運動傳感器輔助的心電運動偽跡識別與消除方法*

陳　靜, 姜漢鈞, 徐乃昊, 王志華

(清華大學 微電子與納電子學系，北京 100084)

?

運動傳感器輔助的心電運動偽跡識別與消除方法*

陳靜, 姜漢鈞, 徐乃昊, 王志華

(清華大學 微電子與納電子學系，北京 100084)

摘要:運動偽跡是動態心電監護的主要干擾，嚴重影響臨床診斷的誤診率和漏診率。為了改善動態心電信號質量，設計了一種運動傳感器輔助的動態心電監護設備，采集V2導聯心電信號，通過腹部運動傳感器數據識別易引起心電運動偽跡的日常活動，標記運動偽跡位置，引入PQRST波特征點檢測、自適應濾波算法消除運動偽跡。實際佩戴測試結果表明：此法可有效識別咳嗽、蹲、坐等日常運動，并有效消除此類運動產生的心電運動偽跡。

關鍵詞：心電圖； 運動偽跡； 動態心電監護； 運動傳感器； 動作識別

0引言

1961年，Normal J Holter博士設計了第一臺Holter監護儀，用于監測長期動態心電信號。但動態心電信號易受到外界電場、佩戴者運動、呼吸等影響，具體表現為運動偽跡、基線漂移、電源工頻干擾等。運動偽跡是最難消除的干擾之一，它主要由電極片和皮膚之間的相對位移引起，幅度可達心電圖(ECG)信號峰峰值的4倍，頻譜覆蓋ECG信號頻譜，難以濾波消除，嚴重影響信號質量。傳統的動態心電監護，對于受干擾的心電數據，一般采用直接摒棄的方式，會造成誤診或漏診。利用隨機變量數字特征可識別運動偽跡，如利用心電信號的標準差作為判別運動偽跡的參數[1]，但此種方法需要引入噪聲標志，尋找數字特征量與噪聲標志之間的映射關系，選取合適的判別閾值，運算量大，且閾值較難設定。文獻[2]證實了運動偽跡與心電電極片運動有關，并通過將電極片運動數據作為自適應濾波的參考輸入，成功消除了部分運動偽跡，但將傳感器固定在電極片上的設計，影響佩戴舒適度，不適于可穿戴設備。

本文設計了一個可穿戴ECG監護系統，將運動傳感器內置于心電采集器中，利用所測加速度信息判別人體日常運動，據此結果定位出咳嗽、蹲、坐等易產生心電運動偽跡的時段，分段進行運動偽跡去除，有效去除干擾、降低運算量、方便佩戴。

1動態心電監護系統

本系統包括一個內置加速度傳感器的ECG采集裝置和一臺計算機。圖1(a)為ECG采集器佩戴圖，ECG采集器固定在腹部，可以準確測量腹部加速度；采用3個AgCl一次性心電電極片，上方的兩個電極是V2導聯正負極，增加一個右腿驅動電極(如圖1(a)所示)來提高硬件消噪特性(將在1.2節作詳細說明)；數據暫時存儲在內置Flash芯片中，測量結束后通過藍牙發送到計算機處進行數據處理和長期存儲。

系統硬件結構如圖1(b)所示，主控器采用TI公司的MSP430F6系列單片機，單片機通過SPI接口控制模擬前端(TI ADS1292)采集ECG信號，通過I2C接口控制加速度計(ST LSM330DLC)采集三軸加速度信號，數據存儲在一個32 Gbyte的Flash芯片中，單片機通過UART接口控制藍牙模組，將數據發送到PC進行數據處理與長期存儲。采集裝置采用一塊250 mAh鋰電池進行獨立電源供電。

1.1系統參數特性

模擬前端ECG采樣率為500采樣點/s，差分輸入量程為0.262 V；加速度數據采樣率為50采樣點/s，測量量程為±4gn。兩通道數據嚴格同步。采集器正常工作電流不到5 mA，可連續采集約48 h。

1.2硬件降噪特性

電源工頻干擾是ECG信號的主要干擾之一，常用自適應濾波器或陷波濾波器[3]去除，但會削弱50 Hz附近信號分量。本系統通過在硬件端引入右腿驅動電路來消除電源工頻干擾，有效降低了算法運算量。降噪結果如圖2所示，可以看出右腿驅動電路的引入，有效地消除了ECG信號的電源工頻干擾。

圖2　有無右腿驅動電路的ECG信號Fig 2　ECG signal with and without RLD circuit

2心電信號處理算法

人體日常運動造成的ECG運動偽跡嚴重影響動態ECG質量。通過此系統的動態ECG數據采集，發現不同的運動會產生具有不同特征的運動偽跡，故先提出一種基于腹部三軸加速度信號的運動識別算法來識別運動類型，標記出可能產生運動偽跡的時段，再進行運動偽跡去除。

2.1運動識別算法

由于ECG檢測的特殊性，動態ECG的被監護者一般只進行必不可少的直立、平躺、蹲、坐、步行等活動，因此，無需利用多傳感器進行復雜的運動判別。本文采用單個3軸加速度計測量腹部運動(如圖1，加速度計內置于ECG采集器中)，識別動態ECG監護時的運動。算法結構如圖3。

圖3　運動識別算法結構圖Fig 3　Structure diagram of activity recognition algorithm

2.1.1濾波

采集的加速度數據同時包含姿態信息和運動信息。采用截止頻率為1 Hz的等波紋FIR低通濾波器濾出低頻姿態信息，0.1～20 Hz的帶通濾波器去除低頻干擾和高頻噪聲，保留運動信息。

2.1.2分窗

對于長時間心電監護，數據處理算法必須考慮運算速度。本文采用重疊滑動分窗，在提高運算速度的同時，將分窗帶來的邊緣效應降到最低。滑動窗窗長為64個采樣點，窗與窗重疊50 %。

2.1.3特征提取

從低頻姿態信息中提取直流特征，從運動信息中提取能量特征。為了降低特征提取的運算量與特征信息量，采用信號向量模值SVM來降低信號維度，如式(1)所示

(1)

其中,ax,ay,az分別為x，y，z軸加速度值。直流特征Mean為窗內加速度均值(取垂直軸)，能量特征Energy可由式(2)計算

(2)

其中，F為SVM的N點FFT，由于窗長為64，故此處N=64。

利用直流特征和能量特征區分姿態和動作，如表1所示平躺、直立和坐姿三種姿態具有不同的直流特征值，咳嗽、下蹲和坐下三種動作具有不同的能量特征值。

2.1.4動作分類

動態心電監護系統關注易產生運動偽跡的動作，如咳嗽、蹲、坐等。針對本系統的單傳感器設計，無法利用不同位置傳感器的相關特征[4]提高判決準確度，引入決策樹和模式匹配相結合的方式來進行動作分類。用決策樹算法(如圖4所示)初步判斷靜態姿態和動態動作。通過設置閾值t1～t4，判斷出靜態姿勢如直立、坐姿、平躺，動態動作如下蹲、坐下、咳嗽。

表1　不同姿態和動作特征向量值的差異

圖4　決策樹Fig 4　Decision tree

模式匹配算法可完成具有明顯波形特征的動作判決，如跌倒檢測[5]，由于蹲、坐等動作與跌倒類似，都具有明顯波形特征，以下蹲為例，垂直軸加速度模值在直立時為1 gn±0.1 gn，開始下蹲時迅速下降再上升，如圖5所示。而且，對于緊貼于腹部的加速度計而言，人體的每一個姿態都對應一個不同的方向角，可以通過此方向角判定動作發生前后的姿態，進一步提高判斷準確度。以下蹲為例，如果在一個數據窗(采樣率50Hz，窗長64個采樣點，即1.28s)內，峰峰值大于下蹲閾值，且最大值出現在最小值之后，則初步認為動作發生，進入角度判決，判斷動作發生前后的方向角。若動作發生前為直立狀態，即-35°<φ<35°時，確定完成了下蹲動作。方向角φ如式(3)所示

(3)

其中，x軸指向地面。

圖5　直立—蹲下—起立的加速度特征Fig 5　Acceleration pattern of squatting down stand up

2.2運動偽跡去除算法

運動識別算法標記出易產生ECG運動偽跡的時段后，對被標記ECG進行分類消噪處理。

2.2.1基線漂移去除

基線漂移由人體呼吸、移動引起，文獻[6]提出了一種基于梯度加權函數的基線漂移去除算法，并利用MIT/BIH數據庫驗證了算法可行性。本文采用文獻[6]中的算法去除動態心電信號中的基線漂移，并根據系統ECG采樣率500Hz，調整參數為d=0.01，k=10，Ω=100。結果表明基線漂移被有效去除。

2.2.2咳嗽運動偽跡去除

高頻噪聲和基線漂移為咳嗽產生的主要干擾。首先利用2.2.1法消除基線漂移；由于咳嗽引起的高頻噪聲因人而異、因咳嗽強弱而異，沒有固定的頻率特征，故引入RLS自適應濾波算法，將加速度信號作為噪聲參考信號。此處采用的加速度信號為三軸信號模值SVM。

2.2.3身體迅速下降運動偽跡去除

對于蹲、坐等身體迅速下降造成的運動偽跡，其偽跡幅值大，且頻譜幾乎完全覆蓋了正常的ECG信號頻譜，很難用簡單的濾波方法去除。但其心電特征點一般都還能辨別，故引入了特征點辨別算法，依次識別出被干擾信號的R，Q，S，P，T特征點[7]，再對特征點間的數據進行中值濾波，消除運動偽跡。

3試驗結果與分析

兩位測試者佩戴本文設計的動態ECG監護設備，進行了平躺、直立、坐、蹲情況的測試。數據處理結果表明：1)動作識別算法可準確識別直立、平躺，但對直立與坐姿的判斷準確度略差，可以準確區分咳嗽與身體迅速下降，但蹲與坐的區分準確度略差；2)由于靜態姿勢不會造成運動偽跡，身體迅速下降產生的運動偽跡相似，故動作識別算法產生的上述誤判不會影響ECG的運動偽跡去除。算法的消噪效果如圖6所示，可看出:咳嗽、下蹲產生的運動偽跡被有效去除了，消噪后可以清楚地分辨出ECG信號的特征。

4結束語

本文設計了一個加速度傳感器輔助的動態ECG監護設備，并提出了基于加速度傳感器數據的ECG運動偽跡識別和去除算法。經過實測數據檢驗，算法顯示了良好的效果，可有效改善運動情形下動態ECG的質量。下一步計劃將此系統用于一定數量的心臟疾病潛在患者的動態心電監護，驗證并提升此設計。

參考文獻:

[1]周雅琪.便攜式心電采集系統及實時分析算法研究[D].杭州：浙江大學，2014.

[2]Tong D A,Bartels K A,Honeyager K S.Adaptive reduction of motion artifact in the electrocardiogram[C]∥Proc of the 24th EMBS/BMES Conference,Houston,Texas:IEEE,2002:1403-1404.

[3]Biswas U,Maniruzzaman M.Removing power line interference from ECG signal using adaptive filter and notch filter[C]∥Proc of ICEEICT 2014,Dhaka:IEEE,2014:1-4.

[4]Bao L,Intille S S.Activity recognition from user-annotated acce-leration data[C]∥PERVASIVE 2004,Linz/Vienna:Springer,2004:1-17.

[5]Kozina S,Gjoreski H,Gams M,et al.Efficient activity recognition and fall detection using accelerometers[C]∥Evaluating AAL Systems Through Competitive Benchmarking:International Competitions and Final Workshop,EVAAL 2013,Berlin,Heidelberg:Springer,2013:13-23.

[6]Chen Y J,Ding J J,Huang C W,et al.ECG baseline extraction by gradient varying weighting functions[C]∥Proc of APSIPA 2013,Kaohsiung:IEEE,2013:1-4.

[7]Chan C C,Chou W C,Chen C W,et al.Energy efficient diagnostic grade mobile ECG monitoring[C]∥Proc of NEWCAS 2012,Montreal:IEEE,2012:153-156.

陳靜(1988-)，女，河南鄭州人，碩士研究生，主要研究方向為醫用電子系統設計與算法研究。

Motion sensor aided motion artifact recognition and removal method for ECG*

CHEN Jing, JIANG Han-jun, XU Nai-hao, WANG Zhi-hua

(Department of Microelectronics amd Nanoelectronics,Tsinghua University,Beijing 100084,China)

Abstract:Motion artifact is the main interference of dynamic ECG monitoring and will affect fault diagnosis rate and missed diagnosis rate.In order to improve dynamic ECC signal quality,a motion sensor aided dynamic ECG monitoring system is designed,this system collects V2 lead ECG signal,through abdominal motion sensor data,identify patient’s daily activity which easy to cause motion artifact of ECG motion,label position of motion artifact,introduce PQRST wave feature points detection and adaptive filtering algorithm to remove the motion artifact.The effectiveness of this algorithm is verified by actual ECG signals, daily activities such as coughing,squatting and sitting can be recognized and ECG motion artifact caused by such activities can be removed by this method effectively.

Key words:electrocardiogram(ECG); motion artifact; dynamic ECG monitoring; motion sensor; activity recognition

作者簡介:

中圖分類號：TP 409

文獻標識碼：A

文章編號：1000—9787(2016)01—0049—03

*基金項目：清華大學自主科研項目(2012087960)

收稿日期：2015—03—25

DOI:10.13873/J.1000—9787(2016)01—0049—03