CN114469132A - 模型训练方法、装置、电子设备及存储介质 - Google Patents
模型训练方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN114469132A CN114469132A CN202210127762.2A CN202210127762A CN114469132A CN 114469132 A CN114469132 A CN 114469132A CN 202210127762 A CN202210127762 A CN 202210127762A CN 114469132 A CN114469132 A CN 114469132A
- Authority
- CN
- China
- Prior art keywords
- data
- sample
- electrocardiosignal
- peak value
- heartbeat peak
- 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 58
- 238000001514 detection method Methods 0.000 claims abstract description 127
- 238000002372 labelling Methods 0.000 claims abstract description 18
- 108091006146 Channels Proteins 0.000 claims description 160
- 230000004927 fusion Effects 0.000 claims description 71
- 238000000605 extraction Methods 0.000 claims description 24
- 238000005070 sampling Methods 0.000 claims description 18
- 238000006243 chemical reaction Methods 0.000 claims description 15
- 230000000747 cardiac effect Effects 0.000 claims description 6
- 230000006798 recombination Effects 0.000 claims description 5
- 238000005215 recombination Methods 0.000 claims description 5
- 230000004913 activation Effects 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 5
- 230000006870 function Effects 0.000 description 12
- 230000008569 process Effects 0.000 description 11
- 238000010586 diagram Methods 0.000 description 7
- 230000003287 optical effect Effects 0.000 description 6
- 230000010076 replication Effects 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000004590 computer program Methods 0.000 description 3
- 230000003321 amplification Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 238000003199 nucleic acid amplification method Methods 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 230000008707 rearrangement Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
本发明实施例公开了一种模型训练方法、装置、电子设备及存储介质，其中，该方法包括：获取样本训练数据集，其中，样本训练数据集中包括至少一个样本心电信号数据以及与样本心电信号数据对应的样本心跳峰值标注数据，各个样本心电信号数据对应的信号采集通道的通道数量相同；将样本训练数据集中的样本心电信号数据输入至初始心跳峰值检测模型中，得到模型心跳峰值标注数据；根据模型心跳峰值标注数据和样本心跳峰值标注数据对初始心跳峰值检测模型的模型参数进行调整，以得到目标心跳峰值检测模型。本发明实施例的技术方案，实现了可以对不同通道类型的心电信号数据进行心跳峰值检测的效果，减轻了工作负担，提升了用户体验。
Description
技术领域
本发明实施例涉及医疗技术领域，尤其涉及一种模型训练方法、装置、电子设备及存储介质。
背景技术
心电图(Electro Cardio Gram，ECG)心跳峰值检测是心电分析的一个重要功能，为心跳计数、心律变异性、波峰值高度计算以及根据心跳进行信号分段等工作奠定基础。除了医用的标准导联的ECG数据，现在各类家用、日常使用的ECG测量设备越来越多。这些设备一般会有各具特色的电极(通道)设置，其通道的数量、采集位置以及在记录数据中的通道顺序各不相同。
现有技术中，心跳峰值检测方法需要人工在考虑不同通道数、不同通道顺序以及不同采集位置的基础上，对ECG数据进行处理，不仅只能对应特定的情况，还增加了工作的重复冗余。
发明内容
本发明实施例提供了一种模型训练方法、装置、电子设备及存储介质，以实现适应不同类型的通道配置的心电信号的心跳峰值检测。
第一方面，本发明实施例提供了一种模型训练方法，该方法包括：
获取样本训练数据集，其中，样本训练数据集中包括至少一个样本心电信号数据以及与样本心电信号数据对应的样本心跳峰值标注数据，各个样本心电信号数据对应的信号采集通道的通道数量相同；
将样本训练数据集中的样本心电信号数据输入至初始心跳峰值检测模型中，得到模型心跳峰值标注数据；
根据模型心跳峰值标注数据和样本心跳峰值标注数据对初始心跳峰值检测模型的模型参数进行调整，以得到目标心跳峰值检测模型。
第二方面，本发明实施例还提供了一种模型训练装置，该装置包括：
数据集获取模块，用于获取样本训练数据集，其中，样本训练数据集中包括至少一个样本心电信号数据以及与样本心电信号数据对应的样本心跳峰值标注数据，各个样本心电信号数据对应的信号采集通道的通道数量相同；
数据输入模块，用于将样本训练数据集中的样本心电信号数据输入至初始心跳峰值检测模型中，得到模型心跳峰值标注数据；
模型参数调整模块，用于根据模型心跳峰值标注数据和样本心跳峰值标注数据对初始心跳峰值检测模型的模型参数进行调整，以得到目标心跳峰值检测模型。
第三方面，本发明实施例还提供了一种电子设备，该电子设备包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现本发明任意实施例所提供的模型训练方法。
第四方面，本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现本发明任意实施例所提供的模型训练方法。
本发明实施例的技术方案，通过获取样本训练数据集，并使样本训练数据集中的样本心电信号数据对应的信号采集通道的通道数量形同，以使心电信号数据在输入至心跳峰值检测模型之前，可以保证信号数据形状上的一致性，将样本心电信号数据输入至初始心跳峰值检测模型中，得到模型心跳峰值标注数据，根据模型心跳峰值标注数据和样本训练数据集中的样本心跳峰值标注数据对初始心跳峰值检测模型进行参数调整，以得到目标心跳峰值检测模型，解决了现有心跳峰值检测技术中，由于需要考虑不同通道数量、不同通道顺序以及不同通道采集位置的心电信号数据而导致的心跳峰值检测工作重复冗余以及适应性差等问题，实现了可以对不同通道类型的心电信号数据进行心跳峰值检测的效果，减轻了工作负担，提升了用户体验。
附图说明
为了更加清楚地说明本发明示例性实施例的技术方案，下面对描述实施例中所需要用到的附图做一简单介绍。显然，所介绍的附图只是本发明 所要描述的一部分实施例的附图，而不是全部的附图，对于本领域普通技术人员，在不付出创造性劳动的前提下，还可以根据这些附图得到其他的附图。
图1为本发明实施例一所提供的一种模型训练方法的流程示意图；
图2为本发明实施例一所提供的一种模型训练方法中初始心跳峰值检测模型的结构示意图；
图3为本发明实施例二所提供的一种模型训练方法的流程示意图；
图4为本发明实施例三所提供的一种模型训练装置的结构示意图；
图5为本发明实施例四所提供的一种电子设备的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。
另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部内容。在更加详细地讨论示例性实施例之前应当提到的是，一些示例性实施例被描述成作为流程图描绘的处理或方法。虽然流程图将各项操作(或步骤)描述成顺序的处理，但是其中的许多操作可以被并行地、并发地或者同时实施。此外，各项操作的顺序可以被重新安排。当其操作完成时所述处理可以被终止，但是还可以具有未包括在附图中的附加步骤。所述处理可以对应于方法、函数、规程、子例程、子程序等等。
实施例一
图1为本发明实施例一所提供的一种模型训练方法的流程示意图，本实施例可适用于对不同类型的通道配置的心电信号检测的情况，该方法可以由模型训练装置来执行，该装置可以通过软件和/或硬件来实现，可配置于终端和/或服务器中来实现本发明实施例中的模型训练方法。
如图1所示，本实施例的方法具体可包括：
S110、获取样本训练数据集。
其中，样本训练数据集中包括至少一个样本心电信号数据以及与样本心电信号数据对应的样本心跳峰值标注数据，各个样本心电信号数据对应的信号采集通道的通道数量相同。
在本实施例中，样本心电信号数据可以为预先采集的或历史采集的可用于进行模型训练的心电信号数据。相应地，样本心跳峰值标注数据可以为预先标注的，用于作为评价后续心跳峰值预测结果的依据。一般情况下，在对样本心电信号数据进行处理之前，需要先将样本心电信号数据中用于识别心跳峰值的信号数据标注出来，作为样本心跳峰值标注数据。示例性地，可以采用人工标注程序对样本心电信号数据进行标注，也可以采用其他任何方式来实现样本心电信号数据中心跳峰值的标注过程等，本实施例对此不作限定。信号采集通道可以为连接外部信号的通路或接口等，一个通道可以对应一个信号。通道数量可以为采集心电信号的接口或者电极数量。需要说明的是，通道数量可以根据不同情况进行变化，例如可以是，1通道至12通道中的任意一种通道数量。
具体地，为了通过样本训练数据集对模型进行训练，首先需要获取样本训练数据集，并确定样本训练数据集中的各个样本心电信号数据对应的信号采集通道的通道数量相同，以保证模型训练过程中通道数量的一致性。
S120、将样本训练数据集中的样本心电信号数据输入至初始心跳峰值检测模型中，得到模型心跳峰值标注数据。
其中，初始心跳峰值检测模型可以为待训练的，用于对心电信号数据中的心跳峰值信号进行检测的神经网络模型。示例性地，初始心跳峰值检测模型可以是由卷积神经网络、循环神经网络或者深度神经网络中的至少一个构成，本实施例对此不作限定。例如，初始心跳峰值检测模型可以是改进后的YOLOv3 等结构。模型心跳峰值标注数据可以为样本心电信号数据经过初始心跳峰值检测模型处理后，输出的初始训练结果。
图2为本发明实施例中初始心跳峰值检测模型的结构示意图。在本实施例中，初始心跳峰值检测模型的具体结构可以如图2所示。
可选地，初始心跳峰值检测模型包括特征提取网络和心跳峰值检测网络。特征提取网络包括多个卷积模块，每两个卷积模块之间通过降采样卷积层连接。
其中，特征提取网络可以为对心电信号数据中深层特征进行提取的网络结构。卷积模块可以为用于实现卷积计算并具有深度结构的前馈神经网络模块。在本实施例中，每个卷积模块可以由多个卷积单元堆叠组成，卷积单元的数量可以由方框左边的数字表示。降采样卷积层可以为具有降采样能力的卷积层。一般情况下，在特征提取的过程中，需要对心电信号数据的尺寸进行调整，基于此，在每两个卷积模块之间设置降采样卷积层，用于实现心电信号数据的进一步调整。降采样卷积层可以通过改变卷积核的步长来实现尺寸的调整，例如，可以采用步长为2的降采样卷积层。
可选地，峰值检测网络包括第一特征融合模块、第二特征融合模块和数据处理模块。第一特征融合模块和第二特征融合模块均由卷积层、上采样层和融合层组成。数据处理模块由卷积操作层、归一化层、非线性激活函数层和卷积层组成。
在本实施例中，第一特征融合模块和第二融合模块均可以为用于将特征提取网络中的卷积模块的输出结果进行融合的神经网络模块。上采样层可以为将小尺寸的心电信号数据通过插值等方法，生成大尺寸信号，并且不会改变心电信号的通道数。这样设置的好处在于：网络越深的特征信息的表达效果越好，然而，一般情况下，深层特征的尺寸太小，不利于进行特征检测，基于此，在特征融合模块中设置上采样层，用于实现心电信号尺寸大小的调整。类似地，上采样层也可以通过改变卷积核的步长来实现尺寸的调整，例如，可以采用步长为2的上采样层，将心电信号的尺寸大小提升一倍。融合层可以用于将心电信号按照通道维度直接进行拼接融合，这样设置的好处在于：可以加强模型对小目标检测的精确度。数据处理模块可以为初始心跳峰值检测模型结构中的基本组件。
可选地，第一特征融合模块中的第一卷积层的输入为特征提取网络中的最后一个卷积模块的输出；第一特征融合模块中的第一上采样层的输入为第一特征融合模块中的第一卷积层的输出；第一特征融合模块中的第一融合层的输入为特征融合网络中的倒数第二个卷积模块的输出和第一特征融合模块中的第一上采样层的输出；第二特征融合模块中的第二卷积层的输入为第一特征融合模块中的第一融合层的输出；第二特征融合模块中的第二上采样层的输入为第二特征融合模块中的第二卷积层的输出；第二特征融合模块中的第二融合层的输入为特征提取网络中的倒数第三个卷积模块的输出和第二特征融合模块中的第二上采样层的输出；数据处理模块的输入为第二特征融合模块中的第二融合层的输出。
需要说明的是，本实施例中提到的“第一”和“第二”并不表示任何顺序、数量或者重要性，只是其所对应的目标主体不同。示例性地，“第一卷积层”和“第二卷积层”可以为卷积核相同的卷积层，也可以为卷积核不同的卷积层，本实施例对此不作限定。
还需说明的是，数据处理模块中的卷积层和特征融合模块中的卷积层可以为卷积核相同的卷积层，也可以为卷积核不同的卷积层，本实施例对此不作限定。
具体地，在模型训练过程中，将获取的样本训练数据集中的样本心电信号数据输入至初始心跳峰值检测模型中，即可得到该模型对样本心电信号数据中的心跳峰值进行标注后的模型心跳峰值标注数据。
S130、根据模型心跳峰值标注数据和样本心跳峰值标注数据对初始心跳峰值检测模型的模型参数进行调整，以得到目标心跳峰值检测模型。
其中，目标心跳峰值检测模型可以为训练完成的，用于对心电信号数据中的心跳峰值信号进行检测的神经网络模型。
可选地，根据模型心跳峰值标注数据和样本心跳峰值标注数据对初始心跳峰值检测模型的模型参数进行调整，可以将初始心跳峰值检测模型对应的预设损失函数收敛作为调整目标。具体地，将初始心跳峰值检测模型输出的模型心跳峰值标注数据和样本心跳峰值标注数据输入至该模型对应的预设损失函数中，当判定预设损失函数未收敛是，表明调整结果不符合模型训练的要求，需要继续输入样本心电信号数据对模型进行训练，当判定预设损失函数收敛时，表明调整结果符合模型训练要求，得到训练完成的目标心跳峰值检测模型。在本实施例中，预设损失函数可以为距离平方值等。
具体地，将样本心电信号数据输入至初始心跳峰值检测模型中，得到模型心跳峰值标注数据，将模型心跳峰值标注数据与样本训练集中的样本心跳峰值数据进行比对，根据比对结果调整模型参数，并进行迭次训练，最终得到训练完成的目标心跳峰值检测模型。
在上述技术方案的基础上，还包括：获取目标对象的待检测心电信号数据，根据待检测心电信号数据确定目标检测心电信号数据；将目标检测心电信号数据输入至目标心跳峰值检测模型中，得到目标心跳峰值标记数据。
其中，目标对象可以为被采集心电信号数据的对象。示例性地，目标对象可以为用户或者动物等。待检测心电信号数据可以为需要进行心跳峰值检测的心电信号数据。目标检测心电信号信号数据可以为符合模型训练要求的心电信号数据。目标检测心电信号数据与样本心电信号数据对应的信号采集通道的通道数量相同。目标心跳峰值标注数据可以为待检测心电信号数据经过目标心跳峰值检测模型处理后，得到的心跳峰值标注数据。目标心跳峰值标注数据可以用于在待检测心电信号数据上显示心跳峰值的具体位置。
在实际应用中，在需要检测某心电信号数据的心跳峰值的具体信号位置时，可以首先获取目标对象的待检测心电信号数据，根据待检测心电信号数据确定符合模型输入要求的目标检测心电信号数据，将目标检测心电信号数据输入至预先训练完成的目标心跳峰值检测模型中，得到模型输出结果，即，目标心跳峰值标注数据，从而可以根据目标心跳峰值标注数据确定目标对象的待检测心电信号数据的心跳峰值具体位置，为后续的心跳峰值分析工作提供了一定的基础。
本发明实施例的技术方案，通过获取样本训练数据集，并使样本训练数据集中的样本心电信号数据对应的信号采集通道的通道数量形同，以使心电信号数据在输入至心跳峰值检测模型之前，可以保证信号数据形状上的一致性，将样本心电信号数据输入至初始心跳峰值检测模型中，得到模型心跳峰值标注数据，根据模型心跳峰值标注数据和样本训练数据集中的样本心跳峰值标注数据对初始心跳峰值检测模型进行参数调整，以得到目标心跳峰值检测模型，解决了现有心跳峰值检测技术中，由于需要考虑不同通道数量、不同通道顺序以及不同通道采集位置的心电信号数据而导致的心跳峰值检测工作重复冗余以及适应性差等问题，实现了可以对不同通道类型的心电信号数据进行心跳峰值检测的效果，减轻了工作负担，提升了用户体验。
实施例二
图3为本发明实施例二所提供的一种模型训练方法的流程示意图，在上述技术方案的基础上，本实施例对技术方案进行了进一步细化。本实施例在本发明实施例中任一可选技术方案的基础上，可选地，在获取样本训练数据集之前，还包括：获取原始心电信号数据，确定原始心电信号数据对应的信号采集通道的原始通道数量；如果原始通道数量与样本心电信号数据对应的信号采集通道的目标通道数量不一致，则将原始心电信号数据通过预设转换方式转换为目标通道数量的心电信号数据，以得到样本心电信号数据，其中，预设转换方式包括通道复制、通道抽取以及通道重组中的至少一种。
本实施例在本发明实施例中任一可选技术方案的基础上，可选地，在将样本训练数据集中的样本心电信号数据输入至初始心跳峰值检测模型中之前，还包括：确定与样本心电信号数据对应的原始心电信号数据或样本心电信号数据对应的信号采集通道的原始信号长度；如果原始信号长度与预先设置的与样本心电信号数据对应的目标信号长度不一致，则将原始心电信号数据或样本心电信号数据转化为所述目标信号长度的心电信号数据。
其中，与上述实施例相同或者相应的技术术语在此不在赘述。如图3所示，本实施例的方法具体包括如下步骤：
S210、获取原始心电信号数据，确定原始心电信号数据对应的信号采集通道的原始通道数量。
其中，原始心电信号数据可以为心电信号采集系统直接采集的，未经过数据处理的心电信号数据。
示例性地，原始心电信号数据对应的信号采集通道的原始通道数量可以根据信号采集系统的不同进行系统，其通道数量可以相同，也可以不同，本实施例对此不作限定。
需要说明的是，原始心电信号数据可以是从医学影像设备中实时获取，也可以是从数据库中获取，还可以是接收于外部设备的心电信号数据传输等，本实施例对此不作限定。
具体地，获取原始心电信号数据后，确定原始心电信号数据对应的信号采集通道的原始通道数量，并判断原始通道数量与样本训练集中的样本心电信号数据对应的信采集通道的通道数量是否一致，以便可以根据判断结果对原始心电信号数据进行相应的数据处理。
S220、如果原始通道数量与样本心电信号数据对应的信号采集通道的目标通道数量不一致，则将原始心电信号数据通过预设转换方式转换为目标通道数量的心电信号数据，以得到样本心电信号数据。
其中，预设转换方式可以为预先设置的数据转换方式。可选地，预设转换方式包括通道复制、通道抽取以及通道重组中的至少一种。
其中，通道复制可以为在通道维度上，通过复制的方式实现心电信号数据的拉伸。可选地，获取原始心电信号数据中至少一个信号采集通道的心电信号数据，通过复制至少一个信号采集通道的心电信号数据的方式得到目标通道数量的心电信号数据。例如，当原始心电信号数据的原始通道数量为2个，目标通道数量为12个时，其对应的原始心电信号数据的信号形状用[a,b]表示，经过通道复制后得到信号形状为[a,a,a,a,a,a,b,b,b,b,b,b]样本心电信号数据。通道抽取可以为对不同通道的心电信号数据进行抽取的一种方式。例如，当原始心电信号数据的原始通道数量为4个时，其信号形状为[a,b,c,d]，对原始心电信号数据进行2通道抽取，得到[a,b][a,c]以及[a,d]等不同形式的排列组合，类似地，进行3通道抽取，得到[a,b,c][a,c,d]以及[b,a,c]等不同形式的排列组合。通道重组可以为将通道顺序进行重新的排列组合，从而得到与原始心电信号数据不同的心电信号数据的一种方式。
需要说明的是，在对原始心电信号数据进行通道抽取或者通道重组后，还需要经过通道复制将原始通道数量与目标通道数量保持一致。
还需说明的是，如果原始通道数量与样本心电信号数据对应的信号采集通道的目标通道数量一致，则不需要对原始心电信号数据进行通道复制，可以通过通道抽取或者通道重组的方法实现心电信号数据的扩增。
S230、获取样本训练数据集。
S240、确定与样本心电信号数据对应的原始心电信号数据或样本心电信号数据对应的原始信号长度。
其中，各个样本心电信号数据对应的信号长度相同。原始信号长度可以为所采集的心电信号数据的长度。可选地，原始信号长度可以通过心电信号采集时间确定，例如，10秒、20秒或者30秒等；还可以通过心电信号采样点的个数确定，例如，100个、200个或者300个等，本实施例对此不作限定。
具体地，在对初始心跳峰值检测模型进行训练前，为保证样本心电信号数据在形状上的一致性，不仅需要使信号采集通道的通道数量保持一致，还需要使信号采集通道的信号长度保持一致，基于此，在获取样本数据集后，确定样本心电信号数据对应的原始心电信号数据或样本心电信号数据对应的信号采集通道的原始信号长度，并将原始信号长度与样本心电信号的信号长度进行比对，以便可以根据比对结果对原始心电数据进行相应的数据处理。
S250、如果原始信号长度与预先设置的与样本心电信号数据对应的目标信号长度不一致，则将原始心电信号数据或样本心电信号数据转化为目标信号长度的心电信号数据。
其中，目标信号长度可以为预先设置的，符合初始心跳峰值检测模型训练要求的心电信号长度。
可选地，将原始心电信号数据或样本心电信号数据转化为目标信号长度的心电信号数据，包括：如果原始心电信号数据或样本心电信号数据的原始信号长度大于目标信号长度，则从原始心电信号数据或样本心电信号数据中截取目标信号长度的心电信号数据；如果原始心电信号数据或样本心电信号数据的原始信号长度小于目标信号长度，则在原始心电信号数据或样本心电信号数据中填充预设数据，得到目标信号长度的心电信号数据。
示例性地，当原始信号长度为800个采样点的原始心电信号数据，目标信号长度为500个采样点的样本心电信号数据时，可以从800个采样点的原始心电信号数据中截取500个采样点的样本心电信号数据，其截取的位置可以随机确定；当原始信号长度为400个采样点的原始心电信号数据，目标信号长度为 500个采样点的样本心电信号数据时，可以在原始心电信号的前面或后面填充预设数据，典型地，预设数据可以为“0”，从而使原始心电信号数据的信号长度与目标信号长度保持一致。
需要说明的是，如果原始信号长度与样本心电信号数据对应的目标信号长度一致，则可以直接将原始心电信号数据作为样本心电信号数据。
还需说明的是，原始心电信号数据的原始通道数量和原始信号长度的转化没有绝对的先后执行顺序，可以先将原始心电信号数据转化为目标通道数量的样本心电信号数据，之后再将原始心电信号数据或样本心电信号数据转化为目标信号长度的样本心电信号数据；也可以先将原始心电信号数据转化为目标信号长度的样本心电信号数据，之后再将原始心电信号数据转化为目标通道数量的样本心电信号数据，本实施例对此不作限定。
S260、对原始心电信号数据进行加噪声处理，得到样本心电信号数据。
其中，加噪声处理可以是为心电信号数据增加噪声干扰。在实际应用中，为了使模型获得更大的稳健性，可以通过给原始心电信号数据增加幅度、频率以及持续时间多变的噪声信号来实现。在本实施例中，一个原始心电信号数据可以最多添加2个噪声信号。
可选地，对原始心电信号数据进行加噪声处理，包括：确定原始心电信号数据的心电信号幅度，根据心电信号幅度确定待添加噪声信号的噪声信号幅度范围，并根据噪声信号幅度范围确定待添加噪声信号的噪声信号幅度；在预设噪声频率范围内确定待添加噪声信号的噪声信号频率，根据噪声信号频率确定待添加噪声的噪声信号时长；确定待添加噪声的噪声起始时间，根据噪声起始时间、噪声信号幅度和噪声信号时长对原始心电信号数据进行加噪声处理。
其中，心电信号幅度可以为心电信号中某一点偏离X轴的绝对值。在本实施例中，心电信号幅度的确定方法可以通过如下方式确定：确定原始心电信号数据中所有的心跳峰值标注数据和该原始心电信号数据的平均数据值，确定心跳峰值标注数据与平均数据值之间的差值，再确定该差值在整个原始心电信号数据中的平均值，将最终得到的平均值作为该原始心电信号数据的心电信号幅度。噪声信号幅度范围可以为用于确定噪声信号幅度的一段区间值。例如，噪声信号幅度范围可以为心电信号幅度的5％以上50％以下。类似地，预设噪声频率范围可以为预先设置的，用于确定噪声频率的一段区间值。例如，预设噪声频率范围可以为1赫兹到200赫兹之间。
具体地，在对原始心电信号数据进行加噪声处理时，首先需要确定原始心电信号数据的心电信号幅度，并根据心电信号幅度确定噪声信号幅度范围，并从噪声信号幅度范围内随机选择某个信号幅度作为噪声信号幅度，然后，在预先设置的噪声频率范围内随机选择某个噪声频率作为噪声信号频率，根据选择的噪声信号频率确定该噪声信号的噪声信号时长，进一步地，确定该噪声信号的起始时间，根据噪声起始时间、噪声信号幅度和噪声信号时长对原始心电信号数据进行加噪声处理。
S270、将样本训练数据集中的样本心电信号数据输入至初始心跳峰值检测模型中，得到模型心跳峰值标注数据。
S280、根据模型心跳峰值标注数据和样本心跳峰值标注数据对初始心跳峰值检测模型的模型参数进行调整，以得到目标心跳峰值检测模型。
可选地，得到目标心跳峰值检测模型，包括：将样本训练数据集中的所有样本心电信号数据输入至初始心跳峰值检测模型进行训练，得到中间心跳峰值检测模型；将样本训练数据集中的样本心电信号数据按照预设分组标准划分为至少一个样本训练数据组，并分别根据每个样本训练数据组中的样本心电信号数据对中间心跳峰值检测模型中进行训练，得到目标心跳峰值检测模型。
其中，所述预设分组标准包括信号采集通道的通道数量、通道位置以及通道顺序中的至少一个。
在本实施例中，由于采用较为多样的通道重排操作，可以将模型训练过程分为2个阶段：
第一阶段为将样本训练数据集中的所有样本心电信号数据输入至初始心跳峰值检测模型中进行训练，得到第一训练阶段的中间心跳峰值检测模型。
第二阶段可以采用元学习(Meta Learning)中的与模型无关的元学习 (Model-Agnostic Meta-Learning)方法对中间心跳峰值检测模型进行调整。具体地，将样本训练数据集中的样本心电信号数据按照通道组合进行划分，通道组合以不同通道数量和来源作为不同的样本训练数据组，例如，样本心电信号数据中包括通道数量为1个到12个的各种形式的心电信号数据，可以将12个通道命名为a,b,c,d,...,m，那么对2个通道a,b的心电信号数据进行心跳峰值检测作为一种样本训练数据组，对b,c通道的心电信号数据进行心跳峰值检测作为另一种样本训练数据组，对3个通道a,b,c的心电信号数据进行心跳峰值检测又可以作为一种样本训练数据组，以此类推，直到12通道的心电信号数据。需要说明的是，同一种组合的不同顺序算同一样本训练数据组，即[a,b]与[b,a] 视为同一种样本训练数据组，进一步地，根据每个样本训练数据组中的样本心电信号数据对中间心跳峰值检测模型中进行训练，得到目标心跳峰值检测模型。
本发明实施例的技术方案，通过原始心电信号数据，并确定原始心电信号数据对应的信号采集通道的原始通道数量与样本心电信号数据对应的目标通道数量是否一致，如果不一致，则需要将原始心电信号数据转化为目标通道数量的样本心电信号数据，然后，获取包括样本心电信号数据的样本训练数据集，确定样本心电信号数据对应的原始心电信号数据或样本信号心电信号数据对应的原始信号长度与样本心电信号数据对应的目标信号长度是否一致，如果不一致，则需要将原始心电信号数据或样本心电信号数据转化为目标信号长度的心电信号数据，进一步地，对原始心电信号数据进行加噪声处理，得到样本心电信号数据，将样本心电信号数据输入至初始心跳峰值检测模型中，得到模型心跳峰值标注数据，根据模型心跳峰值标注数据和样本训练数据集中的样本心跳峰值标注数据对初始心跳峰值检测模型进行参数调整，以得到目标心跳峰值检测模型，解决了现有心跳峰值检测技术中，由于需要考虑不同通道数量、不同通道顺序以及不同通道采集位置的心电信号数据而导致的心跳峰值检测工作重复冗余以及适应性差等问题，通过多种心电信号数据扩增方法，以使初始心跳峰值检测模型适应不同类型的通道设置，最终实现心跳峰值的检测。
实施例三
图4为本发明实施例三所提供的一种模型训练装置的结构示意图，本实施例所提供的模型训练装置可以通过软件和/或硬件来实现，可配置于终端和/或服务器中来实现本发明实施例中的模型训练方法。该装置具体可包括：数据集获取模块310、数据输入模块320和模型参数调整模块330。
其中，数据集获取模块310，用于获取样本训练数据集，其中，样本训练数据集中包括至少一个样本心电信号数据以及与样本心电信号数据对应的样本心跳峰值标注数据，各个样本心电信号数据对应的信号采集通道的通道数量相同；
数据输入模块320，用于将样本训练数据集中的样本心电信号数据输入至初始心跳峰值检测模型中，得到模型心跳峰值标注数据；
模型参数调整模块330，用于根据模型心跳峰值标注数据和样本心跳峰值标注数据对初始心跳峰值检测模型的模型参数进行调整，以得到目标心跳峰值检测模型。
本发明实施例的技术方案，通过获取样本训练数据集，并使样本训练数据集中的样本心电信号数据对应的信号采集通道的通道数量形同，以使心电信号数据在输入至心跳峰值检测模型之前，可以保证信号数据形状上的一致性，将样本心电信号数据输入至初始心跳峰值检测模型中，得到模型心跳峰值标注数据，根据模型心跳峰值标注数据和样本训练数据集中的样本心跳峰值标注数据对初始心跳峰值检测模型进行参数调整，以得到目标心跳峰值检测模型，解决了现有心跳峰值检测技术中，由于需要考虑不同通道数量、不同通道顺序以及不同通道采集位置的心电信号数据而导致的心跳峰值检测工作重复冗余以及适应性差等问题，实现了可以对不同通道类型的心电信号数据进行心跳峰值检测的效果，减轻了工作负担，提升了用户体验。
可选地，在获取样本训练数据集之前，所述装置还包括：通道数量确定模块和数据转换模块。
其中，通道数量确定模块，用于获取原始心电信号数据，确定原始心电信号数据对应的信号采集通道的原始通道数量；数据转换模块，用于如果所述原始通道数量与所述样本心电信号数据对应的信号采集通道的目标通道数量不一致，则将所述原始心电信号数据通过预设转换方式转换为所述目标通道数量的心电信号数据，以得到样本心电信号数据，其中，所述预设转换方式包括通道复制、通道抽取以及通道重组中的至少一种。
可选地，各个所述样本心电信号数据对应的信号长度相同，在将样本训练数据集中的样本心电信号数据输入至初始心跳峰值检测模型中之前，所述装置还包括：信号长度确定模块和数据转化模块。
其中，信号长度确定模块，用于确定与样本心电信号数据对应的原始心电信号数据或样本心电信号数据对应的原始信号长度；数据转化模块，用于如果原始信号长度与预先设置的与样本心电信号数据对应的目标信号长度不一致，则将原始心电信号数据或样本心电信号数据转化为目标信号长度的心电信号数据。
可选地，数据转化模块，还用于如果原始心电信号数据或样本心电信号数据的原始信号长度大于目标信号长度，则从原始心电信号数据或样本心电信号数据中截取目标信号长度的心电信号数据；如果原始心电信号数据或样本心电信号数据的原始信号长度小于目标信号长度，则在原始心电信号数据或样本心电信号数据中填充预设数据，得到目标信号长度的心电信号数据。
可选地，在将样本训练数据集中的样本心电信号数据输入至初始心跳峰值检测模型中之前，所述装置还包括：加噪声模块。
其中，加噪声模块，用于对原始心电信号数据进行加噪声处理，得到样本心电信号数据。
可选地，加噪声模块，还用于确定原始心电信号数据的心电信号幅度，根据心电信号幅度确定待添加噪声信号的噪声信号幅度范围，并根据噪声信号幅度范围确定待添加噪声信号的噪声信号幅度；在预设噪声频率范围内确定待添加噪声信号的噪声信号频率，根据噪声信号频率确定待添加噪声的噪声信号时长；确定待添加噪声的噪声起始时间，根据噪声起始时间、噪声信号幅度和噪声信号时长对原始心电信号数据进行加噪声处理。
可选地，模型参数调整模块330，还用于将样本训练数据集中的所有样本心电信号数据输入至初始心跳峰值检测模型进行训练，得到中间心跳峰值检测模型；将样本训练数据集中的样本心电信号数据按照预设分组标准划分为至少一个样本训练数据组，并分别根据每个样本训练数据组中的样本心电信号数据对中间心跳峰值检测模型中进行训练，得到目标心跳峰值检测模型，其中，预设分组标准包括信号采集通道的通道数量、通道位置以及通道顺序中的至少一个。
可选地，所述初始心跳峰值检测模型包括特征提取网络和心跳峰值检测网络；所述特征提取网络包括多个卷积模块，每两个卷积模块之间通过降采样卷积层连接；峰值检测网络包括第一特征融合模块、第二特征融合模块和数据处理模块；第一特征融合模块和第二特征融合模块均由卷积层、上采样层和融合层组成；第一特征融合模块中的第一卷积层的输入为特征提取网络中的最后一个卷积模块的输出；第一特征融合模块中的第一上采样层的输入为第一特征融合模块中的第一卷积层的输出；第一特征融合模块中的第一融合层的输入为特征融合网络中的倒数第二个卷积模块的输出和第一特征融合模块中的第一上采样层的输出；第二特征融合模块中的第二卷积层的输入为第一特征融合模块中的第一融合层的输出；第二特征融合模块中的第二上采样层的输入为第二特征融合模块中的第二卷积层的输出；第二特征融合模块中的第二融合层的输入为特征提取网络中的倒数第三个卷积模块的输出和第二特征融合模块中的第二上采样层的输出；数据处理模块的输入为第二特征融合模块中的第二融合层的输出；所述数据处理模块由二维卷积操作层、归一化层、非线性激活函数层和卷积层组成。
可选地，所述装置还包括：数据获取模块和标记数据确定模块。
其中，数据获取模块，用于获取目标对象的待检测心电信号数据，根据待检测心电信号数据确定目标检测心电数据，其中，目标检测心电数据与样本心电信号数据对应的信号采集通道的通道数量相同；标记数据确定模块，用于将目标检测心电信号数据输入至目标心跳峰值检测模型中，得到目标心跳峰值标记数据。
上述模型训练装置可执行本发明任意实施例所提供的模型训练方法，具备执行模型训练方法相应的功能模块和有益效果。
实施例四
图5为本发明实施例四提供的一种电子设备的结构示意图。图5示出了适于用来实现本发明实施例实施方式的示例性电子设备40的框图。图5显示的电子设备40仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
如图5所示，电子设备40以通用计算设备的形式表现。电子设备40的组件可以包括但不限于：一个或者多个处理器或者处理单元401，系统存储器402，连接不同系统组件(包括系统存储器402和处理单元401)的总线403。
总线403表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器，外围总线，图形加速端口，处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构 (ISA)总线，微通道体系结构(MAC)总线，增强型ISA总线、视频电子标准协会(VESA)局域总线以及外围组件互连(PCI)总线。
电子设备40典型地包括多种计算机系统可读介质。这些介质可以是任何能够被电子设备40访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。
系统存储器402可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器(RAM)404和/或高速缓存存储器405。电子设备40可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例，存储系统406可以用于读写不可移动的、非易失性磁介质(图5未显示，通常称为“硬盘驱动器”)。尽管图5中未示出，可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘(例如 CD-ROM,DVD-ROM或者其它光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与总线403相连。存储器402可以包括至少一个程序产品，该程序产品具有一组(例如至少一个)程序模块，这些程序模块被配置以执行本发明各实施例的功能。
具有一组(至少一个)程序模块407的程序/实用工具408，可以存储在例如存储器402中，这样的程序模块407包括但不限于操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块407通常执行本发明所描述的实施例中的功能和/或方法。
电子设备40也可以与一个或多个外部设备409(例如键盘、指向设备、显示器410等)通信，还可与一个或者多个使得用户能与该电子设备40交互的设备通信，和/或与使得该电子设备40能与一个或多个其它计算设备进行通信的任何设备(例如网卡，调制解调器等等)通信。这种通信可以通过输入/输出(I/O) 接口411进行。并且，电子设备40还可以通过网络适配器412与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图所示，网络适配器412通过总线403与电子设备40的其它模块通信。应当明白，尽管图5中未示出，可以结合电子设备40使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
处理单元401通过运行存储在系统存储器402中的程序，从而执行各种功能应用以及数据处理，例如实现本发明实施例所提供的模型训练方法。
实施例五
本发明实施例五还提供一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行一种模型训练方法，该方法包括：
获取样本训练数据集，其中，样本训练数据集中包括至少一个样本心电信号数据以及与样本心电信号数据对应的样本心跳峰值标注数据，各个样本心电信号数据对应的信号采集通道的通道数量相同；
将样本训练数据集中的样本心电信号数据输入至初始心跳峰值检测模型中，得到模型心跳峰值标注数据；
根据模型心跳峰值标注数据和样本心跳峰值标注数据对初始心跳峰值检测模型的模型参数进行调整，以得到目标心跳峰值检测模型。
本发明实施例的计算机存储介质，可以采用一个或多个计算机可读的介质的任意组合。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。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(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器 (CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中，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。
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程序代码。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程序代码可以用任何适当的介质传输，包括——但不限于无线、电线、光缆、RF等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明实施例操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如 Java、Smalltalk、C++，还包括常规的过程式程序设计语言——诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。
Claims (10)
1.一种模型训练方法，其特征在于，包括：
获取样本训练数据集，其中，所述样本训练数据集中包括至少一个样本心电信号数据以及与所述样本心电信号数据对应的样本心跳峰值标注数据，各个所述样本心电信号数据对应的信号采集通道的通道数量相同；
将所述样本训练数据集中的所述样本心电信号数据输入至初始心跳峰值检测模型中，得到模型心跳峰值标注数据；
根据所述模型心跳峰值标注数据和所述样本心跳峰值标注数据对所述初始心跳峰值检测模型的模型参数进行调整，以得到目标心跳峰值检测模型。
2.根据权利要求1所述的方法，其特征在于，在所述获取样本训练数据集之前，还包括：
获取原始心电信号数据，确定所述原始心电信号数据对应的信号采集通道的原始通道数量；
如果所述原始通道数量与所述样本心电信号数据对应的信号采集通道的目标通道数量不一致，则将所述原始心电信号数据通过预设转换方式转化为所述目标通道数量的心电信号数据，以得到样本心电信号数据，其中，所述预设转换方式包括通道复制、通道抽取以及通道重组中的至少一种。
3.根据权利要求1所述的方法，其特征在于，各个所述样本心电信号数据对应的信号长度相同，在所述将所述样本训练数据集中的所述样本心电信号数据输入至初始心跳峰值检测模型中之前，还包括：
确定与所述样本心电信号数据对应的原始心电信号数据或所述样本心电信号数据对应的原始信号长度；
如果所述原始信号长度与预先设置的与所述样本心电信号数据对应的目标信号长度不一致，则将所述原始心电信号数据或所述样本心电信号数据转化为所述目标信号长度的心电信号数据。
4.根据权利要求3所述的方法，其特征在于，所述将所述原始心电信号数据转化为所述目标信号长度的心电信号数据，包括：
如果所述原始心电信号数据或所述样本心电信号数据的所述原始信号长度大于所述目标信号长度，则从所述原始心电信号数据或所述样本心电信号数据中截取所述目标信号长度的心电信号数据；
如果所述原始心电信号数据或所述样本心电信号数据的所述原始信号长度小于所述目标信号长度，则在所述原始心电信号数据或所述样本心电信号数据中填充预设数据，得到所述目标信号长度的心电信号数据。
5.根据权利要求1所述的方法，其特征在于，在将所述样本训练数据集中的所述样本心电信号数据输入至初始心跳峰值检测模型中之前，还包括：
对所述原始心电信号数据进行加噪声处理，得到样本心电信号数据。
6.根据权利要求5所述的方法，所述对所述原始心电信号数据进行加噪声处理，包括：
确定所述原始心电信号数据的心电信号幅度，根据所述心电信号幅度确定所述待添加噪声信号的噪声信号幅度范围，并根据所述噪声信号幅度范围确定所述待添加噪声信号的噪声信号幅度；
在预设噪声频率范围内确定所述待添加噪声信号的噪声信号频率，根据所述噪声信号频率确定所述待添加噪声的噪声信号时长；
确定所述待添加噪声的噪声起始时间，根据所述噪声起始时间、所述噪声信号幅度和所述噪声信号时长对所述原始心电信号数据进行加噪声处理。
7.根据权利要求1所述的方法，其特征在于，所述得到目标心跳峰值检测模型，包括：
将所述样本训练数据集中的所有所述样本心电信号数据输入至所述初始心跳峰值检测模型进行训练，得到中间心跳峰值检测模型；
将所述样本训练数据集中的所述样本心电信号数据按照预设分组标准划分为至少一个样本训练数据组，并分别根据每个所述样本训练数据组中的样本心电信号数据对所述中间心跳峰值检测模型中进行训练，得到所述目标心跳峰值检测模型，其中，所述预设分组标准包括信号采集通道的通道数量、通道位置以及通道顺序中的至少一个。
8.根据权利要求1所述的方法，其特征在于，所述初始心跳峰值检测模型包括特征提取网络和心跳峰值检测网络；所述特征提取网络包括多个卷积模块，每两个卷积模块之间通过降采样卷积层连接；所述峰值检测网络包括第一特征融合模块、第二特征融合模块和数据处理模块；所述第一特征融合模块和所述第二特征融合模块均由卷积层、上采样层和融合层组成；所述第一特征融合模块中的第一卷积层的输入为所述特征提取网络中的最后一个卷积模块的输出；所述第一特征融合模块中的第一上采样层的输入为所述第一特征融合模块中的所述第一卷积层的输出；所述第一特征融合模块中的第一融合层的输入为所述特征融合网络中的倒数第二个卷积模块的输出和所述第一特征融合模块中的所述第一上采样层的输出；所述第二特征融合模块中的第二卷积层的输入为所述第一特征融合模块中的所述第一融合层的输出；所述第二特征融合模块中的第二上采样层的输入为所述第二特征融合模块中的所述第二卷积层的输出；所述第二特征融合模块中的第二融合层的输入为所述特征提取网络中的倒数第三个卷积模块的输出和所述第二特征融合模块中的所述第二上采样层的输出；所述数据处理模块的输入为所述第二特征融合模块中的所述第二融合层的输出；所述数据处理模块由二维卷积操作层、归一化层、非线性激活函数层和卷积层组成。
9.根据权利要求1所述的方法，其特征在于，还包括
获取目标对象的待检测心电信号数据，根据所述待检测心电信号数据确定目标检测心电信号数据，其中，所述目标检测心电信号数据与所述样本心电信号数据对应的信号采集通道的通道数量相同；
将所述目标检测心电信号数据输入至所述目标心跳峰值检测模型中，得到目标心跳峰值标记数据。
10.一种模型训练装置，其特征在于，包括：
数据集获取模块，用于获取样本训练数据集，其中，所述样本训练数据集中包括至少一个样本心电信号数据以及与所述样本心电信号数据对应的样本心跳峰值标注数据，各个所述样本心电信号数据对应的信号采集通道的通道数量相同；
数据输入模块，用于将所述样本训练数据集中的所述样本心电信号数据输入至初始心跳峰值检测模型中，得到模型心跳峰值标注数据；
模型参数调整模块，用于根据所述模型心跳峰值标注数据和所述样本心跳峰值标注数据对所述初始心跳峰值检测模型的模型参数进行调整，以得到目标心跳峰值检测模型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210127762.2A CN114469132A (zh) | 2022-02-11 | 2022-02-11 | 模型训练方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210127762.2A CN114469132A (zh) | 2022-02-11 | 2022-02-11 | 模型训练方法、装置、电子设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114469132A true CN114469132A (zh) | 2022-05-13 |
Family
ID=81481334
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210127762.2A Pending CN114469132A (zh) | 2022-02-11 | 2022-02-11 | 模型训练方法、装置、电子设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114469132A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114638272A (zh) * | 2022-05-19 | 2022-06-17 | 之江实验室 | 一种基于指尖脉搏波信号的身份识别方法和装置 |
| CN115391160A (zh) * | 2022-10-26 | 2022-11-25 | 北京必示科技有限公司 | 一种异常变更检测方法、装置、设备及存储介质 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2021037102A1 (zh) * | 2019-08-27 | 2021-03-04 | 中科麦迪人工智能研究院(苏州)有限公司 | 基于图片及心搏信息的心电分析方法、装置、设备及介质 |
| CN112617849A (zh) * | 2020-12-31 | 2021-04-09 | 山西三友和智慧信息技术股份有限公司 | 一种基于cnn+lstm的心房颤动检测与分类方法 |
| CN112990294A (zh) * | 2021-03-10 | 2021-06-18 | 挂号网（杭州）科技有限公司 | 行为判别模型的训练方法、装置、电子设备及存储介质 |
| CN113261975A (zh) * | 2021-04-19 | 2021-08-17 | 南京邮电大学 | 一种基于深度学习的心电分类方法 |
| CN113951893A (zh) * | 2021-12-02 | 2022-01-21 | 清华大学 | 一种结合深度学习和电生理知识的多导联心电信号特征点提取方法 |
-
2022
- 2022-02-11 CN CN202210127762.2A patent/CN114469132A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2021037102A1 (zh) * | 2019-08-27 | 2021-03-04 | 中科麦迪人工智能研究院(苏州)有限公司 | 基于图片及心搏信息的心电分析方法、装置、设备及介质 |
| CN112617849A (zh) * | 2020-12-31 | 2021-04-09 | 山西三友和智慧信息技术股份有限公司 | 一种基于cnn+lstm的心房颤动检测与分类方法 |
| CN112990294A (zh) * | 2021-03-10 | 2021-06-18 | 挂号网（杭州）科技有限公司 | 行为判别模型的训练方法、装置、电子设备及存储介质 |
| CN113261975A (zh) * | 2021-04-19 | 2021-08-17 | 南京邮电大学 | 一种基于深度学习的心电分类方法 |
| CN113951893A (zh) * | 2021-12-02 | 2022-01-21 | 清华大学 | 一种结合深度学习和电生理知识的多导联心电信号特征点提取方法 |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114638272A (zh) * | 2022-05-19 | 2022-06-17 | 之江实验室 | 一种基于指尖脉搏波信号的身份识别方法和装置 |
| CN115391160A (zh) * | 2022-10-26 | 2022-11-25 | 北京必示科技有限公司 | 一种异常变更检测方法、装置、设备及存储介质 |
| CN115391160B (zh) * | 2022-10-26 | 2023-04-07 | 北京必示科技有限公司 | 一种异常变更检测方法、装置、设备及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11564612B2 (en) | Automatic recognition and classification method for electrocardiogram heartbeat based on artificial intelligence | |
| CN114469132A (zh) | 模型训练方法、装置、电子设备及存储介质 | |
| CN110495872B (zh) | 基于图片及心搏信息的心电分析方法、装置、设备及介质 | |
| CN111345816B (zh) | 多导联qrs波群检测方法、装置、设备及存储介质 | |
| CN111870237A (zh) | 血压检测方法、装置、设备及介质 | |
| CN112869753B (zh) | 一种针对心电图qrst波形的分析方法、设备、介质和心电图仪 | |
| CN113963148B (zh) | 对象检测方法、对象检测模型的训练方法及装置 | |
| CN112270240A (zh) | 一种信号处理方法、装置、电子设备和存储介质 | |
| CN113693611B (zh) | 基于机器学习的心电数据分类方法及装置 | |
| CN112336369B (zh) | 一种多通道心音信号的冠心病风险指数评估系统 | |
| CN110717441B (zh) | 视频目标检测方法、装置、设备及介质 | |
| CN108338777A (zh) | 一种脉搏信号检测分析方法及装置 | |
| CN113647959B (zh) | 一种心电波形信号的波形识别方法、装置及设备 | |
| CN112488982A (zh) | 一种超声图像检测方法及装置 | |
| JP2020130772A (ja) | 生体信号処理装置および自動解析用データ生成方法 | |
| CN115736939A (zh) | 房颤患病概率生成方法、装置、电子设备和存储介质 | |
| CN112950734B (zh) | 冠脉重建方法、装置、电子设备和存储介质 | |
| CN115607164A (zh) | 心电特征波分割方法、系统、装置及可读存储介质 | |
| CN114795247A (zh) | 脑电信号分析方法、装置、电子设备和存储介质 | |
| CN112244865B (zh) | 动态心电图分析方法、装置、计算机设备和存储介质 | |
| CN108309257A (zh) | 基于深度学习的脉诊方法、装置和计算机存储介质 | |
| CN116304558B (zh) | 癫痫脑磁图棘波检测方法及装置 | |
| CN113469172B (zh) | 目标定位、模型训练、界面交互方法及设备 | |
| CN114098689A (zh) | 脉搏波分析方法和设备 | |
| CN116350237A (zh) | 心博类型的辅助识别方法、装置、电子设备及存储介质 |
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 |