1.本发明属于信息技术与生物电信号分析处理领域，具体涉及一种基于 脉冲神经网络的心电信号分类方法。


背景技术：

2.心电信号(ecg)记录了心肌去极化和复极化过程中心脏电位变化， 其中包含了丰富的心脏活动的信息。由于ecg获取方式相对简单，并且具 有直观的规律性，医生常常将心电图作为获取患者体征参数的辅助手段， 有效提高医生的工作效率。然而，心脏类疾病具有偶发性和突发性的特点， 短时间的人工心电图分析往往很难捕捉到异常心律信息，而长时间的人工 心电图分析对于心脏专家而言负担过重。因此，ecg的自动分析成为当前 的热门研究话题。
[0003][0004]
近些年来，随着人工智能技术的不断进步，基于ecg自动分析的异常 心律识别技术得到长足发展，有助于将医生从繁琐的手工劳动中解放出来， 大大提高了心脏疾病日常监护效率。其中，使用人工智能技术的低功耗便 携式心电设备凭借灵活方便、简单易用等特点成为心脏类疾病管理预防和 早期发现的重要手段。
[0005]
然而，便携式心电监护设备面临着各方面的挑战。一方面在目前市场 上的手表、手环容易受到信号质量的影响而导致大量假阳性事件的检出， 带来了不必要的医疗负担。而影响信号质量的因素包括电极本身的材料、 质量，人体非预期的移动、抖动，以及电极与人体的贴合程度等。因此该 类设备一般要求使用者在测量过程中保持静止，握紧或压紧电极使其与人 体保持贴合。此外，便携式智能手表、手环等设备对于自身的使用也存在 一定限制。该类设备由使用者主动开始测量，且对测量的环境、姿势有较 高要求，不能做到连续、实时测量。另一方面，便携式心电监护设备受到 体积和电池容量等因素制约，对系统能效和硬件集约程度提出了极高的要 求。在异常心律识别中，便携式心电设备在抗噪声干扰和特征提取等算法 方面也有不足之处，往往过慢的测量时间也会使得系统整体疾病准确率受 到影响。
[0006]
当前对于ecg的特征提取以及分类主要分为两类，分别是传统机器学 习方法以及深度神经网络方法。传统机器学习方法通过ecg基于基准点和 非基准点的特征进行分类，常见的基于基准点的特征包括，qrs波、p波、 t波甚至qrs波形的斜率等。philipde等人利用波形形态法，从ecg中提取了 12个特征向量，并根据这12个特征向量训练的线性分类器，实现了ecg的 分类，最终识别率为81.9％。王艳将提取的波形形态特征和主成分分析的前 5个数据融合起来，通过支持矢量机实现最后的分类，识别率可达97.32％。 由于传统机器学习方法需要提取信号特征，但传统机器学习对于信号的特 征要求过高，而传统的特征易受到噪声的干扰，所以该方法不适用于便携 性的设备。
[0007]
深度神经网络方法是根据大脑神经元传递信息的现象来搭建出相应的 分类模型，近些年由于其神经网络对于信号特征的低要求这一特点，该方 法出现在众多领域。大
量基于深度学习卷积神经网络(convolutional neuralnetworks，cnn)的心电分类算法被提出。为提升分类性能，研究者通常 采用对原始ecg进行变化的方法使神经网络更容易自动提取关键特征。此 外，一些匹配ecg特点的网络结构也被提出来进一步提升系统分类性能。 zhai等人将连续3个心跳节拍耦合成2维矩阵，从而使卷积核能够同时捕获 ecg的形态特征和节拍间相关性特征。kiranyaz等人提出了一种针对特定患 者的一维cnn心跳分类算法，此方法利用ecg的一维特性实现了实时心跳 分类。但是目前所存在的心电分类的方法大部分都采用cnn，这些方法存 在模型过大，运算量多以及运行时间长等问题，所以该方法不适合在硬件 或者便携式设备中进行搭建。


技术实现要素：

[0008]
为了解决现有技术中存在的上述问题，本发明提供了一种基于脉冲神 经网络的心电信号分类方法。本发明要解决的技术问题通过以下技术方案 实现：
[0009]
本发明提供的一种基于脉冲神经网络的心电信号分类方法包括：
[0010]
步骤1：获取信号数据集；
[0011]
其中，信号数据集包括心电信号以及脉搏波信号；
[0012]
步骤2：判断信号数据集中的每个脉搏波信号的长度，当这个长度为预 设间隔时长整倍数时，按照每预设间隔时长分割一次的原则，将其分割相 同长度的多个第一片段信号；当这个长度不为预设间隔时长的整倍数时， 计算切割重叠长度，并按照切割重叠长度以及预设间隔时长将其切割为长 度相同的多个第一片段信号；
[0013]
步骤3：检测信号数据集中的心电信号中波峰的位置；
[0014]
步骤4：根据波峰的位置计算波峰之间的目标距离；并以每个波峰为中 心两侧延伸相同长度形成与目标距离相同的第二片段信号，获得心电信号 划分的多个第二片段信号；
[0015]
步骤5：计算每个第二片段信号中每个波峰间期占比，将该间期占比作 为第二片段信号的第一类型特征；
[0016]
步骤6：将第一片段信号以及第二片段信号分别进行奇异值分解，按照 从大至小的原则提取前预设数量个奇异值，将该奇异值与片段信号的均值、 片段信号的方差进行加权融合，将第一片段信号融合后的结果作为第一片 段信号的第二类型特征；将第二片段信号融合后的结果作为第二片段信号 的第二类型特征；
[0017]
步骤7：使用emd方法，确定每个片段信号变换后的imf分量；
[0018]
步骤8：将每个片段信号变换后的imf分量作为解析信号，将解析信 号在同一时刻的瞬时频率与瞬时幅度作为片段信号的第三类型特征；
[0019]
步骤9：将第一片段信号的第二类型特征、第三类型特征进行加权并进 行编码，获得第一编码结果，以及将第二片段信号的第一类型特征、第二 类型特征、第三类型特征进行加权并进行编码，获得第二编码结果，将第 一编码结果以及第二编码结果分别输入snn模型中，以对snn模型进行 训练，获得训练完成后的snn模型；
[0020]
步骤10：使用训练完成后的snn模型对待分类信号进行分类；
[0021]
其中，待分类信号包括心电信号以及脉搏波信号。
[0022]
可选的，在步骤2之前，的基于脉冲神经网络的心电信号分类方法还 包括：
[0023]
对信号数据集分别进行小波去噪处理。
[0024]
可选的，对信号数据集分别进行小波去噪处理包括：
[0025]
步骤21：选择daubechies小波基函数，对信号数据集进行十层小波分 解，获得每一层对应信号；
[0026]
步骤22：去除频率为0.5hz所对应的层数的信号，获得处理后的信号 数据集；
[0027]
步骤23：对处理后的信号数据集进行小波重构得到小波去噪后的信号 数据集。
[0028]
可选的，步骤2中的切割重叠长度表示为：
[0029][0030]
其中，l表示切割重叠长度，round表示四舍五入函数，n表示按照预 设的间隔时长进行分割时每个片段信号的长度，m为每个脉搏波信号中波 形类型的样本数目，m表示最多类别波形的样本数目。
[0031]
可选的，步骤5中的波峰间期占比表示为：
[0032][0033]
其中，rr
pre
为当前波段波峰r点与前一个波段波峰r点距离，rr
mean
为整个心电信号ecg中所有rr
pre
的平均值。
[0034]
可选的，步骤3包括：
[0035]
步骤31：对小波去噪后的信号数据集中的心电信号进行增强处理；
[0036]
步骤32：使用可变阈值检测小波去噪后的信号数据集中的心电信号。
[0037]
可选的，步骤7包括：
[0038]
步骤71：确定每个片段信号的局部最大值以及极小值；
[0039]
步骤72：使用三次样条插值法对局部最大值以及局部最小值进行拟合， 获得每次插值的包络曲线；
[0040]
步骤73：将每次插值的包络曲线进行求平均，获得包络均值曲线；
[0041]
步骤74：从每个片段信号中去除包络均值曲线所在信号点，获得去除 之后的片段信号作为imf信号；
[0042]
步骤75：判断imf信号是否满足预设的有限个本征模函数imf的限定 条件，如果不满足imf的限定条件，则执行步骤71至步骤74的过程，直 至满足imf限定条件；
[0043]
步骤76：将满足imf的限定条件的imf信号确定为该片段信号的imf 分量；
[0044]
步骤77：将每个片段信号的imf分量进行hht变换，获得变换后的 该片段信号的imf分量。
[0045]
可选的，获得snn模型的过程为：
[0046]
获取cnn模型；
[0047]
按照snn模型中神经元的条件，将cnn模型中的神经元进行改进， 以使cnn模型中的神经元与snn模型的神经元相同；
[0048]
对改进后的cnn模型的激活函数进行改进，以使改进后的cnn模型 可以对信号实现求导及连续微分；
[0049]
将改进激活函数后的cnn模型的输出层函数进行改进，以适应不同的 输入信号，获得snn模型。
[0050]
可选的，步骤9包括：
[0051]
步骤91：初始化snn模型的膜电压v＝0，阈值m
thr
；
[0052]
步骤92：针对每一个片段信号，将该片段信号与该片段信号的不同类 型的特征进行加权；
[0053]
步骤93：将加权之后的结果作为输入数据，将输入数据进行归一化处 理；
[0054]
步骤94：将归一化处理后的输入数据逐次与膜电压相加，以更新膜电 压；
[0055]
步骤95：判断更新后的膜电压是否大于阈值m
thr
，如果大于则输出编 码后的结果si＝1，并将膜电压减去阈值m
thr
，如果不大于则输出编码后的 结果si＝0。
[0056]
可选的，在步骤5之后，基于脉冲神经网络的心电信号分类方法还包 括：
[0057]
针对每个片段信号，当该片段信号中无异常子片段，则确定该片段信 号为正常片段信号，否则确定该片段信号为异常片段；
[0058]
如果异常片段信号中存在多种异常类型，选择异常类型最多的作为该 异常片段信号的标签；当多种异常类型个数相同，则选择最先出现的异常 类型作为该异常片段信号的标签。
[0059]
本发明具有以下有益效果：
[0060]
(1)本发明提供的一种基于脉冲神经网络的心电信号分类方法，采用 snn模型进行分类，由于输入信号为一维信号，且随着时间的变化而改变。 而snn由于其数据为脉冲形式，因此本发明相比于现有技术cnn模型的 复杂性，可以加强snn对时间相关的数据处理能力，降低分类的复杂性。
[0061]
(2)本发明根据脉搏波并无qrs波等波形特征，对其进行分割以去 除脉搏波对于qrs波形的依赖，同时也可以解决脉搏波数据不平衡所带来 的影响。
[0062]
(3)本发明对cnn模型进行改进以获得snn模型，由于cnn模型 的权重与神经元输入数据之间存在乘法运算，本发明对输入信号进行编码， 将乘法运算转换为加法运算，从而减少snn模型的运算量，降低了能耗。 以下将结合附图及实施例对本发明做进一步详细说明。
[0063]
(4)本发明对于不同来源的信号采用不同的处理方式。因此能够用于 普通的心电分析，同时也能用于便携式脉搏波分析。
附图说明
[0064]
图1是本发明实施例提供的一种基于脉冲神经网络的心电信号分类方 法的流程示意图；
[0065]
图2是本发明实施例提供的获得snn模型的过程示意图；
[0066]
图3是本发明实施例提供的snn模型的输入信号进行编码的流程图。
具体实施方式
[0067]
下面结合具体实施例对本发明做进一步详细的描述，但本发明的实施 方式不限于此。
[0068]
在介绍本发明之前，首先介绍本发明的技术构思。
[0069]
目前第三代神经网络脉冲神经网络(spiking neuron networks，snn) 由于其模拟神经元更加接近实际、其输入为脉冲信号而使其模型运行速度 更快的原因从而在硬件或者嵌入式设备领域中经常使用。理论上来看snn 从连续的输出信号变为二元的输出信号的这一现象是退化的过程。然而由 于其脉冲的输入所以更加适用于时空类的数据的处理。其次，由于其输入 信号为脉冲信号，所以其模型的能耗性远远低于cnn。
[0070]
基于上述理由，本发明采用ecg和脉搏波作为主要研究对象，深入研 究在低功耗可穿戴医疗设备设计过程中的信号智能分类算法，探索人工智 能方法在疾病分类方面的应用，并对多类生物信号提取算法的通用性和硬 件实现方案进行探索和研究，以解决现有技术中的问题，提出一种基于脉 冲神经网络的心电信号分类方法。
[0071]
如图1所示，本发明提供的一种基于脉冲神经网络的心电信号分类方法 包括：
[0072]
步骤1：获取信号数据集；
[0073]
其中，信号数据集包括心电信号以及脉搏波信号；
[0074]
本发明可以对信号数据集分别进行小波去噪处理，后续过程在小波去 噪后的信号数据集中进行。
[0075]
由于目前的可穿戴式设备采集的信号大部分为脉搏波，所以本发明使 用两种数据，一种为医院采集得到的ecg信号，而另一种为脉搏波。脉搏 波相比ecg信号，其p点、qrs波、t点等基准点并不明显，常用的针对 ecg波形特征提取方法难以直接使用，所以本发明将分别对两种信号进行 处理，以便适用于所有的设备。
[0076]
步骤2：判断信号数据集中的每个脉搏波信号的长度，当这个长度为预 设间隔时长整倍数时，按照每预设间隔时长分割一次的原则，将其分割相 同长度的多个第一片段信号；当这个长度不为预设间隔时长的整倍数时， 计算切割重叠长度，并按照切割重叠长度以及预设间隔时长将其切割为长 度相同的多个第一片段信号；
[0077]
其中，切割重叠长度表示为：
[0078][0079]
其中，l表示切割重叠长度，round表示四舍五入函数，n表示按照预 设的间隔时长进行分割时每个片段信号的长度，m为每个脉搏波信号中波 形类型的样本数目，m表示最多类别波形的样本数目。
[0080]
由于脉搏波本身并没有明显qrs波等波形特征，传统的基于基准点的 特征检测以及分割对其并没有作用。本发明通过信号切片的方法，每隔5s 做一个分割，即预设间隔时长为5秒。从而将所有脉搏波分割成相同长度 的信号。
[0081]
步骤3：检测信号数据集中的心电信号中波峰的位置；
[0082]
步骤4：根据波峰的位置计算波峰之间的目标距离；并以每个波峰为中 心两侧延伸相同长度形成与目标距离相同的第二片段信号，获得心电信号 划分的多个第二片段信号；
[0083]
示例性的，波峰的横坐标位置为50，计算出的目标距离为250，则以 50为中心点向前推125，向后推125，形成长度为250的片段信号。
[0084]
步骤5：计算每个第二片段信号中每个波峰间期占比，将该间期占比作 为第二片
段信号的第一类型特征；
[0085]
波峰间期占比表示为：
[0086][0087]
其中，rr
pre
为当前波段波峰r点与前一个波段波峰r点距离，rr
mean
为 整个心电信号ecg中所有rr
pre
的平均值。
[0088][0089]
其中，心率为已经量，r-r间期为rr
pre
。
[0090]
步骤6：将第一片段信号以及第二片段信号分别进行奇异值分解，按照 从大至小的原则提取前预设数量个奇异值，将该奇异值与片段信号的均值、 片段信号的方差进行加权融合，将第一片段信号融合后的结果作为第一片 段信号的第二类型特征；将第二片段信号融合后的结果作为第二片段信号 的第二类型特征；
[0091]
其中，预设数量可以取10，当然也可以根据实际情况进行变更，将第 一片段信号的奇异值按照上述原则，与第一片段信号的均值、第一片段信 号的方差进行加权融合，获得第一片段信号的第二类型特征。第二片段与 第一片段的加权融合过程相同，此处不在赘述。
[0092]
步骤7：使用emd方法，确定每个片段信号变换后的imf分量；
[0093]
可以理解，为了避免不同的数据集所采集的数据采样频率不同，所以 将其数据进行fft重采样，统一为360hz，即进行fft变换。
[0094]
步骤8：将每个片段信号变换后的imf分量作为解析信号，将解析信 号在同一时刻的瞬时频率与瞬时幅度作为片段信号的第三类型特征；
[0095]
可以理解，本发明可以对片段信号进行经验模态分解(empirical modedecomposition，emd)以及希尔伯特黄变换(hilbert-huang transform，hht) 相结合获得新的特征。
[0096]
步骤9：将第一片段信号的第二类型特征、第三类型特征进行加权并进 行编码，获得第一编码结果，以及将第二片段信号的第一类型特征、第二 类型特征、第三类型特征进行加权并进行编码，获得第二编码结果，将第 一编码结果以及第二编码结果分别输入snn模型中，以对snn模型进行 训练，获得训练完成后的snn模型；
[0097]
步骤10：使用训练完成后的snn模型对待分类信号进行分类。
[0098]
值得说明的是：本发明题目中所指的心电信号，即待分类信号。待分 类信号包括普通的心电信号以及脉搏波信号。
[0099]
本发明提供的一种基于脉冲神经网络的心电信号分类方法，根据脉搏 波并无qrs波等波形特征，对其进行分割以去除脉搏波对于qrs波形的依 赖，同时也可以解决脉搏波数据不平衡所带来的影响；采用snn模型进行 分类，并且将输入信号进行处理转换为一维信号，且随着时间的变化而改 变。对cnn模型进行改进以获得snn模型，对输入信号进行编码，将乘 法运算转换为加法运算，从而减少snn模型的运算量以及能耗。而snn 由于其数据为脉冲形式，采用snn模型通过脉冲输入进行分类，可以减少 计算量，增强了模型的适应性；本发明相比于现有技术cnn模型的复杂性， 可以加强snn对时间相关的数据处理能力，
降低分类的复杂性。
[0100]
作为本发明一种可选的实施方式，对信号数据集分别进行小波去噪处 理包括：
[0101]
步骤21：选择daubechies小波基函数，对信号数据集进行十层小波分 解，获得每一层对应信号；
[0102]
步骤22：去除频率为0.5hz所对应的层数的信号，获得处理后的信号 数据集；
[0103]
步骤23：对处理后的信号数据集进行小波重构得到小波去噪后的信号 数据集。
[0104]
作为本发明一种可选的实施方式，步骤3包括：
[0105]
步骤31：对小波去噪后的信号数据集中的心电信号进行增强处理；
[0106]
步骤32：使用可变阈值检测小波去噪后的信号数据集中的心电信号。
[0107]
作为本发明一种可选的实施方式，步骤7包括：
[0108]
步骤71：确定每个片段信号的局部最大值以及极小值；
[0109]
步骤72：使用三次样条插值法对局部最大值以及局部最小值进行拟合， 获得每次插值的包络曲线；
[0110]
步骤73：将每次插值的包络曲线进行求平均，获得包络均值曲线；
[0111]
步骤74：从每个片段信号中去除包络均值曲线所在信号点，获得去除 之后的片段信号作为imf信号；
[0112]
步骤75：判断imf信号是否满足预设的有限个本征模函数imf的限定 条件，如果不满足imf的限定条件，则执行步骤71至步骤74的过程，直 至满足imf限定条件；
[0113]
值得说明的是：有限个本征模函数imf的限定条件是现有技术中记载 的，在此不再赘述。
[0114]
步骤76：将满足imf的限定条件的imf信号确定为该片段信号的imf 分量；
[0115]
步骤77：将每个片段信号的imf分量进行hht变换，获得变换后的 该片段信号的imf分量。
[0116]
作为本发明一种可选的实施方式，获得snn模型的过程为：
[0117]
步骤一：获取cnn模型；
[0118]
本发明获得cnn神经网络模型，由四个卷积层，一个批标准化层，一 个池化层，一个全连接层和dropout层，dense层组成。
[0119]
由于cnn其模型参数过多以及其模型运算以乘法为主，所以其能耗以 及运算量过大从而使其不适用于硬件或者穿戴式设备。相反的，snn由于 其脉冲输入更适用于硬件设备。所以对cnn进行模型转换。
[0120]
步骤二：按照snn模型中神经元的条件，将cnn模型中的神经元进 行改进，以使cnn模型中的神经元与snn模型的神经元相同；
[0121]
可以理解，由于snn输入是离散的脉冲信号，用integrate-and-fire snn 模型的神经元的条件，以对cnn的神经元进行改进，并将cnn中的参数 权重进行转换，搭建出新的snn，用于之后的训练。该过程与现有技术中 相同，此处不再赘述。
[0122]
步骤三：对改进后的cnn模型的激活函数进行改进，以使改进后的 cnn模型可以对信号实现求导及连续微分；
[0123]
值得说明的是：cnn中的激活函数是relu函数，但在snn中，由于 脉冲信号无法求导且不满足连续可微的性质，所以通过相应的转换以获得 适用于snn的激活函数，其公式
为式(4)。
[0124][0125]
其中，
[0126]
其中，z
l
(t)是第l层第t时刻输出。v
thr
(x)是阈值函数，m
l-1
为第l-1 层神经元的个数。θ为预设阈值。是一个阶跃函数，表示在t时间第l-1 层出现尖峰，b1是一个输入电位的常量。表示为第l层第j个神经元的权 重。
[0127]
其中，阶跃函数公式如下式(5)。
[0128][0129]
这里，
[0130]
其中，表示第l层第j个神经元在t-1时刻的膜电位。是 第l-1层第j个神经元的输出。
[0131]
步骤四：将改进激活函数后的cnn模型的输出层函数进行改进，以适 应不同的输入信号，获得snn模型。
[0132]
值得说明的是：cnn通常采用softmax来作为输出，通过简单的预测 与刺激相对应的最大的神经元的输出类别。但该方法在snn中并不适用， 当最后一层的所有神经元收到负输入时将不会出现尖峰，所以通过转换 softmax函数来达到相应的目标，其公式(6)如下：
[0133][0134]
其中zk为最后一层的第k个输出神经元，vk(t)表示神经元zk的最后一 层的膜电位，k为输出神经元的个数，即输出类别数。
[0135]
参见表1，表1为本发明对cnn进行改进获得的snn模型的模型参数 记录表。
[0136]
表1snn网络结构详细参数
[0137]
层数类型大小/步数说明输出特征大小0input-心电输入50
×
250
×
11conv1d5
×1×
16卷积50
×
123
×
162averagepooling1d2
×1×
16平均池化50
×
61
×
163conv1d3
×1×
32卷积50
×
61
×
324conv1d1
×1×
8卷积50
×
61
×
85concatenate-连接50
×
61
×
406conv1d3
×1×
10卷积50
×
59
×
107flatten-全连接层50
×
590
8softmax-输出层50
×4[0138]
参考图2，本发明获取cnn模型后，然后转换其神经元、激活函数以 及输出层函数获得snn模型。对输入信号进行编码输入snn模型训练snn 模型，最终对其进行测试验证snn模型的性能。
[0139]
本发明可以用验证数据集对snn模型进行验证，使用inisim模拟器， 对训练后的模型进行模拟测试。验证数据集来自于mit-bih数据库，其中 主要包括正常搏动、左束支传导阻滞、右束支传导阻滞以及室性早搏四种 异常心律。分别来自于48名不同年龄不同性别的患者。通过以上实验最终 实验结果表明通过cnn其疾病分类的准确率为99.56％，通过模型转换后 的snn其准确率为99.30％，虽然snn的准确率略有下降，但snn计算量 却小于cnn的计算量，大大减小了方法的时空复杂度。
[0140]
作为本发明一种可选的实施方式，步骤9包括：
[0141]
步骤91：初始化snn模型的膜电压v＝0，阈值m
thr
；
[0142]
步骤92：针对每一个片段信号，将该片段信号与该片段信号的不同类 型的特征进行加权；
[0143]
步骤93：将加权之后的结果作为输入数据，将输入数据进行归一化处 理；
[0144]
步骤94：将归一化处理后的输入数据逐次与膜电压相加，以更新膜电 压；
[0145]
步骤95：判断更新后的膜电压是否大于阈值m
thr
，如果大于则输出编 码后的结果si＝1，并将膜电压减去阈值m
thr
，如果不大于则输出编码后的 结果si＝0。
[0146]
值得说明的是：由于ecg和脉搏波其自身的性质，若要放入snn中 进行训练，须将其进行编码处理。本发明以编码的方式将其转换为脉冲输 入，参考图3，其具体步骤如下：
[0147]
a)初始化snn模型的膜电压v＝0，阈值m
thr
。
[0148]
b)对于输入数据x(n)，其长度为t，将其进行均一化处理，将输入 数据逐次与膜电压相加。
[0149]
c)判断其膜电压v是否大于m
thr
，如超过m
thr
，则输出si＝1，并将v减去m
thr
。如果未超过，则输出si＝0。
[0150]
d)重复步骤b)和c)，直到输入数据全部结束。
[0151]
作为本发明一种可选的实施方式，在步骤5之后，基于脉冲神经网络 的心电信号分类方法还包括：
[0152]
针对每个片段信号，当该片段信号中无异常子片段，则确定该片段信 号为正常片段信号，否则确定该片段信号为异常片段；
[0153]
如果异常片段信号中存在多种异常类型，选择异常类型最多的作为该 异常片段信号的标签；当多种异常类型个数相同，则选择最先出现的异常 类型作为该异常片段信号的标签。
[0154]
值得说明的是：单一时间片段中如果存在多个疾病类型(异常)，进行 如下设定：
[0155]
a)当所切分片段中并无异常片段，则该片段为正常片段。
[0156]
b)当所切分片段中存在异常片段，则该片段为异常片段。
[0157]
c)当所切分片段中存在多种异常类型，则选择异常类型最多的作为该 片段的标签。
[0158]
d)当所切分片段中存在数目相同的异常类型，则选择最先出现的异常 类型作为
该片段标签。
[0159]
如此设定，可以为后续识别提供参考依据。
[0160]
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示 或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有
ꢀ“
第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特 征。在本发明的描述中，“多个”的含义是两个或两个以上，除非另有明 确具体的限定。
[0161]
在本发明中，除非另有明确的规定和限定，第一特征在第二特征之“上
”ꢀ
或之“下”可以包括第一和第二特征直接接触，也可以包括第一和第二特 征不是直接接触而是通过它们之间的另外的特征接触。而且，第一特征在 第二特征“之上”、“上方”和“上面”包括第一特征在第二特征正上方和 斜上方，或仅仅表示第一特征水平高度高于第二特征。第一特征在第二特 征“之下”、“下方”和“下面”包括第一特征在第二特征正下方和斜下 方，或仅仅表示第一特征水平高度小于第二特征。
[0162]
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、
ꢀ“
示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或 示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施 例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相 同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在 任何的一个或多个实施例或示例中以合适的方式结合。此外，本领域的技 术人员可以将本说明书中描述的不同实施例或示例进行接合和组合。
[0163]
尽管在此结合各实施例对本技术进行了描述，然而，在实施所要求保 护的本技术过程中，本领域技术人员通过查看附图、公开内容、以及所附 权利要求书，可理解并实现公开实施例的其他变化。在权利要求中，“包 括”(comprising)一词不排除其他组成部分或步骤，“一”或“一个”不排 除多个的情况。单个处理器或其他单元可以实现权利要求中列举的若干项 功能。相互不同的从属权利要求中记载了某些措施，但这并不表示这些措 施不能组合起来产生良好的效果。
[0164]
以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明， 不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域 的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简 单推演或替换，都应当视为属于本发明的保护范围。