CN105496392B - 一种具有电极连接判别功能的三导联心电监测系统 - Google Patents

Abstract

本发明公开了一种具有电极连接判别功能的三导联心电监测系统，包括心电监测器和智能终端，心电监测器与智能终端通过无线通讯连接；智能终端内包含有处理器和蓝牙通讯模块，蓝牙通讯模块与处理器相连；处理器包括信号采集模块、线性拟合模块、心电重构模块、相关运算模块、神经网络训练模块和判别模块。本发明具有电极连接判别功能的三导联心电监测系统通过线性回归模型与相关系数法在学习前对心电信号进行转化，进而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功能，进而大大提升了判别的效率和准确率。

Description

一种具有电极连接判别功能的三导联心电监测系统

技术领域

本发明属于医疗设备技术领域，具体涉及一种具有电极连接判别功能的三导联心电监测系统。

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。

发明内容

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三导联心电监测系统，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。

一种具有电极连接判别功能的三导联心电监测系统，包括心电监测器和智能终端，所述的心电监测器与智能终端通过无线通讯连接；

所述的心电监测器包括监测器主体和七个心电采集电极，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；心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；所述的心电采集电极用于拾取人体表的微弱心电信号，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心电信号传输给智能终端；

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：

信号采集模块，用于通过智能终端内的蓝牙通讯模块收集心电监测器提供的心电数据；所述的心电数据包括：在电极连接正确导联输入正常的情况下心电监测器预先采集得到的m组三通道心电标准信号段、通过三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组三通道心电训练信号段以及用户日常检测时心电监测器采集得到的三通道心电信号段，m为大于1的自然数；

线性拟合模块，用于对上述m组三通道心电标准信号段进行线性回归拟合，得到三通道心电信号之间的线性关系模型；

心电重构模块，用于将m组三通道心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组三通道心电重构信号段；此外也将用户日常检测得到的三通道心电信号段代入线性关系模型进行计算，得到对应的三通道心电重构信号段；

相关运算模块，用于将上述6m组三通道心电训练信号段对应与m组三通道心电重构信号段进行相关系数运算，得到6m组由三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三通道心电信号段与其对应的三通道心电重构信号段进行相关系数运算，得到对应的特征序列；

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；

判别模块，用于将用户日常检测得到的三通道心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。

所述的线性拟合模块采用最小二乘法对m组三通道心电标准信号段进行线性回归拟合。

所述线性关系模型的表达式如下：

$CH\[i\]=\underset{j=1,j\≠i}{\overset{3}{\Σ}}{b}_{ij}CH\[j\]+b_{i0}$

其中：CH[i]为第i个通道的心电信号，CH[j]为第j个通道的心电信号，i和j均为自然数且1≤i≤3，1≤j≤3，i≠j，b_ij和b_i0均为线性系数。

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以梯度下降法作为优化方向。

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：

(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；

(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；

(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)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；

(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。

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。

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：

$g\left(z\right)=\frac{1}{1+e^{-z}}$

其中：z为函数的自变量。

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，则利用心电监测器采集更多的心电信号段样本，经过心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。

所述的智能终端可以为智能手机、平板电脑或PC机。

本发明具有电极连接判别功能的三导联心电监测系统通过线性回归模型与相关系数法在学习前对心电信号进行转化，进而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功能，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为本发明三导联心电监测系统的结构示意图。

图3为本发明三导联心电监测系统中智能终端的结构示意图。

图4为本发明心电电极连接判别过程中的人工神经网络模型示意图。

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，本发明基于具有电极连接判别功能的三导联心电监测系统，包括心电监测器和智能手机；其中：

心电监测器包括监测器主体和七个心电采集电极，监测器主体内设有主控模块、电压检测模块、蓝牙通讯模块、信号调理模块、自动关机模块、电源管理模块和驱动模块；监测器主体表面设有开关按钮和低压指示灯1；其中：

电源管理模块用于为心电采集电极以及监测器主体内其他功能模块提供工作电压。

心电采集电极与信号调理模块连接，其用于拾取人体表的微弱心电信号。

信号调理模块与主控模块连接，其用于对心电采集电极拾取到的微弱心电信号进行放大滤波等处理后传送给主控模块；本实施方式中，信号调理模块由输入缓冲级、前置仪表放大级、高通滤波器、中间放大级、低通滤波器以及工频陷波器依次连接组成。

驱动模块与主控模块和开关按钮相连，其用于通过主控模块驱动电源管理模块对心电采集电极放电，使用者可通过开关按钮启动心电监测器。

电压检测模块与电源管理模块和低压指示灯1连接，其用于检测电源管理模块的电压信息；当电源管理模块为心电监测器提供的工作电压小于一预设值情况下，低压指示灯1点亮，以提示用户对心电监测器进行充电或更换电池。

自动关机模块与电源管理模块和主控模块连接，其可以使心电监测器在长时间不工作的情况下，将心电监测器的供电电源切断，进入休眠状态，降低功耗；本实施方式中，自动关机模块内设有一计时器，计时器与主控模块连接，计时器设定有一定的时间间隔(10s)，当主控模块中没有心电信号超过该时间间隔，自动关机模块将自动将电源切断，进入休眠状态，降低功耗。

蓝牙通讯模块与主控模块相连，主控模块通过蓝牙通讯模块将心电信号无线传输给智能手机。本实施方式中，蓝牙通讯模块遵循蓝牙标准协议；模块支持UART、USB、SPI、PCM、SPDIF等接口，并支持SPP蓝牙串口协议，具有成本低、体积小、功耗低、收发灵敏性高等优点，只需配备少许的外围元件就能实现其强大功能。

如图3所示，本实施方式中智能手机内包含有处理器和蓝牙通讯模块，蓝牙通讯模块与处理器相连；处理器包括信号采集模块、线性拟合模块、心电重构模块、相关运算模块、神经网络训练模块和判别模块；其中：

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。

信号采集模块通过蓝牙通讯模块收集心电监测器提供的心电数据；心电数据包括：在电极连接正确导联输入正常的情况下心电监测器预先采集得到的m组三通道心电标准信号段、通过三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组三通道心电训练信号段以及用户日常检测时心电监测器采集得到的三通道心电信号段，m为大于1的自然数；

在电极连接正确、导联输入正常的情况下，采集三导联心电监测系统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；通过将心电标准信号段的三通道按以下位置状态进行排列组合，获得6m组三通道心电训练信号段；

本实施方式中，m为2000，n为2500。

线性拟合模块对上述m组三通道心电标准信号段进行线性回归拟合，得到三通道心电信号之间的线性关系模型；具体实现方法如下：

(1)将m个长度为n的三通道心电标准信号段融合为N个三通道心电标准信号；

(2)根据以下公式和三通道心电标准信号建立3N组任一通道重构信号与其他通道信号之间的线性关系表达式；

$\widehat{CH}\[i\]={\mathrm{\Σ}}_{j=1,j\≠i}^c{b}_{ij}CH\[j\]+b_{i0}---\left(1\right)$

其中：为第i个通道的重构信号，CH[j]为第j个通道的原始信号，b_ij为第i个通道信号由各通道信号表达时第j个通道信号的线性系数，b_i0为常数项系数，c为总通道数；

(3)根据最小二乘法和3N组线性关系表达式对线性关系矩阵b_ij求解：根据公式(2)建立各通道原始信号与重构信号之间的平方损失函数Q[i]，Q[i]最小时则能得到待估线性关系矩阵。将各待估线性系数b_ij作为自变量，分别求Q对其的偏导，并令偏导为0，根据公式(3)求解三元一次方程组可以得到3行4列的线性关系矩阵b_ij；训练得到的线性关系矩阵如下： $\begin{array}{cccc}0.0210& 0& -0.7334& 1.2432\\ 0.0286& -0.2454& 0& 0.5710\\ -0.0229& 0.5840& 0.8016& 0\end{array}$

$Q\[i\]={\mathrm{\Σ}}_{k=1}^N{(CH\[i\]\[k\]-{\mathrm{\Σ}}_{j=1,j\≠i}^c{b}_{ij}CH\[j\]\[k\]-b_{i0})}^2---\left(2\right)$

其中：Q[i]为第i通道重构信号与原始信号之间的平方损失函数，CH[i][k]、CH[j][k]为第i、j通道原始信号的第k个数据，N为原始信号个数；

$\left\{\begin{array}{c}\frac{\∂Q\[i\]}{\∂b_{i1}}=2(\underset{k=1}{\overset{N}{\mathrm{\Σ}}}CH\[i\]\[k\]-\underset{j=2}{\overset{n}{\mathrm{\Σ}}}{b}_{ij}\underset{k=1}{\overset{N}{\mathrm{\Σ}}}CH\[j\]\[k\]-b_{i1})(-\underset{k=1}{\overset{N}{\mathrm{\Σ}}}CH\[l\]\[k\])=0,l=1\\ \frac{\∂Q\[i\]}{\∂b_{i1}}=2(\underset{k=1}{\overset{N}{\mathrm{\Σ}}}CH\[i\]\[k\]-\underset{j=2}{\overset{n}{\mathrm{\Σ}}}{b}_{ij}\underset{k=1}{\overset{N}{\mathrm{\Σ}}}CH\[j\]\[k\]-b_{i1})(-1)=0,l\≠1\end{array}\right.---\left(3\right)$

其中：为第i通道的平方损失函数对第i通道第l个待估参数的偏导，CH[1][k]为第l通道原始信号的第k个数据。

心电重构模块将m组三通道心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组三通道心电重构信号段；此外也将用户日常检测得到的三通道心电信号段代入线性关系模型进行计算，得到对应的三通道心电重构信号段；具体根据以下公式分别遍历m组心电训练信号段的三通道数据，获得三通道信号段的重构信号段；

$\left[\begin{array}{c}\widehat{CH}\[i\]\[1\]\\ \·\\ \·\\ \·\\ \widehat{CH}\[i\]\[n\]\end{array}\right]=\left[\begin{array}{cccc}1& CH\[1\]\[1\]& ...& CH\[c\]\[1\]\\ \·& \·& & \·\\ \·& \·& ...& \·\\ \·& \·& & \·\\ 1& CH\[1\]\[n\]& ...& CH\[c\]\[n\]\end{array}\right]\left[\begin{array}{c}{b}_{i0}\\ \·\\ \·\\ \·\\ b_{ic}\end{array}\right]$

其中：为心电训练信号段中第i个通道第n个重构信号，CH[c][n]为心电训练信号段中第c个通道第n个原始信号。

相关运算模块将上述6m组三通道心电训练信号段对应与m组三通道心电重构信号段进行相关系数运算，得到6m组由三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三通道心电信号段与其对应的三通道心电重构信号段进行相关系数运算，得到对应的特征序列；具体实现方法为：根据以下公式将心电训练的原始信号段与重构信号段进行相关系数计算；对于每组信号段可以分别计算得到三个相关系数特征值，遍历6m组心电训练信号段，得到6m组相关系数特征值；对6m组相关系数特征值的不同类型进行人工标识，以6比特结果标识对类型进行标识，由相关系数特征值及对应的结果编码组成心电训练样本；

$f=\frac{{\mathrm{\Σ}}_{i=1}^n(x_i-\stackrel{\‾}{x})(y_i-\stackrel{\‾}{y})}{\sqrt{{\mathrm{\Σ}}_{i=1}^n{(x_i-\stackrel{\‾}{x})}^2{\mathrm{\Σ}}_{i=1}^n{(y_i-\stackrel{\‾}{y})}^2}}$

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。

神经网络训练模块根据上述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；具体实现方法如下：

(1)将心电训练样本(6m组特征序列)划分为训练集和测试集；

(2)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三通道的相关系数，层与层之间通过公式(4)进行连接，隐藏层和输出层的神经元激活函数为公式(5)，输出层的输出为心电通道连接的6种分类，隐藏层由4个神经元构成，同时将各层间的权值系数初始化；图4为建立的人工神经网络模型；

$h\left(x\right)={\mathrm{\Σ}}_{j=1}^n{w}_j{x}_j+w_0---\left(4\right)$

$g\left(z\right)=\frac{1}{1+e^{-z}}---\left(5\right)$

(3)将心电训练样本的训练集中的一组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)根据公式(6)计算所有心电训练样本的输出层输出与心电训练样本的期望结果之间的累积误差E_train，根据梯度下降法，以公式(7)修正隐藏层与输出层各节点间的权值系数，以公式(8)修正输入层与隐藏层各节点间的权值系数；

$E_{train}=\frac{1}{2}{\mathrm{\Σ}}_{i=1}^m{\mathrm{\Σ}}_{k=1}^p{({\hat{o}}_k-o_k)}^2---\left(6\right)$

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为训练集样本总数，p为输出层输出总数；

$w_{ho}(t+1)=w_{ho}\left(t\right)+\mathrm{\α}(\hat{o}-o)\hat{o}(1-\hat{o})x_h---\left(7\right)$

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；

$w_{ih}(t+1)=w_{ih}\left(t\right)+{\mathrm{\α\Σ}}_{j=1}^n\left(\right(\hat{o}-o\left)\hat{o}\right(1-\hat{o}\left)w_{ih}\right(t\left)\right)x_i---\left(8\right)$

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，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_i为输入层的输出，α为学习速率；

(5)以步骤(3)和步骤(4)遍历所有心电训练样本的训练集，则取到E_train最小时的权值系数组，并以测试集神经网络进行测试，若测试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(3)～(5)；训练得到的权值系数矩阵为：

输入层与隐藏层：

$\begin{array}{cccc}0.0197& -0.2985& 3.7047& -3.2433\\ 2.6993& -1.9633& 0.1289& 0.2198\\ -0.7545& -2.4126& -0.3645& 0.4218\\ 0.6981& -0.9268& 0.7178& 3.22518\end{array}$

隐藏层与输出层：

$\begin{array}{ccccc}1.6677& 2.1807& -0.5913& 0.0051& -2.9309\\ -2.9866& 1.4651& -1.5880& -2.6357& -0.2568\\ 2.5622& 1.3400& 0.1500& -1.2026& -0.6270\\ -0.5979& -2.8742& 1.6575& -1.7885& -1.0436\\ -0.5771& 0.8008& 1.7793& -1.2969& -1.0023\\ 1.9939& -2.0284& -0.9493& -0.9226& 0.2755\end{array};$

本实施方式中，学习速率α＝0.05。根据线性关系矩阵和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。

判别模块将用户日常检测得到的三通道心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。

上述的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。

Claims (9)

1.一种具有电极连接判别功能的三导联心电监测系统，包括心电监测器和智能终端，所述的心电监测器与智能终端通过无线通讯连接；其特征在于：

所述的心电监测器包括监测器主体和七个心电采集电极，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；心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；所述的心电采集电极用于拾取人体表的微弱心电信号，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心电信号传输给智能终端；

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：

信号采集模块，用于通过智能终端内的蓝牙通讯模块收集心电监测器提供的心电数据；所述的心电数据包括：在电极连接正确导联输入正常的情况下心电监测器预先采集得到的m组三通道心电标准信号段、通过三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组三通道心电训练信号段以及用户日常检测时心电监测器采集得到的三通道心电信号段，m为大于1的自然数；

线性拟合模块，用于对上述m组三通道心电标准信号段进行线性回归拟合，得到三通道心电信号之间的线性关系模型；

心电重构模块，用于将m组三通道心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组三通道心电重构信号段；此外也将用户日常检测得到的三通道心电信号段代入线性关系模型进行计算，得到对应的三通道心电重构信号段；

相关运算模块，用于将上述6m组三通道心电训练信号段对应与m组三通道心电重构信号段进行相关系数运算，得到6m组由三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三通道心电信号段与其对应的三通道心电重构信号段进行相关系数运算，得到对应的特征序列；

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；

判别模块，用于将用户日常检测得到的三通道心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。

2.根据权利要求1所述的三导联心电监测系统，其特征在于：所述的线性拟合模块采用最小二乘法对m组三通道心电标准信号段进行线性回归拟合。

3.根据权利要求1所述的三导联心电监测系统，其特征在于：所述线性关系模型的表达式如下：

$\widehat{CH}\[i\]=\underset{j=1,j\≠i}{\overset{3}{\mathrm{\Σ}}}{b}_{ij}CH\[j\]+b_{i0}$

其中：为第i个通道的心电重构信号，CH[j]为第j个通道的心电标准信号，i和j均为自然数且1≤i≤3，1≤j≤3，i≠j，b_ij和b_i0均为线性系数。

4.根据权利要求1所述的三导联心电监测系统，其特征在于：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以梯度下降法作为优化方向。

5.根据权利要求1所述的三导联心电监测系统，其特征在于：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：

(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；

(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；

(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)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；

(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。

6.根据权利要求5所述的三导联心电监测系统，其特征在于：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。

7.根据权利要求5所述的三导联心电监测系统，其特征在于：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：

$g\left(z\right)=\frac{1}{1+e^{-z}}$

其中：z为函数的自变量。

8.根据权利要求5所述的三导联心电监测系统，其特征在于：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，则利用心电监测器采集更多的心电信号段样本，经过心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。

9.根据权利要求1所述的三导联心电监测系统，其特征在于：所述的智能终端为智能手机或平板电脑。