心电信号类型识别的方法和装置与流程

本发明属于数据分析
技术领域：
，尤其涉及一种心电信号类型识别的方法和装置。
背景技术：
：心脏在收缩之前，可有预先激动，并向全身扩散，使体表产生电位差，用心电图机把这些电位差记录下来，其图型就叫心电图。心电图检测是20世纪建立起来并广泛应用于临床诊断和监测的重大技术成果之一。随着计算机技术的迅猛发展，心电图应用的标准化也在不断更新。美国心脏学会(aha)联合美国心脏病学会基金会(accf)、美国心律学会(hrs)对心电图标准化和解析进行了一系列的建议和指南，其中建议心电图的诊断标准应对种族等进行校正。传统的心电图自动分析算法，多是根据目前很明确的人种差异设置不同的阈值判断，如v2导联j点抬高的正常值在白人男性上限为0.15mv，黑人男性为0.20mv，白人女性为0.10mv，黑人男性为0.15mv。但是，这种方法需由有经验的专业人士对大量的心电数据进行统计分析，即使统计了大量的心电数据也很难利用大数据的优势；同时，特征的选取中只允许出现少量的参数，结果准确性依然不高。此外，不同的医疗机构，如高原地区的医院与沿海地区的医院，由于面对的医疗群体不同，对于心电图的分析要求准则也不尽相同，完全相同标准的心电图分析算法并不能很好的适应不同区域的医疗环境，分析准确性较低。技术实现要素：有鉴于此，本发明实施例提供了一种心电信号类型识别的方法和装置，可以解决现有技术心电信号识别准确性低的问题。本发明实施例的第一方面提供了一种心电信号类型识别的方法，包括：获取具有预设来源信息的心电信号；获取类型识别模型，所述类型识别模型用于识别具有所述预设来源信息的心电信号的类型；基于所述心电信号，通过所述类型识别模型，得到所述心电信号的类型识别结果。本发明实施例的第二方面提供了一种心电信号类型识别的方法，包括：获取心电信号及所述心电信号的来源信息；根据所述来源信息，获取与所述来源信息对应的类型识别模型，所述类型识别模型用于识别具有所述来源信息的心电信号的类型；基于所述心电信号，通过所述类型识别模型，得到所述心电信号的类型识别结果。本发明实施例的第三方面提供了一种心电信号类型识别的方法，包括：获取样本心电信号，以及所述样本心电信号的类型标签；利用所述样本心电信号及与之对应的类型标签，训练类型识别模型，得到训练好的类型识别基础模型；获取具有相同来源信息的目标心电信号和所述目标心电信号的类型标签，利用所述目标心电信号及与之对应的类型标签，训练所述类型识别基础模型，得到与所述来源信息对应的训练好的类型识别差异模型，所述类型识别差异模型用于识别具有所述来源信息的心电信号的类型。本发明实施例的第四方面提供了一种心电信号类型识别的装置，包括：获取单元，用于获取心电信号及所述心电信号的来源信息；确定模型单元，用于根据所述来源信息，获取与所述来源信息对应的类型识别模型，所述类型识别模型用于识别具有所述来源信息的心电信号的类型；识别单元，用于基于所述心电信号，通过所述类型识别模型，得到所述心电信号的类型识别结果。本发明实施例的第五方面提供了一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述第一方面或第二方面所述方法的步骤。本发明实施例的第六方面提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述第一方面和/或第二方面和/或第三方面所述方法的步骤。本发明实施例中，本发明实施例中，获取心电信号及其来源信息，针对不同来源信息获取对应的心电信号类型识别模型，解决了现有技术中不能适应不同来源的心电信号进行差异化识别的问题，针对不同来源的心电信号采取不同的类型识别模型进行识别，提高了心电信号识别的准确性。附图说明为了更清楚地说明本发明实施例中的技术方案，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，下面描述中的附图仅仅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性的前提下，还可以根据这些附图获得其他的附图。图1是本发明实施例提供的一种心电信号类型识别的方法的实现流程示意图；图2是本发明实施例提供的心电图一个心拍示意图；图3是本发明实施例提供的另一种心电信号类型识别的方法的实现流程示意图；图4是本发明实施例提供的又一种心电信号类型识别的方法的实现流程示意图；图5是本发明实施例提供的一种心电信号类型识别的装置的结构示意图；图6是本发明实施例提供的一种心电信号类型识别的装置的另一结构示意图；图7是本发明实施例提供的一种心电信号类型识别的装置的又一结构示意图；图8是本发明实施例提供的心电图机的结构示意图。具体实施方式以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本发明实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本发明的描述。同时，在本发明的描述中，术语“第一”和“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。为了说明本发明所述的技术方案，下面通过具体实施例来进行说明。图1示出了本发明实施例提供的一种心电信号类型识别的方法的实现流程，该方法适用于对心电信号进行类型识别的情况，由心电信号类型识别的装置执行。该心电信号类型识别的装置通常配置于终端设备，由软件和/或硬件实现。终端设备可以为心电图机等。如图1所示，心电信号类型识别的方法包括步骤：s101至s104。在s101中，获取心电信号及所述心电信号的来源信息。本发明实施例中，心电信号是一种生理信号，包括人体心电信号以及动物体心电信号。通过将信号采集设备中的测量电极放置在生物体表面的一定部位，即可采集出一系列的心电数据，该心电数据记录了身体各部位在每一心动周期中发生的有规律的电压变化情况，则描述了该电压动态变化情况的心电数据即为心电信号，其以心电波形的形式展示于信号采集设备中，其中，所述信号采集设备可以为心电图机。心电图中的一个心拍，在心电图上可有5个或6个波，如图2所示，从左至右为p波，qrs波，t波及u波等波群；又分为7个部分，即p波、pr段、pr间期、qrs波群、st段、t波、qt间期，波型因导联不同可有倒置。本发明的实施例可以适用于包含标准肢体导联及胸部v1导联的心电测量模式，也可以适用于各类常规导联体系的心电测量模式，如12标准导联体系、15导联体系、18导联体系、9导联体系等。来源信息包括所述心电信号的种族信息或区域信息。种族信息反应被采集心电信号的人体所属种族，例如包括白种人、黑种人、黄种人和棕种人。区域信息则反应被采集心电信号的生物体所属地理区域，例如包括高原、平原、山地和丘陵。获取心电信号的来源信息，以区分心电信号所属种族或区域，从而根据来源信息确定用于心电信号类型识别的类型识别模型。在s102中，根据所述来源信息，获取与所述来源信息对应的类型识别模型，所述类型识别模型用于识别具有所述来源信息的心电信号的类型。本发明实施例中，在获取心电信号后，根据心电信号的来源信息，获取与来源信息对应的类型识别模型，该类型识别模型用于识别具有该来源信息的心电信号的类别。预设置有对应不同来源信息的类型识别模型，当确定了待识别的心电信号后，根据心电信号的来源信息，删选出与来源信息对应的类型识别模型。例如，对应高原、平原、山地和丘陵四种区域信息，有四种类型识别模型，当获取的心电信号的区域信息为高原，则获取高原对应的类型识别模型，从而利用该类型识别模型识别待识别心电信号的类别。又如，对应白种人、黑种人、黄种人和棕种人四种种族信息，有四种类型识别模型，当获取的心电信号的种族信息为黄种人，则获取黄种人对应的类型识别模型，从而利用该类型识别模型识别待识别心电信号的类别。类型识别模型用于识别具有该来源信息的心电信号的类别。其中，类型识别模型可以为二分类模型也可以为多分类模型。而多分类模型可以为互斥的多分类模型，也可以是多类多标签模型。作为本发明一实施例，类型识别模型可以为二分类模型，如输出为0和1时，分别对应的类型识别结果为正常心电信号和异常心电信号。作为本发明另一实施例，类型识别模型为互斥的多分类模型，如心电信号的互斥的四分类：心房颤动、心房扑动、室性心律失常、非房扑/颤的房性心律失常。心房颤动、心房扑动、室性心律失常、非房扑/颤的房性心律失常对应的分类概率分别为0.1、0.6、0.15和0.15，那么心电信号对应的类型识别结果为概率最大的分类结果，即心房扑动。作为本发明另一实施例，类型识别模型为多分类多标签模型，如异常心电信号的多标签的四分类：心律失常、心室肥厚、心肌梗死和传导阻滞。对心电信号的类型识别结果为仅输出与心室肥厚和传导阻滞对应的分类标签，那么心电信号对应的类型识别结果为两个，即心室肥厚和传导阻滞。在s103中，对所述心电信号进行预处理得到预处理后的心电信号；本发明实施例中，对心电信号进行预处理包括：对心电信号经过重采样，转换为预设标准格式，并对转换后的预设标准格式的心电信号进行滤波处理。其中，心电信号的数据格式包括但不限于数据采样率、数据分辨率、导联数目、和导联顺序等，把心电信号转换为预设标准格式，即将心电信号转换为具有预设采样率、预设分辨率、预设导联数、和预设导联顺序等。预设标准格式根据具体实现而定，本发明对此不做具体限制。对心电信号进行重采样主要是为了统一数据采样率、数据分辨率、导联数目、和导联顺序等。其中，通过抗混叠滤波器后降采样到预设的某一频率，例如将心电信号从1000hz降采样到500hz，需要先经过250hz以下的低通抗混叠滤波器，然后进行2:1的抽点，从而将心电信号的数据采样率从1000hz降采样到500hz。滤波处理包括基线漂移滤波、低通滤波、或工频滤波等，滤波处理用于去除心电信号中的噪声干扰信息。在本发明实施例中，包括但不限于使用平均滤波器、一阶iir滤波器、或小波变换等方式对预设标准格式的心电信号进行滤波处理。需要说明的是，本发明实施例中，s102和s103的顺序可以调整，s102可以在s103之前执行，也可以在s103之后执行，或者与s103同时执行。本发明对s102和s103的执行先后顺序不做具体限定。在s104中，基于预处理后的所述心电信号，通过所述类型识别模型，得到所述心电信号的类型识别结果。在本发明实施例中，对心电信号进行预处理后，可以基于预处理后的所述心电信号通过类型识别模型得到所述心电信号的类型识别结果。可选地，所述类型识别模型可以为以人工智能中机器学习技术为基础的深度学习模型，例如，卷积神经网络模型、递归循环神经网络模型、和深度置信网络模型等等。作为本发明一实施例，基于预处理后的所述心电信号，通过所述类型识别模型，得到所述心电信号的类型识别结果，包括：将预处理后的所述心电信号输入所述类型识别模型，得到所述心电信号的类型识别结果。本实施例中，直接将预处理后的心电信号，即由各采样时刻电压值组合而成的电压序列，作为类型识别模型的输入向量，输入类型识别模型得到所述心电信号的类型识别结果。作为本发明另一实施例，所述基于预处理后的所述心电信号，通过所述类型识别模型，得到所述心电信号的类型识别结果，包括：提取预处理后的所述心电信号的特征参数，根据所述特征参数生成特征向量，将所述特征向量输入所述类型识别模型，得到所述心电信号的类型识别结果。具体地，提取预处理后的所述心电信号的特征参数，包括：检测预处理后的所述心电信号中的qrs波，基于所述qrs波的检测结果，提取预处理后的所述心电信号的心电节律信息，并基于所述心电节律信息计算心电测量参数，将所述心电节律信息和/或所述心电测量参数作为预处理后的所述心电信号的特征参数。其中，qrs波是指正常心电图中幅度最大的波群，能够反映心室除极的全过程。正常心室除极始于室间隔中部，自左向右方向除极，故qrs波群先呈现一个小向下的q波。利用差分法、阈值检测法、模板匹配法、小波变换法等qrs检测算法，可从心电信号中检测出各个qrs波群所在的位置，从而获得心电信号中的每个qrs波群。在本发明实施例中，可以选用经典的pan-tompkins法进行qrs波的检测，该方法包括带通滤波、非线性变换及规则判断三个步骤，所述带通滤波器由高通滤波器和低通滤波器级联而成，增强qrs波主要能量所在的5～12hz频段的信号分量；接着对信号进行逐点微分、平方与积分运算，得到非线性变换后的信号；若检测出信号的峰值大于预设阈值，则认为检测到一个qrs波。进行qrs波检测后，提取预处理后的心电信号的心电节律信息。心电节律信息包括心电信号中各心拍的p波、qrs波、和t波的位置。基于心电节律信息计算心电测量参数。心电测量参数包括：各子波幅值或时限，各子波间期。各子波幅值或时限包括但不限于：p波时限幅度、qrs波各子波时限幅值、t波时限幅值、和st段幅值；各子波间期包括但不限于：pr间期、qt间期、rr间期、和pp间期。基于所述心电节律信息和/或所述心电测量参数作为预处理后的所述心电信号的特征参数。然后选择部分或全部特征参数构成特征向量，作为类别识别模型的输入向量，得到心电信号类型识别结果。其中，选择部分或全部特征参数构成特征向量，基于在训练类型识别模型时，采取哪些特征参数构成特征向量进行训练，那么对应地，在使用训练好的类型识别模型时，则生成对应的特征向量输入类型识别模型以输出分类结果。此外，为了使类型识别模型适用于不同个体，减小个体差异性的影响，需要对提取的所述特征参数进行标准化处理，并在完成所述特征参数的标准化后，将所述特征参数构成特征向量。其中，所述标准化是一种无量纲处理手段，用于将所述特征参数数值的绝对值变成某种相对值的关系，简化计算的同时提高所述类型识别模型的泛化性能。作为本发明另一实施例，在前述两个实施例的基础上，基于提取到的预处理后的所述心电信号的特征参数，将所述特征参数和预处理后的所述心电信号组合成输入向量，输入所述类型识别模型，得到所述心电信号的类型识别结果。在本实施例中，将特征参数和心电信号组合成输入向量，直接提升了输入向量的维度，使得输入向量携带了更丰富的特征信息，从而能得到更准确的识别结果。可选地，为了使类型识别模型适用于不同个体，减小个体差异性的影响，需要对提取的所述特征参数和心电信号进行标准化处理，并在完成所述特征参数和心电信号的标准化后，将所述特征参数和心电信号组合构成特征向量。在生成所述特征向量后，只需将所述特征向量输入至训练好的所述类型识别模型，即可得到心电信号的类型识别结果。本发明实施例中，获取心电信号及其来源信息，针对不同来源信息获取对应的心电信号类型识别模型，提高了心电信号识别的准确性。在上述实施例的基础上，需要说明的是，若对识别结果的精度要求不是太高的情况下，还可以省略对心电信号进行预处理的步骤，此时，直接对采集到的心电信号进行类型识别，而不对心电信号进行预处理后再通过类型识别模型进行类型识别。此时心电信号的类型识别方法中不包括对心电信号进行预处理的步骤，其他步骤与上述实施例类似，此处不再赘述。如图3所示，本发明实施例另外还提供一种心电信号类型识别的方法，所述识别方法可以得到用于识别心电信号类型的训练好的类型识别模型，该方法由心电信号类型识别的装置执行。该心电信号类型识别的装置通常配置于服务器，可由软件和/或硬件实现。如图3所示，该心电信号类型识别的方法包括步骤：s301至s304。在s301中，获取样本心电信号，以及所述样本心电信号的类型标签。在本发明实施例中，样本心电信号组成基础数据库。所述基础数据库中心电数据可以是通过心电图机、心电网络、或心电云平台等心电图采集设备采集而来，也可以由各类公开的心电图数据组成。基础数据库中的全部样本心电数据均由临床医生或专家进行标注，这样就得到与样本心电信号对应的类型标签。例如，当样本心电信号对应的类别为正常心电信号时，将该样本心电信号对应的类型标签标注为1；当样本心电信号对应的类别为异常心电信号时，将该样本心电信号对应的类型标签标注为0。需要说明的是，所述基础数据库的心电图数据源于多种族或多区域的分布范围较广的心电图数据汇集而成。样本心电信号的类型标签为所述心电信号的类型对应的标签。样本心电数据覆盖了心电信号待分类的所有类型。例如，要训练出用于识别心电信号是属于正常心电信号和异常心电信号的二分类识别模型，则样本心电信号的类型标签包括正常心电信号标签和异常心电信号标签。即样本心电数据包括正常心电信号和异常心电信号。在s302中，对所述样本心电信号进行预处理得到预处理后的样本心电信号。其中，对所述样本心电信号进行预处理的具体过程可以参照前述步骤s103的描述，此处不再赘述。在s303中，利用预处理后的所述样本心电信号及与之对应的类型标签，训练类型识别模型，得到训练好的类型识别基础模型；对所述样本心电信号进行预处理后，根据与之对应的类型标签，即可通过训练类型识别模型，得到训练好的类型识别基础模型。具体地，s303可以包括：根据预处理后的所述样本心电信号生成输入向量，将所述输入向量输入所述类型识别模型，得到输出结果，根据所述输出结果和预处理后的所述样本心电信号对应的标签类型，调整所述类型识别模型的输入向量、模型结构或超参数，直至所述类型识别模型满足预设条件，将满足预设条件的类型识别模型作为类型识别基础模型。其中，根据对图1所示实施例的描述，对应地，用于训练类型识别模型的输入向量有三种情形，此处不再赘述。在训练过程中，利用类型识别模型对上述样本心电信号进行类型识别，根据识别结果调整类型识别模型的输入向量、或模型结构、或超参数中的至少一个，直到调整后的类型识别模型可以识别出所有样本心电信号的类型，或检测出类型识别的准确率大于预设值等，则将该调整后的类型识别模型作为训练好的类型识别基础模型。其中，调整模型结构可以包括改变模型类别，即变更深度学习模型，如卷积神经网络模型、递归循环神经网络模型、和深度置信网络模型等等。类型识别模型的超参数可以包括学习速率、迭代次数、每层神经元的个数等。类型识别模型的输入向量，可以包括输入向量包括的特征参数和维度等。在s304中，获取具有相同来源信息的目标心电信号和所述目标心电信号的类型标签，利用所述目标心电信号及与之对应的类型标签，训练所述类型识别基础模型，得到与所述来源信息对应的训练好的类型识别差异模型，所述类型识别差异模型用于识别具有所述来源信息的心电信号的类型。由于基础数据库为多个来源收集的心电数据集合，该基础数据库可能包含了某一特定来源，如黄种人，的心电图、也可能不包括这一特定来源的心电图；通过基础数据库训练得到的类型识别模型能够对普通人群的心电图做出正确的分类，但是当特定来源的心电图特点与普通人群心电图不完全一致的时候，类型识别基础模型的分类结果可能错误；为了减少对特定来源的心电图的分类错误，引入了迁移学习思想，即步骤s304。作为本发明一实施例，步骤s304中获取具有相同来源信息的目标心电信号和所述目标心电信号的类型标签，包括：在所述样本心电信号中筛选出具有相同来源信息的样本心电信号，并将具有相同来源信息的样本心电信号作为目标心电信号；并获取所述目标心电信号对应的类型标签。在该实施例中，若基础数据库中有某特定来源的心电图数据，则从基础数据库中将该部分数据筛选出来，作为目标区域数据库，继续在类型识别基础模型的基础上进行训练，这一过程就增加了特定来源的心电数据的权重，提高了针对特定来源的生物体的心电信号的分类准确性。作为本发明另一实施例，步骤s304中获取具有相同来源信息的目标心电信号和所述目标心电信号的类型标签，包括：获取具有相同来源信息的目标心电信号，并获取所述目标心电信号对应的类型标签。在该实施例中，如果基础数据库中没有某特定来源的心电数据，则收集该特定来源的心电数据，作为目标区域数据库，把收集的心电数据继续在类型识别基础模型的基础上训练，在训练过程中，基础模型会进一步学习提取这一特定来源的心电图特点，提高模型对该来源的心电图的分类准确性。需要说明的是，训练所述类型识别基础模型得到类型识别差异模型的过程与训练类型识别模型得到类型识别基础模型的过程类似，在训练过程中调整所述类型识别基础模型的输入向量和超参数，直至得到满足预设条件的类型识别差异模型。在上述实施例的基础上，需要说明的是，若对识别结果的精度要求不是太高的情况下，还可以不进行对心电信号进行预处理的步骤，此时，直接将采集到的心电信号进行类型识别模型的训练。此时心电信号的类型识别方法中不包括对心电信号进行预处理的步骤，其他步骤与上述实施例类似，此处不再赘述。服务器将训练好的多个用于识别不同来源信息的类型识别差异模型推送至心电图机，或者由研发人员在心电图机出厂前进行预存储，从而在对心电图机采集的心电信号进行类型识别时，获取与心电信号的来源信息对应的类型识别差异模型进行类型识别。需要说明的是，心电图机采集的心电信号还可以反馈给服务器，以增加基础数据库的心电数据，在服务器端执行类型识别差异模型的进一步优化，服务器再将进一步优化的类型识别差异模型推送给心电图机以替换之前的类型识别差异模型。在其他实施例中，服务器将训练好的类型识别差异模型推送至某区域或某人种集中的心电图机，或者由研发人员在某区域或某人种集中的心电图机出厂前进行预存储，从而在对心电图机采集的心电信号进行类型识别时，直接获取具有预设来源信息的心电信号，并获取类型识别差异模型直接对具有预设来源信息的心电信号进行类型识别。需要说明的是，某区域或某人种集中的心电图机采集的心电信号还可以反馈给服务器，以增加基础数据库和/或目标区域数据库的心电数据，在服务器端执行类型识别差异模型的进一步优化，服务器再将进一步优化的类型识别差异模型推送给对应的心电图机以替换之前的类型识别差异模型。或者，某区域或某人种集中的心电图机采集的心电信号反馈给服务器，组成服务器再训练过程中的目标区域数据库的心电数据，在服务器端执行类型识别基础模型的进一步训练以得到类型识别差异模型，服务器再将这种类型识别差异模型推送至心电图机。这种情况下，心电图机仅具有对应预设来源信息的一种类型识别差异模型，当心电图机采集到具有预设来源信息的心电信号后，获取到用于识别具有该预设来源信息的心电信号的差异模型进行类型识别。基于此，本发明还提供了另一种心电信号类型识别的方法。图4示出了本发明实施例提供的另一种心电信号类型识别的方法的实现流程，该方法适用于对心电信号进行类型识别的情况，由心电信号类型识别的装置执行。该心电信号类型识别的装置通常配置于终端设备，由软件和/或硬件实现。终端设备可以为心电图机等。如图4所示，心电信号类型识别的方法包括步骤：s401至s403。该方法实施例中未详细描述之处请参加图1所述实施例。在s401中，获取具有预设来源信息的心电信号。其中，由于心电图机为某区域或针对某种人种的心电图机，因此，心电图机采集的心电信号为具有预设来源信息的心电信号。预设来源信息包括区域信息或人种信息的任一种。比如，心电图机为高原地区的心电图机，则获取来自高原地区的心电信号。在s402中，获取类型识别模型，所述类型识别模型用于识别具有所述预设来源信息的心电信号的类型。其中，心电图机预置有识别具有预设来源信息的心电信号的类型的类型识别模型。比如，心电图机为高原地区的心电图机，则预置有识别高原地区的心电信号的类型识别模型。s403中，基于所述心电信号，通过所述类型识别模型，得到所述心电信号的类型识别结果。可选地，在上述实施例的基础上，还包括对心电信号进行预处理的步骤，请参见对图1所示实施例的描述，此处不再赘述。下面以具体的试验来验证本发明方法引入迁移学习思想的有效性。试验中的基础数据库数据来源于多地医院通过心电图机、心电网络等平台采集的心电图，约15万例。目标区域数据库源于某地通过心电网络采集的心电图，约5万例。所有心电数据均经过临床医生或专家标注，目标区域数据库中80％作为训练集，10％作为验证集，10％作为测试集。表1给出了类型识别基础模型和使用迁移学习后再训练得到的类型识别差异模型对目标区域心电图数据分析的准确性。表1：类型识别基础模型(对应表中标识a)和类型识别差异模型(对应表中标识b)对某地心电图分类的准确性召回率特异性准确率准确性f得分a90.73％90.37％93.87％90.59％92.27％b92.36％93.99％96.54％92.94％94.40％通过表1可以看出，本发明的类型识别差异模型对心电信号的类型识别明显的优于类型识别基础模型，分析准确性显著提高。如图5所示，为本发明实施例提供的一种心电信号类型识别的装置500，包括：获取单元501、确定模型单元502、预处理单元503和识别单元504。获取单元501，用于获取心电信号及所述心电信号的来源信息；确定模型单元502，用于根据所述来源信息，获取与所述来源信息对应的类型识别模型，所述类型识别模型用于识别具有所述来源信息的心电信号的类型；预处理单元503，用于对所述心电信号进行预处理得到预处理后的心电信号；识别单元504，用于基于预处理后的所述心电信号，通过所述类型识别模型，得到所述心电信号的类型识别结果。需要说明的是，本实施例提供的一种心电信号类型识别的装置的实现过程可以参考如图1中提供的一种心电信号类型识别的方法的实现过程，在此不再赘述。如图6所示，为本发明实施例提供的一种心电信号类型识别的装置600，包括：第一获取单元601、第二获取单元602、和识别单元603。第一获取单元601，用于获取具有预设来源信息的心电信号；第二获取单元602，用于获取类型识别模型，所述类型识别模型用于识别具有所述预设来源信息的心电信号的类型；识别单元603，用于基于所述心电信号，通过所述类型识别模型，得到所述心电信号的类型识别结果。需要说明的是，本实施例提供的一种心电信号类型识别的装置的实现过程可以参考如图4中提供的一种心电信号类型识别的方法的实现过程，在此不再赘述。如图7所示，为本发明实施例提供的另一种心电信号类型识别的装置700，包括：获取单元701、预处理单元702、第一训练单元703和第二训练单元704。获取单元701，用于获取样本心电信号，以及所述样本心电信号的类型标签；预处理单元702，用于对所述样本心电信号进行预处理得到预处理后的样本心电信号；第一训练单元703，用于利用预处理后的所述样本心电信号及与之对应的类型标签，训练类型识别模型，得到训练好的类型识别基础模型；第二训练单元704，用于获取具有相同来源信息的目标心电信号和所述目标心电信号的类型标签，利用所述目标心电信号及与之对应的类型标签，训练所述类型识别基础模型，得到与所述来源信息对应的训练好的类型识别差异模型，所述类型识别差异模型用于识别具有所述来源信息的心电信号的类型。需要说明的是，本实施例提供的一种心电信号类型识别的装置的实现过程可以参考如图3中提供的一种心电信号类型识别的方法的实现过程，在此不再赘述。应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。图8是本发明一实施例提供的心电图机的示意图。如图8所示，该实施例的心电图机8包括：处理器80、存储器81以及存储在所述存储器81中并可在所述处理器80上运行的计算机程序82，例如心电信号类型识别的程序。所述处理器80执行所述计算机程序82时实现上述心电信号类型识别的方法实施例中的步骤，例如图1所示的步骤s101至s104。或者，所述处理器80执行所述计算机程序82时实现上述各装置实施例中各模块/单元的功能，例如，图5所示单元501至504的功能。示例性的，所述计算机程序82可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器81中，并由所述处理器80执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序82在所述心电图机80中的执行过程。例如，所述计算机程序82可以被分割成获取单元、确定模型单元、预处理单元和识别单元(虚拟装置中的单元)，各单元具体功能如下：获取单元，用于获取心电信号及所述心电信号的来源信息；确定模型单元，用于根据所述来源信息，获取与所述来源信息对应的类型识别模型，所述类型识别模型用于识别具有所述来源信息的心电信号的类型；预处理单元，用于对所述心电信号进行预处理得到预处理后的心电信号；识别单元，用于基于预处理后的所述心电信号，通过所述类型识别模型，得到所述心电信号的类型识别结果。所述心电图机可包括，但不仅限于，处理器80、存储器81。本领域技术人员可以理解，图8仅仅是心电图机80的示例，并不构成对心电图机80的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述心电图机还可以包括输入输出设备、网络接入设备、总线等。所称处理器80可以是中央处理单元(centralprocessingunit，cpu)，还可以是其他通用处理器、数字信号处理器(digitalsignalprocessor，dsp)、专用集成电路(applicationspecificintegratedcircuit，asic)、现场可编程门阵列(field-programmablegatearray，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。所述存储器81可以是所述心电图机80的内部存储单元，例如心电图机80的硬盘或内存。所述存储器81也可以是所述心电图机80的外部存储设备，例如所述心电图机80上配备的插接式硬盘，智能存储卡(smartmediacard,smc)，安全数字(securedigital,sd)卡，闪存卡(flashcard)等。进一步地，所述存储器81还可以既包括所述心电图机80的内部存储单元也包括外部存储设备。所述存储器81用于存储所述计算机程序以及所述心电图机所需的其他程序和数据。所述存储器81还可以用于暂时地存储已经输出或者将要输出的数据。所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。本发明实施例还提供一种服务器，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述图3所述心电信号类型识别的方法的步骤。或者，所述处理器执行所述计算机程序时实现上述各装置实施例中各模块/单元的功能，例如，图7所示模块701至704的功能。在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。在本发明所提供的实施例中，应该理解到，所揭露的装置/终端设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/终端设备实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、u盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(read-onlymemory，rom)、随机存取存储器(randomaccessmemory，ram)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。以上所述实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。当前第1页12