心电信号的建库方法和分析方法技术

本发明专利技术适用于数据分析技术领域，提供了一种心电信号的建库方法和分析方法，其中，建库方法包括：获取心电信号，和所述心电信号对应的初始标签；利用所述心电信号，通过心电分析模型，得到所述心电信号的模型标签；若所述初始标签和所述模型标签不一致，则获取与所述心电信号对应的期望标签；将所述心电信号和对应的所述期望标签存储至心电信号数据库，从而解决了现有技术中构建心电信号数据库建库成本高且效率不高的问题。

The method of building and analyzing ECG database

【技术实现步骤摘要】
心电信号的建库方法和分析方法
本专利技术属于数据分析
，尤其涉及一种心电信号的建库方法和分析方法。
技术介绍
心电信号是一种心脏经胸腔的电生理活动数据，它以时间为单位，通过放置在皮肤上的电极捕捉并记录。对心电信号的自动分析技术在数十年间得到了长足发展，心电信号自动分析技术主要包括心电信号的预处理、各波形位置确定、心电信号的特征提取并通过识别算法得到检测结果等。其中识别算法一般可以分为两类：采用传统的基于规则/判据的分析方法与采用机器学习算法。传统的基于规则/判据的分析方法典型代表是采用明尼苏达码对心电信号进行分析，这种方法的优势在于与医生的诊断逻辑类似，分析结果能有很好的医学解释。缺陷也很明显，规则均是基于确定化的阈值，从统计学习理论的角度可以认为这种方法得到的模型容量十分有限，而且很难实现个性化的定制，算法性能上限低。相对于基于规则/判据的分析方法，机器学习方法作为识别方法很有优势，其中最明显的是它所具有的学习能力，它能从样本中持续学习，样本越大，算法性能越高。但目前的算法大多基于Physionet网站提供的标准数据库，本文档来自技高网...

【技术保护点】
1.一种心电信号的建库方法，其特征在于，包括：/n获取心电信号，和所述心电信号对应的初始标签；/n利用所述心电信号，通过心电分析模型，得到所述心电信号的模型标签；/n若所述初始标签和所述模型标签不一致，则获取与所述心电信号对应的期望标签；/n将所述心电信号和对应的所述期望标签存储至心电信号数据库。/n

【技术特征摘要】
1.一种心电信号的建库方法，其特征在于，包括：
获取心电信号，和所述心电信号对应的初始标签；
利用所述心电信号，通过心电分析模型，得到所述心电信号的模型标签；
若所述初始标签和所述模型标签不一致，则获取与所述心电信号对应的期望标签；
将所述心电信号和对应的所述期望标签存储至心电信号数据库。


2.如权利要求1所述的建库方法，其特征在于，利用所述心电信号，通过心电分析模型，得到所述心电信号的模型标签之前，还包括：
利用不同来源的样本心电信号及样本初始标签，基于弱监督学习方法学习得到所述心电分析模型；所述心电分析模型用于获取所述心电信号的模型标签。


3.如权利要求2所述的建库方法，其特征在于，利用不同来源的样本心电信号及样本初始标签，基于弱监督学习方法学习得到所述心电分析模型，包括：
对不同来源的所述样本心电信号及所述样本初始标签，进行数据清洗；
利用进行数据清洗后的所述样本心电信号及样本初始标签，基于弱监督学习方法学习得到所述心电分析模型。


4.如权利要求2或3所述的建库方法，其特征在于，利用所述样本心电信号及样本初始标签，基于弱监督学习方法学习得到所述心电分析模型，包括：
从不同来源的样本心电信号中筛选出信号质量满足预设条件，且具有对应的初始标签的样本心电信号；
预处理筛选出的所述样本心电信号，得到预处理后的样本心电信号；结构化所述样本心电信号对应的样本初始标签，得到结构化的样本初始标签；
利用预处理后的样本心电信号及结构化的样本初始标签，基于弱监督学习方法学习得到所述心电分析模型。


5.如权利要求4所述的建库方法，其特征在于，预处理筛选出的所述心电信号，得到预处理后的心电信号，包括：
将所述样本心电信号的采样率转换成预设采样率，将所述样本心电信号的采样精度转换成预设...

【专利技术属性】
技术研发人员：周雅琪，周峰，欧凤，
申请(专利权)人：深圳市理邦精密仪器股份有限公司，
类型：发明
国别省市：广东;44