一种用于三导联重构十二导联心电信号的智能终端的制作方法
【专利摘要】本发明公开了一种用于三导联重构十二导联心电信号的智能终端，包括处理器和蓝牙通讯模块；处理器加载有信号接收模块、信号提取处理模块、神经网络训练模块和重构模块。本发明智能终端利用人工神经网络学习算法以Levenberg?Marquardt的优化方式将重构模型准确的建立，通过对系统模型的还原，实现了利用三导联的监测数据，准确地重构出十二导联数据；本发明有效地融合了十二导联和三导联的优势，使患者及医生更容易接受，并能准确诊断。
【专利说明】
一种用于三导联重构十二导联心电信号的智能终端
技术领域
[0001] 本发明属于医疗设备技术领域，具体涉及一种用于三导联重构十二导联心电信号 的智能终端。
【背景技术】
[0002] 据国家心血管病中心发布的《中国心血管病报告2012》数据显示，中国心血管病现 患人数已高达2.9亿，即每10个成年人中就有2人患心血管病，每年约350万人死于心血管 病，相当于每10秒就有1人死于心血管病。而另一个由国家心血管病中心联合阜外心血管病 医院组织实施的临床研究显示，在中国，心血管病患者的住院人数在2001年至2010年的十 年间增加了四倍多。2001年因心脏病住院的平均每十万人中有3.7人，到2010年就飙升至 15.8 人。
[0003] 所以要降低心脏病患者的发病率及死亡率，对患者的日常心电监护就显得异常重 要了。目前动态心电监护已经成为医疗临床上诊断、监测心脏疾病的常用方法，尤其是对心 律失常、隐匿性冠心病和突发心脏事件的诊断和预报具有重要意义。近年来，国内外已研制 出了多种基于Holter系统的便携式远程心电监护设备，远程心电监护技术已经获得了长足 发展，使得动态心电监护的应用得到了普及和延伸。
[0004] 目前用的较多的导联系统是十二导联系统（如Mason-Likar)及三导联系统，三导 联系统仅适用于心律失常的监测；相比三导联，使用十二导联心动图检出心率失常和冠心 病ST段异常，临床效果更显著，所以更多医院使用的心电图仪或者动态心电仪大多是十二 导联的心电信号。十二导联系统具有I、II、III、V1、V2、V3、V4、V5、V6、AVF、AVI^PAVL,+: 个通道的电极信号；其中标准Ι、Π、ΙΙΙ导联是间接的双极导联，I导联是右手负极RA(-)至 左手正极LA( + )，II导联是RA(-)至左脚正极LF( + )，III导联是左手负极LA(-)至LF( + );V1~ V6单极胸导联是半直接的单极导联;AVF、AVR、AVL单极加压肢体导联是间接的单极导联， AVR导联是右手正极RA⑴至LA(-)&左脚负极LF(-)，AVL导联是LA( + )至RA(-)&LF(_)，AVF导 联是LF( + )至RA(-)&LA(-)。然而让患者自行在家佩戴十二导联的心电仪，自然缺乏便捷性 及准确性，由于导联线过多，对日常的生活也会造成一定的影响，这种情况对病人的病情控 制是不利的。
【发明内容】
[0005] 针对上述问题，本发明提供了一种用于三导联重构十二导联心电信号的智能终 端，能够用三导联的监测数据准确的重构出十二导联数据。
[0006] -种用于三导联重构十二导联心电信号的智能终端，包括处理器和蓝牙通讯模 块，所述的处理器加载有以下功能模块：
[0007] 信号接收模块，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;所述的心电数据包括心电监测器预先采集得到的m组三导联心电信号及其同步对应 的m组十二导联心电信号以及用户日常检测时心电监测器采集得到的三导联心电信号，m为 大于1的自然数；
[0008] 信号提取处理模块，用于从所述的十二导联心电信号中提取出关于I、II、V1、V2、 V3、V4、V5和V6八个通道的心电信号组成作为一组心电监督数据，遍历得到m组心电监督数 据，进而对m组三导联心电信号和m组心电监督数据进行预处理；
[0009] 神经网络训练模块，用于根据预处理后的m组三导联心电信号和m组心电监督数据 通过人工神经网络学习算法进行训练，得到关于十二导联心电信号的重构模型；
[0010]重构模块，用于将用户日常检测得到的三导联心电信号代入上述重构模型中得到 同步对应的关于1、11、￥1、￥2、￥3、￥4,5和￥6八个通道的心电信号，进而根据其中1和11两个 通道的心电信号计算出其余III、AVF、AVR和AVL四个通道的心电信号，最终得到用户关于I、 11、111、￥1、￥2、￥3、￥4、￥5、￥6^￥?^￥1?和4￥1^十二通道的十二导联心电信号，进而将重构得 到的十二导联心电信号通过WIFI或GPRS发送给医生手机、云端服务器或医院系统服务器供 医生诊断。
[0011] 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Levenberg-Marquardt算法作为优化方向。该方法比高斯-牛顿法以及梯度下降法更可靠，也可以被认 为是基于信任区域的高斯-牛顿法，其可以用来解决非线性最小二乘问题。
[0012] 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：
[0013] (1)将m组预处理后的三导联心电信号分为训练集和测试集且训练集大于测试集；
[0014] (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；
[0015] (3)从训练集中任取一组三导联心电信号输入上述神经网络计算得到对应包含I、 11、￥1、￥2、￥3、￥4、￥5和￥6八个通道的心电输出数据，计算该心电输出数据与该三导联心电 信号所对应的心电监督数据之间的累积误差；
[0016] (4)根据该累积误差通过Levenberg-Marquardt算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神经元函数中的系数进行修正，进而从训练集中任取下一 组三导联心电信号代入修正后的神经网络；
[0017] (5)根据步骤(3)和步骤(4)遍历训练集中的所有三导联心电信号，取累积误差最 小时所对应的神经网络为重构模型。
[0018] 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1 〇个神经元组成，输出层由8个神经元组成。
[0019] 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与隐藏层之间以及隐 藏层与输出层之间的神经元函数表达如下：
[0020]
[0021]其中：ai为隐藏层第i个神经元的输出，ek为输出层第k个神经元的输出，为输入 层第j个神经元的输出，wf7为输入层第j个神经元与隐藏层第i个神经元之间的权重系数， 办f为隐藏层第i个神经元的截距系数，W孟为输出层第k个神经元与隐藏层第i个神经元之 间的权重系数，为输出层第k个神经元的截距系数，g()为tansig函数，i、j和k均为自然 数且1彡i彡1〇，1彡j彡3，1彡k彡8。
[0022]所述的神经网络训练模块对于训练得到的重构模型，将测试集中的三导联心电信 号逐个代入该重构模型得到对应包含1、11、￥1、￥2,3、￥4、￥5和￥6八个通道的心电输出数 据，使测试集中每一组三导联心电信号所对应的心电输出数据与心电监督数据进行比较， 若测试集的正确率大于等于阈值的话，则该重构模型最终确定;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三导联心电信号和十二导联心电信号以增加神经网 络的训练输入。
[0023 ] 所述的重构模块通过以下公式计算III、AVF、AVR和AVL四个通道的心电信号：
[0024]
[0025] 其中：￥(1)、￥(11)、￥(111)、￥(厶￥卩）、￥(厶￥1〇和￥(厶￥〇分别对应为1通道、11通道、 III通道、AVF通道、AVR通道和AVL通道的心电信号。
[0026] 所述的智能终端可以为智能手机、平板电脑或PC机。
[0027]本发明智能终端利用人工神经网络学习算法以Levenberg-Marquardt的优化方式 将重构模型准确的建立，通过对系统模型的还原，实现了利用三导联的监测数据，准确地重 构出十二导联数据。
[0028] 本发明智能终端的重构方法与现有十二导联重构方法有显著不同，现有十二导联 重构方法是用标准十二导联中的一部分导联来重构其余的导联;而本发明是用完全与标准 十二导联无关的Holter三导联信号来重构标准十二导联信号，故本发明有效地融合了十二 导联和三导联的优势，使患者及医生更容易接受，并能准确诊断。
【附图说明】
[0029] 图1为本发明心电监测系统中智能终端的结构示意图。
[0030] 图2为本发明十二导联心电信号重构过程中的人工神经网络模型示意图。
[0031]图3(a)~图3(c)对应为三个通道的心电信号波形示意图。
[0032] 图4(a)~图4(1)对应为本发明重构得到十二个通道的心电信号波形示意图。
【具体实施方式】
[0033] 为了更为具体地描述本发明，下面结合附图及【具体实施方式】对本发明的技术方案 进行详细说明。
[0034] 如图1所示，本实施例中用于三导联重构十二导联心电信号的智能终端采用智能 手机，该智能手机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 括信号接收模块、信号提取处理模块、神经网络训练模块和重构模块;其中：
[0035] 蓝牙通讯模块用于智能手机与心电监测器进行通信，智能手机将命令发送至心电 监测器，心电监测器响应命令上传心电数据至智能手机。
[0036] 信号接收模块用于通过蓝牙通讯模块接收来自心电监测器的心电数据;心电数据 包括心电监测器预先采集得到的m组三导联心电信号及其同步对应的m组十二导联心电信 号以及用户日常检测时心电监测器采集得到的三导联心电信号。
[0037]信号提取处理模块用于从十二导联心电信号中提取出关于I、II、V1、V2、V3、V4、V5 和V6八个通道的心电信号组成作为一组心电监督数据，遍历得到m组心电监督数据，进而对 m组三导联心电信号和m组心电监督数据进行预处理;预处理过程进行格式转换和归一化处 理，得到适当格式及范围的原始数据。本实施例中，数据采样率为250，AD转换位数为24bit， 通过降采样算法将采样率降为200,通过数据压缩算法将24bit数据转换为16bit，得到容量 更小的数据，但需满足神经网络训练模块的需求。归一化算法采用线性转换算法，其表达式 为：
[0038]
[0039]其中：x为输入向量，max为X的最大值，min为X的最小值，f(x)为归一化以后的输出 向量。
[0040] 神经网络训练模块根据预处理后的m组三导联心电信号和m组心电监督数据通过 人工神经网络学习算法进行训练，得到关于十二导联心电信号的重构模型；具体实现方式 如下：
[0041] 步骤1:通过对心电数据进行预处理后，构建得到m组心电训练信号组成样本数据 库，将样本数据库随机地划分为训练集和测试集。
[0042]步骤2:根据人工神经网络学习算法建立神经网络模型：神经网络模型有输入层、 隐藏层和输出层三层，输入层的输入输出为三通道的相关系数，隐藏层与输出层之间通过 公式（1)进行连接，输入层与隐藏层的神经元传递函数为公式(2)，输出层的输出为输出的8 个独立通道，所以由8个神经元构成，隐藏层由10个神经元构成，同时将各层间的权值系数 初始化;图2为建立的人工神经网络模型。
[0043] (1)
[0044] (2)
[0045] 其中：g(z)为 tansig 函数。
[0046] 步骤3:将心电训练样本的训练集中的一组样本输入到当前权值系数下的神经网 络，依次计算输入层、隐藏层和输出层的各节点的输出。
[0047] 步骤4:根据公式(3)计算所有心电训练样本的输出层输出与心电训练样本的期望 结果之间的累积误差Etrain，根据Levenberg-Marquardt算法，以公式(4)修正隐藏层与输出 层各节点间的权值系数，以公式(5)修正输入层与隐藏层各节点间的权值系数。
[0048]
(3)
[0049] 其中:E为累积误差，3&为单次训练样本经过神经网络的输出层的第k个输出，〇1{为 单次训练样本的第k个期望结果，m为训练集样本总数，p为输出层输出总数。
[0050]
(4)
[0051] 其中：whQ(t)为第t次样本输入到神经网络时隐藏层与输出层之间的权值系数，0 为单次训练样本经过神经网络的输出层的输出，Ο为单次训练样本的期望结果，Xh为隐藏层 的输出，α为学习速率。
[0052] ^
(5)
[0053] 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，β 为单次训练样本经过神经网络的输出层的输出，〇为单次训练样本的期望结果，输入层 的输出。
[0054] 步骤5:以步骤3和步骤4遍历所有心电训练样本的训练集，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 加心电训练样本，并重复步骤3~步骤5。
[0055] 本实施方式中，学习速率α = 〇.〇5。
[0056] 重构模块用于根据神经网络各层的权值比重，还原重构模型的系统函数;其根据 用户日常检测得到的三通道心电信号段利用上述重构模型对标准十二导联中的各独立导 联进行计算，从而得到同步的八个独立导联的心电信号1、11、￥1、￥2、￥3、￥4,5和￥6。通过八 个独立导联的心电信号，采用如下导联转换公式计算111^￥1?^￥^￥?四个导联的心电信
号。
[0057]
[0058]图3所示了采集到的三导联动态心电图。经过数据搜集、数据分组、神经网络训练 出8导的数据后计算出12导的数据，得出标准12导联心电图，如图4所示;把该运算出的心电 图与实际采集的心电图进行对比，图4中实线表示使用标准的12导联动态心电仪的采集数 据，而虚线为3导联重建出的12导联数据。原始十二导联曲线与重构十二导联曲线极其吻 合，该算法实验效果明显。
[0059]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. 一种用于三导联重构十二导联心电信号的智能终端，包括处理器和蓝牙通讯模块， 其特征在于，所述的处理器加载有以下功能模块： 信号接收模块，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;所述的心电数据包括心电监测器预先采集得到的m组三导联心电信号及其同步对应的m 组十二导联心电信号以及用户日常检测时心电监测器采集得到的三导联心电信号，m为大 于1的自然数； 信号提取处理模块，用于从所述的十二导联心电信号中提取出关于I、II、V1、V2、V3、 V4、V5和V6八个通道的心电信号组成作为一组心电监督数据，遍历得到m组心电监督数据， 进而对m组三导联心电信号和m组心电监督数据进行预处理； 神经网络训练模块，用于根据预处理后的m组三导联心电信号和m组心电监督数据通过 人工神经网络学习算法进行训练，得到关于十二导联心电信号的重构模型； 重构模块，用于将用户日常检测得到的三导联心电信号代入上述重构模型中得到同步 对应的关于1、11、￥1、￥2、￥3、￥4、￥5和￥6八个通道的心电信号，进而根据其中1和11两个通道 的心电信号计算出其余ΠΙ、AVF、AVR和AVL四个通道的心电信号，最终得到用户关于I、11、 III、V1、V2、V3、V4、V5、V6、AVF、AVR和AVL十二通道的十二导联心电信号，进而将重构得到的 十二导联心电信号通过WIFI或GPRS发送给医生手机、云端服务器或医院系统服务器供医生 诊断。2. 根据权利要求1所述的智能终端，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Levenberg-Marquardt算法作为优化方向。3. 根据权利要求1所述的智能终端，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组预处理后的三导联心电信号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) 从训练集中任取一组三导联心电信号输入上述神经网络计算得到对应包含1、11、 Vl、V2、V3、V4、V5和V6八个通道的心电输出数据，计算该心电输出数据与该三导联心电信号 所对应的心电监督数据之间的累积误差； (4) 根据该累积误差通过Levenberg-Marquardt算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神经元函数中的系数进行修正，进而从训练集中任取下一组三 导联心电信号代入修正后的神经网络； (5) 根据步骤(3)和步骤(4)遍历训练集中的所有三导联心电信号，取累积误差最小时 所对应的神经网络为重构模型。4. 根据权利要求3所述的智能终端，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10个神经元组成，输出层由8个神经元组 成。5. 根据权利要求4所述的智能终端，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与隐藏层之间以及隐藏层与输出层之间的神经元函数表达如下：其中：ai为隐藏层第i个神经元的输出，ek为输出层第k个神经元的输出，X伪输入层第j 个神经元的输出，为输入层第j个神经元与隐藏层第i个神经元之间的权重系数，为 隐藏层第i个神经元的截距系数，Wffc为输出层第k个神经元与隐藏层第i个神经元之间的 权重系数，为输出层第k个神经元的截距系数，g()为tansig函数，i、j和k均为自然数且1 ^i^l〇a^j^3,l^k^8〇6. 根据权利要求3所述的智能终端，其特征在于:所述的神经网络训练模块对于训练得 到的重构模型，将测试集中的三导联心电信号逐个代入该重构模型得到对应包含I、II、V1、 ￥2、￥3、￥4、￥5和￥6八个通道的心电输出数据，使测试集中每一组三导联心电信号所对应的 心电输出数据与心电监督数据进行比较，若测试集的正确率大于等于阈值的话，则该重构 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三导联心 电信号和十二导联心电信号以增加神经网络的训练输入。7. 根据权利要求1所述的智能终端，其特征在于：所述的重构模块通过以下公式计算 III、AVF、AVR和AVL四个通道的心电信号：其中：V(I)、V(II)、V(III)、V(AVF)、V(AVR)和 V(AVL)分别对应为 I 通道、II 通道、III 通 道、AVF通道、AVR通道和AVL通道的心电信号。8. 根据权利要求1所述的智能终端，其特征在于:所述的智能终端为智能手机、平板电 脑或PC机。
【文档编号】A61B5/0402GK105997051SQ201610340786
【公开日】2016年10月12日
【申请日】2016年5月20日
【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