具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

心电信号作为反应患者生命体征的一种重要信息，已广泛用于诊断各种心脏异常中，其还可用于预测心血管疾病的发病率和死亡率等。心脏异常的早期，正确诊断可以增加成功治疗的机会。然而，人工解读心电信号费时费力，对医务人员的要求也较高。因此，基于神经网络模型自动解读心电信号非常有必要。

然而，现有的神经网络模型在训练过程中，选取的训练样本不全面、不准确，导致训练得到的神经网络模型不能定位出异常心电信号的位置，不能准确地识别出异常心电信号对应的异常类型。

有鉴于此，本申请提供了一种检测心电信号的方法，基于预先训练好的心电信号检测模型对待检测的心电信号进行处理。该心电信号检测模型中的异常心电信号筛选模块可以从心电信号中筛选出异常心电信号，并确定该异常心电信号的位置，该心电信号检测模型中的分类模块可以对异常心电信号筛选模块筛选出的异常心电信号进行分析，得到该异常心电信号对应的异常类型。基于该方法，不仅可以准确地对待检测的心电信号中的异常心电信号进行定位，同时还可以准确地识别出该异常心电信号的异常类型，提升了解读心电信号的速率以及准确率。

请参见图1，图1是本发明实施例提供的一种检测心电信号的方法的示意流程图。本实施例中检测心电信号的方法的执行主体为终端，终端包括但不限于智能手机、平板电脑、计算机、个人数字助理(Personal Digital Assistant，PDA)等移动终端，还可以包括台式电脑、服务器等终端。如图1所示的检测心电信号的方法可包括S101～S102，具体如下：

S101：获取待检测的心电信号。

可以完整代表心脏一次心动周期的波形图被称为一个心拍信号，该待检测的心电信号中可以包括若干个心拍信号。

当需要检测某个用户的心电信号是否有异常时，可以向检测心电信号的终端输入该用户的心电信号，即输入待检测的心电信号，检测心电信号的终端接收该待检测的心电信号。

也可以是预先将待检测的心电信号存储至该终端的某个预设文件夹中，当接收到检测心电信号的指令时，在该预设文件夹中提取待检测的心电信号。

还可以是医疗检测设备对用户的心脏进行检测后生成该待检测的心电信号，将该待检测的心电信号传输至检测心电信号的终端，该终端接收该待检测的心电信号。此处仅为示例性说明，对此不做限定。

S102：将所述心电信号输入到已训练的心电信号检测模型中进行处理，得到所述心电信号中异常心电信号的位置以及所述异常心电信号对应的异常类型；

其中，所述心电信号检测模型包括异常心电信号筛选模块以及异常心电信号分类模块，所述异常心电信号筛选模块用于从所述心电信号中筛选出所述异常心电信号，并确定所述异常心电信号的位置，所述异常心电信号分类模块用于对所述异常心电信号进行分析，得到所述异常心电信号对应的异常类型。

在本实施例中，该终端中预先存储有预先训练好的心电信号检测模型。该心电信号检测模型是使用机器学习算法，基于初始筛选网络对第一样本训练集、初始分类网络对第二样本训练集进行训练得到。可以理解的是，该心电信号检测模型可以由该终端预先训练好，也可以由其他设备预先训练好后将该心电信号检测模型对应的文件移植至本终端中。也就是说，训练该心电信号检测模型的执行主体与使用该心电信号检测模型的执行主体可以是相同的，也可以是不同的。

示例性地，已训练的心电信号检测模型可以包括异常心电信号筛选模块以及异常心电信号分类模块。其中，异常心电信号筛选模块是基于初始筛选网络对第一样本训练集进行训练得到的。该异常心电信号筛选模块对待检测的心电信号进行筛选处理，筛选出该待检测的心电信号中的异常心电信号，并可确定该异常心电信号的位置。值得说明的是，当待检测的心电信号中没有异常心电信号时，该异常心电信号筛选模块检测不到异常心电信号就会输出空值。可理解为当待检测的心电信号中没有异常心电信号时，已训练的心电信号检测模型输出为空。

异常心电信号分类模块是基于初始分类网络对第二样本训练集进行训练得到的。该异常心电信号分类模块对异常心电信号筛选模块筛选得到的异常心电信号进行分析，得到异常心电信号对应的异常类型。

其中，异常类型是指该异常心电信号所属的种类。例如，异常类型可以包括房颤、一度房室传导阻滞、左束支阻滞、右束支阻滞、房性早搏、室性早搏、ST段和T波异常(ST-T变)、P波异常、QRS波异常、QRS波和ST—T显著改变、心律失常等。该异常类型可用于辅助医生判断用户的疾病情况，例如，该用户的异常心电信号对应的异常类型为P波异常，根据往常经验可判断该用户大概率心房肥大；该用户的异常心电信号对应的异常类型为ST-T变，根据往常经验可判断该用户心肌缺血。此处仅为示例性说明，对此不做限定。

值得说明的是，当待检测的心电信号中没有异常心电信号，异常心电信号筛选模块检测不到异常心电信号就会输出空值，相应地，此时该异常心电信号分类模块没有可处理的异常心电信号，也会输出空值。最终体现为已训练的心电信号检测模型输出为空。

请参见图2，图2是本发明另一实施例提供的一种检测心电信号的方法的示意流程图。可选地，在一种可能的实现方式中，如图2所示，上述S102可以包括S1021～S1028，具体如下：

S1021：将所述心电信号划分为多个心电信号片段。

将心电信号按顺序划分为多个长度一样的心电信号片段。例如，按照待检测的心电信号中各个心拍信号的原始顺序，每隔2个心拍信号或者每隔3个心拍信号进行一次划分，得到多个心电信号片段，每个心电信号片段中包含2个心拍信号或者3个心拍信号。此处仅为示例性说明，对此不做限定。

请参见图3，图3是本发明一实施例提供的心电信号划分示意图。图3仅示出心电信号中的某个片段，如图3所示，每个矩形框框选中的心电信号片段表示划分好的心电信号片段，共有四个心电信号片段，第一个心电信号片段包含3个心拍信，第二个心电信号、第三个心电信号、第三个心电信号各包含2个心拍信号。此图仅为示例性说明，对此不做限定。

S1022：在所述多个心电信号片段中选取第一心电信号片段和第二心电信号片段，所述第一心电信号片段与所述第二心电信号片段相邻，所述第一心电信号片段为所述多个心电信号片段中的任意一个。

第一心电信号片段指划分得到的多个心电信号片段中的任意一个心电信号片段，第二心电信号片段指与该第一心电信号片段相邻的心电信号片段。通常按照划分时的顺序在多个心电信号片段中选取第一心电信号片段，选取与该第一心电信号片段相邻的下一个心电信号片段作为第二心电信号片段。

示例性地，如图3所示的四个心电信号片段，选择左边第一个为第一心电信号片段，与其相邻的下一个心电信号片段即为第二心电信号片段。若选择第三个为第一心电信号片段，与其相邻的最后一个心电信号片段即为第二心电信号片段。此图仅为示例性说明，对此不做限定。

S1023：将所述第一心电信号片段和所述第二心电信号片段输入所述异常心电信号筛选模块中进行筛选处理，得到所述第一心电信号片段和所述第二心电信号片段之间的匹配度。

匹配度可以理解为相似度，即两个心电信号片段之间的相似程度。在本实施例中，即为确定第一心电信号片段和第二心电信号片段之间的相似程度。

示例性地，匹配度可以用1和0表示，其中，1表示两个心电信号片段匹配度高，0表示两个心电信号片段匹配度低。将第一心电信号片段和第二心电信号片段输入异常心电信号筛选模块中进行筛选处理，当异常心电信号筛选模块输出1时，表示第一心电信号片段和第二心电信号片段之间匹配度高；当异常心电信号筛选模块输出0时，表示第一心电信号片段和第二心电信号片段之间匹配度低。

可选地，在一种可能的实现方式中，也可以用具体的数值、百分比等表示匹配度，例如匹配度可以为95、90、80、30、95％、60％、等。此处仅为示例性说明，对此不做限定。

比较匹配度与预设阈值的大小，当匹配度小于预设阈值时，执行S1024～S1027，当匹配度大于或等于预设阈值时，执行S1028。

S1024：当检测到所述匹配度小于预设阈值时，将所述第一心电信号片段和所述第二心电信号片段分别标记为异常心电信号，并确定所述第一心电信号片段和所述第二心电信号片段分别在所述心电信号中的位置。

预设阈值用于与匹配度做比较，比较结果用于辅助判断是否将第一心电信号片段、第二心电信号片段标记为异常心电信号。当匹配度的表现形式不同时，预设阈值也可相应地进行调整。

示例性地，当匹配度用1和0表示时，预设阈值可以设置为1。例如，第一心电信号片段和第二心电信号片段之间的匹配度为0，此时检测到该匹配度0小于预设阈值1，证明第一心电信号片段和第二心电信号片段匹配度低，即相似程度低，可以理解为第一心电信号片段和第二心电信号片段是两个差异较大的心电信号片段，大概率为异常心电信号片段，因此将第一心电信号片段和第二心电信号片段分别标记为异常心电信号。

在将第一心电信号片段和第二心电信号片段分别标记为异常心电信号的同时，获取第一心电信号片段和第二心电信号片段分别在整个待检测的心电信号中的位置，即获取第一心电信号片段和第二心电信号片段分别在整个待检测的心电信号中的坐标。可选地，也可以用第几个片段的描述进行表示位置或坐标，例如，第一心电信号片段在整个待检测的心电信号中的位置是第一个心电信号片段，第二心电信号片段在整个待检测的心电信号中的位置是第二个心电信号片段。此处仅为示例性说明，对此不做限定。

可选地，可将标记为异常心电信号的心电信号片段进行矩形框标记，例如，用不同于心电信号颜色的矩形框将标记为异常心电信号的第一心电信号片段和第二心电信号片段进行框选，便于医生直接查看待检测的心电信号中哪些是异常心电信号。

S1025：将多个心电信号片段中的第三心电信号片段和第四心电信号片段输入所述异常心电信号筛选模块中进行筛选处理，得到所述第三心电信号片段和所述第四心电信号片段之间的匹配度，所述第一心电信号片段、所述第二心电信号片段、所述第三心电信号片段以及所述第四心电信号片段依次相邻。

第二心电信号片段相邻的下一个心电信号片段为第三心电信号片段，与第三心电信号片段相邻的下一个心电信号片段为第四心电信号片段。即第一心电信号片段、第二心电信号片段、第三心电信号片段以及第四心电信号片段依次相邻。

示例性地，如图3所示的四个心电信号片段，从左到右依次是第一心电信号片段、第二心电信号片段、第三心电信号片段以及第四心电信号片段。S1023和S1024中对第一心电信号片段和第二心电信号片段进行了处理，接下来对第三心电信号片段和第四心电信号片段进行处理。具体地，将第三心电信号片段和第四心电信号片段输入异常心电信号筛选模块中进行筛选处理，得到第三心电信号片段和第四心电信号片段之间的匹配度。当检测到该匹配度小于预设阈值时，将第三心电信号片段和第四心电信号片段分别标记为异常心电信号，并确定第三心电信号片段和第四心电信号片段分别在心电信号中的位置。当检测到该匹配度大于或等于预设阈值时，将第三心电信号片段或第四心电信号片段保留，并将保留的心电信号片段与第五心电信号片段输入异常心电信号筛选模块中进行筛选处理，第四心电信号片段与第五心电信号片段相邻。以此为循环，直至待检测的心电信号对应的多个心电信号片段均处理完成。可以理解的是，第一心电信号片段、第二心电信号片段、第三心电信号片段以及第四心电信号片段均是用于指代需要被处理的多个心电信号片段中的某个心电信号片段，是为了更清楚的说明本方案，而不是限定必须是第一个心电信号片段、第二个心电信号片段等。

S1026：当检测到所述第三心电信号片段和所述第四心电信号片段之间的匹配度小于预设阈值时，将所述第三心电信号片段和所述第四心电信号片段分别标记为异常心电信号，并确定所述第三心电信号片段和所述第四心电信号片段分别在所述心电信号中的位置。

示例性地，当匹配度用1和0表示时，预设阈值可以设置为1。例如，第三心电信号片段和第四心电信号片段之间的匹配度为0，此时检测到该匹配度0小于预设阈值1，证明第三心电信号片段和第四心电信号片段匹配度低，即相似程度低，可以理解为第三心电信号片段和第四心电信号片段是两个差异较大的心电信号片段，大概率为异常心电信号片段，因此将第三心电信号片段和第四心电信号片段分别标记为异常心电信号。

在将第三心电信号片段和第四心电信号片段分别标记为异常心电信号的同时，获取第三心电信号片段和第四心电信号片段分别在整个待检测的心电信号中的位置，即获取第三心电信号片段和第四心电信号片段分别在整个待检测的心电信号中的坐标。可选地，也可以用第几个片段的描述进行表示位置或坐标，例如，第三心电信号片段在整个待检测的心电信号中的位置是第三个心电信号片段，第四心电信号片段在整个待检测的心电信号中的位置是第四个心电信号片段。此处仅为示例性说明，对此不做限定。

可选地，可将标记为异常心电信号的心电信号片段进行矩形框标记，例如，用不同于心电信号颜色的矩形框将标记为异常心电信号的第三心电信号片段和第四心电信号片段进行框选，便于医生直接查看待检测的心电信号中哪些是异常心电信号。

S1027：基于所述异常心电信号分类模块对所述异常心电信号进行分析，得到所述异常心电信号对应的异常类型。

基于所述异常心电信号分类模块对所述异常心电信号进行分析，得到所述异常心电信号对应的异常类型。

通过异常心电信号分类模块对标记为异常心电信号的心电信号片段进行分析，得到每个异常心电信号对应的异常类型。例如，可通过异常心电信号分类模块提取异常心电信号的特征向量，对该特征向量进行分类，得到该异常心电信号对应的异常类型。

可选地，当匹配度大于或等于预设阈值时，执行S1028。

S1028：当检测到所述第一心电信号片段和所述第二心电信号片段之间的匹配度大于或等于所述预设阈值时，将所述第一心电信号片段或所述第二心电信号片段保留，并将保留的心电信号片段与第三心电信号片段输入所述异常心电信号筛选模块中进行筛选处理，得到所述保留的心电信号片段和所述第三心电信号片段之间的匹配度。

示例性地，当匹配度用1和0表示时，预设阈值可以设置为1。例如，第一心电信号片段和第二心电信号片段之间的匹配度为1，此时检测到该匹配度1等于预设阈值1，证明第一心电信号片段和第二心电信号片段匹配度高，即相似程度高，可以理解为第一心电信号片段和第二心电信号片段是两个差异很小的心电信号片段，大概率为正常心电信号片段，因此将第一心电信号片段或第二心电信号片段保留，保留下来的这个心电信号片段用于与第三心电信号片段继续进行筛选处理，得到保留的心电信号片段和第三心电信号片段之间的匹配度，未被保留的那个心电信号片段可以被剔除。得到保留的心电信号片段和第三心电信号片段之间的匹配度之后，比较匹配度与预设阈值的大小，当保留的心电信号片段和第三心电信号片段之间的匹配度小于预设阈值时，将保留的心电信号片段和第三心电信号片段分别标记为异常心电信号，并确定保留的心电信号片段和第三心电信号片段分别在心电信号中的位置。当保留的心电信号片段和第三心电信号片段之间的匹配度大于或等于预设阈值时，将保留的心电信号片段或第三心电信号片段保留，并将此时保留的心电信号片段与第四心电信号片段输入异常心电信号筛选模块中进行筛选处理，得到此时保留的心电信号片段与第四心电信号片段之间的匹配度。一直循环此过程，直至多个心电信号片段中的所有心电信号片段都筛选完成。此处仅为示例性说明，对此不做限定。

例如，将第一心电信号片段保留，并将第一心电信号片段与第三心电信号片段输入异常心电信号筛选模块中进行筛选处理，得到第一心电信号片段和第三心电信号片段之间的匹配度，之后循环执行上述步骤，直至待检测的心电信号对应的多个心电信号片段均处理完成。

或者，将第二心电信号片段保留，并将第二心电信号片段与第三心电信号片段输入异常心电信号筛选模块中进行筛选处理，得到第二心电信号片段和第三心电信号片段之间的匹配度，之后循环执行上述步骤，直至待检测的心电信号对应的多个心电信号片段均处理完成。

采用该方法可过滤掉大量相同的心电信号片段，一方面减少了后续心电信号检测模型对异常心电信号进行分类的工作量，一方面使分类的结果整准确。

请参见图4，图4是本发明又一实施例提供的一种检测心电信号的方法的示意流程图。可选地，在一种可能的实现方式中，如图4所示，上述S1023可以包括S10231～S10233，具体如下：

S10231：基于所述异常心电信号筛选模块提取所述第一心电信号片段对应的第一特征向量。

该异常心电信号筛选模块可以基于孪生网络训练得到。孪生网络实际由两个并行并且所有参数共享、结构一致的网络实现的，对该孪生网络采用的网络结构不作限定。可以是VGG-16结构、Resnet-50结构和Resnet-101结构等。孪生网络中两个并行的网络分别对第一心电信号片段和第二心电信号片段处理，提取第一心电信号片段对应的第一特征向量，以及提取第二心电信号片段对应的第二特征向量。

在本实施例中，孪生网络包含多个卷积层，可先对第一心电信号片段进行归一化处理，将归一化处理后的第一心电信号片段传递至第一个卷积层，第一个卷积层对该第一心电信号片段进行卷积处理，提取该第一心电信号片段对应的特征，并基于提取的特征输出特征图。第一卷积层将特征图输入至第一个采样层，第一个采样层对特征图进行特征选择，去除多余特征，重构新的特征图，并将新的特征图传递至第二个卷积层。第二个卷积层对新的特征图进行二次特征提取，并基于提取的特征再次输出特征图，第二个卷积层将再次输出的特征图传递至第二个采样层，第二个采样层进行二次特征选择，重构特征图。以此类推，直至孪生网络中的最后一个采样层对其处理完成后，得到第一心电信号片段对应的第一特征向量。此处仅为示例性说明，对此不做限定。

S10232：基于所述异常心电信号筛选模块提取所述第二心电信号片段对应的第二特征向量；

异常心电信号筛选模块提取第二心电信号片段对应的第二特征向量的具体过程，可参考S10231中异常心电信号筛选模块提取第一心电信号片段对应的第一特征向量的具体过程，此处不再赘述。

S10233：计算所述第一特征向量与所述第二特征向量之间的相似度，得到所述第一心电信号片段和所述第二心电信号片段之间的匹配度。

将第一特征向量与第二特征向量输入余弦距离公式进行计算，得到的值即为第一心电信号片段和第二心电信号片段之间的匹配度，余弦距离公式如下：

上述公式(1)中，cosθ表示匹配度，cosθ的值越接近1，表明第一特征向量与第二特征向量越相似，即第一心电信号片段和第二心电信号片段越相似；A表示第一特征向量，B表示第二特征向量；i表示第一特征向量与第二特征向量各自对应的维度，即A_i中的i表示第一特征向量对应的维度，B_i中的i表示第二特征向量对应的维度。

可选地，也可用皮尔逊相关系数确定第一心电信号片段和第二心电信号片段之间的匹配度。将第一特征向量与第二特征向量输入预设公式(2)进行计算，得到第一心电信号片段和第二心电信号片段之间的匹配度。预设公式(2)如下：

上述公式(2)中，X表示第一特征向量，Y表示第二特征向量，ρ_x,y表示第一特征向量与第二特征向量之间的皮尔逊相关系数，也可理解为第一心电信号片段和第二心电信号片段之间的匹配度；cov(X,Y)表示X、Y的协方差，σ_X表示X的标准差，σ_Y表示Y的标准差。

可选地，在一种可能的实现方式中，当匹配度用1和0表示时，可将通过上述两个公式计算得到的数值映射为用1和0表示的方式。例如，计算得到的数值在第一预设数值范围内，则匹配度为1；计算得到的数值在第二预设数值范围内，则匹配度为0。其中，第一预设数值范围和第二预设数值范围由用户根据实际情况进行设置，可用于辅助判断两个心电信号片段之间的相似程度。此处仅为示例性说明，对此不做限定。

请参见图5，图5是本发明另一实施例提供的一种检测心电信号的方法的示意流程图。可选地，在一种可能的实现方式中，如图5所示，上述S1027可以包括S10271～S10272，具体如下：

S10271：基于所述异常心电信号分类模块提取所述异常心电信号对应的异常特征向量。

该异常心电信号分类模块可以基于长短期记忆人工神经网络(Long-Short TermMemory，LSTM)训练得到。LSTM模型中包含多个网络层，以异常心电信号中包含3个心拍信号为例进行说明。将该异常心电信号输入LSTM模型中，第一个网络层提取第1个心拍信号对应的特征向量，并将该特征向量输入第二个网络层；第二个网络层提取第2个心拍信号对应的特征向量，并将第2个心拍信号对应的特征向量与第1个心拍信号对应的特征向量融合后传递至第3个网络层；第三个网络层提取第3个心拍信号对应的特征向量，并将第3个心拍信号对应的特征向与第二个网络层输出的特征向量进行融合，得到该异常心电信号对应的异常特征向量。可以理解的是，当异常心电信号包含多个心拍信号时，可继续执行上述步骤，直至所有的心拍信号处理完成。此处仅为示例性说明，对此不做限定。

S10272：对所述异常特征向量进行分类，得到所述异常心电信号对应的异常类型。

将S10271中提取到的异常特征向量传递至LSTM模型中的输出层，即传递至全连接层。全连接层中的归一化指数函数(Softmax函数)对前一个网络层传递过来的特征向量进行分类，得到异常心电信号对应的异常类型。即判断出该异常心电信号是属于房颤、一度房室传导阻滞、左束支阻滞等中的哪一种。

本申请实施例，基于预先训练好的心电信号检测模型对待检测的心电信号进行处理。该心电信号检测模型中的异常心电信号筛选模块可以从心电信号中筛选出异常心电信号，并确定该异常心电信号的位置，该心电信号检测模型中的分类模块可以对异常心电信号筛选模块筛选出的异常心电信号进行分析，得到该异常心电信号对应的异常类型。基于该方法，可以准确地对待检测的心电信号中的异常心电信号进行定位，便于用户快速准确地找到异常心电信号在整个心电信号中的位置，还可以准确地识别出该异常心电信号的异常类型，便于辅助医生根据该异常类型对病人的疾病进行诊断，基于该方法提升了解读心电信号的速率以及准确率。

请参见图6，图6是本发明又一实施例提供的一种检测心电信号的方法的示意流程图。该方法可以包括S201～S207。其中，图6所示的步骤S206～S207可以参考图1对应的实施例中S101～S102的相关描述，为了简洁，这里不再赘述。下面将具体对步骤S201～S205进行说明。

S201：获取第一样本训练集；所述第一样本训练集包括多个样本心电信号片段。

第一样本训练集中可以包括多个样本心电信号片段。示例性地，可以预先在网络上或者医院等收集大量不同用户的样本心电信号，这些样本心电信号中可以包括正常人的心电信号，也可以包括有各种疾病的人的心电信号。将这些样本心电信号划分为多个样本心电信号片段，相应地会得到多个异常样本心电信号片段以及多个正常样本心电信号片段。划分方式可参考S1021中的描述，此处不再赘述。

S202：基于初始筛选网络对所述多个样本心电信号片段进行筛选处理，得到第二样本训练集；所述第二样本训练集中的样本心电信号片段包括异常样本心电信号片段以及正常样本心电信号片段。

初始筛选网络可以采用孪生网络，第二样本训练集中的样本心电信号片段是经过筛选后得到的，因此得到的第二样本训练集被过滤掉了大量相同的心电信号片段，也过滤掉了大量正常样本心电信号片段。也就是说，虽然第一样本训练集与第二样本训练集中都包含异常样本心电信号片段以及正常样本心电信号片段，但第二样本训练集中的异常样本心电信号片段以及正常样本心电信号片段数量要少于第一样本训练集中的数量，尤其是正常样本心电信号片段要远少于第一样本训练集中的正常样本心电信号片段数量。

采用该初始筛选网络对多个样本心电信号片段进行筛选处理的具体过程，可以是通过初始筛选网络对每个样本心电信号对应的多个样本心电信号片段进行筛选处理，具体地可参考S102中异常心电信号筛选模块对心电信号进行筛选处理的过程，此处不再赘述。

可选地，在一种可能的实现方式中，为了保证异常样本心电信号片段以及正常样本心电信号片段的数量均衡，可以根据筛选处理后得到的异常样本心电信号片段的数量选择合适的正常样本心电信号片段的数量。这样在训练心电信号检测模型时，使该模型学习到各种类型的特征，进而可以使训练得到的心电信号检测模型分类结果更准确。

S203：对所述第二样本训练集中的每个样本心电信号片段进行标注，得到每个样本心电信号片段对应的分类类型。

采用人工标注的方式对第二样本训练集中的每个样本心电信号片段进行标注，即标注每个样本心电信号片段对应的分类类型。

S204：基于所述第二样本训练集中的每个样本心电信号片段以及每个样本心电信号片段对应的分类类型对初始分类网络进行训练，并基于训练结果更新所述初始分类网络的参数。

初始分类网络可以采用LSTM网络。示例性地，采用该LSTM网络对每个样本心电信号片段进行分类处理，输出每个样本心电信号片段对应的实际分类类型。具体的分类过程参考上面S1027中的描述，此处不再赘述。

基于该LSTM网络输出的每样本心电信号片段对应的实际分类类型，以及人工对该样本心电信号片段标注的分类类型计算损失值。比较该损失值与预设损失阈值之间的大小，当该损失值大于预设损失阈值时，调整该LSTM网络的参数，并继续对该LSTM网络进行训练；当该损失值小于或等于预设损失阈值时，停止训练，此时的LSTM网络已经训练完成。可以理解为此时的LSTM网络即为训练好的异常心电信号分类模块。

S205：当所述初始分类网络对应的损失函数收敛时，基于此时的初始分类网络以及所述初始筛选网络生成所述已训练的心电信号检测模型。

可选地，在一种可能的实现方式中，在对初始分类网络训练的过程中，也可判断初始分类网络对应的损失函数是否收敛。当初始分类网络对应的损失函数未收敛时，调整初始分类网络的参数，继续对初始分类网络进行训练。当初始分类网络对应的损失函数收敛时，相当于得到了训练好的异常心电信号分类模块。初始筛选网络在经过对多个样本心电信号片段进行筛选处理后，该网络已经很稳定，相当于得到了训练好的异常心电信号筛选模块。基于异常心电信号筛选模块和异常心电信号分类模块构建生成已训练的心电信号检测模型。

本申请实施例中，通过上述方式训练得到的心电信号检测模型包括异常心电信号筛选模块和异常心电信号分类模块，该心电信号检测模型在使用过程中，通过异常心电信号筛选模块可以过滤掉待检测的心电信号中大量相同的心电信号片段，也可以理解为过滤掉待检测的心电信号中大量正常的心电信号片段(通常，异常心电信号在整个心电信号中只占部分，大多数都是正常心电信号)。使得异常心电信号分类模块对异常心电信号进行分类处理时，减少了工作量，处理得到的异常类型更准确。

可选地，在一种可能的实现方式中，还可将心电信号检测模型以及异常心电信号对应的异常类型上传至区块链中。

在本实施例中，将心电信号检测模型以及异常心电信号对应的异常类型上传至区块链中，可保证其安全性和对用户的公正透明性。且将心电信号检测模型以及异常心电信号对应的异常类型上传至区块链中，借助区块链上文件无法随意篡改的特性，能够避免心电信号检测模型以及异常心电信号对应的异常类型被恶意篡改，便于后续用户可直接准确地获取到异常心电信号对应的异常类型，也便于后续用户使用该心电信号检测模型。

本示例所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。

请参见图7，图7是本申请一实施例提供的一种检测心电信号的装置的示意图。该装置包括的各单元用于执行图1、图2、图4～图6对应的实施例中的各步骤。具体请参阅图1、图2、图4～图6各自对应的实施例中的相关描述。为了便于说明，仅示出了与本实施例相关的部分。参见图7，包括：

第一获取单元310，用于获取待检测的心电信号；

处理单元320，用于将所述心电信号输入到已训练的心电信号检测模型中进行处理，得到所述心电信号中异常心电信号的位置以及所述异常心电信号对应的异常类型；其中，所述心电信号检测模型包括异常心电信号筛选模块以及异常心电信号分类模块，所述异常心电信号筛选模块用于从所述心电信号中筛选出所述异常心电信号，并确定所述异常心电信号的位置，所述异常心电信号分类模块用于对所述异常心电信号进行分析，得到所述异常心电信号对应的异常类型。

可选地，所述处理单元320包括：

划分单元，用于将所述心电信号划分为多个心电信号片段；

选择单元，用于在所述多个心电信号片段中选取第一心电信号片段和第二心电信号片段，所述第一心电信号片段与所述第二心电信号片段相邻，所述第一心电信号片段为所述多个心电信号片段中的任意一个；

第一筛选单元，用于将所述第一心电信号片段和所述第二心电信号片段输入所述异常心电信号筛选模块中进行筛选处理，得到所述第一心电信号片段和所述第二心电信号片段之间的匹配度；

标记单元，用于当检测到所述匹配度小于预设阈值时，将所述第一心电信号片段和所述第二心电信号片段分别标记为异常心电信号，并确定所述第一心电信号片段和所述第二心电信号片段分别在所述心电信号中的位置；

第二筛选单元，用于将多个心电信号片段中的第三心电信号片段和第四心电信号片段输入所述异常心电信号筛选模块中进行筛选处理，得到所述第三心电信号片段和所述第四心电信号片段之间的匹配度，所述第一心电信号片段、所述第二心电信号片段、所述第三心电信号片段以及所述第四心电信号片段依次相邻；

检测单元，用于当检测到所述第三心电信号片段和所述第四心电信号片段之间的匹配度小于预设阈值时，将所述第三心电信号片段和所述第四心电信号片段分别标记为异常心电信号，并确定所述第三心电信号片段和所述第四心电信号片段分别在所述心电信号中的位置；

分析单元，用于基于所述异常心电信号分类模块对所述异常心电信号进行分析，得到所述异常心电信号对应的异常类型；

第三筛选单元，用于当检测到所述第一心电信号片段和所述第二心电信号片段之间的匹配度大于或等于所述预设阈值时，将所述第一心电信号片段或所述第二心电信号片段保留，并将保留的心电信号片段与第三心电信号片段输入所述异常心电信号筛选模块中进行筛选处理，得到所述保留的心电信号片段和所述第三心电信号片段之间的匹配度。

可选地，所述第一筛选单元具体用于：

基于所述异常心电信号筛选模块提取所述第一心电信号片段对应的第一特征向量；

基于所述异常心电信号筛选模块提取所述第二心电信号片段对应的第二特征向量；

计算所述第一特征向量与所述第二特征向量之间的相似度，得到所述第一心电信号片段和所述第二心电信号片段之间的匹配度。

可选地，所述分析单元具体用于：

基于所述异常心电信号分类模块提取所述异常心电信号对应的异常特征向量；

对所述异常特征向量进行分类，得到所述异常心电信号对应的异常类型。

可选地，所述装置还包括：

第二获取单元，用于获取第一样本训练集；所述第一样本训练集包括多个样本心电信号片段；

第三获取单元，用于基于初始筛选网络对所述多个样本心电信号片段进行筛选处理，得到第二样本训练集；所述第二样本训练集中的样本心电信号片段包括异常样本心电信号片段以及正常样本心电信号片段；

标注单元，用于对所述第二样本训练集中的每个样本心电信号片段进行标注，得到每个样本心电信号片段对应的分类类型；

第一训练单元，用于基于所述第二样本训练集中的每个样本心电信号片段以及每个样本心电信号片段对应的分类类型对初始分类网络进行训练，并基于训练结果更新所述初始分类网络的参数；

第二训练单元，用于当所述初始分类网络对应的损失函数收敛时，基于此时的初始分类网络以及所述初始筛选网络生成所述已训练的心电信号检测模型。

可选地，所述装置还包括：

上传单元，用于将所述心电信号检测模型以及所述异常心电信号对应的异常类型上传至区块链中。

请参见图8，图8是本申请另一实施例提供的一种检测心电信号的终端的示意图。如图8所示，该实施例的检测心电信号的终端4包括：处理器40、存储器41以及存储在所述存储器41中并可在所述处理器40上运行的计算机指令42。所述处理器40执行所述计算机指令42时实现上述各个检测心电信号的方法实施例中的步骤，例如图1所示的S101至S102。或者，所述处理器40执行所述计算机指令42时实现上述各实施例中各单元的功能，例如图7所示单元310至320功能。

示例性地，所述计算机指令42可以被分割成一个或多个单元，所述一个或者多个单元被存储在所述存储器41中，并由所述处理器40执行，以完成本申请。所述一个或多个单元可以是能够完成特定功能的一系列计算机指令段，该指令段用于描述所述计算机指令42在所述检测心电信号的终端4中的执行过程。例如，所述计算机指令42可以被分割为第一获取单元以及处理单元，各单元具体功能如上所述。

所述检测心电信号的终端可包括，但不仅限于，处理器40、存储器41。本领域技术人员可以理解，图8仅仅是检测心电信号的终端4的示例，并不构成对检测心电信号的终端的限定，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，例如所述检测心电信号的终端还可以包括输入输出终端、网络接入终端、总线等。

所称处理器40可以是中央处理单元(Central Processing Unit，CPU)，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41可以是所述检测心电信号的终端的内部存储单元，例如检测心电信号的终端的硬盘或内存。所述存储器41也可以是所述检测心电信号的终端的外部存储终端，例如所述检测心电信号的终端上配备的插接式硬盘，智能存储卡(Smart Media Card，SMC)，安全数字(Secure Digital，SD)卡，闪存卡(Flash Card)等。进一步地，所述存储器41还可以既包括所述检测心电信号的终端的内部存储单元也包括外部存储终端。所述存储器41用于存储所述计算机指令以及所述终端所需的其他程序和数据。所述存储器41还可以用于暂时地存储已经输出或者将要输出的数据。

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范围，均应包含在本申请的保护范围之内。