面向健康物联网的非接触式连续心电监测系统*

顾东袁,傅晓婕,杨东勇,李志中,卢 瑾

(1.浙江工业大学信息工程学院,杭州 310023;2.浙江长征职业技术学院计算机与信息技术系,杭州 310023)

人口老龄化给医疗保健系统带来挑战,采用电子信息技术的发展成果,研发人体生理参数监测系统,实现无创、易用、实时的远程健康监测服务,成为当前的研究热点[1-2]。医院中先进的医疗设备可以提供生理参数检查的准确结果,但设备价格昂贵,有些设备,如心电监护仪、Holter仪等,测量时需在人体皮肤上粘贴带有导电膏的湿电极,易引起皮肤不适,使用不便。家庭健康监测系统广泛采用非接触式的监测技术,设备使用简便,对被监测者干扰少。

人体正常生理指标是衡量健康与否的重要标准,包括了心率、呼吸率、体温和血压等。心率是心脏单位时间内跳动的次数,心率能反映人体生理健康状况,是临床医学检测指标。心冲击(Ballistocardioram,BCG)信号反映了心脏搏动和大动脉血液循环等对人体产生的作用力。通过BCG信号可以提取心率(HR)、呼吸率(BR)等参数,可用于无接触心电检测[3]。BCG信号一般以非接触式采集,虽然其精度和波形特征不如标准的心电图(Electrocardiogram,ECG)[4],但长期连续的BCG信号对于医学诊断具有重要参考作用。BCG信号的采集已有压力传感器、加速度传感器、雷达波传感器、织物电极等多种手段[5-7]。一种应变力与输出电荷成正比的柔性聚偏氟乙烯(Polyvinylidene fluoride,PVDF)压电薄膜传感器,因兼具柔软、轻便、高压电系数和高频响带宽等优点,近年在人体生理信号检测中得到应用[8-10]。Paalasmaa J等人把PVDF传感器制成检测带、铺设在床上,对测试者进行整晚的BCG信号采集,重点研究了从中准确提取心率、呼吸率等指标,实现的监测系统以蓝牙通信方式将采集的数据传送给智能手机,处理和计算后向用户呈现心率、呼吸率等数据[9]。目前研究文献报道的监测系统大多采用单机模式或主从机模式[5,9,11-12]。单机模式的监测系统中,传感器采集的信号通过USB、串口等方式传送到计算机机,由计算机完成信号处理及参数提取工作。主从模式的监测系统中,现场检测主机采集的信号一般以蓝牙通信方式发送给智能手机,经智能手机中转后传输到远端服务器上,智能手机或远端服务器完成数据处理。上述两种监测系统不同程度地存在使用不便、数据存储容量少和数据共享受限等问题。

本文采用PVDF传感器和物联网技术,设计实现了一套非接触式的连续心电监测系统,采集被测者卧床休息或睡眠期间的BCG信号等,实时提取出心率、呼吸率等参数,通过WIFI将参数上传云端监测系统,生理数据供监测者查看,也可共享给第三方。所研发的健康监测系统适用于家庭、养老院等场合,传感器与人体不直接接触,数据采集过程也不需要被监测者操作。

1 心电监测系统的设计

1.1 监测系统的总体构架

本文研发的心电监测系统主要由检测床垫、健康物联网云平台(简称“健康云”)、用户终端和第三方数据平台组成,总体构架如图1所示。检测床垫集成有PVDF压电薄膜传感器和检测主机,检测主机对采集的信号进行处理并实时提取出心率、呼吸率参数,通过WIFI无线通信方式上报数据。健康云接收和存储心电数据,通过安全认证与鉴权后对外共享数据。用户终端主要功能是检测主机WIFI网络的配置和实时、历史监测数据的查看;第三方数据平台主要指社区、医疗和健康咨询机构等,通过监测数据的共享,实现数据整合、大数据与智能分析等。

图1 监测系统的总体结构框架

1.2 检测床垫设计

检测床垫主要由床垫本体、PVDF压电薄膜传感器和现场检测主机组成。根据项目要求,检测床垫是带有健康磁条的床垫,床垫本体由床套、健康磁条、乳胶垫层、EPE桥架和棕垫组成。PVDF压电薄膜传感器为五层结构,如图2所示,中间一层是PVDF薄膜,薄膜上下为电极层,为了避免电极发生物理和化学损伤,在两电极外表面加了厚度小于0.2 mm的透明保护膜。电极引出采用双排金属端子,确保焊接导线后不改变其压电性能,电极接线采用带屏蔽层的导线。现场检测主机主要完成信号采集和处理、将心电数据通过WIFI方式上传等功能。

图2 PVDF压电薄膜传感器

1.3 传感器在床垫中的集成方法

在检测床垫中,PVDF压电薄膜传感器安装于床垫内、位于人卧床时人心脏的下方。因PVDF压电薄膜传感器的物理形状、在床垫中安装位置等,都直接影响传感器的有效受力情况,从而影响输出信号的质量,本文针对图2所示的4种不同外形传感器(1号、2号、3号和4号)和传感器在床垫各层间的安装位置进行了实验测试。实验中,用示波器显示心跳、呼吸信号波形,对比传感器输出的波形及特征,确定传感器在床垫中的最佳位置。4种传感器尺寸表1所示,传感器在床垫中不同层间的安装位置如图3所示。

表1 传感器形状和尺寸信息表

图3 传感器在床垫中的位置示意图

不同外形传感器的对比实验表明:对于呼吸信号,2号和4号传感器在波形特征和幅值强度上,均好于1号和3号传感器;对于心跳波信号,1号、2号和4号传感器所测得到的信号幅值有所不同,但BCG信号中体现心脏收缩的I、J、K波和呼吸的特征明显。因此,确定采用4号传感器。PVDF传感器在床垫各层间放置位置对比实验表明:呼吸波的波形特征都较明显,仅幅值有差异;对于心跳波形,传感器安装在EPE桥架与棕垫间的波形效果较好。系统完成集成后,进行了呼吸和心跳波的实际测量,结果如图4所示,实测的信号特征及幅值都较为理想。

图4 集成后检测床垫所测的呼吸和心跳波形

1.4 现场检测主机硬件设计

现场检测主机的硬件框架如图5所示,主要由信号采集和主控及通信两部分组成。

图5 现场检测主机硬件框架

1.4.1 信号采集电路设计

信号采集电路主要实现压电薄膜传感器输出的电荷信号到电压信号转换及ADC采样,电路如图6所示。由于PVDF压电薄膜输出的是极微弱的电荷信号,设计了高输入阻抗的电压放大器作前置处理电路,再进行ADC采样[13]。由集成运放OPA2336、反馈电容Cf和大电阻Rf组成前置电路,将微弱的电荷信号变成具有高信噪比的电压信号。采用TI公司的ADS1292集成模拟前端芯片,对转换后的电压信号进行模数转换和增益放大,信号采集参数可通过ADS1292内部寄存器进行灵活设置,采集的24位数据以SPI方式发送给主控MCU。为保证采集信号的完整性和增强抗干扰能力,设计了同向比例放大器,产生1/2Vcc偏置电压,与传感器转换后的电压共同作为ADS1292通道2的输入。ADS1292通道1预留为ECG信号采集。

1.4.2 主控及通信电路设计

主控MCU承担着BCG信号的滤波、实时心率、呼吸率的提取计算等。因BCG信号为浮点数据,运算量大且实时性要求高,检测主机MCU选用ST公司的STM32F427微处理器,工作频率达180MHz,且内置硬件FPU单元、支持DSP多种指令集,保证信号滤波、提取等算法快速运行。为满足采集模块高频率发送数据和设备断网状态下仍具备数据存储能力,采用winbond公司的W25Q256FV芯片设计了外部Flash存储器。无线通信模块主要负责将处理后的数据以TCP方式发送给云端,选用了上海庆科公司的EMW3165通信模组,以串口方式与主控MCU通信。电源部分采用超低压差的LDO芯片TPS73230,并进行有效的模数隔离,尽量减少电源噪声对模拟前端芯片所产生的干扰。

图6 信号采集电路图

2 信号预处理及心率、呼吸率提取方法

对PVDF压电薄膜传感器采集的人体生理信号的预处理、实时提取心率和呼吸率等参数,都在现场检测主机中实现,减少WIFI发送的数据量和频次。

2.1 信号预处理

相关研究表明:人体呼吸频率都在1 Hz以下,频谱能量集中在0.1 Hz～0.5 Hz之间;心跳频率在1 Hz～40 Hz之间,频谱能量集中在1 Hz～10 Hz之间[14]。因BCG信号易受工频、肌电及电子元件高频噪声等干扰,本文采用Hamming窗FIR滤波器分别针对呼吸和心跳相应频段进行软件滤波。采用截止频率为20 Hz的低通滤波器对采集的信号进行去噪声滤波,心跳信号的提取采用1 Hz～20 Hz带通滤波器,呼吸信号的提取采用1 Hz的低通滤波器。

实际系统中,需考虑人在床垫上的体动或起床离开等情况。根据发生体动或离床时信号波动幅值的特点,通过在一段时间内(设定为5 s间隔)统计信号超过阈值的次数,实现人的体动、离床/在床状态判断。在体动或离床期间,不对心率、呼吸率进行提取计算。

2.2 心率提取方法设计与实现

BCG信号中最明显的是心脏收缩时产生的IJK波,其中J波幅值最大,所以通过计算两个相邻的J-J间隔,可以得到一次心动的周期,计算每分钟的心跳数。阈值法是常用的J波检测方法,算法结构简单、实时性好[15]。本文采用改进的自适应差分阈值法定位J波峰点,并结合不应期原理,对多检、漏检进行纠正,提高J波的检测准确率,具体实现过程如下:

①初始J波检测阈值

通过自学习方法设定初始J波阈值。选取预处理后的BCG信号(10 s),使用差分法寻找极值点。为了提高差分效果,减少前后点的误差,使用隔点进行差分计算,差分算子为:

D(i)=f(i+1)-f(i-1)

式中:D(i)是BCG信号i点的前后幅值差分值,f(i+1)是BCG信号i点后一点的幅值,f(i-1)是BCG信号i点前一点的幅值。

根据计算得到的极大值和极小值集合,舍弃集合中最大最小值后取算术平均,得到该段BCG信号中波峰均值peak_avg和波谷均值trough_avg,初始阈值定义为:

TH=0.65×(peak_avg-trough_avg)

式中:0.65为经验值,经反复实验后得到。

②J波峰点检测

利用上述阈值,对BCG数据点进行判断,通过求取极大值大于设定阈值来定位J波峰点位置。

③伪J波峰点的移除

人体正常的心率不可能超过150次/min,所以每个J波相邻的间距不小于400 ms,若在该间距内存在多个J波峰点,则需要移除多检的J波峰点。

④遗漏J波峰点的补充

人体正常的心率不可能低于30次/min,若出现两个J波峰点的间距大于2 s,则可认为这两点之间存在J波漏检情况,通过寻找这两个J波峰点之间的极大值点作为新J波峰点。

⑤阈值更新

阈值设定过高或过低会增大J波峰点的误检率,同时在BCG信号连续监测过程中,其幅值及形态也会有所变化。所以在连续检测出5个J波峰点后,用滑动窗口法对阈值进行动态更新,新阈值计算如下:

TH=0.7TH′+0.3×(Win_TH×0.65)

式中:TH为最新的阈值;TH′为前一次的阈值;Win_TH为窗口内波形计算所的阈值,窗口大小为连续的5个J波峰点的间距;0.7和0.3为经验值,经反复实验后得到。

经过上述步骤,提取出J波峰点,得到J-J的间隔时间,计算出心率。其中J波峰点检测实现伪代码如下:

算法:J波峰点检测

2.3 呼吸率提取方法设计与实现

呼吸信号经预处理并消除基线漂移干扰之后,呼吸波近似为正弦曲线,围绕0点上下波动。本文先通过最小二乘法曲线拟合来消除基线漂移,采用与心率算法中类似的自适应差分阈值法进行呼吸波峰点的检测,对峰点的多检和漏检情况,加入了峰点的间隔时间(正常人呼吸不超过30次/分)和两个呼吸波峰点间必有2个过零点的判断条件。在正确检测出5个峰点后进行阈值的更新。

3 监测系统软件设计

现场主机的软件基于实时操作系统FreeRTOS内核开发,实现信号采集、信号预处理和心率、呼吸率实时提取及WIFI数据发送等功能。

监测系统上位机采用了云端+APP终端的模式,与通常PC上位机同时负责数据接收、计算、存储和展示不同,云端软件系统只负责数据接收和存储,APP终端软件负责数据展示。

云端软件系统实现与现场检测主机的互联、通过网络接收现场检测主机所采集和处理的数据并存储,并以API接口方式提供数据共享。设计了关系型数据库、NOSQL数据库和文本数据库三者结合的数据存储方案,BCG信号序列型数据和提取的心率、呼吸率数值型数据分别存入文本库和MongoDB中,并打上数据标签,由Elastic Search分布式索引系统完成数据检索;数据接收使用Redis高速缓存,缓解短时间内系统的数据处理压力;云端软件基于Spring Boot开发,采用Spring Cloud微服务化架构和Docker容器化部署。

APP终端软件采用原生与H5混合开发模式、以Android Studio为工具研发。APP终端以HTTP方式从云端监测系统中获取历史监测数据,以MQTT订阅消息服务获取实时监测数据。APP上显示被监测对象实时和历史的监测心电信息情况,如图7所示。

图7 手机APP显示界面

4 心电监测系统测试结果

为了检验所研发的非接触式连续心电监测系统的功能和性能,进行了实物测试验证。在测试实验前先征得被测试人员同意,测试过程不损伤被测者人体。

4.1 生理信号采集测试

实验时,被测者平躺于检测床垫上,共对身体健康的4人进行实验测试,其中男女各2名。为了检验所研发的监测系统的性能,选用深圳迈瑞公司的UMEC6医疗级多参数监护仪进行同步测试,实验现场如图8所示。选取了静息状态下100组数据取平均取整,实测数据如表2所示。实验结果表明,本文研发的监测系统,心率、呼吸率监测数据与医疗级仪器的数据基本一致,满足长期健康监测应用中对数据准确度的要求。

图8 监测系统测试实验环境

表2 实验数据结果对比表

4.2 心率、呼吸率提取结果

为提取心率和呼吸率参数,将预处理后BCG信号和心跳、呼吸信号的峰值点绘图,如图9所示。结果表明:心跳和呼吸的波形清晰且起伏明显,尤其在心跳波的J波峰点定位中,能准确判断出多检和漏检的情况。

图9 信号处理及波形峰值点定位

为进一步验证本文所设计算法在心率计算上的准确性,选取了4名身体健康的实验对象,平躺于检测床垫进行连续监测,同时将现场检测主机设计中预留的ECG通道进行同步采集。选取其中10 min的监测数据,对心率提取中J波多检、漏检情况与ECG的R波进行了对比统计。实验统计结果如表3所示,与标准ECG检测方式相比,对J波峰点的准确定位能达到97%以上,对正常人静息心率检测误差基本控制在3次/min以内。

表3 BCG信号中J波检测统计结果

5 结论

本文设计实现了一套连续、实时的心电监测系统,基于STM32F427 MCU研制了现场检测主机硬件装置,并与PVDF压电薄膜传感器组合集成于床垫中,以非接触方式采集人体生理信号;设计自适应差分阈值法,提取人体心率、呼吸率参数,监测数据通过WIFI实时上传到云端系统,进行存储和共享;用户通过手机APP等终端查看实时或历史监测记录。研发的系统经过实物测试实验,所测参数的准确度与医疗专用设备所测结果基本一致,满足家庭监测等应用要求。本系统基于物联网和云平台等技术研发,具有非接触检测、对被测人无干扰、使用简单方便、远程监测、扩展性好等特点。本文完成了监测系统的硬件和软件设计与实现,并进行了功能与性能验证试验,但要形成一个先进的实际产品,在硬件与软件、信号处理等方面,还需要进一步优化。