具体实施方式

这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。

图1是根据一示例性实施例示出的一种心电数据的处理方法的流程图。如图1所示，该方法可以包括以下步骤：

步骤101，获取待处理的目标心电数据。

举例来说，首先可以通过ECG设备按照指定的采样频率和采样时长，使用指定数量种导联，对目标用户体表的指定位置进行数据采集，以获取待处理的目标心电数据。其中，目标心电数据可以理解为ECG设备生成的心电图中包括的电势随时间变化的数据。例如，可以通过ECG设备按照500Hz的采样频率以及1min的采样时长，采用十二导联(包括：I、II、III、aVR、aVL、aVF、V1、V2、V3、V4、V5、V6)对目标用户体表的指定位置进行数据采集，以获取目标心电数据。再例如，可以通过ECG设备按照300Hz的采样频率以及1min的采样时长，采用单导联对目标用户体表的指定位置进行数据采集，以获取目标心电数据。在获取到目标心电数据后，可以对目标心电数据进行存储，例如，可以将目标心电数据存储到Matlab(英文：Matrix Laboratory，中文：矩阵实验室)文件中。

步骤102，根据目标心电数据，通过预先训练的自编码器确定能够表征目标心电数据的目标心电特征向量。

示例的，为了降低通过心电数据确定目标用户的心脏状态时，对医生的能力和经验的要求，可以采用对心电数据进行分类的方式，来自动地确定心电数据对应的体征类型。具体的，首先可以对目标心电数据进行处理，以提取目标心电数据所包含的主要特征，并生成能够表征目标心电数据的目标心电特征向量。例如，可以先对目标心电数据进行滤波，以去除目标心电数据中的干扰。然后从滤波后的目标心电数据中提取每次心跳对应的心跳数据，并通过预先训练的自编码器(英文：Autoencoder，缩写：AE)对提取到的心跳数据进行编码，以得到目标心电特征向量。

步骤103，根据目标心电特征向量和预先训练的自组织映射网络，通过预设的分类算法确定目标心电数据对应的目标体征类型。

其中，自组织映射网络为根据预设的训练数据集训练得到的。

进一步的，由于心电数据的大量标注需要较高的人工成本，这就导致了在采用监督学习的方式来对心电数据进行分类时，可能会缺乏大量的可用数据。因此，可以采用无监督学习的方式来对心电数据进行分类。例如，可以预先根据包含不同体征类型的心电数据的训练数据集，来训练自组织映射网络。训练完成后的自组织映射网络对应有多个区域，每个区域是由具有相同体征类型的心电数据映射形成的，即每个区域对应一种体征类型。

其中，训练数据集例如可以采用ICBEB数据集，也可以采用PhysioNet数据集。体征类型可以包括正常体征类型和多种异常体征类型，正常体征类型用于表征心电数据对应的心脏状态不存在异常，异常体征类型用于表征心电数据对应的心脏状态存在异常时的病症类型。例如，在包括8种异常体征类型的情况下，8种异常体征类型可以分别为：心房颤动(英文：Atrial fibrillation，缩写：AF)、一级房室传导阻滞(英文：First-degreeatrioventricular block，缩写：I-AVB)、左束支传导阻滞(英文：Left bundle branchblock，缩写：LBBB)、右束支传导阻滞(英文：Right bundle branch bloc，缩写：RBBB)、房性期前收缩(英文：Premature atrial contraction，缩写：PAC)、室性期前收缩(英文：Premature ventricular contraction，缩写：PVC)、ST段压低(英文：ST-segmentdepression，缩写：STD)和ST段抬高(英文：ST-segment elevated，缩写：STE)。

然后，可以在确定目标心电特征向量之后，将目标心电特征向量作为预设的分类算法输入，并由分类算法从训练好的自组织映射网络对应的多个区域中，确定目标心电特征向量对应的区域，并将该区域对应的体征类型作为目标心电数据对应的目标体征类型。分类算法可以理解为一个分类器，例如，在分类器采用KNN(英文：k-NearestNeighbor，中文：k最邻近分类)分类器时，KNN分类器可以将自组织映射网络对应的多个区域作为分类的目标，然后确定目标心电特征向量，到自组织映射网络对应的第一数量个区域中每个区域的距离，并将目标区域对应的体征类型作为目标体征类型。其中，第一数量为根据训练数据集训练自组织映射网络时确定的(即训练完成后的自组织映射网络对应的区域的数量)，目标区域为与目标心电特征向量的距离最小的区域。

需要说明的是，本公开不仅可以应用于确定心电数据对应的体征类型，还可以应用于确定其他任一种生物数据对应的体征类型。其中，生物数据可以包括生物电数据(脑电信号、肌电信号和眼电信号等)以及生物非电数据(例如，血压、血氧、张力、压力、体温等)。

综上所述，本公开首先通过获取待处理的目标心电数据，并根据目标心电数据，通过预先训练的自编码器确定能够表征目标心电数据的目标心电特征向量，然后根据目标心电特征向量和预先训练的自组织映射网络，通过预设的分类算法确定目标心电数据对应的目标体征类型，其中，自组织映射网络为根据预设的训练数据集训练得到的。本公开可以通过自编码器、自组织映射网络，结合分类算法，来智能地确定目标心电数据对应的目标体征类型，不需要人工参与，能够提高心电数据的处理效率和准确度。

图2是图1所示实施例示出的一种步骤102的流程图。如图2所示，步骤102可以包括以下步骤：

步骤1021，对目标心电数据进行滤波，并对滤波后的目标心电数据进行峰值检测，以提取第二数量个心跳数据。

在一种场景中，由于目标心电数据中可能存在高频干扰、肌电干扰、工频干扰、基线漂移等，可能会影响确定目标体征类型的干扰。因此，可以先对目标心电数据进行滤波，例如可以采用巴特沃斯带通滤波器(滤波器的带宽例如可以为0.25Hz-40Hz)对目标心电数据进行滤波。为了使之后的分类模型能够处理长度相等的数据，因此可以对滤波后的目标心电数据进行峰值检测，以提取第二数量个，时间长度相等的心跳数据。具体的，可以使用第三方Python的BioSppy工具包从目标心电数据中提取心跳：首先由BioSppy工具包识别目标心电数据中的所有R波峰值，然后在每个R波峰值之前的指定时间段和该R波峰值之后的指定时间段进行切割，以得到包含了完整的P-QRS-T波的第二数量个持续的时间段，每个持续的时间段对应的数据可以理解为一次完整的心跳对应的心跳数据。例如，可以选择每个R峰之前0.2秒和该R峰之后0.6秒的时间段进行切割，以得到第二数量个心跳数据，即一个心跳数据对应的采样时长为0.8秒。

步骤1022，对第二数量个心跳数据中的第三数量个心跳数据进行降维处理，以得到心跳数据序列，第三数量小于或等于第二数量。

步骤1023，将心跳数据序列输入自编码器，以得到目标心电特征向量。

在本步骤中，可以从第二数量个心跳数据中，选出第三数量个心跳数据来确定目标体征类型。例如，可以从第二数量个心跳数据中，任意选出1个心跳数据来确定目标体征类型，也可以任意选出4个心跳数据来确定目标体征类型，还可以选出3个连续的心跳数据来确定目标体征类型，本公开对此不作具体限定。通过从第二数量个心跳数据中，选出第三数量个心跳数据来确定目标体征类型，能够减少确定目标体征类型所使用的数据量，从而提高确定目标体征类型的速度。

然后，为了减少由于该第三数量个心跳数据中包含的冗余信息以及噪音信息对确定目标体征类型的影响，以提高确定目标体征类型的准确度。例如，可以利用主成分分析技术(英文：Principal Components Analysis，缩写：PCA)对该第三数量个心跳数据中每个心跳数据进行降维处理，并由每个经过降维处理后的心跳数据组成心跳数据序列。最后将心跳数据序列输入自编码器，由自编码器对心跳数据序列进行编码，以得到目标心电特征向量。

可选地，步骤1023可以通过以下方式实现：

步骤A，按照指定时长将心跳数据序列划分为多个心跳数据段。

步骤B，将每个心跳数据段输入自编码器，以得到能够表征该心跳数据段的子特征向量。

步骤C，将每个心跳数据段对应的子特征向量进行拼接，得到目标心电特征向量。

举例来说，可以通过生成更具可分辨性的目标心电特征向量，来进一步提高确定目标体征类型的准确度。具体的，首先可以按照指定时长将心跳数据序列划分为多个心跳数据段。例如，在心跳数据序列包括300采样点的情况下，可以以50个采样周期为指定时长，将心跳数据序列划分为6个心跳数据段(即以50个采样点为一个心跳数据段)。然后可以将每个心跳数据段输入自编码器，由自编码器对每个心跳数据段进行编码，以得到每个心跳数据段的子特征向量，并将每个心跳数据段对应的子特征向量进行拼接，得到目标心电特征向量。每个心跳数据段的子特征向量均能够反映该心跳数据段对应的主要特征，通过对不同心跳数据段的子特征向量进行拼接，能够获得更具可分辨性的目标心电特征向量。同时，通过对心跳数据序列进行划分，能够降低输入到自编码器的数据的维度，提高自编码器的编码效率，进而提高确定目标体征类型的速度。

图3是根据一示例性实施例示出的一种自组织映射网络的训练方式的流程图。如图3所示，自组织映射网络可以通过以下方式训练得到：

步骤201，获取训练数据集，训练数据集包括多个训练心电数据。

举例来说，在对自组织映射网络进行训练时，首先可以获取包括多个训练心电数据的训练数据集，每个训练心电数据都对应一种训练体征类型。其中，训练数据集可以采用ICBEB 2018数据集或PhysioNet Computing in Cardiology Challenge 2017数据集。

在训练数据集采用ICBEB 2018数据集的情况下，该训练数据集为按照500Hz的采样频率，采用十二导联进行6秒到60秒的数据采集获得的。该训练数据集中包括6877个训练心电数据，该训练数据集对应9种训练体征类型，该9种训练体征类型包括1种正常体征类型(即表1中的Normal)以及8种异常体征类型(即表1中的AF、I-AVB、LBBB、RBBB、PAC、PVC、STD和STE)，每种训练体征类型的记录数量如表1所示。

表1

在训练数据集采用PhysioNet Computing in Cardiology Challenge 2017数据集的情况下，该训练数据集为按照300Hz的采样频率，采用单导联进行9秒到60秒的数据采集获得的。该训练数据集中包括8528个训练心电数据，该训练数据集对应4种训练体征类型，该4种训练体征类型包括1种正常体征类型(即表2中的Normal)以及3种异常体征类型(即表2中的AF、Other rhythm和Noisy)，每种训练体征类型的记录数量如表2所示。

表2

其中，Other rhythm为其他节律，Noisy为噪声。

步骤202，根据任一训练心电数据，确定待训练网络包括的各个节点中，与该训练心电数据匹配的最佳匹配节点。

具体的，在训练SOM(英文：Self-organizing Maps，中文：自组织映射网络)之前，需要对训练数据集进行处理，以将训练数据集处理成自组织映射网络需要的格式。例如，首先可以预先从存储训练数据集的文件(例如，Matlab文件)中提取每个训练心电数据，并采用巴特沃斯带通滤波器对每个训练心电数据进行滤波。其次，可以将滤波后的每个训练心电数据转换成Numpy数组，并将其全部插入到一个CSV(英文：Comma-Separated Values，中文：逗号分隔值)文件中。之后对CSV文件中的每个训练心电数据进行峰值检测，以提取该训练心电数据包括的每个心跳数据，再将该训练心电数据包括的全部心跳数据作为一个训练样本，并将所有的训练样本作为单独的行插入到CSV文件中。然后，可以对每个训练样本进行降维处理，以得到经过降维处理后的每个训练样本。

在训练SOM时，首先可以对待训练网络的每个节点(即神经元)的权重进行初始化，之后从经过降维处理后的全部训练样本中随机选取一个训练样本Xi，并将Xi输入到待训练网络的输入层。由待训练网络，遍历待训练网络输出层的每一个节点，并计算Xi与每个节点之间的欧式距离，选取距离最小的节点，作为与该训练样本对应的训练心电数据匹配的最佳匹配节点(英文：Best Matching Unit，缩写：BMU)。

步骤203，确定最佳匹配节点的拓扑邻域中的邻域节点。

步骤204，根据邻域节点与最佳匹配节点的距离，对邻域节点以及最佳匹配节点的权重进行更新。

重复执行步骤202至步骤204，直至待训练网络满足预设的训练结束条件，以得到自组织映射网络。

示例的，在确定最佳匹配节点之后，可以根据最佳匹配节点的邻域半径σ，确定最佳匹配节点的拓扑邻域中包括的邻域节点。之后可以根据邻域节点与最佳匹配节点的距离，利用预设的权重更新公式，对邻域节点以及最佳匹配节点的权重进行更新，以完成对待训练网络的一次训练。然后，可以重新选择一个训练样本，并重复执行上述步骤，来不断地对待训练网络进行训练，直至待训练网络满足预设的训练结束条件，得到训练完成的SOM。其中，训练结束条件可以是通过全部训练样本中每个训练样本对待训练网络进行训练后，确定对待训练网络训练完成。

权重更新公式包括：

其中，

t为对待训练网络的进行训练的次数，w_ij(t)为第t次对待训练网络的进行训练后，待训练网络中位于(i，j)处的节点的权重向量，i为待训练网络的行坐标，j为待训练网络的列坐标，d为邻域节点与最佳匹配节点的距离，x(t)为训练样本对应的输入向量，σ(t)为邻域半径函数，α(t)为学习率，n为训练样本的数量，σ₀为初始邻域半径，r₀为初始半径。

进一步的，对自编码器进行训练的方式可以为：首先选取指定数量个训练样本，之后依次将指定数量个训练样本中每个训练样本作为自编码器的输入，并将该训练样本作为自编码器的输出，对自编码器进行训练。同时利用预设的损失函数，对训练后的自编码器进行优化，并在损失函数达到最小值时，得到训练完成的自编码器。此外，由于一个单独的自编码器运行时，具有单个隐藏层的体系结构性能最好，因此，可以在自编码器被训练完成后，将自编码器中的解码器部分丢弃，只保留编码器部分，以提高自编码器的性能。

综上所述，本公开首先通过获取待处理的目标心电数据，并根据目标心电数据，通过预先训练的自编码器确定能够表征目标心电数据的目标心电特征向量，然后根据目标心电特征向量和预先训练的自组织映射网络，通过预设的分类算法确定目标心电数据对应的目标体征类型，其中，自组织映射网络为根据预设的训练数据集训练得到的。本公开可以通过自编码器、自组织映射网络，结合分类算法，来智能地确定目标心电数据对应的目标体征类型，不需要人工参与，能够提高心电数据的处理效率和准确度。

图4是根据一示例性实施例示出的一种心电数据的处理装置的框图。如图4所示，该装置300可以包括：

获取模块301，用于获取待处理的目标心电数据。

处理模块302，用于根据目标心电数据，通过预先训练的自编码器确定能够表征目标心电数据的目标心电特征向量。

确定模块303，用于根据目标心电特征向量和预先训练的自组织映射网络，通过预设的分类算法确定目标心电数据对应的目标体征类型，自组织映射网络为根据预设的训练数据集训练得到的。

图5是图4所示实施例示出的一种处理模块的框图。如图5所示，处理模块302可以包括：

提取子模块3021，用于对目标心电数据进行滤波，并对滤波后的目标心电数据进行峰值检测，以提取第二数量个心跳数据。

降维子模块3022，用于对第二数量个心跳数据中的第三数量个心跳数据进行降维处理，以得到心跳数据序列，第三数量小于或等于第二数量。

编码子模块3023，用于将心跳数据序列输入自编码器，以得到目标心电特征向量。

可选地，编码子模块3023用于：

按照指定时长将心跳数据序列划分为多个心跳数据段。

将每个心跳数据段输入自编码器，以得到能够表征该心跳数据段的子特征向量。

将每个心跳数据段对应的子特征向量进行拼接，得到目标心电特征向量。

图6是图4所示实施例示出的一种确定模块的框图。如图6所示，确定模块303包括：

第一确定子模块3031，用于确定目标心电特征向量，到自组织映射网络对应的第一数量个区域中每个区域的距离，第一数量为根据训练数据集训练自组织映射网络时确定的。

第二确定子模块3032，用于将目标区域对应的体征类型作为目标体征类型，目标区域为与目标心电特征向量的距离最小的区域。

可选地，自组织映射网络是通过以下方式训练得到的：

获取训练数据集，训练数据集包括多个训练心电数据。

根据任一训练心电数据，确定待训练网络包括的各个节点中，与该训练心电数据匹配的最佳匹配节点。

确定最佳匹配节点的拓扑邻域中的邻域节点。

根据邻域节点与最佳匹配节点的距离，对邻域节点以及最佳匹配节点的权重进行更新。

重复执行根据任一训练心电数据，确定待训练网络包括的各个节点中，与该训练心电数据匹配的最佳匹配节点，至根据邻域节点与最佳匹配节点的距离，对邻域节点以及最佳匹配节点的权重进行更新的步骤，直至待训练网络满足预设的训练结束条件，以得到自组织映射网络。

关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。

综上所述，本公开首先通过获取待处理的目标心电数据，并根据目标心电数据，通过预先训练的自编码器确定能够表征目标心电数据的目标心电特征向量，然后根据目标心电特征向量和预先训练的自组织映射网络，通过预设的分类算法确定目标心电数据对应的目标体征类型，其中，自组织映射网络为根据预设的训练数据集训练得到的。本公开可以通过自编码器、自组织映射网络，结合分类算法，来智能地确定目标心电数据对应的目标体征类型，不需要人工参与，能够提高心电数据的处理效率和准确度。

图7是根据一示例性实施例示出的一种电子设备700的框图。如图7所示，该电子设备700可以包括：处理器701，存储器702。该电子设备700还可以包括多媒体组件703，输入/输出(I/O)接口704，以及通信组件705中的一者或多者。

其中，处理器701用于控制该电子设备700的整体操作，以完成上述的心电数据的处理方法中的全部或部分步骤。存储器702用于存储各种类型的数据以支持在该电子设备700的操作，这些数据例如可以包括用于在该电子设备700上操作的任何应用程序或方法的指令，以及应用程序相关的数据，例如联系人数据、收发的消息、图片、音频、视频等等。该存储器702可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，例如静态随机存取存储器(Static Random Access Memory，简称SRAM)，电可擦除可编程只读存储器(Electrically Erasable Programmable Read-Only Memory，简称EEPROM)，可擦除可编程只读存储器(Erasable Programmable Read-Only Memory，简称EPROM)，可编程只读存储器(Programmable Read-Only Memory，简称PROM)，只读存储器(Read-Only Memory，简称ROM)，磁存储器，快闪存储器，磁盘或光盘。多媒体组件703可以包括屏幕和音频组件。其中屏幕例如可以是触摸屏，音频组件用于输出和/或输入音频信号。例如，音频组件可以包括一个麦克风，麦克风用于接收外部音频信号。所接收的音频信号可以被进一步存储在存储器702或通过通信组件705发送。音频组件还包括至少一个扬声器，用于输出音频信号。I/O接口704为处理器701和其他接口模块之间提供接口，上述其他接口模块可以是键盘，鼠标，按钮等。这些按钮可以是虚拟按钮或者实体按钮。通信组件705用于该电子设备700与其他设备之间进行有线或无线通信。无线通信，例如Wi-Fi，蓝牙，近场通信(Near FieldCommunication，简称NFC)，2G、3G、4G、NB-IOT、eMTC、或其他5G等等，或它们中的一种或几种的组合，在此不做限定。因此相应的该通信组件705可以包括：Wi-Fi模块，蓝牙模块，NFC模块等等。

在一示例性实施例中，电子设备700可以被一个或多个应用专用集成电路(Application Specific Integrated Circuit，简称ASIC)、数字信号处理器(DigitalSignal Processor，简称DSP)、数字信号处理设备(Digital Signal Processing Device，简称DSPD)、可编程逻辑器件(Programmable Logic Device，简称PLD)、现场可编程门阵列(Field Programmable Gate Array，简称FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述的心电数据的处理方法。

在另一示例性实施例中，还提供了一种包括程序指令的计算机可读存储介质，该程序指令被处理器执行时实现上述的心电数据的处理方法的步骤。例如，该计算机可读存储介质可以为上述包括程序指令的存储器702，上述程序指令可由电子设备700的处理器701执行以完成上述的心电数据的处理方法。

在另一示例性实施例中，还提供一种计算机程序产品，该计算机程序产品包含能够由可编程的装置执行的计算机程序，该计算机程序具有当由该可编程的装置执行时用于执行上述的心电数据的处理方法的代码部分。

以上结合附图详细描述了本公开的优选实施方式，但是，本公开并不限于上述实施方式中的具体细节，在本公开的技术构思范围内，可以对本公开的技术方案进行多种简单变型，这些简单变型均属于本公开的保护范围。

另外需要说明的是，在上述具体实施方式中所描述的各个具体技术特征，在不矛盾的情况下，可以通过任何合适的方式进行组合，为了避免不必要的重复，本公开对各种可能的组合方式不再另行说明。

此外，本公开的各种不同的实施方式之间也可以进行任意组合，只要其不违背本公开的思想，其同样应当视为本公开所公开的内容。