阅读说明：本技术 心电数据识别装置及方法、设备、计算机可读存储介质 (Electrocardio data recognition device and method, equipment and computer readable storage medium ) 是由 欧歌 吴琼 唐大伟 杨志明 马小惠 于 2020-04-30 设计创作，主要内容包括：本发明提供一种心电数据识别装置及方法、设备、计算机可读存储介质,属于数据识别技术领域。本发明的一种心电数据识别装置,用于对心电数据的类别进行识别,其特征在于,包括：数据特征提取器、特征识别分类器,其中,所述数据特征提取器被配置为通过第一神经网络对待识别的心电数据进行特征提取,得到所述待识别的心电数据的特征数据；所述特征识别分类器被配置为通过机器学习算法对所述特征数据进行分类处理,以实现对所述心电数据的类别识别。(The invention provides an electrocardiogram data recognition device, an electrocardiogram data recognition method, electrocardiogram data recognition equipment and a computer readable storage medium, and belongs to the technical field of data recognition. An electrocardiographic data recognition apparatus according to the present invention is a device for recognizing a category of electrocardiographic data, comprising: the device comprises a data feature extractor and a feature recognition classifier, wherein the data feature extractor is configured to perform feature extraction on electrocardiogram data to be recognized through a first neural network to obtain feature data of the electrocardiogram data to be recognized; the feature recognition classifier is configured to classify the feature data through a machine learning algorithm to realize class recognition of the electrocardiographic data.)

心电数据识别装置及方法、设备、计算机可读存储介质

技术领域

本发明属于数据识别技术领域，具体涉及一种心电数据识别装置及方法、设备、计算机可读存储介质。

背景技术

心电监测是对心脏节律监测最有效的手段，通过监测心脏节律，可发现心脏节律正常与否，用于对各种心律失常等病症检查。

现有技术中，可通过医疗器械采集获取用户的心电数据，但是对心脏节律正常与否的判断仍需要有专业经验的医生进行判断，工作量较大。

发明内容

本发明旨在至少解决现有技术中存在的技术问题之一，提供一种能够对心电数据的类别进行准确识别的心电数据识别装置。

解决本发明技术问题所采用的技术方案是一种心电数据识别装置，用于对心电数据的类别进行识别，其特征在于，包括：数据特征提取器、特征识别分类器，其中，

所述数据特征提取器被配置为通过第一神经网络对待识别的心电数据进行特征提取，得到所述待识别的心电数据的特征数据；

所述特征识别分类器被配置为通过机器学习算法对所述特征数据进行分类处理，以实现对所述心电数据的类别识别。

可选地，所述数据特征提取器被配置为通过卷积神经网络对待识别的心电数据进行特征提取，得到所述待识别的心电数据的特征数据。

进一步可选地，特征识别分类器被配置为通过支持向量机算法对所述数据特征提取器输出的特征数据进行分类处理，以实现对所述心电数据的类别识别。

可选地，在对所述待识别的心电数据类别进行识别之前，所述数据特征提取器还被配置为采用样本心电数据进行第一神经网络的训练；其中，

所述样本心电数据包括不同类别的心电数据；

所述数据特征提取器被配置为采用所述不同类别的心电数据作为输入，以不同类别的心电数据的特征数据作为输出，通过训练第一神经网络，获得所述第一神经网络的特征提取函数的参数组F1，以及基于所述参数组F1形成的第一神经网络。

进一步可选地，在对所述待识别的心电数据类别进行识别之前，所述特征识别分类器还被配置为采用所述数据特征提取器输出的特征数据训练机器学习算法；其中，

所述数据特征提取器输出的特征数据包括所述第一神经网络对所述不同类别的心电数据进行特征提取后输出的特征数据；

所述特征识别分类器被配置为采用所述特征数据作为输入，心电数据类别作为输出，通过训练机器学习算法，获得机器学习算法的参数组F2，以及基于所述参数组F2的机器学习算法。

解决本发明技术问题所采用的另一技术方案是一种心电数据识别方法，用于对心电数据的类别进行识别，包括：

通过神经网络对待识别的心电数据进行特征提取，得到所述待识别的心电数据的特征数据；

通过机器学习算法对所述特征数据进行分类处理，以实现对所述心电数据的类别识别。

可选地，所述为对待识别的心电数据进行特征提取，得到所述待识别的心电数据的特征数据的步骤包括：

通过卷积神经网络对待识别的心电数据进行特征提取，得到所述待识别的心电数据的特征数据。

进一步可选地，在对所述待识别的心电数据类别进行识别之前，还包括采用样本心电数据进行第一神经网络的训练；其中，

所述样本心电数据包括不同类别的心电数据；

所述采用样本心电数据进行第一神经网络的训练的步骤包括：采用所述不同类别的心电数据作为输入，以不同类别的心电数据的特征数据作为输出，通过训练第一神经网络，获得所述第一神经网络的特征提取函数的参数组F1，以及基于所述参数组F1形成的第一神经网络。

进一步可选地，在对所述待识别的心电数据类别进行识别之前，还包括采用所述数据特征提取器输出的特征数据训练机器学习算法；其中，

所述数据特征提取器输出的特征数据包括所述第一神经网络对所述不同类别的心电数据进行特征提取后输出的特征数据；

所述采用所述数据特征提取器输出的特征数据训练机器学习算法的步骤包括：采用所述特征数据作为输入，心电数据类别作为输出，通过训练机器学习算法，将获得的机器学习算法的参数组F2，以及基于所述参数组F2的机器学习算法。

解决本发明技术问题所采用的另一技术方案是一种心电数据识设备，包括：至少一个处理器、至少一个存储器以及存储在所述存储器中的计算器指令，所述处理器配置成执行所述计算机指令时实现上述任意一种所述方法中的一个或者多个步骤。

解决本发明技术问题所采用的另一技术方案是一种计算机可读存储介质，其上存储有计算机指令，其特征在于，所述计算机指令被处理器执行时实现上述任意一种所述方法的一个或多个步骤。

附图说明

图1和图2为本发明的实施例的心电数据识别装置的示意图；

图3为本发明的实施例的心电数据识别结构的示意图。

具体实施方式

为使本领域技术人员更好地理解本发明的技术方案，下面结合附图和具体实施方式对本发明作进一步详细描述。

实施例1：

本实施例提供一种心电数据识别装置，用于对心电数据的类别进行识别。该心电数据识别装置包括：数据特征提取器、特征识别分类器，其中，数据特征提取器被配置为对待识别的心电数据进行特征提取，得到待识别的心电数据的特征数据；特征识别分类器被配置为通过机器学习算法对特征数据进行分类处理，以实现对心电数据的类别识别。

在本发明的实施例中，心电数据的类别包括心率正常、房颤、心率过缓、心率过速、噪声等。不同类别的心电数据具有不同的特征数据。

本实施例提供的心电数据识别装置中的数据特征提取器能够对没有类别标识的心电数据进行特征提取，得到特征数据，之后将所得到的特征数据作为特征识别分类器的输入，特征识别分类器中的机器学习算法对其进行分类识别，从而得到该特征数据的类别，也即可得到前述心电数据的类别。可以看出的是，在本实施例中，没有将待识别的心电数据直接用特征识别分类器进行分类，而是先用数据特征提取器对心电数据进行特征提取，获取特征数据，之后再进行精准分类，能够获得更为精准的分类结果。

其中，结合图2所示，在一些实施例中，数据特征提取器被配置为通过卷积神经网络对待识别的心电数据进行特征提取，得到待识别的心电数据的特征数据。

其中，基于常见的心电数据的特征(现有技术中的心电数据通常为一维的信号数据)，数据特征提取器采用的一维卷积神经网络作为特征提取的学习模型。一维卷积神经网络作为一种深度学习模型，能够有效地对序列数据进行学习分析，并实现特征数据的提取。

本实施例中，通过数据特征提取器对心电数据进行特征数据的获取，用数据识别分类器对特征数据进行分类。在此需要说明的是，卷积神经网络实际能够在特征数据提取的同时，也能够实现特征数据的分类，且卷积神经网络学习模型常见的输出结果为分类结果。本实施例中，如图2所示，则是仅应用卷积神经网络的特征提取功能，将卷积神经网络的中间结果(所提取的特征数据) 作为输出结果，输出至特征识别分类器。

本实施例中，特征识别分类器被配置为被配置为通过机器学习算法对特征数据进行分类处理，以实现对心电数据的类别识别。也就是是说，本实施例中，利用机器学习算法替代卷积神经网络中的分类器，对数据特征提取器输出的特征数据进行分类。在一些实施例中，特征识别分类器具体可被配置为通过支持向量机算法(SVM算法)对数据特征提取器输出的特征数据进行分类。

具体的，机器学习方法中，SVM算法对于规模较小的数据具有较为精准的分类效果。有卷积神经网络所提取的心电数据的特征数据更为抽象、维度更低，而SVM算法对于规模较小的数据具有较为精准的分类效果。利用SVM算法替代卷积神经网络中原有的分类器能够相对直接用卷积神经网络进行分类能够获得更好的分类性能。

本实施例提供的心电数据识别装置中，通过将一维卷积神经网络和传统机器学习方法相结合，利用机器学习中的分类算法替代卷积神经网络中原有的分类器，得到的改进算法模型集合了两种算法的优势，能够自动识别心电数据的类型，并且具有更高的分类性能。具体的，经实验证明，本实施例提供的心电数据识别装置的F1值能达到0.7982，准确率可达到0.8450。

在一些实施例中，在对待识别的心电数据类别进行识别之前，数据特征提取器还被配置为采用样本心电数据进行第一神经网络的训练；其中，样本心电数据包括不同类别的心电数据。也就是说，数据特征提取器还被配置为通过训练得到第一神经网络

具体的，数据特征提取器被配置为采用不同类别的心电数据作为输入，以不同类别的心电数据的特征数据作为输出，通过训练第一神经网络，获得第一神经网络的特征提取函数的参数组F1，以及基于参数组F1形成的第一神经网络。

其中，第一神经网络可包括一维卷积神经网络。具体的，一维卷积神经网络可以由卷积层、池化层、非线性激活层(BN层)、全局平均池化层以及全连接层构建而成。

具体的，本实施例中，向数据特征提取器输入的为不同类别的心电数据，且这些心电数据的已被标注有具体的类别标识。数据特征提取器可根据基于这在训练结束后，从全局平均池化层输出中间结果，也即输出卷积神经网络获取的特征数据，以用作后续特征识别分类器进行分类的特征数据。

在一些实施例中，卷积神经网络的特征提取函数可包括softmax函数(损失函数)。softmax函数的定义如下：其中，j表示类别， i表示j中的某个类别，a_i表示该分类的值。可以理解，在本实施例中，参数组 F1可包括类别i的值a_i。

在一些实施例中，在对待识别心电数据的类别进行识别之前，特征识别分类器还被配置为采用数据特征提取器输出的特征数据训练机器学习算法；其中，数据特征提取器输出的特征数据包括第一神经网络对不同类别的心电数据进行特征提取后输出的特征数据；特征识别分类器被配置为采用特征数据作为输入，心电数据类别作为输出，通过训练机器学习算法，将获得的机器学习算法的参数组F2，以及基于参数组F2的机器学习算法。换句话说，特征识别分类器还被配置为通过训练得到具体的机器学习算法。

具体的，将数据特征提取器所提取的不同类别的特征数据输入所构建好的 SVM分类器中，基于这些特征数据对核函数的参数组F2进行训练，以确定SVM 分类器的最优参数组，从而训练得到基于最优参数组的SVM分类器。

在一些实施例中，SVM分类器的目标函数定义如下：

其中，w和b分别表示分类函数的权重和偏置，C表示惩罚参数，ξ_i代表松弛变量，m代表样本数。

在一些实施例中，特征识别分类器可以被配置使用高斯核作为核函数构建的SVM分类器。高斯核K定义如下：其中，x_i,x_j表示两个数据点，σ表示核函数的带宽。特征识别分类器可以通过GridSearch(网格搜索)方法和/或5倍交叉验证法对参数组对高斯核的惩罚参数C和核函数的σ参数进行寻优，确定SVM分类器的最优参数惩罚参数C和核函数的σ参数。之后，再将数据特征提取器输出的特征数据输入到SVM分类器中进行训练，获得确定 SVM分类器的最优参数组。容易理解，SVM分类器的参数组中除参数惩罚参数C 和核函数的σ参数外，还可包括分类函数的权重w和偏置b等。

容易理解的是，本实施例提供的心电数据识别装置中，利用分类效果更好的分类器替代卷积神经网络中的分类器，可选的，本发明的实施例中还可通过决策树和随机森林等机器学习方法构建形成特征识别分类器，以结合以卷积神经网络为模型构建的数据特征提取器，对心电数据进行更为精准、高效地识别，提高心电数据识别装置的分类性能。

实施例2：

本实施例提供一种心电数据识别方法，该方法可以采用实施例1提供的心电数据识别装置，对心电数据的类别进行识别。

本实施例提供的心电数据识别方法，包括心电数据识别装置的训练和实操两个阶段，具体如下：

训练阶段：

S01、采用样本心电数据进行第一神经网络的训练；其中，样本心电数据包括不同类别的心电数据。

在该步骤中，采用不同类别的心电数据作为输入，以不同类别的心电数据的特征数据作为输出，通过训练第一神经网络，获得第一神经网络的特征提取函数的参数组F1，以及基于参数组F1形成的第一神经网络。

可以理解的是，不同类别的心电数据具有不同的特征数据。其中，特征数据可包括波形特征数据。

在一些实施例中，步骤S01之前还包括第一神经网络的构建步骤S001。在一些实施例中，第一神经网络包括卷积神经网络，具体可包括一维卷积神经网络。具体的，步骤S00可包括：构建包含卷积、池化层、BN层、全局平均池化层以及全连接层的一维卷积神经网络。

在一些实施例中，步骤S01包括：

S011、将心电数据输入卷积神经网络中进行训练，利用softmax函数计算分类概率。具体的，在卷积神经网络中，对不同类别的心电数据进行特征数据获取、心电数据分类，根据分类结果对分类函数的参量组F1进行调整，然后再进行特征数据获取，直至分类函数的参量组F1稳定，获得具有参数组F1的卷积神经网络。

S012、从训练后的卷积神经网络的全局平均池化层输出中间结果，也即获得分送参数组F1的卷积神经网络多获取的特征数据，以作为后续特征识别分类器进行识别分类的特征数据。

S02、采用数据特征提取器输出的特征数据对机器学习算法进行训练。

本步骤中，可采用第一神经网络(例如卷积神经网络)对不同类别的心电数据进行特征提取后输出的特征数据作为输入，采用各特征数据的心电数据类别作为输出，通过训练机器学习算法，获得机器学习算法的参数组F2，以及基于参数组F2的机器学习算法。

具体的，将数据特征提取器所提取的不同类别的特征数据输入SVM分类器中，基于这些特征数据对核函数的参数组F2进行寻优，以确定SVM分类器的最优参数，从而训练得到基于最有参数组的SVM分类器。

在一些实施例中，步骤S02之前还包括机器学习算法的构建步骤S002。在一些实施例中，机器学习算法包括SVM分类器。具体的，在一些实施例中，SVM 分类器的目标函数定义如下：

其中，w和b 分别表示分类函数的权重和偏置，C表示惩罚参数，ξ_i代表松弛变量，m代表样本数。

在一些实施例中，特征识别分类器可以被配置使用高斯核作为核函数构建的SVM分类器。高斯核K定义如下：其中，x_i,x_j表示两个数据点，σ表示核函数的带宽。

其中，在一些实施例中，步骤S002还包括：通过GridSearch(网格搜索) 方法和/或5倍交叉验证法对参数组对高斯核的惩罚参数C和核函数的σ参数进行寻优，确定SVM分类器的最优参数惩罚参数C和核函数的σ参数。具体寻优步骤可包括：利用5倍交叉验证将数据集随机划分为5份，其中4份作为训练集， 1份作为验证集；确定所有候选参数(C和σ)的寻优范围；遍历所有候选参数，将分类器表现最好的参数作为最优参数。

具体的，步骤S02包括：将数据特征提取器输出的特征数据输入到SVM分类器中进行训练，获得确定SVM分类器的最优参数组。容易理解，SVM分类器的参数组中除参数惩罚参数C和核函数的σ参数外，还可包括分类函数的权重w和偏置b等。

实施阶段：

S11、对待识别的心电数据进行特征提取，得到待识别的心电数据的特征数据。

S12、通过机器学习算法对特征数据进行分类处理，以实现对心电数据的类别识别。

以下介绍一种具体的实施步骤：

S21、通过上述训练形成的卷积神经网络对待识别的心电数据进行特征提取，得到待识别的心电数据的特征数据。

S22、通过支持向量机算法对特征数据进行分类处理，以实现对心电数据的类别识别。

本实施例的心电数据识别方法，首先，训练神经网络和机器学习算法，以使神经网络获取心电数据的特征数据，并利用神经网络获取的特征数据训练机器学习算法，以使得机器学习算法能够识别心电数据的类别。之后，利用训练完成后的训练神经网络和机器学习算法将输入的心电数据进行类别识别。

实施例3：

本实施例提供一种心电数据识别设备，其中本发明的实施例2的心电数据识别方法可由心电数据识别设备来实现。图3示出了本发明实施例提供的心电数据识别设备的硬件结构示意图。

该设备可以包括处理器以及存储有计算机指令的存储器。

具体地，上述处理器可以包括中央处理器(CPU)，或者特定集成电路 (ASIC)，或者现场可编程逻辑阵列FPGA，或者图像处理器GPU，或者可以被配置成实施本发明实施例方法的一个或多个集成电路。

存储器可以包括用于数据或指令的大容量存储器。举例来说而非限制，存储器可包括硬盘驱动器(Hard Disk Drive，HDD)、软盘驱动器、闪存、光盘、磁光盘、磁带或通用串行总线(Universal Serial Bus，USB)驱动器或者两个或更多个以上这些的组合。在合适的情况下，存储器可包括可移除或不可移除 (或固定)的介质。在合适的情况下，存储器可在数据处理装置的内部或外部。在特定实施例中，存储器是非易失性固态存储器。在特定实施例中，存储器包括只读存储器(ROM)。在合适的情况下，该ROM可以是掩模编程的ROM、可编程ROM(PROM)、可擦除PROM(EPROM)、电可擦除PROM(EEPROM)、电可改写 ROM(EAROM)或闪存或者两个或更多个以上这些的组合。

处理器通过读取并执行存储器中存储的计算机程序指令，以实现上述实施例中的任意一种图像重构方法的一个或多个步骤。

在一个示例中，设备还可包括通信接口和总线。其中，如图3所示，处理器、存储器、通信接口通过总线连接并完成相互间的通信。

通信接口，主要用于实现本发明实施例中各模块、装置、单元和/或设备之间的通信。

总线包括硬件、软件或两者，将设备的各个部件彼此耦接在一起。举例来说而非限制，总线可包括加速图形端口(AGP)或其他图形总线、增强工业标准架构(EISA)总线、前端总线(FSB)、超传输(HT)互连、工业标准架构(ISA) 总线、无限带宽互连、低引脚数(LPC)总线、存储器总线、微信道架构(MCA) 总线、***组件互连(PCI)总线、PCI-Express(PCI-X)总线、串行高级技术附件(SATA)总线、视频电子标准协会局部(VLB)总线或其他合适的总线或者两个或更多个以上这些的组合。在合适的情况下，总线可包括一个或多个总线。尽管本发明实施例描述和示出了特定的总线，但本发明考虑任何合适的总线或互连。

实施例4：

本发明实施例可提供一种计算机可读存储介质来实现。该计算机可读存储介质上存储有计算机指令；该计算机程序指令被处理器执行时实现上述实施例中的任意一种心电数据识别方法的一个或多个步骤。

需要明确的是，本发明并不局限于上文所描述并在图中示出的特定配置和处理。为了简明起见，这里省略了对已知方法的详细描述。在上述实施例中，描述和示出了若干具体的步骤作为示例。但是，本发明的方法过程并不限于所描述和示出的具体步骤，本领域的技术人员可以在领会本发明的精神后，作出各种改变、修改和添加，或者改变步骤之间的顺序。

以上的结构框图中所示的功能块可以实现为硬件、软件、固件或者它们的组合。当以硬件方式实现时，其可以例如是电子电路、专用集成电路(ASIC)、适当的固件、插件、功能卡等等。当以软件方式实现时，本发明的元素是被用于执行所需任务的程序或者代码段。程序或者代码段可以存储在机器可读介质中，或者通过载波中携带的数据信号在传输介质或者通信链路上传送。“机器可读介质”可以包括能够存储或传输信息的任何介质。机器可读介质的例子包括电子电路、半导体存储器设备、ROM、闪存、可擦除ROM(EROM)、软盘、CD-ROM、光盘、硬盘、光纤介质、射频(RF)链路，等等。代码段可以经由诸如因特网、局域网等的计算机网络被下载。

还需要说明的是，本发明中提及的示例性实施例，基于一系列的步骤或者装置描述一些方法或系统。但是，本发明不局限于上述步骤的顺序，也就是说，可以按照实施例中提及的顺序执行步骤，也可以不同于实施例中的顺序，或者若干步骤同时执行。

以上，仅为本发明的具体实施方式，所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，上述描述的系统、模块和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。应理解，本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。

可以理解的是，以上实施方式仅仅是为了说明本发明的原理而采用的示例性实施方式，然而本发明并不局限于此。对于本领域内的普通技术人员而言，在不脱离本发明的精神和实质的情况下，可以做出各种变型和改进，这些变型和改进也视为本发明的保护范围。