心电数据处理方法、装置、可穿戴设备及存储介质制造方法及图纸

本公开是关于一种心电数据处理方法、装置、可穿戴设备及存储介质，该方法包括：获取第一心电数据；通过预先基于Squeeze‑Excitation块技术构建ResNet架构的深度学习网络，对所述第一心电数据进行去噪声处理，得到第二心电数据；将所述第二心电数据输入到预先训练的回归模型中，得到所述回归模型的输出结果，所述输出结果用于表征所述第二心电数据与预设分类之间的匹配程度参数；基于所述输出结果确定所述第一心电数据对应的预设分类。本公开可以实现剔除受噪声污染的心电数据，提高所获取的心电数据的准确度。并且，可以确定第二心电数据与预设分类之间的匹配程度参数，进而实现对第一心电数据进行分类，提高对心电数据分类的准确性。

【技术实现步骤摘要】
心电数据处理方法、装置、可穿戴设备及存储介质
本公开涉及可穿戴
，尤其涉及一种心电数据处理方法、装置、可穿戴设备及存储介质。
技术介绍
心电(Electrocardiogram，简称ECG)数据可以反映心脏兴奋的电活动过程，对评估心脏基本功能和病理研究具有重要的参考价值。随着可穿戴技术的发展，利用可穿戴技术来检测心电数据引起了越来越多用户的关注。目前可检测心电数据的可穿戴设备包括手环、手表、胸贴以及智能衣服等，为用户进行自助式的心电数据检测提供了极大的方便。然而，现有的可穿戴设备在检测用户的心电数据过程中容易受多种因素(如，用户处于运动状态、皮肤干燥、肌电干扰或可穿戴设备上传感器自身的电极干扰等)的影响，导致所采集的心电数据不够准确。并且，由于心电波形的个体差异性较大，现有的可穿戴设备中用于进行心电数据分类的全局分类器过于单一，不具备普适性，无法对用户的心电数据进行准确的分类。
技术实现思路
为克服相关技术中存在的问题，本公开实施例提供一种心电数据处理方法、装置、可穿戴设备及存储介质，以解决相关技术中的本文档来自技高网...

【技术保护点】
1.一种心电数据处理方法，其特征在于，包括：/n获取第一心电数据；/n通过预先基于Squeeze-Excitation块技术构建ResNet架构的深度学习网络，对所述第一心电数据进行去噪声处理，得到第二心电数据；/n将所述第二心电数据输入到预先训练的回归模型中，得到所述回归模型的输出结果，所述输出结果用于表征所述第二心电数据与预设分类之间的匹配程度参数；/n基于所述输出结果确定所述第一心电数据对应的预设分类。/n

【技术特征摘要】
1.一种心电数据处理方法，其特征在于，包括：
获取第一心电数据；
通过预先基于Squeeze-Excitation块技术构建ResNet架构的深度学习网络，对所述第一心电数据进行去噪声处理，得到第二心电数据；
将所述第二心电数据输入到预先训练的回归模型中，得到所述回归模型的输出结果，所述输出结果用于表征所述第二心电数据与预设分类之间的匹配程度参数；
基于所述输出结果确定所述第一心电数据对应的预设分类。


2.根据权利要求1所述的方法，其特征在于，所述将所述第二心电数据输入到预先训练的回归模型中，得到所述回归模型的输出结果，包括：
将所述第二心电数据输入到预先训练的单标签回归模型中，得到所述第一心电数据属于预设分类的概率。


3.根据权利要求1所述的方法，其特征在于，所述将所述第二心电数据输入到预先训练的回归模型中，得到所述回归模型的输出结果，包括：
将所述第二心电数据输入到预先训练的多标签回归模型中，得到所述第一心电数据属于多个预设分类中每个预设分类的概率。


4.根据权利要求1所述的方法，其特征在于，所述通过预先基于Squeeze-Excitation块技术构建ResNet架构的深度学习网络，对所述第一心电数据进行去噪声处理之前，所述方法还包括：
采用预设的信号处理方法对所述第一心电数据进行滤波处理。


5.根据权利要求1-4任一项所述的方法，其特征在于，所述通过预先基于Squeeze-Excitation块技术构建ResNet架构的深度学习网络，对所述第一心电数据进行去噪声处理，得到第二心电数据，包括：
将所述第一心电数据基于预设时间间隔划分为多个子心电数据；
将所述多个子心电数据输入到所述深度学习网络中，基于所述深度学习网络的输出结果剔除所述多个子心电数据中受到噪声污染的子心电数据，并将剩余的多个子心电数据确定为第二心电数据。


6.根据权利要求5所述的方法，其特征在于，所述将所述第二心电数据输入到预先训练的回归模型中，得到所述回归模型的输出结果，包括：
将所述剩余的多个子心电数据中每个子心电数据输入到所述回归模型中，得到所述每个子心电数据对应的回归模型的分段预测结果，所述分段预测结果用于表征所述子心电数据与所述预设分类之间的匹配程度参数；
对所述剩余的多个子心电数据的分段预测结果进行叠加，得到叠加预测结果。


7.根据权利要求1-4任一项所述的方法，其特征在于，所述方法还包括：
根据预设算法将所述输出结果转化为0到1之间的数值，所述数值用于表征所述第二心电数据与所述预设分类之间的匹配概率。


8.根据权利要求1所述的方法，其特征在于，所述方法还包括预先根据以下步骤构建所述深度学习网络：
构建具有残差网络ResNet结构的深度卷积神经网络；
在所述ResNet结构的各个批标准化BatchNormalization层之后加入Sequeeze-Excitation模块，得到所述深度学习网络。


9.根据权利要求1所述的方法，其特征在于，所述方法还包括根据以下步骤训练所述回归模型：
获取多个样本心电数据；
标定每个所述样本心电数据对应的预设分类；
将所述多个样本心电数据和对应的预设分类作为训练集，训练回归模型。


10.一种心电数据处理装置，其特征在于，包括：
第一数据获取模块，用于获取第一心电数据；
第二数据获取模块，用于通过预先基于Squeeze-Excitation块技术构建ResNet架构的深度学习网络，对所述第一心电数...

【专利技术属性】
技术研发人员：王飞，张秋京，付世航，
申请(专利权)人：安徽华米信息科技有限公司，
类型：发明
国别省市：安徽;34