CN102671298B - 一种基于ecg混沌模型的混沌起搏器控制方法 - Google Patents

Abstract

本发明公开了一种基于ECG混沌模型的混沌起搏器控制方法，该方法通过采集使用者健康时的ECG信号或者近亲中健康者的ECG信号，构建个性化混沌模型，并将此模型写入混沌起搏器装置的微处理器模块，最后微处理器模块控制电极模块发出混沌起搏脉冲，帮助心脏实现混沌起搏；本发明将混沌理论应用到起搏器装置设计中，使得起搏器发出的起搏电脉冲是混沌脉冲，该混沌起搏脉冲符合心脏原有的混沌特征，保证了使用该发明后使用者的ECG复杂性不会降低。

Description

一种基于ECG混沌模型的混沌起搏器控制方法

技术领域

本发明涉及ECG（electrocardiogram，心电图）信号、混沌理论应用技术领域，尤其涉及一种基于ECG混沌模型的混沌起搏器控制方法。

背景技术

心脏起搏器能够代替心脏的起搏点，使心脏有节律的跳动起来。心脏起搏器是一种由电池和电路组成的脉冲发生器，能够发出有规律的电脉冲，使局部的心肌细胞受到刺激而兴奋，使心脏保持跳动。

迄今为止，心脏起搏器是治疗心动过缓的唯一手段。这一伟大的技术已使近两百万人在过去的50年中受益。在20世纪80年代，起搏器上增加了微处理器，可以做到只有在感觉需要起搏器时，才启动它。

ECG反映心脏兴奋的电活动过程，它对心脏基本功能及其病理研究方面，具有重要的参考价值。现在研究表明ECG可能是一种非线性的确定性混沌过程，正常的窦性ECG作为一个混沌吸引子有其固有的轨道特性和整体特征。

然而，传统起搏器所发出的起搏信号是一种周期性的信号，起搏器搏动是一种非自然状态下的波动。研究发现起搏时间与起搏位置改变了的ECG 信号其内在机制有了改变，它们比起原来生理自然搏动的ECG 复杂性降低了。这对人体健康是不利的。

发明内容

本发明的目的在于针对现有技术的不足，提供一种基于ECG混沌模型的混沌起搏器控制方法。

本发明的目的是通过以下技术方案来实现的：一种基于ECG混沌模型的混沌起搏器控制方法，混沌起搏器一般包括电源模块、微处理器模块和电极模块，电源模块向微处理器模块和电极模块供电，微处理器模块控制电极模块发出电脉冲刺激心肌，帮助心脏起搏；该方法包括以下步骤：

（1）采集人体心脏健康时的ECG信号，或者近亲中健康者的ECG信号。

（2）分析ECG信号，构建个性化ECG混沌模型。

（3）将构建的个性化的ECG混沌模型写入混沌起搏器微控制器模块。

（4）人体佩戴混沌起搏器。

（5）混沌起搏器启动后，重构产生混沌信号。

（6）分析混沌信号，确定混沌起搏点。

（7）微处理器模块根据混沌起搏点控制电极产生混沌起搏脉冲。

本发明的有益效果是：本发明通过构建个性化的ECG混沌模型，并根据此模型来控制混沌起搏器，使起搏器电极发出符合心脏正常状态的混沌起搏脉冲，帮助心脏起搏。从长远看来，有助于唤醒心脏的自我意识，使心脏实现自我修复，回归正常状态。应用本发明，ECG将保持最佳的混沌状态，不会出现ECG复杂性降低的缺点。

附图说明

图1是混沌起搏器模块图；

图2是***工作流程图；

图3是RBF神经网络拓扑结构图；

图4是BP网络学习流程图；

图5是一种相空间图。

具体实施方式

如图1所示，起搏器一般包括电源模块、微处理器模块和电极模块，电源模块向微处理器模块和电极模块供电。微处理器模块控制电极模块发出电脉冲刺激心肌，帮助心脏起搏。

如图2所示，本发明基于ECG混沌模型的混沌起搏器控制方法，包括以下步骤：

1、采集人体心脏健康时的ECG信号，或者近亲中健康者的ECG信号。

本发明需要使用者在心脏健康期间采集ECG数据。目前，ECG信号的采集技术已经非常完善，ECG可以由多个导联同时记录，能够迅速、准确地得到用户的ECG数据。

如果使用该发明的患者无法取得心脏健康时刻的ECG数据，则可以选择使用近亲中健康者的ECG信号数据。我们认为近亲，比如说母亲，其生命特征与需要使用混沌起搏器的患者最相似。在患者之前没有存储健康的ECG信号时可以采取采集近亲中健康者的ECG信号作为替代信号，该ECG信号是构建患者ECG混沌模型的最佳选择。

ECG信号可以通过现有医院常规使用的心电图采集设备来采集。

2、分析ECG信号，构建个性化ECG混沌模型。

首先人体的ECG信号具有混沌特征，同时，每人的ECG信号都有其独特的混沌特性，本发明强调采取个性化的分析，构建个性化的ECG混沌模型，这样的模型是最适合每一个个体的。

构建ECG混沌模型的方法有很多种，如基于相空间重构方法、神经网络方法等。本专利不局限于某种构建模型的方法。

示例一：

如图3、4所示：现以RBF（Radial Basis Function，径向基函数）神经网络模型为例讲述本步骤：

（1）将连续的ECG信号根据采样定理转换为一维数据序列[x₁，x₂⋯，x_n]。n为自然数，x_i（i=1、2、……、n）为转换后的ECG信号。

（2）对数据[x₁，x₂，⋯，x_n]进行归一化处理。

归一化是为了加快训练网络的收敛性，也可以不进行归一化处理。本例利用MatlaB里的prestd归一化方法，将信号归一化到均值为0，方差为1的时间序列，[x1，x2…，Xn]。

（3）求最佳时延 和最小嵌入维m。

对于单变量的序列信号[x1，x2…，Xn] ,重构后的相空间为:

Xi = [ xi , xi +τ, ⋯, xi + ( m - 1)τ] T ， （1）

其中: i = 1 ,2 , ⋯, L , L = N - ( m - 1)τ;

Xi —重构后的相空间矢量;

τ—延迟时间;

m —嵌入维数;

N —原始时间序列点数;

L —重构后相空间矢量个数。

由(1) 式可以得到重构后的相空间轨道矩阵:

X1 = [ x1 , x1 +τ, ⋯, x1 + ( m - 1)τ] T

X2 = [ x2 , x2 +τ, ⋯, x2 + ( m - 1)τ] T

……

XL = [ xL , xL +τ, ⋯, xL + ( m - 1)τ] T ， （2）

上述重构相空间的过程相当于将时间序列映射到m 维的欧氏空间中,在相空间重构的过程中,嵌入维数m 和延迟时间τ是两个重要的参数,

求最佳时延 ：

在本例中，我们用互信息法求最佳时延：

考虑任两离散信息时间序列和构成的***S和Q。则根据信息论，从两***测量中所获得的平均信息量，即信息熵分别为：

；

其中，和分别为S和Q中事件和的概率，n和m是自然数。

在给定S的情况下，能获取的***Q的的信息，即***S和Q的互信息为：

，

，

；

其中，为事件和事件的联合分布概率。

接着定义[s,q]=[X(t),X(t+1)]，其中s代表时间序列X(t)，q为其延迟时间为的时间序列X(t+1)，则I(Q,S)显然是与时间延迟有关的函数，不妨记为I(t)。的大小代表了在已知***S即X(t)，的情况下，***Q也就是，的确定性的大小。=0，表示完全不相关；而的极小值，则表示与是最大可能的不相关。采用I(t)的第一个极小值点作为最优时间延迟(整数)。

求最小嵌入维 m

在本例中，我们用Cao方法求最小嵌入维。

将序列构造的m维相空间矢量，记为，构造的m+1维相空间矢量记为。定义：

；

式中，；是离轨线；最近的轨线；是满足条件的正整数且依赖变量i和m; 表示欧氏距离下的最大值范数，即：

；

记的均值为：

；

这里的独立于变量嵌入维数m和时间延迟，为了找到从m到m+1变化的最佳嵌入维数，定义：

；

如果时间序列所描述的是动力***的混沌现象，当自某个开始停止变化，则+1即为所寻找的最佳嵌入维数m。

（4）数据进行相空间重构。

利用3确定的延迟时间和嵌入维m进行相空间重构,，重构相空间中的点数为N=n-(m-1) ,如公式（2）所示。

（5）使用matalB设计RBF神经网络。

现在matlaB神经网络工具箱提供了不少建立RBF神经网络的函数。这里使用newrbe函数，误差逼近域0，内部的径向基函数是高斯基函数，径向基函数中心位置C，径向基函数宽度r，由newrbe函数内部确定，其调用格式为net=newrbe(P，T，SPREAD)。其中P为输入向量，这里取相空间重构中的状态点，为前N-1个m维点序列，这将意味着输入层神经元个数为m个。T为目标向量，取为一步后的下一状态点，这里取相空间重构中的状态点的第m维，为N-1个一维点序列，这将意味着输出层神经元个数为一个。

SPREAD为径向基层(隐含层)的分布密度，可以调节隐含层神经元的数目，SPREAD越大，函数拟合越平滑，越接近实际，但SPREAD越大．需要的神经元越多，导致计算量增加，SPREAD的缺省值为1。非线性变换及线性变换初始权值与初始偏离值(偏离值也叫阈值，可以调节函数的灵敏度)，都由newrbe函数内部确定，训练样本输入后，各个参数会得到调整。net即为建立好的RBF神经网络。

示例二：

为了更的理解模型的构建，另举一例，使用全局法构建函数模型：

（1）如示例一中步骤（1），得到的离散化ECG数据[x₁，x₂⋯，x_n]。

我们给出一组离散数据：x(t):

[0.41, 0.9767, 0.1254, 0.4387，0.9849, 0.05921, 0.2228,

0.69271, 0.85143, 0.5059, 0.9998, 0.0005682, 0.002271,

0.009066, 0.03593, 0.1385, 0.4775, 0.9979] (其中t=1，…,18)

（2）如示例一（3），得到求最佳时延和最小嵌入维m。

这里根据x(t)得到m=1, =1.

（3）根据（2）所求和m求相空间重构，如示例一中公式（2）所示

根据x(t)的m=1，=1，可做出重构图像x(n)~x(n+1)如附图5

（4）求出相空间的拟合函数

如图5所示，图像接近于一个二次函数

我们设拟合函数为： ；

；

矩阵：A=BC，其中：

，

由最小二乘法得到： ；

将A,B代入上式解得：a=0,b=4,c=-4。

最终得到个性化ECG混沌模型：= 。 （3）

3、将构建的个性化的ECG混沌模型写入混沌起搏器微控制器模块。

目前使用的常规起搏器已经具微处理器，只需将个性化的ECG混沌模型写入起搏器的微处理器即可。针对微处理器的型号和处理方式的不同，写入微处理器的形式也是不同的。

例如，将构建的个性化ECG混沌模型转换成C语言，然后通过导线将PC机里利用MatlaB生成的模型导入到微处理器模块。

4、人体佩戴混沌起搏器。

该混沌起搏器的佩戴方法与传统的起搏器的佩戴方法相同。

5、混沌起搏器启动后，重构产生混沌信号。

人体佩戴好该发明中提到的混沌起搏器并开启后，该混沌起搏器的微处理器将根据写入的个性化ECG混沌模型产生相应的混沌信号。

该过程可以用函数发生器的工作过程理解。函数发生器是一种常用的多波形的信号源。它可以产生正弦波、方波、三角波、锯齿波，甚至任意波形。该发明中提到的混沌起搏器微处理器模块可以根据写入的混沌模型，重构产生ECG混沌信号。

在步骤3的示例一中我们使用了径向基函数(RBF)神经网络模型，取该步骤第（4）步所得的相空间重构数据作为输入，即重构产生出新的混沌信号；在步骤3的示例二中，利用构建的函数模型，如公式（3），即可根据t的增加而产生混沌信号。

如此产生的混沌信号其混沌性与步骤2构建混沌模型所用的ECG信号的混沌性一致。

6、分析混沌信号，构建起搏控制模型，确定混沌起搏点。

混沌起搏器微处理器模块分析重构产生的混沌信号，确定最佳的混沌起搏点。

例如，起搏模型获取混沌信号波形的峰值点，作为起搏点。这样心脏每次起搏之间的间隔将不是传统的等间隔，而是符合人体心脏搏动原有的混沌特性。

7、微处理器模块根据混沌起搏点控制电极产生混沌起搏脉冲。

微处理器模块根据分析重构取得的起搏信息，控制电极发出混沌的起搏脉冲，来调节、辅助心脏的起搏。控制电极产生电脉冲的工作原理与传统起搏器相同。

Claims (2)

1.一种基于ECG混沌模型的混沌起搏器，其特征在于，所述混沌起搏器包括电源模块、微处理器模块和电极模块；其中，

所述电源模块用于向微处理器模块供电；

所述微处理器模块内含个性化的ECG混沌模型，产生混沌信号控制电极模块；

所述电极模块用于发出电脉冲刺激心肌，帮助心脏起搏；

所述个性化的ECG混沌模型通过以下步骤构建：

（1）采集人体心脏健康时的ECG信号，或者近亲中健康者的ECG信号；

（2）将连续的ECG信号根据采样定理转换为一维数据序列[x1，x2，xn]；n为自然数，i=1、2、……、n；

（3）对数据[x1，x2，，xn]进行归一化处理；

（4）对归一化后的数据[x1，x2，，xn]，用互信息法求最佳时延 ，用Cao方法求最小嵌入维m；

（5）根据最佳时延和最小嵌入维m对数据[x1，x2，，xn]进行相空间重构，得到重构后的相空间轨道矩阵[X1,X2,…，XL]；

（6）用相空间轨道矩阵[X1,X2,…，XL]作为神经网络训练样本数据，利用matlab工具箱中的RBF神经网络函数设计RBF神经网络模型。

2.一种基于ECG混沌模型的混沌起搏器，其特征在于，所述混沌起搏器包括电源模块、微处理器模块和电极模块；其中，

所述电源模块用于向微处理器模块供电；

所述微处理器模块内含个性化的ECG混沌模型，产生混沌信号控制电极模块；

所述电极模块用于发出电脉冲刺激心肌，帮助心脏起搏；

所述个性化的ECG混沌模型通过以下步骤构建：

（1）采集人体心脏健康时的ECG信号，或者近亲中健康者的ECG信号；

（2）将连续的ECG信号根据采样定理转换为一维数据序列[x₁，x₂，x_n]；

（3）对数据[x₁，x₂，，x_n]，用互信息法求最佳时延，用Cao方法求最小嵌入维m；

（4）、根据最佳时延和最小嵌入维m对数据[x₁，x₂，，x_n]进行相空间重构，得到重构后的相空间轨道数据，并根据相空间轨道数据画出x(n)~x(n+1)的相空间重构图像；

（5）、求出相空间重构图像的拟合函数，根据拟合函数参数确定个性化ECG混沌模型参数，得到个性化ECG混沌模型。