CN116636856A - 心电分类方法、系统、电子设备及存储介质 - Google Patents
心电分类方法、系统、电子设备及存储介质 Download PDFInfo
- Publication number
- CN116636856A CN116636856A CN202310559904.7A CN202310559904A CN116636856A CN 116636856 A CN116636856 A CN 116636856A CN 202310559904 A CN202310559904 A CN 202310559904A CN 116636856 A CN116636856 A CN 116636856A
- Authority
- CN
- China
- Prior art keywords
- classification
- data set
- domain
- source domain
- target
- 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 56
- 238000003860 storage Methods 0.000 title claims abstract description 18
- 238000012549 training Methods 0.000 claims abstract description 59
- 230000006978 adaptation Effects 0.000 claims abstract description 41
- 238000013145 classification model Methods 0.000 claims abstract description 32
- 238000004364 calculation method Methods 0.000 claims abstract description 29
- 230000005012 migration Effects 0.000 claims abstract description 21
- 238000013508 migration Methods 0.000 claims abstract description 21
- 238000007781 pre-processing Methods 0.000 claims abstract description 14
- 239000011159 matrix material Substances 0.000 claims description 50
- 238000012360 testing method Methods 0.000 claims description 18
- 230000006870 function Effects 0.000 claims description 14
- 238000002372 labelling Methods 0.000 claims description 10
- 230000004913 activation Effects 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 8
- 238000004422 calculation algorithm Methods 0.000 claims description 6
- 238000001514 detection method Methods 0.000 claims description 6
- 206010042602 Supraventricular extrasystoles Diseases 0.000 claims description 5
- 206010047289 Ventricular extrasystoles Diseases 0.000 claims description 5
- 239000012634 fragment Substances 0.000 claims description 4
- 230000011218 segmentation Effects 0.000 claims description 4
- 208000000418 Premature Cardiac Complexes Diseases 0.000 claims description 3
- 239000004973 liquid crystal related substance Substances 0.000 description 12
- 230000008569 process Effects 0.000 description 10
- 206010003119 arrhythmia Diseases 0.000 description 8
- 230000006793 arrhythmia Effects 0.000 description 8
- 238000004891 communication Methods 0.000 description 8
- 230000002159 abnormal effect Effects 0.000 description 7
- 238000004458 analytical method Methods 0.000 description 6
- 238000010801 machine learning Methods 0.000 description 5
- 208000024172 Cardiovascular disease Diseases 0.000 description 4
- 230000000747 cardiac effect Effects 0.000 description 4
- 238000000605 extraction Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000005070 sampling Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000013136 deep learning model Methods 0.000 description 3
- 238000013507 mapping Methods 0.000 description 3
- 208000009729 Ventricular Premature Complexes Diseases 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000000750 progressive effect Effects 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- 101100384355 Mus musculus Ctnnbip1 gene Proteins 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 150000002500 ions Chemical class 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000452 restraining effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000007480 spreading Effects 0.000 description 1
- 238000003892 spreading Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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]
-
- 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
- A61B5/24—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
- A61B5/349—Detecting specific parameters of the electrocardiograph cycle
- A61B5/352—Detecting R peaks, e.g. for synchronising diagnostic apparatus; Estimating R-R interval
-
- 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
- A61B5/7203—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal
-
- 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
- A61B5/7225—Details of analog processing, e.g. isolation amplifier, gain or sensitivity adjustment, filtering, baseline or drift compensation
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/02—Knowledge representation; Symbolic representation
- G06N5/022—Knowledge engineering; Knowledge acquisition
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Medical Informatics (AREA)
- Heart & Thoracic Surgery (AREA)
- Biomedical Technology (AREA)
- Pathology (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Theoretical Computer Science (AREA)
- Cardiology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Signal Processing (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Physiology (AREA)
- General Physics & Mathematics (AREA)
- Psychiatry (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Power Engineering (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Fuzzy Systems (AREA)
- Computational Linguistics (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明公开一种心电分类方法、系统、电子设备及存储介质,方法包括:对获取到的多张心电图进行预处理操作,得到源域数据集和目标域数据集;将源域数据集输入预设的类加权宽度学习模型进行权重计算,得到源域连接权重;将目标域数据集以及源域连接权重输入预设的域适应类加权宽度学习模型进行知识迁移,得到目标域连接权重;根据源域连接权重以及目标域连接权重对域适应类加权宽度学习模型进行训练,得到心电分类模型;将目标域数据集输入心电分类模型进行心电分类,得到分类标签。在本发明实施例中,能够实现对不同对象的各类心拍准确且快速的识别,解决对象之间心电特征差异显著的问题。
Description
技术领域
本发明涉及信息处理技术领域,尤其涉及一种心电分类方法、系统、电子设备及存储介质。
背景技术
心血管疾病是全球的头号死因,而心律失常作为心血管疾病中的一组重要疾病已经成为造成全球死亡率增加的主要因素。在过去的几十年里,出现了许多基于传统机器学习模型或深度学习模型的通用和自动心律失常检测方法。在传统的机器学习模型中,特征提取和分类是分开进行的。和传统机器学习模型不同,深度学习模型同时执行特征提取和分类,其中可以以渐进的方式自适应地学习特征,而不需要领域专家的参与。
但由于可靠心电图分析的两个主要问题被忽视,它们在临床或实践中的广泛使用仍然存在巨大挑战。一个主要问题是不同患者心电图波形的形态差异很大。很多通用系统采用固定模式,在该模式中,分类器在公共ECG(E lectro Card io Gram,ECG)数据集上进行训练,然后直接应用于所有患者而不进行自适应。因此,它们在对新患者的心电图信号进行分类时表现出性能不稳定的这一共同缺点。另一个问题是,正常心拍的数量远多于异常心拍的数量。心拍类之间的这种不平衡导致一般模型的性能偏向于多数类(正常心拍)。然而,在心律失常分析中,对少数类(异常心拍)的检测更值得关注,这就导致了对心电信号分类的偏差,不能准确对异常心拍进行识别。
发明内容
以下是对本文详细描述的主题的概述。
本发明实施例提供了一种心电分类方法、系统、电子设备及存储介质,能够实现对不同对象的各类心拍准确且快速识别。
第一方面,本发明实施例提供了一种心电分类方法,所述方法包括:
对获取到的多张心电图进行预处理操作,得到源域数据集和目标域数据集;
将源域数据集输入预设的类加权宽度学习模型进行权重计算,得到源域连接权重;
将所述目标域数据集以及所述源域连接权重输入预设的域适应类加权宽度学习模型进行知识迁移,得到目标域连接权重;
根据所述源域连接权重以及所述目标域连接权重对所述域适应类加权宽度学习模型进行训练,得到心电分类模型;
将所述目标域数据集输入所述心电分类模型进行心电分类,得到分类标签。
本发明实施例提供的心电分类方法,至少具有如下有益效果:对获取到的多张心电图进行预处理操作,从而实现对不同对象的心电图的区分,得到源域数据集和目标域数据集,之后,将源域数据集输入预设的类加权宽度学习模型进行权重计算,得到用于表征源域知识的源域连接权重,再将目标域数据集以及源域连接权重输入域适应类加权宽度学习模型进行知识迁移,得到目标域连接权重,从而实现源域知识到目标域的迁移,解决对象之间心电特征差异显著的问题,最后,根据源域连接权重以及目标域连接权重对域适应类加权宽度学习模型进行训练,能够通过给不同心电类别分配不同的权重系数来约束对模型的贡献,得到心电分类模型,将目标域数据集输入心电分类模型进行心电分类,得到分类标签,从而能够实现对不同对象的各类心拍准确且快速的识别,解决对象之间心电特征差异显著的问题。
在一些实施例中,所述心电图包括第一心电图集和第二心电图集,其中,所述第一心电图集为历史对象的第一心电图,所述第二心电图集为特定对象的第二心电图;所述对获取到的多张心电图进行预处理操作,得到源域数据集和目标域数据集,包括:
基于预设的定位算法对所述第一心电图和所述第二心电图进行波峰检测,确定所述第一心电图中的第一R波峰以及所述第二心电图中的第二R波峰;
根据预设的信号长度对所述第一R波峰以及所述第二R波峰进行信号分割,得到多个与所述第一R波峰对应的第一心拍片段以及与所述第二R波峰对应的第二心拍片段;
对所述第一心拍片段以及所述第二心拍片段进行归一化操作;
根据归一化后的第一心拍片段生成所述源域数据集,并根据归一化后的第二心拍片段生成目标域数据集。
在一些实施例中,在所述将源域数据集输入预设的域适应类加权宽度学习模型进行权重计算,得到源域连接权重之前,还包括:
在所述目标域数据集中,根据预设的时间区间对所述第二心拍片段进行选取,得到目标域训练数据,并将剩余的所述第二心拍片段作为目标域测试数据。
在一些实施例中,所述将源域数据集输入预设的类加权宽度学习模型进行权重计算,得到源域连接权重,包括:
获取所述源域数据集中的源域样本类别;
对所述源域样本类别进行贴标签操作,得到与所述源域样本类别对应的源域标签矩阵;
将所述源域数据集输入所述类加权宽度学习模型进行特征计算,得到第一特征节点;
基于预设的非线性激活函数对所述第一特征节点进行计算,得到第一增强节点;
计算所述源域样本类别的第一训练权重,并对所述第一训练权重、所述第一特征节点以及所述第一增强节点进行组合,生成第一加权扩展矩阵;
根据所述第一加权扩展矩阵以及所述源域标签矩阵训练所述类加权宽度学习模型,生成源域连接权重。
在一些实施例中,所述将所述目标域数据集以及所述源域连接权重输入预设的域适应类加权宽度学习模型进行知识迁移,得到目标域连接权重,包括:
获取所述目标域训练数据中的目标样本类别;
对所述目标样本类别进行贴标签操作,得到与所述目标样本类别对应的目标标签矩阵;
将所述目标域训练数据输入所述域适应类加权宽度学习模型进行随机特征计算,得到第二特征节点;
基于预设的非线性激活函数对所述第二特征节点进行计算,得到第二增强节点;
计算所述目标样本类别的第二训练权重,并对所述第二训练权重、所述第二特征节点以及所述第二增强节点进行组合,生成第二加权扩展矩阵;
根据所述第二加权扩展矩阵、所述源域连接权重以及所述目标标签矩阵对所述域适应类加权宽度学习模型进行训练,得到目标域连接权重。
在一些实施例中,所述将所述目标域数据集输入所述心电分类模型进行心电分类,得到分类标签,包括:
将所述目标域测试数据输入所述心电分类模型进行节点计算,得到所述目标域测试数据的第三特征节点和第三增强节点;
对所述第三特征节点和所述第三增强节点进行节点串联,得到第三扩展矩阵;
将所述第三扩展矩阵以及所述目标域连接权重输入所述心电分类模型进行心电预测,输出预测输出矢量;
根据所述预测输出矢量确定与所述目标域测试数据对应的所述分类标签。
在一些实施例中,所述分类标签包括如下之一:
非异位心拍;
室上性异位心拍;
室性异位心拍;
融合心拍;
未知心拍。
第二方面,本发明实施例还提供了一种心电分类系统,所述系统包括:
数据获取模块,用于对获取到的多张心电图进行预处理操作,得到源域数据集和目标域数据集;
权重计算模块,用于将源域数据集输入预设的类加权宽度学习模型进行权重计算,得到源域连接权重;
知识迁移模块,用于将所述目标域数据集以及所述源域连接权重输入预设的域适应类加权宽度学习模型进行知识迁移,得到目标域连接权重;
模型训练模块,用于根据所述源域连接权重以及所述目标域连接权重对所述域适应类加权宽度学习模型进行训练,得到心电分类模型;
分类预测模块,用于将所述目标域数据集输入所述心电分类模型进行心电分类,得到分类标签。
第三方面,本发明实施例还提供了一种电子设备,所述电子设备包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现如第一方面所述的心电分类方法。
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,所述计算机可读存储介质存储有计算机可执行指令,所述计算机可执行指令用于使计算机执行如第一方面所述的心电分类方法。
本发明的其它特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点可通过在说明书以及附图中所特别指出的结构来实现和获得。
附图说明
附图用来提供对本发明技术方案的进一步理解,并且构成说明书的一部分,与本发明的示例一起用于解释本发明的技术方案,并不构成对本发明技术方案的限制。
图1是本发明实施例提供的心电分类方法的整体流程图;
图2是图1中的步骤S101的具体方法流程图;
图3是本发明另一实施例提供的心电分类方法的整体流程图;
图4是图1中的步骤S102的具体方法流程图;
图5是图1中的步骤S103的具体方法流程图;
图6是图1中的步骤S105的具体方法流程图;
图7是本申请实施例提供的心电分类系统的结构示意图;
图8是本申请实施例提供的电子设备的硬件结构示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
心血管疾病是全球的头号死因,而心律失常作为心血管疾病中的一组重要疾病已经成为造成全球死亡率增加的主要因素。在临床分析中,非侵入性和廉价的心电图通常用于帮助心脏病专家有效诊断心律失常。然而,这个过程需要心脏病专家观察长期的心电图记录,这无疑是主观的、耗时的和劳动密集的。因此,出现了用于ECG信号的计算机辅助自动分类系统来辅助心律失常分析。
在传统的机器学习模型中,特征提取和分类是分开进行的。和传统机器学习模型不同,深度学习模型同时执行特征提取和分类,其中可以以渐进的方式自适应地学习特征,而不需要领域专家的参与。
尽管现有通用系统在某些条件下的表现出了优异的性能,但由于可靠ECG分析的两个主要问题被忽视,它们在临床或实践中的广泛使用仍然存在巨大挑战。一个主要问题是不同患者心电图波形的形态差异很大。很多通用系统采用固定模式,在该模式中,分类器在公共ECG数据集上进行训练,然后直接应用于所有患者而不进行自适应。因此,它们在对新患者的心电图信号进行分类时表现出性能不稳定的这一共同缺点。另一个问题是,正常心拍的数量远多于异常心拍的数量。心拍类之间的这种不平衡导致一般模型的性能偏向于多数类(正常心拍)。然而,在心律失常分析中,对少数类(异常心拍)的检测更值得关注。
为了解决上述问题,本发明实施例提供了一种心电分类方法、系统、电子设备及存储介质,对获取到的多张心电图进行预处理操作,从而实现对不同对象的心电图的区分,得到源域数据集和目标域数据集,之后,将源域数据集输入预设的类加权宽度学习模型进行权重计算,得到用于表征源域知识的源域连接权重,再将目标域数据集以及源域连接权重输入域适应类加权宽度学习模型进行知识迁移,得到目标域连接权重,从而实现源域知识到目标域的迁移,解决对象之间心电特征差异显著的问题,最后,根据源域连接权重以及目标域连接权重对域适应类加权宽度学习模型进行训练,能够通过给不同心电类别分配不同的权重系数来约束对模型的贡献,得到心电分类模型,将目标域数据集输入心电分类模型进行心电分类,得到分类标签,从而能够实现对不同对象的各类心拍准确且快速的识别,解决对象之间心电特征差异显著的问题。
参照图1,本发明实施例提供了一种心电分类方法,心电分类方法包括但不限于以下步骤S101至步骤S105。
步骤S101,对获取到的多张心电图进行预处理操作,得到源域数据集和目标域数据集;
在一些实施例中,对获取到的多张心电图进行预处理操作,保证每张心电图的规格一致,并对不同对象的心电图进行区分,得到源域数据集和目标域数据集,从而提高后续对心电信号分类的精度和准确性。
步骤S102,将源域数据集输入预设的类加权宽度学习模型进行权重计算,得到源域连接权重;
在一些实施例中,将源域数据集输入预设的类加权宽度学习模型进行权重计算,得到源域连接权重,从而实现在源域数据集上训练一个通用的类加权宽度学习模型,充分学习源域中的有用知识,进而更精确地描述网络结构,并达到更好的预测和优化效果,并且通过给不同类别心拍分配不同的权重系数来约束它们对模型的贡献,便于后续对域适应类加权宽度学习模型的训练。
步骤S103,根据目标域数据集以及源域连接权重输入预设的域适应类加权宽度学习模型进行知识迁移,得到目标域连接权重;
在一些实施例中,根据目标域数据集以及源域连接权重输入预设的域适应类加权宽度学习模型进行知识迁移,得到目标域连接权重,从而实现域适应类加权宽度学习模型的域适应,实现源域知识到目标域的迁移。
步骤S104,根据源域连接权重以及目标域连接权重对域适应类加权宽度学习模型进行训练,得到心电分类模型;
在一些实施例中,根据源域连接权重以及目标域连接权重对域适应类加权宽度学习模型进行训练,并且在训练过程中通过按类别构建训练误差项,给不同类别分配不同的权重系数来约束它们对模型的贡献,得到心电分类模型,从而实现对目标域的适应,解决患者间心电特征差异显著问题,通过给少数类分配更高的权重系数来提高模型训练时对该类别的关注程度,从而提高算法的抗数据不平衡能力,解决数据不平衡问题。
步骤S105,将目标域数据集输入心电分类模型进行心电分类,得到分类标签。
在一些实施例中,将未标注的目标域数据集输入心电分类模型进行心电分类,得到分类标签,从而实现对心电信号的精准分类,能够准确地对异常心拍进行检测。
参照图2,在一些实施例中,步骤S101可以包括但不限于包括步骤S201至步骤S204:
需要说明的是,心电图包括第一心电图集和第二心电图集,其中,第一心电图集为历史对象的第一心电图,第二心电图集为特定对象的第二心电图。
可以理解的是,本实施例中的历史对象可以为先前患者,特定对象可以为需要检测的特定患者,具体地,心电图可以来源于国际公开的MI T-BI H心律失常数据库,其采样频率为360Hz,将编号前20的II导联信号作为先前患者的心电图信号构成第一心电图集,编号后24的II导联信号作为特定患者的心电图信号构成第二心电图集。
步骤S201,基于预设的定位算法对第一心电图和第二心电图进行波峰检测,确定第一心电图中的第一R波峰以及第二心电图中的第二R波峰;
在一些实施例中,基于Pan-Tompkins算法对第一心电图和第二心电图进行波峰检测,定位所有心电信号中的R峰位置,确定第一心电图中的第一R波峰和第二心电图中的第二R波峰从而提高对心电信号识别的准确性。
步骤S202,根据预设的信号长度对第一R波峰以及第二R波峰进行信号分割,得到多个与第一R波峰对应的第一心拍片段以及与第二R波峰对应的第二心拍片段;
在一些实施例中,根据预设的信号长度对第一R波峰以及第二R波峰进行采样以及信号分割,得到多个与第一R波峰对应的第一心拍片段以及与第二R波峰对应的第二心拍片段,实现对波峰的精准分割,提高后续对心电信号分类的精度和准确性。
需要说明的是,本实施例中的信号长度可以根据使用者的需要自行选择,在对第一R波峰以及第二R波峰进行采样的过程中,可以分别向R波峰前后取144和155个采样点将长期的心电信号分割成包含300个采样点的心拍片段,从而减少计算复杂度,提高计算效率。
步骤S203,对第一心拍片段以及第二心拍片段进行归一化操作;
在一些实施例中,由于心电信号容易受到外界噪音干扰,因此本实施例对第一心拍片段以及第二心拍片段进行min-max归一化处理,统一所有心拍片段的幅值范围为[0,1]区间内,能够去除噪音影响,从而提高信号质量和精度。
步骤S204,根据归一化后的第一心拍片段生成源域数据集,并根据归一化后的第二心拍片段生成目标域数据集。
在一些实施例中,根据归一化后的第一心拍片段生成源域数据集,并根据归一化后的第二心拍片段生成目标域数据集,其中,归一化后的第一心拍片段如下所示:
可以理解的是,xnorm为归一化后的心拍片段,xmin和xmax分别是原始心拍片段中的最小元素和最大元素。
参照图3,图3是本申请另一实施例提供的心电分类方法的流程图,包括但不限于包括步骤S301:
需要说明的是,步骤S301发生在步骤S102之前。
步骤S301,在目标域数据集中,根据预设的时间区间对第二心拍片段进行选取,得到目标域训练数据,并将剩余的第二心拍片段作为目标域测试数据。
在一些实施例中,将目标域数据集中时间区间内的归一化后第二心拍片段作为目标域训练数据,目标域数据集中剩余归一化后第二心拍片段作为测试数据,从而便于后续源域到目标域的知识迁移,实现对目标域的适应。
需要说明的是,本实施例中的时间区间为前五分钟,即,取目标域数据集中前五分钟的归一化后第二心拍片段作为目标域训练数据。
参照图4,在一些实施例中,步骤S102可以包括但不限于包括步骤S401至步骤S406:
步骤S401,获取源域数据集中的源域样本类别;
可以理解的是,源域样本类别包括但不限于包括N(非异位心拍)、S(室上性异位心拍)、V(室性异位心拍)、F(融合心拍)和Q(未知心拍)。
步骤S402,对源域样本类别进行贴标签操作,得到与源域样本类别对应的源域标签矩阵;
在一些实施例中,对源域数据集中不同的源域样本类别进行贴标签操作,利用独热编码根据心拍的类别贴标签,得到与源域样本类别对应的源域标签矩阵,便于后续对类加权宽度学习模型的训练,实现对不同心拍类别的区分,提高对心拍分类的准确性。
可以理解的是,不同的心拍类别的标签不同,例如,N为[1,0,0,0,0],S为[0,1,0,0,0],V为[0,0,1,0,0],F为[0,0,0,1,0],Q为[0,0,0,0,1]。
步骤S403,将源域数据集输入类加权宽度学习模型进行特征计算,得到第一特征节点;
在一些实施例中,将源域数据集输入类加权宽度学习模型进行特征计算,并且随机设置类加权宽度学习模型的权重和偏置,计算输入的源域数据集的随机特征,同时通过稀疏自编码器微调获得紧致的第一特征节点,实现对随机特征的提取以及降维,以提升随机特征的性能。
需要说明的是,类加权宽度学习模型的结构包括输入层、特征节点、增强节点和输出层。输入层与特征节点的映射关系如下公式(1)所示:
其中,和/>分别为随机设置的权重和偏置,X为输入的训练样本(源域数据集),φ(g)为稀疏自编码器,Zi为映射的第i组特征节点。
步骤S404,基于预设的非线性激活函数对第一特征节点进行计算,得到第一增强节点;
在一些实施例中,利用非线性激活函数对第一特征节点进行计算,得到与第一特征节点对应的第一增强节点,从而使得特征更加突出和关键,提高源域数据集在网络中的权威性和影响力,其中,特征节点与增强节点的映射关系如下公式(2)所示:
其中,和/>分别为随机设置的权重和偏置,Zn为所有的特征节点,ξ(g)为非线性激活函数,Hj为映射的第j组增强节点。
步骤S405,计算源域样本类别的第一训练权重,并对第一训练权重、第一特征节点以及第一增强节点进行组合,生成第一加权扩展矩阵;
在一些实施例中,计算源域数据集中每个源域样本类别的第一训练权重,并组合所有第一特征节点和第一增强节点,生成第一加权扩展矩阵A=[Zn,Hm],从而可以让原本相对孤立的节点之间产生联系。
需要说明的是,第一特征节点为Zn=[Z1,Z2,L,Zn],第一增强节点为Hm=[H1,H2,L,Hm]。
步骤S406,根据第一加权扩展矩阵以及源域标签矩阵训练类加权宽度学习模型,生成源域连接权重。
在一些实施例中,根据第一加权扩展矩阵以及源域标签矩阵训练类加权宽度学习模型,以计算源域网络连接权重,生成源域连接权重,从而实现在源域数据集上训练一个通用的类加权宽度学习模型,充分学习源域中的有用知识,进而更精确地描述网络结构,并达到更好的预测和优化效果,并且通过给不同类别心拍分配不同的权重系数来约束它们对模型的贡献。通过给少数类分配更高的权重系数来提高模型训练时对该类别的关注程度,从而提高算法的抗数据不平衡能力,解决数据不平衡问题。
需要说明的是,在通过源域数据集训练类加权宽度学习模型的过程中,首先构建网络训练的目标函数,如下公式(3)所示:
其中,和/>分别为第i个类别的扩展矩阵(第一加权扩展矩阵)和标签矩阵(源域标签矩阵),λ为正则化系统,L为源域样本类别的类别总数,/>为学到的源域知识,/>为源域数据集中第i个类别训练损失的权重系数,具体的计算过程如下公式(4)所示:
其中,ηmaj和ηmin分别是多数类和少数类的尺度因子,Numi是第i个类别中的样本数目,并且通过求导并让导数等于0,可以获得类加权宽度学习模型的源域连接权重为其中,I为合适大小的单位矩阵。
参照图5,在一些实施例中,步骤S103可以包括但不限于包括步骤S501至步骤S506:
步骤S501,获取目标域训练数据中的目标样本类别;
可以理解的是,目标样本类别包括但不限于包括N(非异位心拍)、S(室上性异位心拍)、V(室性异位心拍)、F(融合心拍)和Q(未知心拍)。
步骤S502,对目标样本类别进行贴标签操作,得到与目标样本类别对应的目标标签矩阵;
在一些实施例中,对目标域训练数据中不同的标样本类别进行贴标签操作,利用独热编码根据心拍的类别贴标签,得到与目标样本类别对应的目标标签矩阵,便于后续对域适应类加权宽度学习模型的训练,实现对不同心拍类别的区分,提高对心拍分类的准确性。
可以理解的是,不同的心拍类别的标签不同,例如,N为[1,0,0,0,0],S为[0,1,0,0,0],V为[0,0,1,0,0],F为[0,0,0,1,0],Q为[0,0,0,0,1]。
步骤S503,将目标域训练数据输入域适应类加权宽度学习模型进行随机特征计算,得到第二特征节点;
步骤S504,基于预设的非线性激活函数对第二特征节点进行计算,得到第二增强节点;
步骤S505,计算目标样本类别的第二训练权重,并对第二训练权重、第二特征节点以及第二增强节点进行组合,生成第二加权扩展矩阵;
在一些实施例的步骤S503至步骤S505中,具体得到第二特征节点、第二增强节点以及第二加权扩展矩阵的过程与上述步骤S403至步骤S405的过程相同,本实施例在此不再赘述。
步骤S506,根据第二加权扩展矩阵、源域连接权重以及目标标签矩阵对域适应类加权宽度学习模型进行训练,得到目标域连接权重。
在一些实施例中,在源域数据集上训练一个通用的类加权宽度学习模型,充分学习源域中的有用知识,得到源域连接权重之后,根据第二加权扩展矩阵、源域连接权重以及目标标签矩阵对域适应类加权宽度学习模型进行训练,从而实现域适应类加权宽度学习模型的域适应,得到目标域连接权重,从而实现源域知识到目标域的迁移,并且通过按类别构建训练误差项,给不同类别分配不同的权重系数来约束它们对模型的贡献,从而实现对目标域的适应,解决患者间心电特征差异显著问题。
需要说明的是,在通过目标域训练数据对域适应类加权宽度学习模型训练的过程中,需要先构建目标函数,如下公式(5)所示:
其中,和/>分别是目标域中第j个类别的扩展矩阵(第二加权扩展矩阵)和标签矩阵(目标标签矩阵),/>和/>是两个权衡参数,/>为目标域训练数据中第j个类别训练损失的权重系数,/>即为域适应后的目标域连接权重,公式(5)中第一项是正则化项,为了防止过拟合,第二项为目标域加权训练误差项,第三项为知识迁移项。
为了求解上述目标函数的最优解,将其转化为有约束的形式,具体将公式(5)转换为公式(6):
进一步,拉格朗日函数可以构造为如下公式(7)所示:
当行满秩时,可以求解出最优目标域连接权重如下公式(8)所示:
其中,
当列满秩时,可以求解出最优目标域连接权重如下公式(9)所示:
参照图6,在一些实施例中,步骤S105可以包括但不限于包括步骤S601至步骤S604:
步骤S601,将目标域测试数据输入心电分类模型进行节点计算,得到目标域测试数据的第三特征节点和第三增强节点;
可以理解的是,目标域测试数据为未标注的目标域数据。
步骤S602,对第三特征节点和第三增强节点进行节点串联,得到第三扩展矩阵;
步骤S603,将第三扩展矩阵以及目标域连接权重输入心电分类模型进行心电预测,输出预测输出矢量;
步骤S604,根据预测输出矢量确定与目标域测试数据对应的分类标签。
在一些实施例中,将目标域测试数据输入训练好的心电分类模型进行节点计算,得到目标域测试数据的第三特征节点和第三增强节点,之后对第三特征节点和第三增强节点进行节点串联,得到第三扩展矩阵,再将第三扩展矩阵以及目标域连接权重输入心电分类模型进行心电预测,输出预测输出矢量,并选择预测输出矢量中最大值对应的序号作为预测的分类标签,从而实现对心电信号的精准分类,能够准确地对异常心拍进行检测。
需要说明的是,在构建目标域测试数据的第三特征节点和第三增强节点时,采用的随机权重、随机偏置、稀疏自编码器输出和非线性激活函数都与训练阶段的一致,本实施例在此不再赘述。
值得注意的是,当在训练好的心电分类模型预测目标域测试数据中未标注样本的类别时,其输出如下公式(10)所示:
其中,是/>的扩展矩阵(第三扩展矩阵),样本被预测的最终类别标签为
在一些实施例中,分类标签包括如下之一:非异位心拍;室上性异位心拍;室性异位心拍;融合心拍;未知心拍,从而实现对各种类型心电信号的预测。
请参阅图7,本申请实施例还提供一种心电分类系统,可以实现上述心电分类方法,该系统包括:
数据获取模块801,用于对获取到的多张心电图进行预处理操作,得到源域数据集和目标域数据集;
权重计算模块802,用于将源域数据集输入预设的类加权宽度学习模型进行权重计算,得到源域连接权重;
知识迁移模块803,用于将目标域数据集以及源域连接权重输入预设的域适应类加权宽度学习模型进行知识迁移,得到目标域连接权重;
模型训练模块804,用于根据源域连接权重以及目标域连接权重对域适应类加权宽度学习模型进行训练,得到心电分类模型;
分类预测模块805,用于将目标域数据集输入心电分类模型进行心电分类,得到分类标签。
本申请实施例的心电分类系统用于执行上述实施例中的心电分类方法,其具体处理过程与上述实施例中的心电分类方法相同,此处不再一一赘述。
本申请实施例还提供了一种电子设备,包括存储器和处理器,其中,存储器中存储有计算机程序,该计算机程序被处理器执行时处理器用于执行本申请上述实施例中的心电分类方法。
请参阅图8,图8示意了另一实施例的电子设备的硬件结构,电子设备包括:
处理器901,可以采用通用的CPU(Centra l Process ing Un it,中央处理器)、微处理器、应用专用集成电路(Appl icat ion SpecificI ntegrated Ci rcu it,AS IC)、或者一个或多个集成电路等方式实现,用于执行相关程序,以实现本申请实施例所提供的技术方案;
存储器902,可以采用只读存储器(Read On ly Memory,ROM)、静态存储设备、动态存储设备或者随机存取存储器(Random Access Memory,RAM)等形式实现。存储器902可以存储操作系统和其他应用程序,在通过软件或者固件来实现本说明书实施例所提供的技术方案时,相关的程序代码保存在存储器902中,并由处理器901来调用执行本申请实施例的心电分类方法;
输入/输出接口903,用于实现信息输入及输出;
通信接口904,用于实现本设备与其他设备的通信交互,可以通过有线方式(例如USB、网线等)实现通信,也可以通过无线方式(例如移动网络、WI FI、蓝牙等)实现通信;
总线905,在设备的各个组件(例如处理器901、存储器902、输入/输出接口903和通信接口904)之间传输信息;
其中处理器901、存储器902、输入/输出接口903和通信接口904通过总线905实现彼此之间在设备内部的通信连接。
本申请实施例还提供了一种计算机可读存储介质,该计算机可读存储介质存储有计算机程序,该计算机程序被处理器执行时实现上述心电分类方法。
存储器作为一种非暂态计算机可读存储介质,可用于存储非暂态软件程序以及非暂态性计算机可执行程序。此外,存储器可以包括高速随机存取存储器,还可以包括非暂态存储器,例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施方式中,存储器可选包括相对于处理器远程设置的存储器,这些远程存储器可以通过网络连接至该处理器。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
本申请实施例描述的实施例是为了更加清楚的说明本申请实施例的技术方案,并不构成对于本申请实施例提供的技术方案的限定,本领域技术人员可知,随着技术的演变和新应用场景的出现,本申请实施例提供的技术方案对于类似的技术问题,同样适用。
本领域技术人员可以理解的是,图1-6中示出的技术方案并不构成对本申请实施例的限定,可以包括比图示更多或更少的步骤,或者组合某些步骤,或者不同的步骤。
以上所描述的系统实施例仅仅是示意性的,其中作为分离部件说明的单元可以是或者也可以不是物理上分开的,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。
本领域普通技术人员可以理解,上文中所公开方法中的全部或某些步骤、系统、设备中的功能模块/单元可以被实施为软件、固件、硬件及其适当的组合。
本申请的说明书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
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。
在本申请所提供的几个实施例中,应该理解到,所揭露的系统和方法,可以通过其它的方式实现。例如,以上所描述的系统实施例仅仅是示意性的,例如,上述单元的划分,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,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,系统或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
上述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元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单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元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,也可以采用软件功能单元的形式实现。
集成的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,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括多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例的方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(Read-On ly Memory,简称ROM)、随机存取存储器(Random Access Memory,简称RAM)、磁碟或者光盘等各种可以存储程序的介质。
以上参照附图说明了本申请实施例的优选实施例,并非因此局限本申请实施例的权利范围。本领域技术人员不脱离本申请实施例的范围和实质内所作的任何修改、等同替换和改进,均应在本申请实施例的权利范围之内。
Claims (10)
1.一种心电分类方法,其特征在于,所述方法包括:
对获取到的多张心电图进行预处理操作,得到源域数据集和目标域数据集;
将源域数据集输入预设的类加权宽度学习模型进行权重计算,得到源域连接权重;
将所述目标域数据集以及所述源域连接权重输入预设的域适应类加权宽度学习模型进行知识迁移,得到目标域连接权重;
根据所述源域连接权重以及所述目标域连接权重对所述域适应类加权宽度学习模型进行训练,得到心电分类模型;
将所述目标域数据集输入所述心电分类模型进行心电分类,得到分类标签。
2.根据权利要求1所述的心电分类方法,其特征在于,所述心电图包括第一心电图集和第二心电图集,其中,所述第一心电图集为历史对象的第一心电图,所述第二心电图集为特定对象的第二心电图;所述对获取到的多张心电图进行预处理操作,得到源域数据集和目标域数据集,包括:
基于预设的定位算法对所述第一心电图和所述第二心电图进行波峰检测,确定所述第一心电图中的第一R波峰以及所述第二心电图中的第二R波峰;
根据预设的信号长度对所述第一R波峰以及所述第二R波峰进行信号分割,得到多个与所述第一R波峰对应的第一心拍片段以及与所述第二R波峰对应的第二心拍片段;
对所述第一心拍片段以及所述第二心拍片段进行归一化操作;
根据归一化后的第一心拍片段生成所述源域数据集,并根据归一化后的第二心拍片段生成目标域数据集。
3.根据权利要求2所述的心电分类方法,其特征在于,在所述将源域数据集输入预设的域适应类加权宽度学习模型进行权重计算,得到源域连接权重之前,还包括:
在所述目标域数据集中,根据预设的时间区间对所述第二心拍片段进行选取,得到目标域训练数据,并将剩余的所述第二心拍片段作为目标域测试数据。
4.根据权利要求1所述的心电分类方法,其特征在于,所述将源域数据集输入预设的类加权宽度学习模型进行权重计算,得到源域连接权重,包括:
获取所述源域数据集中的源域样本类别;
对所述源域样本类别进行贴标签操作,得到与所述源域样本类别对应的源域标签矩阵;
将所述源域数据集输入所述类加权宽度学习模型进行特征计算,得到第一特征节点;
基于预设的非线性激活函数对所述第一特征节点进行计算,得到第一增强节点;
计算所述源域样本类别的第一训练权重,并对所述第一训练权重、所述第一特征节点以及所述第一增强节点进行组合,生成第一加权扩展矩阵;
根据所述第一加权扩展矩阵以及所述源域标签矩阵训练所述类加权宽度学习模型,生成源域连接权重。
5.根据权利要求3所述的心电分类方法,其特征在于,所述将所述目标域数据集以及所述源域连接权重输入预设的域适应类加权宽度学习模型进行知识迁移,得到目标域连接权重,包括:
获取所述目标域训练数据中的目标样本类别;
对所述目标样本类别进行贴标签操作,得到与所述目标样本类别对应的目标标签矩阵;
将所述目标域训练数据输入所述域适应类加权宽度学习模型进行随机特征计算,得到第二特征节点;
基于预设的非线性激活函数对所述第二特征节点进行计算,得到第二增强节点;
计算所述目标样本类别的第二训练权重,并对所述第二训练权重、所述第二特征节点以及所述第二增强节点进行组合,生成第二加权扩展矩阵;
根据所述第二加权扩展矩阵、所述源域连接权重以及所述目标标签矩阵对所述域适应类加权宽度学习模型进行训练,得到目标域连接权重。
6.根据权利要求3所述的心电分类方法,其特征在于,所述将所述目标域数据集输入所述心电分类模型进行心电分类,得到分类标签,包括:
将所述目标域测试数据输入所述心电分类模型进行节点计算,得到所述目标域测试数据的第三特征节点和第三增强节点;
对所述第三特征节点和所述第三增强节点进行节点串联,得到第三扩展矩阵;
将所述第三扩展矩阵以及所述目标域连接权重输入所述心电分类模型进行心电预测,输出预测输出矢量;
根据所述预测输出矢量确定与所述目标域测试数据对应的所述分类标签。
7.根据权利要求1所述的心电分类方法,其特征在于,所述分类标签包括如下之一:
非异位心拍;
室上性异位心拍;
室性异位心拍;
融合心拍;
未知心拍。
8.一种心电分类系统,其特征在于,所述系统包括:
数据获取模块,用于对获取到的多张心电图进行预处理操作,得到源域数据集和目标域数据集;
权重计算模块,用于将源域数据集输入预设的类加权宽度学习模型进行权重计算,得到源域连接权重;
知识迁移模块,用于将所述目标域数据集以及所述源域连接权重输入预设的域适应类加权宽度学习模型进行知识迁移,得到目标域连接权重;
模型训练模块,用于根据所述源域连接权重以及所述目标域连接权重对所述域适应类加权宽度学习模型进行训练,得到心电分类模型;
分类预测模块,用于将所述目标域数据集输入所述心电分类模型进行心电分类,得到分类标签。
9.一种电子设备,其特征在于,所述电子设备包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述的心电分类方法。
10.一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存储有计算机可执行指令,所述计算机可执行指令用于使计算机执行如权利要求1至7中任意一项所述的心电分类方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310559904.7A CN116636856A (zh) | 2023-05-18 | 2023-05-18 | 心电分类方法、系统、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310559904.7A CN116636856A (zh) | 2023-05-18 | 2023-05-18 | 心电分类方法、系统、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116636856A true CN116636856A (zh) | 2023-08-25 |
Family
ID=87642690
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310559904.7A Pending CN116636856A (zh) | 2023-05-18 | 2023-05-18 | 心电分类方法、系统、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116636856A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117576486A (zh) * | 2024-01-15 | 2024-02-20 | 广东技术师范大学 | 基于双域加权宽度学习的心电图分类方法及系统 |
-
2023
- 2023-05-18 CN CN202310559904.7A patent/CN116636856A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117576486A (zh) * | 2024-01-15 | 2024-02-20 | 广东技术师范大学 | 基于双域加权宽度学习的心电图分类方法及系统 |
CN117576486B (zh) * | 2024-01-15 | 2024-03-29 | 广东技术师范大学 | 基于双域加权宽度学习的心电图分类方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11344243B2 (en) | Artificial intelligence self-learning-based static electrocardiography analysis method and apparatus | |
JP6786536B2 (ja) | 単極誘導心電図(ecg)信号中の律動を識別するためのカスケード2値クラシファイア | |
US10980429B2 (en) | Method and system for cuffless blood pressure estimation using photoplethysmogram features and pulse transit time | |
US20230143594A1 (en) | Systems and methods for reduced lead electrocardiogram diagnosis using deep neural networks and rule-based systems | |
US11350868B2 (en) | Electrocardiogram information processing method and electrocardiogram workstation system | |
JP2020536693A (ja) | 人工知能自己学習に基づく心電図自動解析方法及び装置 | |
CN207084814U (zh) | 用于检测异常搏动的设备和系统 | |
CN109009084B (zh) | 多导联心电信号的qrs波群校验方法、装置及设备、介质 | |
Shi et al. | Inter-patient heartbeat classification based on region feature extraction and ensemble classifier | |
US20210280281A1 (en) | Ecg information processing method and ecg workstation | |
CN109394205B (zh) | 一种基于深度神经网络的心电信号分析方法 | |
CN115470828A (zh) | 基于卷积与自注意力机制的多导联心电图分类识别方法 | |
CN116636856A (zh) | 心电分类方法、系统、电子设备及存储介质 | |
CN113901893A (zh) | 基于多重级联深度神经网络的心电信号的识别与分类方法 | |
WO2021071646A1 (en) | Systems and methods for electrocardiogram diagnosis using deep neural networks and rule-based systems | |
Philip et al. | Identifying arrhythmias based on ecg classification using enhanced-PCA and enhanced-SVM methods | |
Allam et al. | A deformable CNN architecture for predicting clinical acceptability of ECG signal | |
CN115486849A (zh) | 心电信号质量评估方法、装置及设备 | |
CN116712099A (zh) | 基于多模态数据的胎心状态检测方法、电子设备、存储介质 | |
CN113229798B (zh) | 模型迁移训练方法、装置、计算机设备及可读存储介质 | |
CN110786847A (zh) | 心电信号的建库方法和分析方法 | |
CN111513702A (zh) | 心电数据的检测方法及存储介质 | |
Salah et al. | Cardiac arrhythmia classification by wavelet transform | |
Carvalho | A deep-learning classifier for cardiac arrhythmias | |
CN117547283B (zh) | 心电信号数据分类方法、装置、计算机设备及介质 |
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 |