CN112022142B - 心电信号类型识别方法、装置及介质 - Google Patents

Abstract

本申请提供一种心电信号类型识别方法、装置及介质，该方法包括对心电信号数据进行截取，得到多个心电信号子数据；利用第一网络模型对将截取的每个心电信号子数据进行识别处理，得到包括每个心电信号子数据对应的第一识别类型的多个局部识别结果；通过第二网络模型对多个局部识别结果进行识别处理，得到该心电信号数据的全局识别结果。本申请的技术方案提高了心电信号识别的准确率和鲁棒性。

Description

心电信号类型识别方法、装置及介质

技术领域

本申请涉及信号处理技术领域，尤其涉及一种心电信号类型识别方法、装置及介质。

背景技术

随着机器学习技术的使用，越来越多的信号识别方法采用机器学习模型来实现。根据识别信号的不同，其对应的机器学习模型也不同，例如用于识别语音信号的语音识别模型或声纹识别模型，用于识别心电信号的心电信号识别模型等等。

现有技术中，通常采用一个信号识别模型来确定信号所属类型，不仅模型训练难度大，而且识别准确率不高。此外，通常情况下，信号识别模型的训练过程好坏直接影响到信号识别结果的准确性，尤其对于所采集的样本信号数量有限的情况下，若将采集的每个样本信号作为一个训练样本来构建训练集，并将该训练集输入到一个端到端的信号识别模型进行训练，由于训练样本数量有限，则会导致经训练后的信号识别模型的准确率不高，以及信号识别结果的鲁棒性不高。

发明内容

本申请提供了一种心电信号类型识别方法、装置及介质，以解决现有技术中至少一种技术问题。

一方面，本申请提供了心电信号类型识别方法，包括：

获取心电信号数据；

对所述心电信号数据进行截取，得到多个心电信号子数据；

利用第一网络模型对每个心电信号子数据进行识别处理，得到多个局部识别结果；所述局部识别结果包括每个心电信号子数据对应的第一识别类型；

通过第二网络模型对所述多个局部识别结果进行识别处理，得到所述心电信号数据的全局识别结果，所述全局识别结果包括所述心电信号数据对应的第二识别类型；

其中，所述第一识别类型和所述第二识别类型均落入预设的心电信号类型集，所述心电信号类型集中包括多个心电信号所属类型。

在一些实施例中，所述利用第一网络模型对每个心电信号子数据进行分类处理，得到多个局部识别结果之后，还包括：

检测所述多个局部识别结果对应的心电信号类型是否存在预定心电信号类型；

若检测结果为否，则对所述多个局部识别结果中每个心电信号类型的数量进行排序；

基于排序结果，确定最高数量对应的心电信号类型；

若确定最高数量对应心电信号类型为正常心电信号类型，则判断排序结果中第二高数量是否高于等于预设数量阈值；

若判定排序结果中第二高数量高于等于预设数量阈值，则确定第二高数量对应的心电信号类型作为所述心电信号数据的全局识别结果；

若判定排序结果中第二高数量低于预设数量阈值，则确定最高数量对应的心电信号类型作为所述心电信号数据的全局识别结果。

另一方面，还提供一种心电信号类型识别装置，包括：

获取模块，用于获取心电信号数据；

数据截取模块，用于对所述心电信号数据进行截取，得到多个心电信号子数据；

第一识别模块，用于利用第一网络模型对每个心电信号子数据进行识别处理，得到多个局部识别结果；所述局部识别结果包括每个心电信号子数据对应的第一识别类型；

第二识别模块，用于通过第二网络模型对所述多个局部识别结果进行识别处理，得到所述心电信号数据的全局识别结果，所述全局识别结果包括所述心电信号数据对应的第二识别类型；

其中，所述第一识别类型和所述第二识别类型均落入预设的心电信号类型集，所述心电信号类型集中包括多个心电信号所属类型。

另一方面，还提供一种心电信号类型识别装置，包括：

获取模块，用于获取心电信号数据；

数据截取模块，用于对所述心电信号数据进行截取，得到多个心电信号子数据；

第一识别模块，用于利用第一网络模型对每个心电信号子数据进行识别处理，得到多个局部识别结果；所述局部识别结果包括每个心电信号子数据对应的第一识别类型；

第三识别模块，用于基于所述多个局部识别结果的数量进行识别处理，得到所述心电信号数据的全局识别结果。

另一方面，还提供一种电子设备，所述电子设备包括处理器和存储器，所述存储器中存储有至少一条指令或至少一段程序，所述至少一条指令或至少一段程序由处理器加载并执行以实现如上述任一所述的心电信号类型识别方法。

另一方面，还提供一种计算机存储介质，所述计算机存储介质中存储有至少一条指令或至少一段程序，所述至少一条指令或至少一段程序由处理器加载并执行以实现如上述任一所述的心电信号类型识别方法。

另一方面，还提供一种计算机程序产品或计算机程序，所述计算机程序产品或计算机程序包括计算机指令，所述计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，是的该计算机设备执行上述任一所述的心电信号类型识别方法。

本申请至少具有如下技术效果：

本申请实施例通过对获取的心电信号数据进行截取，得到多个心电信号子数据；利用第一网络模型对每个心电信号子数据进行识别处理，得到多个局部识别结果；该局部识别结果包括每个心电信号子数据对应的第一识别类型；通过第二网络模型对多个局部识别结果进行识别处理，得到所述心电信号数据的全局识别结果，该全局识别结果包括所述心电信号数据对应的第二识别类型；其中，第一识别类型和第二识别类型均落入预设的心电信号类型集，心电信号类型集中包括多个心电信号所属类型。通过对心电信号数据进行截取得到多个心电信号子数据，利用第一网络模型识别多个心电信号子数据对应的第一识别类型，利用第二网络模型识别对第一网络模型识别得到的多个心电信号子数据中每个心电信号子数据所属心电信号类型进行识别处理，得到包括心电信号数据对应第二识别类型的全局识别结果，提高了心电信号识别的准确率和鲁棒性。

附图说明

为了更清楚地说明本申请实施例或现有技术中的技术方案和优点，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它附图。

图1是本申请实施例提供的一种心电信号类型识别方法的流程示意图；

图2是本申请实施例提供的一个心电信号的示意图；

图3是本申请实施例提供的获取心电信号数据的全局识别结果的流程示意图；

图4是本申请实施例提供的第一网络模型的训练步骤的流程示意图；

图5是本申请实施例提供的一种样本数据截取的示意图；

图6是本申请实施例提供的第一网络模型的训练过程的流程示意图；

图7是本申请实施例提供的第二网络模型的训练步骤的流程示意图；

图8是本申请实施例提供的第二网络模型的训练过程的示意图；

图9是本申请实施例提供的另一种心电信号类型识别方法的流程示意图；

图10是采用图1所示的方法进行测试的测试结果示意图；

图11是采用图9所示的方法进行测试的测试结果示意图；

图12是本申请实施例提供的一种心电信号识别装置的结构框图；

图13是本申请实施例提供的另一种心电信号识别装置的结构框图；

图14是本申请实施例一种用于实现本申请实施例所提供的方法的计算机设备的硬件结构示意图。

具体实施方式

为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分的实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本申请保护的范围。

为使本申请的目的、技术方案和优点更加清楚，下面将结合附图对本申请实施方式作进一步地详细描述。

以下介绍本申请一种心电信号类型识别方法的具体实施例。该方法可以应用于心电信号类型识别装置，该心电信号类型识别装置可以采用软件和/或硬件的方式实现，该装置可以集成在具有心电信号识别功能的电子设备中，例如服务器、终端、心电信号识别设备等。

其中，服务器可以包括但不限于为至少一个独立服务器、分布式服务器、云服务器、服务器集群中至少一种。该分布式服务器具体可以为区块链(Block Chain)结构，该区块链结构中的任意一个节点都可以执行或参与执行心电信号类型识别方法。终端可以包括但不限于为运行于实体设备中的软体，例如安装在设备上的应用程序或客户端等，也可以包括但不限于为安装有应用的台式电脑、平板电脑、笔记本电脑、智能手机等类型的实体设备中至少一种。

图1是本申请实施例提供的一种心电信号类型识别方法的流程示意图，本申请提供了如实施例或流程图所述的方法操作步骤，但基于常规或者无创造性的劳动可以包括更多或者更少的操作步骤。实施例中列举的步骤顺序仅仅为众多步骤执行顺序中的一种方式，不代表唯一的执行顺序。在实际中的系统或产品执行时，可以按照实施例或者附图所示的方法顺序执行或者并行执行(例如并行处理器或者多线程处理的环境)。具体如图1所示，该方法可以包括：

S101，获取心电信号数据。

其中，心电(electrocardiogram，ECG)信号是心脏电活动在体表的综合反映。

在一些实施例中，心电信号数据可为从信号采集设备获取得到的，也可为从存储有心电信号数据的数据库或云端等中获取得到，本申请对心电信号数据的获取来源不作具体限定。该心电信号数据的数量可为一个或多个。

需要说明的是，这里的心电信号数据可为初步判断为异常心电信号类型的心电信号数据。通过从包含多个异常心电信号所属类型的心电信号类型集中筛选出该心电信号数据所属类别，从而实现对心电信号数据的准确识别。

本申请方法适用的心电信号包括但不限于为单导联及3、8、12等其他任意多导联的心电信号。

S103，对所述心电信号数据进行截取，得到多个心电信号子数据。

在一些实施例中，每个心电信号数据具有一定数据长度，其一般不低于6s，例如包括但不限于为10秒、20秒、25秒等。每个心电信号数据中包括多个信号点，每个心电信号数据对应的信号总点数与该心电信号数据的数据长度和采样频率相关联。通过对每个心电信号数据按照一定截取参数进行截取，得到多个心电信号子数据。该截取参数包括但不限于为数据截取长度和截取数量。每个心电信号子数据为一定数据截取长度的数据，且其包括若干个信号点。

在一具体实施例中，所述对心电信号数据进行截取，得到多个心电信号子数据，包括：

S1031，基于心电信号数据的信号周期，确定数据截取长度；所述数据截取长度大于等于两倍的信号周期长度；

S1033，获取所述心电信号数据对应的预设截取数量；

S1035，基于所述心电信号数据的总数据长度、数据截取长度和预设截取数量，对所述心电信号数据进行数据截取，得到多个心电信号子数据；相邻的心电信号子数据之间具有数据重叠。

示例性的，若一个心电信号数据的数据长度为10秒，采样频率f为500Hz，则该心电信号数据对应的信号总点数Z＝500*10，即Z为5000个。若心电信号数据的信号周期为2秒，数据截取长度可选取两倍的信号周期长度，即数据截取长度为4秒，故截取点数L＝500*4，即L为2000个。

此时，预设截取数量n需要满足的条件为：n≤Z-L+1。n的取值范围可以为满足条件的正整数，例如包括但不限于为10、20、50、70、100等等。

假设第i(i＝1,2,3...n)段心电信号子数据中信号点的起点和终点分别是原心电信号数据(总点数为Z)中的第x、y个信号点，则x、y满足以下条件：

为了便于理解，结合图2进行说明。假设一个心电信号数据的数据长度为10秒，采样频率f为500Hz，将该心电信号数据按照数据截取长度为4秒，预设截取数量为20段进行截取成多个心电信号子数据。

心电信号数据对应的信号总点数为10s*500个，也即5000个，每个心电信号子数据对应的信号总点数为4s*500个，也即2000个。

当i＝1时，第1段信号截取心电信号数据中前2000个信号点，得到第1段心电信号子数据；

当i＝2时，若第2段信号从第k个信号点作为起点开始，则该k的取值满足上述公式(1)，计算得到k＝(5000-2000)/(20-1)+1，即k＝158。再根据上述公式(2)计算得到第2段心电信号子数据中信号点的终点，从而第2段心电信号子数据为第158个信号点～第2157个信号点。

依次类推，按照上述公式(1)和(2)可以得到经截取后的全部的心电信号子数据。在数据截取过程中，相邻的两个心电信号子数据的长度有部分重叠。相邻的间隔的两个心电信号子数据的信号点数优选为不重叠。

在其他实施例中，数据截取长度不限于为大于等于两倍的信号周期长度，还可为小于两倍的信号周期长度。此外，相邻心电信号子数据之间的信号点数也可以不重叠。

S105，利用第一网络模型对每个心电信号子数据进行识别处理，得到多个局部识别结果；所述局部识别结果包括每个心电信号子数据对应的第一识别类型。

其中，第一网络模型(简称模型1)可为机器学习模型，例如包括但不限于为CNN、AlexNet、VGG等。第一网络模型可以为独立的网络模型，也可为级联网络模型。

在一些实施例中，所述第一网络模型是根据全部预设的心电信号类型对应的心电信号样本数据所构建的第一训练集训练得到；所述第一训练集包括多个分别与每种预设的心电信号类型对应的样本集；每个样本集包括经过数据截取得到的多个心电信号样本子数据。

示例性的，若全部预设的心电信号类型有九类，其分别为：心房颤动(Atrialfibrillation，AF)，I度房室阻滞(First-degree atrioventricular block，I-AVB)，左束支阻滞(Left bundle branch block，LBBB)，右束支阻滞(Right bundle branch block，RBBB)，房性早搏(Premature atrial contraction，PAC)，室性早搏(Prematureventricular contraction，PVC)，ST段降低(ST-segment depression，STD)，ST段抬升(ST-segment elevated，STE)和正常(Normal，N)，则第一训练集由全部九类预设的心电信号类型对应的心电信号样本数据所构建，第一训练集包括多个分别与每种预设的心电信号类型对应的样本集；每个样本集对应一个心电信号样本数据，每个样本集包括对该心电信号样本数据进行数据截取得到的多个心电信号样本子数据。

在获取到经数据截取的多个心电信号子数据之后，可对该多个心电信号子数据进行预处理以符合模型输入条件，之后，将经处理后的多个心电信号子数据作为第一网络模型的输入，利用第一网络模型对每个心电信号子数据进行识别处理，得到多个局部识别结果；所述局部识别结果用于表征每个心电信号子数据对应的第一识别类型。该第一识别类型落入预设的心电信号类型集，该心电信号类型集中包括多个心电信号所属类型，例如包括上述的九类心电信号类型。

S107，通过第二网络模型对所述多个局部识别结果进行识别处理，得到所述心电信号数据的全局识别结果，所述全局识别结果包括所述心电信号数据对应的第二识别类型。

其中，所述第二网络模型(简称模型2)是根据经训练的第一网络模型输出的全部预设的心电信号类型对应的心电信号样本数据的多组局部识别样本结果、以及与每组局部识别样本结果对应的实际心电信号类型标签作为第二训练集训练得到。每组局部识别样本结果包括该心电样本信号对应的多个局部识别样本结果，同一组中每个局部识别样本结果对应的实际心电信号类型标签一致，每个局部识别样本结果用于表征经数据截取后的一个心电信号样本子数据对应的心电信号类型。

在获取到利用第一网络模型对多个心电信号子数据进行类型识别所得到的多个局部识别结果之后，利用经训练后的第二网络模型对多个局部识别结果进行全局识别处理，得到心电信号数据的全局识别结果，该全局识别结果包括整个心电信号数据对应的第二识别类型。该第二识别类型落入预设的心电信号类型集，所述心电信号类型集中包括多个心电信号所属类型，例如包括上述的九类心电信号类型。

在一些实施例中，如图3所示，所述通过第二网络模型对所述多个局部识别结果进行识别处理，得到所述心电信号数据的全局识别结果，包括：

S301，统计所述多个局部识别结果中每种心电信号类型的数量；

S303，基于统计结果和所述预设的心电信号类型集中全部心电信号类型，构建所述局部识别结果对应的待识别特征向量；

S305，通过第二网络模型，输出经所述待识别特征向量映射得到的所述心电信号数据所属类型；

S307，根据所述心电信号数据所属类型确定所述心电信号数据的全局识别结果。

示例性的，若步骤S105得到20个局部识别结果，且这20个局部识别结果分别为：第1个局部识别结果为第1段心电信号子数据为正常心电类型(N)，第2～17个局部识别结果为第2段～第17段心电信号子数据均为心房颤动心电类型(AF)，第18～20个局部识别结果为第18段～第20段心电信号子数据均为ST段抬升心电类型(STE)，则按照心电信号类型对这20个局部识别结果进行统计，其统计结果为：1个N类型，16个AF类型，3个STE类型。接着，根据将该统计结果和全部心电信号类型构建该多个局部识别结果对应的待识别特征向量，即(1,16,0,0,0,0,0,0,3)一维向量。该待识别特征向量用于表征某一心电信号数据中截取的各心电信号子数据对应的局部识别结果特征。接着，将该待识别特征向量输入至第二网络模型中，学习局部识别结果特征与心电信号数据所属类型的关联，输出经该待识别特征向量映射得到的心电信号数据所属类型，进而得到该心电信号数据的全局识别结果，该心电信号数据的全局识别结果包括输出的心电信号数据所属类型。

在本实施方式中，上述待识别特征向量与局部识别结果出现的顺序可以无关。例如，当第1个局部识别结果是STE类型，第2个局部识别结果是N类型，第3-18个局部识别结果是AF类型，第19-20个局部识别结果是STE类型，则其对应的待识别特征向量仍然为(1,16,0,0,0,0,0,0,3)。

在其他实施方式中，为了进一步提高算法的精度和准确度，可以考虑待识别特征向量与局部识别结果出现的顺序，也就是说，待识别特征向量不仅涵盖局部识别结果中各心电信号类型的识别数量信息，还可涵盖心电信号类型在多个局部识别结果中的出现顺序信息，如此在训练第二网络模型中，模型还可同时学习截取的相邻心电信号子数据之间的关联，减少截取操作所带来的误差，进一步提高算法精度和准确度。

上述实施例，通过对心电信号数据进行截取得到多个心电信号子数据，利用第一网络模型识别多个心电信号子数据对应的第一识别类型，利用第二网络模型识别对第一网络模型识别得到的多个心电信号子数据中每个心电信号子数据所属心电信号类型进行识别处理，得到包括心电信号数据对应第二识别类型的全局识别结果，提高了心电信号识别的准确率和鲁棒性。

此外，由于异常心电信号数据的数量较为有限，通常无法获得足够训练数量的心电信号样本数据来训练网络模型，如此会导致用于识别心电信号类型的网络模型训练效果不佳，识别准确性不高。本申请通过将原本的心电信号样本数据截取为多个心电样本子数据，并基于截取后的多个心电样本子数据进行网络模型的训练，能够在训练过程中充分利用十分珍贵的标注样本进行网络模型训练，提高模型训练效果和识别准确性，同时降低了模型训练的难度。

在其他实施例中，上述局部识别结果还可包括第一识别类型的概率。

所述全局识别结果还包括第二识别类型的概率、心电信号数据对应的失常级别等中至少一种。

需要说明的是，上述心电识别方法可以应用于临床监护、各导联的心电图机、心电工作站等设备中，以提升原有对心电信号的识别算法的准确度。

在其他实施例中，在获取到心电信号数据对应的第二识别类型之后，还可将心电信号数据对应的第二识别类型和其他心电信号的监测结果所确定的识别类型进行比较，根据比较结果来评估其他监测结果的识别准确度，或者来评估检测人员对心电信号的识别水平，也可作操练检测人员对心电信号的识别能力等等。

应理解，上述心电信号类型识别方法中待识别信号不限于应用于心电信号，还可扩展至应用于其它波形信号，例如用于进行身份识别的声纹信号、用于进行文字识别的语音信号、用于进行肌电功能识别的肌电信号等。

在一些实施例中，所述心电信号类型识别方法还可包括第一网络模型的获取步骤。图4示意了第一网络模型的训练过程的流程示意图。如图4所示，第一网络模型的训练过程可包括：

S401，获取所述心电信号数据对应的训练样本集合；所述训练样本集合包括全部预设的心电信号类型对应的心电信号样本数据。

示例的，可通过用于识别心电信号的开源数据集中获取得到，该开源数据集包括但不限于为MIT-BIH、CPSC2018等。

为了保证训练结果的识别效果，训练样本集合中应当包括全部预设的心电信号类型对应的心电信号样本数据。例如，训练样本集合包括心房颤动(AF)，I度房室阻滞(I-AVB)，左束支阻滞(LBBB)，右束支阻滞(RBBB)，房性早搏(PAC)，室性早搏(PVC)，ST段降低(STD)，ST段抬升(STE)和正常(Normal，N)这九种心电信号类型。

S403，基于全部预设的心电信号类型对应的心电信号样本数据的样本数量，确定每种预设的心电信号类型对应的心电信号样本数据的预设样本截取数量。

示例的，若A类型心电信号样本数据有400个，B类型心电信号样本数据有100个，可以确定每个A类型心电信号的预设截取数量为20个，而把每个B类型心电信号的预设截取数量为80个，从而根据全部预设的心电信号类型对应的心电信号样本数据的样本数量，来确定每种心电信号样本数据的预设样本截取数量，通过调整每类心电信号样本数据的截取数量，以使得每类心电信号样本数据的截取数量可以不一致，从而实现均衡样本的目的，使后续网络模型能有更好的表现。

S405，基于每种预设的心电信号类型对应的预设样本截取数量，分别对每种预设的心电信号类型对应的多个心电信号样本数据进行数据截取，得到对应的多个心电信号样本子数据。

在确定了每种预设的心电信号类型对应的预设样本截取数量之后，每种预设的心电信号类型包括多个心电信号样本数据，按照预设样本截取数量分别对每个心电信号数据进行数据截取，得到多个心电信号样本子数据。其中，模型训练过程中的数据截取步骤与上述步骤S103类似，其具体内容可参见上述实施例，在此不再赘述。

示例性的，如图5所示，STE型的初始样本量为160个，AF型的初始样本量为800个，为了实现样本均衡，确定出STE类型对应的预设截取数量为100个，AF类型对应的预设截取数量为20个。按照对应的预设截取数量，分别对每个STE类型的心电信号样本数据和每个AF类型的心电信号样本数据进行数据截取，均得到16000个训练样本量。也即，STE型心电信号数据的训练样本量和AF型心电信号数据的训练样本量均为16000个。

对于其它心电信号类型的心电信号样本数据也进行类似的数据截取，得到不同心电信号类型的训练样本。仅作为示例，如图6所示，除了STE型心电信号数据和AF型心电信号数据之外，N型心电信号数据的训练样本量可为15000个，I-AVB型心电信号数据的训练样本量为15600个。

S407，基于每种预设的心电信号类型对应的多个心电信号样本子数据，构建多个样本集；每个所述样本集分别与预设的心电信号类型对应的心电信号数据一一对应。

示例性的，通过将各心电信号类型的心电信号样本数据按照预设样本截取数量进行数据截取，得到多个心电信号样本子数据，将每个心电信号样本子数据分别作为一个训练样本来构建样本集。每种心电信号类型对应的多个训练样本作为一个样本集，可构建多个样本集(例如9个样本集)，每个样本集分别与预设的心电信号类型对应的心电信号数据一一对应。

S409，基于所述多个样本集与每个样本集对应的实际心电信号类型标签，构建第一训练集。

S411，将所述第一训练集输入至第一初始网络模型中，训练第一初始网络模型，直至达到模型训练结束条件，获得第一网络模型。

示例的，每个样本集对应的实际心电信号类型标签可以为具体的心电信号样本数据所属心电信号类型、或心电信号类型所对应的数字(例如1～9等)或字母。例如，第s个心电信号样本数据所属心电信号类型为类型A，则第s个样本集对应的实际心电信号类型标签也为类型A，依次类推。

在获取到多个样本集和每个样本集携带的实际心电信号类型标签之后，基于两者构建第一训练集并将该第一训练集作为模型输入，训练第一初始网络模型(也即模型1)直至到达模型训练结束条件，得到第一网络模型。

其中，第一初始网络模型为机器学习模型，例如包括但不限于为CNN、AlexNet、VGG等。该第一网络模型可以为独立的网络模型，也可为级联网络模型，本申请对此不作具体限定。模型训练结束条件可以但不限于为验证集上达到满意的精度。

上述实施例，通过将各心电信号类型的心电信号样本数据按照预设样本截取数量进行数据截取，得到多个心电信号样本子数据，将每个心电信号样本子数据分别作为一个训练样本并结合全部心电信号类型来构建多个样本集，基于多个样本集与每个样本集对应的实际心电信号类型标签作为训练集以训练网络模型。由于异常心电信号数据的数量较为有限，通常无法获得足够训练数量的心电信号样本数据来训练网络模型，如此会导致用于识别心电信号类型的网络模型训练效果不佳，识别准确性不高。本申请通过将原本的心电信号样本数据截取为多个心电样本子数据，并基于截取后的多个心电样本子数据进行网络模型的训练，能够在训练过程中充分利用十分珍贵的标注样本进行网络模型训练，提高模型训练效果和识别准确性，同时降低了模型训练的难度。如此，既实现了样本数据增强，也均衡了训练样本，有利于提高网络模型的训练效果和质量。

在另一实施例中，构建第一训练集的过程中，可以预先对每个样本集中的多个训练样本进行标注，由于每个样本集中的每个训练样本是经数据截取后的心电信号样本子数据，其对应的实际心电信号类型标签与该心电信号样本数据的类型可能相同，因此基于多个样本集及每个训练样本对应的实际心电信号类型标签来构建第一训练集以进行模型训练，可进一步提高模型训练效果和质量。

在一些实施例中，所述心电信号类型识别方法还可包括第二网络模型的获取步骤。图7示意了第二网络模型(也即模型2)的训练步骤的流程示意图，图8示意了第二网络模型的训练过程的示意图。如图7和8所示，第二网络模型的训练步骤可包括：

S701，分别对全部预设的心电信号类型对应的心电信号样本数据中每个心电信号样本数据进行数据重新截取，得到多组心电信号样本子数据。

具体地，前面在训练第一网络模型时，考虑了样本均衡的问题，对每种预设的心电信号类型对应的心电信号数据进行了差异化数据截取。而这里在训练第二网络模型时，分别对全部预设的心电信号类型对应的心电信号样本数据中每一个心电信号样本数据，按照相同截取数量(例如m段)进行数据重新截取，得到与全部的心电信号样本数据一一对应的多组心电样本子数据。

S703，将经重新截取的每组心电信号样本子数据输入至经训练的第一网络模型，获得多组局部识别样本结果；每组局部识别样本结果的数量为多个、且分别与预设的心电信号类型对应的心电信号样本数据相对应。

具体地，获取经训练的第一网络模型，利用该经训练的第一网络模型对每组心电信号样本子数据进行处理，得到多组局部识别样本结果。每组局部识别样本结果的数量为多个、且分别与预设的心电信号类型对应的心电信号样本数据相对应。每组局部识别样本结果包括对应组中每个心电信号样本子数据所属心电信号类型。

S705，基于所述多组局部识别样本结果、与每组局部识别样本结果对应的实际心电信号类型标签，构建第二训练集。

在一实施例中，本步骤具体可包括：

统计所述多组局部识别结果中每组局部识别结果的每种心电信号类型的数量；

基于统计结果和所述预设的心电信号类型集中全部心电信号类型，构建多组局部识别结果中每组局部识别结果对应的待识别样本特征向量；

基于待识别样本特征向量和每组局部识别结果对应的实际心电信号类型标签，构建第二训练集。

示例性的，在第p组局部识别结果中，若第1个局部识别结果为第1段心电信号子数据为正常心电类型(N)，第2～17个局部识别结果为第2段～第17段心电信号子数据均为心房颤动心电类型(AF)，第18～20个局部识别结果为第18段～第20段心电信号子数据均为ST段抬升心电类型(STE)，则按照心电信号类型对这20个局部识别结果进行统计，其统计结果为：1个N类型，16个AF类型，3个STE类型。接着，根据将该统计结果和全部心电信号类型构建该多个局部识别结果对应的待识别样本特征向量，即(1,16,0,0,0,0,0,0,3)一维向量。

示例的，每组局部识别样本结果对应的实际心电信号类型标签可以为心电信号样本数据所属心电信号类型、或心电信号类型所对应的数字(例如1～9等)或字母。

例如，若第p组局部识别结果对应的心电信号样本数据的类型为房颤(AF)类型，则该待识别样本特征向量对应的实际心电信号类型标签为AF或者2。此时，用于构建第二训练集的训练子集可记为{(1,16,0,0,0,0,0,0,3),AF}，或{(1,16,0,0,0,0,0,0,3),2}。

若第k组局部识别结果对应的心电信号样本数据的类型为ST段抬高(STE)类型，则该待识别样本特征向量对应的实际心电信号类型标签为STE或者9。此时，用于构建第二训练集的训练子集可记为{(1,4,0,0,0,0,0,0,15),STE}，或{(1,4,0,0,0,0,0,0,15),9}。

S707，利用所述第二训练集训练第二初始网络模型，直至达到训练结束条件，获得第二网络模型。

在获取到多组局部识别样本结果和每组局部识别样本结果所携带的实际心电信号类型标签之后，基于两者构建第二训练集并将该第二训练集作为模型输入，训练第二初始网络模型直至到达模型训练结束条件，得到第二网络模型。

其中，第二初始网络模型为人工神经网络，例如包括但不限于为ANN等。该第二网络模型可以为独立的网络模型，也可为级联网络模型，本申请对此不作具体限定。模型训练结束条件可以但不限于为验证集上达到满意的精度。

上述实施例，在训练第二网络模型时，通过分别对全部预设的心电信号类型对应的心电信号样本数据中每个心电信号样本数据进行相同截取数量的数据重新截取，不仅可降低第二网络模型的训练复杂度，而且便于在第二网络模型的检测阶段进行检测。此外，在训练第二网络模型过程中，第二网络模型可以自主学习第一网络模型所识别的多个局部识别结果之间的关联关系对最终全局识别结果造成的影响，综合了各种影响因素，使得识别结果更加全面，有利于提高心电信号识别效果和准确率。同时，第二网络模型对第一网络模型的识别结果进行衡量，提高最终识别结果的鲁棒性。

图9是本申请实施例提供的另一种心电信号类型识别方法的流程示意图，本申请提供了如实施例或流程图所述的方法操作步骤，但基于常规或者无创造性的劳动可以包括更多或者更少的操作步骤。实施例中列举的步骤顺序仅仅为众多步骤执行顺序中的一种方式，不代表唯一的执行顺序。在实际中的系统或产品执行时，可以按照实施例或者附图所示的方法顺序执行或者并行执行(例如并行处理器或者多线程处理的环境)。具体如图9所示，该方法可以包括：

S901，获取心电信号数据；

S903，对所述心电信号数据进行截取，得到多个心电信号子数据；

S905，利用第一网络模型对每个心电信号子数据进行识别处理，得到多个局部识别结果；所述局部识别结果包括每个心电信号子数据对应的第一识别类型；所述第一识别类型落入预设的心电信号类型集，所述心电信号类型集中包括多个心电信号所属类型；

需要说明的是，上述步骤S901-S905的具体细节请参考步骤S101-S105，在此不再赘述。

S907，检测所述多个局部识别结果对应的心电信号类型是否存在预定心电信号类型。

其中，预定心电信号类型为容易被误识别的心电信号类型，例如包括但不限于为室性早搏(PVC)心电信号类型。

具体地，若检测到多个局部识别结果对应的心电信号类型中不存在预定心电信号类型，则执行步骤S909及后续步骤。若检测到多个局部识别结果对应的心电信号类型中存在预定心电信号类型，则确定所述预定心电信号类型作为所述心电信号数据的全局识别结果，不执行步骤S909及后续各步骤。

需要说明的是，若对该心电信号数据进行截取得到的多个心电信号子数据分别进行识别处理，所得到的多个局部识别结果中仅包括一种心电信号类型(例如心电信号类型Y)，则将该种心电信号类型(例如心电信号类型Y)确定为该心电信号数据的全局识别结果，不执行步骤S909及后续各步骤。

S909，若检测结果为否，则对所述多个局部识别结果中每个心电信号类型的数量进行排序。

S911，基于排序结果，确定最高数量对应的心电信号类型。

在本实施例中，若排序结果中最高数量对应的心电信号类型的数量为一个，则直接基于排序结果确定最高数量对应的心电信号类型。

若排序结果中最高数量对应的心电信号类型的数量为至少两个，则根据预设优先级顺序，确定其中一个心电信号类型作为最高数量对应的心电信号类型。

可选地，预设优先级顺序包括但不限于为心电信号类型的类别等级、心电信号类型的识别难易程度等等。通常情况下，异常心电信号类型的优先顺序高于正常心电信号类型的优先顺序。示例地，预设优先级顺序可以但不限于为STD＞I-AVB＞N，或者RBBB＞ST＞N等等。

当然，在其他实施例中，若排序结果中最高数量对应的心电信号类型的数量为至少两个，则可以随机确定其中一个心电信号类型作为最高数量对应的心电信号类型。

S913，若确定最高数量对应心电信号类型为正常心电信号类型，则判断排序结果中第二高数量是否高于等于预设数量阈值。

S915，若判定排序结果中第二高数量高于等于预设数量阈值，则确定第二高数量对应的心电信号类型作为所述心电信号数据的全局识别结果。

S917，若判定排序结果中第二高数量低于预设数量阈值，则确定最高数量对应的心电信号类型作为所述心电信号数据的全局识别结果。

其中，预设数量阈值可根据实际情况进行确定和调整，例如包括但不限于为3个、5个等等。

在一些实施例中，所述基于排序结果，确定最高数量对应的心电信号类型之后，还包括：

S912，若确定最高数量对应的心电信号类型为非正常心电信号类型，则确定该最高数量对应的心电信号类型作为所述心电信号数据的全局识别结果。

由于心电信号异常的信号并不是在整个采样时间段都是异常的，在对某个异常的心电信号数据进行数据截取后，往往该异常的心电信号数据会被截取出多个正常的心电信号子数据，则通过对心电信号子数据的识别会得到多个正常心电信号类型的局部识别结果，因此若确定多个局部识别结果中最高数量对应心电信号类型为正常心电信号类型，则应检测排序结果中第二高数量是否高于等于预设数量阈值，若超过该预设数量阈值，则确定第二高数量对应的心电信号类型作为心电信号数据的全局识别结果；若不超过该预设数量阈值，则确定最高数量对应的心电信号类型作为所述心电信号数据的全局识别结果，即全局识别结果为正常心电信号类型N。而，若确定最高数量对应的心电信号类型为非正常心电信号类型，则确定该最高数量对应的心电信号类型作为所述心电信号数据的全局识别结果。

经试验结果表明，采用本申请实施例的心电信号类型识别方法对1000个测试案例进行测试，通过本申请的心电信号子数据的局部识别结果进行统计和排序检测，心电信号识别的准确率高达83.9％，显著提升了心电信号识别的准确率，减少心电信号类型的误识别的情况。

此外，发明人研究发现，有些心电信号类型很容易被误识别为其他心电信号类型，例如室性早搏(PVC)心电信号类型，其在心电信号数据中可能才出现一次或两次，若将其进行数据截取之后再进行统计和排序检测，室性早搏(PVC)心电信号类型很难获得较多的统计数量以及达到预设数量阈值，因此这类型心电信号类型在实际应用中容易被漏检。因此，本申请通过在排序步骤之前，先检测多个局部识别结果对应的心电信号类型是否存在预定心电信号类型(例如PVC心电信号类型)，若检测到存在，则将心电信号数据的全局识别结果确定为该预定心电信号类型(例如PVC心电信号类型)。

经试验结果表明，采用本申请实施例的心电信号类型识别方法对1000个测试案例进行测试，通过本申请的心电信号子数据的局部识别结果进行统计和排序检测并考虑到预定心电信号类型的影响，心电信号识别的准确率高达86.7％，显著提升了心电信号识别的准确率，尤其是预定心电信号类型的识别准确率，进一步减少了心电信号类型的误识别的情况。

为了验证本申请提供的心电信号类型识别方法的识别效果，根据CPCS-2018提供的数据集进行验证。该数据集包括6877个样本共9个不同的类别，分别为正常(Normal)，心房颤动(Atrial fibrillation，AF)，I度房室阻滞(First-degree atrioventricularblock，I-AVB)，左束支阻滞(Left bundle branch block，LBBB)，右束支阻滞(Rightbundle branch block，RBBB)，房性早搏(Premature atrial contraction，PAC)，室性早搏(Premature ventricular contraction，PVC)，ST段降低(ST-segment depression，STD)，ST段抬升(ST-segment elevated，STE)。各类别的样本个数如下表所示：

在这6877个样本中，官方公布最短的信号长度为6s，最长的信号为60s，采样频率为500Hz。本申请将数据截取长度定位4s，在训练过程中，将LBBB和STE类别的样本截取70段，将其他类别样本截取为20段，同时将前4877个样本作为训练集，样本切分后直接用于训练的样本数达到107600个左右。在测试过程中，将所有类别样本均截取为20段，将后2000个样本作为测试集。测试结果表明：

采用上述图1所示的方法进行测试，其最终在测试集上达到的准确率为87.20％，F1 score为0.842，其测试结果如图10所示的分类混淆矩阵。

采用上述图9所示的方法进行测试，其最终在测试集上达到的准确率为86.95％，F1 score为0.838，其测试结果如图11所示的分类混淆矩阵。

鉴于目前心电信号识别算法的准确率为80％左右，F1 score普遍低于0.8，故而，利用本申请的心电信号类型识别方法的识别准确率高且识别效果好。

下述为本申请装置实施例，可以用于执行本申请方法实施例。对于本申请装置实施例中未披露的细节，请参照本申请方法实施例。

请参考图12，其示出了本申请实施例提供的一种心电信号识别装置的结构框图。该装置具有实现上述方法示例中装置的功能，该功能可以由硬件实现，也可以由硬件执行相应的软件实现。心电信号识别装置120可以包括：

获取模块121，用于获取心电信号数据；

数据截取模块122，用于对所述心电信号数据进行截取，得到多个心电信号子数据；

第一识别模块123，用于利用第一网络模型对每个心电信号子数据进行识别处理，得到多个局部识别结果；所述局部识别结果包括每个心电信号子数据对应的第一识别类型；

第二识别模块124，用于通过第二网络模型对所述多个局部识别结果进行识别处理，得到所述心电信号数据的全局识别结果，所述全局识别结果包括所述心电信号数据对应的第二识别类型；

其中，所述第一识别类型和所述第二识别类型均落入预设的心电信号类型集，所述心电信号类型集中包括多个心电信号所属类型。

在一些实施例中，所述数据截取模块122包括：

截取长度确定单元，用于基于心电信号数据的信号周期，确定数据截取长度；所述数据截取长度大于等于两倍的信号周期长度；

数量获取单元，用于获取所述心电信号数据对应的预设截取数量；

截取单元，用于基于所述心电信号数据的总数据长度、数据截取长度和预设截取数量，对所述心电信号数据进行数据截取，得到多个心电信号子数据；相邻的心电信号子数据之间具有数据重叠。

在一些实施例中，所述第二识别模块124包括：

统计单元，用于统计所述多个局部识别结果中每种心电信号类型的数量；

向量构建单元，用于基于统计结果和所述预设的心电信号类型集中全部心电信号类型，构建所述局部识别结果对应的待识别特征向量；

输出单元，用于通过第二网络模型，输出经所述待识别特征向量映射得到的所述心电信号数据所属类型；

识别结果确定单元，用于根据所述心电信号数据所属类型确定所述心电信号数据的全局识别结果。

在一些实施例中，所述第一网络模型是根据全部预设的心电信号类型对应的心电信号样本数据所构建的第一训练集训练得到；所述第一训练集包括多个分别与每种预设的心电信号类型对应的样本集；每个所述样本集包括经过数据截取得到的多个心电信号样本子数据；

所述第二网络模型是根据经训练的第一网络模型输出的全部预设的心电信号类型对应的心电信号样本数据的多组局部识别样本结果、以及与每组局部识别样本结果对应的实际心电信号类型标签作为第二训练集训练得到；每组所述局部识别样本结果用于表征多个心电信号样本子数据分别对应的心电信号类型。

在一些实施例中，所述装置120还包括第一模型训练模块，用于：

获取所述心电信号数据对应的训练样本集合；所述训练样本集合包括全部预设的心电信号类型对应的心电信号样本数据；

基于全部预设的心电信号类型对应的心电信号样本数据的样本数量，确定每种预设的心电信号类型对应的心电信号样本数据的预设样本截取数量；

基于每种预设的心电信号类型对应的预设样本截取数量，分别对每种预设的心电信号类型对应的多个心电信号样本数据进行数据截取，得到对应的多个心电信号样本子数据；

基于每种预设的心电信号类型对应的多个心电信号样本子数据，构建多个样本集；每个所述样本集分别与预设的心电信号类型对应的心电信号数据一一对应；

基于所述多个样本集与每个样本集对应的实际心电信号类型标签，构建第一训练集；

将所述第一训练集输入至第一初始网络模型中，训练第一初始网络模型，直至达到模型训练结束条件，获得第一网络模型。

在一些实施例中，所述装置120还包括第二模型训练模块，用于：

分别对全部预设的心电信号类型对应的心电信号样本数据中每个心电信号样本数据进行数据重新截取，得到多组心电信号样本子数据；

将经重新截取的每组心电信号样本子数据输入至经训练的第一网络模型，获得多组局部识别样本结果；每组局部识别样本结果的数量为多个、且分别与预设的心电信号类型对应的心电信号样本数据相对应；

基于所述多组局部识别样本结果、与每组局部识别样本结果对应的实际心电信号类型标签，构建第二训练集；

利用所述第二训练集训练第二初始网络模型，直至达到训练结束条件，获得第二网络模型。

请参考图13，其示出了本申请实施例提供的另一种心电信号识别装置的结构框图。该装置具有实现上述方法示例中装置的功能，该功能可以由硬件实现，也可以由硬件执行相应的软件实现。心电信号识别装置130可以包括：

获取模块131，用于获取心电信号数据；

数据截取模块132，用于对所述心电信号数据进行截取，得到多个心电信号子数据；

第一识别模块133，用于利用第一网络模型对每个心电信号子数据进行识别处理，得到多个局部识别结果；所述局部识别结果包括每个心电信号子数据对应的第一识别类型；所述第一识别类型落入预设的心电信号类型集，所述心电信号类型集中包括多个心电信号所属类型；

第三识别模块134，用于基于所述多个局部识别结果的数量进行识别处理，得到所述心电信号数据的全局识别结果。

在一些实施例中，第三识别模块134包括：

检测单元，用于检测所述多个局部识别结果对应的心电信号类型是否存在预定心电信号类型；

排序单元，用于若检测结果为否，则对所述多个局部识别结果中每个心电信号类型的数量进行排序；

第一确定单元，用于基于排序结果，确定最高数量对应的心电信号类型；

阈值判断单元，用于若确定最高数量对应心电信号类型为正常心电信号类型，则判断排序结果中第二高数量是否高于等于预设数量阈值；

第二确定单元，用于若判定排序结果中第二高数量高于等于预设数量阈值，则确定第二高数量对应的心电信号类型作为所述心电信号数据的全局识别结果；

第三确定单元，用于若判定排序结果中第二高数量低于预设数量阈值，则确定最高数量对应的心电信号类型作为所述心电信号数据的全局识别结果。

在一些实施例中，所述第三识别模块134还包括：

第四确定单元，用于若检测结果为是，则确定所述预定心电信号类型作为所述心电信号数据的全局识别结果；

第五确定单元，用于若排序结果中最高数量对应的心电信号类型的数量为至少两个，则根据预设优先级顺序，确定其中一个心电信号类型作为最高数量对应的心电信号类型；

第六确定单元，用于若确定最高数量对应的心电信号类型为非正常心电信号类型，则确定该最高数量对应的心电信号类型作为所述心电信号数据的全局识别结果。

在一些实施例中，心电信号识别装置130还可包括第二识别模块，用于通过第二网络模型对所述多个局部识别结果进行识别处理，得到所述心电信号数据的全局识别结果，所述全局识别结果包括所述心电信号数据对应的第二识别类型。

上述实施例，通过对心电信号数据进行截取得到多个心电信号子数据，利用第一网络模型识别多个心电信号子数据对应的第一识别类型，利用第二网络模型识别对第一网络模型识别得到的多个心电信号子数据中每个心电信号子数据所属心电信号类型进行识别处理，得到包括心电信号数据对应第二识别类型的全局识别结果，提高了心电信号识别的准确率和鲁棒性。

此外，由于异常心电信号数据的数量较为有限，通常无法获得足够训练数量的心电信号样本数据来训练网络模型，如此会导致用于识别心电信号类型的网络模型训练效果不佳，识别准确性不高。本申请通过将原本的心电信号样本数据截取为多个心电样本子数据，并基于截取后的多个心电样本子数据进行网络模型的训练，能够在训练过程中充分利用十分珍贵的标注样本进行网络模型训练，提高模型训练效果和识别准确性，同时降低了模型训练的难度。

需要说明的是，本申请上述各装置实施例中具体内容可参数上述方法实施例，在此不再赘述。

本申请实施例还提供一种计算机存储介质，所述计算机存储介质中存储有至少一条指令或至少一段程序，所述至少一条指令或至少一段程序由处理器加载并执行以实现如上述任一实施例所述的心电信号类型识别方法。

上述计算机存储介质可以位于计算机网络的多个网络设备中的至少一个网络设备。可选地，上述存储介质可以包括但不限于：U盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。

本申请实施例还提供一种计算机程序产品或计算机程序，所述计算机程序产品或计算机程序包括计算机指令，所述计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，是的该计算机设备执行上述任一实施例所述的心电信号识别的方法。

本申请实施例提供一种电子设备，该电子设备可以包括处理器和存储器，该存储器中存储有至少一条指令或至少一段程序，所述至少一条指令或至少一段程序由处理器加载并执行以实现如上述任一实施例所述的心电信号类型识别方法。

进一步地，图14示出了一种用于实现本申请实施例所提供的方法的计算机设备的硬件结构示意图，该计算机设备可以为服务器、计算机终端、移动终端或其它设备，计算机设备还可以参与构成或包含本申请实施例所提供的装置。如图14所示，计算机设备14可以包括一个或多个(图中采用142a、142b，……，142n来示出)处理器142(处理器142可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置)、用于存储数据的存储器144、以及用于通信功能的传输装置146。除此以外，还可以包括：显示器、输入/输出接口(I/O接口)、通用串行总线(USB)端口(可以作为I/O接口的端口中的一个端口被包括)、网络接口、电源和/或相机。本领域普通技术人员可以理解，图14所示的结构仅为示意，其并不对上述电子装置的结构造成限定。例如，计算机设备14还可包括比图14中所示更多或者更少的组件，或者具有与图14所示不同的配置。

应当注意到的是上述一个或多个处理器142和/或其他数据处理电路在本文中通常可以被称为“数据处理电路”。该数据处理电路可以全部或部分的体现为软件、硬件、固件或其他任意组合。此外，数据处理电路可为单个独立的处理模块，或全部或部分的结合到计算机设备14中的其他元件中的任意一个内。如本申请实施例中所涉及到的，该数据处理电路作为一种处理器控制(例如与接口连接的可变电阻终端路径的选择)。

存储器144可用于存储应用软件的软件程序以及模块，如本申请实施例中所述的方法对应的程序指令/数据存储装置，处理器142通过运行存储在存储器104内的软件程序以及模块，从而执行各种功能应用以及数据处理，即实现上述的一种神经网络处理方法。存储器144可包括高速随机存储器，还可包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中，存储器144可进一步包括相对于处理器142远程设置的存储器，这些远程存储器可以通过网络连接至计算机设备14。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

传输装置146用于经由一个网络接收或者发送数据。上述的网络具体实例可包括计算机设备14的通信供应商提供的无线网络。在一个实例中，传输装置146包括一个网络适配器(Network Interface Controller，NIC)，其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中，传输装置146可以为射频(Radio Frequency，RF)模块，其用于通过无线方式与互联网进行通讯。

显示器可以例如触摸屏式的液晶显示器(LCD)，该液晶显示器可使得用户能够与计算机设备14的用户界面进行交互。

需要说明的是：上述本申请实施例先后顺序仅仅为了描述，不代表实施例的优劣。且上述对本申请特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。

本申请中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置和服务器实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成，也可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等。

以上所述仅为本申请的较佳实施例，并不用以限制本申请，凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。

Claims (11)

1.一种心电信号类型识别方法，其特征在于，包括：

获取心电信号数据；

对所述心电信号数据进行截取，得到多个心电信号子数据；

利用第一网络模型对每个心电信号子数据进行识别处理，得到多个局部识别结果；所述局部识别结果包括每个心电信号子数据分别所属的第一识别类型；

通过第二网络模型对所述多个局部识别结果对应的待识别特征向量进行识别处理，得到所述心电信号数据的全局识别结果，所述全局识别结果包括所述心电信号数据对应的第二识别类型；所述待识别特征向量是基于所述多个局部识别结果中每种心电信号类型的统计结果、和预设的心电信号类型集中全部心电信号类型在所述多个局部识别结果中的出现顺序所构建的；

其中，所述第一识别类型和所述第二识别类型均落入预设的心电信号类型集，所述心电信号类型集中包括多个心电信号所属类型；

所述第二网络模型是根据多组局部识别样本结果对应的待识别样本特征向量、以及与每组局部识别样本结果对应的实际心电信号类型标签训练得到；所述多组局部识别样本结果是采用经训练的第一网络模型对全部预设的心电信号类型的心电信号样本数据进行识别处理所得，每组所述局部识别样本结果用于表征多个心电信号样本子数据分别对应的心电信号类型，同一组局部识别样本结果中每个所述局部识别样本结果对应的实际心电信号类型标签一致。

2.根据权利要求1所述的方法，其特征在于，所述对心电信号数据进行截取，得到多个心电信号子数据，包括：

基于心电信号数据的信号周期，确定数据截取长度；所述数据截取长度大于等于两倍的信号周期长度；

获取所述心电信号数据对应的预设截取数量；

基于所述心电信号数据的总数据长度、数据截取长度和预设截取数量，对所述心电信号数据进行数据截取，得到多个心电信号子数据；相邻的心电信号子数据之间具有数据重叠。

3.根据权利要求1所述的方法，其特征在于，所述通过第二网络模型对所述多个局部识别结果对应的待识别特征向量进行识别处理，得到所述心电信号数据的全局识别结果，包括：

统计所述多个局部识别结果中每种心电信号类型的数量；

基于统计结果和所述预设的心电信号类型集中全部心电信号类型在所述多个局部识别结果中的出现顺序，构建所述局部识别结果对应的待识别特征向量；

通过第二网络模型，输出经所述待识别特征向量映射得到的所述心电信号数据所属类型；

根据所述心电信号数据所属类型确定所述心电信号数据的全局识别结果。

4.根据权利要求1所述的方法，其特征在于，

所述第一网络模型是根据全部预设的心电信号类型对应的心电信号样本数据所构建的第一训练集训练得到；

所述第一训练集包括多个分别与每种预设的心电信号类型对应的样本集；每个所述样本集包括经过数据截取得到的多个心电信号样本子数据。

5.根据权利要求1-4任一所述的方法，其特征在于，所述第一网络模型通过以下步骤获得：

获取所述心电信号数据对应的训练样本集合；所述训练样本集合包括全部预设的心电信号类型对应的心电信号样本数据；

基于全部预设的心电信号类型对应的心电信号样本数据的样本数量，确定每种预设的心电信号类型对应的心电信号样本数据的预设样本截取数量；

基于每种预设的心电信号类型对应的预设样本截取数量，分别对每种预设的心电信号类型对应的多个心电信号样本数据进行数据截取，得到对应的多个心电信号样本子数据；

基于每种预设的心电信号类型对应的多个心电信号样本子数据，构建多个样本集；每个所述样本集分别与预设的心电信号类型对应的心电信号数据一一对应；

基于所述多个样本集与每个样本集对应的实际心电信号类型标签，构建第一训练集；

将所述第一训练集输入至第一初始网络模型中，训练第一初始网络模型，直至达到模型训练结束条件，获得第一网络模型。

6.根据权利要求1-4任一所述的方法，其特征在于，所述第二网络模型通过以下步骤获得：

分别对全部预设的心电信号类型对应的心电信号样本数据中每个心电信号样本数据进行数据重新截取，得到多组心电信号样本子数据；

将经重新截取的每组心电信号样本子数据输入至经训练的第一网络模型，获得多组局部识别样本结果；每组局部识别样本结果的数量为多个、且分别与预设的心电信号类型对应的心电信号样本数据相对应；

基于所述多组局部识别样本结果对应的待识别样本特征向量、与每组局部识别样本结果对应的实际心电信号类型标签，构建第二训练集；

利用所述第二训练集训练第二初始网络模型，直至达到训练结束条件，获得第二网络模型。

7.根据权利要求1或2所述的方法，其特征在于，所述利用第一网络模型对每个心电信号子数据进行分类处理，得到多个局部识别结果之后，还包括通过以下步骤确定所述心电信号数据的全局识别结果：

检测所述多个局部识别结果对应的心电信号类型是否存在预定心电信号类型；

若检测结果为否，则对所述多个局部识别结果中每个心电信号类型的数量进行排序；

基于排序结果，确定最高数量对应的心电信号类型；

若确定最高数量对应心电信号类型为正常心电信号类型，则判断排序结果中第二高数量是否高于等于预设数量阈值；

若判定排序结果中第二高数量高于等于预设数量阈值，则确定第二高数量对应的心电信号类型作为所述心电信号数据的全局识别结果；

若判定排序结果中第二高数量低于预设数量阈值，则确定最高数量对应的心电信号类型作为所述心电信号数据的全局识别结果。

8.根据权利要求7所述的方法，其特征在于，所述检测所述多个局部识别结果对应的心电信号类型是否存在预定心电信号类型之后，还包括通过以下步骤确定所述心电信号数据的全局识别结果：

若检测结果为是，则确定所述预定心电信号类型作为所述心电信号数据的全局识别结果；

所述基于排序结果，确定最高数量对应的心电信号类型包括：若排序结果中最高数量对应的心电信号类型的数量为至少两个，则根据预设优先级顺序，确定其中一个心电信号类型作为最高数量对应的心电信号类型；

所述基于排序结果，确定最高数量对应的心电信号类型之后，还包括：若确定最高数量对应的心电信号类型为非正常心电信号类型，则确定该最高数量对应的心电信号类型作为所述心电信号数据的全局识别结果。

9.一种心电信号类型识别装置，其特征在于，包括：

获取模块，用于获取心电信号数据；

数据截取模块，用于对所述心电信号数据进行截取，得到多个心电信号子数据；

第一识别模块，用于利用第一网络模型对每个心电信号子数据进行识别处理，得到多个局部识别结果；所述局部识别结果包括每个心电信号子数据分别所属的第一识别类型；

第二识别模块，用于通过第二网络模型对所述多个局部识别结果对应的待识别特征向量进行识别处理，得到所述心电信号数据的全局识别结果，所述全局识别结果包括所述心电信号数据对应的第二识别类型；所述待识别特征向量是基于所述多个局部识别结果中每种心电信号类型的统计结果、和预设的心电信号类型集中全部心电信号类型在所述多个局部识别结果中的出现顺序所构建的；

其中，所述第一识别类型和所述第二识别类型均落入预设的心电信号类型集，所述心电信号类型集中包括多个心电信号所属类型；

所述第二网络模型是根据多组局部识别样本结果对应的待识别样本特征向量、以及与每组局部识别样本结果对应的实际心电信号类型标签作为第二训练集训练得到；所述多组局部识别样本结果是采用经训练的第一网络模型对全部预设的心电信号类型的心电信号样本数据进行识别处理所得，每组所述局部识别样本结果用于表征多个心电信号样本子数据分别对应的心电信号类型，同一组局部识别样本结果中每个所述局部识别样本结果对应的实际心电信号类型标签一致。

10.一种计算机存储介质，其特征在于，所述计算机存储介质中存储有至少一条指令或至少一段程序，所述至少一条指令或至少一段程序由处理器加载并执行以实现如权利要求1-8中任一项所述的心电信号类型识别方法。

11.一种电子设备，所述电子设备包括处理器和存储器，所述存储器中存储有至少一条指令或至少一段程序，所述至少一条指令或至少一段程序由处理器加载并执行以实现如权利要求1-8中任一项所述的心电信号类型识别方法。