CN109614840A - 基于深度学习网络的早产检测方法 - Google Patents

Abstract

本发明提供的一种基于深度学习网络的早产检测方法，包括采集正常孕妇的体表子宫肌电信号并转换成数字信号；从子宫肌电数字信号中筛选出爆发波片段，对爆发波片段中分割出3000个子宫肌电信号样本，对子宫肌电信号样本进行3层离散小波分解，提取出表征子宫肌电信号样本的特征向量；构建训练集和测试集；将妊娠期样本特征向量分娩期样本特征向量进行标签设定；构建堆栈稀疏自编码深度学习网络，将训练集输入到堆栈稀疏自编码器中进行训练，提取出早产数据的高层次特征H；采集待检孕妇的体表子宫肌电信号并转换成数字信号，提取出待检孕妇子宫肌电信号样本的特征向量并输入到堆栈稀疏自编码深度学习网络中进行早产预测分析；能够准确预测早产且无创伤。

Description

基于深度学习网络的早产检测方法

技术领域

本发明涉及一种检测方法，尤其涉及一种基于深度学习网络的早产检测方法。

背景技术

近年来，随着环境污染加剧、高龄产妇生育二胎和试管婴儿的增多以及促排卵药物的滥用，我国早产儿发生率呈逐年上升趋势，在医学上，把妊娠满28周至不足37周间分娩的新生儿称为早产儿，据不完全统计，我国每年约有180万名早产儿出生，占全部新生儿的10％，为全球早产儿数量第二多的国家。每年五岁以下儿童死亡中近45％为新生儿，其中早产是新生儿死亡的首要原因；那么如何对早产进行准确性检测一直以来是本领域的一种重要的难题。

现有技术中，国内外学者针对早产预测已经展开了大量的研究工作，主要包括基于生化指标、基于感染免疫指标、基于生物物理指标、基于分娩压力计、基于宫内压力计等技术来进行早产检测，其中，基于生化、感染免疫、生物物理等指标的检测方法都具有侵入性，容易引起感染，并且测量值易受主观影响的特点，而基于分娩压力计的检测方法需要将皮带缠在孕妇腹部，不仅会使孕妇感到不舒适，而且检测结果同样不准确；基于宫内压力计的检测方法是有创的，属于侵入式测量，操作稍有不慎将极有可能引起感染。

因此，为了解决上述技术问题，亟需提出一种新的早产检测方法。

发明内容

有鉴于此，本发明的目的是提供一种基于深度学习网络的早产检测方法，无需对孕妇造成创伤，能够有效避免侵入式检测方法为孕妇带来感染的风险，确保孕妇及胎儿的安全，并且在检测过程中能够精确表征孕妇的子宫肌特性，算法过程响应速度快、稳定性好，精度高，为精确判定是否存在早产可能性提供有效保障。

本发明提供的一种基于深度学习网络的早产检测方法，包括如下步骤：

S1.采集正常孕妇的体表子宫肌电信号并转换成数字信号；

S2.从子宫肌数字信号中筛选出爆发波片段，对爆发波片段中分割出3000个子宫肌电信号样本，且每个样本包含16个时间序列且每个时间序列长度为4096点；其中，3000个子宫肌电信号样本包括1500个妊娠期样本和1500个分娩期样本；

S3.对子宫肌电信号样本进行离散小波分解，提取出尺度3近似系数、尺度3细节系数、尺度2细节系数和尺度1细节系数；并计算尺度3近似系数、尺度3细节系数、尺度2细节系数和尺度1细节系数的样本熵值作为样本特征值，并由样本特征值组成表征子宫肌电信号样本的特征向量；

S4.选出1000个妊娠期样本特征向量和1000个分娩期样本特征向量组成训练集，将剩余的500个妊娠期样本特征向量和500个分娩期样本特征向量组成测试集；

将妊娠期样本特征向量进行标签设定并设定为1，将分娩期样本特征向量进行标签设定并设定为2；

构建堆栈稀疏自编码深度学习网络，将训练集输入到堆栈稀疏自编码器中进行训练，提取出早产数据的高层次特征H；

S5.采集待检孕妇的体表子宫肌电信号并转换成数字信号，并执行步骤S2至步骤S3，提取出待检孕妇子宫肌电信号样本的特征向量并输入到堆栈稀疏自编码深度学习网络中进行早产预测分析。

进一步，根据如下方法提取出高层次特征H：

S41.将每一个特征向量进行归一化处理：

u_max和u_min分别为任一样本特征向量的最大特征值和最小特征值，u_i为任一样本特征向量的第i个特征值；

将规划处理后的样本特征向量表征为：

X＝{x(1),x(2),...,x(i),...,x(N)},x(i)∈R^M；其中，N＝2000，M＝64；

S42.将X输入到SSAE模型进行第一层SAE网络进行训练，并建立sigmoid函数Z⁽¹⁾：

将sigmoid函数进行重构形成浅层特征函数L：

其中，W^(1,1)为堆栈稀疏自编码深度学习网络输入层到隐含层的权重，b^(1,1)为堆栈稀疏自编码深度学习网络输入层到隐含层的权重偏移系数，W^(1,2)为堆栈稀疏自编码深度学习网络隐含层到输出层的权重，b^(1,2)为堆栈稀疏自编码深度学习网络隐含层到输出层的偏移系数；

S43.构建损失函数J⁽¹⁾(W,b)：

其中，N为训练样本个数，α为正则项系数，β为稀疏惩罚项权重系数；ρ为定义稀疏水平的稀疏性参数，为隐含层第j个神经元在N个训练样本上的平均激活度，sl为l层神经元个数，x(i)为输入特征向量，L(x(i))为输出特征向量，为ρ和之间的Kullback-Leibler散度，为l+1层神经元j和l层神经元i之间的连接权重，b^(1,l)为l层偏置系数；

S44.通过梯度下降算法优化损失函数J⁽¹⁾(W,b)直至损失函数J⁽¹⁾(W,b)收敛，从而更新网络参数W^(1,1)、W^(1,2)、b^(1,1)和b^(1,2)，可得:

其中，ε为学习率；

S45.将由浅层特征函数L得出的特征向量输入到第二层SAE网络中，按照步骤S43-S44进行训练得出第二层网络权重，并得到早产数据的高层次特征H。

进一步，步骤S45中，按照如下方法确定高层次H：

第一层SAE网络输出的浅层特征向量为：

L＝{l(1),l(2),...,l(i),...,l(N)},l(i)∈R^S，其中S＝40，S为浅层特征向量的维数；

将浅层特征向量L输入到SSAE模型进行第二层SAE网络训练，并建立sigmoid函数Z⁽²⁾：

将sigmoid函数Z⁽²⁾进行重构形成高层特征函数H：

其中，W^(2,1)为第二层稀疏自编码器输入层到隐含层的权重，b^(2,1)为第二层稀疏自编码器输入层到隐含层的权重偏移系数，W^(2,2)为第二层稀疏自编码器隐含层到输出层的权重，b^(2,2)为第二层稀疏自编码器隐含层到输出层的偏移系数。

进一步，步骤S4中还包括如下步骤：

S46.将高层次特征H和训练集标签输入到Softmax分类器中对Softmax分类器进行训练，得出Softmax分类器的网络权值。

S47.将测试集的特征向量和测试集标签输入到步骤S46中的深度学习网络中，得到分类输出的子宫肌电信号数据，对子宫肌电信号自动分类。

进一步，步骤S46中，包括如下方法：

设H＝{h(1),h(2),...,h(i),...,h(N)},h(i)∈R^G,其中G＝20，G为高层特征向量的维数；对应的输出为y(i)∈{1,2,...,k}。

则Softmax逻辑回归中的假设函数可表示为：

其中p(y(i)＝k|h(i)；θ)代表第k个类别下分类概率；参数θ为一个矩阵

其中代表向量θ_j的转置向量，θ_j表示第j个类别对应分类器的参数。

损失函数可表示为：

其中1{·}是一个指示性函数，即{·}中的值为真时，该函数的结果就为1，否则其结果为0，N为输入的训练样本的数目

通过梯度下降算法优化损失函数J(θ)直至其收敛，从而实现对网络参数θ₁,θ₂,...,θ_k的更新，可得：

ω为学习率。

进一步，步骤S1和S5中，根据如下方法采集正常孕妇和待检孕妇的体表子宫肌电信号：

在孕妇的腹部以肚脐为中心，等间距设置16个检测电极并获取16导联体表子宫肌信号。

进一步，步骤S1和S5中，根据如下方法将体表子宫肌电信号转换成数字信号：

将子宫肌电信号输入到由自稳零型运算放大器AD8639组成的缓冲电路中，经过缓冲电路处理后输入到AD8221芯片组成的放大电路中进行放大处理，放大处理后输入到巴特沃斯数字滤波器中进行滤波处理，过滤出0.1Hz以下和3Hz以上的电信号，最后将滤波处理后的电信号输入到16位A/D转换电路中，并且在输入到A/D转换电路中时，16个电极所采集的信号按照设定的顺序依次循环输入。

本发明的有益效果：通过本发明，无需对孕妇造成创伤，能够有效避免侵入式检测方法为孕妇带来感染的风险，确保孕妇及胎儿的安全，并且在检测过程中能够精确表征孕妇的子宫肌特性，算法过程响应速度快、稳定性好，精度高，为精确判定是否存在早产可能性提供有效保障。

附图说明

下面结合附图和实施例对本发明作进一步描述：

图1为本发明的流程图。

图2为本发明的电极布置结构示意图。

图3为本发明的子宫肌电信号图。

图4为本发明采集的某一时间序列子宫肌电信号对应的分娩压力计信号图。

图5为本发明三层小波分解结果图。

图6为本发明提取出的肖波系数。

图7为本发明的堆栈稀疏自编码神经网络结构示意图。

图8为本发明的系数自编码器结构示意图。

具体实施方式

以下结合说明书附图对本发明做出进一步详细说明：

本发明提供的一种基于深度学习网络的早产检测方法，包括如下步骤：

S1.采集正常孕妇的体表子宫肌电信号并转换成数字信号；其中，本发明中的正常孕妇是指妊娠期与医学上所规定的妊娠期相同，并基本符合分娩期进行分娩，并且，所采集的信号为3000组，包括不同孕妇和同一孕妇在不同妊娠时间以及在分娩期的信号；

S2.从子宫肌数字信号中筛选出爆发波片段，对爆发波片段中分割出3000个子宫肌电信号样本，且每个样本包含16个时间序列且每个时间序列长度为4096点；其中，3000个子宫肌电信号样本包括1500个妊娠期样本和1500个分娩期样本；其中，爆发波是指子宫肌电信号中，幅值大于设定值且频率大于设定值的体表子宫肌电信号的；由于在采集过程中采用16个电极，因此，每个样本包含了16个时间序列；

S3.对子宫肌电信号样本进行离散小波分解，提取出尺度3近似系数、尺度3细节系数、尺度2细节系数和尺度1细节系数；并计算尺度3近似系数、尺度3细节系数、尺度2细节系数和尺度1细节系数的样本熵值作为样本特征值，并由样本特征值组成表征子宫肌电信号样本的特征向量；

S4.选出1000个妊娠期样本特征向量和1000个分娩期样本特征向量组成训练集，将剩余的500个妊娠期样本特征向量和500个分娩期样本特征向量组成测试集；

将妊娠期样本特征向量进行标签设定并设定为1，将分娩期样本特征向量进行标签设定并设定为2；

构建堆栈稀疏自编码深度学习网络，将训练集输入到堆栈稀疏自编码器中进行训练，提取出早产数据的高层次特征H；

其中，根据如下方法提取出高层次特征H：

S41.将每一个特征向量进行归一化处理：

u_max和u_min分别为任一样本特征向量的最大特征值和最小特征值，u_i为任一样本特征向量的第i个特征值；

将规划处理后的样本特征向量表征为：

X＝{x(1),x(2),...,x(i),...,x(N)},x(i)∈R^M；其中，N＝2000，M＝64；

S42.将X输入到SSAE模型进行第一层SAE网络进行训练，并建立sigmoid函数Z⁽¹⁾：

将sigmoid函数进行重构形成浅层特征函数L：

其中，W^(1,1)为堆栈稀疏自编码深度学习网络输入层到隐含层的权重，b^(1,1)为堆栈稀疏自编码深度学习网络输入层到隐含层的权重偏移系数，W^(1,2)为堆栈稀疏自编码深度学习网络隐含层到输出层的权重，b^(1,2)为堆栈稀疏自编码深度学习网络隐含层到输出层的偏移系数；

S43.构建损失函数J⁽¹⁾(W,b)：

其中，N为训练样本个数，α为正则项系数，β为稀疏惩罚项权重系数；ρ为定义稀疏水平的稀疏性参数，为隐含层第j个神经元在N个训练样本上的平均激活度，s_l为l层神经元个数，x(i)为输入特征向量，L(x(i))为输出特征向量，为ρ和之间的Kullback-Leibler散度，为l+1层神经元j和l层神经元i之间的连接权重，b^(1,l)为l层偏置系数；

S44.通过梯度下降算法优化损失函数J⁽¹⁾(W,b)直至损失函数J⁽¹⁾(W,b)收敛，从而更新网络参数W^(1,1)、W^(1,2)、b^(1,1)和b^(1,2)，可得:

其中，ε为学习率；

S45.将由浅层特征函数L_w,b得出的特征向量输入到第二层SAE网络中，按照步骤S43-S44进行训练得出第二层网络权重，并得到早产数据的高层次特征H；

步骤S45中，按照如下方法确定高层次H：

第一层SAE网络输出的浅层特征向量为：

L＝{l(1),l(2),...,l(i),...,l(N)},l(i)∈R^S，其中S＝40，S为浅层特征向量的维数；

将浅层特征向量L输入到SSAE模型进行第二层SAE网络训练，并建立sigmoid函数Z⁽²⁾：

将sigmoid函数Z⁽²⁾进行重构形成高层特征函数H：

其中，W^(2,1)为第二层稀疏自编码器输入层到隐含层的权重，b^(2,1)为第二层稀疏自编码器输入层到隐含层的权重偏移系数，W^(2,2)为第二层稀疏自编码器隐含层到输出层的权重，b^(2,2)为第二层稀疏自编码器隐含层到输出层的偏移系数。

通过上述方法，完成对深度神经网络的训练后，还需要对该深度神经网络是否符合要求进行验证，验证方法如下：S46.将高层次特征H和训练集标签输入到Softmax分类器中对Softmax分类器进行训练，得出Softmax分类器的网络权值；

步骤S46中，包括如下方法：

设H＝{h(1),h(2),...,h(i),...,h(N)},h(i)∈R^G,其中G＝20，G为高层特征向量的维数；对应的输出为y(i)∈{1,2,...,k}；

则Softmax逻辑回归中的假设函数可表示为：

其中p(y(i)＝k|h(i)；θ)代表第k个类别下分类概率；参数θ为一个矩阵

其中代表向量θ_j的转置向量，θ_j表示第j个类别对应分类器的参数。

损失函数可表示为：

其中1{·}是一个指示性函数，即{·}中的值为真时，该函数的结果就为1，否则其结果为0，N为输入的训练样本的数目

通过梯度下降算法优化损失函数J(θ)直至其收敛，从而实现对网络参数θ₁,θ₂,...,θ_k的更新，可得：

ω为学习率。

S47.将测试集的特征向量和测试集标签输入到步骤S46中的深度学习网络中，得到分类输出的子宫肌电信号数据，对子宫肌电信号自动分类，在在判断深度神经学习网络时，如果测试集中，分娩期的特征向量被深度神经网络标记为2，而妊娠期被标记为1，则表明深度神经网络自动分类正确；其中，第一层稀疏自编码器和第二层稀疏自编码器以及Softmax分类器的相关参数如下表所示：

表1

S5.采集待检孕妇的体表子宫肌电信号并转换成数字信号，并执行步骤S2至步骤S3，提取出待检孕妇子宫肌电信号样本的特征向量并输入到堆栈稀疏自编码深度学习网络中进行早产预测分析；如果待检孕妇输入的体表子宫肌电信号的特征向量被标记为1，则表示待检孕妇正常，如果被标记为2，但是待检孕妇仍处于医学上规定妊娠期，则表明存在早产风险。通过上述方法，无需对孕妇造成创伤，能够有效避免侵入式检测方法为孕妇带来感染的风险，确保孕妇及胎儿的安全，并且在检测过程中能够精确表征孕妇的子宫肌特性，算法过程响应速度快、稳定性好，精度高，为精确判定是否存在早产可能性提供有效保障。

本实施例中，步骤S1和S5中，根据如下方法采集正常孕妇和待检孕妇的体表子宫肌电信号：

如图2所示，在孕妇的腹部以肚脐为中心，等间距设置16个检测电极并获取16导联体表子宫肌电信号，具体地，按照图中的编号，6号电极放置在肚脐左边1cm，上方1cm处；10号电极放置在肚脐右边1cm，上方1cm处；7号电极放置在肚脐左边1cm，下方1cm处；11号电极放置在肚脐右边1cm，下方1cm处；各电极中心到相邻电极中心的距离为2cm，通过这种方式，能够最大范围地覆盖孕妇子宫肌的，从而确保检测信号的完善性，其中，图1中Ref为参考电极。

本实施例中，步骤S1和S5中，根据如下方法将体表子宫肌电信号转换成数字信号：

将子宫肌电信号输入到由自稳零型运算放大器AD8639组成的缓冲电路中，该缓冲电路具有很高的输入阻抗和很低的噪声，又可以提高系统的输入阻抗；经过缓冲电路处理后输入到AD8221芯片组成的放大电路中进行放大处理，由于肌电信号的微弱性，前置放大电路中放大倍数设为100倍，即保证系统共模抑制比的要求，又能对肌电信号进行放大的同时，防止了直线漂移对放大器造成的饱和；放大处理后输入到巴特沃斯数字滤波器中进行滤波处理，过滤出0.1Hz以下和3Hz以上的电信号，其在通频带内的频率响应曲线最大限度平坦，没有起伏，而在阻频带逐渐下降为零；最后将滤波处理后的电信号输入到16位A/D转换电路中，并且在输入到A/D转换电路中时，16个电极所采集的信号按照设定的顺序依次循环输入，通过上述方法，能够使检测信号精确，并且能够准确反映原信号的特征，从而保证最终检测结果的准确性。

最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的宗旨和范围，其均应涵盖在本发明的权利要求范围当中。

Claims (7)

1.一种基于深度学习网络的早产检测方法，其特征在于：包括如下步骤：

S1.采集正常孕妇的体表子宫肌电信号并转换成数字信号；

S2.从子宫肌电数字信号中筛选出爆发波片段，对爆发波片段中分割出3000个子宫肌电信号样本，且每个样本包含16个时间序列且每个时间序列长度为4096点；其中，3000个子宫肌电信号样本包括1500个妊娠期样本和1500个分娩期样本；

S3.对子宫肌电信号样本进行3层离散小波分解，提取出尺度3近似系数、尺度3细节系数、尺度2细节系数和尺度1细节系数；并计算尺度3近似系数、尺度3细节系数、尺度2细节系数和尺度1细节系数的样本熵值作为样本特征值，并由样本特征值组成表征子宫肌电信号样本的特征向量；

S4.选出1000个妊娠期样本特征向量和1000个分娩期样本特征向量组成训练集，将剩余的500个妊娠期样本特征向量和500个分娩期样本特征向量组成测试集；

将妊娠期样本特征向量进行标签设定并设定为1，将分娩期样本特征向量进行标签设定并设定为2；

构建堆栈稀疏自编码深度学习网络，将训练集输入到堆栈稀疏自编码器中进行训练，提取出早产数据的高层次特征H；

S5.采集待检孕妇的体表子宫肌电信号并转换成数字信号，并执行步骤S2至步骤S3，提取出待检孕妇子宫肌电信号样本的特征向量并输入到堆栈稀疏自编码深度学习网络中进行早产预测分析。

2.根据权利要求1所述基于深度学习网络的早产检测方法，其特征在于：根据如下方法提取出高层次特征H：

S41.将每一个特征向量进行归一化处理：

u_max和u_min分别为任一样本特征向量的最大特征值和最小特征值，u_i为任一样本特征向量的第i个特征值；

将规一化处理后的样本特征向量表征为：

X＝{x(1),x(2),...,x(i),...,x(N)},x(i)∈R^M；其中，N＝2000，M＝64，M表示最初样本特征向量的维数；

S42.将X输入到SSAE模型进行第一层SAE网络进行训练，并建立sigmoid函数Z⁽¹⁾：

将sigmoid函数进行重构形成浅层特征函数L：

其中，W^(1,1)为堆栈稀疏自编码深度学习网络输入层到隐含层的权重，b^(1,1)为堆栈稀疏自编码深度学习网络输入层到隐含层的权重偏移系数，W^(1,2)为堆栈稀疏自编码深度学习网络隐含层到输出层的权重，b^(1,2)为堆栈稀疏自编码深度学习网络隐含层到输出层的偏移系数；

S43.构建损失函数J⁽¹⁾(W,b)：

其中，N为训练样本个数，α为正则项系数，β为稀疏惩罚项权重系数；ρ为定义稀疏水平的稀疏性参数，为隐含层第j个神经元在N个训练样本上的平均激活度，s_l为l层神经元个数，x(i)为输入特征向量，L(x(i))为输出特征向量，为ρ和之间的Kullback-Leibler散度，为l+1层神经元j和l层神经元i之间的连接权重，b^(1,l)为l层偏置系数；

S44.通过梯度下降算法优化损失函数J⁽¹⁾(W,b)直至损失函数J⁽¹⁾(W,b)收敛，从而更新网络参数W^(1,1)、W^(1,2)、b^(1,1)和b^(1,2)，可得:

其中，ε为学习率，l＝1,2；

S45.将步骤S44中得到的参数代入到步骤S42中浅层特征函数中，并将由浅层特征函数L得出的特征向量输入到第二层SAE网络中，按照步骤S43-S44进行训练得出第二层网络权重，并得到早产数据的高层次特征H。

3.根据权利要求2所述基于深度学习网络的早产检测方法，其特征在于：

步骤S45中，按照如下方法确定高层次H：

第一层SAE网络输出的浅层特征向量为：

L＝{l(1),l(2),...,l(i),...,l(N)},l(i)∈R^S，其中S＝40，S为浅层特征向量的维数；

将浅层特征向量L输入到SSAE模型进行第二层SAE网络训练，并建立sigmoid函数Z⁽²⁾：

将sigmoid函数Z⁽²⁾进行重构形成高层特征函数H：

其中，W^(2,1)为第二层稀疏自编码器输入层到隐含层的权重，b^(2,1)为第二层稀疏自编码器输入层到隐含层的权重偏移系数，W^(2,2)为第二层稀疏自编码器隐含层到输出层的权重，b^(2,2)为第二层稀疏自编码器隐含层到输出层的偏移系数。

4.根据权利要求3所述基于深度学习网络的早产检测方法，其特征在于：步骤S4中还包括如下步骤：

S46.将高层次特征H和训练集标签输入到Softmax分类器中对Softmax分类器进行训练，得出Softmax分类器的网络权值；

S47.将测试集的特征向量和测试集标签输入到步骤S46中的深度学习网络中，得到分类输出的子宫肌电信号数据，对子宫肌电信号自动分类。

5.根据权利要求4基于深度学习网络的早产检测方法，其特征在于：步骤S46中，包括如下方法：

设H＝{h(1),h(2),...,h(i),...,h(N)},h(i)∈R^G,其中G＝20，G为高层特征向量的维数；对应的输出为y(i)∈{1,2,...,k}；

则Softmax逻辑回归中的假设函数可表示为：

其中p(y(i)＝k|h(i)；θ)代表第k个类别下分类概率；参数θ为一个矩阵其中代表向量θ_j的转置向量，θ_j表示第j个类别对应分类器的参数；

损失函数可表示为：

其中1{·}是一个指示性函数，即{·}中的值为真时，该函数的结果就为1，否则其结果为0，N为输入的训练样本的数目

通过梯度下降算法优化损失函数J(θ)直至其收敛，从而实现对网络参数θ₁,θ₂,...,θ_k的更新，可得：

ω为学习率。

6.根据权利要求1所述基于深度学习网络的早产检测方法，其特征在于：步骤S1和S5中，根据如下方法采集正常孕妇和待检孕妇的体表子宫肌电信号：

在孕妇的腹部以肚脐为中心，等间距设置16个检测电极并获取16导联体表子宫肌信号。

7.根据权利要求1所述基于深度学习网络的早产检测方法，其特征在于：步骤S1和S5中，根据如下方法将体表子宫肌电信号转换成数字信号：

将子宫肌电信号输入到由自稳零型运算放大器AD8639组成的缓冲电路中，经过缓冲电路处理后输入到AD8221芯片组成的放大电路中进行放大处理，放大处理后输入到巴特沃斯数字滤波器中进行滤波处理，过滤出0.1Hz以下和3Hz以上的电信号，最后将滤波处理后的电信号输入到16位A/D转换电路中，并且在输入到A/D转换电路中时，16个电极所采集的信号按照设定的顺序依次循环输入。