本发明涉及医学领域，特别是一种心电和脉搏信号自适应分析法及其装置。

世界上每年有一千两百万人死于心血管疾病，占人类每年死亡人数的四分之一。心血管疾病多见于中年人和老年人，如果能够方便、早期、准确地诊断此类疾病，必将为战胜心血管疾病，维护人民身体健康、延长人均寿命起到重大作用。人们对心血管疾病的关注由来已久，对心血管类生理信号如心电信号EGG和脉搏信号PLG的采样与分析受到了广泛的重视，各种仪器不断出现。在70年代有动态心电仪应市，即Holter，它体积较小，由用户随身携带，以磁带记录方式记录用户一天24小时的心电信号，作为医生诊断的依据。它为正确诊断某些不易发现的疾病提供了巨大的帮助。但是Holter它只起到了记录的作用，用户的健康状况要待医生以专门仪器读出记录数据才能判断，对于“方便、早期”的要求相去尚远。

近几年，日本Casio公司推出了腕式血压表。用户只要轻轻触摸表面上的传感器，就可以知道自己的血压值。该表具有三分钟连续测量功能，30组日常高压、低压、脉搏存储及显示功能，在一定程度上起到了诊断和报警的作用。但它要求用户经常自己测量数据并自己分析结果，另一方面其可靠性也受到了影响。

市场上还有一些采用计算机，功能比较强大的专业用心电分析仪，如美国生产的Marquatte    MAC-15心电向量综合仪，香港WEX 公司的HBD-Ⅱ型心电多域信息自动分析仪，广东省中山市博爱医用电子厂的SR-1000型心电综合自动分析仪。它们一般都有心电信号的自动采集、分析、诊断功能，病历管理功能，软件先进，但它们选价都很昂贵，因而只适合较大的医院使用，要普及到家庭和个人是不可能的。其典型情况请参见IJCNN：International    Joint    Conference    on    Neural    Networks，1989，VolⅡ，P69-74。

本发明的目的在于提供一种能够方便、早期、准确地诊断心血管疾病的心电和脉搏信号自适应分析法及其装置。

本发明的目的通过发下技术方案完成：心电和脉搏信号自适应分析方法，包括人体心电信号、脉搏信号的获取、模/数转换及数字信号处理，处理中采用了自适应人工神经网络和子波技术。

其具体过程是将人体心电信号和经压电变换的脉搏信号进行正确探测和输入;将信号从噪声中提取出来，进行数据抽取、压缩、进行平滑处理、基线校正、数字滤波及相关运算等数据预处理，这是波形分析中的一个重要环节，是进行正确识别的前提和保证，并满足后继工作软件的需要。

采用子波变换，将信号分解成交织在一起的多种尺度成分，并对大小不同的尺度成分采用相应粗细的时域或空域取样步长组成二维相平面，子波变换代表了输入信号里所含子波族中每种子波的含量，把这种变换值传递给人工神经网络作为输入，即变信号原始输入为子波变换特征输入，由于子波变换具有对称性并且放大了模式间的差别，则神经网络的节点和互连数都可以大量减少，学习所需的时间也就大大缩短，更重要的是这种方法可以减小由于神经网络容错性而导致的失误，使得识别具有较高的可靠 性。

应用自组织神经网络和多层感知机网络：自组织神经网络对任意多和任意复杂的二维模式进行自组织、自稳定大规模平行处理，完成实时学习，建立健康模型，自适应非平衡的环境，对已学习过的对象具有稳定快速识别能力，同时又迅速适应未学习的新对象。藉助多层感知机网络的容错性和联想能力，模拟医生在临床诊断中的直觉模糊诊断功能，分别构造一个150个输入节点、50个隐层节点、6个输出节点的三层网络处理心电信号，和一个50个输入节点，10个隐层节点，6个输出节点的三层网络处理脉搏信号，分别选取30种心电信号（分为6类）和脉搏信号（分为5类）作为训练集，非线性函数选用

$f=\frac{1}{1+e^{-(\mathrm{ne}{t}_j+{\theta }_j)/{\theta }_0}}$

式中netj是第j个神经元的输入值，θj是阈值，θ0是为了调节函数形状的量，在训练误差小于0.01后，两种网络都具有了较好的分类能力。在给训练集加上为信号幅度10%的随机噪声后，网络仍然能正确识别。

方案提供了方便灵活的数据记录，用户可以用它来记录即时的某一长度的心电、脉搏信号，也可以用它来记录从预定某一时刻开始的一段信号，如记录睡眠中的一段信号，它还可以自动存储一组检测出的异常信号，存满以后，用户如果不保留，后来的异常信号记录将自动覆盖以前的记录。

本发明如前述的一种心电和脉搏信号自适应分析方法所规定 的装置，包括检测电极、传感器、信号采集板、微机系统和应用软件所组成的硬件结构部分和软件结构部分。

其中硬件的主要部分为：

心电信号的拾取装置;以Zn-Cu电极为皮肤电极来测量由心脏电活动产生的电势。

脉搏信号的压电转换装置，采用PT14M3生理压力传感器作为脉动传感器。

微弱信号放大装置，心电信号放大器采用三级放大，前级零输入噪声约50微伏，高输入阻抗，80db以上的共模抑制比，频响0.2-200Hz。脉搏信号放大器采用两级放大，前置放大器采用差动比例放大，后级放大器采用同相比例放大，有相应的温度补偿，整个电路的放大倍数在500-5000可调。

降噪的低通、高通和带阻滤波装置。心电信号的主要成分的频率范围在1-100Hz，为抑制噪声和方便后级工作，在前置放大器之后，设计了带阻、低通和高通滤波器。带阻滤波器的中心频率为50Hz，陷波深度40db，Q值为0.75。低通滤波器的截止频率为150Hz，150Hz以上频率有6db/倍频程衰减。高通滤波器的截止频率为1Hz，低端频率有5db/倍频程衰减。脉搏信号其主成分集中在0.5-10Hz，其前放之后所跟随的低通滤波器截止频率选为20Hz。

对所采集信号的采样保持和模/数转换装置，由于采样速率较低，在模/数转换之前有一个采样保持电路，采用保持芯片LF398，捕捉时间为25微秒;模/数转换芯片选用8通道多路开关的ADC0809，其时钟频率设计在10K-1.5MHz可调。

心电和脉搏信号自适应分析装置的硬件辅助部分为：

对电极脱落和传感器断线的检测装置;

提供基准电压装置;

实现人机对话装置;

经外发射报警与接收装置：为应用中比较特殊情况如用户在睡眠中的监测报警及某些语言障碍残疾病人的监测报警等，设计了红外发射、接收报警装置。其红外发射装置顺序由编码电路、载频振荡电路、红外发射电路组成;接收装置由红外接收电路、放大解调电路、译码电路、语音芯片、扬声器组成;其中载频频率选为38KHz，红外放大及解调功能由一片C1490HA芯片及少量外接元件组成。

心电和脉搏信号自适应分析装置的软件结构部分为：

外设管理：这部分软件是对系统的自检和初始化，对程控放大、数据采集、模/数转换、屏幕显示、红外发射等的各种控制管理，响应外设的中断请求，并完成人机对话，将较多的外设结合成一个有机的整体。

数据预处理软件，主要是数据抽取及压缩、平滑处理、基线校正、数字滤波、概率分布、相关运算软件。

波形学习与监测软件，这一部分是整个软件系统的灵魂所在，外设所采集的信号、前面进行的预处理是为这一部分所用，这一部分的识别结果是整个系统的最终目标所在。对于新用户，通过这一部分软件来学习、理解、存储用户的信号波形特征，并建立起用户的健康模式;对于已存储有健康模式的老用户，本发明通过这一部分不断监测用户的心电、脉搏信号的变化，并与所存储 的健康模式进行比较，发现异常及时报警。

心电信号、脉搏信号的常规分析软件，这是为了将所记录的波形信号及其处理结果能够为医务人员所用，并且和用人工神经网络和子波技术处理的结果作对照。这一部分常规分析软件是付里叶变换、一至三阶导数法、区间移动法、回归分析法、九参量判别方程法以及心电、脉搏信号的软件模件模拟。

人工神经网络与子波技术：这一部分软件将人工神经网络技术用于信号特征的提取分析和存储，以及数据的压缩记录;将子波技术用于突变信号检测，瞬时信号的频率分析;把子波变换值传递给神经网络作为输入，变信号原始输入为子波变换特征值输入，将人工神经网络和子波技术有机地结合起来，减少了神经网络的节点数和互连数，其学习时间也大大缩短，提高了识别的可靠性。

数据记录软件，这一部分软件提供了方便灵活的数据记录，能记录即时某一长度的心电或脉搏信号，或记录从预定某一时刻开始的一段信号;如睡眠中的一段信号;还可以自动存储一组检测出的异常信号，存满以后，用户如果不保留，后来的异常信号记录将自动覆盖以前的记录。

本发明具有如下有益效果：

1.自适应性：本发明的自适应性首先反映为数据采集方式的设计思想是自适应的。它没有拘泥于医学上通用采集方式。本发明学习所用数据，可以采自不同的用户和任意不同的部位，只要以后监测数据也取自同一用户的同一部位即可。这就给用户带来很大的方便。本发明的自适应性还反映在数据的处理方式上。由 于数据的分析处理主要由神经网络来完成，本发明的神经网络又能够根据数据模式结构，自适应地组织运行，能完成实时的非监督学习，并能适应非平稳的环境。这样，本发明就能够对已学习过的对象快速识别，同时又能迅速适应未学习的新对象。

2.抗干扰性：本发明具有良好的抗干扰能力。本发明的多层感知机网络的实验中，输入加上为信号幅度的10%的随机噪声后，本发明仍能正常工作。实验使用中的基线漂移、模/数转换误差、电路噪声等因素造成的干扰是低于这一水平的，因而本发明抗干扰能力是很强的。

3.智能性：本发明是根据神经网络的结构自动动作的，不象许多传统的分析程序中那样利用嵌入其中的人的经验和智能。换言之，本发明是“自己”进行思考、分析的，没有硬行搬照通用的判别标准，故更适合普及使用的要求，能够方便、早期、准确地进行心血管疾病的心电和脉搏信号自适应分析和诊断。

本发明的附图说明如下：

图1为人体信息自适应处理原理图。

图2为整机的硬件结构框图。

图3为整机软件结构框图。

图4为模数转换电路示意图。

图5为未平滑处理的心电信号。

图6为平滑处理后的心电信号。

图7为自组织人工神经网络示意图。

图8为自组织人工神经网络（ART）与多层感知机网络（BP）结合的示意图。

图9为多层感知机网络（BP）的结构示意图。

图10为多层感知机网络（BP）算法框图。

图11为子波变换的幅度频谱特性。

图12为子波变换的相位频谱特性。

图13为进行子变变换的一组脉搏信号的信号（1）。

图14为进行子变变换的一组脉搏信号的信号（2）。

图15为进行子变变换的一组脉搏信号的信号（3）。

图16为a＝1时脉搏信号（1）的子波变换结果。

图17为a＝2时脉搏信号（1）的子波变换结果。

图18为a＝4时脉搏信号（1）的子波变换结果。

图19为a＝8时脉搏信号（1）的子波变换结果。

图20为a＝1时脉搏信号（2）的子波变换结果。

图21为a＝2时脉搏信号（2）的子波变换结果。

图22为a＝4时脉搏信号（2）的子波变换结果。

图23为a＝8时脉搏信号（2）的子波变换结果。

图24为a＝1时脉搏信号（3）的子波变换结果。

图25为a＝2时脉搏信号（3）的子波变换结果。

图26为a＝4时脉搏信号（3）的子波变换结果。

图27为a＝8时脉搏信号（3）的子波变换结果。

图28为子波（WT）与神经网络（BP）结合的框图。

图29为整机工作流程图。

下面结合附图对本发明实施作进一步阐述：

人体各器官、各系统的功能互相联系和协调，使人体成为统一的整体，同时，人体的内外环境都在不断地变化，当外界和内 在因素（包括病理性和生理性的）发生变化时体内各功能都需要进行相应的调整，以适应这种变化。例如人体出现炎症时，人体体温会升高，心跳会加快，因此，通过足够详细的人体信号如心电信号和脉搏信号的监测，就完全可能推知整个人体大致的健康状况。但是人体信号是非常复杂的，并且总是掺杂着大量的噪声，人工神经网络采用大规模并行处理和分布式存储，具有很强的容错性、联想能力和学习能力，为识别提供了新的途径，利用人工神经风格自适应的诊断，来判断人体的健康状况，这里的自适应主要是能够处理由噪声引起的模式失真，能够根据环境的改变自适应地调整处理过程，以及能够根据模式数据结构对存储器和模式分类器的内部结构进行自适应地自组织。请参阅图1，本发明的系统在使用之前，先对人工神经网络进行训练学习2，一经学习，网络对其输入的微变化的反应便不敏感，这即所谓的容错性;并能抽取出输入集的本质特征，这即是所谓的自组织、自适应性;训练后让网络对于不同的用户自适应地建立起不同的健康模型3。在训练中，允许用户参与4或不参与，用户可以有针对性地训练网络，网络得到了大量人体信号并存储于神经元的互连中。而后系统不断采集人体信号输入1，由神经网络处理，对于一些小的畸变和干扰，网络自动予以摒弃，对一些因运动、姿势等引起的较大变化，由于神经网络在训练中得到充分的学习因而也会做出正确判断;而对于一些健康原因的本质变化，才会引起网络输出的变异，与健康模型3及模型比较7对比，一旦超出学习中所设定的阈值5，即作出判决结果6为异常，而具有自适应的诊断功能。

本发明的发明人推荐如下实施例：本实施例包括硬件设计及 软件结构，请参阅图2，整机硬件的主要部分为：

1.心电信号的检测电极9;

2.脉搏信号的检测和压电转换-脉动传感器14;

3.程控放大器10和15完成对采集微弱信号的放大、及信号放大后的锁存器11和18;

4.降噪目的的低通滤波器12及16、高通滤波和带阻滤波;

5.实现对采集信号的采样保持和模/数转换13;

6.外设与微机的接口和处理部20。

整机硬件的辅助部分为：

1.电极脱落检测电路8和传感器断线检测电路19;

2.提供基准电压、零点校正和跨度校正17;

3.实现人机对话的对话装置22;

4.红外发射报警与接收的报警装置21。

经测试，硬件的主要性能如下：

1.电源：        ±10伏，直流;

2.采样频率：        100-1000赫;

3.采样位数：        8位;

4.基线漂移：    ＜2毫伏;

5.输入阻抗：        ＞5兆欧;

6.共模抑制比：        100db;

7.灵敏度：        10毫伏±5%

8.干扰抑制：        对50赫干扰抑制＞30db;

9.整机增益：        60-80db。

请参阅图3，整机的软件结构包括外设管理23、数据预处理 24、波形学习与监测25、常规分析26、神经网络与子波技术27、数据记录28等软件。

整机是按照前述的总的技术方案进行实施的，以下对整机的主要部分进行分述或相对于前述的总技术方案进行细节补充。

1.心电检测电极9：从实用出发选用Zn-Cu电极，它的成本较低，使用起来很方便，尤其适合于运动情况的实验。尽管它是种极化电极，但只要接触面足够大，完全可以很好地工作。当前置放大器的输入阻抗足够高的话，实际的电极阻抗就不再重要了。

2.脉动传感器14，采用PT14M3型生理压力传感器，它是采用全套微机械结构集成新技术制造的扩散硅力敏电阻全桥型压力传感器。它解决了半导体扩硅压力传感器的非线性内外补偿和过压保护问题，性能稳定、灵敏度和分辨率较高，频响也很宽，能抗震、抗跌落，几乎没有漏电流，对于本发明处于运动中的应用非常适合。

3.心电信号放大器和脉搏信号放大器已在总方案中阐明。

4.滤波器的设计也已在总技术方案中阐述。

5.模数转换电路13已在总方案中介绍，其示意图请参阅图4。

6.红外报警装置21，已在总方案中介绍。

有关整机的微机接口及整机其他辅助部分及软件结构，有的涉及已有技术的组合应用，不再重复阐述，下面仅对信号处理中的信号预处理、人工神经网络的应用及子波技术的应用作补充介绍。

先简单介绍几种主要的预处理方法：

1.对所采集数据的软件校正：

ADC0809芯片采用比率转换方式进行模数转换，降低了对基准电压的要求，消除了很大部分的误差来源。但是由于整机较大，考虑到地噪声的干扰，以及电源可能出现的不稳定等因素能影响模/数精度，故对采集的数据进行了软件校正，从ADC809的多余通道中选出两路分别接地和+5伏基准电压，分别测出地与+5伏电压的转换值Dgno、D+5V，记正在测量的数据点转换所得值为DX，校正值为Dx′，则有：

Dx′/255＝DX/（D+5V-Dgnd）

即Dx′＝255×DX/（D+5V-Dgnd）

2.平滑处理：

为了减少毛刺效应，消除随机干扰，对数据采用三点加权移动平均法进行平滑处理：

Y（n）＝（1/4）[X（n-1）+2X（n）+X（n+1）]，

其中X（n）为第n个样本输入，Y（n）为第n个样本输出。图5和图6示出了心电信号在平滑处理前后的情况。

3.消除趋势项，周期大于记录长度的频率成分称为趋势项。如果数据中不消除趋势项，在相关和功率谱分析中会出现很大的畸变。数据中的趋势项可以使低频时的谱估计完全失去真实性。心电、脉搏信号的频率都很低，消除趋势项的工作就显得尤为重要。采用最小二乘法消除趋势项，可以消除呈线性状态的基线移动，也可以消除具有高阶多项式的趋势项。

下面介绍人工神经网络的应用：

1.自组织神经网络（ART）的应用：

请参阅图7，ART的基本结构为一两层网络，下层为输入节点， 上层为输出节点，从上至下的连接权值为Tij，从下至上的连接权值为bij，利用这种结构，采用计算机输入模式和样本间的欧氏距离，与警戒参量比较的方式来判别输入模式的分类情况。在心电和脉搏信号判别的应用中，这种网络用来学习输入样本，结果有储于互连权重之中，容量由节点间的互连数目来决定，这种网络也可以在学习中获得足够知识后，用来监视心电、脉搏信号的异常情况。实际应用中最大的困难在于警戒参量的设定，太大则对信号的变化不敏感，太小则误警不能避免，但它与多层感知机（BP）网络结合起来实用，就可以扬长避短，用较大的警戒参量值较快地得到较粗的分类结果，用来指导BP网络的训练与识别，BP网络的训练时间借助于ART网络的指导而缩短，而ART的识别能力由于BP网络的加入而提高。ART与BP网络的结合的示意图请参见图8。

2.多层感知机（BP）网络的应用，多层感知机BP网络的结构示意图请参阅图9，其算法框图参见图10。本整机分别构造一个150个输入节点，50个隐层节点，6个输出节点的三层网络的处理心电信号和一个50个输入节点、10个稳层层节点;6个输出节点的三层网络来处理脉搏信号，分别选取30种心电（分为6类）和脉搏（分为5类）信号作为训练集，非线性函数选用

f＝l/[l+e-（netj+θj）/θ0]，

其中netj是第j个神经元的输入值，θj是阈值，θ0是为了调节函数形状而引入的量，在训练误差小于0.01后，两种网络都具有了较好的分类能力。在给训练集加上为信号幅度10%的随机噪声后，网络仍然能正确识别。

再对子波技术的应用作简单的描述：

子波变换（WT）能将信号或图象分解成交织在一起的多种尺度成分，并对于大小不同的尺度成分采用相应粗细的时域或空域取样步长，从而能够不断地聚焦到对象的任意微小细节。

WT的基函数由一个原型函数Ψ（X）经尺度变换和平移获得：

$\mathrm{\psi a}(x-b)=\frac{1}{a^{1/2}}\psi \left(\frac{x-b}{a}\right)$

，对于一个能量有限的信号S（x），其连续WT可定义为：

φ（a、b）＝∫Ψa（x-b）S（x）dx，

也可记为φ（a、b）＝∫Ψa（x）S（x+b）dx，

对心电、脉搏信号进行WT研究中，选用了下述母子波：

φ（x）＝ (sin（x）)/(x) exp（j2x），

它的幅度特性的相位特性分别示于图11、图12中。

由该母子波，可经简单变化得到下列子波集：

ψa（x）＝ 1/(a) （ (sin（x/a）)/(x/a) ）exp（j2x/a），

其FT特性为：

上式的成立，可由下式证明：

$\mathrm{\psi a}=1/2{\int }_{1/a}^{3/a}\exp \left(\mathrm{j\omega x}\right)\mathrm{d\omega }=\frac{1}{2x}\exp \left(\frac{2\mathrm{jx}}{a}\right)x2\sin \left(\frac{x}{a}\right)$

＝ 1/(a) [ (sin(x/a))/(x/a) ]exp( (2jx)/(a) )

在研究中，a0＝20，即（a0，a1，a2，a3）＝（20，21，22，23）。

选取如图13、14、15所示的一组脉搏信号进行子波变换，其结果示于图16、17、18、19;20、21、22、23;24、25、26、27中。

WT代表了输入信号里所含子波族中每种子波的含量，比较一下图16至图27中的各个脉搏信号对应的变换结果，可以发现它们有着明显的不同。信号1与信号2的四组WT都不相同，尤其当a＝8时，差异最大，信号3的情况也是如此，这是由于它们的峰的结构造成的。对于心电信号的结构不同同样可以看到产生的WT的差异。

如果把这种变换值作为输入，传递给神经网络，变信号原始输入为WT特征值输入，如图28所示，由于WT具有对称性并且放大了模式间的差别，则神经网络的节点数和互连数都可以大量减少，学习所需的时间也就大大缩短，这种方法可以减小由于神经网络容错性而导致的失误，使得识别具有较高的可靠性。而整机是利用如前介绍的软、硬件按照图29所示的流程进行工作，它有效地完成了数据的采集和分析任务。