CN112353402A - 心电信号分类模型的训练方法、心电信号分类方法及装置 - Google Patents

Abstract

本申请涉及人工智能技术领域，提供了一种心电信号分类模型的训练方法、心电信号分类方法、装置、计算机可读存储介质及电子设备。该心电信号分类模型的训练方法包括：构建训练样本集，每个训练样本包含有心电信号样本以及多个异常标注标签；通过待训练心电信号分类模型的神经网络获取心电信号样本的特征向量以及心电信号样本的异常标签向量；根据异常标签向量生成标签相关性矩阵，并根据特征向量和标签相关性矩阵，生成异常标签概率分布向量；根据异常标签概率分布向量以及多个异常标注标签，对待训练心电信号分类模型进行训练，得到训练后的心电信号分类模型。本申请实施例的技术方案能够通过模型实现对心电信号中的异常事件进行有效分类。

Description

心电信号分类模型的训练方法、心电信号分类方法及装置

技术领域

本申请涉及人工智能领域，具体而言，涉及一种心电信号分类模型的训练方法、心电信号分类方法、装置、计算机可读存储介质及电子设备。

背景技术

心电信号是人类最早研究并应用于医学临床的生物信号之一，它比其它生物电信号更易于检测，并且具有较直观的规律性，因而也就使得心电信号分析成为医生诊断心脏疾病的重要手段。

传统分析方法常通过提取心电信号特征对信号进行分类。近年来，随着深度神经网络技术的兴起，应用深度学习方法对心电信号分类的研究也日渐增多。然而，无论是传统分析方法还是机器学习分类的方法都只是对心电信号的分类，即识别心电信号是正常信号还是异常信号。

事实上，心电信号中的异常事件对于心电信号分析至关重要，心电信号中的异常事件包括左心房肥大、右心室肥大、双心室肥大、前壁心肌梗死、后壁心肌梗死等等，然而现有技术中缺乏对心电信号中的异常事件分类的相关方案。

发明内容

本申请的实施例提供了一种心电信号分类模型的训练方法、心电信号分类方法、装置、介质及电子设备，进而至少在一定程度上能够通过训练得到的心电信号分类模型实现对异常心电信号的有效分类。

本申请的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本申请的实践而习得。

根据本申请实施例的一个方面，提供了一种心电信号分类模型的训练方法，包括：构建训练样本集，所述训练样本集中每个训练样本包含有心电信号样本以及多个异常标注标签，所述多个异常标注标签为对所述心电信号样本中的多个异常类别标注的标签；通过待训练心电信号分类模型的神经网络获取所述心电信号样本的特征向量以及所述心电信号样本的异常标签向量；根据所述异常标签向量生成标签相关性矩阵，并根据所述特征向量和所述标签相关性矩阵，生成异常标签概率分布向量；根据所述异常标签概率分布向量以及所述多个异常标注标签，对所述待训练心电信号分类模型进行训练，得到训练后的心电信号分类模型。

根据本申请实施例的一个方面，提供了一种心电信号分类方法，包括：通过心电信号分类模型对待分类心电信号进行特征提取，得到所述待分类心电信号的信号特征；通过所述心电信号分类模型对所述信号特征进行分类预测，得到所述待分类心电信号对应的异常类别；其中，所述心电信号分类模型通过上述实施例提供的心电信号分类模型的训练方法进行训练得到。

根据本申请实施例的一个方面，提供了一种心电信号分类的训练装置，包括：构建单元，配置为构建训练样本集，所述训练样本集中每个训练样本包含有心电信号样本以及多个异常标注标签，所述多个异常标注标签为对所述心电信号样本中的多个异常类别标注的标签；获取单元，配置为通过待训练心电信号分类模型的神经网络获取所述心电信号样本的特征向量以及所述心电信号样本的异常标签向量；生成单元，配置为根据所述异常标签向量生成标签相关性矩阵，并根据所述特征向量和所述标签相关性矩阵，生成异常标签概率分布向量；训练单元，配置为根据所述异常标签概率分布向量以及所述多个异常标注标签，对所述待训练心电信号分类模型进行训练，得到训练后的心电信号分类模型。

在本申请的一些实施例中，基于前述方案，所述生成单元配置为：根据所述异常标签向量，获取所述心电信号样本的标签词向量矩阵、可训练参数矩阵以及条件概率矩阵；根据所述心电信号样本的标签词向量矩阵、所述可训练参数矩阵以及所述条件概率矩阵，获得所述标签相关性矩阵。

在本申请的一些实施例中，基于前述方案，所述训练单元包括：确定子单元，配置为根据所述多个异常标注标签以及所述异常标签概率分布向量，确定损失函数的值；更新子单元，配置为基于所述损失函数的值，更新所述待训练心电信号分类模型的模型参数，得到训练后的心电信号分类模型。

在本申请的一些实施例中，基于前述方案，所述确定子单元配置为将所述异常概率分布向量中大于第一预设阈值的概率值对应的异常标签作为所述心电信号样本的多个异常预测标签；获取所述多个异常预测标签和所述多个异常标注标签之间的差异；确定所获取的各个差异之和的平均值，将确定的所述平均值作为所述损失函数的值。

在本申请的一些实施例中，基于前述方案，所述更新子单元配置为当所述损失函数的值超出第二预设阈值时，基于所述待训练心电信号分类模型的损失函数确定相应的误差信号；将所述误差信号在所述待训练心电信号分类模型中反向传播，并在传播的过程中更新所述待训练心电信号分类模型的模型参数，得到训练后的心电信号分类模型。

根据本申请实施例的一个方面，提供了一种心电信号分类装置，包括：提取单元，配置为通过心电信号分类模型对待分类心电信号进行特征提取，得到所述待分类心电信号的信号特征；分类单元，配置为通过所述心电信号分类模型对所述信号特征进行分类预测，得到所述待分类心电信号对应的异常类别；其中，所述心电信号分类模型通过上述实施例提供的心电信号分类模型的训练方法进行训练得到。

在本申请的一些实施例所提供的技术方案中，通过构建训练样本集，训练样本集中每个训练样本包含有心电信号样本以及多个异常标注标签，然后，获取心电信号样本的特征向量和异常标签向量，基于每个训练样本中包含的心电信号样本的异常标签向量生成标签相关性矩阵，并根据心电信号样本的特征向量和标签相关性矩阵，生成异常标签概率分布向量，通过根据异常标签概率分布向量以及多个异常标注标签，对待训练心电信号分类模型进行训练，从而得到训练后的心电信号分类模型。本申请技术方案充分利用心电信号样本中的异常标签向量进行模型训练，提高了训练得到的心电信号分类模型的预测准确度，使得能够通过训练后的心电信号分类模型对心电信号中的异常事件进行有效分类。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本申请。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本申请的实施例，并与说明书一起用于解释本申请的原理。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他的附图。在附图中：

图1示出了可以应用本申请实施例的技术方案的模型训练系统的一个示例性系统架构的示意图；

图2示出了根据本申请的一个实施例的心电信号分类模型的训练方法的流程图；

图3示出了根据本申请的一个实施例的心电信号分类模型的训练方法的流程图；

图4示出了根据本申请的一个实施例的心电信号分类模型的训练方法的流程图；

图5示出了根据本申请的一个实施例的心电信号分类模型的训练方法的流程图；

图6示出了根据本申请的一个实施例的心电信号分类模型的训练方法的流程图；

图7示出了根据本申请的一个实施例的心电信号分类方法的流程图；

图8示出了根据本申请的一个实施例的心电信号分类模型的训练装置的框图；

图9示出了根据本申请的一个实施例的心电信号分类装置的框图；

图10示出了适于用来实现本申请实施例的电子设备的计算机系统的结构示意图。

具体实施方式

现在将参考附图更全面地描述示例实施方式。然而，示例实施方式能够以多种形式实施，且不应被理解为限于在此阐述的范例；相反，提供这些实施方式使得本申请将更加全面和完整，并将示例实施方式的构思全面地传达给本领域的技术人员。

此外，所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施例中。在下面的描述中，提供许多具体细节从而给出对本申请的实施例的充分理解。然而，本领域技术人员将意识到，可以实践本申请的技术方案而没有特定细节中的一个或更多，或者可以采用其它的方法、组元、装置、步骤等。在其它情况下，不详细示出或描述公知方法、装置、实现或者操作以避免模糊本申请的各方面。

需要说明的是，本申请的说明书和权利要求书及上述附图中使用的术语仅用于描述实施例，并不旨在限制本申请的范围。应该理解的是，术语“包括”、“包含”、“具有”等在本文中使用时指定存在所陈述的特点、整体、步骤、操作、元件、组件和/或其群组，但并不排除存在或添加其他特点、整体、步骤、操作、元件、组件和/或其群组中的一个或多个。

将进一步理解的是，尽管术语“第一”、“第二”、“第三”等可以在本文中用于描述各种元件，但是这些元件不应受这些术语的限制。这些术语仅用于区分一个元件和另一个元件。例如，在不脱离本发明的范围的情况下，第一元件可以被称为第二元件。类似地，第二元件可以被称为第一元件。如本文所使用的，术语“和/或”包含关联的列出的项目中的一个或多个的任何和所有组合。

附图中所示的方框图仅仅是功能实体，不一定必须与物理上独立的实体相对应。即，可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。

附图中所示的流程图仅是示例性说明，不是必须包括所有的内容和操作/步骤，也不是必须按所描述的顺序执行。例如，有的操作/步骤还可以分解，而有的操作/步骤可以合并或部分合并，因此实际执行的顺序有可能根据实际情况改变。

应当理解，在本申请中，“至少一个(项)”是指一个或者多个，“多个”是指两个或两个以上。

随着人工智能技术研究和进步，人工智能技术在多个领域展开研究和应用，例如常见的智能家居、智能穿戴设备、虚拟助理、智能音箱、智能营销、无人驾驶、自动驾驶、无人机、机器人、智能医疗、智能客服等，相信随着技术的发展，人工智能技术将在更多的领域得到应用，并发挥越来越重要的价值。

本申请实施例提供的方案涉及人工智能的机器学习等技术，具体通过如下实施例进行说明，首先对几个名词进行解释和说明：

人工智能(Artificial Intelligence，AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。换句话说，人工智能是计算机科学的一个综合技术，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器。人工智能也就是研究各种智能机器的设计原理与实现方法，使机器具有感知、推理与决策的功能。

人工智能技术是一门综合学科，涉及领域广泛，既有硬件层面的技术也有软件层面的技术。人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。

机器学习(Machine Learning，ML)是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。机器学习是人工智能的核心，是使计算机具有智能的根本途径，其应用遍及人工智能的各个领域。机器学习和深度学习通常包括人工神经网络、置信网络、强化学习、迁移学习、归纳学习、式教学习等技术。

为了对心电信号中的异常事件进行分类，本申请实施例提出了一种心电信号分类模型的训练方法，该方法应用于图1所示的模型训练系统，请参阅图1，图1为本申请实施例中模型训练系统的一个架构示意图，如图所示，模型训练系统中包括服务器和终端设备。而模型训练装置可以部署于服务器，也可以部署于具有较高计算力的终端设备，下面将以模型训练装置部署于服务器为示例进行介绍。

具体的，服务器在对模型进行训练之前，可以先构建训练样本集，训练样本集中每个训练样本包含有心电信号样本以及多个异常标注标签，多个异常标注标签为对心电信号样本中的多个异常类别标注的标签，然后，通过待训练心电信号分类模型的神经网络获取心电信号样本的特征向量以及心电信号样本的异常标签向量，进而，根据异常标签向量生成标签相关性矩阵，并根据特征向量和标签相关性矩阵，生成异常标签概率分布向量，最后，根据异常标签概率分布向量以及多个异常标注标签，对待训练心电信号分类模型进行训练，得到训练后的心电信号分类模型。

服务器和终端设备之间可以通过无线网络、有线网络或可移动存储介质进行通信。其中，上述的无线网络使用标准通信技术和/或协议。无线网络通常为因特网、但也可以是任何网络，包括但不限于蓝牙、局域网(Local Area Network，LAN)、城域网(Metropolitan Area Network，MAN)、广域网(Wide Area Network，WAN)、移动、专用网络或者虚拟专用网络的任何组合)。在一些实施例中，可以使用定制或专用数据通信技术取代或者补充上述数据通信技术。可移动存储介质可以为通用串行总线(Universal Serial Bus，USB)闪存盘、移动硬盘或其他可移动存储介质等。

其中，图1中的服务器可以是一台服务器或多台服务器组成的服务器集群或云计算中心等，具体此处均不限定。终端设备可以为图1中示出的平板电脑、笔记本电脑、掌上电脑、手机、个人电脑(personal computer，PC)及语音交互设备，也可以为监控设备、人脸识别设备等，此处不做限定。其中，语音交互设备包含但不仅限于智能音响以及智能家电。

虽然图1中仅示出了三个终端设备和一个服务器，但应当理解，图1中的示例仅用于理解本方案，具体终端设备和服务器的数量均应当结合实际情况灵活确定。

以下对本申请实施例的技术方案的实现细节进行详细阐述：

图2示出了根据本申请的一个实施例的心电信号分类模型的训练方法的流程图。参照图2所示，所述方法包括：

步骤S210、构建训练样本集，所述训练样本集中每个训练样本包含有心电信号样本以及多个异常标注标签，所述多个异常标注标签为对所述心电信号样本中的多个异常类别标注的标签；

步骤S220、通过待训练心电信号分类模型的神经网络获取所述心电信号样本的特征向量以及所述心电信号样本的异常标签向量；

步骤S230、根据所述异常标签向量生成标签相关性矩阵，并根据所述特征向量和所述标签相关性矩阵，生成异常标签概率分布向量；

步骤S240、根据所述异常标签概率分布向量以及所述多个异常标注标签，对所述待训练心电信号分类模型进行训练，得到训练后的心电信号分类模型。

下面对这些步骤进行详细描述。

在步骤S210中，构建训练样本集，所述训练样本集中每个训练样本包含有心电信号样本以及多个异常标注标签，所述多个异常标注标签为对所述心电信号样本中的多个异常类别标注的标签。

本实施例中，心电信号为从体表记录的心脏每一心动周期所产生的电活动变化的信号，通常通过心电图(Electro Cardio Gram，ECG)图形化的方式记录。在训练心电信号分类模型之前，需要构建用于训练模型的训练样本集，训练样本集中每个训练样本包括心电信号样本和多个异常类别标注标签，多个异常类别标注标签为对心电信号样本中多个异常事件的异常类别标注的标签。

需要说明的是，对于每个训练样本中的心电信号样本可以通过如下方式采集得到：通过心电导联和传感器采集心电信号，由模数转换器把人体生理参数的模拟信号转化为数字信号，由存储器存储。

更具体而言，可以通过8导联采集心电信号，根据同一时刻R波顶点的位置向前截取2500个点，向后截取2500个点，每个导联截取到5000个点的数据，随后把相同时刻R波顶点对每个导联所截取的5000个点进行第二维度拼接，每导联的心电信号由1*5000维扩增为8*5000维，此时已经将原始每个导联的心电信号的一个心拍经过采样形成上述8*5000维的一个样本。然后对所有心电信号数据的R波顶定点进行同样的操作，得到包含(8*5000)*M维数据的数据集U，每个样本都是(8*5000)维，由于每个样本都是根据R波顶点的位置截取的，所以M为截取所使用的R波顶点的个数，也就是心电信号样本的个数，每个心电信号样本都是8*5000的8导联心电信号数据。

在采集得到心电信号样本后，可以对心电信号样本通过人工标注出多个异常类别标签，异常类别标签包括但不限于左心房肥大、右心房肥大、双心房肥大、左心室肥大、右心室肥大、双心室肥大、前壁心肌梗死、后壁心肌梗死、前间壁心肌梗死、侧壁心肌梗死、后间壁心肌梗死、窦性心律不齐、房性早搏、室性早搏、室上速、室速、房扑、房颤、室扑、室颤、左束支阻滞、右束支阻滞、房性逸博、室性逸博、心动过速、心动过缓、房室传导阻滞等等。

在步骤S220中，通过待训练心电信号分类模型的神经网络获取所述心电信号样本的特征向量以及所述心电信号样本的异常标签向量。

本实施例的待训练心电信号分类模型的神经网络可以包括输入层、特征提取层、众包层及输出层。在实际应用中，心电信号分类模型的特征提取层可由任何具备对心电信号进行特征提取功能的网络构成，如可由卷积层、池化层及全连接层的卷积神经网络(Convolutional Neural Networks，CNN)构成。

具体到本步骤中，为了获取心电信号样本的特征向量，可以将心电信号样本输入至特征提取层，通过特征提取层中的神经网络，例如由卷积层、池化层以及全连接层构成的卷积神经网络，得到特征向量。需要说明的是，特征提取层输出的特征向量的维度为预先设置的降维后的特征向量的维度。

对于特征提取层的训练可以采用监督学习方法或非监督学习方法，非监督学习方法(Unsupervised Learning)是指在实际应用中，存在大量没有进行标注的或者少量标注的样本，从中学习样本之间的相互联系，非监督学习方法可以通过建立优化目标，来实现对特征提取层的训练。而采用监督学习方法训练时，可以将样本集中的样本和标注信息分别作为输入和期望输出，利用机器学习方法训练初始的特征提取层。

在本申请实施例的一些可选实现方式中，训练特征提取层的样本数据集合中的样本数据包括与心电信号样本来源相同的数据。特征提取层的训练可以在达到预设的优化目标或完成预设次数的迭代时结束。

进一步，除了通过特征提取层获取心电信号样本的特征向量以外，在本实施例中，还可以通过待训练心电信号分类模型的神经网络获取所述心电信号样本的异常标签向量。

具体地，可以利用预设的已训练深度学习算法模型对心电信号样本进行处理，而经过该已训练深度学习算法模型，可以获得心电信号样本的异常标签向量。将在心电信号中出现的异常类别记为1，没有出现则记为0，例如，假如某个心电信号样本有8类异常事件，异常标签向量可以表示为[1，0，1，0，1，0，0，1]，该异常标签向量则表示这个心电信号样本包含类别1、类别3、类别5和类别8的异常。

本实施方式中的已训练深度学习算法模型至少包括：卷积神经网络和多层感知器(MLP，Multilayer Perceptron)；相应的，利用该已训练深度学习算法模型对训练样本集进行处理的过程可包括将所述心电信号样本输入卷积神经网络，提取获得心电信号样本的特征信息；将心电信号样本的特征信息输入多层感知器，以使多层感知器根据预设的异常类别标签对特征信息进行向量维度的映射，获得心电信号样本的异常类别标签向量。

需要说明的是，卷积神经网络和多层感知器均属于较为成熟的网络架构，本实施方式对其架构组成不进行限制。但是，为了实现对心电信号样本进行分析以得到相应的异常类别标签向量，本申请通过利用卷积神经网络和多层感知器依次执行前述步骤，以实现相应功能。

在步骤S230中，根据所述异常标签向量生成标签相关性矩阵，并根据所述特征向量和所述标签相关性矩阵，生成异常标签概率分布向量。

在一些实施例中，在对心电信号样本进行处理得到异常标签向量后，可以计算各个异常标签之间的相关性，在本实施例中，两个异常标签相关性由如下模型计算得出：

其中，P_x,y为异常标签x和异常标签y的相关性。

然后，根据两个异常标签相关性可以生成标签相关性矩阵ρ，表示如下：

在通过步骤S220获取到心电信号样本的特征向量，并根据异常标签向量生成标签相关性矩阵后，可以将特征向量以及标签相关性矩阵相乘，获得异常标签概率分布向量。其中，异常概率分布向量表示的是心电信号样本中异常发生的概率。例如，假设获得的心电信号样本的异常标签概率分布向量是(0.1,0.2,0.5,0.1,0.1)，异常标签概率分布向量可以分别对应于异常标签A、异常标签B、异常标签C、异常标签D和异常标签E。

在其他实施例中，如图3所示，根据异常标签向量生成标签相关性矩阵还可以通过如下方式实现，具体包括步骤S310-步骤S320，现详细说明如下：

步骤S310、根据所述异常标签向量，获取所述心电信号样本的标签词向量矩阵、可训练参数矩阵以及条件概率矩阵。

具体的，可以利用word2vec技术以无监督的方式，对心电信号样本的异常标签向量进行训练，得到标签词向量矩阵。例如，假设将异常类别标签向量中每个标签向量看作一个词语，异常类别标签向量中有30个词语，每个词语经过编码后得到一个300维的向量，因此，标签词向量矩阵则表示为30*300维的矩阵。而对于心电信号样本的可训练参数矩阵，则可以采用卷积神经网络(CNN，Convolutional Neural Networks)作为一个可训练的特征检测器对异常标签向量进行特征提取，得到可训练参数矩阵。

而心电信号样本的条件概率矩阵则不用通过训练，直接统计异常标签向量中标签两两出现的条件概率，得到条件概率矩阵，举例说明，比如标签向量为[1，1，0]，则可以得到的条件概率矩阵m为：

步骤S320、根据所述心电信号样本的标签词向量矩阵、所述可训练参数矩阵以及所述条件概率矩阵，获得所述标签相关性矩阵。

具体而言，将标签词向量矩阵、条件概率矩阵以及可训练参数矩阵相乘，可以得到心电信号样本的标签相关性矩阵。

继续参见图2，在步骤S240中，根据所述异常标签概率分布向量以及所述多个异常标注标签，对所述待训练心电信号分类模型进行训练，得到训练后的心电信号分类模型。

具体实现中，服务器可以根据获得的异常标签概率分布向量以及多个异常标注标签，对待训练心电信号分类模型进行训练，从而得到训练后的心电信号分类模型。

在本申请的一个实施例中，在训练待训练心电信号分类模型的过程中，可以基于损失函数，更新模型参数，从而得到训练后的心电信号分类模型，如图4所示，步骤S240可以具体包括：

步骤S410、根据所述多个异常标注标签以及所述异常标签概率分布向量，确定损失函数的值；

步骤S420、基于所述损失函数的值，更新所述待训练心电信号分类模型的模型参数，得到训练后的心电信号分类模型。

在该实施例中，服务器将每个训练样本输入待训练心电信号分类模型，每个训练样本中包含有心电信号样本，从而可以得到心电信号样本的预测结果；基于各个预测结果以及多个异常标注标签，确定损失函数的值，基于损失函数的值，更新待训练心电信号分类模型的模型参数，得到训练后的心电信号分类模型。

在本申请的一个实施例中，如图5所示，步骤S410可以具体包括：

步骤S510、将所述异常概率分布向量中大于第一预设阈值的概率值对应的异常标签作为所述心电信号样本的多个异常预测标签；

步骤S520、获取所述多个异常预测标签和所述多个异常标注标签之间的差异；

步骤S530、确定所获取的各个差异之和的平均值，将确定的所述平均值作为所述损失函数的值。

在该实施例中，模型分类系统可以将异常概率分布向量中大于第一预设阈值的概率值对应的异常标签作为心电信号样本的多个异常预测标签。

举例说明，异常标签概率分布向量是(0.1，0.2，0.3，0.5，0.1，0.4，0.1)，异常标签概率分布向量可以分别对应于异常标签A、异常标签B、异常标签C、异常标签D、异常标签E、异常标签F和异常标签G，假设预设阈值为0.2，则可以得到心电信号样本的多个异常预测标签为异常标签C、异常标签D以及异常标签F。

然后，模型分类系统可以获取多个异常预测标签和多个异常标注标签之间的差异，确定获取的各个差异的差异和，将确定的差异和作为损失函数的值。

可选地，损失函数可以包括0-1损失(Zero-one Loss)函数、感知损失(PerceptronLoss)函数、铰链损失(Hinge Loss)函数、交叉熵损失函数、平方误差损失(Square Loss)函数、绝对值损失(Absolute Loss)函数、指数误差(Exponential Loss)函数和正则函数中的任意一种。

在本申请的一个实施例中，如图6所示，步骤S420可以具体包括：

步骤S610、当所述损失函数的值超出第二预设阈值时，基于所述待训练心电信号分类模型的损失函数确定相应的误差信号；

步骤S620、将所述误差信号在所述待训练心电信号分类模型中反向传播，并在传播的过程中更新所述待训练心电信号分类模型的模型参数，得到训练后的心电信号分类模型。

当服务器确定损失函数的值超出第二预设阈值时，基于待训练心电信号分类模型的损失函数确定相应的误差信号，将误差信号在待训练心电信号分类模型中反向传播，并在传播的过程中更新所述待训练心电信号分类模型的模型参数，得到训练后的心电信号分类模型。

这里对反向传播进行说明，将训练样本输入神经网络模型的输入层，经过隐藏层，最后达到输出层并输出结果，这是神经网络模型的前向传播过程。由于神经网络模型的输出结果与实际结果有误差，则计算输出结果与实际结果之间的误差，并将该误差从输出层向隐藏层反向传播，直至传播到输入层，在反向传播过程中，根据误差调整模型参数的值，不断迭代上述过程，直至收敛。

图7示出了根据本申请的一个实施例的心电信号分类方法的流程图，参照图7所示，心电信号分类方法包括：

步骤S710、通过心电信号分类模型对待分类心电信号进行特征提取，得到所述待分类心电信号的信号特征；

步骤S720、通过所述心电信号分类模型对所述信号特征进行分类预测，得到所述待分类心电信号对应的异常类别。

这里，在实际应用中，终端可以设置心电信号分类客户端，基于心电信号分类客户端发送带有待分类心电信号的分类请求给服务器。在实际实施时，服务器解析分类请求得到待分类心电信号，输入心电信号分类模型，输出待分类心电信号对应的异常类别。

具体地，服务器可以通过心电信号分类模型对待分类心电信号进行特征提取，得到待分类心电信号的信号特征；然后，通过心电信号分类模型对信号特征进行分类预测，得到待分类心电信号对应的异常类别。

以下介绍本申请的装置实施例，可以用于执行本申请上述实施例中的心电信号分类模型的训练方法。对于本申请装置实施例中未披露的细节，请参照本申请上述的心电信号分类模型的训练方法的实施例。

图8示出了根据本申请的一个实施例的心电信号分类模型的训练装置的框图，参照图8所示，根据本申请的一个实施例的心电信号分类模型的训练装置800，包括：构建单元802、获取单元804、生成单元806和训练单元808。

其中，构建单元802，配置为构建训练样本集，所述训练样本集中每个训练样本包含有心电信号样本以及多个异常标注标签，所述多个异常标注标签为对所述心电信号样本中的多个异常类别标注的标签；获取单元804，配置为通过待训练心电信号分类模型的神经网络获取所述心电信号样本的特征向量以及所述心电信号样本的异常标签向量；生成单元806，配置为根据所述异常标签向量生成标签相关性矩阵，并根据所述特征向量和所述标签相关性矩阵，生成异常标签概率分布向量；训练单元808，配置为根据所述异常标签概率分布向量以及所述多个异常标注标签，对所述待训练心电信号分类模型进行训练，得到训练后的心电信号分类模型。

在本申请的一些实施例中，所述生成单元806配置为：根据所述异常标签向量，获取所述心电信号样本的标签词向量矩阵、可训练参数矩阵以及条件概率矩阵；根据所述心电信号样本的标签词向量矩阵、所述可训练参数矩阵以及所述条件概率矩阵，获得所述标签相关性矩阵。

在本申请的一些实施例中，所述训练单元808包括：确定子单元，配置为根据所述多个异常标注标签以及所述异常标签概率分布向量，确定损失函数的值；更新子单元，配置为基于所述损失函数的值，更新所述待训练心电信号分类模型的模型参数，得到训练后的心电信号分类模型。

在本申请的一些实施例中，所述确定子单元配置为将所述异常概率分布向量中大于第一预设阈值的概率值对应的异常标签作为所述心电信号样本的多个异常预测标签；获取所述多个异常预测标签和所述多个异常标注标签之间的差异；确定所获取的各个差异之和的平均值，将确定的所述平均值作为所述损失函数的值。

在本申请的一些实施例中，所述更新子单元配置为当所述损失函数的值超出第二预设阈值时，基于所述待训练心电信号分类模型的损失函数确定相应的误差信号；将所述误差信号在所述待训练心电信号分类模型中反向传播，并在传播的过程中更新所述待训练心电信号分类模型的模型参数，得到训练后的心电信号分类模型。

图9示出了根据本申请的一个实施例的心电信号分类装置的框图。

参见图9所示，根据本申请的一个实施例的心电信号分类装置900，包括：提取单元902以及分类单元904。

提取单元902，配置为通过心电信号分类模型对待分类心电信号进行特征提取，得到所述待分类心电信号的信号特征；分类单元904，配置为通过所述心电信号分类模型对所述信号特征进行分类预测，得到所述待分类心电信号对应的异常类别；其中，所述心电信号分类模型通过上述实施例提供的心电信号分类模型的训练方法进行训练得到。

图10示出了适于用来实现本申请实施例的电子设备的计算机系统的结构示意图。

需要说明的是，图10示出的电子设备的计算机系统1000仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。

如图10所示，计算机系统1000包括中央处理单元(Central Processing Unit，CPU)1001，其可以根据存储在只读存储器(Read-Only Memory，ROM)1002中的程序或者从存储部分1008加载到随机访问存储器(Random Access Memory，RAM)1003中的程序而执行各种适当的动作和处理，例如执行上述实施例中所述的方法。在RAM 1003中，还存储有系统操作所需的各种程序和数据。CPU 1001、ROM 1002以及RAM 1003通过总线1004彼此相连。输入/输出(Input/Output，I/O)接口1005也连接至总线1004。

以下部件连接至I/O接口1005：包括键盘、鼠标等的输入部分1006；包括诸如阴极射线管(Cathode Ray Tube，CRT)、液晶显示器(Liquid Crystal Display，LCD)等以及扬声器等的输出部分1007；包括硬盘等的存储部分1008；以及包括诸如LAN(Local AreaNetwork，局域网)卡、调制解调器等的网络接口卡的通信部分1009。通信部分1009经由诸如因特网的网络执行通信处理。驱动器1010也根据需要连接至I/O接口1005。可拆卸介质1011，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器1010上，以便于从其上读出的计算机程序根据需要被安装入存储部分1008。

特别地，根据本申请的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本申请的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的计算机程序。在这样的实施例中，该计算机程序可以通过通信部分1009从网络上被下载和安装，和/或从可拆卸介质1011被安装。在该计算机程序被中央处理单元(CPU)1001执行时，执行本申请的系统中限定的各种功能。

需要说明的是，本申请实施例所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(Erasable Programmable Read Only Memory，EPROM)、闪存、光纤、便携式紧凑磁盘只读存储器(Compact Disc Read-Only Memory，CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本申请中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的计算机程序。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的计算机程序可以用任何适当的介质传输，包括但不限于：无线、有线等等，或者上述的任意合适的组合。

附图中的流程图和框图，图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。其中，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图或流程图中的每个方框、以及框图或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

描述于本申请实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现，所描述的单元也可以设置在处理器中。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定。

作为另一方面，本申请还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被一个该电子设备执行时，使得该电子设备实现上述实施例中所述的方法。

应当注意，尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元，但是这种划分并非强制性的。实际上，根据本申请的实施方式，上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之，上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。

通过以上的实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本申请实施方式的技术方案可以以软件产品的形式体现出来，该软件产品是可以存储在存储介质(可以是CD-ROM，U盘，移动硬盘等)中或网络上的计算机可读指令，所述存储介质可以是易失性的，也可以是非易失性的。所述计算机可读指令包括若干指令以使得一台计算设备(可以是个人计算机、服务器、触控终端、或者网络设备等)执行根据本申请实施方式的方法。

本领域技术人员在考虑说明书及实践这里公开的实施方式后，将容易想到本申请的其它实施方案。本申请旨在涵盖本申请的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本申请的一般性原理并包括本申请未公开的本技术领域中的公知常识或惯用技术手段。

应当理解的是，本申请并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本申请的范围仅由所附的权利要求来限制。

Claims (10)

1.一种心电信号分类模型的训练方法，其特征在于，所述方法包括：

构建训练样本集，所述训练样本集中每个训练样本包含有心电信号样本以及多个异常标注标签，所述多个异常标注标签为对所述心电信号样本中的多个异常类别标注的标签；

通过待训练心电信号分类模型的神经网络获取所述心电信号样本的特征向量以及所述心电信号样本的异常标签向量；

根据所述异常标签向量生成标签相关性矩阵，并根据所述特征向量和所述标签相关性矩阵，生成异常标签概率分布向量；

根据所述异常标签概率分布向量以及所述多个异常标注标签，对所述待训练心电信号分类模型进行训练，得到训练后的心电信号分类模型。

2.根据权利要求1所述的方法，其特征在于，根据所述异常标签向量生成标签相关性矩阵，包括：

根据所述异常标签向量，获取所述心电信号样本的标签词向量矩阵、可训练参数矩阵以及条件概率矩阵；

根据所述心电信号样本的标签词向量矩阵、所述可训练参数矩阵以及所述条件概率矩阵，获得所述标签相关性矩阵。

3.根据权利要求1所述的方法，其特征在于，根据所述异常标签概率分布向量以及所述多个异常标注标签，对所述待训练心电信号分类模型进行训练，得到训练后的心电信号分类模型，包括：

根据所述多个异常标注标签以及所述异常标签概率分布向量，确定损失函数的值；

基于所述损失函数的值，更新所述待训练心电信号分类模型的模型参数，得到训练后的心电信号分类模型。

4.根据权利要求3所述的方法，其特征在于，根据所述多个异常标注标签以及所述异常标签概率分布向量，确定损失函数的值，包括：

将所述异常概率分布向量中大于第一预设阈值的概率值对应的异常标签作为所述心电信号样本的多个异常预测标签；

获取所述多个异常预测标签和所述多个异常标注标签之间的差异；

确定所获取的各个差异之和的平均值，将确定的所述平均值作为所述损失函数的值。

5.根据权利要求3所述的方法，其特征在于，基于所述损失函数的值，更新所述待训练心电信号分类模型的模型参数，得到训练后的心电信号分类模型，包括：

当所述损失函数的值超出第二预设阈值时，基于所述待训练心电信号分类模型的损失函数确定相应的误差信号；

将所述误差信号在所述待训练心电信号分类模型中反向传播，并在传播的过程中更新所述待训练心电信号分类模型的模型参数，得到训练后的心电信号分类模型。

6.一种心电信号分类方法，其特征在于，所述方法包括：

通过心电信号分类模型对待分类心电信号进行特征提取，得到所述待分类心电信号的信号特征；

通过所述心电信号分类模型对所述信号特征进行分类预测，得到所述待分类心电信号对应的异常类别；

其中，所述心电信号分类模型通过权利要求1至5任一项所述的方法进行训练得到。

7.一种心电信号分类模型的训练装置，其特征在于，所述装置包括：

构建单元，配置为构建训练样本集，所述训练样本集中每个训练样本包含有心电信号样本以及多个异常标注标签，所述多个异常标注标签为对所述心电信号样本中的多个异常类别标注的标签；

获取单元，配置为通过待训练心电信号分类模型的神经网络获取所述心电信号样本的特征向量以及所述心电信号样本的异常标签向量；

生成单元，配置为根据所述异常标签向量生成标签相关性矩阵，并根据所述特征向量和所述标签相关性矩阵，生成异常标签概率分布向量；

训练单元，配置为根据所述异常标签概率分布向量以及所述多个异常标注标签，对所述待训练心电信号分类模型进行训练，得到训练后的心电信号分类模型。

8.一种心电信号分类装置，其特征在于，所述装置包括：

提取单元，配置为通过心电信号分类模型对待分类心电信号进行特征提取，得到所述待分类心电信号的信号特征；

分类单元，配置为通过所述心电信号分类模型对所述信号特征进行分类预测，得到所述待分类心电信号对应的异常类别；

其中，所述心电信号分类模型通过权利要求1至5任一项所述的方法进行训练得到。

9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-5任一项所述的心电信号分类模型的训练方法，或实现如权利要求6所述的心电信号分类方法。

10.一种电子设备，其特征在于，包括：

处理器；以及

存储器，用于存储所述处理器的可执行指令；

其中，所述处理器配置为经由执行所述可执行指令来执行权利要求1-5任一项所述的心电信号分类模型的训练方法，或权利要求6所述的心电信号分类方法。

Images