基于信号质量检测的腕式生理监测系统*

徐志红， 赵 湛

(1.中国科学院 电子学研究所，北京 100190；2.中国科学院大学，北京 100190)

0 引 言

腕式生理监测系统因其体积小，便于携带，同时可监测健康状态等优点，成为研究热点。文献[1]设计了一种测量耳部脉搏波的生理监测系统，用以计算实时脉率；文献[2]设计了一种手持式多参数生理监测系统，可实现脉率、心率、呼吸和血氧饱和度的同步检测。以上设备虽实现了监测脉率的功能，但由于不能智能识别佩戴状态，未佩戴时，由于噪声的干扰，计算显示的脉率不准确，在实际应用中，具有一定的局限性。传统的解决方法是应用滤波器滤除噪声干扰，但因噪声具有随机和带宽不固定的特点，传统的固定频宽滤波器不能将噪声完全滤除。而自适应滤波器因其计算复杂度较高，不适宜应用于嵌入式设备中。

针对这一问题，本文设计了一种基于信号检测的腕式生理监测系统，嵌入了一种基于循环自相关的信号检测算法用以智能检测佩戴状态，通过对循环自相关曲线中极大值点的幅值与标准曲线的幅值进行比较，得出信号质量参数，依据信号质量参数，结合阈值法，将信号标记为佩戴与不佩戴两大类。佩戴时，腕式生理监测系统，实时显示脉率和时间；不佩戴时，显示时间信息，脉率显示0。

1 硬件平台

图1为设备的硬件架构，由微处理器单元，信号采集单元，显示单元，传输单元及电源管理单元五部分组成。设备的微处理单元主要由ARM架构下的STM32F405组成，用于协调控制各个单元。

图1 硬件架构

血氧模块由血氧传感器及血氧采集单元共同组成，血氧传感器采用反射式测量方式，由发光器件和接收器件组成。发光器件产生波长为519 nm的绿光，发光电流为50 mA；接收器件采用接收面积大，灵敏度高，暗电流小和噪声低的PIN型光敏二极管，将接收到的光信号转换、放大为电信号。血氧采集单元将血氧传感器采集的模拟信号通过A/D模块转换成数字信号。通过通用同步异步收发机(universal synchronous asynchronous receiver transmitter,USART)与微处理器单元进行通信，用于进一步数据处理。

为实现组网和智能设备实时通信的功能，传输模块包括了ZigBee和蓝牙两部分。ZigBee模块以CC2540为核心，实现65 000个从设备同时组网，网络容量大。蓝牙是一种短距离无线通信的技术规范，可实现腕表与智能机之间的即时通信。传输模块均通过USART与微处理单元通信。

显示模块用于数据的实时显示，由液晶屏控制单元和液晶屏两部分组成。液晶屏控制单元通过USART与微处理器单元进行即时通信，接收和发送指令；液晶屏采用定制的LED屏，实现全彩显示。

同时，为降低系统功耗，电源管理模块采用分时分块供电的思想，通过集成电路(inter-integrated circuit,I2C)总线控制的单刀双掷互补金属氧化物半导体(complementary metal-oxide-semiconductor transistor,CMOS)开关动态管理各单元供电。

2 信号处理与分析

系统的软件架构，分为预处理、信号检测算法、特征点提取算法和脉率算法4个部分。首先，对采集到的信号进行预处理，去除50 Hz噪声和基线漂移噪声；对去噪后的信号运行信号检测算法，将信号标记为佩戴与不佩戴两大类，对于标记为佩戴的信号，提取特征参数并计算显示脉率，对标记不佩戴的信号，脉率显示为0。

2.1 预处理

反射式血氧采集的血氧容积波易受呼吸，50 Hz工频信号和肌电等信号的干扰，需要去噪算法去除干扰，常用的去噪算法有有限脉冲响应(finite impulse response,FIR)滤波器[3]，无限脉冲响应(infinite impulse response,IIR)滤波器[4]，中值滤波器[5]，小波变换[6]和经验模态分解(empirical mode decomposition,EMD)算法[7,8]等。

考虑到计算复杂度，反射式血氧容积波的特点和带宽要求，本文采用中值滤波器和FIR滤波器相结合的方法去除噪声。中值滤波器采用窗口大小为21点的中值滤波器；FIR滤波器为80点的滑动平均滤波器。预处理的流程如图2所示。

图2 预处理流程

2.2 信号检测算法

假定设备采集到的信号包括：准周期的生理信号S(n)，噪声信号N(n)，截断窗函数W(n)，实际采集的信号可表示为

M(n)=[S(n)+N(n)]·W(n)

(1)

根据自相关函数[9]的定义可得到

RM(m1)=RW(m1)·(RS(m1)+RNS(m1)+

RSN(m1)+RN(m1))

(2)

式中RW(m1)为窗函数的一次自相关函数；RS(m1)为生理信号的自相关函数；RNS(m1),RSN(m1)为信号与噪声的自相关函数；RN(m1)为噪声的自相关函数。

根据相关函数的性质

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

(3)

则

RM(m1)=RW(m1)·(RS(m1)+2·RSN(m1)+

RN(m1))

(4)

又由于生理信号与噪声信号之间的无相关性，故RNS(m1)=0

式(4)可简化为

RM(m1)=RW(m1)·(RS(m1)+RN(m1))

(5)

无噪声时，式(5)可进一步地简化为

RM(m1)=RW(m1)·RS(m1)

(6)

进行第二次相关得到

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)为窗函数的2次自相关函数；R2S(m2)为血氧容积波的2次自相关函数；R2N(m2)为噪声的2次自相关函数。

无噪声时，式(7)可进一步简化为

R2M(m2)=R2W(m2)·R2S(m2)

(8)

当窗函数为

W(n)=1,0

(9)

式中N为窗口大小，经计算得到

(10)

式中m2为2次自相关函数的自变量。

定义R2M_real(τ)为实测信号2次自相关的曲线，R2M_no-noise(τ)为理想无噪声信号2次自相关的曲线。

在窗口为N的信号内，寻找R2M_real(τ)的极大值点，分别记录极大值点的位置和幅值，分别为P1,P2,…,Pn，A1,A2,…,An。

在窗口大小同为N的信号内，在曲线R2M_no-noise(τ)计算P1,P2,…,Pn点上的幅值，记为B1,B2,…,Bn。

定义

信号参数=co-correlation(Ai,Bi),i=1,2,…,n

(11)

式中co-correlation()为相关系数，一般以0.95为界限。图3为信号检测流程。

图3 信号检测算法

2.3 特征点提取算法及脉率算法

首先，对采集到的信号进行预处理，对预处理后的信号进行信号检测，当信号的状态是佩戴时，进行特征点提取并计算脉率。本文采用差分—阈值的思想提取血氧容积波最大值点计算脉率，其算法流程如图4所示。

图4 特征点提取算法及脉率算法

3 结 果

脉率的测试在3名志愿者(24～28岁)参与下完成，测试过程中，志愿者同时佩戴了智能腕表和Phillip DB18，保持平稳呼吸，测试数据如表1所示，经对比，本文设计的智能腕表测量精度为±2 bpm。图5(a)与图5(b)为腕表佩戴与未佩戴2种情况下的显示状态。

表1 腕表与Phillip DB18对比数据 bpm

图5 腕表显示

4 结 论

设计了一种基于信号检测的腕式生理监测系统，具有显示时间，信号检测和监测脉率3种功能。佩戴时，显示时间和脉率；不佩戴时，显示时间，脉率显示0。通过区分显示，腕式生理监测系统显示功能更加精细化。与Phillip DB18进行比对实验，得到脉率的精度为±2 bpm。

参考文献:

[1] 鄂 冬，叶树明，周乐川.耳部光电容积脉搏波传感器的去运动干扰设计[J].传感器与微系统，2012，31(8)：119-122.

[2] 陈帝良，方 震，赵 湛，等.集成多生理参数监测的终端设计[J].传感器与微系统，2016,35(1):95-97.

[3] 杨振宇，高 峰，刘志言，等.强震观测系统中数字抽取滤波器的实现研究[J].传感器与微系统，2005，24(8):28-30.

[4] 陈战平.基于逆模型辨识的Wiener型传感器动态补偿研究[J].传感器与微系统，2011，30(9):5-8.

[5] 杨 玺，樊晓平，刘少强.一种具有频率选择特性的加权伪中值滤波算法[J].电子与信息学报，2008，30(5):1257-1260.

[6] 陈大志，黄玉清，陈雪冬.基于快速小波变换的石英加速度计零偏预测[J].传感器与微系统，2016，35(5)：43-45.

[7] 姚恩涛，张 君，季 娟.基于EMD—RBF网络的车辆动态称重信号处理方法[J].传感器与微系统，2007，26(1):80-83.

[8] 黄新安.基于超声传感器的胎心率检测优化算法[J].传感器与微系统，2016，35(4)：144-147.

[8] 田丹阳.SNCK信号的循环自相关函数仿真[J].自动化技术与应用，2015,34(4):32-34.