[发明专利]多通道和伴心律迁移学习

权利要求书

1.一种用于对心脏事件进行分类的计算机实现的方法，包括：

通过使用机器学习架构中的第一阶段分析患者的心电图(ECG)数据来生成特征集；

基于所述特征集使用所述机器学习架构中的第一阶段对所述ECG数据中的第一心脏事件进行分类；并且

基于经分类的第一心脏事件和所述特征集，使用所述机器学习架构中的第二阶段对所述ECG数据中的第二心脏事件进行分类，其中，所述第二心脏事件与所述第一心脏事件至少在时间上部分重叠。

2.根据权利要求1所述的计算机实现的方法，其中，经分类的第一事件和经分类的第二事件有利于对所述患者进行医疗。

3.根据权利要求1所述的计算机实现的方法，其中，经分类的第一事件包括主心律，并且其中，经分类的第二事件包括伴心律。

4.根据权利要求3所述的计算机实现的方法，其中，所述机器学习架构的第二阶段被配置为识别预先测定的伴心律的类型。

5.根据权利要求4所述的计算机实现的方法，其中，所述机器学习架构的第二阶段被配置为提供关于所述ECG数据是否包括预先测定的伴心律的类型的二元测定。

6.根据权利要求1所述的计算机实现的方法，其中，所述机器学习架构包括多个附加阶段，并且其中，每个附加阶段被配置为识别不同类型的伴心律。

7.根据权利要求1所述的计算机实现的方法，其中，对所述第二心脏事件进行分类还包括：

将经分类的第一心脏事件和所述特征集作为输入提供给所述机器学习架构中第二阶段的层。

8.根据权利要求7所述的计算机实现的方法，其中，所述层包括全连接层或softmax层中的至少一者。

9.根据权利要求1所述的计算机实现的方法，其中，所述机器学习架构中的第一阶段包括卷积神经网络，所述网络包括一组连接层，所述一组连接层包括：

卷积层；

批量归一化层；

激活函数层；以及

正则化层。

10.根据权利要求9所述的计算机实现的方法，其中，所述正则化层包括dropout层。

11.根据权利要求1所述的计算机实现的方法，其中，所述机器学习架构包括监督机器学习架构，并且其中，所述机器学习架构的第二阶段是基于所述机器学习架构的第一阶段训练的。

12.根据权利要求1所述的计算机实现的方法，其中，所述机器学习架构包括监督机器学习架构，并且其中，所述机器学习架构的第二阶段与所述机器学习架构的第一阶段同时训练。

13.一种对心脏事件进行分类的计算机实现的方法，包括：

接收与患者有关的多通道的心电图(ECG)数据；

生成多个特征集，每个特征集对应于多个ECG数据通道中的对应一个，其中，每个特征集是使用机器学习架构中的相应路径生成的；并且

基于与所述多个ECG数据通道相对应的多个特征集，使用所述机器学习架构对所述ECG数据中的心脏事件进行分类。

14.根据权利要求13所述的计算机实现的方法，其中，经分类的心脏事件有利于对患者进行医疗。

15.根据权利要求13所述的计算机实现的方法，其中，对所述心脏事件进行分类还包括：

将所述多个特征集作为输入提供给所述机器学习架构中的层。

16.根据权利要求15所述的计算机实现的方法，其中，所述层包括全连接层或softmax层中的至少一者。