本發(fā)明屬于醫(yī)療器械技術(shù)領(lǐng)域，具體涉及一種用于三導(dǎo)聯(lián)心電電極連接判別的智能終端。

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，對于個人消費者來說很難在社區(qū)醫(yī)療、養(yǎng)老、乃至遠(yuǎn)程診療中進(jìn)行長期使用。尤其是復(fù)雜的設(shè)備，眾多的連線，會造成病人心理上的壓力和緊張情緒，可能會影響病人身體狀況，使得診斷所得到的數(shù)據(jù)與真實情況有一定差距，可能會影響對病情的正確診斷。

動態(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)備來檢測心電數(shù)據(jù)，也就是一般人直觀認(rèn)識的所謂測心電圖，其最基本的操作是在被檢測對象身上準(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)心電檢測中的電極位置示意圖，三導(dǎo)聯(lián)心電檢測包括七個電極，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，對于每個電極的電極線的顏色也有明確的規(guī)定。按照AHA(美國心臟協(xié)會)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(國際電工委員會)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，每個電極的顏色、位置都是不一樣的，需要相當(dāng)?shù)膶I(yè)知識才能正確操作復(fù)雜的電極定位，由于線路較多，定位復(fù)雜，非專業(yè)的檢測醫(yī)生無法勝任，因此，普通個人很難完成專業(yè)的心電檢測。在判斷三導(dǎo)聯(lián)心電檢測過程中的電極位置是否接錯之前，考慮到七個電極錯位的復(fù)雜排列組合結(jié)果太大，一般需要進(jìn)行簡化電極位置判斷，即首先排除遠(yuǎn)離其余六個電極的接地電極RL的位置接錯，參照圖1可見，電極RL遠(yuǎn)離其余六個電極，非常容易連接，接錯的概率是很低的，因此將該電極RL位置接錯的可能性排除；另外位于最上方的三個鄰近位置的負(fù)電極CH1-、CH2-和CH3-，它們相互之間的位置錯接對實際結(jié)果沒有任何影響，故真正的心電電極檢測判斷主要集中在于三個正電極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。

雖然目前市場上出現(xiàn)了一些專為個人設(shè)計的心電檢測設(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)將會帶來不可預(yù)料的嚴(yán)重后果。

技術(shù)實現(xiàn)要素：

針對現(xiàn)有技術(shù)所存在的上述技術(shù)問題，本發(fā)明提供了一種用于三導(dǎo)聯(lián)心電電極連接判別的智能終端，能夠有效的判斷心電電極是否接錯以及具體接錯的電極，進(jìn)而降低醫(yī)生對心電圖讀圖的錯判率。

一種用于三導(dǎo)聯(lián)心電電極連接判別的智能終端，包括處理器和藍(lán)牙通訊模塊，所述的處理器加載有以下功能模塊：

信號采集模塊，用于通過智能終端內(nèi)的藍(lán)牙通訊模塊收集心電監(jiān)測器提供的心電數(shù)據(jù)；所述的心電數(shù)據(jù)包括：在電極連接正確導(dǎo)聯(lián)輸入正常的情況下心電監(jiān)測器預(yù)先采集得到的m組三通道心電標(biāo)準(zhǔn)信號段、通過三個正電極之間連接位置的遍歷組合變換將每組信號段擴(kuò)展成6組得到的6m組三通道心電訓(xùn)練信號段以及用戶日常檢測時利用心電監(jiān)測器采集得到的三通道心電信號段，m為大于1的自然數(shù)；

前饋模型訓(xùn)練模塊，基于m組三通道心電標(biāo)準(zhǔn)信號段通過前饋神經(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之間的重構(gòu)關(guān)系模型；

心電重構(gòu)模塊，用于將m組三通道心電標(biāo)準(zhǔn)信號段代入上述重構(gòu)關(guān)系模型進(jìn)行遍歷計算，對應(yīng)得到m組三通道心電重構(gòu)信號段；此外也將用戶日常檢測得到的三通道心電信號段代入重構(gòu)關(guān)系模型進(jìn)行計算，得到對應(yīng)的三通道心電重構(gòu)信號段；

相關(guān)運算模塊，用于將所述的三通道心電訓(xùn)練信號段與對應(yīng)的三通道心電重構(gòu)信號段進(jìn)行相關(guān)系數(shù)運算，共得到6m組由三個相關(guān)系數(shù)為特征值組成的特征序列；此外也將用戶日常檢測得到的三通道心電信號段與其對應(yīng)的三通道心電重構(gòu)信號段進(jìn)行相關(guān)系數(shù)運算，得到對應(yīng)的特征序列；

神經(jīng)網(wǎng)絡(luò)訓(xùn)練模塊，用于根據(jù)上述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；

判別模塊，用于將用戶日常檢測得到的三通道心電信號段所對應(yīng)的特征序列代入上述判別模型中得到對應(yīng)關(guān)于連接位置狀態(tài)的輸出結(jié)果，進(jìn)而根據(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。

所述前饋模型訓(xùn)練模塊通過前饋神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法進(jìn)行訓(xùn)練的具體過程如下：

1.1初始化構(gòu)建一個由輸入層、隱藏層和輸出層組成的神經(jīng)網(wǎng)絡(luò)；

1.2從樣本集中任取一組三通道心電標(biāo)準(zhǔn)信號段，將其中任意兩個通道的心電標(biāo)準(zhǔn)信號段代入上述神經(jīng)網(wǎng)絡(luò)計算得到對應(yīng)另一通道的心電信號輸出結(jié)果，進(jìn)而計算該心電信號輸出結(jié)果與實際另一通道心電標(biāo)準(zhǔn)信號段之間的累積誤差；所述樣本集由m組三通道心電標(biāo)準(zhǔn)信號段組成；

1.3根據(jù)該累積誤差通過梯度下降法對神經(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)信號段代入修正后的神經(jīng)網(wǎng)絡(luò)；

1.4根據(jù)步驟1.2和1.3遍歷樣本集中的所有三通道心電標(biāo)準(zhǔn)信號段，取累積誤差最小時所對應(yīng)的神經(jīng)網(wǎng)絡(luò)為所述重構(gòu)關(guān)系模型。

所述前饋模型訓(xùn)練模塊初始化構(gòu)建的神經(jīng)網(wǎng)絡(luò)中隱藏層由10個神經(jīng)元組成。

所述前饋模型訓(xùn)練模塊初始化構(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。

所述神經(jīng)網(wǎng)絡(luò)訓(xùn)練模塊所采用的人工神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法以梯度下降法作為優(yōu)化方向。

所述神經(jīng)網(wǎng)絡(luò)訓(xùn)練模塊通過人工神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法進(jìn)行訓(xùn)練的具體過程如下：

2.1將6m組特征序列分為訓(xùn)練集和測試集且訓(xùn)練集大于測試集；

2.2初始化構(gòu)建一個由輸入層、隱藏層和輸出層組成的神經(jīng)網(wǎng)絡(luò)；

2.3從訓(xùn)練集中任取一特征序列代入上述神經(jīng)網(wǎng)絡(luò)計算得到對應(yīng)關(guān)于連接位置狀態(tài)的輸出結(jié)果，計算該輸出結(jié)果與該特征序列所對應(yīng)的實際連接位置狀態(tài)之間的累積誤差；

2.4根據(jù)該累積誤差通過梯度下降法對神經(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)；

2.5根據(jù)步驟2.3和2.4遍歷訓(xùn)練集中的所有特征序列，取累積誤差最小時所對應(yīng)的神經(jīng)網(wǎng)絡(luò)為判別模型。

所述神經(jīng)網(wǎng)絡(luò)訓(xùn)練模塊初始化構(gòu)建的神經(jīng)網(wǎng)絡(luò)中隱藏層由5個神經(jīng)元組成。

所述神經(jīng)網(wǎng)絡(luò)訓(xùn)練模塊初始化構(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。

所述神經(jīng)網(wǎng)絡(luò)訓(xùn)練模塊對于訓(xùn)練得到的判別模型，將測試集中的特征序列逐個代入該判別模型得到對應(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應(yīng)的輸出結(jié)果與實際連接位置狀態(tài)進(jìn)行比較，若測試集的正確率大于等于閾值的話，則該判別模型最終確定；若測試集的正確率小于閾值的話，則利用心電監(jiān)測器采集更多的心電信號段樣本，經(jīng)過心電重構(gòu)模塊和相關(guān)運算模塊得到更多數(shù)量的特征序列作為神經(jīng)網(wǎng)絡(luò)的輸入。

所述的智能終端可以為智能手機(jī)、平板電腦或PC機(jī)。

本發(fā)明用于三導(dǎo)聯(lián)心電電極連接判別的智能終端通過由前饋神經(jīng)網(wǎng)絡(luò)訓(xùn)練得到的三通道心電信號重構(gòu)關(guān)系模型與相關(guān)系數(shù)法對心電信號進(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，通過對系統(tǒng)模型的還原，實現(xiàn)了心電電極接錯的判別方法，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)明用于三導(dǎo)聯(lián)心電電極連接判別的智能終端結(jié)構(gòu)示意圖。

具體實施方式

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

如圖2所示，本實施例中用于三導(dǎo)聯(lián)心電電極連接判別的智能終端采用智能手機(jī)，該智能手機(jī)內(nèi)包含處理器和藍(lán)牙通訊模塊，藍(lán)牙通訊模塊與處理器相連；處理器包括信號采集模塊、前饋模型訓(xùn)練模塊、心電重構(gòu)模塊、相關(guān)運算模塊、神經(jīng)網(wǎng)絡(luò)訓(xùn)練模塊和判別模塊；其中：

在判斷三導(dǎo)聯(lián)心電檢測過程中的電極位置是否接錯之前，考慮到七個電極錯位的復(fù)雜排列組合結(jié)果太大，因此需要進(jìn)行簡化電極位置判斷。即，首先排除遠(yuǎn)離其余六個電極的接地電極RL的位置接錯，參照圖1可見，第七個電極RL遠(yuǎn)離其余六個電極，非常容易連接，接錯的概率是很低的，因此將該電極RL位置接錯的可能性排除，后續(xù)步驟中同樣作排除處理即可獲得同樣的效果。

信號采集模塊通過藍(lán)牙通訊模塊收集心電監(jiān)測器提供的心電數(shù)據(jù)；心電數(shù)據(jù)包括：在電極連接正確導(dǎo)聯(lián)輸入正常的情況下心電監(jiān)測器預(yù)先采集得到的m組三通道心電標(biāo)準(zhǔn)信號段、通過三個正電極之間連接位置的遍歷組合變換將每組信號段擴(kuò)展成6組得到的6m組三通道心電訓(xùn)練信號段以及用戶日常檢測時心電監(jiān)測器采集得到的三通道心電信號段，m為大于1的自然數(shù)。

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組長度為n的多樣本、低相關(guān)性的三通道心電標(biāo)準(zhǔn)信號段，構(gòu)建樣本集；通過將心電標(biāo)準(zhǔn)信號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)練信號段。

本實施方式中，m為752，n為2500，信號采樣頻率為250赫茲，故樣本長度為10秒。

前饋模型訓(xùn)練模塊基于m組三通道心電標(biāo)準(zhǔn)信號段通過前饋神經(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之間的重構(gòu)關(guān)系模型，具體實現(xiàn)方法如下：

1.1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通道的標(biāo)準(zhǔn)心電信號段，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，隱藏層由10個神經(jīng)元構(gòu)成，同時將各層間的權(quán)值系數(shù)初始化；

1.2將樣本集中的一組心電標(biāo)準(zhǔn)信號段輸入到當(dāng)前權(quán)值系數(shù)下的神經(jīng)網(wǎng)絡(luò)，依次計算輸入層、隱藏層和輸出層的各節(jié)點的輸出；

1.3根據(jù)公式(3)計算兩個通道心電標(biāo)準(zhǔn)信號樣本經(jīng)輸入層、隱藏層和輸出層后的輸出結(jié)果與另一通道實際心電標(biāo)準(zhǔn)信號之間的累積誤差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個輸出，o_k為單次訓(xùn)練樣本的第k個期望結(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；

1.4以步驟1.2和步驟1.3遍歷樣本集中所有心電標(biāo)準(zhǔn)信號段樣本，則取E_train最小時的權(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。

本實施方式中，學(xué)習(xí)速率α＝0.1。

心電重構(gòu)模塊將m組三通道心電標(biāo)準(zhǔn)信號段代入上述重構(gòu)關(guān)系模型進(jìn)行遍歷計算，對應(yīng)得到m組三通道心電重構(gòu)信號段；此外也將用戶日常檢測得到的三通道心電信號段代入重構(gòu)關(guān)系模型進(jìn)行計算，得到對應(yīng)的三通道心電重構(gòu)信號段。

相關(guān)運算模塊將上述6m組三通道心電訓(xùn)練信號段對應(yīng)與m組三通道心電重構(gòu)信號段進(jìn)行相關(guān)系數(shù)運算，得到6m組由三個相關(guān)系數(shù)為特征值組成的特征序列；此外也將用戶日常檢測得到的三通道心電信號段與其對應(yīng)的三通道心電重構(gòu)信號段進(jìn)行相關(guān)系數(shù)運算，得到對應(yīng)的特征序列；具體實現(xiàn)方法為：根據(jù)以下公式將三通道心電訓(xùn)練信號段與對應(yīng)的心電重構(gòu)信號段進(jìn)行相關(guān)系數(shù)計算；對于每組心電訓(xùn)練信號段可以分別計算得到由三個相關(guān)系數(shù)所組成的特征序列，遍歷6m組三通道心電訓(xùn)練信號段，得到6m組相關(guān)系數(shù)特征序列；對6m組相關(guān)系數(shù)特征序列對應(yīng)的連接位置狀態(tài)類型進(jìn)行人工標(biāo)識，以6比特結(jié)果標(biāo)識對類型進(jìn)行標(biāo)識，由相關(guān)系數(shù)特征序列及對應(yīng)的標(biāo)識結(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)練原始信號段中某一通道的第i個數(shù)據(jù)和平均值，y_i、為心電訓(xùn)練重構(gòu)信號段中某一通道的第i個數(shù)據(jù)和平均值，n為1組信號段的長度。

神經(jīng)網(wǎng)絡(luò)訓(xùn)練模塊根據(jù)上述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，具體實現(xiàn)方法如下：

2.1將心電訓(xùn)練樣本(6m組特征序列)劃分為訓(xùn)練集和測試集；

2.2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個神經(jīng)元構(gòu)成，同時將各層間的權(quán)值系數(shù)初始化；

2.3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)，依次計算輸入層、隱藏層和輸出層的各節(jié)點的輸出；

2.4根據(jù)公式(8)計算相關(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個輸出，o_k為單次訓(xùn)練樣本的第k個期望結(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；

2.5以步驟2.3和步驟2.4遍歷訓(xùn)練集中的所有心電訓(xùn)練樣本，則取E_train最小時的權(quán)值系數(shù)組，并以測試集的心電訓(xùn)練樣本對神經(jīng)網(wǎng)絡(luò)模型進(jìn)行測試，若測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2.3～2.5；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。

本實施方式中，學(xué)習(xí)速率α＝0.1。

2.6根據(jù)神經(jīng)網(wǎng)絡(luò)各層的權(quán)值比重，還原心電接錯判別模型的系統(tǒng)函數(shù)。

判別模塊將用戶日常檢測得到的三通道心電信號段所對應(yīng)的特征序列代入上述判別模型中得到對應(yīng)關(guān)于連接位置狀態(tài)的輸出結(jié)果，進(jìn)而根據(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。

上述對實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上述實施例做出各種修改，并把在此說明的一般原理應(yīng)用到其他實施例中而不必經(jīng)過創(chuàng)造性的勞動。因此，本發(fā)明不限于上述實施例，本領(lǐng)域技術(shù)人員根據(jù)本發(fā)明的揭示，對于本發(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)。