基于神經網絡的人工心臟溫度預測

【作 者】李奇磊，楊明，歐文初，孟凡，許自豪，徐亮上海交通大學電子信息與電氣工程學院，上海市，200240

基于神經網絡的人工心臟溫度預測

【作 者】李奇磊，楊明，歐文初，孟凡，許自豪，徐亮
上海交通大學電子信息與電氣工程學院，上海市，200240

為了實現人工心臟泵的無傳感器溫度預測方法，該文研究了應用BP神經網絡和遺傳算法預測其溫度的方法。針對人工心臟泵在植入人體后所受到的環境限制，研究通過體外較易測量的參數預測泵體運行溫度。對比了BP神經網絡的預測精度與遺傳算法優化后的BP網絡預測精度。經實驗驗證，出現誤差大于1%的概率為1.84%。

神經網絡；遺傳算法；人工心臟；Matlab仿真；CompactRIO

0 引言

心血管疾病有極高的發病率和死亡率，每天因心血管疾病而死亡的人成千上萬。根據美國心臟協會(American Heart Association)2014年的統計報告[1]，2010年度，美國由于心血管疾病死亡的人數達到了每十萬人中235.5人。同時心臟移植的供體遠遠少于龐大的需求，促使了人工心室輔助裝置的發展。

作為心室輔助裝置[2]之一的人工心臟是由電機帶動泵體運轉的，任何電機在長時間工作下都會產生大量的熱，對其壽命產生影響；另外，在人工心臟植入體內后，整體的發熱會對體內周圍器官、組織造成傷害；而且，血液流經泵體后所受到的溫升如果較大，會對血液內部細胞產生破壞性的損害。但是，常見的使用傳感器的測溫方法由于各種連接線路、甚至電源線等等的存在，當從人體內引出體外時，可能導致傷口縫合、感染等問題。如圖1所示，由于泵體結構復雜，最小的內部間隙只有0.5 mm，使得內部安裝傳感器的方法也受到極大的限制。并且心臟泵是一個非線性較強的系統，影響溫度的因素較多，難以建立準確的溫升模型。

圖1 心室輔助裝置使用示意圖Fig.1 Schematic diagram of LVAD

因此，急需一種可行的無破壞性溫度測量方法檢測整個人工心臟泵的溫升。為了解決這一問題，提出在心室輔助系統中基于人工神經網絡的溫度預測。運用神經網絡[3]模型對非線性系統有很強的映射能力這一特性，預測泵體工作時的溫度。進一步，利用遺傳算法優化BP神經網絡的權值和閾值以提高預測的精度，為其后根據溫度反饋的控制打下基礎。

1 神經網絡和遺傳算法優化

1.1 BP神經網絡溫度預測

本預測模型采用3層BP神經網絡[4]，其基本結構如圖2所示。采用Levenberg-Marquardt BP神經網絡，其中輸入層到隱含層的傳遞函數選取“tansig”，隱含層到輸出曾的傳遞函數選取“logsig”，使得輸入數據范圍為（-1，1），輸出數據取值范圍為（0，1）。使用LM網絡一定程度上克服了其自身收斂速度慢的問題。同時，由于LM型BP神經網絡能夠保證其對時延的影響并不大，為了提高預測精度，把BP神經網絡對隱含層的神經元數目設定為10個，而不是常用的5或6個。圖2所示結構中，首先把心臟泵運行中的2個與溫升相關性很強的參數作為輸入序列，然后利用兩列參數通過網絡在對應的泵體內部位置輸出預測溫度。其中，代表了BP神經網絡的權值和閾值，也就是需要遺傳算法優化的主要參數。

圖2 BP神經網絡基本結構Fig.2 Structure of BP neural network

1.2 遺傳算法對BP神經網絡的優化

作為梯度下降法的一種，BP神經網絡有可能陷入局部最優解的陷阱，而不能找到真正的全局最優解。利用遺傳算法可以有效搜索全局最優解的特點，優化神經網絡的權重ω、W和b、B閾值。然后使用優化后的初始值代入BP神經網絡求得最優解，得到更高精度的預測溫度。

遺傳算法的運算過程與自然進化過程相類似，也是一代又一代的反復迭代過程。基本遺傳算法定義如下所示：

式中，C：個體的編碼方法，E：個體適應度評價函數，P0：初始群體，M：群體大小，Φ：選擇算子，Γ：交叉算子，Ψ：變異算子，T：遺傳運算終止條件。首先，初始化設定最大進化迭代次數，隨機生成M維的群體作為初始群體P0，同時把BP神經網絡的訓練數據預測誤差作為個體適應度值，即選擇使得適應度值最小的網絡為最優網絡。然后，將選擇算子、交叉算子、變異算子作用于群體，使得群體P(t)經過選擇、交叉、變異運算之后得到下一代群體P(t+1)。最終，迭代完成后，以進化過程中所得到的具有最小誤差(最小適應度值)的個體作為最優解輸出，終止計算。遺傳算法優化的BP網絡算法Ge-BP如圖3所示。

圖3 Ge-BP流程圖Fig.3 Flowchart of Ge-BP network

遺傳算法理論及其在現實中的應用情況都已經證明了它在一定情況下總是以概率1收斂于問題的最優解。即利用這一算法可以找到的BP神經網絡的最優權值和閾值。

2 實驗過程與分析

實驗是在NI公司的CompactRIO控制器、LabVIEW2011、以及Matlab2012軟件平臺系統下進行的。所用心臟泵是本課題組所研制的搏動式血泵，在實驗室內的體外循環系統[5-6]上搭建運行。系統中的傳感器測量數據與神經網絡中參數輸入情況如圖4所示。通過傳感器輸入預測用的參數到CompactRIO控制器[7]的FPGA層，在LabVIEW軟件中以tcp/ip的通信方式將參數傳遞到上位機層。然后，在LabVIEW中調用Matlab節點模塊預測溫度。

圖4 系統數據與參數選取Fig.4 Data and parameter selection

2.1 預測參數的選擇

在心臟泵的運行過程中，有許多參數與溫度相關，如主動脈壓力、控制器電流、體循環系統內流量、泵體運行環境溫度、電機轉速、摩擦系數、驅動電壓等等。考慮與溫度的相關程度，以及參數在體外的可測性與操作便捷性，選擇循環系統內的主動脈壓力和控制器電流兩個參數為主要預測參數，用以預測溫度。主要參數波形如圖5所示。

圖5 主要參數波形Fig.5 Wave of main parameters

主動脈壓力，是通過NS-F型壓力變送器檢測輸入CompactRIO控制器；控制器電流，是通過集成在控制器內部的LEM閉環磁通門傳感器以及輔助電路等電流檢測系統檢測驅動電路直流電源的電流而獲得的。

心臟泵是由電機帶動運轉，而電機在運行中由于摩擦等因素，在起始階段會出現運行不穩定的情況，導致參數驟變或跳動。在運行一段時間后，進入長時間的穩定運行狀態。因此，把心臟泵的運轉的前幾分鐘定義為非穩態運行，之后定義為穩態運行。分析各個參數與溫度的相關性情況，如表1所示。可見在非穩態下，溫度與主動脈壓力、控制器電流呈現高度相關，并且隨著泵體運作逐漸穩定，呈現明顯負相關；在穩態下，參數與溫度的相關性相比于在非穩態下時有所減弱，但仍然屬于較高程度的相關。而且穩定后的泵體運行時溫度都隨著壓力與電流的升高而上升。

2.2 實驗結果與分析

如前文所述，BP神經網絡的缺點在于其可能陷入局部最優解，而無法找到全局最優點。當模型內局部最優點較多且較為接近時，會導致難以明確所找到的解是否為全局最優。即，在相同數值參數輸入下，每次運行所建立的網絡的解都會不同，使得遺傳算法所優化的BP神經網絡權值閾值也可能不是最優。

表1 參數與溫度的相關性分析Tab.1 Analysis of parameters' correlation

實驗取穩態數據，把系統中取得的參數隨機劃分，80%的數據作為訓練數據，20%的數據作為驗證數據。在相同的輸入、輸出參數下，運行200次BP神經網絡、200次遺傳算法優化后的網絡，驗證精度及其誤差。由于心臟泵內部的運行溫度可能達到50oC左右，所以選擇0.5oC即誤差率1%作為判斷優劣的標準。表2為節選的其中10次對比數據。

表2 BP神經網絡與Ge-BP網絡結果對比(oC)Tab.2 Contrast of BP network and Ge-BP network

在200次數據運行驗證中，只使用BP神經網絡的方法，溫差大于0.5oC的平均誤差率為2.699%，誤差率在5%以上的次數為19次；在使用神經網絡優化的BP網絡算法中，溫差大于0.5oC的平均誤差率為1.84%，誤差率在5%以上的次數為11次。由此可認為，遺傳算法提高了BP神經網絡的計算精度，有效地預測出人工心臟泵的泵體溫度。

3 結論

本文介紹了人工心臟泵的無傳感器[8]溫度預測方法。提取運行在體外循環裝置上的人工心臟泵的2個相關參數：主動脈壓力、控制器電流，預測出泵體運行的溫度。首先，CompactRIO主控制器負責參數的輸入，FPGA層與上位機通信后把數據傳輸到計算機端。然后，在圖形化編程語言LabVIEW中調用Matlab節點計算。最后，對比BP神經網絡和遺傳算法優化后的BP網絡算法所得到的網絡，通過大規模計算驗證遺傳算法可以解決BP神經網絡的易陷入局部最優解的局限性，有效提高了預測精度。接下來的工作，可以結合預測得到的溫度，實現人工心臟泵的溫度無傳感器反饋控制。

[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] 楊明, 臧旺福. 直接心室輔助致動方法的現狀與發展[J]. 上海生物醫學工程, 2008, 29(1): 37-41.

[3] 陳耀龍, 張韻輝. 基于改進型遺傳算法的再熱汽溫神經網絡模型構建及預測分析[J]. 測控技術, 2006, 25(6): 30-34.

[4] Hagan MT, Demuth HB, Beale MH. 神經網絡設計[M]. 北京：機械工業出版社, 2002.

[5] 呂雪烽, 楊明, 李晶晶. 用于心室輔助裝置性能測試的體外模擬循環系統[J]. 中國醫療器械雜志, 2009, 33(5): 313-316.

[6] 錢坤喜, 劉苓苓, 李嵐, 等. 體循環系統建模與仿真[J]. 江蘇大學學報 (自然科學版), 2012, 33(3): 278-282.

[7] 何芝霞, 黃昶, 何云東. 基于CompactRIO的數據采集系統[J]. 儀器儀表用戶, 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

國家自然科學基金資助項目（51275287）；上海交通大學科技創新專項資金（YG2011ZD03）

李奇磊，E-mail: woshiliqilei@163.com

楊明，教授，博士生導師，E-mail: myang@sjtu.edu.cn