本申請涉及信號處理，特別是涉及一種心電分類方法及裝置。
背景技術(shù)：
1、心電圖(electrocardiogram，ecg)是記錄心臟電活動隨時(shí)間變化的生物電信號曲線，通過捕捉心臟電信號的傳導(dǎo)路徑、節(jié)律及波形特征等，為評估心臟功能、診斷心律失常、心肌缺血、心肌梗死等心血管疾病提供了關(guān)鍵依據(jù)。準(zhǔn)確的心電分類能夠輔助醫(yī)生跨度定位病變類型，顯著提升診斷效率與準(zhǔn)確性。
2、當(dāng)前技術(shù)中，心電分類方式主要分為兩類：一類是傳統(tǒng)人工分析，即人工手動識別心電信號的波形特征，結(jié)合臨床經(jīng)驗(yàn)進(jìn)行分析，實(shí)現(xiàn)心電圖的分類；另一類是人工特征提取和淺層機(jī)器學(xué)習(xí)模型(shallow?machine?learning?models)結(jié)合，實(shí)現(xiàn)心電圖/心電信號的分類。
3、由此可知，當(dāng)前技術(shù)中的心電分類方式中，依賴于人工特征提取，并且無法有效解耦信號耦合，導(dǎo)致心電分類準(zhǔn)確度低。
技術(shù)實(shí)現(xiàn)思路
1、基于上述問題，本申請?zhí)峁┝艘环N心電分類方法及裝置，自動化特征提取，并且能夠有效解耦信號耦合，提高心電分類準(zhǔn)確度。
2、本申請實(shí)施例公開了如下技術(shù)方案：
3、第一方面，本申請實(shí)施例提供了一種心電分類方法，應(yīng)用于預(yù)訓(xùn)練的心電分類模型，所述方法包括：
4、對心電信號進(jìn)行特征提取，得到原始特征；
5、通過高維卷積層，將所述原始特征映射到高維子空間，得到高維特征；
6、基于所述高維特征，通過全連接層生成與所述心電信號對應(yīng)的標(biāo)簽集合；其中，所述標(biāo)簽集合包括：與所述心電信號對應(yīng)的心電類型。
7、在一種可能的實(shí)現(xiàn)方式中，所述通過高維卷積層，將所述原始特征映射到高維子空間，得到高維特征，包括：
8、將所述原始特征輸入到高維卷積層，以便于所述高維卷積層通過非線性變換，將所述原始特征映射到高維子空間，得到高維特征；其中，所述原始特征的通道數(shù)為所述高維卷積層的輸入通道數(shù)，所述高維特征的通道數(shù)為所述高維卷積層的輸出通道數(shù)，并且所述高維卷積層的輸出通道數(shù)大于輸入通道數(shù)。
9、在一種可能的實(shí)現(xiàn)方式中，所述對心電信號進(jìn)行特征提取，得到原始特征，包括：
10、通過transformer層的自注意力機(jī)制對所述心電信號進(jìn)行處理，得到第一特征；
11、通過多尺度卷積層，對所述第一特征進(jìn)行特征提取，得到多個(gè)第二特征；其中，所述多尺度卷積層包括：并行的多個(gè)卷積層，并且所述多個(gè)卷積層的卷積核大小不同，所述多個(gè)第二特征為：與所述多個(gè)卷積層分別對應(yīng)的第二特征；
12、對所述多個(gè)第二特征進(jìn)行特征融合，得到原始特征。
13、在一種可能的實(shí)現(xiàn)方式中，所述通過多尺度卷積層，對所述第一特征進(jìn)行特征提取，得到多個(gè)第二特征，包括：
14、將所述第一特征沿通道維度，均分為多個(gè)第一子特征；其中，所述多個(gè)第一子特征為：與所述多個(gè)卷積層分別對應(yīng)的第一子特征；
15、通過多尺度卷積層包括的所述多個(gè)卷積層，一一對應(yīng)的對所述多個(gè)第一子特征進(jìn)行特征提取，得到多個(gè)第二特征。
16、在一種可能的實(shí)現(xiàn)方式中，所述對所述多個(gè)第二特征進(jìn)行特征融合，得到原始特征，包括：
17、對所述多個(gè)第二特征進(jìn)行拼接操作，得到拼接特征；
18、對所述拼接特征依次進(jìn)行展平操作、線性變化操作和重塑操作，得到原始特征。
19、在一種可能的實(shí)現(xiàn)方式中，所述基于所述高維特征，通過全連接層生成與所述心電信號對應(yīng)的標(biāo)簽集合，包括：
20、基于所述高維特征，通過全連接層生成與所述心電信號對應(yīng)的多標(biāo)簽分類結(jié)果；其中，所述多標(biāo)簽分類結(jié)果包括：與每個(gè)預(yù)設(shè)心電類型分別對應(yīng)的概率分布；
21、基于所述多標(biāo)簽分類結(jié)果，確定與所述心電信號對應(yīng)的標(biāo)簽集合。
22、在一種可能的實(shí)現(xiàn)方式中，所述心電信號包括：每個(gè)時(shí)間點(diǎn)對應(yīng)的電壓值，所述高維特征包括：所述心電信號的每個(gè)時(shí)間點(diǎn)的高維特征向量，所述基于所述高維特征，通過全連接層生成與所述心電信號對應(yīng)的多標(biāo)簽分類結(jié)果，包括：
23、對所述高維特征進(jìn)行線性變換，得到所述每個(gè)時(shí)間點(diǎn)對于每個(gè)預(yù)設(shè)心電類型的原始得分；
24、通過sigmoid激活函數(shù)，基于所述每個(gè)時(shí)間點(diǎn)對于每個(gè)預(yù)設(shè)心電類型的原始得分，得到所述每個(gè)時(shí)間點(diǎn)對于每個(gè)預(yù)設(shè)心電類型的概率分布，以得到與所述心電信號對應(yīng)的多標(biāo)簽分類結(jié)果。
25、在一種可能的實(shí)現(xiàn)方式中，所述心電分類模型的訓(xùn)練過程包括：
26、動態(tài)選擇訓(xùn)練集中的錨點(diǎn)樣本、正樣本和負(fù)樣本，構(gòu)建訓(xùn)練三元組；其中，所述正樣本為與所述錨點(diǎn)樣本具有相同心電類型的心電信號，所述負(fù)樣本為與所述錨點(diǎn)樣本不具有相同心電類型的心電信號；
27、基于所述訓(xùn)練三元組對應(yīng)的三元組損失函數(shù)，對所述心電分類模型進(jìn)行訓(xùn)練。
28、在一種可能的實(shí)現(xiàn)方式中，所述負(fù)樣本為半難負(fù)樣本，所述半難負(fù)樣本與所述錨點(diǎn)樣本之間的距離大于所述正樣本與所述錨點(diǎn)樣本之間的距離，并且小于所述正樣本與所述錨點(diǎn)樣本之間的距離和預(yù)設(shè)邊界值的總和。
29、第二方面，本申請實(shí)施例提供了一種心電分類裝置，包括：
30、特征提取模塊，用于對心電信號進(jìn)行特征提取，得到原始特征；
31、高維映射模塊，用于通過高維卷積層，將所述原始特征映射到高維子空間，得到高維特征；
32、標(biāo)簽生成模塊，用于基于所述高維特征，通過全連接層生成與所述心電信號對應(yīng)的標(biāo)簽集合；其中，所述標(biāo)簽集合包括：與所述心電信號對應(yīng)的心電類型。
33、相較于現(xiàn)有技術(shù)，本申請具有以下有益效果：能夠?qū)崿F(xiàn)自動化特征提取，并且高維卷積層通過非線性映射將特征從原始信號空間擴(kuò)展到高維子空間，既保留了關(guān)鍵信息，又通過維度擴(kuò)展和非線性變換解決了信號耦合的問題，能夠有效解耦信號耦合，從而提高心電分類的準(zhǔn)確度。
1.一種心電分類方法，其特征在于，應(yīng)用于預(yù)訓(xùn)練的心電分類模型，所述方法包括：
2.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述通過高維卷積層，將所述原始特征映射到高維子空間，得到高維特征，包括：
3.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述對心電信號進(jìn)行特征提取，得到原始特征，包括：
4.根據(jù)權(quán)利要求3所述的方法，其特征在于，所述通過多尺度卷積層，對所述第一特征進(jìn)行特征提取，得到多個(gè)第二特征，包括：
5.根據(jù)權(quán)利要求3所述的方法，其特征在于，所述對所述多個(gè)第二特征進(jìn)行特征融合，得到原始特征，包括：
6.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述基于所述高維特征，通過全連接層生成與所述心電信號對應(yīng)的標(biāo)簽集合，包括：
7.根據(jù)權(quán)利要求6所述的方法，其特征在于，所述心電信號包括：每個(gè)時(shí)間點(diǎn)對應(yīng)的電壓值，所述高維特征包括：所述心電信號的每個(gè)時(shí)間點(diǎn)的高維特征向量，所述基于所述高維特征，通過全連接層生成與所述心電信號對應(yīng)的多標(biāo)簽分類結(jié)果，包括：
8.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述心電分類模型的訓(xùn)練過程包括：
9.根據(jù)權(quán)利要求8所述的方法，其特征在于，所述負(fù)樣本為半難負(fù)樣本，所述半難負(fù)樣本與所述錨點(diǎn)樣本之間的距離大于所述正樣本與所述錨點(diǎn)樣本之間的距離，并且小于所述正樣本與所述錨點(diǎn)樣本之間的距離和預(yù)設(shè)邊界值的總和。
10.一種心電分類裝置，其特征在于，包括：