0 Introdução

produto portátil Wearable eletrônica médica que as pessoas podem controlar sua própria saúde a qualquer hora, em qualquer lugar. Mas agora comumente usado inconveniente esfigmomanômetro inflável de transportar, enquanto sua medida manguito criaria um sentimento de restrição, de modo que o projeto de um monitor de pressão arterial portátil é problema urgente irrestrito.

Neste papel, foto pletismografia de pulso humano aquisição de sinal de onda. volume de sangue fotoeléctrica alterações detectadas através da análise de alterações de volume, pulsáteis de cálculo da pressão arterial. Método para recolher dados da onda de pulso fotoeléctrica com aleatoriedade forte e complexidade, é um não-linear, séries de tempo não-estacionário, a sua difícil de uma forma simples e completa descrição do modelo não-linear para prever a pressão arterial. Documento usando LSTM modelo de rede neural, para prever a pressão arterial, o tempo de trânsito de pulso, necessidade ECG e da onda de pulso dois sinais juntos para calcular o tempo de trânsito de pulso, ECG e de onda de pulso dados para pontos característicos extrato, com a mesma idade tempo treinando mais concentrada. Documento 410 indivíduos utilizando impulsos de onda (PPG) sinal de máquina de formação de aprendizagem modelo para obter o modelo de previsão prediz a pressão arterial, menos parâmetros de entrada de formação, geralmente tende a diminuir a formação modelo adaptativo.

rede neural baseada circuito, a rede neural é concebido camada sangue 3 um modelo de previsão, o pulso volume previsto humano sistólica e diastólica do fluxo sanguíneo com base na relação de informação da pressão do sangue circulante. Recorrente Neural Networks pode ser adicionado no momento actual sobre os parâmetros característicos de um tempo de formação, a continuidade do sinal de onda de pulso, reflectindo o sincronismo; RNN (Neuron recorrente de rede) recurso unidade de extracção de informação automaticamente camada necessária. Portanto, o estabelecimento de modelos preditivos para prever o efeito da pressão sanguínea e da onda de pulso será grandemente melhorada.

A pressão arterial é a pressão na parede do vaso sanguíneo do vaso sanguíneo. Ele refere-se geralmente a uma pressão de sangue do referido pressão sanguínea arterial, o fluxo sanguíneo é o de promover a potência no interior do vaso, enquanto o ciclo cardíaco de contracção e relaxamento, o sangue no interior do volume do recipiente pode variar pulsátil .

da onda de pulso de pressão 1.1 sangue com relações

A teoria da lei de espalhamento de Lambert-Beer e luz, em função do tecido dedo não é o mesmo grau de absorção de luz, de ejecção sistólica antes e depois de a intensidade da luz transmitida recebida pelo sensor óptico, há uma certa quantidade de mudança [delta] I, que ignora os capilares absorção na forma de intensidade de luz. ejecção sistólica nos vasos sanguíneos, o raio da artéria d, o aumento do volume de sangue intravascular [delta] d para aumentar o raio interior do vaso sanguíneo, os vasos sanguíneos pode causar alterações na pressão sanguínea arterial também irá variar . Relação entre a quantidade de mudança de pressão a montante e do volume de sangue intravascular como se segue:

Visto, existe uma certa relação entre a pressão arterial quantidade variação AP e a variação da intensidade da luz de I luz transmitida pela fórmula (4). Assim, a transmitância da luz podem ser utilizados vasos sanguíneos atacante de ponta do dedo, é recebido pelo receptor de luz com a intensidade de luz transmitida através de um vaso sanguíneo, este sinal de luz mudança intensidade convertido num sinal eléctrico, a alteração pode ser obtido da onda de pulso do volume, a onda de pulso pulsante sinal eléctrico capaz de caracterizar as alterações na pressão arterial, a pressão sanguínea podem ser previstas por alterações na forma de onda de pulso.

1.2 O princípio básico da Recurrent Neural Networks

RNN é um tipo de sequência de dados de modelação de redes neurais, isto é, uma sequência em frente da saída de corrente de saída também é relativa a . As formas específicas da rede de informação vai ser na frente da memória e aplicada para calcular a corrente de saída, isto é, entre os nodos na camada escondida, mas que já não é uma ligação de conexão, não apenas a entrada e as camadas escondidas que compreendem uma camada de entrada, que compreende ainda uma saída de temporização sobre a saída da camada oculta, a Fig. 1 é um exemplo do modelo da FIG RNN.

FIG xt uma entrada no tempo t, St é o estado escondido no tempo t (memória), com base no estado escondido no momento anterior e a entrada de corrente para obter: St = f (Uxt + WST-1), em que f é tipicamente não-linear função de activação, no cálculo de S0, isto é, o estado da primeira camada escondida, um valor da pressão arterial, necessidade de usar St-1, mas não existe, na realidade, é geralmente definida como zero. Ot indica uma saída no instante t, expressa como Ot = softmax (VST). Em redes neurais convencionais, os parâmetros de rede de cada camada não é compartilhada, em modelo RNN, todos os níveis compartilham os mesmos parâmetros. Descrição RNN Cada passo é fazer a mesma coisa, basta introduzir diferente, reduzindo significativamente os parâmetros da rede.

2 para conseguir o algoritmo de predição da rede neural ciclo

2.1 ciclo de construção modelo de rede neural

2.1.1 Preparação de dados

, No presente documento por aquisição módulo concebido esfigmomanómetro em hospitais, escolas e outros locais para a recolha de dados de objectos adquirida da onda de pulso, enquanto que um medidor de pressão arterial de calibração da medição da pressão arterial Omron. processo de recolha foram convidados a sentar-se recolhido para assegurar a precisão da pressão arterial e pulso valores de dados recolhidos onda.

Cada vez que a aquisição de alvos de aquisição é de 30 s, uma vez que o módulo de aquisição de frequência de amostragem de 100 Hz, uma base de dados da onda de pulso recolhidos a cada 10 ms, então a aquisição de dados para cada objecto 000 é de três pontos, isto é, os dados que compreendem cada três 000 pontos. Na medição do corpo, enquanto a aquisição dos dados de medidor de pressão arterial sistólica e diastólica por Omron.

2.1.2 Dados Pré-tratamento

sinal de onda de pulso de baixa frequência, pulso cru adquirido onda haverá muito barulho, então antes do pulso de cálculo da pressão arterial onda de dados primeira pré-processados. O principal da onda de pulso de ruído presentes nos dados originais são de ruído de frequência, gerado no ruído respiratório, ruído processo de aquisição de flutuao e de luz ruído perturbação externa ou semelhantes. Para o ruído e processo de aquisição jitter gerado luz interferência externa, o projeto do sistema de hardware filtro é adicionado, enquanto a casca é feita de blindagem leve, para reduzir a interferência de luz externa.

sinal de onda de impulso é um sinal fisiológico do corpo humano, uma frequência mais baixa, principalmente na 0,1 ~ 10 Hz, onda de pulso ruído de alta frequência de mais de 10 Hz, os sinais são para ser filtrado, o filtro passa-baixo elíptico a O sinal de impulso de onda para eliminar o ruído de alta frequência. dados da onda de pulso em bruto, antes e depois da comparação elíptica filtro passa-baixo mostrado na Figura 2, pode ver-se a alta-frequência de falhas foram filtrados, a forma de onda é lisa, enquanto mantendo as características da forma de onda original da onda de pulso.

2.1.3 estabelecer Modelo

Uma vez que a faixa normal de taxa de coração humano é de 60 a 100 vezes / min, 128 pontos basicamente inclui um ciclo de pulsação, a selecção dos dados 128 de onda de pulso artigo intactas como entrada a partir do modelo preditivo de um conjunto de dados da onda de pulso. Pulso de onda de dados para cada conjunto de dados de entrada que compreendem um pré-vermelho luz 128, os dados de saída, incluindo característica bidimensional (sistólica e diastólica), como mostrado na Tabela 1.

Este ciclo de criação compreendendo um modelo de rede neural da camada de rede 3, o número de pontos característicos de entrada 128 pontos seleccionados. Por causa dos dados de amostra limitados a fim de evitar fenômeno de sobreajuste grave no modelo de formação de camada oculta não escolheu uma rede mais profundo. Recorrente Neural Networks aqui compreende uma camada de entrada, RNN três camadas de unidade e uma camada de saída. Uma camada de entrada para a introdução de correlação entre os dados da onda de pulso pressão arterial; RNN extraiu-se três camadas de células para a característica da informação; uma camada de saída de desvio quadrado médio como uma função de uma perda de saída, tais como a expressão quadrático médio (5) , uma camada de predição de saída final de valores sistólica e diastólica.

Em que, n representa o número da amostra de ensaio, Pred (i) representa a probabilidade de que a corrente de saída a-i th amostra de teste, Y (i) representa a distribuição de probabilidade da verdadeira amostra.

resultados de treinamento e teste de análise de rede 2.2 ciclos neural

Quando os dados não é grande, uma vez que a quantidade de rede camada 3 mais profunda, é adicionado para evitar que o trem Dropout; treino da rede, desde que a taxa de aprendizagem inicial lr 0,01, coeficiente de impulso é de 0,9, isto é, 2000 vezes por formação de taxa de aprendizagem 10 vezes menor tem havido fenômeno montagem , o valor é de 0,7, o número de iterações de formação opções 10.000 vezes. Para cada conjunto de dados de curva de perda de formação do número de formação atingiu 2000 vezes, a curva de perda é essencialmente o mesmo, a perda não vai cair, modelos de previsão basicamente estável.

Do mulo de recolha de dados de pulso de onda, cada grupo em 6000, 7000 e 8000 a formação do grupo conjunto, 2000 grupos de validação de predição. conjunto de formação diferente e o erro de predição da RMSE média como mostrado na Tabela 2. A experiência provou que, ao usar 8000 conjunto de dados, a rede pode ser totalmente treinados.

Em que o conjunto de treino 8000 obtido pelo erro de predição histograma de distribuição de dados mostrado na FIG. PAS erro de predição médio é de 3,45 mmHg, RMSE de 2,51 mmHg, para o erro de predição médio PAD 2,73 mmHg, RMSE de 3,68 mmHg. Documento cíclico neural valor rede sangue predição pressão, prevendo-se a pressão sanguínea do tempo de trânsito das ondas de pulso, e alguns parâmetros característicos da onda de pulso, o erro de predição PAS da média é 4,13 mmHg, média de erro de predição de DBP é de 2,8 mmHg. Por análise de contraste, o presente estudo usou a onda de pulso de previsão de dados de pressão arterial prever o efeito de significativamente melhorada.

3 System Design

3.1 Hardware Projeto

O hardware do sistema inclui um módulo de aquisição de fotoeléctrica, o módulo de controlo, uma porção do módulo de visualização 3. Em que o módulo de coleta de fotografia e o front-end para completar a aquisição do sinal do sinal pré-processado; módulo de controle mestre completo para o sinal de filtragem e algoritmos, e os resultados enviados para o módulo de visualização display OLED em tempo real.

3.1.1 Módulo Aquisição Optical

Diagrama de blocos de sinal de aquisição mostrado na Figura 4, a porção de dedo aquisição sistema do dedo, que emprega uma medida transmissivo. Sinal de módulo de aquisição e de forma de onda aquisição processa a extremidade frontal analógica duas partes. fonte de luz LED e coleção de fotos que compreende um fotosensor, um processamento de front-end analógico é implementado pelo chip AFE4400 de TI.

extremidade dianteira AFE4400 analógico circuito integrado de driver de LED, um circuito de amplificação, um conversor digital e um filtro digital. circuito de movimentação LED AFE4400 dirigindo o LED piscando a luz vermelha, e os controles do período piscando LED . Sensores ópticos converter sinais ópticos em sinais eléctricos, amplificados e convertidos pelo processo de filtragem e AFE4400 obter o sinal da onda de pulso eficaz e estável.

3.1.2 módulo de controlo principal

Esta pressão arterial monitoramento de chips de sistema Selecione subminiature, ultra-baixo MSP430 de potência microcontrolador. sinal de onda de pulso digital aqui pela SPI saída do módulo de aquisição de autocarros de forma de onda é transmitida para o microprocessador para o cálculo da pressão arterial MSP430.

3.1.3 Display Module

O sistema utiliza o jardim 0,96 polegadas OLED visor, o circuito de interface de exibição OLED mostrado na Figura 5, o microcontrolador, através dos valores de pressão sanguínea para a apresentação da interface I2C OLED, SCLK relógio dos pinos para a comunicação I2C, a comunicação I2C SDIC interface de dados.

3,2 Design System Software

Parcialmente concluída sinais do sistema software de aquisição do sistema, o processamento e exibição.

A aquisição de dados fluxograma mostrado na FIG. AFE4400 em primeiro lugar inicializado, e, em seguida, dirige as pisca LED infravermelho, quando o número de alcances dados recolhidos 128, a circulação foi interrompida para completar a aquisição de um pacote de dados. Um pacote de ondas de impulsos de dados transmitido através do módulo de controlo principal SPI, e calcular os dados de pré-tratamento de pressão sanguínea, e, finalmente, transmitido para o OLED.

dados da onda de pulso de um processamento de pacotes de dados e um módulo de visualização para o módulo de controlo principal recebe o filtro passa-baixo elíptico pré-tratado, em seguida, os dados da onda de pulso de entrada pré-processados para recorrente modelo de rede neural para o cálculo da pressão arterial, e sistólica calculado e enviado diastólica para exibição ao display OLED.

4 resultados de teste

Para verificar a racionalidade do design, a selecção de 50 pessoas de diferentes idades como as amostras de teste, e em comparação com pressão Omron Sangue conformidade monitor com as normas nacionais.

Neste estudo, o método de Bland-Altman com base no valor da pressão arterial da onda de pulso esfigmomanómetro RNN valor medido da pressão arterial e o medidor de pressão arterial medida Omron Electronics de análise de consistência. Em contraste com toda a amostra de ensaio seleccionado, em que uma amostra representativa do grupo 15, duas medidas de análise de consistência da medição da pressão arterial é mostrado na Figura 7.

Os resultados do teste usando Omron medidor de pressão arterial electrónica das presentes análises e medições do sistema, o sistema de erro da pressão sanguínea média de PAS foi de 2,73 mmHg, RMSE de 3,39 mmHg, o DBP erro médio de 3 mmHg, RMSE de 3,46 mmHg. valores da pressão arterial foram testados dentro dos limites de acordo, entende-se de onda de pulso valor da pressão arterial esfigmomanómetro portátil e o medidor de pressão arterial Omron electrónico concebido como medido altamente consistente, para assegurar a precisão da monitorização da pressão arterial.

5. Conclusão

pulso fotoeléctrica onda esfigmomanómetro sinal pletismografia onda baseado-RNN pulso aquisição do corpo humano, a relação entre a pressão arterial e os sinais de onda de pulso, a rede neural ciclo modelo de previsão dos dados da onda de pulso introduzido valor preditivo calculado a pressão arterial modelo, o OLED a visualização em tempo real. Neste artigo, o projeto do volume compacto esfigmomanômetro, fácil de transportar, operação simples, de baixo consumo de energia e custo, pressão arterial elevada, a precisão das previsões, boa estabilidade, pode alcançar o monitoramento da pressão arterial em tempo real, reduzir, porque a doença não for descoberto a tempo e tratamento de atraso de fenômeno.

Referências

LO P W, X LI t, WANG J, et al.Continuous sistólica e diastólica estimativa da pressão arterial utilizando rede de memória de longo-curto prazo Conferência .International da Engenharia IEEE em Medicina e Biologia Society.IEEE de 2017: 1853-1856.

estimativa MONTE-Moreno E.Non-invasiva de glucose no sangue e a pressão sanguínea de um fotopletismgrafo por meio de técnicas de aprendizagem de máquina .Artificial Inteligência Na medicina, 2011,53 (2): 127-128.

RUIZ-rodr? Hu GUEZ J C, RUIZ-SANMART? Hu N A, RIBAS V, et al.Innovativecontinuous pressão cufflessblood não-invasivo monitorização baseado na tecnologia fotopletismografia .Intensive Care Medicine, 2013,39 (9): 1618-1625.

Yinguang Liang. Medição contínua da pressão arterial é implementada com um sensor de infravermelhos de impulsos . Shanghai: Donghua University, 2016.

Xiang Jun Fan, Li Qi, Zhu Yajie, etc. de RNN baseado Poluição do Ar modelo de predição temporal . Topografia e Cartografia, 2017,42 (7): 76-83,120.

LIU longe Zhang, Jiang Xianfen. Concepção e Realização de um filtro passa-baixa elíptico Os componentes eletrônicos, de 2008 (4): 1265-1267,1272.

ZOLNA K, arpit D, SUHUBDY D, et al.Fraternal abandono .arXiv pré-impressão arXiv: 1711.00066,2017.

SU P, Ding X, Zhang Y, et al.Learning para prever a pressão arterial com profundidade de rede bidireccional LSTM .arXiv pré-impressão arXiv: 1705.04524,2017.

Danlong Fei, Zhao Ke, Ye Li, etc. não invasiva de oximetria com base AFE4400 sistema de design Tecnologia Integrada, 2015,4 (2): 75-85.

Li Shengfeng, Pang Yu, alta Xiaopeng, etc. Projeto de meios de sinal oxímetro portátil detectar . Os sensores e, 2017,36 (3): 110-112.

ampla Yan Qing, Yin Jun Ele Qinghua, etc. módulo de detecção fotopletismografia sem fio com base em MSP430 O optoelectrónico semicondutor, 2012,33 (2): 299-302.

Informação sobre o autor:

Liu Yanping, Li Jie, Jin Fei

(Hebei Universidade de Engenharia, Escola de Informação Eletrônica, Tianjin 300401)