CN112990025A - 用于处理数据的方法、装置、设备以及存储介质 - Google Patents
用于处理数据的方法、装置、设备以及存储介质 Download PDFInfo
- Publication number
- CN112990025A CN112990025A CN202110295255.5A CN202110295255A CN112990025A CN 112990025 A CN112990025 A CN 112990025A CN 202110295255 A CN202110295255 A CN 202110295255A CN 112990025 A CN112990025 A CN 112990025A
- Authority
- CN
- China
- Prior art keywords
- lead
- characteristic
- electrocardiosignals
- processing data
- leads
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 50
- 238000012545 processing Methods 0.000 title claims abstract description 47
- 238000000605 extraction Methods 0.000 claims abstract description 30
- 238000010586 diagram Methods 0.000 claims abstract description 29
- 239000000284 extract Substances 0.000 claims abstract description 8
- 238000013527 convolutional neural network Methods 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 13
- 230000004927 fusion Effects 0.000 claims description 13
- 230000002159 abnormal effect Effects 0.000 claims description 7
- 238000001914 filtration Methods 0.000 claims description 7
- 238000010606 normalization Methods 0.000 claims description 7
- 238000007781 pre-processing Methods 0.000 claims description 7
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 238000002372 labelling Methods 0.000 claims description 6
- 239000000126 substance Substances 0.000 claims 1
- 238000013135 deep learning Methods 0.000 abstract description 2
- 238000004891 communication Methods 0.000 description 10
- 230000036772 blood pressure Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000003993 interaction Effects 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000000747 cardiac effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 230000000737 periodic effect Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000002107 myocardial effect Effects 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000008521 reorganization Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
Abstract
本申请公开了用于处理数据的方法、装置、设备以及存储介质,涉及数据处理、深度学习技术领域。具体实现方案为:获取至少两个导联电极采集的用户的心电信号;分别对各导联的心电信号进行特征提取,得到各导联的特征图;融合各导联的特征图,得到融合特征图。本实现方式能够准确地提取心电信号的特征信息,以用于后续的处理。
Description
技术领域
本申请涉及计算机技术领域,具体涉及数据处理、深度学习技术领域,尤其涉及用于处理数据的方法、装置、设备以及存储介质。
背景技术
(体表)心电图是心脏的电活动在体表的反映。心肌细胞按一定的空间与时间顺序,往复进行除极-复极的动作,由此带来了体表电位分布的周期性变化。放置与身体两个不同部位的电极记录下来的便是这两个部位之间周期性的电位差的变化。每一对这样的电极被称作一个导联(lead)。
因为心脏是三维空间中的实体,其电传导的方向是三维的,某个导联记录下的心电图只是心脏的电活动在三维空间中某个平面上的投影。有的时候,必须使用多个导联,从不同侧面进行观察,才能得到结论。
发明内容
提供了一种用于处理数据的方法、装置、设备以及存储介质。
根据第一方面,提供了一种用于处理数据的方法,包括:获取至少两个导联电极采集的用户的心电信号;分别对各导联的心电信号进行特征提取,得到各导联的特征图;融合各导联的特征图,得到融合特征图。
根据第二方面,提供了一种用于处理数据的装置,包括:信号获取单元,被配置成获取至少两个导联电极采集的用户的心电信号;特征提取单元,被配置成分别对各导联的心电信号进行特征提取,得到各导联的特征图;特征融合单元,被配置成融合各导联的特征图,得到融合特征图。
根据第三方面,提供了一种用于处理数据的电子设备,包括:至少一个处理器;以及与上述至少一个处理器通信连接的存储器;其中,存储器存储有可被至少一个处理器执行的指令,上述指令被至少一个处理器执行,以使至少一个处理器能够执行如第一方面所描述的方法。
根据第四方面,提供了一种存储有计算机指令的非瞬时计算机可读存储介质,上述计算机指令用于使计算机执行如第一方面所描述的方法。
根据第五方面,一种计算机程序产品,包括计算机程序,上述计算机程序在被处理器执行时实现如第一方面所描述的方法。
根据本申请的技术提供了一种心电信号的数据处理方法,能够准确地提取心电信号的特征信息,以用于后续的处理。
应当理解,本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征,也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案,不构成对本申请的限定。其中:
图1是本申请的一个实施例可以应用于其中的示例性系统架构图;
图2是根据本申请的用于处理数据的方法的一个实施例的流程图;
图3是根据本申请的用于处理数据的方法的一个应用场景的示意图;
图4是根据本申请的用于处理数据的方法的另一个实施例的流程图;
图5是图4所示实施例中所采用的卷积神经网络的结构示意图;
图6是根据本申请的用于处理数据的装置的一个实施例的结构示意图;
图7是用来实现本申请实施例的用于处理数据的方法的电子设备的框图。
具体实施方式
以下结合附图对本申请的示范性实施例做出说明,其中包括本申请实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本申请的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
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。下面将参考附图并结合实施例来详细说明本申请。
图1示出了可以应用本申请的用于处理数据的方法或用于处理数据的装置的实施例的示例性系统架构100。
如图1所示,系统架构100可以包括心电监测仪101、102、103,网络104和服务器105。网络104用以在心电监测仪101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
心电监测仪101、102、103可以通过网络104发送给服务器105交互,以接收或发送消息等。具体的,用户可以使用心电监测仪101、102、103采集人体对象的心电信号,并将采集的心电信号通过网络104发送给服务器105,还可以接收服务器105预测得到的用户的血压信息。心电监测仪101、102、103可以是各种类型的心电监测仪,例如可以是心电监测手环、心电监测领带或者是现有的心电监测仪。
服务器105可以是提供各种服务的服务器,例如对心电监测仪101、102、103采集的心电信号进行处理的后台服务器。后台服务器可以提取心电信号的特征,并基于上述特征,得到血压信息,并将血压信息反馈给心电监测仪101、102、103。
需要说明的是,服务器105可以是硬件,也可以是软件。当服务器105为硬件时,可以实现成多个服务器组成的分布式服务器集群,也可以实现成单个服务器。当服务器105为软件时,可以实现成多个软件或软件模块(例如用来提供分布式服务),也可以实现成单个软件或软件模块。在此不做具体限定。
需要说明的是,本申请实施例所提供的用于处理数据的方法可以由心电监测仪101、102、103执行,也可以由服务器105执行。相应地,用于处理数据的装置可以设置于心电监测仪101、102、103中,也可以设置于服务器105中。
应该理解,图1中的心电监测仪、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的心电监测仪、网络和服务器。
继续参考图2,示出了根据本申请的用于处理数据的方法的一个实施例的流程200。本实施例的用于处理数据的方法,包括以下步骤:
步骤201,获取至少两个导联电极采集的用户的心电信号。
本实施例中,用于输出信息的方法的执行主体可以通过各种方式获取至少两个导联电极采集的用户的心电信号。例如,执行主体可以获取12导联心电监测仪采集的心电信号。每个导联电极可以将采集到的心电信号传输给执行主体,以供执行主体进行处理。
步骤202,分别对各导联的心电信号进行特征提取,得到各导联的特征图。
执行主体在获取到各导联的心电信号后,可以分别对每个导联的心电信号进行特征提取,得到各导联的特征图。这里,执行主体可以利用各种特征提取算法对各导联的心电信号进行特征提取,例如利用卷积神经网络的卷积层进行特征提取,或者利用SIFT特征提取算法进行特征提取等。对各导联的心电信号进行特征提取时,可以利用相同的特征提取算法,也可以根据各导联的心电信号的特点,利用不同的特征提取算法。各导联的特征图的尺寸可以相同。
步骤203,融合各导联的特征图,得到融合特征图。
执行主体可以将各导联的特征图进行融合,得到融合特征图,从而实现对各导联的心电信号的特征提取。在融合时,执行主体可以将各导联的特征图进行相加,或结合权重进行加权融合。
继续参见图3,其示出了根据本申请的用于处理数据的方法的一个应用场景的示意图。在图3的应用场景中,用户在通过12导联心电监测仪采集用户的12导联的心电信号。然后,将上述心电信号通过网络发送给服务器,服务器分别对各导联的心电信号进行特征提取,得到各导联的特征图。然后,对各导联的特征图进行融合,得到融合特征图。并基于融合特征图对心电信号进行序列标注。
本申请的上述实施例提供的用于处理数据的方法,可以分别对各导联采集的心电信号进行特征提取,使得某一个或数个导联上特有的特征,不会因为普通卷积一开始就将所有导联特征进行联合提取,而被其他的不具有这些特征,但数量上占多数的导联所掩盖。
继续参见图4,其示出了根据本申请的用于处理数据的方法的另一个实施例的流程400。如图4所示,本实施例的方法可以包括以下步骤:
步骤401,获取至少两个导联电极采集的用户的心电信号。
步骤402,对各导联的心电信号进行以下至少一项预处理:数模转换、过滤异常尖峰值、规范化。
执行主体在获取到各导联的心电信号后,可以对各导联的心电信号进行以下至少一项预处理:数模转换、过滤异常尖峰值、规范化。数模信号转换(digital-to-analog,缩写DAC),将数字信号转换为单位为毫伏(mV)的模拟信号(也称物理信号,physical signal)。执行主体可以采用简单的阈值过滤的方法实现过滤异常尖峰值(abnormal spike)。例如将阈值设为±15mV,超出阈值的点的值,重设为其上一个在阈值之内的点的值。执行主体可以将心电信号每一个导联的值随机正规化(normalization),使得其均值(mean value),标准差(standard deviation)在一定范围内(例如均值在-0.05mV到0.1mV之间,标准差在0.08mV到0.32mV之间),从而实现规范化。
步骤403,利用预先训练的卷积神经网络中的至少一个滤波器分别对各导联的心电信号进行特征提取,得到各导联的特征图。
本实施例中,执行主体可以利用预先训练的卷积神经网络来提取各导联的心电信号的特征,从而得到各导联的特征图。上述卷积神经网络中可以包括多个卷积层,每个卷积层中包括多个神经元,多个神经元形成滤波器。每个滤波器可以对各导联的心电信号进行卷积运算,从而得到各导联的特征图。
具体的,执行主体可以利用图4中的以下步骤来实现对各导联的心电信号的特征提取:将各导联的心电信号通过多个通道输入卷积神经网络;通过至少一个滤波器得到各导联的心电信号对应的至少一个特征子图;对各特征子图进行融合,得到各导联的特征图。
本实施例中,执行主体可以将各导联的心电信号通过多个通道输入卷积神经网络。设心电信号有n个(例如12个)导联,分导联卷积层输入通道数(channels)为m×n,那么取卷积操作的分组数(groups)为k×n,其中的k整除m。然后,通过卷积神经网络中的至少一个滤波器对各导联的心电信号进行分组卷积运算,称为分导联卷积(lead-wiseconvolution),从而得到各导联的心电信号对应的至少一个特征子图。每个特征子图中的信息只来源于单个导联的心电信号,达到了在同一个卷积神经花了中同时对不同导联提取特征的目的。由于采用了分导联卷积,每个滤波器的参数量只有不分导联卷积的滤波器的参数量的1/n。如果分组后每组内部的卷积操作进一步改为可分卷积(separableconvolution),那么整个神经网络的参数量还能进一步降低。
上述卷积神经网络可以由ResNet改进得到。即将图5中ResNet的基本模块中涉及到的卷积层Conv(3,stride),Conv(3),Conv(1),以及shortcut可能中涉及到的Conv(1,stride=2),groups的参数设置为整个神经网络输入的心电信号的导联数目的倍数,以及将输出通道数进行相应调整即可。图5中的Conv(3,stride)指的是卷积核大小为3,卷积步长为stride的卷积层,Conv(3),Conv(1)分别为卷积核大小为3,1,卷积步长为1的卷积层。relu指的是整流线性单位函数(rectified linear unit,缩写ReLU),定义为ReLU(x)=max(0,x)。
在得到各特征子图后,执行主体可以对其融合,得到各导联的特征图。将需要进行拼接的特征图中,来自同一个导联的特征图放入不同的小组中,进行组内拼接,之后进行组与组之间的拼接。这样,重组之后的特征图中,来自不同导联的特征图就不会混在一起,下一步的分导联卷积能直接使用分组卷积的方式实现。
步骤404,融合各导联的特征图,得到融合特征图。
步骤405,根据融合特征图,对心电信号进行序列标注。
执行主体在得到融合特征图后,可以基于融合特征图中包括的特征信息,对心电信号进行R峰检测、波形切分,实现对心电信号的序列标注。
本申请的上述实施例提供的用于处理数据的方法,通过分导联卷积的方式,使得用一个模型能达到多个模型的特征提取效果。通过分导联的方式,使得某一个或数个导联上特有的特征,不会因为普通卷积一开始就将所有导联特征进行联合提取,而被其他的不具有这些特征,但数量上占多数的导联所掩盖。与普通卷积相比,能极大地降低模型的参数量。
进一步参考图6,作为对上述各图所示方法的实现,本申请提供了一种用于处理数据的装置的一个实施例,该装置实施例与图2所示的方法实施例相对应,该装置具体可以应用于各种电子设备中。
如图6所示,本实施例的用于处理数据的装置600包括:信号获取单元601、特征提取单元602和特征融合单元603。
信号获取单元601,被配置成获取至少两个导联电极采集的用户的心电信号。
特征提取单元602,被配置成分别对各导联的心电信号进行特征提取,得到各导联的特征图。
特征融合单元603,被配置成融合各导联的特征图,得到融合特征图。
在本实施例的一些可选的实现方式中,特征提取单元602可以进一步被配置成:利用预先训练的卷积神经网络中的至少一个滤波器分别对各导联的心电信号进行特征提取,得到各导联的特征图。
在本实施例的一些可选的实现方式中,特征提取单元602可以进一步被配置成:将各导联的心电信号通过多个通道输入卷积神经网络;通过至少一个滤波器得到各导联的心电信号对应的至少一个特征子图;对各特征子图进行融合,得到各导联的特征图。
在本实施例的一些可选的实现方式中,装置600还可以进一步包括图6中未示出的序列标注单元,被配置成:根据融合特征图,对心电信号进行序列标注。
在本实施例的一些可选的实现方式中,装置600还可以进一步包括图6中未示出的预处理单元,被配置成:对各导联的心电信号进行以下至少一项预处理:数模转换、过滤异常尖峰值、规范化。
应当理解,用于处理数据的装置600中记载的单元601至单元603分别与参考图2中描述的方法中的各个步骤相对应。由此,上文针对用于处理数据的方法描述的操作和特征同样适用于装置600及其中包含的单元,在此不再赘述。
根据本申请的实施例,本申请还提供了还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
图7示出了根据本申请实施例的执行用于处理数据的方法的电子设备700的框图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本申请的实现。
如图7所示,设备700包括处理器701,其可以根据存储在只读存储器(ROM)702中的计算机程序或者从存储器708加载到随机访问存储器(RAM)703中的计算机程序,来执行各种适当的动作和处理。在RAM 703中,还可存储设备700操作所需的各种程序和数据。处理器701、ROM 702以及RAM 703通过总线704彼此相连。I/O接口(输入/输出接口)705也连接至总线704。
设备700中的多个部件连接至I/O接口705,包括:输入单元707,例如键盘、鼠标等;输出单元707,例如各种类型的显示器、扬声器等;存储器708,例如磁盘、光盘等;以及通信单元709,例如网卡、调制解调器、无线通信收发机等。通信单元709允许设备700通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
处理器701可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器701的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。处理器701执行上文所描述的各个方法和处理,例如用于处理数据的方法。例如,在一些实施例中,用于处理数据的方法可被实现为计算机软件程序,其被有形地包含于机器可读存储介质,例如存储器708。在一些实施例中,计算机程序的部分或者全部可以经由ROM 702和/或通信单元709而被载入和/或安装到电子设备700上。当计算机程序加载到RAM 703并由处理器701执行时,可以执行上文描述的用于处理数据的方法的一个或多个步骤。备选地,在其他实施例中,处理器701可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行用于处理数据的方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本申请的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。上述程序代码可以封装成计算机程序产品。这些程序代码或计算机程序产品可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器,使得程序代码当由处理器701执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本申请的上下文中,机器可读存储介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读存储介质可以是机器可读信号存储介质或机器可读存储介质。机器可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学存储设备、磁存储设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在计算机上实施此处描述的系统和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,又称为云计算服务器或云主机,是云计算服务体系中的一项主机产品,以解决了传统物理主机与VPS服务(“Virtual Private Server”,或简称“VPS”)中,存在的管理难度大,业务扩展性弱的缺陷。服务器也可以是分布式系统的服务器,或者是结合了区块链的服务器。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本申请中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本申请的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本申请保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本申请的精神和原则之内所作的修改、等同替换和改进等,均应包含在本申请的保护范围之内。
Claims (13)
1.一种用于处理数据的方法,包括:
获取至少两个导联电极采集的用户的心电信号;
分别对各导联的心电信号进行特征提取,得到各导联的特征图;
融合各导联的特征图,得到融合特征图。
2.根据权利要求1所述的方法,其中,所述分别对各导联的心电信号进行特征提取,得到各导联的特征图,包括:
利用预先训练的卷积神经网络中的至少一个滤波器分别对各导联的心电信号进行特征提取,得到各导联的特征图。
3.根据权利要求2所述的方法,其中,所述利用预先训练的卷积神经网络中的至少一个滤波器分别对各导联的心电信号进行特征提取,得到各导联的特征图,包括:
将各导联的心电信号通过多个通道输入所述卷积神经网络;
通过所述至少一个滤波器得到各导联的心电信号对应的至少一个特征子图;
对各特征子图进行融合,得到各导联的特征图。
4.根据权利要求1所述的方法,其中,所述方法还包括:
根据所述融合特征图,对所述心电信号进行序列标注。
5.根据权利要求1所述的方法,其中,所述方法还包括:
对各导联的心电信号进行以下至少一项预处理:模数转换、过滤异常尖峰值、规范化。
6.一种用于处理数据的装置,包括:
信号获取单元,被配置成获取至少两个导联电极采集的用户的心电信号;
特征提取单元,被配置成分别对各导联的心电信号进行特征提取,得到各导联的特征图;
特征融合单元,被配置成融合各导联的特征图,得到融合特征图。
7.根据权利要求6所述的装置,其中,所述特征提取单元进一步被配置成:
利用预先训练的卷积神经网络中的至少一个滤波器分别对各导联的心电信号进行特征提取,得到各导联的特征图。
8.根据权利要求7所述的装置,其中,所述特征提取单元进一步被配置成:
将各导联的心电信号通过多个通道输入所述卷积神经网络;
通过所述至少一个滤波器得到各导联的心电信号对应的至少一个特征子图;
对各特征子图进行融合,得到各导联的特征图。
9.根据权利要求6所述的装置,其中,所述装置还包括序列标注单元,被配置成:
根据所述融合特征图,对所述心电信号进行序列标注。
10.根据权利要求6所述的装置,其中,所述装置还包括预处理单元,被配置成:
对各导联的心电信号进行以下至少一项预处理:数模转换、过滤异常尖峰值、规范化。
11.一种执行用于处理数据的电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-5中任一项所述的方法。
12.一种存储有计算机指令的非瞬时计算机可读存储介质,所述计算机指令用于使所述计算机执行权利要求1-5中任一项所述的方法。
13.一种计算机程序产品,包括计算机程序,所述计算机程序在被处理器执行时实现根据权利要求1-5中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110295255.5A CN112990025A (zh) | 2021-03-19 | 2021-03-19 | 用于处理数据的方法、装置、设备以及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110295255.5A CN112990025A (zh) | 2021-03-19 | 2021-03-19 | 用于处理数据的方法、装置、设备以及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112990025A true CN112990025A (zh) | 2021-06-18 |
Family
ID=76333366
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110295255.5A Pending CN112990025A (zh) | 2021-03-19 | 2021-03-19 | 用于处理数据的方法、装置、设备以及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112990025A (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108875575A (zh) * | 2018-05-12 | 2018-11-23 | 鲁东大学 | 基于多通道信号融合深度神经网络自动心律失常分析方法 |
CN109063552A (zh) * | 2018-06-22 | 2018-12-21 | 深圳大学 | 一种多导联心电信号分类方法和系统 |
WO2019100562A1 (zh) * | 2017-11-27 | 2019-05-31 | 乐普(北京)医疗器械股份有限公司 | 基于人工智能的心电图心搏自动识别分类方法 |
WO2020061987A1 (zh) * | 2018-09-28 | 2020-04-02 | 深圳大学 | 多导联联合心电图分类方法 |
CN111160139A (zh) * | 2019-12-13 | 2020-05-15 | 中国科学院深圳先进技术研究院 | 心电信号的处理方法、装置及终端设备 |
CN111904411A (zh) * | 2020-08-25 | 2020-11-10 | 浙江工业大学 | 基于多尺度特征提取的多导联心跳信号分类方法及装置 |
CN111956211A (zh) * | 2020-07-29 | 2020-11-20 | 鲁东大学 | 单导联心电信号房颤自动检测方法 |
US20210019562A1 (en) * | 2019-07-18 | 2021-01-21 | Beijing Sensetime Technology Development Co., Ltd. | Image processing method and apparatus and storage medium |
-
2021
- 2021-03-19 CN CN202110295255.5A patent/CN112990025A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019100562A1 (zh) * | 2017-11-27 | 2019-05-31 | 乐普(北京)医疗器械股份有限公司 | 基于人工智能的心电图心搏自动识别分类方法 |
CN108875575A (zh) * | 2018-05-12 | 2018-11-23 | 鲁东大学 | 基于多通道信号融合深度神经网络自动心律失常分析方法 |
CN109063552A (zh) * | 2018-06-22 | 2018-12-21 | 深圳大学 | 一种多导联心电信号分类方法和系统 |
WO2020061987A1 (zh) * | 2018-09-28 | 2020-04-02 | 深圳大学 | 多导联联合心电图分类方法 |
US20210019562A1 (en) * | 2019-07-18 | 2021-01-21 | Beijing Sensetime Technology Development Co., Ltd. | Image processing method and apparatus and storage medium |
CN111160139A (zh) * | 2019-12-13 | 2020-05-15 | 中国科学院深圳先进技术研究院 | 心电信号的处理方法、装置及终端设备 |
CN111956211A (zh) * | 2020-07-29 | 2020-11-20 | 鲁东大学 | 单导联心电信号房颤自动检测方法 |
CN111904411A (zh) * | 2020-08-25 | 2020-11-10 | 浙江工业大学 | 基于多尺度特征提取的多导联心跳信号分类方法及装置 |
Non-Patent Citations (1)
Title |
---|
庞彦伟;李潇;梁金升;何宇清;: "基于卷积神经网络的第一导联心电图心拍分类", 天津大学学报(自然科学与工程技术版), no. 10, pages 5 - 12 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20220277447A1 (en) | Method and apparatus for acquiring contour line of blood vessel according to centerline of blood vessel | |
EP4042445A1 (en) | Systems and methods for reduced lead electrocardiogram diagnosis using deep neural networks and rule-based systems | |
CN112785582B (zh) | 热力图生成模型的训练方法、装置、电子设备和存储介质 | |
CN113343803A (zh) | 模型训练方法、装置、设备和存储介质 | |
US11596344B2 (en) | Deep neural network on ECG Poincare plot for atrial fibrillation classification | |
CN112862005A (zh) | 视频的分类方法、装置、电子设备和存储介质 | |
CN114947886B (zh) | 一种基于异步脑机接口的符号数字转换测试方法及系统 | |
Zhao et al. | Towards deep learning-based detection scheme with raw ECG signal for wearable telehealth systems | |
CN113693611B (zh) | 基于机器学习的心电数据分类方法及装置 | |
CN112132882A (zh) | 从冠状动脉二维造影图像中提取血管中心线的方法和装置 | |
CN112990025A (zh) | 用于处理数据的方法、装置、设备以及存储介质 | |
CN114783597B (zh) | 多类疾病诊断的诊断方法及装置、电子设备和存储介质 | |
CN113693610B (zh) | 少导联心电数据处理方法、装置、存储介质及计算机设备 | |
CN113509188B (zh) | 脑电信号的扩增方法、装置、电子设备以及存储介质 | |
CN115457329A (zh) | 图像分类模型的训练方法、图像分类方法和装置 | |
CN112783949A (zh) | 人体数据预测方法、装置、电子设备和存储介质 | |
CN114469126B (zh) | 心电数据的分类处理方法、装置、存储介质及计算机设备 | |
CN111738986A (zh) | 一种脂肪衰减指数的生成方法、装置及计算机可读介质 | |
CN113855044B (zh) | 缺失导联的心电数据的分类处理方法、装置及存储介质 | |
CN113408633B (zh) | 用于输出信息的方法、装置、设备以及存储介质 | |
CN109062597A (zh) | 一种实现远程重构的量子计算测控系统 | |
CN113057611B (zh) | 用于输出信息的方法、装置、设备以及存储介质 | |
CN114521868B (zh) | 脉冲信号分类装置、可穿戴设备 | |
CN113229798B (zh) | 模型迁移训练方法、装置、计算机设备及可读存储介质 | |
CN114648672A (zh) | 构建样本图像集的方法、装置、电子设备及可读存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |