[发明专利]一种分类方法、系统、电子设备及存储介质

权利要求书

1.一种分类方法，其特征在于，应用于电子设备，包括：

对多个心电信号的训练样本通过自动诊断算法进行计算，获得多个导联信号以及多个导联信号的特征值；

对所述多个导联信号的特征值进行时域特征算法计算和排序筛选，获得多个筛选后的特征值；其中，所述时域特征算法包括随机森林算法、决策树算法以及梯度提升决策树算法；

根据多个训练样本和所述多个筛选后的特征值输入第一学习模型进行训练，获得训练后的第一分类算法；

根据所述多个训练样本的多个导联信号输入第二学习模型进行训练，获得训练后的第二分类算法；

将待测样本输入第一分类算法，计算获得第一概率列表，以及，将所述待测样本输入第二分类算法，计算获得第二概率列表；所述第一概率列表以及所述第二概率列表包括所述待测样本归属于各目标分类的概率；

从所述第一概率列表中筛选出概率最高的第一分类，以及，从所述第二概率列表中筛选出概率最高的第二分类；

判断所述第一分类与所述第二分类是否相同；

若否，则将各目标分类在所述第一概率列表中的概率与在所述第二概率列表中的概率相加，获得各目标分类的概率和值，形成第三概率列表；

从所述第三概率列表中筛选出概率最高的第三分类，并将所述第三分类作为最终分类。

2.如权利要求1所述的分类方法，其特征在于，在所述判断所述第一分类与所述第二分类是否相同之后，还包括：

若所述第一分类与所述第二分类相同，则将所述第一分类作为最终分类。

3.如权利要求1所述的分类方法，其特征在于，所述对所述多个导联信号的特征值进行时域特征算法计算和排序筛选，获得多个筛选后的特征值，包括：

使用所述决策树算法对所述多个特征值进行计算，获得多个特征值的第一分值；

使用所述随机森林算法对所述多个特征值进行计算，获得多个特征值的第二分值；

使用所述梯度提升决策树算法对所述多个特征值进行拟合计算，获得多个特征值的第三分值；

将所述多个特征值的第一分值、所述多个特征值的第二分值和所述多个特征值的第三分值分别相加，获得所述多个特征值的重要分；

对所述多个特征值的重要分进行从高到低排序后，筛选出前面预设数量的特征值，获得多个筛选后特征值。

4.如权利要求1所述的分类方法，其特征在于，所述根据多个训练样本和所述多个筛选后的特征值输入第一学习模型进行训练，获得训练后的第一分类算法，包括：

将所述多个筛选后特征值作为所述第一学习模型的训练参数，所述第一学习模型包括梯度提升决策树模型；

将所述多个训练样本和所述多个筛选后的特征值作为输入对第一学习模型进行训练，获得训练后的第一分类算法。

5.如权利要求1所述的分类方法，其特征在于，所述根据所述多个训练样本的多个导联信号输入第二学习模型进行训练，获得训练后的第二分类算法，包括：

将第一卷积层、最大池化层和第一归一化层依次相连，获得降维模块；

将第二卷积层、第二归一化层、激活函数层和第三卷积层依次相连，获得残差模块；

将多个所述残差模块依次相连，获得残差模块组；

将全局归一化层、全局激活函数层、全局池化层和全连接层依次连接，获得全局模块；

将所述降维模块、所述残差模块组和所述全局模块依次相连，获得所述第二学习模型；

将所述多个训练样本作为输入对所述第二学习模型进行训练，获得所述第二分类算法。

6.如权利要求5所述的分类方法，其特征在于，在所述将所述降维模块、所述残差模块组和所述全局模块依次相连，获得所述第二学习模型之后，还包括：

将直连归一化层和直连激活函数层连接，获得跨层直连模块；

将所述降维模块、所述跨层直连模块和所述全局模块依次相连，获得所述第二学习模型。