- 相關推薦
在單片機上和模糊邏輯檢測室性早博
摘要：在基于單片機8051的心電監護模塊中，用模糊邏輯檢測室性早博，使心電監護模塊功能得到擴展。現代多參數監護儀普遍采用模塊化模塊，每個模塊都是能完成單功能的獨立微處理機系統，多個模塊通過串行口接收主控制器命令，送出測量結果。心電監護模塊是其中的關鍵部件，其在單片機控制下拾取心電信號，放大、預處理，并傳送給主控模塊。
室性早博（PVC）是一種最常見的心律失常，它的實時，正確檢測是心電圖自動分析的一項重要技術。在心電監護的基礎上，加入心博和節律分類功能，便可進行心律失常監護。室性早博檢測一般在高端的心律失常分析模塊中進行。目前單片機的功能不斷增強，過去主要用作控制器的單片機，在完成原來的任務后，尚剩余不少CPU時間和控制功能，完全有可能實現一些過去只能在PC機上運行的復雜算法，而且用匯編語言編程提高運行速度。
模糊系統是模糊集合論和模糊邏輯的具體應用，它模擬人腦思維決策的能力，特別適用于數字模型難以精確表示的不確定系統。醫學決策系統中的許多信息都是不確定的，例如心電信號中的大量特片信息，適合用模糊推理的方法進行處理。筆者的實驗室采用模糊邏輯識別室性早博，效果較好。
筆者在基于8051的心電模塊中移植上述算法，實現室性早博檢測。在模糊單片機上進行模糊控制或推理非常方便。在數字單片機上實現，關鍵是怎樣存儲表達隸屬度函數和模糊規則，以及怎樣實現推理。
1 隸屬度函數、模糊規則和模糊推理方法
使用RR間期、R波寬度和面積、T波的面積和峰值這五個形態參數描述一個QRS波。室性早博的典型形態特片表現為RR間期較小，R波寬度大、面積大,T波寬度大、峰值大。經過統計和實驗確定的隸屬度函數如圖1所示。
圖1中橫軸表示論域，縱軸表示隸屬度。每個輸入語言變量定義小（S）、中（M）、大（L）、特大（XL）四個語言變量值。隸屬度函數為三角形或半梯形。
模糊規則共有32條，部分規則如表1所示。其中17條判決“是PVC”，15條判決“可能是PVC”，--表示不考慮該參數的影響。
表1 模糊規則
在數字單片機上實現模糊控制一般采用三種方式：強度轉移方式、直接查表方式和公式計算方式。直接查表方式通過事先的離線計算，得到一張模糊控制表，將控制表存放在計算機機內存中；控制過程中，根據輸入變量查找表中對應的控制量。在一般的控制應用中，這種方法速度最快。但本系統中輸入變量較多(5個)，模糊控制表維數高，存儲、查表均不方便。強度轉移方式是按模糊控制的極大-極小法進行推理。每個輸入參數映射為多個隸屬度，每組輸入會激活多條規則，可能對應不同的結果。用取小的原則計算各組合對應規則的輸出強度，然后按最大隸屬度原則得出對應于各結論的可信度。這樣，對于每一個輸入，都可得出與各結論相對應的輸出強度，稱為輸出隸屬度，取輸出強度最大的那個隸屬度作為輸出。實驗結果表明，這種方法對本系統最為合適。
2 強度轉移法在單片機8051上的實現
2.1 隸屬度函數的存放
由于數字單片機只能存儲和處理數字信息，且單片機的內存容量有限，如果要對系統輸入輸出論域的所有隸屬函數的連續曲線進行存儲，是根本不可能的。對于三角形隸屬函數，采用三點法，存儲三角形的三個頂點；對于兩邊的半梯形，也存儲腰和頂的三點。隸屬度函數存放在ROM中，如表2所示（僅列出RR，其余類推）。
表2 隸屬度函數存放示意圖
2.2 輸入模糊化
提取的特片參數是精確值，將它們與隸屬函數進行比較組合，求出相應的模糊輸入量。隸屬度范圍為0～1，在8位機上可表示為00H～FFH。對本系統而言，每個精確輸入值最多只對應兩個模糊輸入量大于零，其余的模糊輸入量則為零。例如：假設RR=1.1，從表2可知它落在中（M）和大（L）兩個區間上，因此對于中（M）和大（L）的隸屬度為：
μm(1.1)=(1.4-11.1)/(1.4-1.0)×FFH=BFH
μl(1.1)=(1.1-1.0)/(1.4-1.0)×FFH=3FH
在RAM中開辟一塊區域，存放各模糊輸入量，如表3所示。
表3 模糊輸入量存放示意圖
2.3 模糊規則的存放
模糊規則表示為：IF A and B and C and
【在單片機上和模糊邏輯檢測室性早博】相關文章：
AFS模糊邏輯理論及其應用11-22
基于解釋性和精確性的模糊建模方法研究研究的目的與意義(一)03-07
從齊白石的“蝦”說起-談繪畫的“模糊性”03-09
基于模糊邏輯理論的居民出行需求合理性評價03-07
對帕斯卡概率邏輯的批判性反思03-14
利用GP-IB接口和單片機系統實現光功率的自動智能檢測03-18
探究英語教學中語義的模糊性03-18
淺談帕斯卡概率邏輯的批判性反思03-26