具体实施方式

下文中将参考附图并结合实施例来详细说明本发明。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。

目前，心电数据处理模型大多是基于12导联的心电数据训练得到的，少部分通过少导联训练得到的心电数据模型明显存在着分类不准确和标签覆盖面少的问题。然而，12导联的心电数据在采集方式上很容易受到仪器设备和应用场所的限制，因而很难做到随时监测，而能够随时监测心电数据的可携带设备却只能采集到单导联或双导联这种少导联心电数据，这就导致了这些可携带设备实际测得的少导联数据的处理结果很难达到预期要求。

在一个实施例中，如图1所示，提供了一种少导联心电数据处理方法，以该方法应用于服务器和心电采集设备等计算机设备为例进行说明，其中，服务器可以是独立的服务器，也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(Content Delivery Network，CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器。上述方法包括以下步骤：

101、获取少导联心电数据，并根据少导联心电数据的N个导联，确定少导联心电数据的M个待映射导联，其中，N和M均为正整数，且N与M之和为12。

其中，心电数据指的是通过心电设备从人体体表采集的记录了心脏每一次心动周期所产生的电活动变化的图形，一般而言，完整的心电数据通常包含12个导联的心电数据。在此基础上，少导联心电数据指的是只包含12导联中部分导联的心电数据。其中，少导联心电数据可以通过智能手环、手表、衣服和植入芯片等智能采集设备进行采集，采集的少导联心电数据包含有至少一导联的心电数据，且每一导联的心电数据均由一系列的心电波形组成。在这些心电波形中，蕴含了非常多的特征信息，这些特征信息可以通过一些深度学习模型进行提取。

具体的，计算机设备可以通过数据接口获取到待处理的少导联心电数据，然后可以将获取到的少导联心电数据中包含的N个导联与完整的12导联心电数据进行比对，以确定出少导联心电数据中缺少的导联，这些缺少的导联即为少导联心电数据的待映射导联，其中，少导联心电数据的待映射导联为M个。在本实施例中，N和M均为正整数，且N和M之和为12。例如，少导联心电数据的N个导联为导联1和导联2，那么，少导联心电数据的待映射导联即为导联3～导联12。

102、通过预训练的心电特征提取器对少导联心电数据的N个导联进行特征提取，得到少导联心电数据的N导联特征向量组合。

具体的，计算机设备可以将少导联心电数据的N个导联的心电数据分别输入到训练完成的心电特征提取器的各个深度学习模型中，以得到少导联心电数据的N个导联的特征向量，然后，计算机设备可以将少导联心电数据的N个导联的特征向量进行拼接，得到少导联心电数据的N导联特征向量组合。

在本实施例中，少导联心电数据的各个导联的特征向量可以通过一些深度学习模型进行提取。例如，计算机设备可以通过一些心电数据样本构建一组卷积神经网络模型，其中，这组卷积神经网络模型的数量与心电数据样本的导联数量相同，即每一个卷积神经网络可以对应一个导联的心电数据，并可以将对应导联的心电数据转换为特征向量，这组训练完成的卷积神经网络即为心电特征提取器。可以理解的是，心电特征提取器中至少包括N个深度学习模型，且N个深度学习模型分别与少导联心电数据的N个导联一一对应。

103、将少导联心电数据的N导联特征向量组合输入到预训练的特征向量映射器中，得到少导联心电数据的M个待映射导联的特征向量。

具体的，在得到少导联心电数据的N导联特征向量组合之后，计算机设备可以将少导联心电数据的N导联特征向量组合输入到训练完成的特征向量映射器的各个特征预测模型中，以得到少导联心电数据的M个待映射导联的特征向量。

在本实施例中，少导联心电数据中缺少的导联(即待映射导联)的特征向量可以通过一些具有复杂计算能力的神经网络模型进行预测。例如，计算机设备可以通过一些12导联心电数据样本构建一组多层感知机模型，其中，这组多层感知机模型的数量可以与少导联心电数据的待映射导联的数量相同，即每一个多层感知机模型可以对应一个待映射导联的心电数据，并可以通过已知导联的特征向量预测出待映射导联的特征向量，这组训练完成的多层感知机模型即为特征向量映射器。可以理解的是，特征向量映射器中至少包括M个神经网络模型，且M个神经网络模型分别与少导联心电数据的M个待映射导联一一对应。

104、对少导联心电数据的N导联特征向量组合和M个待映射导联的特征向量进行拼接，得到少导联心电数据的12导联特征向量组合。

具体的，在得到少导联心电数据的N导联特征向量组合和M个待映射导联的特征向量之后，计算机设备可以对少导联心电数据的N导联特征向量组合和M个待映射导联的特征向量进行拼接，从而得到少导联心电数据的12导联特征向量组合。在本实施例中，12导联特征向量组合中既包含了少导联心电数据中原有导联的信息，又包含了缺失导联的信息，因此，12导联特征向量组合的信息涵盖量相比处理前的少导联心电数据要丰富很多，进一步的，利用12导联特征向量组合得到的分类结果，相比直接利用少导联心电数据得到的分类结果也会更为准确，其分类标签的涵盖范围也会更广。

105、将少导联心电数据的12导联特征向量组合输入到预训练的心电数据处理模型中，得到少导联心电数据的分类结果。

具体的，计算机设备可以将拼接后的少导联心电数据的12导联特征向量组合输入到预训练的心电数据处理模型中，以得到少导联心电数据的分类结果，即得到少导联心电数据对应的疾病名称或少导联心电数据对应的某种疾病的预测概率等等。在本实施例中，心电数据处理模型可以预先通过带有分类标签的12导联心电数据样本训练完成，其中，心电数据样本的分类标签可以是心电数据样本对应的疾病名称，也可以是心电数据样本对应的某疾病的预测概率等等，本实施在此不做具体。

本实施例提供的少导联心电数据处理方法，首先获取待处理的少导联心电数据，然后利用心电特征提取器提取出少导联心电数据的N个导联的特征向量，继而通过特征向量映射器，根据N个导联的特征向量，映射出少导联心电数据的M个待映射导联的特征向量，最后将N个导联的特征向量和M个待映射导联的特征向量拼接为12导联特征向量组合，并以此得到少导联心电数据的分类结果。上述方法充分利用了心电数据中各导联之间的关联关系，通过少导联心电数据的N导联心电数据映射推导出12导联心电数据，并通过12导联心电数据得到心电数据的分类结果。上述方法有效的丰富了少导联心电数据的导联信息，并提高了少导联心电数据的分类准确性。

在一个实施例中，步骤102中的心电特征提取器包括至少N个训练完成的卷积神经网络模型，其中，N个卷积神经网络模型分别对应了少导联心电数据的N个导联。基于此，步骤102具体可以通过以下方法实现：首先将少导联心电数据的N个导联分别输入到心电特征提取器的N个卷积神经网络模型中，得到少导联心电数据的N个导联的特征向量，然后对少导联心电数据的N个导联的特征向量进行拼接，得到少导联心电数据的N导联特征向量组合。在本实施例中，在对少导联心电数据的N导联特征向量组合进行拼接时，可以首先对少导联心电数据的N个特征向量之间进行分隔，然后再对分隔后的多个特征向量进行拼接。例如，可以以[SEP]为分隔符对N个导联的特征向量进行分隔，然后在开始处拼接[CLS]分隔符，最后再将分隔后的N个导联的特征向量拼接在一起，得到少导联心电数据的N导联特征向量组合。其中，[SEP]分隔符可以将少导联心电数据的N个导联的特征向量分隔开，[CLS]分隔符可以便于特征向量组合的提取。本实施例通过拼接的方式得到少导联心电数据的特征向量组合，可以提高N导联特征向量组合的生成效率和提取效率。可以理解的是，心电特征提取器也可以包含12个训练完成的卷积神经网络模型，然后在应用时选取其中的N个卷积神经网络模型进行特征提取即可。

在一个实施例中，步骤103中的特征向量映射器包括至少M个训练完成的多层感知机预测模型，其中，M个多层感知机预测模型分别对应了少导联心电数据的M个待映射导联，即每一个多层感知机预测模型可以基于已有导联的特征向量预测出一个特定导联的特征向量。基于此，步骤103具体可以通过以下方法实现：将少导联心电数据的N导联特征向量组合分别输入到特征向量映射器的M个多层感知机预测模型中，得到少导联心电数据的M个待映射导联的特征向量。例如，少导联心电数据的N个导联为导联1和导联2，那么，将少导联心电数据的导联1和导联2的特征向量组合分别输入到导联3～导联12对应的多层感知机预测模型中，即可得到少导联心电数据的导联3～导联12的特征向量。可以理解的是，特征向量映射器也可以包含12个训练完成的多层感知机预测模型，然后在应用时选取其中的M个多层感知机预测模型进行特征映射即可。

在一个实施例中，步骤102中的心电特征提取器和步骤105中的心电数据处理模型具体可以通过以下方法进行训练：首先获取多组有分类标签的12导联心电数据样本，并根据多组12导联心电数据样本构建一组卷积神经网络模型和一个多层感知机分类模型，然后根据多组12导联心电数据样本，通过卷积神经网络模型，得到多组12导联心电数据样本的特征向量组合，最后以多组12导联心电数据样本的特征向量组合为输入，以多组12导联心电数据样本的分类标签为输出，对卷积神经网络模型和多层感知机分类模型进行同步训练，即可得到心电特征提取器和心电数据处理模型。在本实施例中，心电数据处理模型是基于12导联心电数据样本训练完成的，因此，其性能相比通过少导联心电数据样本训练得到的模型要更为准确，其分类便签的涵盖范围也更广。进一步的，通过将少导联心电数据映射后得到的12导联心电数据组合输入到心电数据处理模型中，能够得到更为准确的分类结果。

在一个实施例中，心电特征提取器训练时所需的一组卷积神经网络模型具体可以包括12个卷积神经网络模型，其中，12个卷积神经网络模型分别对应了12导联心电数据样本的12个导联。基于此，12导联心电数据样本的特征向量组合的拼接方法如下：首先将多组12导联心电数据样本的12导联心电数据分别输入到12个卷积神经网络模型中，得到多组12导联心电数据样本的12个特征向量，然后分别对每组12导联心电数据样本的12个特征向量进行拼接，得到多组12导联心电数据样本的特征向量组合。在本实施例中，12导联心电数据样本的特征向量组合的拼接方式可以参考少导联心电数据的特征向量组合的拼接方式，本实施例在此不再赘述。

在一个实施例中，步骤103中的特征向量映射器具体可以通过以下方法进行训练：首先获取多组12导联心电数据样本，并根据多组12导联心电数据样本构建一组多层感知机预测模型，然后根据多组12导联心电数据样本，通过预训练的心电特征提取器，得到多组12导联心电数据样本的12个导联的特征向量，进而根据预设的训练目标，从多组12导联心电数据样本的12个导联的特征向量中划分出N个目标导联的特征向量和M个待映射导联的特征向量，最后以多组12导联心电数据样本的N个目标导联的特征向量为输入，以多组12导联心电数据样本的M个待映射导联的特征向量为输出，对多层感知机预测模型进行训练，得到特征向量映射器。在本实施例中，12导联心电数据样本的N个目标导联对应了少导联心电数据的N个原有导联，12导联心电数据样本的M个待映射导联对应了少导联心电数据的M个缺失导联。可以理解的是，上述12导联心电数据样本的划分方式可以根据设定的训练目标进行灵活调整，模型训练的输入数据和输出数据也可以根据设定的训练目标进行灵活调整，因此，本实施例提出的特征向量映射器可以应用于任何少导联心电数据的特征映射场景中，应用范围十分广泛。

在一个实施例中，特征向量映射器训练时所需的一组多层感知机预测模型包括M个多层感知机预测模型，其中，M个多层感知机预测模型分别对应了12导联心电数据样本的M个待映射导联。基于此，对多层感知机预测模型进行训练的方法如下：首先对多组12导联心电数据样本的N个目标导联的特征向量进行拼接，得到多组12导联心电数据样本的N导联特征向量组合，然后以多组12导联心电数据样本的N导联特征向量组合为输入，分别以多组12导联心电数据样本的每个待映射导联的特征向量为输出，对M个多层感知机预测模型进行同步训练，得到特征向量映射器。在本实施例中，12导联心电数据样本的特征向量组合的拼接方式可以参考少导联心电数据的特征向量组合的拼接方式，本实施例在此不再赘述。

进一步的，作为上述实施例具体实施方式的细化和扩展，为了完整说明本实施例的实施过程，本实施例提供了一种少导联心电数据处理方法，该方法首先根据大量的12导联心电数据训练得到心电数据处理模型以及各个导联之间的特征向量映射模型，然后再利用各个导联的特征向量映射模型，通过少导联心电数据推测出全部导联的心电数据，最后再对推测出的12导联心电数据进行分类处理，得到少导联心电数据的分类结果。具体的，该方法包括以下步骤：

201、获取多组12导联心电数据D_a，以及每组12导联心电数据D_a对应的分类标签Y_a。

202、针对每组心电数据中的每个导联，利用一维卷积神经网络模型(CNN模型)，得到每组心电数据的每个导联的特征向量(embedding)。

203、将每组心电数据的每个导联的embedding进行拼接，得到每组心电数据的特征向量组合，然后将每组心电数据的特征向量组合输入到一个MLP模型(多层感知机分类模型)中，利用每组心电数据的分类标签Y_a对该MLP模型进行训练，得到心电数据处理模型(记做M_d)；与此同时，对上述CNN模型进行参数调整，得到训练好的CNN模型。

204、构建12-n个MLP模型(多层感知机预测模型)，利用训练好的CNN模型得到每组心电数据的特征向量组合，然后将每组心电数据的特征向量组合分别输入到12-n个MLP模型，利用每组心电数据的每个导联的特征向量对上述12-n个MLP模型进行同步训练，得到特征向量映射模型(记做M_m)。

205、将待处理的少导联心电数据的n个导联的心电数据(n＜12)输入到训练好的CNN模型中，得到少导联心电数据的n个导联的特征向量。

206、将少导联心电数据的n个导联的特征向量进行拼接后分别输入到12-n个M_m中，得到12-n个映射特征向量。例如，少导联心电数据有导联1和导联2，那么就将少导联心电数据的导联1和导联2的特征向量组合分别输入到12-n个M_m，以得到少导联心电数据的映射导联3～12的embedding。

207、将少导联心电数据的n个特征向量和12-n个映射特征向量进行拼接，得到少导联心电数据的12导联特征向量组合，最后将少导联心电数据的12导联特征向量组合输入到M_d中，即可得到少导联心电数据的分类结果。

上述方法首先获取了大量的12导联心电数据，并以此训练得到心电数据处理模型和特征向量模型，然后通过特征向量模型，利用已有导联的心电数据推导出未知导联的心电数据，从而得到全部的12导联心电数据，最后根据12导联心电数据，通过心电诊断模型得到最终的分类结果。上述方法充分利用了心电数据中各导联之间的关联关系，解决了少导联与12导联之间的映射问题，并利用基于12导联的心电数据构建的心电数据模型得到了精确的心电数据分类结果，有效的提高了少导联心电数据的分类精确度，此外，上述方法还通过心电数据处理模型中丰富的导联信息提高了分类标签的覆盖范围。

进一步的，作为上述实施例具体实施方式的细化和扩展，为了完整说明本实施例的实施过程，本实施例提供了一种少导联心电数据处理方法，该方法包括以下步骤：

进一步的，作为图1所示方法的具体实现，本实施例提供了一种少导联心电数据处理装置，如图2所示，该装置包括：数据获取模块21、特征提取模块22、特征映射模块23、特征拼接模块24、数据处理模块25，其中：

数据获取模块21，可用于获取少导联心电数据，并根据少导联心电数据的N个导联，确定少导联心电数据的M个待映射导联，其中，N和M均为正整数，且N与M之和为12；

特征提取模块22，可用于通过预训练的心电特征提取器对少导联心电数据的N个导联进行特征提取，得到少导联心电数据的N导联特征向量组合；

特征映射模块23，可用于将少导联心电数据的N导联特征向量组合输入到预训练的特征向量映射器中，得到少导联心电数据的M个待映射导联的特征向量；

特征拼接模块24，可用于对少导联心电数据的N导联特征向量组合和M个待映射导联的特征向量进行拼接，得到少导联心电数据的12导联特征向量组合；

数据处理模块25，可用于将少导联心电数据的12导联特征向量组合输入到预训练的心电数据处理模型中，得到少导联心电数据的分类结果。

在具体的应用场景中，心电特征提取器中包括至少N个训练完成的卷积神经网络模型，其中，N个卷积神经网络模型分别对应少导联心电数据的N个导联；则特征提取模块22，具体可用于将少导联心电数据的N个导联分别输入到心电特征提取器的N个卷积神经网络模型中，得到少导联心电数据的N个导联的特征向量；对少导联心电数据的N个导联的特征向量进行拼接，得到少导联心电数据的N导联特征向量组合。

在具体的应用场景中，特征向量映射器中包括至少M个训练完成的多层感知机预测模型，其中，M个多层感知机预测模型分别对应少导联心电数据的M个待映射导联；则特征映射模块23，具体可用于将少导联心电数据的N导联特征向量组合分别输入到特征向量映射器的M个多层感知机预测模型中，得到少导联心电数据的M个待映射导联的特征向量。

在具体的应用场景中，本装置还包括模型训练模块26，模型训练模块26具体可用于获取多组12导联心电数据样本，并根据多组12导联心电数据样本构建一组卷积神经网络模型和一个多层感知机分类模型；根据多组12导联心电数据样本，通过卷积神经网络模型，得到多组12导联心电数据样本的特征向量组合；以多组12导联心电数据样本的特征向量组合为输入，以多组12导联心电数据样本的分类标签为输出，对卷积神经网络模型和多层感知机分类模型进行同步训练，得到心电特征提取器和心电数据处理模型。

在具体的应用场景中，一组卷积神经网络模型包括12个卷积神经网络模型，其中，12个卷积神经网络模型分别对应12导联心电数据样本的12个导联；则模型训练模块26，具体还可用于将多组12导联心电数据样本的12导联心电数据分别输入到12个卷积神经网络模型中，得到多组12导联心电数据样本的12个特征向量；分别对每组12导联心电数据样本的12个特征向量进行拼接，得到多组12导联心电数据样本的特征向量组合。

在具体的应用场景中，模型训练模块26，具体还可用于获取多组12导联心电数据样本，并根据多组12导联心电数据样本构建一组多层感知机预测模型；根据多组12导联心电数据样本，通过预训练的心电特征提取器，得到多组12导联心电数据样本的12个导联的特征向量；根据预设的训练目标，从多组12导联心电数据样本的12个导联的特征向量中划分出N个目标导联的特征向量和M个待映射导联的特征向量；以多组12导联心电数据样本的N个目标导联的特征向量为输入，以多组12导联心电数据样本的M个待映射导联的特征向量为输出，对多层感知机预测模型进行训练，得到特征向量映射器。

在具体的应用场景中，一组多层感知机预测模型包括M个多层感知机预测模型，其中，M个多层感知机预测模型分别对应12导联心电数据样本的M个待映射导联；则模型训练模块26，具体还可用于对多组12导联心电数据样本的N个目标导联的特征向量进行拼接，得到多组12导联心电数据样本的N导联特征向量组合；以多组12导联心电数据样本的N导联特征向量组合为输入，分别以多组12导联心电数据样本的每个待映射导联的特征向量为输出，对M个多层感知机预测模型进行同步训练，得到特征向量映射器。

需要说明的是，本实施例提供的一种少导联心电数据处理装置所涉及各功能单元的其它相应描述，可以参考图1中的对应描述，在此不再赘述。

基于上述如图1所示方法，相应的，本实施例还提供了一种存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述如图1所示的少导联心电数据处理方法。

基于这样的理解，本申请的技术方案可以以软件产品的形式体现出来，该待识别软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施场景所述的方法。

基于上述如图1所示的方法，以及图2所示的少导联心电数据处理装置实施例，为了实现上述目的，本实施例还提供了一种少导联心电数据处理的实体设备，具体可以为个人计算机、服务器、智能手机、平板电脑、智能手表、或者其它网络设备等，该实体设备包括存储介质和处理器；存储介质，用于存储计算机程序；处理器，用于执行计算机程序以实现上述如图1所示的方法。

可选的，该实体设备还可以包括用户接口、网络接口、摄像头、射频(RadioFrequency，RF)电路，传感器、音频电路、WI-FI模块等等。用户接口可以包括显示屏(Display)、输入单元比如键盘(Keyboard)等，可选用户接口还可以包括USB接口、读卡器接口等。网络接口可选的可以包括标准的有线接口、无线接口(如WI-FI接口)等。

本领域技术人员可以理解，本实施例提供的一种少导联心电数据处理的实体设备结构并不构成对该实体设备的限定，可以包括更多或更N的部件，或者组合某些部件，或者不同的部件布置。

存储介质中还可以包括操作系统、网络通信模块。操作系统是管理上述实体设备硬件和待识别软件资源的程序，支持信息处理程序以及其它待识别软件和/或程序的运行。网络通信模块用于实现存储介质内部各组件之间的通信，以及与信息处理实体设备中其它硬件和软件之间通信。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到本申请可以借助软件加必要的通用硬件平台的方式来实现，也可以通过硬件实现。通过应用本申请的技术方案，首先获取待处理的少导联心电数据，然后利用心电特征提取器提取出少导联心电数据的N个导联的特征向量，继而通过特征向量映射器，根据N个导联的特征向量，映射出少导联心电数据的M个待映射导联的特征向量，最后将N个导联的特征向量和M个待映射导联的特征向量拼接为12导联特征向量组合，并以此得到少导联心电数据的分类结果。与现有技术相比，上述方法充分利用了心电数据中各导联之间的关联关系，通过少导联心电数据的N导联心电数据映射推导出12导联心电数据，并通过12导联心电数据得到心电数据的分类结果。上述方法有效的丰富了少导联心电数据的导联信息，并提高了少导联心电数据的分类准确性。

本领域技术人员可以理解附图只是一个优选实施场景的示意图，附图中的模块或流程并不一定是实施本申请所必须的。本领域技术人员可以理解实施场景中的装置中的模块可以按照实施场景描述进行分布于实施场景的装置中，也可以进行相应变化位于不同于本实施场景的一个或多个装置中。上述实施场景的模块可以合并为一个模块，也可以进一步拆分成多个子模块。

上述本申请序号仅仅为了描述，不代表实施场景的优劣。以上公开的仅为本申请的几个具体实施场景，但是，本申请并非局限于此，任何本领域的技术人员能思之的变化都应落入本申请的保护范围。