[发明专利]一种不同数据源的心电数据融合方法及装置

权利要求书

1.一种不同数据源的心电数据融合方法，其特征在于，包括以下步骤：

从不同数据源中采集已经标注好初始标签的心电数据，建立心电数据集；

对所述心电数据集中心电数据进行预处理；

通过无监督的深度聚类对预处理后的心电数据集进行聚类，得到多个聚类簇；

分别统计每一聚类簇的心电数据初始标签中各类标签的概率；

基于概率统计结果对各聚类簇中心电数据进行融合，得到融合后的心电数据集。

2.根据权利要求1所述的不同数据源的心电数据融合方法，其特征在于，从不同数据源中采集已经标注好初始标签的心电数据，建立心电数据集，具体为：

从不同数据源中采集不同类别的心电数据，不同数据源中挑选出的同一类别的心电数据的数量在同一设定范围内，得到所述心电数据集。

3.根据权利要求1所述的不同数据源的心电数据融合方法，其特征在于，对所述心电数据集中心电数据进行预处理，具体为：

将所述心电数据转换为空间向量数据，用于提取心电数据的空间特征；

提取所述心电数据中第二导联数据，用于提取心电数据的时域特征；

获取所述心电数据的频谱图，用于提取心电数据的频域特征。

4.根据权利要求1所述的不同数据源的心电数据融合方法，其特征在于，通过无监督的深度聚类对预处理后的心电数据集进行聚类，得到多个聚类簇，具体为：

选取不同的神经网络结构，分别用于提取心电数据的空间特征、时域特征以及频域特征；

基于不同的神经网络结构搭建心电图网络；

采用所述心电数据集中心电数据对所述心电图网络进行训练，得到分类模型；

基于所述心电图网络提取的心电数据特征对心电数据集进行聚类；

基于聚类结果为心电数据标注伪标签；

将伪标签与分类模型输出的预测标签进行对比，计算损失值；

基于所述损失值对所述分类模型进行反向传播训练；

判断是否达到终止条件，如果是，则停止训练，输出聚类结果得到多个聚类簇，否则采用所述心电数据集中下一个心电数据对所述心电图网络进行训练。

5.根据权利要求4所述的不同数据源的心电数据融合方法，其特征在于，选取不同的神经网络结构，分别用于提取心电数据的空间特征、时域特征以及频域特征，具体为：

选用CNN网络，用于提取心电数据的空间特征；

选用LSTM网络，用于提取心电数据的时域特征；

选用CNN网络，用于提取心电数据的频域特征。

6.根据权利要求5所述的不同数据源的心电数据融合方法，其特征在于，基于不同的神经网络结构搭建心电图网络，具体为：

依次设置第一CNN网络、LSTM网络、第二CNN网络、全连接层，得到所述心电图网络。

7.根据权利要求1所述的不同数据源的心电数据融合方法，其特征在于，统计每一聚类簇的心电数据初始标签中各类标签的概率，具体为：

判断心电数据的初始标签是否为单标签，如果是，则保持单标签不变，否则将初始标签拆分为多个单标签；

统计所述单标签中各类标签出现的次数；

根据统计次数计算各类标签出现的概率。

8.根据权利要求1所述的不同数据源的心电数据融合方法，其特征在于，基于概率统计结果对各聚类簇中心电数据进行融合，得到融合后的心电数据集，具体为：

将标签出现的概率大于上限值的心电数据划分为高质量标签数据；

将标签出现的概率小于下限值的心电数据划分为噪声标签数据，并对噪声标签数据进行重新标定；

将标签出现的概率在上限值与下限值之间的心电数据划分为临床标签数据；

结合高质量标签数据、重新标定后的噪声标签数据以及临床标签数据，得到融合后的心电数据集。