一種用于三導聯心電電極連接判別的智能終端的制作方法

本發明屬于醫療器械技術領域，具體涉及一種用于三導聯心電電極連接判別的智能終端。

背景技術：

現有醫院所使用的醫療設備結構復雜，操作步驟繁瑣，需要專業人員進行操作，對于個人消費者來說很難在社區醫療、養老、乃至遠程診療中進行長期使用。尤其是復雜的設備，眾多的連線，會造成病人心理上的壓力和緊張情緒，可能會影響病人身體狀況，使得診斷所得到的數據與真實情況有一定差距，可能會影響對病情的正確診斷。

動態心電圖是心臟疾病預防和診斷的重要方式之一，以常見于中老年人的心臟疾病為例來說，為了提前預防及早診斷，一般都需要采用專業的心電采集設備來檢測心電數據，也就是一般人直觀認識的所謂測心電圖，其最基本的操作是在被檢測對象身上準確安裝心電電極。

圖1顯示的是現有技術常用的三導聯心電檢測中的電極位置示意圖，三導聯心電檢測包括七個電極，其中，第一導聯的正極表示為CH1+，負極表示為CH1-。它模擬標準十二導聯體系中的V5導聯；第二導聯的正極表示為CH2+，負極表示為CH2-。它模擬標準十二導聯體系中的V1導聯；第三導聯的正極表示為CH3+，負極表示為CH3-。它模擬標準十二導聯體系中的V3導聯；第七個電極RL為無干電極。這些電極的標準位置為CH1+電極在左腋前線第五肋間隙，CH1-電極位置為右鎖骨與胸骨交界處，CH2+位置為胸骨右緣第四肋間隙，相當于胸導聯V1位置，CH2-位置為左鎖骨與胸骨交界處，CH3+位置為左側第五肋骨中線位置，CH3-位置為胸骨柄上，位于CH1-電極和CH2-電極之下，RL位置為右側肋弓下緣位置。

現行通用標準規范中，對于每個電極的電極線的顏色也有明確的規定。按照AHA(美國心臟協會)的標準，CH1+、CH1-、CH2+、CH2-、CH3+、CH3-、RL的電極線顏色分別為：紅色，白色，棕色，黑色，橙色，藍色，綠色。按照IEC(國際電工委員會)的標準，CH1+、CH1-、CH2+、CH2-、CH3+、CH3-、RL的電極線顏色分別為：綠色，紅色，白色，黃色，橙色，藍色，黑色。

從圖1顯示的電極位置可以看出，每個電極的顏色、位置都是不一樣的，需要相當的專業知識才能正確操作復雜的電極定位，由于線路較多，定位復雜，非專業的檢測醫生無法勝任，因此，普通個人很難完成專業的心電檢測。在判斷三導聯心電檢測過程中的電極位置是否接錯之前，考慮到七個電極錯位的復雜排列組合結果太大，一般需要進行簡化電極位置判斷，即首先排除遠離其余六個電極的接地電極RL的位置接錯，參照圖1可見，電極RL遠離其余六個電極，非常容易連接，接錯的概率是很低的，因此將該電極RL位置接錯的可能性排除；另外位于最上方的三個鄰近位置的負電極CH1-、CH2-和CH3-，它們相互之間的位置錯接對實際結果沒有任何影響，故真正的心電電極檢測判斷主要集中在于三個正電極CH1+、CH2+和CH3+相互之間的連接，它們之間共有6種連接位置狀態可能，其中只有一種是正確的連接形式。

雖然目前市場上出現了一些專為個人設計的心電檢測設備，但結構復雜，操作也非常麻煩，更重要的是一旦電極位置放置錯誤，獲得的心電數據就是不準確的，以此作為心臟疾病的診療基礎將會帶來不可預料的嚴重后果。

技術實現要素：

針對現有技術所存在的上述技術問題，本發明提供了一種用于三導聯心電電極連接判別的智能終端，能夠有效的判斷心電電極是否接錯以及具體接錯的電極，進而降低醫生對心電圖讀圖的錯判率。

一種用于三導聯心電電極連接判別的智能終端，包括處理器和藍牙通訊模塊，所述的處理器加載有以下功能模塊：

信號采集模塊，用于通過智能終端內的藍牙通訊模塊收集心電監測器提供的心電數據；所述的心電數據包括：在電極連接正確導聯輸入正常的情況下心電監測器預先采集得到的m組三通道心電標準信號段、通過三個正電極之間連接位置的遍歷組合變換將每組信號段擴展成6組得到的6m組三通道心電訓練信號段以及用戶日常檢測時利用心電監測器采集得到的三通道心電信號段，m為大于1的自然數；

前饋模型訓練模塊，基于m組三通道心電標準信號段通過前饋神經網絡學習算法進行訓練，得到三通道心電信號之間的重構關系模型；

心電重構模塊，用于將m組三通道心電標準信號段代入上述重構關系模型進行遍歷計算，對應得到m組三通道心電重構信號段；此外也將用戶日常檢測得到的三通道心電信號段代入重構關系模型進行計算，得到對應的三通道心電重構信號段；

相關運算模塊，用于將所述的三通道心電訓練信號段與對應的三通道心電重構信號段進行相關系數運算，共得到6m組由三個相關系數為特征值組成的特征序列；此外也將用戶日常檢測得到的三通道心電信號段與其對應的三通道心電重構信號段進行相關系數運算，得到對應的特征序列；

神經網絡訓練模塊，用于根據上述6m組特征序列通過人工神經網絡學習算法進行訓練，得到關于電極連接位置的判別模型；

判別模塊，用于將用戶日常檢測得到的三通道心電信號段所對應的特征序列代入上述判別模型中得到對應關于連接位置狀態的輸出結果，進而根據該輸出結果判別出用戶的電極連接形式為哪種連接位置狀態，且該連接位置狀態是否正確。

所述前饋模型訓練模塊通過前饋神經網絡學習算法進行訓練的具體過程如下：

1.1初始化構建一個由輸入層、隱藏層和輸出層組成的神經網絡；

1.2從樣本集中任取一組三通道心電標準信號段，將其中任意兩個通道的心電標準信號段代入上述神經網絡計算得到對應另一通道的心電信號輸出結果，進而計算該心電信號輸出結果與實際另一通道心電標準信號段之間的累積誤差；所述樣本集由m組三通道心電標準信號段組成；

1.3根據該累積誤差通過梯度下降法對神經網絡中輸入層與隱藏層之間以及隱藏層與輸出層之間的權重進行修正，進而從樣本集中任取下一組三通道心電標準信號段代入修正后的神經網絡；

1.4根據步驟1.2和1.3遍歷樣本集中的所有三通道心電標準信號段，取累積誤差最小時所對應的神經網絡為所述重構關系模型。

所述前饋模型訓練模塊初始化構建的神經網絡中隱藏層由10個神經元組成。

所述前饋模型訓練模塊初始化構建的神經網絡中隱藏層的神經元函數h(z)采用tan-sigmoid型傳遞函數，其表達式如下：

其中：z為函數的自變量。

所述神經網絡訓練模塊所采用的人工神經網絡學習算法以梯度下降法作為優化方向。

所述神經網絡訓練模塊通過人工神經網絡學習算法進行訓練的具體過程如下：

2.1將6m組特征序列分為訓練集和測試集且訓練集大于測試集；

2.2初始化構建一個由輸入層、隱藏層和輸出層組成的神經網絡；

2.3從訓練集中任取一特征序列代入上述神經網絡計算得到對應關于連接位置狀態的輸出結果，計算該輸出結果與該特征序列所對應的實際連接位置狀態之間的累積誤差；

2.4根據該累積誤差通過梯度下降法對神經網絡中輸入層與隱藏層之間以及隱藏層與輸出層之間的權重進行修正，進而從訓練集中任取下一特征序列代入修正后的神經網絡；

2.5根據步驟2.3和2.4遍歷訓練集中的所有特征序列，取累積誤差最小時所對應的神經網絡為判別模型。

所述神經網絡訓練模塊初始化構建的神經網絡中隱藏層由5個神經元組成。

所述神經網絡訓練模塊初始化構建的神經網絡中隱藏層的神經元函數g(z)的表達式如下：

其中：z為函數的自變量。

所述神經網絡訓練模塊對于訓練得到的判別模型，將測試集中的特征序列逐個代入該判別模型得到對應關于連接位置狀態的輸出結果，使每一特征序列所對應的輸出結果與實際連接位置狀態進行比較，若測試集的正確率大于等于閾值的話，則該判別模型最終確定；若測試集的正確率小于閾值的話，則利用心電監測器采集更多的心電信號段樣本，經過心電重構模塊和相關運算模塊得到更多數量的特征序列作為神經網絡的輸入。

所述的智能終端可以為智能手機、平板電腦或PC機。

本發明用于三導聯心電電極連接判別的智能終端通過由前饋神經網絡訓練得到的三通道心電信號重構關系模型與相關系數法對心電信號進行轉化，進而基于轉化得到的特征序列利用人工神經網絡學習算法以梯度下降的優化方式將判別模型準確的建立，通過對系統模型的還原，實現了心電電極接錯的判別方法，進而大大提升了判別的效率和準確率。

附圖說明

圖1為三導聯心電電極的連接示意圖。

圖2為本發明用于三導聯心電電極連接判別的智能終端結構示意圖。

具體實施方式

為了更為具體地描述本發明，下面結合附圖及具體實施方式對本發明的技術方案進行詳細說明。

如圖2所示，本實施例中用于三導聯心電電極連接判別的智能終端采用智能手機，該智能手機內包含處理器和藍牙通訊模塊，藍牙通訊模塊與處理器相連；處理器包括信號采集模塊、前饋模型訓練模塊、心電重構模塊、相關運算模塊、神經網絡訓練模塊和判別模塊；其中：

在判斷三導聯心電檢測過程中的電極位置是否接錯之前，考慮到七個電極錯位的復雜排列組合結果太大，因此需要進行簡化電極位置判斷。即，首先排除遠離其余六個電極的接地電極RL的位置接錯，參照圖1可見，第七個電極RL遠離其余六個電極，非常容易連接，接錯的概率是很低的，因此將該電極RL位置接錯的可能性排除，后續步驟中同樣作排除處理即可獲得同樣的效果。

信號采集模塊通過藍牙通訊模塊收集心電監測器提供的心電數據；心電數據包括：在電極連接正確導聯輸入正常的情況下心電監測器預先采集得到的m組三通道心電標準信號段、通過三個正電極之間連接位置的遍歷組合變換將每組信號段擴展成6組得到的6m組三通道心電訓練信號段以及用戶日常檢測時心電監測器采集得到的三通道心電信號段，m為大于1的自然數。

在電極連接正確、導聯輸入正常的情況下，采集三導聯Holter系統m組長度為n的多樣本、低相關性的三通道心電標準信號段，構建樣本集；通過將心電標準信號段的三通道按以下位置狀態進行遍歷組合變換，擴展獲得6m組三通道心電訓練信號段。

本實施方式中，m為752，n為2500，信號采樣頻率為250赫茲，故樣本長度為10秒。

前饋模型訓練模塊基于m組三通道心電標準信號段通過前饋神經網絡學習算法進行訓練，得到三通道心電信號之間的重構關系模型，具體實現方法如下：

1.1根據人工神經網絡學習算法建立前饋神經網絡模型：前饋神經網絡模型有輸入層、隱藏層和輸出層三層，輸入層的輸入為兩個通道的標準心電信號段，層與層之間通過公式(1)進行連接，隱藏層和輸出層的神經元激活函數為公式(2)，輸出層的輸出為另一通道的心電信號，隱藏層由10個神經元構成，同時將各層間的權值系數初始化；

1.2將樣本集中的一組心電標準信號段輸入到當前權值系數下的神經網絡，依次計算輸入層、隱藏層和輸出層的各節點的輸出；

1.3根據公式(3)計算兩個通道心電標準信號樣本經輸入層、隱藏層和輸出層后的輸出結果與另一通道實際心電標準信號之間的累積誤差E_train，根據梯度下降法，以公式(4)修正隱藏層與輸出層各節點間的權值系數，以公式(5)修正輸入層與隱藏層各節點間的權值系數；

其中：E為累積誤差，為單次訓練樣本經過神經網絡的輸出層的第k個輸出，o_k為單次訓練樣本的第k個期望結果，m為樣本集中的樣本總數，p為輸出層輸出總數；

其中：w_ho(t)為第t次樣本輸入到神經網絡時隱藏層與輸出層之間的權值系數，為單次訓練樣本經過神經網絡的輸出層的輸出，o為單次訓練樣本的期望結果，x_h為隱藏層的輸出，α為學習速率；

其中：w_ih(t)為第t次樣本輸入到神經網絡時輸入層與隱藏層之間的權值系數，x_i為輸入層的輸出；

1.4以步驟1.2和步驟1.3遍歷樣本集中所有心電標準信號段樣本，則取E_train最小時的權值系數組，訓練得到輸入層與隱藏層的權值系數矩陣為：

輸入層與隱藏層之間的偏置系數為：-2.5342、-3.6777、2.6693、-0.3543、-0.3753、0.2445、-2.2694、2.4065、2.7781、4.3592。

隱藏層與輸出層的權值系數為：1.5391、0.4724、2.0915、2.3852、0.4895、2.8014、-2.5907、0.2571、-2.4063、-0.3480。

隱藏層與輸出層之間的偏置系數為0.2614。

本實施方式中，學習速率α＝0.1。

心電重構模塊將m組三通道心電標準信號段代入上述重構關系模型進行遍歷計算，對應得到m組三通道心電重構信號段；此外也將用戶日常檢測得到的三通道心電信號段代入重構關系模型進行計算，得到對應的三通道心電重構信號段。

相關運算模塊將上述6m組三通道心電訓練信號段對應與m組三通道心電重構信號段進行相關系數運算，得到6m組由三個相關系數為特征值組成的特征序列；此外也將用戶日常檢測得到的三通道心電信號段與其對應的三通道心電重構信號段進行相關系數運算，得到對應的特征序列；具體實現方法為：根據以下公式將三通道心電訓練信號段與對應的心電重構信號段進行相關系數計算；對于每組心電訓練信號段可以分別計算得到由三個相關系數所組成的特征序列，遍歷6m組三通道心電訓練信號段，得到6m組相關系數特征序列；對6m組相關系數特征序列對應的連接位置狀態類型進行人工標識，以6比特結果標識對類型進行標識，由相關系數特征序列及對應的標識結果編碼組成心電訓練樣本。

其中：f為相關系數，x_i、為心電訓練原始信號段中某一通道的第i個數據和平均值，y_i、為心電訓練重構信號段中某一通道的第i個數據和平均值，n為1組信號段的長度。

神經網絡訓練模塊根據上述6m組特征序列通過人工神經網絡學習算法進行訓練，得到關于電極連接位置的判別模型，具體實現方法如下：

2.1將心電訓練樣本(6m組特征序列)劃分為訓練集和測試集；

2.2根據人工神經網絡學習算法建立神經網絡模型：神經網絡模型有輸入層、隱藏層和輸出層三層，輸入層的輸入輸出為對應三通道的相關系數，層與層之間通過公式(6)進行連接，隱藏層和輸出層的神經元激活函數為公式(7)，輸出層的輸出為0或1，代表心電通道連接是否正確，隱藏層由5個神經元構成，同時將各層間的權值系數初始化；

2.3將訓練集中的一組心電訓練樣本輸入到當前權值系數下的神經網絡，依次計算輸入層、隱藏層和輸出層的各節點的輸出；

2.4根據公式(8)計算相關系數特征序列經輸入層、隱藏層和輸出層后的輸出結果與其實際連接位置狀態類型之間的累積誤差E_train，根據梯度下降法，以公式(9)修正隱藏層與輸出層各節點間的權值系數，以公式(10)修正輸入層與隱藏層各節點間的權值系數；

其中：E為累積誤差，為單次訓練樣本經過神經網絡的輸出層的第k個輸出，o_k為單次訓練樣本的第k個期望結果，m為訓練集的樣本總數，p為輸出層輸出總數；

其中：w_ho(t)為第t次樣本輸入到神經網絡時隱藏層與輸出層之間的權值系數，為單次訓練樣本經過神經網絡的輸出層的輸出，o為單次訓練樣本的期望結果，x_h為隱藏層的輸出，α為學習速率；

其中：w_ih(t)為第t次樣本輸入到神經網絡時輸入層與隱藏層之間的權值系數，x_i為輸入層的輸出；

2.5以步驟2.3和步驟2.4遍歷訓練集中的所有心電訓練樣本，則取E_train最小時的權值系數組，并以測試集的心電訓練樣本對神經網絡模型進行測試，若測試集的正確率高于閾值則訓練完成；若否，增加心電訓練樣本，并重復步驟2.3～2.5；訓練得到輸入層與隱藏層的權值系數矩陣為：

輸入層與隱藏層之間的偏置系數為：2.1929、1.7801、-0.6962、-2.2274。

隱藏層與輸出層的權值系數為：-3.3227、0.5376、0.9403、1.4556、0.3988。

隱藏層與輸出層之間的偏置為0.7035。

本實施方式中，學習速率α＝0.1。

2.6根據神經網絡各層的權值比重，還原心電接錯判別模型的系統函數。

判別模塊將用戶日常檢測得到的三通道心電信號段所對應的特征序列代入上述判別模型中得到對應關于連接位置狀態的輸出結果，進而根據該輸出結果判別出用戶的電極連接形式為哪種連接位置狀態，且該連接位置狀態是否正確。

上述對實施例的描述是為便于本技術領域的普通技術人員能理解和應用本發明。熟悉本領域技術的人員顯然可以容易地對上述實施例做出各種修改，并把在此說明的一般原理應用到其他實施例中而不必經過創造性的勞動。因此，本發明不限于上述實施例，本領域技術人員根據本發明的揭示，對于本發明做出的改進和修改都應該在本發明的保護范圍之內。