基于光栅传感器的穿戴式呼吸监测系统设计*

周子健，黄绍岚，杨其宇，徐维超

(广东工业大学 自动化学院，广东 广州510006)

0 引 言

在临床中，呼吸监测主要用于对心脏衰竭、焦虑障碍和睡眠障碍等疾病进行初步检测，但实际上，可靠的呼吸监测方法在家庭和门诊监护中几乎不存在。但在某些情况下，像慢性阻塞性肺疾病，为提高医学上诊断疾病确诊率，需要有长期的人体生理指标检测过程［1］。因此，提供一种非约束、使用方便、操作简单和能够长期实时、动态、连续监护人体生理指标在现代医学监护领域具有重要的实用价值。

呼吸检测方法很多，目前在家庭式和移动式呼吸检测方法中，更多是采用可穿戴式呼吸检测装置，一般是利用有弹性的织制带与传感器集成到可穿戴式的服装上。而目前在市面上能够找到可以检测到呼吸信号的传感器，但呼吸检测装置作为可穿戴式服装的形式最常见的只是实验原型形式，还没有找到普遍的商业化［2］。其中用到的传感器和检测方法有:阻抗式传感器检测［3，4］、温度传感器检测［4］、电容式传感器检测［5］、霍尔传感器［6］和应变式传感器检测［4］等。阻抗式传感器检测原理是利用人体某部分呼吸发生变化，从而引起阻抗变化来进行呼吸数据的测量;温度传感器检测是利用温度传感器采集鼻腔内外的呼吸温度差转换为电量输出的方法［7］;电容式传感器检测原理是利用当人体呼吸时会导致电容值变化，通过对电容值的变化进行检测，反映出呼吸信号的变化［2，4］;霍尔传感器检测原理是利用人体呼吸时腹部发生变化，通过对永磁铁位置检测判断呼吸的过程;应变式传感器检测原理是利用人在呼吸过程中通过应变式传感器检测呼吸时引起的形变，从而检测到呼吸信号［8］。其他间接的检测方法包括超声式流量传感器［4］、ECG 提取呼吸信号［9］和追踪脸部图像处理方法［10］，超声式流量传感器主要有多普法［11］和声时差法［12］。

本文提出了一种利用光栅传感器的呼吸检测方法，是一种可穿戴式监护系统，结合呼吸感应体积描记(RIP)技术［13］能够长期实时、动态、连续有效、高精度地检测出呼吸频率和通气量，并克服了传统方案易受电平、电磁噪声干扰的缺点，并利用现代通信技术，使得本系统能与移动医疗、远程医疗紧密结合在一起。

1 系统工作原理

本系统是一种基于光栅式传感器和RIP 技术原理所设计的呼吸检测系统，主要由内部嵌入光栅条的弹性缚带和光栅传感器组成，在呼气和吸气过程中腹腔或胸腔的体积发生变化，从而引起缚带周长的变化，导致缚带上光栅条位置的移动，通过光栅传感器电路检测光栅条位置的变化，单片机控制系统判别呼气和吸气的过程，并计算光栅条的位移量，由此分析出呼吸的频率与通气量。呼吸传感器实物如图1，呼吸传感器内部结构如图2。

光栅传感器工作原理示意图如图3。当光栅条随着胸腹部的变化而产生位移时，光栅传感器将分别输出A，B 两路相位差90°的数字脉冲信号。光栅条正向运动时A 超前B 为90°，反转时B 超前A 为90°，利用此相频特征可判别光栅条的运动方向，从而准确区分出用户的呼气与吸气过程;脉冲的个数与位移量呈比例关系，因此，通过对脉冲计数就能计算出相应的位移。本系统使用的180LPI 的光栅条及其对应的光栅传感器，测量精度可达0.07 mm/脉冲。

图3 光栅传感器工作原理示意图Fig 3 Working principle diagram of grating sensor

2 系统设计

2.1 系统原理

系统原理图如图4 所示。整个检测系统由以下三个模块构成:呼吸传感模块、智能终端、后端服务器。使用本系统时，呼吸传感器模块把呼吸时产生的变化量转换为电信号和数字信号。单片机控制系统将预处理后的数据进行储存并通过蓝牙上传到智能终端。智能终端利用RIP 技术计算出呼吸频率、通气量等生理学参数并实时显示。同时，智能终端可通过互联网将相应的数据传输至后端服务器中，由专业人员对数据进行储存、分析及比较;亦可以通过APP终端或者移动社交平台，远程监控急性呼吸障碍或者年老人群的呼吸状态。本系统中的智能终端为具有蓝牙传输功能的PC 或智能手机，采用的是5 V 的纽扣电池，具有体积小、功耗低、精度高等特点。

图4 系统原理图Fig 4 Principle diagram of system

2.2 软件设计

本系统是通过光栅传感器检测光栅带的位移大小与方向，用单片机控制系统判断呼气和吸气的过程。再结合RIP 和计算机技术，得到呼吸频率和通气量。由于传感器相位误差的存在，应用了判向计数误差修正算法，通过使用一个长度为5 个计数脉冲的计数窗口变量，对单次脉冲的方向性、有效性进行判断;并通过对计数窗口变量的变化情况对呼吸过程进行判断。算法的流程框图如图5 所示，呼吸频率计算框图如图6 所示。

图5 误差修正算法框图Fig 5 Block diagram of error correction algorithms

3 系统实验结果

图6 呼吸频率计算框图Fig 6 Calculation block diagram of respiratory frequency

选择9 名测试者，其中(20±2)岁的年龄8 位，50 多岁年龄的1 位，由于人体在正常活动、睡眠和运动过程，呈现出不同的呼吸频率，为了验证系统对不同呼吸频率情况下的稳定性和准确率，把测试者分成3 组，模拟不同情况并分为正常频率组、频率较低组、频率较高组(测试者自身控制)。对于睡眠呼吸检测，为了测试不同睡眠姿势情况下的呼吸频率，模拟分别在平躺、侧卧、辗转这三个不同的睡眠姿势进行测试。测试者在胸部或腹部佩戴呼吸检测装置，分别进行呼吸频率测试，每位测试者进行3 次测量，对3 次测量结果求呼吸频率平均值，实验过程中，由于市面上应用到呼吸检测设备总会存在一定的误差，为了避免使用其他呼吸检测设备作为对照可能会对测试数据的对比精确率造成二次误差，采用人工计数的对照测试方法，因为人工长时间计数容易出错，采用的是每3min/次的对照测试方法。记录的对比数据结果如图7 所示。

由三个不同的睡眠姿势测试结果计算的相对平均误差约为8.0%［14］。

图7 呼吸频率数据比较Fig 7 Data comparison of respiratory frequency

图8 描述了本系统佩戴在腹部时呼吸检测的原始信号，呼吸伸缩量进一步描述了测试者呼吸时腹部截面积产生的变化量。在图中当测试者呼气时，伸缩量为正;吸气时，伸缩量为负。

图8 腹围伸缩量Fig 8 Stretching amount of abdominal circumference

4 结 论

本文提出了一种基于光栅传感器可穿戴式呼吸监测系统。采用光栅式光电传感器进行信号采集，系统输出的结果只与光栅条相对于标尺光栅移动时形成的明暗叠栅光条纹数有关，可以很大程度上减少传统方案易受电平、电磁噪声干扰，提高了系统对外界环境的抗干扰能力;单片机进行数字计算脉冲信号，精度可达0.07 mm，提高了呼吸检测的稳定性和精确度，并且系统的功耗低，最大流耗仅为42 mA，结构简单，硬件成本低。实验的结果也证明了系统的精度较高、工作运行时间长、性能良好。

本系统可以在不干扰使用者正常活动的情况下，连续、移动地对使用者实施监护，且使用方便，只需在智能手机上安装对应的APP 与呼吸传感模块智能配对，即可将用户的呼吸率、通气量等生理参数直观地显示在屏幕上;且能将长时间的监测数据上传至后端服务器进行多用户存储、对比及分析，可广泛应用于医院、疗养院等医疗场所、家庭保健系统、运动训练指导等场合。

［1］ Grossman P.The lifeShirt:A multi-function ambulatory system monitoring health，disease，and medical intervention in the real world［J］.Stud Health Technol Inform，2004，108:133－141.

［2］ Merritt C R，Nagle H T，Grant E.Textile-based capacitive sensors for respiration monitoring［J］.IEEE Sensors Journal，2009，9(1):71－78.

［3］ 王建波，邓亲恺，郭劲松，等.一种新型的阻抗式呼吸检测系统［J］.中国医疗器械杂志，2009(2):91－94.

［4］ 郝连旺，宋 涛.呼吸信号检测方法的研究［J］.微纳电子技术，2007，7(8):12－16.

［5］ Yang C，Yang T，Wu C，et al.Textile-based capacitive sensor for a wireless wearable breath monitoring system［C］∥2014 IEEE International Conference on Consumer Electronics(ICCE)，2014:232－233.

［6］ 高小强，刘洪英，朱 兰，等.基于霍尔传感器微阵列的呼吸频率检测系统设计［J］.传感器与微系统，2013，32(5):121－123.

［7］ Roopa G，Rajanna K，Nayak M，et al.Non-invasive human breath sensor［C］∥The 10th IEEE Sensors Conference，2011:1788－1791.

［8］ Mitchell E，Coyle S，O’Connor，et al.Breathing feedback system with wearable textile sensors［C］∥2010 International Conference on Body Sensor Networks，IEEE Computer Society，2010:56－61.

［9］ Bowers E，Murray A，Langley P，et al.Respiratory rate derived from principal component analysis of single lead electrocardiogram［J］.Computers in Cardiology，2008(35):437－440.

［10］Al-Khalidi F，Saatchi R，Burke D，et al.Tracking human face features in thermal images for respiration monitoring［C］∥2010 IEEE/ACS International Conference on Computer Systems and Applications(AICCSA)，2010:1－6.

［11］Zakrzewski M，Raittinen H，Vanhala J.Comparison of center estimation algorithms for heart and respiration monitoring with microwave Doppler radar［J］.Sensors Journal，IEEE，2012，12(3):627－634.

［12］Hult P，Fjallbrant T，Dahle S，et al.A method for respiration monitoring by the use of a bioacoustic signal［C］∥2000 First International Conference on Advances in Medical Signal and Information Processing，2000:22－25.

［13］张政波，王卫东，吴 昊，等.全数字呼吸感应体积描记技术［J］.中国医疗器械杂志，2007，31(3):179－181.

［14］吴 丹，徐效文，王 磊，等.穿戴式动态睡眠呼吸监测系统的设计［J］.传感技术学报，2010，23(3):322－325.