[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

本發明涉及人工智能技術領域，揭露一種基于機器學習的心電數據分類的方法，包括：獲取對心電數據處理得到的多個等長的心跳數據；響應于心電分類任務的觸發指令，將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，心電分類模型包括多個表征模塊和心跳聚合模塊，使用表征模塊提取多個等長的心跳數據的向量表征，使用心跳聚合模塊融合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。本發明通過將心跳周期性融入數據形式與模型結構中，能夠降低訓練過程中模型解耦所需的計算復雜度，提高模型應用效果，使得心電數據分類結果具有更高的準確度。

技術領域

本發明涉及人工智能技術領域，尤其是涉及到基于機器學習的心電數據分類的方法、裝置、計算機設備及計算機存儲介質。

背景技術

隨著機器學習的火熱發展，越來越多的領域都將機器學習方法和自己的領域相互結合，醫療領域也不例外，例如：通過對心電數據進行分類、預測等等，通過對大量心電數據的分析，可以幫助醫生發現許多心臟疾病，如房顫、心肌梗死、急性低血壓等，進而判斷病人的心臟狀況。

現有技術中，機器學習通過借助多層神經網絡模型，可以很好地實現復雜非線性函數映射關系的描述，并且可以對心電數據背后隱藏的特征進行自主挖掘，從而完成對心電數據的分類任務。然而，由于新型傳感技術的迅速發展，需要分析的心電數據不僅數量龐大，而且結構復雜，上述使用機器學習的方法來進行心電數據的分類時并未考慮到心電數據自身的特征，并且在訓練過程中模型結構所需的計算復雜度較高，使得模型應用效果不理想，影響心電數據分類結果的準確性。

發明內容

有鑒于此，本發明提供了一種基于機器學習的心電數據分類的方法、裝置、計算機設備及計算機存儲介質，主要目的在于解決現有技術使用機器學習的方法在訓練過程中模型結構所需的計算復雜度較高，使得模型應用效果不理想，影響心電數據分類結果的準確性的問題。

依據本發明一個方面，提供了一種基于機器學習的心電數據分類的方法，該方法包括：

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；

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。

在本發明另一實施例中，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。

在本發明另一實施例中，在所述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之前，所述方法還包括：

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，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所述多個心跳樣本的向量表征之間的信息；

所述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；