1.一種基于神經網絡算法的心電圖導聯數據模擬重建方法，其特征在于，所述方法包括：

獲取被監測者的心電監測數據；所述心電監測數據包括至少一個肢體導聯的導聯數據和至少一個胸導聯的導聯數據；

根據基于神經網絡機器學習算法訓練多導聯心電信號重構的多元神經網絡回歸預測模型；所述多元神經網絡回歸預測模型的自變量為已知的至少一個肢體導聯的導聯數據和至少一個胸導聯的導聯數據，因變量是除所述至少一個肢體導聯和至少一個胸導聯的導聯數據之外的其余未知導聯的導聯數據；其中所述多元神經網絡回歸預測模型包含權重系數和偏置系數，由神經網絡機器學習算法訓練的結果確定；

根據所述訓練得到的權重系數和偏置系數，預測所述其余未知導聯的導聯數據；

其中，所述神經網絡機器學習算法訓練具體包括：

通過多導聯心電采集設備對采樣對象進行心電監測，得到多導聯心電監測數據；所述多導聯心電監測數據包括多導聯的導聯數據；

從所述多導聯的導聯數據中選取至少一個肢體導聯和至少一個胸導聯的導聯數據作為樣本數據中的自變量樣本數據，將除至少一個肢體導聯和至少一個胸導聯的導聯數據以外的所述多導聯的導聯數據作為樣本數據中的因變量樣本數據；

使用一定數量的樣本數據作為訓練集進行神經網絡機器學習的模型訓練，得到所述多導聯心電信號重構的多元神經網絡回歸預測模型；所述樣本數據包括自變量樣本數據和所對應的因變量樣本數據；

或所述神經網絡機器學習算法訓練具體包括：

通過第一多導聯心電采集設備和第二多導聯心電監測設備同時對采樣對象進行心電監測，得到第一多導聯心電采集設備采集的自變量樣本數據，和第二多導聯心電監測設備采集的因變量樣本數據；

使用一定數量的樣本數據作為訓練集進行神經網絡機器學習的模型訓練，得到所述多導聯心電信號重構的多元神經網絡回歸預測模型；所述樣本數據包括自變量樣本數據和所對應的因變量樣本數據；

所述進行神經網絡機器學習的模型訓練具體為：基于反向傳播的多層感知機神經網絡模型的訓練；包括信號前向傳播、構建損失函數、誤差反向傳播、對權重系數和偏置系數更新的過程；

在構建損失函數的過程中，使用均方根誤差Root-means-squared-error函數作為損失函數；在對權重系數和偏置系數更新的過程中，將所述損失函數的輸出從后向前對各層權重系數進行求導得到所述各層權重系數對應的梯度值，再根據所述梯度值對所述各層權重系數進行更新，直到所述損失函數收斂到預設的最優范圍之內；

所述多導聯具體為12導聯，包括三個肢體導聯、三個加壓導聯和六個胸導聯；或，所述多導聯具體為18導聯，包括三個肢體導聯、三個加壓導聯和十二個胸導聯；

所述多元神經網絡回歸預測模型的激活函數有和Relu＝max(x,0)，x為激活函數的輸入數據；

所述方法還包括：以肢體導聯I、II和胸導聯V1、V5為模型輸入自變量，以胸導聯V2,V3,V4,V6為模型輸出因變量的多元神經網絡回歸預測模型為兩層，隱藏層激活函數是神經元個數是4；輸出層有4個神經元，無激活函數；整個模型有兩個權重系數矩陣和兩個偏置系數矩陣，分別為：