基于模糊匹配的分布式SNE信号采集系统设计.docx

1、基于模糊匹配的分布式SNE信号采集系统设计基于模糊匹配的分布式SNE信号采集系统设计 摘 要： 针对窦房结电图（SNE）采集电极的位置因人不同而需要手动调整效率较低的问题，提出一种分布式电极获取窦房结电图的方法。首先利用分布式布局的电极采集多路数据，然后采用具有低通和高通性能的形态滤波器对各组数据进行滤波，最后采用模糊模板匹配方法确定每个测试者获取窦房结电图的最佳准确电极。实验结果表明：采用分布式布局的窦房结电图采集系统，可以快速、有效地自动获取不同测试对象的窦房结电图，从而为窦房结功能的诊断提供有效的原始数据。 关键词： 窦房结电图； 分布式电极； 采集系统； 形态滤波； 模糊模板匹配 中图

2、分类号： TN911.7?34； TP216.1 文献标识码： A 文章编号： 1004?373X（2015）07?0092?04 0 引 言 心脏窦房结是正常心脏活动的起搏点，窦房结功能障碍是由心脏窦房结或其周围组织的器质性病变导致的机能障碍，它是心律失常的主要病因之一，是重要的心脏疾病。针对心脏功能检测与分析的方法一直是研究的热点1。现有体表窦房结电图的记录方法主要采用超微心电图仪，导联方式采用C导联又称蔡氏导联，即以Z轴为方向，记录电极在体表胸骨左右缘，从第2肋间开始顺序向下探测，参考电极置于背部平对的第三至第四胸椎水平，在后正中线右侧约1.5 cm左右2 。 上述采集窦房结电图的方法由

3、于被测者的身高和生理结构不同，电极具体的安装位置会有所差异。 南京蔡毓英在1987年对50例临床诊断进行了窦房结电图的采集3，湖南赵玉元等在2001年研究了体表窦房结电图对窦房结功能检测的意义，对210例测试者进行窦房结数据采集4。上述研究获取窦房结电图的电极位置在胸骨右缘第三肋骨间（R3）的比例最大占65%，其次是胸骨右缘第四肋骨间（R4），占28%，其他采集位置分布在胸骨左右缘第二到第五肋骨间，占7%。因此如果仅在某个固定的位置上采集窦房结电图有时会无法获取数据，另外如果根据测试对象实际手动调整电极位置，将增加医务人员的工作量，工作效率会降低。 本文以现有研究中获取有效窦房结电图电极的位置

4、为基础，设计一款分布式布局的窦房结电图采集系统，包括分布式布局的电极、信号调理与采集电路及信号处理电路。所设计的采集系统可以自动获取有效的窦房结电图数据，而不需要手动调节电极的位置，从而为快速获取窦房结电信号及进一步评价窦房结功能提供了可靠依据。 1 分布式电极的设计 文献5中给出第三肋间开始一直到第七肋间隙这一段胸骨的平均宽度，女性是（2.710.31） cm，男性是（3.070.43） cm。由此可见成年人的肋骨间距相差较小，因此，可以设计分布电极与各肋骨边缘的位置相对应。将分布式电极片安装到可穿戴的背心上，所设计的分布电极位置示意图如图1所示。 图1 分布式电极模型图 图1中0为参考电极

5、置于背部平对的第三至第四胸椎水平，在后正中线右侧约1.5 cm左右；1、2、3及4号电极在胸骨右缘的第二、第三、第四及第五肋间；5、6、7及8号电极在胸骨左缘的第二、第三、第四及第五肋间。 2 硬件系统的设计 窦房结电图采集系统的硬件系统包括电极保护电路、信号调理与采集电路、信号处理电路。系统框图如图2所示。 图2 窦房结电图采集系统框图 窦房结电信号采集放大电路如图3所示。 图3 窦房结电信号采集放大电路 考虑到窦房结电信号是极其微弱的高内阻信号，因此在设计中，一方面采用高输入阻抗的前置放大器6；另一方面为了避免测量系统在应用过程中发生的静电与除颤等高电压损坏前端采集电路，在每个电极到前置放

6、大器之前都采用陶瓷气体放电管及二极管进行双重保护。信号调理与信号采集电路主要完成对信号的放大、硬件滤波及采集。通过在前置放大电路管脚间引入反相积分电路可初步滤除基线漂移，高通截止频率可以根据f-3 dB=1（2RC）确定。 3 信号处理 3.1 窦房结电图信号滤波器的设计 窦房结电图在记录过程中，会受到环境电磁波、采集设备的电子噪声、测试者的呼吸与移动所引起的基线漂移、肌电信号等多种干扰。本设计在硬件电路中已经初步滤除了基线漂移。因此在信号处理算法上需要重点滤除高频噪声及残余的基线漂移干扰。 数学形态滤波的基本思想是在信号中不断地移动元素结构，以提取有用的信息从而达到信息提取、细节保持和噪声抑

7、制的目的7?8。由于窦房结电图信号是低频信号，而扁平元素通常容易导致低频段的信号失真，因此本文采用非平结构元素，设计不同半径和高度的半圆结构元滤除基线漂移及高频噪声干扰9。半圆型结构元半径介于待滤波函数幅值的150110之间，而且半径越小，滤波精度越高。通过多次反复实验得到用于抑制基线漂移的两个半圆型结构元半径及高度分别为（85，47）和（52，17）。用于滤除高频噪声干扰的半圆型结构元半径和高度为（5，2）。半圆型结构元素图如图4所示。 图4 半圆结构元素图 3.2 基于模糊匹配的窦房结电图采集电极选择 由分布式布局的多电极同时采集不同部位潜在的窦房结电图数据，需要进一步确定被测试者获取窦房

8、结电图的最佳位置。本文采用模糊模板匹配的方法进行识别。 首先以文献10和文献11中的窦房结电图信号作为初始的标准模板，在采集到与之匹配的窦房结电图后，对模板进行更新，并建立窦房结电图的模板库。 模糊模板匹配方法确定窦房结电图采集电极的方法具体实现步骤如下： （1） 归一化 将标准模板及各个电极采集的信号对A波最大值归一化。 （2） 特征提取 以A波峰值为中心，向前取430 ms，向后取200 ms的信号，作为分析的信号片段。提取如下特征：A波宽度（WA），A?V期间（PAV），A波起点向前40 ms的波形，并对A波起点值做归一化计算（Wave40），以及A波起始点前20 ms的斜率（Slope

9、）。 （3） 模糊隶属度计算 计算上述4个特征量WA，PAV，Wave40，Slope对模板相应特征量的模糊隶属度。采用正态型隶属函数12?14： i（xi）=exp-xi-aibi2， i=1，2，3，4 （1） 式中：xi为第i个特征量值；ai为模板的第i项特征量值；bi的值反映了隶属度对特征量值变化的敏感度，具体设置为：b1为模板中A波宽度的一半；b2为模板AV期间值的一半；b3为模板A波起点前40 ms对A波起点归一化的波形的数值；b4为模板A波起点前20 ms的斜率。 （4） 模糊贴近度的计算 采用模糊贴近度来衡量各信号与标准模板的匹配情况，采用公式（2）进行计算： （Xj）=1-i

10、=14i2i（xji） （2） 式中：Xj为待判定的SNE信号的特征；i为各项特征的模糊隶属度在贴近度中的权重，4个特征的权重分别为0.05，0.1，0.05，0.8。 （5） 判断决策 首先找到最大的模糊贴进度max，然后判断max是否大于阈值th。th的值在调试过程中，通过对10个测试对象模糊贴近度的实际值进行平均而得到。如果max大于阈值则选择其对应的电极为该测试者的测试电极；如果max小于阈值，则表明在各个通道中均没有反应窦房结电图的电极，此时需要再调整电极的位置，直到max大于阈值，即找到获取窦房结电图的位置。 4 实验结果 4.1 窦房结电图滤波结果 利用分布式布局的采集系统在实验

11、室对人体进行实际测量。在每个电极对应的位置上涂擦导电膏，然后测试者穿上分布式布局电极的背心，静坐5 min后开始采集数据。对于硬件滤波中残余的基线漂移信号，采用图4（a）、（b）中的结构元分别对信号进行开?闭计算，然后取两者的平均，得到基线漂移信号，再用原始信号减去该基线漂移信号，就可得到去除基线漂移的窦房结电信号。第二阶段对滤除基线漂移的信号采用图4（c）中半圆结构元形态滤波器去除高频干扰。 本文所提出的形态滤波器滤波结果如图5所示。 图5 SNE信号滤波前后对比 4.2 窦房结电图自动采集结果 分布式电极同时采集到测试对象的8组信号波形，如图6所示。将每组信号的特征参数与标准模板的参数进行

12、模糊模板匹配，确定采集窦房结电图的准确电极。在20个测试对象中识别到正确窦房结电图信号的电极在胸骨右缘第三肋间（R3）的有14例（70%），胸骨右缘第四肋间隙（R4）的有3例（15%），胸骨左缘第三肋间隙（L3）的有1例（5%），胸骨右缘第五肋间（R5）的有1例（5%），需要手动调整的1例，采集位置在胸骨左缘第四肋间（L4）（5%），该测试者偏胖。 图6 由分布式电极获取的数据波形 4.3 窦房结电图手动与自动获取时间对比 对4.2节中的20名测试者分别采用手动方式和分布式电极自动获取方式获得窦房结电图。对每个测试者从第一次安放好电极开始计时，直至检测到正确的SNE信号停止计时。记录每个测试者

13、在不同方式下获得准确SNE信号的时间，两种方式时间对比如表1所示。手动测试每次从胸骨右缘第三肋间开始。 从表1可见，对窦房结电图采集位置在胸骨右缘第三肋骨间R3的测试者，采集时间相同，而对于标准体型的测试者在其他位置获取SNE信号时，分布式电极采集方法具有明显的时间优势。而对于特殊体型的人，由于自动获取方式具有多个电极，在需要移动电极位置获取SNE信号时仍然具有明显的时间优势。 表1 手动方式与自动方式获得SNE信号时间对比 获取SNE 位置&测试者数量 /人&手动测试 平均时间 /s&自动获取 平均时间 /s&R3&14&0.020&0.020&R4&3&70&0.021&R5&1&85&0

14、.019&L3&1&100&0.020&L4&1体型偏胖&120&20& 5 结 语 本文提出了一种分布式布局的窦房结电图获取方法，通过模糊匹配方法对分布式电极采集到的数据与标准模板进行匹配，可以快速确定获取窦房结电图的最佳位置。该方法操作方便，实现了窦房结电图的自动采集，大幅度提高检测效率。同时，采集的数据经过本文提出的复合式形态滤波，可以很好地保留窦房结电图的特征，可为后续分析提供良好的数据源。 参考文献 1 刘雄飞，晏晨伟，胡志坤.基于数学形态及支持向量机的心率失常识别J.计算机应用，2013，33（4）：1173?1175. 2 蔡毓英，叶定忠，林谷秀，等.体表窦房结区电活动的非叠加实

15、时监测?体表窦房结电图J.南京医学院学报，1986，6（4）：233?237. 3 蔡毓英，林谷秀，叶定忠，等.体表窦房结电图对窦房结病变的诊断价值初探J.南京医学院学报，1987，7（2）：77?80. 4 赵玉元，赵学辉.体表窦房结电图对窦房结功能检测的意义J.中国现代医学杂志，2001，11（3）：58?60. 5 SELTHOFER R， NIKOLIC V， MRCELA T， et al. Morphometric analysis of the sternum J. Collegium Antropologicum， 2006， 30（1）： 43?47. 6 陈民铀，王宇丁，张

16、莉，等.基于无线传感器技术的人机接口系统设计J.传感器与微系统，2012，31（10）：113?115. 7 庞宇，邓璐，林金朝，等.基于形态滤波的心电信号去除基线漂移方法J.物理学报，2014，63（9）：098701?1?6. 8 叶鸿瑾，张雪英，王亚男.融合提升小波和形态学熵权的医学图像边缘检测J.计算机应用与软件，2014，31（2）：214?216. 9 VERMA R， MEHROTRA R， BHATEJA V. An integration of improved median and morphological filtering techniques for electro

17、cardiogram signal processing C/ IEEE 3rd International Advance Computing Conference （IACC）. Ghaziabad： IEEE， 2013： 1223?1228. 10 徐钰.基于FPGA的窦房结电图信号处理与分析技术研究D.南京：南京理工大学，2012. 11 徐钰，周严.窦房结电图中P前波自动识别技术的研究J.电子技术应用，2011，37（11）：88?91. 12 葛毅，曹宇，宫琴，等.基于聚类分析和模糊数学的胎儿心电检测J.清华大学学报：自然科学版，1999，39（5）：20?23. 13 陈伟琦，胡斌杰.基于高斯隶属度的融合算法在改进Leach中的应用J.传感器与微系统，2011，30（2）：135?138. 14 李辉，潘恺，张新.基于模糊理论的多传感器信息融合算法J.计算机工程与应用，2012，48（4）：128?131.