心电数据的多标签分类方法、装置及存储介质与流程

1.本发明涉及人工智能及数字医疗技术领域，尤其是涉及一种心电数据的多标签分类方法、装置及存储介质。


背景技术：

2.心电图(英文：electrocardiograph，缩写：ecg)是一种利用心电图机从人体体表记录心脏每一次心动周期所产生的电活动变化图形的技术。通过心电图，可以表征出人类的多种心脏疾病，医生也可以根据心电图判断出病人的心脏状况。
3.近年来，随着人工智能技术的不断发展，特别是深度学习技术的发展，各类心电数据处理模型应运而生。目前，大多数的心电数据处理模型都是利用已有的心电样本及其分类标签训练得到的，但是，现有的心电样本经常会出现分类标签不均衡(即某几个种类的标签数量较多，而另几个种类的标签数量较少)和分类标签标准不统一(即对于同一个种类的心电波形，不同的样本会将其分类到不同种类的标签中)的问题，仅基于这类心电样本及其分类标签，很难训练出高性能的心电数据分类模型，尤其是训练出心电数据多标签分类模型，相应的，利用这种模型得到的心电数据的分类结果，其准确性也很难得到保证。


技术实现要素：

4.有鉴于此，本技术提供了一种心电数据的多标签分类方法、装置及存储介质，主要目的在于解决心电数据的多标签分类结果准确性较低的技术问题。
5.根据本发明的第一个方面，提供了一种心电数据的多标签分类方法，该方法包括：
6.获取心电数据知识图谱，其中，心电数据知识图谱的节点为心电数据的分类标签，心电数据知识图谱的边为分类标签之间的属性关系；
7.通过预训练的标签特征提取模型，提取出心电数据知识图谱的每个节点的特征向量，并根据每两个节点的特征向量之间的距离信息，构建分类标签关联矩阵；
8.利用分类标签关联矩阵，对预训练的心电数据分类处理模型的参数进行更新，得到更新后的心电数据分类处理模型；
9.获取待处理的心电数据，并将心电数据输入到更新后的心电数据分类处理模型中，得到心电数据的多标签分类结果。
10.根据本发明的第二个方面，提供了一种心电数据的多标签分类装置，该装置包括：
11.知识图谱获取模块，用于获取心电数据知识图谱，其中，心电数据知识图谱的节点为心电数据的分类标签，心电数据知识图谱的边为分类标签之间的属性关系；
12.关联矩阵构建模块，用于通过预训练的标签特征提取模型，提取出心电数据知识图谱的每个节点的特征向量，并根据每两个节点的特征向量之间的距离信息，构建分类标签关联矩阵；
13.分类模型更新模块，用于利用分类标签关联矩阵，对预训练的心电数据分类处理模型的参数进行更新，得到更新后的心电数据分类处理模型；
14.心电数据处理模块，用于获取待处理的心电数据，并将心电数据输入到更新后的心电数据分类处理模型中，得到心电数据的多标签分类结果。
15.根据本发明的第三个方面，提供了一种存储介质，其上存储有计算机程序，程序被处理器执行时实现上述心电数据的多标签分类方法。
16.根据本发明的第四个方面，提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行程序时实现上述心电数据的多标签分类方法。
17.本发明提供的一种心电数据的多标签分类方法、装置及存储介质，首先获取由心电数据的分类标签组成的心电数据知识图谱，然后通过心电数据知识图谱构建分类标签关联矩阵，使得心电数据的各个分类标签具有一定的内在关联性，进而通过分类标签关联矩阵对心电数据分类处理模型的参数进行更新，以提升心电数据分类处理模型的分类性能，最后通过更新后的心电数据分类处理模型对心电数据进行处理，得到心电数据的多标签分类结果。上述方法通过将心电数据的各个分类标签之间的关联与心电数据分类处理模型的训练相结合，使得更新后的心电数据分类处理模型在对心电数据进行多标签分类处理的过程中，能够结合分类标签之间的关联性，从而克服了多数据源的分类标签重叠以及分类标签分布不均衡的问题，有效的提升了心电数据的多标签分类处理的准确性。
18.上述说明仅是本技术技术方案的概述，为了能够更清楚了解本技术的技术手段，而可依照说明书的内容予以实施，并且为了让本技术的上述和其它目的、特征和优点能够更明显易懂，以下特举本技术的具体实施方式。
附图说明
19.此处所说明的附图用来提供对本发明的进一步理解，构成本技术的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
20.图1示出了本发明实施例提供的一种心电数据的多标签分类方法的流程示意图；
21.图2示出了本发明实施例提供的一种心电数据的多标签分类装置的结构示意图。
具体实施方式
22.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，本技术中的实施例及实施例中的特征可以相互组合。
23.目前，心电数据分类模型大多是基于丰富的历史标签数据训练得到的，然而，当前的心电数据分类模型大多是针对每种分类标签单独训练的，没有考虑到多个分类标签之间的关联关系，这会造成如下两种问题：
24.第一，心电数据样本分类标签不均衡导致的问题。例如，已知分类标签a和分类标签b经常同时发生，那么，当模型判断某数据属于a分类标签时，该数据也会大概率属于b分类标签，但是，如果分类标签b在样本数据里出现的数量较少，那么，模型给予分类标签b的概率也比较低，此时，模型对于b分类标签的预测就会出现不准确的问题。
25.第二，心电数据样本分类标准不统一导致的问题。大规模的心电数据样本往往来自于不同的数据源，因此，其分类标签的质量通常会参差不齐，一个典型情况就是各自的标签体系不一致，当把这些数据合在一起时，就会出现标签重叠问题。例如，分类标签a包括分
类标签b和分类标签c，有些数据源会把心电数据样本都归结为a，而有些数据源会把心电数据样本归结为b或c。相似的波形被划分为不同的类别，这使得模型很难区分出正确的结果。
26.针对上述问题，一些现有技术提出在心电数据分类模型中用心电数据样本的不同标签的共现性来向模型中注入多分类标签之间的关联性，但是，由于样本数据量的局限、标签质量等问题，这一方法很难全面、客观的反映出多个分类标签之间的关联性，最终导致心电数据的多标签分类的准确性较低。
27.基于此，在一个实施例中，如图1所示，提供了一种心电数据的多标签分类方法，以该方法应用于服务器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：
28.101、获取心电数据知识图谱，其中，心电数据知识图谱的节点为心电数据的分类标签，心电数据知识图谱的边为分类标签之间的属性关系。
29.具体的，计算机设备可以通过数据接口或者网络获取心电数据知识图谱。在本实施例中，心电数据知识图谱的节点为心电数据的分类标签，心电数据知识图谱的边为分类标签之间的属性关系，心电数据知识图谱可以包含多个节点和多条边，其中，具有关联的两个节点之间有一条边，这条边代表了两个节点之间的属性关系，该属性关系可以是分类标签a属于分类标签b，或分类标签a导致分类标签b等等，可以理解的是，分类标签之间的关系不同，属性就不同。
30.102、通过预训练的标签特征提取模型，提取出心电数据知识图谱的每个节点的特征向量，并根据每两个节点的特征向量之间的距离信息，构建分类标签关联矩阵。
31.具体的，计算机设备可以通过预训练的标签特征提取模型，提取出心电数据知识图谱的每个节点的特征向量，其中，标签特征提取模型可以由图注意力网络(gat，graph attention network)和多层感知机(mlp，multilayer perceptron)等模型训练得到，进一步的，计算机设备可以以每两个节点的特征向量之间的距离信息为元素，构建出分类标签关联矩阵，其中，距离信息可用于表征两个特征向量之间的相似度，例如，距离信息可以为欧式距离等，此外，距离信息也可以是余弦相似度、皮尔森相关系数和杰卡德相似系数等等等。分类标签关联矩阵为一个方阵，在分类标签关联矩阵中，r
ij
表示第i个分类标签与第j个分类标签的特征向量之间的距离，r
ii
的距离为0。
32.103、利用分类标签关联矩阵，对预训练的心电数据分类处理模型的参数进行更新，得到更新后的心电数据分类处理模型。
33.具体的，计算机设备可以利用分类标签关联矩阵，对预训练的心电数据分类处理模型的参数进行更新，例如，可以利用分类标签关联矩阵对多批次的心电数据样本的输出进行转换处理，从而将心电数据样本的多标签分类预测概率转换为具有关联性的多标签分类预测概率，然后利用原始的心电数据样本和转换后的多标签分类预测概率对心电数据分类处理模型的参数进行迭代更新，得到更新后的心电数据分类处理模型。
34.104、获取待处理的心电数据，并将心电数据输入到更新后的心电数据分类处理模型中，得到心电数据的多标签分类结果。
35.具体的，计算机设备可以通过数据接口或心电数据采集设备获取待处理的心电数
据，然后将该待处理的心电数据输入到更新后的心电数据分类处理模型中，得到心电数据的多标签分类结果，即得到该心电数据对应的多种分类标签的预测概率。
36.本实施例提供的一种心电数据的多标签分类方法，首先获取由心电数据的分类标签组成的心电数据知识图谱，然后通过心电数据知识图谱构建分类标签关联矩阵，使得心电数据的各个分类标签具有一定的内在关联性，进而通过分类标签关联矩阵对心电数据分类处理模型的参数进行更新，以提升心电数据分类处理模型的分类性能，最后通过更新后的心电数据分类处理模型对心电数据进行处理，得到心电数据的多标签分类结果。上述方法通过将心电数据的各个分类标签之间的关联与心电数据分类处理模型的训练相结合，使得更新后的心电数据分类处理模型在对心电数据进行多标签分类处理的过程中，能够结合分类标签之间的关联性，从而克服了多数据源的分类标签重叠以及分类标签分布不均衡的问题，有效的提升了心电数据的多标签分类处理的准确性。
37.在一个实施例中，上述步骤102中的标签特征提取模型的训练方法可以通过以下方法实现：首先获取心电数据知识图谱和多组心电数据样本，其中，每组心电数据样本包含多个分类标签，多个分类标签是心电数据知识图谱的一个子集，然后，根据上述心电数据知识图谱和多组心电数据样本，构建一个图注意力网络和一个多层感知机预测模型，进而通过该图注意力网络，对心电数据知识图谱的每个节点的初始特征向量进行提取，并根据心电数据知识图谱的每个节点的初始特征向量，得到每组心电数据样本的多个分类标签的特征向量组合，最后以每组心电数据样本的多个分类标签的特征向量组合为输入，以每组心电数据样本的多个分类标签为输出，对上述图注意力网络和多层感知机预测模型进行同步迭代训练，得到标签特征提取模型。
38.在上述实施例中，模型训练所用的心电数据知识图谱可以与步骤101和步骤102中的心电数据知识图谱为同一个知识图谱，也可以是不同的知识图谱，相同点是，两个心电数据知识图谱的节点均为心电数据的分类标签，心电数据知识图谱的边均为分类标签之间的属性关系，并且，模型训练所用的心电数据样本的多个分类标签是心电数据知识图谱的一个子集。进一步的，通过图注意力网络提取心电数据知识图谱的每个节点的初始特征向量的方法可以参考现有的方法，即可以通过图注意力网络先读取出心电数据知识图谱周边节点的特征向量，然后再对知识图谱周边节点的特征向量进行加权求和得到前一个节点的特征向量，不断递推，最后得到所有节点的特征向量。进一步的，在得到心电数据知识图谱的每个节点的初始特征向量之后，即可通过拼接等方式，得到每组心电数据样本的特征向量组合，最后以心电数据样本的特征向量组合为输入，以心电数据样本的多个分类标签为输出，对图注意力网络和多层感知机预测模型进行同步迭代训练，得到标签特征提取模型。
39.在一个实施例中，标签特征提取模型的训练过程中得到心电数据样本的特征向量组合的方法可以通过以下方法实现：首先提取出每组心电数据样本中分类结果为第一分类结果的分类标签，其中，第一分类结果为心电数据样本属于分类标签的分类结果，然后，根据心电数据知识图谱的每个节点的初始特征向量，确定每组心电数据样本中分类结果为第一分类结果的分类标签的初始特征向量，最后对每组心电数据样本中分类结果为第一分类结果的分类标签的初始特征向量进行拼接，得到每组心电数据样本的多个分类标签的特征向量组合。
40.在上述实施例中，假设给定n组心电数据样本，分别为d＝{d1，d2，...，dn}，心电数
据样本对应的分类标签为y＝{y1，y2，...，yn}，其中，yi是一个多数值向量{yi1，yi2，...，yin}，为1的位表示某样本属于某分类标签，为0的表示某样本不属于某分类标签，每个心电数据样本共有n个分类标签，对于该组心电数据样本，可以通过多层感知机进行自编码(auto-encoder)，以此训练整个网络的参数(包括图注意力网络和多层感知机预测模型的参数)。其中，多层感知机的输入为yi中为1的位对应的所有分类标签在心电数据知识图谱上对应节点的特征向量进行求和后得到的特征向量组合，多层感知机的输出为原始的yi。模型训练完成后，即可通过图注意力网络将心电数据样本中所有分类标签对应在心电数据知识图谱中的节点的特征向量提取出来，并根据每两个节点的特征向量之间的距离，构建分类标签关联矩阵。
41.在一个实施例中，上述步骤103中心电数据分类处理模型的训练方法可以通过以下方式实现：首先获取多组心电数据样本，并根据多组心电数据样本构建一组卷积神经网络和一个多层感知机分类模型，其中，每组心电数据样本均包含多个分类标签，然后，根据多组心电数据样本，通过卷积神经网络，可以得到多组心电数据样本的特征向量组合，最后以多组心电数据样本的特征向量组合为输入，以多组心电数据样本的多个分类标签为输出，通过预设的参数调整策略，对卷积神经网络模型和多层感知机分类模型进行同步迭代训练，即可得到心电数据分类处理模型。在本实施例中，多层感知机模型的参数主要包括模型中各个层之间的连接权重以及偏置，参数调整策略可以根据实际情况进行选择，较为简单的一种参数调整策略是梯度下降法(sgd)，即首先随机初始化模型中的各个参数，然后迭代地训练，不断地计算梯度和更新参数，直至满足某个条件为止(比如误差足够小、迭代次数足够多时)，模型即训练完成。
42.在一个实施例中，一组卷积神经网络包括与心电数据样本的多个导联数据一一对应的多个卷积神经网络，那么，得到多组心电数据样本的特征向量组合的方法可以通过以下方式实现：首先将多组心电数据样本的多个导联数据分别输入到对应的多个卷积神经网络中，得到每组心电数据样本的多个特征向量，然后分别对每组心电数据样本的多个特征向量进行拼接，得到每组心电数据样本的特征向量组合。在本实施例中，在对特征向量组合进行拼接时，可以首先对心电数据样本的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]为分隔符对各个导联的特征向量进行分隔，然后在每个样本的开始处拼接[cls]分隔符，最后再将分隔后的各个导联的特征向量拼接在一起，得到各样本的特征向量组合。其中，[sep]分隔符可以将样本中各导联的特征向量分隔开，[cls]分隔符可以便于后续特征向量组合的提取。本实施例通过拼接的方式得到无标签心电样本的特征向量组合，可以有效的提高特征向量组合的生成效率和提取效率。
[0043]
在一个实施例中，上述步骤103具体可以通过以下方法实现：获取多组心电数据样本，并根据多组心电数据样本，通过心电数据分类处理模型，得到多组心电数据样本的多标签预测概率，再利用分类标签关联矩阵，将多组心电数据样本的多标签预测概率转换为多标签关联性预测概率，并根据多组心电数据样本的多标签关联性预测概率，计算多组心电数据样本的交叉熵损失函数，并通过交叉熵损失函数对心电数据分类处理模型的参数进行更新，得到更新后的心电数据分类处理模型。在本实施例中，可以利用分类标签关联矩阵r，将心电数据样本的各分类标签的预测概率y
′i转换为y
″i，其参考公式如下：
[0044][0045]
然后，可以利用y
″
ij
计算交叉熵损失函数，用以更新心电数据分类处理模型的参数，包含卷积神经网络和多层感知机分类模型的参数，其中，交叉熵损失函数的公式如下：
[0046][0047]
训练完毕后，给定一个心电数据，可以先用卷积神经网络分别得到心电数据各导联的特征向量，然后拼接后输入多层感知机分类模型，得到心电数据的多标签分类结果，即得到心电数据对应的多种分类标签的预测概率。
[0048]
在一个实施例中，步骤104具体可以通过以下方法实现：首先将心电数据的多个导联数据分别输入到更新后的心电数据分类处理模型的多个卷积神经网络中，得到心电数据的多个特征向量，然后对心电数据的多个特征向量进行拼接，得到心电数据的特征向量组合，最后将心电数据的特征向量组合输入到更新后的心电数据分类处理模型的多层感知机分类模型中，得到心电数据的多标签分类结果。在本实施例中，心电数据的特征向量组合的拼接方式可以参考心电数据样本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，心电数据的多标签分类结果为心电数据属于每个分类标签的预测概率。
[0049]
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心电数据的多标签分类装置，如图2所示，该装置包括：知识图谱获取模块21、关联矩阵构建模块22、分类模型更新模块23和心电数据处理模块24。
[0050]
知识图谱获取模块21，可用于获取心电数据知识图谱，其中，心电数据知识图谱的节点为心电数据的分类标签，心电数据知识图谱的边为分类标签之间的属性关系；
[0051]
关联矩阵构建模块22，可用于通过预训练的标签特征提取模型，提取出心电数据知识图谱的每个节点的特征向量，并根据每两个节点的特征向量之间的距离信息，构建分类标签关联矩阵；
[0052]
分类模型更新模块23，可用于利用分类标签关联矩阵，对预训练的心电数据分类处理模型的参数进行更新，得到更新后的心电数据分类处理模型；
[0053]
心电数据处理模块24，可用于获取待处理的心电数据，并将心电数据输入到更新后的心电数据分类处理模型中，得到心电数据的多标签分类结果。
[0054]
在具体的应用场景中，关联矩阵构建模块22中标签特征提取模型的训练方法，包括：获取心电数据知识图谱和多组心电数据样本，其中，每组心电数据样本包含多个分类标签，多个分类标签是心电数据知识图谱的一个子集；根据心电数据知识图谱和多组心电数据样本，构建一个图注意力网络和一个多层感知机预测模型；通过图注意力网络，对心电数据知识图谱的每个节点的初始特征向量进行提取，并根据心电数据知识图谱的每个节点的初始特征向量，得到每组心电数据样本的多个分类标签的特征向量组合；以每组心电数据样本的多个分类标签的特征向量组合为输入，以每组心电数据样本的多个分类标签为输出，对图注意力网络和多层感知机预测模型进行同步迭代训练，得到标签特征提取模型。
[0055]
在具体的应用场景中，根据心电数据知识图谱的每个节点的初始特征向量，得到每组心电数据样本的多个分类标签的特征向量组合，包括：提取出每组心电数据样本中分类结果为第一分类结果的分类标签，其中，第一分类结果为心电数据样本属于分类标签的
分类结果；根据心电数据知识图谱的每个节点的初始特征向量，确定每组心电数据样本中分类结果为第一分类结果的分类标签的初始特征向量；对每组心电数据样本中分类结果为第一分类结果的分类标签的初始特征向量进行拼接，得到每组心电数据样本的多个分类标签的特征向量组合。
[0056]
在具体的应用场景中，分类模型更新模块23中心电数据分类处理模型的训练方法，包括：获取多组心电数据样本，并根据多组心电数据样本构建一组卷积神经网络和一个多层感知机分类模型，其中，每组心电数据样本包含多个分类标签；根据多组心电数据样本，通过卷积神经网络，得到多组心电数据样本的特征向量组合；以多组心电数据样本的特征向量组合为输入，以多组心电数据样本的多个分类标签为输出，对卷积神经网络模型和多层感知机分类模型进行同步迭代训练，得到心电数据分类处理模型。
[0057]
在具体的应用场景中，一组卷积神经网络包括与心电数据样本的多个导联数据一一对应的多个卷积神经网络；则根据多组心电数据样本，通过卷积神经网络，得到多组心电数据样本的特征向量组合，包括：将多组心电数据样本的多个导联数据分别输入到对应的多个卷积神经网络中，得到每组心电数据样本的多个特征向量；分别对每组心电数据样本的多个特征向量进行拼接，得到每组心电数据样本的特征向量组合。
[0058]
在具体的应用场景中，分类模型更新模块23具体可用于获取多组心电数据样本，并根据多组心电数据样本，通过心电数据分类处理模型，得到多组心电数据样本的多标签预测概率；利用分类标签关联矩阵，将多组心电数据样本的多标签预测概率转换为多标签关联性预测概率；根据多组心电数据样本的多标签关联性预测概率，计算多组心电数据样本的交叉熵损失函数，并通过交叉熵损失函数对心电数据分类处理模型的参数进行更新，得到更新后的心电数据分类处理模型。
[0059]
在具体的应用场景中，心电数据处理模块24具体可用于将心电数据的多个导联数据分别输入到更新后的心电数据分类处理模型的多个卷积神经网络中，得到心电数据的多个特征向量；对心电数据的多个特征向量进行拼接，得到心电数据的特征向量组合；将心电数据的特征向量组合输入到更新后的心电数据分类处理模型的多层感知机分类模型中，得到心电数据的多标签分类结果。
[0060]
需要说明的是，本实施例提供的一种心电数据的多标签分类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。
[0061]
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所示的心电数据的多标签分类方法。
[0062]
基于这样的理解，本技术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)执行本技术各个实施场景心电数据的多标签分类方法。
[0063]
基于上述如图1所示的方法，以及图2所示的心电数据的多标签分类装置实施例，为了实现上述目的，本实施例还提供了心电数据的多标签分类的实体设备，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。
[0064]
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(radio frequency，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。
[0065]
本领域技术人员可以理解，本实施例提供的一种心电数据的多标签分类的实体设备结构并不构成对该实体设备的限定，可以包括更多或更少的部件，或者组合某些部件，或者不同的部件布置。
[0066]
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。
[0067]
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技术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。通过应用本技术的技术方案，首先获取由心电数据的分类标签组成的心电数据知识图谱，然后通过心电数据知识图谱构建分类标签关联矩阵，使得心电数据的各个分类标签具有一定的内在关联性，进而通过分类标签关联矩阵对心电数据分类处理模型的参数进行更新，以提升心电数据分类处理模型的分类性能，最后通过更新后的心电数据分类处理模型对心电数据进行处理，得到心电数据的多标签分类结果。上述方法通过将心电数据的各个分类标签之间的关联与心电数据分类处理模型的训练相结合，使得更新后的心电数据分类处理模型在对心电数据进行多标签分类处理的过程中，能够结合分类标签之间的关联性，从而克服了多数据源的分类标签重叠以及分类标签分布不均衡的问题，有效的提升了心电数据的多标签分类处理的准确性。
[0068]
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技术所必须的。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。
[0069]
上述本技术序号仅仅为了描述，不代表实施场景的优劣。以上公开的仅为本技术的几个具体实施场景，但是，本技术并非局限于此，任何本领域的技术人员能思之的变化都应落入本技术的保护范围。