心电图的分类方法、训练方法、装置、设备和存储介质制造方法及图纸

本申请涉及一种心电图的分类方法、训练方法、装置、设备和存储介质。所述方法通过对待分类心电图中的心电信号进行波形形态识别，得到心电信号的波形类别，获取与心电信号的波形类别对应的分类模型，将待分类心电图输入至分类模型中进行心拍类型分类，得到分类结果。其中，分类模型为预先基于同一波形类别的心电图的样本数据训练得到。上述方法中，由于在对待分类心电图进行分类前，先根据心电信号的波形类别确定分类模型，那么该分类模型就是与待分类心电图匹配的分类模型，之后使用该分类模型对待分类心电图进行分类，即可得到准确的分类结果。果。果。

【技术实现步骤摘要】
心电图的分类方法、训练方法、装置、设备和存储介质


[0001]本申请涉及医疗图像
，特别是涉及一种心电图的分类方法、训练方法、装置、设备和存储介质。

技术介绍

[0002]随着人们生活水平的提高以及生活节奏的加快，心血管疾病的发病率迅速上升，已成为威胁人类身体健康的主要因素之一。人体心电图能够客观反映心脏各部位的生理状况，为心脏疾病的诊断和心脏功能的评价提供了重要依据，因此基于心电图的自动检测、分析和分类的方法得到了广泛的研究。
[0003]目前对心电图的分类方法一般是基于深度学习的分类模型实现，比如，先通过大量的带标签数据训练得到一个统一的分类模型，再在实际心电图分析过程中，使用该分类模型对待分类心电图进行识别达到分类目的，得到分类结果。
[0004]然而，上述分类方法存在分类模型复杂度高以及分类结果的准确性低的问题。

技术实现思路

[0005]基于此，有必要针对上述技术问题，提供一种能够提高分类准确性的心电图的分类方法、训练方法、装置、设备和存储介质。
[0006]第一方面，本申请提供了一种心电图的分类方法。所述方法包括：
[0007]对待分类心电图中的心电信号进行波形形态识别，得到所述心电信号的波形类别；
[0008]获取与所述心电信号的波形类别对应的分类模型；所述分类模型为预先基于同一波形类别的心电图的样本数据训练得到；
[0009]将所述待分类心电图输入至所述分类模型中进行心拍类型分类，得到分类结果。
[0010]在其中一个实施例中，所述对待分类心电图中的心电信号进行波形形态识别，得到所述心电信号的波形类别，包括：
[0011]从所述待分类心电图中的心电信号中提取主导信号；
[0012]对所述主导信号进行波形形态识别，得到所述心电信号的波形类别。
[0013]在其中一个实施例中，所述从所述待分类心电图中的心电信号中提取主导信号，包括：
[0014]提取待分类心电图中预设时间段内的心电信号作为所述主导信号。
[0015]在其中一个实施例中，所述获取与所述待分类心电图的波形类别对应的分类模型，包括：
[0016]获取预设的波形类别与分类模型之间的映射关系；
[0017]根据所述波形类别与分类模型之间的映射关系，确定与所述心电信号的波形类别对应的分类模型。
[0018]在其中一个实施例中，所述波形类别包括：波形自上而下向下、波形自下而上、波
形先自下而上后自上而下、波形先自上而下后自下而上中的任一种。
[0019]第二方面，本申请还提供了一种分类模型的训练方法，所述训练方法用于训练多个初始分类模型得到如第一方面所述的分类模型，所述训练方法包括：
[0020]获取多个波形类别的心电图的样本数据集；
[0021]将各所述波形类别的心电图的样本数据集输入到对应的初始分类模型中进行训练，得到与所述多个波形类别的心电图对应的多个分类模型。
[0022]在其中一个实施例中，所述得到与所述多个波形类别的心电图对应的多个分类模型之后，所述方法还包括：
[0023]建立所述多个波形类别与所述多个分类模型之间的映射关系。
[0024]第三方面，本申请还提供了一种心电图的分类装置。所述装置包括：
[0025]识别模块，用于对待分类心电图中的心电信号进行波形形态识别，得到所述心电信号的波形类别；
[0026]获取模块，用于获取与所述心电信号的波形类别对应的分类模型；所述分类模型为预先基于同一波形类别的心电图的样本数据训练得到；
[0027]分类模块，用于将所述待分类心电图输入至所述分类模型中进行心拍类型分类，得到分类结果。
[0028]第四方面，本申请还提供了一种计算机设备。所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
[0029]对待分类心电图中的心电信号进行波形形态识别，得到所述心电信号的波形类别；
[0030]获取与所述心电信号的波形类别对应的分类模型；所述分类模型为预先基于同一波形类别的心电图的样本数据训练得到；
[0031]将所述待分类心电图输入至所述分类模型中进行心拍类型分类，得到分类结果。
[0032]第五方面，本申请还提供了一种计算机可读存储介质。所述计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
[0033]对待分类心电图中的心电信号进行波形形态识别，得到所述心电信号的波形类别；
[0034]获取与所述心电信号的波形类别对应的分类模型；所述分类模型为预先基于同一波形类别的心电图的样本数据训练得到；
[0035]将所述待分类心电图输入至所述分类模型中进行心拍类型分类，得到分类结果。
[0036]上述心电图的分类方法、训练方法、装置、设备和存储介质，通过对待分类心电图中的心电信号进行波形形态识别，得到心电信号的波形类别，获取与心电信号的波形类别对应的分类模型，将待分类心电图输入至分类模型中进行心拍类型分类，得到分类结果。其中，分类模型为预先基于同一波形类别的心电图的样本数据训练得到。上述方法中，由于在对待分类心电图进行分类前，先根据心电信号的波形类别确定分类模型，那么该分类模型就是与待分类心电图匹配的分类模型，之后使用该分类模型对待分类心电图进行分类，即可得到准确的分类结果。另外，由于分类模型为预先基于同一波形类别的心电图的样本数据训练得到，也就是说，对于不同波形形态的样本数据训练得到不同的分类模型，样本数据预先考虑到了个体差异而进行了分类，那么基于各类别的样本数据训练得到的分类模型的
复杂度相对就会较低，同时也减少了对模型训练样本的依赖性，提高了本方法的实用性。
附图说明
[0037]图1为一个实施例中心电图的分类方法的应用环境图；
[0038]图2为一个实施例中心电图的分类方法的流程示意图；
[0039]图2A为一个实施例中一种波形类别的示意图；
[0040]图2B为一个实施例中另一种波形类别的示意图；
[0041]图2C为一个实施例中另一种波形类别的示意图；
[0042]图2D为一个实施例中另一种波形类别的示意图；
[0043]图2E为一个实施例中另一种波形类别的示意图；
[0044]图3为图2实施例中S101的一种实现方式的流程示意图；
[0045]图4为图2实施例中S102的一种实现方式的流程示意图；
[0046]图4A为一个实施例中映射表的流程示意图；
[0047]图5为另一个实施例中心电图的分类方法的流程示意图；
[0048]图5A为另一个实施例中心电图的分类方法的流程框图；
[0049]图6为一个实施例中训练分类模型的流程示意图；
[0050]图7为图6实施例中S501的一种实现方式的流程示意图；
[0051]图8为一本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种心电图的分类方法，其特征在于，所述方法包括：对待分类心电图中的心电信号进行波形形态识别，得到所述心电信号的波形类别；获取与所述心电信号的波形类别对应的分类模型；所述分类模型为预先基于同一波形类别的心电图的样本数据训练得到；将所述待分类心电图输入至所述分类模型中进行心拍类型分类，得到分类结果。2.根据权利要求1所述的方法，其特征在于，所述对待分类心电图中的心电信号进行波形形态识别，得到所述心电信号的波形类别，包括：从所述待分类心电图中的心电信号中提取主导信号；对所述主导信号进行波形形态识别，得到所述心电信号的波形类别。3.根据权利要求2所述的方法，其特征在于，所述从所述待分类心电图中的心电信号中提取主导信号，包括：提取待分类心电图中预设时间段内的心电信号作为所述主导信号。4.根据权利要求1或2所述的方法，其特征在于，所述获取与所述待分类心电图的波形类别对应的分类模型，包括：获取预设的波形类别与分类模型之间的映射关系；根据所述波形类别与分类模型之间的映射关系，确定与所述心电信号的波形类别对应的分类模型。5.根据权利要求1所述的方法，其特征在于，所述波形类别包括：波形自上而下、波形自下而上、波形先自下而上后自上而下、波形先自上而下后自下而上中的任一种。6.一种分类模...

【专利技术属性】
技术研发人员：刘洪涛，苏毅，刘建兵，曹旭钊，
申请(专利权)人：深圳市联影高端医疗装备创新研究院，
类型：发明
国别省市：