一種非接觸式人體生理信號監測方法*

戴 鵬，曹忠麗，陳飛鳴，王明江，沈勁鵬，王新安

(1.哈爾濱工業大學 深圳研究生院 電子與信息工程學院，廣東 深圳518055;2.北京大學 深圳研究生院 信息工程學院，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［1，2］，有助于診斷個體疾病和預防生命危險。當前，非接觸式生理信號監測［3～8］方法由于無需電極等設備對身體的直接接觸，避免了復雜的連線，監測過程簡單等優點，已成為人體生理信號監測的發展方向。

床墊式監測系統［3～6］是當前非接觸式生理信號監測的研究熱點。該系統通過在床墊中安裝壓力或振動傳感器感知人體心臟和呼吸的微動信號，進而可提取人體的呼吸和心跳信息。目前，床墊式監測系統大多采用基于固定頻帶的濾波器分離呼吸和心跳信號［3，4］，然而呼吸和心跳屬于準周期、干擾頻率不固定的生物醫學信號，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下的人體生理信號，進而失去對危險情況跟蹤和預警的作用。為此，本文提出采用自適應濾波用于床墊式非接觸呼吸和心跳信號提取。自適應濾波［9］不需要先驗知識和初始條件，通過自學習來適應外部環境，調節自身參數跟隨信號的頻率漂移，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)自適應濾波方法，可實現呼吸與心跳信號自適應分離，從而準確提取呼吸和心跳參數，并減少硬件結構。

1 硬件平臺概述

圖1為本文采用的床墊式非接觸生理信號監測系統。系統采用PVDF傳感器［10，11］捕捉人體呼吸和心跳的微動信號，進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、體動以及部分噪聲的混合信號。考慮到不同個體呼吸和心跳信號幅度不同以及同一個體不同情況下的幅度不盡相同，在前端增設電壓增益調節電路以滿足實際監測環境的需要。混合信號經數據采集卡采集后送入DSP完成進一步數字信號處理。

圖1 床墊式監測系統框圖Fig 1 Block diagram of mattress monitoring system

2 自適應濾波算法的設計與實現

本文基于LMS噪聲對消原理，采用二兩階自適應濾波器分離呼吸和心跳信號。其結構框圖如圖2所示。LMS算法基于最速下降法，沿權值梯度估值的負方向搜索，根據已獲得的前一時刻濾波器參數，自動調節該時刻的濾波器參數，以達到權值最優，實現均方誤差最小意義下的自適應濾波。

圖2 二階LMS自適應濾波器結構框圖Fig 2 Structure block diagram of two order LMS adaptive filter

設前端模擬系統輸出的混合信號抽樣序列X(k)為原始輸入信號。由于混合信號中呼吸信號能量比心跳信號能量大得多，利用噪聲對消原理，將心跳信號作為噪聲濾除，呼吸信號作為目標信號提取。在第一階LMS濾波系統中以X(k)的延時序列d(k)為參考信號，所得輸出信號y(k)為呼吸信號。如圖2所示將獲得的呼吸信號與混合信號分別作為第二階LMS自適應濾波器的輸入信號和參考信號，其參考信號與輸出信號之差e1(k)，即為系統提取的心跳信號。

根據算法原理，其具體實現步驟如下:

1)對混合信號低通濾波，提高信噪比。

2)確定第一階LMS濾波系統的輸入信號與參考信號，初始化參量。設輸入信號X(k)為長M的列向量，權向量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。

3)更新迭代變量k，根據系統誤差和自適應算法調節濾波器系數。

更新k=1，2，3…;

輸出信號:y(k)=WT(k)X(k);

系統輸出誤差:e(k)=d(k)－y(k);

濾波器系數更新:W(k+1)=W(k)+2μe(k)X(k)。

其中，μ是控制系統穩定性和收斂速度的步長因子，需滿足條件0＜μ＜1/λmax，以確保自適應系統穩定，參數λmax為輸入信號自相關矩陣的最大特征值。

4)根據權值最優原理，輸出呼吸信號序列。

5)將呼吸信號與混合信號經帶通濾波處理，提高心跳信號能量比。

6)確定第二階LMS濾波系統的輸入信號與參考信號，初始化參量。

7)類似步驟(3)，不斷更新迭代變量調節第二階LMS濾波器系數。

8)根據權值最優原理，輸出心跳信號序列。

3 實驗結果

本文搭建的實驗系統圖1所示。數據采集卡為TI的USB-6211，采樣率為50 Hz。采樣數據通過MATLAB進行進一步的信號處理。利用自適應濾波系統對混合信號采樣序列進行處理分析，將結果與多參數監護儀進行比較，驗證算法的正確性。

圖3為被測者在平緩呼吸情況下的混合信號波形與頻譜圖。由于心跳頻率遠高于呼吸頻率，可以看到混合波形呈現以心跳信號疊加在呼吸波形上，此時對呼吸信號和心跳信號的分離較為簡單。由于呼吸波的能量大，圖3(b)顯示的譜峰代表為當前的呼吸率，為15次/min(0.25 Hz)。

圖3 平緩呼吸時混合信號的波形圖和頻譜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自適應濾波器輸出信號，即呼吸信號，可以更加清晰地得到當前的呼吸波形和頻譜圖對應的呼吸率。圖5為第二階LMS濾波系統的輸出信號，經過兩級濾波之后的信號為當前的心跳信號，從頻譜圖可得心率為75次/min(1.25 Hz)。

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

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

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

本文采用LMS動態濾波方法對急促呼吸混合信號進行了分離。圖7為LMS一階濾波提取的呼吸信號。圖8為LMS二階提取的心跳信號。可以看到，通過該方法，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。此時的呼吸率為42次/min(0.7 Hz)，心率為90次/min(1.5 Hz)。

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

圖7 急促呼吸時提取的呼吸信號波形和頻譜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波形要優于心跳波形信號。這是因為混合信號中呼吸信號的幅度要遠大于心跳信號的幅度，呼吸信號能量比重大，呼吸信號能夠更有效、準確地進行提取。但上述方法提取的心跳信號已經可以準確反映實際心跳的波峰波谷等特征，用頻譜分析計算心率已能滿足要求。

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

圖9是對采用LMS動態濾波法對20組混合信號的分析結果與多參數監護儀結果的對比圖。虛線表示多參數監護儀監測結果的10%誤差的范圍。圖中可以看出:采用本方法得到的呼吸信號和心跳信號監測結果的準確率均在90%以上。

圖9 實驗分析結果Fig 9 Results of experimental analysis

4 結論

本文介紹了一種基于床墊式的非接觸人體生理信號監測方法，采用LMS自適應濾波算法對呼吸和心跳信號進行動態提取，解決了固定濾波頻帶下異常心跳和呼吸信號不易分離問題。該監測方案簡單易行，解決了固定濾波頻帶下異常心跳和呼吸信號不易分離問題，針對平緩呼吸和急促呼吸等異常生理情況都有很好的自適應性，擁有較良好的實用性。

［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.