[發明專利]一種心電圖的異常標注方法及裝置

有效

• 申請號: 201910923829.1
• 申請日: 2019-09-27
• 公開（公告）號: CN110693486B
• 公開（公告）日: 2022-06-14
• 發明（設計）人: 朱佳兵;朱濤
• 申請（專利權）人: 武漢中旗生物醫療電子有限公司
• 主分類號: A61B5/346
• 分類號: A61B5/346;A61B5/361;A61B5/363;G16H50/20
• 代理公司: 武漢智嘉聯合知識產權代理事務所(普通合伙) 42231
• 代理人: 趙澤夏

本發明涉及心電異常識別技術領域，公開了一種心電圖的異常標注方法，包括以下步驟：建立第一數據集，標注所述第一數據集中各樣本數據的異常類型；以所述第一數據集作為樣本數據對神經網絡進行訓練得到異常分類模型；建立第二數據集，標注所述第二數據集中各樣本數據的異常類型以及異常區間；以所述第二數據集作為樣本數據對所述異常分類模型進行遷移學習訓練得到異常標注模型；根據所述異常標注模型進行心電圖的異常標注。本發明具有僅需少量異常位置標注的樣本數據即可實現心電異常識別的技術效果。

技術領域

本發明涉及心電異常識別技術領域，具體涉及一種心電圖的異常標注方法及裝置。

背景技術

神經網絡模型的建立，離不開對大量帶標注的高質量數據的訓練。心電圖，因信號弱，易受干擾的特點，加之心電圖種類繁多，診斷標準的不統一，導致雖然臨床上已積累了大量的心電圖數據，但質量往往不高。將這些臨床數據用于神經網絡訓練前，往往需要經過二次標注。而心電圖的標注成本往往很大。據不完全統計，標注一條稍復雜的12導聯10s心電圖的異常類別，無需標注異常區間，臨床醫師平均耗時50s左右。如果需要標注出具體的異常區間，所需時間更長。基于上述的現實原因，現有的心電圖標注往往僅給出異常類別，然后再利用深度學習技術構建一個端對端的模型，輸出心電圖異常類別。通過此方法構建的模型或系統，因為不可解釋性，往往無法得到醫生的認可，此外，由于僅僅給出了異常類別，對醫生也無法起到輔助診斷的作用。如果要構建既能識別異常類別又能識別異常區間的模型，則需要大量既標注有異常類別又標注有異常區間的樣本數據，但這類樣本數據獲取成本高。因此，樣本數據量稀少，阻礙了深度學習技術在心電圖異常區間定位上的應用。

發明內容

本發明的目的在于克服上述技術不足，提供一種心電圖的異常標注方法及裝置，解決現有技術中心電異常區間識別模型建立時樣本數據標注成本高的技術問題。

為達到上述技術目的，本發明的技術方案提供一種心電圖的異常標注方法，包括以下步驟：

建立第一數據集，標注所述第一數據集中各樣本數據的異常類型；

以所述第一數據集作為樣本數據對神經網絡進行訓練得到異常分類模型；

建立第二數據集，標注所述第二數據集中各樣本數據的異常類型以及異常區間；

以所述第二數據集作為樣本數據對所述異常分類模型進行遷移學習訓練得到異常標注模型；

根據所述異常標注模型進行心電圖的異常標注。

本發明還提供一種心電圖的異常標注裝置，包括處理器以及存儲器，所述存儲器上存儲有計算機程序，所述計算機程序被所述處理器執行時，實現所述心電圖的異常標注方法。

本發明還提供一種計算機存儲介質，其上存儲有計算機程序，所述計算機存儲介質被處理器執行時，實現所述心電圖的異常標注方法。

與現有技術相比，本發明的有益效果包括：由于樣本數據的異常類型標注較為容易，因此，本發明首先建立第一數據集，對第一數據集中各樣本數據進行異常類型的標注，通過第一數據集進行神經網絡訓練得到異常分類模型。然后建立第二數據集，第二數據集既標注了異常類型又標注了異常區間，以第二數據集對異常分類模型進行遷移學習訓練，得到異常標注模型，異常標注模型即可實現異常分類和異常區間的同時標注。由于本發明中異常標注模型是在異常分類模型的基礎之上進行遷移學習得到的，其繼承了異常分類模型的特征參數，因此具有一定的分類標注基礎，對于第二數據集的數據量要求變小，我們僅需少量的第二數據集，輔以大量的第一數據集即可實現心電異常分類以及異常區間的較高精確度的標注。

附圖說明

圖1是本發明提供的心電圖的異常標注方法一實施方式的流程圖；

圖2為采用本發明提供的心電圖的異常標注方法進行異常標注一實施方式的標注結果圖；