本發(fā)明屬于醫(yī)療器械技術(shù)領(lǐng)域，具體涉及一種基于前饋神經(jīng)網(wǎng)絡(luò)擬合的三導(dǎo)聯(lián)心電電極連接判別方法。

背景技術(shù)：

現(xiàn)有醫(yī)院所使用的醫(yī)療設(shè)備結(jié)構(gòu)復(fù)雜，操作步驟繁瑣，需要專業(yè)人員進(jìn)行操作，對(duì)于個(gè)人消費(fèi)者來說很難在社區(qū)醫(yī)療、養(yǎng)老、乃至遠(yuǎn)程診療中進(jìn)行長(zhǎng)期使用。尤其是復(fù)雜的設(shè)備，眾多的連線，會(huì)造成病人心理上的壓力和緊張情緒，可能會(huì)影響病人身體狀況，使得診斷所得到的數(shù)據(jù)與真實(shí)情況有一定差距，可能會(huì)影響對(duì)病情的正確診斷。

動(dòng)態(tài)心電圖是心臟疾病預(yù)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(yù)防及早診斷，一般都需要采用專業(yè)的心電采集設(shè)備來檢測(cè)心電數(shù)據(jù)，也就是一般人直觀認(rèn)識(shí)的所謂測(cè)心電圖，其最基本的操作是在被檢測(cè)對(duì)象身上準(zhǔn)確安裝心電電極。

圖1顯示的是現(xiàn)有技術(shù)常用的三導(dǎo)聯(lián)心電檢測(cè)中的電極位置示意圖，三導(dǎo)聯(lián)心電檢測(cè)包括七個(gè)電極，其中，第一導(dǎo)聯(lián)的正極表示為CH1+，負(fù)極表示為CH1-。它模擬標(biāo)準(zhǔn)十二導(dǎo)聯(lián)體系中的V5導(dǎo)聯(lián)；第二導(dǎo)聯(lián)的正極表示為CH2+，負(fù)極表示為CH2-。它模擬標(biāo)準(zhǔn)十二導(dǎo)聯(lián)體系中的V1導(dǎo)聯(lián)；第三導(dǎo)聯(lián)的正極表示為CH3+，負(fù)極表示為CH3-。它模擬標(biāo)準(zhǔn)十二導(dǎo)聯(lián)體系中的V3導(dǎo)聯(lián)；第七個(gè)電極RL為無干電極。這些電極的標(biāo)準(zhǔn)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(dāng)于胸導(dǎo)聯(lián)V1位置，CH2-位置為左鎖骨與胸骨交界處，CH3+位置為左側(cè)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(cè)肋弓下緣位置。

現(xiàn)行通用標(biāo)準(zhǔn)規(guī)范中，對(duì)于每個(gè)電極的電極線的顏色也有明確的規(guī)定。按照AHA(美國(guó)心臟協(xié)會(huì))的標(biāo)準(zhǔn)，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(lán)色，綠色。按照IEC(國(guó)際電工委員會(huì))的標(biāo)準(zhǔn)，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(lán)色，黑色。

從圖1顯示的電極位置可以看出，每個(gè)電極的顏色、位置都是不一樣的，需要相當(dāng)?shù)膶I(yè)知識(shí)才能正確操作復(fù)雜的電極定位，由于線路較多，定位復(fù)雜，非專業(yè)的檢測(cè)醫(yī)生無法勝任，因此，普通個(gè)人很難完成專業(yè)的心電檢測(cè)。在判斷三導(dǎo)聯(lián)心電檢測(cè)過程中的電極位置是否接錯(cuò)之前，考慮到七個(gè)電極錯(cuò)位的復(fù)雜排列組合結(jié)果太大，一般需要進(jìn)行簡(jiǎn)化電極位置判斷，即首先排除遠(yuǎn)離其余六個(gè)電極的接地電極RL的位置接錯(cuò)，參照?qǐng)D1可見，電極RL遠(yuǎn)離其余六個(gè)電極，非常容易連接，接錯(cuò)的概率是很低的，因此將該電極RL位置接錯(cuò)的可能性排除；另外位于最上方的三個(gè)鄰近位置的負(fù)電極CH1-、CH2-和CH3-，它們相互之間的位置錯(cuò)接對(duì)實(shí)際結(jié)果沒有任何影響，故真正的心電電極檢測(cè)判斷主要集中在于三個(gè)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(tài)可能，其中只有一種是正確的連接形式。

雖然目前市場(chǎng)上出現(xiàn)了一些專為個(gè)人設(shè)計(jì)的心電檢測(cè)設(shè)備，但結(jié)構(gòu)復(fù)雜，操作也非常麻煩，更重要的是一旦電極位置放置錯(cuò)誤，獲得的心電數(shù)據(jù)就是不準(zhǔn)確的，以此作為心臟疾病的診療基礎(chǔ)將會(huì)帶來不可預(yù)料的嚴(yán)重后果。

技術(shù)實(shí)現(xiàn)要素：

針對(duì)現(xiàn)有技術(shù)所存在的上述技術(shù)問題，本發(fā)明提供了一種基于前饋神經(jīng)網(wǎng)絡(luò)擬合的三導(dǎo)聯(lián)心電電極連接判別方法，能夠有效的判斷心電電極是否接錯(cuò)以及具體接錯(cuò)的電極，進(jìn)而降低醫(yī)生對(duì)心電圖讀圖的錯(cuò)判率。

一種基于前饋神經(jīng)網(wǎng)絡(luò)擬合的三導(dǎo)聯(lián)心電電極連接判別方法，包括如下步驟：

(1)在電極連接正確導(dǎo)聯(lián)輸入正常的情況下，通過采集得到m組三通道心電標(biāo)準(zhǔn)信號(hào)段組成樣本集，m為大于1的自然數(shù)；進(jìn)而通過三個(gè)正電極之間連接位置的遍歷組合變換將每組信號(hào)段擴(kuò)展成6組，對(duì)應(yīng)得到6m組三通道心電訓(xùn)練信號(hào)段；

(2)基于m組三通道心電標(biāo)準(zhǔn)信號(hào)段通過前饋神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法進(jìn)行訓(xùn)練，得到三通道心電信號(hào)之間的重構(gòu)關(guān)系模型；

(3)將m組三通道心電標(biāo)準(zhǔn)信號(hào)段代入上述重構(gòu)關(guān)系模型進(jìn)行遍歷計(jì)算，對(duì)應(yīng)得到m組三通道心電重構(gòu)信號(hào)段；使所述的三通道心電訓(xùn)練信號(hào)段與對(duì)應(yīng)的三通道心電重構(gòu)信號(hào)段進(jìn)行相關(guān)系數(shù)運(yùn)算，共得到6m組由三個(gè)相關(guān)系數(shù)為特征值組成的特征序列；

(4)根據(jù)6m組特征序列通過人工神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法進(jìn)行訓(xùn)練，得到關(guān)于電極連接位置的判別模型；進(jìn)而根據(jù)用戶日常檢測(cè)得到的三通道心電信號(hào)段利用該判別模型對(duì)用戶的電極連接形式進(jìn)行判別，判別出該電極連接形式為哪種連接位置狀態(tài)，且該連接位置狀態(tài)是否正確。

所述步驟(2)中通過前饋神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法進(jìn)行訓(xùn)練的具體過程如下：

2.1初始化構(gòu)建一個(gè)由輸入層、隱藏層和輸出層組成的神經(jīng)網(wǎng)絡(luò)；

2.2從樣本集中任取一組三通道心電標(biāo)準(zhǔn)信號(hào)段，將其中任意兩個(gè)通道的心電標(biāo)準(zhǔn)信號(hào)段代入上述神經(jīng)網(wǎng)絡(luò)計(jì)算得到對(duì)應(yīng)另一通道的心電信號(hào)輸出結(jié)果，進(jìn)而計(jì)算該心電信號(hào)輸出結(jié)果與實(shí)際另一通道心電標(biāo)準(zhǔn)信號(hào)段之間的累積誤差；

2.3根據(jù)該累積誤差通過梯度下降法對(duì)神經(jīng)網(wǎng)絡(luò)中輸入層與隱藏層之間以及隱藏層與輸出層之間的權(quán)重進(jìn)行修正，進(jìn)而從樣本集中任取下一組三通道心電標(biāo)準(zhǔn)信號(hào)段代入修正后的神經(jīng)網(wǎng)絡(luò)；

2.4根據(jù)步驟2.2和2.3遍歷樣本集中的所有三通道心電標(biāo)準(zhǔn)信號(hào)段，取累積誤差最小時(shí)所對(duì)應(yīng)的神經(jīng)網(wǎng)絡(luò)為所述重構(gòu)關(guān)系模型。

所述步驟2.1中初始化構(gòu)建的神經(jīng)網(wǎng)絡(luò)中隱藏層由10個(gè)神經(jīng)元組成。

所述步驟2.1中初始化構(gòu)建的神經(jīng)網(wǎng)絡(luò)中隱藏層的神經(jīng)元函數(shù)h(z)采用tan-sigmoid型傳遞函數(shù)，其表達(dá)式如下：

其中：z為函數(shù)的自變量。

所述的人工神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法以梯度下降法作為優(yōu)化方向。

所述步驟(4)中通過人工神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法進(jìn)行訓(xùn)練的具體過程如下：

4.1將6m組特征序列分為訓(xùn)練集和測(cè)試集且訓(xùn)練集大于測(cè)試集；

4.2初始化構(gòu)建一個(gè)由輸入層、隱藏層和輸出層組成的神經(jīng)網(wǎng)絡(luò)；

4.3從訓(xùn)練集中任取一特征序列代入上述神經(jīng)網(wǎng)絡(luò)計(jì)算得到對(duì)應(yīng)關(guān)于連接位置狀態(tài)的輸出結(jié)果，計(jì)算該輸出結(jié)果與該特征序列所對(duì)應(yīng)的實(shí)際連接位置狀態(tài)之間的累積誤差；

4.4根據(jù)該累積誤差通過梯度下降法對(duì)神經(jīng)網(wǎng)絡(luò)中輸入層與隱藏層之間以及隱藏層與輸出層之間的權(quán)重進(jìn)行修正，進(jìn)而從訓(xùn)練集中任取下一特征序列代入修正后的神經(jīng)網(wǎng)絡(luò)；

4.5根據(jù)步驟4.3和4.4遍歷訓(xùn)練集中的所有特征序列，取累積誤差最小時(shí)所對(duì)應(yīng)的神經(jīng)網(wǎng)絡(luò)為判別模型。

所述步驟4.2中初始化構(gòu)建的神經(jīng)網(wǎng)絡(luò)中隱藏層由5個(gè)神經(jīng)元組成。

所述步驟4.2中初始化構(gòu)建的神經(jīng)網(wǎng)絡(luò)中隱藏層的神經(jīng)元函數(shù)g(z)的表達(dá)式如下：

其中：z為函數(shù)的自變量。

所述的步驟(4)中對(duì)于訓(xùn)練得到的判別模型，將測(cè)試集中的特征序列逐個(gè)代入該判別模型得到對(duì)應(yīng)關(guān)于連接位置狀態(tài)的輸出結(jié)果，使每一特征序列所對(duì)應(yīng)的輸出結(jié)果與實(shí)際連接位置狀態(tài)進(jìn)行比較，若測(cè)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(cè)試集的正確率小于閾值的話，則通過采集更多的心電信號(hào)段樣本根據(jù)步驟(1)～(3)增加特征序列的數(shù)量作為神經(jīng)網(wǎng)絡(luò)的輸入。

所述的步驟(4)中根據(jù)用戶日常檢測(cè)得到的三通道心電信號(hào)段利用判別模型對(duì)用戶的電極連接形式進(jìn)行判別的具體過程為：首先，將用戶日常檢測(cè)得到的三通道心電信號(hào)段代入重構(gòu)關(guān)系模型進(jìn)行計(jì)算，得到對(duì)應(yīng)的三通道心電重構(gòu)信號(hào)段；然后，將該三通道心電重構(gòu)信號(hào)段與用戶日常檢測(cè)得到的三通道心電信號(hào)段進(jìn)行相關(guān)系數(shù)運(yùn)算，得到對(duì)應(yīng)的特征序列并將該特征序列代入判別模型中得到對(duì)應(yīng)關(guān)于連接位置狀態(tài)的輸出結(jié)果；最后，根據(jù)該輸出結(jié)果判別出用戶的電極連接形式為哪種連接位置狀態(tài)，且該連接位置狀態(tài)是否正確。

本發(fā)明心電電極連接判別方法通過由前饋神經(jīng)網(wǎng)絡(luò)訓(xùn)練得到的三通道心電信號(hào)重構(gòu)關(guān)系模型與相關(guān)系數(shù)法對(duì)心電信號(hào)進(jìn)行轉(zhuǎn)化，進(jìn)而基于轉(zhuǎn)化得到的特征序列利用人工神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法以梯度下降的優(yōu)化方式將判別模型準(zhǔn)確的建立，通過對(duì)系統(tǒng)模型的還原，實(shí)現(xiàn)了心電電極接錯(cuò)的判別方法，進(jìn)而大大提升了判別的效率和準(zhǔn)確率。

附圖說明

圖1為三導(dǎo)聯(lián)心電電極的連接示意圖。

圖2為本發(fā)明心電電極連接判別方法的步驟流程示意圖。

具體實(shí)施方式

為了更為具體地描述本發(fā)明，下面結(jié)合附圖及具體實(shí)施方式對(duì)本發(fā)明的技術(shù)方案進(jìn)行詳細(xì)說明。

如圖2所示，本發(fā)明心電電極連接判別方法包括如下步驟：

(1)簡(jiǎn)化電極位置判斷。

首先，在判斷三導(dǎo)聯(lián)心電檢測(cè)過程中的電極位置是否接錯(cuò)之前，考慮到七個(gè)電極錯(cuò)位的復(fù)雜排列組合結(jié)果太大，因此需要進(jìn)行簡(jiǎn)化電極位置判斷。即，首先排除遠(yuǎn)離其余六個(gè)電極的接地電極RL的位置接錯(cuò)，參照?qǐng)D1可見，第七個(gè)電極RL遠(yuǎn)離其余六個(gè)電極，非常容易連接，接錯(cuò)的概率是很低的，因此將該電極RL位置接錯(cuò)的可能性排除，后續(xù)步驟中同樣作排除處理即可獲得同樣的效果。

(2)采集三通道心電標(biāo)準(zhǔn)信號(hào)段和構(gòu)建心電訓(xùn)練信號(hào)庫(kù)。

在電極連接正確、導(dǎo)聯(lián)輸入正常的情況下，采集三導(dǎo)聯(lián)Holter系統(tǒng)m組長(zhǎng)度為n的多樣本、低相關(guān)性的三通道心電標(biāo)準(zhǔn)信號(hào)段，構(gòu)建樣本集；通過將心電標(biāo)準(zhǔn)信號(hào)段的三通道按以下位置狀態(tài)進(jìn)行遍歷組合變換，擴(kuò)展獲得6m組三通道心電訓(xùn)練信號(hào)段；

本實(shí)施方式中，m為752，n為2500，信號(hào)采樣頻率為250赫茲，故樣本長(zhǎng)度為10秒。

(3)根據(jù)心電訓(xùn)練信號(hào)庫(kù)作為心電訓(xùn)練樣本，以梯度下降法作為優(yōu)化方向進(jìn)行監(jiān)督式學(xué)習(xí)，獲得前饋神經(jīng)網(wǎng)絡(luò)各層的權(quán)值比重，建立三通道心電信號(hào)的重構(gòu)關(guān)系模型。

3.1根據(jù)人工神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法建立前饋神經(jīng)網(wǎng)絡(luò)模型：前饋神經(jīng)網(wǎng)絡(luò)模型有輸入層、隱藏層和輸出層三層，輸入層的輸入為兩個(gè)通道的標(biāo)準(zhǔn)心電信號(hào)段，層與層之間通過公式(1)進(jìn)行連接，隱藏層和輸出層的神經(jīng)元激活函數(shù)為公式(2)，輸出層的輸出為另一通道的心電信號(hào)，隱藏層由10個(gè)神經(jīng)元構(gòu)成，同時(shí)將各層間的權(quán)值系數(shù)初始化；

3.2將樣本集中的一組心電標(biāo)準(zhǔn)信號(hào)段輸入到當(dāng)前權(quán)值系數(shù)下的神經(jīng)網(wǎng)絡(luò)，依次計(jì)算輸入層、隱藏層和輸出層的各節(jié)點(diǎn)的輸出；

3.3根據(jù)公式(3)計(jì)算兩個(gè)通道心電標(biāo)準(zhǔn)信號(hào)樣本經(jīng)輸入層、隱藏層和輸出層后的輸出結(jié)果與另一通道實(shí)際心電標(biāo)準(zhǔn)信號(hào)之間的累積誤差E_train，根據(jù)梯度下降法，以公式(4)修正隱藏層與輸出層各節(jié)點(diǎn)間的權(quán)值系數(shù)，以公式(5)修正輸入層與隱藏層各節(jié)點(diǎn)間的權(quán)值系數(shù)；

其中：E為累積誤差，為單次訓(xùn)練樣本經(jīng)過神經(jīng)網(wǎng)絡(luò)的輸出層的第k個(gè)輸出，o_k為單次訓(xùn)練樣本的第k個(gè)期望結(jié)果，m為樣本集中的樣本總數(shù)，p為輸出層輸出總數(shù)；

其中：w_ho(t)為第t次樣本輸入到神經(jīng)網(wǎng)絡(luò)時(shí)隱藏層與輸出層之間的權(quán)值系數(shù)，為單次訓(xùn)練樣本經(jīng)過神經(jīng)網(wǎng)絡(luò)的輸出層的輸出，o為單次訓(xùn)練樣本的期望結(jié)果，x_h為隱藏層的輸出，α為學(xué)習(xí)速率；

其中：w_ih(t)為第t次樣本輸入到神經(jīng)網(wǎng)絡(luò)時(shí)輸入層與隱藏層之間的權(quán)值系數(shù)，x_i為輸入層的輸出；

3.4以步驟3.2和步驟3.3遍歷樣本集中所有心電標(biāo)準(zhǔn)信號(hào)段樣本，則取E_train最小時(shí)的權(quán)值系數(shù)組，訓(xùn)練得到輸入層與隱藏層的權(quán)值系數(shù)矩陣為：

輸入層與隱藏層之間的偏置系數(shù)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(quán)值系數(shù)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(shù)為0.2614。

本實(shí)施方式中，學(xué)習(xí)速率α＝0.1。

(4)根據(jù)相關(guān)系數(shù)法提取出特征值作為心電訓(xùn)練樣本；以梯度下降法作為優(yōu)化方向進(jìn)行監(jiān)督式學(xué)習(xí)，獲得人工神經(jīng)網(wǎng)絡(luò)各層的權(quán)值比重。

4.1根據(jù)步驟(3)中訓(xùn)練得到的前饋神經(jīng)網(wǎng)絡(luò)模型分別遍歷m組心電標(biāo)準(zhǔn)信號(hào)段的三通道數(shù)據(jù)，即利用其中兩個(gè)通道的心電數(shù)據(jù)重構(gòu)出另一通道的心電數(shù)據(jù)，獲得三通道心電標(biāo)準(zhǔn)信號(hào)段對(duì)應(yīng)的心電重構(gòu)信號(hào)段；

4.2根據(jù)以下公式將三通道心電訓(xùn)練信號(hào)段與對(duì)應(yīng)的心電重構(gòu)信號(hào)段進(jìn)行相關(guān)系數(shù)計(jì)算；對(duì)于每組心電訓(xùn)練信號(hào)段可以分別計(jì)算得到由三個(gè)相關(guān)系數(shù)所組成的特征序列，遍歷6m組三通道心電訓(xùn)練信號(hào)段，得到6m組相關(guān)系數(shù)特征序列；對(duì)6m組相關(guān)系數(shù)特征序列對(duì)應(yīng)的連接位置狀態(tài)類型進(jìn)行人工標(biāo)識(shí)，以6比特結(jié)果標(biāo)識(shí)對(duì)類型進(jìn)行標(biāo)識(shí)，由相關(guān)系數(shù)特征序列及對(duì)應(yīng)的標(biāo)識(shí)結(jié)果編碼組成心電訓(xùn)練樣本；

其中：f為相關(guān)系數(shù)，x_i、為心電訓(xùn)練原始信號(hào)段中某一通道的第i個(gè)數(shù)據(jù)和平均值，y_i、為心電訓(xùn)練重構(gòu)信號(hào)段中某一通道的第i個(gè)數(shù)據(jù)和平均值，n為1組信號(hào)段的長(zhǎng)度；

4.3將心電訓(xùn)練樣本劃分為訓(xùn)練集和測(cè)試集；

4.4根據(jù)人工神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法建立神經(jīng)網(wǎng)絡(luò)模型：神經(jīng)網(wǎng)絡(luò)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(duì)應(yīng)三通道的相關(guān)系數(shù)，層與層之間通過公式(6)進(jìn)行連接，隱藏層和輸出層的神經(jīng)元激活函數(shù)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(gè)神經(jīng)元構(gòu)成，同時(shí)將各層間的權(quán)值系數(shù)初始化；

4.5將訓(xùn)練集中的一組心電訓(xùn)練樣本輸入到當(dāng)前權(quán)值系數(shù)下的神經(jīng)網(wǎng)絡(luò)，依次計(jì)算輸入層、隱藏層和輸出層的各節(jié)點(diǎn)的輸出；

4.6根據(jù)公式(8)計(jì)算相關(guān)系數(shù)特征序列經(jīng)輸入層、隱藏層和輸出層后的輸出結(jié)果與其實(shí)際連接位置狀態(tài)類型之間的累積誤差E_train，根據(jù)梯度下降法，以公式(9)修正隱藏層與輸出層各節(jié)點(diǎn)間的權(quán)值系數(shù)，以公式(10)修正輸入層與隱藏層各節(jié)點(diǎn)間的權(quán)值系數(shù)；

其中：E為累積誤差，為單次訓(xùn)練樣本經(jīng)過神經(jīng)網(wǎng)絡(luò)的輸出層的第k個(gè)輸出，o_k為單次訓(xùn)練樣本的第k個(gè)期望結(jié)果，m為訓(xùn)練集的樣本總數(shù)，p為輸出層輸出總數(shù)；

其中：w_ho(t)為第t次樣本輸入到神經(jīng)網(wǎng)絡(luò)時(shí)隱藏層與輸出層之間的權(quán)值系數(shù)，為單次訓(xùn)練樣本經(jīng)過神經(jīng)網(wǎng)絡(luò)的輸出層的輸出，o為單次訓(xùn)練樣本的期望結(jié)果，x_h為隱藏層的輸出，α為學(xué)習(xí)速率；

其中：w_ih(t)為第t次樣本輸入到神經(jīng)網(wǎng)絡(luò)時(shí)輸入層與隱藏層之間的權(quán)值系數(shù)，x_i為輸入層的輸出；

4.7以步驟4.5和步驟4.6遍歷訓(xùn)練集中的所有心電訓(xùn)練樣本，則取E_train最小時(shí)的權(quán)值系數(shù)組，并以測(cè)試集的心電訓(xùn)練樣本對(duì)神經(jīng)網(wǎng)絡(luò)模型進(jìn)行測(cè)試，若測(cè)試集的正確率高于閾值則訓(xùn)練完成；若否，增加心電訓(xùn)練樣本，并重復(fù)步驟4.5～4.7；訓(xùn)練得到輸入層與隱藏層的權(quán)值系數(shù)矩陣為：

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

隱藏層與輸出層的權(quán)值系數(shù)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(shí)施方式中，學(xué)習(xí)速率α＝0.1。

(5)還原系統(tǒng)模型及電極接錯(cuò)判斷。

根據(jù)神經(jīng)網(wǎng)絡(luò)各層的權(quán)值比重，還原心電接錯(cuò)判別模型的系統(tǒng)函數(shù)，通過系統(tǒng)函數(shù)對(duì)心電信號(hào)段進(jìn)行處理判別是否出現(xiàn)接錯(cuò)情況：首先，將用戶日常檢測(cè)得到的三通道心電信號(hào)段代入重構(gòu)關(guān)系模型進(jìn)行計(jì)算，得到對(duì)應(yīng)的三通道心電重構(gòu)信號(hào)段；然后，將該三通道心電重構(gòu)信號(hào)段與用戶日常檢測(cè)得到的三通道心電信號(hào)段進(jìn)行相關(guān)系數(shù)運(yùn)算，得到由三個(gè)相關(guān)系數(shù)組成的特征序列并將其代入判別模型中得到對(duì)應(yīng)關(guān)于連接位置狀態(tài)的輸出結(jié)果；最后，根據(jù)該輸出結(jié)果判別出用戶的電極連接位置狀態(tài)是否正確。

上述對(duì)實(shí)施例的描述是為便于本技術(shù)領(lǐng)域的普通技術(shù)人員能理解和應(yīng)用本發(fā)明。熟悉本領(lǐng)域技術(shù)的人員顯然可以容易地對(duì)上述實(shí)施例做出各種修改，并把在此說明的一般原理應(yīng)用到其他實(shí)施例中而不必經(jīng)過創(chuàng)造性的勞動(dòng)。因此，本發(fā)明不限于上述實(shí)施例，本領(lǐng)域技術(shù)人員根據(jù)本發(fā)明的揭示，對(duì)于本發(fā)明做出的改進(jìn)和修改都應(yīng)該在本發(fā)明的保護(hù)范圍之內(nèi)。