CN114469126A - 心电数据的分类处理方法、装置、存储介质及计算机设备 - Google Patents

Abstract

本发明涉及人工智能及数字医疗领域，并提供了一种心电数据的分类处理方法、装置、存储介质及计算机设备。其中方法包括：获取待测用户的单导联心电数据，并通过单导联心电数据处理模型，得到单导联心电数据的分类预测概率；根据单导联心电数据的分类预测概率，对单导联心电数据进行分类处理，得到单导联心电数据的分类结果；当单导联心电数据的分类结果为第二分类结果时，获取待测用户的多导联心电数据，并通过多导联心电数据处理模型，得到多导联心电数据的分类预测概率；根据多导联心电数据的分类预测概率，对多导联心电数据进行分类处理，得到多导联心电数据的分类结果。上述方法可以提高通过单导联设备对心电数据进行分类处理的准确性。

Description

心电数据的分类处理方法、装置、存储介质及计算机设备

技术领域

本发明涉及人工智能技术及数字医疗技术领域，尤其是涉及一种心电数据的分类处理方法、装置、存储介质及计算机设备。

背景技术

心电图(ECG)是临床最常用的检查之一，它可以记录心脏的电活动，是各类心脏疾病诊断的重要依据。临床上，常规的心电图由12导联组成，众多的心电诊断工具也围绕此开发。通常来说，导联越多，采集到的信号越丰富、越全面。但是，多导联的心电设备通常难以携带、测量方法复杂，无法实现对人们的高频次心电监测，因此失去了筛查潜在高危人群的机会。

目前，随着各种智能终端的普及，人们可以随时随地的进行单导联心电的检测。但是，智能终端作为单导联的心电设备，采集的信息十分有限，难以构建出精准的心电数据处理模型。因此，得到的心电数据分类结果的准确性较低。

发明内容

有鉴于此，本申请提供了一种心电数据的分类处理方法、装置、存储介质及计算机设备，主要目的在于解决单导联设备采集的心电数据分类结果的准确性较低的技术问题。

根据本发明的第一个方面，提供了一种心电数据的分类处理方法，该方法包括：

获取待测用户的单导联心电数据，并根据单导联心电数据，通过预训练的单导联心电数据处理模型，得到单导联心电数据的分类预测概率；

根据单导联心电数据的分类预测概率，对单导联心电数据进行分类处理，得到单导联心电数据的分类结果，其中，单导联心电数据的分类结果包括第一分类结果、第二分类结果和第三分类结果；

当单导联心电数据的分类结果为第二分类结果时，获取待测用户的多导联心电数据，并根据多导联心电数据，通过预训练的多导联心电数据处理模型，得到多导联心电数据的分类预测概率；

根据多导联心电数据的分类预测概率，对多导联心电数据进行分类处理，得到多导联心电数据的分类结果，其中，多导联心电数据的分类结果包括第一分类结果和第三分类结果。

根据本发明的第二个方面，提供了一种心电数据的分类处理装置，该装置包括：

第一处理模块，用于获取待测用户的单导联心电数据，并根据单导联心电数据，通过预训练的单导联心电数据处理模型，得到单导联心电数据的分类预测概率；

数据分类模块，用于根据单导联心电数据的分类预测概率，对单导联心电数据进行分类处理，得到单导联心电数据的分类结果，其中，单导联心电数据的分类结果包括第一分类结果、第二分类结果和第三分类结果；

第二处理模块，用于当单导联心电数据的分类结果为第二分类结果时，获取待测用户的多导联心电数据，并根据多导联心电数据，通过预训练的多导联心电数据处理模型，得到多导联心电数据的分类预测概率；

结果输出模块，用于根据多导联心电数据的分类预测概率，对多导联心电数据进行分类处理，得到多导联心电数据的分类结果，其中，多导联心电数据的分类结果包括第一分类结果和第三分类结果。

根据本发明的第三个方面，提供了一种存储介质，其上存储有计算机程序，程序被处理器执行时实现上述心电数据的分类处理方法。

根据本发明的第四个方面，提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行程序时实现上述心电数据的分类处理方法。

本发明提供的一种心电数据的分类处理方法、装置、存储介质及计算机设备，首先获取待测用户的单导联心电数据，并通过预训练的单导联心电数据处理模型，得到单导联心电数据的分类预测概率，然后根据单导联心电数据的分类预测概率，对单导联心电数据进行分类处理，得到单导联心电数据的三个分类结果，当单导联心电数据的分类结果为第二分类结果时，获取待测用户的多导联心电数据，并通过预训练的多导联心电数据处理模型，得到多导联心电数据的分类预测概率，最后根据多导联心电数据的分类预测概率，对多导联心电数据进行分类处理，得到多导联心电数据的分类结果。上述方法通过对单导联心电数据进行分类预测和分类处理，可初步得出单导联心电数据的分类结果，无需更多复杂的操作，而对于单导联心电数据无法确定的分类结果，则可以进一步通过对多导联心电数据进行分类预测和分类处理得到。上述方法兼顾了单导联的心电设备的操作方便性和模型的精准性，能够有效的提高通过单导联设备对心电数据进行分类处理的准确性。

上述说明仅是本申请技术方案的概述，为了能够更清楚了解本申请的技术手段，而可依照说明书的内容予以实施，并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂，以下特举本申请的具体实施方式。

附图说明

此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：

图1示出了本发明实施例提供的一种心电数据的分类处理方法的流程示意图；

图2示出了本发明实施例提供的一种心电数据的分类处理装置的结构示意图。

具体实施方式

下文中将参考附图并结合实施例来详细说明本发明。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。

心电图可以记录心脏的电活动，是各类心脏疾病诊断的重要依据。临床上，常规的心电图由12导联组成，众多的心电诊断工具也围绕此开发。通常来说，导联越多，采集到的信号越丰富、越全面。但是，多导联的心电设备通常难以携带、测量方法复杂，无法实现对人们的高频次心电监测，因此失去了筛查潜在高危人群的机会。目前，人们可以随时随地的进行单导联心电的检测，但是，智能终端作为单导联的心电设备，采集的信息十分有限，难以构建出精准的心电数据处理模型，因此，得到的心电数据分类结果的准确性较低。

基于此，在一个实施例中，如图1所示，提供了一种心电数据的分类处理方法，以该方法应用于服务器和心电采集设备等计算机设备为例进行说明，其中，服务器可以是独立的服务器，也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(Content Delivery Network，CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器。上述方法包括以下步骤：

101、获取待测用户的单导联心电数据，并根据单导联心电数据，通过预训练的单导联心电数据处理模型，得到单导联心电数据的分类预测概率。

其中，心电数据指的是通过心电设备从人体体表采集的记录了心脏每一次心动周期所产生的电活动变化的图形，一般而言，完整的心电数据通常包含12个导联的心电数据。在此基础上，单导联心电数据指的是只包含一导联的心电数据，单导联心电数据一般可以通过智能手环、手表、衣服和植入芯片等智能采集设备进行采集。

具体的，计算机设备可以通过数据接口获取到待测用户的单导联心电数据。在本实施例中，计算机设备可以通过佩戴在待测用户身上的单导联采集设备(如智能手表等)，获取到待测用户的单导联心电数据(如获取到左侧手腕的单导联心电数据)，通过将获取到的单导联心电数据输入到预训练的单导联心电数据处理模型中，便可得到单导联心电数据的分类预测概率。

102、根据单导联心电数据的分类预测概率，对单导联心电数据进行分类处理，得到单导联心电数据的分类结果，其中，单导联心电数据的分类结果包括第一分类结果、第二分类结果和第三分类结果。

具体的，单导联心电数据的分类结果分为三种，其中，第一分类结果和第三分类结果都代表着确定的分类结果，例如，第一分类结果可以是确定的心电数据没有被分到某个分类标签的结果，第三分类结果可以是确定的心电数据被分到某个分类标签的结果。即通过第一分类结果和第三分类结果，便可直接获取到单导联心电数据准确的分类信息，而第二分类结果则代表着不确定的分类结果，需要对单导联心电数据做进一步的处理。在本实施例中，当单导联心电数据被划分为第一分类结果和第三分类结果时，便可根据分类结果对单导联心电数据做出准确判断。

103、当单导联心电数据的分类结果为第二分类结果时，获取待测用户的多导联心电数据，并根据多导联心电数据，通过预训练的多导联心电数据处理模型，得到多导联心电数据的分类预测概率。

其中，多导联心电数据包含有至少两导联的心电数据，且每一导联的心电数据均由一系列的心电波形组成，在这些心电波形中，蕴含了非常多的特征信息，这些特征信息可以通过一些深度学习模型进行提取。

具体的，当单导联心电数据的分类结果为不确定的第二分类结果时，需要获取更多导联的心电数据进行判断以获取准确的分类结果。在本实施例中，当单导联心电数据的分类结果为第二分类结果时，可以向用户的单导联设备发出继续获取其他导联的信号，响应于用户的终端反馈的信号，单导联设备可以采集用户其他多个导联心电数据。例如，当单导联心电数据为人体左侧手腕的导联时，其他导联的心电数据可选取与左侧手腕导联同侧的左侧脚踝导联和左侧胸部导联等，再将单导联心电数据和其他多个导联心电数据整合为多导联心电数据，并通过预训练的多导联心电数据处理模型，得到多导联心电数据的分类预测概率。

104、根据多导联心电数据的分类预测概率，对多导联心电数据进行分类处理，得到多导联心电数据的分类结果，其中，多导联心电数据的分类结果包括第一分类结果和第三分类结果。

在本实施例中，作为对获取到的心电数据最终分类环节，多导联心电数据的分类结果包括两个确定的分类结果，包括第一分类结果和第三分类结果，根据多导联心电数据所属的分类结果，便可对多导联心电数据做出最终判断，得到多导联心电数据准确的分类信息，并结束整个判断进程。

本实施例提供的心电数据的分类处理方法，首先获取待测用户的单导联心电数据，并通过预训练的单导联心电数据处理模型，得到单导联心电数据的分类预测概率，然后根据单导联心电数据的分类预测概率，对单导联心电数据进行分类处理，得到单导联心电数据的三个分类结果，当单导联心电数据的分类结果为第二分类结果时，获取待测用户的多导联心电数据，并通过预训练的多导联心电数据处理模型，得到多导联心电数据的分类预测概率，最后根据多导联心电数据的分类预测概率，对多导联心电数据进行分类处理，得到多导联心电数据的分类结果。上述方法通过对单导联心电数据进行分类预测和分类处理，可初步得出单导联心电数据的分类结果，无需更多复杂的操作，而对于单导联心电数据无法确定的分类结果，则可以进一步通过对多导联心电数据进行分类预测和分类处理得到。上述方法兼顾了单导联的心电设备的操作方便性和模型的精准性，能够有效的提高通过单导联设备对心电数据进行分类处理的准确性。

在一个实施例中，步骤101具体可以通过以下方法实现：对单导联心电数据进行特征提取，得到单导联心电数据的特征向量，将单导联心电数据的特征向量输入到单导联心电数据处理模型中，得到单导联心电数据的分类预测概率，其中，分类预测概率为单个分类标签的预测概率或多个分类标签的多个预测概率。在本实施例中，单导联的心电数据由一系列的心电波形组成，在这些心电波形中，蕴含了非常多的特征信息，通过一些深度学习模型即可提取出单导联的心电数据中的特征信息，并得到单导联的心电数据的特征向量，通过将单导联心电数据的特征向量作为输入，通过预训练的单导联心电数据处理模型，即可得到单导联心电数据的分类预测概率。在本实施例中，当单导联心电数据处理模型为多标签分类模型时，得到的分类预测概率为多个分类标签的多个预测概率。

在一个实施例中，步骤102具体可以通过以下方法实现：将单导联心电数据的分类预测概率分别与预设的第一阈值和第二阈值进行比较，当单导联心电数据的分类预测概率低于第一阈值时，将单导联心电数据划分为第一分类结果，当单导联心电数据的分类预测概率不低于第一阈值且低于第二阈值时，将单导联心电数据划分为第二分类结果，当单导联心电数据的分类预测概率不低于第二阈值时，将单导联心电数据划分为第三分类结果。在本实施例中，通过预设大小不同的第一阈值和第二阈值，可将得到单导联心电数据的分类预测概率划分为三种分类结果，当单导联心电数据的分类预测概率低于第一阈值或大于第二阈值时，单导联心电数据被划分为第一分类结果或第三分类结果，在这两种情况下，单导联心电数据的分类结果都是确定的分类结果，通过分类结果即可获取单导联心电数据准确的分类信息，无需再进一步进行对单导联心电数据进行处理判断，而当单导联心电数据的分类预测概率在第一阈值与第二阈值之间时，单导联心电数据被划分为第二分类结果，第二分类结果为不确定的分类结果，还需要通过进一步获取更多的导联以对心电数据进行判断，以提高分类的准确性。

在一个实施例中，步骤103具体可以通过以下方法实现：对多导联心电数据中的每一导联心电数据进行特征提取，得到多导联心电数据中的每一导联心电数据的特征向量，对多导联心电数据中的每一导联心电数据的特征向量进行拼接，得到多导联心电数据的特征向量组合，将多导联心电数据的特征向量组合输入到多导联心电数据处理模型中，得到多导联心电数据的分类预测概率，其中，分类预测概率为单个分类标签的预测概率或多个分类标签的多个预测概率。在本实施例中，采集到的多导联心电数据包含有至少两导联的心电数据，每一导联的心电数据均由一系列蕴含特征信息心电波形组成，通过一些深度学习模型可以提取出多导联的心电数据中的每个导联的特征信息，提取后可以获取每一导联的心电数据的特征向量，通过将每一导联的心电数据的特征向量进行拼接，可以得到多导联心电数据的特征向量组合，将特征向量组合作为输入，通过预训练的多导联心电数据处理模型，即可得到多导联心电数据的分类预测概率。进一步的，多导联特征向量组合中包含了单导联心电数据中原有导联的信息，因此，多导联特征向量组合的信息涵盖量第一次处理的单导联心电数据更加丰富，通过多导联特征向量组合得到的分类结果，相比直接利用单导联心电数据得到的分类结果也会更为准确，其分类标签的涵盖范围也会更广。

在一个实施例中，步骤104具体可以通过以下方法实现：将多导联心电数据的分类预测概率与预设的第三阈值进行比较，当多导联心电数据的分类预测概率低于第三阈值时，将多导联心电数据划分为第一分类结果，当多导联心电数据的分类预测概率不低于第三阈值时，将多导联心电数据划分为第三分类结果。在本实施例中，通过预设第三阈值，可以将多导联心电数据的分类预测概率划分为两种分类结果，两种分类结果包括第一分类结果和第三分类结果，以上两种分类结果均为确定的分类结果，通过对多导联心电数据的分类预测概率进行判断，即可根据最终的分类结果，以此获得多导联心电数据准确的分类信息。

在一个实施例中，步骤101中的单导联心电数据处理模型可以通过以下方法进行训练：获取多个单导联心电数据样本，其中，每个单导联心电数据样本包括至少一个分类标签，根据多个单导联心电数据样本，构建第一卷积神经网络和第一多层感知机模型，再将多个单导联心电数据样本分别输入到第一卷积神经网络中，得到每个单导联心电数据样本的特征向量，以多个单导联心电数据样本的特征向量为输入，以多个单导联心电数据样本的分类标签为输出，对第一卷积神经网络和第一多层感知机模型进行同步迭代训练，得到单导联心电数据处理模型。在本实施例中，计算机设备可以通过一些心电数据样本构建卷积神经网络模型和多层感知机模型，其中，卷积神经网络模型的数量与心电数据样本的导联数量相同，即每一个卷积神经网络可以对应一个导联的心电数据，并可以将对应导联的心电数据转换为特征向量，而多层感知机模型(MLP，Multilayer Perceptron)也称为人工神经网络(ANN，Artificial Neural Network)，该模型除了输入层和输出层，中间还有多个全连接的隐层，在理论上，多层感知机模型除可以模拟任何复杂的函数，因此可以用来进行心电数据的分类处理，再以多个单导联心电数据样本的特征向量为输入，以多个单导联心电数据样本的分类标签为输出，对第一卷积神经网络和第一多层感知机模型进行同步迭代训练，即可得到单导联心电数据处理模型，其中，单导联心电数据处理模型包括训练后的第一卷积神经网络和第一多层感知机模型。可以理解的是，卷积神经网络中至少包括深度学习模型，且深度学习模型与单导联心电数据的导联对应，因此，获取到的单导联心电数据通过单导联心电数据处理模型即可得到单导联心电数据的分类预测概率。

在一个实施例中，步骤103中的多导联心电数据处理模型可以通过以下方法进行训练：获取多个多导联心电数据样本，其中，每个多导联心电数据样本包括至少一个分类标签，根据多个多导联心电数据样本，构建第二卷积神经网络和第二多层感知机模型，将多个多导联心电数据样本分别输入到第二卷积神经网络中，得到每个多导联心电数据样本的特征向量组合，以多个多导联心电数据样本的特征向量组合为输入，以多个多导联心电数据样本的分类标签为输出，对第二卷积神经网络和第二多层感知机模型进行同步迭代训练，得到多导联心电数据处理模型。在本实施例中，多导联心电数据处理模型与单导联心电数据处理模型的训练方式流程相同，前文已经阐述，这里不做过多解释，与单导联心电数据处理模型训练方式所不同的是，多导联心电数据处理模型的输入为多个多导联心电数据样本的特征向量组合而非单一向量，第二卷积神经网络中至少包括N个深度学习模型，且N个深度学习模型与多导联心电数据的每一导联一一对应。

进一步的，作为图1所示方法的具体实现，本实施例提供了一种心电数据的分类处理装置，如图2所示，该装置包括：第一处理模块21、数据分类模块22、第二处理模块23、结果输出模块24，其中：

第一处理模块21，可用于获取待测用户的单导联心电数据，并根据单导联心电数据，通过预训练的单导联心电数据处理模型，得到单导联心电数据的分类预测概率；

数据分类模块22，可用于根据单导联心电数据的分类预测概率，对单导联心电数据进行分类处理，得到单导联心电数据的分类结果，其中，单导联心电数据的分类结果包括第一分类结果、第二分类结果和第三分类结果；

第二处理模块23，可用于当单导联心电数据的分类结果为第二分类结果时，获取待测用户的多导联心电数据，并根据多导联心电数据，通过预训练的多导联心电数据处理模型，得到多导联心电数据的分类预测概率；

结果输出模块24，可用于根据多导联心电数据的分类预测概率，对多导联心电数据进行分类处理，得到多导联心电数据的分类结果，其中，多导联心电数据的分类结果包括第一分类结果和第三分类结果。

在具体的应用场景中，第一处理模块21具体可用于对单导联心电数据进行特征提取，得到单导联心电数据的特征向量；将单导联心电数据的特征向量输入到单导联心电数据处理模型中，得到单导联心电数据的分类预测概率，其中，分类预测概率为单个分类标签的预测概率或多个分类标签的多个预测概率。

在具体的应用场景中，数据分类模块22具体可用于将单导联心电数据的分类预测概率分别与预设的第一阈值和第二阈值进行比较；当单导联心电数据的分类预测概率低于第一阈值时，将单导联心电数据划分为第一分类结果；当单导联心电数据的分类预测概率不低于第一阈值且低于第二阈值时，将单导联心电数据划分为第二分类结果；当单导联心电数据的分类预测概率不低于第二阈值时，将单导联心电数据划分为第三分类结果。

在具体的应用场景中，第二处理模块23具体可用于对多导联心电数据中的每一导联心电数据进行特征提取，得到多导联心电数据中的每一导联心电数据的特征向量；对多导联心电数据中的每一导联心电数据的特征向量进行拼接，得到多导联心电数据的特征向量组合；将多导联心电数据的特征向量组合输入到多导联心电数据处理模型中，得到多导联心电数据的分类预测概率，其中，分类预测概率为单个分类标签的预测概率或多个分类标签的多个预测概率。

在具体的应用场景中，结果输出模块24具体可用于将多导联心电数据的分类预测概率与预设的第三阈值进行比较；当多导联心电数据的分类预测概率低于第三阈值时，将多导联心电数据划分为第一分类结果；当多导联心电数据的分类预测概率不低于第三阈值时，将多导联心电数据划分为第三分类结果。

在具体的应用场景中，单导联心电数据处理模型的训练方法包括获取多个单导联心电数据样本，其中，每个单导联心电数据样本包括至少一个分类标签；根据多个单导联心电数据样本，构建第一卷积神经网络和第一多层感知机模型；将多个单导联心电数据样本分别输入到第一卷积神经网络中，得到每个单导联心电数据样本的特征向量；以多个单导联心电数据样本的特征向量为输入，以多个单导联心电数据样本的分类标签为输出，对第一卷积神经网络和第一多层感知机模型进行同步迭代训练，得到单导联心电数据处理模型。

在具体的应用场景中，多导联心电数据处理模型的训练方法包括获取多个多导联心电数据样本，其中，每个多导联心电数据样本包括至少一个分类标签；根据多个多导联心电数据样本，构建第二卷积神经网络和第二多层感知机模型；将多个多导联心电数据样本分别输入到第二卷积神经网络中，得到每个多导联心电数据样本的特征向量组合；以多个多导联心电数据样本的特征向量组合为输入，以多个多导联心电数据样本的分类标签为输出，对第二卷积神经网络和第二多层感知机模型进行同步迭代训练，得到多导联心电数据处理模型。

需要说明的是，本实施例提供的一种心电数据的分类处理装置所涉及各功能单元的其它相应描述，可以参考图1中的对应描述，在此不再赘述。

基于上述如图1所示方法，相应的，本实施例还提供了一种存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述如图1所示的心电数据的分类处理方法。

基于这样的理解，本申请的技术方案可以以软件产品的形式体现出来，该待识别软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施场景的方法。

基于上述如图1所示的方法，以及图2所示的心电数据的分类处理装置实施例，为了实现上述目的，本实施例还提供了一种心电数据的分类处理的实体设备，具体可以为个人计算机、服务器、智能手机、平板电脑、智能手表、或者其它网络设备等，该实体设备包括存储介质和处理器；存储介质，用于存储计算机程序；处理器，用于执行计算机程序以实现上述如图1所示的方法。

可选的，该实体设备还可以包括用户接口、网络接口、摄像头、射频(RadioFrequency，RF)电路，传感器、音频电路、WI-FI模块等等。用户接口可以包括显示屏(Display)、输入单元比如键盘(Keyboard)等，可选用户接口还可以包括USB接口、读卡器接口等。网络接口可选的可以包括标准的有线接口、无线接口(如WI-FI接口)等。

本领域技术人员可以理解，本实施例提供的一种心电数据的分类处理的实体设备结构并不构成对该实体设备的限定，可以包括更多或更少的部件，或者组合某些部件，或者不同的部件布置。

存储介质中还可以包括操作系统、网络通信模块。操作系统是管理上述实体设备硬件和待识别软件资源的程序，支持信息处理程序以及其它待识别软件和/或程序的运行。网络通信模块用于实现存储介质内部各组件之间的通信，以及与信息处理实体设备中其它硬件和软件之间通信。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到本申请可以借助软件加必要的通用硬件平台的方式来实现，也可以通过硬件实现。通过应用本申请的技术方案，首先获取待测用户的单导联心电数据，并通过预训练的单导联心电数据处理模型，得到单导联心电数据的分类预测概率，然后根据单导联心电数据的分类预测概率，对单导联心电数据进行分类处理，得到单导联心电数据的三个分类结果，当单导联心电数据的分类结果为第二分类结果时，获取待测用户的多导联心电数据，并通过预训练的多导联心电数据处理模型，得到多导联心电数据的分类预测概率，最后根据多导联心电数据的分类预测概率，对多导联心电数据进行分类处理，得到多导联心电数据的分类结果。上述方法通过对单导联心电数据进行分类预测和分类处理，可初步得出单导联心电数据的分类结果，无需更多复杂的操作，而对于单导联心电数据无法确定的分类结果，则可以进一步通过对多导联心电数据进行分类预测和分类处理得到。上述方法兼顾了单导联的心电设备的操作方便性和模型的精准性，能够有效的提高通过单导联设备对心电数据进行分类处理的准确性。

本领域技术人员可以理解附图只是一个优选实施场景的示意图，附图中的模块或流程并不一定是实施本申请所必须的。本领域技术人员可以理解实施场景中的装置中的模块可以按照实施场景描述进行分布于实施场景的装置中，也可以进行相应变化位于不同于本实施场景的一个或多个装置中。上述实施场景的模块可以合并为一个模块，也可以进一步拆分成多个子模块。

上述本申请序号仅仅为了描述，不代表实施场景的优劣。以上公开的仅为本申请的几个具体实施场景，但是，本申请并非局限于此，任何本领域的技术人员能思之的变化都应落入本申请的保护范围。

Claims (10)

1.一种心电数据的分类处理方法，其特征在于，所述方法包括：

获取待测用户的单导联心电数据，并根据所述单导联心电数据，通过预训练的单导联心电数据处理模型，得到单导联心电数据的分类预测概率；

根据所述单导联心电数据的分类预测概率，对所述单导联心电数据进行分类处理，得到单导联心电数据的分类结果，其中，所述单导联心电数据的分类结果包括第一分类结果、第二分类结果和第三分类结果；

当所述单导联心电数据的分类结果为第二分类结果时，获取待测用户的多导联心电数据，并根据所述多导联心电数据，通过预训练的多导联心电数据处理模型，得到多导联心电数据的分类预测概率；

根据所述多导联心电数据的分类预测概率，对所述多导联心电数据进行分类处理，得到多导联心电数据的分类结果，其中，所述多导联心电数据的分类结果包括第一分类结果和第三分类结果。

2.根据权利要求1所述的方法，其特征在于，所述根据所述单导联心电数据，通过预训练的单导联心电数据处理模型，得到单导联心电数据的分类预测概率，包括：

对所述单导联心电数据进行特征提取，得到所述单导联心电数据的特征向量；

将所述单导联心电数据的特征向量输入到所述单导联心电数据处理模型中，得到所述单导联心电数据的分类预测概率，其中，所述分类预测概率为单个分类标签的预测概率或多个分类标签的多个预测概率。

3.根据权利要求1所述的方法，其特征在于，所述根据所述单导联心电数据的分类预测概率，对所述单导联心电数据进行分类处理，得到单导联心电数据的分类结果，包括：

将所述单导联心电数据的分类预测概率分别与预设的第一阈值和第二阈值进行比较；

当所述单导联心电数据的分类预测概率低于所述第一阈值时，将所述单导联心电数据划分为第一分类结果；

当所述单导联心电数据的分类预测概率不低于所述第一阈值且低于所述第二阈值时，将所述单导联心电数据划分为第二分类结果；

当所述单导联心电数据的分类预测概率不低于所述第二阈值时，将所述单导联心电数据划分为第三分类结果。

4.根据权利要求1所述的方法，其特征在于，所述根据所述多导联心电数据，通过预训练的多导联心电数据处理模型，得到多导联心电数据的分类预测概率，包括：

对所述多导联心电数据中的每一导联心电数据进行特征提取，得到所述多导联心电数据中的每一导联心电数据的特征向量；

对所述多导联心电数据中的每一导联心电数据的特征向量进行拼接，得到所述多导联心电数据的特征向量组合；

将所述多导联心电数据的特征向量组合输入到所述多导联心电数据处理模型中，得到所述多导联心电数据的分类预测概率，其中，所述分类预测概率为单个分类标签的预测概率或多个分类标签的多个预测概率。

5.根据权利要求1所述的方法，其特征在于，所述根据所述多导联心电数据的分类预测概率，对所述多导联心电数据进行分类处理，得到多导联心电数据的分类结果，包括：

将所述多导联心电数据的分类预测概率与预设的第三阈值进行比较；

当所述多导联心电数据的分类预测概率低于所述第三阈值时，将所述多导联心电数据划分为所述第一分类结果；

当所述多导联心电数据的分类预测概率不低于所述第三阈值时，将所述多导联心电数据划分为所述第三分类结果。

6.根据权利要求1-5任一项所述的方法，其特征在于，所述单导联心电数据处理模型的训练方法，包括：

获取多个单导联心电数据样本，其中，每个所述单导联心电数据样本包括至少一个分类标签；

根据所述多个单导联心电数据样本，构建第一卷积神经网络和第一多层感知机模型；

将所述多个单导联心电数据样本分别输入到所述第一卷积神经网络中，得到每个所述单导联心电数据样本的特征向量；

以多个所述单导联心电数据样本的特征向量为输入，以多个所述单导联心电数据样本的分类标签为输出，对所述第一卷积神经网络和所述第一多层感知机模型进行同步迭代训练，得到所述单导联心电数据处理模型。

7.根据权利要求1-5任一项所述的方法，其特征在于，所述多导联心电数据处理模型的训练方法，包括：

获取多个多导联心电数据样本，其中，每个所述多导联心电数据样本包括至少一个分类标签；

根据所述多个多导联心电数据样本，构建第二卷积神经网络和第二多层感知机模型；

将所述多个多导联心电数据样本分别输入到所述第二卷积神经网络中，得到每个所述多导联心电数据样本的特征向量组合；

以多个所述多导联心电数据样本的特征向量组合为输入，以多个所述多导联心电数据样本的分类标签为输出，对所述第二卷积神经网络和所述第二多层感知机模型进行同步迭代训练，得到所述多导联心电数据处理模型。

8.一种心电数据的分类处理装置，其特征在于，所述装置包括：

第一处理模块，用于获取待测用户的单导联心电数据，并根据所述单导联心电数据，通过预训练的单导联心电数据处理模型，得到单导联心电数据的分类预测概率；

数据分类模块，用于根据所述单导联心电数据的分类预测概率，对所述单导联心电数据进行分类处理，得到单导联心电数据的分类结果，其中，所述单导联心电数据的分类结果包括第一分类结果、第二分类结果和第三分类结果；

第二处理模块，用于当所述单导联心电数据的分类结果为第二分类结果时，获取待测用户的多导联心电数据，并根据所述多导联心电数据，通过预训练的多导联心电数据处理模型，得到多导联心电数据的分类预测概率；

结果输出模块，用于根据所述多导联心电数据的分类预测概率，对所述多导联心电数据进行分类处理，得到多导联心电数据的分类结果，其中，所述多导联心电数据的分类结果包括第一分类结果和第三分类结果。

9.一种存储介质，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权利要求1至7中任一项所述的方法的步骤。

10.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。

Images