[发明专利]心电信号分类方法、装置、电子设备和存储介质

说明书

本申请实施例涉及一种心电信号分类方法、装置、电子设备和存储介质。本申请实施例的心电信号分类方法包括：获取心电信号；从心电信号检测出QRS复合波；对检测出QRS复合波的心电信号进行单心拍切割后打包成多个心拍包；将所述多个心拍包输入至基于多示例学习的分类器模型，得到每个心拍包的类型识别结果，其中，所述基于多示例学习的分类器模型在分类时，将每个所述心拍包作为一个示例包，并将所述心拍包中的每个心拍信号作为所述示例包中的一个示例，所述类型识别结果包括正常节律类型和异常节律类型。本申请实施例的心电信号分类方法有效降低了人工标注心拍进行机器学习分类时所花费的时间和人力成本。

技术领域

本申请实施例涉及心电信号分类技术领域，特别是涉及一种心电信号分类方法、装置、电子设备和存储介质。

背景技术

心脏疾病是一种常见的心内科疾病，由心脏结构受损或功能异常引起。心脏疾病可以通过心电图(ECG)信号进行检测，心电图是由心肌产生的生物电变化的波形记录，通过24小时动态心电图可监测到心脏出现的偶尔异常，可以更准确的判断是否有心脏疾病。传统的心电信号需要受过训练的心脏病医生标记的心跳注释以进行分类。但是，在连续的心电图监测过程中，心电图记录至少长达24小时，并且包含100,000～200,000个心拍波形，这一数量通常过于庞大而难以被心脏病专家一一标记。

自动分类是心电图信号监测中必不可少的功能，在临床实践中，可以通过提取基于临床症状的各种类型的特征，然后通过机器学习技术对特征进行分类，但是，这些监督式学习方法该技术要求训练集中每一个心拍都要被一位或多位具有专业领域知识的经验丰富的心脏病专家进行注释，造成巨大的标注成本。

发明内容

本申请实施例提供了一种心电信号分类方法、装置、电子设备和存储介质，有效降低了人工标注心拍进行机器学习分类时所花费的时间和人力成本。

第一方面，本申请实施例提供了一种心电信号分类方法，包括步骤：

获取心电信号；

从所述心电信号检测出QRS复合波；

对检测出所述QRS复合波的心电信号进行单心拍切割，并将切割后的心拍信号打包成多个心拍包，其中，每个所述心拍包中包括多个心拍信号；

将所述多个心拍包输入至基于多示例学习的分类器模型，得到每个心拍包的类型识别结果，其中，所述基于多示例学习的分类器模型在分类时，将每个所述心拍包作为一个示例包，并将所述心拍包中的每个心拍信号作为所述示例包中的一个示例，所述类型识别结果包括正常节律类型和异常节律类型。

可选的，所述分类器模型为端到端的第一深度网络模型，所述将所述多个心拍包输入至基于多示例学习的分类器模型，得到每个心拍包的心电异常节律类型识别结果，包括：

将所述多个心拍包输入至所述第一深度网络模型；

通过所述第一深度网络模型提取所述多个心拍包中每个心拍的特征，并根据所述每个心拍的特征进行分类，得到每个心拍包的类型识别结果。

所述分类器模型为端到端的第一深度网络模型时，从特征提取到分类，都处于一个网络结构，便于整体调参，从而学到更具表征性的特征，增加模型的泛化能力。

可选的，在一个具体的实现中，所述第一深度网络模型包括依次排列的以下层次结构：

第一输入层，用于输入所述多个心拍包；

第一卷积层，用于对所述多个心拍包进行特征提取，并输出特征图像；

第一最大池化层，用于对所述第一卷积层输出的特征图像进行压缩；

第一深度残差网络层，用于对所述第一最大池化层输出的特征图像进行进一步的特征提取，从而避免梯度消失或者梯度爆炸的问题；