[发明专利]基于对比学习的心电图分析方法、终端设备及存储介质

说明书

本发明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，该方法中包括：S1：采集心电图数据组成训练集；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；S3：对待分类心电图数据中的待分类心搏进行预分类；S4：通过人工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；S5：针对未修正的分类结果，将其与阳性参考样本集合共同输入样本类别分类模型进行分类，根据类别标签判定是否为阳性样本。本发明能够快速达成全部数据的准确分析目标。

技术领域

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

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。

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。

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。

发明内容

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。

具体方案如下：

一种基于对比学习的心电图分析方法，包括以下步骤：

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；

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；

S3：对待分类心电图数据中的待分类心搏进行预分类；

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；

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。

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。

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。

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。