基于心率變異分析的注意力集中程度的檢測裝置及方法

文檔序號：1148059閱讀：333來源：國知局

專利名稱：基于心率變異分析的注意力集中程度的檢測裝置及方法
技術領域：
本發明屬于信息處理技術領域，涉及醫學信息處理，具體地說是一種通過提取人體心率變異HRV信號并進行信號處理和聚類分析，以最終完成注意力集中程度的判斷。本發明可用于對少年兒童或成人進行注意力是否集中的定量判定，也為醫學臨床確診注意缺陷障礙癥ADD或定量評價醫治效果提供依據。
背景技術：
注意力集中是正常學習和工作的重要前提，但部分人不能有效控制自己的注意力。少年兒童時期最常見的行為障礙性疾病ADD就是一個典型例子。一般認為，ADD 是一種介于心理與生理交叉領域的疾病，也稱身心疾病，以主動注意的選擇性和穩定性差、易沖動和易分心為主要特征。目前臨床上對ADD的診斷主要靠醫師聽取家長的口述來主觀決定患者的病情。近年來，一些客觀評定注意集中程度或ADD的設備已陸續開始研制，如申請號為00218646.2、 200420021337.2和200310109026.1的專利文獻均公開了評定注意狀態或ADD的有關儀器，但這些裝置都是在短時間內測試，通過視覺追蹤目標光點運動測定眼角膜和視網膜間的電信號反應曲線，將測定的曲線與標準參考曲線進行比較，根據偏離程度確定患者的病種和程度。由于存在注意力調控缺陷的人或ADD患者在短時間內注意力完全可能集中，特別是在看到自己感興趣的東西時，注意力短時間內還可能相當集中，所以，上述測定方法的生理依據并不可靠，這也是上述專利產品難以為臨床醫師接受的主要原因。
近年來通過腦電圖分析提取注意狀態的研究多了起來，比較典型的報道包括燕南、王玨、魏娜等的發表的"基于樣本熵的注意力相關腦電特征信息提取與分類"，見西安交通大學學報2007年1237-1241頁；GlebV.、 TcheslavskiA.A.等發表的"Phase synchrony and coherence analyses of EEG as tools to discriminate between children with and without attention deficit disorder",見Biomedical Signal Processing and Control期刊 2006年151-161頁等。另外，申請號為200710017810.8的專利文獻記載的方法也屬于這一類。這些基于腦電圖分析提取注意狀態的方法存在以下幾個方面的缺陷，限制了其在臨床上的廣泛應用。
5(1) 腦電信號微弱，各種干擾對信號的影響非常顯著，另外，多種因素如心理狀態、神經精神疾病、血壓甚至眼睛的閉合都會影響腦電圖的波形，腦電圖的有效分析方法都還在探索之中，基于腦電分析的注意測量方法的準確性還待驗證。
(2) 測試時在人頭部放置多個電極非常不便，為了測量準確常要求剃去部分頭發，電極導電膏的使用使得測試完畢需要立即洗頭，非常麻煩。
(3) 腦電放大裝置價格不菲，這使得基于腦電分析的注意測量和反饋矯治儀器
價格較高，難以進入家庭用戶。

發明內容
本發明的目的是克服上述現有技術的缺點，提供一種使用簡便，價格低廉的基于心率變異分析的注意力集中程度的檢測裝置及方法，以提高檢測信號的強度，實現準
確的判斷注意力集中程度。本發明的技術方案是這樣實現的-一.技術原理
過去人們通常認為，心臟最主要的功能是泵血，其作用過程是受大腦控制的，心臟對大腦幾乎沒有什么支配作用。然而，近年來，一系列的研究表明，心腦之間是交
互作用的。由美國Andrew Armour和Jeffrey Ardell教授主編的《Basic and Clinical Neurocardiology》一書(牛津大學出版社2004年出版)全面介紹了心臟對神經系統功能的影響以及中樞神經或外周神經在調節心臟功能中的作用。
美國心臟數理研究院(Institute of HeartMath， www.heartmath.org)的研究表明，心腦之間的信息交流是雙向、動態的，一方持續不斷地對另一方施加影響。心臟向大腦傳遞信息的方式主要有4種神經沖動的傳遞、通過激素和神經遞質、通過壓力波和通過電磁場的交互作用，其中心臟電磁場在信息傳遞過程中扮演著舉足輕重的作用。研究結果發現，心臟磁場在強度上是大腦磁場的5000倍左右，心臟磁場在人體周圍各個方向幾步開外的距離內都可以用基于SQUID方法的電磁計探測到，心臟電磁場向大腦傳遞的信息不僅影響大腦的活動還能影響大腦工作的效率。同樣，心臟的工作狀態也間接反映了大腦的調控機制與能力。
生理學和心理學的研究表明，人的注意力是否集中及其調節是由人體的自主神經系統控制的。人體的自主神經系統又由交感和副交感神經組成。當交感和副交感神經
6作用不平衡時，會導致多種心理及行為問題，如失眠、焦慮、抑郁、注意力難以集中等，而這些問題都會由人體的心率變異HRV信號反映出來。如果人有意識地調整心臟節律，帶動自主神經系統進入協調狀態，就可能克服上述的心理行為問題。
以上研究說明，從心率變異HRV信號中提取反映人體注意力是否集中的信號是有科學根據的。
二. 檢測裝置
按照上述原理，本發明提供的基于心率變異HRV信號分析的注意力集中程度檢測裝置包括-
包括心電采集電極、心電圖導聯線、心電預處理電路、模數轉換電路和信號處理
器，其特征在于
A. 心電預處理電路，包括心電初級放大電路、心電濾波放大電路和50Hz工頻陷波電路，它們之間依次連接；
B. 信號處理器包括
1) 心電干擾濾除模塊，用于濾除心電信號中的50Hz工頻干擾，基線漂移、和肌電干擾；
2) R波提取模塊，用于提取心電信號中的R波位置，以計算心率變異信號；
3) 規整化分段模塊，用于規整化心率變異信號，并對歸整化后的心率變異信號進行分段，并以每1200點為一段進行滑動窗處理；
4) 經驗模式分解模塊，用于對心率變異信號進行經驗模式分解，并求得本征模式函數分量信號c(/)(1^^5);
5) 近似熵分析模塊，用于求本征模式函數分量信號c(/)(l^/S5)和心率變異信號的近似熵；
6) 反傳神經網絡訓練與測試模塊，將求得的近似熵作為矢量輸入，最終求得注意力集中的判斷結果。
所述的心電采集電極按MV5雙極胸導聯置位置放，該電極通過屏蔽心電導聯線與心電預處理電路相連，預處理電路經過模數轉換電路與信號處理器相連。
三. 檢測方法
根據上述原理，本發明提供的基于心率變異HRV信號分析的注意力集中程度檢測方法包括如下步驟
(1)將心電采集電極按照MV5雙極胸導聯位置放置，并與屏蔽心電導聯線相連，
7采集原始心電數字信號；
(2) 依次濾除原始心電數字信號中的基線漂移、肌電干擾和50Hz工頻干擾，并提取R波的位置，計算心率變異信號；
(3) 對心率變異信號取均值，再用心率變異信號減去這個均值得到歸整化后的心率變異信號；對歸整化后的心率變異信號進行分段，以每1200點為一段進行滑動窗處理；
(4) 對每段進行經驗模式分解，得到每段信號的本征模式函數分量信號 C(/)(l"5);
(5) 計算歸整化后的心率變異信號和本征模式函數分量信號& 《5)的近似
熵；
(6) 將求得的近似熵作為反傳神經網絡算法的輸入矢量，訓練神經網絡，并確定
神經網絡各節點的參數；
(7) 將訓練完成的神經網絡對受試者的注意力集中程度進行檢測，并輸出其檢測結果。
相對于現有技術，本發明具有如下優點
(1) 利用心率變異信號提取注意力集中的狀態，干擾相對腦電采集要小得多，
且采集也很方便，并可采用軟硬件結合方法剔除干擾，使信號穩定可靠；
(2) 采用MV5雙極胸導聯，絕大多數情況下采集得到的心電信號具有較大的幅值，且心電信號中的QRS波是正向直立的，特別有利于提高R波識別的準確性；
(3) 基于心電信號的心率變異采集電路簡單，造價低廉，有利于產品普及進入家庭，從而造福民眾；
(4) 將包括經驗模式分解、近似熵分析和神經網絡聚類多種非線性方法結合起來，更適應心率變異信號的非線性、非平穩本質，所分析的結果更為可靠；
(5) 系統在進行識別時，對于明顯錯誤的識別結果，可人為干預，將正確結果輸入作為神經網絡聚類分析的監督信息，據此可重新通過反傳算法確定網絡節點的參數，不斷提高對注意力是否集中識別的準確性。

圖l是本發明的系統結構圖2是本發明所用的心電信號初級放大電路8圖3是本發明所用的心電濾波放大電路圖；圖4是本發明所用的50Hz工頻陷波電路圖；圖5是本發明檢測注意力集中程度的過程示意圖；圖6是本發明采集心電所用電極位置分布圖7是本發明經心電干擾濾除模塊處理后的心電數字信號示意圖8是本發明從心電圖計算得到的心率變異HRV的波形圖9是本發明對一段規整化心率變異HRV信號的經驗模式分解結果示意圖IO是本發明所用反傳神經網絡的結構示意圖11是本發明檢測過程中所用反傳神經網絡訓練子流程圖。
具體實施例方式
參照圖1，本發明的檢測裝置是由心電采集電極、心電圖導聯線、心電預處理電路、模數轉換電路和信號處理器構成，它們之間依次連接。其中
信號處理器，它設有心電干擾濾除模塊、R波提取模塊、規整化分段模塊、經驗
模式分解EMD模塊、近似熵分析模塊和反轉神經網絡訓練與測試模塊，這些模塊的具體功能是心電干擾濾除模塊，用于濾除心電信號中的50Hz工頻千擾、基線漂移和肌電干擾；R波提取模塊，用于提取心電信號中的R波位置，以計算心率變異信號；規整化分段模塊，用于規整化心率變異信號，并對歸整化后的心率變異信號進行分段，并以每1200點為一段進行滑動窗處理；經驗模式分解模塊，用與對心率變異信號進
行經驗哮式分解，并求得本征模式函數分量信號C0')(1&、5);近似熵分析模塊，用于求本征模式函數分量信號C(/Xl^/^5)和心率變異信號的近似熵；反傳神經網絡訓
練與測試模塊，將求得的近似熵作為反傳神經網的矢量輸入，最終求得注意力集中的判斷結果。
心電預處理電路，包括心電初級放大電路、心電濾波放大電路、50Hz工頻陷波
電路三個環節。
如圖2所示，該心電初級放大電路選用低功耗、高輸入阻抗、高共模抑制比的四運放器件ICL7642，它由兩級差分電路組成，其中第一級差分電路由第一運算放大器 Ul和第二運算放大器U2和電阻RO、 Rl和R2組成，且R1=R2，第一運算放大器 Ul和第二運算放大器U2的正向端由屏蔽心電導聯線引出，與受試者按照MV5雙極胸導聯標準指定位置的胸部電極相連，其中第一運算放大器U1正端與左腋前線第5
9肋位置的電極相連，第二運算放大器U2正端與胸骨柄右緣位置的電極相連，參考地與右腋前線第5肋位置的電極相連；第二級差分電路由第三運算放大器U3及外圍電阻組成，且R3二R4， R5=R6，第一運算放大器Ul的輸出經電阻R3與第三運算放大器U3的負端相連，第二運算放大器U2的輸出經R4與第三運算放大器U3的正端相連，該初級放大電路的總的放大倍數為
4=(1 + ^1)^ = 10
調節電阻取值，使得初級電路放大倍數為io倍左右。
如圖3所示，該心電濾波放大電路采用ICL7642的兩個運放分別設計成一個二階壓控有源高通濾波器和一個二階壓控有源低通濾波器，組合成帶通濾波器，帶通濾波器的輸入與心電初級放大電路的輸出相連，其中第四運算放大器U4和Cl、 R7、 C2 及R8組成高通濾波器，第五運算放大器U5和R9、 Rll、 C3及C4組成低通濾波器，第六運算放大器U6和R10、 R12組成次級放大器。
為了不損失心電信號的低頻成分，調整電路中R7、 R8、 Cl禾aC2的值，使得高通濾波器的截止頻率為
/i=——,1 = 0.05他
應注意的是C1、 C2位于信號通道上，它本身的噪聲性能是至關重要的。應選用獨石電容或鉅電容，不要選擇電解電容。
考慮到心電信號的高頻特性，調整電路中R9、 Rll、 C3和C4的值，使得低通濾波器的截止頻率為
A =——,1 = IOO他
27T>AR9i llC3C4
對于由第六運算放大器U6組成的次級放大器，調節電阻R10和R12的阻值，使得次級放大倍數為100左右，初級和次級兩級放大的總增益為1000，以使心電信號的幅度適合后續模數轉換電路的要求。因此，該次級放大電路的放大倍數為
^=1+^ = 100
2 扁
10如圖4所示，50Hz工頻陷波電路采用雙T帶阻濾波電路，由第七運算放大器U7 和外圍元件構成，其輸出作為模數轉換電路的輸入。合理選擇圖中的電阻電容值，以實現50Hz的工頻陷波。
上述檢測電路的工作原理是從心電采集電極及心電預處理電路得到模擬心電信號，經12位模數轉換后得到原始心電數字信號，并傳輸到信號處理器中，信號處理器中的功能模塊對心電數字信號進行處理，如濾除基線漂移、濾除肌電干擾、濾除 50Hz工頻干擾和R波提取操作，得到心率變異信號。信號處理器中的規整化分段模塊對心率變異信號取均值，再用心率變異信號減去這個均值得到歸整化后的心率變異信號，并對歸整化后a^、率變異信號進行分段，以每！300點為一段進行滑動窗處理，依次進行經驗模式分解EMD，獲得5個本征模式函數分量信號c(/)(l^K5)，對 c(/)(1 《5)及原始規整化信號x(O分別進行近似熵分析，計算出各個分量和x(O信號的近似熵值作為反傳神經網絡算法的輸入矢量，神經網絡算法的輸出就是系統判斷受試者注意力集中程度的結果。
參照圖5，本發明進行注意力集中程度測試的具體步驟如下
步驟1.安裝電極。將心電采集電極按照按圖6所示的MV5雙極胸導聯位置放置在人體皮膚上，其中正電極位置在左腋前線第5肋，如圖6中的③標記位置處，負電極位置在胸骨柄右緣，如圖6中的②標記處，參考接地電極處在右腋前線第5肋，如圖6中的①標記處。
安裝電極時應注意，盡量將電極置于相應部位的骨骼上，如肋骨、胸骨或胸骨柄部分，避免放在肌肉活動部位或女性乳房處，以減少肌肉活動引起電極移動產生干擾。另外，應仔細清潔皮膚，通常需要采用導電膏。
步驟2.心電干擾濾除模塊依次濾除原始心電數字信號中的基線漂移、肌電干擾和50Hz工頻干擾，并提取R波的位置，計算心率變異信號。
濾除原始心電數字信號中的基線漂移，是用一組基于數學形態學的濾波器，其表達式為/,=/-71/^(/)，式中/為原心電數字信號，人為濾除基線漂移的心電數字信號，為/開閉運算和閉開運算的代數和平均，表示為 ^^m(/)-[(/。W)，A:1 + (/"1)。叫/2，其中W為數學形態學運算的結構元素，且結構元素寬度為72，元素全為O。
濾除原始心電數字信號中的肌電干擾，是用基于數學形態學和3cr準則的自適應閥值的方法濾除肌電干擾，其表達式為/;=M《2(y;) + z，式中/;為濾除基線漂移
11的心電數字信號，力為濾除肌電干擾的心電數字信號，Mi^(/p)為人進行數學形態學開閉運算和閉開運算的代數和平均，表示為-
(力)=[(力。"2 + (力"2) "2]/2 ，其中W為數學形態學運算的結構元素，且結構元素寬度為5，元素全為0; z為力-71/《2(/》采用基于硬閥值的自適應閥值法處理得到的結果，基于硬閥值的自適應閥值法的具體過程如下
1)令5("^力-M^C/;),l^n^N，N為A(")的長度，以16個采樣點為單位，將 z,00劃分成M段，針對每一段信號，采用如下公式估計噪聲的均方差
2) 對；(/=1,2,".，^)進行三次樣條插值，求出對z,(")信號的瞬時均方差估計 ^(力(w-l,2,…AO， iV為^(")信號長度；
3) 對A07)按下面公式進行閥值處理
R波提取，是利用一組數學形態學運算得到預處理信號，該預處理信號突出了心電數字信號中的R波，采用基于閥值的極大值法檢測該預處理信號，以確定R波的
位置，具體步驟如下
① 將濾除基線漂移、肌電干擾和50Hz工頻干擾得到的心電數字信號,(")進行運算，得到預處理信號><")=力(")—/(")。M(附)，lS"^iV,lSw^M，式中N為心電數字信號,(w)的長度，W為數學形態學運算的結構元素，M為數學形態學運算的結構元素的寬度，且M-22，元素全為0;
② 對預處理信號y(")進行搜索，得到前1.5^^/s個序列的最大值max(1)，其中々為采樣頻率，用0.8*!!1虹(1)作為閥值，用極大值法檢測得到第一個R波的位置;mfec(l), 如果/"^fec(1)后0.05*々個序列存在大于;K/^fec(1))的值，則用此序列號替換/"&;c(1)，以防止錯檢，用同樣的方法找出第二個R波的位置/mfec(2)，并令/ = 3;
③ 用前兩個R波的位置/w^x(/-2)和/mfec(/-1)之差估計本次要搜素的R波位置 /mfec(/)，設上一個 R波的峰值為；K/mtec(/-1))，如果 ;K/wfef(z' —l))>:K〖wfec(/-2))/0.8 ，用—2))*0.7作為閥值，否貝!J用
12;K/"^fe^' —1)) * 0.7作為閥值，將/"tfe;c0' — 1) + 0.3 * (/"血x(/ — 1) — /"afec(/ — 2))開始用極大值閥值法檢測到的R波位置作為本次要搜素的R波位置;
如果從/"0^(/)到/^^ :(/) + 0.05*々存在大于:Kz'"^c(0)的值，則用此值的序號作為/"afex(/)，并令/ = / + 1;
重復步驟③和④直到檢測完所有的預處理信號M")。圖7是本發明經心電干擾濾除模塊處理后的心電數字信號示意圖，圖8是一段心率變異HRV信號的示意圖。從圖7可看出該心電數字信號中的基線漂移、肌電干擾和50Hz工頻干擾已被濾除，從圖8可看出該心率變異HRV信號幅度基本集中在 0.8s附近，400 1000點有比較明顯的震蕩。
步驟3.規整化與分段。
首先，利用規整化分段模塊對心率變異HRV信號取均值，再用HRV信號減去這個均值得到歸整化后的HRV信號；然后，對歸整化后的HRV信號進行分段，以每 1200點為一段進行滑動窗處理。
步驟4.依次對上述每段心率變異信號進行經驗模式分解EMD，獲得本征模式函數分量信號c(/)(l《/S5)。
該經驗模式分解的過程如下
(4.1) 設x(/)，l&、1200為待分析的1200點的心率變異信號，確定該信號的所有局部極值點，并將所有極大值點用三次樣條函數擬合出原數據序列的上包絡線，將所有極小值點用三次樣條函數擬合出原數據序列的下包絡；
(4.2) 求上包絡線和下包絡線的均值并記為m"/)，有
= x(/) - m,(O (a)
將/UO看成原信號，重復以上步驟(4.1) (4.2)，直到/UO滿足本征模式函數分量的約束條件，確定第一個本征模式函數分量為/UO-c"/)， c,(/)為信號;cO')中的最高頻率分量；
(4.3) 用x(0減去q(/)得到一個去掉高頻分量的差值"/)即
— c!(O = (b) 將n(/)看成原信號重復步驟(4.1) (4.2)，可得到C2(Z)， c3(/)，，即
13"W)-C2('.)"2(0 (C)
、
i(,)-c"0〕 = w) 當c"(0或^;(0滿足給定的終止條件，循環結束；
(4. 4)將式(b)代入式(c)，得到心率變異信號x(O的分解結果為
x(,) = ^>,(" + ;;(" (d)
式中，r力')為殘余函數，代表信號的平均趨勢；本征模式函數分量
c^)，c"/)… (0分別包含了信號從高到低不同頻率段的成份，每一頻率段包含的成份
都是不同的且隨信號本身變化而變化。
在分解過程中可能會產生多個通道的分量，如果產生超過5個通道以上的本征模式函數IMF分量，由于多余通道的分量信息量很少，可以舍去。規整化心率變異信號HRV經過經驗模式分解EMD后的波形如圖9所示，從圖9中可看出從本征模式
函數分量信號C,到C5頻率逐漸降低。
步驟5.分別計算本征模式函數分量c(/)(1^^5)及原始規整化分段心率變異信號x。的近似熵，其計算結果作為反傳神經網絡算法的輸入矢量。
以計算心率變異信號;c(O,l S / S1200的近似熵為例，其具體計算歩驟如下-
(5.1) 先確定兩個參數w和r，其中m是預先選定的模式維數，r是預先選定的相似容限，并固定這兩個參數m和r不變；
(5.2) 設:c(/)的長度為Ar，將心率變異信號x(0按順序分成W-w + l個w維矢量
X, ， Z2 ， Xw_m+1 ，其中
=[jc0.),x(/ + 1),..,,x(/ + w —l)], / =—w + l X,表示從第/個點開始連續的附個x(i)的值；
(5.3) 設《和X,為《，X2，…X^^中任意的兩個m維矢量，定義X,和J^.間的距離4《,義J為兩者對應元素中差值最大的一個，艮P:
1441,, Z, ] = max |X, (A:)—義,(A )| 對每個值計算與其余矢量X; ( /, _/ = 1 ~ W — m +1 )間的距離；
(5.4) 對每一個,'，1S/《;V-w + l，值統計^[X,，J^]小于r的數目及此數目與距離總數iV-w+l的比值，記作C7(r)，艮P:
C,m(r) = ^~~{ d[Z,，X,]〈r的數目} / = l~iV — w + l
(5.5) 先將c;"o)取對數，再求其對所有/的平均值，記作(D"0")，艮P:
0 =Ar，藝lnCr(r);
(5.6) 再把維數加l，維數變成w + l，重復步驟(5.2) (5.5)，得到C廣'(r)
(5.7)當序列長度為W時，近似熵^7五W的估計值為
^ 五M(m，r,iV) = cDm(r) - (Dm+1(r)
根據實踐經驗摸索得出，當柳=2， / = 0.1~0.255/)(;0時，近似熵^p五"具有較為合理的統計特性，這里的SD是原始數據x。， z、l AT的標準差。由此，本系統近似熵的計算中取附=2， r = 0.1 0.2SD(x)。
步驟6.訓練該神經網絡，并確定各節點的參數。
本發明采用的神經網絡結構如圖IO所示，它為6-7-2-1四層前向多層結構，將步驟5得到的本征模式函數分量信號c(/)(1 S Z ^ 5)和心率變異信號HRV的近似熵作為神經網絡的輸入向量，先對神經網絡進行訓練，以確定網絡中的節點參數。完成訓練后的神經網絡就可以用來測定的受試者的注意力集中的程度了。
參照圖ll，神經網絡訓練的過程如下'
(6.1) 在第一次使用網絡前，先給網絡各節點賦予一個在0 0.5之間的非零較小的隨機值；
(6.2) 將本征模式函數分量c(i)(l S / S 5)及原始規整化分段心率變異信號x(0的近似熵值作為網絡的輸入向量，輸入到神經網絡的輸入層；
(6.3) 計算神經網絡的實際輸出，該輸出值即為神經網絡給出注意狀態的初步判
15斷結果；
(6.4) 計算神經網絡的實際輸出與理想期望輸出的差值，如果訓練數據來源于正常人，表示其注意力調控無障礙，如果測試過程中注意力集中，網絡輸出的理想期望值應為1.0;如果訓練使用的數據來源于注意調控障礙患者或測試過程中受試者注意
力不集中的情況，網絡輸出的理想期望值應為o.o。
(6.5) 根據以上設定，判斷網絡的實際輸出與網絡的期望輸出之間的差值是否滿足預先設定的一個容忍標準，如果差值在可容忍范圍，說明神經網絡的各節點參數暫時無需調整，輸入下一組訓練數據繼續判斷；如果差值處于不可容忍范圍，則按標準反傳算法公式反向逐層計算每層神經元的局部梯度，逐個修正節點參數。修正后再輸入下一組訓練數據繼續判斷；直到每組訓練數據都使用后，訓練完成，這時的神經網絡各節點參數被確定。
步驟7.將訓練完成的神經網絡對受試者的注意力集中程度進行檢測，并輸出其檢測結果。
在對受試者進行測試的過程中，如果認為神經網絡輸出的結果明顯與受試者的注意力集中程度的狀態不符合，可由醫師或受試者本人直接干預測量過程，系統將按步驟6的流程重新確定神經網絡的節點參數。
上述訓練和測試過程使得神經網絡的節點參數可動態更新，在測試中會不斷提高注意力集中程度測試的準確性。
在測試開始前，需對神經網絡進行訓練，在測試過程中如果發現測試結果存在明顯失誤，可人工干預使得神經網絡的節點參數重新調整，以便在實際測試過程中不斷提供裝置判斷注意力是否集中的準確率。
本發明可用于方便地即時檢測人的注意力集中程度，對醫學臨床診斷注意缺陷障礙癥和評估治療效果都有重要價值。
權利要求
1.一種基于心率變異分析的注意力集中程度的檢測裝置，包括心電采集電極、心電圖導聯線、心電預處理電路、模數轉換電路和信號處理器，其特征在于A.心電預處理電路，包括心電初級放大電路、心電濾波放大電路和50Hz工頻陷波電路，它們之間依次連接；B.信號處理器包括1)心電干擾濾除模塊，用于濾除心電信號中的50Hz工頻干擾、基線漂移和肌電干擾；2)R波提取模塊，用于提取心電信號中的R波位置，以計算心率變異信號；3)規整化分段模塊，用于規整化心率變異信號，并對歸整化后的心率變異信號進行分段，并以每1200點為一段進行滑動窗處理；4)經驗模式分解模塊，用與對心率變異信號進行經驗模式分解，并求得本征模式函數分量信號c(i)(1≤i≤5)；5)近似熵分析模塊，用于求本征模式函數分量信號c(i)(1≤i≤5)和心率變異信號的近似熵；6)反傳神經網絡訓練與測試模塊，將求得的近似熵作為矢量輸入，最終求得注意力集中的判斷結果；所述的心電采集電極按MV5雙極胸導聯置位置放，該電極通過屏蔽心電導聯線與心電預處理電路相連，預處理電路經過模數轉換電路與信號處理器相連。
2. 根據權利要求1所述的基于心率變異分析的注意力集中程度的檢測裝置，其特征在于心電初級放大電路由兩級差分電路組成，第一級差分電路的運算放大器U1和U2的正向端由屏蔽心電導聯線引出，與受試者按照MV5雙極胸導聯標準指定位置的胸部電極相連，且U1正端與左腋前線第5肋位置的電極相連， U2正端與胸骨柄右緣位置的電極相連，參考地與右腋前線第5肋位置的電極相連。
3. 根據權利要求1所述的基于心率變異分析的注意力集中程度的檢測裝置，其特征在于濾波放大電路包括由一個二階壓控有源高通濾波器和一個二階壓控有源低通濾波器組成的帶通濾波器，以及由運算放大器U4和外圍元件組成的放大電路，心電初級放大電路的輸出與帶通濾波器的輸入相連。
4. 根據權利要求1所述的基于心率變異分析的注意力集中程度的檢測裝置，其特征在于50Hz工頻陷波電路采用雙T帶阻濾波電路，其輸出作為模數轉換電路的輸入。
5. —種基于心率變異分析的注意力集中程度的檢測方法，包括如下步驟(1) 將心電采集電極按照MV5雙極胸導聯位置放置，并與屏蔽心電導聯線相連，采集原始心電數字信號；(2) 依次濾除原始心電數字信號中的基線漂移、肌電干擾和50Hz工頻干擾，并提取R波的位置，計算心率變異信號；(3) 對心率變異信號取均值，再用心率變異信號減去這個均值得到歸整化后的心率變異信號；對歸整化后的心率變異信號進行分段，以每1200點為一段進行滑動窗處理；(4) 對每段心率變異信號進行經驗模式分解，得到每段心率變異信號的本征模式函數分量信號c(/)(1 5);(5) 計算歸整化后的心率變異信號和本征模式函數分量信號^ / ^ 5)的近似熵；(6) 將求得的近似熵作為反傳神經網絡算法的輸入矢量，訓練神經網絡，并確定神經網絡各節點的參數；(7) 將訓練完成的神經網絡對受試者的注意力集中程度進行檢測，并輸出其檢測結果。
6. 根據權利要求5所述的注意力集中程度的檢測方法，其中所述的濾除原始心電數字信號中的基線漂移，是用一組基于數學形態學的濾波器濾除基線漂移，且該數學形態學的結構元素寬度為72，元素全為O。
7. 根據權利要求5所述的注意力集中程度的檢測方法，其中所述的濾除原始心電數字信號中的肌電干擾，是用基于數學形態學和自適應閥值的方法濾除肌電干擾，其表達式為/;=MFi2(y;) + z，式中力為濾除基線漂移的心電數字信號，力為濾除肌電干擾的心電數字信號，Mi^(y;)為/p進行數學形態學開閉運算和閉開運算的代數和平均，表示為M^(力)-[(/p。A:2)42 + (y;"2)"2]/2，其中A2為數學形態學運算的結構元素，且結構元素寬度為5，元素全為0; z為/,-^^2(/》經基于硬閥值的自適應閥值法處理得到的結果。
8. 根據權利要求5所述的注意力集中程度的檢測方法，其中所述的R波識別，按如下步驟進行1)將濾除基線漂移、肌電干擾和50Hz工頻干擾得到的心電數字信號力(w)進行運算，得到預處理信號；;(")=力(")-義(")。W(附)，lS"^AM^w《M，式中W為數學形態學運算的結構元素，N為心電數字信號力(")的長度，M為數學形態學運算的結構元素的寬度，iM=22，元素全為0;2) 對預處理信號》(")進行搜索，得到前1.5申々個序列的最大值max(1)，其中/s為采樣頻率，用0.8申max(l)作為閥值，用極大值法檢測得到第一個R波的位置z> fec(l)，如果/mfec(l)后0.05*々個序列存在大于jfO'"^c(1))的值，則用此序列號替換fmfec(l)，以防止錯檢，用同樣的方法找出第二個R波的位置&Ax(2)，并令/ = 3;3) 用前兩個R波的位置/mfec(卜2)和/mfec(z'-l)之差估計本次要搜素的R 波位置/mfec(/)，設上一個R波的峰值為；;0'"^x0'-1))，如果 y(z> fec(/ —1)) > y(/mfec(/ - 2)) /0.8 ，用y(/"tfec0' - 2)) * 0.7作為閥值，否則用 y0力ifec(/ —1)) *0.7作為閥值，從/"ifec(/ — 1) + 0.3 *(z'"6fejc(/ — 1) - ,Twfec(/ - 2))開始用極大值閥值法檢測到的R波位置作為本次要搜素的R波位置/mfex(z');4) 如果從/"6^(/)到/"^^(/) + 0.05*々存在大于>;0'"^</))的值，則用此序號作為/"cfec(/)，并令/ = / +1;5) 重復步驟3)和4)直到檢測完所有的預處理信號:K")。
9.根據權利要求5所述的一種基于心率變異分析的注意力集中程度的檢測方法，其中所述的反傳神經網絡算法采用6-7-2-1四層前向多層結構，用每段信號的本征模式函數分量信號c(/)(1 S/S5)和規整化后的心率變異信號，作為該神經網絡的矢量輸入，且該神經網絡的節點參數可根據檢測狀態人工干預。
全文摘要
本發明公開了一種基于心率變異分析的注意力集中程度的檢測裝置及方法，主要解決現有技術中的注意力判斷依據信號干擾大和測試不便的問題。其測試步驟是按照MV5導聯方式采集原始心電數字信號；濾除原始心電數字信號中的干擾，提取R波的位置，計算心率變異信號；對心率變異信號進行歸整化和分段；對每段心率變異信號進行經驗模式分解；計算心率變異信號和本征模式函數分量信號的近似熵；將求得的近似熵作為反傳神經網絡算法的輸入矢量，訓練神經網絡，并確定神經網絡各節點的參數；利用訓練完成的神經網絡對受試者的注意力集中程度進行檢測，輸出檢測結果。本發明具有依據信號強度大，檢測方便，準確度高的優點，用于對人的注意力集中程度的測試。
文檔編號A61B5/16GK101658425SQ20091002389
公開日2010年3月3日申請日期2009年9月11日優先權日2009年9月11日
發明者朱天橋, 建楊, 黃力宇申請人:西安電子科技大學

完整全部詳細技術資料下載