基于信號質量檢測的腕式生理監測系統*

徐志紅， 趙 湛

(1.中國科學院 電子學研究所，北京 100190；2.中國科學院大學，北京 100190)

0 引 言

腕式生理監測系統因其體積小，便于攜帶，同時可監測健康狀態等優點，成為研究熱點。文獻[1]設計了一種測量耳部脈搏波的生理監測系統，用以計算實時脈率；文獻[2]設計了一種手持式多參數生理監測系統，可實現脈率、心率、呼吸和血氧飽和度的同步檢測。以上設備雖實現了監測脈率的功能，但由于不能智能識別佩戴狀態，未佩戴時，由于噪聲的干擾，計算顯示的脈率不準確，在實際應用中，具有一定的局限性。傳統的解決方法是應用濾波器濾除噪聲干擾，但因噪聲具有隨機和帶寬不固定的特點，傳統的固定頻寬濾波器不能將噪聲完全濾除。而自適應濾波器因其計算復雜度較高，不適宜應用于嵌入式設備中。

針對這一問題，本文設計了一種基于信號檢測的腕式生理監測系統，嵌入了一種基于循環自相關的信號檢測算法用以智能檢測佩戴狀態，通過對循環自相關曲線中極大值點的幅值與標準曲線的幅值進行比較，得出信號質量參數，依據信號質量參數，結合閾值法，將信號標記為佩戴與不佩戴兩大類。佩戴時，腕式生理監測系統，實時顯示脈率和時間；不佩戴時，顯示時間信息，脈率顯示0。

1 硬件平臺

圖1為設備的硬件架構，由微處理器單元，信號采集單元，顯示單元，傳輸單元及電源管理單元五部分組成。設備的微處理單元主要由ARM架構下的STM32F405組成，用于協調控制各個單元。

圖1 硬件架構

血氧模塊由血氧傳感器及血氧采集單元共同組成，血氧傳感器采用反射式測量方式，由發光器件和接收器件組成。發光器件產生波長為519 nm的綠光，發光電流為50 mA；接收器件采用接收面積大，靈敏度高，暗電流小和噪聲低的PIN型光敏二極管，將接收到的光信號轉換、放大為電信號。血氧采集單元將血氧傳感器采集的模擬信號通過A/D模塊轉換成數字信號。通過通用同步異步收發機(universal synchronous asynchronous receiver transmitter,USART)與微處理器單元進行通信，用于進一步數據處理。

為實現組網和智能設備實時通信的功能，傳輸模塊包括了ZigBee和藍牙兩部分。ZigBee模塊以CC2540為核心，實現65 000個從設備同時組網，網絡容量大。藍牙是一種短距離無線通信的技術規范，可實現腕表與智能機之間的即時通信。傳輸模塊均通過USART與微處理單元通信。

顯示模塊用于數據的實時顯示，由液晶屏控制單元和液晶屏兩部分組成。液晶屏控制單元通過USART與微處理器單元進行即時通信，接收和發送指令；液晶屏采用定制的LED屏，實現全彩顯示。

同時，為降低系統功耗，電源管理模塊采用分時分塊供電的思想，通過集成電路(inter-integrated circuit,I2C)總線控制的單刀雙擲互補金屬氧化物半導體(complementary metal-oxide-semiconductor transistor,CMOS)開關動態管理各單元供電。

2 信號處理與分析

系統的軟件架構，分為預處理、信號檢測算法、特征點提取算法和脈率算法4個部分。首先，對采集到的信號進行預處理，去除50 Hz噪聲和基線漂移噪聲；對去噪后的信號運行信號檢測算法，將信號標記為佩戴與不佩戴兩大類，對于標記為佩戴的信號，提取特征參數并計算顯示脈率，對標記不佩戴的信號，脈率顯示為0。

2.1 預處理

反射式血氧采集的血氧容積波易受呼吸，50 Hz工頻信號和肌電等信號的干擾，需要去噪算法去除干擾，常用的去噪算法有有限脈沖響應(finite impulse response,FIR)濾波器[3]，無限脈沖響應(infinite impulse response,IIR)濾波器[4]，中值濾波器[5]，小波變換[6]和經驗模態分解(empirical mode decomposition,EMD)算法[7,8]等。

考慮到計算復雜度，反射式血氧容積波的特點和帶寬要求，本文采用中值濾波器和FIR濾波器相結合的方法去除噪聲。中值濾波器采用窗口大小為21點的中值濾波器；FIR濾波器為80點的滑動平均濾波器。預處理的流程如圖2所示。

圖2 預處理流程

2.2 信號檢測算法

假定設備采集到的信號包括：準周期的生理信號S(n)，噪聲信號N(n)，截斷窗函數W(n)，實際采集的信號可表示為

M(n)=[S(n)+N(n)]·W(n)

(1)

根據自相關函數[9]的定義可得到

RM(m1)=RW(m1)·(RS(m1)+RNS(m1)+

RSN(m1)+RN(m1))

(2)

式中RW(m1)為窗函數的一次自相關函數；RS(m1)為生理信號的自相關函數；RNS(m1),RSN(m1)為信號與噪聲的自相關函數；RN(m1)為噪聲的自相關函數。

根據相關函數的性質

RNS(m1)=RSN(-m1)=RSN(m1)

(3)

則

RM(m1)=RW(m1)·(RS(m1)+2·RSN(m1)+

RN(m1))

(4)

又由于生理信號與噪聲信號之間的無相關性，故RNS(m1)=0

式(4)可簡化為

RM(m1)=RW(m1)·(RS(m1)+RN(m1))

(5)

無噪聲時，式(5)可進一步地簡化為

RM(m1)=RW(m1)·RS(m1)

(6)

進行第二次相關得到

R2M(m2)=E{RM(m1)·RM(m1+m2)}

=E{RW(m1)·RW(m1+m2)}·(E{RS(m1)·

RS(m1+m2)}+E{RN(m1)·RN(m1+m2)})

=R2W(m2)·(R2S(m2)+R2N(m2))

(7)

式中R2W(m2)為窗函數的2次自相關函數；R2S(m2)為血氧容積波的2次自相關函數；R2N(m2)為噪聲的2次自相關函數。

無噪聲時，式(7)可進一步簡化為

R2M(m2)=R2W(m2)·R2S(m2)

(8)

當窗函數為

W(n)=1,0

(9)

式中N為窗口大小，經計算得到

(10)

式中m2為2次自相關函數的自變量。

定義R2M_real(τ)為實測信號2次自相關的曲線，R2M_no-noise(τ)為理想無噪聲信號2次自相關的曲線。

在窗口為N的信號內，尋找R2M_real(τ)的極大值點，分別記錄極大值點的位置和幅值，分別為P1,P2,…,Pn，A1,A2,…,An。

在窗口大小同為N的信號內，在曲線R2M_no-noise(τ)計算P1,P2,…,Pn點上的幅值，記為B1,B2,…,Bn。

定義

信號參數=co-correlation(Ai,Bi),i=1,2,…,n

(11)

式中co-correlation()為相關系數，一般以0.95為界限。圖3為信號檢測流程。

圖3 信號檢測算法

2.3 特征點提取算法及脈率算法

首先，對采集到的信號進行預處理，對預處理后的信號進行信號檢測，當信號的狀態是佩戴時，進行特征點提取并計算脈率。本文采用差分—閾值的思想提取血氧容積波最大值點計算脈率，其算法流程如圖4所示。

圖4 特征點提取算法及脈率算法

3 結 果

脈率的測試在3名志愿者(24～28歲)參與下完成，測試過程中，志愿者同時佩戴了智能腕表和Phillip DB18，保持平穩呼吸，測試數據如表1所示，經對比，本文設計的智能腕表測量精度為±2 bpm。圖5(a)與圖5(b)為腕表佩戴與未佩戴2種情況下的顯示狀態。

表1 腕表與Phillip DB18對比數據 bpm

圖5 腕表顯示

4 結 論

設計了一種基于信號檢測的腕式生理監測系統，具有顯示時間，信號檢測和監測脈率3種功能。佩戴時，顯示時間和脈率；不佩戴時，顯示時間，脈率顯示0。通過區分顯示，腕式生理監測系統顯示功能更加精細化。與Phillip DB18進行比對實驗，得到脈率的精度為±2 bpm。

參考文獻:

[1] 鄂 冬，葉樹明，周樂川.耳部光電容積脈搏波傳感器的去運動干擾設計[J].傳感器與微系統，2012，31(8)：119-122.

[2] 陳帝良，方 震，趙 湛，等.集成多生理參數監測的終端設計[J].傳感器與微系統，2016,35(1):95-97.

[3] 楊振宇，高 峰，劉志言，等.強震觀測系統中數字抽取濾波器的實現研究[J].傳感器與微系統，2005，24(8):28-30.

[4] 陳戰平.基于逆模型辨識的Wiener型傳感器動態補償研究[J].傳感器與微系統，2011，30(9):5-8.

[5] 楊 璽，樊曉平，劉少強.一種具有頻率選擇特性的加權偽中值濾波算法[J].電子與信息學報，2008，30(5):1257-1260.

[6] 陳大志，黃玉清，陳雪冬.基于快速小波變換的石英加速度計零偏預測[J].傳感器與微系統，2016，35(5)：43-45.

[7] 姚恩濤，張 君，季 娟.基于EMD—RBF網絡的車輛動態稱重信號處理方法[J].傳感器與微系統，2007，26(1):80-83.

[8] 黃新安.基于超聲傳感器的胎心率檢測優化算法[J].傳感器與微系統，2016，35(4)：144-147.

[8] 田丹陽.SNCK信號的循環自相關函數仿真[J].自動化技術與應用，2015,34(4):32-34.