【技术实现步骤摘要】
基于对比学习的心电数据处理方法、装置及存储介质
[0001]本专利技术涉及人工智能技术及数字医疗
，尤其是涉及一种基于对比学习的心电数据处理方法、装置、存储介质及计算机设备。
技术介绍
[0002]心电图(英文：Electrocardiograph，缩写：ECG)是一种利用心电图机从人体体表记录心脏每一次心动周期所产生的电活动变化图形的技术。通过心电图，可以表征出人类的多种心脏疾病，医生也可以根据心电图判断出病人的心脏状况。
[0003]近年来，随着人工智能技术的不断发展，特别是深度学习技术的发展，各类心电数据处理模型逐渐应运而生。目前，大多数的心电数据处理模型都是通过有分类标签的心电样本训练得到的，但是，有分类标签的心电样本是十分有限的，而仅基于这些少量的有分类标签的心电样本，是很难训练出高性能的心电数据处理模型的，相应的，这种模型输出的心电数据的分类结果，其准确性也是很难得到保证的。
技术实现思路
[0004]有鉴于此，本申请提供了一种基于对比学习的心电数据处理方法、装置、存储介质及计算机设...
【技术保护点】
【技术特征摘要】
1.一种基于对比学习的心电数据处理方法，其特征在于，所述方法包括：获取多组无标签心电样本和多组有标签心电样本，并根据所述多组无标签心电样本构建一组卷积神经网络模型；通过所述卷积神经网络模型，根据所述多组无标签心电样本，得到所述多组无标签心电样本的特征向量组合；对所述多组无标签心电样本进行片段截取，并根据截取的心电样本片段的特征向量组合构建所述多组无标签心电样本的正样本和负样本，对所述卷积神经网络模型进行训练，得到心电特征提取器；构建一个多层感知机模型，并以所述多组有标签心电样本在所述心电特征提取器中输出的特征向量组合为输入，以所述多组有标签心电样本的分类标签为输出，对所述多层感知机模型进行训练，得到心电数据处理模型；获取待处理的心电数据，并将所述待处理的心电数据输入到所述心电数据处理模型中，得到所述待处理的心电数据的分类结果。2.根据权利要求1所述的方法，其特征在于，所述获取多组无标签心电样本和多组有标签心电样本，并根据所述多组无标签心电样本构建一组卷积神经网络模型，包括：获取多组无标签心电样本和多组有标签心电样本，其中，每组所述无标签心电样本和每组所述有标签心电样本中均包含N导联心电数据；根据所述多组无标签心电样本，构建一组卷积神经网络模型，其中，所述一组卷积神经网络模型中包含与所述N导联心电数据一一对应的N个卷积神经网络模型。3.根据权利要求2所述的方法，其特征在于，所述通过所述卷积神经网络模型，根据所述多组无标签心电样本，得到所述多组无标签心电样本的特征向量组合，包括：将所述多组无标签心电样本的N导联心电数据分别输入到对应的所述N个卷积神经网络模型中，得到每组所述无标签心电样本的N个特征向量；分别对每组所述无标签心电样本的N个特征向量进行拼接，得到每组所述无标签心电样本的特征向量组合。4.根据权利要求3所述的方法，其特征在于，所述对所述多组无标签心电样本进行片段截取，并根据截取的心电样本片段的特征向量组合构建所述多组无标签心电样本的正样本和负样本，对所述卷积神经网络模型进行训练，得到心电特征提取器，包括：从每组所述无标签心电样本中截取出至少一段心电样本片段，其中，所述心电样本片段中包含N导联心电数据片段；通过所述卷积神经网络模型，根据所述多组无标签心电样本的每个心电样本片段，得到所述多个无标签心电样本的每个心电样本片段的特征向量组合；对于每个所述无标签心电样本，将属于所述无标签心电样本的心电样本片段的特征向量组合作为正样本，将不属于所述无标签心电样本的心电样本片段的特征向量组合作为负样本；根据每个所述无标签心电样本的正样本和负样本，对所述卷积神经网络模型进行训练，得到心电特征提取器。5.根据权利要求4所述的方法，其特征在于，所述通过所述卷积...
【专利技术属性】
技术研发人员：徐啸，
申请(专利权)人：平安科技深圳有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。