[發(fā)明專利]心電數(shù)據(jù)分類方法、裝置、計算機設(shè)備和存儲介質(zhì)

有效

• 申請?zhí)枺?/td>: 201811597800.0
• 申請日: 2018-12-26
• 公開（公告）號: CN109620205B
• 公開（公告）日: 2022-10-28
• 發(fā)明（設(shè)計）人: 李巍豪;梁欣然;周翔
• 申請（專利權(quán)）人: 上海聯(lián)影智能醫(yī)療科技有限公司
• 主分類號: A61B5/318
• 分類號: A61B5/318;A61B5/346;A61B5/00
• 代理公司: 北京華進京聯(lián)知識產(chǎn)權(quán)代理有限公司 11606
• 代理人: 朱五云

本申請涉及一種心電數(shù)據(jù)分類方法、裝置、計算機設(shè)備和存儲介質(zhì)。該方法包括：獲取待分類的心電數(shù)據(jù)，并根據(jù)心電數(shù)據(jù)和預(yù)設(shè)的分類模型，對心電數(shù)據(jù)中的心拍進行分類，得到心拍類別。采用該方法，由于上述分類模型包括LSTM網(wǎng)絡(luò)和注意力網(wǎng)絡(luò)，因此，引入實現(xiàn)注意力機制確定心拍類別，使得對心拍分類的準確率大大提高，進而使得依據(jù)心拍類別確定的心臟病種類的準確性大大提高。

技術(shù)領(lǐng)域

本申請涉及計算機技術(shù)領(lǐng)域，特別是涉及一種心電數(shù)據(jù)分類方法、裝置、計算機設(shè)備和存儲介質(zhì)。

背景技術(shù)

隨著計算機技術(shù)的快速發(fā)展，計算機已經(jīng)越來越多的替代了人們的勞動，使得人們的工作和生活越來越便利。

在醫(yī)療領(lǐng)域中，心電圖波形是醫(yī)生分析和診斷心臟疾病的最重要信息，也是實時監(jiān)測各類疾病患者生理狀況的重要指標。通常患者在醫(yī)院或者體檢機構(gòu)通過專業(yè)醫(yī)師使用專門心電設(shè)備采集心電數(shù)據(jù)完成，再對心電數(shù)據(jù)的整體波形圖和各個波段信息進行分析得到患者的心電數(shù)據(jù)所屬的類別。為了提高心電數(shù)據(jù)分類的準確性和效率，計算機輔助分類技術(shù)應(yīng)用于心電數(shù)據(jù)的分類中，該技術(shù)可以基于現(xiàn)有的神經(jīng)網(wǎng)絡(luò)模型對心電數(shù)據(jù)進行分類，例如基于卷積神經(jīng)網(wǎng)絡(luò)進行分類，具體為，將心電圖每個峰值區(qū)間按照類別進行人工標注，再把整個數(shù)據(jù)片段傳入神經(jīng)網(wǎng)絡(luò)模型進行訓練和分類。

然而，采用現(xiàn)有的神經(jīng)網(wǎng)絡(luò)模型對心電數(shù)據(jù)進行分類，其準確率不高。

發(fā)明內(nèi)容

基于此，有必要針對上述技術(shù)問題，提供一種能夠提高分類的準確率的心電數(shù)據(jù)分類方法、裝置、計算機設(shè)備和存儲介質(zhì)。

第一方面，本申請實施例提供一種心電數(shù)據(jù)分類方法，所述方法包括：

獲取待分類的心電數(shù)據(jù)；

根據(jù)所述心電數(shù)據(jù)和預(yù)設(shè)的分類模型，對所述心電數(shù)據(jù)中的心拍進行分類，得到所述心拍類別，其中，所述分類模型包括長短期記憶(Long Short-Term Memory，簡稱LSTM)網(wǎng)絡(luò)和注意力網(wǎng)絡(luò)。

在其中一個實施例中，所述根據(jù)所述心電數(shù)據(jù)和預(yù)設(shè)的分類模型，對所述心電數(shù)據(jù)中的心拍進行分類之前，還包括：

對所述心電數(shù)據(jù)進行預(yù)處理，得到標準心電數(shù)據(jù)，所述預(yù)處理包括心拍電壓值歸一化和時間長度剪裁。

在其中一個實施例中，所述分類模型包括：編碼網(wǎng)絡(luò)、注意力網(wǎng)絡(luò)和解碼網(wǎng)絡(luò)，所述編碼網(wǎng)絡(luò)和所述解碼網(wǎng)絡(luò)為卷積神經(jīng)網(wǎng)絡(luò)或循環(huán)神經(jīng)網(wǎng)絡(luò)，所述根據(jù)所述心電數(shù)據(jù)和預(yù)設(shè)的分類模型，對所述心電數(shù)據(jù)中的心拍進行分類，包括：

將所述心電數(shù)據(jù)輸入所述編碼網(wǎng)絡(luò),得到心電數(shù)據(jù)特征矩陣；

將所述心電數(shù)據(jù)特征矩陣輸入所述注意力網(wǎng)絡(luò)，通過所述注意力網(wǎng)絡(luò)對所述心電數(shù)據(jù)特征矩陣進行特征加權(quán)，得到心電數(shù)據(jù)注意力加權(quán)特征矩陣；

將所述心電數(shù)據(jù)加權(quán)特征矩陣輸入所述解碼網(wǎng)絡(luò)，得到所述心電數(shù)據(jù)對應(yīng)的分類結(jié)果。

在其中一個實施例中，所述根據(jù)所述心電數(shù)據(jù)和預(yù)設(shè)的分類模型，對所述心電數(shù)據(jù)中的心拍進行分類之前，包括：

獲取多個初始心電數(shù)據(jù)，將多個所述初始心電數(shù)據(jù)進行預(yù)處理，得到多個心電訓練數(shù)據(jù)，所述預(yù)處理包括心拍電壓值歸一化和時間長度剪裁；

將所述多個心電訓練數(shù)據(jù)輸入預(yù)設(shè)的初始分類模型中進行訓練，得到所述分類模型。

在其中一個實施例中，所述將所述多個心電訓練數(shù)據(jù)輸入預(yù)設(shè)的初始分類模型中進行訓練，得到所述分類模型，包括：

將多個所述心電訓練數(shù)據(jù)輸入所述編碼網(wǎng)絡(luò)，得到經(jīng)過所述編碼網(wǎng)絡(luò)的隱藏層輸出的多個心電訓練數(shù)據(jù)特征矩陣；

將多個所述心電訓練數(shù)據(jù)特征矩陣輸入所述注意力網(wǎng)絡(luò)，通過所述注意力網(wǎng)絡(luò)對所述心電訓練數(shù)據(jù)特征矩陣進行特征加權(quán)，得到多個心電訓練數(shù)據(jù)加權(quán)特征矩陣；