基于Android平台的脉搏信号干扰检测及其质量评估方法研究

2018-10-11张爱华寇芯语漆宇晟王敬阳

中国医疗器械杂志 2018年5期

【作者】张爱华，寇芯语，漆宇晟，王敬阳

1 兰州理工大学电气工程与信息工程学院，兰州市，730050 2 甘肃省工业过程先进控制重点实验室，兰州市，730050 3 兰州理工大学电气与控制工程国家级实验教学示范中心，兰州市，730050

0 引言

近年来，随着移动智能装置（手机、手环等）在人们生活中的不断普及，利用移动智能平台作为人体健康管理的医疗创新服务业应运而生，这也间接促使健康管理服务从以医院为中心逐渐转向以社区、家庭和个人为中心。移动智能终端能否准确、实时地监测和感知人体的生理状况是这一转移过程能否顺利实施的重要保障。脉搏信号作为人体的重要生理信号，在疾病预防和诊断中具有重要作用。其容易采集，并且能够替代其他信号作为人体疾病诊断的标准。例如：通过脉搏信号测量得到的脉搏波速可以作为连续血压检测的代替方案[1]；从脉搏信号中提取的脉率变异参数可以替代临床和家用监护诊断中常用的心率变异性参数[2-3]。因此，其在移动智能平台为依托的健康监护中被广泛使用。但脉搏信号在实际采集过程中，由于体动、环境噪声等因素的影响，采集的信号中往往含有较多的干扰信号，这些干扰信号对依托于移动智能平台的健康监护工作非常不利。因此，如何准确识别和减少脉搏信号中的干扰信号，提高信号分析准确率，是在以移动智能平台为依托的健康监护中亟需解决的问题。针对以上问题，国内外学者提出了一些方法用来识别和消除脉搏信号中的干扰信号。李桥等[4]提出基于动态时间扭曲（DTW）的方法定位脉搏信号中干扰信号，但是该方法主波的误检会导致错误的匹配结果，引起干扰信号的漏检和误检。SUKOR等[5]利用形态学分析方法，通过决策树对脉搏信号的质量进行评估分级。但是该方法需要检测脉搏信号的多个特征值，算法复杂度较高。CHONG等[6]利用支持向量机方法（SVM）对脉搏信号进行了评估分类，但是该方法特征提取的准确率将影响SVM的评估分类结果，而且识别分类过程耗时，不适于在移动终端实现。从以上文献分析中可以看出，现存的方法具有实时性差、识别准确率低和不能有效应用于移动智能终端平台等缺点。因此，本文通过分析脉搏信号中干扰产生的原因及特点，设计了相应的干扰段检测算法，并以此为基础，提出了一种级联逐层判别的方法对实时采集的脉搏信号进行质量评估分类，最终筛选出可用信号，并去除不可用信号。为了验证所提方法的性能，首先在PC平台进行了准确率和运行效率的测试，然后在安卓手机平台上开发了相应的脉搏信号质量评估系统。结果表明所提算法为依托于移动智能终端的健康监护实施提供了可靠的技术保障。

1 脉搏信号干扰段检测方法

1.1 噪声干扰的去除

脉搏信号的采集过程中容易受到工频干扰、基线漂移和肌电干扰等噪声信号的影响，有效地消除或减少这些噪声信号是脉搏信号进行准确分析和诊断的必要步骤。常用的IIR或FIR数字滤波器滤波系数通常为非整数，在硬件平台上不易实现，且对滤波速度有影响。针对以上问题采用文献[7]中的整系数陷波器和低通滤波器对脉搏信号进行预处理，其中陷波器能够滤除0 Hz及50 Hz整倍数的工频干扰和0.5 Hz以下的基线漂移。低通滤波器的截止频率为66 Hz，能够较好滤除肌电干扰。脉搏信号及干扰段见图1。

图1 脉搏信号及干扰段Fig.1 Pulse signal and interference segment

1.2 脉冲干扰的检测

脉搏信号采集过程中，采集传感器放置或滑落会导致采集的信号中出现类似方波的脉冲干扰信号。图1为一段实际采集的含有干扰段的脉搏信号，其中CD和EF段为脉冲干扰信号。滑落过程中产生的高脉冲信号波峰通常比较平坦，且其幅度值要大于一般正常的脉搏信号。类似于高脉冲的特征，放置过程中产生的低脉冲波谷比较平坦且其幅度值要比一般的脉搏信号低。因此，本文通过设置相应的幅度阈值和时间阈值来检测高、低脉冲信号。检测过程步骤如下：

（1）设某个新的脉搏信号采样点为PPG(i)，在PPG(i)之前检测到的一个脉搏信号峰值为Hi-1，判断PPG(i)的幅度值是否大于1.2Hi-1，若大于则进行下一步，否则继续步骤（1）。

（2）以PPG(i)时刻为起点，开始计算幅度值持续大于1.2Hi-1的累积时间Ct，若Ct大于0.2T（T为采样周期），则检测到一个高脉冲干扰信号，否则为运动伪迹。

注意，低脉冲干扰的检测过程和高脉冲干扰的检测过程类似，只不过将设置幅度阈值时的峰值变为谷值。整个检测过程中所采用的阈值是通过统计分析大量带有脉冲干扰信号后得到的经验值。除此之外，当检测到高脉冲（或低脉冲）干扰的起始点时，通常传感器已经滑落，故在统计脉冲干扰段时，要多向前统计0.1个周期的采样点，作为估计传感器滑落起点。

1.3 信号丢失段检测

通过对大量的正常信号和由传感器脱落引起的噪声信号（如图1中DE段所示）进行统计分析，得到以下规律：由传感器脱落引起的噪声信号，其特征是幅度值为一个波动很小的恒定值。相比之下，正常脉搏信号幅度值的波动要远远大于由传感器脱落引起的噪声波动，但其幅度均值和由传感器滑落所引起的噪声均值接近。在统计学中，均值能够很好地反映一段数据的集中趋势，而方差则可以反映这段数据的波动剧烈程度。因此采用动态变异系数，对信号丢失段进行检测，其定义如下：

CV(i)为脉搏信号第i个采样点X(i)的变异系数，i=1, 2, 3,...；Mean(i)和Var(i)分别表示以X(i)为终点的一段信号的动态均值和动态方差。采用滑窗迭代法计算动态均值和方差，其中动态均值为：

式中，Nw为滑窗窗宽，单位为采样点数，根据经验取值Nw为350；S(i)为窗内采样值总和，可通过式（3）迭代的方法计算，式中S(1)=X(1)。

动态方差定义为：

式中，

其中S1(1)=0，V1，V2为中间变量，V1=X(i)-Mean(i)，V2=X(i-Nw)-Mean(i-Nw)。

从（1）中可以看出，如果信号方差越大，则表示其波动越大，则动态变异系数CV(i)越大，反之则CV(i)越小。取经验值0.65作为信号丢失段的检测阈值。当某滑窗内信号的动态变异系数小于0.65时，认为该窗口内的信号属于信号丢失段。

1.4 运动伪迹检测

运动伪迹是由于人体运动造成传感器在人体体表滑动，导致脉搏波特征点丢失（如图1中AB段所示）的信号。通常情况下，正常的脉搏波波形比较规则，为准周期信号。而当脉搏波受到人体体动等外界干扰时，会表现出杂乱无章，丧失规则、准周期特性。

信号的自相关函数可用于分析同一信号在不同时刻的相似性，脉搏信号受到干扰时其自相关函数会丧失周期性，并且随着时间的增加先急剧增大然后衰减。因此可以采用信号自相关的方法来检测脉搏波中的运动伪迹。对于时间离散的确定信号x(n)，自相关函数定义为：

式中，k为信号的延迟点数。由自相关函数性质可知脉搏信号x(n)与它的自相关函数R(k)具有相同的周期，若周期为T，则R(k)=R(k+T)。当k=0, T, 2T,3T...处周期信号的自相关函数达到极大值，即在周期为整数倍时具有很大的峰值。因此，对于正常脉搏信号，其自相关值比较大，通常接近于1。而如果出现运动伪迹信号时，其自相关值比较小，通常要小于0.5。

2 基于级联逐层判别的质量评估方法

以脉搏信号干扰检测算法为基础，通过级联逐层判别的方式对脉搏信号质量进行评估，将其分为可用和不可用信号。整个评估流程分为4个阶段：

（1）对采集的脉搏信号进行滤波，去除基线漂移、工频干扰等噪声信号。

（2）对滤波后的脉搏信号进行脉冲干扰检测。若存在脉冲干扰，则将信号标记为不可用（即质量不好的信号段）。若不存在，则进入下一步骤。

（3）对经过（2）处理后的脉搏信号进行丢失段检测。若存在丢失段，则将该段信号标记为不可用，若不存在，则进入下一步检测过程。

（4）对经过以上几步处理后的脉搏信号进行运动伪迹检测。若存在运动伪迹，则将该段信号标记为不可用。

只有完全通过（2）到（4）所有检测的脉搏信号，才能标识为该段信号为可用（即质量好的信号段）。

3 实验平台与实验数据的采集

3.1 实验平台介绍

脉搏信号采集前端主要由绿光反射式脉搏传感器、信号采集与无线发送前端、固定装置等组成（图2）。采集信号时用固定装置将光电传感器夹持在左手大拇指，然后通过PIC16F887A型单片机将模拟量转换为数字量并写入串口缓冲寄存器，通过蓝牙与手机终端实现无线通信。开发中所使用的手机型号为OPPO R827T，CPU频率为1.3 GHz，运行内存1 GB。

图2 脉搏信号采集分析装置Fig.2 Pulse signal acquisition and analysis device

3.2 实验数据的采集

通过3.1中的采集系统采集脉搏信号，构建验证算法所需的数据库。该数据库由40名在校大学生（身体健康）的脉搏信号构成，共有800段数据，每段数据采样时长约35 s，采样频率为500 Hz，其中采集的某段数据已如图1所示。信号采集过程中，采集对象佩戴脉搏信号采集传感器，采用坐姿观看电影或杂志，并允许其进行肢体活动，从而采集得到带有干扰且质量较差的脉搏信号，以便能合理地验证所提方法。

4 实验结果

4.1 干扰段检测的准确性和实时性分析

首先通过数据库中的信号验证所提干扰段检测算法的准确率，并将其与文献[4]基于DTW的干扰段检测算法进行对比，结果如表1所示。从表1可以看出，所提算法对脉搏信号中的脉冲干扰信号识别率达到了100%；在丢失信号检测方面，虽然存在漏检和误检，但其准确率还是保持在98%以上；对运动伪迹信号的识别率也保证在96%以上。相比之下，DTW算法在三种情况下准确率都低于本文方法，其主要原因在于：DTW在干扰检测时需要准确定位主波的位置，通过主波的位置将信号分段后进行检测，主波峰值的定位错误将导致错误的分段，从而造成干扰的误检和漏检。相比之下，本文检测算法从干扰产生的本质特征出发进行检测，具有较高的识别准确率。使用本文算法和DTW方法对图1中的数据进行干扰检测，本文方法检测结果如图3所示， DTW方法的检测结果如图4所示。

表1 干扰段检测准确率Tab.1 Accuracy of interference detection

图3 本文方法检测结果Fig.3 Test results of proposed method

图4 基于DTW的检测方法Fig.4 DTW-based detection method

接下来测试所提算法的实时性，并与DTW算法进行对比。为了公平测试，选择含有三种干扰类型的（如图1）相同数据，在Matlab中分别进行200次运行，计算两种算法的总运行时间和单次运行时间。在相同的测试环境下，所提算法的总运行和单次运行时间分别为163.348 s和0.8 s，远快于DTW的1 437.47 s和7.19 s。DTW算法在模板匹配过程中，采用的模板信号和待匹配信号长度太长（300～500采样点），导致匹配一次所需时间太长。

4.2 脉搏信号质量评估

在检测脉搏干扰准确性的基础上，对每35 s的信号进行质量评估。根据所提级联判别算法，通过算法可得341段为不可用，393段为可用，准确率得分为91.75%。

4.3 干扰段检测及质量评估方法的应用

为进一步验证所提出的干扰检测及其质量评估方法的性能，在Android手机平台上对该方法进行了实现。检测结果如图5所示，正常的脉搏信号见图5（a）；传感器滑落和放置产生的高低脉冲见图5（b）；脉搏信号丢失段见图5（c），可以看出，其值在一个恒定值附近波动；运动伪迹见图5（d）。通过60 min连续不断的运行测试，方法对三种干扰信号的识别率均保持在95%以上，从而进一步验证了所提方法的可靠性和实时性。