一種非接觸心電測量方法的研究

李運華，劉寶華，戶鵬飛，甄 龍

(1.北京航空航天大學 自動化科學與電氣工程學院，北京100191;2.燕山大學，河北 秦皇島066004)

0 引 言

心電監測是預防心臟病突發的一種有效手段［1］。目前無論是在醫院的臨床應用中，還是使用市場上流行的便攜式心電測量儀，在檢測人體的心電信號時，電極都要與人體的皮膚緊貼在一起，這種測量方式容易受到人體活動的影響，應用在長時間的心電監測中具有較大的局限性。為了解決這一問題，有人提出了將SQUID 磁力計用于人體傳感［2］，實現了心電信號的非接觸測量，但該技術只適用于低溫環境，并且成本昂貴。

針對以上情況，本文利用耦合電容原理設計了一種非接觸心電測量系統［3］，包括硬件系統和軟件系統，并針對該系統因人體活動的影響導致采集的心電信號受到的干擾因素不斷發生變化的情況，采用了一種具有自適應特點的濾波方法--主成分分析(PCA)去噪算法。該測量系統的測量電極可以鑲嵌在床、座椅等固定物中，不會干擾人的正常活動，從而實現對人在睡眠或長期伏案工作、學習等狀態下的心電信號的實時監測。

1 非接觸心電測量的原理

非接觸心電測量系統中的最關鍵部分是用來采集人體心電信號的電極，本文采用耦合電容原理:將電極與人體皮膚上被測量的部分分別作為耦合電容器的兩極板，將兩者之間的衣物、空氣等作為絕緣介質，其模型圖如圖1 所示。為了減小外界的干擾，在測量電極上加入了屏蔽層。通常情況下，該耦合電容器的電容值非常小。

2 硬件系統的設計

圖1 耦合電容的模型圖Fig 1 Model diagram of coupling capacitance

非接觸心電測量系統的硬件電路主要包括:信號采集、信號放大和信號處理。系統組成如圖2 所示，由2 個電極測量人體2 個不同的部位的電勢差，采集到的心電信號經過放大和濾波等預處理后由A/D 轉換器轉換成數字信號。

圖2 測量系統的組成圖Fig 2 Configuration diagram of the measurement system

2.1 信號采集電路

人體皮膚與測量電極組成一個耦合電容器，人體皮膚和測量用的電極分別作為這個耦合電容器的2 個極板，由電容器的性質可知，當其中一個極板上的電信號發生變化時，另一個極板上的電信號也會相應發生變化。在整個心電周期中，人體皮膚表面上的電信號的變化會通過耦合傳遞給測量電極，并傳遞到后續電路，即電壓跟隨器中，在電壓跟隨器的輸入端有一個偏置電阻器，用來形成偏置電流回路，其原理如圖3 所示。

圖3 信號采集原理Fig 3 Signal acquisition principle

利用耦合電容原理設計的非接觸測量方法受電極與人體之間距離的影響最大［4］。根據電容器的特性可知，電容器兩極板之間的距離越大，電容值就越小，當極板上的電壓一定時，隨著電容容量的減小，電量會減少，從而導致采集到的電信號減小。所以，經常出現由于測量電極與人體之間位移的改變而使采集到的心電信號發生變化的情況。

在非接觸心電測量中，信號采集部分受到的干擾會在后面的電路中進一步被放大，為減小或者消除外界的干擾，需要在信號采集電路的外圍加屏蔽層。

2.2 信號放大電路

信號放大電路分為前級放大和后級放大兩部分，之間有一個50 Hz 的陷波電路，其電路原理如圖4 所示。信號分兩級放大，中間所加濾波電路是為了在放大心電信號的同時抑制50 Hz 工頻干擾信號。50 Hz 的陷波電路使用的是雙T 型有源濾波。

圖4 信號放大電路原理Fig 4 Principle of signal amplifier circuit

前級放大電路中使用的是一個差動放大器，采用差動放大電路可以有效地抑制共模干擾［5］。放大器的差分放大倍數由外電路中的變阻器決定，其計算公式如式(1)

其中，G 是放大器的增益，R 是變阻器的阻值。本文中R 的取值為1 kΩ，即增益為51。

后級放大電路的增益設為20，這樣整個電路可以將采集到的心電信號放大1 000 倍左右。在輸出端有一個低通濾波電路，可以將100 Hz 以上的干擾信號去除掉。

2.3 信號處理

通過本電路采集的心電信號經過放大、濾波等預處理后還是會含有明顯的噪聲，需要用數字濾波的方法做進一步的處理。本文采用了PCA 去噪算法，該方法是從能量的角度對信號進行分析處理，具有自適應的特點，基本的計算步驟如下:

1)首先引入動態嵌入技術建立采樣的時間序列［6，7］。通過多維數組的構建，將源信號的一維數據轉換成了一個多維的矩陣，這個矩陣的每一行代表一個信號源，列數則代表信號的個數，雖然每一行的數據不相同，但其中主要成分的結構是相似的。通過對連續觀察時間序列重構一個新的狀態空間，以此對產生該觀察時間序列的未知動態系統重構，由延遲矢量構成的內嵌式矩陣為

式中 N 為延遲矢量;μ 為延遲;m 為延遲矢量維數。其中，m≥fs/fL，fs為采樣頻率，fL為測量信號中所需信號的最低頻率。N 的值由采集信號數據的長度決定，但不能小于m。

2)用 PCA 的方法提取內嵌矩陣中的主成分［8］。設X=［x1，x2，…，xm］T是一個用動態嵌入技術由一維數據轉換成多維的嵌入式矩陣，假設其協方差矩陣為C，求X 的主成分的過程就是計算協方差矩陣C 的最大特征值λ 相應的標準正交的特征向量u 的過程［9］，假設矩陣C 的特征值按從大到小依次是 λ1，λ2，…，λm，其對應的標準正交的特征向量依次為 u1，u2…，um，則 X 最大的主成分為 y1=u1X，余下的以此類推為 y1，y2，…，ym。

3)用Beyeian 信息準則確定主成分的個數。相對于其它常用的準則，Beyeian 信息準則受信號的信噪比和采樣長度的影響較小。以下是Beyeian 信息準則的數學表達式

式中 n 為所需主分量的個數，p 為源數據的維數，λ 為特征值，N 為觀測數據的個數，另外有

Beyeian 信息準則用于尋找一個能使式(3)達到最大的m(0≤m≤p)值，這個值就是所要提取的主成分的個數。當主成分的個數m 確定后，取最大的m 個主成分進行線性組合［10，11］，在這個新組合中被認為是噪聲的部分已經被完全排除。

為了確定PCA 去噪算法的準確性，以MIT/BIH 標準心電數據庫數據為研究對象，在心電數據中加入白噪聲后用PCA 去噪算法進行濾波處理。圖5(a)是處理前的心電圖，圖5(b)是處理后的結果，通過比較可以看出:白噪聲已被去除。

圖5 PCA 去噪算法的濾波效果Fig 5 Filtering effect of PCA denoising algorithm

3 實驗結果

本文利用設計的非接觸心電測量系統在實驗室中對人體進行了實際測量，人體與測量電極之間有絕緣物質。在測量時，周圍電場的變化會影響測量結果，如被測者周圍人的活動。對數據用PCA 去噪算法進行處理時，圖6(a)是未經過PCA 去噪算法處理的心電圖，可以看出含有較明顯的噪聲，圖6(b)是與其對應的用微機利用PCA 去噪算法處理后的心電圖，其中的噪聲基本被消除。

圖6 非接觸心電測量中信號處理前后的對比Fig 6 Contrast of signal before and after processing in non-contact ECG measurement

PCA 去噪算法具有自適應的特點，通過實驗證明了該算法能夠在長時間的非接觸心電測量中實現對信號的實時處理，并能保證處理效果的穩定性。

4 結 論

本文實現了一種非接觸心電測量系統的設計，利用耦合電容原理采集人體的心電信號，其測量電極可以鑲嵌在各種人體經常長時間接觸的地方，該方法不僅操作方便，完全適用于家庭生活中的心電監測。

［1］ Dash P K.Electrocardiogram monitoring［J］.Indian Journal of Anaesthesia，2002，46(4):251 －260.

［2］ 遷隆之.SQUID 人體磁測量裝置及應用［J］.國外醫學:生物醫學工程分冊，1991，14(3):158 －163.

［3］ Toshihiro M，Naruhiro S，Masaaki M.Tpmographical ECG measurement using capacitance type multi electrodes［C］∥Proceedings of IFMBE，2007:452 － 455.

［4］ Thomas J S，Stephen R D，Gert C.A low－noise，non－contact EEG/ECG sensor［C］∥Biomedical Circuits and Systems Conference，2007:154 －157.

［5］ Spinelli E M，Pallàs－Areny R.AC－coupled front－end for biopotential measurements［J］.IEEE Biomedical Engineering，2003，50(3):391 －395.

［6］ Christopher J J，David L.Extracting multi－source brain activity from a single electromagnetic channel［J］.Artificial Intelligence in Medicine，2003，28(1):89 －104.

［7］ 劉寶華，戴成武.EVD 算法在踝臂指數測量中的應用［J］.傳感技術學報，2010，23(1):19 －23.

［8］ Thireou T G，Strauss L，Dimitrakopoulou－strauss A et al.Performance evaluation of principal component analysis in dynamic FDG－PET studies of recurrent colorectal cancer［J］.Computerize Medical Imaging and Graphi，2003，27:43 － 51.

［9］ 羅志增，趙鵬飛.非線性PCA 在表面肌電信號特征提取中的應用［J］.傳感技術學報，2007，20(10):2164 －2168.

［10］ Li J，An XJ，he H.Line segments detection with scale analysis:A principal component analysis based approach［C］∥IEEE International Conference on Intelligent Computing and Intelligent Systems，Shanghai，2009:43 － 47.

［11］ He F，Li M，Yang J H et al.Research on nonlinear process monitoring and fault diagnosis based on Kernel principal component analysis［J］.Key Engineering Materials，2009，413 － 414:583 －590.