一种具有电极连接判别功能的三导联心电监测系统的制作方法
【技术领域】
[0001] 本发明属于医疗设备技术领域，具体设及一种具有电极连接判别功能的=导联屯、 电监测系统。
【背景技术】
[0002] 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，会造成病人屯、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。
[0003] 动态屯、电图是屯、脏疾病预防和诊断的重要方式之一，W常见于中老年人的屯、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屯、电采集设备来检测屯、电数 据，也就是一般人直观认识的所谓测屯、电图，其最基本的操作是在被检测对象身上准确安 装屯、电电极。
[0004] 图1显示的是现有技术常用的S导联屯、电检测中的电极位置示意图，S导联屯、电 检测包括屯个电极，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C肥+，负极表示为CH2-，它模拟标准十二导联 体系中的Vl导联;第S导联的正极表示为CH3+，负极表示为C册-，它模拟标准十二导联体系 中的V3导联;第屯个电极化为无干电极。运些电极的标准位置为CHl+电极在左蔽前线第五 肋间隙，CHl-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Vl位置，C肥-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，C册-位 置为胸骨柄上，位于CHl-电极和C肥-电极之下，化位置为右侧肋弓下缘位置。
[0005] 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 (美国屯、脏协会）的标准，CH1 +、CH1-、C肥+、C肥-、C册+、C册-、RL的电极线颜色分别为：红色， 白色，栋色，黑色，澄色，蓝色，绿色。按照IEC(国际电工委员会）的标准，細1 +、CH1-、CH2+、 C肥-、C册+、C册-、化的电极线颜色分别为:绿色，红色，白色，黄色，澄色，蓝色，黑色。
[0006] 从图1显示的电极位置可W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屯、电检测。在判断=导联屯、电检测过程中的电极位 置是否接错之前，考虑到屯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化的位置接错，参照图1可见，电极化 远离其余六个电极，非常容易连接，接错的概率是很低的，因此将该电极化位置接错的可能 性排除；另外位于最上方的立个邻近位置的负电极CH1-XH2-和C册-，它们相互之间的位置 错接对实际结果没有任何影响，故真正的屯、电电极检测判断主要集中在于S个正电极CHl +、C肥+和C册+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。
[0007] 虽然目前市场上出现了一些专为个人设计的屯、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，获得的屯、电数据就是不准确的，W此作为屯、 脏疾病的诊疗基础将会带来不可预料的严重后果。
【发明内容】
[0008] 针对现有技术所存在的上述技术问题，本发明提供了一种具有电极连接判别功能 的S导联屯、电监测系统，能够有效的判断屯、电电极是否接错W及具体接错的电极，进而降 低医生对屯、电图读图的错判率。
[0009] 一种具有电极连接判别功能的S导联屯、电监测系统，包括屯、电监测器和智能终 端，所述的屯、电监测器与智能终端通过无线通讯连接；
[0010] 所述的屯、电监测器包括监测器主体和屯个屯、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;屯、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;所述的屯、电采集电极用于拾取人体 表的微弱屯、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屯、电信号传输给智能终端；
[0011] 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：
[0012] 信号采集模块，用于通过智能终端内的蓝牙通讯模块收集屯、电监测器提供的屯、电 数据;所述的屯、电数据包括:在电极连接正确导联输入正常的情况下屯、电监测器预先采集 得到的m组=通道屯、电标准信号段、通过=个正电极之间连接位置的排列组合将每组信号 段扩展成6组得到的6m组S通道屯、电训练信号段W及用户日常检测时屯、电监测器采集得到 的S通道屯、电信号段，m为大于1的自然数；
[0013] 线性拟合模块，用于对上述m组=通道屯、电标准信号段进行线性回归拟合，得到= 通道屯、电信号之间的线性关系模型；
[0014] 屯、电重构模块，用于将m组=通道屯、电标准信号段代入上述线性关系模型进行遍 历计算，对应得到m组=通道屯、电重构信号段;此外也将用户日常检测得到的=通道屯、电信 号段代入线性关系模型进行计算，得到对应的=通道屯、电重构信号段；
[001引相关运算模块，用于将上述6111组；通道屯吨训练信号段对应与111组；通道屯、电重 构信号段进行相关系数运算，得到6m组由S个相关系数为特征值组成的特征序列；此外也 将用户日常检测得到的S通道屯、电信号段与其对应的S通道屯、电重构信号段进行相关系 数运算，得到对应的特征序列；
[0016] 神经网络训练模块，用于根据上述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；
[0017] 判别模块，用于将用户日常检测得到的S通道屯、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连接位置状态的输出结果，进而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。
[0018] 所述的线性拟合模块采用最小二乘法对m组=通道屯、电标准信号段进行线性回归 拟合。
[0019] 所述线性关系模型的表达式如下：
[0021] 其中：C叫i]为第i个通道的屯、电信号，C叫j]为第j个通道的屯、电信号，巧日j均为自 然数且1 y。，1 y。，i刊，bij和bio均为线性系数。
[0022] 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W梯度下降法作为优 化方向。
[0023] 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：
[0024] (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；
[0025] (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；
[0026] (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；
[0027] (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W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；
[0028] (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。
[0029] 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6个神经元组成。
[0030] 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：
[0032] 其中：Z为函数的自变量。
[0033] 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阔值的话，则该判别模型最 终确定;若测试集的正确率小于阔值的话，则利用屯、电监测器采集更多的屯、电信号段样本， 经过屯、电重构模块和相关运算模块得到更多数量的特征序列作为神经网络的输入。
[0034] 所述的智能终端可W为智能手机、平板电脑或PC机。
[0035] 本发明具有电极连接判别功能的S导联屯、电监测系统通过线性回归模型与相关 系数法在学习前对屯、电信号进行转化，进而利用人工神经网络学习算法W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，实现了屯、电电极接错的判别功能，进 而大大提升了判别的效率和准确率。
【附图说明】
[0036] 图1为S导联