本申请的实施例提供了一种心电数据分类方法、装置、存储介质及电子设备，所述方法包括：构建残差神经网络模型，并通过预先采集的样本心电数据对所述残差神经网络模型进行训练，得到心电数据分类模型，所述心电数据分类模型由依次串行的输入层，残差模块，第一激活层，第一全局平均池化层，全连接层，以及输出层组成，所述残差模块由多个串行的残差子模块组成；获取待分类心电数据，并对所述待分类心电数据进行预处理以得到目标心电数据；将所述目标心电数据输入至所述心电数据分类模型，以由所述心电数据分类模型输出对所述待分类心电数据的分类结果。本申请实施例的技术方案能提高基于神经网络模型进行心电数据分类的适用性。性。性。
【技术实现步骤摘要】
一种心电数据分类方法、装置及电子设备
[0001]本申请涉及数据处理
，具体而言，涉及一种心电数据分类方法、存储介质及电子设备。
技术介绍
[0002]计算机辅助识别心电图多采用传统的机器学习方法进行分类，该方法需要依赖手工特征的提取，会造成特征提取不充分等问题。目前基于神经网络模型具有准确率高，运行速度快等特点，使得神经网络模型被广泛应用于图像识别领域，包括心电数据识别领域，但是识别心电数据的神经网络模型往往需要过多的参数量和计算量，相应的，需要硬件平台提供可用的高内存和大算力的支持，即导致基于神经网络模型在硬件资源低和功耗低的移动设备端上难以实现心电数据识别功能。基于此，如何提高基于神经网络模型进行心电数据识别的适用性是亟待解决的技术问题。
技术实现思路
[0003]本申请的实施例提供了一种心电数据分类方法、装置、存储介质及电子设备，进而在一定程度上能够提高基于神经网络模型对心电数据进行分类的适用性，同时能提高对心电数据进行分类的识别准确度。
[0004]本申请的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本申请的实践而习得。
[0005]根据本申请实施例的第一方面，提供了一种心电数据分类方法，所述方法包括：构建残差神经网络模型，并通过预先采集的样本心电数据对所述残差神经网络模型进行训练，得到心电数据分类模型，所述心电数据分类模型由依次串行的输入层，残差模块，第一激活层，第一全局平均池化层，全连接层，以及输出层组成，所述残差模块由多个串行的残差子模块组成；获取待分类心电数据，并对所述待分类心电数据进行预处理以得到目标心电数据；将所述目标心电数据输入至所述心电数据分类模型，以由所述心电数据分类模型输出对所述待分类心电数据的分类结果。
[0006]在本申请的一些实施例中，基于前述方案，所述对所述待分类心电数据进行预处理以得到目标心电数据，包括：从所述待分类心电数据中截取预设时间长度的心电数据，作为初始心电数据；对所述初始心电数据进行标准化处理，以得到目标心电数据。
[0007]在本申请的一些实施例中，基于前述方案，所述对所述初始心电数据进行标准化处理，按照如下公式执行：
[0008]X
*
＝(X
‑
μ)/σ
[0009]其中，X
*
为目标心电数据；X为初始心电数据；μ为初始心电数据的均值；σ为初始心电数据的标准差。
[0010]在本申请的一些实施例中，基于前述方案，如果所述待分类心电数据的时间长度小于所述预设时间长度，则对所述待分类心电数据进行填充处理，以得到所述初始心电数
据。
[0011]在本申请的一些实施例中，基于前述方案，所述残差模块由三个依次串行的残差子模块组成，每个残差子模块由并行的主分支和残差分支，分别与所述主分支和所述残差分支串行连接的叠加层，第二激活层依次连接组成；所述主分支由两个多尺度卷积模块依次连接组成；所述残差分支由第一卷积层，第一批正则化层依次连接组成；所述叠加层用于对从所述主分支输出的输出数据和从所述残差分支输出的输出数据进行叠加。
[0012]在本申请的一些实施例中，基于前述方案，所述多尺度卷积模块由并行的第一分支和第二分支，分别与所述第一分支和所述第二分支串行连接的拼接层，第二批正则化层，第三激活层，SE模块，以及第二卷积层依次连接组成；所述第一分支由最大池化层，第三卷积层依次连接组成；所述第二分支由第四卷积层，第四激活层，以及多个并行的DW卷积层依次连接组成；所述拼接层用于对从所述第一分支输出的输出数据和从所述第二分支输出的输出数据按照通道维度进行拼接。
[0013]在本申请的一些实施例中，基于前述方案，所述SE模块由第二全局平均池化层，第五卷积层，第五激活层，第六卷积层，第六激活层，乘积层依次连接组成；所述乘积层用于将输入所述SE模块的输入数据和从所述第六激活层输出的输出数据进行相乘。
[0014]根据本申请实施例的第二方面，提供了一种心电数据分类装置，所述装置包括：构建单元，用于构建残差神经网络模型，并通过预先采集的样本心电数据对所述残差神经网络模型进行训练，得到心电数据分类模型，所述心电数据分类模型由依次串行的的输入层，残差模块，第一激活层，第一全局平均池化层，全连接层，以及输出层组成，所述残差模块由多个串行的残差子模块组成；获取单元，用于获取待分类心电数据，并对所述待分类心电数据进行预处理以得到目标心电数据；输出单元，用于将所述目标心电数据输入至所述心电数据分类模型，以由所述心电数据分类模型输出对所述待分类心电数据的分类结果。
[0015]根据本申请实施例的第三方面，提供了一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有至少一条程序代码，所述至少一条程序代码由处理器加载并执行以实现如上述第一方面任一项所述的方法所执行的操作。
[0016]根据本申请实施例的第四方面，提供了一种电子设备，包括一个或多个处理器和一个或多个存储器，所述一个或多个存储器中存储有至少一条程序代码，所述至少一条程序代码由所述一个或多个处理器加载并执行以实现如上述第一方面任一项所述的方法所执行的操作。
[0017]在本申请的技术方案中，通过建立并训练得到的心电数据分类模型对待分类心电数据进行识别，从而输出对待分类心电数据的分类结果，其中本申请提供的心电数据分类模型是基于残差多尺度深度可分离卷积神经网络而建立的，由依次串行的输入层，残差模块，第一激活层，第一全局平均池化层，全连接层，以及输出层组成，与一般的十二导联心电数据分类方法相比，采用了多个不同大小的卷积核提取多尺度的心电特征，提高了对心电数据的分类识别精度；同时使用的卷积为深度可分离卷积，相较于传统的卷积有着较小的计算量和参数量，从而使得本申请设计的心电数据分类方法能应用于硬件资源低和功耗低的移动设备端，提高基于神经网络进行心电数据识别的适用性；另外，在心电数据分类模型中引入残差网络中的残差结构可以避免卷积神经网络加深导致的梯度消失问题，同时该部分可以有效的提取心电数据的局部空间特征。
[0018]应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本申请。
附图说明
[0019]此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本申请的实施例，并与说明书一起用于解释本申请的原理。显而易见地，下面描述中的附图仅仅是本申请的一些实施例，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。在附图中：
[0020]图1示出了根据本申请一个实施例的心电数据分类方法的流程图；
[0021]图2示出了根据本申请一个实施例的心电数据分类模型的结构示意图；
[0022]图3示出了根据本申请一个实施例的残差子模块的结构示意图；
[0023]图4示出了根据本申请一个实施例的多尺度卷积模块的结构示意图；
[0024]图5示出了根据本申请一个实施例的SE本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种心电数据分类方法，其特征在于，所述方法包括：构建残差神经网络模型，并通过预先采集的样本心电数据对所述残差神经网络模型进行训练，得到心电数据分类模型，所述心电数据分类模型由依次串行的输入层，残差模块，第一激活层，第一全局平均池化层，全连接层，以及输出层组成，所述残差模块由多个串行的残差子模块组成；获取待分类心电数据，并对所述待分类心电数据进行预处理以得到目标心电数据；将所述目标心电数据输入至所述心电数据分类模型，以由所述心电数据分类模型输出对所述待分类心电数据的分类结果。2.根据权利要求1所述的方法，其特征在于，所述对所述待分类心电数据进行预处理以得到目标心电数据，包括：从所述待分类心电数据中截取预设时间长度的心电数据，作为初始心电数据；对所述初始心电数据进行标准化处理，以得到目标心电数据。3.根据权利要求2所述的方法，其特征在于，所述对所述初始心电数据进行标准化处理，按照如下公式执行：X
*
＝(X
‑
μ)/σ其中，X
*
为目标心电数据；X为初始心电数据；μ为初始心电数据的均值；σ为初始心电数据的标准差。4.根据权利要求2所述的方法，其特征在于，所述方法还包括：如果所述待分类心电数据的时间长度小于所述预设时间长度，则对所述待分类心电数据进行填充处理，以得到所述初始心电数据。5.根据权利要求1所述的方法，其特征在于，所述残差模块由三个依次串行的残差子模块组成，每个残差子模块由并行的主分支和残差分支，分别与所述主分支和所述残差分支串行连接的叠加层，第二激活层依次连接组成；所述主分支由两个多尺度卷积模块依次连接组成；所述残差分支由第一卷积层，第一批正则化层依次连接组成；所述叠加层用于对从所述主分支输出的输出数据和从所述残差分支输出的输出数据进行叠加。6.根据权利要求5所述的方...
【专利技术属性】
技术研发人员：尚德龙，谢磷海，乔树山，周玉梅，
申请(专利权)人：中科南京智能技术研究院，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。