技术领域 [0001]本申请涉及医疗图像技术领域，特别是涉及一种心电图的分类方法、训练方法、装置、设备和存储介质。 背景技术 [0002]随着人们生活水平的提高以及生活节奏的加快，心血管疾病的发病率迅速上升，已成为威胁人类身体健康的主要因素之一。人体心电图能够客观反映心脏各部位的生理状况，为心脏疾病的诊断和心脏功能的评价提供了重要依据，因此基于心电图的自动检测、分析和分类的方法得到了广泛的研究。 [0003]目前对心电图的分类方法一般是基于深度学习的分类模型实现，比如，先通过大量的带标签数据训练得到一个统一的分类模型，再在实际心电图分析过程中，使用该分类模型对待分类心电图进行识别达到分类目的，得到分类结果。 [0004]然而，上述分类方法存在分类模型复杂度高以及分类结果的准确性低的问题。 发明内容 [0005]基于此，有必要针对上述技术问题，提供一种能够提高分类准确性的心电图的分类方法、训练方法、装置、设备和存储介质。 [0006]第一方面，本申请提供了一种心电图的分类方法。所述方法包括： [0007]对待分类心电图中的心电信号进行波形形态识别，得到所述心电信号的波形类别； [0008]获取与所述心电信号的波形类别对应的分类模型；所述分类模型为预先基于同一波形类别的心电图的样本数据训练得到； [0009]将所述待分类心电图输入至所述分类模型中进行心拍类型分类，得到分类结果。 [0010]在其中一个实施例中，所述对待分类心电图中的心电信号进行波形形态识别，得到所述心电信号的波形类别，包括： [0011]从所述待分类心电图中的心电信号中提取主导信号； [0012]对所述主导信号进行波形形态识别，得到所述心电信号的波形类别。 [0013]在其中一个实施例中，所述从所述待分类心电图中的心电信号中提取主导信号，包括： [0014]提取待分类心电图中预设时间段内的心电信号作为所述主导信号。 [0015]在其中一个实施例中，所述获取与所述待分类心电图的波形类别对应的分类模型，包括： [0016]获取预设的波形类别与分类模型之间的映射关系； [0017]根据所述波形类别与分类模型之间的映射关系，确定与所述心电信号的波形类别对应的分类模型。 [0018]在其中一个实施例中，所述波形类别包括：波形自上而下向下、波形自下而上、波形先自下而上后自上而下、波形先自上而下后自下而上中的任一种。 [0019]第二方面，本申请还提供了一种分类模型的训练方法，所述训练方法用于训练多个初始分类模型得到如第一方面所述的分类模型，所述训练方法包括： [0020]获取多个波形类别的心电图的样本数据集； [0021]将各所述波形类别的心电图的样本数据集输入到对应的初始分类模型中进行训练，得到与所述多个波形类别的心电图对应的多个分类模型。 [0022]在其中一个实施例中，所述得到与所述多个波形类别的心电图对应的多个分类模型之后，所述方法还包括： [0023]建立所述多个波形类别与所述多个分类模型之间的映射关系。 [0024]第三方面，本申请还提供了一种心电图的分类装置。所述装置包括： [0025]识别模块，用于对待分类心电图中的心电信号进行波形形态识别，得到所述心电信号的波形类别； [0026]获取模块，用于获取与所述心电信号的波形类别对应的分类模型；所述分类模型为预先基于同一波形类别的心电图的样本数据训练得到； [0027]分类模块，用于将所述待分类心电图输入至所述分类模型中进行心拍类型分类，得到分类结果。 [0028]第四方面，本申请还提供了一种计算机设备。所述计算机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以下步骤： [0029]对待分类心电图中的心电信号进行波形形态识别，得到所述心电信号的波形类别； [0030]获取与所述心电信号的波形类别对应的分类模型；所述分类模型为预先基于同一波形类别的心电图的样本数据训练得到； [0031]将所述待分类心电图输入至所述分类模型中进行心拍类型分类，得到分类结果。 [0032]第五方面，本申请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，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤： [0033]对待分类心电图中的心电信号进行波形形态识别，得到所述心电信号的波形类别； [0034]获取与所述心电信号的波形类别对应的分类模型；所述分类模型为预先基于同一波形类别的心电图的样本数据训练得到； [0035]将所述待分类心电图输入至所述分类模型中进行心拍类型分类，得到分类结果。 [0036]上述心电图的分类方法、训练方法、装置、设备和存储介质，通过对待分类心电图中的心电信号进行波形形态识别，得到心电信号的波形类别，获取与心电信号的波形类别对应的分类模型，将待分类心电图输入至分类模型中进行心拍类型分类，得到分类结果。其中，分类模型为预先基于同一波形类别的心电图的样本数据训练得到。上述方法中，由于在对待分类心电图进行分类前，先根据心电信号的波形类别确定分类模型，那么该分类模型就是与待分类心电图匹配的分类模型，之后使用该分类模型对待分类心电图进行分类，即可得到准确的分类结果。另外，由于分类模型为预先基于同一波形类别的心电图的样本数据训练得到，也就是说，对于不同波形形态的样本数据训练得到不同的分类模型，样本数据预先考虑到了个体差异而进行了分类，那么基于各类别的样本数据训练得到的分类模型的复杂度相对就会较低，同时也减少了对模型训练样本的依赖性，提高了本方法的实用性。 附图说明 [0037]图1为一个实施例中心电图的分类方法的应用环境图； [0038]图2为一个实施例中心电图的分类方法的流程示意图； [0039]图2A为一个实施例中一种波形类别的示意图； [0040]图2B为一个实施例中另一种波形类别的示意图； [0041]图2C为一个实施例中另一种波形类别的示意图； [0042]图2D为一个实施例中另一种波形类别的示意图； [0043]图2E为一个实施例中另一种波形类别的示意图； [0044]图3为图2实施例中S101的一种实现方式的流程示意图； [0045]图4为图2实施例中S102的一种实现方式的流程示意图； [0046]图4A为一个实施例中映射表的流程示意图； [0047]图5为另一个实施例中心电图的分类方法的流程示意图； [0048]图5A为另一个实施例中心电图的分类方法的流程框图； [0049]图6为一个实施例中训练分类模型的流程示意图； [0050]图7为图6实施例中S501的一种实现方式的流程示意图； [0051]图8为一个实施例中训练分类模型的方法的流程框图； [0052]图9为一个实施例中心电图的分类装置的结构框图； [0053]图10为另一个实施例中心电图的分类装置的结构框图； [0054]图11为另一个实施例中心电图的分类装置的结构框图； [0055]图12为一个实施例中分类模型的训练装置的结构框图； [0056]图13为另一个实施例中分类模型的训练装置的结构框图； [0057]图14为一个实施例中计算机设备的内部结构图。 具体实施方式 [0058]为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。 [0059]本申请实施例提供的心电图的分类方法，可以应用于如图1所示的心电分类系统中，其中包括心电测试仪102和计算机设备104。该计算机设备104可以是终端，也可以是服务器，或者是工作站。心电测试仪102用于对测试对象进行心电监测并将监测得到的心电图作为待分类心电图进行保存，或上传至云端数据库；计算机设备104可以从心电测试仪102上读取待分类心电图，并采用相应的分类算法或分类方法对该待分类心电图进行分类，得到分类结果。计算机设备104也可以从云端数据库中获取待分类心电图后进行分类。 [0060]本领域技术人员可以理解，图1中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的心电分类系统的限定，具体的心电分类系统可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。 [0061]在一个实施例中，如图2所示，提供了一种心电图的分类方法，以该方法应用于图1中的计算机设备为例进行说明，包括以下步骤： [0062]S101，对待分类心电图中的心电信号进行波形形态识别，得到心电信号的波形类别。 [0063]其中，心电信号可以称为一种QRS复合波，对心电信号的波形形态识别也就是对QRS复合波的波形形态进行识别。一般情况下，对心电信号进行波形形态识别，是根据QRS复合波的波形方向或偏移进行识别。QRS复合波的波形方向或偏移决定了加在QRS复合波各部分上的字母(参见图2A所示的QRS复合波的波形类别)。例如，QRS波群中，如果第一个偏移是负向的，称之为Q波。首个正向偏移称之为R波(其前可以有Q波，也可以没有Q波)。R波之后的任何负向偏移均称之为S波。如果还出现了第二个正向偏移，则称之为R’波。 [0064]基于对QRS复合波的分析，可选的，通过对心电信号进行波形形态识别，可以得到心电信号的波形类别包括波形自上而下(参见图2B)、波形自下而上(参见图2C)、波形先自下而上后自上而下(参见图2D)、波形先自上而下后自下而上(参见图2E)中的任一种。其中的波形自上而下称为QS波，波形自下而上称为R波，波形先自下而上后自上而下称为Rs波，波形先自上而下后自下而上称为Qr波。可以理解的是，心电信号具体的波形类别不局限于上述四种波形类别，还可以包括其他表示波形方向和偏移的波形类别，比如，参见图2A所示的其他波形类别，具体波形类别可以根据实际波形确定。 [0065]本实施例中，计算机设备可以与心电测试仪连接，并从心电测试仪上获取心电图作为待分类心电图，也可以从云端数据库中直接获取待分类心电图。当获取到待分类心电图时，可以进一步的从该待分类心电图中提取心电信号，并采用相应波形形态识别算法或其他波形分类方法，对该心电信号的波形形态进行识别或分类，得到该心电信号的波形类别。比如，计算机设备识别出该心电信号的波形类别是波形自上而下、波形自下而上、波形先自下而上后自上而下、先自上而下后自下而上中的哪一种，或者是其他波形类别。可选的，计算机设备获取到待分类心电图时，还可以先对该分类心电图进行异常波形处理，以去除其中异常的波形，再进一步的采用相应波形形态识别算法或其他波形分类方法，对处理后的心电信号的波形形态进行识别，得到更为准确的波形类别。 [0066]S102，获取与心电信号的波形类别对应的分类模型。 [0067]其中，分类模型为预先基于同一波形类别的心电图的样本数据训练得到。分类模型用于对心电图中的心电信号的心拍类型进行识别。 [0068]本实施例中，当计算机设备基于前述步骤获取到心电信号的波形类别时，可以进一步的从预先训练好的诸多分类模型中选取出与心电信号的波形类别对应的分类模型，以便之后使用该分类模型对该心电信号进行心拍类型识别。需要说明的是，不同的分类模型对应不同的波形类别，比如，图2B-图2E所示的四种波形类别分别对应四种不同的分类模型，每种分类模型可以针对性的对心电信号进行心拍类型识别。 [0069]S103，将待分类心电图输入至分类模型中进行心拍类型分类，得到分类结果。 [0070]一般情况下，根据美国心脏病协会(American Heart Association，AAMI)将心电心拍分为五大类，分别是正常或者束支传导阻滞节拍(N)、室上性异常节拍(S)、心室异常节拍(V)、融合节拍(F)、未能分类的节拍(Q)，这五大类又可以包含小类，具体可参见表1： [0071]表一 [0072] [0073]基于上述分析，本实施例中的分类结果可以包括上述五大类的分类结果，也可以包括表1中的十五个小类的分类结果。 [0074]本实施例中，计算机设备可以将待分类心电图直接输入与该待分类心电图匹配的分类模型中进行心拍类型分类，即可得到该待分类心电图的分类结果。比如，通过上述步骤可以确定待分类心电图中心拍的类型是N、S、V、F、Q中的哪一种，或者是上述表1中小分类中的哪一种。 [0075]上述实施例提供的心电图的分类方法通过对待分类心电图中的心电信号进行波形形态识别，得到心电信号的波形类别，获取与心电信号的波形类别对应的分类模型，将待分类心电图输入至分类模型中进行心拍类型分类，得到分类结果。其中，分类模型为预先基于同一波形类别的心电图的样本数据训练得到。上述方法中，由于在对待分类心电图进行分类前，先根据心电信号的波形类别确定分类模型，那么该分类模型就是与待分类心电图匹配的分类模型，之后使用该分类模型对待分类心电图进行分类，即可得到准确的分类结果。另外，由于分类模型为预先基于同一波形类别的心电图的样本数据训练得到，也就是说，对于不同波形形态的样本数据训练得到不同的分类模型，样本数据预先考虑到了个体差异而进行了分类，那么基于各类别的样本数据训练得到的分类模型的复杂度相对就会较低，同时也减少了对模型训练样本的依赖性，提高了本方法的实用性。 [0076]在一个实施例中，提供了一种对心电信号进行波形形态识别的具体实现方式，如图3所示，上述S101“对待分类心电图中的心电信号进行波形形态识别，得到心电信号的波形类别”，包括： [0077]S201，从待分类心电图中的心电信号中提取主导信号。 [0078]其中，主导信号的波形类别能够代表待分类心电图中心电信号的波形类别。 [0079]本实施例中，当计算机设备获取到待分类心电图时，可以进一步的从该待分类心电图中提取心电信号，然后根据预先定义的主导信号，从心电信号中提取出主导信号。可选的，计算机设备可以提取待分类心电图中预设时间段内的心电信号作为主导信号，其中的预设时间段可以根据实际应用需求确定，比如，预设时间段可以为30s，则计算机设备可以提取待分类心电图中开始前30秒内的心电信号作为主导信号；再例如，若预设时间段为20s，则计算机设备可以提取待分类心电图中心电信号前10s～30s的信号作为主导信号。需要说明的是，主导信号可以是心电信号的任一预设时间段内的信号，比如，从心电信号中提取出处于中间预设时间段的信号作为主导信号，从心电信号中提取出处于开始预设时间段的信号作为主导信号，从心电信号中提取出处于末尾预设时间段的信号作为主导信号。 [0080]S202，对主导信号进行波形形态识别，得到心电信号的波形类别。 [0081]本实施例中，计算机设备在确定了心电信号的主导信号后，即可采用相应波形形态识别算法或其他波形分类方法，对该主导信号的波形形态进行识别，得到该主导信号的波形类别，比如，识别出该主导信号的波形类别是波形自上而下、波形自下而上、波形先自下而上后自上而下、先自上而下后自下而上中的哪一种，或者是其他波形类别。可选的，计算机设备确定主导信号时，还可以先对该主导信号进行异常波形处理，以去除其中异常的波形，再进一步的采用相应波形形态识别算法或其他波形分类方法，对处理后的主导信号的波形形态进行识别，得到更为准确的波形类别。最后，计算机设备可将主导波形的波形类别确定为待分类心电图中心电信号的波形类别。由于主导波形只为待分类心电图中心电信号的预设时间段内的信号，所以数据量不大，那么基于该信号进行识别可以提高识别效率，从而提高本实施例提供分类方法的效率。 [0082]在一个实施例中，提供了一种获取分类模型的具体实现方式，如图4所示，上述S102“获取与心电信号的波形类别对应的分类模型”，包括： [0083]S301，获取预设的波形类别与分类模型之间的映射关系。 [0084]其中，波形类别与分类模型一一对应。波形类别与分类模型之间的映射关系可以预先由计算机设备建立并记录在映射表中进行保存，例如，参见图4A所示的映射表。 [0085]本实施例中，计算机设备可以预先基于不同的波形类别的样本数据训练好对应不同的分类模型，得到多种波形类别和对应的多个分类模型，然后构建这多种波形类别和多个分类模型之间的映射关系，并将这映射关系保存至计算机设备的数据库中或者其他云数据库中，以便之后需要时直接调取使用。或者，计算机设备将多种波形类别和多个分类模型之间的映射关系写入数据结构中，以便之后计算机设备需要确定波形类别对应的分类模型时，可以通过调用该数据结构实现。 [0086]S302，根据波形类别与分类模型之间的映射关系，确定与心电信号的波形类别对应的分类模型。 [0087]本实施例中，当计算机设备确定需要使用的分类模型时，可以从数据库中或其他地方查到记录有波形类别与分类模型之间的映射关系的表格或文件，然后根据要查找的波形类别，从该表格或文件中确定与该波形类别对应的分类模型，以便之后使用。 [0088]综合上述所有实施例，提供了一种心电图的分类方法，如图5所示，该方法包括： [0089]S401，获取待分类心电图。 [0090]S402，提取待分类心电图中预设时间段内的心电信号作为主导信号。 [0091]S403，对主导信号进行波形形态识别，得到心电信号的波形类别。 [0092]S404，获取预设的波形类别与分类模型之间的映射关系。 [0093]S405，根据波形类别与分类模型之间的映射关系，确定与心电信号的波形类别对应的分类模型。 [0094]S406，将待分类心电图输入至分类模型中进行心拍类型分类，得到分类结果。 [0095]对应上述步骤所述分类方法可参见图5A所示的框图，上述各步骤或框图中的步骤在前述实施例中均有说明，详细内容请参见前述说明，此处不赘述。 [0096]在实际应用中，上述图2-图5任一实施例中使用的分类模型均是计算机设备预先训练得到的，因此，本申请提供了一种训练分类模型的方法，如图6所示，该训练方法包括： [0097]S501，获取多个波形类别的心电图的样本数据集。 [0098]训练分类模型时，需要先获取大量心电图的样本数据，然后分析各心电图中心电信号的波形形态，以确定各心电信号的波形类别，并从中筛选出大量不同波形类别的心电图作为样本数据集。比如，当波形类别包括如图2A所示的十一种波形类别时，可以获取这十一种波形类别的心电图的样本数据集，且每一种类别的心电图的样本数据集中样本数量可以根据实际训练需求确定；当波形类别包括如图2B-图2E所示的四种波形类别时，可以获取这四种波形类别的心电图的样本数据集，且每一种波形类别的心电图的样本数据集中样本数量可以根据实际训练需求确定。 [0099]S502，将各波形类别的心电图的样本数据输入到对应的初始分类模型中进行训练，得到与多个波形类别的心电图对应的多个分类模型。 [0100]其中，初始分类模型可以具体为一种神经网络，或者深度学习网络，初始分类模型的具体类别可以根据实际应用确定，例如本实施例中的初始分类模型可以具体为一种CNNC的网络模型，在波形类别识别上具有较高的灵敏性。需要说明的是，不同波形类别对应的初始分类模型可以基于不同的神经网络模型结构进行设计，例如，参见图2-2E所示的不同波形类别分别对应不同架构的初始分类模型。可选的，相似波形类别也可以对应相同的初始分类模型。 [0101]本实施例中，当需要设置不同波形类别对应不同初始分类模型时，计算机设备可以根据样本数据包含的波形类别的数量构建对应数量的初始分类模型，且每个初始分类模型的架构不相同；当波形类别与初始分类模型并非一一对应关系时，计算机设备即可根据波形类别对应构建其需要的初始分类模型，当相似波形类别对应相同初始分类模型时，可以重复利用一个初始分类模型，而不进行重复构建。然后在训练时，计算机设备可以先后或者同时将不同波形类别的心电图的样本数据输入至对应的初始分类模型中进行训练，训练过程不断调整各初始分类模型的参数，且根据初始分类模型针对当前波形给出初始的评估结果，比如，灵敏度、特异性、准确性、f1等指标，之后确定初始分类模型是否训练完成的条件可以是综合性指标f1，如果各项指标均有所提升，或者综合性指标f1有所提升，则认为当前波形的分类模型可达到预期效果，训练结束，得到的多个分类模型即为训练完成的多个分类模型。需要说明的是，不同波形类别对应的初始分类模型可以根据不同的方法预先构建，比如，波形类别1对应的初始分类模型可以预先根据神经网络模型构建，波形类别2对应的初始分类模型可以预先根据深度学习网络构建，初始模型构建的方法可以根据对应波形类型确定，例如，对于波形简单的波形类别就可以构建一个简单的初始分类模型，对于波形复杂的波形类别就可以构建一个较为复杂的分类模型，这样针对性的设计初始分类模型。再例如，QRS波复合波的波形方向或偏移决定了波形的命名。QRS波群中，如果第一个偏移是负向的，称之为Q波。首个正向偏移称之为R波(其前可以有Q波，也可以没有Q波)。R波之后的任何负向偏移均称之为S波。如果还出现了第二个正向偏移，则称之为R’波等等。因此针对该波形的特殊性，训练对应的初始网络模型，使不同的波形类别对应不同的初始网络模型。可以做到使训练后得到的分类模型更加能够针对性的进行分类，在提高分类效率的同时可以保证分类的准确性。可以理解的是，在训练过程中，针对不同波形类别训练不同初始网络模型，各个初始网络模型是独立的模型，可以设置各自的参数进行训练。即使不同波形类别对应相同的初始网络模型，由于不同波形类别的复杂度不同，也可以在训练过程中设置不同的训练结束条件、训练次数、迭代时间训练样本或其他条件等，来达到使训练好的分类模型可以针对不同波形类别呈现良好的分类效果。 [0102]在一个实施例中，提供了上述获取多个波形类别的心电图的样本数据集的具体实现方法，如图7所示，该方法包括： [0103]S601，获取预设数量的心电图。 [0104]S602，分析各心电图的波形形态，得到各心电图的波形类别。 [0105]S603，根据各心电图的波形类别对预设数量的心电图进行归类，得到多个波形类别的心电图的样本数据集。 [0106]具体的，计算机设备可以从心电测试仪或者数据库中获取大量心电图，并分析每个心电图中的心电信号的波形类别，或者分析每个心电图中主导信号的波形类别，将属于同一波形类别的心电图归为一个样本数据集，最终得到不同波形类别的心电图的样本数据集，以便之后使用不同波形类别的心电图的样本数据集分别输入至不同初始分类模型中进行训练，从而得到不同波形类别对应的分类模型。上述过程具体可参见图8所示的框图。 [0107]上述实施例提供的训练方法实现了针对不同波形类别训练不同的分类模型，减少了每个分类模型的复杂度，同时提高了分类的准确度。另外，上述训练方法中预先对心电图进行波形类别分析后，再根据分析结果归类样本数据集，实现了预先对样本数据集进行分类，最后基于分类的样本数据集分别训练不同的分类模型，这样的训练方法可以减少后期分类模型在使用过程中对于输入数据的依赖性。 [0108]当计算机设备完成训练，得到多个分类模型时，即可建立多个波形类别与多个分类模型之间的映射关系并进行保存，以便之后使用分类模型时直接调用该映射关系为待分类心电图匹配对应分类模型进行分类，从而实现对心电图进行波形类别针对性的分类，可以极大的提高分类准确性。 [0109]应该理解的是，虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。 [0110]基于同样的发明构思，本申请实施例还提供了一种用于实现上述所涉及的心电图的分类方法的心电图的分类装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似，故下面所提供的一个或多个心电图的分类装置实施例中的具体限定可以参见上文中对于心电图的分类方法的限定，在此不再赘述。 [0111]在一个实施例中，如图9所示，提供了一种心电图的分类装置，包括： [0112]识别模块10，用于对待分类心电图中的心电信号进行波形形态识别，得到所述心电信号的波形类别。 [0113]获取模块11，用于获取与所述心电信号的波形类别对应的分类模型；所述分类模型为预先基于同一波形类别的心电图的样本数据训练得到。 [0114]分类模块12，用于将所述待分类心电图输入至所述分类模型中进行心拍类型分类，得到分类结果。 [0115]在一个实施例中，如图10所示，上述识别模块10，包括： [0116]提取单元101，用于从所述待分类心电图中的心电信号中提取主导信号。 [0117]识别单元102，用于对所述主导信号进行波形形态识别，得到所述心电信号的波形类别。 [0118]在一个实施例中，上述提取单元101具体用于提取待分类心电图中预设时间段内的心电信号作为所述主导信号。 [0119]在一个实施例中，如图11所示，上述获取模块11，包括： [0120]获取单元111，用于获取预设的波形类别与分类模型之间的映射关系； [0121]确定单元112，用于根据所述波形类别与分类模型之间的映射关系，确定与所述心电信号的波形类别对应的分类模型。 [0122]在一个实施例中，所述波形类别包括：波形自上而下、波形自下而上、波形先自下而上后自上而下、波形先自上而下后自下而上中的任一种。 [0123]在一个实施例中，如图12所示，提供了一种分类模型的训练装置，包括： [0124]获取模块20，用于获取多个波形类别的心电图的样本数据集； [0125]训练模块21，用于将各所述波形类别的心电图的样本数据集输入到对应的初始分类模型中进行训练，得到与所述多个波形类别的心电图对应的多个分类模型。 [0126]在一个实施例中，如图13所示，上述分类模型的训练装置还包括： [0127]构建模块21，用于建立所述多个波形类别与所述多个分类模型之间的映射关系。 [0128]上述心电图的分类装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。 [0129]在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图14所示。该计算机设备包括通过系统总线连接的处理器、存储器、通信接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过WIFI、移动蜂窝网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种心电图的分类方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。 [0130]本领域技术人员可以理解，图14中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。 [0131]在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤： [0132]对待分类心电图中的心电信号进行波形形态识别，得到所述心电信号的波形类别； [0133]获取与所述心电信号的波形类别对应的分类模型；所述分类模型为预先基于同一波形类别的心电图的样本数据训练得到； [0134]将所述待分类心电图输入至所述分类模型中进行心拍类型分类，得到分类结果。 [0135]在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤： [0136]对待分类心电图中的心电信号进行波形形态识别，得到所述心电信号的波形类别； [0137]获取与所述心电信号的波形类别对应的分类模型；所述分类模型为预先基于同一波形类别的心电图的样本数据训练得到； [0138]将所述待分类心电图输入至所述分类模型中进行心拍类型分类，得到分类结果。 [0139]在一个实施例中，提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现以下步骤： [0140]对待分类心电图中的心电信号进行波形形态识别，得到所述心电信号的波形类别； [0141]获取与所述心电信号的波形类别对应的分类模型；所述分类模型为预先基于同一波形类别的心电图的样本数据训练得到； [0142]将所述待分类心电图输入至所述分类模型中进行心拍类型分类，得到分类结果。 [0143]需要说明的是，本申请所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等)，均为经用户授权或者经过各方充分授权的信息和数据。 [0144]本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是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非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory，ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory，MRAM)、铁电存储器(Ferroelectric Random Access Memory，FRAM)、相变存储器(Phase Change Memory，PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory，RAM)或外部高速缓冲存储器等。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器(Static Random Access Memory，SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory，DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等，不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等，不限于此。 [0145]以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。 [0146]以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请的保护范围应以所附权利要求为准。