1.一種用于三導(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，其特征在于，所述的處理器加載有以下功能模塊：
信號(hào)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(cè)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(cè)器預(yù)先采集得到的m組三通道心電標(biāo)準(zhǔn)信號(hào)段、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組得到的6m組三通道心電訓(xùn)練信號(hào)段以及用戶日常檢測(cè)時(shí)利用心電監(jiān)測(cè)器采集得到的三通道心電信號(hào)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(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；
心電重構(gòu)模塊，用于將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；此外也將用戶日常檢測(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；
相關(guān)運(yùn)算模塊，用于將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；此外也將用戶日常檢測(cè)得到的三通道心電信號(hào)段與其對(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，得到對(duì)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(cè)得到的三通道心電信號(hào)段所對(duì)應(yīng)的特征序列代入上述判別模型中得到對(duì)應(yīng)關(guān)于連接位置狀態(tài)的輸出結(jié)果，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。
2.根據(jù)權(quán)利要求1所述的智能終端，其特征在于：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(gè)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(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；所述樣本集由m組三通道心電標(biāo)準(zhǔn)信號(hào)段組成；
1.3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)；
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(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。
3.根據(jù)權(quán)利要求2所述的智能終端，其特征在于：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(gè)神經(jīng)元組成。
4.根據(jù)權(quán)利要求2所述的智能終端，其特征在于：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。
5.根據(jù)權(quán)利要求1所述的智能終端，其特征在于：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。
6.根據(jù)權(quán)利要求1所述的智能終端，其特征在于：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(cè)試集且訓(xùn)練集大于測(cè)試集；
2.2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)；
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(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；
2.4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)；
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(shí)所對(duì)應(yīng)的神經(jīng)網(wǎng)絡(luò)為判別模型。
7.根據(jù)權(quán)利要求6所述的智能終端，其特征在于：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(gè)神經(jīng)元組成。
8.根據(jù)權(quán)利要求6所述的智能終端，其特征在于：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。
9.根據(jù)權(quán)利要求6所述的智能終端，其特征在于：所述神經(jīng)網(wǎng)絡(luò)訓(xùn)練模塊對(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，則利用心電監(jiān)測(cè)器采集更多的心電信號(hào)段樣本，經(jīng)過心電重構(gòu)模塊和相關(guān)運(yùn)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。
10.根據(jù)權(quán)利要求1所述的智能終端，其特征在于：所述的智能終端為智能手機(jī)、平板電腦或PC機(jī)。