心电分类方法、系统、电子设备及存储介质技术方案

本发明专利技术公开一种心电分类方法、系统、电子设备及存储介质，方法包括：对获取到的多张心电图进行预处理操作，得到源域数据集和目标域数据集；将源域数据集输入预设的类加权宽度学习模型进行权重计算，得到源域连接权重；将目标域数据集以及源域连接权重输入预设的域适应类加权宽度学习模型进行知识迁移，得到目标域连接权重；根据源域连接权重以及目标域连接权重对域适应类加权宽度学习模型进行训练，得到心电分类模型；将目标域数据集输入心电分类模型进行心电分类，得到分类标签。在本发明专利技术实施例中，能够实现对不同对象的各类心拍准确且快速的识别，解决对象之间心电特征差异显著的问题。问题。问题。

【技术实现步骤摘要】
心电分类方法、系统、电子设备及存储介质


[0001]本专利技术涉及信息处理
，尤其涉及一种心电分类方法、系统、电子设备及存储介质。

技术介绍

[0002]心血管疾病是全球的头号死因，而心律失常作为心血管疾病中的一组重要疾病已经成为造成全球死亡率增加的主要因素。在过去的几十年里，出现了许多基于传统机器学习模型或深度学习模型的通用和自动心律失常检测方法。在传统的机器学习模型中，特征提取和分类是分开进行的。和传统机器学习模型不同，深度学习模型同时执行特征提取和分类，其中可以以渐进的方式自适应地学习特征，而不需要领域专家的参与。
[0003]但由于可靠心电图分析的两个主要问题被忽视，它们在临床或实践中的广泛使用仍然存在巨大挑战。一个主要问题是不同患者心电图波形的形态差异很大。很多通用系统采用固定模式，在该模式中，分类器在公共ECG(E lectro Card io Gram，ECG)数据集上进行训练，然后直接应用于所有患者而不进行自适应。因此，它们在对新患者的心电图信号进行分类时表现出性能不稳定的这一共同缺点。另一个问题是，正常心拍的数量远多于异常心拍的数量。心拍类之间的这种不平衡导致一般模型的性能偏向于多数类(正常心拍)。然而，在心律失常分析中，对少数类(异常心拍)的检测更值得关注，这就导致了对心电信号分类的偏差，不能准确对异常心拍进行识别。

技术实现思路

[0004]以下是对本文详细描述的主题的概述。
[0005]本专利技术实施例提供了一种心电分类方法、系统、电子设备及存储介质，能够实现对不同对象的各类心拍准确且快速识别。
[0006]第一方面，本专利技术实施例提供了一种心电分类方法，所述方法包括：
[0007]对获取到的多张心电图进行预处理操作，得到源域数据集和目标域数据集；
[0008]将源域数据集输入预设的类加权宽度学习模型进行权重计算，得到源域连接权重；
[0009]将所述目标域数据集以及所述源域连接权重输入预设的域适应类加权宽度学习模型进行知识迁移，得到目标域连接权重；
[0010]根据所述源域连接权重以及所述目标域连接权重对所述域适应类加权宽度学习模型进行训练，得到心电分类模型；
[0011]将所述目标域数据集输入所述心电分类模型进行心电分类，得到分类标签。
[0012]本专利技术实施例提供的心电分类方法，至少具有如下有益效果：对获取到的多张心电图进行预处理操作，从而实现对不同对象的心电图的区分，得到源域数据集和目标域数据集，之后，将源域数据集输入预设的类加权宽度学习模型进行权重计算，得到用于表征源域知识的源域连接权重，再将目标域数据集以及源域连接权重输入域适应类加权宽度学习
模型进行知识迁移，得到目标域连接权重，从而实现源域知识到目标域的迁移，解决对象之间心电特征差异显著的问题，最后，根据源域连接权重以及目标域连接权重对域适应类加权宽度学习模型进行训练，能够通过给不同心电类别分配不同的权重系数来约束对模型的贡献，得到心电分类模型，将目标域数据集输入心电分类模型进行心电分类，得到分类标签，从而能够实现对不同对象的各类心拍准确且快速的识别，解决对象之间心电特征差异显著的问题。
[0013]在一些实施例中，所述心电图包括第一心电图集和第二心电图集，其中，所述第一心电图集为历史对象的第一心电图，所述第二心电图集为特定对象的第二心电图；所述对获取到的多张心电图进行预处理操作，得到源域数据集和目标域数据集，包括：
[0014]基于预设的定位算法对所述第一心电图和所述第二心电图进行波峰检测，确定所述第一心电图中的第一R波峰以及所述第二心电图中的第二R波峰；
[0015]根据预设的信号长度对所述第一R波峰以及所述第二R波峰进行信号分割，得到多个与所述第一R波峰对应的第一心拍片段以及与所述第二R波峰对应的第二心拍片段；
[0016]对所述第一心拍片段以及所述第二心拍片段进行归一化操作；
[0017]根据归一化后的第一心拍片段生成所述源域数据集，并根据归一化后的第二心拍片段生成目标域数据集。
[0018]在一些实施例中，在所述将源域数据集输入预设的域适应类加权宽度学习模型进行权重计算，得到源域连接权重之前，还包括：
[0019]在所述目标域数据集中，根据预设的时间区间对所述第二心拍片段进行选取，得到目标域训练数据，并将剩余的所述第二心拍片段作为目标域测试数据。
[0020]在一些实施例中，所述将源域数据集输入预设的类加权宽度学习模型进行权重计算，得到源域连接权重，包括：
[0021]获取所述源域数据集中的源域样本类别；
[0022]对所述源域样本类别进行贴标签操作，得到与所述源域样本类别对应的源域标签矩阵；
[0023]将所述源域数据集输入所述类加权宽度学习模型进行特征计算，得到第一特征节点；
[0024]基于预设的非线性激活函数对所述第一特征节点进行计算，得到第一增强节点；
[0025]计算所述源域样本类别的第一训练权重，并对所述第一训练权重、所述第一特征节点以及所述第一增强节点进行组合，生成第一加权扩展矩阵；
[0026]根据所述第一加权扩展矩阵以及所述源域标签矩阵训练所述类加权宽度学习模型，生成源域连接权重。
[0027]在一些实施例中，所述将所述目标域数据集以及所述源域连接权重输入预设的域适应类加权宽度学习模型进行知识迁移，得到目标域连接权重，包括：
[0028]获取所述目标域训练数据中的目标样本类别；
[0029]对所述目标样本类别进行贴标签操作，得到与所述目标样本类别对应的目标标签矩阵；
[0030]将所述目标域训练数据输入所述域适应类加权宽度学习模型进行随机特征计算，得到第二特征节点；
[0031]基于预设的非线性激活函数对所述第二特征节点进行计算，得到第二增强节点；
[0032]计算所述目标样本类别的第二训练权重，并对所述第二训练权重、所述第二特征节点以及所述第二增强节点进行组合，生成第二加权扩展矩阵；
[0033]根据所述第二加权扩展矩阵、所述源域连接权重以及所述目标标签矩阵对所述域适应类加权宽度学习模型进行训练，得到目标域连接权重。
[0034]在一些实施例中，所述将所述目标域数据集输入所述心电分类模型进行心电分类，得到分类标签，包括：
[0035]将所述目标域测试数据输入所述心电分类模型进行节点计算，得到所述目标域测试数据的第三特征节点和第三增强节点；
[0036]对所述第三特征节点和所述第三增强节点进行节点串联，得到第三扩展矩阵；
[0037]将所述第三扩展矩阵以及所述目标域连接权重输入所述心电分类模型进行心电预测，输出预测输出矢量；
[0038]根据所述预测输出矢量确定与所述目标域测试数据对应的所述分类标签。
[0039]在一些实施例中，所述分类标签包括如下之一：
[0040]非异位心拍；
[0041]室上性异位心拍；<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，所述方法包括：对获取到的多张心电图进行预处理操作，得到源域数据集和目标域数据集；将源域数据集输入预设的类加权宽度学习模型进行权重计算，得到源域连接权重；将所述目标域数据集以及所述源域连接权重输入预设的域适应类加权宽度学习模型进行知识迁移，得到目标域连接权重；根据所述源域连接权重以及所述目标域连接权重对所述域适应类加权宽度学习模型进行训练，得到心电分类模型；将所述目标域数据集输入所述心电分类模型进行心电分类，得到分类标签。2.根据权利要求1所述的心电分类方法，其特征在于，所述心电图包括第一心电图集和第二心电图集，其中，所述第一心电图集为历史对象的第一心电图，所述第二心电图集为特定对象的第二心电图；所述对获取到的多张心电图进行预处理操作，得到源域数据集和目标域数据集，包括：基于预设的定位算法对所述第一心电图和所述第二心电图进行波峰检测，确定所述第一心电图中的第一R波峰以及所述第二心电图中的第二R波峰；根据预设的信号长度对所述第一R波峰以及所述第二R波峰进行信号分割，得到多个与所述第一R波峰对应的第一心拍片段以及与所述第二R波峰对应的第二心拍片段；对所述第一心拍片段以及所述第二心拍片段进行归一化操作；根据归一化后的第一心拍片段生成所述源域数据集，并根据归一化后的第二心拍片段生成目标域数据集。3.根据权利要求2所述的心电分类方法，其特征在于，在所述将源域数据集输入预设的域适应类加权宽度学习模型进行权重计算，得到源域连接权重之前，还包括：在所述目标域数据集中，根据预设的时间区间对所述第二心拍片段进行选取，得到目标域训练数据，并将剩余的所述第二心拍片段作为目标域测试数据。4.根据权利要求1所述的心电分类方法，其特征在于，所述将源域数据集输入预设的类加权宽度学习模型进行权重计算，得到源域连接权重，包括：获取所述源域数据集中的源域样本类别；对所述源域样本类别进行贴标签操作，得到与所述源域样本类别对应的源域标签矩阵；将所述源域数据集输入所述类加权宽度学习模型进行特征计算，得到第一特征节点；基于预设的非线性激活函数对所述第一特征节点进行计算，得到第一增强节点；计算所述源域样本类别的第一训练权重，并对所述第一训练权重、所述第一特征节点以及所述第一增强节点进行组合，生成第一加权扩展矩阵；根据所述第一加权扩展矩阵以及所述源域标签矩阵训练所述类加权宽度学习模型，生成源域连接权重。5.根据权利要求3所述的心电分类方法，其特征在于，所述将所述目标域数据集以及所述源域连...

【专利技术属性】
技术研发人员：司玉娟，范伟，孙美琪，周琳，
申请(专利权)人：珠海科技学院，
类型：发明
国别省市：