一种基于前馈神经网络拟合的三导联心电电极连接判别方法与流程

本发明属于医疗器械技术领域，具体涉及一种基于前馈神经网络拟合的三导联心电电极连接判别方法。

背景技术：

现有医院所使用的医疗设备结构复杂，操作步骤繁琐，需要专业人员进行操作，对于个人消费者来说很难在社区医疗、养老、乃至远程诊疗中进行长期使用。尤其是复杂的设备，众多的连线，会造成病人心理上的压力和紧张情绪，可能会影响病人身体状况，使得诊断所得到的数据与真实情况有一定差距，可能会影响对病情的正确诊断。

动态心电图是心脏疾病预防和诊断的重要方式之一，以常见于中老年人的心脏疾病为例来说，为了提前预防及早诊断，一般都需要采用专业的心电采集设备来检测心电数据，也就是一般人直观认识的所谓测心电图，其最基本的操作是在被检测对象身上准确安装心电电极。

图1显示的是现有技术常用的三导联心电检测中的电极位置示意图，三导联心电检测包括七个电极，其中，第一导联的正极表示为CH1+，负极表示为CH1-。它模拟标准十二导联体系中的V5导联；第二导联的正极表示为CH2+，负极表示为CH2-。它模拟标准十二导联体系中的V1导联；第三导联的正极表示为CH3+，负极表示为CH3-。它模拟标准十二导联体系中的V3导联；第七个电极RL为无干电极。这些电极的标准位置为CH1+电极在左腋前线第五肋间隙，CH1-电极位置为右锁骨与胸骨交界处，CH2+位置为胸骨右缘第四肋间隙，相当于胸导联V1位置，CH2-位置为左锁骨与胸骨交界处，CH3+位置为左侧第五肋骨中线位置，CH3-位置为胸骨柄上，位于CH1-电极和CH2-电极之下，RL位置为右侧肋弓下缘位置。

现行通用标准规范中，对于每个电极的电极线的颜色也有明确的规定。按照AHA(美国心脏协会)的标准，CH1+、CH1-、CH2+、CH2-、CH3+、CH3-、RL的电极线颜色分别为：红色，白色，棕色，黑色，橙色，蓝色，绿色。按照IEC(国际电工委员会)的标准，CH1+、CH1-、CH2+、CH2-、CH3+、CH3-、RL的电极线颜色分别为：绿色，红色，白色，黄色，橙色，蓝色，黑色。

从图1显示的电极位置可以看出，每个电极的颜色、位置都是不一样的，需要相当的专业知识才能正确操作复杂的电极定位，由于线路较多，定位复杂，非专业的检测医生无法胜任，因此，普通个人很难完成专业的心电检测。在判断三导联心电检测过程中的电极位置是否接错之前，考虑到七个电极错位的复杂排列组合结果太大，一般需要进行简化电极位置判断，即首先排除远离其余六个电极的接地电极RL的位置接错，参照图1可见，电极RL远离其余六个电极，非常容易连接，接错的概率是很低的，因此将该电极RL位置接错的可能性排除；另外位于最上方的三个邻近位置的负电极CH1-、CH2-和CH3-，它们相互之间的位置错接对实际结果没有任何影响，故真正的心电电极检测判断主要集中在于三个正电极CH1+、CH2+和CH3+相互之间的连接，它们之间共有6种连接位置状态可能，其中只有一种是正确的连接形式。

虽然目前市场上出现了一些专为个人设计的心电检测设备，但结构复杂，操作也非常麻烦，更重要的是一旦电极位置放置错误，获得的心电数据就是不准确的，以此作为心脏疾病的诊疗基础将会带来不可预料的严重后果。

技术实现要素：

针对现有技术所存在的上述技术问题，本发明提供了一种基于前馈神经网络拟合的三导联心电电极连接判别方法，能够有效的判断心电电极是否接错以及具体接错的电极，进而降低医生对心电图读图的错判率。

一种基于前馈神经网络拟合的三导联心电电极连接判别方法，包括如下步骤：

(1)在电极连接正确导联输入正常的情况下，通过采集得到m组三通道心电标准信号段组成样本集，m为大于1的自然数；进而通过三个正电极之间连接位置的遍历组合变换将每组信号段扩展成6组，对应得到6m组三通道心电训练信号段；

(2)基于m组三通道心电标准信号段通过前馈神经网络学习算法进行训练，得到三通道心电信号之间的重构关系模型；

(3)将m组三通道心电标准信号段代入上述重构关系模型进行遍历计算，对应得到m组三通道心电重构信号段；使所述的三通道心电训练信号段与对应的三通道心电重构信号段进行相关系数运算，共得到6m组由三个相关系数为特征值组成的特征序列；

(4)根据6m组特征序列通过人工神经网络学习算法进行训练，得到关于电极连接位置的判别模型；进而根据用户日常检测得到的三通道心电信号段利用该判别模型对用户的电极连接形式进行判别，判别出该电极连接形式为哪种连接位置状态，且该连接位置状态是否正确。

所述步骤(2)中通过前馈神经网络学习算法进行训练的具体过程如下：

2.1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；

2.2从样本集中任取一组三通道心电标准信号段，将其中任意两个通道的心电标准信号段代入上述神经网络计算得到对应另一通道的心电信号输出结果，进而计算该心电信号输出结果与实际另一通道心电标准信号段之间的累积误差；

2.3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，进而从样本集中任取下一组三通道心电标准信号段代入修正后的神经网络；

2.4根据步骤2.2和2.3遍历样本集中的所有三通道心电标准信号段，取累积误差最小时所对应的神经网络为所述重构关系模型。

所述步骤2.1中初始化构建的神经网络中隐藏层由10个神经元组成。

所述步骤2.1中初始化构建的神经网络中隐藏层的神经元函数h(z)采用tan-sigmoid型传递函数，其表达式如下：

其中：z为函数的自变量。

所述的人工神经网络学习算法以梯度下降法作为优化方向。

所述步骤(4)中通过人工神经网络学习算法进行训练的具体过程如下：

4.1将6m组特征序列分为训练集和测试集且训练集大于测试集；

4.2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；

4.3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连接位置状态的输出结果，计算该输出结果与该特征序列所对应的实际连接位置状态之间的累积误差；

4.4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；

4.5根据步骤4.3和4.4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。

所述步骤4.2中初始化构建的神经网络中隐藏层由5个神经元组成。

所述步骤4.2中初始化构建的神经网络中隐藏层的神经元函数g(z)的表达式如下：

其中：z为函数的自变量。

所述的步骤(4)中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连接位置状态的输出结果，使每一特征序列所对应的输出结果与实际连接位置状态进行比较，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，则通过采集更多的心电信号段样本根据步骤(1)～(3)增加特征序列的数量作为神经网络的输入。

所述的步骤(4)中根据用户日常检测得到的三通道心电信号段利用判别模型对用户的电极连接形式进行判别的具体过程为：首先，将用户日常检测得到的三通道心电信号段代入重构关系模型进行计算，得到对应的三通道心电重构信号段；然后，将该三通道心电重构信号段与用户日常检测得到的三通道心电信号段进行相关系数运算，得到对应的特征序列并将该特征序列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用户的电极连接形式为哪种连接位置状态，且该连接位置状态是否正确。

本发明心电电极连接判别方法通过由前馈神经网络训练得到的三通道心电信号重构关系模型与相关系数法对心电信号进行转化，进而基于转化得到的特征序列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，实现了心电电极接错的判别方法，进而大大提升了判别的效率和准确率。

附图说明

图1为三导联心电电极的连接示意图。

图2为本发明心电电极连接判别方法的步骤流程示意图。

具体实施方式

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。

如图2所示，本发明心电电极连接判别方法包括如下步骤：

(1)简化电极位置判断。

首先，在判断三导联心电检测过程中的电极位置是否接错之前，考虑到七个电极错位的复杂排列组合结果太大，因此需要进行简化电极位置判断。即，首先排除远离其余六个电极的接地电极RL的位置接错，参照图1可见，第七个电极RL远离其余六个电极，非常容易连接，接错的概率是很低的，因此将该电极RL位置接错的可能性排除，后续步骤中同样作排除处理即可获得同样的效果。

(2)采集三通道心电标准信号段和构建心电训练信号库。

在电极连接正确、导联输入正常的情况下，采集三导联Holter系统m组长度为n的多样本、低相关性的三通道心电标准信号段，构建样本集；通过将心电标准信号段的三通道按以下位置状态进行遍历组合变换，扩展获得6m组三通道心电训练信号段；

本实施方式中，m为752，n为2500，信号采样频率为250赫兹，故样本长度为10秒。

(3)根据心电训练信号库作为心电训练样本，以梯度下降法作为优化方向进行监督式学习，获得前馈神经网络各层的权值比重，建立三通道心电信号的重构关系模型。

3.1根据人工神经网络学习算法建立前馈神经网络模型：前馈神经网络模型有输入层、隐藏层和输出层三层，输入层的输入为两个通道的标准心电信号段，层与层之间通过公式(1)进行连接，隐藏层和输出层的神经元激活函数为公式(2)，输出层的输出为另一通道的心电信号，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；

3.2将样本集中的一组心电标准信号段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；

3.3根据公式(3)计算两个通道心电标准信号样本经输入层、隐藏层和输出层后的输出结果与另一通道实际心电标准信号之间的累积误差E_train，根据梯度下降法，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；

其中：E为累积误差，为单次训练样本经过神经网络的输出层的第k个输出，o_k为单次训练样本的第k个期望结果，m为样本集中的样本总数，p为输出层输出总数；

其中：w_ho(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，为单次训练样本经过神经网络的输出层的输出，o为单次训练样本的期望结果，x_h为隐藏层的输出，α为学习速率；

其中：w_ih(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，x_i为输入层的输出；

3.4以步骤3.2和步骤3.3遍历样本集中所有心电标准信号段样本，则取E_train最小时的权值系数组，训练得到输入层与隐藏层的权值系数矩阵为：

输入层与隐藏层之间的偏置系数为：-2.5342、-3.6777、2.6693、-0.3543、-0.3753、0.2445、-2.2694、2.4065、2.7781、4.3592。

隐藏层与输出层的权值系数为：1.5391、0.4724、2.0915、2.3852、0.4895、2.8014、-2.5907、0.2571、-2.4063、-0.3480。

隐藏层与输出层之间的偏置系数为0.2614。

本实施方式中，学习速率α＝0.1。

(4)根据相关系数法提取出特征值作为心电训练样本；以梯度下降法作为优化方向进行监督式学习，获得人工神经网络各层的权值比重。

4.1根据步骤(3)中训练得到的前馈神经网络模型分别遍历m组心电标准信号段的三通道数据，即利用其中两个通道的心电数据重构出另一通道的心电数据，获得三通道心电标准信号段对应的心电重构信号段；

4.2根据以下公式将三通道心电训练信号段与对应的心电重构信号段进行相关系数计算；对于每组心电训练信号段可以分别计算得到由三个相关系数所组成的特征序列，遍历6m组三通道心电训练信号段，得到6m组相关系数特征序列；对6m组相关系数特征序列对应的连接位置状态类型进行人工标识，以6比特结果标识对类型进行标识，由相关系数特征序列及对应的标识结果编码组成心电训练样本；

其中：f为相关系数，x_i、为心电训练原始信号段中某一通道的第i个数据和平均值，y_i、为心电训练重构信号段中某一通道的第i个数据和平均值，n为1组信号段的长度；

4.3将心电训练样本划分为训练集和测试集；

4.4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对应三通道的相关系数，层与层之间通过公式(6)进行连接，隐藏层和输出层的神经元激活函数为公式(7)，输出层的输出为0或1，代表心电通道连接是否正确，隐藏层由5个神经元构成，同时将各层间的权值系数初始化；

4.5将训练集中的一组心电训练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；

4.6根据公式(8)计算相关系数特征序列经输入层、隐藏层和输出层后的输出结果与其实际连接位置状态类型之间的累积误差E_train，根据梯度下降法，以公式(9)修正隐藏层与输出层各节点间的权值系数，以公式(10)修正输入层与隐藏层各节点间的权值系数；

其中：E为累积误差，为单次训练样本经过神经网络的输出层的第k个输出，o_k为单次训练样本的第k个期望结果，m为训练集的样本总数，p为输出层输出总数；

其中：w_ho(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，为单次训练样本经过神经网络的输出层的输出，o为单次训练样本的期望结果，x_h为隐藏层的输出，α为学习速率；

其中：w_ih(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，x_i为输入层的输出；

4.7以步骤4.5和步骤4.6遍历训练集中的所有心电训练样本，则取E_train最小时的权值系数组，并以测试集的心电训练样本对神经网络模型进行测试，若测试集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4.5～4.7；训练得到输入层与隐藏层的权值系数矩阵为：

输入层与隐藏层之间的偏置系数为：2.1929、1.7801、-0.6962、-2.2274。

隐藏层与输出层的权值系数为：-3.3227、0.5376、0.9403、1.4556、0.3988。

隐藏层与输出层之间的偏置为0.7035。

本实施方式中，学习速率α＝0.1。

(5)还原系统模型及电极接错判断。

根据神经网络各层的权值比重，还原心电接错判别模型的系统函数，通过系统函数对心电信号段进行处理判别是否出现接错情况：首先，将用户日常检测得到的三通道心电信号段代入重构关系模型进行计算，得到对应的三通道心电重构信号段；然后，将该三通道心电重构信号段与用户日常检测得到的三通道心电信号段进行相关系数运算，得到由三个相关系数组成的特征序列并将其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用户的电极连接位置状态是否正确。

上述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。