戴 鹏,曹忠丽,陈飞鸣,王明江,沈劲鹏,王新安
(1.哈尔滨工业大学 深圳研究生院 电子与信息工程学院,广东 深圳518055;2.北京大学 深圳研究生院 信息工程学院,广东 深圳518055)
呼吸和心跳是人体基本生命特征信息,是反映人体健康状况的重要参数[1,2],有助于诊断个体疾病和预防生命危险。当前,非接触式生理信号监测[3~8]方法由于无需电极等设备对身体的直接接触,避免了复杂的连线,监测过程简单等优点,已成为人体生理信号监测的发展方向。
床垫式监测系统[3~6]是当前非接触式生理信号监测的研究热点。该系统通过在床垫中安装压力或振动传感器感知人体心脏和呼吸的微动信号,进而可提取人体的呼吸和心跳信息。目前,床垫式监测系统大多采用基于固定频带的滤波器分离呼吸和心跳信号[3,4],然而呼吸和心跳属于准周期、干扰频率不固定的生物医学信号,异常情况下的呼吸和心跳的频带与正常情况下的频带可发生重叠,采用固定截止频率的滤波器无法有效分离这些异常状态下的人体生理信号,进而失去对危险情况跟踪和预警的作用。为此,本文提出采用自适应滤波用于床垫式非接触呼吸和心跳信号提取。自适应滤波[9]不需要先验知识和初始条件,通过自学习来适应外部环境,调节自身参数跟随信号的频率漂移,具有维纳滤波和卡尔曼滤波的最佳滤波性能。本文采用二阶最小均方(least mean square,LMS)自适应滤波方法,可实现呼吸与心跳信号自适应分离,从而准确提取呼吸和心跳参数,并减少硬件结构。
图1为本文采用的床垫式非接触生理信号监测系统。系统采用PVDF传感器[10,11]捕捉人体呼吸和心跳的微动信号,进而采用四阶低通滤波电路滤除高频噪声、工频干扰以提高信噪比,获得包含人体呼吸、心跳、体动以及部分噪声的混合信号。考虑到不同个体呼吸和心跳信号幅度不同以及同一个体不同情况下的幅度不尽相同,在前端增设电压增益调节电路以满足实际监测环境的需要。混合信号经数据采集卡采集后送入DSP完成进一步数字信号处理。
图1 床垫式监测系统框图Fig 1 Block diagram of mattress monitoring system
本文基于LMS噪声对消原理,采用二两阶自适应滤波器分离呼吸和心跳信号。其结构框图如图2所示。LMS算法基于最速下降法,沿权值梯度估值的负方向搜索,根据已获得的前一时刻滤波器参数,自动调节该时刻的滤波器参数,以达到权值最优,实现均方误差最小意义下的自适应滤波。
图2 二阶LMS自适应滤波器结构框图Fig 2 Structure block diagram of two order LMS adaptive filter
设前端模拟系统输出的混合信号抽样序列X(k)为原始输入信号。由于混合信号中呼吸信号能量比心跳信号能量大得多,利用噪声对消原理,将心跳信号作为噪声滤除,呼吸信号作为目标信号提取。在第一阶LMS滤波系统中以X(k)的延时序列d(k)为参考信号,所得输出信号y(k)为呼吸信号。如图2所示将获得的呼吸信号与混合信号分别作为第二阶LMS自适应滤波器的输入信号和参考信号,其参考信号与输出信号之差e1(k),即为系统提取的心跳信号。
根据算法原理,其具体实现步骤如下:
1)对混合信号低通滤波,提高信噪比。
2)确定第一阶LMS滤波系统的输入信号与参考信号,初始化参量。设输入信号X(k)为长M的列向量,权向量W=[w1,w2,w3,…,wM]T,X(k)=[X((k-1)T),…,X((k-M)T)]T,其中,M为滤波器阶数。
3)更新迭代变量k,根据系统误差和自适应算法调节滤波器系数。
更新k=1,2,3…;
输出信号:y(k)=WT(k)X(k);
系统输出误差:e(k)=d(k)-y(k);
滤波器系数更新:W(k+1)=W(k)+2μe(k)X(k)。
其中,μ是控制系统稳定性和收敛速度的步长因子,需满足条件0<μ<1/λmax,以确保自适应系统稳定,参数λmax为输入信号自相关矩阵的最大特征值。
4)根据权值最优原理,输出呼吸信号序列。
5)将呼吸信号与混合信号经带通滤波处理,提高心跳信号能量比。
6)确定第二阶LMS滤波系统的输入信号与参考信号,初始化参量。
7)类似步骤(3),不断更新迭代变量调节第二阶LMS滤波器系数。
8)根据权值最优原理,输出心跳信号序列。
本文搭建的实验系统图1所示。数据采集卡为TI的USB-6211,采样率为50 Hz。采样数据通过MATLAB进行进一步的信号处理。利用自适应滤波系统对混合信号采样序列进行处理分析,将结果与多参数监护仪进行比较,验证算法的正确性。
图3为被测者在平缓呼吸情况下的混合信号波形与频谱图。由于心跳频率远高于呼吸频率,可以看到混合波形呈现以心跳信号叠加在呼吸波形上,此时对呼吸信号和心跳信号的分离较为简单。由于呼吸波的能量大,图3(b)显示的谱峰代表为当前的呼吸率,为15次/min(0.25 Hz)。
图3 平缓呼吸时混合信号的波形图和频谱Fig 3 Waveform and frequency spectrum of mixed signals in gentle respiration situation
图4为平缓呼吸情况下第一阶LMS自适应滤波器输出信号,即呼吸信号,可以更加清晰地得到当前的呼吸波形和频谱图对应的呼吸率。图5为第二阶LMS滤波系统的输出信号,经过两级滤波之后的信号为当前的心跳信号,从频谱图可得心率为75次/min(1.25 Hz)。
图4 平缓呼吸时提取的呼吸信号波形和频谱Fig 4 Waveform and frequency spectrum of respiration signals extracted from gentle respiration
图5 平缓呼吸时提取的心跳信号波形和频谱Fig 5 Waveform and frequency spectrum of heartbeat signals extracted from gentle respiration
图6为被测者在急促呼吸情况下的混合信号波形与频谱图。此时呼吸频率与心跳频率接近,采用传统的固定滤波频率往往不易区分两者信号。
本文采用LMS动态滤波方法对急促呼吸混合信号进行了分离。图7为LMS一阶滤波提取的呼吸信号。图8为LMS二阶提取的心跳信号。可以看到,通过该方法,在急促呼吸的特殊情况下,还是可以有效地分离出呼吸和心跳信号。此时的呼吸率为42次/min(0.7 Hz),心率为90次/min(1.5 Hz)。
图6 急促呼吸时混合信号的波形图和频谱Fig 6 Waveform and frequency spectrum of mixed signals in rapid respiration
图7 急促呼吸时提取的呼吸信号波形和频谱Fig 7 Waveform and frequency spectrum of respiration signals extracted from rapid respiration
从上述分析可以看到,LMS滤波后提取呼吸信号波形要优于心跳波形信号。这是因为混合信号中呼吸信号的幅度要远大于心跳信号的幅度,呼吸信号能量比重大,呼吸信号能够更有效、准确地进行提取。但上述方法提取的心跳信号已经可以准确反映实际心跳的波峰波谷等特征,用频谱分析计算心率已能满足要求。
图8 急促呼吸时提取的心跳信号波形和频谱Fig 8 Waveform and frequency spectrum of heartbeat signals extracted from rapid respiration
图9是对采用LMS动态滤波法对20组混合信号的分析结果与多参数监护仪结果的对比图。虚线表示多参数监护仪监测结果的10%误差的范围。图中可以看出:采用本方法得到的呼吸信号和心跳信号监测结果的准确率均在90%以上。
图9 实验分析结果Fig 9 Results of experimental analysis
本文介绍了一种基于床垫式的非接触人体生理信号监测方法,采用LMS自适应滤波算法对呼吸和心跳信号进行动态提取,解决了固定滤波频带下异常心跳和呼吸信号不易分离问题。该监测方案简单易行,解决了固定滤波频带下异常心跳和呼吸信号不易分离问题,针对平缓呼吸和急促呼吸等异常生理情况都有很好的自适应性,拥有较良好的实用性。
[1]Stephen J,Redmond C H.Cardiorespiratory-based sleep staging in subjects with obstructive sleep apnea[J].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[J].Resucitation,2004,62(2):137-141.
[3]Watanabe T,Watanabe K.Noncontact method for sleep stage estimation[J].IEEE Transactions on Biomedical Engineering,2004,51(10):1735-1748.
[4]Chee Y J,Han J M,Youn J W,et al.Air mattress sensor system with balancing tube for unconstrained measurement of respiration and heart beat movements[J].Physiological Measurement,2005,26(4):413-422.
[5]Townsend D,Holtzman M,Goubran R,et al.Relative thresholding with under-mattress pressure sensors to detect central apnea[J].IEEE Transactions on Instrumentation and Measurement,2011,60(10):3281-3289.
[6]Shin J H,Chee Y J,Jeong D U,et al.Nonconstrained sleep monitoring system and algorithms using air-mattress with balancing tube method[J].IEEE Transactions on Information Technology in Biomedicine,2010,14(1):147-156.
[7]Mostarac P,Malaric R,Jurcevic M,et al.System for monitoring and fall detection of patients using mobile 3-axis accelerometers sensors[C]∥IEEE International Workshop on Medical Measurements and Applications,2011:456-459.
[8]Scalise L,Ercoli I,Marchionni P,et al.Measurement of respiration rate in preterm infants by laser Doppler vibrometry[C]∥Proceedings of IEEE International Workshop on Medical Measurements and Applications,2011:657-661.
[9]Tiinanen S,Tulppo M,Seppanen T.Reducing the effect of respiration in baroreflex sensitivity estimation with adaptive filtering[J].IEEE Transactions on Biomedical Engineering,2008,55(1):51-59.
[10]Barsky M F,Lindner D K,Claus R O.Robot gripper control system using PVDF piezoelectronic sensors[J].IEEE Transactions on Ultrasonics,Ferroelectrics and Frequency Control,1989,36(1):129-134.
[11]Jiang Y.A PVDF-based flexible cardiorespiratory sensor with independently optimized sensitivity to heartbeat and respiration[J].Procedia Engineering,2010,5:1466-1469.