心电图数据处理方法、装置、电子设备及计算机可读介质制造方法及图纸

本公开涉及一种心电图数据处理方法、装置、电子设备及计算机可读介质。该方法包括：获取心电图数据，心电图数据包括至少一个导联信号；通过神经网络模型对心电图数据进行处理，获得心电图数据的分类结果。本公开涉及的心电图数据处理方法、装置、电子设备及计算机可读介质，根据各导联信号的多尺度特征向量确定各导联信号的权重，以对根据权重获得的目标特征向量进行处理，能够抵抗导联错位对分类结果的干扰，获得高鲁棒性与高准确性的心电图数据的分类结果。

ECG data processing methods, devices, electronic equipment and computer readable media

【技术实现步骤摘要】
心电图数据处理方法、装置、电子设备及计算机可读介质
本公开涉及神经网络计算领域，具体而言，涉及一种心电图数据处理方法、装置、电子设备及计算机可读介质。
技术介绍
医学是关系到人类生命健康的重要学科，其中心血管疾病是医学领域中的一类极为重要的疾病。心血管病在疾病中的死亡率居首位，高于肿瘤等其他疾病，占居民疾病死亡构成的40％以上。同时，随着人口老龄化及城镇化的加速，心血管病危险因素流行趋势变得更加明显，心血管病的发病人数快速增长，使得中国心血管病负担日渐加重。其中，心脏疾病是心血管疾病中占重要地位的一大类疾病。常见的心脏疾病包括心房颤动、窦性心律不齐、室性早搏、房性早搏等疾病。心电图测量了心肌的电生理活动，反映了心脏的电去极化和复极化的过程。心电图是临床诊断心律失常便捷而又有效的方式，同时也广泛应用于当前的临床实践中。临床医疗中往往使用12导联(由AVR，AVF，AVL，I，II，III，V1-V6导联构成)的标准心电图，各个导联的波形分别反映心脏的一部分情况。图12示意性示出了12导联心电图的导联信号的示意图。12导联心电图一般由四肢的4个导联电极和胸前的6个导联电极测量得到。当导联电极电线正确连接时，心脏病医生和现有的一些计算机辅助识别系统都能根据心电图做出较为正确的判断。但是，在心电图测量的日常工作中，导联电极电线错接(即导联错位)的情况时有发生。导联错位会导致心电图波形出现疾病以外的改变，或者可能使一个导联的波形出现在另一个导联中。导联错位会对心脏病医生以及计算机辅助系统通过心电图对心脏疾病的判断造成影响，可能会导致错误的诊断，进而导致一些不必要的额外检查和诊断或者导致对疾病的漏诊，甚至导致临床上错误的处理决定。由于心脏疾病普遍的紧急性和危重性，这种错误的发生将导致严重的后果。因此，需要一种新的心电图数据处理方法、装置、电子设备及计算机可读介质。在所述
技术介绍
部分公开的上述信息仅用于加强对本公开的背景的理解，因此它可以包括不构成对本领域普通技术人员已知的相关技术的信息。
技术实现思路
有鉴于此，本公开实施例提供一种心电图数据处理方法、装置、电子设备及计算机可读介质，通过具有残差模块的神经网络模型对待处理图像进行处理，能够获得高准确性和鲁棒性的临床靶区勾画结果。本公开的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本公开的实践而习得。根据本公开的一方面，提出一种心电图数据处理方法，该方法包括：获取心电图数据，所述心电图数据包括至少一个导联信号；通过神经网络模型对所述心电图数据进行处理，获得所述心电图数据的分类结果；其中包括：对各导联信号进行特征提取，获得所述各导联信号的多尺度特征向量；根据所述各导联信号的多尺度特征向量确定所述各导联信号的权重；根据所述各导联信号的所述权重和所述多尺度特征向量确定所述心电图数据的目标特征向量；通过防过拟合层和全连接层依次对所述目标特征向量进行处理，获得所述心电图数据的分类结果。在本公开的一种示例性实施例中，对各导联信号进行特征提取，获得所述各导联信号的多尺度特征向量，包括：通过预激活模块对各导联信号进行处理，获得所述各导联信号的激活向量；通过第一残差模块对所述各导联信号的激活向量进行处理，获得第一尺度特征向量；通过第二残差模块对所述各导联信号的所述第一尺度特征向量进行处理，获得第二尺度特征向量；对所述第一尺度特征向量和所述第二尺度特征向量进行拼接，获得所述各导联信号的多尺度特征向量。在本公开的一种示例性实施例中，根据所述各导联信号的多尺度特征向量确定所述各导联信号的权重，包括：通过激活函数对所述各导联信号的多尺度特征向量进行处理，获得各导联信号的激活特征向量；对第一向量和所述各导联信号的激活特征向量进行内积运算；对内积运算结果进行归一化处理，获得所述各导联信号的权重。在本公开的一种示例性实施例中，根据所述各导联信号的所述权重和所述多尺度特征向量确定所述心电图数据的目标特征向量，包括：对所述各导联信号的权重与多尺度特征向量进行加权求和；通过激活函数对加权求和结果进行处理，获得所述心电图数据的目标特征向量。在本公开的一种示例性实施例中，获取心电图数据包括：对所述至少一个导联信号进行补全处理，获得具有预定长度的至少一个导联信号；和/或对所述至少一个导联信号进行截断处理，获得具有预定长度的至少一个导联信号。在本公开的一种示例性实施例中，所述方法还包括：获取训练样本集，所述训练样本集包括心电图数据与分类标注；通过所述神经网络模型对所述心电图数据进行处理，获得训练分类结果；通过所述训练分类结果和所述分类标注对所述神经网络模型进行训练，获得训练后的所述神经网络模型。在本公开的一种示例性实施例中，通过所述训练分类结果和所述分类标注对所述神经网络模型进行训练，获得训练后的所述神经网络模型，包括：通过所述训练分类结果和所述分类标注确定交叉熵损失函数；根据所述交叉熵损失函数对所述神经网络模型进行训练，获得训练后的所述神经网络模型。根据本公开的一方面，提出一种心电图数据处理装置，包括：数据获取模块，用于获取心电图数据，所述心电图数据包括至少一个导联信号；数据处理模块，用于通过神经网络模型对所述心电图数据进行处理，获得所述心电图数据的分类结果；其中包括：特征提取单元，用于对各导联信号进行特征提取，获得所述各导联信号的多尺度特征向量；权重计算单元，用于根据所述各导联信号的多尺度特征向量确定所述各导联信号的权重；特征向量生成单元，用于根据所述各导联信号的所述权重和所述多尺度特征向量确定所述心电图数据的目标特征向量；分类结果生成单元，用于通过防过拟合层和全连接层依次对所述目标特征向量进行处理，获得所述心电图数据的分类结果。根据本公开的一方面，提出一种电子设备，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；当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现如上文中所述的方法。根据本公开的一方面，提出一种计算机可读介质，其上存储有计算机程序，该程序被处理器执行时实现如上文中所述的方法。根据本公开一些实施例提供的心电图数据处理方法、装置、电子设备及计算机可读介质，通过获得各导联信号的多尺度特征向量，并进行后续处理，能够充分利用各导联信号的局部特征与全局特征。同时，根据各导联信号的多尺度特征向量确定各导联信号的权重，能够不受导联错位的干扰，正确地获得各个导联信号的权重，并根据各导线信号的权重与多尺度特征向量进行后续处理，进而能够抵抗导联错位对分类结果的干扰，获得高鲁棒性与高准确性的心电图数据的分类结果。应当理解的是，以上的一般描述和后文的细节描述仅是示例性的，并不能限制本公开。附图说明通过参照附图详细描述其示例实施例，本公开的上述和其它目标、特征及优点将变得更加显而易见。下面描述的附图仅仅是本公开的一些实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。图1是根据一示例性实施例示出的一种心电图数据处理方法的本文档来自技高网...

【技术保护点】
1.一种心电图数据处理方法，其特征在于，包括：/n获取心电图数据，所述心电图数据包括至少一个导联信号；/n通过神经网络模型对所述心电图数据进行处理，获得所述心电图数据的分类结果；其中包括：/n对各导联信号进行特征提取，获得所述各导联信号的多尺度特征向量；/n根据所述各导联信号的多尺度特征向量确定所述各导联信号的权重；/n根据所述各导联信号的所述权重和所述多尺度特征向量确定所述心电图数据的目标特征向量；/n通过防过拟合层和全连接层依次对所述目标特征向量进行处理，获得所述心电图数据的分类结果。/n

【技术特征摘要】
1.一种心电图数据处理方法，其特征在于，包括：
获取心电图数据，所述心电图数据包括至少一个导联信号；
通过神经网络模型对所述心电图数据进行处理，获得所述心电图数据的分类结果；其中包括：
对各导联信号进行特征提取，获得所述各导联信号的多尺度特征向量；
根据所述各导联信号的多尺度特征向量确定所述各导联信号的权重；
根据所述各导联信号的所述权重和所述多尺度特征向量确定所述心电图数据的目标特征向量；
通过防过拟合层和全连接层依次对所述目标特征向量进行处理，获得所述心电图数据的分类结果。


2.如权利要求1所述的方法，其特征在于，对各导联信号进行特征提取，获得所述各导联信号的多尺度特征向量，包括：
通过预激活模块对各导联信号进行处理，获得所述各导联信号的激活向量；
通过第一残差模块对所述各导联信号的激活向量进行处理，获得第一尺度特征向量；
通过第二残差模块对所述各导联信号的所述第一尺度特征向量进行处理，获得第二尺度特征向量；
对所述第一尺度特征向量和所述第二尺度特征向量进行拼接，获得所述各导联信号的多尺度特征向量。


3.如权利要求1所述的方法，其特征在于，根据所述各导联信号的多尺度特征向量确定所述各导联信号的权重，包括：
通过激活函数对所述各导联信号的多尺度特征向量进行处理，获得各导联信号的激活特征向量；
对第一向量和所述各导联信号的激活特征向量进行内积运算；
对内积运算结果进行归一化处理，获得所述各导联信号的权重。


4.如权利要求1-3任一项所述的方法，其特征在于，根据所述各导联信号的所述权重和所述多尺度特征向量确定所述心电图数据的目标特征向量，包括：
对所述各导联信号的权重与多尺度特征向量进行加权求和；
通过激活函数对加权求和结果进行处理，获得所述心电图数据的目标特征向量。


5.如权利要求1所述的方法，其特征在于，获取心电图数据包括：
对所述至少一个导联信号进行补全处理，获得具有...

【专利技术属性】
技术研发人员：曹正，吴及，
申请(专利权)人：清华大学，
类型：发明
国别省市：北京;11