基于RBF神经网络的心电图机的导联脱落检测系统及方法与流程

基于rbf神经网络的心电图机的导联脱落检测系统及方法
技术领域
1.本发明涉及生物医学与计算机技术领域，尤其涉及一种基于rbf神经网络的心电图机的导联脱落检测系统及方法。


背景技术：

2.导联是用于反映两个肢体之间的电位差，在心脏除极和复极过程中产生的心电向量通过容积导电传至身体各部，并产生电位差，将两电极置于人体的任何两点，通过心电图导联与心电图机连接，就可以描记出心电图。为了便于分析、比较心电图，对于导联就作了一个统一的规定，临床常用的导联有12个，常用的标准导联包括三个，分别是ⅰ导联将两个电极分别放在右臂和左臂，ⅱ导联放在右臂和左腿，以及ⅲ导联放在左臂和左腿。在连接导联的过程中，有些导联可能会出现脱落的情况，如果心电图机的导联脱落将无法正常的监测患者的心电，影响诊断结果的准确性。
3.传统的心电图机通常采用直流导联脱落检测和交流导联脱落检测，能够有效的判断导联脱落，但是硬件检测通常电路复杂且功耗高，当检测信号在正常范围内时，导联脱落不容易被检测出来。为了能够实时监测导联脱落状态，保证监护的正常运行，本发明提出了一种基于rbf神经网络的心电图机的导联脱落检测系统及方法。


技术实现要素：

4.有鉴于此，本技术提出了一种基于rbf神经网络的心电图机的导联脱落检测系统及方法，用于解决传统的心电图机导联脱落检测方法因检测信号识别度不高而导致检测结果不准确的问题。
5.本发明的技术方案是这样实现的：
6.本发明提出了一种基于rbf神经网络的心电图机的导联脱落检测系统，所述系统包括：
7.数据采集模块，用于通过心电图机的十二导联与人体相连接，采集人体的生物电信号，获取来自若干患者的生物电信号和对应的患者信息，并将其作为人体数据样本传递给中央控制模块；
8.中央控制模块，对所述人体数据样本进行预处理，将预处理后的人体数据样本分为训练样本集和测试样本集；构建rbf神经网络模型，将训练样本集输入rbf神经网络模型中进行多次训练，得到训练好的rbf神经网络模型；将测试样本集输入训练好的rbf神经网络模型进行测试，获得最终检测模型；
9.导联监测模块，用于对当前患者进行实时监测，获取当前患者的通过十二导联采集到的生物电信号状态以及患者信息，组成监测数据；将监测数据输入到最终检测模型中，获得心电图机十二导联的实时连接状况；
10.终端显示模块，用于在导联检测模块的调配下将心电图机十二导联的实时连接状况显示出来，若心电图机出现导联脱落状况则进行报警提示。
11.在以上技术方案的基础上，优选的，所述数据采集模块包括信号采集模块和信息采集模块；信号采集模块用于通过十二导联采集来自若干患者的生物电信号；信息采集模块用于获取来自若干患者的患者信息；
12.所述十二导联包括导联i、导联ii和导联iii三个标准双极肢体导联，导联avr、导联avl和导联avf三个加压肢体导联，导联v1、导联v2、导联v3、导联v4、导联v5以及导联v6六个胸导联；
13.所述患者信息包括患者姓名、患者年龄、患者性别、心律失常的类型以及发作时间。
14.在以上技术方案的基础上，优选的，所述中央控制模块包括信号转换模块和数据处理模块，信号转换模块用于将十二导联采集到的生物电信号转换为数字信号；数据处理模块用于对患者信息进行规范化处理，对数字信号进行归一化处理，并将规范化处理的患者信息以及归一化处理的数字信号作为预处理后的人体数据样本。
15.在以上技术方案的基础上，优选的，所述将十二导联采集到的生物电信号转换为数字信号具体包括：
16.对各导联采集到的生物电信号分布进行前置放大处理，放大倍数包括5-10倍，得到前置放大后的电信号；对前置放大后的电信号进行带通滤波处理，其频率范围为0.1hz～50hz，得到带通滤波处理后的电信号；对带通滤波处理后的电信号进行电压放大处理，放大倍数包括40-70倍，得到电压放大后的电信号；对电压放大后的电信号进行数模转换，得到对应的数字信号。
17.在以上技术方案的基础上，优选的，所述中央控制模块还包括检测模型构建模块，检测模型构建模块用于构建rbf神经网络模型，基于预处理后的人体数据样本对rbf神经网络模型进行训练，在训练过程中采用果蝇-粒子群算法进行参数寻优，直至找到rbf神经网络模型的最佳参数，得到最终检测模型。
18.在以上技术方案的基础上，优选的，所述rbf神经网络模型是一个由输入层、隐藏层和输出层组成的神经网络，将预处理后的人体数据样本分为训练样本集和测试样本集，且训练样本集大于测试样本集，利用训练样本集对rbf神经网络模型进行训练，将每次训练好的rbf神经网络模型作为当前rbf神经网络模型，输入测试样本集进行测试，得到对应的十二导联连接状况的输出结果，设置误差阈值，将测试样本集的输出结果与实际情况进行比较，若测试样本集的正确率大于等于误差阈值，则将当前rbf神经网络模型作为最终检测模型；若测试样本集的正确率小于误差阈值，则采集更多的人体数据样本作为训练样本集对当前rbf神经网络模型进行训练。
19.在以上技术方案的基础上，优选的，在训练过程中采用果蝇-粒子群算法进行参数寻优的步骤具体包括：
20.s201，初始果蝇群体数量为n，初始果蝇群体随机位置为(x0,y0)，设置果蝇算法最大迭代次数为t1；
21.s202，在每次果蝇搜索的迭代过程中，赋予果蝇个体随机搜索距离与方向，确定果蝇个体的位置坐标，计算果蝇个体的味道浓度；
22.s203，当搜寻到最佳浓度的果蝇个体或达到果蝇算法最大迭代次数时，保留最佳味道浓度值及最优个体位置，得到新的果蝇群体，搜索结束，继续执行步骤s204，否则，重复
执行步骤s202；
23.s204，将新的果蝇群体中的各个体作为粒子群算法的初始种群，设置粒子群算法最大迭代次数为t2；
24.s205，在每次粒子群搜索的迭代过程中，更新种群中各粒子的速度和位置；
25.s206，当搜索到全局最优位置或达到粒子群算法最大迭代次数时，输出全局最优位置，作为rbf神经网络模型的最佳参数，搜索结束，否则，重复执行步骤s205。
26.在以上技术方案的基础上，优选的，步骤s202具体包括：
27.赋予果蝇个体随机搜索距离与方向，确定果蝇个体的位置坐标，第i个果蝇个体当前位置的计算公式为：
[0028][0029]
其中，rand为0～1之间的随机数，i＝1,2,
…
,n；
[0030]
计算第i个果蝇个体当前位置与原点之间的距离di，i＝1,2,
…
,n，再计算该果蝇个体的味道浓度判定值si，代入味道浓度判定公式得到该果蝇位置的味道浓度smelli，其计算公式为：
[0031][0032][0033]
smelli＝function(si)。
[0034]
在以上技术方案的基础上，优选的，步骤s205具体包括：
[0035]
在每次粒子群搜索的迭代过程中，更新种群中各粒子的速度和位置，在d维空间内，第i个粒子的速度和位置的计算公式为：
[0036]vij
(t+1)＝wv
ij
(t)+c1r1[pi(t)-x
ij
(t)]+c2r2[gi(t)-x
ij
(t)]
[0037]
x
ij
(t+1)＝x
ij
(t)+v
ij
(t+1)
[0038]
其中，t为当前迭代次数，v
ij
(t+1)表示第t+1次迭代时第i个粒子速度的第j维分量，w为惯性权重因子，v
ij
(t)表示第t次迭代时第i个粒子速度的第j维分量，pi(t)为粒子最优位置，gi(t)为种群最优位置，c1和c2表示加速度因子，r1和r2为0～1之间的随机数，x
ij
(t+1)表示第t+1次迭代时第i个粒子位置的第j维分量，x
ij
(t)表示第t次迭代时第i个粒子位置的第j维分量，i＝1,2,
…
,n，j＝1,2,
…
,d。
[0039]
本发明还提出了一种基于rbf神经网络的心电图机的导联脱落检测方法，所述方法包括：
[0040]
s1，通过心电图机的十二导联采集人体的生物电信号，获取来自若干患者的生物电信号和对应的患者信息，并将其作为人体数据样本传递给中央控制模块；
[0041]
s2，对所述人体数据样本进行预处理，将预处理后的人体数据样本分为训练样本集和测试样本集；构建rbf神经网络模型，将训练样本集输入rbf神经网络模型中进行多次训练，得到训练好的rbf神经网络模型；将测试样本集输入训练好的rbf神经网络模型进行测试，获得最终检测模型；
[0042]
s3，对当前患者进行实时监测，获取当前患者的通过十二导联采集到的生物电信
号状态以及患者信息，组成监测数据；将监测数据输入到最终检测模型中，获得心电图机十二导联的实时连接状况；
[0043]
s4，将心电图机十二导联的实时连接状况显示出来，若心电图机出现导联脱落状况则进行报警提示。
[0044]
本发明的一种基于rbf神经网络的心电图机的导联脱落检测系统及方法，相对于现有技术，具有以下有益效果：
[0045]
(1)通过采集大量的人体数据对rbf神经网络进行训练，生成用于检测导联脱落的检测模型，在监护过程中，通过导联监测模块实时监测心电图机十二导联的连接状况，对心电图机十二导联采集到的生物电信号进行处理和分析，实现了心电图机导联脱落的有效检测，提升了检测的准确率和效率。
[0046]
(2)对采集到的生物电信号依次进行前置放大、带通滤波和后置放大处理，可以有效的滤除与生物电信无关的高频信号，得到更为接近真实的无干扰的人体心电信号。
[0047]
(3)基于果蝇-粒子群算法对rbf神经网络进行参数优化，得到最终检测模型，避免了传统rbf神经网络搜索速度慢以及可能产生的局部最优的问题，提高了最终检测模型的检测速度和精度。
附图说明
[0048]
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0049]
图1为本发明一种基于rbf神经网络的心电图机的导联脱落检测系统及方法的结构示意图；
[0050]
图2为本发明一种基于rbf神经网络的心电图机的导联脱落检测系统及方法中rbf神经网络参数优化的流程示意图；
[0051]
图3为本发明一种基于rbf神经网络的心电图机的导联脱落检测系统及方法的方法流程示意图。
具体实施方式
[0052]
下面将结合本发明实施方式，对本发明实施方式中的技术方案进行清楚、完整地描述，显然，所描述的实施方式仅仅是本发明一部分实施方式，而不是全部的实施方式。基于本发明中的实施方式，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施方式，都属于本发明保护的范围。
[0053]
如图1所示，本实施例提供的一种基于rbf神经网络的心电图机的导联脱落检测系统包括数据采集模块10、中央控制模块20、导联监测模块30以及终端显示模块40。
[0054]
数据采集模块10，用于通过心电图机的十二导联与人体相连接，采集人体的生物电信号，获取来自若干患者的生物电信号和对应的患者信息，并将其作为人体数据样本传递给中央控制模块20。
[0055]
具体的，本实施例中数据采集模块10包括信号采集模块101和信息采集模块102；
信号采集模块101用于通过十二导联采集来自若干患者的生物电信号；信息采集模块102用于获取来自若干患者的患者信息；
[0056]
十二导联包括导联i、导联ii和导联iii三个标准双极肢体导联，导联avr、导联avl和导联avf三个加压肢体导联，导联v1、导联v2、导联v3、导联v4、导联v5以及导联v6六个胸导联；
[0057]
患者信息包括患者姓名、患者年龄、患者性别、心律失常的类型以及发作时间。
[0058]
中央控制模块20，对所述人体数据样本进行预处理，将预处理后的人体数据样本分为训练样本集和测试样本集；构建rbf神经网络模型，将训练样本集输入rbf神经网络模型中进行多次训练，得到训练好的rbf神经网络模型；将测试样本集输入训练好的rbf神经网络模型进行测试，获得最终检测模型。
[0059]
具体的，本实施例中，中央控制模块20包括信号转换模块201、数据处理模块202以及检测模型构建模块203；信号转换模块201用于将十二导联采集到的生物电信号转换为数字信号；数据处理模块202用于对患者信息进行规范化处理，对数字信号进行归一化处理，并将规范化处理的患者信息以及归一化处理的数字信号作为预处理后的人体数据样本；检测模型构建模块203块用于构建rbf神经网络模型，基于预处理后的人体数据样本对rbf神经网络模型进行训练，在训练过程中采用果蝇-粒子群算法进行参数寻优，直至找到rbf神经网络模型的最佳参数，得到最终检测模型。
[0060]
在本发明的一个具体实施例中，将十二导联采集到的生物电信号转换为数字信号具体包括：对各导联采集到的生物电信号分布进行前置放大处理，放大倍数包括5-10倍，得到前置放大后的电信号；对前置放大后的电信号进行带通滤波处理，其频率范围为0.1hz～50hz，得到带通滤波处理后的电信号；对带通滤波处理后的电信号进行电压放大处理，放大倍数包括40-70倍，得到电压放大后的电信号；对电压放大后的电信号进行数模转换，得到对应的数字信号。
[0061]
需要理解的是，心电信号十分微弱，一般在0.05-100hz之间，幅度小于5mv，由于心电信号取自于活体，所以在检测时存在着极强的背景噪音和干扰。根据心电信号的特点，依次采用前置放大、带通滤波以及电压放大来进行放大处理。心电信号属于高强噪音下的低频微弱信号，在前置放大过程中为了避免信号干扰导致输出失真，前置放大器的电压放大倍数不能设置过高，本实施例中选择放大倍数等于10倍。正常心电信号的频率范围为0.05-100hz，有90％的心电信号频谱集中在0.25-35hz之间，为了消除干扰信号，加入带通滤波器进行滤波处理，本实施例中选择频率为50hz，能够产生-35db至-45db的信号衰减。由于心电放大器总的放大倍数要求1000倍，前置放大为10倍，带通滤波放大为1.586倍，因此，电压放大器的放大倍数设置为63倍，最终经过a/d数模转换器将电压放大后的电信号转换为数字信号。
[0062]
在本发明的一个具体实施例中，所述rbf神经网络模型是一个由输入层、隐藏层和输出层组成的神经网络，将预处理后的人体数据样本分为训练样本集和测试样本集，且训练样本集大于测试样本集，利用训练样本集对rbf神经网络模型进行训练，将每次训练好的rbf神经网络模型作为当前rbf神经网络模型，输入测试样本集进行测试，得到对应的十二导联连接状况的输出结果，设置误差阈值，将测试样本集的输出结果与实际情况进行比较，若测试样本集的正确率大于等于误差阈值，则将当前rbf神经网络模型作为最终检测模型；
若测试样本集的正确率小于误差阈值，则采集更多的人体数据样本作为训练样本集对当前rbf神经网络模型进行训练。
[0063]
本实施例中，rbf神经网络模型具有12个rbf神经网络输入节点x1～x
12
以及12个rbf神经网络输出节点y1～y
12
，12个rbf神经网络输入节点x1～x
12
分别与十二导联一一对应，各输入节点与输出节点一一对应，输入由各导联采集到的生物电信号以及对应的患者信息，输出该导联的连接状况，若对应导联的输出节点结果为0，则表示该导联连接正常，若对应导联的输出节点结果为1，则表示该导联脱落。本实施例中，设置误差阈值为97.5％，通过大量的训练样本集对rbf神经网络模型进行反复训练，得到性能较好以及准确率较高的检测模型。
[0064]
需要理解的是，采取rbf神经网络模型对导联脱落进行检测时，其径向基高斯函数的中心、径向基高斯函数的宽度以及隐藏层与输出层之间的连接权值都会直接影响rbf神经网络的运行速度及其诊断精度，因而采用果蝇-粒子群算法对rbf神经网络结构进行优化，可以整体提高其检测速度和精度。
[0065]
如图2所示，在训练过程中采用果蝇-粒子群算法进行参数寻优的步骤具体包括：
[0066]
s201，初始果蝇群体数量为n，初始果蝇群体随机位置为(x0,y0)，设置果蝇算法最大迭代次数为t1。
[0067]
s202，在每次果蝇搜索的迭代过程中，赋予果蝇个体随机搜索距离与方向，确定果蝇个体的位置坐标，计算果蝇个体的味道浓度。
[0068]
赋予果蝇个体随机搜索距离与方向，确定果蝇个体的位置坐标，第i个果蝇个体当前位置的计算公式为：
[0069][0070]
其中，rand为0～1之间的随机数，i＝1,2,
…
,n；
[0071]
计算第i个果蝇个体当前位置与原点之间的距离di，i＝1,2,
…
,n，再计算该果蝇个体的味道浓度判定值si，代入味道浓度判定公式得到该果蝇位置的味道浓度smelli，其计算公式为：
[0072][0073][0074]
smelli＝function(si)。
[0075]
s203，当搜寻到最佳浓度的果蝇个体或达到果蝇算法最大迭代次数时，保留最佳味道浓度值及最优个体位置，得到新的果蝇群体，搜索结束，继续执行步骤s204，否则，重复执行步骤s202。
[0076]
s204，将新的果蝇群体中的各个体作为粒子群算法的初始种群，设置粒子群算法最大迭代次数为t2。
[0077]
s205，在每次粒子群搜索的迭代过程中，更新种群中各粒子的速度和位置。
[0078]
在每次粒子群搜索的迭代过程中，更新种群中各粒子的速度和位置，在d维空间内，第i个粒子的速度和位置的计算公式为：
[0079]vij
(t+1)＝wv
ij
(t)+c1r1[pi(t)-x
ij
(t)]+c2r2[gi(t)-x
ij
(t)]
[0080]
x
ij
(t+1)＝x
ij
(t)+v
ij
(t+1)
[0081]
其中，t为当前迭代次数，v
ij
(t+1)表示第t+1次迭代时第i个粒子速度的第j维分量，w为惯性权重因子，v
ij
(t)表示第t次迭代时第i个粒子速度的第j维分量，pi(t)为粒子最优位置，gi(t)为种群最优位置，c1和c2表示加速度因子，r1和r2为0～1之间的随机数，x
ij
(t+1)表示第t+1次迭代时第i个粒子位置的第j维分量，x
ij
(t)表示第t次迭代时第i个粒子位置的第j维分量，i＝1,2,
…
,n，j＝1,2,
…
,d。
[0082]
s206，当搜索到全局最优位置或达到粒子群算法最大迭代次数时，输出全局最优位置，作为rbf神经网络模型的最佳参数，搜索结束，否则，重复执行步骤s205。
[0083]
导联监测模块30，用于对当前患者进行实时监测，获取当前患者的通过十二导联采集到的生物电信号状态以及患者信息，组成监测数据；将监测数据输入到最终检测模型中，获得心电图机十二导联的实时连接状况。
[0084]
进一步的，在监测数据输入到最终检测模型之前，还需要对监测数据进行预处理，预处理包括将十二导联采集到的生物电信号转换为数字信号以及对患者信息进行规范化处理。
[0085]
终端显示模块40，用于在导联检测模块30的调配下将心电图机十二导联的实时连接状况显示出来，若心电图机出现导联脱落状况则进行报警提示。
[0086]
需要理解的是，实时连接状况包括具体导联名称以及该导联是否连接正常，以指示灯来确认该导联是否连接正常，若该导联名称为红色，则表示导联脱落；若该导联名称为绿色，则表示连接正常。对于出现脱落的导联进行具体的语音报警提示。
[0087]
如图3所示，本实施例提供的一种基于rbf神经网络的心电图机的导联脱落检测方法包括以下步骤：
[0088]
s1，通过心电图机的十二导联采集人体的生物电信号，获取来自若干患者的生物电信号和对应的患者信息，并将其作为人体数据样本传递给中央控制模块；
[0089]
s2，对所述人体数据样本进行预处理，将预处理后的人体数据样本分为训练样本集和测试样本集；构建rbf神经网络模型，将训练样本集输入rbf神经网络模型中进行多次训练，得到训练好的rbf神经网络模型；将测试样本集输入训练好的rbf神经网络模型进行测试，获得最终检测模型；
[0090]
s3，对当前患者进行实时监测，获取当前患者的通过十二导联采集到的生物电信号状态以及患者信息，组成监测数据；将监测数据输入到最终检测模型中，获得心电图机十二导联的实时连接状况；
[0091]
s4，将心电图机十二导联的实时连接状况显示出来，若心电图机出现导联脱落状况则进行报警提示。
[0092]
本发明的基于rbf神经网络的心电图机的导联脱落检测方法应用于上述心电图机的导联脱落检测系统，其具体实施方式与上述基于rbf神经网络的心电图机的导联脱落检测系统的具体实施方式基本相同，在此不做赘述。
[0093]
以上所述仅为本发明的较佳实施方式而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围。