评估心电检测结果可信度的方法、装置、设备及存储介质制造方法及图纸

本申请公开了一种评估心电检测结果可信度的方法、装置、设备及存储介质，所述方法包括：将心电检测原始波形输入预训练的波形特征提取模型，得到提取出来的波形特征；将所述波形特征输入预训练的波形重构模型，得到重构的波形；根据所述重构的波形以及所述心电检测原始波形得到心电检测结果的可信度。根据本申请实施例提供的一种评估心电检测结果可信度的方法，可以通过预训练的神经网络模型对心电检测的波形特征进行波形重构，通过分析重构波形与原始波形的误差得到心电检测结果的可信度。该方法无需额外的人工标注，而且对原始心电分析算法没有影响，可以精确获知心电检测结果的可信度。可信度。可信度。

【技术实现步骤摘要】
评估心电检测结果可信度的方法、装置、设备及存储介质


[0001]本专利技术涉及心电波形数据分析
，特别涉及一种评估心电检测结果可信度的方法、装置、设备及存储介质。

技术介绍

[0002]随着社会向老龄化发展，心血管疾病的发病率和危害性不断上升。心电图(electrocardiogram，ECG)作为一种常规的体检项目，对心血管疾病的诊断和监测具有重要意义。在临床医学中，医生主要通过观察心电波形和测量某些关键参数来进行疾病诊断。
[0003]近年来，基于深度学习的算法凭借其优秀的预测精度，越来越多地应用于心电分析之中。然而，深度学习算法的泛化性受训练数据的影响很大，如果训练数据的分布不能反映真实的心电分布，则算法容易在训练数据分布上过拟合，则在遇到训练数据分布之外的样本时，其分析结果是不可靠的。但是，心电分析算法训练数据的获取成本很高，且很难判断数据分布是否能够反映真实的心电分布。

技术实现思路

[0004]本申请实施例提供了一种评估心电检测结果可信度的方法、装置、设备及存储介质。为了对披露的实施例的一些方面有一个基本的理解，下面给出了简单的概括。该概括部分不是泛泛评述，也不是要确定关键/重要组成元素或描绘这些实施例的保护范围。其唯一目的是用简单的形式呈现一些概念，以此作为后面的详细说明的序言。
[0005]第一方面，本申请实施例提供了一种评估心电检测结果可信度的方法，包括：
[0006]将心电检测原始波形输入预训练的波形特征提取模型，得到提取出来的波形特征；
[0007]将波形特征输入预训练的波形重构模型，得到重构的波形；
[0008]根据重构的波形以及心电检测原始波形得到心电检测结果的可信度。
[0009]在一个可选地实施例中，得到提取出来的波形特征之后，还包括：
[0010]根据提取的波形特征训练心电分析模型，心电分析模型为归一化层、卷积层、激活函数层组成的神经网络模型；
[0011]将提取出来的波形特征输入训练好的心电分析模型，得到用户的心电检测结果。
[0012]在一个可选地实施例中，根据重构的波形以及心电检测原始波形得到心电检测结果的可信度，包括：
[0013]根据如下公式计算可信度：
[0014][0015]其中，s表示心电检测结果的可信度，x表示重构的波形，μ表示心电检测原始波形，σ2表示预设的超参数。
[0016]在一个可选地实施例中，根据重构的波形以及心电检测原始波形得到心电检测结果的可信度，包括：
[0017]计算重构的波形与心电检测原始波形的波形误差；
[0018]获取波形误差对应的区间可信度，得到心电检测结果的可信度。
[0019]在一个可选地实施例中，得到心电检测结果的可信度之后，还包括：
[0020]判断可信度是否大于等于可信度阈值，若可信度大于等于可信度阈值，则心电检测结果可信；
[0021]若可信度小于可信度阈值，则心电检测结果不可信；
[0022]将心电检测结果的可信性信息发送给用户终端。
[0023]在一个可选地实施例中，将波形特征输入预训练的波形重构模型之前，还包括：
[0024]采用自监督的方法训练波形重构模型；
[0025]当重构误差小于预设误差阈值时，得到训练好的波形重构模型，波形重构模型为卷积神经网络模型。
[0026]在一个可选地实施例中，将心电检测原始波形输入预训练的波形特征提取模型之前，还包括：
[0027]获取心电检测原始波形。
[0028]第二方面，本公开实施例提供了一种评估心电检测结果可信度的装置，包括：
[0029]波形特征提取模块，用于将心电检测原始波形输入预训练的波形特征提取模型，得到提取出来的波形特征；
[0030]波形重构模块，用于将波形特征输入预训练的波形重构模型，得到重构的波形；
[0031]可信度评估模块，用于根据重构的波形以及心电检测原始波形得到心电检测结果的可信度。
[0032]第三方面，本公开实施例提供了一种评估心电检测结果可信度的设备，包括处理器和存储有程序指令的存储器，处理器被配置为在执行程序指令时，执行上述实施例提供的评估心电检测结果可信度的方法。
[0033]第四方面，本公开实施例提供了一种计算机可读介质，其上存储有计算机可读指令，计算机可读指令被处理器执行以实现上述实施例提供的一种评估心电检测结果可信度的方法。
[0034]本申请实施例提供的技术方案可以包括以下有益效果：
[0035]本申请实施例提供的一种评估心电检测结果可信度的方法，可以通过预训练的神经网络模型对心电检测的波形特征进行波形重构，通过分析重构波形与原始波形的误差得到心电检测结果的可信度。该方法是用自监督方法训练的，无需额外的人工标注，不会增加数据标注成本；而且是轻量级的，对原始心电分析算法的运行时间和预测精度没有影响，可以适用于多种心电分析任务，因为临床上心电波形分析是其他心电分析工作的基础，因此，本方法利用心电波形的重构误差计算可信度评分，可以满足绝大部分心电分析任务的需求，可以精确获知心电检测结果的可信度。
[0036]应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本专利技术。
附图说明
[0037]此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本专利技术的实施例，并与说明书一起用于解释本专利技术的原理。
[0038]图1是根据一示例性实施例示出的一种评估心电检测结果可信度的方法流程示意图；
[0039]图2是根据一示例性实施例示出的一种评估心电检测结果可信度的方法流程示意图；
[0040]图3是根据一示例性实施例示出的一种波形特征提取模型的示意图；
[0041]图4是根据一示例性实施例示出的一种心电分析模型的示意图；
[0042]图5是根据一示例性实施例示出的一种波形重构模型的示意图；
[0043]图6是根据一示例性实施例示出的一种心电检测原始波形以及重构波形的示意图；
[0044]图7是根据一示例性实施例示出的一种评估心电检测结果可信度的装置结构示意图；
[0045]图8是根据一示例性实施例示出的一种评估心电检测结果可信度的设备结构示意图；
[0046]图9是根据一示例性实施例示出的一种计算机存储介质的示意图。
具体实施方式
[0047]以下描述和附图充分地示出本专利技术的具体实施方案，以使本领域的技术人员能够实践它们。
[0048]应当明确，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本专利技术保护的范围。
[0049]下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本专利技术相一致的所有实施方式本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种评估心电检测结果可信度的方法，其特征在于，包括：将心电检测原始波形输入预训练的波形特征提取模型，得到提取出来的波形特征；将所述波形特征输入预训练的波形重构模型，得到重构的波形；根据所述重构的波形以及所述心电检测原始波形得到心电检测结果的可信度。2.根据权利要求1所述的方法，其特征在于，得到提取出来的波形特征之后，还包括：根据提取的波形特征训练心电分析模型，所述心电分析模型为归一化层、卷积层、激活函数层组成的神经网络模型；将提取出来的波形特征输入训练好的心电分析模型，得到用户的心电检测结果。3.根据权利要求1所述的方法，其特征在于，根据所述重构的波形以及所述心电检测原始波形得到心电检测结果的可信度，包括：根据如下公式计算所述可信度：其中，s表示心电检测结果的可信度，x表示重构的波形，μ表示心电检测原始波形，σ2表示预设的超参数。4.根据权利要求1所述的方法，其特征在于，根据所述重构的波形以及所述心电检测原始波形得到心电检测结果的可信度，包括：计算所述重构的波形与所述心电检测原始波形的波形误差；获取所述波形误差对应的区间可信度，得到所述心电检测结果的可信度。5.根据权利要求1所述的方法，其特征在于，得到心电检测结果的可信度之后，还包括：判断所述可信度是否大于等于可信度阈值，若所述可信度大于等于所述可信度阈值，则心电检测结果...

【专利技术属性】
技术研发人员：李振齐，赵巍，
申请(专利权)人：广州视源人工智能创新研究院有限公司，
类型：发明
国别省市：