一种心拍分类方法、装置及设备与流程

1.本技术涉及计算机技术领域，尤其涉及一种心拍分类方法、装置及设备。


背景技术：

2.心电信号(即心电图)是非常微弱的生理低频电信号，通常最大的幅值不超过5mv,信号频率在0.05～100hz之间，是检测心血管疾病的重要手段。而心拍则是心电信号的基本组成。一段正常的心电信号会包含若干个心拍，按照医学上的定义，每个心拍又可以被划分为三个主要部分：p波段、qrs波群和t波段，如附图1所示。心拍分类的准确与否，对于心血管疾病的诊断与预防意义重大。
3.目前心拍分类所采用的方法包括传统的波形变换方法和当前流行的深度卷积网络方法，但二者均无法满足实时且准确的分类要求。比如传统的一些启发式的特征提取方法过于依赖领域经验，其参数固定，较难迁移。变换式方法在变换域下的计算量较为庞大，计算成本高。并且这些方法大部分需要在提取特征之后专门设计分类器以验证提取特征的效果，因而这些算法的泛化性能不够好。而当前流行的基于深度神经网络的心拍分类方法大多是采用卷积网络，往往需要先将原始的心电信号转换为图像数据，然后再通过卷积网络进行分类，而实时提取到的心拍数据应是随时间不断变化的心电伏值，将其转换为适应卷积神经网络的图像数据反而需要额外的处理，这样也难以满足实时的要求。


技术实现要素：

4.本技术实施例的主要目的在于提供一种心拍分类方法、装置及设备，能够有效提高心拍分类的效率和准确率。
5.第一方面，本技术实施例提供了一种心拍分类方法，包括：
6.获取待分类的目标心拍数据，并对所述目标心拍数据进行预处理，得到预处理后的目标心拍数据；
7.利用深度循环神经网络对所述预处理后的目标心拍数据进行特征提取，得到心拍时序特征；
8.利用符号模式识别模块对所述预处理后的目标心拍数据进行特征提取，得到心拍形状特征；
9.利用深度自编码器对所述心拍时序特征和所述心拍形状特征进行融合处理，得到心拍融合特征；
10.将所述心拍融合特征传入分类网络进行心拍分类，得到所述目标心拍数据对应的分类结果。
11.可选的，所述方法还包括：
12.获取训练心拍数据；并对所述训练心拍数据进行预处理，得到预处理后的训练心拍数据；
13.利用初始深度循环神经网络对所述预处理后的训练心拍数据进行特征提取，得到
训练心拍时序特征；
14.利用初始符号模式识别模块对所述预处理后的训练心拍数据进行特征提取，得到训练心拍形状特征；
15.利用初始深度自编码器对所述训练心拍时序特征和所述训练心拍形状特征进行融合处理，得到训练心拍融合特征；
16.根据所述训练心拍数据的训练心拍融合特征以及所述训练心拍数据对应的分类识别标签对所述初始符号模式识别模块、所述初始符号模式识别模块和所述初始深度自编码器进行训练，生成所述深度循环神经网络、所述符号模式识别模和所述深度自编码器。
17.可选的，所述方法还包括：
18.获取验证心拍数据；并对所述验证心拍数据进行预处理，得到预处理后的验证心拍数据；
19.利用所述深度循环神经网络对所述预处理后的验证心拍数据进行特征提取，得到验证心拍时序特征；
20.利用所述符号模式识别模块对所述预处理后的验证心拍数据进行特征提取，得到验证心拍形状特征；
21.利用所述深度自编码器对所述验证心拍时序特征和所述验证心拍形状特征进行融合处理，得到验证心拍融合特征；
22.将所述验证融合特征传入分类网络进行心拍分类，得到所述验证心拍数据对应的分类识别结果；
23.当所述验证心拍数据的分类识别结果与所述验证心拍数据对应的分类标记结果不一致时，将所述验证心拍数据重新作为所述训练心拍数据，对所述深度循环神经网络、所述符号模式识别模块和所述深度自编码器进行更新。
24.可选的，在将所述心拍融合特征传入分类网络进行心拍分类，得到所述目标心拍数据对应的分类结果之后，所述方法还包括：
25.接收用户对所述分类结果的修正，得到修正后的分类结果；
26.利用所述修正后的分类结果，对所述深度循环神经网络、所述符号模式识别模和所述深度自编码器的参数进行重新评估。
27.第二方面，本技术实施例还提供了一种心拍分类装置，包括：
28.第一获取单元，用于获取待分类的目标心拍数据，并对所述目标心拍数据进行预处理，得到预处理后的目标心拍数据；
29.第一提取单元，用于利用深度循环神经网络对所述预处理后的目标心拍数据进行特征提取，得到心拍时序特征；
30.第二提取单元，用于利用符号模式识别模块对所述预处理后的目标心拍数据进行特征提取，得到心拍形状特征；
31.第一融合单元，用于利用深度自编码器对所述心拍时序特征和所述心拍形状特征进行融合处理，得到心拍融合特征；
32.分类单元，用于将所述心拍融合特征传入分类网络进行心拍分类，得到所述目标心拍数据对应的分类结果。
33.可选的，所述装置还包括：
34.第二获取单元，用于获取训练心拍数据；并对所述训练心拍数据进行预处理，得到预处理后的训练心拍数据；
35.第三提取单元，用于利用初始深度循环神经网络对所述预处理后的训练心拍数据进行特征提取，得到训练心拍时序特征；
36.第四提取单元，用于利用初始符号模式识别模块对所述预处理后的训练心拍数据进行特征提取，得到训练心拍形状特征；
37.第二融合单元，用于利用初始深度自编码器对所述训练心拍时序特征和所述训练心拍形状特征进行融合处理，得到训练心拍融合特征；
38.训练单元，用于根据所述训练心拍数据的训练心拍融合特征以及所述训练心拍数据对应的分类识别标签对所述初始符号模式识别模块、所述初始符号模式识别模块和所述初始深度自编码器进行训练，生成所述深度循环神经网络、所述符号模式识别模和所述深度自编码器。
39.可选的，所述装置还包括：
40.第三获取单元，用于获取验证心拍数据；并对所述验证心拍数据进行预处理，得到预处理后的验证心拍数据；
41.第五提取单元，用于利用所述深度循环神经网络对所述预处理后的验证心拍数据进行特征提取，得到验证心拍时序特征；
42.第六提取单元，用于利用所述符号模式识别模块对所述预处理后的验证心拍数据进行特征提取，得到验证心拍形状特征；
43.第三融合单元，用于利用所述深度自编码器对所述验证心拍时序特征和所述验证心拍形状特征进行融合处理，得到验证心拍融合特征；
44.获得单元，用于将所述验证融合特征传入分类网络进行心拍分类，得到所述验证心拍数据对应的分类识别结果；
45.更新单元，用于当所述验证心拍数据的分类识别结果与所述验证心拍数据对应的分类标记结果不一致时，将所述验证心拍数据重新作为所述训练心拍数据，对所述深度循环神经网络、所述符号模式识别模块和所述深度自编码器进行更新。
46.可选的，所述装置还包括：
47.接收单元，用于接收用户对所述分类结果的修正，得到修正后的分类结果；
48.评估单元，用于利用所述修正后的分类结果，对所述深度循环神经网络、所述符号模式识别模和所述深度自编码器的参数进行重新评估。
49.本技术实施例还提供了一种心拍分类设备，包括：处理器、存储器、系统总线；
50.所述处理器以及所述存储器通过所述系统总线相连；
51.所述存储器用于存储一个或多个程序，所述一个或多个程序包括指令，所述指令当被所述处理器执行时使所述处理器执行上述心拍分类方法中的任意一种实现方式。
52.本技术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中存储有指令，当所述指令在终端设备上运行时，使得所述终端设备执行上述心拍分类方法中的任意一种实现方式。
53.本技术实施例提供的一种心拍分类方法、装置及设备，首先获取待分类的目标心拍数据，并对目标心拍数据进行预处理，得到预处理后的目标心拍数据，然后，利用深度循
环神经网络对预处理后的目标心拍数据进行特征提取，得到心拍时序特征，以及利用符号模式识别模块对预处理后的目标心拍数据进行特征提取，得到心拍形状特征；接着，利用深度自编码器对心拍时序特征和心拍形状特征进行融合处理，得到心拍融合特征；进而可以将心拍融合特征传入分类网络进行心拍分类，得到目标心拍数据对应的分类结果。从而有效提高对于目标心拍数据分类的效率和准确率。
附图说明
54.为了更清楚地说明本技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
55.图1为本技术实施例提供的正常心拍的组成成分的示意图；
56.图2为本技术实施例提供的一种心拍分类方法的流程示意图；
57.图3为本技术实施例提供的深度循环神经网络的结构图；
58.图4为本技术实施例提供的符号模式识别模块的组成示意图；
59.图5为本技术实施例提供的深度自编码器的结构图；
60.图6为本技术实施例提供的心拍分类方法的整体流程图；
61.图7为本技术实施例提供的一种心拍分类装置的组成示意图。
具体实施方式
62.目前，在进行心拍分类时所采用的传统的波形变换方法或当前流行的深度卷积网络方法，均无法满足实时且准确的分类要求。比如传统的一些启发式的特征提取方法过于依赖领域经验，其参数固定，较难迁移。变换式方法在变换域下的计算量较为庞大，计算成本高。并且这些方法大部分需要在提取特征之后专门设计分类器以验证提取特征的效果，因而这些算法的泛化性能不够好。而当前流行的基于深度神经网络的心拍分类方法大多是采用卷积网络，往往需要先将原始的心电信号转换为图像数据，然后再通过卷积网络进行分类，而实时提取到的心拍数据应是随时间不断变化的心电伏值，将其转换为适应卷积神经网络的图像数据反而需要额外的处理，这样也难以满足实时的要求。
63.为解决上述缺陷，本技术实施例提供了一种心拍分类方法，首先获取待分类的目标心拍数据，并对目标心拍数据进行预处理，得到预处理后的目标心拍数据，然后，利用深度循环神经网络对预处理后的目标心拍数据进行特征提取，得到心拍时序特征，以及利用符号模式识别模块对预处理后的目标心拍数据进行特征提取，得到心拍形状特征；接着，利用深度自编码器对心拍时序特征和心拍形状特征进行融合处理，得到心拍融合特征；进而可以将心拍融合特征传入分类网络进行心拍分类，得到目标心拍数据对应的分类结果。从而有效提高对于目标心拍数据分类的效率和准确率。
64.为使本技术实施例的目的、技术方案和优点更加清楚，下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本技术保护的范围。
65.第一实施例
66.参见图2，为本实施例提供的一种心拍分类方法的流程示意图，该方法包括以下步骤：
67.s201：获取待分类的目标心拍数据，并对目标心拍数据进行预处理，得到预处理后的目标心拍数据。
68.在本实施例中，将需要利用本技术实现精准分类的任一心拍数据定义为目标心拍数据，为了实现对目标心拍数据的快速、精准分类，首先需要获取待分类的目标心拍数据，并对目标心拍数据进行预处理，即根据大量的历史数据选择出稳定、效率高的滤波器用于消除肌电干扰、工频干扰和基线漂移等误差。然后统计出平均心拍的时间、伏值数量、伏值的最大值和最小值等必要信息，得到预处理后的目标心拍数据，用以执行后续步骤s102-s103。
69.具体来讲，本步骤s201中“对目标心拍数据进行预处理，得到预处理后的目标心拍数据”的实现过程可以包括下述步骤(1.1)-(1.5)：
70.步骤(1.1)：选择多个滤波器额，并根据历史数据调节滤波器参数(如巴特沃斯滤波器，带陷滤波器，零相移滤波器等)，然后通过这些滤波器对目标心拍数据进行第一次处理。
71.步骤(1.2):统计经过滤波器处理的目标心拍数据的信息，得到心电伏值的最大值e
max
和最小值e
min
。根据采样率f(单位：赫兹)，采样时间t(单位：秒)，得到所采样的记录中包含f*t个心电伏值点。再通过r峰的位置计算出f*t个心电伏值点中共有n个心拍，每个心拍的平均时间约为t＝t/n，一个心拍大约包含个心电伏值点。
72.步骤(1.3)：提取r峰的位置，然后向前提取个数据点，向后提取个数据点，从而组成一个包含m个数据点的心拍数据。
73.步骤(1.4)：为了更好地适应深度学习方法和提高模型的泛化能力，采用归一化方法对数据进行预处理，如公式：其中xi表示所有心拍中的其中一个心拍，每个xi包含m个信号伏值。经过归一化处理后，每个样本的伏值都处于0到1之间，更适合进行分类任务。
74.步骤(1.5)：从历史数据中获取与步骤(1.4)中获得的心拍相对应的标签，并根据国际上最通用的aami(association for the advancement of medical instrumentation)标准进行转换，为后续的训练做准备。
75.其中，心拍对应的分类(标签)包括5类，分别为：正常心拍(n)、心室异位心拍(v)、室上性异位心拍(s)、融合心拍(f)、未分类心拍(q)
76.s202：利用深度循环神经网络对预处理后的目标心拍数据进行特征提取，得到心拍时序特征。
77.在本实施例中，通过步骤s201得到预处理后的目标心拍数据后，进一步可以利用深度循环神经网络对预处理后的目标心拍数据进行特征提取，得到心拍时序特征，用以执行后续步骤s204。其中，深度循环神经网络的具体结构如图3所示。
78.具体来讲，本步骤s202的实现过程可以包括下述步骤(2.1)-(2.4)：
79.步骤(2.1)：设定超参数：循环神经网络的迭代次数step；循环神经网络的隐层节点数量hidden_size。
80.步骤(2.2)：将原始心拍(即预处理后的目标心拍数据)伏值从大小为(1，m)的向量转换为大小的矩阵。从原始心拍伏值的第一位开始，到第位为止作为矩阵的第一行，以此类推，直到最后，若最后一行不满足个伏值，则用0进行补充。
81.步骤(2.3)：初始化循环神经网络参数，其结构如图3所示。图中x表示输入向量，s表示循环神经网络的状态向量。o表示输出向量。循环神经网络中包含三个权重矩阵分别为u，v和w，其中u表示输入层到隐藏层的权重矩阵，v表示状态向量从隐藏层到输出层所需要的权重矩阵，w表示计算从前一时刻的状态到当前时刻状态所需要的权重。网络中当前step的状态s
t
不仅依赖当前输入值x
t
，还取决于上一时段的状态s
t-1
，即s
t
＝f(u*x
t
w*s
t-1
)。得到s
t
之后，计算该step的输出状态为o
t
＝g(v*s
t
)，其中g和f均表示激活函数。
82.步骤(2.4)：将步骤(2.2)中得到的每一个心拍伏值传入深度循环神经网络中，取最后一个step的输出o
step
作为提取出的时序特征。
83.s203：利用符号模式识别模块对预处理后的目标心拍数据进行特征提取，得到心拍形状特征。
84.在本实施例中，通过步骤s201得到预处理后的目标心拍数据后，进一步可以利用符号模式识别模块对预处理后的目标心拍数据进行特征提取，得到心拍形状特征，用以执行后续步骤s204。其中，符号模式识别模块的组成示意图如图4所示。
85.具体来讲，本步骤s203的实现过程可以包括下述步骤(3.1)-(3.5)：
86.步骤(3.1)：设定超参数：符号个数s_num；转移模式元数pre_mode。符号个数表示用多少个符号{a,b,c,
…
,z}表示一个心拍。转移模式元数表示匹配的转移模式由pre_mode个符号组成。假设s_num＝4，pre_mode＝2，则需要匹配的转移模式为{aa,ab,ac,ad,ba,bb,bc,bd,ca,cb,cc,cd,da,db,dc,dd}，需要计算从某一个模式(如aa)分别转移到a，b，c，d的概率转移矩阵。假设aa在一个心拍中出现了4次，其中aaa出现1次，aab出现3次，aac和aad均出现0次，则条件概率p(a|aa)＝1/4＝0.25，p(b|aa)＝3/4＝0.75，p(c|aa)＝p(d|aa)＝0。
87.步骤(3.2)：首先通过符号个数s_num划分伏值范围1/s_num，然后将原始的心拍(即预处理后的目标心拍数据)伏值离散化，及心拍伏值处于[0，1/s_num)时用第一个符号a表示，处于[1/s_num,2/s_num)区间内的则用第二个符号表示，以此类推，处于[(s_num-1)/s_num,1]区间的用第s_num个符号表示。
[0088]
步骤(3.3)：根据转移模式元数pre_mode计算出需要匹配的符号模式，对于pre_mode元转移有s_num^(pre_mode)个符号模式。
[0089]
步骤(3.4)：计算每个预处理后的目标心拍数据中所有符号模式分别转移到{a,b,c,
…
}的概率，并形成一个概率转移矩阵，其大小为(s_num^(pre_mode)，s_num)。
[0090]
步骤(3.5)：将矩阵摊平成为(1，s_num^(pre_mode 1))的向量，以此作为心拍形状特征并将其通过后续步骤s204传输给如图5所示的深度自编码器。
[0091]
s204：利用深度自编码器对心拍时序特征和心拍形状特征进行融合处理，得到心
拍融合特征。
[0092]
在本实施例中，通过步骤s202得到心拍时序特征，以及通过步骤s203得到心拍形状特征后，进一步可以利用深度自编码器对心拍时序特征和心拍形状特征进行融合处理，得到心拍融合特征，用以执行后续步骤s205。其中，深度自编码器的结构如图5所示。
[0093]
具体来讲，本步骤s204的实现过程可以包括下述步骤(4.1)-(4.2)：
[0094]
步骤(4.1)：在基于普通自编码器的特征融合方法采用由2个全连接网络组成的自编码器，其中第一个全连接网络为编码器，第二个全连接网络为解码器。假设原始数据x＝(x1,x2,
…
,xm)，经过编码过程后，得到隐含层的输出为f＝(f1,f2,
…
,f
hn
),公式为f＝encode(x)＝relu(dense(x))。其中m表示输入数据的维度，hn表示输出特征的维度，relu为激活函数，dense表示全连接网络。解码过程即隐含层特征f通过解码过程映射为输入数据x，公式如
[0095]
步骤(4.2):通过均方误差函数计算重构损失，其公式如下所示，输入数据用x表示，经过自编码器重构出的数据用x^表示：
[0096]
s205：将心拍融合特征传入分类网络进行心拍分类，得到目标心拍数据对应的分类结果。
[0097]
在本实施例中，通过步骤s204得到心拍融合特征后，进一步可以将心拍融合特征传入分类网络(如卷积神经网络(convolutional neural networks,cnn)等)进行心拍分类，得到目标心拍数据对应的分类结果，并计算损失，通过反向传播算法优化深度自编码器和深度循环神经网络的参数。
[0098]
具体来讲，本步骤s205的实现过程可以包括下述步骤(5.1)-(5.3)：
[0099]
步骤(5.1)：计算出输入数据属于哪一个类别的概率pc＝(p
c1
，p
c2
，...，p
cn
)，n为数据中可分出的类别数量。之后，根据该数据真实的类别信息，生成该数据类别的真实概率pr＝(p
r1
，p
r2
，...，p
rn
)，采用交叉熵作为分类损失函数，其公式如下：
[0100][0101]
步骤(5.2)：整体的损失由分类损失和重构损失共同计算，公式如：j＝j
class
ξ*j
ae
，其中ξ表示重构系数，通过调节重构系数调整重构损失在整体损失中占据的比例。重构损失越接近0，则自编码器的解码结果越接近输入的原始数据，此时自编码器提取的编码包含了原始数据中的主要特征，可以很好地表征输入数据。
[0102]
步骤(5.3)：通过整体损失j进行反向传播，计算所有参数的偏导，设置学习率lr,更新优化网络中的所有参数。
[0103]
在此基础上，一种可选的实现方式是，为了进一步提高分类结果的准确性，还可以接收用户对分类结果的修正，得到修正后的分类结果，并利用该修正后的分类结果，对深度循环神经网络、所述符号模式识别模和所述深度自编码器的参数进行重新评估。
[0104]
需要说明的是，上述提及的深度循环神经网络、符号模式识别模和深度自编码器的训练过程具体可以包括下述步骤a1-a4:
[0105]
步骤a1：获取训练心拍数据；并对训练心拍数据进行预处理，得到预处理后的训练心拍数据；
[0106]
步骤a2：利用初始深度循环神经网络对预处理后的训练心拍数据进行特征提取，得到训练心拍时序特征；
[0107]
步骤a3：利用初始符号模式识别模块对预处理后的训练心拍数据进行特征提取，得到训练心拍形状特征；
[0108]
步骤a4：利用初始深度自编码器对训练心拍时序特征和训练心拍形状特征进行融合处理，得到训练心拍融合特征；
[0109]
步骤a5：根据训练心拍数据的训练心拍融合特征以及训练心拍数据对应的分类识别标签对初始符号模式识别模块、初始符号模式识别模块和初始深度自编码器进行训练，生成深度循环神经网络、符号模式识别模和深度自编码器。
[0110]
需要说明的是，在训练完成所有模型时，可以将未被用于训练的数据集作为验证集合传入根据上述各个模型，获得分类的结果，判断结果是否符合临床的需要，若通过验证，则保留所有模型，否则调节超参数后重新训练。
[0111]
具体来讲，上述提及的深度循环神经网络、符号模式识别模和深度自编码器的验证过程具体可以包括下述步骤b1-b6:
[0112]
步骤b1：获取验证心拍数据；并对验证心拍数据进行预处理，得到预处理后的验证心拍数据；
[0113]
步骤b2：利用深度循环神经网络对预处理后的验证心拍数据进行特征提取，得到验证心拍时序特征；
[0114]
步骤b3：利用符号模式识别模块对预处理后的验证心拍数据进行特征提取，得到验证心拍形状特征；
[0115]
步骤b4：利用深度自编码器对验证心拍时序特征和验证心拍形状特征进行融合处理，得到验证心拍融合特征；
[0116]
步骤b5：将验证融合特征传入分类网络进行心拍分类，得到验证心拍数据对应的分类识别结果；
[0117]
步骤b6：当验证心拍数据的分类识别结果与验证心拍数据对应的分类标记结果不一致时，将验证心拍数据重新作为所述训练心拍数据，对深度循环神经网络、符号模式识别模块和深度自编码器进行更新。
[0118]
在对各个模型进行训练和验证完成，得到深度循环神经网络、符号模式识别模和深度自编码器后，即可对心拍数据进行实时检测和分类，即可以将实时采样的目标心拍数据传入由步骤s201进行处理，之后将其传入步骤s202得到的深度循环神经网络中提取时序特征，同时通过步骤s203得到的符号模式识别模块获取形状特征，之后将二者传入步骤s204获得的深度自编码器中获取融合特征，最后通过分类网络进行分类，从而实现心拍的实时检测与分类。具体实现过程可以包括下述步骤1)-8)：
[0119]
步骤1)：根据步骤(1.1)-步骤(1.5)实时处理采样的目标心拍数据。
[0120]
步骤2)：判断开始采样后遇到的第一个r峰伏值，即假设当伏值超过一定阈值之后便为r峰。根据r峰位置向后忽视个数据点后，正式开始进行检测与分类。
[0121]
步骤3)：存储经过实时处理后的目标心拍数据，直到采样到个伏值，将其传入深度循环网络中，通过公式计算出当前时段，当前心拍的时序特征。继续步骤
3)，直到第step个伏值序列进入深度循环神经网络，得到该心拍最终的时序特征。
[0122]
步骤4)：与步骤3)同时，对每一个采集到的处理后的伏值点进行步骤(3.2)离散化，等待采样到第m个伏值点后，通过符号模式识别模块统计概率转移矩阵，并将其摊平作为形状特征。
[0123]
步骤5)：采用步骤4)获得的深度自编码器，通过编码器为时序特征和形状特征进行融合。
[0124]
步骤6)：将融合特征传入步骤5)中的分类网络，得到分类的结果。
[0125]
步骤7)：继续处理下一个心拍。
[0126]
步骤8)：对检测到的数据进行标注，并加入到历史数据中。每隔一段时间，返回重新进行模型训练，以适应变化。
[0127]
这样，通过执行上述步骤s201-s205，实现如图6所示的心拍分类的整体流程，可以达到以下五点有益效果：
[0128]
一、通过对历史数据的统计信息选取高速、有效的数据预处理方式，相较于其他方法可以更有效地实现实时的心拍检测与分类。
[0129]
二、利用深度循环网络实时处理心拍数据，相较于其他神经网络而言，循环神经网络更适合处理心拍这类具有时序信息的数据。
[0130]
三、引入了符号模式识别模块辅助深度循环神经网络，其具有对噪声数据不敏感，在大数据量的情况下更易于得到全局、鲁棒、可靠的模式转移特征等优点。
[0131]
四、采用深度自编码器融合循环神经网络与符号模式识别方法提取出的特征，以充分学习心电信号的特征表示，提高分类准确率。
[0132]
五、相较于其他心拍分类方法更适合用于临床和远程健康监护的大数据量、复杂波形的心拍实时检测与分类。
[0133]
综上，本实施例提供的一种心拍分类方法，首先获取待分类的目标心拍数据，并对目标心拍数据进行预处理，得到预处理后的目标心拍数据，然后，利用深度循环神经网络对预处理后的目标心拍数据进行特征提取，得到心拍时序特征，以及利用符号模式识别模块对预处理后的目标心拍数据进行特征提取，得到心拍形状特征；接着，利用深度自编码器对心拍时序特征和心拍形状特征进行融合处理，得到心拍融合特征；进而可以将心拍融合特征传入分类网络进行心拍分类，得到目标心拍数据对应的分类结果。从而有效提高对于目标心拍数据分类的效率和准确率。
[0134]
第二实施例
[0135]
本实施例将对一种心拍分类装置进行介绍，相关内容请参见上述方法实施例。
[0136]
参见图7，为本实施例提供的一种心拍分类装置的组成示意图，该装置包括：
[0137]
第一获取单元701，用于获取待分类的目标心拍数据，并对所述目标心拍数据进行预处理，得到预处理后的目标心拍数据；
[0138]
第一提取单元702，用于利用深度循环神经网络对所述预处理后的目标心拍数据进行特征提取，得到心拍时序特征；
[0139]
第二提取单元703，用于利用符号模式识别模块对所述预处理后的目标心拍数据进行特征提取，得到心拍形状特征；
[0140]
第一融合单元704，用于利用深度自编码器对所述心拍时序特征和所述心拍形状
特征进行融合处理，得到心拍融合特征；
[0141]
分类单元705，用于将所述心拍融合特征传入分类网络进行心拍分类，得到所述目标心拍数据对应的分类结果。
[0142]
在本实施例的一种实现方式中，所述装置还包括：
[0143]
第二获取单元，用于获取训练心拍数据；并对所述训练心拍数据进行预处理，得到预处理后的训练心拍数据；
[0144]
第三提取单元，用于利用初始深度循环神经网络对所述预处理后的训练心拍数据进行特征提取，得到训练心拍时序特征；
[0145]
第四提取单元，用于利用初始符号模式识别模块对所述预处理后的训练心拍数据进行特征提取，得到训练心拍形状特征；
[0146]
第二融合单元，用于利用初始深度自编码器对所述训练心拍时序特征和所述训练心拍形状特征进行融合处理，得到训练心拍融合特征；
[0147]
训练单元，用于根据所述训练心拍数据的训练心拍融合特征以及所述训练心拍数据对应的分类识别标签对所述初始符号模式识别模块、所述初始符号模式识别模块和所述初始深度自编码器进行训练，生成所述深度循环神经网络、所述符号模式识别模和所述深度自编码器。
[0148]
在本实施例的一种实现方式中，所述装置还包括：
[0149]
第三获取单元，用于获取验证心拍数据；并对所述验证心拍数据进行预处理，得到预处理后的验证心拍数据；
[0150]
第五提取单元，用于利用所述深度循环神经网络对所述预处理后的验证心拍数据进行特征提取，得到验证心拍时序特征；
[0151]
第六提取单元，用于利用所述符号模式识别模块对所述预处理后的验证心拍数据进行特征提取，得到验证心拍形状特征；
[0152]
第三融合单元，用于利用所述深度自编码器对所述验证心拍时序特征和所述验证心拍形状特征进行融合处理，得到验证心拍融合特征；
[0153]
获得单元，用于将所述验证融合特征传入分类网络进行心拍分类，得到所述验证心拍数据对应的分类识别结果；
[0154]
更新单元，用于当所述验证心拍数据的分类识别结果与所述验证心拍数据对应的分类标记结果不一致时，将所述验证心拍数据重新作为所述训练心拍数据，对所述深度循环神经网络、所述符号模式识别模块和所述深度自编码器进行更新。
[0155]
在本实施例的一种实现方式中，所述装置还包括：
[0156]
接收单元，用于接收用户对所述分类结果的修正，得到修正后的分类结果；
[0157]
评估单元，用于利用所述修正后的分类结果，对所述深度循环神经网络、所述符号模式识别模和所述深度自编码器的参数进行重新评估。
[0158]
综上，本实施例提供的一种心拍分类装置，首先获取待分类的目标心拍数据，并对目标心拍数据进行预处理，得到预处理后的目标心拍数据，然后，利用深度循环神经网络对预处理后的目标心拍数据进行特征提取，得到心拍时序特征，以及利用符号模式识别模块对预处理后的目标心拍数据进行特征提取，得到心拍形状特征；接着，利用深度自编码器对心拍时序特征和心拍形状特征进行融合处理，得到心拍融合特征；进而可以将心拍融合特
征传入分类网络进行心拍分类，得到目标心拍数据对应的分类结果。从而有效提高对于目标心拍数据分类的效率和准确率。
[0159]
进一步地，本技术实施例还提供了一种心拍分类设备，包括：处理器、存储器、系统总线；
[0160]
所述处理器以及所述存储器通过所述系统总线相连；
[0161]
所述存储器用于存储一个或多个程序，所述一个或多个程序包括指令，所述指令当被所述处理器执行时使所述处理器执行上述心拍分类方法的任一种实现方法。
[0162]
进一步地，本技术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中存储有指令，当所述指令在终端设备上运行时，使得所述终端设备执行上述心拍分类方法的任一种实现方法。
[0163]
通过以上的实施方式的描述可知，本领域的技术人员可以清楚地了解到上述实施例方法中的全部或部分步骤可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解，本技术的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在存储介质中，如rom/ram、磁碟、光盘等，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，或者诸如媒体网关等网络通信设备，等等)执行本技术各个实施例或者实施例的某些部分所述的方法。
[0164]
需要说明的是，本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
[0165]
还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
[0166]
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本技术。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本技术的精神或范围的情况下，在其它实施例中实现。因此，本技术将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。