CN109480827A - 向量心电图分类方法及装置 - Google Patents

Abstract

本发明提供了一种向量心电图分类方法及装置，涉及向量心电图分类的技术领域，能够在获取待分类的立体心电图时，将立体心电图分别投影到当前导联***的二维平面上，生成立体心电图对应的心电向量图；以及，提取待分类的立体心电图中包含的立体心电环；将心电向量图和立体心电环分别输入至第一神经网络模型和第二神经网络模型，提取立体心电图包含的电位方向和幅值变化；将第一神经网络模型和第二神经网络模型的输出结果输入至第三神经网络模型进行特征融合；根据融合的结果对立体心电图进行分类，有效缓解了传统诊断心电图时因波形特征点不明确造成的诊断结论错误的技术问题。

Description

向量心电图分类方法及装置

技术领域

本发明涉及向量心电图分类技术领域，尤其是涉及一种向量心电图分类方法及装置。

背景技术

心脏是立体器官，它在除极时，上、下、左、右、前、后几乎都同时除极，立体心电图表示的是某一瞬间心脏除极与复极的心电向量的变化。立体心电图能够全面、细致地反映出心脏的除极方向、顺序，以及立体空间的变化。一个平面无法反映出它电位变化的全部，只有三个平面的投影才能构成一副立体、动态、全覆盖的心脏电位变化的过程。心电图是由立体心电图投影到横面、额面、侧面后形成对应的心电向量环，再进行二次投影，形成对应的十二导联心电图时序波形。心电图是由窦房结自主起搏后，一系列的电位变化通过传导***，传导至心脏各部分形成心肌的电生理活动。按照心脏激动的时间顺序，将体表电位的变化记录下来，形成的连续曲线即为心电图。典型的心电图包括P波、QRS波、T波。P波反映心房除极过程的电位变化；P-R间期代表激动从窦房结通过房室交界区到心室肌开始除极的时限；QRS波群反映心室除极过程的电位变化；T波代表心室肌复极过程中的电位变化。

传统的心电图诊断中将常见的特征参数为P、QRS、T波的开始和结束位置的定位得到的RR间期、PR间期、QT间期、P、QRS、T波电轴等参数，在波形形态特征较明显时，检测效果较好，当波形的特征点不明确时，这些参数容易检错，会造成诊断结论的错误。

发明内容

有鉴于此，本发明的目的在于提供一种向量心电图分类方法及装置，以缓解传统诊断心电图因波形特征点不明确易造成诊断结论的错误的技术问题。

第一方面，本发明实施例提供了一种向量心电图分类方法，其中，该方法包括：获取待分类的立体心电图，将立体心电图分别投影到当前导联***的二维平面上，生成立体心电图对应的心电向量图；以及，提取待分类的立体心电图中包含的立体心电环；将心电向量图和立体心电环分别输入至第一神经网络模型和第二神经网络模型，提取立体心电图包含的电位方向和幅值变化；将第一神经网络模型和第二神经网络模型的输出结果输入至第三神经网络模型进行特征融合；根据融合的结果对立体心电图进行分类；其中，第一神经网络模型、第二神经网络模型和第三神经网络模型为通过携带有诊断标记的心电图样本进行训练得到的心电数据分类模型。

结合第一方面，本发明实施例提供了第一方面的第一种可能的实施方式，其中，立体心电图是在Frank导联体系下采集的心电信号；获取待分类的立体心电图的步骤包括：获取Frank导联体系包括的坐标轴上的电位变化，生成立体心电图，其中，坐标轴包括相互垂直的X轴、Y轴和Z轴。

结合第一方面的第一种可能的实施方式，本发明实施例提供了第一方面的第二种可能的实施方式，其中，心电向量图为立体心电图分别投影到XY、YZ、XZ二维平面上生成的。

结合第一方面的第二种可能的实施方式，本发明实施例提供了第一方面的第三种可能的实施方式，其中，第一神经网络模型包括多个卷积网络和第一全连接层；其中，多个卷积网络包括提取分别投影到XY、YZ、XZ的二维平面上的心电向量图的第一卷积网络、第二卷积网络和第三卷积网络；以及，融合第一卷积网络、第二卷积网络和第三卷积网络的输出结果的第四卷积网络、第五卷积网络和第六卷积网络；第一卷积网络和第二卷积网络的输出结果输入至第四卷积网络；第一卷积网络和第三卷积网络的输出结果输入至第五卷积网络；第二卷积网络和第三卷积网络的输出结果输入至第六卷积网络；第四卷积网络、第五卷积网络和第六卷积网络的输出结果输入至第一全连接层。

结合第一方面，本发明实施例提供了第一方面的第四种可能的实施方式，其中，第二神经网络模型包括三维卷积网络和与三维卷积网络连接的第二全连接层。

结合第一方面，本发明实施例提供了第一方面的第五种可能的实施方式，其中，第三神经网络模型包括依次连接的第三全连接层、第四全连接层和输出分类层。

第二方面，本发明实施例还提供一种向量心电图分类装置，其中，该装置包括：获取模块，用于获取待分类的立体心电图，将立体心电图分别投影到当前导联***的二维平面上，生成立体心电图对应的心电向量图；以及，第一提取模块，用于提取待分类的立体心电图中包含的立体心电环；第二提取模块，用于将心电向量图和立体心电环分别输入至第一神经网络模型和第二神经网络模型，提取立体心电图包含的电位方向和幅值变化；融合模块，用于将第一神经网络模型和第二神经网络模型的输出结果输入至第三神经网络模型进行特征融合；分类模块，用于根据融合的结果对立体心电图进行分类；其中，第一神经网络模型、第二神经网络模型和第三神经网络模型为通过携带有诊断标记的心电图样本进行训练得到的心电数据分类模型。

结合第二方面，本发明实施例提供了第二方面的第一种可能的实施方式，其中，立体心电图是在Frank导联体系下采集的心电信号；获取模块还用于：获取Frank导联体系包括的坐标轴上的电位变化，生成立体心电图，其中，坐标轴包括相互垂直的X轴、Y轴和Z轴。

结合第二方面的第一种可能的实施方式，本发明实施例提供了第二方面的第二种可能的实施方式，其中，心电向量图为立体心电图分别投影到XY、YZ、XZ二维平面上生成的。

第三方面，本发明实施例还提供一种计算机存储介质，其中，用于存储计算机程序指令，当计算机执行计算机程序指令时，执行上述的方法。

本发明实施例带来了以下有益效果：

本发明实施例提供的一种向量心电图分类方法及装置，能够在获取待分类的立体心电图时，将立体心电图分别投影到当前导联***的二维平面上，生成立体心电图对应的心电向量图；以及，提取待分类的立体心电图中包含的立体心电环；将心电向量图和立体心电环分别输入至第一神经网络模型和第二神经网络模型，提取立体心电图包含的电位方向和幅值变化；将第一神经网络模型和第二神经网络模型的输出结果输入至第三神经网络模型进行特征融合；根据融合的结果对立体心电图进行分类，有效缓解了传统诊断心电图时因波形特征点不明确造成的诊断结论错误的技术问题。

本发明的其他特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点在说明书以及附图中所特别指出的结构来实现和获得。

为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。

附图说明

为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式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发明的一些实施方式，对于本领域技术人员来讲，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。

图1为本发明实施例提供的一种向量心电图分类方法的流程图；

图2为本发明实施例提供的一种时间心电向量图的示意图；

图3为本发明实施例提供的一种利用第一神经网络模型提取特征的示意图；

图4为本发明实施例提供的一种利用第二神经网络模型提取特征的示意图；

图5为本发明实施例提供的一种利用第三神经网络模型分类的示意图；

图6为本发明实施例提供的一种向量心电图分类装置的结构示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合附图对本发明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发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域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，都属于本发明保护的范围。

目前，医学专家是通过对心电图分析来确定诊断结果的，由于当心电图波形的特征点不明确时，易造成诊断结论的错误的技术问题，基于此，本发明实施例提供的一种向量心电图分类方法及装置，可以实现对待测立体心电图进行准确分类，有效缓解了传统诊断心电图时因波形特征点不明确造成的诊断结论错误的技术问题。

为便于对本实施例进行理解，首先对本发明实施例所公开的一种向量心电图分类方法进行详细介绍。

实施例一：

本发明实施例提供了一种向量心电图分类方法，如图1所示的一种向量心电图分类方法的流程图，该方法包括以下步骤：

步骤S102，获取待分类的立体心电图，将立体心电图分别投影到当前导联***的二维平面上，生成立体心电图对应的心电向量图；

步骤S104，提取待分类的立体心电图中包含的立体心电环；

通常，立体心电图全面的反映出心脏的除极过程，以及心电立体的变化过程，含有丰富的心电电位信息，当心肌细胞发生病理性的改变后，相应位置的电位也会发生变化。心电向量图记录的是一个心动周期的心脏电激动过程。不能显示房室之间以及每次心律之间的时间关系。因而无法辨认某些心律失常。时间心电向量图可以弥补此类不足。将心电向量图重叠的P环、QRS环和T环随时间轴展开，能记录多个心动周期，可测量出每个环的时间、各个环之间的时间关系和各心动周期之间的时间关系，记录下的多个连续的不同周期的投影在额面、横面、右侧面的三个环形成“时间心电向量图”。时间心电向量图综合了心电向量图的二维曲线和心电图连续记录多个心动周期的功能，并可诊断心率失常，对平均QRS轴向量和QRS环的初始向量比普通向量显示更清楚。立体心电环包含心脏的电位变化的丰富信息，没有丢失信息，这些信息是12导联心电图和时间心电向量图里没有的。立体心电图采用的是Frank导联体系，该导联***共有7个电极，胸部放置5个电极，颈部背面偏右1cm处、左脚，7个导联构成三个相互垂直的X、Y、Z轴，X轴与Y轴构成前额面F，Y轴与Z轴构成右侧面S，X轴与Z轴构成横面H，利用Frank导联可以同时得到X、Y、Z三个轴上的导联心电信号，三个轴上的导联心电信号可以分别通过下式计算得到：

Vx＝0.610×V4+0.171×V3-0.781×V1；

Vy＝0.345×V5+0.655×F-V6；

Vz＝0.133×V4+0.736×V5-0.264×V1-0.374×V2-0.231×V3；

其中，Vx表示X轴的导联心电信号，Vy表示Y轴的导联心电信号，Vz表示Z轴的导联心电信号，V1到V5分别表示放置在胸部的5个电极的电位信号，V6表示放置在颈部背面偏右1cm处的电极的电位信号，F表示放置在左脚处的电极的电位信号；将Frank导联体系得到的X、Y、Z轴的时序心电信号连续的在三维空间表示出来，就可以得到立体心电图，将立体心电图分别投影到XY、YZ、XZ的二维平面上，就得到了心电向量图，即将人体心脏发生的电激动即微弱的电流这种立体心电信号分解在X、Y、Z三维空间坐标系里的三个面上投影的平面图的处理来实现的。因此，立体向量心电图投影到XY二维平面上得到额面时间心电向量图的额面模量为：方位角为：立体向量心电图投影到YZ二维平面上得到的侧面时间心电向量图的侧面模量为：方位角为：立体向量心电图投影到XZ二维平面上得到的横面时间心电向量图的横面模量为：方位角为：其中，t为采集时间，单位s。而时序的X、Y、Z轴的导联心电信号组成了立体向量心电环。

步骤S106，将心电向量图和立体心电环分别输入至第一神经网络模型和第二神经网络模型，提取立体心电图包含的电位方向和幅值变化；

步骤S108，将第一神经网络模型和第二神经网络模型的输出结果输入至第三神经网络模型进行特征融合；

步骤S110，根据融合的结果对立体心电图进行分类；其中，第一神经网络模型、第二神经网络模型和第三神经网络模型为通过携带有诊断标记的心电图样本进行训练得到的心电数据分类模型。

具体实现时，在XY、YZ、XZ的二维平面上分别按照预先设置的采样率和采样时间选取3个序列的时间心电向量图，为了便于对这3个序列的时间心电向量图进行理解，图2示出了一种时间心电向量图的示意图，如图2所示分别示出了额面时间心电向量图、侧面时间心电向量图以及横面时间心电向量图，利用第一神经网络模型分别提取这3个时间心电向量图中包含的电位方向和幅值变化的特征，然后，利用第二神经网络模型提取立体心电环中包含的电位方向和幅值变化的特征，之后，利用第三神经网络模型对第一神经网络模型提取的特征和第二神经网络模型提取的特征进行融合分析，最后，得出待测立体心电图的分类结果。

本发明实施例提供的一种向量心电图分类方法，能够在获取待分类的立体心电图时，将立体心电图分别投影到当前导联***的二维平面上，生成立体心电图对应的心电向量图；以及，提取待分类的立体心电图中包含的立体心电环；将心电向量图和立体心电环分别输入至第一神经网络模型和第二神经网络模型，提取立体心电图包含的电位方向和幅值变化；将第一神经网络模型和第二神经网络模型的输出结果输入至第三神经网络模型进行特征融合；根据融合的结果对立体心电图进行分类，有效缓解了传统诊断心电图时因波形特征点不明确造成的诊断结论错误的技术问题。

进一步，第一神经网络模型包括多个卷积网络和第一全连接层；其中，多个卷积网络包括提取分别投影到XY、YZ、XZ的二维平面上的心电向量图的第一卷积网络、第二卷积网络和第三卷积网络；以及，融合第一卷积网络、第二卷积网络和第三卷积网络的输出结果的第四卷积网络、第五卷积网络和第六卷积网络；第一卷积网络和第二卷积网络的输出结果输入至第四卷积网络；第一卷积网络和第三卷积网络的输出结果输入至第五卷积网络；第二卷积网络和第三卷积网络的输出结果输入至第六卷积网络；第四卷积网络、第五卷积网络和第六卷积网络的输出结果输入至第一全连接层。

为了便于对第一神经网络模型结构的理解，图3示出了一种利用第一神经网络模型提取特征的示意图，如图3所示，CNN1(Convolutional Neural Networks，卷积神经网络)到CNN 5分别表示上述第一卷积网络到第五卷积网络。优选地，CNN1、CNN2以及CNN3每个卷积神经网络的结构参数设置为：

(1)第一层卷积：卷积核大小为1×3，步长设为2，卷积核的个数为16，输出为1×2498×16，激活函数为relu；

(2)第一层池化：采用1×2的平均池化，输出为1×1249×16；

(3)第二层卷积：卷积核大小为1×3，步长设为2，卷积核的个数为32，输出为1×622×32，激活函数为relu；

(4)第二层池化：采用1×2的平均池化，输出为1×311×32；

(5)第三层卷积：卷积核大小为1×3，步长设为2，卷积核的个数为64，输出为1×154×64，激活函数为relu；

(6)第三层池化：采用1×2的平均池化，输出为1×77×64；

(7)第四层卷积：卷积核大小为1×3，步长设为2，卷积核的个数为128，输出为1×36×128，激活函数为relu；

(8)第四层池化：采用1×2的平均池化，输出为1×19×128。

CNN4、CNN5以及CNN6每个卷积神经网络的结构参数设置为：

(1)第一层卷积：卷积核大小为2×2，步长设为1，卷积核的个数为256，输出为2×18×256，激活函数为relu；

(2)第一层池化：采用2×2的平均池化，输出为2×9；

(3)第二层卷积：卷积核大小为2×2，步长设为1，卷积核的个数为512，输出为2×9×512，激活函数为relu。

第一全连接层的结构参数设置为：卷积核个数为512，激活函数为relu。

具体实现时，CNN1、CNN2以及CNN3分别对额面时间心电向量图、侧面时间心电向量图以及横面时间心电向量图进行特征提取，提取时间心电向量图中包含的电位方向和幅值变化的特征，在将CNN1和CNN2的输出结果输入至CNN4，CNN1和CNN3的输出结果输入至CNN5，CNN2和CNN3的输出结果输入至CNN6，进一步进行不同平面的特征融合提取；最后，将CNN4、CNN5以及CNN6提取出的特征结果输入至第一全连接层中进行特征融合。本发明实施例，不对第一神经网络模型的结构设置以及各个卷积神经网络的参数设置进行限定。

其中，第二神经网络模型包括三维卷积网络和与三维卷积网络连接的第二全连接层。

具体实现时，为了便于对第二神经网络模型结构的理解，图4示出了一种利用第二神经网络模型提取特征的示意图，如图4所示，将Frank导联体系得到的X、Y、Z轴的时序心电信号，即将立体心电环的Vx、Vy以及Vz这3个导联心电信号输入至三维卷积网络中提取X、Y、Z三个轴之间的关系特征，并将提取出的关系特征输入至第二全连接层中进行特征融合。输入信号为(Vx，Vy，Vz)10s信号，优选地，将三维卷积网络的结构参数设置为：

(1)第一层卷积：卷积核大小为5×5×5，步长设为1，卷积核的个数为16，输出为1000×1000×1000，激活函数为relu；

(2)第一层池化：采用2×2×2的平均池化，输出为500×500×500；

(3)第二层卷积：卷积核大小为5×5×5，步长设为1，卷积核的个数为32，输出为100×100×100，激活函数为relu；

(4)第二层池化：采用2×2×2的平均池化，输出为50×50×50；

(5)第三层卷积：卷积核大小为5×5×5，步长设为1，卷积核的个数为64，输出为10×10×10，激活函数为relu；

(6)第三层池化：采用2×2×2的平均池化，输出为5×5×5。

第二全连接层的结构参数设置为：卷积核个数为512，激活函数为relu。本发明实施例，不对第二神经网络模型的参数设置进行限定。

在实际应用时，第三神经网络模型包括依次连接的第三全连接层、第四全连接层和输出分类层。

为了便于对第三神经网络模型结构的理解，图5示出了一种利用第三神经网络模型分类的示意图，如图5所示，将第一神经网络模型的第一全连接层和第二神经网络模型的第二全连接层与第三全连接层连接，第三全连接层连接第四全连接层，第四全连接层和输出分类层进行连接。优选地，将第三全连接层的结构参数设置为：卷积核个数为1024，激活函数为relu；将第四全连接层的结构参数设置为：卷积核个数为2048，激活函数为sigmoid；本发明实施例，不对第三神经网络模型的参数设置进行限定。

实施例二：

在上述实施例的基础上，本发明实施例还提供了一种向量心电图分类装置，如图6所示的一种向量心电图分类装置的结构示意图，该装置包括：

获取模块602，用于获取待分类的立体心电图，将立体心电图分别投影到当前导联***的二维平面上，生成立体心电图对应的心电向量图；以及，

第一提取模块604，用于提取待分类的立体心电图中包含的立体心电环；

第二提取模块606，用于将心电向量图和立体心电环分别输入至第一神经网络模型和第二神经网络模型，提取立体心电图包含的电位方向和幅值变化；

融合模块608，用于将第一神经网络模型和第二神经网络模型的输出结果输入至第三神经网络模型进行特征融合；

分类模块610，用于根据融合的结果对立体心电图进行分类；其中，第一神经网络模型、第二神经网络模型和第三神经网络模型为通过携带有诊断标记的心电图样本进行训练得到的心电数据分类模型。

其中，立体心电图是在Frank导联体系下采集的心电信号；获取模块还用于：获取Frank导联体系包括的坐标轴上的电位变化，生成立体心电图，其中，坐标轴包括相互垂直的X轴、Y轴和Z轴。

进一步，心电向量图为立体心电图分别投影到XY、YZ、XZ二维平面上生成的。

本发明实施例提供的向量心电图分类装置，与上述实施例提供的向量心电图分类方法具有相同的技术特征，所以也能解决相同的技术问题，达到相同的技术效果。

本发明实施例还提供一种计算机存储介质，其中，用于存储计算机程序指令，当计算机执行计算机程序指令时，执行上述的方法。

本发明实施例所提供的向量心电图分类方法及装置的计算机程序产品，包括存储了程序代码的计算机可读存储介质，所述程序代码包括的指令可用于执行前面方法实施例中所述的方法，具体实现可参见方法实施例，在此不再赘述。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的装置的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，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)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

最后应说明的是：以上实施例，仅为本发明的具体实施方式，用以说明本发明的技术方案，而非对其限制，本发明的保护范围并不局限于此，尽管参照前述实施例对本发明进行了详细的说明，本领域技术人员应当理解：任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。

Claims (10)

1.一种向量心电图分类方法，其特征在于，所述方法包括：

获取待分类的立体心电图，将所述立体心电图分别投影到当前导联***的二维平面上，生成所述立体心电图对应的心电向量图；以及，

提取待分类的所述立体心电图中包含的立体心电环；

将所述心电向量图和所述立体心电环分别输入至第一神经网络模型和第二神经网络模型，提取所述立体心电图包含的电位方向和幅值变化；

将所述第一神经网络模型和所述第二神经网络模型的输出结果输入至第三神经网络模型进行特征融合；

根据融合的结果对所述立体心电图进行分类；

其中，所述第一神经网络模型、所述第二神经网络模型和所述第三神经网络模型为通过携带有诊断标记的心电图样本进行训练得到的心电数据分类模型。

2.根据权利要求1所述的方法，其特征在于，所述立体心电图是在Frank导联体系下采集的心电信号；

所述获取待分类的立体心电图的步骤包括：

获取所述Frank导联体系包括的坐标轴上的电位变化，生成立体心电图，其中，所述坐标轴包括相互垂直的X轴、Y轴和Z轴。

3.根据权利要求2所述的方法，其特征在于，所述心电向量图为所述立体心电图分别投影到XY、YZ、XZ二维平面上生成的。

4.根据权利要求3所述的方法，其特征在于，所述第一神经网络模型包括多个卷积网络和第一全连接层；

其中，多个所述卷积网络包括提取分别投影到XY、YZ、XZ的二维平面上的所述心电向量图的第一卷积网络、第二卷积网络和第三卷积网络；以及，融合所述第一卷积网络、所述第二卷积网络和所述第三卷积网络的输出结果的第四卷积网络、第五卷积网络和第六卷积网络；

所述第一卷积网络和所述第二卷积网络的输出结果输入至所述第四卷积网络；

所述第一卷积网络和所述第三卷积网络的输出结果输入至所述第五卷积网络；

所述第二卷积网络和所述第三卷积网络的输出结果输入至所述第六卷积网络；

所述第四卷积网络、所述第五卷积网络和所述第六卷积网络的输出结果输入至所述第一全连接层。

5.根据权利要求1所述的方法，其特征在于，所述第二神经网络模型包括三维卷积网络和与所述三维卷积网络连接的第二全连接层。

6.根据权利要求1所述的方法，其特征在于，所述第三神经网络模型包括依次连接的第三全连接层、第四全连接层和输出分类层。

7.一种向量心电图分类装置，其特征在于，所述装置包括：

获取模块，用于获取待分类的立体心电图，将所述立体心电图分别投影到当前导联***的二维平面上，生成所述立体心电图对应的心电向量图；以及，

第一提取模块，用于提取待分类的所述立体心电图中包含的立体心电环；

第二提取模块，用于将所述心电向量图和所述立体心电环分别输入至第一神经网络模型和第二神经网络模型，提取所述立体心电图包含的电位方向和幅值变化；

融合模块，用于将所述第一神经网络模型和所述第二神经网络模型的输出结果输入至第三神经网络模型进行特征融合；

分类模块，用于根据融合的结果对所述立体心电图进行分类；

其中，所述第一神经网络模型、所述第二神经网络模型和所述第三神经网络模型为通过携带有诊断标记的心电图样本进行训练得到的心电数据分类模型。

8.根据权利要求7所述的装置，其特征在于，所述立体心电图是在Frank导联体系下采集的心电信号；

所述获取模块还用于：

获取所述Frank导联体系包括的坐标轴上的电位变化，生成立体心电图，其中，所述坐标轴包括相互垂直的X轴、Y轴和Z轴。

9.根据权利要求8所述的装置，其特征在于，所述心电向量图为所述立体心电图分别投影到XY、YZ、XZ二维平面上生成的。

10.一种计算机存储介质，其特征在于，用于存储计算机程序指令，当计算机执行所述计算机程序指令时，执行如权利要求1～6任一项所述的方法。