本發明專利技術公開了一種心電圖評分方法、裝置、電子設備及存儲介質，其中，方法包括：獲取目標心電圖數據；對所述目標心電圖數據進行預處理，得到預處理數據集；對所述預處理數據集進行評分標記處理，得到標記數據集；根據所述標記數據集對構建好的心電圖評分模型進行訓練處理，得到訓練好的心電圖評分模型；所述心電圖評分模型包括CNN特征提取器和Transformer神經網絡；獲取待計算心電圖數據，將所述待計算心電圖數據輸入所述心電圖評分模型進行心電圖評分處理，得到評分結果。本發明專利技術實施例通過構建心電圖評分模型提高了心電圖健康評分的準確性和魯棒性，能夠應用于心電信號處理技術領域。術領域。術領域。
【技術實現步驟摘要】
一種心電圖評分方法、裝置、電子設備及存儲介質
[0001]本專利技術涉及心電信號處理
，尤其是一種心電圖評分方法、裝置、電子設備及存儲介質。
技術介紹
[0002]心電圖健康評分是一種定量評估用戶心臟狀況的方法，其應用場景廣泛。隨著物質生活水平的提高，人們對自身健康狀況越來越關注，并希望能夠在居家的場景下進行心臟診療評估和康復監測。然而，由于心電圖的專業性，缺乏相關專業知識的用戶很難比較相關參數并得出正確的診斷報告。相關技術中通過將采集到的海量穿戴式心電數據上傳至云端供心內科專家分析，但是這種方法既耗時又費力，成本高昂，大大增加了工作量。綜合上述，相關技術中存在的技術問題亟需得到解決。
技術實現思路
[0003]有鑒于此，本專利技術實施例提供一種心電圖評分方法、裝置、電子設備及存儲介質，以實現。
[0004]一方面，本專利技術提供了一種心電圖評分方法，所述方法包括：
[0005]獲取目標心電圖數據；
[0006]對所述目標心電圖數據進行預處理，得到預處理數據集；
[0007]對所述預處理數據集進行評分標記處理，得到標記數據集；
[0008]根據所述標記數據集對構建好的心電圖評分模型進行訓練處理，得到訓練好的心電圖評分模型；所述心電圖評分模型包括CNN特征提取器和Transformer神經網絡；
[0009]獲取待計算心電圖數據，將所述待計算心電圖數據輸入所述心電圖評分模型進行心電圖評分處理，得到評分結果。
[0010]可選地，所述對所述目標心電圖數據進行預處理，得到預處理數據集，包括：
[0011]根據心電圖健康評分基準對所述目標心電圖數據進行篩選處理，得到篩選數據；
[0012]對所述篩選數據進行濾波去噪處理，并對濾波去噪后的數據進行標準化處理，得到標準數據；
[0013]對所述標準數據進行數據擴增處理，得到預處理數據集。
[0014]可選地，所述對所述標準數據進行數據擴增處理，得到預處理數據集，包括：
[0015]對所述標準數據在時域和頻域上進行平移、縮放和隨機裁剪處理，得到擴增數據集；
[0016]對所述擴增數據集進行張量轉換處理，得到預處理數據集。
[0017]可選地，所述對所述預處理數據集進行評分標記處理，得到標記數據集，包括：
[0018]對所述預處理數據集進行標記評分處理，得到數據集評分；
[0019]將所述數據集評分作為所述預處理數據集的標簽，得到標記數據集。
[0020]可選地，在所述根據所述標記數據集對構建好的心電圖評分模型進行訓練處理之
前，所述方法還包括構建心電圖評分模型，具體步驟包括：
[0021]通過高斯誤差線性單元激活函數和歸一化層對卷積層模塊進行連接處理，得到所述CNN特征提取器，所述卷積層模塊包括多尺度卷積單元；
[0022]對所述CNN特征提取器和所述Transformer神經網絡進行殘差結構跨層連接處理，構建得到心電圖評分模型。
[0023]可選地，所述根據所述標記數據集對心電圖評分模型進行訓練處理，包括：
[0024]將所述標記數據集輸入到所述心電圖評分模型，得到心電圖評分預測結果；
[0025]根據所述心電圖評分預測結果和所述標記數據集的標簽確定訓練的損失值；
[0026]根據所述損失值對所述心電圖評分模型的參數進行更新。
[0027]可選地，所述將所述待計算心電圖數據輸入所述心電圖評分模型進行心電圖評分處理，得到評分結果，包括：
[0028]通過所述CNN特征提取器對所述待計算心電圖數據進行降采樣和特征提取處理，得到數據特征；
[0029]通過所述Transformer神經網絡對所述數據特征進行位置編碼、多頭自注意力計算和多層感知機運算處理，得到評分結果。
[0030]另一方面，本專利技術實施例還提供了一種心電圖評分裝置，所述裝置包括：
[0031]第一模塊，用于獲取目標心電圖數據；
[0032]第二模塊，用于對所述目標心電圖數據進行預處理，得到預處理數據集；
[0033]第三模塊，用于對所述預處理數據集進行評分標記處理，得到標記數據集；
[0034]第四模塊，用于根據所述標記數據集對構建好的心電圖評分模型進行訓練處理，得到訓練好的心電圖評分模型；所述心電圖評分模型包括CNN特征提取器和Transformer神經網絡；
[0035]第五模塊，用于獲取待計算心電圖數據，將所述待計算心電圖數據輸入所述心電圖評分模型進行心電圖評分處理，得到評分結果。
[0036]另一方面，本專利技術實施例還公開了一種電子設備，包括處理器以及存儲器；
[0037]所述存儲器用于存儲程序；
[0038]所述處理器執行所述程序實現如前面所述的方法。
[0039]另一方面，本專利技術實施例還公開了一種計算機可讀存儲介質，所述存儲介質存儲有程序，所述程序被處理器執行實現如前面所述的方法。
[0040]另一方面，本專利技術實施例還公開了一種計算機程序產品或計算機程序，該計算機程序產品或計算機程序包括計算機指令，該計算機指令存儲在計算機可讀存儲介質中。計算機設備的處理器可以從計算機可讀存儲介質讀取該計算機指令，處理器執行該計算機指令，使得該計算機設備執行前面的方法。
[0041]本專利技術采用以上技術方案與現有技術相比，具有以下技術效果：本專利技術實施例通過心電圖評分模型中的CNN特征提取器有效地提取心電圖數據的深度特征，并利用Transformer神經網絡進行長時程的信號建模，進一步提高了模型對心臟狀況的理解和評估能力，提高了心電圖健康評分的準確性和魯棒性。
附圖說明
[0042]為了更清楚地說明本申請實施例中的技術方案，下面將對實施例描述中所需要使用的附圖作簡單地介紹，顯而易見地，下面描述中的附圖僅僅是本申請的一些實施例，對于本領域普通技術人員來講，在不付出創造性勞動的前提下，還可以根據這些附圖獲得其他的附圖。
[0043]圖1是本申請實施例提供的一種心電圖評分方法的流程圖；
[0044]圖2是本申請實施例提供的一種心電圖評分模型的結構示意圖；
[0045]圖3是本申請實施例提供的一種心電圖評分實施流程圖；
[0046]圖4是本申請實施例提供的一種心電圖評分裝置的結構示意圖；
[0047]圖5是本申請實施例提供的一種電子設備的結構示意圖。
具體實施方式
[0048]為了使本申請的目的、技術方案及優點更加清楚明白，以下結合附圖及實施例，對本申請進行進一步詳細說明。應當理解，此處所描述的具體實施例僅僅用以解釋本申請，并不用于限定本申請。
[0049]首先，對本申請中涉及的若干名詞進行解析：
[0050]心電圖在診斷心血管疾病中被廣泛應用，并被認為是許多心血管疾病的金標準。它能夠準確鑒別各種心律失常的發病原因和性質。心電圖健康評分是一種定量評估用戶心臟狀況的方法，本文檔來自技高網...
【技術保護點】
【技術特征摘要】
1.一種心電圖評分方法，其特征在于，所述方法包括：獲取目標心電圖數據；對所述目標心電圖數據進行預處理，得到預處理數據集；對所述預處理數據集進行評分標記處理，得到標記數據集；根據所述標記數據集對構建好的心電圖評分模型進行訓練處理，得到訓練好的心電圖評分模型；所述心電圖評分模型包括CNN特征提取器和Transformer神經網絡；獲取待計算心電圖數據，將所述待計算心電圖數據輸入所述心電圖評分模型進行心電圖評分處理，得到評分結果。2.根據權利要求1所述的方法，其特征在于，所述對所述目標心電圖數據進行預處理，得到預處理數據集，包括：根據心電圖健康評分基準對所述目標心電圖數據進行篩選處理，得到篩選數據；對所述篩選數據進行濾波去噪處理，并對濾波去噪后的數據進行標準化處理，得到標準數據；對所述標準數據進行數據擴增處理，得到預處理數據集。3.根據權利要求2所述的方法，其特征在于，所述對所述標準數據進行數據擴增處理，得到預處理數據集，包括：對所述標準數據在時域和頻域上進行平移、縮放和隨機裁剪處理，得到擴增數據集；對所述擴增數據集進行張量轉換處理，得到預處理數據集。4.根據權利要求1所述的方法，其特征在于，所述對所述預處理數據集進行評分標記處理，得到標記數據集，包括：對所述預處理數據集進行標記評分處理，得到數據集評分；將所述數據集評分作為所述預處理數據集的標簽，得到標記數據集。5.根據權利要求1所述的方法，其特征在于，在所述根據所述標記數據集對構建好的心電圖評分模型進行訓練處理之前，所述方法還包括構建心電圖評分模型，具體步驟包括：通過高斯誤差線性單元激活函數和歸一化層對卷積層模塊進行連接處理，得到所述CNN特征提取器，所述卷積層模塊包括多尺度卷積單元；對所述CNN特征提取器和所述Transforme...
【專利技術屬性】
技術研發人員：王進亮，陳力恒，王平，
申請(專利權)人：心韻恒安醫療科技北京有限公司，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。