非入侵式睡眠呼吸监测系统的设计与实现

杨佳锋，童基均，蒋路茸，潘哲毅

1.浙江理工大学 信息学院，杭州 310000

2.武警海警总队医院 信息科，浙江 嘉兴 314000

睡眠是人类生命过程中极其重要的生理需要，但据调查，我国38.2%的人群具有睡眠障碍问题[1]。其中，睡眠呼吸暂停低通气综合征（sleep apnea-hypopnea syndrome，SAHS）是一种严重影响人们睡眠质量和身体健康的睡眠疾病，睡眠中常见表现形式为打鼾、短暂气喘、呼吸停止、身体抽动，乃至危及生命安全[2]。而对于SAHS的病症数据获取较为困难，其症状出现时间随机性大，视觉表现形式弱，近亲甚至患者自身都难以确定是否存在患病状况，而进行住院观察较为繁琐，故需要一系列可居家、可彻夜长程监测的设备为患者及医生提供信息，从而进行针对的诊断治疗。

诊断睡眠呼吸暂停综合征的“金标准”是多导睡眠监测仪（polysomnography，PSG），其主要监测包括脑电、眼电、肌电、胸腹呼吸运动、口鼻气流、心电、鼾声、血氧、体位等九个参数[3]。综上可以归类出，睡眠呼吸暂停综合征的监测方案大体上可分为入侵式和非入侵式两种。入侵式监测方案中，一般使用心电电极片、脑电图仪、口鼻罩等装置来测量心电、脑电、口鼻气流。非入侵式监测方案中，通过生物雷达、压感设备、加速度传感器等方法测量胸腹运动、体位变化。入侵式监测方案或多或少都会对睡眠障碍患者造成一定生理上的影响。且从家庭生理监护的角度来讲，非入侵式监测是重要的发展方向之一[4]。故通过对胸腹呼吸运动监测获取数据的方案有着对患者更亲和的优势。微动敏感床垫是基于压感设计的睡眠呼吸监测设备，相较于传统使用生物雷达对于胸腹呼吸运动检测的方法，有着低成本、对人体影响弱的优势，且床垫方案适用于居家监测管理，其舒适性也适用于长程睡眠监测。国内俞梦孙等[6]利用分区床垫监测感受身体各部位微动及小波分析技术准确地获得逐拍心动周期信息。曹征涛等[7]研究了从胸冲击图获取BCG积分信号，设计了一套基于体动复合波的形态和幅值特征的无创检测呼吸努力识别算法。Azimi等[8]通过组合不同传感器信号来获取高质量的呼吸强度信息，以实现对呼吸频率和呼吸信号本身的良好评估。

本文针对睡眠中的呼吸与呼吸暂停状况的收集捕获，提出了一种非入侵式睡眠呼吸监测系统（noninvasive sleeping breaths monitoring system，NSBS）。该系统围绕压敏传感带进行睡眠胸腹呼吸运动数据采集，实时提取呼吸率，进行呼吸类型判别，记录呼吸暂停状况，通过蓝牙无线通信方式传输至手机，手机APP可以根据数据绘制实时波形并显示，继而手机可将数据上传至云平台，PC端从云端获取数据进行波形绘制，同时展示睡眠中的呼吸状况记录，实现对使用者的睡眠护理性监测。

1 非入侵式睡眠监测系统总体设计

非入侵式睡眠监测系统信号生成的基本原理为，通过经面积增大处理的压力传感带，获取睡眠时体动产生的压力信号，并通过模拟，数字信号处理获得有效的信息，模型如图1所示。

图1 呼吸监测系统采集系统示意图Fig.1 Illustration diagram of respiratory monitor and acquisition system

本设计采用了Interlink公司的FSR408压阻传感器，该传感器长度为600 mm，宽度为16 mm，厚度为1 mm，柔软且可以任意弧度弯折，使用在床上，可以保证人体的舒适度。传感器最大量程为10 kg，力分辨精度优于0.5%，反应时间为1～2 ms，满足人体睡眠时各项参数的采集需要。由于其宽度较短，设计在传感器的背面，靠近胸腔位置贴合了圆形薄塑料片，其他位置为方形薄塑料片，正面贴合与塑料薄片形状相同的柔软乳胶薄膜，增大了人体的压感面积，并提升了舒适度。

非入侵式睡眠监测系统的总体系统框图2所示，主要包括电源供应部分、数据采集部分和数据处理部分。

图2 监测系统总框图Fig.2 General block diagram of monitoring system

2 呼吸监测系统硬件电路设计

本系统硬件设计包括传感器电路、滤波电路、ADC电路、电源电路模组、加速度传感器模块以及MCU电路部分。

2.1 传感器电路

FSR408压力传感器带的阻值与其受到的总压力成反向乘幂关系，且传感器带较为细长，压力分布不均，无法从理论判定其阻值范围，进而难以选择比例电阻R1的阻值。经不同环境、不同被测试者的反复实验，R1值选择为150Ω，该阻值电阻的放大效果能将电压保证在ADC采集范围之内，并能尽可能地放大体动信号。输出信号公式如式（1）所示。压电转换电路如图3所示。

图3 压电转换电路Fig.3 Presssure-to-voltage circuit

2.2 滤波电路

在压感检测中，通过体动传导出的具体信息为包含呼吸成分、心冲击（ballistocardiogram，BCG）成分和噪声部分的融合信号。BCG是一种间接方法通过侦测血液泵入动脉引起的振动来表示心脏的机械活动，医学上一般认为心率在每分钟40至150下为正常，即频率为0.6～2.5 Hz。

根据经验，BCG信号的滤波电路设计中被认为其最高频率成分为20 Hz[9]。根据奈奎斯特采样定理，采样频率为信号最高频率的2倍，经过反复测试与改板，确定设计采用了50 Hz的硬件低通滤波和0.2 Hz的硬件高通滤波作为信号的电路通带使用，保留心冲击信号的模型供二次算法开发使用，滤波电路频响曲线如图4所示。滤波电路原理图如图5所示。

图4 电路频率响应曲线Fig.4 Frequency response curve of filter circuit

图5 滤波电路Fig.5 Filter circuit

高通滤波器主要为了滤除幅度较大的基线漂移和直流分量。基线漂移和直流分量会因为肌肉放松状态的转变，人体重量的不同等因素而变化，故这两者的存在，使得数据算法中的阈值无法确定，高通滤波的加入使这两个问题得以解决。硬件滤波实际效果如图6所示。

图6 信号滤波效果对比图Fig.6 Signal filtering effect

其中，无滤波方案与低通方案中由于存在值比较大的基线漂移，故所绘制的波形图相较于带通处理后的波形形状会有所压缩，但在单呼吸帧的幅值上仍保留有相似性。

2.3 ADC电路

ADS1220是一款精密24位模数转换器，拥有多通高速道采样与可编程增益的功能，与MCU通过SPI协议进行数据通信。在设计中考虑到，由于人体长期处于50 Hz工频辐射环境，肌体信号中保留了工频成分，且电路板部分易从环境与电源中混入工频干扰。故为在保证采样信号的完整性下，使用了90 Hz采样频率，并通过对ADS1220模块配置对信号进行50 Hz数字陷波处理，消除工频干扰。

2.4 稳压电源模组

系统采用7812与7912稳压模块获得±12 V电压为电路提供基本电源供应，使用AMS1117与REF3133获得稳定的3.3 V电源与基准源。其中，ADS1220与MCU使用AMS1117提供的3.3 V电源；ADS1220与采样电路的基准电压都由REF3133提供。

2.5 加速度传感器

系统使用了MPU6050模块作为加速度传感器辅助主电路的判断。MPU6050通过串口与MCU实现通信，在功能部分主要为，采集使用者翻身时的床体晃动数据，记录翻身数据，并在压感信号部分同步消除翻身产生的包含大量噪声的基础信号，并加入呼吸补偿。

2.6 MCU部分

根据结合物联网应用环境和信号处理需求，系统采用了STM32-F407微控制器作为处理核心。STM32F407具有数据运算效率高、处理优势明显等特点，且运行稳定、端口资源丰富，可与系统内各板块装置相连接，满足系统数据交互需求，其内部还有集成的单周期DSP指令，能够为算法在下位机上的执行提供保障。

3 软件与呼吸监测系统信号捕获算法

本系统下位机程序主要包括：数据采集，呼吸信号判别处理以及云平台数据上传。流程图如图7所示。

图7 下位机程序流程图Fig.7 Flow chart of MCU program

在睡眠呼吸暂停的监测过程中，所有睡眠中人体产生的体动信号都是长程、离散的。由于硬件终端算力有限，进行数据全部存入再进行统一算法处理可行性低，故在该系统设计中，选择使用了先单帧截取，后判别的方案。

首先定义一个呼吸峰为一帧。由于体动中融合的信号不仅只有呼吸，其他高频信号同样存在，所以直接使用极小值法寻找到波谷概率极小，故必须对信号中的低频呼吸部分进行提取。考虑到MCU效率，设计中采用了中值滤波方案[10]，中值滤波被广泛使用在心冲击信号提取基线的过程中，只需根据离散数据的采样速率进行固定数量的样本中值提取，即可避开心电中的J峰[11]等特殊高频位置，提取到低频基线作为呼吸样本。

在提取出呼吸基线后，即可通过寻找双极小值点截取单帧呼吸，但在呼吸暂停过程中可能会存在微弱体动干扰判断，故在截取完单帧后，算法添加了帧内原数据积分阈值判别和极大值幅度阈值判别，以确保截取到完整的呼吸帧与呼吸暂停帧。

在截取完成后，对帧内的原数据的功率积分进行归一化，最后进行互相关程度的判定，互相关公式如式（2）所示[12]：

其中，Rf,g为相关值，f为标准呼吸帧数据序列，g为当前截取的呼吸帧数据序列，n为相关度求取的延迟时间，n的值小于两序列长度之和。

由于呼吸信号的幅度、频率、时间性存在极大的随机性，无法通过逻辑运算确定延迟时间n，故通过求取序列相关的最大值作为两个信号的相似度，相关程度计算公式如式（3）所示：

在相关度判别结束后，若被检测呼吸帧确定为正常呼吸帧，则进行积分阈值与极大值幅度阈值的更新，使判定数据能够随使用者个体的各项生理信息不同而进行自适应。更新公式如式（4）、（5）所示：

其中，ThI为积分阈值，ThM为极大值阈值，φ1、φ2为更新参数。根据反复的实验测试与调整，预测定φ1的经验值为0.85，φ2的经验值为0.8。

在本系统中，设计添加了放置于床上的加速度传感器，由于翻身产生的体动信号的时频成分较为复杂，会阻碍算法的判断，故使用加速度传感器捕获翻身信号，并进行信号补偿。算法基本流程图如图8所示。

图8 算法流程图Fig.8 Illustration of algorithm

在具体实施过程中，呼吸帧截取，判别算法部分均由STM32F407完成实时信号分析。STM32通过中值滤波与双阈值判定后，将截取的呼吸帧数据及数据量存入预留的队列中，再由DSP指令执行相关性算法的运算过程，最后进行阈值更新。翻身呼吸补偿在手机端进行，手机在判定翻身时间段，根据相邻时间段的呼吸状态对呼吸数量进行一定补偿。

4 实验验证与分析

实验在床垫上，将床垫收理平整，把经过面积放大处理的传感器带放置于人体躺于床上时的胸腔投射位置，实验者们分别平躺于床上，仿照正常睡眠时呼吸的状况，并从中模拟吸气后暂停呼吸状态与吐气后呼吸暂停的状态。图9为实验测试场景，图10为手机APP界面，表1为睡眠监测模式与离床模式下的功耗值。

图9 实际测试场景图Fig.9 Real application scenario

图10 手机APP界面Fig.10 Mobile application UI

表1 系统两种模式下的功耗测试结果Table 1 Power consumption of systems under two modes

图11为验者正常呼吸所产生的信号波形绘制，图12为实验者1所产生的呼吸信号，图13为通过呼吸暂停检测算法的模拟运算截取的呼吸帧和其与标准帧之间的相似度ξ折线图。

图11 正常呼吸波形图Fig.11 Waveform of normal respiratory

图12 测试呼吸数据（测试对象1）Fig.12 Schematic of respiratory data（testee 1）

图13 呼吸截取帧与帧的相似度（测试对象1）Fig.13 Similarity values between segmented respiratory data（testee 1）

图14与图15为实验者2所产生的呼吸信号，及其算法效果图。

图14 测试呼吸数据（测试对象2）Fig.14 Schematic of respiratory data（testee 2）

在图15内，实验者2被截取的第一个呼吸帧由于系统初始化时间影响，数据仅被录入了一半，从而导致相似性判断仅为80%。而在其他数据中可以看出，对于不同的人，电路跟随体动产生的信号振幅稳定，高通滤波良好地消除了体重异同对信号幅域的影响，按帧截取方案使用自适应阈值的判断结果效果较好，可以准确地分离出各呼吸完整波形。相关程度算法在计算正常呼吸信号时相似度都在90%以上，在检测到呼吸暂停帧时相似度明显低于正常帧，且呼吸暂停时间越长相似度越低。

图15 呼吸截取帧与帧的相似度（测试对象2）Fig.15 Similarity values between segmented respiratory data（testee 2）

为验证呼吸判别的准确性，实验使用HKH-11C呼吸传感器进行了同步呼吸监控，并由两名实验者分别按照之前所述采集方式，进行两次为期五分钟的数据采集，其中，每个人在第二次测试中加入随机的翻身信号。记录数据并进行准确率分析，准确率公式如式（6）所示：

式中，Ti表示本监测系统平均每分钟的测量次数，Ri表示实际测量平均每分钟次数。

数据对比如表2所示，数据显示，系统对呼吸模型判别基本准确，且对于不同的实验者，标准呼吸帧所匹配计算所得的相关性值都比较接近。但在体动加入的情况下，由于算法对体动时间内的呼吸数量进行了经验补偿，故有误判呼吸暂停为正常呼吸波的情况，故若要在此基础上提升准确度，应在呼吸类型的补偿部分进行相关研究。

表2 测量睡眠参数与实际对比Table 2 Measurement of sleep parameters and actual comparison

5 结语

本文提出了一种基于嵌入式的非入侵式睡眠监测系统，采用了FSR408柔性阻式压力传感带，可以以非入侵时的方式配合采样滤波电路进行信号采集；算法方面通过中值滤波、差分寻谷、双阈值判定与相关性计算的融合，实现了睡眠呼吸暂停状况的判别；监测数据通过蓝牙模块，可加将数据传输至手机APP，手机可上传至云服务器，进行二次算法处理与开发，实现物联网健康监测。系统经过实验测试，获得的数据基本满足准确率要求，满足家庭、养老院等场景的睡眠监测需求，并且对采集的原始数据仍可使用算法进行挖掘，同时预留物联网接口，可进行云平台等技术开发。

另外，在实验过程中发现，不同实验者的具体睡姿不同，有一定概率使传感器无法贴合主要受力部位，导致数据质量下降。针对该问题，后续将进行传感器的阵列式排布方式的研究以改进。