戴 鵬，曹忠麗，陳飛鳴，王明江，沈勁鵬，王新安

(1.哈爾濱工業(yè)大學(xué) 深圳研究生院 電子與信息工程學(xué)院，廣東 深圳518055;2.北京大學(xué) 深圳研究生院 信息工程學(xué)院，廣東 深圳518055)

0 引言

呼吸和心跳是人體基本生命特征信息，是反映人體健康狀況的重要參數(shù)［1，2］，有助于診斷個(gè)體疾病和預(yù)防生命危險(xiǎn)。當(dāng)前，非接觸式生理信號(hào)監(jiān)測(cè)［3～8］方法由于無需電極等設(shè)備對(duì)身體的直接接觸，避免了復(fù)雜的連線，監(jiān)測(cè)過程簡(jiǎn)單等優(yōu)點(diǎn)，已成為人體生理信號(hào)監(jiān)測(cè)的發(fā)展方向。

床墊式監(jiān)測(cè)系統(tǒng)［3～6］是當(dāng)前非接觸式生理信號(hào)監(jiān)測(cè)的研究熱點(diǎn)。該系統(tǒng)通過在床墊中安裝壓力或振動(dòng)傳感器感知人體心臟和呼吸的微動(dòng)信號(hào)，進(jìn)而可提取人體的呼吸和心跳信息。目前，床墊式監(jiān)測(cè)系統(tǒng)大多采用基于固定頻帶的濾波器分離呼吸和心跳信號(hào)［3，4］，然而呼吸和心跳屬于準(zhǔn)周期、干擾頻率不固定的生物醫(yī)學(xué)信號(hào)，異常情況下的呼吸和心跳的頻帶與正常情況下的頻帶可發(fā)生重疊，采用固定截止頻率的濾波器無法有效分離這些異常狀態(tài)下的人體生理信號(hào)，進(jìn)而失去對(duì)危險(xiǎn)情況跟蹤和預(yù)警的作用。為此，本文提出采用自適應(yīng)濾波用于床墊式非接觸呼吸和心跳信號(hào)提取。自適應(yīng)濾波［9］不需要先驗(yàn)知識(shí)和初始條件，通過自學(xué)習(xí)來適應(yīng)外部環(huán)境，調(diào)節(jié)自身參數(shù)跟隨信號(hào)的頻率漂移，具有維納濾波和卡爾曼濾波的最佳濾波性能。本文采用二階最小均方(least mean square，LMS)自適應(yīng)濾波方法，可實(shí)現(xiàn)呼吸與心跳信號(hào)自適應(yīng)分離，從而準(zhǔn)確提取呼吸和心跳參數(shù)，并減少硬件結(jié)構(gòu)。

1 硬件平臺(tái)概述

圖1為本文采用的床墊式非接觸生理信號(hào)監(jiān)測(cè)系統(tǒng)。系統(tǒng)采用PVDF傳感器［10，11］捕捉人體呼吸和心跳的微動(dòng)信號(hào)，進(jìn)而采用四階低通濾波電路濾除高頻噪聲、工頻干擾以提高信噪比，獲得包含人體呼吸、心跳、體動(dòng)以及部分噪聲的混合信號(hào)。考慮到不同個(gè)體呼吸和心跳信號(hào)幅度不同以及同一個(gè)體不同情況下的幅度不盡相同，在前端增設(shè)電壓增益調(diào)節(jié)電路以滿足實(shí)際監(jiān)測(cè)環(huán)境的需要。混合信號(hào)經(jīng)數(shù)據(jù)采集卡采集后送入DSP完成進(jìn)一步數(shù)字信號(hào)處理。

圖1 床墊式監(jiān)測(cè)系統(tǒng)框圖Fig 1 Block diagram of mattress monitoring system

2 自適應(yīng)濾波算法的設(shè)計(jì)與實(shí)現(xiàn)

本文基于LMS噪聲對(duì)消原理，采用二兩階自適應(yīng)濾波器分離呼吸和心跳信號(hào)。其結(jié)構(gòu)框圖如圖2所示。LMS算法基于最速下降法，沿權(quán)值梯度估值的負(fù)方向搜索，根據(jù)已獲得的前一時(shí)刻濾波器參數(shù)，自動(dòng)調(diào)節(jié)該時(shí)刻的濾波器參數(shù)，以達(dá)到權(quán)值最優(yōu)，實(shí)現(xiàn)均方誤差最小意義下的自適應(yīng)濾波。

圖2 二階LMS自適應(yīng)濾波器結(jié)構(gòu)框圖Fig 2 Structure block diagram of two order LMS adaptive filter

設(shè)前端模擬系統(tǒng)輸出的混合信號(hào)抽樣序列X(k)為原始輸入信號(hào)。由于混合信號(hào)中呼吸信號(hào)能量比心跳信號(hào)能量大得多，利用噪聲對(duì)消原理，將心跳信號(hào)作為噪聲濾除，呼吸信號(hào)作為目標(biāo)信號(hào)提取。在第一階LMS濾波系統(tǒng)中以X(k)的延時(shí)序列d(k)為參考信號(hào)，所得輸出信號(hào)y(k)為呼吸信號(hào)。如圖2所示將獲得的呼吸信號(hào)與混合信號(hào)分別作為第二階LMS自適應(yīng)濾波器的輸入信號(hào)和參考信號(hào)，其參考信號(hào)與輸出信號(hào)之差e1(k)，即為系統(tǒng)提取的心跳信號(hào)。

根據(jù)算法原理，其具體實(shí)現(xiàn)步驟如下:

1)對(duì)混合信號(hào)低通濾波，提高信噪比。

2)確定第一階LMS濾波系統(tǒng)的輸入信號(hào)與參考信號(hào)，初始化參量。設(shè)輸入信號(hào)X(k)為長(zhǎng)M的列向量，權(quán)向量W=［w1，w2，w3，…，wM］T，X(k)=［X((k－1)T)，…，X((k－M)T)］T，其中，M為濾波器階數(shù)。

3)更新迭代變量k，根據(jù)系統(tǒng)誤差和自適應(yīng)算法調(diào)節(jié)濾波器系數(shù)。

更新k=1，2，3…;

輸出信號(hào):y(k)=WT(k)X(k);

系統(tǒng)輸出誤差:e(k)=d(k)－y(k);

濾波器系數(shù)更新:W(k+1)=W(k)+2μe(k)X(k)。

其中，μ是控制系統(tǒng)穩(wěn)定性和收斂速度的步長(zhǎng)因子，需滿足條件0＜μ＜1/λmax，以確保自適應(yīng)系統(tǒng)穩(wěn)定，參數(shù)λmax為輸入信號(hào)自相關(guān)矩陣的最大特征值。

4)根據(jù)權(quán)值最優(yōu)原理，輸出呼吸信號(hào)序列。

5)將呼吸信號(hào)與混合信號(hào)經(jīng)帶通濾波處理，提高心跳信號(hào)能量比。

6)確定第二階LMS濾波系統(tǒng)的輸入信號(hào)與參考信號(hào)，初始化參量。

7)類似步驟(3)，不斷更新迭代變量調(diào)節(jié)第二階LMS濾波器系數(shù)。

8)根據(jù)權(quán)值最優(yōu)原理，輸出心跳信號(hào)序列。

3 實(shí)驗(yàn)結(jié)果

本文搭建的實(shí)驗(yàn)系統(tǒng)圖1所示。數(shù)據(jù)采集卡為TI的USB-6211，采樣率為50 Hz。采樣數(shù)據(jù)通過MATLAB進(jìn)行進(jìn)一步的信號(hào)處理。利用自適應(yīng)濾波系統(tǒng)對(duì)混合信號(hào)采樣序列進(jìn)行處理分析，將結(jié)果與多參數(shù)監(jiān)護(hù)儀進(jìn)行比較，驗(yàn)證算法的正確性。

圖3為被測(cè)者在平緩呼吸情況下的混合信號(hào)波形與頻譜圖。由于心跳頻率遠(yuǎn)高于呼吸頻率，可以看到混合波形呈現(xiàn)以心跳信號(hào)疊加在呼吸波形上，此時(shí)對(duì)呼吸信號(hào)和心跳信號(hào)的分離較為簡(jiǎn)單。由于呼吸波的能量大，圖3(b)顯示的譜峰代表為當(dāng)前的呼吸率，為15次/min(0.25 Hz)。

圖3 平緩呼吸時(shí)混合信號(hào)的波形圖和頻譜Fig 3 Waveform and frequency spectrum of mixed signals in gentle respiration situation

圖4為平緩呼吸情況下第一階LMS自適應(yīng)濾波器輸出信號(hào)，即呼吸信號(hào)，可以更加清晰地得到當(dāng)前的呼吸波形和頻譜圖對(duì)應(yīng)的呼吸率。圖5為第二階LMS濾波系統(tǒng)的輸出信號(hào)，經(jīng)過兩級(jí)濾波之后的信號(hào)為當(dāng)前的心跳信號(hào)，從頻譜圖可得心率為75次/min(1.25 Hz)。

圖4 平緩呼吸時(shí)提取的呼吸信號(hào)波形和頻譜Fig 4 Waveform and frequency spectrum of respiration signals extracted from gentle respiration

圖5 平緩呼吸時(shí)提取的心跳信號(hào)波形和頻譜Fig 5 Waveform and frequency spectrum of heartbeat signals extracted from gentle respiration

圖6為被測(cè)者在急促呼吸情況下的混合信號(hào)波形與頻譜圖。此時(shí)呼吸頻率與心跳頻率接近，采用傳統(tǒng)的固定濾波頻率往往不易區(qū)分兩者信號(hào)。

本文采用LMS動(dòng)態(tài)濾波方法對(duì)急促呼吸混合信號(hào)進(jìn)行了分離。圖7為L(zhǎng)MS一階濾波提取的呼吸信號(hào)。圖8為L(zhǎng)MS二階提取的心跳信號(hào)?？梢钥吹剑ㄟ^該方法，在急促呼吸的特殊情況下，還是可以有效地分離出呼吸和心跳信號(hào)。此時(shí)的呼吸率為42次/min(0.7 Hz)，心率為90次/min(1.5 Hz)。

圖6 急促呼吸時(shí)混合信號(hào)的波形圖和頻譜Fig 6 Waveform and frequency spectrum of mixed signals in rapid respiration

圖7 急促呼吸時(shí)提取的呼吸信號(hào)波形和頻譜Fig 7 Waveform and frequency spectrum of respiration signals extracted from rapid respiration

從上述分析可以看到，LMS濾波后提取呼吸信號(hào)波形要優(yōu)于心跳波形信號(hào)。這是因?yàn)榛旌闲盘?hào)中呼吸信號(hào)的幅度要遠(yuǎn)大于心跳信號(hào)的幅度，呼吸信號(hào)能量比重大，呼吸信號(hào)能夠更有效、準(zhǔn)確地進(jìn)行提取。但上述方法提取的心跳信號(hào)已經(jīng)可以準(zhǔn)確反映實(shí)際心跳的波峰波谷等特征，用頻譜分析計(jì)算心率已能滿足要求。

圖8 急促呼吸時(shí)提取的心跳信號(hào)波形和頻譜Fig 8 Waveform and frequency spectrum of heartbeat signals extracted from rapid respiration

圖9是對(duì)采用LMS動(dòng)態(tài)濾波法對(duì)20組混合信號(hào)的分析結(jié)果與多參數(shù)監(jiān)護(hù)儀結(jié)果的對(duì)比圖。虛線表示多參數(shù)監(jiān)護(hù)儀監(jiān)測(cè)結(jié)果的10%誤差的范圍。圖中可以看出:采用本方法得到的呼吸信號(hào)和心跳信號(hào)監(jiān)測(cè)結(jié)果的準(zhǔn)確率均在90%以上。

圖9 實(shí)驗(yàn)分析結(jié)果Fig 9 Results of experimental analysis

4 結(jié)論

本文介紹了一種基于床墊式的非接觸人體生理信號(hào)監(jiān)測(cè)方法，采用LMS自適應(yīng)濾波算法對(duì)呼吸和心跳信號(hào)進(jìn)行動(dòng)態(tài)提取，解決了固定濾波頻帶下異常心跳和呼吸信號(hào)不易分離問題。該監(jiān)測(cè)方案簡(jiǎn)單易行，解決了固定濾波頻帶下異常心跳和呼吸信號(hào)不易分離問題，針對(duì)平緩呼吸和急促呼吸等異常生理情況都有很好的自適應(yīng)性，擁有較良好的實(shí)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－h(huán)ospital 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，F(xiàn)erroelectrics 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.