阅读说明：本技术 一种房颤信号的分类方法、装置、终端以及存储介质 (Atrial fibrillation signal classification method, device, terminal and storage medium ) 是由 刘陆洋 郭光明 陈茂林 李露平 于 2019-11-22 设计创作，主要内容包括：本申请适用于生命特征识别技术领域,提供了一种房颤信号的分类方法、装置、终端以及存储介质,该方法包括：获取多个用户的房颤信号；对多个所述房颤信号进行聚类操作,得到至少一个房颤聚类组；分别识别各个所述房颤聚类组对应的房颤类型。本申请提供的技术方案通过聚类的方式获取到与该用户存在相同或相似的房颤信号的其他用户划分至同一组别内,并为不同的组别进行类型识别,实现了精准化的房颤分类和相对风险定级,提高了房颤分类的准确性以及用户的使用体验,方便和指引健康领域从业人员和用户确定身体健康状况和定位相对风险等级。(The application is suitable for the technical field of vital sign recognition, and provides a classification method, a device, a terminal and a storage medium for atrial fibrillation signals, wherein the method comprises the following steps: acquiring atrial fibrillation signals of a plurality of users; clustering a plurality of atrial fibrillation signals to obtain at least one atrial fibrillation cluster group; and respectively identifying the type of the atrial fibrillation corresponding to each atrial fibrillation cluster group. According to the technical scheme, other users who have the same or similar atrial fibrillation signals with the user are obtained through a clustering mode and are divided into the same group, type identification is carried out on different groups, accurate atrial fibrillation classification and relative risk grading are achieved, the accuracy of atrial fibrillation classification and the use experience of the user are improved, and health field practitioners and the user can be conveniently guided to determine the body health condition and position the relative risk grade.)

具体实施方式

以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本申请实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本申请的描述。

应当理解，当在本申请说明书和所附权利要求书中使用时，术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。

还应当理解，在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。

如在本申请说明书和所附权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地，短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。

另外，在本申请说明书和所附权利要求书的描述中，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。

在本申请说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本申请的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此，在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例，而是意味着“一个或多个但不是所有的实施例”，除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”，除非是以其他方式另外特别强调。

本申请实施例提供的房颤信号的分类方法可以应用于手机、平板电脑、可穿戴设备、车载设备、增强现实(augmented reality，AR)/虚拟现实(virtual reality，VR)设备、笔记本电脑、超级移动个人计算机(ultra-mobile personal computer，UMPC)、上网本、个人数字助理(personal digital assistant，PDA)等终端设备上，还可以应用于数据库、服务器以及基于终端人工智能的服务响应系统，本申请实施例对终端设备的具体类型不作任何限制。

例如，所述终端设备可以是WLAN中的站点(STAION，ST)，可以是蜂窝电话、无绳电话、会话启动协议(Session InitiationProtocol，SIP)电话、无线本地环路(WirelessLocal Loop，WLL)站、个人数字处理(Personal Digital Assistant，PDA)设备、具有无线通信功能的手持设备、计算设备或连接到无线调制解调器的其它处理设备、电脑、膝上型计算机、手持式通信设备、手持式计算设备、和/或用于在无线系统上进行通信的其它设备以及下一代通信系统，例如，5G网络中的移动终端或者未来演进的公共陆地移动网络(PublicLand Mobile Network，PLMN)网络中的移动终端等。

作为示例而非限定，当所述终端设备为可穿戴设备时，该可穿戴设备还可以是应用穿戴式技术对日常穿戴进行智能化设计、开发出可以穿戴的设备的总称，如眼镜、手套、手表、服饰及鞋等。可穿戴设备即直接穿在身上，或是整合到用户的衣服或配件的一种便携式设备，通过附着与用户身上，采集用户的房颤信号。可穿戴设备不仅仅是一种硬件设备，更是通过软件支持以及数据交互、云端交互来实现强大的功能。广义穿戴式智能设备包括功能全、尺寸大、可不依赖智能手机实现完整或者部分的功能，如智能手表或智能眼镜等，以及只专注于某一类应用功能，需要和其它设备如智能手机配合使用，如各类进行体征监测的智能手环、智能首饰等。

以所述终端设备为手机为例。图1示出的是与本申请实施例提供的手机的部分结构的框图。参考图1，手机包括：射频(Radio Frequency，RF)电路110、存储器120、输入单元130、显示单元140、传感器150、音频电路160、近场通信模块170、处理器180、以及电源190等部件。本领域技术人员可以理解，图1中示出的手机结构并不构成对手机的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。

下面结合图1对手机的各个构成部件进行具体的介绍：

RF电路110可用于收发信息或通话过程中，信号的接收和发送，特别地，将基站的下行信息接收后，给处理器180处理；另外，将设计上行的数据发送给基站。通常，RF电路包括但不限于天线、至少一个放大器、收发信机、耦合器、低噪声放大器(Low NoiseAmplifier，LNA)、双工器等。此外，RF电路110还可以通过无线通信与网络和其他设备通信。上述无线通信可以使用任一通信标准或协议，包括但不限于全球移动通讯系统(GlobalSystem of Mobile communication，GSM)、通用分组无线服务(General Packet RadioService，GPRS)、码分多址(Code Division Multiple Access，CDMA)、宽带码分多址(Wideband Code Division Multiple Access,WCDMA)、长期演进(Long Term Evolution,LTE))、电子邮件、短消息服务(Short Messaging Service，SMS)等，通过RF电路110接收其他终端反馈的关于用户的房颤信号。

存储器120可用于存储软件程序以及模块，处理器180通过运行存储在存储器120的软件程序以及模块，从而执行手机的各种功能应用以及数据处理，例如将接收到的房颤信号存储于存储器120内。存储器120可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据手机的使用所创建的数据(比如音频数据、电话本等)等。此外，存储器120可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。

输入单元130可用于接收输入的数字或字符信息，以及产生与手机100的用户设置以及功能控制有关的键信号输入。具体地，输入单元130可包括触控面板131以及其他输入设备132。触控面板131，也称为触摸屏，可收集用户在其上或附近的触摸操作(比如用户使用手指、触笔等任何适合的物体或附件在触控面板131上或在触控面板131附近的操作)，并根据预先设定的程式驱动相应的连接装置。

显示单元140可用于显示由用户输入的信息或提供给用户的信息以及手机的各种菜单，例如输出接收到的用户的房颤信号，以及确定了房颤信号的类别后，输出的识别结果。显示单元140可包括显示面板141，可选的，可以采用液晶显示器(Liquid CrystalDisplay，LCD)、有机发光二极管(Organic Light-Emitting Diode,OLED)等形式来配置显示面板141。进一步的，触控面板131可覆盖显示面板141，当触控面板131检测到在其上或附近的触摸操作后，传送给处理器180以确定触摸事件的类型，随后处理器180根据触摸事件的类型在显示面板141上提供相应的视觉输出。虽然在图1中，触控面板131与显示面板141是作为两个独立的部件来实现手机的输入和输入功能，但是在某些实施例中，可以将触控面板131与显示面板141集成而实现手机的输入和输出功能。

手机100还可包括至少一种传感器150，比如光传感器、运动传感器以及其他传感器。具体地，光传感器可包括环境光传感器及接近传感器，其中，环境光传感器可根据环境光线的明暗来调节显示面板141的亮度，接近传感器可在手机移动到耳边时，关闭显示面板141和/或背光。作为运动传感器的一种，加速计传感器可检测各个方向上(一般为三轴)加速度的大小，静止时可检测出重力的大小及方向，可用于识别手机姿态的应用(比如横竖屏切换、相关游戏、磁力计姿态校准)、振动识别相关功能(比如计步器、敲击)等；至于手机还可配置的陀螺仪、气压计、湿度计、温度计、红外线传感器等其他传感器，在此不再赘述。进一步地，若终端设备可以用于采集用户的房颤信号，则终端设备上还可以配置有心电传感器，通过心电传感器获取用户的心电信号，并将心电信号转换为房颤信号。

音频电路160、扬声器161，传声器162可提供用户与手机之间的音频接口。音频电路160可将接收到的音频数据转换后的电信号，传输到扬声器161，由扬声器161转换为声音信号输出；另一方面，传声器162将收集的声音信号转换为电信号，由音频电路160接收后转换为音频数据，再将音频数据输出处理器180处理后，经RF电路110以发送给比如另一手机，或者将音频数据输出至存储器120以便进一步处理。例如，终端设备可以通过音频电路160，播放房颤信号的分类结果，通过语音信号的方式通知用户。

终端设备可以通过近场通信模块170可以接收其他设备发送的房颤信号，例如该近场通信模块170集成有蓝牙通信模块，通过蓝牙通信模块与可佩戴设备建立通信连接，并接收可佩戴设备反馈的房颤信号。虽然图1示出了近场通信模块170，但是可以理解的是，其并不属于手机100的必须构成，完全可以根据需要在不改变申请的本质的范围内而省略。

处理器180是手机的控制中心，利用各种接口和线路连接整个手机的各个部分，通过运行或执行存储在存储器120内的软件程序和/或模块，以及调用存储在存储器120内的数据，执行手机的各种功能和处理数据，从而对手机进行整体监控。可选的，处理器180可包括一个或多个处理单元；优选的，处理器180可集成应用处理器和调制解调处理器，其中，应用处理器主要处理操作系统、用户界面和应用程序等，调制解调处理器主要处理无线通信。可以理解的是，上述调制解调处理器也可以不集成到处理器180中。

手机100还包括给各个部件供电的电源190(比如电池)，优选的，电源可以通过电源管理系统与处理器180逻辑相连，从而通过电源管理系统实现管理充电、放电、以及功耗管理等功能。

图2示出了本申请一实施例提供的房颤信号的分类系统的结构框图。参见图2所示，该房颤信号的分类系统包括移动终端210、可穿戴设备220以及远端通信终端230。其中，移动终端210与可穿戴设备220可以通过近场通信方式建立通信连接，远端通信终端230与移动终端210可以通过有线和/或无线网络进行通信。

其中，本申请提供的房颤信号的分类装置具体为用户使用的移动终端210。移动终端210可以接收其他设备发送的房颤信号，例如通过蓝牙通信方式或WIFI通信方式等近场通信方式与可穿戴设备220建立通信连接，并接收可穿戴设备220发送的房颤信号，还可以通过有线通信方式或无线通信方式等远距离通信方式与其他远端通信终端230建立通信通信，并接收远端通信终端230发送的房颤信号，并通过接收多个不同用户的房颤信号，对房颤信号进行聚类操作，并执行后续的分类识别。

可穿戴设备220具体用于采集用户的生物特征信号，该生物特征信号可以为原始采集到的心电信号，也可以经过房颤识别算法处理生成的房颤信号。若采集得到为心电信号，则可以将原始的心电信号发送给移动终端210，通过移动终端210对心电信号进行房颤识别，并转换为房颤信号；也可以通过可穿戴设备220内置的处理模块，将心电信号转换为房颤信号后，将房颤信号发送给移动终端210。

远端通信终端230可以为处于远端的用户终端，也可以为可穿戴设备220，用于获取其他用户的房颤信号，并通过与移动终端210之间的通信链路，向移动终端210发送房颤信号。当然，远端通信终端230可以接收移动终端210发送的房颤信号。

图3示出了本申请另一实施例提供的房颤信号的分类系统的结构框图。参见图3所示，该房颤信号的分类系统包括服务器310、终端设备320以及可穿戴设备330。其中，服务器310与终端设备320以及可穿戴设备330可以通过有线和/或无线网络进行通信。

其中，服务器310可以接收其他设备发送的房颤信号，即服务器属于云端设备，例如接收终端设备320以及可穿戴设备330反馈的房颤信号。可选地，其他设备可以安装有与服务器310配套的客户端程序，通过客户端程序将采集到的房颤信号进行封装，并发送给服务器310，继而服务器310在接收到其他设备反馈的房颤信号后，可以对多个房颤信号进行聚类，并识别各个房颤信号对应的类型。

移动终端320可以为用户使用的终端设备，该移动终端320上可以内置有心电传感器，通过心电传感器采集用户的心电信号，并基于心电信号生成对应的房颤信号，继而通过安装于本地的客户端程序，将房颤信号发送给服务器310。移动终端320还可以配置有通信模块，例如蓝牙通信模块或WIFI通信模块，通过通信模块接收用户使用的可穿戴设备反馈的房颤信号，并将房颤信号通过安装于本地的客户端程序发送给服务器310。

可穿戴设备330可以为一智能可穿戴设备，可以安装有与服务器310匹配的客户端程序，并在采集得到用户的房颤信号或心电信号后，通过客户端程序将采集得到的信号发送给服务器310。

在本申请实施例中，流程的执行主体为房颤信号的分类装置。作为示例而非限定，房颤信号的分类装置具体可以为一云端服务器，通过接收不同用户的房颤信号，对房颤信号执行聚类操作，以确定不同房颤聚类组的房颤类型。图1示出了本申请第一实施例提供的房颤信号的分类方法的实现流程图，详述如下：

在S401中，获取多个用户的房颤信号。

在本实施例中，房颤信号可以为通过可穿戴设备或心电采集设备获取得到的心电信号，上述可穿戴设备以及心电采集设备可以配置有心电传感器，例如心电图(Electrocardiogram，ECG)传感器或光电容描记(Photoplethysmograph，PPG)传感器，可以用于获取佩戴用户或所检测用户的心电信号。该可穿戴设备可以为手环或手表等能够与用户皮肤接触的设备，通过检测接触区域的血管扩张情况，获取所佩戴用户的心律值，并基于各个采集时刻所对应的心律值，生成用户的心电信号。在该情况下，可穿戴设备或心电采集设备将获取得到的原始心电数据，直接发送给房颤信号的分类装置，在分类装置接收到心电数据后，判断该用户是否存在房颤情况，并在判定存在房颤情况下，对该用户的房颤进行分类。具体地，该房颤信号具体可以为一段时间内用户脉搏的PPG信号，其中包含用户至少一个房颤发病期间的PPG信号。

可选地，该房颤信号还可以为以天为粒度的房颤信号，可穿戴设备或心电采集设备可以以预设的时间间隔获取用户的心电信号，并判断用户的心律值是否大于预设的房颤触发阈值，若检测到当前的心律值大于预设的房颤触发阈值，则记录心律值大于所述房颤触发阈值的持续时间；若所述持续时间大于预设的时长阈值，则识别当前的采集日期内该用户存在房颤行为，根据各个采集日期是否存在房颤行为生成基于时间粒度的房颤信号，将房颤信号发送给分类装置，以对该用户的房颤信号进行类型识别。

图5示出了本申请一实施例提供的房颤信号的波形示意图。参见图5所示，图5包含了多个采集时刻获取得到用户的心律值的心电波形图，其中，房颤触发阈值为300，即当用户的心律值出现超过300次/每分钟时，则判定该用户当前存在房颤行为。由图5中的心律值与时间的波形图可以看出，该用户在8日、9日、11日以及12日四天均存在房颤行为，将上述四天标记为房颤触发日，从而生成房颤情况波形图，采集设备可以将图5中的心律值与时间的波形图或房颤情况波形图中任一种作为房颤信号，并将房颤信号发送给分类装置。

在一种可能的实现方式中，该可穿戴设备或心电采集设备可以设置有存储单元，上述两个设备将采集到用户的房颤信号存储于存储单元内，在检测到存储单元内存储的房颤信号满足预设的上传阈值时，例如该房颤信号的数据量大于预设的数据量阈值，又或者该房颤信号的记录天数到达预设的天数阈值时，可以将已存储的房颤信号进行封装，并发送给房颤信号的分类装置。

在一种可能的实现方式中，房颤信号的分类装置在接收到其他设备反馈的房颤信号后，可以检测该房颤信号所对应的监控时长，若该监控时长大于或等于预设的有效时长，则识别该房颤信号为有效信号，并对该房颤信号执行后续的聚类操作；反之，若该房颤信号的监控时长小于有效时长，则识别该房颤信号为待定信号，继续等待该用户对应的可佩戴设备或心电装置反馈后续日期的房颤信号，直到关于该用户的所有房颤信号的监控时长大于有效时长，则将该用户所对应的所有房颤信号根据时间的先后顺序进行拼接，得到总的房颤信号，执行后续S402以及S403的相关操作。

在本实施例中，房颤信号的分类装置可以接收其他设备或通过内置的传感器获取用户的房颤信号，若是通过其他设备，例如可穿戴设备或心电采集设备等获取用户的房颤信号，则可以为上述不同的采集设备配置对应的房颤信号反馈周期，采集设备可以根据该反馈周期，定期向房颤信号的分类装置发送用户的房颤信号，并为该用户标记对应的用户编号，以区分不同用户的房颤信号。可选地，若采集设备配置有与分类装置对应的客户端程序，在用户启动该客户端程序时，则可以将上次反馈房颤信号时刻直到当前的启动时刻之间所采集得到的房颤信号，通过客户端程序进行封装，并将上述两个时刻之间的房颤信号发送给房颤信号的分类装置。

可选地，在本实施例中，房颤信号的分类装置可以配置有分类触发人数，由于通过聚类操作对用户的房颤信号进行自动标注以及分类，需要样本数大于预设的人数阈值时才能够确保分类操作的准确性。基于此，分类装置可以配置有上述的分类触发人数，并在检测到当前反馈房颤信号的用户个数大于该分类触发人数时，才执行S402的操作。优选地，在每执行一次聚类分类操作后，可以根据预设的调整步长配置上述的人数阈值，从而能够在接收到新用户的房颤信号后，重新确定房颤类型以及划分得到对应的房颤聚类组。

举例性地，初始的分类触发人数为3000人。房颤信号的分类装置在接收到3000个不同用户上传的房颤信号后，可以执行一次房颤信号的聚类操作，并为不同的房颤聚类组标记对应的房颤类型。而调整步长为300，在房颤信号的分类装置再接收到新增的300个用户的房颤信号，即总房颤信号的总量增加至3300个时，则重新执行一次房颤信号的聚类操作，以此类推，每次执行一次聚类操作后，均对分类触发人数提高300，从而能够定期执行聚类操作，以提高分类的准确性，避免出现新的房颤类型而无法识别，或因样本较少而忽略部分房颤类型的情况发生。

在S402中，对多个所述房颤信号进行聚类操作，得到至少一个房颤聚类组。

在本实施例中，房颤信号的分类装置在接收到来自多个不同用户的房颤信号后，可以对所有房颤信号进行聚类处理，将信号波形相同或相似的房颤信号划分到同一个房颤聚类组内，即属于同一房颤聚类组内的任意两个房颤信号的信号之间相似度大于预设的相似度阈值。

在一种可能的实现方式中，对房颤信号进行聚类操作的方式具体可以为：将任意两个房颤信号绘制在预设的坐标系上，并计算上述两个信号波形相交区域的面积和，基于该面积和确定两个信号波形之间的相似度。具体地，若该面积和的数值越大，则两个房颤信号之间的相似度越小；反之，若该面积和的数值越小，则两个房颤信号之间的相似度越大。图6示出了本申请一实施例提供的两个用户的房颤信号的波形图。参见图6所示，分类装置可以在同一坐标系上生成两个用户，即用户A和用户B的房颤信号，并识别两个信号之间的相交区域，并计算相交区域的相交面积，并基于上述的相交面积确定两个房颤信号之间的相似度。分类装置可以将相似度大于预设的相似度阈值的两个房颤信号划分至同一房颤聚类组。

在一种可能的实现方式中，房颤信号的分类装置可以配置有检测窗口，该检测窗口配置有信号长度，若任一用户反馈的房颤信号的信号长度大于该检测窗口，分裂装置可以通过检测窗口从该房颤信号中随机截取预设的信号段，并将各个用户截取得到的信号段进行聚类操作，从而能够减少聚类操作的计算量。举例性，该检测窗口可以为30天，若某一用户反馈的房颤信号的信号长度为100天，则分类装置可以通过检测窗口从房颤信号中截取信号长度为30天的信号段，并将该信号段与其他用户的房颤信号或信号段进行相似度计算。需要说明的是，若某一用户的房颤信号的信号长度小于上述的检测窗口的窗口大小，则无需截取操作，在该情况下，若通过上述相交面积的方式计算两个房颤信号之间的相似度，则可以将信号长度较短的房颤信号在信号长度较长的另一房颤信号的波形上进行滑动，并计算滑动过程中各个时刻对应的相交面积，并选取数值最小时的相交面积作为特征面积，并基于特征面积计算上述两个房颤信号之间的相似度。

由于现有的房颤类型的分类手段，主要是基于医学上进行简单分类，具体是按房颤行为的持续时间的长短划分为初发房颤、阵发性房颤、持续性房颤、永久性房颤四种，且基于持续时间的分类上也只是限定了大致范围，房颤行为停止后正常状态持续的时长并没有定义，由此可见，现有的房颤类型的分类方式精准度较低。示例性地，表1给出了现有技术中的一种房颤类型的分类规则。

表1

在本实施例中，通过将采集的多个用户的房颤信号执行聚类操作，从而能够划分为多个不同的房颤聚类组，能够识别出当前分类手段中未判定的房颤类型。示例性地，现有的分类方式将房颤信号划分为上述四个类型，而在聚类操作后，得到的房颤聚类组的个数为9个，即房颤信号中存在9个类型，能够弥补现有技术中未曾识别的房颤类型，实现了自动标注房颤类型的目的。

在S403中，分别识别各个所述房颤聚类组对应的房颤类型。

在本实施例中，房颤信号的分类装置在确定了多个房颤信号能够划分得到的房颤聚类组后，可以根据各个房颤聚类组内包含的房颤信号的信号特性，为各个房颤聚类组标记对应的房颤类型，并将该房颤聚类组内所有房颤信号均识别为该房颤聚类组对应的房颤类型。

可选地，房颤信号的分类装置可以为不同的房颤维度标记对应的维度等级，并根据各个房颤维度的维度等级进行组合，得到房颤类型，举例性地，该房颤维度可以为房颤持续时长、房颤强度和/或房颤间隔时长。具体地，分类装置可以提取各个房颤聚类组内具有代表性的特征信号，并识别该特征信号的房颤持续时长以及房颤强度，根据所有房颤聚类组所对应的特征信号，基于房颤持续时长之间的差异，划分为多个持续时长等级，以及基于房颤强度之间的差异，划分为多个强度等级，根据持续时长等级以及强度等级，为不同的房颤聚类组标记对应的房颤类型。若任意两个房颤聚类组的房颤持续时长相同，则可以通过房颤强度等级的差异进行区分；若任意两个房颤聚类组的强度等级相同，则可以通过房颤持续时长的差异进行区分。

举例性地，基于房颤持续时长可以划分为永久性、持续性以及阵发性三个不同的等级，而根据房颤强度可以划分为房颤一级、房颤二级以及房颤三级。房颤信号的分类装置在检测到两个房颤聚类组的持续时长相同时，则可以根据房颤强度的不同，用以区分两个不同的房颤聚类组，例如阵发性房颤一级以及阵发性房颤二级。若两个房颤信号的房颤强度相同，则可以根据房颤持续时长进行区分，例如永久性房颤一级以及阵发性房颤一级。具体所需划分的维度个数以及每个维度划分的等级个数，可以根据聚类得到的组别组以及每个组别的房颤信号的特性不同而确定。

举例性地，图7示出了本申请一实施例提供的房颤信号的分类示意图。参见图7所示，该房颤信号的分类装置可以根据房颤行为的持续时间以及每个房颤行为之间的间隔时间(即恢复正常后的非房颤日期的平均持续时长)两个维度对房颤类型进行分类，分别为：永久性房颤、持续性房颤、阵发性房颤一级、阵发性房颤二级、阵发性房颤三级以及阵发性房颤四级。其中，永久性房颤具体表现为：房颤持续时长大于100天；持续性房颤具体表现为：房颤持续时长大于7天，大概集中在25天左右；阵发性房颤的表现为：房颤持续时长小于7天，按照正常状态持续时长分为以下一级至四级，严重程度依次增高。

以上可以看出，本申请实施例提供的一种房颤信号的分类方法通过获取多个用户的房颤信号，并对多个房颤信号进行聚类操作，将存在相同或相似的房颤现象的用户划分至同一房颤聚类组，并识别各个房颤聚类组对应的房颤类型，实现了对房颤信号的分类。与现有的房颤识别技术相比，本申请实施例并非单单确认用户是否存在房颤情况，而是可以通过聚类的方式获取到与该用户存在相同或相似的房颤信号的其他用户划分至同一组别内，并为不同的组别进行类型识别，实现了精准化的房颤分类，方便了用户确定自身的身体状况，提高了房颤分类的准确性以及用户的使用体验。

图8示出了本申请第二实施例提供的一种房颤信号的分类方法S402的具体实现流程图。参见图8，相对于图4所述实施例，本实施例提供的一种房颤信号的分类方法中S402包括：S4021～S4023，具体详述如下：

在S4021中，基于所述房颤信号，建立所述用户的房颤时间序列。

在本实施例中，房颤信号的分类装置可以根据预设的时间粒度，对房颤信号进行预处理，从而可以将不同用户反馈的房颤信号统一至相同的量纲，以便后续的相似度计算。由于不同的用户所使用的采集设备存在差异或不同的采集设备的采集配置不同，因此采集得到的房颤信号的单位或采集间隔存在差异，在该情况下，若直接对两个信号进行相似度计算，则可能会造成计算异常的情况，并且在计算两个连续信号的相似度时，由于坐标点的数量较多，因此会增大相似度的运算量，因此可以将房颤信号离散化，得到关于用户的房颤时间序列。

在本实施例中，房颤信号的分类装置可以配置特征值提取算法，根据在房颤时间序列各个元素在房颤信号上对应的信号段，为各个元素进行赋值，从而生成以连续且时间量纲相同的房颤时间序列。可选地，该特征值提取算法可以为均值计算算法，计算每个元素在房颤信号上对应的信号段，并计算该信号段的均值，将该均值识别为该元素的位值。

需要说明的是，房颤信号的分类装置中上述的时间粒度可以为天级、小时级或周级等，具体粒度的设置可以通过系统默认值进行配置，也可以根据所有用户反馈的房颤信号进行配置。举例性地，若所有用户反馈的房颤信号是以年为监测周期进行采集的房颤信号，由于时间跨度较大，此时可以选取月作为时间粒度，并将包含用户多年内监测得到的房颤信号划分为以月为单位的房颤时间序列，该房颤时间序列中每个元素代表该用户的在某个月份的房颤特征值；若所有用户反馈的房颤信号是以日为监测周期进行采集的房颤信号，且房颤信号最大的持续时长为2日，由于时间跨度较短，此时可以选取小时作为时间例如，并提取各个房颤信号在每个小时对应的房颤值，从而得到以时间为单位的房颤时间序列。

在S4022中，根据所述房颤时间序列，分别计算各个所述用户之间的房颤相似度。

在本实施例中，房颤信号的分类装置在对各个房颤信号进行预处理，并得到房颤时间序列后，可以选取任意两个用户的房颤时间序列，通过上述两个房颤时间序列进行相似度计算，将两个房颤时间序列之间的相似度作为上述两个用户之间的相似度。当两个用户属于相同的房颤类型时，采集到的房颤波形会越相似，因而通过房颤信号转换得到的房颤时间序列之间的相似度也越高，因此可以通过房颤时间序列之间相似度的大小，确定两个用户是否属于相同的房颤类型，从而实现对用户进行分组。

可选地，根据房颤时间序列计算房颤相似度的方式可以为：对齐两个房颤时间序列，并计算对齐后各个元素之间的差值，将所有对应位置元素之差进行绝对值叠加，根据叠加值确定两个房颤时间序列之间的相似度。若该叠加值的数值越大，则对应的房颤时间序列之间的相似度越低；反之，若该叠加值的数值越小，则对应的房颤时间序列的相似度越高。

在一种可能的实现方式中，上述将两个房颤时间序列进行对齐的方式可以为：分类装置在以序列长度较长的一个房颤时间序列作为基准序列，并将序列长度较短的另一房颤时间序列在基准序列上进行滑动，并计算在各个滑动时刻的上述叠加值，将叠加值最小所对应的滑动时刻识别为对齐时刻，并根据对齐时刻的所述叠加值，计算两个用户之间的相似度。

在S4023中，将所述相似度大于预设的相似度阈值的多个所述用户对应的房颤信号，划分至同一所述房颤聚类组。

在本实施例中，房颤信号的分类装置在计算得到各个房颤时间序列之间的相似度后，可以将相似度大于预设的相似度阈值的多个房颤信号识别为关联信号，并将相互存在关联关系的房颤信号划分至同一房颤聚类组，即处于同一房颤聚类组内的任意两个房颤信号之间的相似度大于预设的相似度阈值。

在本申请实施例中，通过对房颤信号进行预处理，得到房颤时间序列，并计算各个房颤时间序列之间的相似度，从而实现了对所有用户的房颤信号进行分类的目的，提高了房颤信号相似度计算的准确性。

图9示出了本申请第三实施例提供的一种房颤信号的分类方法S4022以及S4023的具体实现流程图。参见图9，相对于图8所述实施例，本实施例提供的一种房颤信号的分类方法中S4022包括：S901，S4023包括：S902～S904，具体详述如下：

进一步地，所述根据所述房颤时间序列，分别计算各个所述用户之间的房颤相似度，包括：

在S901中，通过动态时间规整算法计算所述用户的所述房颤时间序列与各个用户的所述房颤时间序列之间的距离值，构建关于所述用户的距离特征向量。

在本实施例中，房颤信号的分类装置在计算两个房颤时间序列的相似度时可以通过动态时间规整算法来获取上述相似度，具体实现的过程具体为：根据两个房颤时间序列内包含的元素个数，生成对应的坐标网格，并根据各个坐标网格相交点所对应的元素之间的差值，作为该坐标网格对应的元素距离值，在计算路径的总距离时，将经过的各个网格交点对应的元素距离值进行叠加，则得到该路径对应的总距离值，选取总距离值最小的路径作为两个房颤时间序列之间的特征路径，并将该特征路径对应的距离值作为两个房颤时间距离之间的距离值。

举例性地，用户A为包含M个元素的第一房颤时间序列，而用户B为包含N个元素的第二房颤时间序列，则可以生成一个M*N的坐标网格，而坐标(m,n)的坐标距离值即为第一房颤时间序列中第m个元素与第二房颤时间序列中第n个元素之间的距离值，并计算到达目标点(M,N)的所有路径中，总距离值最小的一个路径作为特征路径，将特征路径对应的总距离值作为两个房颤时间序列之间的距离值。

在本实施例中，房颤信号的分类装置会计算一用户对应的房颤时间序列与所有用户的房颤时间序列之间的距离值，从而生成关于该用户与所有用户的房颤时间序列的距离值的距离特征向量。举例性地，分类装置接收到N个用户反馈的房颤信号，则计算该N个用户中第i个用户的房颤时间序列，与N个用户的房颤时间序列之间的距离值，从而得到一个N维的距离特征向量，即在计算距离值时，第i个用户需要计算与自身的距离值，但由于两个房颤时间序列相同，则与自身的距离值必然为0。

举例性地，图10示出了本申请一实施例提供的N维距离特征矩阵的生成示意图。参见图10所示，房颤信号的分类装置接收到N个用户反馈的房颤信号，并根据各个房颤信号生成对应的房颤时间序列。由于每个用户反馈的房颤信号的检测时长不同，因此生成的房颤时间序列的长度不同，在计算了各个房颤时间序列之间的距离值后，每个用户均需要执行N个距离值的计算，因此可以将每个用户不等长的房颤时间序列转换至长度相同的距离特征向量。

所述将所述相似度大于预设的相似度阈值的多个所述用户对应的房颤信号，划分至同一所述房颤聚类组，包括：

在S902中，根据N个所述用户的距离特征向量，生成N维距离特征矩阵；所述N为所有所述用户的总人数。

在本实施例中，房颤信号的分类装置在得到N个用户对应的距离特征向量后，可以根据N个用户的用户编号，将N个距离特征向量进行组合，构成了一个N为距离特征矩阵。需要说明的是，房颤信号的分类装置接收到N个用户发送的房颤信号，因此在计算距离特征向量时，则需要分别计算各个用户的房颤时间序列与所有N个用户的房颤时间序列之间的距离值，从而构建得到一个包含N个元素的距离特征向量，并将N个用户对应的距离特征向量进行组合，则可以构成一个N维距离特征矩阵，即该N维距离特征矩阵的矩阵大小为N*N的矩阵。

在S903中，通过主成分分析算法，将N维距离特征矩阵投射到K维聚类矩阵；所述K为所述房颤聚类组的组别数。

在本实施例中，房颤信号的分类装置可以采用主成分分析算法，将一个N为距离特征向量投射到一个K维的聚类矩阵内，具体投射的方式具体为：根据N个用户的距离特征向量，计算距离特征均值，并基于该距离特征均值，对N维距离矩阵执行去平均值操作，即每一用户的距离特征向量内的各个元素减去各自的距离均值，然后计算通过上述处理操作后的矩阵的协方差矩阵；通过奇偶值分解SVD计算协方差矩阵的特征值与特征向量；对特征值从大到小排序，选择其中最大的K个；然后将其对应的K个特征向量分别作为列向量组成特征向量矩阵，完成了从N维的向量投射至K维向量的过程，构建了新的向量空间。

在S904中，根据所述K维聚类矩阵，将所有所述用户的所述房颤信号划分为K个所述房颤聚类组。

在本实施例中，房颤信号的分类装置在获得到K维聚类矩阵后，可以根据每个维度内包含的元素，各个维度所对应的用户编号，由于在N维距离特征矩阵内，每一维度对应一个用户编号，因此在将N为距离特征矩阵投射到K维聚类矩阵后，依然可以基于相互之间的投射关系，确定在K维聚类矩阵中所对应的用户编号，从而能够确定各个用户所述的聚类维度，并基于该聚类维度确定该用户所属的房颤聚类组，并根据各个用户所述的房颤聚类组，将所有房颤信号划分为多个不同类型，每个房颤距离组对应的一种房颤类型。

举例性地，图11示出了本申请一实施例提供的房颤信号的聚类示意图。参见图11所示，房颤信号的分类装置将所有用户的房颤信号划分为6个房颤聚类组，并将属于同一个房颤聚类组的所有房颤信号绘制到同一坐标轴上进行显示，且属于相同的房颤聚类组的所有房颤信号的波形相似或相近，可见通过上述方式进行房颤分类的效果较好，分类的准确性较高。

在本申请实施例中，通过将不等长的房颤时间序列调整至长度固定的距离特征向量，并对所有距离特征向量进行聚类操作，从而能够提高聚类操作的准确性，并且通过动态时间规整算法计算不等长的序列之间的距离值，能够提高距离值的准确性，也进一步提高了分类操作的准确性。

图12示出了本申请第四实施例提供的一种房颤信号的分类方法S4022的具体实现流程图。参见图12，相对于图8所述实施例，本实施例提供的一种房颤信号的分类方法中S4022还包括：S1201～S1202，具体详述如下：

进一步地，所述根据所述房颤时间序列，分别计算各个所述用户之间的房颤相似度，包括：

在S1201中，识别各个所述房颤时间序列包含的元素个数。

在本实施例中，房颤信号的分类装置在计算任意两个房颤用户之间的相似度时，可以计算序列长度差异较小的两个用户之间的相似度，而对于序列长度差异较大的两个用户之间，则可以不计算相似度，从而能够减少大量的非必要计算，提高聚类操作的响应速度。基于此，房颤信号的分类装置在计算两个用户的房颤相似度之前，可以统计两个房颤时间序列分别包含的元素个数，通过统计各个房颤时间序列的元素个数，则可以确定该房颤时间序列的序列长度。

在本实施例中，房颤信号的分类装置可以计算两个房颤时间序列之间的元素个数之差，若两个元素个数之间的差值大于或等于预设的窗口阈值，则识别两个房颤时间序列之间长度差异较大，无需执行相似度计算，可以将上述两者之间的相似度设置为预设的默认值。

在S1202中，若任意两个所述用户对应的所述元素个数之间的差值小于预设的窗口阈值，则计算所述两个用户之间的所述房颤相似度。

在本实施例中，房颤信号的分类装置在识别得到两个用户的房颤时间序列之间的元素个数差值小于预设的窗口阈值，则可以执行相似度计算的操作。

在本申请实施例中，通过计算房颤相似度时，通过确定两个房颤时间序列之间的元素个数之差，从而能够过滤房颤时间序列长度差异的较大的相似度运算操作，能够提高房颤相似度计算的效率，提高聚类响应速度。

图13示出了本申请第五实施例提供的一种房颤信号的分类方法S4021的具体实现流程图。参见图13，相对于图8所述实施例，本实施例提供的一种房颤信号的分类方法中S4021包括：S1301～S1303，具体详述如下：

进一步地，，所述基于所述房颤信号，建立所述用户的房颤时间序列，包括：

在S1301中，获取所述房颤信号内各个采集点对应的采集日期。

在本实施例中，采集设备在获取用户的房颤信号时，会记录各个采集点对应的采集时间，该采集时间包括有采集时刻以及采集日期。房颤信号的分类装置在接收到房颤信号后，可以在根据各个采集点关联的采集时间，在预设的时间坐标系上一次标记出各个采集点，并确定各个采集点对应的采集日期。

在S1302中，若任意两个相邻的所述采集点之间的所述采集日期不连续，则通过预设的缺失补偿算法，在所述房颤信号上添加所述两个采集点之间缺失日期的补偿采集点，得到日期连续信号。

在本实施例中，房颤信号的分类装置可以判断各个相邻的采集点之间的采集日期是否连续，若任意两个相邻的采集点之间的采集日期不连续，则可以用户在监测期间，脱下过用于采集房颤信号的可佩戴设备等没有采集到房颤信号，因此存在部分日期缺失房颤信号。基于此，房颤信号的分类装置可以通过缺失补偿算法，确定缺失日期对应的补偿采集点。

可选地，房颤信号的采集装置可以通过线性拟合算法，确定缺失日期对应的补偿采集点。房颤信号的采集装置可以根据已采集到的采集日期的采集点，输出用户对应的函数，并配置拟合的函数的最大指数值，从而避免在拟合函数的过程中出现过拟合的情况。

在S1303中，根据所述日期连续信号，输出所述房颤时间序列。

在本实施例中，通过在缺失日期填充补偿采集点，则可以得到在各个采集日期均有对应采集点的房颤信号，即房颤信号基于采集日期而言是连续的，并根据该日期连续信号，输出用户的房颤时间序列，输出房颤时间序列的具体方式可以参见S4021的描述，在此不再赘述。

在本申请实施例中，通过识别缺失日期，并添加补偿采集点，得到日期连续信号，从而生成房颤时间序列，提高了房颤时间序列中每个元素的在日期上而言的连续，能够提高后续房颤分类的准确性。

图14示出了本申请第六实施例提供的一种房颤信号的分类方法S401的具体实现流程图。参见图14，相对于图4、图8、图9、图12以及图13任一所述实施例，本实施例提供的一种房颤信号的分类方法S401包括：S4011～S4014，具体详述如下：

进一步地，所述获取多个用户的房颤信号，包括：：

在S4011中，获取所述用户的心律信号。

在本实施例中，采集装置，例如可佩戴设备以及心电采集设备，可以将获取得到的心律信号发送给房颤信号的分类装置，通过分类装置对将心律信号转换为房颤信号。需要说明的是，该房颤信号可以以预设的采集周期获取各个预设的时间节点对应的心律值，并将各个时间节点对应的心律值的大小，依次进行连接，从而得到该用户的心律信号。

在本实施例中，房颤采集的分类装置可以配置有房颤判定条件，若检测到当前采集日期反馈的心律信号满足房颤判定条件，则执行S4012的操作；反之，若当前采集日期反馈的心律信号中不存在满足房颤判定条件的采集点，则执行S4013的操作。

可选地，房颤采集的分类装置可以设置有房颤心律阈值以及持续时长阈值，若检测心律信号中存在超过房颤心律阈值的信号段，则检测超高房颤心律阈值的信号段的持续时长，若该持续时长大于上述的持续时长阈值，则识别满足房颤判定条件；反之，若不存在心律信号超过房颤的信号段，或超过房颤心律阈值的信号段的持续时长均小于或等于持续时长阈值，则识别不满足房颤判定条件。

在S4012中，若所述心律信号满足预设的房颤判定条件，则将所述心律信号对应的采集日期的采集点配置为第一位值。

在本实施例中，房颤信号的分类装置在检测到某一采集日期反馈的心律信号满足房颤判定条件时，则将为该采集日期配置对应的采集点，并将该采集点的位值配置为第一位值，例如用1表示，即该采集日期该用户存在房颤行为。

在S4013中，若所述心律信号不满足所述房颤判定条件，则将所述心律信号对应的所述采集日期的所述采集点配置为第二位值。

在本实施例中，房颤信号的分类装置在检测到某一采集日期反馈的心律信号不满足房颤判定条件时，则将为该采集日期配置对应的采集点，并将该采集点的位值配置为第二位值，例如用0表示，即该采集日期该用户不存在房颤行为。

在S4014中，根据所有所述采集日期对应的采集点，生成所述房颤信号。

在本实施例中，房颤信号的分类装置根据各个采集日期对应的采集点的位值，在预设的坐标系上标记处各个采集点，得到房颤信号。

在本申请实施例中，通过对房颤信号进行归一化处理，通过判断每个采集日期是否存在房颤行为用于配置各个采集日期对应的位值，从而能够构建以天为粒度的房颤信号，实现归一化的同时，能够统一房颤信号的量纲，便于后续聚类操作的准确性。

图15示出了本申请第七实施例提供的一种房颤信号的分类方法的具体实现流程图。参见图12，相对于图4、图8、图9、图12以及图13任一所述实施例，本实施例提供的一种房颤信号的分类方法还包括：S1501～S1502，具体详述如下：

进一步地，在所述分别识别各个所述房颤聚类组对应的房颤类型之后，还包括：

在S1501中，获取与所述房颤类型关联的提醒信息。

在本实施例中，房颤信号的分类装置在确定了各个用户对应的房颤类型后，可以从数据库中获取各个房颤类型关联的提醒信息。该提醒信息包括但不限于：行为建议信息、就医建议信息以及病情介绍信息等。

在S1502中，输出所述提醒信息。

在本实施例中，房颤信号的分类装置可以获取用户关联的用户终端的通信地址，并将该用户所属房颤类型的提醒信息通过通信地址发送给用户终端，以便用户可以通过用户终端查看得到上述的提醒信息。

可选地，房颤信号的分类装置还可以在提醒信息上添加有房颤信号的波形图，并标记处该房颤类型的类别名，以便用户确定自身所属的房颤类型。

举例性地，图16示出了本申请一实施例提供的提醒信息的示意图。参见图16所示，房颤信号的分类设备可以在第一页面上显示该用户的房颤类型以及房颤信号的波形图，在第二页面上显示与房颤类型对应的提醒信息。

在本申请实施例中，通过获取用户的房颤类型关联的提醒信息，并将提醒信息输出给用户，能够方便用户确定该房颤类型的相关信息，并制定对应的治疗策略。

图17示出了本申请第八实施例提供的一种房颤信号的分类方法的具体实现流程图。参见图17，相对于图4、图8、图9、图12以及图13任一所述实施例，本实施例提供的一种房颤信号的分类方法还包括：S1701～S1702，具体详述如下：

进一步地，在所述分别识别各个所述房颤聚类组对应的房颤类型之后，还包括：

在S1701中，根据各个所述房颤聚类组包含的所述房颤信号，确定各个所述房颤聚类组对应的特征信号。

在本实施例中，房颤信号的分类装置在对所有房颤信号进行聚类操作，得到多个房颤聚类组后，可以通过大数据分析的方式，确定每个房颤聚类组对应的特征信号。具体地，每个房颤聚类组包含多个房颤信号，分类装置可以根据各个房颤信号提取共性特征，并基于所有共性特征绘制标准信号，将绘制得到的标准信号识别为该房颤聚类组的特征信号。该特征信号与该聚类组的各个房颤信号之间的相似度均大于相似度阈值。

在S1702中，若接收到新增用户的新增房颤信号，则根据各个所述房颤聚类组的所述特征信号以及所述新增房颤信号，识别所述新增用户对应的所述房颤类型。

在本实施例中，房颤信号的分类装置在执行一次聚类操作后，若接收到新增用户反馈的新增房颤信号，则可以识别该新增用户的房颤类型，此时，无需再通过所有房颤信号执行聚类操作，由于已经确定了存在的房颤类型，则可以该新增房颤信号所属的房颤聚类组，并将该房颤聚类组对应的房颤类型识别为新增用户的房颤类型。

可选地，在本实施例中，房颤信号的分类装置可以分别计算该新增房颤信号以及各个特征信号之间的匹配度，选取匹配度最高的特征信号所对应的房颤类型作为新增用户的房颤类型。

可选地，房颤信号的分类装置可以通过DTW算法，计算新增房颤信号与特征信号之间的距离值，并选取距离值最小的特征信号对应的房颤类型作为新增用户的房颤类型。

在本申请实施例中，通过房颤聚类组的特征信号与新增用户的新增房颤信号进行匹配，能够识别得到新增用户的房颤类型，实现了新增用户自动标注以及分类的目的。

图18示出了本申请第九实施例提供的一种房颤信号的分类方法S1702的具体实现流程图。参见图18，相对于图17所述实施例，本实施例提供的一种房颤信号的分类方法还包括：S1801～S1802，具体详述如下：

进一步地，所述若接收到新增用户的新增房颤信号，则根据各个所述房颤聚类组的所述特征信号以及所述新增房颤信号，识别所述新增用户对应的所述房颤类型，包括：

在S1801中，通过各个所述特征信号，生成房颤分类模型。

在本实施例中，房颤信号的分类装置可以根据多个特征信号，生成分类模型，该分类模型可以为SVM模型、LR模型和/或GBDT模型。

在S1802中，将所述新增房颤信号导入所述房颤分类模型，确定所述新增用户对应的所述房颤类型。

在本实施例中，房颤信号的分类装置将新增房颤信号导入到分类模型中，计算各个房颤类型的概率值，选取概率值最高的一个房颤类型作为该新增用户的房颤类型。

在本申请实施例中，通过房颤聚类组的特征信号创建房颤分类模型，从而能够识别得到新增用户的房颤类型，实现了新增用户自动标注以及分类的目的。

应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。

对应于上文实施例所述的房颤信号的分类方法，图19示出了本申请实施例提供的房颤信号的分类装置的结构框图，为了便于说明，仅示出了与本申请实施例相关的部分。

参照图19，该房颤信号的分类装置包括：

房颤信号获取单元191，用于获取多个用户的房颤信号；

房颤聚类执行单元192，用于对多个所述房颤信号进行聚类操作，得到至少一个房颤聚类组；

房颤类型识别单元193，用于分别识别各个所述房颤聚类组对应的房颤类型。

可选地，所述房颤聚类执行单元192包括：

房颤时间序列建立单元，用于基于所述房颤信号，建立所述用户的房颤时间序列；

房颤相似度计算单元，用于根据所述房颤时间序列，分别计算各个所述用户之间的房颤相似度；

房颤聚类组划分单元，用于将所述相似度大于预设的相似度阈值的多个所述用户对应的房颤信号，划分至同一所述房颤聚类组。

可选地，所述房颤相似度计算单元包括：

距离特征向量构建单元，用于通过动态时间规整算法计算所述用户的所述房颤时间序列与各个用户的所述房颤时间序列之间的距离值，构建关于所述用户的距离特征向量；

所述房颤聚类组划分单元包括：

距离特征矩阵生成单元，u根据N个所述用户的距离特征向量，生成N维距离特征矩阵；所述N为所有所述用户的总人数；

聚类矩阵投射单元，用于通过主成分分析算法，将N维距离特征矩阵投射到K维聚类矩阵；所述K为所述房颤聚类组的组别数；

聚类矩阵划分单元，用于根据所述K维聚类矩阵，将所有所述用户的所述房颤信号划分为K个所述房颤聚类组。

可选地，所述房颤相似度计算单元包括：

元素个数识别单元，用于识别各个所述房颤时间序列包含的元素个数；

相似度计算触发单元，用于若任意两个所述用户对应的所述元素个数之间的差值小于预设的窗口阈值，则计算所述两个用户之间的所述房颤相似度。

可选地，所述房颤时间序列建立单元包括：

采集日期获取单元，用于获取所述房颤信号内各个采集点对应的采集日期；

补偿采集点添加单元，用于若任意两个相邻的所述采集点之间的所述采集日期不连续，则通过预设的缺失补偿算法，在所述房颤信号上添加所述两个采集点之间缺失日期的补偿采集点，得到日期连续信号；

日期连续信号转换单元，用于根据所述日期连续信号，输出所述房颤时间序列。

可选地，所述房颤信号获取单元191包括：

心律信号获取单元，用于获取所述用户的心律信号；

第一位值配置单元，用于若所述心律信号满足预设的房颤判定条件，则将所述心律信号对应的采集日期的采集点配置为第一位值；

第二位值配置单元，用于若所述心律信号不满足所述房颤判定条件，则将所述心律信号对应的所述采集日期的所述采集点配置为第二位值；

房颤信号生成单元，用于根据所有所述采集日期对应的采集点，生成所述房颤信号。

可选地，所述房颤信号的分类装置还包括：

提醒信息获取单元，用于获取与所述房颤类型关联的提醒信息；

提醒信息输出单元，用于输出所述提醒信息。

可选地，所述房颤信号的分类装置还包括：

特征信号确定单元，用于根据各个所述房颤聚类组包含的所述房颤信号，确定各个所述房颤聚类组对应的特征信号；

新增用户识别单元，用于若接收到新增用户的新增房颤信号，则根据各个所述房颤聚类组的所述特征信号以及所述新增房颤信号，识别所述新增用户对应的所述房颤类型。

可选地，所述新增用户识别单元包括：

房颤分类模型生成单元，用于通过各个所述特征信号，生成房颤分类模型；

房颤分类模型导入单元，用于将所述新增房颤信号导入所述房颤分类模型，确定所述新增用户对应的所述房颤类型。

因此，本申请实施例提供的房颤信号的分类装置同样可以通过聚类的方式获取到与该用户存在相同或相似的房颤信号的其他用户划分至同一组别内，并为不同的组别进行类型识别，实现了精准化的房颤分类，方便了用户确定自身的身体状况，提高了房颤分类的准确性以及用户的使用体验。

图20为本申请一实施例提供的终端设备的结构示意图。如图20所示，该实施例的终端设备20包括：至少一个处理器200(图20中仅示出一个)处理器、存储器201以及存储在所述存储器201中并可在所述至少一个处理器200上运行的计算机程序202，所述处理器200执行所述计算机程序202时实现上述任意各个房颤信号的分类方法实施例中的步骤。

所述终端设备20可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。该终端设备可包括，但不仅限于，处理器200、存储器201。本领域技术人员可以理解，图20仅仅是终端设备20的举例，并不构成对终端设备20的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如还可以包括输入输出设备、网络接入设备等。

所称处理器200可以是中央处理单元(Central Processing Unit，CPU)，该处理器200还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

所述存储器201在一些实施例中可以是所述终端设备20的内部存储单元，例如终端设备20的硬盘或内存。所述存储器201在另一些实施例中也可以是所述**装置/终端设备20的外部存储设备，例如所述终端设备20上配备的插接式硬盘，智能存储卡(Smart MediaCard,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。进一步地，所述存储器201还可以既包括所述终端设备20的内部存储单元也包括外部存储设备。所述存储器201用于存储操作系统、应用程序、引导装载程序(BootLoader)、数据以及其他程序等，例如所述计算机程序的程序代码等。所述存储器201还可以用于暂时地存储已经输出或者将要输出的数据。

需要说明的是，上述装置/单元之间的信息交互、执行过程等内容，由于与本申请方法实施例基于同一构思，其具体功能及带来的技术效果，具体可参见方法实施例部分，此处不再赘述。

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，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

本申请实施例还提供了一种网络设备，该网络设备包括：至少一个处理器、存储器以及存储在所述存储器中并可在所述至少一个处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述任意各个方法实施例中的步骤。

本申请实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现可实现上述各个方法实施例中的步骤。

本申请实施例提供了一种计算机程序产品，当计算机程序产品在移动终端上运行时，使得移动终端执行时实现可实现上述各个方法实施例中的步骤。

所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请实现上述实施例方法中的全部或部分流程，可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质至少可以包括：能够将计算机程序代码携带到拍照装置/终端设备的任何实体或装置、记录介质、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，RandomAccess Memory)、电载波信号、电信信号以及软件分发介质。例如U盘、移动硬盘、磁碟或者光盘等。在某些司法管辖区，根据立法和专利实践，计算机可读介质不可以是电载波信号和电信信号。

在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。

本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。

在本申请所提供的实施例中，应该理解到，所揭露的装置/网络设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/网络设备实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

以上所述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。