技术特征：
1.一种基于对比学习的心电数据处理方法，其特征在于，所述方法包括：获取多组无标签心电样本和多组有标签心电样本，并根据所述多组无标签心电样本构建一组卷积神经网络模型；通过所述卷积神经网络模型，根据所述多组无标签心电样本，得到所述多组无标签心电样本的特征向量组合；对所述多组无标签心电样本进行片段截取，并根据截取的心电样本片段的特征向量组合构建所述多组无标签心电样本的正样本和负样本，对所述卷积神经网络模型进行训练，得到心电特征提取器；构建一个多层感知机模型，并以所述多组有标签心电样本在所述心电特征提取器中输出的特征向量组合为输入，以所述多组有标签心电样本的分类标签为输出，对所述多层感知机模型进行训练，得到心电数据处理模型；获取待处理的心电数据，并将所述待处理的心电数据输入到所述心电数据处理模型中，得到所述待处理的心电数据的分类结果。2.根据权利要求1所述的方法，其特征在于，所述获取多组无标签心电样本和多组有标签心电样本，并根据所述多组无标签心电样本构建一组卷积神经网络模型，包括：获取多组无标签心电样本和多组有标签心电样本，其中，每组所述无标签心电样本和每组所述有标签心电样本中均包含n导联心电数据；根据所述多组无标签心电样本，构建一组卷积神经网络模型，其中，所述一组卷积神经网络模型中包含与所述n导联心电数据一一对应的n个卷积神经网络模型。3.根据权利要求2所述的方法，其特征在于，所述通过所述卷积神经网络模型，根据所述多组无标签心电样本，得到所述多组无标签心电样本的特征向量组合，包括：将所述多组无标签心电样本的n导联心电数据分别输入到对应的所述n个卷积神经网络模型中，得到每组所述无标签心电样本的n个特征向量；分别对每组所述无标签心电样本的n个特征向量进行拼接，得到每组所述无标签心电样本的特征向量组合。4.根据权利要求3所述的方法，其特征在于，所述对所述多组无标签心电样本进行片段截取，并根据截取的心电样本片段的特征向量组合构建所述多组无标签心电样本的正样本和负样本，对所述卷积神经网络模型进行训练，得到心电特征提取器，包括：从每组所述无标签心电样本中截取出至少一段心电样本片段，其中，所述心电样本片段中包含n导联心电数据片段；通过所述卷积神经网络模型，根据所述多组无标签心电样本的每个心电样本片段，得到所述多个无标签心电样本的每个心电样本片段的特征向量组合；对于每个所述无标签心电样本，将属于所述无标签心电样本的心电样本片段的特征向量组合作为正样本，将不属于所述无标签心电样本的心电样本片段的特征向量组合作为负样本；根据每个所述无标签心电样本的正样本和负样本，对所述卷积神经网络模型进行训练，得到心电特征提取器。5.根据权利要求4所述的方法，其特征在于，所述通过所述卷积神经网络模型，根据所述多组无标签心电样本的每个心电样本片段，得到所述多个无标签心电样本的每个心电样
本片段的特征向量组合，包括：将每组所述无标签心电样本的每个心电样本片段的n导联心电数据片段分别输入到对应的所述n个卷积神经网络模型中，得到每组所述无标签心电样本的每个心电样本片段的n个特征向量；分别对每组所述无标签心电样本的每个心电样本片段的n个特征向量进行拼接，得到多个所述无标签心电样本的每个心电样本片段的特征向量组合。6.根据权利要求4所述的方法，其特征在于，所述根据每个所述无标签心电样本的正样本和负样本，对所述卷积神经网络模型进行训练，得到心电特征提取器，所述：计算每个所述无标签心电样本的正样本和负样本与所述无标签心电样本的特征向量组合之间的距离；根据所述每个无标签心电样本的正样本和负样本与所述无标签心电样本的特征向量组合之间的距离，计算所述心电特征提取器的损失函数；利用所述心电特征提取器的损失函数，对所述卷积神经网络模型的参数进行迭代训练，得到心电特征提取器。7.根据权利要求1所述的方法，其特征在于，所述方法还包括：以所述多组有标签心电样本在所述心电特征提取器中输出的特征向量组合为输入，以所述多组有标签心电样本的分类标签为输出，对所述心电特征提取器的参数进行优化训练，得到优化后的心电特征提取器。8.一种基于对比学习的心电数据处理装置，其特征在于，所述装置包括：心电样本获取模块，用于获取多组无标签心电样本和多组有标签心电样本，并根据所述多组无标签心电样本构建一组卷积神经网络模型；心电样本处理模块，用于通过所述卷积神经网络模型，根据所述多组无标签心电样本，得到多组无标签心电样本的特征向量组合；特征提取器训练模块，用于对所述多组无标签心电样本进行片段截取，并根据截取的心电样本片段的特征向量组合构建所述多组无标签心电样本的正样本和负样本，对所述卷积神经网络模型进行训练，得到心电特征提取器；心电处理模型训练模块，用于构建一个多层感知机模型，并以所述多组有标签心电样本在所述心电特征提取器中输出的特征向量组合为输入，以所述多组有标签心电样本的分类标签为输出，对所述多层感知机模型进行训练，得到心电数据处理模型；心电数据处理模块，用于获取待处理的心电数据，并将所述待处理的心电数据输入到所述心电数据处理模型中，得到所述待处理的心电数据的分类结果。9.一种存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。10.一种计算机设备，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，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
技术总结
本发明涉及人工智能及数字医疗领域，提供了一种基于对比学习的心电数据处理方法、装置及存储介质。该方法包括：获取无标签心电样本和有标签心电样本，并构建卷积神经网络模型；通过卷积神经网络模型，得到无标签心电样本的特征向量组合；对无标签心电样本进行片段截取，并根据片段截取结果生成正负样本，对卷积神经网络模型进行训练，得到心电特征提取器；以有标签心电样本在心电特征提取器中输出的特征向量组合为输入，以有标签心电样本的分类标签为输出，对多层感知机模型进行训练，得到心电数据处理模型；获取待处理的心电数据，通过心电数据处理模型得到待处理的心电数据的分类结果。上述方法能够有效的增加模型的样本量并提升模型性能。量并提升模型性能。量并提升模型性能。
技术研发人员：徐啸
受保护的技术使用者：平安科技（深圳）有限公司
技术研发日：2021.08.31
技术公布日：2021/11/29