CN113349792B - 基于多导联心电信号的分类方法、装置、设备及介质 - Google Patents
基于多导联心电信号的分类方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN113349792B CN113349792B CN202110604918.7A CN202110604918A CN113349792B CN 113349792 B CN113349792 B CN 113349792B CN 202110604918 A CN202110604918 A CN 202110604918A CN 113349792 B CN113349792 B CN 113349792B
- Authority
- CN
- China
- Prior art keywords
- category
- data
- lead
- signal
- preset
- 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.)
- Active
Links
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
- A61B5/346—Analysis of electrocardiograms
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Cardiology (AREA)
- Heart & Thoracic Surgery (AREA)
- Molecular Biology (AREA)
- Pathology (AREA)
- Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- Biophysics (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明涉及人工智能，提供一种基于多导联心电信号的分类方法、装置、设备及介质。该方法能够对每个导联中的心电信号数据进行预处理，得到标准数据并生成标准样本，对标准样本进行样本增强，得到信号训练样本，基于网络提取层对训练数据进行特征提取，得到信号特征，基于网络分类层对信号特征进行映射处理，得到导联类别特征，将导联类别特征输入至决策融合层，得到预测结果，调整所述预设网络中的参数，直至相似距离小于预设距离，及预设网络的损失值不再降低，得到信号分类模型，将多导联数据输入至信号分类模型中，得到目标类别。本发明能够准确的确定出目标类别。此外，本发明还涉及区块链技术，所述目标类别可存储于区块链中。
Description
技术领域
本发明涉及人工智能技术领域，尤其涉及一种基于多导联心电信号的分类方法、装置、设备及介质。
背景技术
在目前的多导联心电信号分类方法中，由于无法从心电信号中准确的提取出信号特征，也无法准确的将信号特征与分类结果进行关联，造成无法准确的确定出多导联心电信号的类别，从而导致在智慧医疗中的可信度较低。
因此，如何准确的构建出多导联心电信号的分类方式，成了亟需解决的技术问题。
发明内容
鉴于以上内容，有必要提供一种基于多导联心电信号的分类方法、装置、设备及介质，能够准确的确定出多导联数据所对应的类别。
一方面，本发明提出一种基于多导联心电信号的分类方法，所述基于多导联心电信号的分类方法包括：
从心电信号库中获取原始样本，每个所述原始样本中包括多个导联的心电信号数据及标注结果，所述标注结果是指与所述多个导联的心电信号数据对应的类别；
对每个导联中的所述心电信号数据进行预处理，得到标准数据，并根据所述标准数据及所述标注结果生成标准样本；
对所述标准样本进行样本增强，得到信号训练样本，所述信号训练样本包括训练数据及标识结果；
基于预设网络中的网络提取层对所述训练数据进行特征提取，得到每个导联的信号特征；
基于所述预设网络中的网络分类层对所述信号特征进行映射处理，得到每个导联的导联类别特征；
将所述导联类别特征输入至所述预设网络中的决策融合层进行决策分析，得到所述训练数据的预测结果；
根据所述预测结果与所述标识结果的相似距离调整所述预设网络中的参数，直至所述相似距离小于预设距离，及所述预设网络的损失值不再降低，得到信号分类模型；
接收分类请求，并将从所述分类请求中获取到的多导联数据输入至所述信号分类模型中，得到所述多导联数据对应的目标类别。
根据本发明优选实施例，所述对每个导联中的所述心电信号数据进行预处理，得到标准数据包括：
确定所述心电信号数据的采样频率；
计算所述采样频率与预设频率的比值，得到降维比例；
根据所述降维比例从所述心电信号数据中提取目标数据；
基于滤波器确定出所述目标数据中的异常数据，并从所述目标数据中剔除所述异常数据，得到所述标准数据。
根据本发明优选实施例，所述对所述标准样本进行样本增强，得到信号训练样本包括：
计算每个所述标准样本中的所述标准数据的数据量；
计算所述数据量与预设比值的乘积，得到目标数量；
基于配置值对所述标准数据进行数值更新，直至所述标准数据中的更新数量为所述目标数量，得到所述信号训练样本中的所述训练数据；
将每个所述标准样本中的所述标注结果确定为所述信号训练样本中的所述标识结果。
根据本发明优选实施例，所述基于预设网络中的网络提取层对所述训练数据进行特征提取，得到每个导联的信号特征包括：
所述网络提取层中包括第一配置网络及第二配置网络，所述第一配置网络中包括第一卷积层、第一池化层及第一全连接层，所述第二配置网络包括第二卷积层、第二池化层及第二全连接层；
获取所述训练数据中每个导联的导联标识；
将所述导联标识为第一预设标识的训练数据确定为第一数据，并利用所述第一配置网络对所述第一数据进行特征提取，包括：获取所述第一数据的第一生成时间，并根据所述第一生成时间从小至大的顺序对所述第一数据进行排序，得到第一向量，根据所述第一卷积层中的预设卷积核对所述第一向量进行卷积运算，得到卷积结果，基于所述第一池化层计算所述卷积结果的平均值，得到池化结果，并基于所述第一全连接层对所述卷积结果及所述池化结果进行加权和处理，得到所述第一数据的所述信号特征；
将所述导联标识为第二预设标识的训练数据确定为第二数据，并利用所述第二配置网络对所述第二数据进行特征提取，包括：获取所述第二数据的第二生成时间，根据所述第二生成时间从小至大的顺序对所述第二数据进行排序，得到第二向量，并根据所述第二生成时间从大至小的顺序对所述第二数据进行排序，得到第三向量；依次基于所述第二卷积层、所述第二池化层及所述第二全连接层分别对所述第二向量及所述第三向量进行处理，得到所述第二向量对应的第一特征及所述第三向量对应的第二特征，并融合所述第一特征及所述第二特征，得到所述第二数据的所述信号特征。
根据本发明优选实施例，所述基于所述预设网络中的网络分类层对所述信号特征进行映射处理，得到每个导联的导联类别特征包括：
获取所述网络分类层中的预设权重矩阵及预设偏置值，所述预设权重矩阵用于指示所述网络分类层中所有类别的分类层类别权值；
计算所述信号特征与所述预设权重矩阵的乘积，得到每个导联的初筛类别向量；
计算所述初筛类别向量中每个元素与所述预设偏置值的总和，得到目标类别向量；
对所述目标类别向量进行归一化处理，得到所述导联类别特征，所述导联类别特征中所有维度的概率总和为1。
根据本发明优选实施例，所述将所述导联类别特征输入至所述预设网络中的决策融合层进行决策分析，得到所述训练数据的预测结果包括：
将所述导联类别特征中取值最大的维度对应的类别确定为初筛类别；
计算所述初筛类别为第一预设类别的第一数量，并计算所述初筛类别为第二预设类别的第二数量；
将所述第一数量及所述第二数量中取值最大的数量确定为最大数量，并将所述最大数量对应的类别确定为第一类别；
获取所述决策融合层中所有类别的融合层类别权值；
根据所述融合层类别权值对所述导联类别特征进行加权和处理，得到融合类别特征，并将所述融合类别特征中取值最大的维度对应的类别确定为第二类别；
若所述第一类别与所述第二类别相同，将所述第一类别或者所述第二类别确定为所述预测结果；或者
若所述第一类别与所述第二类别不同，从所述导联类别特征中提取所述第一类别对应的第一类别概率值，并根据所述最大数量计算所述第一类别概率值的平均值，得到平均概率值，从所述融合类别特征中提取所述第二类别对应的第二类别概率值，根据所述平均概率值及所述第二类别概率值确定所述预测结果。
根据本发明优选实施例，所述根据所述预测结果与所述标识结果的相似距离调整所述预设网络中的参数，直至所述相似距离小于预设距离，及所述预设网络的损失值不再降低，得到信号分类模型包括：
获取所述预测结果对应的预测概率值，并获取所述标识结果对应的结果概率值；
若所述预测结果与所述标识结果不同，计算所述预测概率值与所述结果概率值的总和，得到所述相似距离，或者，若所述预测结果与所述标识结果相同，计算所述预测概率值与所述结果概率值的差值，得到所述相似距离；
计算所述预测结果的数量作为预测总量，并计算所述预测结果与所述标识结果相同的数量作为特征数量；
计算所述特征数量在所述预测总量中的比值，得到所述损失值；
根据所述相似距离及所述损失值调整所述参数，直至所述相似距离小于预设距离，及所述损失值不再降低，得到所述信号分类模型。
另一方面，本发明还提出一种基于多导联心电信号的分类装置，所述基于多导联心电信号的分类装置包括：
获取单元，用于从心电信号库中获取原始样本，每个所述原始样本中包括多个导联的心电信号数据及标注结果，所述标注结果是指与所述多个导联的心电信号数据对应的类别；
预处理单元，用于对每个导联中的所述心电信号数据进行预处理，得到标准数据，并根据所述标准数据及所述标注结果生成标准样本；
增强单元，用于对所述标准样本进行样本增强，得到信号训练样本，所述信号训练样本包括训练数据及标识结果；
提取单元，用于基于预设网络中的网络提取层对所述训练数据进行特征提取，得到每个导联的信号特征；
处理单元，用于基于所述预设网络中的网络分类层对所述信号特征进行映射处理，得到每个导联的导联类别特征；
输入单元，用于将所述导联类别特征输入至所述预设网络中的决策融合层进行决策分析，得到所述训练数据的预测结果；
调整单元，用于根据所述预测结果与所述标识结果的相似距离调整所述预设网络中的参数，直至所述相似距离小于预设距离，及所述预设网络的损失值不再降低，得到信号分类模型；
所述输入单元，还用于接收分类请求，并将从所述分类请求中获取到的多导联数据输入至所述信号分类模型中，得到所述多导联数据对应的目标类别。
另一方面，本发明还提出一种电子设备，所述电子设备包括：
存储器，存储计算机可读指令；及
处理器，执行所述存储器中存储的计算机可读指令以实现所述基于多导联心电信号的分类方法。
另一方面，本发明还提出一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机可读指令，所述计算机可读指令被电子设备中的处理器执行以实现所述基于多导联心电信号的分类方法。
由以上技术方案可以看出，本发明通过对所述心电信号进行预处理，不仅能够减少所述心电信号数据的训练工作量，提高所述信号分类模型的训练效率，还能够剔除所述心电信号数据中的异常信息对所述信号分类模型的干扰，进而通过对所述标准样本进行样本增强，避免由于样本数量不足导致所述信号分类模型的预测能力较差，提高了所述信号分类模型的分类准确性，通过所述预设网络对所述训练数据的预测结果与所述标识结果的相似距离调整所述预设网络的参数，能够确保所述信号分类模型的分类准确性，从而能够准确的确定出所述多导联数据对应的所述目标类别。
附图说明
图1是本发明基于多导联心电信号的分类方法的较佳实施例的流程图。
图2是本发明基于多导联心电信号的分类装置的较佳实施例的功能模块图。
图3是本发明实现基于多导联心电信号的分类方法的较佳实施例的电子设备的结构示意图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚，下面结合附图和具体实施例对本发明进行详细描述。
如图1所示，是本发明基于多导联心电信号的分类方法的较佳实施例的流程图。根据不同的需求，该流程图中步骤的顺序可以改变，某些步骤可以省略。
所述基于多导联心电信号的分类方法应用于一个或者多个电子设备中，所述电子设备是一种能够按照事先设定或存储的计算机可读指令，自动进行数值计算和/或信息处理的设备，其硬件包括但不限于微处理器、专用集成电路(Application SpecificIntegrated Circuit，ASIC)、可编程门阵列(Field－Programmable Gate Array，FPGA)、数字信号处理器(Digital Signal Processor，DSP)、嵌入式设备等。
所述电子设备可以是任何一种可与用户进行人机交互的电子产品，例如，个人计算机、平板电脑、智能手机、个人数字助理（Personal Digital Assistant，PDA）、游戏机、交互式网络电视（Internet Protocol Television，IPTV）、智能穿戴式设备等。
所述电子设备可以包括网络设备和/或用户设备。其中，所述网络设备包括，但不限于单个网络电子设备、多个网络电子设备组成的电子设备组或基于云计算（CloudComputing）的由大量主机或网络电子设备构成的云。
所述电子设备所处的网络包括，但不限于：互联网、广域网、城域网、局域网、虚拟专用网络（Virtual Private Network，VPN）等。
S10，从心电信号库中获取原始样本，每个所述原始样本中包括多个导联的心电信号数据及标注结果，所述标注结果是指与所述多个导联的心电信号数据对应的类别。
在本发明的至少一个实施例中，所述心电信号库中存储有多个用户对象的多导联心电信号数据，所述多导联心电信号数据可以用于检测心房颤动。
所述多个导联的心电信号数据一般包括12个导联的测量角度所检测到的信号数据。
所述标注结果包括正常结果及异常结果两种。
在本发明的至少一个实施例中，所述电子设备从心电信号库中获取原始样本包括：
获取所述心电信号库的信号标识，并从所述心电信号库中获取对象用户；
根据所述信号标识生成授权信息；
向所述对象用户的绑定终端发送所述授权信息；
当检测到所述授权信息的授权响应时，根据所述授权响应从所述心电信号库中获取所述对象用户的信息作为所述原始样本。
其中，所述信号标识用于指示多导联心电信号。
所述对象用户是指在所述心电信号库中存储有多导联心电信号的用户。
通过上述实施方式，能够确保所述原始样本的获取合法性。
S11，对每个导联中的所述心电信号数据进行预处理，得到标准数据，并根据所述标准数据及所述标注结果生成标准样本。
在本发明的至少一个实施例中，所述标准数据是根据对每个导联中的所述心电信号数据进行降维处理及降噪处理后生成的数据。
所述标准样本中包括所述标准数据及所述标注结果。
在本发明的至少一个实施例中，所述电子设备对每个导联中的所述心电信号数据进行预处理，得到标准数据包括：
确定所述心电信号数据的采样频率；
计算所述采样频率与预设频率的比值，得到降维比例；
根据所述降维比例从所述心电信号数据中提取目标数据；
基于滤波器确定出所述目标数据中的异常数据，并从所述目标数据中剔除所述异常数据，得到所述标准数据。
其中，所述采样频率是指对所述心电信号数据进行采样的频率，例如，所述采样频率为500赫兹，则所述心电信号数据包括，对于每个导联，一秒钟包含有500个信号值。
所述预设频率是根据所述信号分类模型的训练时间确定的。
通过上述实施方式，不仅能够减少所述心电信号数据的训练工作量，提高所述信号分类模型的训练效率，还能够剔除所述心电信号数据中的异常信息对所述信号分类模型的干扰，从而提高所述信号分类模型的分类准确性。
所述电子设备根据所述降维比例从所述心电信号数据中提取目标数据。例如，所述心电信号数据为{0，1，1，0，1，0，1，0}，所述降维比例为2，则，所述目标数据为{0，1，1，1 }。
在本发明的至少一个实施例中，所述电子设备根据所述标准数据及所述标注结果生成标准样本包括：
将所述标准数据及所述标准结果确定为所述标准样本。
S12，对所述标准样本进行样本增强，得到信号训练样本，所述信号训练样本包括训练数据及标识结果。
在本发明的至少一个实施例中，所述信号训练样本中包含有所述标准样本及对所述标准样本进行更新后得到的样本。
所述训练数据包括每个导联上的心电信号数据。所述标识结果是指所述训练数据指示正常或者异常。所述标识结果是指对所述训练数据进行标注后得到的结果。
在本发明的至少一个实施例中，所述电子设备对所述标准样本进行样本增强，得到信号训练样本包括：
计算每个所述标准样本中的所述标准数据的数据量；
计算所述数据量与预设比值的乘积，得到目标数量；
基于配置值对所述标准数据进行数值更新，直至所述标准数据中的更新数量为所述目标数量，得到所述信号训练样本中的所述训练数据；
将每个所述标准样本中的所述标注结果确定为所述信号训练样本中的所述标识结果。
其中，所述预设比值是为了确保所述标识结果不受数值更新而发生变化设置的比值。例如，所述预设比值可以设置为0.01。
所述配置值通常设置为0。
通过上述实施方式，能够避免由于样本数量不足导致所述信号分类模型的预测能力较差，提高了所述信号分类模型的分类准确性。
S13，基于预设网络中的网络提取层对所述训练数据进行特征提取，得到每个导联的信号特征。
在本发明的至少一个实施例中，所述预设网络是预先构建好的学习器，所述预设网络中的参数是初始化设置的。
所述网络提取层用于对不同类型的导联进行特征提取。
所述信号特征是指所述训练数据中每个导联的特征。
在本发明的至少一个实施例中，所述电子设备基于预设网络中的网络提取层对所述训练数据进行特征提取，得到每个导联的信号特征包括：
所述网络提取层中包括第一配置网络及第二配置网络，所述第一配置网络中包括第一卷积层、第一池化层及第一全连接层，所述第二配置网络包括第二卷积层、第二池化层及第二全连接层；
获取所述训练数据中每个导联的导联标识；
将所述导联标识为第一预设标识的训练数据确定为第一数据，并利用所述第一配置网络对所述第一数据进行特征提取，包括：获取所述第一数据的第一生成时间，并根据所述第一生成时间从小至大的顺序对所述第一数据进行排序，得到第一向量，根据所述第一卷积层中的预设卷积核对所述第一向量进行卷积运算，得到卷积结果，基于所述第一池化层计算所述卷积结果的平均值，得到池化结果，并基于所述第一全连接层对所述卷积结果及所述池化结果进行加权和处理，得到所述第一数据的所述信号特征；
将所述导联标识为第二预设标识的训练数据确定为第二数据，并利用所述第二配置网络对所述第二数据进行特征提取，包括：获取所述第二数据的第二生成时间，根据所述第二生成时间从小至大的顺序对所述第二数据进行排序，得到第二向量，并根据所述第二生成时间从大至小的顺序对所述第二数据进行排序，得到第三向量；依次基于所述第二卷积层、所述第二池化层及所述第二全连接层分别对所述第二向量及所述第三向量进行处理，得到所述第二向量对应的第一特征及所述第三向量对应的第二特征，并融合所述第一特征及所述第二特征，得到所述第二数据的所述信号特征。
其中，所述导联标识用于指示所述多个导联的类型，所述导联标识包括指示额面心电活动的标识，以及，指示横面心电活动的标识。
所述预设卷积核的大小是在初始化时设置的。
所述电子设备基于所述第二卷积层、所述第二池化层及所述第二全连接层分别对所述第二向量及所述第三向量进行处理的方式与所述电子设备基于所述第一卷积层、所述第一池化层及所述第一全连接层对所述第一向量进行处理的方式相同，本发明不再赘述。
通过不同的第一配置网络及第二配置网络对不同导联标识的导联进行特征提取，能够根据导联特性准确的提取出所述训练数据中的信号特征。
S14，基于所述预设网络中的网络分类层对所述信号特征进行映射处理，得到每个导联的导联类别特征。
在本发明的至少一个实施例中，所述网络分类层是指对所述信号特征进行分类的网络层。
所述导联类别特征中包括有指示所述训练数据为正常的概率值，以及，指示所述训练数据为异常的概率值。
在本发明的至少一个实施例中，所述基于所述预设网络中的网络分类层对所述信号特征进行映射处理，得到每个导联的导联类别特征包括：
获取所述网络分类层中的预设权重矩阵及预设偏置值，所述预设权重矩阵用于指示所述网络分类层中所有类别的分类层类别权值；
计算所述信号特征与所述预设权重矩阵的乘积，得到每个导联的初筛类别向量；
计算所述初筛类别向量中每个元素与所述预设偏置值的总和，得到目标类别向量；
对所述目标类别向量进行归一化处理，得到所述导联类别特征，所述导联类别特征中所有维度的概率总和为1。
通过所述预设权重矩阵能够准确的确定出所述信号特征在所述网络分类层中所有分类的类别结果，进而通过所述预设偏置值对该类别结果进行调整，能够准确的确定出所述导联类别特征。
S15，将所述导联类别特征输入至所述预设网络中的决策融合层进行决策分析，得到所述训练数据的预测结果。
在本发明的至少一个实施例中，所述决策融合层是指对每个导联中的导联类别特征进行分析的网络层。
所述预测结果是指所述预设网络对所述训练数据进行分类后得到的结果。
在本发明的至少一个实施例中，所述电子设备将所述导联类别特征输入至所述预设网络中的决策融合层进行决策分析，得到所述训练数据的预测结果包括：
将所述导联类别特征中取值最大的维度对应的类别确定为初筛类别；
计算所述初筛类别为第一预设类别的第一数量，并计算所述初筛类别为第二预设类别的第二数量；
将所述第一数量及所述第二数量中取值最大的数量确定为最大数量，并将所述最大数量对应的类别确定为第一类别；
获取所述决策融合层中所有类别的融合层类别权值；
根据所述融合层类别权值对所述导联类别特征进行加权和处理，得到融合类别特征，并将所述融合类别特征中取值最大的维度对应的类别确定为第二类别；
若所述第一类别与所述第二类别相同，将所述第一类别或者所述第二类别确定为所述预测结果；或者
若所述第一类别与所述第二类别不同，从所述导联类别特征中提取所述第一类别对应的第一类别概率值，并根据所述最大数量计算所述第一类别概率值的平均值，得到平均概率值，从所述融合类别特征中提取所述第二类别对应的第二类别概率值，根据所述平均概率值及所述第二类别概率值确定所述预测结果。
S16，根据所述预测结果与所述标识结果的相似距离调整所述预设网络中的参数，直至所述相似距离小于预设距离，及所述预设网络的损失值不再降低，得到信号分类模型。
在本发明的至少一个实施例中，所述参数包括所述网络提取层中的初始化配置值、所述网络分类层中的初始化配置值、所述决策融合层中的初始化配置值。
在本发明的至少一个实施例中，所述电子设备根据所述预测结果与所述标识结果的相似距离调整所述预设网络中的参数，直至所述相似距离小于预设距离，及所述预设网络的损失值不再降低，得到信号分类模型包括：
获取所述预测结果对应的预测概率值，并获取所述标识结果对应的结果概率值；
若所述预测结果与所述标识结果不同，计算所述预测概率值与所述结果概率值的总和，得到所述相似距离，或者，若所述预测结果与所述标识结果相同，计算所述预测概率值与所述结果概率值的差值，得到所述相似距离；
计算所述预测结果的数量作为预测总量，并计算所述预测结果与所述标识结果相同的数量作为特征数量；
计算所述特征数量在所述预测总量中的比值，得到所述损失值；
根据所述相似距离及所述损失值调整所述参数，直至所述相似距离小于预设距离，及所述损失值不再降低，得到所述信号分类模型。
通过所述相似距离及所述损失值同时对所述预设网络的参数进行调整，能够确保所述信号分类模型的分类准确性。
S17，接收分类请求，并将从所述分类请求中获取到的多导联数据输入至所述信号分类模型中，得到所述多导联数据对应的目标类别。
在本发明的至少一个实施例中，所述分类请求可以由医护人员触发生成的请求。
所述多导联数据是指需要进行分类的心电信号数据。
所述目标类别是指通过所述信号分类模型中对所述多导联数据进行类别检测后生成的类别。
需要强调的是，为进一步保证上述目标类别的私密和安全性，上述目标类别还可以存储于一区块链的节点中。
在本发明的至少一个实施例中，所述电子设备将从所述分类请求中获取到的多导联数据输入至所述信号分类模型中，得到所述多导联数据对应的目标类别包括：
解析所述分类请求的报文，得到所述报文携带的数据信息；
从所述数据信息中获取指示路径的信息作为存储路径；
从所述存储路径中获取所述多导联数据；
将所述多导联数据输入至所述信号分类模型进行特征提取并分类，得到所述目标类别。
通过上述实施方式，由于无需解析整个请求，因此，提高所述多导联数据的获取效率，从而提高所述目标类别的确定效率，此外，通过所述信号分类模型能够准确的确定出所述目标类别。
由以上技术方案可以看出，本发明通过对所述心电信号进行预处理，不仅能够减少所述心电信号数据的训练工作量，提高所述信号分类模型的训练效率，还能够剔除所述心电信号数据中的异常信息对所述信号分类模型的干扰，进而通过对所述标准样本进行样本增强，避免由于样本数量不足导致所述信号分类模型的预测能力较差，提高了所述信号分类模型的分类准确性，通过所述预设网络对所述训练数据的预测结果与所述标识结果的相似距离调整所述预设网络的参数，能够确保所述信号分类模型的分类准确性，从而能够准确的确定出所述多导联数据对应的所述目标类别。
如图2所示，是本发明基于多导联心电信号的分类装置的较佳实施例的功能模块图。所述基于多导联心电信号的分类装置11包括获取单元110、预处理单元111、增强单元112、提取单元113、处理单元114、输入单元115及调整单元116。本发明所称的模块/单元是指一种能够被处理器13所获取，并且能够完成固定功能的一系列计算机可读指令段，其存储在存储器12中。在本实施例中，关于各模块/单元的功能将在后续的实施例中详述。
获取单元110从心电信号库中获取原始样本，每个所述原始样本中包括多个导联的心电信号数据及标注结果，所述标注结果是指与所述多个导联的心电信号数据对应的类别。
在本发明的至少一个实施例中，所述心电信号库中存储有多个用户对象的多导联心电信号数据，所述多导联心电信号数据可以用于检测心房颤动。
所述多个导联的心电信号数据一般包括12个导联的测量角度所检测到的信号数据。
所述标注结果包括正常结果及异常结果两种。
在本发明的至少一个实施例中，所述获取单元110从心电信号库中获取原始样本包括：
获取所述心电信号库的信号标识，并从所述心电信号库中获取对象用户；
根据所述信号标识生成授权信息；
向所述对象用户的绑定终端发送所述授权信息；
当检测到所述授权信息的授权响应时，根据所述授权响应从所述心电信号库中获取所述对象用户的信息作为所述原始样本。
其中，所述信号标识用于指示多导联心电信号。
所述对象用户是指在所述心电信号库中存储有多导联心电信号的用户。
通过上述实施方式，能够确保所述原始样本的获取合法性。
预处理单元111对每个导联中的所述心电信号数据进行预处理，得到标准数据，并根据所述标准数据及所述标注结果生成标准样本。
在本发明的至少一个实施例中，所述标准数据是根据对每个导联中的所述心电信号数据进行降维处理及降噪处理后生成的数据。
所述标准样本中包括所述标准数据及所述标注结果。
在本发明的至少一个实施例中，所述预处理单元111对每个导联中的所述心电信号数据进行预处理，得到标准数据包括：
确定所述心电信号数据的采样频率；
计算所述采样频率与预设频率的比值，得到降维比例；
以所述降维比例为提取间隔，从所述心电信号数据中提取目标数据；
基于滤波器确定出所述目标数据中的异常数据，并从所述目标数据中剔除所述异常数据，得到所述标准数据。
其中，所述采样频率是指对所述心电信号数据进行采样的频率，例如，所述采样频率为500赫兹，则所述心电信号数据包括，对于每个导联，一秒钟包含有500个信号值。
所述预设频率是根据所述信号分类模型的训练时间确定的。
通过上述实施方式，不仅能够减少所述心电信号数据的训练工作量，提高所述信号分类模型的训练效率，还能够剔除所述心电信号数据中的异常信息对所述信号分类模型的干扰，从而提高所述信号分类模型的分类准确性。
在本发明的至少一个实施例中，所述预处理单元111根据所述标准数据及所述标注结果生成标准样本包括：
将所述标准数据及所述标准结果确定为所述标准样本。
增强单元112对所述标准样本进行样本增强，得到信号训练样本，所述信号训练样本包括训练数据及标识结果。
在本发明的至少一个实施例中，所述信号训练样本中包含有所述标准样本及对所述标准样本进行更新后得到的样本。
所述训练数据包括每个导联上的心电信号数据。所述标识结果是指所述训练数据指示正常或者异常。
在本发明的至少一个实施例中，所述增强单元112对所述标准样本进行样本增强，得到信号训练样本包括：
计算每个所述标准样本中的所述标准数据的数据量；
计算所述数据量与预设比值的乘积，得到目标数量；
基于配置值对所述标准数据进行数值更新，直至所述标准数据中的更新数量为所述目标数量，得到所述信号训练样本中的所述训练数据；
将每个所述标准样本中的所述标注结果确定为所述信号训练样本中的所述标识结果。
其中，所述预设比值是为了确保所述标识结果不受数值更新而发生变化设置的比值。例如，所述预设比值可以设置为0.01。
所述配置值通常设置为0。
通过上述实施方式，能够避免由于样本数量不足导致所述信号分类模型的预测能力较差，提高了所述信号分类模型的分类准确性。
提取单元113基于预设网络中的网络提取层对所述训练数据进行特征提取，得到每个导联的信号特征。
在本发明的至少一个实施例中，所述预设网络是预先构建好的学习器，所述预设网络中的参数是初始化设置的。
所述网络提取层用于对不同类型的导联进行特征提取。
所述信号特征是指所述训练数据中每个导联的特征。
在本发明的至少一个实施例中，所述提取单元113基于预设网络中的网络提取层对所述训练数据进行特征提取，得到每个导联的信号特征包括：
所述网络提取层中包括第一配置网络及第二配置网络，所述第一配置网络中包括第一卷积层、第一池化层及第一全连接层，所述第二配置网络包括第二卷积层、第二池化层及第二全连接层；
获取所述训练数据中每个导联的导联标识；
将所述导联标识为第一预设标识的训练数据确定为第一数据，并利用所述第一配置网络对所述第一数据进行特征提取，包括：获取所述第一数据的第一生成时间，并根据所述第一生成时间从小至大的顺序对所述第一数据进行排序，得到第一向量，根据所述第一卷积层中的预设卷积核对所述第一向量进行卷积运算，得到卷积结果，基于所述第一池化层计算所述卷积结果的平均值，得到池化结果，并基于所述第一全连接层对所述卷积结果及所述池化结果进行加权和处理，得到所述第一数据的所述信号特征；
将所述导联标识为第二预设标识的训练数据确定为第二数据，并利用所述第二配置网络对所述第二数据进行特征提取，包括：获取所述第二数据的第二生成时间，根据所述第二生成时间从小至大的顺序对所述第二数据进行排序，得到第二向量，并根据所述第二生成时间从大至小的顺序对所述第二数据进行排序，得到第三向量；依次基于所述第二卷积层、所述第二池化层及所述第二全连接层分别对所述第二向量及所述第三向量进行处理，得到所述第二向量对应的第一特征及所述第三向量对应的第二特征，并融合所述第一特征及所述第二特征，得到所述第二数据的所述信号特征。
其中，所述导联标识用于指示所述多个导联的类型，所述导联标识包括指示额面心电活动的标识，以及，指示横面心电活动的标识。
所述预设卷积核的大小是在初始化时设置的。
所述提取单元113基于所述第二卷积层、所述第二池化层及所述第二全连接层分别对所述第二向量及所述第三向量进行处理的方式与所述提取单元113基于所述第一卷积层、所述第一池化层及所述第一全连接层对所述第一向量进行处理的方式相同，本发明不再赘述。
通过不同的第一配置网络及第二配置网络对不同导联标识的导联进行特征提取，能够根据导联特性准确的提取出所述训练数据中的信号特征。
处理单元114基于所述预设网络中的网络分类层对所述信号特征进行映射处理，得到每个导联的导联类别特征。
在本发明的至少一个实施例中，所述网络分类层是指对所述信号特征进行分类的网络层。
所述导联类别特征中包括有指示所述训练数据为正常的概率值，以及，指示所述训练数据为异常的概率值。
在本发明的至少一个实施例中，所述处理单元114基于所述预设网络中的网络分类层对所述信号特征进行映射处理，得到每个导联的导联类别特征包括：
获取所述网络分类层中的预设权重矩阵及预设偏置值，所述预设权重矩阵用于指示所述网络分类层中所有类别的分类层类别权值；
计算所述信号特征与所述预设权重矩阵的乘积，得到每个导联的初筛类别向量；
计算所述初筛类别向量中每个元素与所述预设偏置值的总和，得到目标类别向量；
对所述目标类别向量进行归一化处理，得到所述导联类别特征，所述导联类别特征中所有维度的概率总和为1。
通过所述预设权重矩阵能够准确的确定出所述信号特征在所述网络分类层中所有分类的类别结果，进而通过所述预设偏置值对该类别结果进行调整，能够准确的确定出所述导联类别特征。
输入单元115将所述导联类别特征输入至所述预设网络中的决策融合层进行决策分析，得到所述训练数据的预测结果。
在本发明的至少一个实施例中，所述决策融合层是指对每个导联中的导联类别特征进行分析的网络层。
所述预测结果是指所述预设网络对所述训练数据进行分类后得到的结果。
在本发明的至少一个实施例中，所述输入单元115将所述导联类别特征输入至所述预设网络中的决策融合层进行决策分析，得到所述训练数据的预测结果包括：
将所述导联类别特征中取值最大的维度对应的类别确定为初筛类别；
计算所述初筛类别为第一预设类别的第一数量，并计算所述初筛类别为第二预设类别的第二数量；
将所述第一数量及所述第二数量中取值最大的数量确定为最大数量，并将所述最大数量对应的类别确定为第一类别；
获取所述决策融合层中所有类别的融合层类别权值；
根据所述融合层类别权值对所述导联类别特征进行加权和处理，得到融合类别特征，并将所述融合类别特征中取值最大的维度对应的类别确定为第二类别；
若所述第一类别与所述第二类别相同，将所述第一类别或者所述第二类别确定为所述预测结果；或者
若所述第一类别与所述第二类别不同，从所述导联类别特征中提取所述第一类别对应的第一类别概率值，并根据所述最大数量计算所述第一类别概率值的平均值，得到平均概率值，从所述融合类别特征中提取所述第二类别对应的第二类别概率值，根据所述平均概率值及所述第二类别概率值确定所述预测结果。
调整单元116根据所述预测结果与所述标识结果的相似距离调整所述预设网络中的参数，直至所述相似距离小于预设距离，及所述预设网络的损失值不再降低，得到信号分类模型。
在本发明的至少一个实施例中，所述参数包括所述网络提取层中的初始化配置值、所述网络分类层中的初始化配置值、所述决策融合层中的初始化配置值。
在本发明的至少一个实施例中，所述调整单元116根据所述预测结果与所述标识结果的相似距离调整所述预设网络中的参数，直至所述相似距离小于预设距离，及所述预设网络的损失值不再降低，得到信号分类模型包括：
获取所述预测结果对应的预测概率值，并获取所述标识结果对应的结果概率值；
若所述预测结果与所述标识结果不同，计算所述预测概率值与所述结果概率值的总和，得到所述相似距离，或者，若所述预测结果与所述标识结果相同，计算所述预测概率值与所述结果概率值的差值，得到所述相似距离；
计算所述预测结果的数量作为预测总量，并计算所述预测结果与所述标识结果相同的数量作为特征数量；
计算所述特征数量在所述预测总量中的比值，得到所述损失值；
根据所述相似距离及所述损失值调整所述参数，直至所述相似距离小于预设距离，及所述损失值不再降低，得到所述信号分类模型。
通过所述相似距离及所述损失值同时对所述预设网络的参数进行调整，能够确保所述信号分类模型的分类准确性。
所述输入单元115接收分类请求，并将从所述分类请求中获取到的多导联数据输入至所述信号分类模型中，得到所述多导联数据对应的目标类别。
在本发明的至少一个实施例中，所述分类请求可以由医护人员触发生成的请求。
所述多导联数据是指需要进行分类的心电信号数据。
所述目标类别是指通过所述信号分类模型中对所述多导联数据进行类别检测后生成的类别。
需要强调的是，为进一步保证上述目标类别的私密和安全性，上述目标类别还可以存储于一区块链的节点中。
在本发明的至少一个实施例中，所述输入单元115将从所述分类请求中获取到的多导联数据输入至所述信号分类模型中，得到所述多导联数据对应的目标类别包括：
解析所述分类请求的报文，得到所述报文携带的数据信息；
从所述数据信息中获取指示路径的信息作为存储路径；
从所述存储路径中获取所述多导联数据；
将所述多导联数据输入至所述信号分类模型进行特征提取并分类，得到所述目标类别。
通过上述实施方式，由于无需解析整个请求，因此，提高所述多导联数据的获取效率，从而提高所述目标类别的确定效率，此外，通过所述信号分类模型能够准确的确定出所述目标类别。
由以上技术方案可以看出，本发明通过对所述心电信号进行预处理，不仅能够减少所述心电信号数据的训练工作量，提高所述信号分类模型的训练效率，还能够剔除所述心电信号数据中的异常信息对所述信号分类模型的干扰，进而通过对所述标准样本进行样本增强，避免由于样本数量不足导致所述信号分类模型的预测能力较差，提高了所述信号分类模型的分类准确性，通过所述预设网络对所述训练数据的预测结果与所述标识结果的相似距离调整所述预设网络的参数，能够确保所述信号分类模型的分类准确性，从而能够准确的确定出所述多导联数据对应的所述目标类别。
如图3所示，是本发明实现基于多导联心电信号的分类方法的较佳实施例的电子设备的结构示意图。
在本发明的一个实施例中，所述电子设备1包括，但不限于，存储器12、处理器13，以及存储在所述存储器12中并可在所述处理器13上运行的计算机可读指令，例如基于多导联心电信号的分类程序。
本领域技术人员可以理解，所述示意图仅仅是电子设备1的示例，并不构成对电子设备1的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述电子设备1还可以包括输入输出设备、网络接入设备、总线等。
所述处理器13可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，所述处理器13是所述电子设备1的运算核心和控制中心，利用各种接口和线路连接整个电子设备1的各个部分，及执行所述电子设备1的操作系统以及安装的各类应用程序、程序代码等。
示例性的，所述计算机可读指令可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器12中，并由所述处理器13执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机可读指令段，该计算机可读指令段用于描述所述计算机可读指令在所述电子设备1中的执行过程。例如，所述计算机可读指令可以被分割成获取单元110、预处理单元111、增强单元112、提取单元113、处理单元114、输入单元115及调整单元116。
所述存储器12可用于存储所述计算机可读指令和/或模块，所述处理器13通过运行或执行存储在所述存储器12内的计算机可读指令和/或模块，以及调用存储在存储器12内的数据，实现所述电子设备1的各种功能。所述存储器12可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序（比如声音播放功能、图像播放功能等）等；存储数据区可存储根据电子设备的使用所创建的数据等。存储器12可以包括非易失性和易失性存储器，例如：硬盘、内存、插接式硬盘，智能存储卡（SmartMedia Card，SMC），安全数字（Secure Digital，SD）卡，闪存卡（Flash Card）、至少一个磁盘存储器件、闪存器件、或其他存储器件。
所述存储器12可以是电子设备1的外部存储器和/或内部存储器。进一步地，所述存储器12可以是具有实物形式的存储器，如内存条、TF卡（Trans-flash Card）等等。
所述电子设备1集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机可读指令来指令相关的硬件来完成，所述的计算机可读指令可存储于一计算机可读存储介质中，该计算机可读指令在被处理器执行时，可实现上述各个方法实施例的步骤。
其中，所述计算机可读指令包括计算机可读指令代码，所述计算机可读指令代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机可读指令代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）。
本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
结合图1，所述电子设备1中的所述存储器12存储计算机可读指令实现一种基于多导联心电信号的分类方法，所述处理器13可执行所述计算机可读指令从而实现：
从心电信号库中获取原始样本，每个所述原始样本中包括多个导联的心电信号数据及标注结果，所述标注结果是指与所述多个导联的心电信号数据对应的类别；
对每个导联中的所述心电信号数据进行预处理，得到标准数据，并根据所述标准数据及所述标注结果生成标准样本；
对所述标准样本进行样本增强，得到信号训练样本，所述信号训练样本包括训练数据及标识结果；
基于预设网络中的网络提取层对所述训练数据进行特征提取，得到每个导联的信号特征；
基于所述预设网络中的网络分类层对所述信号特征进行映射处理，得到每个导联的导联类别特征；
将所述导联类别特征输入至所述预设网络中的决策融合层进行决策分析，得到所述训练数据的预测结果；
根据所述预测结果与所述标识结果的相似距离调整所述预设网络中的参数，直至所述相似距离小于预设距离，及所述预设网络的损失值不再降低，得到信号分类模型；
接收分类请求，并将从所述分类请求中获取到的多导联数据输入至所述信号分类模型中，得到所述多导联数据对应的目标类别。
具体地，所述处理器13对上述计算机可读指令的具体实现方法可参考图1对应实施例中相关步骤的描述，在此不赘述。
在本发明所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。
所述计算机可读存储介质上存储有计算机可读指令，其中，所述计算机可读指令被处理器13执行时用以实现以下步骤：
从心电信号库中获取原始样本，每个所述原始样本中包括多个导联的心电信号数据及标注结果，所述标注结果是指与所述多个导联的心电信号数据对应的类别；
对每个导联中的所述心电信号数据进行预处理，得到标准数据，并根据所述标准数据及所述标注结果生成标准样本；
对所述标准样本进行样本增强，得到信号训练样本，所述信号训练样本包括训练数据及标识结果；
基于预设网络中的网络提取层对所述训练数据进行特征提取，得到每个导联的信号特征；
基于所述预设网络中的网络分类层对所述信号特征进行映射处理，得到每个导联的导联类别特征；
将所述导联类别特征输入至所述预设网络中的决策融合层进行决策分析，得到所述训练数据的预测结果；
根据所述预测结果与所述标识结果的相似距离调整所述预设网络中的参数，直至所述相似距离小于预设距离，及所述预设网络的损失值不再降低，得到信号分类模型；
接收分类请求，并将从所述分类请求中获取到的多导联数据输入至所述信号分类模型中，得到所述多导联数据对应的目标类别。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。
因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。所述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第一、第二等词语用来表示名称，而并不表示任何特定的顺序。
最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。
Claims (9)
1.一种基于多导联心电信号的分类方法，其特征在于，所述基于多导联心电信号的分类方法包括：
从心电信号库中获取原始样本，每个所述原始样本中包括多个导联的心电信号数据及标注结果，所述标注结果是指与所述多个导联的心电信号数据对应的类别；
对每个导联中的所述心电信号数据进行预处理，得到标准数据，并根据所述标准数据及所述标注结果生成标准样本；
对所述标准样本进行样本增强，得到信号训练样本，所述信号训练样本包括训练数据及标识结果；
基于预设网络中的网络提取层对所述训练数据进行特征提取，得到每个导联的信号特征；
基于所述预设网络中的网络分类层对所述信号特征进行映射处理，得到每个导联的导联类别特征；
将所述导联类别特征输入至所述预设网络中的决策融合层进行决策分析，得到所述训练数据的预测结果，包括：将所述导联类别特征中取值最大的维度对应的类别确定为初筛类别；计算所述初筛类别为第一预设类别的第一数量，并计算所述初筛类别为第二预设类别的第二数量；将所述第一数量及所述第二数量中取值最大的数量确定为最大数量，并将所述最大数量对应的类别确定为第一类别；获取所述决策融合层中所有类别的融合层类别权值；根据所述融合层类别权值对所述导联类别特征进行加权和处理，得到融合类别特征，并将所述融合类别特征中取值最大的维度对应的类别确定为第二类别；若所述第一类别与所述第二类别相同，将所述第一类别或者所述第二类别确定为所述预测结果；若所述第一类别与所述第二类别不同，从所述导联类别特征中提取所述第一类别对应的第一类别概率值，并根据所述最大数量计算所述第一类别概率值的平均值，得到平均概率值，从所述融合类别特征中提取所述第二类别对应的第二类别概率值，根据所述平均概率值及所述第二类别概率值确定所述预测结果；
根据所述预测结果与所述标识结果的相似距离调整所述预设网络中的参数，直至所述相似距离小于预设距离，及所述预设网络的损失值不再降低，得到信号分类模型；
接收分类请求，并将从所述分类请求中获取到的多导联数据输入至所述信号分类模型中，得到所述多导联数据对应的目标类别。
2.如权利要求1所述的基于多导联心电信号的分类方法，其特征在于，所述对每个导联中的所述心电信号数据进行预处理，得到标准数据包括：
确定所述心电信号数据的采样频率；
计算所述采样频率与预设频率的比值，得到降维比例；
根据所述降维比例从所述心电信号数据中提取目标数据；
基于滤波器确定出所述目标数据中的异常数据，并从所述目标数据中剔除所述异常数据，得到所述标准数据。
3.如权利要求1所述的基于多导联心电信号的分类方法，其特征在于，所述对所述标准样本进行样本增强，得到信号训练样本包括：
计算每个所述标准样本中的所述标准数据的数据量；
计算所述数据量与预设比值的乘积，得到目标数量；
基于配置值对所述标准数据进行数值更新，直至所述标准数据中的更新数量为所述目标数量，得到所述信号训练样本中的所述训练数据；
将每个所述标准样本中的所述标注结果确定为所述信号训练样本中的所述标识结果。
4.如权利要求1所述的基于多导联心电信号的分类方法，其特征在于，所述基于预设网络中的网络提取层对所述训练数据进行特征提取，得到每个导联的信号特征包括：
所述网络提取层中包括第一配置网络及第二配置网络，所述第一配置网络中包括第一卷积层、第一池化层及第一全连接层，所述第二配置网络包括第二卷积层、第二池化层及第二全连接层；
获取所述训练数据中每个导联的导联标识；
将所述导联标识为第一预设标识的训练数据确定为第一数据，并利用所述第一配置网络对所述第一数据进行特征提取，包括：获取所述第一数据的第一生成时间，并根据所述第一生成时间从小至大的顺序对所述第一数据进行排序，得到第一向量，根据所述第一卷积层中的预设卷积核对所述第一向量进行卷积运算，得到卷积结果，基于所述第一池化层计算所述卷积结果的平均值，得到池化结果，并基于所述第一全连接层对所述卷积结果及所述池化结果进行加权和处理，得到所述第一数据的所述信号特征；
将所述导联标识为第二预设标识的训练数据确定为第二数据，并利用所述第二配置网络对所述第二数据进行特征提取，包括：获取所述第二数据的第二生成时间，根据所述第二生成时间从小至大的顺序对所述第二数据进行排序，得到第二向量，并根据所述第二生成时间从大至小的顺序对所述第二数据进行排序，得到第三向量；依次基于所述第二卷积层、所述第二池化层及所述第二全连接层分别对所述第二向量及所述第三向量进行处理，得到所述第二向量对应的第一特征及所述第三向量对应的第二特征，并融合所述第一特征及所述第二特征，得到所述第二数据的所述信号特征。
5.如权利要求1所述的基于多导联心电信号的分类方法，其特征在于，所述基于所述预设网络中的网络分类层对所述信号特征进行映射处理，得到每个导联的导联类别特征包括：
获取所述网络分类层中的预设权重矩阵及预设偏置值，所述预设权重矩阵用于指示所述网络分类层中所有类别的分类层类别权值；
计算所述信号特征与所述预设权重矩阵的乘积，得到每个导联的初筛类别向量；
计算所述初筛类别向量中每个元素与所述预设偏置值的总和，得到目标类别向量；
对所述目标类别向量进行归一化处理，得到所述导联类别特征，所述导联类别特征中所有维度的概率总和为1。
6.如权利要求1所述的基于多导联心电信号的分类方法，其特征在于，所述根据所述预测结果与所述标识结果的相似距离调整所述预设网络中的参数，直至所述相似距离小于预设距离，及所述预设网络的损失值不再降低，得到信号分类模型包括：
获取所述预测结果对应的预测概率值，并获取所述标识结果对应的结果概率值；
若所述预测结果与所述标识结果不同，计算所述预测概率值与所述结果概率值的总和，得到所述相似距离，若所述预测结果与所述标识结果相同，计算所述预测概率值与所述结果概率值的差值，得到所述相似距离；
计算所述预测结果的数量作为预测总量，并计算所述预测结果与所述标识结果相同的数量作为特征数量；
计算所述特征数量在所述预测总量中的比值，得到所述损失值；
根据所述相似距离及所述损失值调整所述参数，直至所述相似距离小于预设距离，及所述损失值不再降低，得到所述信号分类模型。
7.一种基于多导联心电信号的分类装置，其特征在于，所述基于多导联心电信号的分类装置包括：
获取单元，用于从心电信号库中获取原始样本，每个所述原始样本中包括多个导联的心电信号数据及标注结果，所述标注结果是指与所述多个导联的心电信号数据对应的类别；
预处理单元，用于对每个导联中的所述心电信号数据进行预处理，得到标准数据，并根据所述标准数据及所述标注结果生成标准样本；
增强单元，用于对所述标准样本进行样本增强，得到信号训练样本，所述信号训练样本包括训练数据及标识结果；
提取单元，用于基于预设网络中的网络提取层对所述训练数据进行特征提取，得到每个导联的信号特征；
处理单元，用于基于所述预设网络中的网络分类层对所述信号特征进行映射处理，得到每个导联的导联类别特征；
输入单元，用于将所述导联类别特征输入至所述预设网络中的决策融合层进行决策分析，得到所述训练数据的预测结果，包括：将所述导联类别特征中取值最大的维度对应的类别确定为初筛类别；计算所述初筛类别为第一预设类别的第一数量，并计算所述初筛类别为第二预设类别的第二数量；将所述第一数量及所述第二数量中取值最大的数量确定为最大数量，并将所述最大数量对应的类别确定为第一类别；获取所述决策融合层中所有类别的融合层类别权值；根据所述融合层类别权值对所述导联类别特征进行加权和处理，得到融合类别特征，并将所述融合类别特征中取值最大的维度对应的类别确定为第二类别；若所述第一类别与所述第二类别相同，将所述第一类别或者所述第二类别确定为所述预测结果；若所述第一类别与所述第二类别不同，从所述导联类别特征中提取所述第一类别对应的第一类别概率值，并根据所述最大数量计算所述第一类别概率值的平均值，得到平均概率值，从所述融合类别特征中提取所述第二类别对应的第二类别概率值，根据所述平均概率值及所述第二类别概率值确定所述预测结果；
调整单元，用于根据所述预测结果与所述标识结果的相似距离调整所述预设网络中的参数，直至所述相似距离小于预设距离，及所述预设网络的损失值不再降低，得到信号分类模型；
所述输入单元，还用于接收分类请求，并将从所述分类请求中获取到的多导联数据输入至所述信号分类模型中，得到所述多导联数据对应的目标类别。
8.一种电子设备，其特征在于，所述电子设备包括：
存储器，存储有计算机可读指令；及
处理器，执行所述存储器中存储的计算机可读指令以实现如权利要求1至6中任意一项所述的基于多导联心电信号的分类方法。
9.一种计算机可读存储介质，其特征在于：所述计算机可读存储介质中存储有计算机可读指令，所述计算机可读指令被电子设备中的处理器执行以实现如权利要求1至6中任意一项所述的基于多导联心电信号的分类方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110604918.7A CN113349792B (zh) | 2021-05-31 | 2021-05-31 | 基于多导联心电信号的分类方法、装置、设备及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110604918.7A CN113349792B (zh) | 2021-05-31 | 2021-05-31 | 基于多导联心电信号的分类方法、装置、设备及介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113349792A CN113349792A (zh) | 2021-09-07 |
| CN113349792B true CN113349792B (zh) | 2022-10-11 |
Family
ID=77530565
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110604918.7A Active CN113349792B (zh) | 2021-05-31 | 2021-05-31 | 基于多导联心电信号的分类方法、装置、设备及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113349792B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117860260A (zh) * | 2023-02-16 | 2024-04-12 | 河南善仁医疗科技有限公司 | 基于区块链的心电心音数据处理系统 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104970789A (zh) * | 2014-04-04 | 2015-10-14 | 中国科学院苏州纳米技术与纳米仿生研究所 | 心电图分类方法及系统 |
| CN107495959A (zh) * | 2017-07-27 | 2017-12-22 | 大连大学 | 一种基于一维卷积神经网络的心电信号分类方法 |
| CN108280187A (zh) * | 2018-01-24 | 2018-07-13 | 湖南省瞬渺通信技术有限公司 | 一种基于卷积神经网络深度特征的分级图像检索方法 |
| CN109602414A (zh) * | 2018-11-12 | 2019-04-12 | 安徽心之声医疗科技有限公司 | 一种多视角转换的心电信号数据增强方法 |
| CN110517278A (zh) * | 2019-08-07 | 2019-11-29 | 北京旷视科技有限公司 | 图像分割和图像分割网络的训练方法、装置和计算机设备 |
| CN110781919A (zh) * | 2019-09-23 | 2020-02-11 | 腾讯云计算（北京）有限责任公司 | 分类模型训练方法、分类方法、装置及设备 |
| CN110889448A (zh) * | 2019-11-26 | 2020-03-17 | 北京华医共享医疗科技有限公司 | 一种基于卷积神经网络的心电分类方法 |
| CN111460956A (zh) * | 2020-03-26 | 2020-07-28 | 山东科技大学 | 一种基于数据增强与损失加权的不平衡心电样本分类方法 |
| CN111657926A (zh) * | 2020-07-08 | 2020-09-15 | 中国科学技术大学 | 一种基于多导联信息融合的心律失常分类方法 |
| CN112353402A (zh) * | 2020-10-22 | 2021-02-12 | 平安科技（深圳）有限公司 | 心电信号分类模型的训练方法、心电信号分类方法及装置 |
-
2021
- 2021-05-31 CN CN202110604918.7A patent/CN113349792B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104970789A (zh) * | 2014-04-04 | 2015-10-14 | 中国科学院苏州纳米技术与纳米仿生研究所 | 心电图分类方法及系统 |
| CN107495959A (zh) * | 2017-07-27 | 2017-12-22 | 大连大学 | 一种基于一维卷积神经网络的心电信号分类方法 |
| CN108280187A (zh) * | 2018-01-24 | 2018-07-13 | 湖南省瞬渺通信技术有限公司 | 一种基于卷积神经网络深度特征的分级图像检索方法 |
| CN109602414A (zh) * | 2018-11-12 | 2019-04-12 | 安徽心之声医疗科技有限公司 | 一种多视角转换的心电信号数据增强方法 |
| CN110517278A (zh) * | 2019-08-07 | 2019-11-29 | 北京旷视科技有限公司 | 图像分割和图像分割网络的训练方法、装置和计算机设备 |
| CN110781919A (zh) * | 2019-09-23 | 2020-02-11 | 腾讯云计算（北京）有限责任公司 | 分类模型训练方法、分类方法、装置及设备 |
| CN110889448A (zh) * | 2019-11-26 | 2020-03-17 | 北京华医共享医疗科技有限公司 | 一种基于卷积神经网络的心电分类方法 |
| CN111460956A (zh) * | 2020-03-26 | 2020-07-28 | 山东科技大学 | 一种基于数据增强与损失加权的不平衡心电样本分类方法 |
| CN111657926A (zh) * | 2020-07-08 | 2020-09-15 | 中国科学技术大学 | 一种基于多导联信息融合的心律失常分类方法 |
| CN112353402A (zh) * | 2020-10-22 | 2021-02-12 | 平安科技（深圳）有限公司 | 心电信号分类模型的训练方法、心电信号分类方法及装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113349792A (zh) | 2021-09-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112669138B (zh) | 数据处理方法及相关设备 | |
| CN113435522A (zh) | 图像分类方法、装置、设备及存储介质 | |
| CN113449725B (zh) | 对象分类方法、装置、设备及存储介质 | |
| CN111883251A (zh) | 医疗误诊检测方法、装置、电子设备及存储介质 | |
| CN115222443A (zh) | 客户群体划分方法、装置、设备及存储介质 | |
| CN112668453A (zh) | 视频识别方法及相关设备 | |
| CN113470775B (zh) | 信息采集方法、装置、设备及存储介质 | |
| CN114358202B (zh) | 基于药物分子图像分类的信息推送方法及装置 | |
| CN113349792B (zh) | 基于多导联心电信号的分类方法、装置、设备及介质 | |
| CN113269179B (zh) | 数据处理方法、装置、设备及存储介质 | |
| CN113918467A (zh) | 金融系统测试方法、装置、设备及存储介质 | |
| CN113516205A (zh) | 基于人工智能的数据分类方法、装置、设备及存储介质 | |
| CN113705468A (zh) | 基于人工智能的数字图像识别方法及相关设备 | |
| CN112435745A (zh) | 就诊策略推荐方法、装置、电子设备及存储介质 | |
| US20200279148A1 (en) | Material structure analysis method and material structure analyzer | |
| CN112445846A (zh) | 医疗项目识别方法、装置、设备及计算机可读存储介质 | |
| CN115037790B (zh) | 异常注册识别方法、装置、设备及存储介质 | |
| CN113283677B (zh) | 指标数据处理方法、装置、设备及存储介质 | |
| CN113537407B (zh) | 基于机器学习的图像数据评价处理方法及装置 | |
| CN113420545B (zh) | 摘要生成方法、装置、设备及存储介质 | |
| CN112949305B (zh) | 负反馈信息采集方法、装置、设备及存储介质 | |
| CN115237859A (zh) | 需求文档质量检测方法、装置、设备及存储介质 | |
| CN111582404B (zh) | 内容分类方法、装置及可读存储介质 | |
| CN114003784A (zh) | 请求录制方法、装置、设备及存储介质 | |
| CN114581177A (zh) | 产品推荐方法、装置、设备及存储介质 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |