CN113647908A - 波形识别模型的训练、心电波形识别方法、装置及设备 - Google Patents
波形识别模型的训练、心电波形识别方法、装置及设备 Download PDFInfo
- Publication number
- CN113647908A CN113647908A CN202110902579.0A CN202110902579A CN113647908A CN 113647908 A CN113647908 A CN 113647908A CN 202110902579 A CN202110902579 A CN 202110902579A CN 113647908 A CN113647908 A CN 113647908A
- Authority
- CN
- China
- Prior art keywords
- waveform
- waveform signal
- recognition model
- training
- electrocardiographic
- 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
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
-
- 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
-
- 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
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
- A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
-
- 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
- G06F2218/10—Feature extraction by analysing the shape of a waveform, e.g. extracting parameters relating to peaks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Physics & Mathematics (AREA)
- Biophysics (AREA)
- Surgery (AREA)
- Veterinary Medicine (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Animal Behavior & Ethology (AREA)
- Molecular Biology (AREA)
- Medical Informatics (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Signal Processing (AREA)
- Psychiatry (AREA)
- Physiology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Cardiology (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本申请实施例公开了波形识别模型的训练、心电波形识别方法、装置及设备,训练方法包括:获取各采样点带有波形分类结果标签的心电波形信号。根据心电波形信号长度和预设长度确定样本划分数量。将心电波形信号的长度区间内生成的n个随机数分别作为第一时刻点,从心电波形信号中截取第一时刻点到距离第一时刻点预设长度的第二时刻点之间的波形信号作为训练样本波形信号。将其输入包括特征提取子模型和分类子模型的波形识别模型中,获得输出的各采样点预测分类结果。基于各采样点预测分类结果和各采样点对应的波形分类结果标签,对波形识别模型进行训练。相比于现有训练样本,训练样本波形信号的数据量增加,能够提高波形识别模型的识别准确率。
Description
技术领域
本申请涉及数据处理领域,具体涉及波形识别模型的训练、心电波形识别方法、装置及设备。
背景技术
心电波形信号是通过监测患者的心脏跳动过程生成的表示患者心脏跳动情况的波形信号。基于波形识别模型对心电波形信号的波形进行识别,可以确定心电波形信号中的波形。基于识别到的心电波形信号中的波形,便于医生对患者的心血管的健康情况进行分析。
目前,对波形识别模型识别准确率的要求越来越高。但是,为了训练准确率高的波形识别模型,需要大量的训练数据。现有的标注完整的数据集的数据量均不足以支撑训练准确率高的波形识别模型。
发明内容
有鉴于此,本申请实施例提供一种波形识别模型的训练、心电波形识别方法、装置及设备,用于增强样本数据量,提高波形识别模型的识别准确率。
为解决上述问题,本申请实施例提供的技术方案如下:
一种波形识别模型的训练方法,所述方法包括:
获取心电波形信号,所述心电波形信号的各采样点对应有波形分类结果的标签;
根据所述心电波形信号的长度以及预设长度计算样本划分数量,所述样本划分数量大于所述心电波形信号的长度与所述预设长度的比值;
在所述心电波形信号的长度区间内生成n个随机数,其中,n为正整数,且n为所述样本划分数量;
将所述n个随机数分别作为第一时刻点,从所述心电波形信号中截取所述第一时刻点到距离所述第一时刻点预设长度的第二时刻点之间的波形信号作为训练样本波形信号;
将所述训练样本波形信号输入波形识别模型,获得所述波形识别模型输出的所述训练样本波形信号的各采样点的预测分类结果,所述波形识别模型包括特征提取子模型以及分类子模型;
根据所述训练样本波形信号的各采样点的预测分类结果以及所述训练样本波形信号的各采样点对应的波形分类结果的标签,对所述波形识别模型进行训练,获得训练完成的波形识别模型。
在一种可能的实现方式中,所述根据所述心电波形信号的长度以及预设长度计算样本划分数量,包括:
计算所述心电波形信号的长度与预设长度之差,得到第一数值;
计算所述第一数值与随机采样步长的商,得到第二数值;
对所述第二数值进行取整,得到样本划分数量。
在一种可能的实现方式中,所述方法还包括:
如果所述第一数值小于零,重新获取心电波形信号。
在一种可能的实现方式中,所述方法还包括:
如果所述第一数值等于零,将所述心电波形信号确定为训练样本波形信号。
在一种可能的实现方式中,所述特征提取子模型为Unet网络结构,所述分类子模型为条件随机场CRF模型;
所述将所述训练样本波形信号输入波形识别模型,获得所述波形识别模型输出的所述训练样本波形信号的各采样点的预测分类结果,包括:
将所述训练样本波形信号输入特征提取子模型,获得所述特征提取子模型输出的所述训练样本波形信号的各采样点的特征向量;
将所述训练样本波形信号的各采样点的特征向量输入分类子模型,获得所述分类子模型输出的所述训练样本波形信号的各采样点的预测分类结果。
在一种可能的实现方式中,在获取心电波形信号之后,所述方法还包括:
对所述心电波形信号进行小波变换以及标准化处理,重新得到所述心电波形信号。
一种心电波形识别方法,所述方法包括:
获取待识别心电信号,从所述待识别心电信号中截取至少一个预设长度的输入波形信号;
将所述输入波形信号输入波形识别模型,获得所述波形识别模型输出的所述输入波形信号中各采样点的波形分类结果,所述波形识别模型为根据上述的心电波形识别模型的训练方法训练得到的。
一种波形识别模型的训练装置,所述装置包括:
第一获取单元,用于获取心电波形信号,所述心电波形信号的各采样点对应有波形分类结果的标签;
计算单元,用于根据所述心电波形信号的长度以及预设长度计算样本划分数量,所述样本划分数量大于所述心电波形信号的长度与所述预设长度的比值;
生成单元,用于在所述心电波形信号的长度区间内生成n个随机数,其中,n为正整数,且n为所述样本划分数量;
截取单元,用于将所述n个随机数分别作为第一时刻点,从所述心电波形信号中截取所述第一时刻点到距离所述第一时刻点预设长度的第二时刻点之间的波形信号作为训练样本波形信号;
输入单元,用于将所述训练样本波形信号输入波形识别模型,获得所述波形识别模型输出的所述训练样本波形信号的各采样点的预测分类结果,所述波形识别模型包括特征提取子模型以及分类子模型;
训练单元,用于根据所述训练样本波形信号的各采样点的预测分类结果以及所述训练样本波形信号的各采样点对应的波形分类结果的标签,对所述波形识别模型进行训练,获得训练完成的波形识别模型。
一种心电波形识别装置,所述装置包括:
获取单元,用于获取待识别心电信号,从所述待识别心电信号中截取至少一个预设长度的输入波形信号。
输入单元,用于将所述输入波形信号输入波形识别模型,获得所述波形识别模型输出的所述输入波形信号中各采样点的波形分类结果,所述波形识别模型为根据上述的心电波形识别模型的训练方法训练得到的。
一种波形识别模型的训练设备,包括:存储器,处理器,及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时,实现如上述的波形识别模型的训练方法。
一种心电波形识别设备,包括:存储器,处理器,及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时,实现如上述的心电波形识别方法。
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指令,当所述指令在终端设备上运行时,使得所述终端设备执行如上述的波形识别模型的训练方法,或者执行如上述的心电波形识别方法。
由此可见,本申请实施例具有如下有益效果:
本申请实施例提供了一种波形识别模型的训练、心电波形识别方法、装置及设备。获取各采样点带有波形分类结果标签的心电波形信号后,对心电波形信号进行数据增强。具体的,根据心电波形信号的长度和预设长度确定样本划分数量n。其中,预设长度为波形识别模型的输入信号长度。在心电波形信号的长度区间内生成n个随机数,以n个随机数对应的第一时刻点分别作为n个训练样本波形信号的起始时刻点。从心电波形信号中截取第一时刻点到距离第一时刻点预设长度的第二时刻点之间的波形信号作为训练样本波形信号。进一步,将每个训练样本波形信号输入波形识别模型,获得波形识别模型输出的训练样本波形信号的各采样点的预测分类结果。其中,波形识别模型包括特征提取子模型以及分类子模型。根据训练样本波形信号的各采样点的预测分类结果以及训练样本波形信号的各采样点对应的波形分类结果的标签,对波形识别模型进行训练,获得训练完成的波形识别模型。由于输入到波形识别模型中的训练样本波形信号为进行了数据增强得到的n个训练样本波形信号,相比于现有的标注数据集,该方法生成的训练样本数据量增加,有助于提高训练完成后的波形识别模型的识别准确率。
附图说明
图1为本申请实施例提供的一种场景示例的示意图;
图2为本申请实施例提供的一种波形识别模型的训练方法的流程图;
图3为本申请实施例提供的波形识别模型的结构图;
图4为本申请实施例提供的Unet网络结构的示意图;
图5为本申请实施例提供的条件随机场CRF模型结构的示意图;
图6为本申请实施例提供的获取训练样本波形信号的流程图;
图7为本申请实施例提供的一种心电波形识别方法的流程图;
图8为本申请实施例提供的一种波形识别模型的训练装置的结构示意图;
图9为本申请实施例提供的一种心电波形识别装置的结构示意图。
具体实施方式
为使本申请的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本申请实施例作进一步详细的说明。
为便于理解本申请提供的技术方案,下面将先对本申请涉及的背景技术进行说明。
心电波形信号是通过监测患者的心脏跳动过程生成的表示患者心脏跳动情况的波形信号。由于基于心电波形信号的波形可以对患者的健康状况进行分析,因此,心电波形信号中波形的准确识别十分重要。若想训练一个准确率高的波形识别模型来识别心电波形信号中的波形,需要大量的训练样本数据。但是,目前已知的标注完整的数据集的训练样本数据量很小,不足以支撑训练准确率高的波形识别模型。
基于此,本申请实施例提供了一种波形识别模型的训练、心电波形识别方法、装置及设备。为了便于理解本申请实施例提供的波形识别模型的训练方法,下面结合图1所示的场景示例进行说明。参见图1,该图为本申请实施例提供的示例性应用场景的框架示意图。
获取各采样点对应有波形分类结果标签的心电波形信号。根据心电波形信号的长度和预设长度计算样本划分数量n。其中,预设长度为波形识别模型的输入信号长度。样本划分数量n为需要获取的训练样本波形信号的数量。
确定样本划分数量n后,在心电波形信号的长度区间内生成n个随机数。n个随机数分别对应的时刻点均为第一时刻点。将n个第一时刻点分别作为n个训练样本波形信号的开始时刻。基于第一时刻点,从心电波形信号中截取第一时刻点到距离第一时刻点预设长度的第二时刻点之间的波形信号作为训练样本波形信号。由此,获得n个训练样本波形信号。
将获取的n个训练样本波形信号分别输入波形识别模型,输出训练样本波形信号中各采样点的预测分类结果。
另外,由于心电波形信号中各采样点对应有波形分类结果的标签,则确定训练样本波形信号之后,可获知训练样本波形信号中各采样点对应的波形分类结果的标签。基于波形识别模型输出的训练样本波形信号中各采样点的预测分类结果和训练样本波形信号中各采样点对应的波形分类结果的标签,对波形识别模型进行训练,获取训练完成的波形识别模型。
本领域技术人员可以理解,图1所示的框架示意图仅是本申请的实施方式可以在其中得以实现的一个示例。本申请实施方式的适用范围不受到该框架任何方面的限制。
基于上述说明,下面将结合附图对本申请提供的波形识别模型的训练方法进行详细说明。
参见图2,图2为本申请实施例提供的一种波形识别模型的训练方法的流程图。该波形识别模型的训练方法可以由终端设备来执行。如图2所示,该波形识别方法包括S201-S206:
S201:获取心电波形信号,心电波形信号的各采样点对应有波形分类结果的标签。
心电波形信号是通过监测心脏跳动得到的包含心脏跳动相关信息的波形信号。每个患者都对应有各自的心电波形信号,若干个患者对应的心电波形信号可组成心电波形信号集。
对每个心电波形信号进行标注,确定心电波形信号的各采样点对应有波形分类结果的标签。波形分类结果的标签应用于后续波形识别模型的训练过程。
在获取心电波形信号之后,可对各采样点对应有波形分类结果标签的心电波形信号进行小波变换以及标准化处理,重新得到心电波形信号。可以理解的是,重新得到的心电波形信号为经过小波变换和标准化处理之后的心电波形信号。
作为一种示例,小波变换采用Daubechies小波变换算法;标准化处理采用z-score标准化。
具体实施时,首先使用Daubechies小波变换算法对心电波形信号进行小波分解和小波重构,实现对心电波形信号的滤波处理和去噪处理,得到低噪声的心电波形信号。其次,利用z-score标准化对低噪声的心电波形信号进行标准化处理,重新得到心电波形信号。
其中,由于心电波形信号存在大量的信号尖峰和突变信号,例如心电波形信号中的Q点、R点、S点均属于信号尖峰,宽大QRS、ST段压低等属于突变信号,信号尖峰和突变信号有助于波形识别。因此,利用Daubechies小波变换对心电波形信号进行滤波和去噪,获取低噪声的心电波形信号,进而可以保护心电波形信号中有效的信号尖峰和突变信号。
另外,z-score标准化(也称为正太标准化)是基于低噪声的心电波形信号的均值和标准差进行的标准化。由于采样频率的不同,心电波形信号中的每一个心拍都有几百到上千个数据点。对于一个包含几千个心拍的心电波形信号来说,总数据点数就会几十万到上百万,考虑到标准化算法的计算速度,本申请实施例选择z-score算法对心电波形信号进行标准化,以提高标准化的速度,重新获取心电波形信号。
S202:根据心电波形信号的长度以及预设长度计算样本划分数量。
获取到各采样点对应有波形分类结果标签的心电波形信号之后,根据心电波形信号的长度以及预设长度计算样本划分数量。其中,预设长度为波形识别模型的输入信号长度。样本划分数量为训练样本波形信号的数量,训练样本波形信号用于训练波形识别模型。确定样本划分数量后,才可将心电波形信号划分为样本划分数量个预设长度的训练样本波形信号。
需要说明的是,普通方式确定心电波形信号训练样本量为心电波形信号的长度和预设长度的比值,心电波形信号的长度可以理解为心电波形信号对应的采样点个数。本申请实施例中的样本划分数量需要大于普通心电波形信号训练样本量,即样本划分数量需要大于心电波形信号的长度和预设长度的比值,以确定训练样本的总数据量得到了增强,有助于提高训练完成后的波形识别模型的识别准确率。
在一种可能的实现方式中,本申请实施例提供了一种根据心电波形信号的长度以及预设长度计算样本划分数量的具体实施方式,包括:
计算心电波形信号的长度与预设长度之差,得到第一数值;
计算第一数值与随机采样步长的商,得到第二数值;
对第二数值进行取整,得到样本划分数量。
可以理解的是,随机采样步长越小,第二数值越大,样本划分数量越大,相邻训练样本波形信号的相似性越大。因此,要选择合适的随机采样步长以实现训练样本总数据增强且相邻训练样本波形信号的相似性不能太大。作为一种示例,随机采样步长可根据心电波形信号的采样频率进行确定。例如,随机采样步长为采样频率的二十分之一。作为另一种示例,随机采样步长可根据经验进行确定。
需要说明的是,可根据第一数值的大小,确定心电波形信号是否能够进行心电波形信号的样本划分。当第一数值大于零,心电波形信号的长度大于预设长度(即波形识别模型的输入信号长度),确定可对心电波形信号进行样本划分,此时样本划分数量大于等于1。如果第一数值等于零,即心电波形信号的长度等于预设长度,将心电波形信号确定为训练样本波形信号,此时样本划分数量为1。即上述获取样本划分数量的前提,需要第一数值大于等于零。
如果第一数值小于零,心电波形信号的长度小于预设长度,重新获取心电波形信号,即重新获取另一个患者的带标签的心电波形信号,重新执行S202,以获取满足样本划分条件的训练样本波形信号。
另外,本申请实施例提供了关于上述根据心电波形信号的长度以及预设长度计算样本划分数量的具体实施方式的证明过程,以证明该具体实施方式能够实现训练样本的数据增强,具体证明过程请参见下文。
S203:在心电波形信号的长度区间内生成n个随机数,其中,n为正整数,且n为样本划分数量。
确定样本划分数量后,在心电波形信号的长度区间内生成n个随机数,其中,n为正整数,且n为样本划分数量。
其中,每个随机数对应的时刻点可作为一个训练样本波形信号的起始时刻点。
作为一种示例,将心电波形信号的长度减去预设长度作为目标长度,在零到目标长度的区间内生成n个随机数。
S204:将n个随机数分别作为第一时刻点,从心电波形信号中截取第一时刻点到距离第一时刻点预设长度的第二时刻点之间的波形信号作为训练样本波形信号。
将n个随机数分别对应的时刻点均作为第一时刻点。每个第一时刻点为每个训练样本波形信号的起始时刻点。从心电波形信号中截取第一时刻点到距离第一时刻点预设长度的第二时刻点之间的波形信号作为训练样本波形信号。训练样本波形信号满足波形识别模型的输入信号长度。
由于随机数的随机性,可使获取的n个训练样本波形信号能更客观地代表整个心电波形信号。
S205:将训练样本波形信号输入波形识别模型,获得波形识别模型输出的训练样本波形信号的各采样点的预测分类结果,波形识别模型包括特征提取子模型以及分类子模型。
将n个训练样本波形信号依次输入波形识别模型对波形识别模型进行训练。以一个训练样本波形信号为例,将训练样本波形信号输入波形识别模型,获得波形识别模型输出的训练样本波形信号的各采样点的预测分类结果。
具体实施时,波形识别模型包括特征提取子模型以及分类子模型。特征提取子模型用于对输入的训练样本波形信号进行特征提取,获得提取的结果特征后,将结果特征输入到分类子模型,对训练样本波形信号中的每个采样点进行分类,获得训练样本波形信号的各采样点的预测分类结果。
在一种可能的实施方式中,本申请实施例提供了一种将训练样本波形信号输入波形识别模型,获得波形识别模型输出的训练样本波形信号的各采样点的预测分类结果的具体实施方式,包括:
将训练样本波形信号输入特征提取子模型,获得特征提取子模型输出的训练样本波形信号的各采样点的特征向量;
将训练样本波形信号的各采样点的特征向量输入分类子模型,获得分类子模型输出的训练样本波形信号的各采样点的预测分类结果。
可以理解的是,特征提取子模型输出的结果特征用特征向量进行了表示。
在一种可能的实现方式中,特征提取子模型为Unet网络结构,分类子模型为条件随机场CRF模型。参见图3,图3为本申请实施例提供的波形识别模型的结构图。如图3所示,若获得的训练样本波形信号为Sample_i,其中包含k个采样点{Element_1,Element_2,...,Element_k}。将训练样本波形信号Sample_i输入到Unet网络结构中进行特征提取,获取特征向量{T_1,T_2,...,T_k},特征向量中的每个元素为各个采样点对应的特征向量。再将特征向量输入CRF模型中进行分类,获得每个采样点对应的预测分类结果{Label_1,Label_2,...,Label_k}。
具体地,参见图4,图4为本申请实施例提供的Unet网络结构的示意图。如图4所示,若k为288。Unet网络结构的输入需要先经过4层下采样,下采样的过程即为特征提取的过程。训练样本波形信号的长度为288个采样点,则Unet网络结构的输入层尺寸为288×1,288表示288个采样点。Unet网络结构的输入会先经历两次“conv 32,Relu”模块的卷积处理和整流线性化,实现对输入的特征提取,获取结果特征。其中,“conv 32,Relu”模块中的conv32表示进行卷积处理,32表示32个卷积核;Relu表示整流线性单元,也可称为激励函数。之后,经过“maxpol 2”模块进行下采样处理,其中,“maxpol 2”表示进行2次池化。以上操作再重复3次,即经过4次下采样后,如图4所示的Unet网络结构的左半部分便执行完毕。
最后一次下采样获得的结果特征经过“up conv 32,Relu”模块的卷积处理和整流线性化后,获取当前的结果特征。其中,up conv 32表示进行卷积处理。针对此时的结果特征再进行上采样4次的处理。在每层上采样的过程中,需要先将相应层的经过下采样获得的结果特征和当前的结果特征一起输入“concat”模块进行特征拼接。其中,“concat”表示进行特征拼接。再经过两次“conv 32,Relu”模块的卷积处理和整流线性化。之后,经过“upconv 32,Relu”模块的卷积处理和整流线性化。最后一次上采样中,在经过两次“conv 32,Relu”模块的卷积处理和整流线性化后,便得到了提取的特征向量。图4中Unet网络结构输出层尺寸为288×16,288表示训练样本波形信号的长度,16表示波形信号中采样点对应的特征维数。需要说明的是,图4中Unet网络结构中的各个参数均由试验得出。
参见图5,图5为本申请实施例提供的条件随机场CRF模型结构的示意图。在获得特征向量后,将特征向量输入图5所示的CRF模型中进行分类,获得每个采样点对应的预测分类结果{Label_1,Label_2,...,Label_k},k为288。
由Unet模型和CRF模型构成的波形识别模型,既有Unet模型的准确率高、速度快的优点,也有CRF模型的输入限制少、可容性强的优点,是一个学习能力强大的算法模型。
S206:根据训练样本波形信号的各采样点的预测分类结果以及训练样本波形信号的各采样点对应的波形分类结果的标签,对波形识别模型进行训练,获得训练完成的波形识别模型。
由于心电波形信号中各采样点对应有波形分类结果的标签,则确定训练样本波形信号之后,可获知训练样本波形信号中各采样点对应的波形分类结果的标签。
基于波形识别模型输出的训练样本波形信号中各采样点的预测分类结果和训练样本波形信号中各采样点对应的波形分类结果的标签,对波形识别模型进行训练,获取训练完成的波形识别模型。
作为一种示例,心电波形信号中各采样点对应有波形分类结果的标签包括P、PQ、QR、RS、SJ、JT、T、D等八种。其中,P、PQ、JT、T和D分别表示P波、PR段、ST段、T波和两相邻心拍之间的间隔。QR、RS和SJ整体表示QRS复合波间期。可以理解的是,可以根据需求将以上标签进行细化或概括,这里对标签的类别数不进行限定。
本申请实施例提供了一种波形识别模型的训练方法。获取各采样点带有波形分类结果标签的心电波形信号后,对心电波形信号进行数据增强。具体的,根据心电波形信号的长度和预设长度确定样本划分数量n。其中,预设长度为波形识别模型的输入信号长度。在心电波形信号的长度区间内生成n个随机数,以n个随机数对应的第一时刻点分别作为n个训练样本波形信号的起始时刻点。从心电波形信号中截取第一时刻点到距离第一时刻点预设长度的第二时刻点之间的波形信号作为训练样本波形信号。进一步,将每个训练样本波形信号输入波形识别模型,获得波形识别模型输出的训练样本波形信号的各采样点的预测分类结果。其中,波形识别模型包括特征提取子模型以及分类子模型。根据训练样本波形信号的各采样点的预测分类结果以及训练样本波形信号的各采样点对应的波形分类结果的标签,对波形识别模型进行训练,获得训练完成的波形识别模型。由于输入到波形识别模型中的训练样本波形信号为进行了数据增强得到的n个训练样本波形信号,使得波形识别模型的训练样本数据量增加,有助于提高训练完成后的波形识别模型的识别准确率。
另外,本申请实施例还提供了关于上述根据心电波形信号的长度以及预设长度计算样本划分数量可以实现样本数量增强的证明过程,具体如下:
确定一个心电波形信号为第i个数据段,其采样频率为H赫兹,数据段长度为xi,预设长度设定为l,随机采样步长为s,样本划分数量用n来表示,n由下式计算:
其中,中括号代表取整。
对应的,普通方式获取心电波形信号样本量n1的计算公式为:
由此可知,采用本申请实施例所提供的S202-S204中的数据增强方法,样本增加量为n-n1。
首先,证明f(xi)是单调递增函数:
进一步,只需求xi,st.f(xi)=0:
例如,心电波形信号的长度为2500个采样点,采样频率为250HZ,预设长度为256个采样点,随机采样步长为10。即xi=2500,H=250,l=256,s=10。
而且,
可知,样本数量增加了224-9=215。
基于上述内容可知,本申请实施例提供的S202-S204所述的获取训练样本波形信号的方式为数据增强方式,能够增加样本数据量,有助于提高波形识别模型的识别准确率。
在一种可能的实现方式中,本申请实施例提供了关于获取训练样本波形信号的具体过程。参见图6,图6为本申请实施例提供的获取训练样本波形信号的流程图。
如图6所示,获取包含多个数据段的数据集,每个数据段为一个心电波形信号。设置预设长度,预设长度为波形识别模型的输入信号长度。
以第i个数据段为例,计算第i个数据段和预设长度之差di,di=xi-l。
判断di是否满足di≥0,若否,则该数据段不满足波形识别模型的输入信号长度,进行舍弃,处理第i+1个数据段。
若满足di≥0,则可确定能够对第i个数据段进行划分。进一步,判断di是否满足是否di=0,若di=0,则第i个数据段刚好满足波形识别模型的输入信号长度,第i个数据段可作为一个训练样本波形信号。若否,则确定di>0,划分得到的样本划分数量会大于等于1。基于此,计算第i个数据段要划分成的样本划分数量n,n=[di/s],其中,s为随机采样步长。确定数量n后,在[0,di]之间生成n个随机数r1,……,rn。以r1,……rn为n个训练样本波形信号的起始采样点,根据预设长度l,确定n个训练样本波形信号为(r1,r1+l),……,(rn,rn+l)。
由此,完成了第i个数据段的“获取训练样本”的处理过程。遍历所有数据段,均进行以上操作,将从所有数据段中获取的所有训练样本波形信号组成样本集。基于样本集训练波形识别模型。基于上述过程可知,获得的样本集使得波形识别模型的训练样本数据量增加,有助于提高训练完成后的波形识别模型的识别准确率。
本申请实施例还提供了一种心电波形识别方法。参见图7,图7为本申请实施例提供的一种心电波形识别方法的流程图。如图7所示,所述心电波形识别方法包括:
S701:获取待识别心电信号,从所述待识别心电信号中截取至少一个预设长度的输入波形信号。
其中,预设长度为波形识别模型的输入信号长度。
S702:将所述输入波形信号输入波形识别模型,获得所述波形识别模型输出的所述输入波形信号中各采样点的波形分类结果,所述波形识别模型为根据如上述任一项实施例所述的心电波形识别模型的训练方法训练得到的。
将输入波形信号输入波形识别模型所获得的输入波形信号中各采样点的波形分类结果和波形识别模型训练过程中所设置的标签种类相对应。即若标签包括P、PQ、QR、RS、SJ、JT、T、D等八种。由波形识别模型获得的输入波形信号中各采样点的波形分类结果为以上八种结果。
可以理解的是,基于识别准确率高的波形识别模型,获取的入波形信号中各采样点的波形分类结果是更为准确的。
基于上述方法实施例所提供的一种波形识别模型的训练方法,本申请实施例还提供了一种波形识别模型的训练装置。下面将结合附图对该波形识别模型的训练装置进行说明。
参见图8,图8为本申请实施例提供的一种波形识别模型的训练装置的结构示意图。如图8所示,该波形识别模型的训练装置包括:
第一获取单元801,用于获取心电波形信号,所述心电波形信号的各采样点对应有波形分类结果的标签;
计算单元802,用于根据所述心电波形信号的长度以及预设长度计算样本划分数量,所述样本划分数量大于所述心电波形信号的长度与所述预设长度的比值;
生成单元803,用于在所述心电波形信号的长度区间内生成n个随机数,其中,n为正整数,且n为所述样本划分数量;
截取单元804,用于将所述n个随机数分别作为第一时刻点,从所述心电波形信号中截取所述第一时刻点到距离所述第一时刻点预设长度的第二时刻点之间的波形信号作为训练样本波形信号;
输入单元805,用于将所述训练样本波形信号输入波形识别模型,获得所述波形识别模型输出的所述训练样本波形信号的各采样点的预测分类结果,所述波形识别模型包括特征提取子模型以及分类子模型;
训练单元806,用于根据所述训练样本波形信号的各采样点的预测分类结果以及所述训练样本波形信号的各采样点对应的波形分类结果的标签,对所述波形识别模型进行训练,获得训练完成的波形识别模型。
在一种可能的实现方式中,所述计算单元802,包括:
第一计算子单元,用于计算所述心电波形信号的长度与预设长度之差,得到第一数值;
第二计算子单元,用于计算所述第一数值与随机采样步长的商,得到第二数值;
取整子单元,用于对所述第二数值进行取整,得到样本划分数量。
在一种可能的实现方式中,所述装置还包括:
第二获取单元,用于如果所述第一数值小于零,重新获取心电波形信号。
在一种可能的实现方式中,所述装置还包括:
确定单元,用于如果所述第一数值等于零,将所述心电波形信号确定为训练样本波形信号。
在一种可能的实现方式中,所述特征提取子模型为Unet网络结构,所述分类子模型为条件随机场CRF模型;
所述输入单元805,包括:
第一输入子单元,用于将所述训练样本波形信号输入特征提取子模型,获得所述特征提取子模型输出的所述训练样本波形信号的各采样点的特征向量;
第二输入子单元,用于将所述训练样本波形信号的各采样点的特征向量输入分类子模型,获得所述分类子模型输出的所述训练样本波形信号的各采样点的预测分类结果。
在一种可能的实现方式中,所述装置还包括:
处理单元,用于在获取心电波形信号之后,对所述心电波形信号进行小波变换以及标准化处理,重新得到所述心电波形信号。
另外,本申请实施例还提供了一种波形识别模型的训练设备,包括:存储器,处理器,及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时,实现如上述任一项实施例所述的波形识别模型的训练方法。
另外,本申请实施例还提供了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指令,当所述指令在终端设备上运行时,使得所述终端设备执行如上述任一项实施例所述的波形识别模型的训练方法。
本申请实施例提供了一种波形识别模型的训练装置及设备。获取各采样点带有波形分类结果标签的心电波形信号后,对心电波形信号进行数据增强。具体的,根据心电波形信号的长度和预设长度确定样本划分数量n。其中,预设长度为波形识别模型的输入信号长度。在心电波形信号的长度区间内生成n个随机数,以n个随机数对应的第一时刻点分别作为n个训练样本波形信号的起始时刻点。从心电波形信号中截取第一时刻点到距离第一时刻点预设长度的第二时刻点之间的波形信号作为训练样本波形信号。进一步,将每个训练样本波形信号输入波形识别模型,获得波形识别模型输出的训练样本波形信号的各采样点的预测分类结果。其中,波形识别模型包括特征提取子模型以及分类子模型。根据训练样本波形信号的各采样点的预测分类结果以及训练样本波形信号的各采样点对应的波形分类结果的标签,对波形识别模型进行训练,获得训练完成的波形识别模型。由于输入到波形识别模型中的训练样本波形信号为进行了数据增强得到的n个训练样本波形信号,使得波形识别模型的训练样本数据量增加,有助于提高训练完成后的波形识别模型的识别准确率。
基于上述方法实施例所提供的一种心电波形识别方法,本申请实施例还提供了一种心电波形识别装置。下面将结合附图对该心电波形识别装置进行说明。
参见图9,图9本申请实施例提供的一种心电波形识别装置的结构示意图。如图9所示,所述心电波形识别装置包括:
获取单元901,用于获取待识别心电信号,从所述待识别心电信号中截取至少一个预设长度的输入波形信号。
输入单元902,用于将所述输入波形信号输入波形识别模型,获得所述波形识别模型输出的所述输入波形信号中各采样点的波形分类结果,所述波形识别模型为根据如上述任一项实施例所述的心电波形识别模型的训练方法训练得到的。
另外,本申请实施例还提供了一种心电波形识别设备,包括:存储器,处理器,及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时,实现如上述任一项实施例所述的心电波形识别方法。
另外,本申请实施例还提供了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指令,当所述指令在终端设备上运行时,使得所述终端设备执行如上述任一项实施例所述的心电波形识别方法。
需要说明的是,本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统或装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
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。“和/或”,用于描述关联对象的关联关系,表示可以存在三种关系,例如,“A和/或B”可以表示:只存在A,只存在B以及同时存在A和B三种情况,其中A,B可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。“以下至少一项(个)”或其类似表达,是指这些项中的任意组合,包括单项(个)或复数项(个)的任意组合。例如,a,b或c中的至少一项(个),可以表示:a,b,c,“a和b”,“a和c”,“b和c”,或“a和b和c”,其中a,b,c可以是单个,也可以是多个。
还需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块,或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下,在其它实施例中实现。因此,本申请将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (12)
1.一种波形识别模型的训练方法,其特征在于,所述方法包括:
获取心电波形信号,所述心电波形信号的各采样点对应有波形分类结果的标签;
根据所述心电波形信号的长度以及预设长度计算样本划分数量,所述样本划分数量大于所述心电波形信号的长度与所述预设长度的比值;
在所述心电波形信号的长度区间内生成n个随机数,其中,n为正整数,且n为所述样本划分数量;
将所述n个随机数分别作为第一时刻点,从所述心电波形信号中截取所述第一时刻点到距离所述第一时刻点预设长度的第二时刻点之间的波形信号作为训练样本波形信号;
将所述训练样本波形信号输入波形识别模型,获得所述波形识别模型输出的所述训练样本波形信号的各采样点的预测分类结果,所述波形识别模型包括特征提取子模型以及分类子模型;
根据所述训练样本波形信号的各采样点的预测分类结果以及所述训练样本波形信号的各采样点对应的波形分类结果的标签,对所述波形识别模型进行训练,获得训练完成的波形识别模型。
2.根据权利要求1所述的方法,其特征在于,所述根据所述心电波形信号的长度以及预设长度计算样本划分数量,包括:
计算所述心电波形信号的长度与预设长度之差,得到第一数值;
计算所述第一数值与随机采样步长的商,得到第二数值;
对所述第二数值进行取整,得到样本划分数量。
3.根据权利要求2所述的方法,其特征在于,所述方法还包括:
如果所述第一数值小于零,重新获取心电波形信号。
4.根据权利要求2所述的方法,其特征在于,所述方法还包括:
如果所述第一数值等于零,将所述心电波形信号确定为训练样本波形信号。
5.根据权利要求1所述的方法,其特征在于,所述特征提取子模型为Unet网络结构,所述分类子模型为条件随机场CRF模型;
所述将所述训练样本波形信号输入波形识别模型,获得所述波形识别模型输出的所述训练样本波形信号的各采样点的预测分类结果,包括:
将所述训练样本波形信号输入特征提取子模型,获得所述特征提取子模型输出的所述训练样本波形信号的各采样点的特征向量;
将所述训练样本波形信号的各采样点的特征向量输入分类子模型,获得所述分类子模型输出的所述训练样本波形信号的各采样点的预测分类结果。
6.根据权利要求1所述的方法,其特征在于,在获取心电波形信号之后,所述方法还包括:
对所述心电波形信号进行小波变换以及标准化处理,重新得到所述心电波形信号。
7.一种心电波形识别方法,其特征在于,所述方法包括:
获取待识别心电信号,从所述待识别心电信号中截取至少一个预设长度的输入波形信号;
将所述输入波形信号输入波形识别模型,获得所述波形识别模型输出的所述输入波形信号中各采样点的波形分类结果,所述波形识别模型为根据权利要求1-6任一项所述的心电波形识别模型的训练方法训练得到的。
8.一种波形识别模型的训练装置,其特征在于,所述装置包括:
第一获取单元,用于获取心电波形信号,所述心电波形信号的各采样点对应有波形分类结果的标签;
计算单元,用于根据所述心电波形信号的长度以及预设长度计算样本划分数量,所述样本划分数量大于所述心电波形信号的长度与所述预设长度的比值;
生成单元,用于在所述心电波形信号的长度区间内生成n个随机数,其中,n为正整数,且n为所述样本划分数量;
截取单元,用于将所述n个随机数分别作为第一时刻点,从所述心电波形信号中截取所述第一时刻点到距离所述第一时刻点预设长度的第二时刻点之间的波形信号作为训练样本波形信号;
输入单元,用于将所述训练样本波形信号输入波形识别模型,获得所述波形识别模型输出的所述训练样本波形信号的各采样点的预测分类结果,所述波形识别模型包括特征提取子模型以及分类子模型;
训练单元,用于根据所述训练样本波形信号的各采样点的预测分类结果以及所述训练样本波形信号的各采样点对应的波形分类结果的标签,对所述波形识别模型进行训练,获得训练完成的波形识别模型。
9.一种心电波形识别装置,其特征在于,所述装置包括:
获取单元,用于获取待识别心电信号,从所述待识别心电信号中截取至少一个预设长度的输入波形信号。
输入单元,用于将所述输入波形信号输入波形识别模型,获得所述波形识别模型输出的所述输入波形信号中各采样点的波形分类结果,所述波形识别模型为根据权利要求1-6任一项所述的心电波形识别模型的训练方法训练得到的。
10.一种波形识别模型的训练设备,其特征在于,包括:存储器,处理器,及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时,实现如权利要求1-6任一项所述的波形识别模型的训练方法。
11.一种心电波形识别设备,其特征在于,包括:存储器,处理器,及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时,实现如权利要求7所述的心电波形识别方法。
12.一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指令,当所述指令在终端设备上运行时,使得所述终端设备执行如权利要求1-6任一项所述的波形识别模型的训练方法,或者执行如权利要求7所述的心电波形识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110902579.0A CN113647908A (zh) | 2021-08-06 | 2021-08-06 | 波形识别模型的训练、心电波形识别方法、装置及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110902579.0A CN113647908A (zh) | 2021-08-06 | 2021-08-06 | 波形识别模型的训练、心电波形识别方法、装置及设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113647908A true CN113647908A (zh) | 2021-11-16 |
Family
ID=78478589
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110902579.0A Pending CN113647908A (zh) | 2021-08-06 | 2021-08-06 | 波形识别模型的训练、心电波形识别方法、装置及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113647908A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114219028A (zh) * | 2021-12-15 | 2022-03-22 | 东软集团股份有限公司 | 心电st段抬高识别模型的训练、st段抬高识别方法及装置 |
CN116302897A (zh) * | 2023-05-15 | 2023-06-23 | 合肥联宝信息技术有限公司 | 一种数据集的建立方法、装置、电子设备及存储介质 |
-
2021
- 2021-08-06 CN CN202110902579.0A patent/CN113647908A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114219028A (zh) * | 2021-12-15 | 2022-03-22 | 东软集团股份有限公司 | 心电st段抬高识别模型的训练、st段抬高识别方法及装置 |
CN114219028B (zh) * | 2021-12-15 | 2024-04-12 | 东软集团股份有限公司 | 心电st段抬高识别模型的训练、st段抬高识别方法及装置 |
CN116302897A (zh) * | 2023-05-15 | 2023-06-23 | 合肥联宝信息技术有限公司 | 一种数据集的建立方法、装置、电子设备及存储介质 |
CN116302897B (zh) * | 2023-05-15 | 2023-10-17 | 合肥联宝信息技术有限公司 | 一种数据集的建立方法、装置、电子设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Al Ghayab et al. | A feature extraction technique based on tunable Q-factor wavelet transform for brain signal classification | |
Singh et al. | Optimal selection of wavelet basis function applied to ECG signal denoising | |
US6178261B1 (en) | Method and system for extracting features in a pattern recognition system | |
CN110786850B (zh) | 基于多特征稀疏表示的心电信号身份识别方法及系统 | |
CN110141218B (zh) | 一种心电信号分类方法、装置及程序产品、存储介质 | |
CN113647908A (zh) | 波形识别模型的训练、心电波形识别方法、装置及设备 | |
Huang et al. | Cardiology knowledge free ECG feature extraction using generalized tensor rank one discriminant analysis | |
Prasad et al. | Detection and classification of cardiovascular abnormalities using FFT based multi-objective genetic algorithm | |
CN112426160A (zh) | 一种心电信号类型识别方法及装置 | |
Sulam et al. | Dynamical system classification with diffusion embedding for ECG-based person identification | |
Boashash et al. | Time-frequency signal and image processing of non-stationary signals with application to the classification of newborn EEG abnormalities | |
Atal et al. | A hybrid feature extraction and machine learning approaches for epileptic seizure detection | |
CN115359066B (zh) | 用于内窥镜的病灶检测方法、装置、电子设备及存储介质 | |
CN112587155A (zh) | 一种基于自监督学习的脑电波图异常检测的方法及装置 | |
Shankar et al. | Seizure types classification by generating input images with in-depth features from decomposed EEG signals for deep learning pipeline | |
Cheng et al. | Fault diagnosis of gearbox based on local mean decomposition and discrete hidden Markov models | |
Ziani | Enhancing fetal electrocardiogram classification: A hybrid approach incorporating multimodal data fusion and advanced deep learning models | |
Lu et al. | Entropy‐Based Pattern Learning Based on Singular Spectrum Analysis Components for Assessment of Physiological Signals | |
CN113647959B (zh) | 一种心电波形信号的波形识别方法、装置及设备 | |
CN115017960B (zh) | 一种基于时空联合mlp网络的脑电信号分类方法及应用 | |
CN114912492A (zh) | 基于脑电信号深度学习的跨时间个体识别方法及系统 | |
CN114692693A (zh) | 基于分形理论的分布式光纤信号识别方法、装置、存储介质 | |
CN110448273B (zh) | 一种基于支持向量机的低功耗癫痫预测电路 | |
Tuyen et al. | An optimized algorithm for peak detection in noisy periodic and quasi-periodic signals | |
Übeyli | Detection of electrocardiogram beats using a fuzzy similarity index |
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 |