CN109431493B - 基于距离分段加权算法的可穿戴体表电势采集装置 - Google Patents

Abstract

本发明公开了基于距离分段加权算法的可穿戴体表电势采集装置和方法，当使用者穿上装置后，分布在背心上的干电极采集到使用者的体表电势接入模拟前端后送入数据采集***，数据采集***和PC端相接。其中部分干电极收到的信号作为心电信号，用于合成心电图。若对应的导联信号好，则直接采用；若对应的导联信号不好，则采用四种不同的多导联算法得到相应的心电图。根据相似度采用基于距离分段加权算法从四种算法中选出最能代表使用者心电图的算法。根据所得出的心电图分析使用者的身体健康状况并且可以同时根据体表电位标测图(body surface potential mapping，BSPM)确定病灶分布位置以指导后续治疗。

Description

基于距离分段加权算法的可穿戴体表电势采集装置

技术领域

本发明涉及一种体表电势采集技术，尤其涉及基于距离分段加权算法的可穿戴体表电势采集装置和方法。

背景技术

随着人们生活水平的提高以及生活方式的改变，心血管疾病的发病率也逐年升高，其高致残率、高再住院率及高病死率对患者生活质量及社会发展造成了巨大负担。目前全国心血管疾病患者预计2.9亿，其病死率为2.5％～3.0％，已占我国居民死亡构成的40％以上。心脑血管疾病的高死亡率、高致残率、高医疗风险、高医疗负担等特点使其成为重大社会问题。心电等各项体征监测是早期检测心脑血管疾病的有效手段。如果能够对心脑血管疾病患者、亚健康乃至健康人群实施大规模的各项身体体征动态监测，及时把异常状况反馈给医生，并对可能导致严重后果的病因进行早期干预，可以显著降低心脑血管疾病的病死、病残率，极大降低社会经济损失。

申请号为CN201710262618.9的发明虽然能够做到实时监测患者的心电，但是对心电的监测仍不够精确，受到使用者运动的影响较大。无法对患者进行更进一步的分析与诊断，也不能对使用者的心脏病灶定位分析。

申请号为CN201711309089.X的发明通过人体的肠鸣、心跳、呼吸、体温、血氧等来对人体的健康进行监测，仅仅进行了最基本的监测，过于笼统。而对于日益普遍的心脑血管疾病达不到提前发现预防的效果。

发明内容

本发明公开了基于距离分段加权算法的可穿戴体表电势采集装置和方法。目的是监测心脑血管疾病高发人群的体表电势以便于及时预防救治心脑血管突发和方便后续的治疗。其中，所述装置包括背心、干电极、模拟前端、数据采集***和PC端；

干电极直接接触人体，干电极通过导联线把人体电生理信号传输到模拟前端的输入端口，模拟前端经过滤波和放大处理后，输出信号接到数据采集***的输入端口，数据采集***经过A\D转换后模拟信号转变为数字信号，并存储到电脑，作为体表电位标测图的数据支撑。

所述干电极分布在背心上；

所述模拟前端缝制在背心的右侧腰间，模拟前端和干电极用导线相连接；

所述模拟前端(analog front-end AFE)即处理信号源发出模拟信号的硬件设备，需要实现的功能为差分放大电路、高通滤波电路、主放大电路、低通滤波电路。***电路主要由多组电阻电容串联或并联构成，在差分放大电路两个输入端口接适当阻值的大电阻，可以增加电极与模拟前端的阻抗匹配程度；通过在放大器周围放置不同数值的电阻 (放大器是模拟前端的芯片自带的放大器，芯片严格来说就是一个放大器)、电容，可以构成不同通带的滤波电路；

所述模拟前端对干电极采集的体感电势的信号进行处理，包括对信号进行放大和滤波；

所述数据采集***即为将模拟心电信号转换为数字信号的电路***。整个采集***可以分成A\D转换部分，同步触发部分，数据传输部分。A\D转换部分是级联的8块数据采集卡，每块数据采集卡可16路信号同步采样，每块数据采集卡为16位采样精度，采样频率达到250kS/s(此数据采集卡已有成熟产品在售)。8块数据采集卡之间通过同一组时钟信号进行同步触发，使8块数据采集卡可以同时开启采样。采样得到的数据通过PCI-E接口传输到上位机，上位机通过Visual Studio接收数据并实时保存；

所述干电极采集到的体感电势的信号经过模拟前端的***电路的放大和滤波后接入模拟前端的芯片，由数据采集***将该信号转换为数字信号，送入PC端；

PC端对获取的信号进行判定，如果信噪比(Signal-to-noise ratio)达到90dB 及以上，则合成为心电图，否则采用两种以上多导联心电算法得到相应的心电图，并筛选出最符合使用者的心电图。

本发明中，采用四种多导联心电算法得到相应的十二导联心电图，并筛选出最符合使用者的心电图。四种多导联心电算法如下：

三导联重建十二导联算法：心电向量是三维线性空间中的向量，当三个导联轴的向量线性无关时，它们就构成了线性空间的一个基，从而可以求出各导联在这三个原始导联上的投影系数并作为重建系数，求出十二导联的心电图数据。

人工神经网络(ANN)法：通过训练过不断地调整节点之间的连接关系，直到网络训练的误差达到最小值，建立输入层与输出层之间的联系。将用于重建的导联信号作为神经网络的输入神经元，待重建的标准12导联ECG其余信号作为输出神经元进行训练。训练结束后，用于重建的导联与待重建导联之间的关系就由训练完成的神经网络建立了起来。当应用于实际情况时，只需知道用于重建的导联信号，输入到该网络中，就可以得到待重建的其余导联信号。

支持向量机(SVM)法：首先将输入数据通过一个特定的核函数映射到一个高维空间中，接着给特征空间创建一个分离的最大间隔超平面，来进行分类区分，而回归即寻找这个最大间隔的超平面。

线性导联重建方法：选取一定数量的导联作为初始的用于重建的导联，再建立初始导联与标准十二导联之间的线性模型，从而实现导联的重建。

具体包括如下步骤：

步骤1，采用四种不同的多导联心电算法得到四种相应的心电图，把四种心电图同一时段相应的一个周期的心电图波形分别记为A¹，A²，A³，A⁴：

A＝(A¹，A²，A³，A⁴)

n为一个心电波形中数据点的个数，

表示第i种心电图波形中的第n个数据点，A表示四种心电图同一时段相应的一个周期的心电图的集合，i取值为1，2，3，4；

步骤2，根据医学上完整的心电波形包括P波、QRS波、T波和U波将四种心电图波形都分别分为四段，第一段为a₁～a_x，第二段为a_x～a_y，第三段为a_y～a_z，第四段为a_z～a_n，其中a₁为一个完整周期的第一个点即P波的波峰，a_x为QRS波的波峰，a_y为 T波的波峰，a_z为U波的波峰，a_n为完整周期的最后一个点也是P波的波峰。分别计算每种心电图波形分成的四段心电图波形的Hausdorff距离，Hausdorff距离一般用于二值图像的相似性度量，相似度越高，Hausdorff距离越小，当两个图形一样时， Hausdorff距离为0；

步骤3，通过BP神经网络(Back Propagation Neural Network)训练得到四段心电图波形的权值分别为P₁，P₂，P₃，P₄；

步骤4，分别以A¹，A²，A³，A⁴为模板，与其余三个波形计算相似度：

H(aⁱ，a^s)＝max(h(A^s，Aⁱ)，h(Aⁱ，A^s))，

其中，A^s为模板波形，Aⁱ为与模板波形比较相似度的另一波形，a^s为波形A^s的一个点，aⁱ为波形Aⁱ的一个点，h(A^s，Aⁱ)、h(Aⁱ，A^s)为计算的中间值，H(aⁱ，a^s)为心电图中一段波形的Hausdorff距离，，D(aⁱ，a^s)为两波形中各对应点的距离，t为一完整周期波形采样的点，

为模板波形中第t个点，

为与模板波形比较的波形的第t个点，H(Aⁱ，A^s) 为以A^s为模板的Aⁱ和A^s的Hausdorff距离，H_y为第y段波形的Hausdorff距离，P_y为第y段波形的权值，得到四组Hausdorff距离：以A¹为模板：H(A²，A¹)、H(A³，A¹)、H(A⁴，A¹)；以 A²为模板：H(A¹，A²)、H(A³，A²)、H(A⁴，A²)；以A³为模板：H(A¹，A³)、H(A²，A³)、H(A⁴，A³)；以A⁴为模板：H(A¹，A⁴)、H(A²，A⁴)、H(A³，A⁴)；

步骤5，把每组的Hausdorff距离相加后比较，选用和值最小那一组的模板作为最优结果，最优结果对应的心电图波形即为最符合使用者的心电图。

所述干电极为纽扣状，共有N个(一般为120个)。

所述数据采集***同步采集N个干电极获取的体感电势的信号，

所述干电极有120个，大致分为八行十八列，其中七列干电极贴近左胸部分，背心背面六列干电极均匀分布，左锁骨1/3和2/3处分别各有一列干电极，背心左侧面有两列干电极。

所述模拟前端集成在一个盒子中，盒子中设置有提供电源的充电锂电池，盒子外表面设置有开关和电量显示。

所述背心由具有弹性和透气性的布料制成。

本发明还提供了基于距离分段加权算法的可穿戴体表电势采集方法，其特征在于，包括如下步骤：

步骤a1，可穿戴体表电势采集装置充满电后，使用者穿上背心，按下开关；

步骤a2，背心上的干电极同时采集使用者的体表电势，送到模拟前端，经过数据采集***同步采集传送到PC端；

步骤a3，PC端对获取的信号进行判定，如果合适，则合成为心电图，如果不合适，则采用两种以上多导联心电算法得到相应的心电图，并筛选出最符合使用者的心电图；

步骤a3，如果心电图异常，根据体表电位标测图确定病灶的分布。

步骤a3包括如下步骤：

步骤a3-1，设置一正常心肌模型，得到相应的体表电势图，并进行QRS期间的积分，标记所得的体表电位的积分图为SO；

步骤a3-2，心脏按照解剖位置被划分为53个分区，在运算中作为基本单位体表电势；

设置第n分区异位起搏点的模型，通过干电极测得相应的体表电位图，进行QRS 期间的积分，标号所得体表电位的积分图为Sn，n取值为0～53；

步骤a3-3，从Sn中减去SO得到体表电位积分图的差，记为Dn；

步骤a3-4，从Dn中找出极大值maxn，并记录其出现的位置；

步骤a3-5，从Dn中找出极小值minn，并记录其出现的位置；

步骤a3-6，计算从极小值指向极大值方向An；

步骤a3-7，对所有An分析，确定异位起搏点的位置。

本产品的受益者为具有患心脑血管疾病可能性的人，一是有些心脏病表现在一些特殊的情况下，长时间的体表电势的监测可以及时发现心电图的异常，提前预防一些突发状况；二是可以在心脏病突发的状况下发出警报，让患者得到及时的救治，从而降低患者的死亡率和致残率；三是可以根据所测体表电势得到的体表电位标测图确定病灶分布位置，用于指导后续治疗。为此，本发明了一种基于Hausdorff距离的分段加权算法的可穿戴体表电势采集***。

本装置外形类似于普通的紧身背心，基于大多数人的右手习惯，在背心的右边腰间会有心电模拟前端的小盒子，盒子上会有开关和电量显示。打开开关，体表电势监测装置开始工作，120路体表电势经采集处理后发送给数据采集***和PC端，在PC端同步采集、存储、分析、显示。

本发明的有益效果为：

采用具有良好透气性和弹性的布料，能够促进电极与皮肤的接触，减少电极与皮肤摩擦引起的摩擦阻抗，还有助于提高人的穿戴体验，适合长时间穿戴，用于长时间的体表电势监测。在相应导联信号不好的情况下采用120导联采集体表电势，再通过四种不同的算法得出相应的心电图，最后在采用一种基于Hausdorff距离的分段加权算法来选出最接近于使用者实际心电状况的心电图，大大减少了因为摩擦阻抗等引起的干扰，提高了在运动时所测得心电图的准确性。能够建立完整的心脏电势分布图，有助于医生诊断时定点病灶，指导后续的治疗。对使用者的大量的数据采集有助于帮助患者建立完整的心电数据模型，便于日后对使用者病情的分析诊断。

附图说明

下面结合附图和具体实施方式对本发明做更进一步的具体说明，本发明的上述或其他方面的优点将会变得更加清楚。

图1是背心上120个干电极的排布位置图。

图2是本发明装置的主要结构图。

具体实施方式

下面结合附图及实施例对本发明做进一步说明。

如图2中所示，本发明装置包括背心本体、120个干电极、盒子状的心电模拟前端、数据采集***和PC端。

120个干电极制成纽扣状按图1所示位置缝制于背心上。大致分为八行十八列。其中七列干电极较为紧密，贴近左胸部分。干电极与模拟前端由导线相连。

所述的盒子状的心电模拟前端由***电路和芯片构成。干电极采集到的体表电势经过***电路的放大和滤波后接入模拟前端的芯片。由数据采集***同步采集后送入PC端。

芯片型号为AD8232。

数据采集***使用上海简仪科技产品，能实现128路同步采集，采样速率可达250kS/s。

数据采集***与PC端主机机箱PCIE口连接，使用visual studio中C#实现数据同步采集，存储，显示。

利用120干电极分别采集到120路体感电势的信号传送到***电路。经过***电路的放大和滤波后接入模拟前端。数据采集***实现120路同步采集，将采集到的信号送入PC端采用四种不同的多导联心电算法得到相应的心电图。用一种基于Hausdorff 距离的分段加权算法选出最符合使用者的心电图。最后根据得到的QRS波的信息得出结论，做出相对应的处理方法。

算法的详细步骤如下：

步骤一：把四种心电图同一时段相应的一个周期的心电图波形分别记为A¹，A²，A³，A⁴：

A＝(A¹，A²，A³，A⁴)

n为一个心电波形中数据点的个数。

根据标准P波、QRS波、T波将心电分为四段，分别计算Hausdorff距离。第一段为a₁～a_x，第二段为a_x～a_y，第三段为a_y～a_z，第四段为a_z～a_n。

步骤二：通过神经训练网络来确定各段权重的大小，通过BP神经训练网络的得到各段的权值分别为P＝{P₁，P₂，P₃，P₄}。

步骤三：分别以A¹，A²，A³，A⁴为模板，与其余三个波形计算相似度：

H(aⁱ，a^s)＝max(h(A^s，Aⁱ)，h(Aⁱ，A^s))

其中，D(aⁱ，a^s)为两波形中各点的距离。

得到四组Hausdorff距离：以A¹为模板：H(A²，A¹)、H(A³，A¹)、H(A⁴，A¹)；以A²为模板：H(A¹，A²)、H(A³，A²)、H(A⁴，A²)；以A³为模板：H(A¹，A³)、H(A²，A³)、H(A⁴，A³)；以 A⁴为模板：H(A¹，A⁴)、H(A²，A⁴)、H(A³，A⁴)。

步骤四：把每组的Hausdorff距离相加后比较，选用和值最小那一组的模板作为最优结果。

若心电图有异常，则采用以下方法确定心脏病灶：

设置一正常心肌模型，得到相应的体表电势图，并进行QRS期间的积分，标号所得的体表电位的积分图为SO；

心脏按照解剖位置被划分为53个分区，在运算中作为基本单位体表电势。

设置第n(0～53)分区异位起搏点的模型，通过干电极测得相应的体表电位图，进行 QRS期间的积分，标号所得体表电位的积分图为Sn；

从Sn中减去SO得到体表电位积分图的差，记为Dn；

从Dn中找出极大值maxn，并记录其出现的位置；

从Dn中找出极小值minn，并记录其出现的位置；

计算从极小值指向极大值方向An；

对所有An分析，确定异位起搏点的位置。确定方法如下：

先进行个体差异化匹配，使不同个体在同一个标准下对体表等电位图进行疾病判别。对大量的实际异位起搏的病人，先采集其体表电势数据，再通过介入式手段通过临床医学成像技术，找到当前病人异位起搏点的位置，一种异位起搏点位置必然对应多种体表电势图，对体表电势数据与异位起搏点位置做匹配，设置一个匹配度的参数(满值为1)，以此数据为基础建立一个心脏异位起搏点位置与体表电势图对应关系数据库。将采集到病人的体表电势图与数据库中异位起搏点位置做匹配，当匹配度参数达到0.8时即可认为此病人的异位起搏点位置与预测得的异位起搏点位置一致。

实施例

120个干电极制成纽扣状按图1所示位置缝制于背心上。大致分为八行十八列。其中七列干电极较为紧密，贴近左胸部分。干电极与模拟前端由导线相连。

盒子状的心电模拟前端由***电路和芯片构成。干电极采集到的体表电势差分输入，信号经过***电路的放大和滤波后接入模拟前端的芯片。由数据采集***同步采集后送入PC端。

芯片型号为AD8232，该芯片功耗小，体积小，适于长时间的携带和测量。

数据采集***使用上海简仪科技产品，能实现128路同步采集，采样速率可达250kS/s。

数据采集***与PC端主机机箱PCIE口连接，使用visual studio中C#实现数据同步采集，存储，显示。

设定采样率为360Hz。从医学的角度讲，至少选用180个点来代表一个完整的心电图，即n＝180。

根据标准P波、QRS波、T波将心电分为四段，第一段为a₁～a₆₀，第二段为a₆₁～a₈₀，第三段为a₈₁～a₁₃₀，第四段为a₁₃₁～a₁₈₀。

通过训练神经网络得到各段的权值分别为P＝{P₁，P₂，P₃，P₄}＝{0.2，0.05，0.4，0.35)。

分别以A¹，A²，A³，A⁴为模板，与其余三个波形计算相似度：

得到得到四组Hausdorff距离：H(A²，A¹)、H(A³，A¹)、H(A⁴，A¹)；H(A¹，A²)、H(A³，A²)、H(A⁴，A²)；H(A¹，A³)、H(A²，A³)、H(A⁴，A³)；H(A¹，A⁴)、H(A²，A⁴)、H(A³，A⁴)。把每组的Hausdorff距离相加后比较，选用和值最小那一组的模作为最优结果。

若心电图有异，则根据体表电位标测图分析确定心脏病灶位置分布。

本发明提供了基于距离分段加权算法的可穿戴体表电势采集装置和方法，具体实现该技术方案的方法和途径很多，以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。本实施例中未明确的各组成部分均可用现有技术加以实现。

Claims (6)

1.基于距离分段加权算法的可穿戴体表电势采集装置，其特征在于，包括背心、干电极、模拟前端、数据采集***和PC端；

所述干电极分布在背心上；

所述模拟前端缝制在背心的右侧腰间，模拟前端和干电极用导线相连接；

所述模拟前端对干电极采集的体感电势的信号进行处理，包括对信号进行放大和滤波；

所述干电极采集到的体感电势的信号经过模拟前端的放大和滤波后，由数据采集***将该信号转换为数字信号，送入PC端；

PC端对获取的信号进行判定，如果信噪比达到90dB及以上，则合成为心电图，否则采用如下步骤：

步骤1，采用四种不同的多导联心电算法得到四种相应的心电图，把四种心电图同一时段相应的一个周期的心电图波形分别记为A¹，A²，A³，A⁴：

A＝(A¹，A²，A³，A⁴)

n为一个心电波形中数据点的个数，

表示第i种心电图波形中的第n个数据点，A表示四种心电图同一时段相应的一个周期的心电图的集合，i取值为1，2，3，4；

步骤2，根据标准P波、QRS波、T波和U波将四种心电图波形都分别分为四段，第一段为a₁～a_x，第二段为a_x～a_y，第三段为a_y～a_z，第四段为a_z～a_n；其中a₁为一个完整周期的第一个点即P波的波峰，a_x为QRS波的波峰，a_y为T波的波峰，a_z为U波的波峰，a_n为完整周期的最后一个点也是P波的波峰；分别计算每种心电图波形分成的四段心电图波形的Hausdorff距离，

步骤3，通过BP神经网络训练得到四段心电图波形的权值分别为P₁，P₂，P₃，P₄；

步骤4，分别以A¹，A²，A³，A⁴为模板，与其余三个波形计算相似度：

H(aⁱ，a^s)＝max(h(A^s，Aⁱ)，h(Aⁱ，A^s))，

其中，A^s为模板波形，Aⁱ为与模板波形比较相似度的另一波形，a^s为波形A^s的一个点，aⁱ为波形Aⁱ的一个点，h(A^s，Aⁱ)、h(Aⁱ，A^s)为计算的中间值，H(aⁱ，a^s)为心电图中一段波形的Hausdorff距离，D(aⁱ，a^s)为两波形中各对应点的距离，t为一完整周期波形采样的点，

为模板波形中第t个点，

为与模板波形比较的波形的第t个点，H(Aⁱ，A^s)为以A^s为模板的Aⁱ和A^s的Hausdorff距离，H_y为第y段波形的Hausdorff距离，P_y为第y段波形的权值，得到四组Hausdorff距离：以A¹为模板：H(A²，A¹)、H(A³，A¹)、H(A⁴，A¹)；以A²为模板：H(A¹，A²)、H(A³，A²)、H(A⁴，A²)；以A³为模板：H(A¹，A³)、H(A²，A³)、H(A⁴，A³)；以A⁴为模板：H(A¹，A⁴)、H(A²，A⁴)、H(A³，A⁴)；

步骤5，把每组的Hausdorff距离相加后比较，选用和值最小那一组的模板作为最优结果，最优结果对应的心电图波形即为最符合使用者的心电图。

2.根据权利要求1所述的装置，其特征在于，所述干电极为纽扣状。

3.根据权利要求2所述的装置，其特征在于，所述数据采集***同步采集多个干电极获取的体感电势的信号。

4.根据权利要求3所述的装置，其特征在于，所述干电极有120个，分为八行十八列，其中七列干电极贴近左胸部分，背心背面六列干电极均匀分布，左锁骨1/3和2/3处分别各有一列干电极，背心左侧面有两列干电极。

5.根据权利要求4所述的装置，其特征在于，所述模拟前端集成在一个盒子中，盒子中设置有提供电源的充电钾电池，盒子外表面设置有开关和电量显示。

6.根据权利要求5所述的装置，其特征在于，所述背心由具有弹性和透气性的布料制成。

Images