一种基于迁移学习和置信度选择的心电异常信号识别方法及装置

摘要

本发明公开了一种基于迁移学习和置信度选择的心电异常信号识别方法，方法包括如下步骤：S1、对大量短时心电数据进行去噪处理；S2、搭建CNN模型，并随机初始化CNN模型中的参数；S3、使用大量的短时心电数据集训练CNN；S4、对少量的长时间心电数据进行切割，使得长度与网络输入适配；S5、使用切割后的短时数据进行迁移训练，每轮训练选择包中置信度最高的k个短时数据作为输入，S6、实现心电异常信号识别的功能。本发明使用基于迁移学习和置信度选择的心电异常信号识别方法，通过对卷积神经网络的预训练来获取信息，再使用迁移学习和置信度选择的方式提升模型在心电异常识别分类的准确率，可以辅助给医生提供参考，降低误诊、漏诊率，减轻医生的工作量。

权利要求

1.一种基于迁移学习和置信度选择的心电异常信号识别方法，其特征在于，包括：S1：获取第一数量的短时心电数据，对获取的第一数量的短时心电数据进行去噪处理；

S2：搭建CNN模型，并随机初始化CNN模型中的参数；

S3：将去噪处理后的第一数量的短时心电数据作为训练数据集，定义损失函数并采用预设算法对CNN模型进行训练，得到原始分类模型；

S4：获取第二数量的长时间心电数据，将获取的第二数量的长时间心电数据作为训练样本，对训练样本进行切割，切割后的训练样本中包括多个短时心电数据，其中，第二数量远小于第一数量；

S5：根据原始分类模型确定切割后的样本中每个短时心电数据的异常置信度，根据异常置信度选取出目标短时数据对原始分类模型进行迁移训练，获得目标分类模型；

S6：利用目标分类模型对待识别的心电数据进行识别；

其中，S5具体包括：

S5.1：根据原始分类模型确定切割后的样本中每个短时心电数据的异常置信度；

S5.2：根据异常置信度大小，选取出异常置信度最高的预设个短时心电数据作为原始分类模型的输入，对原始分类模型进行一轮训练；

S5.3：重复执行S5.1和S5.2直到分类模型收敛或达到预先设定的训练轮数。

2.如权利要求1所述的方法，其特征在于，S1中获取的第一数量的短时心电数据进行去噪处理，包括：采用集成经验模态分解算法和小波软阈值相结合的方法进行去噪处理。

3.如权利要求2所述的方法，其特征在于，S2中参数随机初始化服从高斯分布：2

其中μ为期望，σ为标准差，σ为方差。

4.如权利要求1所述的方法，其特征在于，步骤S2中CNN模型包括多个卷积层、多个池化层和一个全连接层。

5.如权利要求1所述的方法，其特征在于，S3中训练算法为反向传播算法，基于随机梯度下降算法训练分类模型，卷积层输出值的计算公式为：其中，xi+m,j+n表示短时心电数据的第i+m行第j+n列元素；Wm,n表示第m行第n列权重；Wb表示过滤器的偏置项；ai,j表示卷积操作之后得到的特征的第i行第j列元素；f表示激活函数；

反向传播算法具体包括：

S3.1：前向计算每个神经元的输出值ah；

S3.2：反向计算每个神经元的误差项δk，为误差项δk网络的损失函数Ed对神经元加权输入netk的偏导数，即

S3.3：计算每个神经元连接权重Wkh的梯度，公式为 其中，k表示网络的第k个。

6.如权利要求1所述的方法，其特征在于，训练样本包括标签为正常的正常样本和标签为异常的异常样本，S5.2具体包括：根据异常置信度大小，从异常样本中选取出异常置信度最高的预设个短时心电数据作为异常训练数据，从正常样本中选取出异常置信度最高的预设个短时心电数据作为正常训练数据；

将异常训练数据和正常训练数据作为原始分类模型的输入，对原始分类模型进行一轮训练。

7.一种基于迁移学习和置信度选择的心电异常信号识别装置，其特征在于，包括：短时心电数据获取模块，用于获取第一数量的短时心电数据，对获取的第一数量的短时心电数据进行去噪处理；

CNN模型搭建模块，用于搭建CNN模型，并随机初始化CNN模型中的参数；

CNN模型训练模块，用于将去噪处理后的第一数量的短时心电数据作为训练数据集，定义损失函数并采用预设算法对CNN模型进行训练，得到原始分类模型；

长时间心电数据切割模块，用于获取第二数量的长时间心电数据，将获取的第二数量的长时间心电数据作为训练样本，对训练样本进行切割，切割后的训练样本中包括多个短时心电数据，其中，第二数量远小于第一数量；

迁移训练模块，用于根据原始分类模型确定切割后的样本中每个短时心电数据的异常置信度，根据异常置信度选取出目标短时数据对原始分类模型进行迁移训练，获得目标分类模型；

识别模块，用于利用目标分类模型对待识别的心电数据进行识别；

其中，迁移训练模块具体用于执行下述步骤：S5.1：根据原始分类模型确定切割后的样本中每个短时心电数据的异常置信度；

S5.2：根据异常置信度大小，选取出异常置信度最高的预设个短时心电数据作为原始分类模型的输入，对原始分类模型进行一轮训练；

S5.3：重复执行S5.1和S5.2直到分类模型收敛或达到预先设定的训练轮数。

8.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被执行时实现如权利要求1至6中任一项权利要求所述的方法。

9.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至6中任一项权利要求所述的方法。

说明书

一种基于迁移学习和置信度选择的心电异常信号识别方法及

装置

技术领域

[0001] 本发明涉及心电信号识别分类技术领域，具体涉及一种基于迁移学习和置信度选择的心电异常信号识别方法及装置。

背景技术

[0002] 心血管疾病(cardiovascular disease，简称CVD)指的是与心脏或血管的相关的一系列的疾病，又称为循环系统疾病。以下是几个世界卫生组织统计的几个重要事实：心血
管疾病仍然是全球的头号死因，在所有死亡状况中，每年死于心血管疾病的人数超过任何
其它死亡原因。在2016年一年内，估计有1790万人死于心血管疾病，占全球死亡总数的31％
左右，其中，又有85％左右死于心脏病和中风。于心电疾病的诊断，心电图
(Electrocardiogram、ECG或者EKG)是一种经胸腔的以时间为单位记录心脏的电生理活动、
通过安置在皮肤上的电极捕捉其电信号并绘制成线记录下来的诊疗技术。作为一种无创性
的记录方式，心电图的应用最为广泛与权威。

[0003] 近年来，随着模糊识别、人工智能、神经网络等技术水平的提高。随着大数据与人工智能的发展，近年来基于心电图信号数据设计的心电自动诊断算法和系统的研究已经很
多，但是大部分成果仍然停留在实验阶段，距离真正投入商用仍然有较大一段路需要走。即
使是投入商用的部分，由于精度不足，疾病判别不够具体等缺点，对医生们的帮助十分有
限。

[0004] 本申请发明人在实施本发明的过程中，发现现有技术的方法，至少存在如下技术问题：

[0005] 12导联心电图的PDF目前是医院或医生最容易获得的数据。数据量较大，且长度相对较短(12导联心电图的PDF为短时导联数据)，输入神经网络模型后可以快速得到诊断结
果。但是部分长时间导联的数据，由于采集困难，导致整体样本量较少，难以直接用来训练
模型，且大部分数据只有全局标注，在进行样本切分输入进模型时可能出现标签不准确的
情况，导致模型整体性能较差。

发明内容

[0006] 有鉴于此，本发明提供了一种基于迁移学习和置信度选择的心电异常信号识别方法及装置，用以解决或者至少部分解决现有技术中的方法存在的识别结果不准确的技术问
题。

[0007] 为了解决上述技术问题，本发明第一方面提供了一种基于迁移学习和置信度选择的心电异常信号识别方法，包括：

[0008] S1：获取第一数量的短时心电数据，对获取的第一数量的短时心电数据进行去噪处理；

[0009] S2：搭建CNN模型，并随机初始化CNN模型中的参数；

[0010] S3：将去噪处理后的第一数量的短时心电数据作为训练数据集，定义损失函数并采用预设算法对CNN模型进行训练，得到原始分类模型；

[0011] S4：获取第二数量的长时间心电数据，将获取的第二数量的长时间心电数据作为训练样本，对训练样本进行切割，切割后的训练样本中包括多个短时心电数据，其中，第二
数量远小于第一数量；

[0012] S5：根据原始分类模型确定切割后的样本中每个短时心电数据的异常置信度，根据异常置信度选取出目标短时数据对初始分类模型进行迁移训练，获得目标分类模型；

[0013] S6：利用目标分类模型对待识别的心电数据进行识别。

[0014] 在一种实施方式中，S1中获取的第一数量的短时心电数据进行去噪处理，包括：采用集成经验模态分解算法和小波软阈值相结合的方法进行去噪处理。

[0015] 在一种实施方式中，S2中参数随机初始化服从高斯分布：

[0016]

[0017] 其中μ为期望，σ为标准差，σ2为方差。

[0018] 在一种实施方式中，步骤S2中CNN模型包括多个卷积层、多个池化层和一个全连接层。

[0019] 在一种实施方式中，S3中训练算法为反向传播算法，基于随机梯度下降算法训练分类模型，卷积层输出值的计算公式为：

[0020]

[0021] 其中，xi+m,j+n表示图像的第i+m行第j+n列元素；Wm,n表示第m行第n列权重；Wb表示过滤器的偏置项；ai,j表示卷积操作之后得到的特征的第i行第j列元素；f表示激活函数；反向
传播算法具体包括：

[0022] S3.1：前向计算每个神经元的输出值aj；

[0023] S3.2：反向计算每个神经元的误差项δj，为误差项δj网络的损失函数Ed对神经元加权输入netj的偏导数，即

[0024] S3.3：计算每个神经元连接权重Wji的梯度，公式为 其中，j表示网络的第j个。

[0025] 在一种实施方式中，S5具体包括：

[0026] S5.1：根据原始分类模型确定切割后的样本中每个短时心电数据的异常置信度；

[0027] S5.2：根据异常置信度大小，选取出异常置信度最高的预设个短时心电数据作为初始分类模型的输入，对初始分类模型进行一轮训练；

[0028] S5.3：重复执行S5.1和S5.2直到分类模型收敛或达到预先设定的训练轮数。

[0029] 在一种实施方式中，训练样本包括标签为正常的正常样本和标签为异常的异常样本，S5.2具体包括：

[0030] 根据异常置信度大小，从异常样本中选取出异常置信度最高的预设个短时心电数据作为异常训练数据，从正常样本中选取出异常置信度最高的预设个短时心电数据作为正
常训练数据；

[0031] 将异常训练数据和正常训练数据作为初始分类模型的输入，对初始分类模型进行一轮训练。

[0032] 基于同样的发明构思，本发明第二方面提供了一种基于迁移学习和置信度选择的心电异常信号识别装置，包括：

[0033] 短时心电数据获取模块，用于获取第一数量的短时心电数据，对获取的第一数量的短时心电数据进行去噪处理；

[0034] CNN模型搭建模块，用于搭建CNN模型，并随机初始化CNN模型中的参数；

[0035] CNN模型训练模块，用于将去噪处理后的第一数量的短时心电数据作为训练数据集，定义损失函数并采用预设算法对CNN模型进行训练，得到原始分类模型；

[0036] 长时间心电数据切割模块，用于获取第二数量的长时间心电数据，将获取的第二数量的长时间心电数据作为训练样本，对训练样本进行切割，切割后的训练样本中包括多
个短时心电数据，其中，第二数量远小于第一数量；

[0037] 迁移训练模块，用于根据原始分类模型确定切割后的样本中每个短时心电数据的异常置信度，根据异常置信度选取出目标短时数据对初始分类模型进行迁移训练，获得目
标分类模型；

[0038] 识别模块，用于利用目标分类模型对待识别的心电数据进行识别。

[0039] 基于同样的发明构思，本发明第三方面提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被执行时实现第一方面所述的方法。

[0040] 基于同样的发明构思，本发明第四方面提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现
如第一方面所述的方法。

[0041] 本申请实施例中的上述一个或多个技术方案，至少具有如下一种或多种技术效果：

[0042] 本发明提供的一种基于迁移学习和置信度选择的心电异常信号识别方法，首先对对获取的第一数量的短时心电数据进行去噪处理；并利用去噪处理后的短时心电数据对搭
建CNN模型进行训练，可以得到原始分类模型；通过在大量的心电数据上进行预训练，避免
了部分心电数据由于数量较少而带来的先验知识不足的问题，能够充分学习各类心电数据
的特征；然后获取第二数量的长时间心电数据，将获取的第二数量的长时间心电数据作为
训练样本，对训练样本进行切割，其中，第二数量远小于第一数量，即第二数量的长时间心
电数据为少量的数据，第一数量的短时心电数据为大量数据，接着根据原始分类模型确定
切割后的样本中每个短时心电数据的异常置信度，根据异常置信度选取出目标短时数据对
初始分类模型进行迁移训练，获得目标分类模型；即使用迁移学习方法，使用预训练好的模
型进行迁移学习，减少了模型的参数，使模型更加健壮，抗过拟合效果更佳，提升模型的准
确率和泛化能力。进而可以利用目标分类模型对待识别的心电数据进行识别，从而达到提
高识别准确性的技术效果。在具体的应用中为医疗人员提供了可靠地辅助与参考。通过对
大量数据的反复训练，对算法的不断优化，使得心电异常识别分类准确率得到的一定的提
高，为医疗人员提供了可靠地辅助与参考，减少误诊、漏诊率。

[0043] 进一步地，本发明根据异常置信度大小，从异常样本中选取出异常置信度最高的预设个短时心电数据作为异常训练数据，从正常样本中选取出异常置信度最高的预设个短
时心电数据作为正常训练数据；将异常训练数据和正常训练数据作为初始分类模型的输
入，对初始分类模型进行一轮训练，即对深度学习的方法进行了改进，对异常心电数据中的
异常部分进行了筛选，避免了异常心电数据中正常部分对分类模型的干扰。

[0044] 进一步地，为了使模型预测速度更快，使用一维CNN进行卷积操作，更容易训练，只有几十个反向传播(BP)周期。

附图说明

[0045] 为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明
的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据
这些附图获得其他的附图。

[0046] 图1为一种实施方式中基于迁移学习和置信度选择的心电异常信号识别方法实现流程示意图；

[0047] 图2为心电信号原始数据与去噪数据对比图；

[0048] 图3为CNN模型(卷积神经网络)的结构示意图；

[0049] 图4为模型迁移学习时使用置信度选择训练示意图；

[0050] 图5为本发明实施例中一种基于迁移学习和置信度选择的心电异常信号识别装置的结构框图；

[0051] 图6为本发明实施例中一种计算机可读存储介质的结构框图；

[0052] 图7为本发明实施例中计算机设备的结构图。

具体实施方式

[0053] 本发明目的在于提供一种基于迁移学习和置信度选择的心电异常信号识别方法，其主要解决的问题是利用神经网络已经学习到的心电诊断知识迁移到心电数据集上进行
心电异常的识别分类，辅助给医生提供参考，降低误诊、漏诊率，减轻医生的工作量；应用卷
积神经网络自动学习心电数据的特征，再使用迁移学习和置信度选择提升模型的准确率和
泛化能力。

[0054] 为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是
本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员
在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

[0055] 实施例一

[0056] 本实施例提供了一种基于迁移学习和置信度选择的心电异常信号识别方法,该方法包括：

[0057] S1：获取第一数量的短时心电数据，对获取的第一数量的短时心电数据进行去噪处理。

[0058] 具体来说，第一数量的短时心电数据为大量短时心电数据，例如12导联心电图的PDF，第一数量可以根据需要选取，一般为万级别，例如2万、3万、四万等等。对获取的第一数
量的短时心电数据进行去噪处理可以采用现有的方法。

[0059] S2：搭建CNN模型，并随机初始化CNN模型中的参数。

[0060] 具体来说，CNN模型为卷积神经网络模型，可以采用已有神经网络知识进行结构搭建，并对参数进行随机初始化，参数包括学习率、完成一次前向计算及反向传播计算的次数
等。

[0061] S3：将去噪处理后的第一数量的短时心电数据作为训练数据集，定义损失函数并采用预设算法对CNN模型进行训练，得到原始分类模型。

[0062] 具体来说，预设算法可以是反向传播算法。

[0063] S4：获取第二数量的长时间心电数据，将获取的第二数量的长时间心电数据作为训练样本，对训练样本进行切割，切割后的训练样本中包括多个短时心电数据，其中，第二
数量远小于第一数量。

[0064] 具体来说，第二数量的的长时间心电数据为少量长时间心电数据，其远小于第一数量，即不在一个数据级，第二数量为几百或者几十。对第二数量的长时间心电数据进行切
割的目的是使之长度与网络输入适配，进而得到用来进行迁移学习的数据集。

[0065] S5：根据原始分类模型确定切割后的样本中每个短时心电数据的异常置信度，根据异常置信度选取出目标短时数据对初始分类模型进行迁移训练，获得目标分类模型。

[0066] 具体来说，原始分类模型在预测时会给出数据为正常和异常的概率，该概率即为数据的异常置信度，每个短时心电数据通过原始分类模型，可以得到对应的异常置信度，然
后根据异常置信度选取出目标数据进行迁移训练。

[0067] 在每轮训练过程中，选择置信度最高的k个短时数据作为输入，并保存验证集上准确率最高的模型作为最优模型，实现心电异常信号识别的功能，目标模型的最后一层为处
理多分类任务的softmax层，对每层卷积层进行BatchNormalization来加速神经网络训练，
降低对网络初始化的敏感性，使用LeakyRelu激活函数减轻梯度消失问题。

[0068] S6：利用目标分类模型对待识别的心电数据进行识别。

[0069] 具体来说，该步骤是对S5中迁移训练得到的模型的具体应用，利用该模型可以对待识别的心电数据进行识别。

[0070] 其中，图1为具体实施过程中基于迁移学习和置信度选择的心电异常识别方法的实现流程。

[0071] 本发明与现有技术相比，具有以下优点和有益技术效果：

[0072] 1.本发明在大量的心电数据上进行预训练，避免了部分心电数据由于数量较少而带来的先验知识不足的问题，能够充分学习各类心电数据的特征。

[0073] 2.本发明使用迁移学习方法，使用预训练好的模型进行迁移学习，减少了模型的参数，使模型更加健壮，抗过拟合效果更佳，提升模型的准确率和泛化能力。

[0074] 3.发明对深度学习的方法进行了改进，对异常心电数据中的异常部分进行了筛选，避免了异常心电数据中正常部分对分类模型的干扰。

[0075] 4.为了使模型预测速度更快，使用一维CNN进行卷积操作，更容易训练，只有几十个反向传播(BP)周期。

[0076] 5.本发明提高了准确率，为医疗人员提供了可靠地辅助与参考。通过对大量数据的反复训练，对算法的不断优化，使得心电异常识别分类准确率得到的一定的提高，为医疗
人员提供了可靠地辅助与参考，减少误诊、漏诊率。

[0077] 在一种实施方式中，S1中获取的第一数量的短时心电数据进行去噪处理，包括：采用集成经验模态分解算法和小波软阈值相结合的方法进行去噪处理。

[0078] 在具体的实施过程中，去噪前后对比如图2所示，其中(a)表示原始心电数据的示意图，(a)表示去噪处理后的心电数据的示意图，心电信号是采自于人体体表的一种生物电
信号，具有生物电信号的共性：幅值微弱、低频、阻抗大、随机性等，心电信号大部分能量集
中在0.05～100Hz，QRS波群能量集中在5～45Hz，P、T波频率一般在10Hz以下。心电数据主要
存在三种干扰，50Hz工频干扰；基线漂移，频率范围通常为0.15～0.3Hz之间，有时会达到
1Hz；肌电干扰，频率范围很广。在一种实施方式中，采用集成经验模态分解算法和小波软阈
值相结合的去噪方法，一方面，集成经验模态分解算法是避免了经验模态分解模态混叠现
象的发生，另一方面，小波软阈值减少了系数阈值处理过程中造成的有用信息的损失。

[0079] 作为优选，还可以对切割后得到的短时心电数据采用同样的方法进行去噪处理。

[0080] 在一种实施方式中，S2中参数随机初始化服从高斯分布：

[0081]

[0082] 其中μ为期望，σ为标准差，σ2为方差。

[0083] 在一种实施方式中，步骤S2中CNN模型包括多个卷积层、多个池化层和一个全连接层。

[0084] 具体来说，针对本发明使用的短时心电数据，调整卷积核、池化层的大小以适应心电数据的长度，通过层数的搭建和每层参数的配置完成CNN模型的搭建，CNN模型的结构如
图3所示。

[0085] 为了使模型预测速度更快，使用一维CNN进行卷积操作，更容易训练，只有几十个反向传播(BP)周期。

[0086] 在一种实施方式中，S3中训练算法为反向传播算法，基于随机梯度下降算法训练分类模型，卷积层输出值的计算公式为：

[0087]

[0088] 其中，xi+m,j+n表示图像的第i+m行第j+n列元素；Wm,n表示第m行第n列权重；Wb表示过滤器的偏置项；ai,j表示特征映射的第i行第j列元素；f表示激活函数，需要说明的是，在cnn
的每个卷积层，数据是以二维形式存在，可以将其视为多个一维数据的叠加，其中每一个一
维数据称为一个feature map，即卷积操作之后得到的特征，过滤器即卷积核。

[0089] 反向传播算法具体包括：

[0090] S3.1：前向计算每个神经元的输出值aj；

[0091] S3.2：反向计算每个神经元的误差项δj，为误差项δj网络的损失函数Ed对神经元加权输入netj的偏导数，即

[0092] S3.3：计算每个神经元连接权重Wji的梯度，公式为 其中，j表示网络的第j个。

[0093] 具体来说，心电数据的标签均采用one‑hot形式，模型总的损失函数定义为所有参与训练的心电数据交叉熵损失函数的和，单个心电数据的标签及预测结果分别为labeli和
predictioni，则模型总的损失函数定义如下所示：

[0094]

[0095] 基于随机梯度下降算法训练分类模型的实现可以是：采用SGD优化器，学习率指数衰减，具体实施过程中，初始学习率取值为0.001，EPOCH取值为100，batch_size取值为64，
学习率衰减步长为8000，学习率单次衰减率为0.96。

[0096] 具体地，LeakyRelu激活函数为

[0097] LeakyRelu激活函数是给所有负值赋予一个非零斜率，其中，xi表示输入，yi表示输出，ai表示(1，+∞)区间内的固定参数。

[0098] 目标分类模型实现对所有心电数据分类，分类的类别数为2，对别对应的类别名称为：正常心电数据Normal、异常数据Abnormal。

[0099] 在一种实施方式中，S5具体包括：

[0100] S5.1：根据原始分类模型确定切割后的样本中每个短时心电数据的异常置信度；

[0101] S5.2：根据异常置信度大小，选取出异常置信度最高的预设个短时心电数据作为初始分类模型的输入，对初始分类模型进行一轮训练；

[0102] S5.3：重复执行S5.1和S5.2直到分类模型收敛或达到预先设定的训练轮数。

[0103] 具体来说，对于切割后的样本中每个短时心电数据，通过原始分类模型可以得出该数据为异常的概率即为异常置信度。预设个可以根据实际情况进行设置，例如5个、6个等
等。

[0104] 在一种实施方式中，训练样本包括标签为正常的正常样本和标签为异常的异常样本，S5.2具体包括：

[0105] 根据异常置信度大小，从异常样本中选取出异常置信度最高的预设个短时心电数据作为异常训练数据，从正常样本中选取出异常置信度最高的预设个短时心电数据作为正
常训练数据；

[0106] 将异常训练数据和正常训练数据作为初始分类模型的输入，对初始分类模型进行一轮训练。

[0107] 具体来说，请参见图4，为模型迁移学习时使用置信度选择训练示意图，每个切块即每个短时心电数据。

[0108] 总体来说，本发明利用第一数量的(大量)短时心电数据集的信息帮助少量心电数据进行迁移训练，进而对心电异常的进行识别分类，避免了部分心电数据由于数量较少而
带来的先验知识不足的问题，提高了模型的稳定性，同时对异常心电数据中的异常部分进
行了筛选，避免了异常心电数据中正常部分对分类模型的干扰，保证模型的鲁棒性。本发明
能够提高心电数据中异常数据的检出率、识别精度以及识别的效率，辅助医生诊断，减轻其
工作负担，提高诊断效率、为医生提供客观、准确的诊断结果，因此具有较大的社会实用价
值。

[0109] 实施例二

[0110] 基于同样的发明构思，本实施例提供了一种基于迁移学习和置信度选择的心电异常信号识别装置，请参见图5，该装置包括：

[0111] 短时心电数据获取模块201，用于获取第一数量的短时心电数据，对获取的第一数量的短时心电数据进行去噪处理；

[0112] CNN模型搭建模块202，用于搭建CNN模型，并随机初始化CNN模型中的参数；

[0113] CNN模型训练模块203，用于将去噪处理后的第一数量的短时心电数据作为训练数据集，定义损失函数并采用预设算法对CNN模型进行训练，得到原始分类模型；

[0114] 长时间心电数据切割模块204，用于获取第二数量的长时间心电数据，将获取的第二数量的长时间心电数据作为训练样本，对训练样本进行切割，切割后的训练样本中包括
多个短时心电数据，其中，第二数量远小于第一数量；

[0115] 迁移训练模块205，用于根据原始分类模型确定切割后的样本中每个短时心电数据的异常置信度，根据异常置信度选取出目标短时数据对初始分类模型进行迁移训练，获
得目标分类模型；

[0116] 识别模块206，用于利用目标分类模型对待识别的心电数据进行识别。

[0117] 由于本发明实施例二所介绍的装置，为实施本发明实施例一中基于迁移学习和置信度选择的心电异常信号识别方法所采用的装置，故而基于本发明实施例一所介绍的方
法，本领域所属人员能够了解该装置的具体结构及变形，故而在此不再赘述。凡是本发明实
施例一的方法所采用的装置都属于本发明所欲保护的范围。

[0118] 实施例三

[0119] 请参见图6，基于同一发明构思，本申请还提供了一种计算机可读存储介质300，其上存储有计算机程序311，该程序被执行时实现如实施例一中所述的方法。

[0120] 由于本发明实施例三所介绍的计算机可读存储介质为实施本发明实施例一中基于迁移学习和置信度选择的心电异常信号识别方法所采用的计算机可读存储介质，故而基
于本发明实施例一所介绍的方法，本领域所属人员能够了解该计算机可读存储介质的具体
结构及变形，故而在此不再赘述。凡是本发明实施例一中方法所采用的计算机可读存储介
质都属于本发明所欲保护的范围。

[0121] 实施例四

[0122] 基于同一发明构思，本申请还提供了一种计算机设备，请参见图7，包括存储401、处理器402及存储在存储器上并可在处理器上运行的计算机程序403，处理器402执行上述
程序时实现实施例一中的方法。

[0123] 由于本发明实施例四所介绍的计算机设备为实施本发明实施例一中基于迁移学习和置信度选择的心电异常信号识别方法所采用的计算机设备，故而基于本发明实施例一
所介绍的方法，本领域所属人员能够了解该计算机设备的具体结构及变形，故而在此不再
赘述。凡是本发明实施例一中方法所采用的计算机设备都属于本发明所欲保护的范围。

[0124] 本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实
施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机
可用存储介质(包括但不限于磁盘存储器、CD‑ROM、光学存储器等)上实施的计算机程序产
品的形式。

[0125] 本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流
程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序
指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产
生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实
现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

[0126] 尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例做出另外的变更和修改。所以，所附权利要求意欲解释为包括优
选实施例以及落入本发明范围的所有变更和修改。

[0127] 显然，本领域的技术人员可以对本发明实施例进行各种改动和变型而不脱离本发明实施例的精神和范围。这样，倘若本发明实施例的这些修改和变型属于本发明权利要求
及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。