一种基于卷积神经网络的二便无损检测装置
阅读说明：本技术 一种基于卷积神经网络的二便无损检测装置 (Portable nondestructive testing device based on convolutional neural network ) 是由 张铁 黄泽铨 于 2021-10-15 设计创作，主要内容包括：本发明公开了一种基于卷积神经网络的二便无损检测装置。本发明通过获取多个受试者的实时生理数据和二便标签；对获取的生理数据进行预处理,将预处理后的生理数据组成一个二维数据集,将二维数据集分为训练集和测试集；将训练集和与训练集中的生理数据对应的二便标签输入到卷积神经网络中训练二便预警模型,并通过测试集选择预测效果最佳的二便预警模型,确定最终二便预测模型；将数据滤波算法和最终二便预测模型移植到可嵌入式电脑子系统中,对人体是否产生便意进行实时预测。本发明通过传感器进行病人的生理数据采集,解决了现有采集生理数据时均为有创监测的问题,并实时对当前信号进行分析处理。(The invention discloses a portable nondestructive testing device based on a convolutional neural network. The invention obtains real-time physiological data and stool labels of a plurality of subjects; preprocessing the acquired physiological data, forming a two-dimensional data set by the preprocessed physiological data, and dividing the two-dimensional data set into a training set and a testing set; inputting the training set and the shit labels corresponding to the physiological data in the training set into a convolutional neural network to train a shit early warning model, selecting the shit early warning model with the best prediction effect through the test set, and determining a final shit prediction model; and transplanting the data filtering algorithm and the final stool prediction model into an embeddable computer subsystem to predict whether the human body generates stool or not in real time. The invention collects the physiological data of the patient through the sensor, solves the problem that invasive monitoring is carried out when the physiological data is collected at present, and analyzes and processes the current signal in real time.)
技术领域
本发明涉及信号检测预警领域，具体涉及一种基于卷积神经网络的二便无损检测装置。
背景技术
失能老人长期卧床会出现各种并发症，严重影响老人的生活质量和寿命，针对失能老人长期照护和康复需求，从临床需求出发，开发基于个体化信息的智能二便监测技术及处理功能模块，建立面向医院、养老机构、家庭等多场景应用，能够解决失能老人长期照护困难、节约社会成本，具有重大的实用价值和社会效益。
另一方面，用于二便监测的生理信号十分微弱，一般只有50微伏左右，幅值范围为5微伏～100微伏，频率范围一般在0.5～35Hz。由于信号存在微弱级、窄带等特征，要从很强的肌电噪声和工频干扰下提取这些信号很困难，对该信号进行复杂的处理就更是困难。
专利《排尿检出送信装置（P2002-369810）》中提供了一种排尿检测和传输装置，用于始终从膀胱内部检测膀胱内尿液的状态。排尿检测和传输装置穿过尿道布置在膀胱的内部，如果检测结果表明所存储的尿量达到排尿水平，则检测信号通过发送天线发动到排尿报告装置的侧面。这种方法属于有创方法并且侵袭性高。
现有的二便信号采集设备具有以下缺陷：
(1)由于各种二便信号采集设备价格高昂，体积庞大，使用复杂等，无法将其进行广泛应用；
(2)现有的二便信号采集设备均为有创监测方案，难以对应各种医疗状况，不易实时观测。
(3)现有的二便信号采集设备的采集数据无法对应服务器接口，无法针对脑电信号进行准确的实时采集。
发明内容
本发明的目的在于克服现有技术的缺点与不足，提出了一种用于实时采集病人的生理信号，并能够实时进行信号处理、分析、并得出二便信号预警的装置，本发明通过传感器进行病人的生理数据采集，解决了现有采集生理数据时均为有创监测的问题，通过卷积神经网络模型对数据进行训练处理，得出最终二便预测模型，并实时对当前信号进行分析处理，确保对当前病人的二便生理状态进行实时监控，从而达到了辅助医生进行治疗的效果。
本发明的目的至少通过如下技术方案之一实现。
一种基于卷积神经网络的二便无损检测装置，包括信号采集模块、信号预处理模块、二便预测模型训练模块和可嵌入式电脑子系统；
其中，信号采集模块实时采集病人的生理信号数据输入信号预处理模块中进行预处理，信号预处理模块将预处理后的生理信号数据输入二便预测模型训练模块，训练得到最终二便预测模型并输入可嵌入式电脑子系统，可嵌入式电脑子系统上移植数据滤波算法和最终二便预测模型，实时接收信号采集模块发送的生理信号数据，通过数据滤波算法预处理后输入最终二便预测模型进行预测，得到二便预警信号。
进一步地，信号采集模块包括：
电子听诊器，用于测量病人的肠道肠鸣音信号；电子听诊器包括听诊头、导音管和耳挂；
胃电传感器，用于测量病人的胃电信号；胃电传感器包括测量电极和传输接口；
心电传感器，用于测量病人的心电信号；心电传感器包括测量电极和传输接口；
生理信号数据包括肠道肠鸣音信号、胃电信号和心电信号。
进一步地，实时的生理信号数据的采集时间为早中晚各一次，分情况进行采集，包括空腹与非空腹、有便意与无便意；
实时的生理信号数据具体采集过程如下：
肠道肠鸣音信号，将听诊头贴紧皮肤，分别从受试者腹部的右上象限、左上象限、左下象限采集肠鸣音信号；
心电信号，将测量电极紧贴受试者的胸口部分并采集心电信号；
胃电信号，将测量电级紧贴受试者的胃部并采集胃电信号。
进一步地，信号预处理模块中，通过数据滤波算法对信号采集模块采集的生理信号数据进行预处理，包括降噪、滤波和归一化处理，具体如下：
采用小波对生理信号数据进行降噪，选择小波函数对生理信号数据进行分解，设生理信号数据的原始信号表示为：
其中，表示信号中的时间，由函数集张成，表示所有不连续点仅在整数集中的分段常量函数 所组成空间；是一个非负整数，表示空间的最高分辨率；是整数集合中的元素， 表示平移参数；为信号分解在空间的第个小波包系数；表示信号在空间的映射。
是尺度函数，定义为
是的简写，可分解为：则有：
则可表示为：
其中，为信号分解在空间的第2个小波包系数；为信号分解在空间的第个小波包系数；是由的线性组合张成；表示信号的分量；表示信号的分量；
为小波函数，表示为：
分解过程接着用取代，继续把分解为，得到：
采用窗函数设计的方法构建FIR滤波器，L阶FIR滤波器输入与输出的 关系表达式如下：
其中，分别表示输入信号时间和输出信号时间，为有限脉冲响应滤 波器的单位抽样响应；
滤波器的频率响应为：
表示信号频率；
经小波变换和滤波处理后，对生理信号数据进行归一化处理，计算公式如下：
其中，和分别表示信号在所有时刻下的均值和标准差；
用时间窗对生理信号数据进行截断，使得每个训练信号数据矩阵维度为二维数据，将二维数据集分为训练集和测试集。
进一步地，信号预处理模块中，根据FIR滤波器的规格和参数要求选择窗函数；根据要求的通带边缘频率和阻带起始频率，计算过度区的大小，从而计算窗函数的长度；最后根据窗函数和理想滤波器的单位冲击响应，计算出所需要的滤波器的单位冲击响应。
进一步地，二便预测模型训练模块中，将训练集和与训练集中的生理信号数据对应的二便标签输入到卷积神经网络中训练二便预测模型，并通过测试集选择预测效果最佳的二便预测模型，确定最终二便预测模型；
卷积神经网络包括依次连接的输入层、若干卷积层、若干池化层、若干全连接层和输出层；
其中，输入层中，输入值为经过步骤S2中数据预处理后生成的二维数据，并将数据 预处理后的生成的二维数据传给卷积层，每一个样本X是一个维度为的张量 矩阵，其中表示电信号通道数，表示时间步长；
卷积层接收输入层的数据并使用小批量归一化来防止梯度消失以及过拟合问题，经每个卷积滤波器滤波后的输出都是一个二维的张量，并将二维张量传输给池化层；
池化层中下采样采用Max-Pooling进行，目的是对卷积层的输入张量进行降维，在不损失特征信息的情况下降低参数的个数从而减少计算量，并把多维的输入张量‘展平’成一维的张量形式，并将张量传输给全连接层，以实现从卷积层到全连接层的过渡；
全连接层在整个卷积神经网络中起到‘分类器’的作用，用于将学到的‘分布式特 征表示’映射到样本标记空间；全连接层的输出为向量，且；为每一个神经元的预测概率，即和分别表示未检测出二便信号和检 测出二便信号的概率；故二便信号检测类别的表达式为：
其中，X表示输入样本，E表示学习得到的分类器，并将全连接层的预测概率作为该二便预测模型的输出。
进一步地，二便预测模型训练模块中，获取训练集和与训练集中的生理信号数据对应的二便标签；将二便标签分为有便意和无便意两种类型；
将训练集和训练集中的生理信号数据对应的二便标签作为二便预测模型的输入，输入到搭建好的二便预测模型中进行训练，将训练集的二便信号预测作为二便预测模型的输出，获得训练好的二便预测模型，然后通过测试集来选择预测效果最佳的二便预测模型；
将测试集作为测试数据，将测试集的二便信号预测作为该测试集在二便预测模型中的输出，将输出与实际测试集的生理数据对应的二便信号标签进行比较，得到测试集预测的准确率，通过设定阈值的方法，若准确率不超过该阈值则重新训练，直到准确率达到阈值，确定最终二便预测模型。
进一步地，所述可嵌入式电脑子系统采用Jetson TX2电脑子系统。
进一步地，将信号预处理模块中的数据滤波算法和二便预测模型训练模块中得到的最终二便预测模型移植到可嵌入式电脑子系统中，对人体是否产生便意进行实时预测，具体如下：
通过信号采集模块获取病人实时的生理信号数据并通过数据滤波算法进行预处理，最后输入最终二便预测模型中进行预测，得到二便预警信号。
进一步地，基于卷积神经网络的二便无损检测装置的检测过程包括以下步骤：
S1、获取多个受试者实时的生理信号数据和二便标签；
S2、通过数据滤波算法对获取的生理信号数据进行预处理，将预处理后的生理信号数据组成一个二维数据集，将二维数据集分为训练集和测试集；
S3、将训练集和与训练集中的生理数据对应的二便标签输入到卷积神经网络中训练二便预测模型，并通过测试集选择预测效果最佳的二便预测模型，确定最终二便预测模型；
S4、将数据滤波算法和最终二便预测模型移植到可嵌入式电脑子系统中，对人体是否产生便意进行实时预测。
相比于现有技术，本发明的优点在于：
提出了一种用于实时采集病人的生理信号的测量方法，并能够实时进行信号处理、分析、并得出二便信号预警，本发明通过胃电传感器、心电传感器和电子听诊器进行病人的生理数据采集，解决了现有采集生理数据时均为有创监测的问题，并实时对当前信号进行分析处理，确保对当前病人的二便生理状态进行实时监控，从而达到了辅助医生进行治疗的效果。
附图说明
图1为本发明实施例中一种基于卷积神经网络的二便无损检测装置的系统结构原理图。
图2a为电子听诊器示意图；图2b为心电传感器和胃电传感器示意图。
图3为本发明实施例中卷积神经网络的网络结构示意图。
图4为本发明实施例中卷积二便信号数据结构示意图。
图5为本发明实施例中CNN训练数据分配示意图。
图6为本发明实施例中可移植数据滤波算法和二便预测模型原理框图。
具体实施方式
下面结合实施例及附图对本发明作进一步的详细描述，但本发明的实施方式不限于此。
实施例：
一种基于卷积神经网络的二便无损检测装置，如图1所示，包括信号采集模块、信号预处理模块、二便预测模型训练模块和可嵌入式电脑子系统；
其中，信号采集模块实时采集病人的生理信号数据输入信号预处理模块中进行预处理，信号预处理模块将预处理后的生理信号数据输入二便预测模型训练模块，训练得到最终二便预测模型并输入可嵌入式电脑子系统，可嵌入式电脑子系统上移植数据滤波算法和最终二便预测模型，实时接收信号采集模块发送的生理信号数据，通过数据滤波算法预处理后输入最终二便预测模型进行预测，得到二便预警信号。
进一步地，信号采集模块包括：
电子听诊器，用于测量病人的肠道肠鸣音信号；如图2a所示，电子听诊器包括听诊头1、导音管2和耳挂3；所述肠道肠鸣音信号是在肠蠕动时肠管内气体和液体之间产生的一种气过水声，可以作为肠道疾病检测的一个重要指标；不同特征或不同类型的肠鸣音，代表了不同病理状态下的肠运动；
胃电传感器，用于测量病人的胃电信号；如图2b所示，胃电传感器包括测量电极4和传输接口5；所述胃电信号是胃肠蠕动时产生的电信号，不同特征的胃电信号反映了胃肠的运动状态；
心电传感器，用于测量病人的心电信号；如图2b所示，心电传感器包括测量电极4和传输接口5；
本实施例中，信号采集模块包括Biosignals系列4通道生理记录监测仪配置的胃电传感器、心电传感器和3M系列Littmann3200型电子听诊器
生理信号数据包括肠道肠鸣音信号、胃电信号和心电信号。
进一步地，实时的生理信号数据的采集时间为早中晚各一次，分情况进行采集，包括空腹与非空腹、有便意与无便意；
受试者需为近三个月无肠道病史，且肠胃功能正常的人；随后，安排受试的志愿者穿戴好胃电传感器、心电传感器和电子听诊器，以躺姿进行数据采集；
实时的生理信号数据具体采集过程如下：
肠道肠鸣音信号，将听诊头贴紧皮肤，分别从受试者腹部的右上象限（升结肠）、左上象限（降结肠）、左下象限（乙状结肠）采集肠鸣音信号；
心电信号，将测量电极紧贴受试者的胸口部分并采集心电信号；
胃电信号，将测量电级紧贴受试者的胃部并采集胃电信号。
进一步地，信号预处理模块中，通过数据滤波算法对信号采集模块采集的生理信号数据进行预处理，包括降噪、滤波和归一化处理，具体如下：
采用小波对生理信号数据进行降噪，选择小波函数对生理信号数据进行分解，设生理信号数据的原始信号表示为：
其中，表示信号中的时间，由函数集张 成，表示所有不连续点仅在整数集中的分段常量函数所组成空间；是一个非负整数，表示 空间的最高分辨率；是整数集合中的元素，表示平移参数；为信号分解 在空间的第个小波包系数；表示信号在空间的映射。
是尺度函数，定义为
是的简写，可分解为：,则有：
则可表示为：
其中，为信号分解在空间的第2个小波包系数；为信号分解在空间的第个小波包系数；是由的线性组合张成；表示信号的分量；表示信号的分量；
为小波函数，表示为：
分解过程接着用取代，继续把分解为，得到：
；
采用窗函数设计的方法构建FIR滤波器，L阶FIR滤波器输入与输出的 关系表达式如下：
其中，分别表示输入信号时间和输出信号时间，为有限脉冲响应滤 波器的单位抽样响应；
滤波器的频率响应为：
表示信号频率。
经小波变换和滤波处理后，对生理信号数据进行归一化处理，计算公式如下：
其中，和分别表示信号在所有时刻下的均值和标准差；
用时间窗对生理信号数据进行截断，使得每个训练信号数据矩阵维度为二维数据，将二维数据集分为训练集和测试集。
本实施例中，用0-600ms时间窗对生理信号数据进行截断，使得每个训练信号数据 矩阵维度为。由于训练数据集的正负样本比例为1:5，容易造成数据不平衡，因 此把所有正样本复制4倍以达到正负样本平衡。
信号预处理模块中，根据FIR滤波器的规格和参数要求选择窗函数；根据要求的通带边缘频率和阻带起始频率，计算过度区的大小，从而计算窗函数的长度；最后根据窗函数和理想滤波器的单位冲击响应，计算出所需要的滤波器的单位冲击响应。
二便预测模型训练模块中，将训练集和与训练集中的生理信号数据对应的二便标签输入到卷积神经网络中训练二便预测模型，并通过测试集选择预测效果最佳的二便预测模型，确定最终二便预测模型；
如图3所示，本实施例中，采用11层卷积神经网络，包括输入层、卷积层、BN层、最大池化层、全连接层和输出层；
本实施例中，如图4所示，搭建的所述卷积神经网络结构依次为：
其中，输入层中，输入值为生理信号采集系统经过步骤S2所述数据预处理后生成 的二维数据，每一个样本X是一个维度为的张量矩阵，本实施例中，为3， 表示电信号通道数，为651，表示时间步长，
使用机器学习库构建上述的11层卷积神经网络模型，然后将生理信号采集系统输入的肠鸣音、胃电和心电时序生理数据对应的二维张量矩阵，作为二便预测模型的输入，将输入传输到最后的全连接层输出结果表示是否有便意。
全连接层在整个卷积神经网络中起到‘分类器’的作用，用于将学到的‘分布式特 征表示’映射到样本标记空间。全连接层的输出为向量，且；为每一个神经元的预测概率，即和分别表示未检测出二便信号和检 测出二便信号的概率；故二便信号检测类别的表达式为：
其中，X表示输入样本，E表示学习得到的分类器，并将全连接层的预测概率作为该二便预测模型的输出。
二便预测模型训练模块中，获取训练集和与训练集中的生理信号数据对应的二便标签；将二便标签分为有便意和无便意两种类型；
将训练集和训练集中的生理信号数据对应的二便标签作为二便预测模型的输入，输入到搭建好的二便预测模型中进行训练，将训练集的二便信号预测作为二便预测模型的输出，获得训练好的二便预测模型，然后通过测试集来选择预测效果最佳的二便预测模型；
将测试集作为测试数据，将测试集的二便信号预测作为该测试集在二便预测模型中的输出，将输出与实际测试集的生理数据对应的二便信号标签进行比较，得到测试集预测的准确率，通过设定阈值为95%，若准确率不超过该阈值则重新训练，直到准确率达到阈值，确定最终二便预测模型。
本实施例中，如图5所示，总共进行了60轮训练和测试，训练和测试目的的总心电 图搏动的分配为：在二便预警训练数据的中，使用了其中的数据来验证算法。
本实施例中，所述可嵌入式电脑子系统采用Jetson TX2电脑子系统，所述NvidiaJetson TX2电脑子系统的处理器以256颗Nvidia cuda和64位cpu为核心，并且搭载数据处理平台，可即时处理采集的生理电信号。所述处理器功能包括：
显示：NVIDIA Jetson TX2通过HDMI接口连接显示器。
控制：NVIDIA Jetson TX2 通过uart串口，usb接口与外围子系统通信。
电源：NVIDIA Jetson TX2通过三孔插头连接电源。
开机：NVIDIA Jetson TX2上有四个红色按钮，其中开机按钮下面标注了POWERBTN字样，顺着开机按钮分别是Force Recovery Button按钮、User Defined Button和Reset Button。
如图6所示，将信号预处理模块中的数据滤波算法和二便预测模型训练模块中得到的最终二便预测模型移植到可嵌入式电脑子系统中，对人体是否产生便意进行实时预测，具体如下：
通过信号采集模块获取病人实时的生理信号数据并通过数据滤波算法进行预处理，最后输入最终二便预测模型中进行预测，得到二便预警信号。
本实施例的基于卷积神经网络的二便无损检测过程包括以下步骤：
S1、获取多个受试者实时的生理信号数据和二便标签；
S2、通过数据滤波算法对获取的生理信号数据进行预处理，将预处理后的生理信号数据组成一个二维数据集，将二维数据集分为训练集和测试集；
S3、将训练集和与训练集中的生理数据对应的二便标签输入到卷积神经网络中训练二便预测模型，并通过测试集选择预测效果最佳的二便预测模型，确定最终二便预测模型；
S4、将数据滤波算法和最终二便预测模型移植到可嵌入式电脑子系统中，对人体是否产生便意进行实时预测。
上述实施例为本发明较佳的实施方式，但本方明的实施方式并不受上述实施例的限制，其他的任何背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。
- 上一篇：一种医用注射器针头装配设备
- 下一篇：用于侵入式可部署装置的方法和系统