CN106618551B - 一种用于三导联心电电极连接判别的智能终端 - Google Patents
一种用于三导联心电电极连接判别的智能终端 Download PDFInfo
- Publication number
- CN106618551B CN106618551B CN201611131423.2A CN201611131423A CN106618551B CN 106618551 B CN106618551 B CN 106618551B CN 201611131423 A CN201611131423 A CN 201611131423A CN 106618551 B CN106618551 B CN 106618551B
- Authority
- CN
- China
- Prior art keywords
- triple channel
- module
- electrocardio
- mrow
- intelligent terminal
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B2560/00—Constructional details of operational features of apparatus; Accessories for medical measuring apparatus
- A61B2560/02—Operational features
- A61B2560/0266—Operational features for monitoring or limiting apparatus function
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Cardiology (AREA)
- Physics & Mathematics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明公开了一种用于三导联心电电极连接判别的智能终端，包括处理器和蓝牙通讯模块；处理器加载有信号采集模块、前馈模型训练模块、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。本发明智能终端通过由前馈神经网络训练得到的三通道心电信号重构关系模型与相关系数法对心电信号进行转化，进而基于转化得到的特征序列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方法，进而大大提升了判别的效率和准确率。
Description
技术领域
本发明属于医疗器械技术领域，具体涉及一种用于三导联心电电极连接判别的智能终端。
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，本发明提供了一种用于三导联心电电极连接判别的智能终端，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。
一种用于三导联心电电极连接判别的智能终端，包括处理器和蓝牙通讯模块，所述的处理器加载有以下功能模块：
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遍历组合变换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利用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；
前馈模型训练模块，基于m组三通道心电标准信号段通过前馈神经网络学习算法进行训练，得到三通道心电信号之间的重构关系模型；
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重构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重构关系模型进行计算，得到对应的三通道心电重构信号段；
相关运算模块，用于将所述的三通道心电训练信号段与对应的三通道心电重构信号段进行相关系数运算，共得到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。
所述前馈模型训练模块通过前馈神经网络学习算法进行训练的具体过程如下：
1.1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；
1.2从样本集中任取一组三通道心电标准信号段，将其中任意两个通道的心电标准信号段代入上述神经网络计算得到对应另一通道的心电信号输出结果，进而计算该心电信号输出结果与实际另一通道心电标准信号段之间的累积误差；所述样本集由m组三通道心电标准信号段组成；
1.3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，进而从样本集中任取下一组三通道心电标准信号段代入修正后的神经网络；
1.4根据步骤1.2和1.3遍历样本集中的所有三通道心电标准信号段，取累积误差最小时所对应的神经网络为所述重构关系模型。
所述前馈模型训练模块初始化构建的神经网络中隐藏层由10个神经元组成。
所述前馈模型训练模块初始化构建的神经网络中隐藏层的神经元函数h(z)采用tan-sigmoid型传递函数，其表达式如下：
其中：z为函数的自变量。
所述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：
2.1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；
2.2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；
2.3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；
2.4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；
2.5根据步骤2.3和2.4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。
所述神经网络训练模块初始化构建的神经网络中隐藏层由5个神经元组成。
所述神经网络训练模块初始化构建的神经网络中隐藏层的神经元函数g(z)的表达式如下：
其中：z为函数的自变量。
所述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。
本发明用于三导联心电电极连接判别的智能终端通过由前馈神经网络训练得到的三通道心电信号重构关系模型与相关系数法对心电信号进行转化，进而基于转化得到的特征序列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方法，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为本发明用于三导联心电电极连接判别的智能终端结构示意图。
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，本实施例中用于三导联心电电极连接判别的智能终端采用智能手机，该智能手机内包含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、前馈模型训练模块、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遍历组合变换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Holter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，构建样本集；通过将心电标准信号段的三通道按以下位置状态进行遍历组合变换，扩展获得6m组三通道心电训练信号段。
本实施方式中，m为752，n为2500，信号采样频率为250赫兹，故样本长度为10秒。
前馈模型训练模块基于m组三通道心电标准信号段通过前馈神经网络学习算法进行训练，得到三通道心电信号之间的重构关系模型，具体实现方法如下：
1.1根据人工神经网络学习算法建立前馈神经网络模型：前馈神经网络模型有输入层、隐藏层和输出层三层，输入层的输入为两个通道的标准心电信号段，层与层之间通过公式(1)进行连接，隐藏层和输出层的神经元激活函数为公式(2)，输出层的输出为另一通道的心电信号，隐藏层由10个神经元构成，同时将各层间的权值系数初始化；
1.2将样本集中的一组心电标准信号段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；
1.3根据公式(3)计算两个通道心电标准信号样本经输入层、隐藏层和输出层后的输出结果与另一通道实际心电标准信号之间的累积误差Etrain，根据梯度下降法，以公式(4)修正隐藏层与输出层各节点间的权值系数，以公式(5)修正输入层与隐藏层各节点间的权值系数；
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，ok为单次训练样本的第k个期望结果，m为样本集中的样本总数，p为输出层输出总数；
其中：who(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，xh为隐藏层的输出，α为学习速率；
其中：wih(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，xi为输入层的输出；
1.4以步骤1.2和步骤1.3遍历样本集中所有心电标准信号段样本，则取Etrain最小时的权值系数组，训练得到输入层与隐藏层的权值系数矩阵为：
输入层与隐藏层之间的偏置系数为：-2.5342、-3.6777、2.6693、-0.3543、-0.3753、0.2445、-2.2694、2.4065、2.7781、4.3592。
隐藏层与输出层的权值系数为：1.5391、0.4724、2.0915、2.3852、0.4895、2.8014、-2.5907、0.2571、-2.4063、-0.3480。
隐藏层与输出层之间的偏置系数为0.2614。
本实施方式中，学习速率α＝0.1。
心电重构模块将m组三通道心电标准信号段代入上述重构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重构关系模型进行计算，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：根据以下公式将三通道心电训练信号段与对应的心电重构信号段进行相关系数计算；对于每组心电训练信号段可以分别计算得到由三个相关系数所组成的特征序列，遍历6m组三通道心电训练信号段，得到6m组相关系数特征序列；对6m组相关系数特征序列对应的连接位置状态类型进行人工标识，以6比特结果标识对类型进行标识，由相关系数特征序列及对应的标识结果编码组成心电训练样本。
其中：f为相关系数，xi、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，yi、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：
2.1将心电训练样本(6m组特征序列)划分为训练集和测试集；
2.2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对应三通道的相关系数，层与层之间通过公式(6)进行连接，隐藏层和输出层的神经元激活函数为公式(7)，输出层的输出为0或1，代表心电通道连接是否正确，隐藏层由5个神经元构成，同时将各层间的权值系数初始化；
2.3将训练集中的一组心电训练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；
2.4根据公式(8)计算相关系数特征序列经输入层、隐藏层和输出层后的输出结果与其实际连接位置状态类型之间的累积误差Etrain，根据梯度下降法，以公式(9)修正隐藏层与输出层各节点间的权值系数，以公式(10)修正输入层与隐藏层各节点间的权值系数；
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，ok为单次训练样本的第k个期望结果，m为训练集的样本总数，p为输出层输出总数；
其中：who(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，xh为隐藏层的输出，α为学习速率；
其中：wih(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，xi为输入层的输出；
2.5以步骤2.3和步骤2.4遍历训练集中的所有心电训练样本，则取Etrain最小时的权值系数组，并以测试集的心电训练样本对神经网络模型进行测试，若测试集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2.3～2.5；训练得到输入层与隐藏层的权值系数矩阵为：
输入层与隐藏层之间的偏置系数为：2.1929、1.7801、-0.6962、-2.2274。
隐藏层与输出层的权值系数为：-3.3227、0.5376、0.9403、1.4556、0.3988。
隐藏层与输出层之间的偏置为0.7035。
本实施方式中，学习速率α＝0.1。
2.6根据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 (10)
1.一种用于三导联心电电极连接判别的智能终端，包括处理器和蓝牙通讯模块，所述的处理器加载有以下功能模块：
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遍历组合变换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利用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；
心电重构模块，用于将m组三通道心电标准信号段代入重构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重构关系模型进行计算，得到对应的三通道心电重构信号段；
相关运算模块，用于将所述的三通道心电训练信号段与对应的三通道心电重构信号段进行相关系数运算，共得到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；
其特征在于：所述处理器还加载有前馈模型训练模块，所述前馈模型训练模块基于m组三通道心电标准信号段通过前馈神经网络学习算法进行训练，得到三通道心电信号之间的重构关系模型。
2.根据权利要求1所述的智能终端，其特征在于：所述前馈模型训练模块通过前馈神经网络学习算法进行训练的具体过程如下：
1.1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；
1.2从样本集中任取一组三通道心电标准信号段，将其中任意两个通道的心电标准信号段代入上述神经网络计算得到对应另一通道的心电信号输出结果，进而计算该心电信号输出结果与实际另一通道心电标准信号段之间的累积误差；所述样本集由m组三通道心电标准信号段组成；
1.3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，进而从样本集中任取下一组三通道心电标准信号段代入修正后的神经网络；
1.4根据步骤1.2和1.3遍历样本集中的所有三通道心电标准信号段，取累积误差最小时所对应的神经网络为所述重构关系模型。
3.根据权利要求2所述的智能终端，其特征在于：所述前馈模型训练模块初始化构建的神经网络中隐藏层由10个神经元组成。
4.根据权利要求2所述的智能终端，其特征在于：所述前馈模型训练模块初始化构建的神经网络中隐藏层的神经元函数h(z)采用tan-sigmoid型传递函数，其表达式如下：
<mrow>
<mi>h</mi>
<mrow>
<mo>(</mo>
<mi>z</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mn>2</mn>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>+</mo>
<msup>
<mi>e</mi>
<mrow>
<mo>-</mo>
<mn>2</mn>
<mi>z</mi>
</mrow>
</msup>
<mo>)</mo>
</mrow>
</mfrac>
<mo>-</mo>
<mn>1</mn>
</mrow>
其中：z为函数的自变量。
5.根据权利要求1所述的智能终端，其特征在于：所述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。
6.根据权利要求1所述的智能终端，其特征在于：所述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：
2.1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；
2.2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；
2.3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；
2.4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；
2.5根据步骤2.3和2.4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。
7.根据权利要求6所述的智能终端，其特征在于：所述神经网络训练模块初始化构建的神经网络中隐藏层由5个神经元组成。
8.根据权利要求6所述的智能终端，其特征在于：所述神经网络训练模块初始化构建的神经网络中隐藏层的神经元函数g(z)的表达式如下：
<mrow>
<mi>g</mi>
<mrow>
<mo>(</mo>
<mi>z</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mrow>
<mn>1</mn>
<mo>+</mo>
<msup>
<mi>e</mi>
<mrow>
<mo>-</mo>
<mi>z</mi>
</mrow>
</msup>
</mrow>
</mfrac>
</mrow>
其中：z为函数的自变量。
9.根据权利要求6所述的智能终端，其特征在于：所述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。
10.根据权利要求1所述的智能终端，其特征在于：所述的智能终端为智能手机、平板电脑或PC机。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201611131423.2A CN106618551B (zh) | 2016-12-09 | 2016-12-09 | 一种用于三导联心电电极连接判别的智能终端 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201611131423.2A CN106618551B (zh) | 2016-12-09 | 2016-12-09 | 一种用于三导联心电电极连接判别的智能终端 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN106618551A CN106618551A (zh) | 2017-05-10 |
| CN106618551B true CN106618551B (zh) | 2017-12-12 |
Family
ID=58824125
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201611131423.2A Expired - Fee Related CN106618551B (zh) | 2016-12-09 | 2016-12-09 | 一种用于三导联心电电极连接判别的智能终端 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN106618551B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107374617A (zh) * | 2017-08-24 | 2017-11-24 | 复旦大学附属中山医院 | 一种自动纠错心电图系统及方法 |
| US20190302707A1 (en) * | 2018-03-28 | 2019-10-03 | Mitsubishi Electric Research Laboratories, Inc. | Anomaly Detection in Manufacturing Systems Using Structured Neural Networks |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2007043903A1 (en) * | 2005-10-14 | 2007-04-19 | Medicalgorithmics Sp. Z O.O. | Method, device and system for lead-limited electrocardiography (ecg) signal analysis |
| CN101385645A (zh) * | 2008-10-14 | 2009-03-18 | 中国民航大学 | 基于量子简单递归神经网络心电图智能检测法 |
| CN105380643A (zh) * | 2015-12-11 | 2016-03-09 | 浙江铭众科技有限公司 | 一种三导联心电电极的连接判别方法 |
| CN105496392A (zh) * | 2015-12-11 | 2016-04-20 | 浙江铭众科技有限公司 | 一种具有电极连接判别功能的三导联心电监测系统 |
| CN105534517A (zh) * | 2016-02-29 | 2016-05-04 | 浙江铭众科技有限公司 | 一种去除三导联心电信号中车辆运动噪声的方法 |
-
2016
- 2016-12-09 CN CN201611131423.2A patent/CN106618551B/zh not_active Expired - Fee Related
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2007043903A1 (en) * | 2005-10-14 | 2007-04-19 | Medicalgorithmics Sp. Z O.O. | Method, device and system for lead-limited electrocardiography (ecg) signal analysis |
| CN101385645A (zh) * | 2008-10-14 | 2009-03-18 | 中国民航大学 | 基于量子简单递归神经网络心电图智能检测法 |
| CN105380643A (zh) * | 2015-12-11 | 2016-03-09 | 浙江铭众科技有限公司 | 一种三导联心电电极的连接判别方法 |
| CN105496392A (zh) * | 2015-12-11 | 2016-04-20 | 浙江铭众科技有限公司 | 一种具有电极连接判别功能的三导联心电监测系统 |
| CN105534517A (zh) * | 2016-02-29 | 2016-05-04 | 浙江铭众科技有限公司 | 一种去除三导联心电信号中车辆运动噪声的方法 |
Non-Patent Citations (3)
| Title |
|---|
| 《BP神经网络和回归算法在分类中的应用》;瞿晓;《电气技术》;20061231;第8卷;全文 * |
| 《基于BP神经网络的心电图三分类》;杜智慧;《丽水学院学报》;20060430;全文 * |
| 《基于多阶人工神经网络的ECG信号诊断模型研究》;骆德汉;《仪器仪表学报》;20080131;全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN106618551A (zh) | 2017-05-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105496392B (zh) | 一种具有电极连接判别功能的三导联心电监测系统 | |
| CN105380643B (zh) | 一种三导联心电电极的连接判别方法 | |
| CN104463326B (zh) | 一种标准12导联心电信号重建方法 | |
| CN111887858B (zh) | 基于跨模态映射的心冲击图信号心率估计方法 | |
| CN103914800B (zh) | 心理健康指数智能监控系统 | |
| CN111000551A (zh) | 一种基于深度卷积神经网络模型的心脏病发风险诊断方法 | |
| CN106618551B (zh) | 一种用于三导联心电电极连接判别的智能终端 | |
| CN109978873A (zh) | 一种基于中医影像大数据的智能体检系统及其方法 | |
| CN111466878A (zh) | 基于表情识别的卧床病人疼痛症状实时监护方法及装置 | |
| CN106236027A (zh) | 一种脑电与温度相结合的抑郁人群判定方法 | |
| Li et al. | Detection of muscle fatigue by fusion of agonist and synergistic muscle semg signals | |
| CN109907753A (zh) | 一种多维度ecg信号智能诊断系统 | |
| CN106725447B (zh) | 一种基于前馈神经网络拟合的三导联心电电极连接判别方法 | |
| CN110363177A (zh) | 一种人体生物电信号混沌特征的提取方法 | |
| CN114145754A (zh) | 基于eeg交叉频率耦合的卒中脑功能评估装置 | |
| CN103735247B (zh) | 用于健康状态辨识的掌色分析方法 | |
| CN105943022A (zh) | 一种具有三导联重构十二导联功能的心电监测系统 | |
| CN107516019A (zh) | 无创健康预测系统及方法 | |
| TWI688371B (zh) | 心房顫動信號型態擷取及輔助診斷智能裝置 | |
| CN103315732A (zh) | 人体穴位生物电信号的采集方法及其专用穴位电图仪 | |
| CN106056045B (zh) | 一种三导联重构十二导联心电信号的方法 | |
| CN105528857B (zh) | 一种智能远程体征数据采集装置 | |
| CN109431499B (zh) | 植物人家庭看护辅助系统和辅助方法 | |
| Hui et al. | Wearable devices acquired ECG signals detection method using 1D convolutional neural network | |
| Corona-Figueroa | A portable prototype for diagnosing fetal arrhythmia |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20180515 Address after: 312000 ninth floor of Pingjiang Road 328, Yuecheng District, Shaoxing, Zhejiang. Patentee after: ZHEJIANG MEDZONE MEDICAL EQUIPMENT CO.,LTD. Address before: 312099 the two tier of ninth Pingjiang Road 328, Yuecheng District, Shaoxing, Zhejiang. Co-patentee before: ZHEJIANG MEDZONE MEDICAL EQUIPMENT CO.,LTD. Patentee before: ZHEJIANG MINGZHONG TECHNOLOGY Co.,Ltd. Co-patentee before: ZHEJIANG MEDZONE BIOMEDICAL MATERIAL AND DEVICE Research Institute |
|
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20200918 Address after: Room 703, 7 / F, No. 3766, Nanhuan Road, Binjiang District, Hangzhou City, Zhejiang Province Patentee after: ZHEJIANG MINGZHONG TECHNOLOGY Co.,Ltd. Address before: 312000, Zhejiang, Shaoxing City, Pingjiang Road, No. 328, ninth, one floor Patentee before: ZHEJIANG MEDZONE MEDICAL EQUIPMENT Co.,Ltd. |
|
| CF01 | Termination of patent right due to non-payment of annual fee | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20171212 Termination date: 20211209 |