适用于床垫式生理信号监测系统的信号处理方法

集成微系统科学工程与应用重点实验室, 北京大学深圳研究生院, 深圳 518055; † E-mail: shenjp@pkusz.edu.cn

摘要提出一种适用于床垫式生理信号监测系统的信号处理方法。首先对原始信号进行FFT分析, 以确定呼吸信号和心跳信号的频带范围。然后将原始信号分解为若干IMF (intrinsic mode function)分量, 基于这些IMF分量在呼吸频带和心跳频带的能量分布情况, 选出合适的IMF分量, 重构呼吸信号和心跳信号。实验结果表明, 与多导睡眠仪相比, 该方法得到的呼吸率和心率的准确性都超过90%, 可以很好地提取呼吸和心跳信号。

呼吸和心跳信号是人体的基本生命特征信息, 是反映人体心肺健康状况的重要参数[1–2]。传统的呼吸和心跳监测手段需要在人体佩戴传感器、粘贴电极等, 非常不方便。床垫式的人体生理信号监测系统是通过在床垫中安装压力或压电传感器, 可以在无负荷的情况下监测人体的呼吸和心跳, 使用简单, 已成为人体生理信号监测的研究热点[3–5]。床垫式生理信号监测系统的传感器采集的原始信号包括呼吸、心跳和噪声信号, 所以需要提取呼吸和心跳信号, 才能进一步计算呼吸率和心率。目前, 床垫式生理信号监测系统大多采用常规的滤波方法[6]或小波变换[7–8]来提取呼吸和心跳信号。然而, 异常情况下的呼吸和心跳的频带与正常情况下的频带可能重叠, 常规的滤波方法不能处理这种情况。小波变换具有多分辨率的特性, 但是难以选取合适的小波基, 而且缺乏自适应性。因此, 本文提出一种基于EMD (empirical mode decomposition)[9]的信号处理方法, 可以根据原始信号的特点, 动态地确定呼吸和心动的频带范围, 对输入信号进行自适应分解和重构, 有效地提取呼吸和心跳信号。

1 床垫式生理信号监测系统介绍

床垫式生理信号监测系统的框图见图 1。薄垫中安装 PVDF[10–11]压电传感器, 可以捕捉人体呼吸和心跳的微弱振动信号, 输出相应的电荷信号。电荷放大器对传感器的输出信号进行放大, 并转化为电压信号。低通滤波器用于滤除工频干扰和高频噪声。考虑到不同个体的生理信号强度不同, 在电路上增加可以自动调节增益的电压放大器, 使得输出信号的幅度在合适的范围。MCU (microcontroller unit)对模拟前端的输出信号进行处理和分析, 得到呼吸率和心率的计算结果。

图1 床垫式生理信号监测系统框图

Fig. 1 Block diagram of the mattress-type physiological monitoring

在模拟前端, 电荷放大器的设计非常关键。图2 是电荷放大器的电路图, 当传感器发生形变时, 会输出电荷Q, 使得运算放大器的负端电压上升。根据运放的“虚短”特性, 最终, 反馈环路会使运放的负端电压又变为零, 所有的电荷Q都通过 width=12.9,height=11.8

转移到运放的输出, 在输出端产生一个输出电压。在电荷放大器中, width=12.9,height=10.75

和

分别是反馈电阻和反馈电容, width=12.9,height=11.8

将传感器输出的电荷转移到运算放大器的输出端, width=12.9,height=10.75

为放大器提供直流通路。电荷放大器的输出电压可以用下式[12]表示:

。 (1)

从式(1)可以看到, 输出电压U与传感器本身的电容和电阻无关, 只取决于Q和 width=12.9,height=11.8 。

图2 电荷放大器

Fig. 2 Circuit of charge amplifier

图3 信号处理方法流程

Fig. 3 Signal processing flow

2 信号处理方法的实现

不同个体的呼吸频率和心跳频率有很大差别, 同一个人在不同时间不同状态下的呼吸频率和心跳频率也不同。因此, 我们不能事先确定呼吸和心跳信号的频率范围, 无法用固定的频率界限对呼吸和心跳信号进行频率划分。

对床垫式生理信号监测系统而言, 胸腔呼吸引起的振动要强于心脏跳动在人体体表引起的振动, 也就是采集到的原始信号中, 呼吸信号的能量最强。对原始信号进行FFT分析, 找到最大能量谱峰对应的频率fc作为参考确定呼吸频带范围。根据经验, 确定 0~(fc+0.2)Hz 为呼吸的频带范围, (fc+0.2)~5Hz 为心跳的频带范围(心跳频率大于呼吸频率)。

fc是一个根据原始信号来动态调整的参数, 因此可以根据原始信号的不同, 动态地确定呼吸和心跳的频带范围。

1)找出原始信号的所有极小值点和极大值点, 然后拟合成上包络线 width=24.7,height=15.05

和下包络线

, 计算包络平均值:

3)判断

是不是 IMF 分量。IMF 分量必须满足两个条件: 极值点个数和过零点数相同或最多相差一个; 上下包络关于时间轴局部对称。

4)假如

不满足条件, 将

视为新的原始数据, 重新执行步骤1和2, 直到满足IMF条件。这时得到混合信号的第1个IMF分量, 定义为 width=20.4,height=15.05

, 它包含原始信号中最高频的分量。将 width=20.4,height=15.05

从原始信号中分离出去, 余量为

5)将

视为新的数据, 重复步骤1~3, 可以得到第2个IMF分量 width=20.4,height=15.05

, 重复N次, 得到N个IMF分量和一个不满足IMF条件的残余量rN(t)。原始信号可表示为

原始信号经过层层筛选, 得到不同时间特征尺度的IMF分量 width=24.7,height=15.05

…,

。

2)计算每个 IMF 分量的总能量 width=20.4,height=15.05

和呼吸频带范围内的能量 width=24.7,height=15.05

, 判断是否满足以下条件:

其中

是一个经验参数。如果满足该条件, 则认为该 IMF 分量是组成呼吸信号的有效分量。实验分析显示, 当 width=9.65,height=11.8

取值为0.6时, 效果最佳。如果 width=9.65,height=11.8

取值过大, 会导致有用的 IMF 分量被丢弃; 如果 width=9.65,height=11.8

取值过小, 会引入无用的 IMF 分量。选出组成呼吸信号的IMF分量 width=24.7,height=15.05

…,

。

第 4 步对重构的呼吸和心跳信号进行 FFT分析, 根据最大能量点对应的频率值, 计算呼吸率和心率。

3 实验结果与分析

床垫式生理信号监测系统的实验场景如图4所示。传感垫内置PVDF压电传感器, 当人体躺在传感垫上时, 传感器可以捕捉呼吸和心跳。主机包含模拟前端和 MCU, 进行信号处理和分析后, 得到呼吸率和心率。为了验证呼吸率和心率的准确性, 使用型号为 Embla N7000 的多导睡眠仪(Polysomno- graphy, PSG)的数据进行比对。

图5(a)是床垫式生理信号监测系统采集的一段30秒的原始信号, 对该原始信号进行频谱分析, 结果如图5(b)所示, 可以看到能量最大点对应的fc为0.2999 Hz。因此, 选择[0, 0.4999]为呼吸信号的频带范围, [0.4999, 5]为心跳信号的频带范围。

对图5的原始信号进行EMD分解, 得到7个IMF分量, 如图6所示。低阶IMF分量代表快的振动模式, 高阶IMF分量代表慢的振动模式, 这些IMF分量在频域上表现为从高频到低频的逐层滤波。对这7个IMF分量进行FFT分析, 计算呼吸频带和心跳频带的能量以及它们占总能量的比例, 如表1所示。可以看到, IMF4和IMF5的心跳频带能量占比超过60%, 是构成心跳信号的有效 IMF 分量; IMF6 和 IMF7 的呼吸频带能量占比超过60%, 是构成呼吸信号的有效IMF分量。

图4 床垫式生理信号监测系统的实验场景

Fig. 4 Experiment photo of the mattress-type physiological monitor

图5 原始信号的波形及其频谱

Fig. 5 Waveform and frequency spectrum of original signal

将 IMF4与 IMF5相加, 重构心跳信号, 结果如图7(a)所示。分析心跳信号的频谱, 可以看到能量最大点对应的频率为1.033 Hz (图7(b)), 由此可以估算心跳频率为 62 次/分钟。将 IMF6 与 IMF7 相加, 重构呼吸信号, 结果如图8(a)所示。分析呼吸信号的频谱, 可以看到能量最大点对应的频率为0.2999Hz(图8(b)), 由此可以估算呼吸频率为18次/分钟。

图 9 显示床垫式生理信号监测系统与PSG的呼吸率和心率对比结果, 数据总时长为439分钟。统计结果表明, 呼吸率的准确性达到95%, 心率的准确性达到93%。

4 结论

本文提出一种适用于床垫式生理信号监测系统的信号处理方法。首先对原始信号进行 FFT 分析,确定呼吸信号和心跳信号的频带范围。然后将原始信号分解为若干 IMF 分量, 并选择合适的 IMF 分量进行呼吸和心跳信号的重构。实验结果显示, 该方法可以很好地从原始信号中提取出呼吸和心跳信号, 与 PSG 进行比较, 呼吸率和心率达到 90%以上的准确性。本文方法的优势在于可以根据原始信号的特点, 动态地确定呼吸和心跳的频带范围, 对原始信号进行自适应的分解和重构, 有效地提取呼吸和心跳信号。

图6 原始信号的IMF分量

Fig. 6 IMF components of original signal

表1 IMF分量的能量分析结果

Table 1 Energy analysis of IMF components

图7 重构的心跳信号波形及其频谱

Fig. 7 Waveform and frequency spectrum of reconstructed heartbeat signal

图8 重构的呼吸信号波形及其频谱

Fig. 8 Waveform and frequency spectrum of reconstructed respiratory signal

图9 与PSG的对比结果

Fig. 9 Result comparison with PSG

[1]Stephen J, Redmond C H. Cardiorespiratory-based sleep staging in subjects with obstructive sleep apnea. IEEE Transactions on Biomedical Engineering, 2006, 53(3): 485–496

[2]Buist M. Association between clinically abnormal observations and subsequent in-hospital mortality: A prospective study. Resucitation, 2004, 62(2): 137–141

[3]Shin J H, Chee Y J, Jeong D U, et al. Non-constrained sleep monitoring system and algorithms using air-mattress with balancing tube method. IEEE Trans-actions on Information Technology in Biomedicine, 2010, 14(1): 147–156

[4]Waters J R, LaCourse J R. Unconstrained and non-contact respiration monitoring for obstructive sleep apnea prevention // IEEE Northeast Bioengineering Conference. New York: IEEE Press, 2009: 1–2

[5]Townsend D, Holczman M, Goubran R, et al. Relative thresholding with under-mattress pressure sensors to delect central apnea. IEEE Transactions on Instrumen-tation and Measurement, 2011, 60(10): 3281–3289

[6]Chee Y J, Han J M, Youn J W, et a1. Air mattress sensor system with balancing tube for unconstrained measurement of respiration and heart beat movements. Physiological Measurement, 2005, 26(4): 413–422

[7]Gregoire J M, Dale D, Van Dover R B, et al. A wavelet transform algorithm for peak detection and application to powder X-ray diffraction data. Review of Scientific Instruments, 2011, 82(1): 015105

[8]Yang Y, Su Z, Sun L. Medical image enhancement algorithm based on wavelet transform. Electronics Letters, 2010, 46(2): 120–121

[9]Huang N E. The empirical mode decomposition and hilbert spectrum for nonlinear and non-stationary time series analysis. Proc Roy Soc Lond A, 1998, 454: 903–995

[10]Han H, Nakagawa Y, Takai Y, et al. PVDF film micro fabrication for the robotics skin sensor having flexibi-lity and high sensitivity // 2011 Fifth International Conference on Sensing Technology. New York: IEEE Press, 2011: 603–606

[11]Jiang Y. A PVDF-based flexible cardiorespiratory sensor with in-dependently optimized sensitivity to heartbeat and respiration // Procedia Engineering. Linz, 2010: 1466–1469

[12]陶玉贵. 一种新型电荷放大器的研究与设计. 安徽师范大学学报(自然科学版), 2008, 31(5): 443–447

The Key Laboratory of Integrated Microsystems, Peking University Shenzhen Graduate School, Shenzhen 518055; † E-mail: shenjp@pkusz.edu.cn

AbstractAn empirical mode decomposition (EMD) based algorithm is proposed for mattress-type physiological monitoring. Fast Fourier Transform (FFT) is executed for the mixed physiological signal to estimate the frequency range of the respiration signal and heartbeat signal. Then the physiological signal is decomposed into several IMF components by EMD method, some of which are used to reconstruct the respiration signal and the heartbeat signal, according to the respiration or heartbeat spectrum energy in proportion of the total spectrum energy. The expe-riment result shows that the accuracy of measured respiration rate and heartbeat rate are both over 90%, compared with the polysomnography.