心电分类方法、基于域自适应的心电分类模型训练方法技术

本发明专利技术涉及计算机技术领域，具体涉及心电分类方法及装置、基于域自适应的心电分类模型训练方法及装置、电子设备以及计算机可读介质。所述心电分类方法包括：获取待处理心电数据，对所述待处理心电数据进行预处理以获取心拍数据；将所述心拍数据输入已训练的心电分类模型，利用特征提取器对所述心拍数据进行卷积处理，以获取特征数据；其中，所述特征提取器包括连续设置的若干个的卷积层；以及利用分类器对所述特征数据进行全连接处理，以获取所述待处理心电数据对应的分类结果；其中，所述分类器包括全连接层。本公开的方案能够有效的提高心电数据分类的准确性，实现对心拍类型的准确判断。判断。判断。

【技术实现步骤摘要】
心电分类方法、基于域自适应的心电分类模型训练方法


[0001]本专利技术涉及计算机
，具体而言，涉及一种心电分类方法、一种基于域自适应的心电分类模型训练方法、一种心电分类装置、一种基于域自适应的心电分类模型训练装置、一种电子设备以及一种计算机可读介质。

技术介绍

[0002]心电图通过记录人心脏产生的电活动的电位波形来反映心脏的状态，为临床治疗提供很多有价值的信息。在临床环境中，医生可以通过观察心电图来诊断心律失常，这是一种无创的诊断方法，是检测心律失常非常有效的工具。一般来说，可以通过识别心电图记录中的异常心跳并对其进行归类来诊断心律失常。在病人的心电图记录中，只包含极少数的异常心跳，这使得医生很难以人工识别的方式在长期的心电图记录中快速识别异常的心跳。
[0003]需要说明的是，在上述
技术介绍
部分公开的信息仅用于加强对本申请的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。

技术实现思路

[0004]本专利技术的实施例提供了一种心电分类方法、一种基于域自适应的心电分类模型训练方法、一种心本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种心电分类方法，其特征在于，包括：获取待处理心电数据，对所述待处理心电数据进行预处理以获取心拍数据；将所述心拍数据输入已训练的心电分类模型，利用特征提取器对所述心拍数据进行卷积处理，以获取特征数据；其中，所述特征提取器包括连续设置的若干个的卷积层；以及利用分类器对所述特征数据进行全连接处理，以获取所述待处理心电数据对应的分类结果；其中，所述分类器包括全连接层。2.根据权利要求1所述的心电分类方法，其特征在于，对所述待处理心电数据进行预处理，包括：对所述待处理心电数据进行去噪处理，以获取去噪心电信号；基于R波的波峰位置对所述去噪心电信号按预设的采样数量进行心拍划分，以获取原始心拍信号；将各采样点对应的所述原始心拍信号进行归一化处理，映射至预设的数值区间，以获取所述心拍数据。3.根据权利要求1所述的心电分类方法，其特征在于，所述方法还包括：训练所述心电分类模型，包括：对心拍样本数据划分训练集和测试集，以及构建基于卷积神经网络的初始模型；利用训练集对初始模型进行第一阶段预训练，以获取预训练模型；利用训练集和和测试集对所述预训练模型进行第二阶段域自适应训练，以获取所述心电分类模型。4.根据权利要求3所述的心电分类方法，其特征在于，所述利用训练集对初始模型进行第一阶段预训练，以获取预训练模型，包括：将训练集输入模型，利用特征提取器对所述训练集进行卷积处理，以获取特征数据；利用分类器对所述特征数据进行全连接处理，以获取所述训练集对应的分类结果；根据分类结果计算分类损失，并利用梯度下降法最小化分类损失，更新模型的网络参数。5.根据权利要求4所述的心电分类方法，其特征在于，所述计算分类损失包括：其中，L(
·
,
·
)表示交叉熵损失函数，表示模型将训练集样本预测为所有类的概率分布，表示输出样本的真实标签值。6.根据权利要求3所述的心电分类方法，其特征在于，所述利用训练集和和测试集对所述预训练模型进行第二阶段域自适应训练，以获取所述心电分类模型，包括：将测试集和训练集输入所述预训练模型，通过特征提取器获取对应的特征向量；将测试集的特征向量和训练集的特征向量映射到再生核希尔伯特空间中，计算测试集和训练集之间特征分布的最大均值差异；利用分类器对测试集特征数据和训练集特征数据进行全连接处理，以获取对应的分类结果；
基于训练集的分类结果计算分类损失，基于测试集的分类结构计算熵损失；结合最大均值差异、分类损失和熵损失构建总损失函数，利用梯度下降法最小化总损失，以更新模型的网络参数。7.根据权利要求6所述的心电分类方法，其特征在于，所述结合最大均值差异、分类损失和熵损失构建总损失函数，包括：loss＝L
cls
+λ*M
...

【专利技术属性】
技术研发人员：江帆，陈家骏，梁晓，李育鑫，
申请(专利权)人：西安邮电大学，
类型：发明
国别省市：