本發明實施例涉及一種基于神經網絡算法的心電圖導聯數據模擬重建方法，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；根據所述訓練得到權重系數和偏置系數，預測所述其余未知導聯的導聯數據。

技術領域

本發明涉及人工智能數據分析的技術領域，尤其涉及一種基于神經網絡算法的心電圖導聯數據模擬重建方法。

背景技術

機器學習(Machine Learning,ML)是一門多領域交叉學科，涉及概率論、統計學、逼近論、凸分析、算法復雜度理論等多門學科；專門研究計算機怎樣模擬或實現人類的學習行為，以獲取新的知識或技能，重新組織已有的知識結構使之不斷改善自身的性能；它是人工智能的核心，是使計算機具有智能的根本途徑，其應用遍及人工智能的各個領域，它主要使用歸納、綜合而不是演繹。

人工神經網絡(Artificial Neural Network，ANN)，或者簡稱神經網絡(NeuralNetwork)是當前機器學習領域中一個最有希望接近人類大腦思維的一個分支。是人工智能領域興起的研究熱點。它從信息處理角度對人腦神經元系統進行抽象，建立一種比較簡單的網絡連接模型，即按不同的連接方式組成不同的網絡，包括最流行的空間卷積神經網絡(CNN)和時間循環神經網絡(RNN)等。神經網絡是一種運算模型，由大量的節點(或稱神經元)之間相互聯接構成。每個節點代表一種特定的輸出函數，稱為激活函數(activationfunction)。每兩個節點間的連接都代表一個對于通過該連接信號的加權值，稱之為權重，這相當于人工神經網絡的記憶。網絡的輸出則依網絡的連接方式、權重系數和激勵函數的不同而不同。而網絡自身通常都是對自然界某種算法或者函數的逼近，也可能是對一種邏輯策略的表達。

最近十多年來，人工神經網絡的研究工作不斷深入，已經取得了很大的進展，其在模式識別、智能機器人、自動控制、預測估計、生物、醫學、經濟等領域已成功地解決了許多現代計算機難以解決的實際問題，表現出了良好的智能特性和學習能力。

隨著心臟疾病的日益普遍以及人們自我監測意識的不斷增強，用于家庭監測和遠程醫療的可穿戴式心電圖(ECG)采集系統日益受到人們的關注。但此類的可穿戴式設備能直接采集的ECG導聯數較少，所能提供的醫療ECG信息有限。常見的3導聯動態心電圖近年來在心律失常，ST段改變和心率變異性分析等方面獲得了廣泛應用。然而由于受到導聯數的限制，無法對ST段改變進行準確的分析，而12導聯心電圖的ST段變化更能夠反映心臟不同部位缺血情況，進而幫助醫生進行全面的分析判斷。因此，利用較少導聯數據信號重建標準12導聯信號的方法在臨床上是有積極意義的。目前，國內外臨床醫生和科研工作者對于重建算法，已經進行了多種的研究嘗試重建結果。然而心電數據本身的復雜性使得重建結果與實際測量結果之間存在差異，這些誤差難以避免，并且現有的重建算法存在一定局限性，只針對12導聯或特定數量導聯的重建。

發明內容

本發明的目的是提供一種基于神經網絡算法的心電圖導聯數據模擬重建方法，可以適用于標準心電導聯體系中各種多導聯的心電圖導聯數據重建，重建結果準確度高。

為此，本發明實施例提出了一種基于神經網絡算法的心電圖導聯數據模擬重建方法，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；