心电图数据分析方法、装置、电子设备及存储介质与流程

本技术涉及一般数据处理，特别涉及一种心电图数据分析方法、装置、电子设备及存储介质。

背景技术：

1、现有的心电图分析设备在进行心电图分析时，需要结合历史心电图（electrocardiogram，ecg）数据进行纵向对比分析。目前的心电图分析设备一般需要手动进行用户选择，从而确定用户对应的历史心电图数据，但在多用户共用心电图分析设备的实际场景中，一些老年用户可能因视力不佳或对电子设备操作生疏而忘记切换用户，这样会导致大量心电图数据的身份标签错乱或归属模糊。因此，在心电图数据分析过程中，如何对使用对象进行自动身份识别是本领域亟需解决的技术问题。

技术实现思路

1、本技术提供了一种心电图数据分析方法、装置、电子设备及存储介质，可以对使用对象进行自动身份识别。

2、第一方面，本技术提供了一种心电图数据分析方法，该方法包括：

3、获取第一用户在第一时刻采集得到的第一心电图数据，以及n个第二用户在第一时刻之前第一时段内采集得到的n个心电图数据集，心电图数据集包括一个或多个第二心电图数据，n为大于或等于一的整数；

4、将n个第三心电图数据分别输入第一模型中的第一特征提取网络以及n个第二模型中的第二特征提取网络，得到第一特征提取网络分别输出的n个第一隐向量，以及n个第二特征提取网络输出的n个第二隐向量，n个第三心电图数据为第一心电图数据分别与n个心电图数据集进行拼接得到的，n个第二模型与n个第二用户对应，每个第二模型输入的第三心电图数据对应的第二用户与该第二模型对应的第二用户相同；

5、将n个第一隐向量与n个第二隐向量进行结合，得到n个第三隐向量，并将n个第三隐向量中每个第三隐向量输入每个第三隐向量对应的第二模型中的身份预测网络，得到第一概率值，n个第三隐向量中每个第三隐向量包括的第一隐向量对应的第二用户和第二隐向量对应的第二用户相同，第一概率值用于表示第一用户为第二模型对应的第二用户的概率值；

6、若确定n个第一概率值中最大的第二概率值大于或等于第一预设阈值，将第二概率值对应的第一隐向量输入第一模型中的诊断预测网络，得到第一诊断结果。

7、可以看出，本技术中，考虑到多用户应用场景下可能随时存在用户的增加或删减的情况，因此针对用户身份识别采用每个用户对应的个性化身份识别的第二模型，并结合第一模型进行诊断分析。针对当前获取的第一心电图数据需要结合历史用户的历史数据之后分别输入第一模型和第二模型中，得到第一模型和第二模型的特征提取网络分别输出的第一隐向量和第二隐向量，第一模型由于是诊断分析模型，其输出的第一隐向量包含了用于表示当前数据是什么的通用特征，第二模型由于是个性化身份识别模型，其输出的第二隐向量包含了用于表示当前数据与该模型对应的用户的数据相匹配的个性化特征，结合第一隐向量和第二隐向量进行身份预测网络的运算，不仅解决了多用户共用心电图设备场景下因用户忘记切换账户导致数据身份标签错乱的技术问题，还可以提高身份识别的准确性。而在确认身份后，将第一心电图数据与该用户对应的历史数据进行拼接并重新输入第一模型，进而实现对第一用户精准的诊断分析。

8、在一个可行的示例中，在将第三心电图数据输入第一模型，得到第一模型中的诊断预测网络输出的第一诊断结果之后，该方法还包括：

9、基于第一概率值生成每个第二模型对应的标签，标签用于表示第一心电图数据是否属于该第二模型对应的用户；

10、基于每个第二模型对应的第三心电图数据以及每个第二模型对应的标签，对每个第二模型进行训练，得到每个第二模型对应的新的第二模型。

11、在本技术中，在获得第一诊断结果之后，基于身份预测网络输出的第一概率值自动生成各第二模型对应的标签，使用各第三心电图数据及自动生成的标签对各第二模型训练得到新的第二模型。这样借助第一概率值自动生成标签免除人工标注，利用当前的各第三心电图数据在线迭代各用户专属第二模型，适配用户心电特征动态变化，持续提升后续身份识别的准确率。

12、在一个可行的示例中，在得到第一概率值之后，该方法还包括：

13、若确定n个第一概率值中概率值最大的第二概率值的概率值小于第一预设阈值，则将第一心电图数据输入第一模型中，得到第二诊断结果。

14、在本技术中，在得到身份预测网络输出的第一概率值后，当最大的第二概率值小于第一预设阈值时，直接将第一心电图数据输入第一模型得到第二诊断结果。这样通过第一预设阈值甄别身份识别置信度不足的情形，放弃强行匹配历史用户以防止身份标签错乱，同时输出第二诊断结果保证设备基础诊断能力不失效，提升整体方案容错性。

15、在一个可行的示例中，在得到第二诊断结果之后，方法还包括：

16、获取第一用户对应的第二模型；

17、根据第一训练数据和第二训练数据对第一用户对应的第二模型进行训练，得到第一用户对应的新的第二模型，第一训练数据包括第一心电图数据以及第一标签，第一标签用于表示第一心电图数据属于第一用户对应的第二模型，第二训练数据包括心电图数据集和第二标签，第二标签用于表示心电图数据集不属于第一用户对应的第二模型。

18、在本技术中，在输出第二诊断结果之后，获取第一用户对应的第二模型，利用包含第一心电图数据与第一标签的第一训练数据（正样本）、包含心电图数据集与第二标签的第二训练数据（负样本）完成训练，得到新的第二模型。这样在识别到未知用户时自动创建专属第二模型，复用本机已有心电数据构建正负样本，实现新用户自动建档，降低人工操作负担。

19、在一个可行的示例中，获取第一用户对应的第二模型，包括：

20、获取初始模型以及第一用户的年龄和性别，初始模型的架构与第二用户对应的第二模型的架构相同；

21、若n大于或等于第二预设阈值，则确定n个第二用户中是否存在第二目标用户，第二目标用户与第一用户的性别相同，且第二目标用户的年龄与第一用户的年龄之间的差值小于第三预设阈值；

22、若确定存在第二目标用户，则基于第二目标用户对应的第二模型的参数作为初始模型的初始化参数，得到第一用户对应的第二模型；

23、若n小于第二预设阈值，则确定第二概率值是否大于或等于第四预设阈值，第四预设阈值小于第一预设阈值；

24、若确定第二概率值大于或等于第四预设阈值，则将第二概率值对应的第二模型的参数作为初始模型的初始化参数，得到第一用户对应的第二模型；

25、若确定不存在第二目标用户，或者第二概率值小于第四预设阈值，则将初始模型作为第一用户对应的第二模型。

26、在本技术中，通过利用年龄、性别等生理特征筛选相似用户，或利用身份识别置信度选择迁移学习的源模型，可以实现个性化模型的快速初始化，减少训练时间并提高模型对当前用户的适应性，从而提升身份识别的准确性和鲁棒性。

27、在一个可行的示例中，在得到第一诊断结果之后，方法还包括：

28、若在第一时刻后的第二时段内获取到第三用户采集得到的第四心电图数据，将第五心电图数据输入第一模型中的第一特征提取网络，得到第四隐向量，第五心电图数据包括第四心电图数据和第一用户在第二时刻之前第一时段内采集得到的心电图数据集合，第二时刻为获取到第三用户采集得到的第四心电图数据的时刻；

29、将第四隐向量与第二概率值对应的第一隐向量进行余弦相似度计算，得到第一相似度；

30、若第一相似度大于或等于第四预设阈值，则确定第三用户为第一用户。

31、在本技术中，在输出第一诊断结果之后，当第二时段内采集到第四心电图数据，通过第一模型的第一特征提取网络得到第四隐向量，与第一隐向量做余弦相似度计算得到第一相似度，在第一相似度大于等于第三预设阈值时判定第三用户即为第一用户。这样复用第一模型输出的隐向量，采用余弦相似度与第三预设阈值做轻量化比对，无需遍历全部第二模型，降低设备算力消耗，提升短时间连续测量场景下身份确认响应速度。

32、在一个可行的示例中，在得到第二诊断结果之后，该方法还包括：

33、若在第一时刻后的第二时段内获取到第三用户采集得到的第四心电图数据，将第四心电图数据输入第一模型中的第一特征提取网络，得到第五隐向量；

34、将第五隐向量与第六隐向量进行余弦相似度计算，得到第二相似度，第六隐向量为将第一心电图数据输入第一模型之后，第一模型中的第一特征提取网络输出的隐向量；

35、若第二相似度大于或等于第四预设阈值，则确定第三用户为第一用户。

36、在本技术中，在输出第二诊断结果之后，当第二时段内采集到第四心电图数据，通过第一模型的第一特征提取网络得到第四隐向量，与将第一心电图数据输入第一模型之后，第一模型中的第一特征提取网络输出的隐向量做余弦相似度计算得到第二相似度，在第二相似度大于等于第三预设阈值时判定第三用户即为第一用户。这样复用在先第一模型输出的隐向量，采用余弦相似度与第三预设阈值做轻量化比对，无需遍历全部第二模型，降低设备算力消耗，提升短时间连续测量场景下身份确认响应速度。

37、第二方面，本技术提供了一种心电图数据分析装置，该装置包括：

38、获取单元，用于获取第一用户在第一时刻采集得到的第一心电图数据，以及n个第二用户在第一时刻之前第一时段内采集得到的n个心电图数据集，心电图数据集包括一个或多个第二心电图数据，n为大于或等于一的整数；

39、处理单元，用于将n个第三心电图数据分别输入第一模型中的第一特征提取网络以及n个第二模型中的第二特征提取网络，得到第一特征提取网络分别输出的n个第一隐向量，以及n个第二特征提取网络输出的n个第二隐向量，n个第三心电图数据为第一心电图数据分别与n个心电图数据集进行拼接得到的，n个第二模型与n个第二用户对应，每个第二模型输入的第三心电图数据对应的第二用户与该第二模型对应的第二用户相同；

40、处理单元，还用于将n个第一隐向量与n个第二隐向量进行结合，得到n个第三隐向量，并将n个第三隐向量中每个第三隐向量输入每个第三隐向量对应的第二模型中的身份预测网络，得到第一概率值，n个第三隐向量中每个第三隐向量包括的第一隐向量对应的第二用户和第二隐向量对应的第二用户相同，第一概率值用于表示第一用户为第二模型对应的第二用户的概率值；

41、处理单元，还用于若确定n个第一概率值中最大的第二概率值大于或等于第一预设阈值，将第二概率值对应的第一隐向量输入第一模型中的诊断预测网络，得到第一诊断结果。

42、第三方面，本技术提供了一种电子设备，该设备包括处理器、存储器、通信接口，处理器、存储器和通信接口相互连接，并且完成相互间的通信工作，存储器上存储有可执行程序代码，通信接口用于进行无线通信，处理器用于调取存储器上存储的可执行程序代码，执行例如第一方面任一方法中所描述的部分或全部的步骤。

43、第四方面，本技术提供一种计算机可读存储介质，该计算机可读存储介质中存储有计算机程序，该计算机程序在被处理器执行时，实现本技术第一方面所描述的部分或全部步骤。

44、第五方面，本技术提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理执行时，实现如本技术第一方面中所描述的部分或全部步骤。该计算机程序产品可以为一个软件安装包。