论文部分内容阅读
对于一个仰卧的成年人，颅内压通常为0.78-1.76kPa，但某些神经系统的疾病可能导致颅内压升高。所以在神经外科和神经学评估中，对颅内压升高的准确监测是非常重要的，而且要求监测设备体积小，重量轻，集成度高。光纤压力传感器广泛应用于颅内压力监测领域。利用光纤压力传感器对颅内压进行监测，在其解调技术方面也有很高的要求。近些年，在提高解调压力精度的方面，不断有研究人士提出解决方案。
本论文设计了一个基于机器学习光谱分析方法的颅内压测量嵌入式仪器，首先设计实现了硬件电路和测量装置，并进行电路的制作和测试。然后搭配多元线性回归和BP(Back Propagation)神经网络两种机器学习的光谱分析方法，利用反射光谱信息对压力进行解调，并对两种方法进行仿真验证和实验分析验证。通过不断对所设计电路和算法进行调整优化，最终使该嵌入式仪器达到医疗要求的标准。整个系统将光纤压力传感与嵌入式系统相结合，可以实时监测光源温度并使其保持恒定，从而大大减小了光源扰动对反射光谱的影响。另外通过机器学习算法使解调过程更加简单便捷，解决了解调系统结果误差大、精度低的问题。从系统电路设计和解调算法两大方面优化使整个颅内压测量系统在精确度和稳定性等方面大大提高。同时嵌入式颅内压测量仪器集成度高、体积小，集成光谱仪的仪器核心部分大小只有20cm×14cm，无需与PC机搭配使用，操作简单，减少空间占地。因此，本论文设计的颅内压测量嵌入式仪器具有很高的实用性，它在临床医学领域具有很大的应用潜力。
本文首先阐述了颅内压监测技术的原理及研究现状，接下来介绍了传统的光谱解调分析方法，并对其优缺点和适应条件做出了详细介绍。在此基础上提出了使用机器学习算法对传感光谱进行分析解调，分别是多元线性回归和BP神经网络两种机器学习算法，通过两种方法的仿真对其原理进行了可行性验证，并对模型各方面的性能指标进行比较，之后不断优化调整机器学习模型以达到预设目标。接下来设计了颅内压测量系统的硬件部分，包括光源驱动模块、光源温度测控模块、光开关、光纤耦合器、光谱仪等，并进行实验验证上述分析算法，最后在主控制嵌入式系统上做机器学习算法的部署。本文的具体工作如下:(1)介绍了关于法布里-珀罗光纤压力传感器的发展现状和具体应用领域，以及法布里-珀罗光纤压力传感器的工作原理和分类，并分析了传统光谱分析方法的理论研究现状及对它们的优缺点进行对比。在充分调研的基础上，提出了机器学习光谱分析算法，弥补传统光谱分析方法的不足，降低了解调算法的复杂度，提高了解调压力的精确度。
(2)针对提出的机器学习光谱分析方法，设计了基于高性能嵌入式处理器的颅内压测量系统，包括光源的恒流驱动电路，基于单片机的光源温度测控电路以及利用光开关实现光谱采集的控制电路等。光源温度控制模块是通过单片机输出PWM信号，PWM信号改变占空比调节加热电阻的发热功率来实现的。温度实验结果表明加热电路可以从初始温度加热到40℃并维持稳定，通过控制光源温度保持恒定，减小光源对反射光谱的干扰从而提高解调压力的精确度。本嵌入式测量仪器具有集成度高、体积小、实时监控、温度补偿性好、操作简单等优点。
(3)实现高性能嵌入式处理器与单片机温度控制电路和光谱仪采集部分之间的通信，达到实时读取光源温度以及反射光谱信息的目的。同时，搭建机器学习模型，对算法进行原理性验证并分析仿真结果。通过不断优化模型参数和调整算法达到预设的准确率，模型建立完毕后，再进行实验测量进行验证，得出模型的实际准确率以及其泛化能力。在多元线性回归模型中，真实最大值波长与预测波长之间的误差在0.0305nm，拟合度约为0.9992，而在BP神经网络模型中，预测的中心波长平均误差约在0.0264nm，拟合度约为0.99994。
(4)搭建压力控制系统对光纤法布里-珀罗传感器进行压力作用，利用光开关对入射光谱和反射光谱分别进行采集，并进行光谱平滑和SG滤波处理，然后利用搭建好的机器学习算法模型，实现对压力的解调，并对实验数据进行拟合分析，光纤法布里-珀罗传感器的灵敏度约为0.03097nm/kPa。预测压力值与真实压力值之间的拟合度大约在0.998。在0-45kPa范围内，解调压力可以根据传感反射光谱数据进行分析，进一步验证了理论分析结论的可靠性。
本论文设计了一个基于机器学习光谱分析方法的颅内压测量嵌入式仪器，首先设计实现了硬件电路和测量装置，并进行电路的制作和测试。然后搭配多元线性回归和BP(Back Propagation)神经网络两种机器学习的光谱分析方法，利用反射光谱信息对压力进行解调，并对两种方法进行仿真验证和实验分析验证。通过不断对所设计电路和算法进行调整优化，最终使该嵌入式仪器达到医疗要求的标准。整个系统将光纤压力传感与嵌入式系统相结合，可以实时监测光源温度并使其保持恒定，从而大大减小了光源扰动对反射光谱的影响。另外通过机器学习算法使解调过程更加简单便捷，解决了解调系统结果误差大、精度低的问题。从系统电路设计和解调算法两大方面优化使整个颅内压测量系统在精确度和稳定性等方面大大提高。同时嵌入式颅内压测量仪器集成度高、体积小，集成光谱仪的仪器核心部分大小只有20cm×14cm，无需与PC机搭配使用，操作简单，减少空间占地。因此，本论文设计的颅内压测量嵌入式仪器具有很高的实用性，它在临床医学领域具有很大的应用潜力。
本文首先阐述了颅内压监测技术的原理及研究现状，接下来介绍了传统的光谱解调分析方法，并对其优缺点和适应条件做出了详细介绍。在此基础上提出了使用机器学习算法对传感光谱进行分析解调，分别是多元线性回归和BP神经网络两种机器学习算法，通过两种方法的仿真对其原理进行了可行性验证，并对模型各方面的性能指标进行比较，之后不断优化调整机器学习模型以达到预设目标。接下来设计了颅内压测量系统的硬件部分，包括光源驱动模块、光源温度测控模块、光开关、光纤耦合器、光谱仪等，并进行实验验证上述分析算法，最后在主控制嵌入式系统上做机器学习算法的部署。本文的具体工作如下:(1)介绍了关于法布里-珀罗光纤压力传感器的发展现状和具体应用领域，以及法布里-珀罗光纤压力传感器的工作原理和分类，并分析了传统光谱分析方法的理论研究现状及对它们的优缺点进行对比。在充分调研的基础上，提出了机器学习光谱分析算法，弥补传统光谱分析方法的不足，降低了解调算法的复杂度，提高了解调压力的精确度。
(2)针对提出的机器学习光谱分析方法，设计了基于高性能嵌入式处理器的颅内压测量系统，包括光源的恒流驱动电路，基于单片机的光源温度测控电路以及利用光开关实现光谱采集的控制电路等。光源温度控制模块是通过单片机输出PWM信号，PWM信号改变占空比调节加热电阻的发热功率来实现的。温度实验结果表明加热电路可以从初始温度加热到40℃并维持稳定，通过控制光源温度保持恒定，减小光源对反射光谱的干扰从而提高解调压力的精确度。本嵌入式测量仪器具有集成度高、体积小、实时监控、温度补偿性好、操作简单等优点。
(3)实现高性能嵌入式处理器与单片机温度控制电路和光谱仪采集部分之间的通信，达到实时读取光源温度以及反射光谱信息的目的。同时，搭建机器学习模型，对算法进行原理性验证并分析仿真结果。通过不断优化模型参数和调整算法达到预设的准确率，模型建立完毕后，再进行实验测量进行验证，得出模型的实际准确率以及其泛化能力。在多元线性回归模型中，真实最大值波长与预测波长之间的误差在0.0305nm，拟合度约为0.9992，而在BP神经网络模型中，预测的中心波长平均误差约在0.0264nm，拟合度约为0.99994。
(4)搭建压力控制系统对光纤法布里-珀罗传感器进行压力作用，利用光开关对入射光谱和反射光谱分别进行采集，并进行光谱平滑和SG滤波处理，然后利用搭建好的机器学习算法模型，实现对压力的解调，并对实验数据进行拟合分析，光纤法布里-珀罗传感器的灵敏度约为0.03097nm/kPa。预测压力值与真实压力值之间的拟合度大约在0.998。在0-45kPa范围内，解调压力可以根据传感反射光谱数据进行分析，进一步验证了理论分析结论的可靠性。