阅读说明：本技术 基于卷积编解码神经网络的胎儿心电提取系统及方法 (Fetal electrocardiogram extraction system and method based on convolutional coding and decoding neural network ) 是由 王国利 钟伟 郭雪梅 于 2019-01-15 设计创作，主要内容包括：本发明公开了一种基于卷积编解码神经网络的胎儿心电提取系统以及其方法,所述系统包括数据采集装置：用于采集真实的孕妇腹部电信号；母体心电成分估计装置：用于采用卷积编解码神经网络对孕妇腹部电信号中的母体心电成分进行预估,训练时将仿真腹部电信号作为神经网络的输入,仿真腹部电信号中的母体心电成分作为网络标签进行训练,测试时将真实的孕妇腹部电信号作为神经网络的输入,神经网络的输出为对腹部电信号中的预估的母体心电成分；胎儿心电成分提取装置：用于从采集到的孕妇腹部电信号中减去上述所得的母体心电成分,从而提取出孕妇腹部电信号中的胎儿心电成分。所述方法包括数据预处理、预估母体心电成分和胎儿心电成分提取。通过本技术方案,能够有效提高胎儿心电提取的效率和准确率。(The invention discloses a fetal electrocardiogram extraction system based on a convolutional encoding and decoding neural network and a method thereof, wherein the system comprises a data acquisition device: the device is used for collecting real abdomen electric signals of the pregnant woman; maternal electrocardiogram component estimation device: the method is used for estimating maternal electrocardio components in the maternal abdominal electric signals by adopting a convolution coding and decoding neural network, taking the simulated abdominal electric signals as input of the neural network during training, taking the maternal electrocardio components in the simulated abdominal electric signals as network tags for training, taking the real maternal abdominal electric signals as input of the neural network during testing, and outputting the neural network as the estimated maternal electrocardio components in the abdominal electric signals; fetus electrocardio composition extraction element: is used for subtracting the obtained maternal electrocardio component from the collected maternal abdomen electric signal so as to extract the fetal electrocardio component in the maternal abdomen electric signal. The method comprises the steps of data preprocessing, and extraction of estimated maternal electrocardio components and fetal electrocardio components. Through the technical scheme, the efficiency and the accuracy of fetal electrocardiogram extraction can be effectively improved.)

基于卷积编解码神经网络的胎儿心电提取系统及方法

技术领域

本发明涉及胎儿心电提取技术领域，尤其涉及一种基于卷积编解码神经网络的胎儿心电提取系统，进一步地，提供使用这种系统的方法。

背景技术

胎心监护是一种胎儿宫内监护的手段，能够实时地反映胎儿的生物物理活动情况，被广泛地应用于临床实践中。在降低围产儿死亡率中扮演着重要角色。围产儿死亡率在某种程度上反映了一个国家和地区的综合的经济发展和卫生医疗状况。

胎儿心电信号不仅可以用于胎儿心率的计算，而且可以提供更多的形态上的信息，这些信息记录了胎儿心脏的动作情况，客观地反映了胎儿宫内生理活动的各种状态，医务人员可对胎儿的发育程度、位置、是否酸中毒或者心律失常等状况进行判断，从而得出胎儿当前的健康状况。提取胎儿心电信号的难点之一就是腹部电信号中包含有母亲的心电成分，母亲心电成分通常比胎儿具有更大的幅值，且母亲的心电成分与胎儿的心电成分在时域和频域都有重叠，因此，给胎儿心电的提取带来很大的干扰。因此从母体腹部的混合信号中提取出胎儿心电信号是一项富有挑战性的工作。

发明内容

为了克服现有技术的不足，本发明所解决的技术问题是提供一种基于卷积编解码神经网络的，能提高提取效率和准确率的胎儿心电提取系统，以及使用这种系统的方法。

为解决上述第一个技术问题，本发明所采用的技术方案内容具体如下：

基于卷积编解码神经网络的胎儿心电提取系统，包括以下装置：

数据采集装置：用于采集真实的孕妇腹部电信号；

母体心电成分估计装置：用于构建待训练的卷积编解码神经网络，在训练时，将仿真腹部电信号作为神经网络的输入，仿真腹部电信号中的母体心电成分作为网络标签对卷积编解码神经网络进行训练改变神经网络中的参数(即权重系数与偏差量)，直至所述神经网络的误差完全收敛时才终止训练(误差完全收敛是指对得到的母体心电成分与已知的仿真腹部电信号中的母体心电成分作比较，直至没有误差或者误差处于合理范围内)，并保存所有参数，得到训练好的卷积编解码神经网络单元。测量真实的孕妇腹部电信号时，将数据采集装置采集到的真实的单通道孕妇腹部电信号作为神经网络的输入代入到训练好的卷积编解码神经网络单元中，得到的神经网络的输出为对腹部电信号中的预估母体心电成分。

其中，所述母体心电成分估计装置执行程序中的卷积编解码神经网络由多个卷积-反卷积模块和一个全连接模块串联组成；卷积-反卷积模块中的卷积层的卷积核大小为1×3、1×4或1×5。

优选地，本技术方案通过采用梯度下降法和反向传播算法训练所述卷积编解码神经网络。所述仿真腹部电信号是根据现有的仿真数据库中的数据获取得到的，可将其分为训练集以及验证集。

当采用梯度下降法和反向传播算法训练所述卷积编解码神经网络时，正常运行时，首先通过将训练集的仿真孕妇腹部电信号经过预处理后输入到卷积编解码神经网络中，对卷积编解码神经网络进行训练，通过损失函数对母体心电成分做评估，再通过反向传播算法(梯度下降法)，计算卷积神经网络中所有参数的梯度，并根据梯度变化(各个参数的导数)对所有参数进行更新，重新将训练集代入到卷积编解码神经网络中进行训练，直至完成迭代寻找到具有最小损失函数的模型时，保存所有参数将模型保留下来。当需要测试真实的孕妇腹部电信号时，调用卷积神经网络模型，将数据采集装置采集到的真实的孕妇腹部电信号预处理后输入到卷积编解码神经网络中，获取预估的母体心电成分，再用真实的采集到的孕妇腹部电信号中减去上述所得的预估母体心电成分，从而提取出孕妇腹部电信号中的胎儿心电成分。

胎儿心电成分提取装置：用于从采集到的孕妇腹部电信号中减去上述所得的预估母体心电成分，从而提取出孕妇腹部电信号中的胎儿心电成分。

需要说明的是，为提高在检测过程中对胎儿心电提取的效率和准确率，发明人在本技术方案中提供了一种提取系统，方便操作者通过该系统实现信号处理，便于后续的检测和诊治。发明人在本技术方案中创新性地利用卷积编解码神经网络对孕妇腹部电信号中的母体心电成分进行预估，并将从采集到的孕妇腹部电信号中减去上述所得的母体心电成分，从而提取出孕妇腹部电信号中的胎儿心电成分的方案，本系统分别设立数据采集装置、母体心电成分估计装置和胎儿心电成分提取装置实现上述过程。

需要说明的是，所述数据采集装置中还会将所述孕妇腹部电信号转换成数字信号，便于在数字设备如电脑上进行处理。

优选地，所述数据采集装置还执行以下程序：

将所述孕妇腹部电信号通过放大和/或滤波等处理程序处理后，再通过A/D转换处理程序转换成数字信号。

更优选地，所述数据采集装置还执行以下程序：

将所述数字信号裁剪成与卷积编解码神经网络输入相匹配的尺寸。优选地，数字信号裁剪后的尺寸为1×1000，其中的每个1×1的信号中的数值为某点的心电图数值(幅度)，而1000有1000个点，每个点代表不同时间上的心电图中的数值(幅度)。

通过裁剪成相匹配的尺寸大小，可以更有效率地执行下述利用卷积编解码神经网络的训练。

优选地，所述母体心电成分估计装置在训练过程时执行以下程序：

使用开放全层网络参数更新的方式以及采用均方误差作为损失函数来训练网络模型。即本申请采用了反向传播算法(梯度下降法)，计算时需要计算卷积神经网络中所有参数的梯度，并根据梯度变化(各个参数的导数)对所有参数进行更新。

优选地，所述损失函数为：

其中，M为训练的样本个数，为网路输出的对母体心电成分的预估，X为网络标签，即仿真腹部电信号中的母体心电成分。采用此损失函数，可以完整而快速地学习到母体心电的特征。

优选地，进行训练时，最大的迭代次数为10000次，学习率为0.0001。

优选地，所述母体心电成分估计装置执行程序中的卷积编解码神经网络由多个卷积-反卷积模块和一个全连接模块串联组成；

其中，与输出层直接相连的全连接模块由一个或多个全连接层组成，与全连接模块相连的卷积-反卷积模块由一个卷积层，一个反卷积层和一个非线性层组成外，其他所有的卷积-反卷积模块均包含一个卷积层，一个反卷积层和两个非线性层；相邻两个卷积-反卷积模块之间采用的是直接连接的方式。优选地，非线性层的激活函数为tanh函数。优选地，所述卷积层的卷积核大小为1×3、1×4或1×5。保证卷积核相对合适，不会导致局部特征提取过多，也不会由于卷积核多大导致遗失一部分局部的特征。

需要说明的是，所述卷积编解码神经网络采用上述结构，可以有效地捕捉到母体心电的特征，加快网络训练的收敛速度，同时对于梯度弥散问题也有很好的效果。需要说明的是，通过相邻两个卷积-反卷积模块之间采用的是直接连接的方式，从而浅层的特征能传递到深层，进而保留更多的母体心电的细节特征，进一步提高效率和准确性。

优选地，所述系统还包括显示装置，用于将提取出的胎儿心电成分拼接成完整信号并进行显示。

需要说明的是，采用将信号裁剪成较短长度进行学习，学习完成后将网络输出拼接成完整信号的方式，可以使网络学习到更多的细节特征，提升胎儿心电提取的效果。

优选地，当开始训练前，网络的所有参数都被小随机数初始化。首先参数小则保护网络不会由于一开始权值过大而进入饱和状态，导致训练失败，其次随机化参数实现保证每次参数初始值不同，避免每次训练得到一样的参数。所述小随机数的数值范围为0-1之间。

为解决上述第二个技术问题，本发明所采用的技术方案内容具体如下：

一种基于卷积编解码神经网络的胎儿心电提取方法，包括以下步骤：

数据预处理：采集孕妇腹部电信号；

母体心电成分估计：采用卷积编解码神经网络对孕妇腹部电信号中的母体心电成分进行预估，即训练时将仿真的腹部电信号作为神经网络的输入，仿真腹部电信号中的母体心电成分作为网络标签进行训练，测试时将真实的单通道孕妇腹部电信号作为神经网络的输入，神经网络的输出为对腹部电信号中的预估母体心电成分；

母体心电成分消除：从采集到的孕妇腹部电信号中减去上述所得的母体心电成分，从而提取出孕妇腹部电信号中的胎儿心电成分。

为提高胎儿心电提取的效率和准确率，发明人在本技术方案中创新性地利用卷积编解码神经网络对孕妇腹部电信号中的母体心电成分进行预估，并将从采集到的孕妇腹部电信号中减去上述所得的母体心电成分，从而提取出孕妇腹部电信号中的胎儿心电成分的方案。本技术方案中，采用卷积编解码神经网络，该技术具有较强的鲁棒性，在接触噪声、呼吸噪声等干扰情况下仍能提取出胎儿心电信号。而且，在胎儿信号与母亲信号之间的信噪比较低以及胎儿的QRS波与母体的QRS波有重叠时，本方法也有很好的表现。通过此技术手段，可以更大程度地排除相关噪音，使得提取更为准确，效率也更高。该项发明提取出的清晰的胎儿心电信号可提供胎儿心率等信息，具有重要的临床应用价值和可观的社会效益。

更优选地，包括放大和/或滤波等处理程序处理后，再通过A/D转换处理得到数字信号。

进一步地，所述数据预处理步骤中还包括将所述数字信号裁剪成与卷积编解码神经网络输入相匹配的尺寸。

优选地，所述母体心电成分估计中的训练方法是使用开放全层网络参数更新的方式以及采用均方误差作为损失函数来训练卷积编解码神经网络模型；

优选地，所述损失函数为：

其中，M为训练的样本个数，为网路输出的预估的母体心电成分，X为网络标签，即仿真腹部电信号中的母体心电成分。

优选地，所述母体心电成分估计装置中的卷积编解码神经网络由多个卷积-反卷积模块和一个全连接模块串联组成；

其中，与输出层直接相连的全连接模块由一个或多个全连接层组成，与全连接模块相连的卷积-反卷积模块由一个卷积层，一个反卷积层和一个非线性层组成外，其他所有的卷积-反卷积模块均包含一个卷积层，一个反卷积层和两个非线性层；相邻两个卷积-反卷积模块之间采用的是直接连接的方式。

优选地，本技术方案通过采用梯度下降法和反向传播算法训练所述卷积编解码神经网络。

优选地，所述方法还包括将提取出的胎儿心电成分拼接成完整信号并进行显示。

与现有技术相比，本发明的有益效果在于：

1、本发明基于卷积编解码神经网络的胎儿心电提取系统，采用卷积编解码神经网络，该技术具有较强的鲁棒性，在接触噪声、呼吸噪声等干扰情况下仍能提取出胎儿心电信号，可以更大程度地排除相关噪音，使得提取更为准确，效率也更高；

2、本发明基于卷积编解码神经网络的胎儿心电提取系统，将信号裁剪成较短长度进行学习，学习完成后将网络输出拼接成完整信号的方式，可以使网络学习到更多的细节特征，提升胎儿心电提取的效果；

3、本发明基于卷积编解码神经网络的胎儿心电提取方法，应用上述系统执行相应过程，能实现提取目的。

上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其他目的、特征和优点能够更明显易懂，以下特举较佳实施例，并配合附图，详细说明如下。

附图说明

图1为本发明基于卷积编解码神经网络的胎儿心电提取方法一种较优选实施方式的流程框架示意图；

图2为本发明方法中其中一种实施方式中训练时的一路仿真的腹部信号与对应的母体心电成分示意图；

图3为根据本方法所得到的胎儿心电信号与对应的真实的腹部信号和网络输出的母体心电成分示意图；

图4为卷积编解码神经网络的结构示意图。

具体实施方式

为更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明的具体实施方式、结构、特征及其功效，详细说明如下：

实施例1(一种基于卷积编解码神经网络的胎儿心电提取系统)

一种基于卷积编解码神经网络的胎儿心电提取系统，包括以下装置：

数据采集装置：用于采集一路孕妇腹部电信号；

母体心电成分估计装置：用于采用卷积编解码神经网络对孕妇腹部电信号中的母体心电成分进行预估，即训练时将仿真的腹部电信号作为神经网络的输入，仿真腹部电信号中的母体心电成分作为网络标签进行训练，得到训练好的卷积编解码神经网络；测量真实的胎儿心电成分时，将真实的单通道孕妇腹部电信号输入到训练好的卷积编解码神经网络中，通过训练好的卷积编解码神经网络得到真实的腹部电信号中的预估母体心电成分。；

胎儿心电成分提取装置：用于从采集到的孕妇腹部电信号中减去上述所得的母体心电成分，从而提取出孕妇腹部电信号中的胎儿心电成分。

以上是本技术方案的基础实施方式。为提高在检测过程中对胎儿心电提取的效率和准确率，发明人在本技术方案中提供了一种提取系统，方便操作者通过该系统实现信号处理，便于后续的检测和诊治。发明人在本技术方案中创新性地利用卷积编解码神经网络对孕妇腹部电信号中的母体心电成分进行预估，并将从采集到的孕妇腹部电信号中减去上述所得的母体心电成分，从而提取出孕妇腹部电信号中的胎儿心电成分的方案，本系统分别设立数据采集装置、母体心电成分估计装置和胎儿心电成分提取装置实现上述过程。所述数据采集装置中还会将所述孕妇腹部电信号转换成数字信号，便于在数字设备如电脑上进行处理。

在一些实施例中，所述数据采集装置还执行以下程序：

将所述孕妇腹部电信号通过放大和/或滤波的处理程序处理后，再通过A/D转换程序将电信号转换成数字信号。

在一些实施例中，所述数据采集装置还执行以下程序：将所述数字信号裁剪成与卷积编解码神经网络输入相匹配的尺寸。通过裁剪成相匹配的尺寸，可以更有效率地执行下述利用卷积编解码神经网络的训练。

在一些实施例中，所述母体心电成分估计装置对于训练过程采用时执行以下程序：使用开放全层网络参数更新的方式以及采用均方误差作为损失函数来训练网络模型。

在一些实施例中，所述损失函数为：

其中，M为训练的样本个数，为网路输出的对母体心电成分的预估，X为网络标签，即仿真腹部电信号中的母体心电成分。采用此损失函数，可以完整而快速地学习到母体心电的特征。

在一些实施例中，所述母体心电成分估计装置执行程序中的卷积编解码神经网络由多个卷积-反卷积模块和一个全连接模块串联组成；其中，与输出层直接相连的全连接模块由一个或多个全连接层组成，与全连接模块相连的卷积-反卷积模块由一个卷积层，一个反卷积层和一个非线性层组成外，其他所有的卷积-反卷积模块均包含一个卷积层，一个反卷积层和两个非线性层；相邻两个卷积-反卷积模块之间采用的是直接连接的方式。所述卷积编解码神经网络采用上述结构，可以有效地捕捉到母体心电的特征，加快网络训练的收敛速度，同时对于梯度弥散问题也有很好的效果。需要说明的是，通过相邻两个卷积-反卷积模块之间采用的是直接连接的方式，从而浅层的特征能传递到深层，进而保留更多的母体心电的细节特征，进一步提高效率和准确性。

优选地，数字信号裁剪后的尺寸为1×1000，其中的每个1×1的信号中的数值为某点的心电图数值(幅度)，而1000有1000个点，每个点代表不同时间上的心电图中的数值(幅度)。而所述卷积层的卷积核大小为1×3、1×4或1×5，每个卷积层中的卷积核的个数为32、64或128，优选为64个。

在其中一个实施例中，如图4所示，包括3个卷积-反卷积模块，即第一卷积-反卷积模块，第二卷积-反卷积模块以及第三卷积-反卷积模块，在第一卷积-反卷积模块中，将裁剪后的数字信号与卷积核卷积，卷积得到的矩阵再通过非线性层完成激活函数的计算，进行反卷积后，再通过非线性层完成激活函数的计算，而第一卷积-反卷积模块的输出可以作为第二卷积-反卷积模块或第三卷积-反卷积模块的输入，而第二卷积-反卷积模块的输出则可以作为第三卷积-反卷积模块的输入。最终第三卷积-反卷积模块的输出作为全连接层(dense)的输入，通过全连接层的处理得到最终输出的图像。在本实施例中，所述全连接层的神经元的个数为1000。

在一些实施例中，所述系统还包括显示装置，用于将提取出的胎儿心电成分拼接成完整信号并进行显示。采用将信号裁剪成较短长度进行学习，学习完成后将网络输出拼接成完整信号的方式，可以使网络学习到更多的细节特征，提升胎儿心电提取的效果。

应理解正常运行时，首先通过将训练集和/或验证集的仿真孕妇腹部电信号经过预处理后输入到卷积编解码神经网络中，对卷积编解码神经网络进行训练，通过损失函数对母体心电成分做评估，再通过反向传播算法(梯度下降法)，计算卷积神经网络中所有参数的梯度，并根据梯度变化(各个参数的导数)对所有参数进行更新，重新将训练集代入到卷积编解码神经网络中进行训练，直至完成迭代寻找到具有最小损失函数的模型时，保存所有参数将模型保留下来。当需要测试真实的孕妇腹部电信号时，调用卷积神经网络模型，将真实的孕妇腹部电信号预处理后输入到卷积编解码神经网络中，获取预估的母体心电成分，再用真实的采集到的孕妇腹部电信号中减去上述所得的预估母体心电成分，从而提取出孕妇腹部电信号中的胎儿心电成分。

实施例2(一种基于卷积编解码神经网络的胎儿心电提取方法)

如图1所示，本发明提供一种基于卷积编解码神经网络的胎儿心电提取方法，包括以下步骤：

数据预处理：采集孕妇腹部电信号；

母体心电成分估计：采用卷积编解码神经网络对孕妇腹部电信号中的母体心电成分进行预估，即训练时将仿真的腹部电信号作为神经网络的输入，仿真腹部电信号中的母体心电成分作为网络标签进行训练，测试时将真实的单通道孕妇腹部电信号作为神经网络的输入，神经网络的输出为对腹部电信号中的预估母体心电成分；

胎儿心电成分提取：从采集到的孕妇腹部电信号中减去上述所得的预估母体心电成分，从而提取出孕妇腹部电信号中的胎儿心电成分。

以上是本发明的基础实施方式。在本技术方案中，为提高胎儿心电提取的效率和准确率，发明人在本技术方案中创新性地利用卷积编解码神经网络对孕妇腹部电信号中的母体心电成分进行预估，并将所采集的采集到的孕妇腹部电信号中减去上述所得的预估母体心电成分，从而提取出孕妇腹部电信号中的胎儿心电成分的方案。采用卷积编解码神经网络，该技术具有较强的鲁棒性，在接触噪声、呼吸噪声等干扰情况下仍能提取出胎儿心电信号。而且，在胎儿信号与母亲信号之间的信噪比较低以及胎儿的QRS波与母体的QRS波有重叠时，该方法也有很好的表现。通过此技术手段，可以更大程度地排除相关噪音，使得提取更为准确，效率也更高。该项发明提取出的清晰的胎儿心电信号可提供胎儿心率等信息，具有重要的临床应用价值和可观的社会效益。

实施例3(一种基于卷积编解码神经网络的胎儿心电提取方法)

以下结合一具体实施方式来说明上述基础实施方式的实施过程。但此实施方式仅用于说明本技术方案，并不代表对本技术方案保护范围的限制。

一种基于卷积编解码神经网络的胎儿心电提取方法，包括以下步骤：

1)数据预处理：首先，如图3所示，使用电极在母体的腹部采集一路信号，采样频率为250Hz，再次，用通频带为0.5-100Hz的带通滤波器以及50Hz的陷波滤波器对信号进行滤波处理，其次，采用放大电路对信号进行放大并用模数转换电路将电信号转换为数字信号，最后，将滤波后的数据裁剪成固定尺寸(1×1000)。

在更具体的优选实施方式中，将信号样本统一裁剪成固定的尺寸，该尺寸与方法中所采用的卷积编解码神经网络输入的尺寸相匹配(或者采集信号时直接采集对应尺寸的信号，如长度为2秒或4秒)。

2)母体心电成分估计：训练一个卷积编解码神经网络对孕妇腹部电信号中的母体心电成分进行预估。在一些优选实施方式中，采用单通道输入数据处理框架提取心电样本数据，随机打乱输入样本的顺序，以batch_size为64的大小输入样本数据。其中训练时将仿真的腹部电信号作为神经网络的输入，仿真腹部电信号中的母体心电成分作为网络标签进行训练，测试时将真实的单通道孕妇腹部电信号作为神经网络的输入，神经网络的输出为对腹部电信号中的预估的母体心电成分，如图3所示。

在一些优选的实施方式中，采用卷积编解码神经网络为深度神经网络模型对孕妇腹部电信号中的母体心电成分进行预估。所采用的卷积编解码神经网络由5个卷积-反卷积模块和一个全连接模块串联组成；其中，与输出层直接相连的全连接模块由一个全连接层组成，与全连接模块相连的卷积-反卷积模块由一个卷积层，一个反卷积层和一个非线性层组成外，其他所有的卷积-反卷积模块均包含一个卷积层，一个反卷积层和两个非线性层；同时，在相邻两个卷积-反卷积模块之间采用了直接连接的方式，从而浅层的特征能传递到深层。

在一些优选的实施方式中，使用开放全层网络参数更新的方式以及采用均方误差作为损失函数来训练网络模型。

在更具体的一些优选实施方式中，训练卷积编解码神经网络时采用开放全层网络参数更新的方式，采用均方误差作为损失函数，该函数表述为：

其中，M为训练的样本个数，为网路输出的预估的母体心电成分，X为网络标签，即仿真腹部电信号中的母体心电成分。

3)胎儿心电成分提取：从采集到的孕妇腹部电信号中减去腹部电信号中的预估的母体心电成分，从而提取出孕妇腹部电信号中的胎儿心电成分。

更具体地，将由卷积编解码神经网络输出的预估的母体心电成分从采集到的腹部电信号中减去，剩下的部分则为胎儿心电成分，从而实现对母体腹部心电中胎儿心电成分的提取。

4)显示母体心电和胎儿心电：将提取出的胎儿心电成分拼接成完整信号，并将母体心电和胎儿心电进行显示，如图3所示。

为验证本发明的效果，申请人多次将测试集代入到训练好的卷积编解码神经网络中(此时卷积编解码神经网络如图4所示，其卷积核大小为1×3，卷积核的个数为64)，得到以下数据：

	mean SE(％)	mean PPV(％)	mean F<sub>1</sub>(％)
				训练好的神经网络	93.08	91.21	92.13

其中，TP是找对R峰(QRS峰的R峰)的数量，FN是漏掉R峰的数量，FP是找错R峰的数量，找到R峰的位置与真实的位置在50ms以内都算找对。

上述实施方式仅为本发明的优选实施方式，不能以此来限定本发明保护的范围，本领域的技术人员在本发明的基础上所做的任何非实质性的变化及替换均属于本发明所要求保护的范围。