基于对比学习的心电数据处理方法、装置及存储介质制造方法及图纸

本发明专利技术涉及人工智能及数字医疗领域，提供了一种基于对比学习的心电数据处理方法、装置及存储介质。该方法包括：获取无标签心电样本和有标签心电样本，并构建卷积神经网络模型；通过卷积神经网络模型，得到无标签心电样本的特征向量组合；对无标签心电样本进行片段截取，并根据片段截取结果生成正负样本，对卷积神经网络模型进行训练，得到心电特征提取器；以有标签心电样本在心电特征提取器中输出的特征向量组合为输入，以有标签心电样本的分类标签为输出，对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，通过心电数据处理模型得到待处理的心电数据的分类结果。上述方法能够有效的增加模型的样本量并提升模型性能。量并提升模型性能。量并提升模型性能。

【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备，主要目的在于解决心电数据处理模型训练样本少、训练难度大、模型性能低和输出分类结果准确性低等技术问题。
[0005]根据本专利技术的第一个方面，提供了一种基于对比学习的心电数据处理方法，该方法包括：
[0006]获取多组无标签心电样本和多组有标签心电样本，并根据多组无标签心电样本构建一组卷积神经网络模型；
[0007]通过卷积神经网络模型，根据多组无标签心电样本，得到多组无标签心电样本的特征向量组合；
[0008]对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多组无标签心电样本的正样本和负样本，对卷积神经网络模型进行训练，得到心电特征提取器；
[0009]构建一个多层感知机模型，并以多组有标签心电样本在心电特征提取器中输出的特征向量组合为输入，以多组有标签心电样本的分类标签为输出，对多层感知机模型进行训练，得到心电数据处理模型；
[0010]获取待处理的心电数据，并将待处理的心电数据输入到心电数据处理模型中，得到待处理的心电数据的分类结果。
[0011]根据本专利技术的第二个方面，提供了一种基于对比学习的心电数据处理装置，该装置包括：
[0012]心电样本获取模块，用于获取多组无标签心电样本和多组有标签心电样本，并根据多组无标签心电样本构建一组卷积神经网络模型；
[0013]心电样本处理模块，用于通过卷积神经网络模型，根据多组无标签心电样本，得到多组无标签心电样本的特征向量组合；
[0014]特征提取器训练模块，用于对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多组无标签心电样本的正样本和负样本，对卷积神经网络模型进行训练，得到心电特征提取器；
[0015]心电处理模型训练模块，用于构建一个多层感知机模型，并以多组有标签心电样本在心电特征提取器中输出的特征向量组合为输入，以多组有标签心电样本的分类标签为输出，对多层感知机模型进行训练，得到心电数据处理模型；
[0016]心电数据处理模块，用于获取待处理的心电数据，并将待处理的心电数据输入到心电数据处理模型中，得到待处理的心电数据的分类结果。
[0017]根据本专利技术的第三个方面，提供了一种存储介质，其上存储有计算机程序，所述程序被处理器执行时实现上述基于对比学习的心电数据处理方法。
[0018]根据本专利技术的第四个方面，提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述基于对比学习的心电数据处理方法。
[0019]本专利技术提供的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，首先通过无标签心电样本构建模型的正样本和负样本，然后通过构建出的正样本和负样本对卷积神经网络模型进行训练，得到心电特征提取器，继而借助于心电特征提取器和数量有限的有标签心电样本对多层感知机模型进行训练，得到心电数据处理模型，最后通过训练好的心电数据处理模型对待处理的心电数据进行处理，得到心电数据的分类结果。上述方法充分利用了海量的无标签心电样本，通过对比学习的方式有效的提升了模型训练的样本量和心电特征提取器的鲁棒性，同时，也有效的提升了心电数据处理模型的稳定性和准确性，进而提高了心电数据的分类准确度。
[0020]上述说明仅是本申请技术方案的概述，为了能够更清楚了解本申请的技术手段，而可依照说明书的内容予以实施，并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂，以下特举本申请的具体实施方式。
附图说明
[0021]此处所说明的附图用来提供对本专利技术的进一步理解，构成本申请的一部分，本专利技术的示意性实施例及其说明用于解释本专利技术，并不构成对本专利技术的不当限定。在附图中：
[0022]图1示出了本专利技术实施例提供的一种基于对比学习的心电数据处理方法的流程示意图；
[0023]图2示出了本专利技术实施例提供的一种基于对比学习的心电数据处理装置的结构示意图。
具体实施方式
[0024]下文中将参考附图并结合实施例来详细说明本专利技术。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。
[0025]目前，心电数据处理模型大多是基于丰富的历史标签数据训练得到的，然而，有分
类标签的心电数据是十分有限的，尤其是针对一些出现比例较低的分类标签，其对应的心电数据的数量更加稀少，因此，仅基于有分类标签的心电数据很难训练出精准度高的心电数据处理模型，与此同时，海量的无标签心电样本尚没有得到充分的利用。
[0026]基于此，在一个实施例中，如图1所示，提供了一种基于对比学习的心电数据处理方法，以该方法应用于服务器等计算机设备为例进行说明，其中，服务器可以是独立的服务器，也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(Content Delivery Network，CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器。上述方法包括以下步骤：
[0027]101、获取多组无标签心电样本和多组有标签心电样本，并根据多组无标签心电样本构建一组卷积神经网络模型。
[0028]其中，心电样本指的是心电数据处理模型训练过程中所需的心电数据，心电数据指的是通过心电设备从人体体表采集的记录了心脏每一次心动周期所产生的电活动变化的图形。心电数据可以通过智能手环、心电图机等智能采集设备进行采集，采集的心电样本包含有至少一导联的心电数据，且每一导联的心电数据均由一系列的心电波形组成。在这些心电波形中，蕴含了非常多的特征信息，这些特征信息可以通过一些深度学习模型进行提取。
[0029]进一步的，卷积神经网络(Convolutional Neural Networks，CNN)指的是一类包含卷积计算且具有深度结构的本文档来自技高网...

【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：