基于神经网络的人工心脏温度预测

【作 者】李奇磊，杨明，欧文初，孟凡，许自豪，徐亮上海交通大学电子信息与电气工程学院，上海市，200240

基于神经网络的人工心脏温度预测

【作 者】李奇磊，杨明，欧文初，孟凡，许自豪，徐亮
上海交通大学电子信息与电气工程学院，上海市，200240

为了实现人工心脏泵的无传感器温度预测方法，该文研究了应用BP神经网络和遗传算法预测其温度的方法。针对人工心脏泵在植入人体后所受到的环境限制，研究通过体外较易测量的参数预测泵体运行温度。对比了BP神经网络的预测精度与遗传算法优化后的BP网络预测精度。经实验验证，出现误差大于1%的概率为1.84%。

神经网络；遗传算法；人工心脏；Matlab仿真；CompactRIO

0 引言

心血管疾病有极高的发病率和死亡率，每天因心血管疾病而死亡的人成千上万。根据美国心脏协会(American Heart Association)2014年的统计报告[1]，2010年度，美国由于心血管疾病死亡的人数达到了每十万人中235.5人。同时心脏移植的供体远远少于庞大的需求，促使了人工心室辅助装置的发展。

作为心室辅助装置[2]之一的人工心脏是由电机带动泵体运转的，任何电机在长时间工作下都会产生大量的热，对其寿命产生影响；另外，在人工心脏植入体内后，整体的发热会对体内周围器官、组织造成伤害；而且，血液流经泵体后所受到的温升如果较大，会对血液内部细胞产生破坏性的损害。但是，常见的使用传感器的测温方法由于各种连接线路、甚至电源线等等的存在，当从人体内引出体外时，可能导致伤口缝合、感染等问题。如图1所示，由于泵体结构复杂，最小的内部间隙只有0.5 mm，使得内部安装传感器的方法也受到极大的限制。并且心脏泵是一个非线性较强的系统，影响温度的因素较多，难以建立准确的温升模型。

图1 心室辅助装置使用示意图Fig.1 Schematic diagram of LVAD

因此，急需一种可行的无破坏性温度测量方法检测整个人工心脏泵的温升。为了解决这一问题，提出在心室辅助系统中基于人工神经网络的温度预测。运用神经网络[3]模型对非线性系统有很强的映射能力这一特性，预测泵体工作时的温度。进一步，利用遗传算法优化BP神经网络的权值和阈值以提高预测的精度，为其后根据温度反馈的控制打下基础。

1 神经网络和遗传算法优化

1.1 BP神经网络温度预测

本预测模型采用3层BP神经网络[4]，其基本结构如图2所示。采用Levenberg-Marquardt BP神经网络，其中输入层到隐含层的传递函数选取“tansig”，隐含层到输出曾的传递函数选取“logsig”，使得输入数据范围为（-1，1），输出数据取值范围为（0，1）。使用LM网络一定程度上克服了其自身收敛速度慢的问题。同时，由于LM型BP神经网络能够保证其对时延的影响并不大，为了提高预测精度，把BP神经网络对隐含层的神经元数目设定为10个，而不是常用的5或6个。图2所示结构中，首先把心脏泵运行中的2个与温升相关性很强的参数作为输入序列，然后利用两列参数通过网络在对应的泵体内部位置输出预测温度。其中，代表了BP神经网络的权值和阈值，也就是需要遗传算法优化的主要参数。

图2 BP神经网络基本结构Fig.2 Structure of BP neural network

1.2 遗传算法对BP神经网络的优化

作为梯度下降法的一种，BP神经网络有可能陷入局部最优解的陷阱，而不能找到真正的全局最优解。利用遗传算法可以有效搜索全局最优解的特点，优化神经网络的权重ω、W和b、B阈值。然后使用优化后的初始值代入BP神经网络求得最优解，得到更高精度的预测温度。

遗传算法的运算过程与自然进化过程相类似，也是一代又一代的反复迭代过程。基本遗传算法定义如下所示：

式中，C：个体的编码方法，E：个体适应度评价函数，P0：初始群体，M：群体大小，Φ：选择算子，Γ：交叉算子，Ψ：变异算子，T：遗传运算终止条件。首先，初始化设定最大进化迭代次数，随机生成M维的群体作为初始群体P0，同时把BP神经网络的训练数据预测误差作为个体适应度值，即选择使得适应度值最小的网络为最优网络。然后，将选择算子、交叉算子、变异算子作用于群体，使得群体P(t)经过选择、交叉、变异运算之后得到下一代群体P(t+1)。最终，迭代完成后，以进化过程中所得到的具有最小误差(最小适应度值)的个体作为最优解输出，终止计算。遗传算法优化的BP网络算法Ge-BP如图3所示。

图3 Ge-BP流程图Fig.3 Flowchart of Ge-BP network

遗传算法理论及其在现实中的应用情况都已经证明了它在一定情况下总是以概率1收敛于问题的最优解。即利用这一算法可以找到的BP神经网络的最优权值和阈值。

2 实验过程与分析

实验是在NI公司的CompactRIO控制器、LabVIEW2011、以及Matlab2012软件平台系统下进行的。所用心脏泵是本课题组所研制的搏动式血泵，在实验室内的体外循环系统[5-6]上搭建运行。系统中的传感器测量数据与神经网络中参数输入情况如图4所示。通过传感器输入预测用的参数到CompactRIO控制器[7]的FPGA层，在LabVIEW软件中以tcp/ip的通信方式将参数传递到上位机层。然后，在LabVIEW中调用Matlab节点模块预测温度。

图4 系统数据与参数选取Fig.4 Data and parameter selection

2.1 预测参数的选择

在心脏泵的运行过程中，有许多参数与温度相关，如主动脉压力、控制器电流、体循环系统内流量、泵体运行环境温度、电机转速、摩擦系数、驱动电压等等。考虑与温度的相关程度，以及参数在体外的可测性与操作便捷性，选择循环系统内的主动脉压力和控制器电流两个参数为主要预测参数，用以预测温度。主要参数波形如图5所示。

图5 主要参数波形Fig.5 Wave of main parameters

主动脉压力，是通过NS-F型压力变送器检测输入CompactRIO控制器；控制器电流，是通过集成在控制器内部的LEM闭环磁通门传感器以及辅助电路等电流检测系统检测驱动电路直流电源的电流而获得的。

心脏泵是由电机带动运转，而电机在运行中由于摩擦等因素，在起始阶段会出现运行不稳定的情况，导致参数骤变或跳动。在运行一段时间后，进入长时间的稳定运行状态。因此，把心脏泵的运转的前几分钟定义为非稳态运行，之后定义为稳态运行。分析各个参数与温度的相关性情况，如表1所示。可见在非稳态下，温度与主动脉压力、控制器电流呈现高度相关，并且随着泵体运作逐渐稳定，呈现明显负相关；在稳态下，参数与温度的相关性相比于在非稳态下时有所减弱，但仍然属于较高程度的相关。而且稳定后的泵体运行时温度都随着压力与电流的升高而上升。

2.2 实验结果与分析

如前文所述，BP神经网络的缺点在于其可能陷入局部最优解，而无法找到全局最优点。当模型内局部最优点较多且较为接近时，会导致难以明确所找到的解是否为全局最优。即，在相同数值参数输入下，每次运行所建立的网络的解都会不同，使得遗传算法所优化的BP神经网络权值阈值也可能不是最优。

表1 参数与温度的相关性分析Tab.1 Analysis of parameters' correlation

实验取稳态数据，把系统中取得的参数随机划分，80%的数据作为训练数据，20%的数据作为验证数据。在相同的输入、输出参数下，运行200次BP神经网络、200次遗传算法优化后的网络，验证精度及其误差。由于心脏泵内部的运行温度可能达到50oC左右，所以选择0.5oC即误差率1%作为判断优劣的标准。表2为节选的其中10次对比数据。

表2 BP神经网络与Ge-BP网络结果对比(oC)Tab.2 Contrast of BP network and Ge-BP network

在200次数据运行验证中，只使用BP神经网络的方法，温差大于0.5oC的平均误差率为2.699%，误差率在5%以上的次数为19次；在使用神经网络优化的BP网络算法中，温差大于0.5oC的平均误差率为1.84%，误差率在5%以上的次数为11次。由此可认为，遗传算法提高了BP神经网络的计算精度，有效地预测出人工心脏泵的泵体温度。

3 结论

本文介绍了人工心脏泵的无传感器[8]温度预测方法。提取运行在体外循环装置上的人工心脏泵的2个相关参数：主动脉压力、控制器电流，预测出泵体运行的温度。首先，CompactRIO主控制器负责参数的输入，FPGA层与上位机通信后把数据传输到计算机端。然后，在图形化编程语言LabVIEW中调用Matlab节点计算。最后，对比BP神经网络和遗传算法优化后的BP网络算法所得到的网络，通过大规模计算验证遗传算法可以解决BP神经网络的易陷入局部最优解的局限性，有效提高了预测精度。接下来的工作，可以结合预测得到的温度，实现人工心脏泵的温度无传感器反馈控制。

[1] Go AS, Mozaffarian D, Roger VL, et al. Heart disease and stroke statistics—2014 update a report from the American Heart Association[J]. Circulation, 2014, 127(1): e6-e245.

[2] 杨明, 臧旺福. 直接心室辅助致动方法的现状与发展[J]. 上海生物医学工程, 2008, 29(1): 37-41.

[3] 陈耀龙, 张韵辉. 基于改进型遗传算法的再热汽温神经网络模型构建及预测分析[J]. 测控技术, 2006, 25(6): 30-34.

[4] Hagan MT, Demuth HB, Beale MH. 神经网络设计[M]. 北京：机械工业出版社, 2002.

[5] 吕雪烽, 杨明, 李晶晶. 用于心室辅助装置性能测试的体外模拟循环系统[J]. 中国医疗器械杂志, 2009, 33(5): 313-316.

[6] 钱坤喜, 刘苓苓, 李岚, 等. 体循环系统建模与仿真[J]. 江苏大学学报 (自然科学版), 2012, 33(3): 278-282.

[7] 何芝霞, 黄昶, 何云东. 基于CompactRIO的数据采集系统[J]. 仪器仪表用户, 2009, 16(1): 37-39.

[8] Yamagishi H, Sankai Y, Yamane T, et al. Development of built-in type and noninvasive sensor systems for smart artificial heart[J]. ASAIO J, 2003, 49(3): 265-270.

Working Temperature Predication of Artificial Heart Based on Neural Network

【Writers】LI Qilei, YANG Ming, OU Wenchu, MENG Fan, XU Zihao, XU Liang
Department of Instrument Science and Engineering, Shanghai Jiao Tong University, Shanghai, 200240

The purpose of this paper is to achieve a measurement of temperature prediction for artificial heart without sensor, for which the research briefly describes the application of back propagation neural network as well as the optimized, by genetic algorithm, BP network. Owing to the limit of environment after the artificial heart implanted, detectable parameters out of body are taken advantage of to predict the working temperature of the pump. Lastly, contrast is made to demonstrate the prediction result between BP neural network and genetically optimized BP network, by which indicates that the probability is 1.84% with the margin of error more than 1%.

neural network, genetic algorithm, artificial heart, Matlab simulation, CompactRIO

R318.11

A

10.3969/j.issn.1671-7104.2015.02.003

1671-7104(2015)02-0087-03

2014-10-15

国家自然科学基金资助项目（51275287）；上海交通大学科技创新专项资金（YG2011ZD03）

李奇磊，E-mail: woshiliqilei@163.com

杨明，教授，博士生导师，E-mail: myang@sjtu.edu.cn