基于相空间重构与RBF网络的心冲击波补偿研究.pdf
《基于相空间重构与RBF网络的心冲击波补偿研究.pdf》由会员分享,可在线阅读,更多相关《基于相空间重构与RBF网络的心冲击波补偿研究.pdf(11页珍藏版)》请在咨信网上搜索。
1、ISSN 10049037,CODEN SCYCE4Journal of Data Acquisition and Processing Vol.38,No.4,Jul.2023,pp.926-936DOI:10.16337/j.10049037.2023.04.015 2023 by Journal of Data Acquisition and Processinghttp:/Email:sjcj Tel/Fax:+8602584892742基于相空间重构与 RBF网络的心冲击波补偿研究郑小涵1,2,杨越琪1,2,朱岩1,2,李晓欧1,2(1.上海健康医学院医疗器械学院,上海 201318
2、;2.上海理工大学健康科学与工程学院,上海 200093)摘要:在基于心冲击描记图的非接触式心率检测方法中,心冲击波的真实形态容易在体动发生时被掩盖。为解决无效信号给心跳点定位造成的阻碍,提出一种相空间重构与 RBF神经网络结合的体动区间波形补偿模型。首先利用改进的 CC 法选取合适的重构参数,并通过动态 k均值聚类确定网络拓扑结构,将动作发生前时间序列在重构空间中的相点作为学习样本输入到模型中,进而实现对无效信号段的单步递归预测。实验结果显示,该预测模型性能良好,能够减少原始信号中不规则噪声带来的影响,经模型修正后计算逐拍心动周期的平均误差为 1.27%,平均绝对误差为 8.9 ms,有效避
3、免了心跳事件的误判。关键词:相空间重构;RBF神经网络;心冲击描记图;体动区间;波形补偿中图分类号:R318 文献标志码:ABallistocardiogram Waveform Compensation Based on Phase Space Reconstruction and RBF NetworkZHENG Xiaohan1,2,YANG Yueqi1,2,ZHU Yan1,2,LI Xiaoou1,2(1.College of Medical Instruments,Shanghai University of Medicine&Health Sciences,Shanghai 2
4、01318,China;2.College of Health Science and Engineering,University of Shanghai for Science and Technology,Shanghai 200093,China)Abstract:In the non-contact heart rate detection method based on ballistocardiogram,the actual shape of ballistocardiogram signals is easily covered up during notable body
5、movements.To address the obstruction caused by invalid signals in locating the heartbeat point,a waveform compensation model for notable movement segments is proposed,which combines phase space reconstruction with RBF neural network.Firstly,the improved C-C method is used to select the appropriate r
6、econstruction parameters.Then,the network topology is determined by dynamic k-means clustering.Transform the time series before the movement into phase points in reconstructed space,and feed them into the model as learning samples.Finally,the single-step recursive prediction of invalid signal segmen
7、t is realized.Experimental results show that the prediction model has good accuracy and it can reduce the influence of irregular noise in the original signal.After model modification,the mean error of beat by beat cardiac cycle is 1.27%and the mean absolute error is 8.9 ms,effectively avoiding the m
8、isjudgment of heartbeat events.Key words:phase space reconstruction;RBF neural network;ballistocardiogram(BCG);movement segment;waveform compensation基金项目:上海高水平地方高校建设项目(E1-2602-21-201006-1);上海市智能医疗器械与主动健康协同创新中心建设项目(GWV-10.1-XK05);上海市科委地方院校能力建设项目(22010502400)。收稿日期:20220307;修订日期:20220527郑小涵 等:基于相空间重构与
9、RBF网络的心冲击波补偿研究引言心冲击描计图(Ballistocardiogram,BCG)是一种非侵入式生理信息监测技术,它将血液经心室泵出后流经全身产生的一系列冲击力记录下来,能够体现人体循环系统的工作状态1。相比于传统的心电(Electrocardiogram,ECG)监测设备,基于 BCG 的监护方案脱离了导联的束缚与粘性电极带来的皮肤负担,能够在不影响用户日常生活的状态下进行,有助于为心血管疾病的早期预防及临床诊断提供参考23。现有的 BCG 采集装置多采用压电传感器完成电信号的转换与识别,但由于 BCG 信号相对微弱,在测量过程中极易受到干扰,如脏器活动、肌肉收缩等,都有可能加入到
10、振动信号中构成伪迹。近年来,大量研究人员进行了基于 BCG 信号的心率提取工作,算法包括频谱法、波峰检测和模板匹配等46,同时结合了小波变换、经验模态分解与各类滤波器设计,以抑制原始信号中的噪声影响79。以上去噪方法大都针对呼吸引起的胸廓起伏或其他微弱震动而设计,在受控的实验环境下,均能达到较高的心率提取准确率。但对于不规则干扰源引起的信号受损片段,仍无法通过常见的滤波等处理手段进行排除,导致算法表现不佳。尤其是当有大量肢体动作发生时,体表原始信号产生大幅度变异甚至出现饱和,完全掩盖了真实心冲击波的形态,无法再作为提取生理信息的有效依据,为上述算法在实际场景中的推广带来了阻碍。本文围绕显著体动
11、状态下的失效心冲击波补偿展开算法完善。心冲击信号属于时间序列范畴,产生源为心脏的机械活动,而心脏本身作为一个复杂的非线性系统,呈现出一种确定性与随机性相统一的混沌状态。目前针对混沌系统的数据分析方法已被应用于心电、心音信号的特征提取与预测中10,关于 BCG 信号的混沌特性也已得到证实11。故本文将基于混沌理论的时间序列预测方法引入到对缺损数据段的处理中,选取合适的神经网络结构并进行构建,提出了一种结合相空间重构与径向基函数(Radial basis function,RBF)网络的心冲击序列预测模型,并分别在正常数据段与包含体动干扰的数据段上对模型效果作出检验。1 数据准备 1.1信号采集聚
12、偏二氟乙烯(Polyvinylidene fluoride,PVDF)是一种新型敏感聚合材料,当受外力作用产生机械形变时会引发成比例的电荷中心移动12。基于 PVDF 的压电薄膜传感器质地轻薄、耐用性强,且不存在加速度传感器固有的机械噪声问题,因此非常适用于人体体震信号的采集。本文将 10片压电薄膜并列排布并嵌入床垫装置中,构成了多通道式无感生命体征监测设备,然后通过电荷放大电路与 50 Hz的陷波电路,在屏蔽工频干扰的同时放大有效信号,再经 STM32F103ZE 的 12 位 AD 模块转换为数字信号后,通过串口通讯以 500 Hz的采样率向 PC端传输数据,完成对原始心冲击信号的获取。1
13、.2预处理正常状态下的原始信号仍然是呼吸运动、心脏活动与各类噪声的叠加,需要通过滤波降低信号的复杂度,更好地应用于后续模型中。考虑到信号处理的实时性要求与滤波器的频率响应特性,本文选用运算量较小,且具有最大通频带平坦度的巴特沃斯滤波器进行降噪。在滤波范围的选择上,虽然BCG 信号的能量在 0.920.0 Hz均有分布,但研究表明其中对构建特征波形起正向作用的谐波大都集中在一个更窄的频段内,而其余谐波的存在则是造成信号毛刺甚至削减特征波峰的主要原因13。故本文采用分段滤波的方式对信号进行梯度式分解,经不同通带宽度下的特征波峰突出程度比较后,确定滤波通带范围为 111 Hz。927数据采集与处理
14、Journal of Data Acquisition and Processing Vol.38,No.4,2023滤波后信号的振幅值范围为 03 800 mV,过大的输入数据数量级容易造成神经网络隐含节点过饱和,从而导致网络收敛困难。为避免上述状态,应对样本数据进行归一化处理。常规的最大最小归一化方法会将数据缩放到 0,1 区间内,而近年来有文献指出,将映射范围控制在 0.2,0.8 时网络计算效果更佳14,本文依此使用改进的归一化,对应公式为xi=(0.8-0.2)(xi-xmin)xmax-xmin+0.2(1)式中:xi为滤波处理后的实际信号序列;xmax和xmin分别为xi中的最大
15、和最小值。此外,在预测完成后,还应通过对应的返归一化公式输出真实值yi=(yi-0.2)(ymax-ymin)0.8-0.2+ymin(2)2 心冲击信号的混沌特性分析 2.1相空间重构理论一个复杂系统往往受到多种控制因素的共同作用,当其中某一因素发生变化时,也蕴含了其他影响因素所引起变化的相关动态信息,这种隐藏的秩序难以从低维坐标系中直接观测得到,因此有必要采取措施剥离内在分量的关系。相空间重构在本质上是将一维的时间序列进行维数拓展,从而恢复出原系统在高维空间上的混沌吸引子。依据 Takens定理15,若动力系统的关联维数为d,当选取一个合适的嵌入维m满足m 2d+1时,重构出的相空间轨迹线
16、将与原动力系统保持微分同胚,即保留了系统状态轨迹演化的所有规律信息,由此规律便可从当前系统状态中推测下一时刻状态,这为混沌时间序列的短期可预测性提供了理论支撑。根 据 Packard 等 提 出 的 坐 标 延 迟 法,对 于 预 处 理 后 得 到 的 一 维 BCG 信 号 观 测 值x=xi|i=1,2,N,可重构为m维相空间矢量,可表示为 X1=x1,x1+,x1+()m-1 TX2=x2,x2+,x2+()m-1 TXM=xM,xM+,xM+()m-1 T(3)式中:m为嵌入维数;为时间延迟,对于离散数据可表示为延迟量k与采样时间间隔t的乘积;M=N-(m-1)为相空间中相点的个数。
17、2.2时间延迟和嵌入维数m确定相空间重构过程中m与的取值直接决定了重构吸引子的形状,是影响相空间对原系统特征描述能力的关键因素。通过选取恰当的时间延迟可以消除时间序列的冗余信息,更好地体现系统的状态变换;而嵌入维数应在确保展现原系统结构的前提下取最小值,过大的维数不仅会造成数据计算量的浪费,还可能引入噪声。在实际工程中获得的时间序列往往长度有限且含有干扰信息,对于其非线性特征也无法作出合理假设,因此并不适用于单独计算两个参数的算法。另有大量研究指出,时间延迟和嵌入维数m之间存在着密切的关联性,能够对重构相空间质量产生显著影响的并非单个参数的变化,而是组合构成的嵌入窗口W=(m-1)。在嵌入窗思
18、想的基础上产生了一系列同步计算和m的联合算法,本文从运算的精度与稳定性出发,选择改进的 CC法确定相空间重构参数16,具体过程如下:将混沌时间序列x=xi进行重构后得到相点928郑小涵 等:基于相空间重构与 RBF网络的心冲击波补偿研究Xi=xi,xi+,xi+()m-1 i=1,2,M(4)定义该嵌入序列的关联积分为C(m,N,r,)=2M()M-11 i j M()r-dij r 0(5)式中:r(r 0)为定义的搜索半径;dij=xi-xj为两相点间的空间距离,使用无穷范数表示;为Heaviside阶跃函数,满足(x)=0 x m average(|Xp-Xq|)时,便将Xi作为新的聚类
19、中心,通常取m 1 2,1);(4)重复步骤(2)(3)直至不再有新的中心产生,此时被选中的数据样本即为优化的初始聚类中心C=c1,c2,ck;(5)计算各样本与中心点的欧氏距离,并以此作为相似性度量指标,将样本分配至最邻近的聚类集合中;(6)对于再分配后的样本类簇,再次计算簇内所有数据的均值作为新的质心;(7)比较新质心位置与原质心的差别,若相隔距离小于某一阈值,则说明学习过程趋于稳定,可以终止算法,否则还需重复步骤(5,6)。本文所使用径向基函数为高斯函数,因此在动态聚类过程完成后,其方差i可由式(18)计算得到。i=cmax2h i=1,2,h(18)式中:cmax表示所有中心间距的最大
20、值;h为隐含层单元的个数。此时得到的高斯函数宽度均匀固定,预测结果更为平滑。一旦确定了隐含节点参数便可进入有监督学习阶段,本文通过最小二乘法修正线性映射中的连接权值wij为wij=exp(-hc2maxX-ci2)(19)3.3心冲击波形补偿模型设计在网络在线学习过程中,原始数据容量会随时间不断增长,如果仍将全部历史数据作为学习样本将导致网络训练负担过重。因此本文引入了滑动窗口机制,即只选取固定长度的数据进行网络训练,并随时间推进不断移动窗口,保证了神经网络学习的时效性。当检测到显著体动发生时,使用本文所建立的单步递归预测模型对失效数据片段作出修正,模型整体流程如图 2所示。(1)依据滑动窗口
21、策略截取平静状态下的历史数据序列xi,然后进行去噪与归一化处理,以消除数据本身干扰对模型精度的影响;(2)采用改进的 CC 法进行该时间序列最佳时间延迟与嵌入维数m的求解;(3)使用步骤 2 得到的重构参数进行混沌序列相空间重构,将原系统动力分量投射至高维空间中,得到相轨迹矩阵X;(4)根据时间序列的最佳嵌入维数确定神经网络的拓扑结构,随后以相空间中的点向量矩阵为学习样本,通过动态 Kmeans聚类与最小二乘估计进行网络参数训练,达到预设目标;(5)将最后一个相点矢量输入到步骤 4 训练好的网络中,获得输出即下一时刻预测值Yk+1;图 2基于混沌-RBF 神经网络的模型流程Fig.2Model
22、 flow based on chaos-RBF neural network931数据采集与处理 Journal of Data Acquisition and Processing Vol.38,No.4,2023(6)剔除原时间序列最远端的数据点,同时将步骤 5得到的预测值添加至末尾,使序列总体维度保持不变,随后预测下一点Yk+2,重复步骤 5、6至体动状态结束;(7)预测结束后进行反归一化处理,恢复真实的预测值,再将补偿后的心冲击信号用于相应的心率提取算法中。4 实验结果与分析 4.1模型效果验证实验本文在 Matlab R2019a环境下对模型进行仿真实验。为了检验模型的正确性,首先
23、从一段未受显著体动干扰的心冲击信号中划分出训练集与测试集,通过与真实数据的对比来衡量预测性能。图 3(a)给出了平静状态下从采集通道中获取的原始心冲击信号,序列长度L=4 000,图 3(b)为其经过初步降噪的结果。采用 2.2 节所述改进的 CC 法进行时间序列的混沌分析,绘制统计量S1()与S1()随时延的变化曲线如图 4 所示。观察S1()的首个局部极值点位置,得到对应的最优延迟时间为=32,又由|S1()-S2()|的周期节点可知嵌入窗口W=358,根据式(13)计算得嵌入维数m=12.18,为了更好地描述混沌系统结构,向上取整至m=13。在实际心冲击信号的采集过程中,类似翻身等动作的
24、影响将持续大约 12 s。现假设上述信号的后 1 000点为待预测的数据段Ltest,对应的训练集为前 3 000个历史数据,记作Ltrain。根据确定好的参数m与对时间序列Ltrain实施相空间重构,对应的高维空间相点个数为M=Ltrain-(m-1)=2 616。若使用列向量来表示重构空间中的一个状态点,则可构成一个 132 616的矢量矩阵为X=X1X2X2 616T=x1x2x2 616x33x34x2 648x385x386x3 000根据混沌时间序列预测的原理,借助神经网络求解的目标实际上是xi+1+(m-1)与 xi,xi+,xi+(m-1)T之间的非线性映射关系,故将已获得的相
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 基于 相空间 RBF 网络 冲击波 补偿 研究
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【自信****多点】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【自信****多点】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。