基于模糊神经网络的输液监控系统设计

技术创新

中文核心期刊《微计算机信息》（测控自动化）２００７年第２３卷第１２－１期

３６０元／年邮局订阅号：８２－９４６《现场总线技术应用２００例

》

数采与监测基于模糊神经网络的输液监控系统设计ＡＴｒａｎｓｆｕｓｉｏｎＭｏｎｉｔｏｒＢａｓｅｄｏｎＦｕｚｚｙＮｅｕｒａｌＮｅｔｗｏｒｋ（山东理工大学）贾少青陈平ＪＩＡＳＨＡＯＱＩＮＧＣＨＥＮＰＩＮＧ

摘要：以ＭＳＰ４３０ＭＣＵ为控制核心，结合输液传感器、电动执行器、液晶显示、键盘等，实现了对输液过程的自动监控。由于输液系统是一个非线性、时变、滞后的复杂控制对象，采用传统的控制策略难以取得良好的实时监控效果。本文介绍了一种基于模糊神经网络模型的控制方法，该方法结合了模糊逻辑控制和神经网络的优点，利用神经网络记忆模糊规则和实

现模糊控制，并利用误差反向传播算法实现当控制对象参数变化时控制器的在线自学习。从而能快速、准确的对实测数据进行综合、分析和处理，达到智能实时控制的效果。经试验，其控制精确，运行可靠且系统体积小、成本低、操作简便，具有推广应用价值。

关键词：输液监控；模糊神经网络；ＭＳＰ４３０单片机；步进电机

中图分类号：ＴＰ２７３文献标识码：Ａ

Ａｂｓｔｒａｃｔ：Ｔｈｅｍｏｎｉｔｏｒｃｏｍｂｉｎｅｓｔｈｅｔｒａｎｓｆｕｓｉｏｎｓｅｎｓｏｒ，ｔｈｅｅｌｅｃｔｒｉｃａｐｐａｒａｔｕｓ，ｔｈｅＬＣＤｓｃｒｅｅｎ，ｔｈｅｋｅｙｂｏａｒｄａｎｄｔｈｅＭＳＰ４３０ＭＣＵ

ａｓｔｈｅｃｏｒｅｏｆｃｏｎｔｒｏｌｔｏｒｅａｌｉｚｅａｕｔｏｍａｔｉｃｍｏｎｉｔｏｒｆｏｒｔｒａｎｓｆｕｓｉｏｎｐｒｏｃｅｓｓ．Ｂｅｃａｕｓｅｔｒａｎｓｆｕｓｉｏｎｓｙｓｔｅｍｉｓｎｏｎｌｉｎｅａｒａｎｄｃｏｍｐｌｅｘ，ｗｈｉｃｈｃｈａｎｇｅｓｎｏｗａｎｄｔｈｅｎａｎｄｌａｇｓｂｅｈｉｎｄｈｏｕｒ，ｃｏｎｖｅｎｔｉｏｎａｌｃｏｎｔｒｏｌｍｅｔｈｏｄｃａｎｈａｒｄｌｙｏｂｔａｉｎｂｅｎｉｇｎｒｅａｌｔｉｍｅｍｏｎｉｔｏｒｅｆｆｅｃｔ．Ｔｈｉｓａｒｔｉ－ｃｌｅｉｎｔｒｏｄｕｃｅｄａｃｏｎｔｒｏｌｍｅｔｈｏｄｂａｓｅｄｏｎｆｕｚｚｙｎｅｕｒａｌｎｅｔｗｏｒｋ，ｗｈｉｃｈｉｎｔｅｇｒａｔｅｓｔｈｅｅｘｃｅｌｌｅｎｃｅｓｏｆｆｕｚｚｙｌｏｇｉｃａｌｃｏｎｔｒｏｌａｎｄｎｅｕｒａｌｎｅｔｗｏｒｋ．Ｔｈｅｍｅｔｈｏｄｕｓｅｓｎｅｕｒａｌｎｅｔｗｏｒｋｔｏｒｅｍｅｍｂｅｒｆｕｚｚｙｒｕｌｅａｎｄａｃｈｉｅｖｅｆｕｚｚｙｃｏｎｔｒｏｌａｎｄｕｓｅｓｅｒｒｏｒｂａｃｋｐｒｏｐａｇａｔｉｏｎｔｏｒｅａｌｉｚｅｏｎｌｉｎｅｓｅｌｆ－ｌｅａｒｎｉｎｇｗｈｅｎｔｈｅｃｏｎｔｒｏｌｏｂｊｅｃｔｐａｒａｍｅｔｅｒｈａｓｃｈａｎｇｅｄ．Ｓｏｉｔｃａｎｃｏｌｌｉｇａｔｅ，ａｎａｌｙｓｉｓａｎｄｄｉｓｐｏｓｅｄａｔａｑｕｉｃｋｌｙａｎｄｅｘａｃｔｌｙｔｏａｃｈｉｅｖｅｉｎｔｅｌｌｉｇｅｎｔｃｏｎｔｒｏｌ．Ｔｈｒｏｕｇｈｅｘａｍｉｎａｔｉｏｎ，ｔｈｉｓｍｏｎｉｔｏｒｍａｎａｇｅｓａｃｃｕｒａｔｅｌｙ，ｒｕｎｓｃｒｅｄｉｂｉｌｉｔｙ，ａｎｄｉｔｓｓｍａｌｌｂｕｌｋ，ｌｏｗｃｏｓｔａｎｄｃｏｎｖｅｎｉｅｎｔｍａｎｉｐｕｌａｔｉｏｎｍａｋｅｓｉｔｗｏｒｔｈｐｏｐｕｌａｒｉｚｉｎｇａｎｄａｐｐｌｙｉｎｇ．ＫｅｙＷｏｒｄｓ：ｔｒａｎｓｆｕｓｉｏｎｃｏｎｔｒｏｌ，ＦｕｚｚｙＮｅｕｒａｌＮｅｔｗｏｒｋ，ＭＳＰ４３０ＭＣＵ，ｓｔｅｐｍｏｔｏｒ

文章编号：１００８－０５７０（２００７）１２－１－０１０４－０３

引言目前，我国的大部分医疗机构进行点滴注射时，大都采用传统的人工监护手动控制方法。由于医护人员少病人多，容易发

生引发医疗事故。因此采用自动化监控和管理是势在必行，而本系统的开发为解决这类问题提供了较为有效的方法，并具有较好的社会效益和经济效益。

由于输液系统是一个非线性、时变、滞后的复杂控制对象，

采用传统的控制策略难以取得良好的控制品质和实时监控效果。而模糊神经网络结合了模糊逻辑控制和神经网络的优点，

利用神经网络记忆模糊规则，实现模糊控制。它具有大容量并行处理、分布存储、智能化模糊分类的特点以及具有自组织、自学习和处理系统内在的难以解析表达的规律性的能力，从而为

解决这类复杂控制问题提供了一种简便、有效的途径。本系统利用神经网络的反向传播算法实现了当控制对象参数变化时控制器的在线自学习，可以快速、准确的对实测数据进行综合、分析和处理，来控制步进电机，使其根据现状迅速地做出反应，达到智能实时控制的效果。经试验，其控制精确，运行可靠且系统体积小、成本低、操作简便，具有较好的推广和应用价值

。

１系统总体组成结构及硬件设计

系统以ＭＳＰ４３０单片机为控制核心，包括红外光电式输液

传感器、锁相环、液晶显示、按键扫描、步进电机控制、超限报警和串口通信等几个主要模块。如图１所示：

图１输液监控系统组成框图１．１监控器主机及功能监控器主机采用ＴＩ公司的ＭＳＰ４３０系列单片机，它是一种具有ＳＯＣ特点的超低功耗的混合信号控制器，工作电压低、处理能力强，具有多种工作模式可使器件达到最低的功耗，特别适

用于电池供电的测控系统。其内部集成的数字控制振荡器可使器件从低功耗模式迅速唤醒，在不到６微秒的时间内即可激活到工作状态；另外，其内部集成了大量的外围模块和温度传感器，因而极大的减少了外围元件和外部电路，减小了监控器体积，大大提高了系统的可靠性和稳定性。其开发环境方便、高效，

开发语言可使用汇编语言或Ｃ语言。

监控器的主要任务是：接收设置信息、实时显示当前的检测贾少青：硕士研究生

基金项目：山东省自然科学基金（２００４ＺＸ３４）

１０４－－邮局订阅号：８２－９４６３６０元／年

技术创新

数采与监测

《ＰＬＣ技术应用２００例》您的论文得到两院院士关注

和处理的数据、接收并处理传感器的信号、通过模糊神经网络计算出调整量并控制步进电机调整输液速度、扫描按键、超限报警、与上位机通信、在线自学习等。

１．２红外光电式输液传感器本系统对液体点滴速度和液位高度的检测采用红外光电式传感器，红外光电式传感器由水平方向的红外光发射元件和接收检测传感元件组成，使用时将一次性输液器的莫菲氏滴管放置在传感器的检测点上，红外光发射器和红外接收器分别安装在窗口两侧。当药液在重力的作用下以自由落体的方式滴下，

并通过仪器红外观测窗口时，液滴对红外发射器发出的红外光线产生阻挡作用，红外接受器不能接收到红外光，即红外接收器将检测到这个阻挡信号。为提高系统抗可见光干扰的性能，

系统采用了调制解调和滤波技术，电路原理图如图２所示。

图２传感器信号处理电路１．３锁相环频率合成技术由于在输液过程中液体的滴速比较低，为了缩短采样时间，

本系统采用了锁相环频率合成技术，即先对被测信号进行倍频处理，然后再对它进行采样，这样既缩短了采样和调整时间，又保证了采样精度。

１．４步进电机步进电机是一种将电脉冲转化为角位移的执行元件。当步进驱动器接收到一个脉冲信号，便驱动步进电机按设定的方向

转动一个固定的角度（称为“步距角”），它的旋转是以固定的角度一步一步进行的。系统控制器可以通过控制脉冲个数来控制角位移量，准确定位；同时可以通过控制脉冲频率来控制电机转动的速度和加速度，使电机正转或反转带动夹持器夹紧或放松滴管，从而达到调节滴速的目的。

１．５网络化管理监控器可以单独使用，也可以结合上位机构成监控网络体

系。一个上位机能够同时连接几十甚至几百个监控器，护理人员可通过上位机查看和设定各个监控器的数据信息。遇到紧急情况时，上位机也会发出报警，医护人员可以直接在上位机发出

信息，命令监控器停止输液。系统采用串口通信来实现上位机与各个监控器间的信息传输，不方便布线的场所可以采用无线传输模块进行无线通信。

２模糊神经网络

模糊神经网络控制是模糊逻辑控制技术与神经网络技术相结合的产物，其显著特点是可以用语言方式来表达复杂的非线性系统。它可以任意逼近非线性；可学习和适应不知道或不确定的系统；能快速处理实时性高的场合；具有一定的容错能力

和鲁棒性。因而，特别适合应用于复杂的不确定系统的控制。

图３模糊神经网络模糊神经网络算法在系统中的应用方法如下：首先将根据红外光电式传感器传入的信息计算得到的滴速和用户输入的要求滴速相比较，计算出二者的误差ｅ，同时计算出误差变化率ｄｅ／

ｄｔ。再将这两组数据通过模糊论域模糊化，

作为神经网络的输入

值。最后将网络得到的输出值解模糊，转化到控制领域的范围内，对步进电机进行实时控制（如图３）。通过ＢＰ学习算法来训练网络，网络的训练过程可以在ＰＣ机上独立完成，也可以在单片机上实现。

２．１模糊神经网络建模模糊神经网络控制主要涉及以下３方面的问题：

（１）精确量的模糊化，即把语言变量的语言值化为某适当论域上的模糊子集。对误差、误差变化率和控制量采用“正大”（ＰＢ）、

“正中”（ＰＭ）、“正小”（ＰＳ）、“零”（０）、“负小”（ＮＳ）、“负中”（ＮＭ）、“负大”（ＮＢ）７个语言变量值来描述。隶属函数采用正态函数公式：

（ｘ）＝（２）控制算法设计。控制算法设计采用最大最小推理法进行模糊推理。用一个三层ＢＰ网络代替模糊控制规则，进行模糊逻辑推理。在网络输入层输入误差和误差变化率的模糊子集，输出层输出推理所得的控制量的模糊集。

（３）输出信息的模糊判决，并完成由模糊量到精确量的转化。采用最大隶属度判决法，这种方法简便易行且实时性好。

２．２ＢＰ神经网络本系统采用神经网络中的误差反向传播（ＢＰ）算法来推理和学习。ＢＰ算法的基本思想是，学习过程由信号的正向传播和误

差的反向传播两个过程组成。正向传播时，输入样本从输入层传入，经各隐层逐层处理后，传向输出层。若输出层的实际输出

与期望的输出（教师信号）不符，则转入误差的反向传播阶段。误差反传是将输出误差以某种形式通过隐层向输入层逐层反传，

并将误差分摊给各层的所有单元，从而获得各层单元的误差信号，此误差信号即为修正各单元权值的依据。这种信号正向传播与误差反向传播的各层权值调整过程，是周而复始地进行的。

权值不断调整的过程，也就是网络的学习训练过程。此过程一直进行到网络输出的误差减少到可接受的程度，或进行到预先设

定的学习次数为止。

在ＢＰ算法的多层前馈网络的应用中，应用最为普遍的是单隐层网络。单隐层前馈网络也叫三层前馈网（图４），包括输入层、隐层和输出层。

三层前馈网中，输入向量为Ｘ＝（ｘ１，ｘ２……ｘｎ）Ｔ

，可为隐层神

经元引入阈值；隐层输出向量为Ｙ＝（ｙ１，ｙ２……ｙｍ）Ｔ

，可为输出层

神经元引入阈值；输出层输出向量为Ｏ＝（ｏ１，ｏ２……ｏｌ）Ｔ

；

期望输

出向量为ｄ＝（ｄ１，ｄ２……ｄｌ）Ｔ

．输入层到隐层的权值矩阵用Ｖ表示

Ｖ＝（ｖ１，ｖ２…ｖｔ…ｖｍ）Ｔ，其中列向量ｖｔ为隐层第ｔ个神经元对应的权向量；隐层到输出层的权值矩阵用Ｗ＝（ｗ１，ｗ２…ｗｔ…ｗｌ）Ｔ