[發明專利]基于機器學習的心電數據分類方法及裝置

有效

• 申請號: 202111017411.8
• 申請日: 2021-08-31
• 公開（公告）號: CN113693611B
• 公開（公告）日: 2022-10-14
• 發明（設計）人: 徐嘯;李曉宇;孫瑜堯
• 申請（專利權）人: 平安科技（深圳）有限公司
• 主分類號: A61B5/346
• 分類號: A61B5/346;A61B5/024
• 代理公司: 北京中強智尚知識產權代理有限公司 11448
• 代理人: 黃耀威

1.一種基于機器學習的心電數據分類方法，其特征在于，所述方法包括：

獲取對心電數據處理得到的多個等長的心跳數據，多個等長的所述心跳數據具有相同的時間長度，具體利用心跳周期進行分割后所形成的不同長度的心電片段進行重采樣得到；

基于預先設置的心電分類任務標簽，將多個等長的心跳樣本輸入至網絡模型中進行訓練，構建心電分類模型具體包括：基于預先設置的心電分類任務標簽，確定所述多個等長的心跳樣本中每個心跳樣本對應的類別標簽和相應重采樣因子，所述重采樣因子為重采樣的頻率比例量化形成的數值；將攜帶有類別標簽的心跳樣本與相應重采樣因子進行拼接后，分別輸入至不同的表征模塊進行訓練，得到每個心跳樣本的向量表征；將各個表征模塊輸出的心跳樣本的向量表征匯總后輸入至聚合模塊進行訓練，得到心跳樣本在不同類別上的映射關系，構建心電分類模型，所述網絡模型包括多個表征模塊和心跳聚合模塊，所述表征模塊用于學習單個心跳樣本的向量表征，所述心跳聚合模塊用于融合多個所述心跳樣本的向量表征之間的信息；

響應于心電分類任務的觸發指令，將所述多個等長的心跳數據輸入至預先構建的心電分類模型中進行預測，所述心電分類模型包括多個表征模塊和心跳聚合模塊，使用所述表征模塊提取多個等長的心跳數據的向量表征，使用所述心跳聚合模塊融合所述多個等長的心跳數據的向量表征之間的信息；

將融合后心跳數據的向量表征處理到心跳數據在不同類別上的映射關系，輸出心電數據的分類結果。

2.根據權利要求1所述的方法，其特征在于，所述獲取對心電數據處理得到的多個等長的心跳數據，具體包括：

將心電數據進行分割得到不同時間長度的心電片段，所述心電片段為一個心跳周期；

針對所述不同時間長度的心電片段進行重采樣處理，得到多個等長的心跳數據。

3.根據權利要求1所述的方法，其特征在于，所述表征模塊包括歸一化層和自注意力層，所述將攜帶有類別標簽的心跳樣本與相應重采樣因子進行拼接后，分別輸入至不同的表征模塊進行訓練，得到每個心跳樣本的向量表征，具體包括：

將攜帶有標簽類別的心跳樣本經過線性映射后與相應重采樣因子進行拼接后，分別輸入至單個心跳的表征模塊進行訓練；

利用所述表征模塊的自注意力層，對拼接后的心跳樣本進行特征編碼，得到單個心跳樣本的向量表征；

利用所述表征模塊的歸一化層，將所述單個心跳樣本的向量表征映射到穩定分布的向量空間，以使得編碼后的向量表征具有相同維度。

4.根據權利要求3所述的方法，其特征在于，所述自注意力層加入有窗口機制，所述利用所述表征模塊的自注意力層，對拼接后的心跳樣本進行特征編碼，得到單個心跳樣本的向量表征，具體包括：

利用所述窗口機制，將所述拼接后的心跳樣本進行使用預設窗口長度進行劃分，得到多個窗口的心跳樣本數據；

將所述表征模塊的自注意力層作用于每個窗口的心跳樣本數據，得到單個心跳樣本的向量表征。

5.根據權利要求1所述的方法，其特征在于，所述心跳聚合模塊包括卷積層、池化層和歸一化層，所述將各個表征模塊輸出的心跳樣本的向量表征匯總后輸入至聚合模塊進行訓練，得到心跳樣本在不同類別上的映射關系，構建心電分類模型，具體包括：

將各個表征模塊輸出的心跳樣本的向量表征匯總后輸入至聚合模塊的卷積層，對所述匯總后心跳樣本的向量表征進行特征提??；

利用所述聚合模塊的歸一化層，將特征提取后的向量表征映射到穩定分布的向量空間，以使得特征提取后的向量表征具有相同維度；

利用所述聚合模塊的池化層，對特征提取后具有相同維度的向量表征進行降維度處理，得到心跳樣本在不同類別上的映射關系，構建心電分類模型。

6.根據權利要求1-5中任一項所述的方法，其特征在于，在所述將融合后心跳數據的向量表征處理到心跳數據在不同類別上的映射關系，輸出心電數據的分類結果之后，所述方法還包括：

根據所述心電數據的分類結果，記錄所述心電數據的分布特征；

將所述心電數據的分布特征映射到心電分類任務設置的各個維度指標上，以對各個維度指標進行異常評估。