心电信号类型识别方法、装置及介质制造方法及图纸

本申请提供一种心电信号类型识别方法、装置及介质，该方法包括对心电信号数据进行截取，得到多个心电信号子数据；利用第一网络模型对将截取的每个心电信号子数据进行识别处理，得到包括每个心电信号子数据对应的第一识别类型的多个局部识别结果；通过第二网络模型对多个局部识别结果进行识别处理，得到该心电信号数据的全局识别结果。本申请的技术方案提高了心电信号识别的准确率和鲁棒性。

【技术实现步骤摘要】
心电信号类型识别方法、装置及介质
本申请涉及信号处理
，尤其涉及一种心电信号类型识别方法、装置及介质。
技术介绍
随着机器学习技术的使用，越来越多的信号识别方法采用机器学习模型来实现。根据识别信号的不同，其对应的机器学习模型也不同，例如用于识别语音信号的语音识别模型或声纹识别模型，用于识别心电信号的心电信号识别模型等等。现有技术中，通常采用一个信号识别模型来确定信号所属类型，不仅模型训练难度大，而且识别准确率不高。此外，通常情况下，信号识别模型的训练过程好坏直接影响到信号识别结果的准确性，尤其对于所采集的样本信号数量有限的情况下，若将采集的每个样本信号作为一个训练样本来构建训练集，并将该训练集输入到一个端到端的信号识别模型进行训练，由于训练样本数量有限，则会导致经训练后的信号识别模型的准确率不高，以及信号识别结果的鲁棒性不高。
技术实现思路
本申请提供了一种心电信号类型识别方法、装置及介质，以解决现有技术中至少一种技术问题。一方面，本申请提供了心电信号类型识别方法，包括：获取心电信号数据；对所述心电信号数据进行截取，得到多个心电信号子数据；利用第一网络模型对每个心电信号子数据进行识别处理，得到多个局部识别结果；所述局部识别结果包括每个心电信号子数据对应的第一识别类型；通过第二网络模型对所述多个局部识别结果进行识别处理，得到所述心电信号数据的全局识别结果，所述全局识别结果包括所述心电信号数据对应的第二识别类型；其中，所述第一识别类型和所述第二识别类型均落入预设的心电信号类型集，所述心电信号类型集中包括多个心电信号所属类型。在一些实施例中，所述利用第一网络模型对每个心电信号子数据进行分类处理，得到多个局部识别结果之后，还包括：检测所述多个局部识别结果对应的心电信号类型是否存在预定心电信号类型；若检测结果为否，则对所述多个局部识别结果中每个心电信号类型的数量进行排序；基于排序结果，确定最高数量对应的心电信号类型；若确定最高数量对应心电信号类型为正常心电信号类型，则判断排序结果中第二高数量是否高于等于预设数量阈值；若判定排序结果中第二高数量高于等于预设数量阈值，则确定第二高数量对应的心电信号类型作为所述心电信号数据的全局识别结果；若判定排序结果中第二高数量低于预设数量阈值，则确定最高数量对应的心电信号类型作为所述心电信号数据的全局识别结果。另一方面，还提供一种心电信号类型识别装置，包括：获取模块，用于获取心电信号数据；数据截取模块，用于对所述心电信号数据进行截取，得到多个心电信号子数据；第一识别模块，用于利用第一网络模型对每个心电信号子数据进行识别处理，得到多个局部识别结果；所述局部识别结果包括每个心电信号子数据对应的第一识别类型；第二识别模块，用于通过第二网络模型对所述多个局部识别结果进行识别处理，得到所述心电信号数据的全局识别结果，所述全局识别结果包括所述心电信号数据对应的第二识别类型；其中，所述第一识别类型和所述第二识别类型均落入预设的心电信号类型集，所述心电信号类型集中包括多个心电信号所属类型。另一方面，还提供一种心电信号类型识别装置，包括：获取模块，用于获取心电信号数据；数据截取模块，用于对所述心电信号数据进行截取，得到多个心电信号子数据；第一识别模块，用于利用第一网络模型对每个心电信号子数据进行识别处理，得到多个局部识别结果；所述局部识别结果包括每个心电信号子数据对应的第一识别类型；第三识别模块，用于基于所述多个局部识别结果的数量进行识别处理，得到所述心电信号数据的全局识别结果。另一方面，还提供一种电子设备，所述电子设备包括处理器和存储器，所述存储器中存储有至少一条指令或至少一段程序，所述至少一条指令或至少一段程序由处理器加载并执行以实现如上述任一所述的心电信号类型识别方法。另一方面，还提供一种计算机存储介质，所述计算机存储介质中存储有至少一条指令或至少一段程序，所述至少一条指令或至少一段程序由处理器加载并执行以实现如上述任一所述的心电信号类型识别方法。另一方面，还提供一种计算机程序产品或计算机程序，所述计算机程序产品或计算机程序包括计算机指令，所述计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，是的该计算机设备执行上述任一所述的心电信号类型识别方法。本申请至少具有如下技术效果：本申请实施例通过对获取的心电信号数据进行截取，得到多个心电信号子数据；利用第一网络模型对每个心电信号子数据进行识别处理，得到多个局部识别结果；该局部识别结果包括每个心电信号子数据对应的第一识别类型；通过第二网络模型对多个局部识别结果进行识别处理，得到所述心电信号数据的全局识别结果，该全局识别结果包括所述心电信号数据对应的第二识别类型；其中，第一识别类型和第二识别类型均落入预设的心电信号类型集，心电信号类型集中包括多个心电信号所属类型。通过对心电信号数据进行截取得到多个心电信号子数据，利用第一网络模型识别多个心电信号子数据对应的第一识别类型，利用第二网络模型识别对第一网络模型识别得到的多个心电信号子数据中每个心电信号子数据所属心电信号类型进行识别处理，得到包括心电信号数据对应第二识别类型的全局识别结果，提高了心电信号识别的准确率和鲁棒性。附图说明为了更清楚地说明本申请实施例或现有技术中的技术方案和优点，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，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它附图。图1是本申请实施例提供的一种心电信号类型识别方法的流程示意图；图2是本申请实施例提供的一个心电信号的示意图；图3是本申请实施例提供的获取心电信号数据的全局识别结果的流程示意图；图4是本申请实施例提供的第一网络模型的训练步骤的流程示意图；图5是本申请实施例提供的一种样本数据截取的示意图；图6是本申请实施例提供的第一网络模型的训练过程的流程示意图；图7是本申请实施例提供的第二网络模型的训练步骤的流程示意图；图8是本申请实施例提供的第二网络模型的训练过程的示意图；图9是本申请实施例提供的另一种心电信号类型识别方法的流程示意图；图10是采用图1所示的方法进行测试的测试结果示意图；图11是采用图9所示的方法进行测试的测试结果示意图；图12是本申请实施例提供的一种心电信号识别装置的结构框图；图13是本申请实施例提供的另一种心电信号识别装置的结构框图；图14是本申请实施例一种用于实现本申请实施例所提供的方法的计算机设备的硬件结构示意图。具体实施方式为了使本
的人员更好地理解本申请方案，下面本文档来自技高网...

【技术保护点】
1.一种心电信号类型识别方法，其特征在于，包括：/n获取心电信号数据；/n对所述心电信号数据进行截取，得到多个心电信号子数据；/n利用第一网络模型对每个心电信号子数据进行识别处理，得到多个局部识别结果；所述局部识别结果包括每个心电信号子数据对应的第一识别类型；/n通过第二网络模型对所述多个局部识别结果进行识别处理，得到所述心电信号数据的全局识别结果，所述全局识别结果包括所述心电信号数据对应的第二识别类型；/n其中，所述第一识别类型和所述第二识别类型均落入预设的心电信号类型集，所述心电信号类型集中包括多个心电信号所属类型。/n

【技术特征摘要】
1.一种心电信号类型识别方法，其特征在于，包括：
获取心电信号数据；
对所述心电信号数据进行截取，得到多个心电信号子数据；
利用第一网络模型对每个心电信号子数据进行识别处理，得到多个局部识别结果；所述局部识别结果包括每个心电信号子数据对应的第一识别类型；
通过第二网络模型对所述多个局部识别结果进行识别处理，得到所述心电信号数据的全局识别结果，所述全局识别结果包括所述心电信号数据对应的第二识别类型；
其中，所述第一识别类型和所述第二识别类型均落入预设的心电信号类型集，所述心电信号类型集中包括多个心电信号所属类型。


2.根据权利要求1所述的方法，其特征在于，所述对心电信号数据进行截取，得到多个心电信号子数据，包括：
基于心电信号数据的信号周期，确定数据截取长度；所述数据截取长度大于等于两倍的信号周期长度；
获取所述心电信号数据对应的预设截取数量；
基于所述心电信号数据的总数据长度、数据截取长度和预设截取数量，对所述心电信号数据进行数据截取，得到多个心电信号子数据；相邻的心电信号子数据之间具有数据重叠。


3.根据权利要求1所述的方法，其特征在于，所述通过第二网络模型对所述多个局部识别结果进行识别处理，得到所述心电信号数据的全局识别结果，包括：
统计所述多个局部识别结果中每种心电信号类型的数量；
基于统计结果和所述预设的心电信号类型集中全部心电信号类型，构建所述局部识别结果对应的待识别特征向量；
通过第二网络模型，输出经所述待识别特征向量映射得到的所述心电信号数据所属类型；
根据所述心电信号数据所属类型确定所述心电信号数据的全局识别结果。


4.根据权利要求1所述的方法，其特征在于，
所述第一网络模型是根据全部预设的心电信号类型对应的心电信号样本数据所构建的第一训练集训练得到；所述第一训练集包括多个分别与每种预设的心电信号类型对应的样本集；每个所述样本集包括经过数据截取得到的多个心电信号样本子数据；
所述第二网络模型是根据经训练的第一网络模型输出的全部预设的心电信号类型对应的心电信号样本数据的多组局部识别样本结果、以及与每组局部识别样本结果对应的实际心电信号类型标签作为第二训练集训练得到；每组所述局部识别样本结果用于表征多个心电信号样本子数据分别对应的心电信号类型。


5.根据权利要求1-4任一所述的方法，其特征在于，所述方法还包括：
获取所述心电信号数据对应的训练样本集合；所述训练样本集合包括全部预设的心电信号类型对应的心电信号样本数据；
基于全部预设的心电信号类型对应的心电信号样本数据的样本数量，确定每种预设的心电信号类型对应的心电信号样本数据的预设样本截取数量；
基于每种预设的心电信号类型对应的预设样本截取数量，分别对每种预设的心电信号类型对应的多个心电信号样本数据进行数据截取，得到对应的多个心电信号样本子数据；
基于每种预设的心电信号类型对应的多个心电信号样本子数据，构建多个样本集；每个所述样本集分别与预设的心电信号类型对应的心电信号数据一一对应；
基于所述多个样本集与每个样本集对应的实际心电信号类型标签，构建第一训练集；
将所述第一训练集输入至第一初始网络模型中，训练第一初始网络模型，直至达到模型训...

【专利技术属性】
技术研发人员：梁欣然，邓刚，丁小柳，
申请(专利权)人：上海联影智能医疗科技有限公司，
类型：发明
国别省市：上海;31