RU2752594C1 - Method for classifying biological objects based on multidimensional bioimpedance analysis and device for its implementation - Google Patents
Method for classifying biological objects based on multidimensional bioimpedance analysis and device for its implementation Download PDFInfo
- Publication number
- RU2752594C1 RU2752594C1 RU2020115879A RU2020115879A RU2752594C1 RU 2752594 C1 RU2752594 C1 RU 2752594C1 RU 2020115879 A RU2020115879 A RU 2020115879A RU 2020115879 A RU2020115879 A RU 2020115879A RU 2752594 C1 RU2752594 C1 RU 2752594C1
- Authority
- RU
- Russia
- Prior art keywords
- model
- electrodes
- bioimpedance
- biomaterial
- cole
- Prior art date
Links
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/05—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves
- A61B5/053—Measuring electrical impedance or conductance of a portion of the body
Abstract
Description
Изобретение относится к области медицинской диагностики, а именно к способам диагностики, профилактики и лечения заболевании, основанным на исследовании электрических характеристик биологических объектов.The invention relates to the field of medical diagnostics, in particular to methods for diagnosing, preventing and treating a disease based on the study of the electrical characteristics of biological objects.
Известен способ определения объема жидкостных секторов организма путем накладывания электродов на тело и пропускания зондирующих токов низкой и высокой частоты с последующим измерением импеданса, отличающийся тем, что попарно соединенные между собой электроды накладывают на кожу верхних и нижних конечностей пациента, измеряют первый импеданс при пропускании через тело зондирующего тока частотой 20…40 кГц и второй импеданс при пропускании зондирующего тока частотой 400…800 кГц, учитывают удельное сопротивление плазмы крови, а также рост пациента и с помощью первого импеданса рассчитывают объем внеклеточной жидкости, а второго - объем внутриклеточной жидкости, по сумме названных двух объемов определяют объем общей жидкости в организме [Патент 2093069 РФ. Способ определения объемов жидкостных секторов организма Ю.Н. Волков, В.Г. Покровский, И.П. Николаева, В.Н. Семенов, И.С. Курапеев. - №5013462/14; Заявл. 18.11.91; Опубл. в БИ, 1997, №29].There is a known method for determining the volume of the liquid sectors of the body by applying electrodes to the body and passing probing currents of low and high frequency, followed by measuring the impedance, characterized in that the electrodes connected in pairs are applied to the skin of the patient's upper and lower extremities, the first impedance is measured when passing through the body probing current with a frequency of 20 ... 40 kHz and the second impedance when passing a probing current with a frequency of 400 ... 800 kHz, take into account the resistivity of the blood plasma, as well as the patient's growth, and using the first impedance calculate the volume of extracellular fluid, and the second - the volume of intracellular fluid, according to the sum of the named two volumes determine the volume of total fluid in the body [Patent 2093069 RF. Method for determining the volume of fluid sectors of the body Yu.N. Volkov, V.G. Pokrovsky, I.P. Nikolaeva, V.N. Semenov, I.S. Kurapeev. - No. 5013462/14; Appl. 11/18/91; Publ. in BI, 1997, No. 29].
Для реализации данного способа используется модель Максвелла с тремя параллельными ветвями и четырьмя неизвестными параметрами, которые определяют, как r4 и r3 - параметры "клетки", r2 - параметр "межклеточной жидкости" и r1 - параметр "внутрисосудистой жидкости" (фиг. 1). Так как полагают, что на одной частоте измеряются две составляющие импеданса: действительную и мнимую, то для определения четырех неизвестных достаточно провести измерения биоимпеданса на двух частотах.To implement this method, the Maxwell model with three parallel branches and four unknown parameters is used, which determine how r4 and r3 are the "cell" parameters, r2 is the "intercellular fluid" parameter and r1 is the "intravascular fluid" parameter (Fig. 1). Since it is believed that two impedance components are measured at one frequency: real and imaginary, then to determine four unknowns, it is enough to measure bioimpedance at two frequencies.
Недостаток способа связан с тем, что модель биообъекта в виде пассивного двухполюсника с тремя ветвями не исчерпывает всех морфологических свойств биологического объекта. Модель игнорирует низкочастотные свойства электропроводности биологического объекта, а также в модели отсутствуют реактивные составляющие биоимпеданса, а значит не учитываются резонансные свойства структурных элементов импеданса биообъекта. Кроме того, модель имеет очень приближенный характер, так как нет обоснования того, что измерения на двух частотах отражают все биохимические свойства биообъекта и его структурных элементов.The disadvantage of this method is associated with the fact that the model of a biological object in the form of a passive two-port network with three branches does not exhaust all the morphological properties of a biological object. The model ignores the low-frequency properties of the electrical conductivity of a biological object, and the model also lacks the reactive components of the bioimpedance, which means that the resonance properties of the structural elements of the biological object's impedance are not taken into account. In addition, the model has a very approximate character, since there is no substantiation that measurements at two frequencies reflect all the biochemical properties of a biological object and its structural elements.
Известен способ определения показателя гематокрита, включающий измерение электропроводности крови на основе биоимпедансных исследований, отличающийся тем, что укрепляют электроды на лодыжках и запястьях человека, одновременно регистрируют связанную с электропроводностью крови переменную составляющую сопротивления тела человека на частотах 20…40 кГц и 200…300 кГц, а показатель гематокрита Н определяют из выраженияA known method for determining the hematocrit index, including measuring the electrical conductivity of blood based on bioimpedance studies, characterized in that the electrodes on the ankles and wrists of a person are strengthened, at the same time the variable component of the resistance of the human body associated with the electrical conductivity of blood is recorded at frequencies of 20 ... 40 kHz and 200 ... 300 kHz, and the hematocrit H index is determined from the expression
где R1 - амплитуда переменной составляющей сопротивления тела человека на частоте 20…40 кГц, Ом; R2 - амплитуда переменной составляющей сопротивления тела человека на частоте 200…300 кГц, Ом [Патент №2209430 РФ, МПК 7 G01N 33/48. Способ определения показателя гематокрита / Пеккер Я.С., Тестов А.Л. - 2003.].where R 1 is the amplitude of the variable component of the resistance of the human body at a frequency of 20 ... 40 kHz, Ohm; R 2 - the amplitude of the variable component of the resistance of the human body at a frequency of 200 ... 300 kHz, Ohm [Patent No. 2209430 RF, IPC 7 G01N 33/48. Method for determining the hematocrit index / Pekker Y.S., Testov A.L. - 2003.].
При получении уравнения (1) математическая модель описывает электрические свойства крови как гетерогенной системы. Полагалось, что переменная составляющая сопротивления тела человека определяется в основном электропроводностью крови, а также степенью кровенаполнения сосудов и что степень кровенаполнения от частоты зондирующего тока не зависит. Так как используется отношение амплитуд переменных составляющих сопротивления на частотах 20…40 кГц и 200…300 кГц, то это отношение будет определяться электрическими свойствами крови. Переменный ток частотой ниже 40 кГц распространяется преимущественно по сосудам, клетки являются для него непроводящей средой, так как их удельное сопротивление значительно выше удельного сопротивления жидких сред на этих частотах. Таким образом, электропроводность крови определяется электропроводностью плазмы, эритроциты являются непроводящей средой. На частотах ниже 20 кГц увеличивается сопротивление кожи, выше 40 кГц - часть тока проходит через клетки, что искажает результат. На частотах 200…300 кГц эритроциты начинают принимать участие в актах проводимости. Верхний предел ограничения обуславливается тем, что свыше 300 кГц изменений электропроводности не наблюдается.When obtaining equation (1), the mathematical model describes the electrical properties of blood as a heterogeneous system. It was assumed that the variable component of the resistance of the human body is determined mainly by the electrical conductivity of the blood, as well as the degree of blood circulation in the vessels, and that the degree of blood filling does not depend on the frequency of the probing current. Since the ratio of the amplitudes of the variable components of the resistance is used at frequencies of 20 ... 40 kHz and 200 ... 300 kHz, this ratio will be determined by the electrical properties of blood. An alternating current with a frequency below 40 kHz spreads mainly through the vessels; cells are a non-conductive medium for it, since their resistivity is much higher than the resistivity of liquid media at these frequencies. Thus, the electrical conductivity of blood is determined by the electrical conductivity of the plasma; erythrocytes are a non-conductive medium. At frequencies below 20 kHz, the skin resistance increases, above 40 kHz, part of the current passes through the cells, which distorts the result. At frequencies of 200 ... 300 kHz, erythrocytes begin to take part in conduction acts. The upper limit of the limitation is due to the fact that more than 300 kHz changes in electrical conductivity are not observed.
Недостаток способа связан с тем, что при выводе формулы (1) использовано две простые и весьма приближенные математические модели, отражающие зависимость электропроводности крови от гематокрита на частотах 20…40 кГц и зависимость электропроводности крови от гематокрита на частотах 200…300 кГц, в которых в качестве параметров используются электропроводности плазмы крови и цитоплазмы эритроцитов, а также вводится допущение, что электропроводность плазмы крови практически не зависит от частоты.The disadvantage of this method is due to the fact that when deriving formula (1), two simple and very approximate mathematical models were used, reflecting the dependence of blood electrical conductivity on hematocrit at frequencies of 20 ... 40 kHz and the dependence of blood electrical conductivity on hematocrit at frequencies of 200 ... 300 kHz, in which in as parameters, the electrical conductivity of blood plasma and erythrocyte cytoplasm are used, and the assumption is made that the electrical conductivity of blood plasma is practically independent of frequency.
Анализ этих допущений и результаты экспериментальных исследований показали, что они вносят серьезную погрешность при измерении сопротивления биожидкостей.Analysis of these assumptions and the results of experimental studies have shown that they introduce a serious error in measuring the resistance of biofluids.
Наиболее близким аналогом к предлагаемому в качестве изобретения является способ сегментарной трехчастотной биоимпедансометрии, заключающийся в представлении импеданса биообъекта в виде пятизвенной модели, каждое звено которой состоит из двух последовательно соединенных пассивных двухполюсников, содержащих две параллельных ветви, одна из которых RB, соответствует вкладу внеклеточной жидкости в общее сопротивление биоткани, а вторая - соответствует емкостному сопротивлению клеточной мембраны xC и внутриклеточной жидкости RК. При этом параметры модели рассчитываются по результатам решения системы из трех уравненийThe closest analogue to the one proposed as an invention is a method of segmental three-frequency bioimpedance measurement, which consists in representing the impedance of a biological object in the form of a five-link model, each link of which consists of two series-connected passive bipoles containing two parallel branches, one of which R B corresponds to the contribution of the extracellular fluid into the total resistance of biological tissue, and the second corresponds to the capacitance of the cell membrane x C and intracellular fluid R K. In this case, the parameters of the model are calculated based on the results of solving a system of three equations
где Z1, Z2, Z3 - измеренные импедансы на трех частотах, k - статистические коэффициенты.where Z 1 , Z 2 , Z 3 are the measured impedances at three frequencies, k are statistical coefficients.
Первые две частоты выбраны по следующим критериям: частота 28 кГц - близкая к оптимальной частота регистрации пульсовой волны в тканях сегментов туловища; частота 115 кГц - близкая к оптимальной частота регистрации реограммы мозга. Выбор третьей частоты зондирующего тока в общем случае может быть любым, но на практике она выбирается исходя из задачи достижения оптимизации погрешностей измерений согласно следующему сформированному критерию: погрешность вычисления должна быть меньше методической погрешности измерения объема жидкости биоимпедансными методами [Волков Н.Ю., Илларионов В.В., Соловьев М.Н., Юлдашев З.М. Метод оценки объемов внеклеточной и внутриклеточной жидкости тела человека с помощью трехчастотной биоимпедансометрии // Биотехносфера. - 2018. - №1. - С. 19-22]. В общем случае модель имеет пятизвенную структуру, однако, как утверждают авторы, она может быть преобразована в шестизвенную при измерении импедансов абдоминального и торакального сегментов с использованием дополнительного электрода на туловище обследуемого, или в девяти - или десятизвенную, при разбиении сегментов конечностей на подсегменты путем сдвига электродов по конечности и повторного измерения импедансов.The first two frequencies were selected according to the following criteria:
Недостатком данного способа является то, что для повышения точности оценки сопротивления внутриклеточной жидкости и косвенной оценки состава тела человека у разных групп обследуемых необходимо учитывать также индивидуальные особенности строения тела человека, и, как следствие, возникают проблемы с вычислениями коэффициентов k в (2).The disadvantage of this method is that in order to increase the accuracy of assessing the resistance of the intracellular fluid and indirectly assessing the composition of the human body in different groups of subjects, it is also necessary to take into account the individual characteristics of the structure of the human body, and, as a consequence, problems arise with calculating the coefficients k in (2).
Наиболее близким к изобретению по устройству является устройство для измерения импеданса биологических тканей, содержащее последовательно соединенные матрицу электродов, включающую N электродов; блок коммутации, N сигнальных входов-выходов которого соединены с соответствующими N электродами электродной матрицы, инструментальный усилитель, второй вход которого соединен со вторым выходом блока коммутации; блок детекторов; многоканальный аналого-цифровой преобразователь (АЦП), два первых аналоговых входа которого соединены с соответствующими выходами блока детекторов; микроконтроллер, четыре первых выхода которого соединены с соответствующими входами управления блока коммутации, а пятый выход соединен с четвертым входом АЦП, и электронно-вычислительной машиной (ЭВМ), первый цифро-аналоговый преобразователь, вход которого подключен к шестому выходу микроконтроллера, а выход подключен ко второму входу блока детекторов, второй цифро-аналоговый преобразователь, вход которого подключен к седьмому выходу микроконтроллера, а выход - к третьему входу блока детекторов, усилитель мощности, вход которого подключен к выходу первого цифро-аналогового преобразователя, а первый выход - к первому токовому входу блока коммутации, и блок измерения тока, вход которого подключен ко второму выходу усилителя мощности, первый выход - ко второму токовому входу блока коммутации, второй выход подключен к третьему аналоговому входу многоканального АЦП, а блок коммутации включает два аналоговых мультиплексора и два аналоговых демультиплексора, N аналоговых входов каждого из мультиплексоров соединены с соответствующими N электродами электродной матрицы, а N аналоговых выходов каждого из демультиплексоров соединены с соответствующими N электродами электродной матрицы, адресные входы каждого из двух мультиплексоров и двух демультиплексоров соединены соответственно с первыми четырьмя выходами микроконтроллера, первый выход первого мультиплексора соединен с первым входом инструментального усилителя, выход второго мультиплексора соединен со вторым входом инструментального усилителя, вход первого демультиплексора соединен с первым выходом усилителя мощности, а вход второго демультиплексора соединен с первым выходом блока измерения тока.The closest to the invention according to the device is a device for measuring the impedance of biological tissues, containing a series-connected array of electrodes, including N electrodes; a switching unit, the N signal inputs-outputs of which are connected to the corresponding N electrodes of the electrode matrix, an instrumental amplifier, the second input of which is connected to the second output of the switching unit; block of detectors; a multichannel analog-to-digital converter (ADC), the first two analog inputs of which are connected to the corresponding outputs of the detector unit; a microcontroller, the first four outputs of which are connected to the corresponding control inputs of the switching unit, and the fifth output is connected to the fourth input of the ADC, and an electronic computer (computer), the first digital-to-analog converter, the input of which is connected to the sixth output of the microcontroller, and the output is connected to the second input of the detector unit, the second digital-to-analog converter, the input of which is connected to the seventh output of the microcontroller, and the output to the third input of the detector unit, the power amplifier, the input of which is connected to the output of the first digital-to-analog converter, and the first output to the first current input switching unit, and a current measuring unit, the input of which is connected to the second output of the power amplifier, the first output to the second current input of the switching unit, the second output is connected to the third analog input of the multichannel ADC, and the switching unit includes two analog multiplexers and two analog demultiplexers, N analog inputs of each ltyplexers are connected to the corresponding N electrodes of the electrode matrix, and the N analog outputs of each of the demultiplexers are connected to the corresponding N electrodes of the electrode matrix, the address inputs of each of the two multiplexers and two demultiplexers are connected, respectively, to the first four outputs of the microcontroller, the first output of the first multiplexer is connected to the first input of the instrumental amplifier, the output of the second multiplexer is connected to the second input of the instrumentation amplifier, the input of the first demultiplexer is connected to the first output of the power amplifier, and the input of the second demultiplexer is connected to the first output of the current measuring unit.
Недостатком устройства является отсутствие возможности осуществлять классификацию получаемых в результате биоимпедансных исследований данных и беспроводной связи с ЭВМ.The disadvantage of the device is the inability to carry out the classification of data obtained as a result of bioimpedance studies and wireless communication with a computer.
Технической задачей предлагаемых способа и устройства является повышение точности и оперативности классификации биологических объектов при инфекционных заболеваниях.The technical task of the proposed method and device is to improve the accuracy and efficiency of the classification of biological objects in infectious diseases.
Поставленная задача по способу решается посредством того, что в известном способе классификации биообъекта, основанном на биоимпедансном анализе, в котором для классификации сегмента биообъекта строится его модель в виде пассивного двухполюсника, накладываются электроды на выделенный сегмент и осуществляется многочастотное зондирование на стольких частотах, сколько требуется для определения параметров модели пассивного двухполюсника, и по полученным параметрам двухполюсника осуществляется классификация биообъекта, в качестве электродов используется матрица N электродов, электроды в которой с помощью мультиплексоров последовательно попарно коммутируются таким образом, чтобы получить N/2 электродных пар, каждая из которых соответствует N/2 направлениям электрического поля в биоматериале. Для каждого направления электрического поля строится модель сегмента биоматериала, соответствующая этому направлению. В качестве модели сегмента биоматериала используется рекурсивная модель Войта. Для каждой из моделей Войта строится график Коула биоматериала под соответствующими электродами в диапазоне частот от Ωmin до Ωmax и выполняется рекурсивная процедура решения систем нелинейных уравнений по определению параметров модели начиная от первого звена модели Войта и последовательно, наращивая звенья в модели Войта до тех пор, пока функционал ошибки аппроксимации графика Коула для соответствующей модели Войта не достигнет допустимого значения. В каждой модели Войта осуществляется преобразование множества в множество где i - номер звена в j-й модели Войта, - номер модели Войта для j-го сочетания электродов, Используя множество как дескрипторы, классифицируется биологический объект посредством обучаемого классификатора, построенного по иерархическому принципу.The problem posed by the method is solved by the fact that in the known method of classification of a biological object based on bioimpedance analysis, in which, to classify a segment of a biological object, its model is built in the form of a passive two-pole, electrodes are applied to the selected segment and multifrequency sensing is carried out at as many frequencies as required for the parameters of the model of a passive two-terminal network are determined, and the biological object is classified according to the obtained parameters of the two-terminal network, a matrix of N electrodes is used as electrodes, the electrodes in which are serially connected in pairs using multiplexers so as to obtain N / 2 electrode pairs, each of which corresponds to N / 2 directions of the electric field in biomaterial. For each direction of the electric field, a model of a biomaterial segment is built corresponding to this direction. Voight's recursive model is used as a model of a biomaterial segment. For each of the Voigt models, a Cole plot of the biomaterial is plotted under the corresponding electrodes in the frequency range from Ω min to Ω max and a recursive procedure for solving systems of nonlinear equations is performed to determine the model parameters starting from the first link of the Voigt model and sequentially increasing the links in the Voigt model until then until the functional of the Cole plot approximation error for the corresponding Voight model reaches an acceptable value. In each Voigt model, a transformation of the set in a multitude where i is the number of the link in the j-th Voight model, - Voight model number for the j-th combination of electrodes, Using the set as descriptors, a biological object is classified by means of a trainable classifier built according to a hierarchical principle.
Поставленная задача по устройству решается посредством того, что в устройство для биоимпедансных исследований, содержащее последовательно соединенные микроконтроллер, цифро-аналоговый преобразователь (ЦАП) и масштабный усилитель, АЦП, подключенный выходом ко второму порту микроконтроллера, два мультиплексора, входы управления которых подключены к третьему порту микроконтроллера, матрицу электродов, N электродов которой подключены к N/2 выходам первого мультиплексора и N/2 выходам второго мультиплексора, токовый резистор, инструментальный усилитель, выход которого подключен ко второму выводу токового резистора, и ЭВМ, дополнительно введен блютус, входом подключенный к четвертому порту микроконтроллера, а выходом к ЭВМ, а второй вход АЦП соединен с выходом масштабного усилителя и сигнальным входом второго мультиплексора, третий вход АЦП соединен с первым выводом токового резистора и подключен к общему проводу, и сигнальный вход первого мультиплексора подключен ко входу инструментального усилителя.The set task for the device is solved by the fact that a device for bioimpedance studies containing a serially connected microcontroller, a digital-to-analog converter (DAC) and a scale amplifier, an ADC connected by the output to the second port of the microcontroller, two multiplexers, the control inputs of which are connected to the third port a microcontroller, a matrix of electrodes, N electrodes of which are connected to N / 2 outputs of the first multiplexer and N / 2 outputs of the second multiplexer, a current resistor, an instrumental amplifier, the output of which is connected to the second terminal of the current resistor, and a computer, an additional bluetooth is introduced, the input is connected to the fourth port of the microcontroller, and the output to the computer, and the second input of the ADC is connected to the output of the scale amplifier and the signal input of the second multiplexer, the third input of the ADC is connected to the first output of the current resistor and connected to the common wire, and the signal input of the first multiplexer is connected to the input of the instrumental amplifier.
На фиг. 1 представлена модель Максвелла биоткани с тремя параллельными ветвями и четырьмя неизвестными параметрами.FIG. 1 shows the Maxwell model of biological tissue with three parallel branches and four unknown parameters.
На фиг. 2 представлена структурная схема предлагаемого устройства.FIG. 2 shows a block diagram of the proposed device.
На фиг. 3 представлена схема алгоритма реализации предлагаемого способа.FIG. 3 shows a diagram of the algorithm for implementing the proposed method.
На фиг. 4 представлена упрощенная схема измерения биоимпеданса в предлагаемом способе.FIG. 4 shows a simplified scheme for measuring bioimpedance in the proposed method.
На фиг. 5 показана векторная диаграмма токов и напряжений в измерительной цепи.FIG. 5 shows a vector diagram of currents and voltages in the measuring circuit.
На фиг. 6 показана структурная схема синхронного детектора для определения проекции вектора напряжения на токовом резисторе на вектор напряжения, приложенного к биообъекту.FIG. 6 shows a block diagram of a synchronous detector for determining the projection of the voltage vector across the current resistor onto the voltage vector applied to the biological object.
На фиг. 7 представлена схема алгоритма построения графика Коула для одного сочетания пар электродов.FIG. 7 is a schematic diagram of the Cole plotting algorithm for one combination of electrode pairs.
На фиг. 8 показана структура модели Войта.FIG. 8 shows the structure of the Voight model.
На фиг. 9 представлена схема алгоритма построения модели Войта.FIG. 9 shows a diagram of the algorithm for constructing the Voight model.
На фиг. 10 представлена структурная схема нейронной сети для классификации биологических объектов на основе многомерного биоимпедансного анализа.FIG. 10 shows a block diagram of a neural network for the classification of biological objects based on multivariate bioimpedance analysis.
На фиг. 11 представлена схема алгоритма для обучения нейронной сети для классификации биологических объектов на основе многомерного биоимпедансного анализа.FIG. 11 shows a diagram of an algorithm for training a neural network for the classification of biological objects based on multivariate bioimpedance analysis.
На фиг. 12 представлена иллюстрация процесса классификации биоматериала в эксперименте in vivo предлагаемым способом.FIG. 12 shows an illustration of the process of classification of a biomaterial in an experiment in vivo using the proposed method.
На фиг. 13 представлена таблица 1. Формирование данных для обучения нейронной сети первого иерархического уровня NET.FIG. 13 shows table 1. Formation of data for training a neural network of the first hierarchical level NET.
На фиг. 14 представлена таблица 2. Формат данных для обучения нейронной сети второго иерархического уровня.FIG. 14 shows Table 2. Data format for training a neural network of the second hierarchical level.
На фиг. 15 представлена таблица 3. Показатели качества прогнозирования на контрольной выборке.FIG. 15 shows table 3. Indicators of the quality of forecasting on the control sample.
Устройство для классификации биологических объектов (фиг. 2) содержит последовательно соединенные микроконтроллер 1, ЦАП 2, масштабный усилитель 3 и АЦП 4, подключенный выходом ко второму порту микроконтроллера 1, мультиплексор 5, вход управления которого подключен к третьему порту микроконтроллера 1, мультиплексор 6, вход управления которых подключены к третьему порту микроконтроллера 1, а сигнальный вход - к выходу масштабирующего усилителя 3, матрицу электродов 7, подключенную к выходам мультиплексорам 5 и 6, токовый резистор 8, первый вывод которого подключен к общему проводу, а второй соединен с сигнальным входом мультиплексора 5 и входом инструментального усилителя 9, выход которого подключен ко второму входу АЦП 4, третий выход которого подключен к общему проводу, блютус 10, подключенный к четвертому порту микроконтроллера и ЭВМ 11, подключенная к блютусу 10.The device for the classification of biological objects (Fig. 2) contains a series-connected
Способ реализуется посредством программы, прошитой в микроконтроллере 1 согласно алгоритму, схема которого представлена на фиг. 3. Процесс классификации биообъекта начинается с формирования графиков Коула для всех попарных сочетаний матрицы электродов 7.The method is implemented by means of a program that is stitched into the
Реальная и мнимая составляющие биоимпеданса рассчитываются как проекции вектора комплексного биоимпеданса на соответствующие оси. Метод вычисления предполагает определение реальной и мнимой составляющей комплексного напряжения на токовом резисторе 8 и на их построение графиков Коула.The real and imaginary components of bioimpedance are calculated as projections of the complex bioimpedance vector on the corresponding axes. The calculation method involves the determination of the real and imaginary components of the complex voltage across the
На фиг. 4 изображена упрощенная схема измерения биоимпеданса. Токовый резистор 8 подобран таким образом, чтобы на нем падало как можно меньшее напряжение.FIG. 4 shows a simplified bioimpedance measurement circuit.
Ток в токовом резисторе 8 равен току в биообъектеThe current in the
где - вектор падения напряжения на токовом резисторе 8, R - резистора 8.where is the vector of the voltage drop across the
Векторная диаграмма, поясняющая принцип вычисления биоимпеданса, представлена на фиг. 5.A vector diagram explaining the principle of calculating bioimpedance is shown in FIG. five.
Для расчета реальной и мнимой составляющих биоимпеденса необходимо определить угол ϕ или проекцию вектора на вектор Для этого воспользуемся схемой синхронного детектирования, представленной на фиг. 6.To calculate the real and imaginary components of bioimpedence, it is necessary to determine the angle ϕ or the projection of the vector per vector To do this, we will use the synchronous detection circuit shown in FIG. 6.
Учитывая, что комплексный вектор напряжения на биообъекте (БО) и комплексный вектор напряжения на токовом резисторе и руководствуясь процедурами обработки сигнала, представленной на рисунке 7, получимConsidering that the complex vector of stress on a biological object (BO) and the complex vector of the voltage across the current resistor and guided by the signal processing procedures shown in Figure 7, we obtain
После низкочастотной фильтрации (4) получаемAfter low-frequency filtering (4), we obtain
Угол ϕ находим из (5), если известно UR_RE. Величину UR_RE получаем на выходе схемы (фиг. 7). Цифровые отсчеты UR_RE[i], то есть отсчеты на выходе умножителя схемы (фиг. 7), находим по отсчетам UБО[i] и UR[i], снимаемых с соответствующих АЦП схемы (фиг. 5), согласно схемы детектирования, представленной на фиг. 6:The angle ϕ is found from (5) if U R_RE is known. The value U R_RE is obtained at the output of the circuit (Fig. 7). Digital samples U R_RE [i], that is, the samples at the output of the circuit multiplier (Fig. 7), we find from the samples U BO [i] and U R [i], taken from the corresponding ADC circuit (Fig. 5), according to the detection circuit shown in FIG. 6:
Процедура (6) реализуется программно.Procedure (6) is implemented in software.
Напряжения UR_RE определяется также программно путем низкочастотной фильтрации (6) по формулеThe voltage U R_RE is also determined programmatically by low-frequency filtering (6) according to the formula
где UАЦП[i] - отсчеты выходных напряжений АЦП в вольтах;where U ADC [i] - readings of the ADC output voltages in volts;
N - количество отсчетов на 10 периодах зондирующего тока.N is the number of counts for 10 periods of the probing current.
Разность фаз определяем из (5).The phase difference is determined from (5).
Перейдем теперь к расчету модуля биоимпеданса.We now turn to the calculation of the bioimpedance modulus.
Согласно закону Ома модуль комплексного сопротивления выражается следующей формулой:According to Ohm's law, the modulus of complex resistance is expressed by the following formula:
где UВЫХ=UБО - амплитуда напряжения на выходе ЦАП.where U OUT = U BO is the voltage amplitude at the DAC output.
Подставляя в (8) ток на резисторе R из (3), получимSubstituting in (8) the current across the resistor R from (3), we get
Активная составляющая Zre и реактивная составляющая Zim определяются путем умножения модуля комплексного биоимпеданса |Z| на косинус и синус разности фаз:The active component Z re and the reactive component Z im are determined by multiplying the modulus of complex bioimpedance | Z | on the cosine and sine of the phase difference:
Алгоритм построения графика Коула для одного сочетания пар электродов представлен на фиг. 7.A Cole plotting algorithm for one combination of electrode pairs is shown in FIG. 7.
В блоке 1 выбирается линейка исследуемых частот. На каждой из М выбранных частот в блоках 2…5 определяется импеданс биообъекта. На каждой частоте выполняется 10 измерений биоимпеданса (блоки 3…5) с последующим усреднением (блок 6). График Коула выводится в блоке 7.In
После получения графиков Коула для всех направлений зондирования приступаем к построению моделей Войта для каждого из этих направлений. Структура этой модели (фиг. 8) состоит из последовательно связанных звеньев, каждое из которых моделирует конечную проводимость с соответствующей постоянной времени. Эта модель находит основное применение при описании проводимости (импеданса) в объеме негомогенных средах, то есть когда каждому элементарному, локальному объему присущи определенная проводимость и собственная постоянная времени. Модель состоит из последовательно соединенных звеньев параллельно соединенных конденсатора и емкости. Импеданс модели (одна точка на графике Коула при частоте со) определяется согласно формулеAfter receiving the Cole plots for all sounding directions, we start building Voight models for each of these directions. The structure of this model (Fig. 8) consists of sequentially connected links, each of which simulates the final conductivity with a corresponding time constant. This model finds its main application in describing the conductivity (impedance) in the volume of inhomogeneous media, that is, when each elementary, local volume has a certain conductivity and its own time constant. The model consists of series-connected units of a parallel-connected capacitor and a capacitor. The impedance of the model (one point on the Cole plot at frequency ω) is determined according to the formula
Для получения модели Войта используется алгоритм, схема которого представлена на фиг. 9.To obtain the Voigt model, an algorithm is used, the diagram of which is shown in Fig. nine.
Исходными данными для алгоритма являются графика Коула полученные при реализации процедуры в блоках 3 и 4 алгоритма фиг. 6. Так как алгоритм фиг. 9 является итерационным, то на входе необходимо задать оптимизируемый функционал (его допустимое значение εдоп) и предельное число итераций L (блок 1). В блоке 3 решается система из нелинейных уравнений. Значение инкрементируется на единицу от итерации к итерации. В первой итерации используются только две частоты из L имеющихся.The initial data for the algorithm are the Cole graphs obtained during the implementation of the procedure in
Первую точку на графике Коула можно выбрать в центре частотного диапазона. При выборе двух точек на графике Коула (модель Войта состоит из двух звеньев) диапазон Ωmax-Ωmin делим пополам и в качестве начальных частот выбираем медианы полученных поддиапазонов. Например, при двадцати частотах на отрезке Ωmax-Ωmin можем выделить девятнадцать интервалов в этом частотном диапазоне и получить двадцатизвенную модель Войта. При необходимости частоты могут быть скорректированы в интерактивном режиме в виде вариационного ряда, упорядоченного по релевантности частот.The first point on the Cole plot can be selected at the center of the frequency range. When choosing two points on the Cole graph (Voight's model consists of two links), we divide the range Ω max -Ω min in half and select the medians of the obtained sub-bands as the initial frequencies. For example, at twenty frequencies in the segment Ω max -Ω min, we can select nineteen intervals in this frequency range and get a twenty-term Voight model. If necessary, the frequencies can be corrected interactively in the form of a variation series, sorted by frequency relevance.
Модель Войта строится посредством решения системы нелинейных уравнений, полученных на основе графика Коула. Например, модель Войта для одного звенаVoight's model is constructed by solving a system of nonlinear equations derived from the Cole graph. For example, Voight's model for one link
где a(ω) и b(ω) - координаты точки на графике Коула при ω=const. Определяем C1 и R1 при ω=const.where a (ω) and b (ω) are the coordinates of a point on the Cole plot at ω = const. Determine C 1 and R 1 at ω = const.
Вычисляем в блоке 4 теоретическую амплитудно-частотную характеристику (АЧХ) согласно уравнению (12) при вычисленных согласно системы уравнений (13) C1 и R1, и сравниваем ее с экспериментальной (графиком Коула) в блоке 5. Ошибка аппроксимации ε (блок 5) определяется, например, по евклидову расстоянию, и сравнивается с допустимой ошибкой εдоп (блок 6).We calculate in
Если ошибка меньше допустимой, то итерационный процесс построения модели заканчивается в блоке 9. В противном случае к модели добавляется еще одно звено (блок 8) и модель Войта строится заново, то есть решается новая система нелинейных уравнений с добавлением очередной частоты - двух значений параметров импеданса на очередной частоте графика Коула. Перед инкриминированием параметра осуществляется проверка на выход его за предельное значение (блок 8). При выходе этого параметра за предельное значение параметры модели Войта не переопределяются, а выводятся в качестве пространства информативных признаков.If the error is less than the allowable one, then the iterative process of building the model ends in block 9. Otherwise, one more link is added to the model (block 8) and the Voight model is built anew, that is, a new system of nonlinear equations is solved with the addition of the next frequency - two values of the impedance parameters at the next frequency on Cole's chart. Before incriminating the parameter a check is carried out for its going beyond the limit value (block 8). When this parameter goes beyond the limit value, the parameters of the Voight model are not redefined, but are displayed as a space of informative features.
Модель Войта для двухзвенной модели использует две точки на графике Коула и имеет видVoight's model for the two-link model uses two points on the Cole plot and has the form
После решения уравнения (14) получаем новые параметры двухполюсников в модели Войта и повторяем процедуры блоков 4, 5 и 6. Если точность аппроксимации не удовлетворительная, то добавляем в систему уравнений (14) еще два уравнения, решаем ее и строим модель (12) заново.After solving equation (14), we obtain new parameters of two-port networks in the Voigt model and repeat the procedures of
Модель Войта строится для каждого графика Коула в результате чего получаем множество {CiRi}j, где Ci и Ri - параметры i-го звена j--й модели Войта, После построения моделей Войта для всех N/2 направлений (геометрических) зондирования посредством блоков 7 и 8 фиг. 4 преобразуем пространство информативных признаков {CiRi}j в пространство квазирезонансных частот где The Voigt model is built for each Cole graph, as a result of which we obtain the set {C i R i } j , where C i and R i are the parameters of the i-th link of the j-th Voigt model, After constructing Voigt models for all N / 2 directions (geometric) sounding by means of
Таким образом, построили матричное пространство информативных признаков с размерностью матрицы Для построения классификатора по этому пространству информативных признаков используем обучаемые нейронные сети с иерархической структурой. На первом иерархическом уровне имеем N/2 нейронных сетей, каждая из которых имеет один выход и входов. Выход нейронной сети первого иерархического уровня показывает уверенность в принадлежности биоматериала к классу функционального состояния, на который была обучена нейронная сеть. Нейронные сети первого иерархического уровня обучаются по одним и тем же обучающим выборкам. Выходы нейронных сетей лежат в диапазоне от нуля до единицы. При это классификация ведется по двум классам "класс интереса" и класс "все остальное". На втором иерархическом уровне имеется только одна нейронная сеть с одним выходом и числом входов, равным числу нейронных сетей на первом иерархическом уровне. Структурная схемам классификатора представлена на фиг. 10.Thus, we have constructed a matrix space of informative features with the dimension of the matrix To construct a classifier for this space of informative features, we use trained neural networks with a hierarchical structure. At the first hierarchical level, we have N / 2 neural networks, each of which has one output and inputs. The output of the neural network of the first hierarchical level shows confidence in the belonging of the biomaterial to the class of the functional state for which the neural network was trained. Neural networks of the first hierarchical level are trained using the same training samples. Neural network outputs range from zero to one. In this case, the classification is carried out in two classes "class of interest" and the class "everything else". At the second hierarchical level, there is only one neural network with one output and the number of inputs equal to the number of neural networks at the first hierarchical level. The block diagram of the classifier is shown in Fig. 10.
Классификатор обучается согласно алгоритму, представленному на фиг. 11. В блоке 38 формируются обучающая выборка для обучения нейронной сети NET фиг. 10. Обучающие выборки формируются на основе исследования биоматериала пациентов, которые находятся в определенном функциональном состоянии. В качестве примера была взята группа пациентов, больных пневмонией с четко поставленным диагнозом (рентгенография, рентгеновская томография, данные лабораторного анализа) и группа волонтеров без легочных патологий. Диагнозы кодируются символами "0" и "1". Из полученной обучающей выборки методом скользящего экзамена формируются контрольные выборки (блок 39 фиг. 11). Для получения данных биоимпедансного анализа на грудную клетку пациента надевают электродный пояс и определяют графики Коула, соответствующие определенному сочетанию электродов. Процесс их получения иллюстрирует фиг. 12. Графики Коула определяются согласно схеме алгоритма фиг. 7. Пространство информативных признаков определяется для каждой нейронной сети группы NET1 посредством выполнения алгоритма фиг. 9. Формат данных для таблицы "объект -признак" представлен на фиг. 13 в таблице 1.The classifier is trained according to the algorithm shown in FIG. 11. In
В цикле в блоке 41 фиг. 11 идет обучение нейронных сетей этой группы. После обучения всех нейронных сетей первого иерархического уровня формируется таблица "объект - признак" для нейронной сети NET2 (блок 44). Формат данных в этой таблице представлен на фиг. 14 в таблице 2. Строки в ней, как и на фиг. 14 в таблице 1, являются пациенты с диагнозом пневмония и пациенты со здоровыми легкими. В качестве независимых переменных в этой таблице выступают выходы нейронных сетей первого иерархического уровня. В блоке 45 осуществляется обучений нейронной сети NET2, а в блоке 46 осуществляют определение показателей качества классификации на контрольных выборках сети NET в целом.In the loop at
Показатели качества диагностики по классам "пневмония - нет пневмонии" для одной из контрольных выборок представлены на фиг. 15 в таблице 3. Показатели качества диагностики предлагаемого способа сравнивались, как с прототипом, с показателями качества рентгеновских исследований на той же контрольной выборке.The indicators of the quality of diagnostics for the classes "pneumonia - no pneumonia" for one of the control samples are presented in Fig. 15 in table 3. Indicators of the quality of diagnostics of the proposed method were compared, as with the prototype, with indicators of the quality of X-ray studies on the same control sample.
Анализируя таблицу 3 фиг. 15, приходим к выводу, что на данной контрольной выборке оба способа имеют практически одинаковые диагностические эффективности, но биоимпедансные исследования превосходят рентгенологические по специфичности и несколько уступают по чувствительности, что позволяет рекомендовать их в клиническую практику. Способ классификации биологических объектов на основе многомерного биоимпедансного анализа и устройство для его реализации.Analyzing Table 3 of FIG. 15, we come to the conclusion that in this control sample both methods have practically the same diagnostic efficiency, but bioimpedance studies are superior to radiological studies in specificity and are somewhat inferior in sensitivity, which allows them to be recommended for clinical practice. A method for classifying biological objects based on multivariate bioimpedance analysis and a device for its implementation.
Claims (1)
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
RU2020115879A RU2752594C1 (en) | 2020-05-15 | 2020-05-15 | Method for classifying biological objects based on multidimensional bioimpedance analysis and device for its implementation |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
RU2020115879A RU2752594C1 (en) | 2020-05-15 | 2020-05-15 | Method for classifying biological objects based on multidimensional bioimpedance analysis and device for its implementation |
Publications (1)
Publication Number | Publication Date |
---|---|
RU2752594C1 true RU2752594C1 (en) | 2021-07-29 |
Family
ID=77226282
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
RU2020115879A RU2752594C1 (en) | 2020-05-15 | 2020-05-15 | Method for classifying biological objects based on multidimensional bioimpedance analysis and device for its implementation |
Country Status (1)
Country | Link |
---|---|
RU (1) | RU2752594C1 (en) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
RU2793973C1 (en) * | 2022-05-25 | 2023-04-11 | Федеральное государственное бюджетное учреждение науки Сибирский федеральный научный центр агробиотехнологий Российской академии наук (СФНЦА РАН) | Method for diagnosing fungal diseases of pine strawberry |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
RU2107460C1 (en) * | 1996-05-28 | 1998-03-27 | Акционерное общество закрытого типа "Нейроком" | Method and device for recording galvanic skin responses |
EP1598093A2 (en) * | 2004-05-19 | 2005-11-23 | Pacesetter, Inc. | System for automated fluid monitoring |
MX2011009610A (en) * | 2009-03-16 | 2011-11-04 | Critical Perfusion Inc | Systems and method for characteristic parameter estimation of gastric impedance spectra in humans. |
JP5491362B2 (en) * | 2003-09-12 | 2014-05-14 | レナル リサーチ インスティテュート エルエルシー | Bioimpedance method and apparatus |
KR101627941B1 (en) * | 2014-12-05 | 2016-06-07 | 한국 한의학 연구원 | Apparatus and method of reproducing body cole-model using estimation of cole-cole plot factor |
WO2019093115A1 (en) * | 2017-11-08 | 2019-05-16 | 株式会社タニタ | Body composition scale and body composition measurement program |
US20190216358A1 (en) * | 2018-01-12 | 2019-07-18 | NovaScan, Inc. | Techniques for predicting recurrence of cancerous cells using impedance detection |
EP3570742A1 (en) * | 2017-01-23 | 2019-11-27 | Novascan, Inc. | Techniques for detecting cancerous cells in excised tissue samples using impedance detection |
-
2020
- 2020-05-15 RU RU2020115879A patent/RU2752594C1/en active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
RU2107460C1 (en) * | 1996-05-28 | 1998-03-27 | Акционерное общество закрытого типа "Нейроком" | Method and device for recording galvanic skin responses |
JP5491362B2 (en) * | 2003-09-12 | 2014-05-14 | レナル リサーチ インスティテュート エルエルシー | Bioimpedance method and apparatus |
EP1598093A2 (en) * | 2004-05-19 | 2005-11-23 | Pacesetter, Inc. | System for automated fluid monitoring |
MX2011009610A (en) * | 2009-03-16 | 2011-11-04 | Critical Perfusion Inc | Systems and method for characteristic parameter estimation of gastric impedance spectra in humans. |
KR101627941B1 (en) * | 2014-12-05 | 2016-06-07 | 한국 한의학 연구원 | Apparatus and method of reproducing body cole-model using estimation of cole-cole plot factor |
EP3570742A1 (en) * | 2017-01-23 | 2019-11-27 | Novascan, Inc. | Techniques for detecting cancerous cells in excised tissue samples using impedance detection |
WO2019093115A1 (en) * | 2017-11-08 | 2019-05-16 | 株式会社タニタ | Body composition scale and body composition measurement program |
US20190216358A1 (en) * | 2018-01-12 | 2019-07-18 | NovaScan, Inc. | Techniques for predicting recurrence of cancerous cells using impedance detection |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
RU2793973C1 (en) * | 2022-05-25 | 2023-04-11 | Федеральное государственное бюджетное учреждение науки Сибирский федеральный научный центр агробиотехнологий Российской академии наук (СФНЦА РАН) | Method for diagnosing fungal diseases of pine strawberry |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US8594780B2 (en) | Method for analyzing the structure of an electrically conductive object | |
Baidillah et al. | Electrical impedance spectro-tomography based on dielectric relaxation model | |
CN102307524B (en) | System and method for characteristic parameter estimation of gastric impedance spectra in humans | |
WO2007009183A1 (en) | Index determination | |
CN109745046B (en) | Electrical impedance imaging electrode and system suitable for motion state | |
CN107003296A (en) | Hemolysis test method and system | |
Mylott et al. | Bioelectrical impedance analysis as a laboratory activity: At the interface of physics and the body | |
CN111887847A (en) | Visceral fat measuring method and device based on human body composition meter, computer equipment and storage medium | |
Cabrera-López et al. | Structured approach and impedance spectroscopy microsystem for fractional-order electrical characterization of vegetable tissues | |
CN113100740A (en) | Abdominal component analyzer and analysis method thereof | |
CN109662712A (en) | A kind of dynamic multi-frequency impedance tomograph imaging method based on impedance spectrum constraint | |
CN103713018B (en) | Water-injected meat method for quick | |
RU2752594C1 (en) | Method for classifying biological objects based on multidimensional bioimpedance analysis and device for its implementation | |
AU2007266311A1 (en) | Impedance measurements | |
El Fezazi et al. | PSoC-Based Embedded Instrumentation and Processing of sEMG Signals | |
Freeborn | Bioimpedance analysis using fractional-order equivalent electrical circuits | |
Clemente et al. | Electrical impedance spectral measurements of muscular tissue in different physiological condition | |
Xiang et al. | Image Reconstruction for Multi-frequency Electromagnetic Tomography based on Multiple Measurement Vector Model | |
Al-Ali | Design and implementation of a magnitude only bio-impedance analyzer | |
Bozorov et al. | Methodology of Teaching the Subject of" Electrical Conductivity and Resistance of Organs" Based on the Integration of Sciences. | |
Khomidjonov | INTERDISCIPLINARY INTEGRATION IS A NECESSARY CONDITION OF MODERN EDUCATION | |
CN114176558A (en) | Local fat layer thickness analyzer based on multi-electrode organism impedance measurement | |
Liu et al. | Research on Intelligent Abnormal Body Weight Monitoring Algorithm Based on Fat Depth Learning | |
WO2022146270A1 (en) | An ann based single calibration impedance measurement system for skin impedance range | |
Fidaner et al. | Wavelet Transform Analysis of Bio-impedance Spectroscopy for Accurate Cancer Detection |