文摘

本文描述了一个机身电磁传感器的设计和实现为患者植入心脏起搏器。传感器可以安装在心肌组织和监测心电图(ECG)与接触电极或植入皮肤下和同轴监测心电图线索。一个16位的高分辨率模拟前端(AFE)和一个节能的32位CPU用于瞬时心电图记录。传感器和临床医生的计算机之间的无线数据传输是通过嵌入式低功耗蓝牙发射机。为了自动识别起搏器的工作状态和报警事件起搏器故障引起的心律失常,节奏模式分类和故障诊断记录的心电图是基于人工智能算法的实现,即。资源分配网络(跑)。传感器的原型上实现一个人的躯干,和在体外测试结果证明1-4-meter传输的传感器可以正常工作范围。

1。介绍

根据世界卫生组织2019年的全球卫生估计(1),心血管疾病(CVD)已经成为人类死亡的主要来源之一,在过去的20年里,占总死亡病例的16%。准确和先进的筛查心脏衰竭迹象是一种有效的方法在降低病人的死亡率由心脏失败造成的。在所有的心脏监测技术、心电图(ECG)信号是最常用来评估心脏和显示状态的不规则的心跳,由于其高分辨率和很强的抗干扰能力。

连续心脏监测心脏的节奏通常是由一个移动监测心电图监测设备,即。,霍尔特(2,3]。然而,有一些缺点霍尔特。首先,笨重,不方便携带,导致需要一个特定的操作环境。其次,心血管疾病患者需要粘贴电极可能导致皮肤过敏。第三,霍尔特不允许1 kHz[以上频率运行4),这使得它很难在极端条件下检测异常心脏事件。例如,当患者植入起搏器瞬态电磁场暴露,电磁干扰(EMI) ~千赫至~ MHz的频率可以在节奏中创建循环形成的领导和脉冲发生器。这些EMI信号难以检测的常规霍尔特,但它们需要恰当的监控这些信号可能会被误解为正常节奏脉冲的起搏器起搏故障和潜在的原因。一个传感器可以监测正常心电图和心脏衰竭的高频电磁干扰信号同时是必要的保护。

目前,各种耐磨和植入式传感器开发了基于表面心电图监测心脏活动,但他们中的大多数只能检测心电图没有分类的节奏模式(3,5,6]。因此,心电图异常信号,如心律失常、只能被人工视觉检查心电图的医生。然而,一些不正常的信号缺乏特异性,它们之间的区别和正常信号不显眼的。误解和遗漏重要信息的心电图诊断是不可避免的。因此,智能诊断方法有必要改善心电图诊断的准确性。最近的研究表明,深机器学习可以建立非线性函数映射关系的心电图,充分探索手工难以识别的信息(6,7]。出于这个原因,引入机器学习协助ECG信号的识别和诊断检测到一个植入式传感器可以大大提高诊断的效率,减少误诊率,节省医疗费用(6- - - - - -8]。

本文的设计和评价介绍了植入式电磁传感器,可以监测和分类心电图与超低功耗、高信号分辨率和节奏模式自动识别。本文的组织结构如下:首先,我们描述了体系结构和联合心电图远程控制系统的关键参数,其次是嵌入式形式在各种临床条件和主要电路模块的传感器。接下来,深入学习网络基于跑模型介绍了自动测量心电图信号的故障诊断。最终,机身传感器测试的可行性在体外测试,表明该传感器可以为1-4-meter传输正常工作范围,和两种类型的异常节奏模式,即。肺动脉高压(PH)和呼吸性窦性心律不齐(RSA),成功通过增高ECG信号进行验证。

2。植入式电磁传感系统的设计

2.1。系统架构

如图1植入式电磁传感系统由两部分组成,即。,机身电磁传感器和人工智能诊断系统。机身传感器,心律表面的心肌接触电极和放大接收到的高度敏感和低噪声运算放大器(9152)男子与一个电阻网络集成和高通滤波器。time-multiplexed 16位SAR ADC数字化输出信号。ADC的输出被发送到中央处理单元(CPU MSP432P4011RGCR),这包与拟议的框架结构ADC的输出数据。记录的数据是存储在一个1 GB SPI闪存和无线传输的节能电脑蓝牙发射机。选择了3.7 V锂电池作为电源支持1 MHz 1-4-meter采样率的传输范围。传播的心律心电图的形式,检查电脑上的人工智能诊断系统。人工智能诊断系统是通过离线网络训练和在线模式识别。在离线训练部分,典型的心电图正常,肺P波,心律失常病例进行监测霍尔特挤在心电图数据库。小波包分解(WPD)和主成分分析(PCA)提取使用上述三种类型的心电图的特征。 Then, the training was carried out in the model based on the RAN algorithm. For the online model evaluation, the ECG monitored in real time by the in-body sensor are scanned online through WPD and the feature extraction is achieved online by PCA. By using the pretrained weights of the network, the pacing mode can be correctly recognized.

2.2。传感器几何

如图2植入式电磁传感器主要由钛合金外壳和一个内置采样芯片。钛合金外壳可以被描述为一个圆柱形屏蔽容器通过适当的密封压盖,从而很好地保证了电磁屏蔽到GHz频率和防水。是指出,接触电极的心率测量是不同的在活的有机体内和在体外条件。为在体外测试中,传感器可以在靠近身体,以便接触电极设计为一对探测针。为在活的有机体内测试、传感器只能呆在皮下的口袋里,这样接触电极设计为同轴铅电极可通过静脉。内置的采样芯片由四个部分组成,即。,a signal modulation board, a master control board, a wireless communication, and a data storing board. The detailed implementations of each part are described in the following sections.

2.3。电路实现

2.3.1。信号调制板

如图3、信号调制板是完全通过一个模拟电路的实现。它的主要功能是滤杂波和增强心脏节律信号。模拟电路由输入电路、二级放大电路,电路。输入电路是由两个电阻的值800 kΩ和200 kΩ系列,可以实现的功能减少了输入信号通过电阻电压4/5。二级放大器是coamplifier TLV9152模型。二级放大电路的作用是使信号设置阈值,并确保信号的极性可以记录下来。落后于电路电阻网络由一个eight-choice SN74CBTLV3251模型模拟开关,可以放大128倍的信号。落后于电路可以去除杂乱低于设定阈值。此外,通过设置过滤器的参数,设备可以测量信号频率1 MHz。

2.3.2。主控板

如图4,主控制系统的功能是将放大和无声的电信号转换为数字信号。time-multiplexed 16位SAR ADC数字化输出信号。ADC的输出被发送到中央处理单元(CPU MSP432P4011RGCR),这包与拟议的框架结构ADC的输出数据。此外,参考电压芯片(REF4132)提供了与振幅为2.5 V电压,确保高精度和高稳定性的ADC。本节保证设备的采样率1 Mbps。

2.3.3。无线通信和数据存储

如图5,数字信号存储在一个1 GB闪存(TC58CVG1S3HRAIJ),控制通过串行接口(SPI)的CPU。该设备可以连接到个人电脑通过无线蓝牙传输数据(CC2650)。然后,心血管疾病的类型可以被通过电脑上的人工智能诊断系统。

2.4。人工智能诊断系统

离线网络训练过程提供了pretrained权重节奏模式的在线智能诊断系统的分类。使检测到的心电信号离线训练使用公开数据从生理网数据库(9]。一个典型的心电图信号从生理网如图6。三种类型的心电图信号被选为培训目标,即。,normal, pulmonary hypertension (PH), and respiratory sinus arrhythmia (RSA), and the sample size for each pacing mode is defined as 500. For the precision of AI algorithm validation, ECG cases with PH and RAS are selected from people with different degrees of disease. The testing targets for online classification are the ECG signals obtained by the electromagnetic sensor. The detailed evaluations of the AI technology are described in the following sections.

2.4.1。数据处理

心电信号处理包括噪声消除、基线漂移和数据增强[10,11]。经验分解算法(EDM)用于心电图信号分解成10个固有模态函数(IMF) (12]。小波变换算法降噪IMF1 IMF2和高频率。IMF9和IMF10低频可以消除基线漂移中值滤波算法。然后,IMF国际货币基金组织模式和剩下的加工模式重构获得光滑、无噪声的ECG信号。最后,执行数据增强防止神经网络过度拟合,提高心电图的不平衡的频率(13]。数据处理后的心电图显示在图7。

增强了心电图数据处理后,pan-Tompkins QRS特征检测算法应用于处理心电图定位QRS峰值点。根据QRS的位置,心跳信号分开切成单身(14]。QRS的位置确定后,P波的位置大概是200 ms远离QRS也可以。可以获得P波的峰值在150 ms - 200 ms的QRS的峰值的出现15]。心跳细分的过程中,99个样本点被截获向前和100采样点拦截向后QRS峰值点的位置。每个样本可以包含一个P波、QRS波、T波,心跳周期的其他信息。定位P波如图8。

2.4.2。特征提取

在本文中,小波包分解(WPD)和主成分分析(PCA)是用来提取心电图特点。三层小波包分解后的心电图,8 subfrequency频带的小波包系数,有助于分析不同频段信号(16]。心电图正常的情况下的时间频率,PH值,和RAS是完全不同的,所以每个ECG的能量是不同的在不同的频段。因此,计算各频带的能量作为特征向量来诊断心电图类型(17]。小波包分解后的信号,能量在每个subfrequency带计算如下: 在哪里小波包分解层数,系数的数量吗 ,和获得的分解系数 - - - - - -层小波包。

在每个subfrequency乐队后获得的能量 - - - - - -层小波包分解的信号计算 的信号是由3 - layer小波包分解得到8频段,然后,能量在每个subfrequency乐队和归一化的特征向量计算每个ECG。

为了简化计算过程,使用主成分分析,可以用来删除冗余功能组件和提取的主要部分。是单位向量对应的特征, 。 是特征根。主成分之间的关系( ),特征向量矩阵 ,的贡献因素主成分可以表示为

2.4.3。分类工具

资源分配网络(跑)是一个单隐层网络,可以创建一个紧凑的网络,具有学习速度快的特点(18]。因为它的结构和高效的性能,运行网络可以用来分类后心电图数据特征提取。高斯的激活函数为每个隐层的隐藏节点在跑,和下面的本地映射实现: 的隐藏节点的数据中心运行。是隐藏节点的宽度。是隐藏节点的输出。是隐藏的节点之间的连接权重和输出节点。为了加速算法的学习速度,下列方程通常是用来取代方程(6)。 在哪里是一个经验值为2.67。

在离线训练过程中,心电图正常的情况下,PH值,从生理网数据库RAS标记的数据集心电图分类。然后,利用主成分分析法(PCA)由WPD心电图特征提取和优化。最后,80%的ECG数据的运行网络训练,剩下的20%的心电图数据被用来测试分类器,建立了心电图诊断模型。在在线分类过程中,心电图心肌上收集的数据的机身电磁传感器。获得的特性和选择,然后送到了分类器首选异常特性的在线诊断。最后,心电图类型对应于真正的心电图情况下是起诉。人工智能诊断系统的工作流程图如图9。

3所示。在体外实验验证

为了进一步验证我们的设计,一个在体外使用原型传感器进行实验,如图10。介绍了人体躯干幻影在EMI源。人类的躯体幻影是由心脏起搏器连接到一个猪肉沉浸在生理盐水。EMI源使用气隙的开/关开关一系列电容器的充电/放电生成一个脉冲电流持续时间以微秒为单位和千安培的振幅,可以创建一个辐射电磁场的毫伏特斯拉周围的躯干。

在测试期间,猪心不断兴奋的节奏脉冲60 ppm起搏器,发出的振幅大约0.6 - -0.8 mV的正常心电图。植入式电磁传感器用来监测心电图信号心肌不断。

典型的心电图信号测量的机身传感器如图11。图(11日)显示了正常心电图测量的传感器。单一心电图周期大约是800 ms及其振幅为0.6 mV,霍尔特与心电图检测到相同的。此外,P波、QRS波的特征可以完全证明了正常心电图信号测量的传感器。图11 (b)显示了心电图例PH值测量的传感器。关键特性的这种心电图P波与极高的峰值波振幅,这是正常的P波约5倍。这个特性是相同的临床心电图例博士的人物11 (c)显示了由传感器记录心电图例RAS。这种心电图的关键特征是单一ECG信号的间隔时间大于1000 ms,可对应于临床心电图情况下拉。

为了充分反映模型的适用性,我们选择三种心脏起搏器的心跳脉搏源在体外实验。以1 kA为步长,三个心脏起搏器工作1 - 5卡下,在每个当前水平和5实验。识别结果如图12和表1。结果表明,该系统可以自动区分三种类型的心电图,总体分类精度为83.2%。

4所示。结论

本文提出一种新的植入式传感器系统,无线通信,易于使用的心电数据采集和节奏模式识别。这个系统是基于合作heart-computer-interface技术,即。,一个机身电磁传感器结合增高心电图。机身传感器由一个高度敏感和低噪声模拟信号测量模块、CPU time-multiplexed ADC和高分辨率数据处理,和一个节能的蓝牙发射机用于数据传输到PC。高度集成chip-on-chip包装允许接触电极传感器探头或同轴铅形式和监控正常心电图和EMI信号同时进行。进一步深入学习网络基础上运行算法应用于测量心电图信号从PC,它允许精确的特征提取和模式识别正常和异常心电图。传感器是一个测试在体外实验,结果表明,该系统能够同步测量和诊断ECG信号从心脏起搏器。两种类型的异常心电图。,PH and RAS cases, as well as the normal ECG are successfully recognized by the AI diagnosis system with overall classification precision of 83.2%. Overall, the validated and verified design of in-body sensor and AI-enhanced ECG could potentially be used as human-like interpretation of the ECG but also as a powerful tool for long-term and emergency monitoring of cardiac health and diseases.

数据可用性

使用的数据来支持本研究的发现可以从相应的作者。

的利益冲突

作者宣称没有利益冲突有关的出版。

确认

这项工作是由中国国家自然科学基金(82172068和82172068号)。