论文部分内容阅读
近年来,心血管疾病为我国居民的首要死亡原因。研究表明,随着人民生活水平的提高,造成心血管疾病的因素也逐渐增多,再加上于人口老龄化与人口增长,我国心血管疾病患病率及死亡率仍处于上升阶段。根据推算,中国目前心血管疾病患者人数高达2.9亿人,因此心血管疾病的早期诊断与治疗尤为重要。随着医疗技术的不断进步,许多新的可用于心血管疾病中冠状动脉病变的诊断技术被提出。如冠状动脉造影(Coronary Artery Angiography, CAG)、血管内超声(Intravenous Ultrasound, IVUS)、光学相干断层扫描(Optical Coherence Tomography, OCT)等。但是,无论是曾经的诊断冠状动脉病变的“金标准”CAG,还是在冠状动脉病变介入性诊疗中有很高指导价值的IVUS都只能对血管病变进行影像学评价,无法直接对冠状动脉病变部位的生理功能进行准确评价。只能根据诊断医生的经验来判断冠状动脉狭窄病变的性质,无法准确评价病变的严重程度,进而造成严重后果。为了能够更加准确的评价冠状动脉狭窄病变部位的生理功能状态,国内外研究者不断地在寻找新的有效的评价方法。1993年Pijls、Vanson等学者提出了冠状动脉的血流储备分数(Fractional Flow Reserve, FFR)这一新概念:FFR是指存在狭窄病变状态下心肌的最大血流量与同一区域假设不存在狭窄病变时心肌所获得最大血流量的比值。与之前的影像学评价方法相比,冠状动脉FFR从理论上来说不受血流动力学因素(如血压、心率、心肌收缩力等)影响,能够准确评价冠状动脉狭窄病变程度。目前,冠状动脉血流储备分数的测量设备主要包括两部分:一是压力导丝,二是测量主机。其测量过程为:压力导丝从人体下肢动脉或腰部动脉进入人体血管,配合血管造影技术引导到达冠状动脉狭窄部位,通过压力导丝远端的超微型压力传感器测得狭窄处两端的血压值,送到测量主机进行信号处理,进而计算得到FFR值。压力导丝作为FFR测量的核心元件,其测量精度的高低直接影响FFR测量结果。但其远端的超微型压力传感器本身尺寸极小,受传感器制造工艺影响,本身存在非线性问题,且受外环境温度影响严重。由于计算FFR所需的血流压力值由超微型压力传感器直接测得,它的非线性及温度漂移将直接影响FFR测量精度。因此,为了保证FFR测量结果的准确性,必须消除超微型压力传感器的温度漂移及非线性,通过有效的补偿方法对其温度及非线性误差进行补偿。针对压力传感器非线性及温度补偿问题,主要有硬件补偿和软件算法补偿两种解决方法。目前临床上正在使用的FFR测量系统主要是由美国的St.Jude和Volcano两家公司生产的,且这两家公司对于压力导丝的温度及非线性问题主要是通过硬件方法进行补偿。本课题组设计的FFR测量系统前期也进行了硬件方法的补偿研究,为避开硬件补偿方法己被国外公司申报专利保护,更重要的是为了进一步提高补偿精度,因此本课题希望找到补偿精度较高的软件算法实现压力导丝的温度及非线性补偿。但目前对于传统压力传感器进行温度及非线性补偿的软件算法比较成熟的是以BP (Back-Propagation)神经网络为主的人工智能算法。BP神经网络算法通过学习可以以任意精度逼近非线性映射模型,有效地提高补偿精度,但标准的BP神经网络存在易陷入局部最优、收敛速度慢和稳定性差等缺点。针对现有技术的缺点与不足,本文提出一种改进的粒子群算法(Particle Swarm Optimization, PSO)优化神经网络的权值和阈值,改善BP神经网络的补偿效果,并将其应用在压力导丝温度及非线性误差补偿上。通过实验验证,利用软件算法对压力导丝温度及非线性误差进行补偿,相比于硬件补偿方法降低了成本,提高了补偿精度,同时利用改进粒子群算法的全局寻优能力优化BP神经网络,可以避免陷入局部最优,提高神经网络的补偿精度、泛化能力和稳定性。论文最后对改进算法的压力导丝补偿模型进行了FPGA初步硬件实现,其补偿结果与软件仿真结果基本一致。论文第一章介绍了课题研究背景,包括血流储备分数定义,前期本课题组已经做的工作及工作中的问题,同时对国内外压力导丝温度及非线性误差补偿相关研究发展状况和FPGA相关技术背景进行论述,并对本课题研究内容和意义进行了具体描述,最后介绍了论文的结构安排论文第二章介绍了压力导丝的工作原理,并具体介绍了本课题研究的压力导丝的温度和非线性误差,并对目前已有的硬件补偿方法进行实现以及补偿效果分析,对传统硅压力传感器温度及非线性误差软件补偿原理及方法进行了简单介绍。在结合软件补偿方法的具体应用环境对目前己被广泛使用的各种软件补偿方法的深入学习和分析后,选择对粒子群算法进行改进后优化BP神经网络的软件补偿方法进行压力导丝的温度及非线性误差补偿研究。论文第三章介绍了BP神经网络算法和粒子群算法。首先详细介绍了神经网络的结构模型,常用传递函数以及具体的训练模型。BP神经网络作为人工神经网络算法中应用最广泛的一种,在模式识别、模式匹配、模式分类以及决策支持等方面有着很大的优越性,特别是对于非线性系统的构建方面。针对BP神经网络在压力导丝的温度及非线性误差补偿上优势和不足也做了具体分析。在对群智能算法的综合对比后,选择了具有收敛速度快、全局寻优能力强以及算法易实现等优点的粒子群算法优化BP神经网络,并具体介绍了粒子群算法的工作原理和流程,同时在当前国内外学者研究的基础上对于粒子群算法在全局寻优过程中尚且存在的一些不足进行了改进。论文第四章介绍了改进PSO-BP算法的压力导丝温度及非线性误差补偿仿真与实现。首先设计了压力导丝样本数据采集系统,数据采集系统的硬件部分的下位机部分采用STC12C5A6S2单片机为控制核心,PGA309完成数据的放大和零位偏移补偿,ADS1115进行A/D转换,通过RS232串口与PC及进行通信。上位机部分采用LABVIEW设计压力导丝压力温度信号的显示和存储界面,对压力信号波形和数值以及温度数值进行显示;然后介绍了改进PSO-BP算法的MATLAB仿真实现,具体介绍了改进粒子群算法优化BP神经网络软件补偿流程:最后介绍了FPGA对于软件补偿算法构建的压力导丝测量逆模型这一非线性系统的实现方案。论文第五章进行了改进PSO-BP算法的压力导丝温度及非线性误差补偿的补偿效果分析,同时对FPGA实现软件补偿算法的效果进行了分析。与标准PSO-BP算法以及未经优化的BP神经网络算法的补偿结果进行对比分析后得出,改进PSO-BP算法具有补偿精度高、泛化能力强以及稳定性高等优点。同时改进PSO-BP算法具有网络结构简单、参数少、运算量不大等优点,为后续FFR测量系统中压力导丝温度及非线性误差进行高精度、高稳定性、低成本的软件算法补偿方案的实现提供了可能性。