分类模块,用于获取与所述类别数量匹配的类别区间,根据所述类别区间确定所述呼吸暂停事件的类别。
第五方面,本申请实施例提供一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现以下步骤:
获取多个时段内的初始心率变异性HRV训练数据,和每个时段内的所述初始HRV训练数据对应的类别标签值;所述类别标签值用于表征一个时段是否发生呼吸暂停事件;
根据所述每个时段内的所述初始HRV训练数据,分别确定所述每个时段对应的前向HRV训练数据和后向HRV训练数据;所述前向HRV训练数据用于表征对应时段之前的HRV数据、所述后向HRV训练数据用于表征对应时段之后的HRV数据,所述前向HRV训练数据、所述后向HRV训练数据与对应时段内的所述初始HRV训练数据一一对应;
根据所述每个时段内的所述初始HRV训练数据、所述每个时段对应的所述前向HRV训练数据和所述后向HRV训练数据,确定所述每个时段对应的长时记忆HRV训练数据;
根据所述每个时段对应的所述长时记忆HRV训练数据和所述类别标签值,训练初始分类模型,得到目标分类模型。
第六方面,本申请实施例提供一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现以下步骤:
将待分类HRV数据输入目标分类模型,得到所述待分类数据的每个时段对应的所述类别标签值;所述目标分类模型包括如上述各实施例所述的目标分类模型;
将所述待分类HRV数据的每个时段对应的所述类别标签值按照预设的时长范围进行统计,得到每个时长范围内的所述类别标签值的类别数量;
获取与所述类别数量匹配的类别区间,根据所述类别区间确定所述呼吸暂停事件的类别。
第七方面,本申请实施例提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现以下步骤:
获取多个时段内的初始心率变异性HRV训练数据,和每个时段内的所述初始HRV训练数据对应的类别标签值;所述类别标签值用于表征一个时段是否发生呼吸暂停事件;
根据所述每个时段内的所述初始HRV训练数据,分别确定所述每个时段对应的前向HRV训练数据和后向HRV训练数据;所述前向HRV训练数据用于表征对应时段之前的HRV数据、所述后向HRV训练数据用于表征对应时段之后的HRV数据,所述前向HRV训练数据、所述后向HRV训练数据与对应时段内的所述初始HRV训练数据一一对应;
根据所述每个时段内的所述初始HRV训练数据、所述每个时段对应的所述前向HRV训练数据和所述后向HRV训练数据,确定所述每个时段对应的长时记忆HRV训练数据;
根据所述每个时段对应的所述长时记忆HRV训练数据和所述类别标签值,训练初始分类模型,得到目标分类模型。
第八方面,本申请实施例提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现以下步骤:
将待分类HRV数据输入目标分类模型,得到所述待分类数据的每个时段对应的所述类别标签值;所述目标分类模型包括如上述各实施例所述的目标分类模型;
将所述待分类HRV数据的每个时段对应的所述类别标签值按照预设的时长范围进行统计,得到每个时长范围内的所述类别标签值的类别数量;
获取与所述类别数量匹配的类别区间,根据所述类别区间确定所述呼吸暂停事件的类别。
上述分类模型获取方法、HRV数据分类方法、装置、计算机设备和存储介质,通过计算机设备获取多个时段内的HRV训练数据和每个时段内的初始HRV训练数据对应的类别标签值,然后根据每个时段内的初始HRV训练数据,分别确定每个时段对应的前向HRV训练数据和后向HRV训练数据。其中,类别标签值用于表征一个时段是否发生呼吸暂停事件,前向HRV训练数据用于表征对应时段之前的HRV数据、后向HRV训练数据用于表征对应时段之后的HRV数据,且前向HRV训练数据、后向HRV训练数据与对应时段内的初始HRV训练数据一一对应。基于此,计算机设备再根据每个时段内的初始HRV训练数据、每个时段对应的前向HRV训练数据和后向HRV训练数据,确定每个时段对应的长时记忆HRV训练数据。由于呼吸暂停事件是一个连续的过程,该长时记忆HRV训练数据能够将其前后时刻的HRV数据进行关联,因此根据每个时段对应的长时记忆HRV训练数据和每个时段的类别标签值,训练初始分类模型所得到的目标分类模型,能够结合每个时段内以及其前后时段的HRV数据对其进行分类,其避免了单独针对一个时段的HRV数据直接进行分类可能导致的分类依据单一可能导致的不准确的问题。该目标分类模型能够基于每个时段的长期记忆HRV数据进行分类,从而使得每个时段的分类结果与其前后时段的数据具有关联性,进而将呼吸暂停事件作为一个连续的事件进行评估,因此极大的提高了HRV数据分类的有效性以及分类结果的准确性。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
本申请实施例提供的分类模型获取方法和心率变异性(Heart ratevariability,简称HRV)数据分类方法,可以适用于图1所示的计算机设备。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、数据库、显示屏和输入装置。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储下述实施例中的初始分类模型或者目标分类模型,有关初始分类模型或者目标分类模型的具体描述参见下述实施例中的具体描述。该计算机设备的网络接口可以用于与外部的其他设备通过网络连接通信。可选的,该计算机设备可以是服务器,可以是台式机,可以是个人数字助理,还可以是其他的终端设备,例如平板电脑、手机等等,还可以是云端或者远程服务器,本申请实施例对计算机设备的具体形式并不做限定。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏,该计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。当然,输入装置和显示屏也可以不属于计算机设备的一部分,可以是计算机设备的外接设备。
本领域技术人员可以理解,图1中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
下面以具体的实施例对本申请的技术方案以及本申请的技术方案如何解决上述技术问题进行详细说明。下面这几个具体的实施例可以相互结合,对于相同或相似的概念或过程可能在某些实施例中不再赘述。下面将结合附图,对本申请的实施例进行描述。
需要说明的是,下述方法实施例的执行主体分别可以是分类模型获取装置和HRV数据分类装置,该装置可以通过软件、硬件或者软硬件结合的方式实现成为上述计算机设备的部分或者全部。下述方法实施例以执行主体为计算机设备为例进行说明。
图2为一个实施例提供的分类模型获取方法的流程示意图。本实施例涉及的是计算机设备根据初始HRV数据和对应的类别标签值,经过训练得到目标分类模型的具体过程。如图2所示,该方法可以包括:
S101、获取多个时段内的初始HRV训练数据和每个时段内的所述初始HRV训练数据对应的类别标签值;所述类别标签值用于表征一个时段是否发生呼吸暂停事件。
具体的,计算机设备获取多个时段内的初始HRV训练数据,其可以是首先对ECG数据进行R波检测,然后计算RR间隔,进而获得数据,也可以是读取其他数据库存储的数据,本实施例对获取初始HRV训练数据的方式不作限定。上述初始HRV训练数据为按照预先设定的时段划分的数据,例如,设定的时段为一分钟的时候,每个时段内的初始HRV训练数据,该初始HRV训练数据可用于表征一分钟内的心率特征。上述初始HRV训练数据可以是多个连续时段的数据,也可以是存在相互间隔的不同时段内的数据,只要初始HRV训练数据是依照时间顺序排列即可。
上述每个时段的初始HRV训练数据均具有其类别标签值,该类别标签值可以依据取值的不同来表征该时段是否发生了呼吸暂停事件。该类别标签值可以是数字标签值、字母标签值、文字标签值等类型。可选地,当类别标签值为数字标签值的时候,其可以包括0和1,其中,用1表示该时段内发生了呼吸暂停事件,用0表示该时段内没有发生呼吸暂停事件。可选地,当类别标签值为字母标签值或者文字标签值的时候,其还可以将字母标签值或者文字标签值转化为对应的数字标签值进行处理,例如字母标签值包括A和B,计算机设备可以将表征没有发生呼吸暂停事件的字母标签值A转化成0,将表征发生呼吸暂停事件的字母标签值B转化成1。
可选地,上述类别标签值可以是人工对每个时段的初始HRV训练数据进行标注得到的;也可以是计算机设备基于人工对连续的初始HRV训练数据中呼吸暂停事件进行标注的起止点进行识别,并根据识别出来的每个时段内的初始HRV训练数据和所标注的起止点的位置进行判断、标注得到的。例如,技术人员对连续的初始HRV训练数据中表征呼吸暂停事件的部分进行标注,确定出具有起止点的多个初始HRV训练数据片段,如果每个时段的初始HRV训练数据位于一个初始HRV训练数据片段的起点和终止点中间,则确定该时段的初始HRV训练数据的类别标签值为发生了呼吸暂停事件的数值,反之则确定其类别标签值为未发生呼吸暂停事件的数值,本实施例对类别标签值的获取方式也不做限定。
需要说明的是,上述初始HRV数据可以包括但不限于如下参数:间期平均值(meanof RR intervals,简称Mean RR)、相邻RR间期之间差的绝对值的平均值(mean successivedifferences,简称MSD)、RR间期标准差均值(RR interphase sd means,简称Mean SD)、窦性心搏指数(standard deviation of normal to normal intervals,简称SDNN)、全时段(通常是五分钟)RR间期的平均值的标准差(Standard deviation of the average of NNintervals in alls minutes of the entire recording,简称SDANN)、窦性相邻RR间期之间差值超过50毫秒的心搏数与RR间期总心搏数的比值(Percent of NN 50 in the totalnumber of RR intervals,简称PNN50)、全部RR间期差值的标准差(Standard deviationof Successive Difference between adjacent cycles,简称SDSD)、超低频(Ultra-LowFrequency,简称ULF)、极低频(Very Low Frequency,简称VLF)、高频(High-Frequency,简称HF)和低频(Low-Frequency,简称LF)。
S102、根据所述每个时段内的所述初始HRV训练数据,分别确定所述每个时段对应的前向HRV训练数据和后向HRV训练数据;所述前向HRV训练数据用于表征对应时段之前的HRV数据、所述后向HRV训练数据用于表征对应时段之后的HRV数据,所述前向HRV训练数据、所述后向HRV训练数据与对应时段内的所述初始HRV训练数据一一对应。
具体的,计算机设备可以确定其中一个时段作为目标时段,然后根据这个目标时段之前的HRV数据计算该目标时段对应的前向HRV训练数据。例如计算机设备可以将该目标时段之前相邻的HRV数据作为其对应的前向HRV训练数据;另外,为了提高后续分类准确性,也可以是将目标时段之前相邻几个时段的数据的平均值作为其对应的前向HRV训练数据,还可以是将目标时段之前的数据进行加权求平均,得到上述前向HRV训练数据,对此本实施例不做限定。当计算机设备将目标时段之前相邻几个时段的数据的平均值作为其对应的前向HRV训练数据时,其能够几个多个目标时段之前的时段的数据,因此能够得到具有长期记忆的前向HRV训练数据,进而使得数据之间的关联性更前,进一步提高了后续分类的准确性。基于此,该前向HRV训练数据能够表征目标时段之前的数据的特征。
同样的,计算机设备还可以根据前向HRV训练数据的确定方法,采用目标时段之后的数据计算得到目标时段对应的后向HRV训练数据。采用该方法,计算机设备可以得到每个时段对应的前向HRV训练数据和后向HRV训练数据,且每个时段所对应的前向HRV训练数据、后向HRV训练数据和该时段内的初始HRV训练数据具有一一对应的关系。可选地,当需要选取的数据的长度不满足要求的时候,可以通过补零的方式以满足数据选取的要求。例如需要确定第一个时段的前向HRV训练数据,还可以是将第一个时段之前的数据补零之后再进行计算。
S103、根据所述每个时段内的所述初始HRV训练数据、所述每个时段对应的所述前向HRV训练数据和所述后向HRV训练数据,确定所述每个时段对应的长时记忆HRV训练数据。
具体的,计算机设备可以将每个时段内的初始HRV训练数据,以及该时段对应的前向HRV训练数据和后向HRV训练数据进行关联,得到每个时段对应的新的训练数据。由于新的训练数据能够结合对应时段的前后时段的数据,因而将其作为每个时段对应的长期记忆HRV训练数据,能够使得前后的数据之间的关联性更强。可选地,计算机设备可以是将每个时段内的初始HRV训练数据,以及每个时段对应的前向HRV训练数据和后向HRV训练数据求解平均值,将所得到的均值作为长时记忆HRV训练数据;也可以是将每个时段内的初始HRV训练数据,以及每个时段对应的前向HRV训练数据和后向HRV训练数据组合,生成数据量更大的长时记忆HRV训练数据,对此本实施例也不做限定,只要是能够得到表征每个时段及其前后数据特征的长时记忆HRV训练数据即可。当计算机设备将每个时段内的初始HRV训练数据,以及每个时段对应的前向HRV训练数据和后向HRV训练数据组合,生成数据量更大的长时记忆HRV训练数据,该长时记忆HRV训练数据能够更为丰富和完整表达心率的特性,并能够体现长期的数据之间的关联性和相互影响,进而使得后续分类结果更为准确和合理。
S104、根据所述每个时段对应的所述长时记忆HRV训练数据和所述类别标签值,训练初始分类模型,得到目标分类模型。
具体的,计算机设备将上述每个时段对应的长期记忆HRV训练数据输入初始分类模型,该初始分类模型经过分析处理,并迭代反馈训练上述初始分析模型,直至输出的分类结果与类别标签值匹配,并将当前的模型作为目标分类模型。可选地,上述分类结果与类别标签值匹配可以是二者的值一致,也可以是二者的差值小于一定的范围,还可以是二者的损失函数输出值满足一定的阈值范围。
需要说明的是,上述初始分类模型可以为深度神经网络模型,即DNN模型,还可以为支持向量机(support vector machine,简称SVM)模型、或者随机森林(Random Forest,简称RF)模型等等,本实施例对上述模型的种类并不做限定。当初始分类模型为DNN模型的时候,调整其参数包括但不限于调整其神经网络的层数、每一层神经网络的神经元个数、输入数据的维度以及各个数据的权重系数;可选地,其调整方式可以是梯度调整,即按照一定的步进依次调整进行训练,也可以是随机调整,对此本实施例不做限定。
本实施例中,计算机设备获取多个时段内的初始HRV训练数据及其对应的类别标签值,然后根据每个时段内的初始HRV训练数据,分别确定每个时段对应的前向HRV训练数据和后向HRV训练数据。其中,类别标签值用于表征一个时段是否发生呼吸暂停事件,前向HRV训练数据用于表征对应时段之前的HRV数据、后向HRV训练数据用于表征对应时段之后的HRV数据,且前向HRV训练数据、后向HRV训练数据与对应时段内的初始HRV训练数据一一对应。基于此,计算机设备再根据每个时段内的初始HRV训练数据、每个时段对应的前向HRV训练数据和后向HRV训练数据,确定每个时段对应的长时记忆HRV训练数据。由于呼吸暂停事件是一个连续的过程,该长时记忆HRV训练数据能够将其前后时刻的HRV数据进行关联,因此根据每个时段对应的长时记忆HRV训练数据和每个时段的类别标签值,训练初始分类模型所得到的目标分类模型,能够结合每个时段内以及其前后时段的HRV数据对其进行分类,其避免了单独针对一个时段的HRV数据直接进行分类可能导致的分类依据单一可能导致的不准确的问题。该目标分类模型能够基于每个时段的长期记忆HRV数据进行分类,从而使得每个时段的分类结果与其前后时段的数据具有关联性,进而将呼吸暂停事件作为一个连续的事件进行评估,因此极大的提高了HRV数据分类的有效性以及分类结果的准确性。
图3为另一个实施例提供的分类模型获取方法的流程示意图。本实施例涉及的是计算机设备根据每个时段内的初始HRV训练数据,分别确定对应的前向HRV训练数据和后向HRV训练数据的具体过程。可选地,在上述图2所示的实施例的基础上,步骤S102的一种可能的实现方法可以包括如下S201和S202中的至少一个:
S201、获取目标时段之前的M个时段的所述初始HRV训练数据,将所述M个时段的所述初始HRV训练数据按照预设的权重系数进行加权求和,得到所述目标时段之前的所述前向HRV训练数据。
具体的,计算机设备可以将获取目标时段之前且与目标时段相邻的一个或多个时段的初始HRV训练数据,这里将目标时段之前的初始HRV训练数据的时段的个数用取值为M的自然数来表示。计算机设备将这M个时段的初始训练数据进行加权求和,即每个时段分别乘以其对应的权重系数之后再求和,从而得到前向HRV训练数据。通常,M可以设置为5,以此兼顾数据的合理性和计算效率。可选地,该权重系数可以是预先根据经验值设置的,还可以是根据一定量的数据样本对经验值进行修正得到。通常由于越靠近目标时段的数据与目标时段的数据关联性更强,因此越靠近目标时段的时段所对应的权重系数较大;反之越远离目标时段的数据由于与目标时段的数据关联性较弱,因此远离目标时段的时段所对应的权重系数较小。
可选地,计算机设备可以通过公式
或者该公式的变形得到前向HRV训练数据。其中,Db为前向HRV训练数据,k为向前取值的时段个数,其取值为M,i为与目标时段相距的时段的个数,例如其相邻的时段则i取1,次相邻的时段则i取2,D
n-i为n-i时段对应的数据,λ
i为n-i时段对应的权重系数。
S202、获取所述目标时段之后的N个时段的所述初始HRV训练数据,将所述N个时段的所述初始HRV训练数据按照预设的权重系数进行加权求和,得到所述目标时段之后的所述后向HRV训练数据。
具体的,计算机设备可以将获取目标时段之后且与目标时段相邻的一个或多个时段的初始HRV训练数据,这里将目标时段之后的初始HRV训练数据的时段的个数用取值为N的自然数来表示。计算机设备将这N个时段的初始训练数据进行加权求和,即每个时段分别乘以其对应的权重系数之后再求和,从而得到后向HRV训练数据。通常,N可以与M取相同的自然数,例如可以设置为5,以此兼顾数据的合理性和计算效率,当然N也可以为与M不同的自然数,本实施例对此不做限定。有关权重系数的描述可以参见上述S201中的权重系数的描述,此处不再赘述。
可选地,计算机设备可以通过公式
或者该公式的变形得到后向HRV训练数据。其中,Da为后向HRV训练数据,k为向后取值的时段个数,其取值为N,i为与目标时段相距的时段的个数,例如其相邻的时段则i取1,次相邻的时段则i取2,D
n+i为n+i时段对应的HRV数据,λ
i为n+i时段对应的权重系数。
采用上述方法,计算机设备可以根据每个时段的初始HRV训练数据,得到其对应的前向HRV训练数据和后向HRV训练数据。
本实施例中,计算机设备能够获取目标时段之前的M个时段的初始HRV训练数据,并将M个时段的初始HRV训练数据按照预设的权重系数进行加权求和,从而得到的前向HRV训练数据能够基于表征数据关联性强弱的权重系数,因此使得该前向HRV训练数据更加合理。另外,计算机设备还能够获取目标时段之后的N个时段的初始HRV训练数据,并将这N个时段的初始HRV训练数据按照预设的权重系数进行加权求和,从而得到的后向HRV训练数据能够基于表征数据关联性强弱的权重系数,因此使得该后向HRV训练数据更加合理。基于此,计算机设备通过上述前向HRV训练数据和后向HRV训练数据中的任意一个,能够生成更为合理表征数据前后关联性的长期记忆HRV训练数据,并以此对初始分类模型进行训练,进而使得所训练的目标分类模型更加精准,进一步提高了HRV数据分类的准确性。
可选地,在上述各个实施例的基础上,上述S301的一种可能的实现方式还可以包括:将所述每个时段对应的所述前向HRV训练数据、所述每个时段内的所述初始HRV训练数据和所述每个时段对应的所述后向HRV训练数据串联合并,得到所述每个时段对应的所述长时记忆HRV训练数据。具体的,计算机设备将每个时段对应的前向HRV训练数据、初始HRV训练数据和后向HRV训练数据按照时间顺序串联起来,实现数据合并,从而得到每个时段对应的长时记忆HRV训练数据。需要说明的是,原始的每个时段的HRV数据可以用向量D表示,该向量D的数据长度为L,则上述前向HRV训练数据和后向HRV训练数据的数据长度也为L,通过将其进行串联合并,得到的长时记忆HRV数据的长度则为3L。本实现方式中,计算机设备通过将上述每个时段对应的前向HRV训练数据、每个时段内的初始HRV训练数据和每个时段对应的后向HRV训练数据串联合并,得到每个时段对应的长时记忆HRV训练数据,该方法增加了数据的维度,对于心率特征的表征更加丰富,进而使得所训练的目标分类模型更加合理和精准,因此进一步提高了HRV数据分类的准确性和合理性。
图4为又一个实施例提供的分类模型获取方法的流程示意图。本实施例涉及的是计算机设备对于前向HRV训练数据和后向HRV训练数据进行数据处理的具体过程。可选地,在上述各个实施例的基础上,步骤S102之后,还可以包括:
S301、分别判断所述每个时段内的所述初始HRV训练数据、所述前向HRV训练数据和所述后向HRV训练数据的维度数量是否满足预设的维度数量要求。
计算机设备分别判断每个时段内的初始HRV训练数据、以及对应的前向HRV训练数据和后向HRV训练数据的维度数量,是否满足预设的维度数量要求。通常,HRV数据为一个向量,其中包括多个维度的数据,该维度的数量正常情况下在一次计算中为固定值,这个固定值作为满足计算条件的维度数量要求。可选地,该维度数量要求还可以根据需要进行调整。由于存在数据选取时可能为最前端或者最末端的数据,因此导致上述初始HRV训练数据、以及对应的前向HRV训练数据和后向HRV训练数据的维度数量可能小于上述固定值的情况。
S302、若所述每个时段内的所述初始HRV训练数据、所述前向HRV训练数据和所述后向HRV训练数据中存在不满足所述维度数量要求的数据,则按照所述维度数量要求对不满足所述维度数量要求的数据补零,生成新的所述每个时段内的所述初始HRV训练数据、所述前向HRV训练数据和所述后向HRV训练数据中的至少一个。
具体的,当上述初始HRV训练数据、前向HRV训练数据和后向HRV训练数据中存在不满足上述维度数量要求的数据时,例如存在维度数量小于上述固定值的数据时,则将不满足维度数量要求的数据用零补齐,以使得新的每个时段内的初始HRV训练数据、前向HRV训练数据和后向HRV训练数据中的任意一个,的数据维度数量符合计算要求,之后执行上述S102。可选地,当每个时段内的初始HRV训练数据、前向HRV训练数据和后向HRV训练数据均满足维度数量要求,则继续执行上述S102。
本实施例中,计算机设备还可以分别判断每个时段内的初始HRV训练数据、前向HRV训练数据和后向HRV训练数据的维度数量是否满足预设的维度数量要求,并且在其中存在不满足上述维度数量要求的时候,对其进行补零,以使得新的初始HRV训练数据、前向HRV训练数据和后向HRV训练数据的数据维度数量满足后续计算要求,避免了由于维度数据数量异常可能导致的处理中断或者处理结果偏差过大等情况,其进一步使得上述初始HRV训练数据、前向HRV训练数据和后向HRV训练数据的应用灵活性增强,减少了数据处理中异常情况的概率以及确保了数据处理的准确性。
图5为又一个实施例提供的分类模型获取方法的流程示意图。本实施例涉及的是计算机设备根据每个时段对应的长时记忆HRV训练数据和类别标签值,训练得到目标分类模型的具体过程。可选地,在上述各个实施例的基础上,如图5所示,S104还可以包括:
S401、将所述长时记忆HRV训练数据进行预处理,得到长时记忆HRV标准化训练数据。
具体的,计算机设备将每个时段对应的长时记忆HRV训练数据进行预处理,可选地,该预处理包括但不限于归一化,数据长度剪裁或者数据长度补零等操作。通过对上述长时记忆HRV训练数据进行预处理,从而得到标准化的长时记忆HRV标注化训练数据。该标准化HRV训练数据能够更利于计算机设备进行识别和处理。
S402、将所述长时记忆HRV标准化训练数据输入初始分类模型,得到所述每个时段对应的初始分类结果,并根据所述初始分类结果和所述每个时段对应的所述类别标签值,训练所述初始分类模型,得到所述目标分类模型。
具体的,计算机设备将长时记忆HRV标准化训练数据输入初始分类模型,该初始分类模型可以输出对应的初始分类结果。之后计算机设备将初始分类结果与对应时段的类别标签值进行对比,如果二者匹配的,则将当前的初始分类模型作为目标分类模型,如果二者不匹配,则调整上述初始分类模型的参数,并重新输出这个长时记忆HRV标准化训练数据的初始分类结果,并再次将初始分类结果和其对应的类别标签值进行对比,如果仍然不匹配,则继续调整上述初始分类模型的参数,直至输出的分类结果与对应的类别标签值匹配为止,并将当前的模型作为训练好的目标分类模型。
例如,计算机设备将一个时段对应的长时记忆HRV标准化训练数据输入初始分类模型,该初始分类模型输出对应的初始分类结果为1,即表示发生了呼吸暂停事件,且该时段对应的初始HRV训练数据的类别标签值也为1,则表示该初始分类结果与对应的类别标签值匹配;当计算机设备输出的初始分类结果为0,表示未发生呼吸暂停事件,而该时段对应的初始HRV训练数据的类别标签值为1,则表示该初始分类结果与对应的类别标签值并不匹配,此时则需要调整上述初始分类模型的参数,直至输出的分类结果为1为止,得到目标分类模型。
本实施例中,计算机设备将长时记忆HRV训练数据进行预处理,得到长时记忆HRV标准化训练数据,该标准化的长时记忆HRV标准化训练数据更利于计算机设备进行识别和处理,采用该长时记忆HRV标准化训练数据输入初始分类模型,得到每个时段对应的初始分类结果,并根据初始分类结果和每个时段对应的类别标签值,训练初始分类模型,得到目标分类模型,其避免了数据异常和不规范可能导致的数据处理异常的情况,该长时记忆HRV标准化训练数据能够使得确保了数据处理的准确性,进而提高了模型训练的效率和目标分类模型的准确性。
图6为又一个实施例提供的分类模型获取方法的流程示意图。本实施例涉及的是计算机设备获取多个时段内的初始HRV训练数据和每个时段内的初始HRV训练数据对应的类别标签值的具体过程。可选地,在上述各个实施例的基础上,如图6所示,S101还可以包括:
S501、对初始ECG训练数据按照时间段进行分割,得到多个时段的所述ECG训练数据。
具体的,计算机设备可以获取采集设备采集的初始ECG训练数据,也可以读取数据库中存储的初始ECG训练数据,然后对所获取的初始ECG训练数据按照时间段进行分割,例如按照一分钟为单位进行分割,从而将上述初始ECG训练数据划分为多个时段的ECG训练数据。
S502、将每个时段内的所述ECG训练数据进行处理,得到多个时段内的所述初始HRV训练数据。
具体的,计算机设备将上述每个时段内的ECG训练数据进行处理,得到对应的多个时段的初始HRV训练数据。
S503、获取所述初始HRV训练数据的类别标注信息;所述类别标注信息用于表征HRV数据中呼吸暂停事件的发生时间。
具体的,计算机设备还可以获取HRV训练数据中的类别标注信息,该类别标注信息可以是技术人员进行人工标注的、表征HRV数据中发生呼吸暂停事件的发生时间,例如可以是起始时刻和终止时刻,也可以是发生呼吸暂停事件的时刻点。
S504、根据所述类别标注信息,确定所述多个时段内的每一时刻对应的所述类别标签值。
计算机设备根据上述类别标注信息确定出上述多个时段内的每一时刻对应的类别标签值。例如当一个时刻落入发生呼吸暂停事件的发生时间段内,即一个起始时刻和对应的终止时刻之间,或者是该时刻的类别标注信息为发生呼吸暂停事件,则将当前时刻的类别标签值确定为表征发生了呼吸暂停事件的类别标签值,反之则将当前时刻的类别标签值确定为表征未发生呼吸暂停事件的类别标签值。基于此,得到上述多个时段的每一时刻所对应的类别标签值。
S505、根据每一时刻的所述类别标签值和预设的类别数量阈值,确定所述每个时段的所述类别标签值。
具体的,计算机设备将上述每个时段内的所有时刻的类别标签值分别进行统计,然后将每个时段的统计结果和预设的类别数量阈值进行对比,并根据对比的结果确定每个时段的类别标签值。
可选地,本步骤的一种可能实现方式可以包括:若目标时段内的各个时刻的所述类别标签值为第一值的数量大于或等于所述类别数量阈值,则确定目标时段的所述类别标签值为所述第一值;若所述目标时段内的各个时刻的所述类别标签值为所述第一值的数量小于所述类别数量阈值,则确定目标时段的所述类别标签值为第二值;所述第一值用于表征发生呼吸暂停事件;所述第二值用于表征未发生呼吸暂停事件。
具体的,计算机设备判断目标时段内每一时刻的类别标签值为第一值的数量大于或等于上述类别数量阈值,则确定该目标时段对应的类别标签值为第一值,该第一值表征这个时段发生了呼吸暂停事件,可选地,该第一值可以为1;当目标时段内的每一时刻的类别标签值为第一值的数量小于上述类别数量阈值,则确定该目标时段对应的类别标签值为第二值,该第二值表征这个时段并没有发生呼吸暂停事件,可选地,该第二值可以为0。例如,在一分钟这个时段内,类别标签值为1的秒数为15,其超过了预设的10这个类别数量阈值,则确定这一分钟对应的类别标签值为1,这一分钟为发生呼吸暂停事件的时段;如果在一分钟内,类别标签值为1的描述为5,冰还没有后超过10这个类别数量阈值,则确定这一分钟对应的类别标签值为0,这一分钟为没有发生呼吸暂停事件的时段。
本实现方式中,计算机设备能够基于每个时段内的每一时刻的类别标签值和类别数量阈值的大小关系,在类别标签值的时刻数量大于或等于类别数量阈值的时候,将该时段对应的类别标签值确定为表征发生呼吸暂停事件的第一值,以及在类别标签值的时刻数量小于类别数量阈值的时候,将该时段对应的类别标签值确定为表征没有发生呼吸暂停事件的第二值,从而能够基于每一时刻是否发生呼吸暂停事件的信息,以及一个时段内发生呼吸暂停事件的次数的多少来确定每个时段是否为发生呼吸暂停事件的时段,使得所确定的每个时段对应的类别标签值更为准确。
本实施例中,计算机设备对初始ECG训练数据按照时间段进行分割,得到多个时段的ECG训练数据,然后将每个时段内的ECG训练数据进行处理,得到多个时段内的初始HRV训练数据,同时获取初始HRV训练数据的类别标注信息,并根据类别标注信息,确定多个时段内的每一时刻对应的类别标签值,最后根据每一时刻的类别标签值和预设的类别数量阈值,确定每个时段的类别标签值。其中,由于类别标注信息能够表征对应的HRV数据中呼吸暂停事件的起始时刻,因此计算机设备能够基于类别标注信息确定出每一时刻对应的类别标签值,最后基于每一时刻的类别标签值确定出表征每个时段是否为发生呼吸暂停事件的类别标签值,其全面结合了每一时刻是否发生呼吸暂停事件的信息,进而使得所确定的每个时段的类别标签值更为准确和全面。
可选地,在上述实施例的基础上,所述方法还可以如图7所示,包括:
S601、将每一时段对应的所述类别标签值进行统计。
具体的,计算机设备分别将每一时段对应的类别标签值进行统计,从而可以得到类别标签值为第一值的时段的数量。可选地,还可以得到每一时段内的类别标签值为第二值的时段的数量。
S602A、若所述类别标签值为所述第一值的时段数量与所述类别标注信息所表征的呼吸暂停事件的时间段数量匹配,则执行所述根据所述每个时段内的所述初始HRV训练数据,分别确定所述每个时段对应的前向HRV训练数据和后向HRV训练数据的步骤。
具体的,计算机设备可以根据类别标注信息确定标注的呼吸暂停事件所发生的次数,即发生呼吸暂停事件的时间段的数量,然后将类别标签值为第一值的时段数量与呼吸暂停事件的时间段数量进行对比,如果匹配,则执行上述步骤S102。需要说明的是,类别标签值为第一值的时段数量与呼吸暂停事件的时间段数量匹配,其可以是二者的数量一致,也可以是二者的数量差值小于一定的阈值或者处于一定的数值范围。例如,计算机设备可以根据类别标注信息中的呼吸暂停事件发生的起止点确定出发生呼吸暂停事件的时间段的数量,即一个起始点和一个终止点之间作为一个呼吸暂停事件的时间段。如果,计算机设备确定出的发生呼吸暂停事件的时间段的数量为5,且计算机设备统计出的类别标签值为1,即发生呼吸暂停事件的时段数量为6,二者的数量差值满足预设的正负2的数值范围,则确定二者匹配。
S602B、若所述类别标签值为所述第一值的时段数量与所述类别标注信息所表征的呼吸暂停事件的时间段数量不匹配,则调整所述类别数量阈值,直至所述类别标签值为所述第一值的时段数量与所述呼吸暂停事件的时间段数量匹配为止。
具体的,计算机设备还可以在每一时段内类别标签值为第一值的时刻数量与呼吸暂停事件的时间段数量不匹配的时候,逐步调整上述类别数量阈值,直至所统计得到的使得类别标签值为所述第一值的时段数量与所述呼吸暂停事件的时间段数量匹配位置。例如,当计算机设备确定出的发生呼吸暂停事件的时间段的数量为5,计算机设备统计出的类别标签值为1的时段数量为10,二者的数量差值无法满足预设的正负2的数值范围,则确定二者不匹配,此时计算机设备可以调整上述类别数量阈值。当一个时段内类别标签值为第一值的时段数量相比发生呼吸暂停事件的时间段的数量相比过大时,则将类别数量阈值减小,此时部分原本对应第一值的时段则变为对应第二值,二者的差值会缩小;当一个时段内类别标签值为第一值的时段数量,相比发生呼吸暂停事件的时间段的数量相比过小时,则将类别数量阈值增大,此时部分原本对应第二值的时段则变为对应第一值,因此类别标签值为第一值的时段数量会增加,二者的差值缩小,进而满足要求。当二者匹配的时候,则认为计算机设备所确定的呼吸暂停次数与类别标注信息所表征的呼吸暂停次数的接近,此时认为上述类别数量阈值设置合理。
本实施例中,计算机设备将每一时段对应的类别标签值进行统计,在类别标签值为第一值的时段数量与类别标注信息所表征的呼吸暂停事件的时间段数量匹配的时候,根据每个时段内的初始HRV训练数据,分别确定每个时段对应的前向HRV训练数据和后向HRV训练数据,以及在类别标签值为第一值的时段数量与类别标注信息所表征的呼吸暂停事件的时间段数量不匹配的时候,通过调整类别数量阈值,直至类别标签值为第一值的时段数量与呼吸暂停事件的时间段数量匹配为止,从而使得计算机设备所确定的呼吸暂停事件的次数与实际标注的次数能够匹配,进一步提高了每一时段所对应的类别标签值的准确性,进而提高了目标分类模型地精确度,从而提高了数据分类的精度。
可选地,计算机设备还可以采用上述实施例中所描述的获取初始HRV训练数据的方式得到HRV验证数据,并将HRV验证数据输入至训练好的目标分类模型进行验证,从而确定目标分类模型的准确性。
图8为一个实施例提供的HRV数据分类方法的流程示意图。本实施例涉及的是计算机设备采用上述各个实施例中的目标分类模型对HRV数据进行分类的具体过程。如图8所示,该方法可以包括:
S701、将待分类HRV数据输入目标分类模型,得到所述待分类数据的每个时段对应的所述类别标签值;所述目标分类模型包括如上述各个实施例所述的目标分类模型。
具体的,计算机设备将待分类HRV数据输入至上述目标分类模型中,该目标分类模型则可以输出待分类HRV数据的每个时段所对应的类别标签值,该类别标签值能够表征这个时段是否发生呼吸暂停事件。需要说明的是,待分类HRV数据可以为已经划分了多个时段的数据,也可以为连续的数据,当其为连续的数据时,首先要将其按照多个时段进行划分再进行分类。该目标分类模型可以是上述图2-图7中任意实施例所述的目标分类模型。
S702、将所述待分类HRV数据的每个时段对应的所述类别标签值按照预设的时长范围进行统计,得到每个时长范围内的所述类别标签值的类别数量。
具体的,计算机设备可以将上述目标分类模型所输出每个时段对应的类别标签值,按照预设的时长范围进行统计,从而得到每个时长范围内的各个类别标签值的类别数量。例如,计算机设备统计一个小时的时长范围内,每一分钟的时段中类别标签值为1的类别数量,可选地,还可以统计一个小时的时长范围内,每一分钟的时段中类别标签值为0的类别数量。本实施例对时长范围的范围大小不做具体限定,其可以根据需要进行调整。
S703、获取与所述类别数量匹配的类别区间,根据所述类别区间确定所述呼吸暂停事件的类别。
具体的,计算机设备根据上述时长范围统计得到的类别标签值的数量匹配的类别区间,例如查找一个小时内类别标签值为1的类别数量所落入的类别区间,并根据其落入的类别区间确定待分类HRV数据所表征的呼吸暂停时间的类别。可选地,上述类别区间包括重度子区间、中度子区间、轻度子区间和正常子区间,上述S703的一种可能的实现方式可以包括:若所述类别数量位于所述重度子区间,则确定所述呼吸暂停事件的类别为重度;若所述类别数量位于所述中度子区间,则确定所述呼吸暂停事件的类别为中度;若所述类别数量位于所述轻度子区间,则确定所述呼吸暂停事件的类别为轻度;若所述类别数量位于所述正常子区间,则确定所述呼吸暂停事件的类别为正常。具体的,计算机设备可以设置将类别区间划分为重度子区间、中度子区间、轻度子区间和正常子区间。其中重度子区间表征呼吸暂停的情况严重,重度子区间表征呼吸暂停的情况较严重相比次之,轻度子区间则表征呼吸暂停的情况程度较轻,以及正常子区间表征没有发生呼吸暂停的情况。例如,将一个小时的时长范围所对应的重度子区间的类别数量为60-30、中度子区间的类别数量为30-15、轻度子区间的类别数量为15-5和正常子区间的类别数量为5-0,当一个小时内的发生类别标签值为1的时段数量为45,则确定呼吸暂停事件的类别为重度,当一个小时内的发生类别标签值为1的时段数量为10,则确定呼吸暂停事件的类别为轻度。采用该方法,计算机设备能够将类别区间划分为多个表征不同程度的重度子区间、中度子区间、轻度子区间和正常子区间,从而能够将呼吸暂停事件的程度进行量化归类,使得分类的结果更加直观和易于掌握。
可选地,例如先划分一级子区间,在每个一级子区间再次划分二级子区间从而实现更为细致的分类。本实施例还可以根据需要对类别区间的数量或者类别数量的划分阈值进行调整,本实施例对于类别区间的具体划分方式不做限定。
本实施例中,由于目标分类模型包括如上述各个实施例的目标分类模型,因此,计算机设备能够通过将待分类HRV数据输入目标分类模型,得到待分类数据的每个时段对应的类别标签值。然后计算机设备能够通过将待分类HRV数据的每个时段对应的类别标签值按照预设的时长范围进行统计,得到每个时长范围内的类别标签值的类别数量,再获取与时长范围中类别标签值的类别数量匹配的类别区间,从而根据类别区间确定呼吸暂停事件的类别,进而实现根据一个时长范围内出现呼吸暂停事件的时段数量,确定出表征呼吸暂停的情况的严重程度的类别区间,进而能够将呼吸暂停事件的程度进行量化分类,使得分类的结果更加直观,且易于掌握。
可选地,在上述图8所示的实施例基础上,S701之前,所述方法还可以包括获取待分类HRV数据的过程,具体可以包括:将初始心电图ECG数据按照时间段进行分割,得到多个时段的所述初始ECG数据,将每个时段内的所述初始ECG数据进行处理,得到多个时段内的所述待分类HRV数据。具体的,计算机设备还可以获取初始ECG数据,并对其按照时段进行分割,得到多个时段的初始ECG数据,然后对该多个时段的初始ECG数据进行处理,从而得到多个时段的待分类HRV数据。本实施例中,通过将ECG数据进行分割和处理,得到待分类HRV数据,其能够便于目标分类模型进行识别,因此分类效率更高,分类的准确度更高。
应该理解的是,虽然图2-8的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图2-8中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些子步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中,如图9所示,提供了一种分类模型获取装置,所述装置包括:
获取模块100,用于获取多个时段内的初始心率变异性HRV训练数据和每个时段内的所述初始HRV训练数据对应的类别标签值;所述类别标签值用于表征一个时段是否发生呼吸暂停事件;
数据生成模块200,用于根据所述每个时段内的所述初始HRV训练数据,分别确定所述每个时段对应的前向HRV训练数据和后向HRV训练数据;所述前向HRV训练数据用于表征对应时段之前的HRV数据、所述后向HRV训练数据用于表征对应时段之后的HRV数据,所述前向HRV训练数据、所述后向HRV训练数据与对应时段内的所述初始HRV训练数据一一对应;
数据关联模块300,用于根据所述每个时段内的所述初始HRV训练数据、所述每个时段对应的所述前向HRV训练数据和所述后向HRV训练数据,确定所述每个时段对应的长时记忆HRV训练数据;
处理模块400,用于根据所述每个时段对应的所述长时记忆HRV训练数据和所述类别标签值,训练初始分类模型,得到目标分类模型。
在一个实施例中,数据生成模块200,具体可以用于获取目标时段之前的M个时段的所述初始HRV训练数据;将所述M个时段的所述初始HRV训练数据按照预设的权重系数进行加权求和,得到所述目标时段之前的所述前向HRV训练数据;和/或,获取所述目标时段之后的N个时段的所述初始HRV训练数据;将所述N个时段的所述初始HRV训练数据按照预设的权重系数进行加权求和,得到所述目标时段之后的所述后向HRV训练数据;其中,所述M和N为自然数。
在一个实施例中,数据关联模块300,具体可以用于将所述每个时段对应的所述前向HRV训练数据、所述每个时段内的所述初始HRV训练数据和所述每个时段对应的所述后向HRV训练数据串联合并,得到所述每个时段对应的所述长时记忆HRV训练数据。
在一个实施例中,数据生成模块200,具体还可以用于分别判断所述每个时段内的所述初始HRV训练数据、所述前向HRV训练数据和所述后向HRV训练数据的维度数量是否满足预设的维度数量要求;当所述每个时段内的所述初始HRV训练数据、所述前向HRV训练数据和所述后向HRV训练数据中存在不满足所述维度数量要求的数据时,则按照所述维度数量要求对不满足所述维度数量要求的数据补零,生成新的所述每个时段内的所述初始HRV训练数据、所述前向HRV训练数据和所述后向HRV训练数据中的至少一个。
在一个实施例中,处理模块400,具体可以用于将所述长时记忆HRV训练数据进行预处理,得到长时记忆HRV标准化训练数据;将所述长时记忆HRV标准化训练数据输入初始分类模型,得到所述每个时段对应的初始分类结果;根据所述初始分类结果和所述每个时段对应的所述类别标签值,训练所述初始分类模型,得到所述目标分类模型。
在一个实施例中,获取模块100,具体可以用于对初始心电图ECG训练数据按照时间段进行分割,得到多个时段的所述ECG训练数据;将每个时段内的所述ECG训练数据进行处理,得到多个时段内的所述初始HRV训练数据;获取所述初始HRV训练数据的类别标注信息;所述类别标注信息用于表征HRV数据中呼吸暂停事件的起始时刻;根据所述类别标注信息,确定所述多个时段内的每一时刻对应的所述类别标签值;根据每一时刻的所述类别标签值和预设的类别数量阈值,确定所述每个时段的所述类别标签值。
在一个实施例中,获取模块100,具体可以用于当目标时段内的各个时刻的所述类别标签值为第一值的数量大于或等于所述类别数量阈值时,则确定所述目标时段的所述类别标签值为所述第一值;当所述目标时段内的各个时刻的所述类别标签值为所述第一值的数量小于所述类别数量阈值时,则确定所述目标时段的所述类别标签值为第二值;所述第一值用于表征发生呼吸暂停事件;所述第二值用于表征未发生呼吸暂停事件。
在一个实施例中,获取模块100,还可以用于将每一时段对应的所述类别标签值进行统计;当所述类别标签值为所述第一值的时段数量与所述类别标注信息所表征的呼吸暂停事件的时间段数量匹配时,则执行所述根据所述每个时段内的所述初始HRV训练数据,分别确定所述每个时段对应的前向HRV训练数据和后向HRV训练数据的步骤;当所述类别标签值为所述第一值的时段数量与所述类别标注信息所表征的呼吸暂停事件的时间段数量不匹配时,则调整所述类别数量阈值,直至所述类别标签值为所述第一值的时段数量与所述呼吸暂停事件的时间段数量匹配为止。
关于分类模型获取装置的具体限定可以参见上文中对于分类模型获取方法的限定,在此不再赘述。上述分类模型获取装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,如图10所示,提供了一种HRV数据分类装置,所述装置包括:
标记模块500,用于将待分类HRV数据输入目标分类模型,得到所述待分类数据的每个时段对应的所述类别标签值;所述目标分类模型包括如权利要求1-8所述的目标分类模型;
统计模块600,用于将所述待分类HRV数据的每个时段对应的所述类别标签值按照预设的时长范围进行统计,得到每个时长范围内的所述类别标签值的类别数量;
分类模块700,用于获取与所述类别数量匹配的类别区间,根据所述类别区间确定所述呼吸暂停事件的类别。
在一个实施例中,所述类别区间包括重度子区间、中度子区间、轻度子区间和正常子区间;分类模块700,具体可以用于当所述类别数量位于所述重度子区间时,则确定所述呼吸暂停事件的类别为重度;当所述类别数量位于所述中度子区间时,则确定所述呼吸暂停事件的类别为中度;当所述类别数量位于所述轻度子区间时,则确定所述呼吸暂停事件的类别为轻度;当所述类别数量位于所述正常子区间时,则确定所述呼吸暂停事件的类别为正常。
在一个实施例中,标记模块500,还可以用于将初始心电图ECG数据按照时间段进行分割,得到多个时段的所述初始ECG数据;将每个时段内的所述初始ECG数据进行处理,得到多个时段内的所述待分类HRV数据。
关于HRV数据分类装置的具体限定可以参见上文中对于HRV数据分类方法的限定,在此不再赘述。上述HRV数据分类装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现上述各个方法实施例中的步骤。具体的,处理器可以实现以下步骤:获取多个时段内的初始心率变异性HRV训练数据和每个时段内的所述初始HRV训练数据对应的类别标签值;所述类别标签值用于表征一个时段是否发生呼吸暂停事件;根据所述每个时段内的所述初始HRV训练数据,分别确定所述每个时段对应的前向HRV训练数据和后向HRV训练数据;所述前向HRV训练数据用于表征对应时段之前的HRV数据、所述后向HRV训练数据用于表征对应时段之后的HRV数据,所述前向HRV训练数据、所述后向HRV训练数据与对应时段内的所述初始HRV训练数据一一对应;根据所述每个时段内的所述初始HRV训练数据、所述每个时段对应的所述前向HRV训练数据和所述后向HRV训练数据,确定所述每个时段对应的长时记忆HRV训练数据;根据所述每个时段对应的所述长时记忆HRV训练数据和所述类别标签值,训练初始分类模型,得到目标分类模型。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现上述各个方法实施例中的步骤。具体的,处理器可以实现以下步骤:将待分类HRV数据输入目标分类模型,得到所述待分类数据的每个时段对应的所述类别标签值;所述目标分类模型包括如上述各实施例所述的目标分类模型;将所述待分类HRV数据的每个时段对应的所述类别标签值按照预设的时长范围进行统计,得到每个时长范围内的所述类别标签值的类别数量;获取与所述类别数量匹配的类别区间,根据所述类别区间确定所述呼吸暂停事件的类别。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现上述各个方法实施例中的步骤。具体的,计算机程序被处理器执行时可以实现以下步骤:获取多个时段内的初始心率变异性HRV训练数据和每个时段内的所述初始HRV训练数据对应的类别标签值;所述类别标签值用于表征一个时段是否发生呼吸暂停事件;根据所述每个时段内的所述初始HRV训练数据,分别确定所述每个时段对应的前向HRV训练数据和后向HRV训练数据;所述前向HRV训练数据用于表征对应时段之前的HRV数据、所述后向HRV训练数据用于表征对应时段之后的HRV数据,所述前向HRV训练数据、所述后向HRV训练数据与对应时段内的所述初始HRV训练数据一一对应;根据所述每个时段内的所述初始HRV训练数据、所述每个时段对应的所述前向HRV训练数据和所述后向HRV训练数据,确定所述每个时段对应的长时记忆HRV训练数据;根据所述每个时段对应的所述长时记忆HRV训练数据和所述类别标签值,训练初始分类模型,得到目标分类模型。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现上述各个方法实施例中的步骤。具体的,计算机程序被处理器执行时可以实现以下步骤:将待分类HRV数据输入目标分类模型,得到所述待分类数据的每个时段对应的所述类别标签值;所述目标分类模型包括如上述各实施例所述的目标分类模型;将所述待分类HRV数据的每个时段对应的所述类别标签值按照预设的时长范围进行统计,得到每个时长范围内的所述类别标签值的类别数量;获取与所述类别数量匹配的类别区间,根据所述类别区间确定所述呼吸暂停事件的类别。
应当清楚的是,本申请实施例中处理器执行计算机程序的过程,与上述方法中各个步骤的执行过程一致,具体可参见上文中的描述。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。