心电图图像识别方法、装置及服务终端与流程

本发明涉及心电图分析技术领域，具体而言，涉及一种心电图图像识别方法、装置及服务终端。

背景技术：

深度学习是机器学习研究中一个新的领域，其动机在于建立、模拟人脑进行分析学习。深度学习是一种数据驱动模型，能够模拟人脑视觉机理自动地学习到数据各个层次的抽象特征。

随着医学影像技术的快速发展，医学影像分析步入大数据时代，该医学影像主要指心电图，在现有技术中，主要由人工对不同种类的心电图进行分析进而诊断疾病种类，工作量非常大，同时不便于积累数据。因此，利用深度学习的方法对大量的心电图图像进行分析，不仅能够积累大量数据，减轻了工作人员的工作量，同时顺应了大数据时代的发展。

技术实现要素：

本发明的目的在于提供一种心电图图像识别方法，以实现积累数据，自主对心电图图像进行分析，减轻工作人员工作量的功能。

本发明的另一目的在于提供一种心电图图像识别装置，以实现积累数据，自主对心电图图像进行分析，减轻工作人员工作量的功能。

本发明的另一目的在于提供一种服务终端，以实现积累数据，自主对心电图图像进行分析，减轻工作人员工作量的功能。

为了实现上述目的，本发明实施例采用的技术方案如下：

第一方面，本发明实施例提供了一种心电图图像识别方法，应用于服务终端，所述服务终端包括心电图深度学习模型，所述服务终端用于心电图图像的输入，所述方法包括：

将输入的心电图图像分成多个图像片段；

利用所述心电图深度学习模型对所述多个图像片段进行特征提取；

根据提取的所述特征，利用心电图深度学习模型识别所述多个图像片段中每一个图像片段以获得所述输入的心电图图像的信息。

进一步地，所述将输入的心电图分成多个图像片段之前还包括步骤：

预设深度学习模型；

根据多个种类的已有的心电图图像，利用深度学习方法，对所述深度学习模型进行训练，获取心电图深度学习模型。

进一步地，所述对所述深度学习模型进行训练，获取心电图深度学习模型的步骤包括：

将所述已有的心电图图像分成多个图像数据；

利用深度学习模型，提取所述多个图像数据的特征；

根据提取的所述多个图像数据的特征，利用所述深度学习模型，对所述多个图像数据进行分类以获得心电图深度学习模型。

进一步地，所述根据提取的所述特征，利用心电图深度学习模型识别所述多个图像片段中每一个图像片段以获得所述输入的心电图图像的信息的步骤包括：

根据提取的所述特征，利用心电图深度学习模型匹配出所述特征所属的分类；

根据所述特征所属的分类得到心电图图像的信息。

第二方面，本发明实施例还提供了一种心电图图像识别装置，应用于服务终端，所述服务终端包括心电图深度学习模型，所述服务终端用于心电图图像的输入，所述装置包括：

拆分模块，用于将输入的心电图图像分成多个图像片段；

第一提取模块，用于利用所述心电图深度学习模型对所述多个图像片段进行特征提取；

识别模块，用于根据提取的所述特征，利用心电图深度学习模型识别所述多个图像片段中每一个图像片段以获得所述输入的心电图图像的信息。

进一步地，所述心电图图像识别装置还包括：

预设模块，用于预设深度学习模型；

训练模块，用于根据多个种类的已有的心电图图像，利用深度学习方法，对所述深度学习模型进行训练，获取心电图深度学习模型。

进一步地，所述训练模块包括：

分割模块，用于将所述已有的心电图图像分成多个图像数据；

第二提取模块，用于利用深度学习模型，提取所述多个图像数据的特征；

分类模块，用于根据提取的所述多个图像数据的特征，利用所述深度学习模型，对所述多个图像数据进行分类以获得心电图深度学习模型。

进一步地，所述识别模块还包括：

匹配模块，用于根据提取的所述特征，利用心电图深度学习模型匹配出所述特征所属的分类；

获取模块，用于根据所述特征所属的分类得到心电图图像的信息。

第三方面，本发明实施例还提供了一种服务终端，所述服务终端包括心电图深度学习模型，所述服务终端用于心电图图像的输入，所述服务终端包括：

存储器；

处理器；以及

心电图图像识别装置，所述心电图图像识别装置安装于所述存储器并包括一个或多个由所述处理器执行的软件功能模块，所述心电图图像识别装置包括：

拆分模块，用于将输入的心电图图像分成多个图像片段；

第一提取模块，用于利用所述心电图深度学习模型对所述多个图像片段进行特征提取；

识别模块，用于根据提取的所述特征，利用心电图深度学习模型识别所述多个图像片段中每一个图像片段以获得所述输入的心电图图像的信息。

进一步地，所述心电图图像识别装置还包括预设模块、训练模块，所述预设模块用于预设深度学习模型，所述训练模块用于根据多个种类的已有的心电图图像，利用深度学习方法，对所述深度学习模型进行训练，获取心电图深度学习模型；所述训练模块还包括分割模块、第二提取模块和分类模块，所述分割模块用于将所述已有的心电图图像分成多个图像数据，所述第二提取模块用于利用深度学习模型，提取所述多个图像数据的特征，所述分类模块用于根据提取的所述多个图像数据的特征，利用所述深度学习模型，对所述多个图像数据进行分类以获得心电图深度学习模型，所述识别模块还包括匹配模块和获取莫夸，所述匹配模块用于根据提取的所述特征，利用心电图深度学习模型匹配出所述特征所属的分类，所述获取模块用于根据所述特征所属的分类得到心电图图像的信息。。

本发明实施例提供的一种心电图图像识别方法、装置及服务终端，该心电图图像识别方法应用于服务终端，该服务终端包括心电图深度学习模型，同时该服务终端用于心电图图像的输入。该心电图图像识别方法包括将输入的心电图图像分成多个图像片段，利用所述心电图深度学习模型对所述多个图像片段进行特征提取，根据提取的特征利用心电图深度学习模型识别所述多个图像片段中每一个图像片段以获得输入的心电图图像信息，进而实现了输入的心电图图像的自动识别，积累了数据量，同时减少了工作人员的工作量。

为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，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相关的附图。

图1示出了本发明实施例提供的服务终端的结构示意图。

图2示出了本发明实施例提供的心电图图像识别方法的流程图。

图3示出了本发明实施例提供的心电图图像识别方法的子步骤的流程图。

图4示出了本发明实施例提供的心电图图像识别方法的另一子步骤的流程图。

图5示出了本发明实施例提供的心电图图像识别装置的方框示意图。

图6示出了本发明实施例提供的心电图图像识别装置的训练模块的子模块的方框示意图。

图7示出了本发明实施例提供的心电图图像识别装置的识别模块的子模块的方框示意图。

图示：100-服务终端；110-心电图图像识别装置；120-存储器；130-处理器；111-预设模块；112-训练模块；113-拆分模块；114-第一提取模块；115-识别模块；1121-分割模块；1122-第二提取模块；1123-分类模块；1151-匹配模块；1152-获取模块。

具体实施方式

下面将结合本发明实施例中附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明的实施例，本领域技术人员在没有做出创造性劳动的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。

应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。同时，在本发明的描述中，术语“第一”、“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。

请参照图1，是本发明实施例提供的服务终端100的结构示意图。该服务终端100可以是，但不限于台式电脑或平板电脑，该服务终端100内包括心电图深度学习模型，主要用于实现心电图图像的输入，通过心电图深度学习模型对输入的心电图图像进行分析识别，进而得到输入的心电图图像的信息。该服务终端100包括心电图图像识别装置110、存储器120和处理器130。

存储器120、处理器130各元件相互之间直接或间接地电性连接，以实现数据的传输或交互。例如，这些元件相互之间可通过一条或多条通讯总线或信号线实现电性连接。心电图图像识别装置110包括至少一个可以软件或固件(firmware)的形式存储于所述存储器120中或固化在服务终端100中的操作系统(operating system，OS)中的软件功能模块。处理器130用于执行所述存储器120中存储的可执行模块，例如心电图图像识别装置110所包括的软件功能模块及计算机程序等。

其中，存储器120可以是，但不限于，随机存取存储器(Random Access Memory，RAM)，只读存储器(Read Only Memory，ROM)，可编程只读存储器(Programmable Read-Only Memory，PROM)，可擦除只读存储器(Erasable Programmable Read-Only Memory，EPROM)，电可擦除只读存储器(Electric Erasable Programmable Read-Only Memory，EEPROM)等。其中，存储器120用于存储程序，处理器130在接收到执行指令后，执行该程序。

请参照图2，是本发明实施例提供的心电图图像识别方法的流程图，该心电图图像识别方法应用于服务终端100。该方法包括：

步骤S130，将输入的心电图图像分成多个图像片段。

心电图图像是医生诊断病人疾病的依据，通过将输入的心电图图像分成若干个特定的、具有独特性质的区域，每一个区域对应对应一个图像片段。该图像片段为一个完整的波形，如P波、P-R段、P-Q段等，通过将一份完整的心电图图像分成多个图像片段，以便于更好地获取图像片段的特征，从而便于更好地分析。

步骤S140，利用所述心电图深度学习模型对所述多个图像片段进行特征提取。

利用所述心电图深度学习模型对所述多个图像片段进行特征提取，该图像片段的特征为更加抽象的高层次特征，该高层次特征表示为该图像片段对应的波形的特征，该波形特征表征疾病种类，如P-R段的持续时间可以诊断室性早搏、心律失常、心动过速等。具体为，心电图深度学习模型中的卷积神经网络的多个隐藏层将获得的图像片段的底层特征进行多层次的组合、运算，以获得抽象的高层次特征。

步骤S150，根据提取的所述特征，利用心电图深度学习模型识别所述多个图像片段中每一个图像片段以获得所述输入的心电图图像的信息。

心电图深度学习模型对每一图像片段进行识别分析，以获取该图像片段表征的信息。具体为，通过心电图深度学习模型分析每一个图像片段上的波形表征的信息，如该图像片段上的波形为P-R段，且该P-R段周期较长，则表征可能有房室传导阻滞等病症。通过对每一个图像片段上的波形进行分析，确定每一波形可能对应的疾病，进而将所有图像片段表征的信息组合起来得到输入的心电图图像的信息。通过实时输入待检测的心电图图像，通过心电图深度学习模型进行智能分析，从而快速诊断出该输入的心电图图像表征的疾病种类，极大地减轻了工作人员的工作量，同时通过不断地积累数据，使得对下一次分析其他输入的心电图图像分析更加便捷。

在利用心电图深度学习模型对心电图图像进行分析之前，还应该对已有的深度学习模型进行训练，进而获得符合该心电图分析的心电图深度学习模型，因此，

在步骤S130之前还包括步骤S110和S120。

步骤S110，预设深度学习模型。

深度学习模型包括卷积神经网络层。卷积神经网络层包括多个隐藏层。本实施例中，通过预设置每个隐藏层的参数，获得深度学习模型的框架。进而，完成预设深度学习模型。其中，参数可以但不限于是包括每个隐藏层的权重值、偏置值、结构、输出层节点个数、卷积核的大小及卷积核的数量等。

在其他实施例中，还可以通过初始化成熟的深度学习模型获得成熟的深度学习模型的框架，并将成熟的深度学习模型的架构作为预设的深度学习模型的框架。具体地，成熟的深度学习模型可以但不限于是，GoogleNet或VGG。

步骤S120，根据多个种类的已有的心电图图像，利用深度学习方法，对所述深度学习模型进行训练，获取心电图深度学习模型。

在本实施例中，根据大量的多种类的已有的心电图图像建立训练集。利用深度学习模型对训练集中每一个样本(即已有的心电图图像)进行分割及分类。具体地，在训练过程中，深度学习模型还利用超参数自动优化方法调整训练过程的超参数。需要说明的是，超参数的配置直接影响深度模型的训练效果，因此需要找到适当的超参数配置来进行训练才能得到最好的结果。本实施例中，超参数包括隐藏层节点个数、激活函数选择、无监督或有监督过程、训练因子、训练次数及稀疏系数等。具体地，超参数自动优化方法根据当前训练结果和训练历史自动在超参数空间中搜寻最优超参数配置。

请参照图3，是本发明实施例提供的心电图图像识别方法的子步骤的流程图。该步骤S120包括步骤S121、S122和S123。

步骤S121，将所述已有的心电图图像分成多个图像数据。

该已有的心电图图像为不同种类的已有的心电图图像，将多个已有的心电图图像分成若干个特定的、具有独特性质的区域，每一个区域对应一个分割后的图像数据，该图像数据表征一个完整的波形，不同的波形表征不同的疾病。通过将已有的心电图图像进行拆分，以便于获得更多的底层特征，该底层特征可以是，但不限于，该图像数据上的波形的波长、波幅等，从而便于心电图图像的分析。

步骤S122，利用深度学习模型，提取所述多个图像数据的特征。

提取多个图像数据的底层特征，并利用深度学习模型进行处理并生成该样本对应的图像数据的特征。具体的深度学习模型可以通过组合底层特征，形成更加抽象的高层次的特征，该高层次的特征即为该图像数据的特征，如该图像数据上的波形的特征。本实施例中，深度学习模型中的卷积神经网络的多个隐藏层将获得的图像数据的底层特征进行多层次的组合、运算，以得到抽象的高层次的特征。

步骤S123，根据提取的所述多个图像数据的特征，利用深度学习模型，对所述多个图像数据进行分类以获得心电图深度学习模型。

根据所述多个图像数据的特征，利用深度学习模型对图像数据进行分类，即按照不同的特征将不同的图像数据分成不同的类别，使得图像数据的管理更加规范。具体地，深度学习模型还包括全连接层，全连接层利用分类器算法根据图像数据的特征对图像数据进行分类，进而获得心电图深度学习模型。

请参照图4，是本发明实施例提供的心电图图像识别方法的另一子步骤的流程图。具体地，步骤S150还包括步骤S151和步骤S152。

步骤S151，根据提取的所述特征，利用心电图深度学习模型匹配出所述特征所述的分类。

具体为，根据分类结果，利用提取的特征匹配该特征对应的分类。

步骤S152，根据所述特征所述的分类得到心电图图像的信息。

具体为，根据所述特征对应的分类，在该分类下将该特征与该分类下的特征进行比较，找所述特征对应的心电图图像片段对应的信息，如该特征对应的疾病类型，进而得到整个心电图图像的信息。

请参照图5，是本发明实施例提供的心电图图像识别装置110的方框示意图，该心电图图像识别装置110应用于服务终端100。

该心电图图像识别装置110包括拆分模块113、第一提取模块114和识别模块115。

拆分模块113，用于将输入的心电图图像分成多个图像片段。

在本发明实施例中，步骤S130可以由拆分模块113执行。

第一提取模块114，用于利用所述心电图深度学习模型对所述多个图像片段进行特征提取。

在本发明实施例中，步骤S140可以由第一提取模块114执行。

识别模块115，用于根据提取的所述特征，利用心电图深度学习模型识别所述多个图像片段中每一个图像片段以获得所述输入的心电图图像的信息。

在本发明实施例中，步骤S150可以由识别模块115执行。

该心电图图像识别装置110还包括预设模块111和训练模块112。

该预设模块111，用于预设深度学习模型。

在本发明实施例中，步骤S110可以由预设模块111执行。

训练模块112，用于根据多个种类的已有的心电图图像，利用深度学习方法，对所述深度学习模型进行训练，获取心电图深度学习模型。

在本发明实施例中，步骤S120可以由训练模块112执行。

请参照图6，是本发明实施例提供的心电图图像识别装置110中的训练模块112的方框示意图。

该训练模块112包括分割模块1121、第二提取模块1122和分类模块1123。

分割模块1121，用于将所述已有的心电图图像分成多个图像数据。

在本发明实施例中，步骤S121可以由分割模块1121执行。

第二提取模块1122，用于利用深度学习模型，提取所述多个图像数据的特征。

在本发明实施例中，步骤S122可以由第二提取模块1122执行。

分类模块1123，用于根据提取的所述多个图像数据的特征，利用深度学习模型，对所述多个图像数据进行分类以获得心电图深度学习模型。

在本发明实施例中，步骤S123可以由分类模块1123执行。

请参照图7，是本发明实施例提供的心电图图像识别装置110的识别模块115的子模块的方框示意图。

该识别模块115具体包括匹配模块1151和获取模块1152。

匹配模块1151，用于根据提取的所述特征，利用心电图深度学习模型匹配出所述特征所属的分类。

在本发明实施例中，步骤S151可以由匹配模块1151执行。

获取模块1152，用于根据所述特征所属的分类得到心电图图像的信息。

在本发明实施例中，步骤S152可以由获取模块1152执行。

综上所述，本发明实施例提供的一种心电图图像识别方法、装置及服务终端，该心电图图像识别方法应用于服务终端，该服务终端包括心电图深度学习模型，同时该服务终端用于心电图图像的输入。该心电图图像识别方法包括将输入的心电图图像分成多个图像片段，利用所述心电图深度学习模型对所述多个图像片段进行特征提取，根据提取的特征利用心电图深度学习模型识别所述多个图像片段中每一个图像片段以获得输入的心电图图像信息，进而实现了输入的心电图图像的自动识别，积累了数据量，同时减少了工作人员的工作量。

在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本发明的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

另外，在本发明各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。

所述功能如果以软件功能模块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，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应所述以权利要求的保护范围为准。