单片机及图像识别技术下心肌梗死监测与甄别系统的设计

曹璐莹 张艳敏 朱淑芳 郭冰艳

（新乡医学院三全学院，河南 新乡 453003）

0 引言

随着科技的不断创新， 现代电子测量仪器也快速地向数字化、自动化的方向发展。 人们的生活水平逐渐提高的同时,人口老龄化逐渐加剧，青年人所面临的压力也日益增大。早在2013 年就由中国疾病死亡人数统计报告显示， 我国每年发生心源性猝死的人数约为54.4 万人， 相当于每分钟就有1 人发生心源性猝死。现如今，发生心源性猝死的病例每年都在递增，人数更为庞大， 而且有心肌梗死继发史的高龄老人也急需有效的实时监测及预警设备。 如今心率测量技术也在不停地更新换代， 然而这些产品具有较高的成本以及检测费用，且检测功能相对有限，患者的需求不一定能够被满足。大多数心率计具有检测心率、血氧等其他的功能， 但是对这些信号的诊断还需要一些有经验的医生进行分析后才能确认结果， 且对于心肌梗死就突发性、紧急性、严重性、恶性程度而言，能够及时地监测和预防是非常重要的。因此本文在原有基础上，融合磁性免疫层析技术原理和图像识别技术， 能够及时地对心肌梗死做出分析判断， 该设计作为现代电子仪器与医学相结合的一个重要应用课题，具有深远意义。

本文以STM32L476 单片机为控制核心，该系统通过生理信号采集、放大、滤波、A/D 转换实现心率的实时监测， 运用外触发电路启动采血针的自动弹射功能， 利用图像识别技术对磁性免疫层析试纸条的识别，实现对肌钙蛋白Ⅰ、肌酸激酶同工酶（CK-MB）和肌红蛋白三种心脏标志物的检测。 若识别结果为阳性，则通过蜂鸣器进行报警，并利用蓝牙将图像识别结果传输到终端。 总体结构图见图1。

图1 总体结构图

1 硬件设计

本系统的硬件部分包括生理信号采集、 放大电路、滤波电路、A/D 转换、外触发电路、中央处理器等。通过信号采集模块可对佩戴者的心率、血压等生理信号进行实时采集，采集的生理信号通过放大电路进行放大；滤波电路可以有效提取出人体生理信号，滤除干扰信号；通过A/D 转换电路，将模拟信号转换成数字信号传输到中央处理单元。 考虑到心梗疾病大多在夜间复发，患者无法第一时间选择是否采用免疫层析试纸条进行预判，本硬件部分加入了外触发电路，若用户5 秒内无选择， 便通过外触发电路自动化启动采血装置，针头受传感器控制从手环弹出，刺破外层与用户身体接触的保护膜， 采集1~3 mL 微静脉血液并随针头归位并上流至免疫层析试纸。 系统硬件框见图2。

图2 系统硬件框图

图3 内部管脚图

1.1 微处理器

考虑到本设备是一种可穿戴式心梗检测及甄别预警设备，而市面上的大部分可穿戴型检测及甄别预警设备都普遍存在着电池容量大、 容纳困难的问题，并且需要达到读取多种芯片并对各种数据进行实时处理与传输的功能。 为使采集装置小型轻便，不影响佩戴者的正常活动，本文采用STM32L476（芯片的选取）芯片，与其他芯片相比，该芯片具有较强的实时性以及严格的功耗控制，一方面能够满足系统低功耗、高性能的要求，另一方面也解决了使用者佩戴不适的问题，满足了佩戴者对于长时间连续监测以及不影响日常活动的需求。 内部管脚图见图3。

1.2 生理信号采集模块

由于人体的大多数生理信号都是非电量信号，例如，体温、血压等，这些生理信号非常微弱，其电压幅值多数都是微伏级的。 若要采集较完善的生理信息，则要求采集时要有较高的灵敏度和较强的抗干扰能力。 本模块通过利用传感器，将生理信号转换成可用的输出电信号。 信号引入电路见图4。

1.3 放大电路模块

考虑到大多数的传感器所接收到的信号较微弱，并且时常发生信号被淹没的现象，因此，将采集的生理信号通过放大电路对信号进行放大。 本模块采用AD797 来进行设计， 此运算放大器具有极低噪声、低失真的特点，在音频带宽上具有低噪声（0.9 n V/Hz）和低总谐波失真（-120 d B）特性，此外还具有出色的压摆率（20 V/μs）和增益带宽（110 MHz），低失真和16位建立时间特性。 放大电路结构见图5。

图4 信号引入电路

图5 放大电路

1.4 滤波电路模块

对生物医学信号提取的过程中要求该系统具有较高的灵敏度，而提高系统灵敏度的同时，对干扰的灵敏度也间接地进行了提高，为解决以上问题，在此模块中对信号进行进一步的滤波处理。 本模块采用八阶带通滤波电路，LTC1562 是一款具有轨至轨输入和输出的低噪声、低失真、连续时间滤波器，其专为10～150 kHz 的中心频率而优化。 与市面上大多数的单片式滤波器不同的一点是，该器件不再需要外部时钟信号。4 个二阶滤波器部件是互相独立的，它们能够以任意组合进行级联。 另外，此滤波器还具有小体积、低成本、重量轻、性能稳定等优点，通过八阶带通滤波电路能够使0.05~100Hz 信号通过，阻碍高频信号。 滤波电路结构见图6。

1.5 A/D 转换模块

生理信号通过信号采集、放大、滤波，此时的信号是模拟量， 而传输到计算机里的信号必须是数字量。 通过A/D 转换，可以将模拟的生理信号转换成计算机可读的数字信号。 本模块将滤波后的生理信号经N120B 缓冲放大器，送到A/D 转换器转换成数字信号。 A/D 转换器转换后的生理信号通过高速数字光电耦合器传送到微处理器。 A/D 转换电路结构见图7。

1.6 外触发电路

当患者结合自身情况发现有所不适时，本电路可自动触发采血装置。 通过对输出信号进行二极管包络检波，当有脉冲信号到来并能过门限时，通过电压比较器输出一个TTL 触发信号。外触发电路进行信号采集，针头受传感器控制从手环弹出，刺破外层与用户身体接触的保护膜， 采集1~3 mL 微静脉血液并随针头归位并上流至磁性免疫层析试纸。 外触发电路结构见图8。

图6 滤波电路

图7 A/D 转换电路

图8 外触发电路

2 图像识别的实现

2.1 检测急性心肌梗死的磁性免疫层析试纸条的介绍

急性心肌梗死是冠状动脉急性、持续性缺血缺氧所引起的心肌坏死。 临床上主要根据发生衍变的特征性心电图以及血清中生物标志物的动态变化来作出正确诊断。目前，除心电图外，也可采用肌红蛋白/肌酸激酶同工酶（CK-MB）/心肌钙蛋白I 的快速诊断试剂，作为快速的辅助诊断，此种方法也广泛地应用于早期的患者自主甄别中。 本文采用MNBs 与捕获单克隆抗体偶联构建针对肌钙蛋白Ⅰ、 肌酸激酶同工酶（CKMB）和肌红蛋白三种心脏标志物的免疫磁性探针，并将包被单克隆抗体固定于硝酸纤维膜上，制备相应标记物的免疫层析试纸条，最终实现临床标本心梗三项标记物的快速、精确、定量检测的目的。

2.2 基于深度学习的图像识别技术介绍

图像识别技术就是让机器本身能够像人类一样具有对图像表示的内容，图像中物体之间的关系等要素的理解能力。 传统的图像识别主要是用人工的方式对样本进行采集，它通过用人工设计提取器来进行图像中特征的提取，还需要具有专业知识及复杂的调参过程,主观性强，判断较为复杂，而且其泛化能力及鲁棒性均较差。 与传统人工设计的提取器相比，深度学习技术主要是以数据驱动的方式来进行特征提取的。它通过对大量样本的学习来得到深层的、 数据集特定的特征表示，以此改善传统的图像识别需要专业知识和复杂技术的问题，也提升了泛化能力,解决了鲁棒性差的问题。

2.3 图像识别的实现流程

图像识别的实现可分为图像处理和图像识别两部分。 图像预处理的目的是去除图像中的无关信息，突出关键有用信息，主要处理方法有图像校正、图像去噪、图像增强、图像分割等。 图像识别则是将图像处理所得到的图像来进行特征提取和分类。 图像识别流程如图9 所示。

2.3.1 数据集的采集

笔者随机对阴性、阳性及无效性试纸条进行多角度的拍摄，以图片格式为100×100 像素共计360 张为数据集。将数据集以9:1 的比例分为训练集和测试集。

2.3.2 数据预处理

对训练集的数据进行缩减尺寸， 灰度图，sobel 算子补全形态，增加对比度，去噪和二值化等预处理操作，主要是为了增强检测目标图像信息，消除数据中的无用信息干扰及最大限度地简化数据，以此来提高后期图像特征提取的精确度，匹配和识别的可靠性。

2.3.3 特征提取

图9 图像识别流程框图

模型的选取会直接影响到识别的效果，因为在此研究中只需分为阴性、阳性及无效性三类，较为简单。笔者选择能够进行自动提取特征且分类的神经网络模型，该模型设计有两个卷积层,两个池化层，一个全连接层， 最后通过一个softmax 层进行结果的输出。卷积层对输入图像进行卷积来提取局部特征。在卷积层进行特征提取后， 输出的特征图会被传递至池化层进行对提取的特征进行综合和信息过滤。 最后全连接层等同于传统党前馈神经网络中的隐含层，用来对所有的局部特征进行汇总。 模型设计图见图10。 然后将训练集数据导入到神经网络模型中进行调参、训练及测试。

图10 特征提取模型设计框图

2.3.4 特征匹配

将训练集数据库导入神经网络模型中进行模型的评估，后将验证集导入来进行精确度的验证，部分模型评估代码如下。

3 结语

基于以上研究，本文在结合磁性免疫试纸快速检测技术下，设计的基于单片机及图像识别技术的心肌梗死监测及甄别预警系统，解决了市场上无法精确的检测发病问题。 通过对血液中的三项检测，有效地对心源性猝死及心肌梗死发作做出预警， 具有精确、快速等特点。 可广泛运用到临床医学中，为医生及家属提供病人的准确心脏信息，有较好的推广意义。