基于多分支块全注意网络的心电数据分类方法及装置

技术领域

本发明涉及心电数据分类技术领域，特别涉及一种基于多分支块全注意网络的心电数据分类方法及装置。

背景技术

近年来，人们出于对健康的关注，对心电数据的诊断越来越受到重视。常用于对心电数据进行诊断的方法是对多导联ECG数据通道和空间特征注意机制分别提取，但是这会导致ECG数据通道和空间特征之间缺失关联特征，导致在对心电数据进行分类时，得到的结果准确度较低。

发明内容

本发明旨在至少解决现有技术中存在的技术问题之一。为此，本发明提出一种基于多分支块全注意网络的心电数据分类方法及装置，能够提高对心电数据分类的准确性。

第一方面，本发明实施例提供了一种基于多分支块全注意网络的心电数据分类方法，包括：

获取目标心电数据，所述目标心电数据为多导联心电数据；

将获取的所述目标心电数据输入预先配置的多分支块全注意网络模型，其中，所述多分支块全注意网络模型包括特征提取模块和全注意力块，所述特征提取模块包括多个多分支块和短接块；

通过所述特征提取模块对目标心电数据进行特征提取，得到第一数据；

将所述第一数据输入到全注意力模块提取空间特征和通道特征；

根据所述空间特征和所述通道特征，从预设的可选分类中确定所述目标心电数据所对应的目标分类结果。

在一些实施例中，所述多分支块全注意网络模型通过以下方法进行训练：

获取不同样本的训练心电数据对应的训练集和测试集；

通过所述特征提取模块对所述训练集进行特征提取得到第一特征数据；

通过全注意力块对所述第一特征数据进行空间特征提取和通道特征提取得到第二特征数据；

将所述第二特征数据输入到分类块进行分类得到训练状态的所述多分支块全注意网络模型；

输入所述测试集到训练状态的所述多分支块全注意网络模型进行测试得到测试结果；

通过预先训练好的分类评价模型对所述测试结果进行不平衡识别得到宏观ROC曲线；

根据所述宏观ROC曲线下的面积值确定所述多分支块全注意网络模型的不平衡分类的识别准确度，其中，所述不平衡分类是指比例失调的心电数据的样本分类；

根据所述识别准确度判断所述多分支块全注意网络模型是否训练完成。

在一些实施例中，所述获取不同样本的训练心电数据对应的训练集和测试集，包括：

对所述训练心电数据进行心电分类；

通过权阈值收缩的小波去噪算法对所述训练心电数据进行去噪；

根据统一的采样频率对去噪后的所述训练心电数据进行重采样，其中，所述采样频率为经过归一化处理后的频率；

根据固定时长对重采样的所述训练心电数据进行分割得到心电序列；

根据样本类别和心电类别将所述心电序列划分成训练集和测试集，其中，所述测试集对应的所述心电序列与所述训练集对应的所述心电序列为不同的样本类别。

在一些实施例中，所述通过权阈值收缩的小波去噪算法对所述训练心电数据进行去噪，包括：

通过离散小波对所述训练心电数据进行分解得到所述训练心电数据的各层小波系数；

通过动态软阈值函数和各层小波系数对小波进行重建得到去噪信号。

在一些实施例中，所述通过所述特征提取模块对目标心电数据进行特征提取，得到第一数据，包括：

通过所述特征提取模块中第一多分支块集合依次对所述目标心电数据进行特征提取得到第一多分支数据，其中，所述第一多分支块集合包括若干个多分支块；

通过所述特征提取模块中第一短接块对所述目标心电数据进行短接得到第一短接数据；

将所述第一多分支数据和所述第一短接数据进行融合得到临时数据；

通过所述特征提取模块中第二多分支块集合依次对所述临时数据进行特征提取得到第二多分支数据；

通过所述特征提取模块中第一短接块对所述临时数据进行短接得到第二短接数据；

将所述第二多分支数据和所述第二短接数据进行融合得到第一数据，其中，所述第二多分支块集合包括若干个多分支块。

在一些实施例中，所述将所述第一数据输入到全注意力模块提取空间特征和通道特征，包括：

通过池化层和线性层对所述第一数据的维度进行预处理得到第一全局先验特征矩阵、第二全局先验特征矩阵和特征向量矩阵，其中，预处理包括压缩处理、扩展处理、分割处理和归并处理；

通过仿射算法对所述第一全局先验特征矩阵和所述第二全局先验特征矩阵进行融合得到关联程度矩阵；

通过对所述第一数据、所述关联程度矩阵和所述特征向量矩阵进行通道特征计算得到第二数据。

在一些实施例中，所述将所述第一数据输入到全注意力模块提取空间特征和通道特征中，所述关联程度矩阵的计算公式为：

其中，A

所述第二数据的计算公式为：

其中，F

第二方面，本发明实施例提供了一种基于多分支块全注意网络的心电数据分类装置，所述基于多分支块全注意网络的心电数据分类装置预先配置有多分支块全注意网络模型，所述多分支块全注意网络模型包括特征提取模块和全注意力块，所述特征提取模块包括多个多分支块和短接块，所述装置用于：

获取目标心电数据，所述目标心电数据为多导联心电数据；

将获取的所述目标心电数据输入预先配置的多分支块全注意网络模型，其中，所述多分支块全注意网络模型包括特征提取模块和全注意力块，所述特征提取模块包括多个多分支块和短接块；

通过所述特征提取模块对目标心电数据进行特征提取，得到第一数据；

将所述第一数据输入到全注意力模块提取空间特征和通道特征；

根据所述空间特征和所述通道特征，从预设的可选分类中确定所述目标心电数据所对应的目标分类结果。

第二方面，本发明实施例提供了一种电子设备，包括：存储器、处理器及存储在存储器上并可在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如第一方面所述的基于多分支块全注意网络的心电数据分类方法。

第三方面，本发明实施例提供了一种计算机可读存储介质，存储有计算机程序，所述计算机程序用于执行如第一方面所述的基于注意力机制的基于多分支块全注意网络的心电数据分类方法。

根据本发明实施例的基于多分支块全注意网络的心电数据分类方法及装置，至少具有如下有益效果：获取目标心电数据；将获取的所述目标心电数据输入预先配置的多分支块全注意网络模型，所述目标心电数据为多导联心电数据，其中，所述多分支块全注意网络模型包括特征提取模块和全注意力块，所述特征提取模块包括多个多分支块和短接块；通过所述特征提取模块对目标心电数据进行特征提取，得到第一数据；将所述第一数据输入到全注意力模块提取空间特征和通道特征；根据所述空间特征和所述通道特征，从预设的可选分类中确定所述目标心电数据所对应的目标分类结果。根据本发明实施例的技术方案，利用特征提取模块提取的特征输入到全注意力块里面，进而提取空间维度的特征和通道维度的特征进行分类，能够融合多个数据通道特征和空间特征，从而提高了对心电数据分类的准确性。

附图说明

附图用来提供对本发明技术方案的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明的技术方案，并不构成对本发明技术方案的限制。

图1是本发明一个实施例提供的基于多分支块全注意网络的心电数据分类方法的流程图；

图2是本发明另一个实施例提供的模型训练方法的流程图；

图3是本发明另一个实施例提供的特征提取模块进行特征提取的流程图；

图4是本发明另一个实施例提供的全注意力模块提取空间特征和通道特征的流程图；

图5为本发明另一个实施例提供的多分支块全注意网络模型的总体流程图；

图6为本发明另一个实施例提供的多分支块全注意网络模型中多分支块的流程图；

图7为本发明另一个实施例提供的多分支块全注意网络模型中全注意力块的流程图；

图8为本发明另一个实施例提供的多分支块全注意网络模型中短接块和分类块的流程图；

图9是本发明另一个实施例提供的基于多分支块全注意网络的心电数据分类装置的结构图。

具体实施方式

下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。

在本发明的描述中，需要理解的是，涉及到方位描述，例如上、下、前、后、左、右等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。

在本发明的描述中，若干的含义是一个或者多个，多个的含义是两个以上，大于、小于、超过等理解为不包括本数，以上、以下、以内等理解为包括本数。如果有描述到第一、第二只是用于区分技术特征为目的，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或者隐含指明所指示的技术特征的先后关系。

本发明的描述中，除非另有明确的限定，设置、安装、连接等词语应做广义理解，所属技术领域技术人员可以结合技术方案的具体内容合理确定上述词语在本发明中的具体含义。

参考图1和图5，图1是本发明一个实施例提供的基于多分支块全注意网络的心电数据分类方法的流程图，图5为本发明另一个实施例提供的多分支块全注意网络模型的总体流程图，包括步骤S110-步骤S150：

步骤S110，获取目标心电数据，目标心电数据为多导联心电数据。

需要说明的是，当前很多有关心脏疾病可以反映在心电图中，而且早期轻症易治疗少费用。因而对于有限人工诊断的医疗资源来说，人们健康的守护需要更多高效的计算机辅助诊断系统来支撑。从医学角度，多导联心电图包含疾病特征相较于单导联更丰富，如心室肥大位于心脏不同的位置会体现在心电图中不同导联的异常；如二度Ⅱ型传导阻滞为突然出现的QRS波脱落，需要从连续的多心拍中判断此症，因此基于多导联的长序列的心脏疾病诊断系统具有更广泛且实际的临床意义。具体地，多导联心电数据可以为12导联心电数据，使用12导联心电信号采集设备对心电信号进行采集并记录为目标心电数据，设备可以为12导联心电图机或者12导联24小时动态心电图记录仪。目标心电数据即为需要对此进行心电数据类别判断的数据。从而解决了目前大部分研究基于单导联单心拍处理，对于特殊疾病诊断缺少导联间和相邻心拍间相关特征，分类准确率不高的问题。

步骤S120，将获取的目标心电数据输入预先配置的多分支块全注意网络模型，其中，多分支块全注意网络模型包括特征提取模块和全注意力块，特征提取模块包括多个多分支块和短接块。

需要说明的是，多分支块全注意网络模型为已经训练好的模型，将目标心电数据输入到预先配置好的多分支块全注意网络模型中，从而实现对目标心电数据的分类。

进一步地，多分支块全注意网络模型通过以下步骤进行训练，参考图2，图2是本发明另一个实施例提供的模型训练方法的流程图，包括步骤S121-步骤S128：

步骤S121，获取不同样本的训练心电数据对应的训练集和测试集。

步骤S122，通过特征提取模块对训练集进行特征提取得到第一特征数据；

步骤S123，通过全注意力块对第一特征数据进行空间特征提取和通道特征提取得到第二特征数据；

步骤S124，将第二特征数据输入到分类块进行分类得到训练状态的多分支块全注意网络模型；

步骤S125，输入测试集到训练状态的多分支块全注意网络模型进行测试得到测试结果；

步骤S126，通过预先训练好的分类评价模型对测试结果进行不平衡识别得到宏观ROC曲线；

步骤S127，根据宏观ROC曲线下的面积值确定多分支块全注意网络模型的不平衡分类的识别准确度，其中，不平衡分类是指比例失调的心电数据的样本分类；

步骤S128，根据识别准确度判断多分支块全注意网络模型是否训练完成。

需要说明的是，预先配置好的多分支块全注意力网络模型的训练过程具体如下：使用多导联心电信号采集设备，示例性的，可以是12导联心电信号采集设备，例如12导联心电图机或者12导联24小时动态心电图记录仪，记录不同样本的训练心电数据并标注其对应的心电数据分类。为了保证对模型的训练效果，每个样本的记录时长应该大于预设的阈值，示例性地，如记录时长大于10秒。心电数据划分方法在此不做限定，示例性地，可以参照PTB-XL数据库论文中对于SCP-ECG(心电信息的标准化通信协议)标准分类进行汇聚后的超分类划分方式将心电数据分为正常、心肌梗死、肥大、传导阻滞和ST/T异常这五类。为了提高训练的准确度，采集初始样本数应大于10000。完成采样之后，采用基于权阈值收缩的小波算法去除噪声，利用基于权阈值收缩的小波去噪算法对训练心电数据进行去噪，小波去噪算法首先进行离散小波分解以得到各层小波系数；之后使用动态软阈值函数对各层小波系数进行处理；最终，进行小波重建，输出去噪的训练心电信号。对去噪后的训练心电数据进行采样频率归一化得到心电序列，示例性地，可以统一重采样为100hz；之后将重采样后的心电序列以固定长度进行分割，示例性地分割为10秒长度，即每一导联心电数据的序列长度为1000点，要说明的是，分割的时长要小于样本采集的时长。进一步地，为缓解不平衡问题，在少数样本中进行多次不同起始点采样，以保证每一类别样本数基本相同。在构建数据集时，为每一心电数据的心电序列赋以对应的心电数据分类标签。将定长分割后的心电数据及对应的标签按照同一分类类别随机分成n份，其中第n份不能与其余n-1份为同一样本，这是为了将第n份作为测试集，测试集与训练集为不同样本的病人能完全反映病人间的识别效果；将相同份序的不同类数据拼接成完整的一份数据并随机打乱顺序；将前n-1份和第n份数据依次分割为训练集和测试集。将训练集输入到特征提取模块对训练集进行特征提取得到第一特征数据；通过全注意力块对第一特征数据进行空间特征提取和通道特征提取得到第二特征数据；将第二特征数据输入到分类块进行分类得到训练状态的多分支块全注意网络模型，其中，分类块由池化层、全连接层、激活层、卷积批处理激活层、批归一化层构成。训练过程中，采用了批大小为64，初始学习率为0.001，学习率调整采用了梯度降低方法(ReduceLROnPl ateau)，损失函数使用了交叉熵损失函数。将测试集中的心电序列输入处于训练状态的多分支块全注意力网络模型中，得到输出测试结果。之后对测试结果进行评分：可以采用准确率和预先训练好的分类评价模型来进行效果评价，其中准确率可以反映多分支块全注意力网络模型最终分类的总体准确度和各样本分类准确度，分类评价模型输出得到MacroAUC(宏观ROC曲线下面积值)，MacroAUC可以反映不平衡类别识别效果，其特征为MacroAUC值越大，不平衡分类效果越好，识别准确度越高，对于比例失调的少数样本的分类越准确。解决了现有大部分研究对于少数类样本的分类准确率不高的问题，还解决了现有方法对于数据不平衡分类的预测结果倾斜的问题。

步骤S130，通过特征提取模块对目标心电数据进行特征提取，得到第一数据。

需要说明的是，通过多分支块全注意力网络模型中的特征提取模块对目标心电数据进行特征提取得到第一数据，其中，特征提取模块包括有多个多分支块和短接块，通过多分支块代替普通卷积，在既保留了多种不同尺寸一维卷积核提取丰富特征能力，又拓展了其可同等替换普通卷积核的易用能力。从而使得在构建总体特征提取网络模型时，构建的网络不需要太深的网络深度。

更进一步地，参考图3，图3是本发明另一个实施例提供的特征提取模块进行特征提取的流程图，步骤S130还包括步骤S131-步骤S136：

步骤S131，通过特征提取模块中第一多分支块集合依次对目标心电数据进行特征提取得到第一多分支数据，其中，第一多分支块集合包括若干个多分支块；

步骤S132，通过特征提取模块中第一短接块对目标心电数据进行短接得到第一短接数据；

步骤S133，将第一多分支数据和第一短接数据进行融合得到临时数据；

步骤S134，通过特征提取模块中第二多分支块集合依次对临时数据进行特征提取得到第二多分支数据；

步骤S135，通过特征提取模块中第一短接块对临时数据进行短接得到第二短接数据；

步骤S136，将第二多分支数据和第二短接数据进行融合得到第一数据，其中，第二多分支块集合包括若干个多分支块。

需要说明的是，参考图5，以第一多分支块集合中包括有四个多分支块为例，目标心电数据依次经过四个多分支块的特征提取处理得到第一多分支数据。特征提取模块中的第一短接块对目标心电数据进行短接得到第一短接数据，将第一多分支数据和第一短接数据进行融合后得到临时数据，临时数据依次经过四个多分支块的特征提取处理得到第二多分支数据，第二短接块对临时数据进行短接得到第二短接数据，将第二多分支数据和第二短接数据进行融合得到第一数据。通过采用若干个多分支块从而在基本特征提取子网络中采用较浅的网络层次，参考图5提供的实施例，该子网络由两层残差结构的多分支块构成，每一层残差结构由四个直接顺序级联的多分支块和一个短接块构成。既保留了多种不同尺寸一维卷积核提取丰富特征能力，又拓展了其可同等替换普通卷积核的易用能力。特征提取模块对目标心电数据进行特征提取的具体过程如下，参考图6，图6为本发明另一个实施例提供的多分支块全注意网络模型中多分支块的流程图：通过多分支块对目标心电数据进行1×1的一维卷积后进行批归一化处理，将批归一化处理后的数据分别进行平均池化降维和批归一化处理，1×3一维卷积和批归一化处理，1×5一维卷积和批归一化处理，1×7一维卷积和批归一化处理，将得到的结果输入到激活层后，将激活层输出的数据拼接到一层中，再将数据经过1×1的一维卷积降维到与输入长度相同，最后经过批归一化层、激活层得到第一数据。参考图8，图8为本发明另一个实施例提供的多分支块全注意网络模型中短接块和分类块的流程图，目标心电数据或临时数据输入到短接块后，依次经过1x1的一维卷积，批归一化层，激活层后输出。

步骤S140，将第一数据输入到全注意力模块提取空间特征和通道特征；

需要说明的是，通多全注意力模块对第一数据进行空间特征和通道特征提取，从而同时融合通道注意和空间注意双重特征，注意到更全面的特征，从而使得分类结果更加准确。解决了现有方法对于12导联ECG数据通道和空间特征注意机制分别提取，而导致缺失两者间的关联特征的问题。

更进一步地，参考图4，图4是本发明另一个实施例提供的全注意力模块提取空间特征和通道特征的流程图，步骤S140还包括步骤S141-步骤S143：

步骤S141，通过池化层和线性层对第一数据的维度进行预处理得到第一全局先验特征矩阵、第二全局先验特征矩阵和特征向量矩阵，其中，预处理包括压缩处理、扩展处理、分割处理和归并处理；

步骤S142，通过仿射算法对第一全局先验特征矩阵和第二全局先验特征矩阵进行融合得到关联程度矩阵；

步骤S143，通过对第一数据、关联程度矩阵和特征向量矩阵进行通道特征计算得到第二数据。

需要说明的是，参考图7，图7为本发明另一个实施例提供的多分支块全注意网络模型中全注意力块的流程图，C为通道数，H为高度，W为宽度，F

其中，A

输入第一数据到输出第二数据这个过程中，第二数据在第j通道特征计算过程可计算如下：

其中，F

步骤S150，根据空间特征和通道特征，从预设的可选分类中确定目标心电数据所对应的目标分类结果。

需要说明的是，参考图8，图8为本发明另一个实施例提供的多分支块全注意网络模型中短接块和分类块的流程图，多分支块全注意网络模型从预设的可选分类中确定目标心电数据对应的目标分类结果，因为模型融合了空间特征和通道特征，因此利用多分支块全注意网络模型对目标心电数据进行分类的时候，能注意到更加全面的特征，使得分类准确性更加高。要说明的是，参考图5，提取空间特征和通道特征后数据会输入到分类块，依次经过池化层、全连接层、激活层、卷积批处理激活层、批归一化层，输出目标分类结果。

如图9所示，图9是本发明另一个实施例提供的基于多分支块全注意网络的心电数据分类装置的结构图。本发明还提供了一种基于多分支块全注意网络的心电数据分类装置，基于多分支块全注意网络的心电数据分类装置预先配置有多分支块全注意网络模型，多分支块全注意网络模型包括特征提取模块和全注意力块，特征提取模块包括多个多分支块和短接块，装置用于：

获取目标心电数据，目标心电数据为多导联心电数据；将获取的目标心电数据输入预先配置的多分支块全注意网络模型，其中，多分支块全注意网络模型包括特征提取模块和全注意力块，特征提取模块包括多个多分支块和短接块；通过特征提取模块对目标心电数据进行特征提取，得到第一数据；将第一数据输入到全注意力模块提取空间特征和通道特征；根据空间特征和通道特征，从预设的可选分类中确定目标心电数据所对应的目标分类结果。

还用于：多分支块全注意网络模型通过以下方法进行训练：获取不同样本的训练心电数据对应的训练集和测试集；通过特征提取模块对训练集进行特征提取得到第一特征数据通过全注意力块对第一特征数据进行空间特征提取和通道特征提取得到第二特征数据；将第二特征数据输入到分类块进行分类得到训练状态的多分支块全注意网络模型；输入测试集到训练状态的多分支块全注意网络模型进行测试得到测试结果；通过预先训练好的分类评价模型对测试结果进行不平衡识别得到宏观ROC曲线；根据宏观ROC曲线下的面积值确定多分支块全注意网络模型的不平衡分类的识别准确度，其中，不平衡分类是指比例失调的心电数据的样本分类；根据识别准确度判断多分支块全注意网络模型是否训练完成。

还用于：对训练心电数据进行心电分类；通过权阈值收缩的小波去噪算法对训练心电数据进行去噪；根据统一的采样频率对去噪后的训练心电数据进行重采样，其中，采样频率为经过归一化处理后的频率；根据固定时长对重采样的训练心电数据进行分割得到心电序列；根据样本类别和心电类别将心电序列划分成训练集和测试集，其中，测试集对应的心电序列与训练集对应的心电序列为不同的样本类别。

还用于：通过权阈值收缩的小波去噪算法对训练心电数据进行去噪，包括：通过离散小波对训练心电数据进行分解得到训练心电数据的各层小波系数；通过动态软阈值函数和各层小波系数对小波进行重建得到去噪信号。

还用于：通过特征提取模块对目标心电数据进行特征提取，得到第一数据，包括：通过特征提取模块中第一多分支块集合依次对目标心电数据进行特征提取得到第一多分支数据，其中，第一多分支块集合包括若干个多分支块；通过特征提取模块中第一短接块对目标心电数据进行短接得到第一短接数据；将第一多分支数据和第一短接数据进行融合得到临时数据；通过特征提取模块中第二多分支块集合依次对临时数据进行特征提取得到第二多分支数据；通过特征提取模块中第一短接块对临时数据进行短接得到第二短接数据；将第二多分支数据和第二短接数据进行融合得到第一数据，其中，第二多分支块集合包括若干个多分支块。

还用于：将第一数据输入到全注意力模块提取空间特征和通道特征，包括：通过池化层和线性层对第一数据的维度进行预处理得到第一全局先验特征矩阵、第二全局先验特征矩阵和特征向量矩阵，其中，预处理包括压缩处理、扩展处理、分割处理和归并处理；通过仿射算法对第一全局先验特征矩阵和第二全局先验特征矩阵进行融合得到关联程度矩阵；通过对第一数据、关联程度矩阵和特征向量矩阵进行通道特征计算得到第二数据。其中：关联程度矩阵的计算公式为：

第二数据的计算公式为：

如图9所示，图9是本发明另一个实施例提供的基于多分支块全注意网络的心电数据分类装置的结构图，包括：

处理器910，可以采用通用的中央处理器(Central Processing Unit，CPU)、微处理器、应用专用集成电路(Appl ication Specific Integrated Circuit，ASIC)、或者一个或多个集成电路等方式实现，用于执行相关程序，以实现本申请实施例所提供的技术方案；

存储器920，可以采用只读存储器(Read Only Memory，ROM)、静态存储设备、动态存储设备或者随机存取存储器(Random Access Memory，RAM)等形式实现。存储器920可以存储操作系统和其他应用程序，在通过软件或者固件来实现本说明书实施例所提供的技术方案时，相关的程序代码保存在存储器920中，并由处理器910来调用执行本申请实施例的班车到站时刻的预测方法；

输入/输出接口930，用于实现信息输入及输出；

通信接口940，用于实现本设备与其他设备的通信交互，可以通过有线方式(例如USB、网线等)实现通信，也可以通过无线方式(例如移动网络、WIFI、蓝牙等)实现通信；

总线950，在设备的各个组件(例如处理器910、存储器920、输入/输出接口930和通信接口940)之间传输信息；

其中处理器910、存储器920、输入/输出接口930和通信接口940通过总线950实现彼此之间在设备内部的通信连接。

本申请实施例还提供了一种电子设备，包括如上所述的班车到站时刻的预测装置。

本申请实施例还提供了一种存储介质，存储介质为计算机可读存储介质，该存储介质存储有计算机程序，该计算机程序被处理器执行时实现上述班车到站时刻的预测方法。

存储器作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序以及非暂态性计算机可执行程序。此外，存储器可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施方式中，存储器可选包括相对于处理器远程设置的存储器，这些远程存储器可以通过网络连接至该处理器。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。以上所描述的装置实施例仅仅是示意性的，其中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，实现了以位于一个地方，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模块来实现本实施例方案的目的。

本领域普通技术人员可以理解，上文中所公开方法中的全部或某些步骤、系统可以被实施为软件、固件、硬件及其适当的组合。某些物理组件或所有物理组件可以被实施为由处理器，如中央处理器、数字信号处理器或微处理器执行的软件，或者被实施为硬件，或者被实施为集成电路，如专用集成电路。这样的软件可以分布在计算机可读介质上，计算机可读介质可以包括计算机存储介质(或非暂时性介质)和通信介质(或暂时性介质)。如本领域普通技术人员公知的，术语计算机存储介质包括在用于存储信息(诸如计算机可读指令、数据结构、程序模块或其他数据)的任何方法或技术中实施的易失性和非易失性、可移除和不可移除介质。计算机存储介质包括但不限于RAM、ROM、EEPROM、闪存或其他存储器技术、CD-ROM、数字多功能盘(DVD)或其他光盘存储、磁盒、磁带、磁盘存储或其他磁存储装置、或者可以用于存储期望的信息并且可以被计算机访问的任何其他的介质。此外，本领域普通技术人员公知的是，通信介质通常包括计算机可读指令、数据结构、程序模块或者诸如载波或其他传输机制之类的调制数据信号中的其他数据，并且可包括任何信息递送介质。

以上是对本发明的较佳实施进行了具体说明，但本发明并不局限于上述实施方式，熟悉本领域的技术人员在不违背本发明精神的共享条件下还可作出种种等同的变形或替换，这些等同的变形或替换均包括在本发明权利要求所限定的范围内。