單片機及圖像識別技術下心肌梗死監測與甄別系統的設計

曹璐瑩 張艷敏 朱淑芳 郭冰艷

（新鄉醫學院三全學院，河南 新鄉 453003）

0 引言

隨著科技的不斷創新， 現代電子測量儀器也快速地向數字化、自動化的方向發展。 人們的生活水平逐漸提高的同時,人口老齡化逐漸加劇，青年人所面臨的壓力也日益增大。早在2013 年就由中國疾病死亡人數統計報告顯示， 我國每年發生心源性猝死的人數約為54.4 萬人， 相當于每分鐘就有1 人發生心源性猝死。現如今，發生心源性猝死的病例每年都在遞增，人數更為龐大， 而且有心肌梗死繼發史的高齡老人也急需有效的實時監測及預警設備。 如今心率測量技術也在不停地更新換代， 然而這些產品具有較高的成本以及檢測費用，且檢測功能相對有限，患者的需求不一定能夠被滿足。大多數心率計具有檢測心率、血氧等其他的功能， 但是對這些信號的診斷還需要一些有經驗的醫生進行分析后才能確認結果， 且對于心肌梗死就突發性、緊急性、嚴重性、惡性程度而言，能夠及時地監測和預防是非常重要的。因此本文在原有基礎上，融合磁性免疫層析技術原理和圖像識別技術， 能夠及時地對心肌梗死做出分析判斷， 該設計作為現代電子儀器與醫學相結合的一個重要應用課題，具有深遠意義。

本文以STM32L476 單片機為控制核心，該系統通過生理信號采集、放大、濾波、A/D 轉換實現心率的實時監測， 運用外觸發電路啟動采血針的自動彈射功能， 利用圖像識別技術對磁性免疫層析試紙條的識別，實現對肌鈣蛋白Ⅰ、肌酸激酶同工酶（CK-MB）和肌紅蛋白三種心臟標志物的檢測。 若識別結果為陽性，則通過蜂鳴器進行報警，并利用藍牙將圖像識別結果傳輸到終端。 總體結構圖見圖1。

圖1 總體結構圖

1 硬件設計

本系統的硬件部分包括生理信號采集、 放大電路、濾波電路、A/D 轉換、外觸發電路、中央處理器等。通過信號采集模塊可對佩戴者的心率、血壓等生理信號進行實時采集，采集的生理信號通過放大電路進行放大；濾波電路可以有效提取出人體生理信號，濾除干擾信號；通過A/D 轉換電路，將模擬信號轉換成數字信號傳輸到中央處理單元。 考慮到心梗疾病大多在夜間復發，患者無法第一時間選擇是否采用免疫層析試紙條進行預判，本硬件部分加入了外觸發電路，若用戶5 秒內無選擇， 便通過外觸發電路自動化啟動采血裝置，針頭受傳感器控制從手環彈出，刺破外層與用戶身體接觸的保護膜， 采集1~3 mL 微靜脈血液并隨針頭歸位并上流至免疫層析試紙。 系統硬件框見圖2。

圖2 系統硬件框圖

圖3 內部管腳圖

1.1 微處理器

考慮到本設備是一種可穿戴式心梗檢測及甄別預警設備，而市面上的大部分可穿戴型檢測及甄別預警設備都普遍存在著電池容量大、 容納困難的問題，并且需要達到讀取多種芯片并對各種數據進行實時處理與傳輸的功能。 為使采集裝置小型輕便，不影響佩戴者的正常活動，本文采用STM32L476（芯片的選取）芯片，與其他芯片相比，該芯片具有較強的實時性以及嚴格的功耗控制，一方面能夠滿足系統低功耗、高性能的要求，另一方面也解決了使用者佩戴不適的問題，滿足了佩戴者對于長時間連續監測以及不影響日常活動的需求。 內部管腳圖見圖3。

1.2 生理信號采集模塊

由于人體的大多數生理信號都是非電量信號，例如，體溫、血壓等，這些生理信號非常微弱，其電壓幅值多數都是微伏級的。 若要采集較完善的生理信息，則要求采集時要有較高的靈敏度和較強的抗干擾能力。 本模塊通過利用傳感器，將生理信號轉換成可用的輸出電信號。 信號引入電路見圖4。

1.3 放大電路模塊

考慮到大多數的傳感器所接收到的信號較微弱，并且時常發生信號被淹沒的現象，因此，將采集的生理信號通過放大電路對信號進行放大。 本模塊采用AD797 來進行設計， 此運算放大器具有極低噪聲、低失真的特點，在音頻帶寬上具有低噪聲（0.9 n V/Hz）和低總諧波失真（-120 d B）特性，此外還具有出色的壓擺率（20 V/μs）和增益帶寬（110 MHz），低失真和16位建立時間特性。 放大電路結構見圖5。

圖4 信號引入電路

圖5 放大電路

1.4 濾波電路模塊

對生物醫學信號提取的過程中要求該系統具有較高的靈敏度，而提高系統靈敏度的同時，對干擾的靈敏度也間接地進行了提高，為解決以上問題，在此模塊中對信號進行進一步的濾波處理。 本模塊采用八階帶通濾波電路，LTC1562 是一款具有軌至軌輸入和輸出的低噪聲、低失真、連續時間濾波器，其專為10～150 kHz 的中心頻率而優化。 與市面上大多數的單片式濾波器不同的一點是，該器件不再需要外部時鐘信號。4 個二階濾波器部件是互相獨立的，它們能夠以任意組合進行級聯。 另外，此濾波器還具有小體積、低成本、重量輕、性能穩定等優點，通過八階帶通濾波電路能夠使0.05~100Hz 信號通過，阻礙高頻信號。 濾波電路結構見圖6。

1.5 A/D 轉換模塊

生理信號通過信號采集、放大、濾波，此時的信號是模擬量， 而傳輸到計算機里的信號必須是數字量。 通過A/D 轉換，可以將模擬的生理信號轉換成計算機可讀的數字信號。 本模塊將濾波后的生理信號經N120B 緩沖放大器，送到A/D 轉換器轉換成數字信號。 A/D 轉換器轉換后的生理信號通過高速數字光電耦合器傳送到微處理器。 A/D 轉換電路結構見圖7。

1.6 外觸發電路

當患者結合自身情況發現有所不適時，本電路可自動觸發采血裝置。 通過對輸出信號進行二極管包絡檢波，當有脈沖信號到來并能過門限時，通過電壓比較器輸出一個TTL 觸發信號。外觸發電路進行信號采集，針頭受傳感器控制從手環彈出，刺破外層與用戶身體接觸的保護膜， 采集1~3 mL 微靜脈血液并隨針頭歸位并上流至磁性免疫層析試紙。 外觸發電路結構見圖8。

圖6 濾波電路

圖7 A/D 轉換電路

圖8 外觸發電路

2 圖像識別的實現

2.1 檢測急性心肌梗死的磁性免疫層析試紙條的介紹

急性心肌梗死是冠狀動脈急性、持續性缺血缺氧所引起的心肌壞死。 臨床上主要根據發生衍變的特征性心電圖以及血清中生物標志物的動態變化來作出正確診斷。目前，除心電圖外，也可采用肌紅蛋白/肌酸激酶同工酶（CK-MB）/心肌鈣蛋白I 的快速診斷試劑，作為快速的輔助診斷，此種方法也廣泛地應用于早期的患者自主甄別中。 本文采用MNBs 與捕獲單克隆抗體偶聯構建針對肌鈣蛋白Ⅰ、 肌酸激酶同工酶（CKMB）和肌紅蛋白三種心臟標志物的免疫磁性探針，并將包被單克隆抗體固定于硝酸纖維膜上，制備相應標記物的免疫層析試紙條，最終實現臨床標本心梗三項標記物的快速、精確、定量檢測的目的。

2.2 基于深度學習的圖像識別技術介紹

圖像識別技術就是讓機器本身能夠像人類一樣具有對圖像表示的內容，圖像中物體之間的關系等要素的理解能力。 傳統的圖像識別主要是用人工的方式對樣本進行采集，它通過用人工設計提取器來進行圖像中特征的提取，還需要具有專業知識及復雜的調參過程,主觀性強，判斷較為復雜，而且其泛化能力及魯棒性均較差。 與傳統人工設計的提取器相比，深度學習技術主要是以數據驅動的方式來進行特征提取的。它通過對大量樣本的學習來得到深層的、 數據集特定的特征表示，以此改善傳統的圖像識別需要專業知識和復雜技術的問題，也提升了泛化能力,解決了魯棒性差的問題。

2.3 圖像識別的實現流程

圖像識別的實現可分為圖像處理和圖像識別兩部分。 圖像預處理的目的是去除圖像中的無關信息，突出關鍵有用信息，主要處理方法有圖像校正、圖像去噪、圖像增強、圖像分割等。 圖像識別則是將圖像處理所得到的圖像來進行特征提取和分類。 圖像識別流程如圖9 所示。

2.3.1 數據集的采集

筆者隨機對陰性、陽性及無效性試紙條進行多角度的拍攝，以圖片格式為100×100 像素共計360 張為數據集。將數據集以9:1 的比例分為訓練集和測試集。

2.3.2 數據預處理

對訓練集的數據進行縮減尺寸， 灰度圖，sobel 算子補全形態，增加對比度，去噪和二值化等預處理操作，主要是為了增強檢測目標圖像信息，消除數據中的無用信息干擾及最大限度地簡化數據，以此來提高后期圖像特征提取的精確度，匹配和識別的可靠性。

2.3.3 特征提取

圖9 圖像識別流程框圖

模型的選取會直接影響到識別的效果，因為在此研究中只需分為陰性、陽性及無效性三類，較為簡單。筆者選擇能夠進行自動提取特征且分類的神經網絡模型，該模型設計有兩個卷積層,兩個池化層，一個全連接層， 最后通過一個softmax 層進行結果的輸出。卷積層對輸入圖像進行卷積來提取局部特征。在卷積層進行特征提取后， 輸出的特征圖會被傳遞至池化層進行對提取的特征進行綜合和信息過濾。 最后全連接層等同于傳統黨前饋神經網絡中的隱含層，用來對所有的局部特征進行匯總。 模型設計圖見圖10。 然后將訓練集數據導入到神經網絡模型中進行調參、訓練及測試。

圖10 特征提取模型設計框圖

2.3.4 特征匹配

將訓練集數據庫導入神經網絡模型中進行模型的評估，后將驗證集導入來進行精確度的驗證，部分模型評估代碼如下。

3 結語

基于以上研究，本文在結合磁性免疫試紙快速檢測技術下，設計的基于單片機及圖像識別技術的心肌梗死監測及甄別預警系統，解決了市場上無法精確的檢測發病問題。 通過對血液中的三項檢測，有效地對心源性猝死及心肌梗死發作做出預警， 具有精確、快速等特點。 可廣泛運用到臨床醫學中，為醫生及家屬提供病人的準確心臟信息，有較好的推廣意義。