RNN'ye Dayalı Nabız Dalgalı Sfigmomanometrenin Araştırılması ve Uygulanması
0 Önsöz
Taşınabilir ve giyilebilir tıbbi elektronik ürünler, insanların kendi sağlığını her zaman ve her yerde izleyebilir. Ancak günümüzde yaygın olarak kullanılan şişirilebilir sfigmomanometrenin taşınması uygun değildir ve manşet ölçüsü insanlara bir kısıtlama hissi verecektir, bu nedenle portatif ve sınırsız bir sfigmomanometre tasarlamak acilen çözülmesi gereken bir sorundur.
Bu makale, insan nabız dalgası sinyallerini toplamak için fotopletismografi kullanır. Kan hacmindeki değişiklikleri tespit etmek için fotoelektrik teknolojisini kullanın ve hacim değişikliklerinin pulsatilitesini analiz ederek kan basıncını hesaplayın. Fotoelektrik yöntemle toplanan nabız dalgası verileri güçlü bir rastgelelik ve karmaşıklığa sahiptir.Doğrusal olmayan ve kararsız bir zaman serisidir.Kan basıncını tam olarak tanımlamak ve doğru bir şekilde tahmin etmek için basit doğrusal olmayan bir model kullanmak zordur. Literatür, nabız dalgası geçiş süresi boyunca kan basıncını tahmin etmek için LSTM sinir ağı modelini kullanır.Nabız dalgası geçiş süresini hesaplamak, EKG ve nabız dalgası verilerinden özellik noktalarını çıkarmak ve aynı anda eğitmek için iki EKG sinyali ve nabız dalgası kullanmak gerekir. Yaş grubu daha konsantre. Literatür, kan basıncını tahmin etmek için öngörülebilir bir model elde etmek üzere makine öğrenimi modelini eğitmek için 410 ayrı darbe dalgası (PPG) sinyalini kullanır.Giriş eğitim parametreleri daha azdır, bu da eğitim modelinin genel uyarlanabilirliğini kolayca azaltır.
Tekrarlayan sinir ağına dayanan bu makale, hacim nabız kan akışı bilgisi ile insan kan basıncı arasındaki ilişkiye dayanarak insan vücudunun sistolik ve diyastolik kan basıncını tahmin eden üç katmanlı bir tekrarlayan sinir ağı kan basıncı tahmin modeli tasarlar. Döngüsel sinir ağı, nabız dalgası sinyal dizisinin sürekliliğini yansıtan, mevcut anda eğitim sırasında önceki anın karakteristik parametrelerini ekleyebilir; RNN (Tekrarlayan Nöron Ağı) birim katmanı, gerekli karakteristik bilgileri otomatik olarak çıkaracaktır. Bu nedenle, yerleşik nabız dalgası kan basıncı tahmin modelinin tahmin etkisi büyük ölçüde geliştirilecektir.
Kan basıncı, kan damarındaki kanın kan damarı duvarına karşı basıncıdır. İnsanlar genellikle kan basıncının, kan damarlarındaki kan akışının itici gücü olan arteriyel kan basıncını ifade ettiğini söyler.Kalp periyodik olarak kasılır ve gevşerken, kan damarlarındaki kan hacmi atımlı değişikliklere uğrayacaktır.
1.1 Kan basıncı ve nabız dalgası arasındaki ilişki
Lambert-Beer yasasına ve ışık saçılım teorisine göre, parmak ucu dokusu ışık kaynağını farklı şekilde emdiği için, optik sensör tarafından alınan iletilen ışığın ışık yoğunluğunda, kılcal damarları görmezden gelen kardiyak kasılma ve ejeksiyondan önce ve sonra belirli bir miktarda changeI değişim vardır. Şeklin ışık emilimi üzerindeki etkisi. Kalp kasıp kan damarına kan attığında, arteryel kan damarının iç yarıçapı d olur.Kan damarındaki kan hacmi arttığında kan damarının iç yarıçapı d artar.Kan damarındaki kan hacmi değişikliği, arteriyel kan basıncının buna göre değişmesine neden olur. Kan hacmindeki değişim ile kan damarındaki basınçtaki değişiklik arasındaki ilişki şu şekildedir:
Formül (4) den kan basıncı değişimi P ile iletilen ışığın ışık yoğunluğu değişimi I arasında belirli bir ilişki olduğu görülebilir. Bu nedenle iletilen ışık parmak uçlarının kan damarlarını aydınlatmak için kullanılabilir, ışık alıcısı kan damarlarından iletilen ışık şiddetini alır ve bu ışık yoğunluğu değişim sinyalini elektrik sinyaline dönüştürür ve ardından hacim atım dalgası değişimi ve atımlı nabız dalgası elektrik sinyali elde edilebilir. Kan basıncındaki değişiklikleri karakterize edebilir ve nabız dalgası dalga formlarındaki değişiklikler yoluyla kan basıncını tahmin edebilir.
1.2 Tekrarlayan sinir ağlarının temel ilkeleri
RNN, dizi verilerini modelleyen bir sinir ağıdır, yani bir dizinin mevcut çıktısı da önceki çıktıyla ilişkilidir. Spesifik biçim, ağın önceki bilgileri ezberleyeceği ve mevcut çıktının hesaplanmasına uygulayacağı, yani gizli katmanlar arasındaki düğümlerin artık bağlantısız değil, bağlantılı olması ve gizli katmanın girişinin yalnızca giriş katmanını içermemesidir. Çıktı aynı zamanda önceki anda gizli katmanın çıktısını da içerir Şekil 1, RNN modelinin bir örneğini gösterir.
Şekil 1'de, xt, t zamanındaki girdidir, St, önceki zamandaki gizli duruma ve mevcut girdiye dayalı olarak t zamanındaki gizli durumdur (bellek): St = f (Uxt + WSt-1), burada f genellikle doğrusal değildir Aktivasyon fonksiyonu, yani ilk kan basıncı değerinin gizli katman durumu olan S0'ı hesaplarken St-1'i kullanması gerekir, ancak mevcut değildir ve gerçekte genellikle 0 olarak ayarlanır. Ot, t zamanındaki çıktıyı temsil eder ve ifade Ot = softmax (VSt) şeklindedir. Geleneksel sinir ağlarında, her ağ katmanının parametreleri paylaşılamaz; RNN modelinde ise tüm katmanlar aynı parametreleri paylaşır. RNN'deki her adımın aynı şeyi yaptığını, ancak girişin farklı olduğunu ve bu da ağ parametrelerini büyük ölçüde azalttığını gösterir.
2 Döngüsel sinir ağı tahmin algoritmasının gerçekleştirilmesi
2.1 Döngüsel sinir ağı modelinin oluşturulması
2.1.1 Veri hazırlama
Bu yazıda tasarlanan tansiyon aleti toplama modülü sayesinde hastanelerde, okullarda ve diğer yerlerde toplanan nesnelerin nabız dalgası verileri toplanır ve Omron tansiyon ölçer ile kan basıncı ölçümü kalibre edilir. Toplama işlemi sırasında toplanan kişinin, toplanan nabız dalgası verilerinin ve kan basıncı değerinin doğruluğunu sağlamak için hareketsiz oturması gerekir.
Her bir edinim nesnesinin edinme süresi 30 saniyedir, çünkü edinim modülünün örnekleme frekansı 100 Hz'dir ve darbe dalgası verileri her 10 ms'de toplanır, bu nedenle her nesne tarafından toplanan veriler 3.000 noktadır, yani her veri grubu 3'ü içerir 000 puan. Veri toplarken, vücudun sistolik ve diyastolik kan basıncını ölçmek için bir Omron kan basıncı ölçer kullanın.
2.1.2 Veri ön işleme
Nabız dalgası sinyal frekansı nispeten düşüktür ve toplanan orijinal nabız dalgasında çok fazla gürültü olacaktır, bu nedenle nabız dalgası verileri, kan basıncını hesaplamadan önce önceden işlenmelidir. Orijinal nabız dalgası verilerindeki ana sesler arasında güç frekansı gürültüsü, solunumla üretilen gürültü, edinim sırasında titreme tarafından üretilen gürültü ve harici ışık paraziti tarafından üretilen gürültü bulunur. Alım işlemi sırasında oluşan titreşimin oluşturduğu harici ışık parazitine ve gürültüye yanıt olarak, donanım sistemi tasarımına bir filtre eklenir ve dış ışığın parazitini azaltmak için muhafaza da gölgelendirilir.
Nabız dalgası sinyali, insan vücudunun fizyolojik bir sinyalidir ve frekans düşüktür, esas olarak 0.1 ~ 10 Hz'de yoğunlaşmıştır. 10 Hz'nin üzerindeki nabız dalgası sinyali için, tüm yüksek frekanslı sesler filtrelenecektir, bu makale nabız dalgası sinyalini tedavi etmek için eliptik bir alçak geçiren filtre kullanır Yüksek frekanslı gürültüyü ortadan kaldırın. Eliptik alçak geçiren filtrelemeden önceki ve sonraki orijinal nabız dalgası verilerinin karşılaştırma tablosu Şekil 2'de gösterilmektedir. Yüksek frekanslı çapağın filtrelendiği, dalga biçiminin nispeten düzgün olduğu ve orijinal darbe dalgasının dalga biçimi özelliklerinin korunduğu görülebilir.
2.1.3 Model kurulması
İnsan kalp atış hızının normal aralığı 60-100 atım / dakika olduğundan, 128 nokta temelde bir kalp atış hızı döngüsü içerir.Bu makale, tahmin modeline girdi olarak bir dizi nabız dalgası verisinden 128 tam nabız dalgası verisi seçer. Her giriş verisi grubu, 128 adet önceden işlenmiş kırmızı ışık nabız dalgası verisi içerir ve çıktı verileri, Tablo 1'de gösterildiği gibi iki boyutlu özellikler (sistolik kan basıncı ve diyastolik kan basıncı) içerir.
Bu makale, 3 ağ katmanına sahip tekrarlayan bir sinir ağı modeli tasarlar ve giriş özelliği noktası sayısı olarak 128 nokta seçilir. Sınırlı örnek veriler nedeniyle ciddi aşırı uyumu önlemek için, eğitim modelinin gizli katmanında daha derin bir ağ seçilmemiştir. Bu makaledeki tekrarlayan sinir ağı modeli 1 giriş katmanı, 3 RNN birimi katmanı ve 1 çıkış katmanı içerir. Giriş katmanı, kan basıncıyla ilgili nabız dalgası verilerini girmek için kullanılır; 3 RNN birim katmanı, bilgi özelliklerini çıkarmak için kullanılır; 1 çıkış katmanı, çıktı olarak ortalama kare hata kaybı fonksiyonunu kullanır ve ortalama kare hatasının ifadesi (5) 'de gösterilmiştir. Çıktı katmanı, sistolik ve diyastolik kan basıncı değerlerinin nihai tahmini için kullanılır.
Formülde n, test numunelerinin sayısını, pred (i) mevcut i-inci test numunesinin çıktı olasılığını ve y (i) gerçek numunenin olasılık dağılım değerini temsil eder.
2.2 Tekrarlayan sinir ağının eğitim ve test sonuçlarının analizi
Ağ eğitimi sırasında, başlangıç öğrenme oranı lr'yi 0,01'e ve momentum terim katsayısını 0,9'a ayarlayın, yani öğrenme oranı her 2000 eğitim için 10 kat azaltılır.Veri miktarı fazla olmadığı ve 3 katmanlı ağ derin olduğu için eğitimi engellemek için bırakma eklenir. Fazla sığdırma meydana gelirse, değer 0,7 olarak ayarlanır; eğitimin yineleme sayısı 10.000 olarak seçilir. Eğitim süresi sayısı 2.000'e ulaştığında her bir veri eğitimi kaybı eğrisi kümesi için, kayıp eğrisi temelde değişmez, kayıp azalmaz ve tahmin modeli temelde sabittir.
Edinim modülü tarafından toplanan nabız dalgası verileri için eğitim için 6.000 grup, 7.000 grup ve 8.000 grup kullanılmış ve tahmin doğrulaması için 2.000 grup kullanılmıştır. Farklı eğitim setlerinin tahmin hatası ve RMSE ortalama değeri Tablo 2'de gösterilmektedir. Deneyler, 8000 veri seti kullanıldığında, ağın tam olarak eğitilebileceğini kanıtlamıştır.
Bunlar arasında 8000 veri seti ile eğitim yapılarak elde edilen tahmin hatası dağılım histogramı Şekil 3'te gösterilmektedir. SBP'nin ortalama tahmin hatası 3.45 mmHg ve RMSE 2.51 mmHg; DBP'nin ortalama tahmin hatası 2.73 mmHg ve RMSE 3.68 mmHg idi. Literatür, kan basıncını tahmin etmek için döngüsel sinir ağı kullanır ve nabız dalgası geçiş süresi ve bazı nabız dalgası karakteristik parametreleri aracılığıyla kan basıncını tahmin eder.SBP'nin ortalama tahmin hatası 4,13 mmHg ve DBP'nin ortalama tahmin hatası 2,8 mmHg'dir. Karşılaştırmalı analiz yoluyla, bu çalışmanın kan basıncını tahmin etmek için nabız dalgası verilerini kullandığı ve tahmin etkisinin önemli ölçüde geliştirildiği bulunmuştur.
3 sistem tasarımı
3.1 Donanım sistemi tasarımı
Donanım sistemi esas olarak üç bölümden oluşur: fotoelektrik edinme modülü, ana kontrol modülü ve ekran modülü. Bunların arasında, fotoelektrik edinme modülü sinyal alımını ve ön uç sinyal ön işlemesini tamamlar; ana kontrol modülü, sinyal filtrelemeyi ve algoritma gerçekleştirmeyi tamamlar ve sonuçları gerçek zamanlı görüntüleme için ekran modülünün OLED'ine gönderir.
3.1.1 Fotoelektrik toplama modülü
Sinyal edinim modülünün blok diyagramı Şekil 4'te gösterilmektedir. Bu sistemin edinim bölümü parmağın parmaklarının ucundadır ve aktarım ölçüm yöntemi benimsenmiştir. Sinyal toplama modülü iki bölümden oluşur: fotoelektrik edinme ve analog ön uç işleme. Fotoelektrik edinme, LED ışık kaynağı ve fotoelektrik sensörü içerir ve analog ön uç işleme, TI'nin AFE4400 yongası tarafından gerçekleştirilir.
Analog ön uç AFE4400, bir LED sürücü devresi, güçlendirme devresi, dijital dönüştürücü ve dijital filtreyi entegre eder. AFE4400'ün LED sürücü devresi, LED kırmızı ışık kaynağını titreşmeye yönlendirir ve LED titreme döngüsünü kontrol eder. Fotoelektrik sensör, ışık sinyalini bir elektrik sinyaline dönüştürür ve AFE4400 kuvvetlendirdikten, dönüştürdükten ve filtrelemeden sonra, etkili ve kararlı bir darbe dalgası sinyali elde edilir.
3.1.2 Ana kontrol modülü
Kan basıncı algılama sistemi çipi, ultra küçük, ultra düşük güçlü MSP430 tek çipli mikro bilgisayarı seçer. Bu yazıda, fotoelektrik edinim modülünün dijital nabız dalgası sinyal çıkışı, SPI veriyolu üzerinden kan basıncı hesaplaması için mikroişlemci MSP430'a aktarılır.
3.1.3 Ekran modülü
Bu sistem, Zhongjingyuan'ın 0,96 inç OLED ekranını kullanır. OLED ekranın arayüz devresi Şekil 5'te gösterilmektedir. Tek çipli mikrobilgisayar, kan basıncı değerini I2C arayüzü aracılığıyla OLED ekrana iletir. SCLK, I2C iletişim saat pinidir ve SDIC, I2C iletişimidir. Veri arayüzü.
3.2 Sistem yazılım tasarımı
Bu sistemin yazılım kısmı, sistem sinyallerinin toplanmasını, işlenmesini ve görüntülenmesini tamamlar.
Veri toplama akış şeması Şekil 6'da gösterilmektedir. Önce AFE4400'ü başlatın ve ardından LED kızılötesi ışığını yanıp sönmeye sürün Toplanan veri sayısı 128'e ulaştığında, veri paketi toplamayı tamamlamak için döngüyü durdurun. Bir paketin nabız dalgası verileri, veri ön işleme ve kan basıncı hesaplaması için SPI aracılığıyla ana kontrol modülüne ve son olarak OLED ekranına iletilir.
Veri işleme ve görüntüleme modülü, ana kontrol modülü tarafından alınan bir paketin nabız dalgası verilerini önceden işlemek için eliptik bir alçak geçiren filtre kullanır ve ardından önceden işlenmiş nabız dalgası verilerini kan basıncı hesaplaması için döngüsel sinir ağı modeline girer ve Hesaplanan sistolik ve diyastolik kan basıncı, görüntülenmek üzere OLED ekrana gönderilir.
4 Test sonuçları
Tasarımın mantıklı olduğunu doğrulamak için, test örnekleri olarak farklı yaşlarda 50 kişi seçildi ve ulusal standartları karşılayan Omron kan basıncı ölçüm cihazı ile karşılaştırıldı.
Bu çalışmada, RNN tabanlı nabız dalgalı sfigmomanometre ile ölçülen kan basıncı ile Omron elektronik tansiyon ölçer tarafından ölçülen kan basıncı arasındaki tutarlılığı analiz etmek için Bland-Altman yöntemi kullanılmıştır. Tüm test numunelerinin karşılaştırmasında 15 temsili numune seçilmiştir İki ölçüm yöntemi ile ölçülen kan basıncının tutarlılık analiz diyagramı Şekil 7'de gösterilmektedir.
Omron elektronik kan basıncı ölçüm cihazının test sonuçları ve sistemin ölçüm sonuçları analiz edilir.Sistem tarafından ölçülen kan basıncının ortalama SBP hatası 2,73 mmHg, RMSE 3,39 mmHg, ortalama DBP hatası 3 mmHg ve RMSE 3,46 mmHg'dir. Test edilen kan basıncı değerlerinin tamamı tutarlılık limitleri içinde olup, taşınabilir nabız dalgalı sfigmomanometre ve bu yazıda tasarlanan Omron elektronik tansiyon ölçer ile ölçülen tansiyon değerlerinin yüksek bir tutarlılığa sahip olduğu ve bu da kan basıncı takibinin doğruluğunu sağlayabileceği görülmektedir.
5. Sonuç
RNN tabanlı nabız dalgası sfigmomanometre, insan vücudunun nabız dalga sinyalini toplamak için fotogrametri kullanır.Nabız dalgası sinyali ile kan basıncı arasındaki ilişkiye göre, döngüsel sinir ağının tahmin modeli kurulur ve nabız dalgası verileri, kan basıncı değerini hesaplamak için tahmin modeline girilir. Gerçek zamanlı ekran Bu yazıda tasarlanan tansiyon aleti, küçük boyutlu, taşıması kolay, çalıştırması basit, düşük güç tüketimi ve maliyeti, kan basıncını tahmin etmede yüksek doğruluk ve iyi stabilitedir.Gerçek zamanlı kan basıncı izlemeyi gerçekleştirebilir ve hastalığın zamansız tespiti nedeniyle gecikmeleri azaltabilir. fenomen.
Referanslar
LO P W, LI X T, WANG J, ve diğerleri.Uzun kısa süreli bellek ağını kullanarak sürekli sistolik ve diyastolik kan basıncı tahmini.Uluslararası Tıp ve Biyoloji Topluluğu IEEE Mühendisliği Konferansı. IEEE, 2017: 1853-1856.
MONTE-MORENO E. Makine öğrenme teknikleri aracılığıyla bir fotopletismograftan kan şekerinin ve kan basıncının invazif olmayan tahmini Tıpta Yapay Zeka, 2011, 53 (2): 127-128.
RUIZ-RODR? GUEZ J C, RUIZ-SANMART? N A, RIBAS V, ve diğerleri Fotopletismografi teknolojisine dayalı yenilikçi, sürekli, invazif olmayan kelepçesiz kan basıncı izleme Yoğun Bakım Tıbbı, 2013, 39 (9): 1618-1625.
Yin Guangliang.Kızılötesi nabız sensörüyle sürekli kan basıncı ölçümü üzerine araştırma Şangay: Donghua Üniversitesi, 2016.
Fan Junxiang, Li Qi, Zhu Yajie ve diğerleri.RNN'ye dayalı hava kirliliği uzay-zamansal tahmin modeli üzerine araştırma. Science of Surveying and Mapping, 2017, 42 (7): 76-83, 120.
Liu Wenyuan, Zhang Jingyuan, Jiang Xianfen Yeni tip bir eliptik alçak geçiren filtrenin tasarımı ve uygulaması Elektronik Cihazlar, 2008 (4): 1265-1267, 1272.
ZOLNA K, ARPIT D, SUHUBDY D, ve diğerleri Kardeşçe bırakma. ArXiv Ön Baskı arXiv: 1711.00066, 2017.
SU P, DING X, ZHANG Y, ve diğerleri.Derin çift yönlü LSTM Network.arXiv Preprint arXiv ile kan basıncını tahmin etmeyi öğrenmek: 1705.04524, 2017.
Shi Longfei, Zhao Ke, Li Ye, vb. AFE4400'e dayalı bir non-invaziv kan oksijen satürasyonu ölçüm sisteminin tasarımı Entegre teknoloji, 2015, 4 (2): 75-85.
Li Shengfeng, Pang Yu, Gao Xiaopeng, vb. Taşınabilir bir kan oksijen sinyali algılama cihazının tasarımı Sensors and Microsystems, 2017, 36 (3): 110-112.
Yan Qingguang, Yin Jun, He Qinghua, vb MSP430 tek çipli mikrobilgisayar tabanlı kablosuz fotopletismografi algılama modülü Yarıiletken Optoelektronik, 2012, 33 (2): 299-302.
yazar bilgileri:
Liu Yanping, Li Jie, Jin Fei
(Elektronik Bilgi Mühendisliği Okulu, Hebei Teknoloji Üniversitesi, Tianjin 300401)
