>[0076] 其中：Wlh(t)为第t次样本输入到神经网络时输入层与隐藏层之间的权值系数，Xl 为输入层的输出，α为学习速率；
[0077] (5)以步骤(3)和步骤(4)遍历所有心电信号训练样本的训练集，则取到Etrain最小 时的权值系数组，并以测试集神经网络进行测试，若测试的正确率高于阈值则训练完成;若 否，增加心电信号训练样本，并重复步骤⑶~(5)。本实施方式中，学习速率α = 0.05。
[0078] 判别模块用于将用户日常检测得到的单通道心电信号段所对应的特征序列代入 上述判别模型中得到对应关于心电信号质量的输出结果。即根据神经网络各层的权值比 重，还原心电信号质量评估判别模型的系统函数，通过系统函数对心电信号质量判别是否 接受:首先，根据某一独立通道的心电信号段分别计算其QRS能量比值、峰度和基线能量比 值;然后，将这三个特征值代入判别模型中得到对应关于连接位置状态的输出结果;最后， 根据该输出结果判别出该独立通道的心电信号质量是否可接受。
[0079]当判别心电信号质量可接受的情况下，处理器可对心电信号数据做进一步处理， 处理方式包括心电信号分析诊断、心电信号数据存储以及心电信号数据远程传输。其中，心 电信号数据远程传输是通过无线网(wifi或3G/4G)将心电数据上传到云端服务器，以便服 务器对个人心电信号数据的挖掘以及数据的转储。
[0080]上述的对实施例的描述是为便于本技术领域的普通技术人员能理解和应用本发 明。熟悉本领域技术的人员显然可以容易地对上述实施例做出各种修改，并把在此说明的 一般原理应用到其他实施例中而不必经过创造性的劳动。因此，本发明不限于上述实施例， 本领域技术人员根据本发明的揭示，对于本发明做出的改进和修改都应该在本发明的保护 范围之内。
【主权项】
1. 一种具有心电信号质量判别功能的心电监测系统，包括心电监测器和智能终端，所 述的心电监测器与智能终端通过无线通讯连接;其特征在于： 所述的心电监测器包括监测器主体和若干个心电采集电极，所述的监测器主体内设有 主控模块、信号调理模块和蓝牙通讯模块;心电采集电极与信号调理模块连接，信号调理模 块与主控模块连接，主控模块与蓝牙通讯模块连接;所述的心电采集电极用于拾取人体表 的微弱心电信号，送入信号调理模块经过放大滤波处理后，由主控模块进行采样和数字信 号处理，然后通过蓝牙通讯模块将心电信号传输给智能终端； 所述的智能终端包括蓝牙通讯模块和处理器，所述的处理器包括： 信号采集模块，用于通过智能终端内的蓝牙通讯模块收集心电监测器提供的心电数 据;所述的心电数据为心电监测器预先采集得到基于独立导联通道的m组心电信号段或用 户日常检测时心电监测器采集得到单通道的心电信号段;所述m组心电信号段的质量通过 人工被标记为0或1，1表示满足接受要求，0表示不满足接受要求，m为大于1的自然数； 特征提取模块，用于对所述的心电数据进行特征提取即对于任一心电信号段通过计算 得到该心电信号段的QRS能量比值、信号峰度和基线能量比值，并将这三个特征指标组成该 心电信号段的特征序列； 神经网络训练模块，用于根据与上述m组心电信号段对应提取得到的m组特征序列通过 人工神经网络学习算法进行训练，得到关于心电信号质量的判别模型； 判别模块，用于将用户日常检测得到的单通道心电信号段所对应的特征序列代入上述 判别模型中得到对应关于心电信号质量的输出结果，进而根据该输出结果判断出该单通道 心电信号段的质量是否满足接受要求。2. 根据权利要求1所述的心电监测系统，其特征在于:所述的特征提取模块通过以下算 式计算心电信号段的QRS能量比值：其中:P(f)为心电信号段的功率谱密度函数，S为心电信号段的QRS能量比值，f为频率。3. 根据权利要求1所述的心电监测系统，其特征在于:所述的特征提取模块通过以下算 式计算心电信号段的信号峰度：其中：X(i)为心电信号段中的第i个采样值，N为心电信号段中的采样点个数，y为心电 信号段的平均采样值，K为心电信号段的信号峰度。4. 根据权利要求1所述的心电监测系统，其特征在于:所述的特征提取模块通过以下算 式计算心电信号段的基线能量比值：其中：P(f)为心电信号段的功率谱密度函数，B为心电信号段的基线能量比值，f为频 率。5. 根据权利要求1所述的心电监测系统，其特征在于:所述的神经网络训练模块所采用 的人工神经网络学习算法以梯度下降法作为优化方向。6. 根据权利要求1所述的心电监测系统，其特征在于:所述的神经网络训练模块通过人 工神经网络学习算法进行训练的具体过程如下： (1) 将m组特征序列分为训练集和测试集且训练集大于测试集； (2) 初始化构建一个由输入层、隐藏层和输出层组成的神经网络； (3) 从训练集中任取一特征序列代入上述神经网络计算得到对应关于心电信号质量的 输出结果，计算该输出结果与该特征序列所对应的人工标记质量之间的累积误差； (4) 根据该累积误差通过梯度下降法对神经网络中输入层与隐藏层之间以及隐藏层与 输出层之间的权重进行修正，进而从训练集中任取下一特征序列代入修正后的神经网络； (5) 根据步骤(3)和(4)遍历训练集中的所有特征序列，取累积误差最小时所对应的神 经网络为判别模型。7. 根据权利要求6所述的心电监测系统，其特征在于:所述的神经网络训练模块初始化 构建的神经网络中输入层由3个神经元组成，隐藏层由4个神经元组成，输出层由1个神经元 组成。8. 根据权利要求6所述的心电监测系统，其特征在于:所述的神经网络训练模块初始化 构建的神经网络中神经元函数g(z)的表达式如下： 其中：z为函数的自变量。9. 根据权利要求6所述的心电监测系统，其特征在于:所述的神经网络训练模块对于训 练得到的判别模型，将测试集中的特征序列逐个代入该判别模型得到对应关于心电信号质 量的输出结果，使每一特征序列所对应的输出结果与人工标记质量进行比较，若测试集的 正确率大于等于阈值的话，则该判别模型最终确定;若测试集的正确率小于阈值的话，则利 用心电监测器采集更多的心电信号段样本，经过特征提取模块得到更多数量的特征序列作 为神经网络的输入进行训练。10. 根据权利要求1所述的心电监测系统，其特征在于:所述的智能终端为智能手机、平 板电脑或PC机。
【专利摘要】本发明公开了一种具有心电信号质量判别功能的心电监测系统，包括心电监测器和智能终端，心电监测器与智能终端通过无线通讯连接；智能终端内包含有处理器和蓝牙通讯模块，蓝牙通讯模块与处理器相连；处理器包括信号采集模块、特征提取模块、神经网络训练模块和判别模块。本发明心电监测系统通过功率谱密度求积分和峰态系数的技术手段在学习前将独立单通道的心电信号转化为QRS能量比值、信号峰度和基线能量比值三个特征值，进而根据特征值利用人工神经网络学习算法以梯度下降的优化方式将判别模型准确的建立，通过对系统模型的还原，实现了心电信号质量的判别方法，进而有效的对心电信号是否能用来进行诊断做出了甄别。
【IPC分类】A61B5/0402, A61B5/00
【公开号】CN105726013
【申请号】CN201610056148
【发明人】姚剑, 何挺挺, 姚志邦, 赵晓鹏
【申请人】浙江铭众科技有限公司, 浙江铭众医疗器械有限公司, 浙江铭众生物医用材料与器械研究院
【公开日】2016年7月6日
【申请日】2016年1月27日