CN114886404B - 一种电子设备、装置及存储介质 - Google Patents
一种电子设备、装置及存储介质 Download PDFInfo
- Publication number
- CN114886404B CN114886404B CN202210818321.7A CN202210818321A CN114886404B CN 114886404 B CN114886404 B CN 114886404B CN 202210818321 A CN202210818321 A CN 202210818321A CN 114886404 B CN114886404 B CN 114886404B
- Authority
- CN
- China
- Prior art keywords
- feature vector
- vector
- fusion
- fused
- feature
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 239000013598 vector Substances 0.000 claims abstract description 491
- 230000033764 rhythmic process Effects 0.000 claims abstract description 158
- 230000004927 fusion Effects 0.000 claims abstract description 84
- 238000005070 sampling Methods 0.000 claims abstract description 25
- 238000000034 method Methods 0.000 claims description 50
- 230000000747 cardiac effect Effects 0.000 claims description 40
- 230000015654 memory Effects 0.000 claims description 28
- 238000000605 extraction Methods 0.000 claims description 24
- 230000006835 compression Effects 0.000 claims description 22
- 238000007906 compression Methods 0.000 claims description 22
- 238000011176 pooling Methods 0.000 claims description 18
- 238000004590 computer program Methods 0.000 claims description 13
- 238000012545 processing Methods 0.000 abstract description 8
- 230000006870 function Effects 0.000 description 26
- 238000013527 convolutional neural network Methods 0.000 description 19
- 238000010586 diagram Methods 0.000 description 19
- 230000004913 activation Effects 0.000 description 13
- 206010003119 arrhythmia Diseases 0.000 description 8
- 230000006793 arrhythmia Effects 0.000 description 8
- 238000004891 communication Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 8
- 238000004364 calculation method Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 6
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 5
- 101150060512 SPATA6 gene Proteins 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 238000013480 data collection Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 3
- 201000010099 disease Diseases 0.000 description 3
- 230000036541 health Effects 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 230000000306 recurrent effect Effects 0.000 description 3
- 208000024172 Cardiovascular disease Diseases 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000001413 cellular effect Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 208000019622 heart disease Diseases 0.000 description 2
- MYWUZJCMWCOHBA-VIFPVBQESA-N methamphetamine Chemical compound CN[C@@H](C)CC1=CC=CC=C1 MYWUZJCMWCOHBA-VIFPVBQESA-N 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 239000010754 BS 2869 Class F Substances 0.000 description 1
- 206010006578 Bundle-Branch Block Diseases 0.000 description 1
- 206010049418 Sudden Cardiac Death Diseases 0.000 description 1
- 206010047289 Ventricular extrasystoles Diseases 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000003190 augmentative effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000010247 heart contraction Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000006386 memory function Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000007500 overflow downdraw method Methods 0.000 description 1
- 230000004962 physiological condition Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 230000000087 stabilizing effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000002861 ventricular Effects 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
- A61B5/024—Detecting, measuring or recording pulse rate or heart rate
- A61B5/0245—Detecting, measuring or recording pulse rate or heart rate by using sensing means generating electric signals, i.e. ECG signals
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Cardiology (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Signal Processing (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Physiology (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Psychiatry (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请公开了一种电子设备、装置及存储介质，涉及医学信号处理技术领域。本申请中，对目标对象在设定时间范围内的心律数据的波形特征进行特征提取，获得相应的原始特征向量集；接着，分别按照预设的两种向量元素采样方式，获得相应的第一特征向量集和第二特征向量集；进一步地，对原始特征向量集、第一特征向量集和第二特征向量集进行融合，获得相应的融合特征向量集，从而基于融合特征向量集中，各个融合特征向量各自包含的向量元素之间的元素相关度，确定各个融合特征向量各自的分类权重；最终，基于各个融合特征向量及其各自对应的分类权重，确定心律数据的心律类别。采用这种方式，提高了心律数据分类的准确度。
Description
技术领域
本申请涉及医学信号处理技术领域，尤其涉及一种电子设备、装置及存储介质。
背景技术
近来年，随着物质水平的不断提升，人们越来越重视自身的健康状况。在各类疾病中，心脏病不仅是一种较为常见的疾病类型，更对人的生命健康造成了较大的威胁。
心电图（Electrocardiogram，ECG）可以客观反映心脏各部位的生理状况和工作状态，是诊断心律失常疾病的重要手段和主要依据，然而，心电图的识别仍然需要经验丰富的医务人员才能准确的诊断出心律失常的类别。因此，利用智能医疗设备以及相关算法，实现及时监控当前病人的心脏跳动状态，并对其心律进行自动分类，具有很强的现实意义。
在现有技术中，为了实现对心律的自动分类，在获取到心电图包含的心电信号之后，对其进行归一化处理，获得相应的心律数据，在此基础上，基于卷积神经网络（Convolutional Neural Networks，CNN）模型和编码-解码模型构建的心律数据分类模块，对心律数据进行特征提取，获得相应的心律特征信息，从而根据获得的心律特征信息，完成对心律数据的分类。
然而，采用上述的心律数据分类方法，通过心律数据模块，完成对心律数据的分类，会因卷积神经网络模型和编码-解码模型融合的特征提取能力不够，从而导致对心律数据的分类不准确。
因此，采用上述方式，心律数据分类的准确度较低。
发明内容
本申请实施例提供了一种电子设备、装置及存储介质，用以提高心律数据分类的准确度。
第一方面，本申请实施例提供了一种电子设备，包括存储器，处理器及存储在存储器上并可在处理器运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时，实现如下心律数据分类方法：
获取目标对象在设定时间范围内的心律数据，并对心律数据的波形特征进行特征提取，获得相应的原始特征向量集；
分别按照预设的两种向量元素采样方式，对原始特征向量集包含的各个原始特征向量进行特征压缩，获得相应的第一特征向量集和第二特征向量集；
对原始特征向量集、第一特征向量集和第二特征向量集进行融合，获得相应的融合特征向量集；
基于融合特征向量集中，各个融合特征向量各自包含的向量元素之间的元素相关度，确定各个融合特征向量各自的分类权重；
基于各个融合特征向量及其各自对应的分类权重，确定心律数据的心律类别。
第二方面，本申请实施例还提供了一种心律数据分类装置，所述装置包括：
获取模块，用于获取目标对象在设定时间范围内的心律数据，并对心律数据的波形特征进行特征提取，获得相应的原始特征向量集；
压缩模块，用于分别按照预设的两种向量元素采样方式，对原始特征向量集包含的各个原始特征向量进行特征压缩，获得相应的第一特征向量集和第二特征向量集；
融合模块，用于对原始特征向量集、第一特征向量集和第二特征向量集进行融合，获得相应的融合特征向量集；
配置模块，用于基于融合特征向量集中，各个融合特征向量各自包含的向量元素之间的元素相关度，确定各个融合特征向量各自的分类权重；
识别模块，用于基于各个融合特征向量及其各自对应的分类权重，确定心律数据的心律类别。
在一种可能的实施例中，在分别按照预设的两种向量元素采样方式，对原始特征向量集包含的各个原始特征向量进行特征压缩，获得相应的第一特征向量集和第二特征向量集时，所述压缩模块具体用于：
基于两种向量元素采样方式，对各个原始特征向量进行全局平均池化，获得第一语义信息集，以及对各个原始特征向量进行全局最大池化，获得第二语义信息集；
基于第一语义信息集，生成第一特征向量集，以及基于第二语义信息集，生成第二特征向量集。
在一种可能的实施例中，在基于融合特征向量集中，各个融合特征向量各自包含的向量元素之间的元素相关度时，所述配置模块具体用于：
针对各个融合特征向量，分别执行以下操作：
获取一个融合特征向量包含的各个向量元素，并分别对各个向量元素各自的元素名称进行语义提取，获得各个元素名称各自的语义信息；
针对各个元素名称，分别执行以下操作：
分别对一个元素名称的语义信息，与其他元素名称的语义信息进行语义相似度比对，获得至少一个语义相似度；
基于获得的至少一个语义相似度，分别确定一个元素名称对应的向量元素，与其他向量元素之间的元素相关度。
在一种可能的实施例中，在基于融合特征向量集中，各个融合特征向量各自包含的向量元素之间的元素相关度，确定各个融合特征向量各自的分类权重时，所述配置模块具体用于：
针对各个融合特征向量，分别执行以下操作：
分别获取一个融合特征向量包含的各个向量元素，各自对应的至少一个元素相关度；每个元素相关度表征：相应的向量元素与其他向量元素中的一个向量元素之间的关联程度；
基于各个向量元素各自对应的至少一个各个元素相关度，分别获得各个向量元素各自对应的子分类权重；
基于获得的各个子分类权重，以及各个向量元素各自的元素值，获得一个融合特征向量的分类权重。
在一种可能的实施例中，在基于各个融合特征向量及其各自对应的分类权重，确定心律数据的心律类别时，所述识别模块具体用于：
分别确定各个融合特征向量各自对应的分类权重，各自归属的融合特征权重区间；
基于获得的各个融合特征权重区间，以及预设的融合特征权重区间与心律类别之间的对应关系，确定心律数据的心律类别。
第三方面，提出了一种电子设备，其包括处理器和存储器，其中，所述存储器存储有程序代码，当所述程序代码被所述处理器执行时，使得所述处理器执行上述第一方面所述的心律数据分类方法的步骤。
第四方面，提供一种计算机程序产品，所述计算机程序产品在被计算机调用时，使得所述计算机执行如第一方面所述的心律数据分类方法的步骤。
本申请有益效果如下：
在本申请实施例所提供的电子设备中，获取目标对象在设定时间范围内的心律数据，并对心律数据的波形特征进行特征提取，获得相应的原始特征向量集；接着，分别按照预设的两种向量元素采样方式，对原始特征向量集包含的各个原始特征向量进行特征压缩，获得相应的第一特征向量集和第二特征向量集；进一步地，对原始特征向量集、第一特征向量集和第二特征向量集进行融合，获得相应的融合特征向量集，从而基于融合特征向量集中，各个融合特征向量各自包含的向量元素之间的元素相关度，确定各个融合特征向量各自的分类权重；最终，基于各个融合特征向量及其各自对应的分类权重，确定心律数据的心律类别。
采用这种方式，对原始特征向量集、第一特征向量集和第二特征向量集进行融合，获得相应的融合特征向量集，从而基于融合特征向量集中，各个融合特征向量各自包含的向量元素之间的元素相关度，确定各个融合特征向量各自的分类权重，进而基于各个融合特征向量及其各自对应的分类权重，确定心律数据的心律类别，避免了现有技术中，因卷积神经网络模型和编码-解码模型融合的特征提取能力不够，从而导致对心律数据的分类不准确的技术弊端，故而，提高了心律数据分类的准确度。
此外，本申请的其它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，通过实施本申请而了解。本申请的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简要介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。在附图中：
图1示例性示出了本申请实施例适用的***架构的一个可选的示意图；
图2示例性示出了本申请实施例提供的一种心律数据分类方法的整体实施流程示意图；
图3示例性示出了本申请实施例提供的一种心律数据分类方法的方法实施流程图；
图4示例性示出了本申请实施例提供的一种卷积神经网络模型的组成结构示意图；
图5示例性示出了本申请实施例提供的一种获得第一特征向量集和第二特征向量集的逻辑示意图；
图6示例性示出了本申请实施例提供的序列到序列网络模型的组成结构示意图；
图7示例性示出了本申请实施例提供的一种获取元素相关度的具体应用场景示意图；
图8示例性示出了本申请实施例提供的一种确定融合特征向量的分类权重的方法实施流程图；
图9示例性示出了本申请实施例提供的确定心律数据的心律类别的具体应用场景示意图；
图10示例性示出了本申请实施例提供的一种基于图3的具体应用场景示意图；
图11示例性示出了本申请实施例提供的一种心律数据分类装置的结构示意图；
图12示例性示出了本申请实施例提供的一种电子设备的结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请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申请技术方案的一部分实施例，而不是全部的实施例。基于本申请文件中记载的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请技术方案保护的范围。
需要说明的是，在本申请的描述中“多个”理解为“至少两个”。“和/或”，描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。A与B连接，可以表示：A与B直接连接和A与B通过C连接这两种情况。另外，在本申请的描述中，“第一”、“第二”等词汇，仅用于区分描述的目的，而不能理解为指示或暗示相对重要性，也不能理解为指示或暗示顺序。
此外，本申请技术方案中，对数据的采集、传播、使用等，均符合国家相关法律法规要求。
下面对本申请实施例的设计思想进行简要介绍：
近年来，心血管疾病已成为威胁人们身体健康的重要疾病之一，其患病率与致死率逐年增加，其中，大部分的心血管疾病的发生，通常都伴随着心律失常，即心律失常是诱发心脏病和心脏猝死的一个重要原因。
鉴于ECG可以客观反映心脏各部位的生理状况和工作状态，故而，ECG可作为诊断心律失常疾病的重要手段和主要依据，然而，EFC的识别仍然需要经验丰富的医务人员才能准确的诊断出心律失常的类别。但即使是经验丰富的义务人员，仍可能对心律数据做出误判，并且，由于ECG的数据量庞大，医务人员有限，由于不可避免的疲劳等因素，会进一步加剧对心律数据的误判。
此外，为了减缓医务人员的工作压力，出现了各种各样的心律数据自动分类的相关技术，然而，现有的心律数据自动分类技术，对心律数据的特征提取能力不够；因此，亟需一种提高心律数据的特征提取能力的心律数据分类方法，从而提高心律数据分类的准确度。
有鉴于此，本申请实施例中提供了一种电子设备执行的心律数据分类方法，具体包括：获取目标对象在设定时间范围内的心律数据，并对心律数据的波形特征进行特征提取，获得相应的原始特征向量集；接着，分别按照预设的两种向量元素采样方式，对原始特征向量集包含的各个原始特征向量进行特征压缩，获得相应的第一特征向量集和第二特征向量集；进一步地，对原始特征向量集、第一特征向量集和第二特征向量集进行融合，获得相应的融合特征向量集，从而基于融合特征向量集中，各个融合特征向量各自包含的向量元素之间的元素相关度，确定各个融合特征向量各自的分类权重；最终，基于各个融合特征向量及其各自对应的分类权重，确定心律数据的心律类别；此外，为了便于描述与理解，在本申请实施例中，电子设备可以为执行心律数据分类方法的服务器。
特别地，以下结合说明书附图对本申请的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本申请，并不用于限定本申请，并且在不冲突的情况下，本申请实施例及实施例中的特征可以相互组合。
参阅图1所示，其为本申请实施例提供的一种***架构示意图，该***架构包括：服务器101、终端设备102和数据采集设备103。服务器101和终端设备102之间可通过通信网络进行信息交互，其中，通信网络采用的通信方式可包括：无线通信方式和有线通信方式；终端设备102与数据采集设备103连接，数据采集设备103采集到的心律数据发送给终端设备102。
示例性的，服务器101可通过蜂窝移动通信技术接入网络，与终端设备102进行通信，其中，所述蜂窝移动通信技术，比如，包括第五代移动通信（5th Generation MobileNetworks，5G）技术。
可选的，服务器101可通过短距离无线通信方式接入网络，与终端设备102进行通信，其中，所述短距离无线通信方式，比如，包括无线保真（Wireless Fidelity，Wi-Fi）技术。
本申请实施例对上述设备的数量不做任何限制，如图1所示，仅以服务器101、终端设备102和数据采集设备103为例进行描述，下面对上述各设备及其各自的功能进行简要介绍。
服务器101可以是独立的物理服务器，也可以是多个物理服务器构成的服务器集群或者分布式***，还可以是提供云服务、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。
值得提出的是，在本申请实施例中，服务器101用于获取目标对象在设定时间范围内的心律数据，并对心律数据的波形特征进行特征提取，获得相应的原始特征向量集；接着，分别按照预设的两种向量元素采样方式，对原始特征向量集包含的各个原始特征向量进行特征压缩，获得相应的第一特征向量集和第二特征向量集；进一步地，对原始特征向量集、第一特征向量集和第二特征向量集进行融合，获得相应的融合特征向量集，从而基于融合特征向量集中，各个融合特征向量各自包含的向量元素之间的元素相关度，确定各个融合特征向量各自的分类权重；最终，基于各个融合特征向量及其各自对应的分类权重，确定心律数据的心律类别。
示例性的，参阅图2所示，其为本申请实施例提供的一种心律数据分类方法的整体实施流程图，服务器可基于预先训练后的卷积神经网络模型和序列到序列网络模型，去确定在设定时间范围内，获取到的目标对象的心律数据的心律类别，其中，序列到序列网络模型也可称之为编码-解码模型；此外，在本申请实施例中，心律数据根据心电节拍可分为五种心律：N类（正常或者束支传导阻滞节拍）、S类（室上性异常节拍）、V类（心室异常节拍）、F类（融合节拍）和Q类（末能分类节拍）。
需要说明的是，服务器在执行上述心律数据分类的方法步骤时，采用带有通道注意力的卷积神经网络提取特征，再送入到带有全局注意力的序列到序列网络模型中进行分类，通过引入双注意力机制，提高对心律数据的特征提取能力。
终端设备102是一种可以向用户提供语音和/或数据连通性的设备，包括：具有无线连接功能的手持式终端设备、车载终端设备等。
示例性的，终端设备102包括但不限于：手机、平板电脑、笔记本电脑、掌上电脑、移动互联网设备（Mobile Internet Device，MID）、可穿戴设备，虚拟现实（Virtual Reality，VR）设备、增强现实（Augmented Reality，AR）设备、工业控制中的无线终端设备、无人驾驶中的无线终端设备、智能电网中的无线终端设备、运输安全中的无线终端设备、智慧城市中的无线终端设备，或智慧家庭中的无线终端设备等。
此外，终端设备102上可以安装有相关的客户端，该客户端可以是软件（例如，APP、浏览器、短视频软件等），也可以是网页、小程序等。在本申请实施例中，心律数据可由终端设备102发送至服务器101。
数据采集设备103用于获取数据和记录信息，通过相应的传感器可以将采集的信号转换成模拟的电信号，进而转换为数字信号存储起来，进行预处理的设备。包括具有无线连接功能的手持式数据采集设备、头戴式数据采集设备以及固定式数据采集设备等。
示例性的，数据采集设备103可以是：批处理数据采集器、工业数据采集器、射频识别（Radio Frequency Identification，RFID）数据采集器，以及其他带有数据采集功能的数据采集设备（手机、平板电脑等），数据采集卡等。
需要说明的是，本申请实施例中，数据采集设备103以心电仪作为例子进行描述，其中，心电仪能够实时采集目标对象的心律数据，并将采集到的心律数据上传给终端设备102。
下面结合上述的***架构，以及参考附图来描述本申请示例性实施方式提供的心律数据分类方法，需要注意的是，上述***架构仅是为了便于理解本申请的精神和原理而示出，本申请的实施方式在此方面不受任何限制。
参阅图3所示，其为本申请实施例提供的一种心律数据分类方法的方法实施流程图，执行主体以服务器为例，该方法的具体实施流程如下：
S301：获取目标对象在设定时间范围内的心律数据，并对心律数据的波形特征进行特征提取，获得相应的原始特征向量集。
具体的，在执行步骤S301时，服务器获取到数据采集设备在设定时间范围内，采集到的目标对象的心律数据之后，便可基于带有通道注意力的卷积神经网络模型，对心律数据的波形特征进行特征提取，从而获得相应的原始特征向量集。
其中，参阅图4所示，卷积神经网络模型主要由两个模块组成，具体包括：CMC模块和ML模块，CMC模块用于卷积计算，提取局部特征，ML模块用于改变原始特征向量集的空间尺寸大小，稳定训练过程，需要说明的是，原始特征向量集可以为相应的原始特征图呈现。
进一步地，CMC模块主要由三个部分组成，分别是：卷积、激活函数和通道注意力，基于上述组成结构，CMC模块首先通过一维卷积，对获取到的心律数据的波形特征进行特征提取，获得原始特征向量集，其中，在每个卷积操作之后，都应用相应的激活函数，增强卷积神经网络模型的非线性表达能力，进而根据通道注意力模块，完成后续对原始特征向量集包含的各个原始特征向量的特征压缩，即提高局部特征提取能力。
需要说明的是，由于Mish激活函数具有无上界，无穷阶连续性和光滑性等优点，能允许信息更好的流入卷积神经网络，增强卷积神经网络模型的准确性和泛化性，故而，在本申请实施例中，激活函数为Mish激活函数，其中，Mish激活函数的具体表达式如下：
其中，x表示输入，tanh（*）为一种常见的激活函数，其输出均值为0，因此，其收敛数据很快，可以减少迭代次数，其中，tanh激活函数的具体表达式如下：
其中，x表示输入。
此外，ML模块主要由两个部分组成，分别是：最大池化和层归一化，基于ML模块的组成结构，可避免经通道注意力模块处理后的原始特征向量集中，各个原始特征向量各自对应的融合特征向量过长，从而增加序列到序列网络模型的计算量和训练时间的技术弊端，并且，在增加融合特征向量集的特征通道数的同时，缩减了空间尺寸，提高了卷积神经网络模型的训练效率；此外，在融合特征向量集的空间尺寸改变的同时，应用层归一化，可以稳定训练过程，加速卷积神经网络模型的收敛速度。
显然，基于上述卷积神经网络模型，对心律数据对应的原始特征向量集，进行了两次降采样操作。
S302：分别按照预设的两种向量元素采样方式，对原始特征向量集包含的各个原始特征向量进行特征压缩，获得相应的第一特征向量集和第二特征向量集。
具体的，参阅图5所示，在执行步骤S302时，服务器在获取到原始特征向量集之后，基于上述两种向量元素采样方式，对各个原始特征向量进行全局平均池化，获得第一语义信息集，以及对各个原始特征向量进行全局最大池化，获得第二语义信息集，从而基于获得的第一语义信息集，生成第一特征向量集，以及基于获得的第二语义信息集，生成第二特征向量集。
示例性的，服务器通过上述卷积神经网络模型中的通道注意力模块，首先，对输入
的原始特征向量集（比如，原始特征图），其中，原始特征图的空间尺寸大小可表示为：
，C表示通道数，H表示高度，W表示宽度；接着，分别使用沿通道轴向的全局平均池化
和全局最大池化，集原始特征图中的空间信息，分别产生两种不同的通道语义信息集，即第
一语义信息集
和第二语音信息集
；进一步地，将第一语义信息集
和第二语音信
息集
，分别送入多层感知机中，生成第一通道特征图（第一特征向量集）和第二通道特
征图（第二特征向量集）。
其中，全局平均池化：若输入特征图大小为H 1×W 1×C 1，对所有通道上的特征进行平均池化，池化层的尺寸大小设为特征图输入大小H 1×W 1，通过下采样输出整个特征图的平均元素，输出大小为1×1×C 1；全局最大池化：输入特征图大小为H 2×W 2×C 2，对所有通道上的特征进行最大池化，池化层的尺寸大小设为特征图输入大小H 1×W 1，通过下采样输出整个特征图的最大元素，输出大小为1×1×C 2。
需要说明的是，由于上述原始特征图中包含的各原始特征的通道数并不多，因此，在上述多层感知机中，只需使用与特征通道数相同的两个全连接层，并且，在每个全连接层之后，都应用Mish激活函数，让卷积神经网络模型学习到更加复杂的非线性关系。
S303：对原始特征向量集、第一特征向量集和第二特征向量集进行融合，获得相应的融合特征向量集。
具体的，在执行步骤S303时，服务器在获得第一特征向量集合第二特征向量集之后，基于预设的特征向量融合方法，将原始特征向量集、第一特征向量集和第二特征向量集进行融合，从而获得相应的融合特征向量集，以便后续序列到序列网络模型进行全局特征提取。
示例性的，服务器基于上述卷积神经网络模型中的通道注意力模块的多层感知机，将与第一语义信息集对应的第一特征向量集和与第二语义信息集对应的第二特征向量集相加，并对其应用Sigmoid激活函数进行归一化，获得第三特征向量集，进而将第三特征向量集通过点乘操作，与原始特征向量集融合，获得相应的融合特征向量集，其中，上述获得第三特征向量集和融合特征向量集的具体过程可表示如下：
其中，X表示原始特征向量集，
表示经通道注意力增强得到的第三特征向量
集， 
表示Sigmoid激活函数，可将输入重新分布为区间在[0，1]内，在二分类的模型可作
为输出层，其输出结果可表示概率，W 表示多层感知机， F GAV 表示全局平均池化，F MAX 表示全
局最大池化，x c表示原始特征向量集X中的原始特征向量，
表示经通道注意力增强后的融
合特征向量集，上述Sigmoid激活函数的具体表达式如下：
其中，x表示输入。
S304：基于融合特征向量集中，各个融合特征向量各自包含的向量元素之间的元素相关度，确定各个融合特征向量各自的分类权重。
具体的，在执行步骤S304时，服务器在基于卷积神经网络模型，获得融合特征向量集之后，便可根据序列到序列网络模型，基于融合特征向量集中，各个融合特征向量各自包含的向量元素之间的元素相关度，确定各个融合特征向量各自的分类权重。
在具体介绍确定各个融合特征向量各自的分类权重的方法之前，先对序列到序列网络模型做简单描述，参阅图6所示，序列到序列模型也是基于循环神经网络的编码-解码模型，序列到序列指的是从序列A到序列B的一种序列转换，将输入序列送入编码器，编码器将输入序列压缩成指定长度的向量，该过程成为编码；解码器以编码器的最后状态作为初始化状态，以上一状态作为输入，将编码器送入的向量再还原成序列，该过程称为解码；最终，便可基于解码器输出的结果，去确定心律数据的心律类别。
需要说明的是，通常会使用递归神经网络（Recurrent Neural Network，RNN）作为编码器与解码器的基本单元，但在深度神经网络中，RNN会受到短时记忆的影响，如果序列长度过长，则较难将信息从较早的时间步送给较后的时间步，导致最终一部分层停止更新参数；此外，在反向传播期间，RNN较易出现梯度消失或***等问题，因此，在本申请实施例中，采用长短期记忆网络（Long Short-Term Memory ，LSTM）来替代RNN，作为序列到序列网络模型中，编码器与解码器的基本单元。
LSTM是一种改进后的循环神经网络，可以解决RNN无法实现长距离依赖的问题，相较于RNN只有一个传递状态h t ，LSTM有两个传递状态：单元状态c t ，与隐藏状态h t 。LSTM通过门控结构，来去除或增加信息到细胞状态，其中，门是一种使信息选择性通过的方式，包含一个Sigmoid激活函数与点乘操作（逐点乘法），LSTM中包含三个门层：遗忘门（forgetgate），输入门（input gate），输出门（output gate）。
可选的，通常编码器与解码器是按照从左到右的顺序处理序列数据，但也可使用双向长短期记忆网络（Bidirectional Long-Short Term Memory，Bi-LSTM），使得序列到序列网络模型可以从两个方向更新参数，不仅能利用过去信息，还能捕捉后续信息；因此，由于Bi-LSTM能更好的利用数据的上下文信息，通常比标准LSTM有着更好的性能表现，故而，在本申请实施例中，可使用Bi-LSTM作为编码器与解码器的基本单元。
紧接着，基于上述的序列到序列网络模型，可获取融合特征向量集中，各个融合特征向量各自包含的向量元素之间的元素相关度，参阅图7所示，针对上述融合特征向量集中，各个融合特征向量，分别执行以下操作：获取一个融合特征向量包含的各个向量元素，并分别对各个向量元素各自的元素名称进行语义提取，获得各个元素名称各自的语义信息；接着，针对各个元素名称，分别执行以下操作：分别对一个元素名称的语义信息，与其他元素名称的语义信息进行语义相似度比对，获得至少一个语义相似度，从而基于获得的至少一个语义相似度，分别确定一个元素名称对应的向量元素，与其他向量元素之间的元素相关度。
示例性的，以一个融合特征向量Fus.Feat.V1为例，假定融合特征向量Fus.Feat.V1包含5个向量元素，即融合特征向量Fus.Feat.V1记为：（Vect.Ele.1，Vect.Ele.2，Vect.Ele.3，Vect.Ele.4，Vect.Ele.5），其中，每一个向量元素均可用相应的Key和Vaule进行表示，Key表示向量元素的元素名称，Vaule表示向量元素的元素值，服务器基于上述的元素相关度获取方法，得到各个向量元素及其各自对应的元素相似度如表1所示：
表1
基于上述表格，服务器可根据一个元素名称的语义信息，与其他元素名称的语义信息，各自对应的至少一个语义相似度，分别确定上述一个元素名称对应的向量元素，与其他向量元素之间的元素相关度，例如，以向量元素Vect.Ele.1为例，向量元素Vect.Ele.1与向量元素Vect.Ele.2、向量元素Vect.Ele.3、向量元素Vect.Ele.4以及向量元素Vect.Ele.5的元素名称之间的语义相似度依次为：88%、76%、98%、83%，则可基于上述获得的四个语义相似度，确认向量元素Vect.Ele.1与向量元素Vect.Ele.2、向量元素Vect.Ele.3、向量元素Vect.Ele.4以及向量元素Vect.Ele.5之间的元素相关度依次为：0.88、0.76、0.98、0.83。
进一步地，服务器在获得融合特征向量集中，各个融合特征向量各自包含的向量元素之间的元素相关度之后，基于融合特征向量集中，各个融合特征向量各自包含的向量元素之间的元素相关度，确定各个融合特征向量各自的分类权重，针对各个融合特征向量，参阅图8所示，其为本申请实施例提供的一种确定融合特征向量的分类权重的方法实施流程图，该方法的具体实施流程如下：
S3041：分别获取一个融合特征向量包含的各个向量元素，各自对应的至少一个元素相关度。
具体的，在执行步骤S3041时，服务器在基于上述的元素相关度的获取方法，获得了融合特征向量集中，所有向量元素各自对应的至少一个元素相关度之后，便可根据一个融合特征向量的类别信息或者标识信息，从元素相关度集合中，分别获取一个融合特征向量包含的各个向量元素，各自对应的至少一个元素相关度；其中，每个元素相关度表征：相应的向量元素与其他向量元素中的一个向量元素之间的关联程度。
S3042：基于各个向量元素各自对应的至少一个各个元素相关度，分别获得各个向量元素各自对应的子分类权重。
具体的，在执行步骤S3042时，服务器获取到各个向量元素各自对应的至少一个各个元素相关度之后，基于各个向量元素各自对应的至少一个各个元素相关度，分别获得各个向量元素各自对应的子分类权重；其中，子分类权重的计算公式具体如下：
其中，
表示向量元素i的子分类权重，
表示向量元素i与第j个向量元素之间的
元素相关度，
表示向量元素
对应的向量元素的个数。
示例性的，仍以上述向量元素Vect.Ele.1为例，则与向量元素Vect.Ele.2、向量元
素Vect.Ele.3、向量元素Vect.Ele.4以及向量元素Vect.Ele.5之间的元素相关度依次为：
，故而，基于上述子分类权重的计算公式，可得
向量元素Vect.Ele.1的子分类权重
。
S3043：基于获得的各个子分类权重，以及各个向量元素各自的元素值，获得一个融合特征向量的分类权重。
具体的，在执行步骤S3043时，服务器在获得各个向量元素各自对应的子分类权重之后，便可基于获得的各个子分类权重，各个向量元素各自的元素值，以及预设的融合特征向量的分类权重计算公式，获得上述一个融合特征向量的分类权重，其中，分类权重计算公式具体如下：
其中，
表示上述一个融合特征向量的分类权重，
表示向量元素i的子分类权
重，
表示向量元素i的元素值，m表示上述一个融合特征向量包含的向量元素个数。
显然，采用上述方式，有效地避免了传统序列到序列网络模型中，序列里的所有内容享有相同的重要程度，然而在实际任务中并不合理：首先，将输入转换为词向量已经会损失一部分信息，并且在长序列中，不同词向量的重要程度更是大不相同，而引入注意力机制之后，通过对序列内容本身进行概率重加权，能够为每个信息重新分配通过注意力得到的权重信息，即原本相同的中间语义A会被替换为根据当前内容而不断变化的Ai，让模型本身能够学习到更加重要的内容；此外，注意力机制不需要对原有的序列到序列网络模型结构做出改动，且通过增加极少额外参数量与计算量，提升了对全局特征提取和融合能力，有效提升了心律数据分类的准确率。
S305：基于各个融合特征向量及其各自对应的分类权重，确定心律数据的心律类别。
具体的，参阅图9所示，在执行步骤S305时，服务器在确定各个融合特征向量各自的分类权重之后，便可根据预设的融合特征权重区间，分别确定各个融合特征向量各自对应的分类权重，各自归属的融合特征权重区间；接着，基于获得的各个融合特征权重区间，以及预设的融合特征权重区间与心律类别之间的对应关系，确定心律数据的心律类别。
示例性的，以两个融合特征向量为例，则各融合特征权重区间，及其各自对应的心律类别如表2所示：
表2
需要说明的是，上述表格中，融合特征向量Fus.Feat.V1根据预设的融合特征权重区间划分规则，可被划分为两个融合特征权重区间，融合特征向量Fus.Feat.V2根据预设的融合特征权重区间划分规则，可被划分为三个融合特征权重区间；进一步地，服务器在确定融合特征向量Fus.Feat.V1和融合特征向量Fus.Feat.V2各自的分类权重，各自归属的融合特征权重区间之后，便可确定相应心律数据的心律类别。
示例性的，以融合特征向量Fus.Feat.V1的分类权重属于融合特征权重区间1，以及融合特征向量Fus.Feat.V2的分类权重属于融合特征权重区间3为例，则可知上述心律数据属于N类心律。
基于上述的心律数据分类方法，参阅图10所示，其为本申请实施例提供的一种心律数据分类方法的具体应用场景示意图，服务器获取目标对象（比如，人员A）在设定时间范围内（2022.06.25 15:01:27~2022.06.25 15:01:47）内的心律数据Arrhythmia.Data，并对心律数据Arrhythmia.Data的波形特征Wave.Chars进行特征提取，获得相应的原始特征向量集Orig.Eigen.Set；接着，分别按照预设的两种向量元素采样方式（Sampling.Meth1和Sampling.Meth2），对原始特征向量集Orig.Eig.Set包含的各个原始特征向量进行特征压缩，获得相应的第一特征向量集Fri.Eig.Set和第二特征向量集Sec.Eig.Set；进一步地，对原始特征向量集Orig.Eig.Set、第一特征向量集Fri.Eig.Set和第二特征向量集Sec.Eig.Set进行融合，获得相应的融合特征向量集Fus.Eig.Set，从而基于融合特征向量集Fus.Eig.Set中，各个融合特征向量（比如，Fus.Feat.V1和Fus.Feat.V2）各自包含的向量元素之间的元素相关度（比如，融合特征向量Fus.Feat.V1对应的元素相关度Ele.Cor1和Ele.Cor2，以及融合特征向量Fus.Feat.V2对应的元素相关度Ele.Cor3和Ele.Cor4），确定各个融合特征向量各自的分类权重，依次为：0.85和0.76；最终，基于各个融合特征向量（Fus.Feat.V1和Fus.Feat.V2）及其各自对应的分类权重（0.85和0.76），确定心律数据Arrhythmia.Data的心律类别为N类心律。
综上所述，在本申请实施例所提供的电子设备执行的心律数据分类方法中，获取目标对象在设定时间范围内的心律数据，并对心律数据的波形特征进行特征提取，获得相应的原始特征向量集；接着，分别按照预设的两种向量元素采样方式，对原始特征向量集包含的各个原始特征向量进行特征压缩，获得相应的第一特征向量集和第二特征向量集；进一步地，对原始特征向量集、第一特征向量集和第二特征向量集进行融合，获得相应的融合特征向量集，从而基于融合特征向量集中，各个融合特征向量各自包含的向量元素之间的元素相关度，确定各个融合特征向量各自的分类权重；最终，基于各个融合特征向量及其各自对应的分类权重，确定心律数据的心律类别。
采用这种方式，对原始特征向量集、第一特征向量集和第二特征向量集进行融合，获得相应的融合特征向量集，从而基于融合特征向量集中，各个融合特征向量各自包含的向量元素之间的元素相关度，确定各个融合特征向量各自的分类权重，进而基于各个融合特征向量及其各自对应的分类权重，确定心律数据的心律类别，避免了现有技术中，因卷积神经网络模型和编码-解码模型融合的特征提取能力不够，从而导致对心律数据的分类不准确的技术弊端，故而，提高了心律数据分类的准确度。
需要说明的是，服务器根据本申请实施例提供的心律数据分类方法，确定的心律数据的心律类别的准确度，是根据心律类别的识别结果的准确率、敏感度、特异度和精确度得到的，即，本申请实施例提供的心律数据分类方法，提供了心律数据分类的准确率、敏感度、特异度和精确度。
进一步地，基于相同的技术构思，本申请实施例还提供了一种心律数据分类装置，该心律数据分类装置用以实现本申请实施例的上述的心律数据分类方法流程。参阅图11所示，该心律数据分类装置包括：获取模块1101、压缩模块1102、融合模块1103、配置模块1104以及识别模块1105，其中：
获取模块1101，用于获取目标对象在设定时间范围内的心律数据，并对心律数据的波形特征进行特征提取，获得相应的原始特征向量集；
压缩模块1102，用于分别按照预设的两种向量元素采样方式，对原始特征向量集包含的各个原始特征向量进行特征压缩，获得相应的第一特征向量集和第二特征向量集；
融合模块1103，用于对原始特征向量集、第一特征向量集和第二特征向量集进行融合，获得相应的融合特征向量集；
配置模块1104，用于基于融合特征向量集中，各个融合特征向量各自包含的向量元素之间的元素相关度，确定各个融合特征向量各自的分类权重；
识别模块1105，用于基于各个融合特征向量及其各自对应的分类权重，确定心律数据的心律类别。
在一种可能的实施例中，在分别按照预设的两种向量元素采样方式，对原始特征向量集包含的各个原始特征向量进行特征压缩，获得相应的第一特征向量集和第二特征向量集时，所述压缩模块1102具体用于：
基于两种向量元素采样方式，对各个原始特征向量进行全局平均池化，获得第一语义信息集，以及对各个原始特征向量进行全局最大池化，获得第二语义信息集；
基于第一语义信息集，生成第一特征向量集，以及基于第二语义信息集，生成第二特征向量集。
在一种可能的实施例中，在基于融合特征向量集中，各个融合特征向量各自包含的向量元素之间的元素相关度时，所述配置模块1104具体用于：
针对各个融合特征向量，分别执行以下操作：
获取一个融合特征向量包含的各个向量元素，并分别对各个向量元素各自的元素名称进行语义提取，获得各个元素名称各自的语义信息；
针对各个元素名称，分别执行以下操作：
分别对一个元素名称的语义信息，与其他元素名称的语义信息进行语义相似度比对，获得至少一个语义相似度；
基于获得的至少一个语义相似度，分别确定一个元素名称对应的向量元素，与其他向量元素之间的元素相关度。
在一种可能的实施例中，在基于融合特征向量集中，各个融合特征向量各自包含的向量元素之间的元素相关度，确定各个融合特征向量各自的分类权重时，所述配置模块1104具体用于：
针对各个融合特征向量，分别执行以下操作：
分别获取一个融合特征向量包含的各个向量元素，各自对应的至少一个元素相关度；每个元素相关度表征：相应的向量元素与其他向量元素中的一个向量元素之间的关联程度；
基于各个向量元素各自对应的至少一个各个元素相关度，分别获得各个向量元素各自对应的子分类权重；
基于获得的各个子分类权重，以及各个向量元素各自的元素值，获得一个融合特征向量的分类权重。
在一种可能的实施例中，在基于各个融合特征向量及其各自对应的分类权重，确定心律数据的心律类别时，所述识别模块1105具体用于：
分别确定各个融合特征向量各自对应的分类权重，各自归属的融合特征权重区间；
基于获得的各个融合特征权重区间，以及预设的融合特征权重区间与心律类别之间的对应关系，确定心律数据的心律类别。
基于相同的技术构思，本申请实施例还提供了一种电子设备，该电子设备可实现本申请上述实施例提供的心律数据分类方法流程。在一种实施例中，该电子设备可以是服务器，也可以是终端设备或其他电子设备。如图12所示，该电子设备可包括：
至少一个处理器1201，以及与至少一个处理器1201连接的存储器1202，本申请实施例中不限定处理器1201与存储器1202之间的具体连接介质，图12中是以处理器1201和存储器1202之间通过总线1200连接为例。总线1200在图12中以粗线表示，其它部件之间的连接方式，仅是进行示意性说明，并不引以为限。总线1200可以分为地址总线、数据总线、控制总线等，为便于表示，图12中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。或者，处理器1201也可以称为控制器，对于名称不做限制。
在本申请实施例中，存储器1202存储有可被至少一个处理器1201执行的指令，至少一个处理器1201通过执行存储器1202存储的指令，可以执行前文论述的一种心律数据分类方法。处理器1201可以实现图11所示的装置中各个模块的功能。
其中，处理器1201是该装置的控制中心，可以利用各种接口和线路连接整个该控制设备的各个部分，通过运行或执行存储在存储器1202内的指令以及调用存储在存储器1202内的数据，该装置的各种功能和处理数据，从而对该装置进行整体监控。
在一种可能的设计中，处理器1201可包括一个或多个处理单元，处理器1201可集成应用处理器和调制解调处理器，其中，应用处理器主要处理操作***、用户界面和应用程序等，调制解调处理器主要处理无线通信。可以理解的是，上述调制解调处理器也可以不集成到处理器1201中。在一些实施例中，处理器1201和存储器1202可以在同一芯片上实现，在一些实施例中，它们也可以在独立的芯片上分别实现。
处理器1201可以是通用处理器，例如CPU、数字信号处理器、专用集成电路、现场可编程门阵列或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件，可以实现或者执行本申请实施例中公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者任何常规的处理器等。结合本申请实施例所公开的一种心律数据分类方法的步骤可以直接体现为硬件处理器执行完成，或者用处理器中的硬件及软件模块组合执行完成。
存储器1202作为一种非易失性计算机可读存储介质，可用于存储非易失性软件程序、非易失性计算机可执行程序以及模块。存储器1202可以包括至少一种类型的存储介质，例如可以包括闪存、硬盘、多媒体卡、卡型存储器、随机访问存储器（Random AccessMemory，RAM）、静态随机访问存储器（Static Random Access Memory，SRAM）、可编程只读存储器（Programmable Read Only Memory，PROM）、只读存储器（Read Only Memory，ROM）、带电可擦除可编程只读存储器（Electrically Erasable Programmable Read-Only Memory，EEPROM）、磁性存储器、磁盘、光盘等等。存储器1202是能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质，但不限于此。本申请实施例中的存储器1202还可以是电路或者其它任意能够实现存储功能的装置，用于存储程序指令和/或数据。
通过对处理器1201进行设计编程，可以将前述实施例中介绍的一种心律数据分类方法所对应的代码固化到芯片内，从而使芯片在运行时能够执行图3所示的实施例的一种心律数据分类方法的步骤。如何对处理器1201进行设计编程为本领域技术人员所公知的技术，这里不再赘述。
基于同一发明构思，本申请实施例还提供一种存储介质，该存储介质存储有计算机指令，当该计算机指令在计算机上运行时，使得计算机执行前文论述的一种心律数据分类方法。
在一些可能的实施方式中，本申请提供一种心律数据分类方法的各个方面还可以实现为一种程序产品的形式，其包括程序代码，当程序产品在装置上运行时，程序代码用于使该控制设备执行本说明书上述描述的根据本申请各种示例性实施方式的一种心律数据分类方法中的步骤。
应当注意，尽管在上文详细描述中提及了装置的若干单元或子单元，但是这种划分仅仅是示例性的并非强制性的。实际上，根据本申请的实施方式，上文描述的两个或更多单元的特征和功能可以在一个单元中具体化。反之，上文描述的一个单元的特征和功能可以进一步划分为由多个单元来具体化。
此外，尽管在附图中以特定顺序描述了本申请方法的操作，但是，这并非要求或者暗示必须按照该特定顺序来执行这些操作，或是必须执行全部所示的操作才能实现期望的结果。附加地或备选地，可以省略某些步骤，将多个步骤合并为一个步骤执行，和/或将一个步骤分解为多个步骤执行。
本领域内的技术人员应明白，本申请的实施例可提供为方法、***、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器、CD-ROM、光学存储器等）上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备（***）、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个服务器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
可使用一种或多种程序设计语言的任意组合来编写用于执行本申请操作的程序代码，程序设计语言包括面向对象的程序设计语言，诸如Java、C++等，还包括常规的过程式程序设计语言，诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算装置上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算装置上部分在远程计算装置上执行、或者完全在远程计算装置或服务器上执行。
在涉及远程计算装置的情形中，远程计算装置可以通过任意种类的网络包括局域网（LAN）或广域网（WAN）连接到用户计算装置，或者，可以连接到外部计算装置（例如，利用因特网服务提供商来通过因特网连接）。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样，倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内，则本申请也意图包含这些改动和变型在内。
Claims (11)
1.一种电子设备，包括存储器，处理器及存储在存储器上并可在处理器运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时，实现如下心律数据分类方法：
获取目标对象在设定时间范围内的心律数据，并对所述心律数据的波形特征进行特征提取，获得相应的原始特征向量集；
分别按照预设的两种向量元素采样方式，对所述原始特征向量集包含的各个原始特征向量进行特征压缩，获得相应的第一特征向量集和第二特征向量集；
对所述原始特征向量集、所述第一特征向量集和所述第二特征向量集进行融合，获得相应的融合特征向量集；
基于所述融合特征向量集中，各个融合特征向量各自包含的向量元素之间的元素相关度，确定所述各个融合特征向量各自的分类权重；
基于所述各个融合特征向量及其各自对应的分类权重，确定所述心律数据的心律类别。
2.如权利要求1所述的电子设备，其特征在于，所述分别按照预设的两种向量元素采样方式，对所述原始特征向量集包含的各个原始特征向量进行特征压缩，获得相应的第一特征向量集和第二特征向量集，包括：
基于所述两种向量元素采样方式，对所述各个原始特征向量进行全局平均池化，获得第一语义信息集，以及对所述各个原始特征向量进行全局最大池化，获得第二语义信息集；
基于所述第一语义信息集，生成所述第一特征向量集，以及基于所述第二语义信息集，生成所述第二特征向量集。
3.如权利要求1所述的电子设备，其特征在于，所述基于所述融合特征向量集中，各个融合特征向量各自包含的向量元素之间的元素相关度，包括：
针对所述各个融合特征向量，分别执行以下操作：
获取一个融合特征向量包含的各个向量元素，并分别对所述各个向量元素各自的元素名称进行语义提取，获得各个元素名称各自的语义信息；
针对所述各个元素名称，分别执行以下操作：
分别对一个元素名称的语义信息，与其他元素名称的语义信息进行语义相似度比对，获得至少一个语义相似度；
基于获得的至少一个语义相似度，分别确定所述一个元素名称对应的向量元素，与其他向量元素之间的元素相关度。
4.如权利要求1-3中任一项所述的电子设备，其特征在于，所述基于所述融合特征向量集中，各个融合特征向量各自包含的向量元素之间的元素相关度，确定所述各个融合特征向量各自的分类权重，包括：
针对所述各个融合特征向量，分别执行以下操作：
分别获取一个融合特征向量包含的各个向量元素，各自对应的至少一个元素相关度；每个元素相关度表征：相应的向量元素与其他向量元素中的一个向量元素之间的关联程度；
基于所述各个向量元素各自对应的至少一个各个元素相关度，分别获得所述各个向量元素各自对应的子分类权重；
基于获得的各个子分类权重，以及所述各个向量元素各自的元素值，获得所述一个融合特征向量的分类权重。
5.如权利要求1-3中任一项所述的电子设备，其特征在于，所述基于所述各个融合特征向量及其各自对应的分类权重，确定所述心律数据的心律类别，包括：
分别确定所述各个融合特征向量各自对应的分类权重，各自归属的融合特征权重区间；
基于获得的各个融合特征权重区间，以及预设的融合特征权重区间与心律类别之间的对应关系，确定所述心律数据的心律类别。
6.一种心律数据分类装置，其特征在于，包括：
获取模块，用于获取目标对象在设定时间范围内的心律数据，并对所述心律数据的波形特征进行特征提取，获得相应的原始特征向量集；
压缩模块，用于分别按照预设的两种向量元素采样方式，对所述原始特征向量集包含的各个原始特征向量进行特征压缩，获得相应的第一特征向量集和第二特征向量集；
融合模块，用于对所述原始特征向量集、所述第一特征向量集和所述第二特征向量集进行融合，获得相应的融合特征向量集；
配置模块，用于基于所述融合特征向量集中，各个融合特征向量各自包含的向量元素之间的元素相关度，确定所述各个融合特征向量各自的分类权重；
识别模块，用于基于所述各个融合特征向量及其各自对应的分类权重，确定所述心律数据的心律类别。
7.如权利要求6所述的装置，其特征在于，在所述分别按照预设的两种向量元素采样方式，对所述原始特征向量集包含的各个原始特征向量进行特征压缩，获得相应的第一特征向量集和第二特征向量集时，所述压缩模块具体用于：
基于所述两种向量元素采样方式，对所述各个原始特征向量进行全局平均池化，获得第一语义信息集，以及对所述各个原始特征向量进行全局最大池化，获得第二语义信息集；
基于所述第一语义信息集，生成所述第一特征向量集，以及基于所述第二语义信息集，生成所述第二特征向量集。
8.如权利要求6所述的装置，其特征在于，在所述基于所述融合特征向量集中，各个融合特征向量各自包含的向量元素之间的元素相关度时，所述配置模块具体用于：
针对所述各个融合特征向量，分别执行以下操作：
获取一个融合特征向量包含的各个向量元素，并分别对所述各个向量元素各自的元素名称进行语义提取，获得各个元素名称各自的语义信息；
针对所述各个元素名称，分别执行以下操作：
分别对一个元素名称的语义信息，与其他元素名称的语义信息进行语义相似度比对，获得至少一个语义相似度；
基于获得的至少一个语义相似度，分别确定所述一个元素名称对应的向量元素，与其他向量元素之间的元素相关度。
9.如权利要求6-8中任一项所述的装置，其特征在于，在所述基于所述融合特征向量集中，各个融合特征向量各自包含的向量元素之间的元素相关度，确定所述各个融合特征向量各自的分类权重时，所述配置模块具体用于：
针对所述各个融合特征向量，分别执行以下操作：
分别获取一个融合特征向量包含的各个向量元素，各自对应的至少一个元素相关度；每个元素相关度表征：相应的向量元素与其他向量元素中的一个向量元素之间的关联程度；
基于所述各个向量元素各自对应的至少一个各个元素相关度，分别获得所述各个向量元素各自对应的子分类权重；
基于获得的各个子分类权重，以及所述各个向量元素各自的元素值，获得所述一个融合特征向量的分类权重。
10.如权利要求6-8中任一项所述的装置，其特征在于，在所述基于所述各个融合特征向量及其各自对应的分类权重，确定所述心律数据的心律类别时，所述识别模块具体用于：
分别确定所述各个融合特征向量各自对应的分类权重，各自归属的融合特征权重区间；
基于获得的各个融合特征权重区间，以及预设的融合特征权重区间与心律类别之间的对应关系，确定所述心律数据的心律类别。
11.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-5中任一所述电子设备的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210818321.7A CN114886404B (zh) | 2022-07-13 | 2022-07-13 | 一种电子设备、装置及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210818321.7A CN114886404B (zh) | 2022-07-13 | 2022-07-13 | 一种电子设备、装置及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114886404A CN114886404A (zh) | 2022-08-12 |
| CN114886404B true CN114886404B (zh) | 2022-10-28 |
Family
ID=82729538
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210818321.7A Active CN114886404B (zh) | 2022-07-13 | 2022-07-13 | 一种电子设备、装置及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114886404B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115063795B (zh) * | 2022-08-17 | 2023-01-24 | 西南民族大学 | 一种尿沉渣分类检测方法、装置、电子设备及存储介质 |
| CN115211866B (zh) * | 2022-09-07 | 2022-12-27 | 西南民族大学 | 一种心律失常分类方法、***及电子设备 |
Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5967995A (en) * | 1998-04-28 | 1999-10-19 | University Of Pittsburgh Of The Commonwealth System Of Higher Education | System for prediction of life-threatening cardiac arrhythmias |
| EP1416425A1 (en) * | 2002-11-04 | 2004-05-06 | Samsung Electronics Co., Ltd. | System and method for detecting a face |
| CN104921722A (zh) * | 2015-07-15 | 2015-09-23 | 西南民族大学 | 一种双导联融合心电qrs波检测方法 |
| CN106377247A (zh) * | 2016-09-10 | 2017-02-08 | 天津大学 | 基于特征选择的心律失常分类方法 |
| CN108470156A (zh) * | 2018-03-06 | 2018-08-31 | 南京邮电大学 | 一种心音信号分类识别方法 |
| CN109271912A (zh) * | 2018-09-05 | 2019-01-25 | 中国电子科技集团公司第三研究所 | 视频分类方法、装置、电子设备及存储介质 |
| CN110751131A (zh) * | 2019-11-16 | 2020-02-04 | 李汭傧 | 一种心律失常检测装置 |
| CN111460956A (zh) * | 2020-03-26 | 2020-07-28 | 山东科技大学 | 一种基于数据增强与损失加权的不平衡心电样本分类方法 |
| CN111528832A (zh) * | 2020-05-28 | 2020-08-14 | 四川大学华西医院 | 一种心律失常分类方法及其有效性验证方法 |
| CN111626114A (zh) * | 2020-04-20 | 2020-09-04 | 哈尔滨工业大学 | 基于卷积神经网络的心电信号心律失常分类*** |
| CN111755120A (zh) * | 2020-06-29 | 2020-10-09 | 西南民族大学 | 一种基于边缘智能和多模感知的认知障碍预测方法 |
| CN113011504A (zh) * | 2021-03-23 | 2021-06-22 | 华南理工大学 | 基于视角权重和特征融合的虚拟现实场景情感识别方法 |
| CN113408086A (zh) * | 2021-05-24 | 2021-09-17 | 中国能源建设集团山西省电力勘测设计院有限公司 | 空心电抗器自感值的解析计算方法 |
| CN114010202A (zh) * | 2021-09-18 | 2022-02-08 | 苏州无双医疗设备有限公司 | 植入式心律管理设备心律分类及区分室速和室上速的方法 |
Family Cites Families (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7917196B2 (en) * | 2005-05-09 | 2011-03-29 | Cardiac Pacemakers, Inc. | Arrhythmia discrimination using electrocardiograms sensed from multiple implanted electrodes |
| US7430446B2 (en) * | 2005-01-20 | 2008-09-30 | Cardiac Pacemakers, Inc. | Methods and apparatuses for cardiac arrhythmia classification using morphology stability |
| US7697766B2 (en) * | 2005-03-17 | 2010-04-13 | Delphi Technologies, Inc. | System and method to determine awareness |
| CN104055522A (zh) * | 2014-07-01 | 2014-09-24 | 清华大学深圳研究生院 | 一种心律失常情况下心电信号身份识别方法 |
| TWI732489B (zh) * | 2020-03-17 | 2021-07-01 | 國防醫學院 | 應用心電圖快速偵測鉀離子異常之方法及其系統 |
| CN111557659B (zh) * | 2020-05-22 | 2023-04-28 | 郑州大学 | 基于多特征融合与Stacking-DWKNN算法的心律失常分类方法 |
| US11730415B2 (en) * | 2020-06-10 | 2023-08-22 | Implicity | Method and system for analyzing heart rhythms |
| CN111657926B (zh) * | 2020-07-08 | 2021-04-23 | 中国科学技术大学 | 一种基于多导联信息融合的心律失常分类方法 |
| CN114652322A (zh) * | 2022-03-24 | 2022-06-24 | 中南大学 | 一种基于多域特征学习的心电信号分类方法和*** |
-
2022
- 2022-07-13 CN CN202210818321.7A patent/CN114886404B/zh active Active
Patent Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5967995A (en) * | 1998-04-28 | 1999-10-19 | University Of Pittsburgh Of The Commonwealth System Of Higher Education | System for prediction of life-threatening cardiac arrhythmias |
| EP1416425A1 (en) * | 2002-11-04 | 2004-05-06 | Samsung Electronics Co., Ltd. | System and method for detecting a face |
| CN104921722A (zh) * | 2015-07-15 | 2015-09-23 | 西南民族大学 | 一种双导联融合心电qrs波检测方法 |
| CN106377247A (zh) * | 2016-09-10 | 2017-02-08 | 天津大学 | 基于特征选择的心律失常分类方法 |
| CN108470156A (zh) * | 2018-03-06 | 2018-08-31 | 南京邮电大学 | 一种心音信号分类识别方法 |
| CN109271912A (zh) * | 2018-09-05 | 2019-01-25 | 中国电子科技集团公司第三研究所 | 视频分类方法、装置、电子设备及存储介质 |
| CN110751131A (zh) * | 2019-11-16 | 2020-02-04 | 李汭傧 | 一种心律失常检测装置 |
| CN111460956A (zh) * | 2020-03-26 | 2020-07-28 | 山东科技大学 | 一种基于数据增强与损失加权的不平衡心电样本分类方法 |
| CN111626114A (zh) * | 2020-04-20 | 2020-09-04 | 哈尔滨工业大学 | 基于卷积神经网络的心电信号心律失常分类*** |
| CN111528832A (zh) * | 2020-05-28 | 2020-08-14 | 四川大学华西医院 | 一种心律失常分类方法及其有效性验证方法 |
| CN111755120A (zh) * | 2020-06-29 | 2020-10-09 | 西南民族大学 | 一种基于边缘智能和多模感知的认知障碍预测方法 |
| CN113011504A (zh) * | 2021-03-23 | 2021-06-22 | 华南理工大学 | 基于视角权重和特征融合的虚拟现实场景情感识别方法 |
| CN113408086A (zh) * | 2021-05-24 | 2021-09-17 | 中国能源建设集团山西省电力勘测设计院有限公司 | 空心电抗器自感值的解析计算方法 |
| CN114010202A (zh) * | 2021-09-18 | 2022-02-08 | 苏州无双医疗设备有限公司 | 植入式心律管理设备心律分类及区分室速和室上速的方法 |
Non-Patent Citations (18)
| Title |
|---|
| A deep residual inception network with channel attention modules for multi-label cardiac abnormality detection from reduced-lead ECG;Srivastava, Apoorva；Pratiher, Sawon；Alam, Sazedul;《PHYSIOLOGICAL MEASUREMENT》;20220630;第43卷(第6期);全文 * |
| Automated ECG classification using a non-local convolutional blo.Wang, JK * |
| Hybrid feature selection using component co-occurrence based feature relevance measurement;Wang, Youwei；Feng, Lizhou；;《EXPERT SYSTEMS WITH APPLICATIONS》;20180715;第102卷;全文 * |
| Inter-patient automated arrhythmia classification: A new approach of weight capsule and sequence to sequence combination;Li, Xiangkui；Zhang, Jian；Chen, Wei;《COMPUTER METHODS AND PROGRAMS IN BIOMEDICINE》;20220228;第214卷;全文 * |
| Qiao, X ; Zhang, H.《COMPUTER METHODS AND PROGRAMS IN BIOMEDICINE》.2021,第203卷 * |
| 一种基于CNN和LSTM的新型双导联心律失常分类***;汪虹;《万方》;20200803;全文 * |
| 一种改进的卷积神经网络的室内深度估计方法;梁煜,张金铭,张为;《天津大学学报》;20200605;第53卷(第8期);全文 * |
| 基于ECG的心律失常特征提取及分类算法的研究;王艳;《万方》;20181218;全文 * |
| 基于支持向量机的文本分类算法研究;秦玉平;《万方》;20090430;全文 * |
| 基于深度学习量化权重的心电数据特征表达与分类;张亚彬;《万方》;20211008;全文 * |
| 基于知识蒸馏的心律失常分类模型;张逸,周莉,陈杰.;《电子设计工程》;20220512;第30卷(第8期);全文 * |
| 多尺度编码-解码结构的单幅图像去雨网络;张学锋,李金晶,储岳中,汤亚玲.;《华中科技大学学报(自然科学版)》;20210425;第49卷(第7期);全文 * |
| 循环谱分析在心律失常分类中的应用研究;褚晶辉,卢莉莉,吕卫,李喆.;《计算机科学与探索》;20171231;第11卷(第11期);全文 * |
| 成人暴发性心肌炎早期心电图特点分析;兰永昊,郑梅,马旃;《国际心血管病杂志》;20181231;第45卷(第5期);全文 * |
| 房性期前收缩未下传二联律与慢节律的鉴别;李秀兰,郝玉红,向伟.;《临床荟萃》;20031231(第11期);全文 * |
| 考虑皮尔逊相关系数和切比雪夫距离的电压暂降类型计算方法;杜培,林焱,张伟骏;《电工电能新技术》;20210406;第40卷(第3期);全文 * |
| 融合单导联心电图传统与深度特征的常见心律失常识别方法研究;李全池,黄鑫,罗成思,黄惠泉,饶妮妮.;《中国生物医学工程学报》;20220220;第41卷(第1期);全文 * |
| 融合深度学习和决策机制的心电节律和形态异常识别;沈腾飞;《万方》;20210907;全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114886404A (zh) | 2022-08-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114886404B (zh) | 一种电子设备、装置及存储介质 | |
| CN111666477A (zh) | 一种数据处理方法、装置、智能设备及介质 | |
| WO2021098534A1 (zh) | 相似度确定、网络训练、查找方法及装置、电子装置和存储介质 | |
| CN113707323B (zh) | 基于机器学习的疾病预测方法、装置、设备及介质 | |
| CN111160049B (zh) | 文本翻译方法、装置、机器翻译***和存储介质 | |
| CN115238909A (zh) | 一种基于联邦学习的数据价值评估方法及其相关设备 | |
| CN113627422A (zh) | 一种图像分类方法及其相关设备 | |
| CN112529149A (zh) | 一种数据处理方法及相关装置 | |
| CN113658655B (zh) | 体检推荐方法、装置、存储介质及设备 | |
| WO2024114659A1 (zh) | 一种摘要生成方法及其相关设备 | |
| CN113693611A (zh) | 基于机器学习的心电数据分类方法及装置 | |
| CN117056589A (zh) | 一种物品推荐方法及其相关设备 | |
| CN115063795B (zh) | 一种尿沉渣分类检测方法、装置、电子设备及存储介质 | |
| Yang et al. | Superimposed semantic communication for iot-based real-time ecg monitoring | |
| CN113643141B (zh) | 解释性结论报告生成方法、装置、设备及存储介质 | |
| CN116802646A (zh) | 数据处理的方法和装置 | |
| CN114707643A (zh) | 一种模型切分方法及其相关设备 | |
| CN113643283A (zh) | 一种人体衰老状况的检测方法、装置、设备及存储介质 | |
| CN115879524A (zh) | 一种模型训练方法及其相关设备 | |
| CN113822291A (zh) | 一种图像处理方法、装置、设备及存储介质 | |
| CN111797866A (zh) | 特征提取方法、装置、存储介质及电子设备 | |
| CN115211866B (zh) | 一种心律失常分类方法、***及电子设备 | |
| CN114449701B (zh) | 基于病历信息的灯光类型调控方法、装置及电子设备 | |
| CN113989579B (zh) | 图像检测方法、装置、设备以及存储介质 | |
| CN116343004A (zh) | 一种图像处理方法及其相关设备 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |