本發(fā)明屬于心臟運動預測技術(shù)領(lǐng)域，更為具體地講，涉及一種基于ECG信號的心臟運動信號預測方法。

背景技術(shù)：

近年來，冠心病成為導致人類死亡的主要疾病之一，體外循環(huán)冠狀動脈旁路移植手術(shù)作為治療冠心病的手術(shù)方式之一，由于手術(shù)中使用心肺儀，給病人帶來諸多術(shù)后并發(fā)癥，不但增加了醫(yī)療成本而且大大延長了病人術(shù)后恢復時間。手術(shù)輔助機器人的出現(xiàn)給心臟不停跳的冠狀動脈旁路移植手術(shù)帶來了可能，手術(shù)輔助機器人的工作是消除心臟表面手術(shù)點與手術(shù)工具之間的相對運動，給醫(yī)生提供一個靜止手術(shù)場景畫面以便進行遠程醫(yī)療操作。

一般手術(shù)中血管的直徑范圍是0.5-2mm，考慮到機器人動態(tài)跟蹤誤差應控制在1％內(nèi)才能保證病人的安全，因此，機器人跟蹤位置均方根誤差應在100μm數(shù)量級的范圍內(nèi)，在心臟運動過程中，心臟表面某些點的運動頻率最高可得26Hz，在每個方向上的運動幅度最高可達10mm。傳統(tǒng)的反饋控制無法滿足快速跟蹤的要求，提高心臟表面目標點的預測精度可以提高跟蹤控制精度，所以對心臟表面目標點的預測變得十分必要。

在以往的研究中很多預測方法和ECG信號有關(guān)，Ortmaier T等人在文獻《Motion compensation in minimally invasive robotic surgery》中提出ECG信號與心臟運動信號的強相關(guān)關(guān)系表明這2個信號在心臟運動預測中可以交換使用。Bebek O等人在文獻《Intelligent control algorithms for robotic-assisted beating heart surgery》中提出可將時變的心跳頻率用于心臟運動信號的預測。Duindam Y等人在文獻《Geometric motion estimation and control for robotic assisted beating-heart surgery》中提出心臟表面目標點運動信號可以分離為2個周期信號，其中一部分就是通過分析ECG信號得到的心臟運動的相位和頻率。然而，這些方法在出現(xiàn)遮擋時無法獲取運動目標的測量值時，不能達到預測心臟目標點運動的目的。

技術(shù)實現(xiàn)要素：

本發(fā)明的目的在于克服現(xiàn)有技術(shù)的不足，提供一種基于ECG信號的心臟運動信號預測方法，利用ECG信號與心臟表面目標點歷史軌跡之間的相關(guān)性建立GLM模型，當出現(xiàn)遮擋等無法獲取運動目標的測量值時，利用ECG信號通過GLM模型達到預測目標點運動的目的。

為實現(xiàn)上述發(fā)明目的，本發(fā)明一種基于ECG信號的心臟運動信號預測方法，其特征在于，包括以下步驟：

(1)、建立并初始化GLM預測模型

(1.1)、建立GLM模型：利用心臟表面目標點x的N個歷史測量值和ECG信號在k時刻的測量值建立GLM模型，用方程表示為：

其中，是三維列向量，表示心臟表面目標點x在k時刻的三維坐標預測值；w(k-1)是k-1時刻的模型參數(shù)，是由M個權(quán)值系數(shù)組成的列向量；Q(k-1)是3*M維的模型設計矩陣，表示為：

Q(k-1)＝[x(k-N) x(k-N+1) … x(k-1) e(k)]

其中，x(k-N)…x(k-1)是N個歷史測量值，e(k)是ECG信號在k時刻的實時測量值，且由一維的e(k)擴展為三維列向量，即e(k)＝[e(k) e(k) e(k)]；

(1.2)、初始化GLM模型：令k＝1，將k＝1之前的N個歷史測量值初始化為0向量，即x(1-N)＝x(2-N)＝…＝x(0)＝0；將k＝1時刻的模型參數(shù)初始化為0矩陣，即w(0)＝0；令方差矩陣為V(k)，并初始化為V(0)＝σI_M×M；

其中，σ一般取遠遠大于1的正數(shù)，I_M×M表示M×M維單位矩陣，ECG信號在k＝1時刻的測量值e(1)可直接獲得；

(2)、判斷測量系統(tǒng)是否提供k時刻的心臟表面目標點x的測量值x(k)，如果提供，則記錄下該測量值x(k)，然后執(zhí)行步驟(3)；否則執(zhí)行步驟(4)；

(3)、更新GLM模型參數(shù)

基于迭代最小二乘濾波原理，利用k時刻心臟表面目標點x的測量值x(k)，以及k時刻ECG信號的實時測量值e(k)，更新模型參數(shù)w(k)以及方差矩陣v(k)，待更新完畢后，跳入步驟(5)；

(4)、基于當前GLM模型以及k時刻ECG信號的實時測量值e(k)，獲取心臟表面目標點x的預測值：

再用預測值代替測量值，即令然后執(zhí)行步驟(5)；

(5)、更新GLM模型設計矩陣

利用k時刻心臟表面目標點x的測量值x(k)以及k時刻ECG信號的實時測量值e(k)更新模型設計矩陣，得到：

Q(k)＝[x(k-N+1) x(k-N+2) … x(k) e(k+1)]

(6)、當前時刻值k加1，即k＝k+1，返回步驟(2)，進入下一時刻k+1的處理流程。

其中，所述步驟(3)中，更新模型參數(shù)w(k)和方差矩陣v(k)的具體方法為：

(2.1)、計算模型當前的預測誤差和增益矩陣

預測誤差：

增益矩陣：

其中，μ為遺忘因子，0<μ<1；

(2.2)、利用預測誤差和增益矩陣更新模型參數(shù)w(k)和方差矩陣v(k)

更新后的模型參數(shù)為：w(k)＝w(k-1)+δK；

更新后的方差矩陣為：

本發(fā)明的發(fā)明目的是這樣實現(xiàn)的：

本發(fā)明一種基于ECG信號的心臟運動信號預測方法，將ECG信號與心臟運動信號的相關(guān)部分建模為GLM模型互相關(guān)項，利用迭代最小二乘法實時地估計GLM模型互相關(guān)項的系數(shù)，將ECG信號非平穩(wěn)心率變化信息的全過程通過GLM模型互相關(guān)項引入心臟表面目標點的預測中，增強了對心臟信號中非平穩(wěn)變化的適應能力，提高了對運動信號的估計精度，完成了心臟運動信號的實時預測。

同時，本發(fā)明一種基于ECG信號的心臟運動信號預測方法還具有以下有益效果：

(1)、本發(fā)明利用ECG信號與心臟表面目標點歷史運動軌跡之間的相關(guān)性，提高預測精度；而現(xiàn)有技術(shù)只考慮目標點運動在時間上的自相關(guān)性，利用目標點的歷史測量值預測未來運動，這類方法在進行長時間連續(xù)預測時，預測誤差會急劇增大；

(2)、本方法首次將ECG信號與心臟表面目標點的運動信號的相關(guān)部分建模為相關(guān)項，利用迭代最小二乘法估計模型參數(shù)，將ECG信號非平穩(wěn)特征表征并引入心臟表面目標點的預測當中；

(3)、本發(fā)明與現(xiàn)有技術(shù)相比，本發(fā)明不僅僅利用ECG信號的單點特征，而是將兩種信號進行耦合進而預測，這樣可以實時更新ECG信號以達到實時更新模型參數(shù)的目的，進而可提高預測精度。

附圖說明

圖1是本發(fā)明基于ECG信號的心臟運動信號預測方法流程圖；

圖2是基于GLM模型的心臟表面目標點運動預測原理框圖。

具體實施方式

下面結(jié)合附圖對本發(fā)明的具體實施方式進行描述，以便本領(lǐng)域的技術(shù)人員更好地理解本發(fā)明。需要特別提醒注意的是，在以下的描述中，當已知功能和設計的詳細描述也許會淡化本發(fā)明的主要內(nèi)容時，這些描述在這里將被忽略。

實施例

圖1是本發(fā)明基于ECG信號的心臟運動信號預測方法流程圖。

在本實施例中，測量心臟表面目標點運動的測量系統(tǒng)可以為基于立體內(nèi)窺鏡的視覺測量系統(tǒng)、基于超聲波測量的測量系統(tǒng)或基于激光和視覺的測量系統(tǒng)等，在本實施例中，如圖2所示，采用基于立體內(nèi)窺鏡的視覺測量系統(tǒng)。無論何種測量系統(tǒng)，在其對心臟表面目標點進行直接測量時，通過本發(fā)明所述的方法會在每個測量時刻，利用最新獲取的心臟表面目標點測量值以及ECG信號測量值實時更新GLM模型參數(shù)和設計矩陣，當測量系統(tǒng)因心臟表面目標點被遮擋而無法獲取測量值時，可通過GLM模型預測目標點的位置，彌補測量系統(tǒng)的測量空白。

下面結(jié)合附圖和實施例對本發(fā)明作進一步說明。如圖1所示，本發(fā)明一種基于ECG信號的心臟運動信號預測方法，包括以下步驟：

S1、建立并初始化GLM預測模型

S1.1、建立GLM模型

在本實施例中，利用本發(fā)明所屬方法對心臟表面目標點的近4個歷史時刻的測量值以及ECG信號的測量值，建立5階的GLM模型進行預測，用方程表示為：

其中，是三維列向量，表示心臟表面目標點x在k時刻的三維坐標預測值；w(k-1)是k-1時刻的模型參數(shù)，是由5個權(quán)值系數(shù)組成的列向量；Q(k-1)是3*5維的模型設計矩陣，表示為：

Q(k-1)＝[x(k-4) x(k-3) x(k-2) x(k-1) e(k)]

其中，x(k-4),x(k-3),x(k-2),x(k-1)是4個歷史測量值，e(k)是ECG信號在k時刻的實時測量值，且由一維的e(k)擴展為三維列向量，即e(k)＝[e(k) e(k) e(k)]；

S1.2、初始化GLM模型：令k＝1，將k＝1之前的4個歷史測量值初始化為0向量，即x(-3)＝x(-2)＝x(-1)＝x(0)＝0；將k＝1時刻的模型參數(shù)初始化為0矩陣，即w(0)＝0；令方差矩陣為V(k)，并初始化為V(0)＝σI_5×5；

其中，σ一般取遠遠大于1的正數(shù)，I_5×5表示5×5維單位矩陣，ECG信號在k＝1時刻的測量值e(1)可直接獲得。

S2、判斷測量系統(tǒng)是否提供k時刻的心臟表面目標點x的測量值x(k)，如果提供，則記錄下該測量值x(k)，然后執(zhí)行步驟S3；否則執(zhí)行步驟S4。

S3、更新GLM模型參數(shù)

基于迭代最小二乘濾波原理，利用k時刻心臟表面目標點x的測量值x(k)，以及k時刻ECG信號的實時測量值e(k)，更新模型參數(shù)w(k)以及方差矩陣v(k)，待更新完畢后，跳入步驟S5；

其中，更新模型參數(shù)w(k)和方差矩陣v(k)的具體方法為：

S3.1、計算模型當前的預測誤差和增益矩陣

預測誤差：

增益矩陣：

其中，μ為遺忘因子，0<μ<1，在本實施例中取μ＝0.98；()^T表示轉(zhuǎn)置；

S3.2、利用預測誤差和增益矩陣更新模型參數(shù)w(k)和方差矩陣v(k)

更新后的模型參數(shù)為：w(k)＝w(k-1)+δK；

更新后的方差矩陣為：

S4、基于當前GLM模型以及k時刻ECG信號的實時測量值e(k)，獲取心臟表面目標點x的預測值：

再用預測值代替測量值，即令然后執(zhí)行步驟S5。

S5、更新GLM模型設計矩陣

利用k時刻心臟表面目標點x的測量值x(k)以及k時刻ECG信號的實時測量值e(k)更新模型設計矩陣，得到：

Q(k)＝[x(k-3) x(k-2) x(k-1) x(k) e(k+1)]

通過更新模型設計矩陣后，進而完成對心臟表面目標點的運動的預測。

S6、當前時刻值k加1，即k＝k+1，返回步驟S2，進入下一時刻k+1的處理流程。

盡管上面對本發(fā)明說明性的具體實施方式進行了描述，以便于本技術(shù)領(lǐng)域的技術(shù)人員理解本發(fā)明，但應該清楚，本發(fā)明不限于具體實施方式的范圍，對本技術(shù)領(lǐng)域的普通技術(shù)人員來講，只要各種變化在所附的權(quán)利要求限定和確定的本發(fā)明的精神和范圍內(nèi)，這些變化是顯而易見的，一切利用本發(fā)明構(gòu)思的發(fā)明創(chuàng)造均在保護之列。