[发明专利]一种心电图的异常标注方法及装置

说明书

本发明涉及心电异常识别技术领域，公开了一种心电图的异常标注方法，包括以下步骤：建立第一数据集，标注所述第一数据集中各样本数据的异常类型；以所述第一数据集作为样本数据对神经网络进行训练得到异常分类模型；建立第二数据集，标注所述第二数据集中各样本数据的异常类型以及异常区间；以所述第二数据集作为样本数据对所述异常分类模型进行迁移学习训练得到异常标注模型；根据所述异常标注模型进行心电图的异常标注。本发明具有仅需少量异常位置标注的样本数据即可实现心电异常识别的技术效果。

技术领域

本发明涉及心电异常识别技术领域，具体涉及一种心电图的异常标注方法及装置。

背景技术

神经网络模型的建立，离不开对大量带标注的高质量数据的训练。心电图，因信号弱，易受干扰的特点，加之心电图种类繁多，诊断标准的不统一，导致虽然临床上已积累了大量的心电图数据，但质量往往不高。将这些临床数据用于神经网络训练前，往往需要经过二次标注。而心电图的标注成本往往很大。据不完全统计，标注一条稍复杂的12导联10s心电图的异常类别，无需标注异常区间，临床医师平均耗时50s左右。如果需要标注出具体的异常区间，所需时间更长。基于上述的现实原因，现有的心电图标注往往仅给出异常类别，然后再利用深度学习技术构建一个端对端的模型，输出心电图异常类别。通过此方法构建的模型或系统，因为不可解释性，往往无法得到医生的认可，此外，由于仅仅给出了异常类别，对医生也无法起到辅助诊断的作用。如果要构建既能识别异常类别又能识别异常区间的模型，则需要大量既标注有异常类别又标注有异常区间的样本数据，但这类样本数据获取成本高。因此，样本数据量稀少，阻碍了深度学习技术在心电图异常区间定位上的应用。

发明内容

本发明的目的在于克服上述技术不足，提供一种心电图的异常标注方法及装置，解决现有技术中心电异常区间识别模型建立时样本数据标注成本高的技术问题。

为达到上述技术目的，本发明的技术方案提供一种心电图的异常标注方法，包括以下步骤：

建立第一数据集，标注所述第一数据集中各样本数据的异常类型；

以所述第一数据集作为样本数据对神经网络进行训练得到异常分类模型；

建立第二数据集，标注所述第二数据集中各样本数据的异常类型以及异常区间；

以所述第二数据集作为样本数据对所述异常分类模型进行迁移学习训练得到异常标注模型；

根据所述异常标注模型进行心电图的异常标注。

本发明还提供一种心电图的异常标注装置，包括处理器以及存储器，所述存储器上存储有计算机程序，所述计算机程序被所述处理器执行时，实现所述心电图的异常标注方法。

本发明还提供一种计算机存储介质，其上存储有计算机程序，所述计算机存储介质被处理器执行时，实现所述心电图的异常标注方法。

与现有技术相比，本发明的有益效果包括：由于样本数据的异常类型标注较为容易，因此，本发明首先建立第一数据集，对第一数据集中各样本数据进行异常类型的标注，通过第一数据集进行神经网络训练得到异常分类模型。然后建立第二数据集，第二数据集既标注了异常类型又标注了异常区间，以第二数据集对异常分类模型进行迁移学习训练，得到异常标注模型，异常标注模型即可实现异常分类和异常区间的同时标注。由于本发明中异常标注模型是在异常分类模型的基础之上进行迁移学习得到的，其继承了异常分类模型的特征参数，因此具有一定的分类标注基础，对于第二数据集的数据量要求变小，我们仅需少量的第二数据集，辅以大量的第一数据集即可实现心电异常分类以及异常区间的较高精确度的标注。

附图说明

图1是本发明提供的心电图的异常标注方法一实施方式的流程图；

图2为采用本发明提供的心电图的异常标注方法进行异常标注一实施方式的标注结果图；