心电图数据质量评价方法及装置制造方法及图纸

本发明专利技术公开了一种心电图数据质量评价方法及装置，涉及一种数据处理技术领域，主要目的在于解决现有采集的心电数据质量参差不齐，降低心电图监测结果的确定效率，浪费大量人力资源进行排查的问题。主要技术方案：获取待评价的心电图数据，并通过预先训练好的变分自编码器对所述心电图数据进行采样，得到心电图数据的隐变量参数；将所述隐变量参数作为群体心电样本特征进行降维处理；通过无监督聚类算法对降维处理后的群体心电样本特征进行聚类，并计算聚类后得到的样本特征到聚类中心点的距离，将所述距离作为预设质量评分公式的计算参数进行计算，得到所述心电图数据的质量评价结果。

【技术实现步骤摘要】
心电图数据质量评价方法及装置
本专利技术涉及一种数据处理
，特别是涉及一种心电图数据质量评价方法及装置。
技术介绍
随着电子科技的不断发展，智能电子设备已经广泛应用至各个领域中，如便携式心电仪可以随时随地的为用户进行心电图检测。目前，现有在使用单导心电图机、便携式心电仪、带有心电检测模块的智能穿戴设备等进行心电图检测时，由于没有专业医生或护士的指导，用户在家自行检测时存在较大的随意性，如身体姿势不对、测量中出现晃动、电磁干扰、设备放置位置不当等情况，会导致测量出的心电数据质量参差不齐，当利用这些质量差、价值低的心电数据时，会使得医生、咨询师浪费大量时间查看、分辨这些无用数据，降低心电图监测结果的确定效率，并且，工程师在利用这些无用数据进行挖掘之前还需要人工排查清洗，浪费大量的人力资源。
技术实现思路
有鉴于此，本专利技术提供一种心电图数据质量评价方法及装置，主要目的在于解决现有采集的心电数据质量参差不齐，降低心电图监测结果的确定效率，浪费大量人力资源进行排查的问题。依据本专利技术一个方面，提供了一种心电图数据质量评价方法，包括：获取待评价的心电图数据，并通过预先训练好的变分自编码器对所述心电图数据进行采样，得到心电图数据的隐变量参数，所述预先训练好的变分自编码为利用变分推断方式对心电图数据进行训练的神经网络模型；将所述隐变量参数作为群体心电样本特征进行降维处理；通过无监督聚类算法对降维处理后的群体心电样本特征进行聚类，并计算聚类后得到的样本特征到聚类中心点的距离，将所述距离作为预设质量评分公式的计算参数进行计算，得到所述心电图数据的质量评价结果。进一步地，所述方法还包括：利用预先存储的原始心电图数据对变分自编码器神经网络进行变分推断方式模型训练，得到变分自编码器；判断所述变分自编码器的评估值是否符合预设评估条件，若符合，则将所述变分自编码器确定为训练好的变分自编码器。进一步地，所述利用预先存储的原始心电图数据对变分自编码器神经网络进行变分推断方式模型训练，得到变分自编码器包括：通过变分自编码器神经网络中的卷积下采样模块获取数据库中预先存储的原始心电图数据；利用所述变分自编码器神经网络中的隐藏模块中的卷积层与池化层对所述原始心电图数据进行卷积池化采样编码，得到隐变量参数，所述编码为通过所述原始心电图数据的先验分布求解所述隐变量参数的后验分布；利用所述变分自编码器神经网络中的反卷积上采样模块中的卷积层上采样后结合全连接层依次输送至softmax层中进行解码，得到还原心电图数据，所述解码为通过所述隐变量参数的先验分布求解所述还原心电图数据的后验分布；利用预设的相似度函数对所述原始心电图数据及所述还原心电图数据计算相似度，作为训练好的变分自编码器的评估值。进一步地，所述通过无监督聚类算法对降维处理后的群体心电样本特征进行聚类，并计算聚类后得到的样本特征到聚类中心点的距离，将所述距离作为预设质量评分公式的计算参数进行计算，得到所述心电图数据的质量评价结果包括：通过Kmeans聚类算法对降维处理后群体心电样本特征进行聚类，并根据欧几里得距离计算聚类后得到的群体心电样本特征到聚类中心点的距离，将所述距离作为预设质量评分公式的计算参数进行计算，得到所述心电图数据的质量评价结果，所述预设质量评分公式为x为所述距离。进一步地，所述方法还包括：若所述变分自编码器的评估值不符合预设评估条件，则重新执行获取数据库中预先存储的原始心电图数据的步骤，并通过迭代训练编码与解码的过程重新计算出训练变反自编码器的评估值。依据本专利技术一个方面，提供了一种心电图数据质量评价装置，包括：采样单元，用于获取待评价的心电图数据，并通过预先训练好的变分自编码器对所述心电图数据进行采样，得到心电图数据的隐变量参数，所述预先训练好的变分自编码为利用变分推断方式对心电图数据进行训练的神经网络模型；降维单元，用于将所述隐变量参数作为群体心电样本特征进行降维处理；计算单元，用于通过无监督聚类算法对降维处理后的群体心电样本特征进行聚类，并计算聚类后得到的样本特征到聚类中心点的距离，将所述距离作为预设质量评分公式的计算参数进行计算，得到所述心电图数据的质量评价结果。进一步地，所述装置还包括：训练单元，用于利用预先存储的原始心电图数据对变分自编码器神经网络进行变分推断方式模型训练，得到变分自编码器；确定单元，判断所述变分自编码器的评估值是否符合预设评估条件，若符合，则将所述变分自编码器确定为训练好的变分自编码器。进一步地，所述训练单元包括：获取模块，用于通过变分自编码器神经网络中的卷积下采样模块获取数据库中预先存储的原始心电图数据；编码模块，用于利用所述变分自编码器神经网络中的隐藏模块中的卷积层与池化层对所述原始心电图数据进行卷积池化采样编码，得到隐变量参数，所述编码为通过所述原始心电图数据的先验分布求解所述隐变量参数的后验分布；解码模块，用于利用所述变分自编码器神经网络中的反卷积上采样模块中的卷积层上采样后结合全连接层依次输送至softmax层中进行解码，得到还原心电图数据，所述解码为通过所述隐变量参数的先验分布求解所述还原心电图数据的后验分布；计算模块，用于利用预设的相似度函数对所述原始心电图数据及所述还原心电图数据计算相似度，作为训练好的变分自编码器的评估值。进一步地，所述计算单元，具体用于通过Kmeans聚类算法对降维处理后群体心电样本特征进行聚类，并根据欧几里得距离计算聚类后得到的群体心电样本特征到聚类中心点的距离，将所述距离作为预设质量评分公式的计算参数进行计算，得到所述心电图数据的质量评价结果，所述预设质量评分公式为x为所述距离。进一步地，所述装置还包括：执行单元，用于若所述变分自编码器的评估值不符合预设评估条件，则重新执行获取数据库中预先存储的原始心电图数据的步骤，并通过迭代训练编码与解码的过程重新计算出训练变反自编码器的评估值。根据本专利技术的又一方面，提供了一种存储介质，所述存储介质中存储有至少一可执行指令，所述可执行指令使处理器执行如上述心电图数据质量评价方法对应的操作。根据本专利技术的再一方面，提供了一种终端，包括：处理器、存储器、通信接口和通信总线，所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信；所述存储器用于存放至少一可执行指令，所述可执行指令使所述处理器执行上述心电图数据质量评价方法对应的操作。借由上述技术方案，本专利技术实施例提供的技术方案至少具有下列优点：本专利技术提供了一种心电图数据质量评价方法及装置，首先获取待评价的心电图数据，并通过预先训练好的变分自编码器对所述心电图数据进行采样，得到心电图数据的隐变量参数，所述预先训练好的变分自编码为利用变分推断方式对心电图数据进行训练的神经网络模型，然后将所述隐变量参数作为群体心电样本特征进行降维处理，在通过无监督聚类算法对降维处理后的群体心电样本特征进行聚类，并计算聚类后得到的样本特征到聚类中心点的距离，将所述距离作为预设质量评分公式的计算参数进行计算，得到所述心电图数据的质量评价结果。与现有采集的心电数据质量参差不齐，降低心电图监测结果的确定效率，浪费大量人力资源进行排查相比，本专利技术实施例通过采用深度学习训练的变分自编码器可以较高的将高低质量的心电图数据区分开，对待进行评价的本文档来自技高网...

【技术保护点】
1.一种心电图数据质量评价方法，其特征在于，包括：获取待评价的心电图数据，并通过预先训练好的变分自编码器对所述心电图数据进行采样，得到心电图数据的隐变量参数，所述预先训练好的变分自编码为利用变分推断方式对心电图数据进行训练的神经网络模型；将所述隐变量参数作为群体心电样本特征进行降维处理；通过无监督聚类算法对降维处理后的群体心电样本特征进行聚类，并计算聚类后得到的样本特征到聚类中心点的距离，将所述距离作为预设质量评分公式的计算参数进行计算，得到所述心电图数据的质量评价结果。

【技术特征摘要】
1.一种心电图数据质量评价方法，其特征在于，包括：获取待评价的心电图数据，并通过预先训练好的变分自编码器对所述心电图数据进行采样，得到心电图数据的隐变量参数，所述预先训练好的变分自编码为利用变分推断方式对心电图数据进行训练的神经网络模型；将所述隐变量参数作为群体心电样本特征进行降维处理；通过无监督聚类算法对降维处理后的群体心电样本特征进行聚类，并计算聚类后得到的样本特征到聚类中心点的距离，将所述距离作为预设质量评分公式的计算参数进行计算，得到所述心电图数据的质量评价结果。2.根据权利要求1所述的方法，其特征在于，所述方法还包括：利用预先存储的原始心电图数据对变分自编码器神经网络进行变分推断方式模型训练，得到变分自编码器；判断所述变分自编码器的评估值是否符合预设评估条件，若符合，则将所述变分自编码器确定为训练好的变分自编码器。3.根据权利要求2所述的方法，其特征在于，所述利用预先存储的原始心电图数据对变分自编码器神经网络进行变分推断方式模型训练，得到变分自编码器包括：通过变分自编码器神经网络中的卷积下采样模块获取数据库中预先存储的原始心电图数据；利用所述变分自编码器神经网络中的隐藏模块中的卷积层与池化层对所述原始心电图数据进行卷积池化采样编码，得到隐变量参数，所述编码为通过所述原始心电图数据的先验分布求解所述隐变量参数的后验分布；利用所述变分自编码器神经网络中的反卷积上采样模块中的卷积层上采样后结合全连接层依次输送至softmax层中进行解码，得到还原心电图数据，所述解码为通过所述隐变量参数的先验分布求解所述还原心电图数据的后验分布；利用预设的相似度函数对所述原始心电图数据及所述还原心电图数据计算相似度，作为训练好的变分自编码器的评估值。4.根据权利要求3所述的方法，其特征在于，所述通过无监督聚类算法对降维处理后的群体心电样本特征进行聚类，并计算聚类后得到的样本特征到聚类中心点的距离，将所述距离作为预设质量评分公式的计算参数进行计算，得到所述心电图数据的质量评价结果包括：通过Kmeans聚类算法对降维处理后群体心电样本特征进行聚类，并根据欧几里得距离计算聚类后得到的群体心电样本特征到聚类中心点的距离，将所述距离作为预设质量评分公式的计算参数进行计算，得到所述心电图数据的质量评价结果，所述预设质量评分公式为x为所述距离。5.根据权利要求4所述的方法，其特征在于，所述方法还包括：若所述变分自编码器的评估值不符...

【专利技术属性】
技术研发人员：邓开峰，
申请(专利权)人：深圳竹信科技有限公司，
类型：发明
国别省市：广东,44