基于对比学习的心电图分析方法、终端设备及存储介质与流程

1.本发明涉及心电图分析领域，尤其涉及一种基于对比学习的心电图分析方法、终端设备及存储介质。


背景技术：

2.心电图检查对冠状动脉供血不足、变异性心绞痛、急性心肌梗塞等危险心血管疾病的快速诊断具有重要的意义。而其中动态心电图检查，一般连续记录24小时，由于其具有长时间监测的特点，对这些心血管疾病的检出率更高。
3.目前商用的动态心电分析系统，医生分析一份动态心电图耗时长达15-30分钟，严重制约了动态心电检查的开展。但是由于动态心电数据量巨大，24小时一般能采集到10万多心搏，全部打印长达2160米，分析工作量大。虽然市场上大多数的动态心电图分析软件都可以对数据进行自动分析，但由于动态心电图信号本身的复杂性，且很容易在佩戴过程中引入各种干扰，因此目前自动分析软件的准确率远远不够，无法帮助医生在比较短的时间内分析心电图数据并且给出正确的分析报告。
4.虽然这几年随着人工智能在心电领域的应用，一些基于深度学习的方法也用于了心电图自动分析。但是其采用的方法是基于一个大数据的集合训练一个通用的模型，以期望适用每个患者。这样的做法应用于动态心电图时，因为心搏基数大，难免有的患者数据有一些特有的变化特征，降低模型的准确率。


技术实现要素：

5.为了解决上述问题，本发明提出了一种基于对比学习的心电图分析方法、终端设备及存储介质，可以结合当前数据的特定特征，针对性地学习医生修改的部分，从而快速达成全部数据的分析目标。
6.具体方案如下：
7.一种基于对比学习的心电图分析方法，包括以下步骤：
8.s1：采集心电图数据，并对心电图数据中的阳性样本和阴性样本进行标注后，对心电图数据进行三元组格式的转化；三元组包括一条心电图数据中的阳性参考样本集合、该条心电图数据中的一目标样本和目标样本的类别标签；将不同心电图数据对应的三元组组成训练集；
9.s2：构建基于对比学习的深度神经网络模型，设定模型的输入为三元组中的阳性参考样本集合和目标样本，模型的输出为目标样本的类别标签，通过训练集对模型进行训练，将训练后的模型作为样本类别分类模型；
10.s3：对待分类心电图数据中的待分类心搏进行预分类；
11.s4：通过人工对步骤s3中的部分分类结果进行修正，并提取修正后的分类结果中的阳性样本组成阳性参考样本集合；
12.s5：针对未修正的每个分类结果，将其对应的心搏样本作为目标样本，与步骤s4中
的阳性参考样本集合共同输入步骤s2得到的样本类别分类模型进行分类，根据样本类别分类模型输出的目标样本的类别标签判定该心搏样本是否为阳性样本。
13.进一步的，训练集中既包括阳性样本作为目标样本的三元组，也包括阴性样本作为目标样本的三元组。
14.进一步的，目标样本的类别标签采用1或0表示，当目标样本为阳性时标签为1，否则标签为0。
15.进一步的，三元组格式表示为或其中，表示一条心电图数据中的阳性参考样本集合，x
+
、x-分别表示该条心电图数据的阳性目标样本和阴性目标样本。
16.一种基于对比学习的心电图分析终端设备，包括处理器、存储器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现本发明实施例上述的方法的步骤。
17.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现本发明实施例上述的方法的步骤。
18.本发明采用如上技术方案，首先通过传统的动态心电图分析方法对心电图数据进行预分析，然后通过人工对少量典型的错误分类进行修正，再利用修正结果对其他分预分类结果进行二次分析。二次分析结合了当前数据的特定特征，针对性地学习人工修改的部分，从而快速达成全部数据的准确分析目标。
附图说明
19.图1所示为本发明实施例一的流程图。
具体实施方式
20.为进一步说明各实施例，本发明提供有附图。这些附图为本发明揭露内容的一部分，其主要用以说明实施例，并可配合说明书的相关描述来解释实施例的运作原理。配合参考这些内容，本领域普通技术人员应能理解其他可能的实施方式以及本发明的优点。
21.现结合附图和具体实施方式对本发明进一步说明。
22.实施例一：
23.心电图自动分析的准确率对医生的报告质量和诊断效率有至关重要的作用。一些厂家逐步提出来一些基于深度学习的方法，一定程度上提高了qrs波，p波的自动诊断准确率。这些方法的一般做法是建立相应的深度神经网络模型，然后采用收集的大数据进行相应的训练，从而取得比传统的方法更准确的识别和分类结果。事实上，世界上不存在完全相同的心电图，即使同一个人，在不同时期采集的心电图也可能有比较大的区别和变化。这也是为什么无论模型多么巧妙，总会存在部分动态心电图会有比较多的误判。而这个时候如果能够充分利用医生对当前心电图的监督性意见，会对全局的心电图自动分析的准确率得到一个巨大提升。
24.因此，本发明实施例提供了一种基于对比学习的心电图分析方法，如图1所示，所述方法包括以下步骤：
25.s1：采集心电图数据，并对心电图数据中的阳性样本和阴性样本进行标注后，对心
电图数据进行三元组格式的转化；三元组包括一条心电图数据中的阳性参考样本集合、该条心电图数据中的一目标样本和目标样本的类别标签；将不同心电图数据对应的三元组组成训练集。
26.心电图数据可以是直接采集的心电图数据，也可以是从存储历史心电图数据的心电图数据库内中采集的心电图数据，在此不做限定。
27.阳性样本指的是某一类心搏的异常心电图，例如室性早搏，预激心搏等，阴性样本是阳性样本的补集。该实施例中以比较常见的室性早搏对应的qrs波为例进行说明。
28.需要说明的是，三元组中的各数据均对应同一条心电图数据，阳性参考样本集合可以为部分阳性样本的集合，目标样本为阳性参考样本集合之外的阳性样本或阴性样本。
29.该实施例中三元组格式表示为或其中，表示一条心电图数据中的阳性参考样本集合，x
+
、x-分别表示该条心电图数据的阳性目标样本和阴性目标样本。1和0表示目标样本的类别标签，当目标样本为阳性时标签为1，否则标签为0。
30.s2：构建基于对比学习的深度神经网络模型，设定模型的输入为三元组中的阳性参考样本集合和目标样本，模型的输出为目标样本的类别标签，通过训练集对模型进行训练，将训练后的模型作为样本类别分类模型。
31.深度神经网络模型可以采用resnet等网络架构，损失函数可以选取交叉熵。
32.s3：对待分类心电图数据中的待分类心搏进行预分类。
33.预分类可以采用传统的动态心电图分析模型即可，实现对待分类心电图数据的初步分类，模型的类型在此不做限制。
34.s4：通过人工对步骤s3中的部分分类结果进行修正，并提取修正后的分类结果中的阳性样本组成阳性参考样本集合。
35.此处的人工可以为医生，也可以为其他专业人士，在此不做限制。组成的阳性参考样本集合作为该实施例中，表示人工校正的阳性室性早搏的集合。
36.s5：针对未修正的每个分类结果，将其对应的心搏样本作为目标样本，与步骤s4中的阳性参考样本集合共同输入样本类别分类模型进行分类，根据样本类别分类模型输出的目标样本的类别标签判定该心搏样本是否为阳性样本。
37.该实施例中当类别标签为1时，判定心搏样本为阳性样本；当类别标签为0时，判定心搏样本为阴性样本。
38.本发明实施例首先通过传统的动态心电图分析方法对心电图数据进行预分析，然后通过人工对少量典型的错误分类进行修正，再利用修正结果对其他分预分类结果进行二次分析。二次分析结合了当前数据的特定特征，针对性地学习人工修改的部分，从而快速达成全部数据的准确分析目标。
39.实施例二：
40.本发明还提供一种基于对比学习的心电图分析终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现本发明实施例一的上述方法实施例中的步骤。
41.进一步地，作为一个可执行方案，所述基于对比学习的心电图分析终端设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述基于对比学习的心电图
分析终端设备可包括，但不仅限于，处理器、存储器。本领域技术人员可以理解，上述基于对比学习的心电图分析终端设备的组成结构仅仅是基于对比学习的心电图分析终端设备的示例，并不构成对基于对比学习的心电图分析终端设备的限定，可以包括比上述更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述基于对比学习的心电图分析终端设备还可以包括输入输出设备、网络接入设备、总线等，本发明实施例对此不做限定。
42.进一步地，作为一个可执行方案，所称处理器可以是中央处理单元(central processing unit，cpu)，还可以是其他通用处理器、数字信号处理器(digital signal processor，dsp)、专用集成电路(application specific integrated circuit，asic)、现场可编程门阵列(field-programmable gate array，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，所述处理器是所述基于对比学习的心电图分析终端设备的控制中心，利用各种接口和线路连接整个基于对比学习的心电图分析终端设备的各个部分。
43.所述存储器可用于存储所述计算机程序和/或模块，所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现所述基于对比学习的心电图分析终端设备的各种功能。所述存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序；存储数据区可存储根据手机的使用所创建的数据等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡(smart media card,smc)，安全数字(secure digital,sd)卡，闪存卡(flash card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
44.本发明还提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现本发明实施例上述方法的步骤。
45.所述基于对比学习的心电图分析终端设备集成的模块/单元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，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、u盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)以及软件分发介质等。
46.尽管结合优选实施方案具体展示和介绍了本发明，但所属领域的技术人员应该明白，在不脱离所附权利要求书所限定的本发明的精神和范围内，在形式上和细节上可以对本发明做出各种变化，均为本发明的保护范围。