一种自学习的心电图模板分类模型更新系统及方法技术方案

本发明专利技术公开了一种自学习的心电图模板分类模型更新系统及方法，该自学习的心电图模板分类模型更新系统包括：模板自动分类模块、跟踪模块和操作热度匹配模块；模板自动分类模块，用于根据模板分类模型对原始心电图数据进行分类，得到至少一个至分类结果，每一分类结果包括多个事件；跟踪模块，用于记录人工的操作，所述操作与每一事件对应；操作热度匹配模块，用于根据热度匹配模型，对操作进行热度排序，并生成操作热度对照表；模板自动分类模块，还用于根据热度对照表对模板分类模型进行更新。

A self-learning ECG template classification model updating system and method

The invention discloses a self-learning ECG template classification model updating system and method. The self-learning ECG template classification model updating system includes: template automatic classification module, tracking module and operation heat matching module; template automatic classification module, which is used for original ECG number according to template classification model. According to the classification, at least one to one classification result is obtained, each classification result includes multiple events; tracking module is used to record manual operation, which corresponds to each event; operation heat matching module is used to sort operations according to the heat matching model, and generate operation heat comparison table; The template automatic classification module is also used to update the template classification model according to the heat comparison table.

【技术实现步骤摘要】
一种自学习的心电图模板分类模型更新系统及方法
本专利技术涉及人工智能数据分析的
，具体涉及一种自学习的心电图模板分类模型更新系统及方法。
技术介绍
当前心博分类则是依据固定的分类标准进行分类，使得分类结果不准确，且当前的分类结果只与当前的心电图的数据有关，所以每一次的分类的结果都不能进行借鉴，因此，不能有效提高根据对固定的分类标准进行分类的准确率。
技术实现思路
本专利技术的目的在于提供一种自学习的心电图模板分类模型更新系统及方法，用以解决现有技术中存在的问题。为实现上述目的，本专利技术的技术方案为一种自学习的心电图模板分类模型更新系统，该自学习的心电图模板分类模型更新系统，包括：模板自动分类模块、跟踪模块和操作热度匹配模块；模板自动分类模块，用于根据模板分类模型对原始心电图数据进行分类，得到至少一个至分类结果，每一分类结果包括多个事件；跟踪模块，用于记录人工的操作，操作与每一事件对应；操作热度匹配模块，用于根据热度匹配模型，对操作进行热度排序，并生成操作热度对照表；模板自动分类模块，还用于根据热度对照表对模板分类模型进行更新，更新模板分类模型。可选的，跟踪模块，包括：模块板合并跟踪单元，和/或、模模板块拆分跟踪单元，和/或、叠加图框选展开跟踪单元，和/或、单心搏校正跟踪单元，和/或全导图标定跟踪单元；其中，模模板块合并跟踪单元，用于记录当第一分类结果中的任一事件的特征和第二分类结果中的任一事件的特征相同，人工将第一分类结果对应的分类模板和第二分类结果对应的模板进行合并的操作；其中，至少一个分类结果包括第二分类结果和第二分类结果；和/或，模模板拆分跟踪单元，用于记录当每一分类结果中的任一事件的特征与每一分类结果中的除任一事件的特征不同时，人工将每一分类结果对应的分类模板进行拆分操作。可选的，模板自动分类模块，具体用于：根据神经网络对操作热度对照表中的数据进行训练，更新模板分类模型。可选的，神经网络为8级神经网络。为实现上述目的，本专利技术的技术方案为一种自学习的心电图模板分类模型更新方法，该自学习的心电图模板分类模型更新方法，包括：根据模板分类模型对原始心电图数据进行分类，得到至少一个至分类结果，每一分类结果包括多个事件；记录人工的操作，操作与每一事件对应；根据热度匹配模型，对操作进行热度排序，并生成操作热度对照表；根据热度对照表跟新的模板分类模型，对原始心电图数据进行分类，更新模板分类模型。可选的，用于根据分类结果中的每一事件的特征进行操作，包括：记录当第一分类结果中的任一事件的特征和第二分类结果中的任一事件的特征相同，人工将第一分类结果对应的分类模板和第二分类结果对应的模板进行合并的操作；其中，至少一个分类结果包括第二分类结果和第二分类结果；和/或，记录当每一分类结果中的任一事件的特征与每一分类结果中的除任一事件的特征不同时，人工将每一分类结果对应的分类模板进行拆分的操作。可选的，根据热度对照表跟新的模板分类模型，对原始心电图数据进行分类，更新模板分类模型，包括：根据神经网络对操作热度对照表中的数据进行训练，更新模板分类模型。可选的，神经网络为8级神经网络。本专利技术具有如下优点：依据历史分类结果和当前分类结果，对模板分类模型进行优化，进而进一步能优化分类结果，同时也能提高分类的准确率。附图说明图1为本专利技术实施例提供了一种自学习的心电图模板分类模型更新系统的结构示意图。图2为本专利技术实施例提供了一种自学习的心电图模板分类模型更新方法的流程图。具体实施方式以下实施例用于说明本专利技术，但不用来限制本专利技术的范围。实施例1图1为本专利技术实施例提供了一种自学习的心电图模板分类模型更新系统的结构示意图。如图1所示，该自学习的心电图模板分类模型更新系统包括：模板自动分类模块10、跟踪模块20和操作热度匹配模块30。模板自动分类模块10，用于根据模板分类模型对原始心电图数据进行分类，得到至少一个至分类结果，每一分类结果包括多个事件；跟踪模块20，用于记录人工的操作，操作与每一事件对应；操作热度匹配模块30，用于根据热度匹配模型，将操作进行热度排序，并生成操作热度对照表；模板自动分类模块10，还用于根据热度对照表，对模板分类模型进行更新。在本专利技术实施例中，每一事件都有自身的特征，在操作热度匹配模块30进行匹配的过程中，则是根据每一事件的特征与操作之间的对应关系进行综合，进而得到每一操作的热度，进而生成操作热度对照表。在本专利技术实施例中，则是根据热度对照表对模板分类模型进行更新，便于后续进行分类的时候，分类得更准确。此外也不是每一次，都会根据热度对照表都会更新模板分类模型，在热度对照表上，都会对医生的每一次操作进行权重评估，如果权重较高，则会立即对模板分类模型进行更新，如果权重不高，则会暂缓对模板分类模型的更新，更新的时间不是固定的，则是与要求分类的准确度和分类的要求相关。此外，热度对照表上的历史数据不会因为当前更新的数据而消失，而是在历史数据的基础上与当前更新的数据进行合并。跟踪模块20，包括：模板合并跟踪单元21，和/或模板拆分跟踪单元22；其中，模模板合并跟踪单元21，用于当第一分类结果中的任一事件的特征和第二分类结果中的任一事件的特征相同，跟踪记录人工将第一分类结果对应的分类模板和第二分类结果对应的模板进行合并的操作；其中，至少一个分类结果包括第二分类结果和第二分类结果；和/或，模板拆分跟踪单元22，用于当每一分类结果中的任一事件的特征与每一分类结果中的除任一事件的特征不同时，跟踪记录人工将每一分类结果对应的分类模板进行拆分的操作。可选的，跟踪模块20，还包括：叠加图框选展开跟踪单元23，和/或单心搏校正跟踪单元24，和/或全导图标定跟踪单元25。其中，叠加图框选展开跟踪单元23，用于跟踪医生对分类结果中的叠加图中的局部进行框选，然后展开框选的心博的操作。单心搏校正跟踪单元24，用于跟踪医生对分类结果中的单心博进行校正的操作。全导图标定跟踪单元25，用于跟踪医生对全导图标定的操作。需要说明的是，叠加图框选展开、单心搏校正和全导图标定操作，都是由医生操作的，上述操作为常规操作，在此不赘述。此外，上述的操作，也会由操作热度匹配模块30根据热度匹配模型，将叠加图框选展开、单心搏校正和全导图标定操作操作进行热度排序，并生成操作热度对照表，进而再由生成的热度对照表对模板分类模型进行优化。可选的，模板自动分类模块21，还用于：根据神经网络对操作热度对照表中的数据进行训练，更新模板分类模型。在本专利技术实施例中模板分类模型为8级模板分类模型，也可以为6级模板分类模型，在此不限定。实施例2图2为本专利技术实施例提供了一种自学习的心电图模板分类模型更新方法的流程图。如图2所示，该自学习的心电图模板分类模型更新方法包括以下步骤：步骤S201：根据模板分类模型对原始心电图数据进行分类，得到至少一个至分类结果，每一分类结果包括多个事件；步骤S202：根据分类结果中的每一事件的特征进行操作；具体地，用于根据分类结果中的每一事件的特征进行操作，包括：当第一分类结果中的任一事件的特征和第二分类结果中的任一事件的特征相同，将第一分类结果对应的分类模板和第二分类结果对应的模板进行合并操作；其中，至少一个分类结果包括第二分类结果和第二分类结果；和/或，当每一分类结本文档来自技高网...

【技术保护点】
1.一种自学习的心电图模板分类模型更新系统，其特征在于，所述系统，包括：模板自动分类模块、跟踪模块和操作热度匹配模块；所述模板自动分类模块，用于根据模板分类模型对原始心电图数据进行分类，得到至少一个至分类结果，每一分类结果包括多个事件；所述跟踪模块，用于记录人工的操作，所述操作与每一事件对应；所述操作热度匹配模块，用于根据热度匹配模型，对操作操作进行热度排序，并生成操作热度对照表；所述模板自动分类模块，还用于根据所述热度对照表对模板分类模型进行更新。

【技术特征摘要】
1.一种自学习的心电图模板分类模型更新系统，其特征在于，所述系统，包括：模板自动分类模块、跟踪模块和操作热度匹配模块；所述模板自动分类模块，用于根据模板分类模型对原始心电图数据进行分类，得到至少一个至分类结果，每一分类结果包括多个事件；所述跟踪模块，用于记录人工的操作，所述操作与每一事件对应；所述操作热度匹配模块，用于根据热度匹配模型，对操作操作进行热度排序，并生成操作热度对照表；所述模板自动分类模块，还用于根据所述热度对照表对模板分类模型进行更新。2.根据权利要求1所述的系统，其特征在于，所述跟踪模块，包括：模板合并跟踪单元，和/或模模板拆分跟踪单元，和/或叠加图框选展开跟踪单元，和/或单心搏校正跟踪单元，和/或全导图标定跟踪单元；其中，所述模模板合并跟踪单元，用于记录当第一分类结果中的任一事件的特征和第二分类结果中的任一事件的特征相同，人工将第一分类结果对应的分类模板和第二分类结果对应的模板进行合并的操作；其中，至少一个分类结果包括第二分类结果和第二分类结果；和/或，所述模模板拆分跟踪单元，用于记录当每一分类结果中的任一事件的特征与每一分类结果中的除任一事件的特征不同时，人工将每一分类结果对应的分类模板进行拆分的操作。3.根据权利要求1所述的系统，其特征在于，所述模板自动分类模块，具体用于：根据神经网络对操作热度对照表中的数据...

【专利技术属性】
技术研发人员：肖汉，李强，罗逸飞，穆峰，曲仕辉，张晓欣，
申请(专利权)人：希蓝科技北京有限公司，
类型：发明
国别省市：北京,11