基于对比学习的心电图分析方法、终端设备及存储介质技术

本发明专利技术涉及一种基于对比学习的心电图分析方法、终端设备及存储介质，该方法中包括：S1：采集心电图数据组成训练集；S2：构建基于对比学习的深度神经网络模型，设定模型的输入为三元组中的阳性参考样本集合和目标样本，模型的输出为目标样本的类别标签，通过训练集对模型进行训练，将训练后的模型作为样本类别分类模型；S3：对待分类心电图数据中的待分类心搏进行预分类；S4：通过人工部分分类结果进行修正，并提取修正后的分类结果中的阳性样本组成阳性参考样本集合；S5：针对未修正的分类结果，将其与阳性参考样本集合共同输入样本类别分类模型进行分类，根据类别标签判定是否为阳性样本。本发明专利技术能够快速达成全部数据的准确分析目标。目标。目标。

【技术实现步骤摘要】
基于对比学习的心电图分析方法、终端设备及存储介质


[0001]本专利技术涉及心电图分析领域，尤其涉及一种基于对比学习的心电图分析方法、终端设备及存储介质。

技术介绍

[0002]心电图检查对冠状动脉供血不足、变异性心绞痛、急性心肌梗塞等危险心血管疾病的快速诊断具有重要的意义。而其中动态心电图检查，一般连续记录24小时，由于其具有长时间监测的特点，对这些心血管疾病的检出率更高。
[0003]目前商用的动态心电分析系统，医生分析一份动态心电图耗时长达15
‑
30分钟，严重制约了动态心电检查的开展。但是由于动态心电数据量巨大，24小时一般能采集到10万多心搏，全部打印长达2160米，分析工作量大。虽然市场上大多数的动态心电图分析软件都可以对数据进行自动分析，但由于动态心电图信号本身的复杂性，且很容易在佩戴过程中引入各种干扰，因此目前自动分析软件的准确率远远不够，无法帮助医生在比较短的时间内分析心电图数据并且给出正确的分析报告。
[0004]虽然这几年随着人工智能在心电领域的应用，一些基于深度学习的方法也用于了心电图自动分析。但是其采用的方法是基于一个大数据的集合训练一个通用的模型，以期望适用每个患者。这样的做法应用于动态心电图时，因为心搏基数大，难免有的患者数据有一些特有的变化特征，降低模型的准确率。

技术实现思路

[0005]为了解决上述问题，本专利技术提出了一种基于对比学习的心电图分析方法、终端设备及存储介质，可以结合当前数据的特定特征，针对性地学习医生修改的部分，从而快速达成全部数据的分析目标。
[0006]具体方案如下：
[0007]一种基于对比学习的心电图分析方法，包括以下步骤：
[0008]S1：采集心电图数据，并对心电图数据中的阳性样本和阴性样本进行标注后，对心电图数据进行三元组格式的转化；三元组包括一条心电图数据中的阳性参考样本集合、该条心电图数据中的一目标样本和目标样本的类别标签；将不同心电图数据对应的三元组组成训练集；
[0009]S2：构建基于对比学习的深度神经网络模型，设定模型的输入为三元组中的阳性参考样本集合和目标样本，模型的输出为目标样本的类别标签，通过训练集对模型进行训练，将训练后的模型作为样本类别分类模型；
[0010]S3：对待分类心电图数据中的待分类心搏进行预分类；
[0011]S4：通过人工对步骤S3中的部分分类结果进行修正，并提取修正后的分类结果中的阳性样本组成阳性参考样本集合；
[0012]S5：针对未修正的每个分类结果，将其对应的心搏样本作为目标样本，与步骤S4中
的阳性参考样本集合共同输入步骤S2得到的样本类别分类模型进行分类，根据样本类别分类模型输出的目标样本的类别标签判定该心搏样本是否为阳性样本。
[0013]进一步的，训练集中既包括阳性样本作为目标样本的三元组，也包括阴性样本作为目标样本的三元组。
[0014]进一步的，目标样本的类别标签采用1或0表示，当目标样本为阳性时标签为1，否则标签为0。
[0015]进一步的，三元组格式表示为或其中，表示一条心电图数据中的阳性参考样本集合，X
+
、X
‑
分别表示该条心电图数据的阳性目标样本和阴性目标样本。
[0016]一种基于对比学习的心电图分析终端设备，包括处理器、存储器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现本专利技术实施例上述的方法的步骤。
[0017]一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现本专利技术实施例上述的方法的步骤。
[0018]本专利技术采用如上技术方案，首先通过传统的动态心电图分析方法对心电图数据进行预分析，然后通过人工对少量典型的错误分类进行修正，再利用修正结果对其他分预分类结果进行二次分析。二次分析结合了当前数据的特定特征，针对性地学习人工修改的部分，从而快速达成全部数据的准确分析目标。
附图说明
[0019]图1所示为本专利技术实施例一的流程图。
具体实施方式
[0020]为进一步说明各实施例，本专利技术提供有附图。这些附图为本专利技术揭露内容的一部分，其主要用以说明实施例，并可配合说明书的相关描述来解释实施例的运作原理。配合参考这些内容，本领域普通技术人员应能理解其他可能的实施方式以及本专利技术的优点。
[0021]现结合附图和具体实施方式对本专利技术进一步说明。
[0022]实施例一：
[0023]心电图自动分析的准确率对医生的报告质量和诊断效率有至关重要的作用。一些厂家逐步提出来一些基于深度学习的方法，一定程度上提高了QRS波，P波的自动诊断准确率。这些方法的一般做法是建立相应的深度神经网络模型，然后采用收集的大数据进行相应的训练，从而取得比传统的方法更准确的识别和分类结果。事实上，世界上不存在完全相同的心电图，即使同一个人，在不同时期采集的心电图也可能有比较大的区别和变化。这也是为什么无论模型多么巧妙，总会存在部分动态心电图会有比较多的误判。而这个时候如果能够充分利用医生对当前心电图的监督性意见，会对全局的心电图自动分析的准确率得到一个巨大提升。
[0024]因此，本专利技术实施例提供了一种基于对比学习的心电图分析方法，如图1所示，所述方法包括以下步骤：
[0025]S1：采集心电图数据，并对心电图数据中的阳性样本和阴性样本进行标注后，对心
电图数据进行三元组格式的转化；三元组包括一条心电图数据中的阳性参考样本集合、该条心电图数据中的一目标样本和目标样本的类别标签；将不同心电图数据对应的三元组组成训练集。
[0026]心电图数据可以是直接采集的心电图数据，也可以是从存储历史心电图数据的心电图数据库内中采集的心电图数据，在此不做限定。
[0027]阳性样本指的是某一类心搏的异常心电图，例如室性早搏，预激心搏等，阴性样本是阳性样本的补集。该实施例中以比较常见的室性早搏对应的QRS波为例进行说明。
[0028]需要说明的是，三元组中的各数据均对应同一条心电图数据，阳性参考样本集合可以为部分阳性样本的集合，目标样本为阳性参考样本集合之外的阳性样本或阴性样本。
[0029]该实施例中三元组格式表示为或其中，表示一条心电图数据中的阳性参考样本集合，X
+
、X
‑
分别表示该条心电图数据的阳性目标样本和阴性目标样本。1和0表示目标样本的类别标签，当目标样本为阳性时标签为1，否则标签为0。
[0030]S2：构建基于对比学习的深度神经网络模型，设定模型的输入为三元组中的阳性参考样本集合和目标样本，模型的输出为目标样本的类别标签，通过训练集对模型进行训练，将训练后的模型作为样本类别分类模型。
[0031]深度神经网络模型可以采用ResNet等网络架构，损失函数可以选取交叉熵。
[0032]S3：对待分类心电图数据中的待分类本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于对比学习的心电图分析方法，其特征在于，包括以下步骤：S1：采集心电图数据，并对心电图数据中的阳性样本和阴性样本进行标注后，对心电图数据进行三元组格式的转化；三元组包括一条心电图数据中的阳性参考样本集合、该条心电图数据中的一目标样本和目标样本的类别标签；将不同心电图数据对应的三元组组成训练集；S2：构建基于对比学习的深度神经网络模型，设定模型的输入为三元组中的阳性参考样本集合和目标样本，模型的输出为目标样本的类别标签，通过训练集对模型进行训练，将训练后的模型作为样本类别分类模型；S3：对待分类心电图数据中的待分类心搏进行预分类；S4：通过人工对步骤S3中的部分分类结果进行修正，并提取修正后的分类结果中的阳性样本组成阳性参考样本集合；S5：针对未修正的每个分类结果，将其对应的心搏样本作为目标样本，与步骤S4中的阳性参考样本集合共同输入步骤S2得到的样本类别分类模型进行分类，根据样本类别分类模型输出的目标样本的类别标签判定该心搏样本是否为阳性样本。2.根据权利要求...

【专利技术属性】
技术研发人员：徐拥军，李熙，钟玉秋，
申请(专利权)人：厦门纳龙健康科技股份有限公司，
类型：发明
国别省市：