本技术涉及数据处理，尤其涉及一种基于果蝇优化的心电分类方法、电子设备及存储介质。
背景技术：
1、在当下飞速发展的人工智能科技领域，以其更高效的计算能力与深入的数据解析，正在深刻地改变着众多行业的运作模式，其中尤以医疗健康领域为最。特别是在心脏病诊断方面，以往依赖专家经验与直观判断的心电图(e lectrocard iogram，ecg)信号分类工作，如今已经被智能化的自动处理所取代，大大提升了医疗诊疗的效率与精确度。这种典型的远程诊断技术，不仅可以协助医生分析耗时复杂的心电图信息，还可以帮助避免人为误差，实现对心脏病的精准定位。
2、面对冗杂的心电图信号，深度学习技术无疑是理解和分类这些信号的最有效工具。其中，循环神经网络、卷积神经网络和变压器等深度学习模型更是在执行心电信号分类任务时表现出极高的性能。
3、然而，尽管基于深度学习的方法在提高ecg信号分类精度方面取得了显著进展，但该领域仍有许多有待探索的方向和未解决的挑战。在实际临床中，存在大量未标记的ecg数据，这些数据中包含了表征不同类型心律失常的有用信息(包括形态学、节律信息)，如果直接将大量未标记的心电图数据输入模型进行预测，将会导致心电图数据的分类准确性较差，从而降低对心电图的分类效率。
技术实现思路
1、本技术实施例提供了一种基于果蝇优化的心电分类方法、电子设备及存储介质，能够提高心电图数据的分类准确性，进一步提高心电图的分类效率。
2、第一方面，本技术实施例提供了一种基于果蝇优化的心电分类方法，所述方法包括：
3、获取心电数据训练集和预设的模型超参数，所述心电数据训练集包括第一训练集和第二训练集，其中，所述第一训练集中的心电数据携带标签数据，所述第二训练集中的心电数据不携带标签数据，所述标签数据用于表征所述心电数据训练集中的心电数据的类别；
4、将所述第一训练集输入半监督分类器进行分类训练，输出第一适应度值；
5、基于预设的果蝇优化算法对所述第一训练集进行位置搜索，得到第二适应度值；
6、根据所述第一适应度值和所述第二适应度值确定目标适应度值；
7、根据所述目标适应度值训练所述半监督分类器，并将所述第二训练集输入训练后的半监督分类器进行概率预测，输出预测概率值；
8、根据所述预测概率值以及所述模型超参数对所述第一训练集进行数据融合，得到目标数据集；
9、将所述目标数据集以及所述第二训练集输入训练后的半监督分类器进行重复训练，得到目标半监督分类器；
10、获取待分类心电数据，并将所述待分类心电数据输入所述目标半监督分类器进行心电分类，输出与所述待分类心电数据对应的目标标签。
11、本技术实施例提供的基于果蝇优化的心电分类方法，至少具有如下有益效果：首先，获取携带标签数据的第一训练集和不携带标签数据的第二训练集，再将第一训练集输入半监督分类器进行分类训练，以使半监督分类器能够识别并分类第一训练集中的标签，使得半监督分类器能够在训练的过程中不断的学习心电数据的特征，输出第一适应度值，之后，根据第一适应度值和第二适应度值确定目标适应度值，即确定全局最优位置，再根据目标实用度值训练半监督分类器，并将第二训练集输入训练后的半监督分类器进行概率预测，预测第二训练集中无标签数据的概率，输出预测概率值，根据预测概率值以及获取到的模型超参数对第一训练集进行数据融合，以将具有高置信度的伪标签与原始的第一训练集中的标签数据结合成新的标签数据，得到目标数据集，能够在半监督分类器的学习过程中，充分利用大量未标注数据提高分类的准确性，最后，将目标数据集以及第二训练集中的无标签数据输入训练后的半监督分类器进行重复训练，使得半监督分类器能够重复学习心电数据的特征，得到目标半监督分类器，再获取待分类心电数据，并将待分类心电数据输入目标半监督分类器进行心电分类，输出与待分类心电数据对应的目标标签，实现对无标签数据进行精准预测，提高对心电数据预测的准确性，提高心电数据的分类效率。
12、在一些实施例中，所述将所述第一训练集输入半监督分类器进行分类训练，输出第一适应度值，包括：
13、基于预设的随机数生成算法对所述第一训练集进行种群划分，生成多个种群个体，其中，每个所述种群个体用于表征所述半监督分类器的参数配置情况；
14、将所述种群个体输入所述半监督分类器进行标签预测，输出第一适应度值。
15、在一些实施例中，所述基于预设的果蝇优化算法对所述第一训练集进行位置搜索，得到第二适应度值，包括：
16、基于预设的果蝇优化算法对所述第一训练集中的种群个体进行空间搜索，确定所述种群个体的当前位置以及与所述当前位置相邻的邻域集合；
17、在所述邻域集合中选取一个测试位置，对所述测试位置进行标签预测，得到第二适应度值。
18、在一些实施例中，所述根据所述第一适应度值和所述第二适应度值确定目标适应度值，包括：
19、对比所述第一适应度值和所述第二适应度值；
20、当所述第一适应度值大于等于所述第二适应度值，将所述第一适应度值作为目标适应度值；
21、当所述第一适应度值小于所述第二适应度值，将所述第二适应度值作为目标适应度值。
22、在一些实施例中，在根据所述目标适应度值训练所述半监督分类器之前，所述方法还包括：
23、根据所述模型超参数确定迭代阈值，并统计所述半监督分类器的当前迭代次数；
24、确定所述当前迭代次数达到所述迭代阈值。
25、在一些实施例中，所述根据所述预测概率值以及所述模型超参数对所述第一训练集进行数据融合，得到目标数据集，包括：
26、根据所述模型超参数确定可信度阈值；
27、根据所述可信度阈值对所述预测概率值进行筛选以筛选出大于所述可信度阈值的样本索引集合；
28、确定所述样本索引集合中的最大预测值，并确定所述最大预测值对应的预测标签；
29、根据所述预测标签以及所述样本索引集合更新预设的伪标签集合，得到目标伪标签；
30、将所述目标伪标签与所述第一训练集进行融合，得到目标数据集。
31、在一些实施例中，所述将所述目标数据集以及所述第二训练集输入训练后的半监督分类器进行重复训练，得到目标半监督分类器，包括：
32、将所述目标数据集输入训练后的半监督分类器进行重复训练；
33、将所述第二训练集输入重复训练后的半监督分类器进行标签预测，输出预测结果；
34、基于所述果蝇优化算法以及所述预测结果对重复训练后的半监督分类器的参数进行更新，得到目标半监督分类器。
35、在一些实施例中，所述模型超参数包括迭代阈值；所述基于所述果蝇优化算法以及所述预测结果对重复训练后的半监督分类器的参数进行更新，得到目标半监督分类器，包括：
36、通过所述果蝇优化算法以及所述预测结果对重复训练后的半监督分类器的可信度阈值进行参数更新；
37、将所述第二训练集输入参数更新后的半监督分类器，以使参数更新后的半监督分类器对所述第二训练集中的心电数据进行概率预测，得到目标预测结果；
38、当所述目标预测结果的准确率达到预设阈值，并且所述半监督分类器的当前迭代次数达到所述迭代阈值，将参数更新后的半监督分类器作为目标半监督分类器；
39、或者，
40、当所述第二训练集中的所有心电数据均带有标签，将参数更新后的半监督分类器作为目标半监督分类器。
41、第二方面，本技术实施例还提供了一种电子设备，所述电子设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现如第一方面所述的基于果蝇优化的心电分类方法。
42、第三方面，本技术实施例还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可执行指令，所述计算机可执行指令用于使计算机执行如第一方面所述的基于果蝇优化的心电分类方法。
43、本技术的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本技术而了解。本技术的目的和其他优点可通过在说明书以及附图中所特别指出的结构来实现和获得。
1.一种基于果蝇优化的心电分类方法，其特征在于，所述方法包括：
2.根据权利要求1所述的基于果蝇优化的心电分类方法，其特征在于，所述将所述第一训练集输入半监督分类器进行分类训练，输出第一适应度值，包括：
3.根据权利要求2所述的基于果蝇优化的心电分类方法，其特征在于，所述基于预设的果蝇优化算法对所述第一训练集进行位置搜索，得到第二适应度值，包括：
4.根据权利要求1所述的基于果蝇优化的心电分类方法，其特征在于，所述根据所述第一适应度值和所述第二适应度值确定目标适应度值，包括：
5.根据权利要求1所述的基于果蝇优化的心电分类方法，其特征在于，在根据所述目标适应度值训练所述半监督分类器之前，所述方法还包括：
6.根据权利要求1所述的基于果蝇优化的心电分类方法，其特征在于，所述根据所述预测概率值以及所述模型超参数对所述第一训练集进行数据融合，得到目标数据集，包括：
7.根据权利要求1所述的基于果蝇优化的心电分类方法，其特征在于，所述将所述目标数据集以及所述第二训练集输入训练后的半监督分类器进行重复训练，得到目标半监督分类器，包括：
8.根据权利要求7所述的基于果蝇优化的心电分类方法，其特征在于，所述模型超参数包括迭代阈值；所述基于所述果蝇优化算法以及所述预测结果对重复训练后的半监督分类器的参数进行更新，得到目标半监督分类器，包括：
9.一种电子设备，其特征在于，所述电子设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现如权利要求1至8任一项所述的基于果蝇优化的心电分类方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机可执行指令，所述计算机可执行指令用于使计算机执行如权利要求1至8中任意一项所述的基于果蝇优化的心电分类方法。
