[發明專利]一種基于嵌入式的心電實時監測系統

在審

• 申請號: 201911394134.5
• 申請日: 2019-12-30
• 公開（公告）號: CN110960211A
• 公開（公告）日: 2020-04-07
• 發明（設計）人: 惠晶;王恬;虞致國;魏敬和;顧曉峰
• 申請（專利權）人: 江南大學
• 主分類號: A61B5/0402
• 分類號: A61B5/0402;A61B5/00
• 代理公司: 哈爾濱市陽光惠遠知識產權代理有限公司 23211
• 代理人: 林娟

1.一種基于嵌入式的心電實時監測系統，其特征在于，包括包括采集模塊、主控模塊、通信模塊和電源模塊；所述采集模塊包括心電傳感器和模數轉換模塊(ADC)，所述主控模塊包括微處理器，所述通信模塊包括藍牙；所述心電傳感器的輸出端與ADC的輸入端連接，所述ADC的輸出端通過數據采集口與微處理器的輸入端連接，所述微處理器與藍牙模塊連接；所述電源模塊分別與采集模塊、主控模塊和通信模塊連接；

所述心電信號傳感器用于采集心電信號，固定于被檢測者，所述ADC用于對心電傳感器采集到的模擬信號進行模數轉換；所述ADC、微處理器與藍牙集成于嵌入式開發板中，所述嵌入式開發板還包括定時器模塊Timer、通用異步收發器(UART)；所述定時器模塊Timer每隔一段時間產生一個中斷，ADC模塊以此獲取的心電數據進行計算；所述微處理器用于對模數轉換后的心電信號進行特征提取和分類；所述藍牙使用UART作為主機控制接口進行傳輸控制，所述藍牙將經提取分類后的心電信號數據傳送至終端。

2.如權利要求1所述的一種基于嵌入式的心電實時監測系統，其特征在于，所述心電傳感器的固定方式為耳夾固定或尼龍指帶固定，用于采集位于耳垂或者手指部位的心電信號。

3.如權利要求1或2所述的一種基于嵌入式的心電實時監測系統，其特征在于，所述心電信號傳感器采用單端輸入的工作方式。

4.如權利要求1所述的一種基于嵌入式的心電實時監測系統，其特征在于，所述微處理器為ARM(Advanced RISC Machine)。

5.一種應用權利要求1-4任一所述的基于嵌入式的心電實時監測系統監測心電信號的方法，其特征在于，所述監測心電信號的方法步驟包括：

S1：將心電信號傳感器固定于檢測者耳垂或手指，用于采集心電信號；

S2：ADC將采集的心電信號進行模數轉換。ADC選擇合適的分辨率，采用單端輸入的工作方式，采用定時器Timer，每隔一段時間產生一個中斷，以此獲取的心電數據進行計算；

S3：采用離散小波變換(DWT)進行心電信號特征提取，在心電信號上通過做離散小波變換分離出心電信號的高頻信號、中頻信號和低頻信號；

S4：采用分類算法將特征提取后的心電信號進行分類；所述分類算法將所得到的數據集分為訓練集和測試集；所述訓練集采用離線訓練集，并在訓練集上打上標簽，得到更好的模型參數，所述測試集用于測試離線訓練后的模型；

S5：將分類后的心電信號數據通過藍牙將數據直接發送到終端顯示出來。

6.如權利要求5所述的一種基于嵌入式的心電實時監測系統監測心電信號的方法，其特征在于，所述離散小波變換采用二進小波變換，具體變換步驟為：

S301：取前500個采樣點，保證預處理的心電信號的數據量；

S302：設置正閾值為極大值點幅值的平均值的四分之一，負閾值為極小值點幅值的平均值的四分之一；

S303：函數選擇db4，尺度為4，利用1-4尺度上的小波系數選出QRS波(QRS wavecomplex)能量最大的某一尺度求出模極大值序列；

S304：在選取的尺度上設置初始閾值，在極大值點組成的序列和極小值點組成的序列中搜索極值對，保留正極大值大于正閾值，負極大值小于負閾值的模極大值對，同時將不符合要求的極值對從序列中刪除；

S305：由最終的極值點組成的序列確定極值對的過零點位置，每一對的過零點就是R波的估計定位，將這些過零點納入R波候選點序列中，并求出R波候選點序列中兩兩間隔的平均值RRmean；

S306：求出每個R波間隔，若在0.5×RRmean的時間內出現第二個R波，那么去掉絕對值小的R波，并將該點從R波候選點序列中去除；

S307：當發現R波間隔超過1.5×RRmean時，減小正閾值為平均值的1/5，返回步驟四設置第二個閾值檢測R波；若還檢測不到目標，則可能存在倒向R波，將波形沿x軸翻轉重新檢測。

7.如權利要求5所述的一種基于嵌入式的心電實時監測系統監測心電信號的方法，其特征在于，所述心電信號特征分算法采用AdaBoost算法，所述AdaBoost算法為單決策樹的弱分類器的分類算法；所述AdaBoost算法通過訓練不同的弱分類器，然后綜合起來，形成最終的強分類器；訓練弱分類器時，給予每條數據用于計算誤差的不同權重，每個分類器，給予用于分類的不同權重；所述決策樹為單次分類效果很差的弱分類器，并且根據決策屬性不同，即便重復使用單決策樹，也可以誕生出分類效果不同的分類器。具體算法步驟為：

S401：設置輸入的特征提取后的心電訓練樣本數據集為{(A₁，B₁)，(A₂，B₂),……,(A_t,B_t)}，A_t是數據集的屬性向量，B_t是標志向量，B_t＝{-1，1}，其中，-1代表心電異常，1代表心電正常。算法的循環次數為固定的數值n；

S402：初始樣本的權重為D(A_i)＝1/t，i＝1，2，……，t；

S403：根據權重，抽樣選取數據集W；

S404：確定弱分類器H_t，，用弱分類器對所有心電樣本進行分類，分類錯誤的概率為ε_t，樣本取各類值時的概率為(P(1)，P(2)，……，P(t))；

S405：當ε_t>0.5時，重新初始化樣本權值，并返回步驟四，否則

S406：更新分布D_t，Z_t是一個標準化因子，D_t+1是一個分布為：

S407：n輪訓練結束后，輸出最終的假設：