非入侵式睡眠呼吸監測系統的設計與實現

楊佳鋒，童基均，蔣路茸，潘哲毅

1.浙江理工大學 信息學院，杭州 310000

2.武警海警總隊醫院 信息科，浙江 嘉興 314000

睡眠是人類生命過程中極其重要的生理需要，但據調查，我國38.2%的人群具有睡眠障礙問題[1]。其中，睡眠呼吸暫停低通氣綜合征（sleep apnea-hypopnea syndrome，SAHS）是一種嚴重影響人們睡眠質量和身體健康的睡眠疾病，睡眠中常見表現形式為打鼾、短暫氣喘、呼吸停止、身體抽動，乃至危及生命安全[2]。而對于SAHS的病癥數據獲取較為困難，其癥狀出現時間隨機性大，視覺表現形式弱，近親甚至患者自身都難以確定是否存在患病狀況，而進行住院觀察較為繁瑣，故需要一系列可居家、可徹夜長程監測的設備為患者及醫生提供信息，從而進行針對的診斷治療。

診斷睡眠呼吸暫停綜合征的“金標準”是多導睡眠監測儀（polysomnography，PSG），其主要監測包括腦電、眼電、肌電、胸腹呼吸運動、口鼻氣流、心電、鼾聲、血氧、體位等九個參數[3]。綜上可以歸類出，睡眠呼吸暫停綜合征的監測方案大體上可分為入侵式和非入侵式兩種。入侵式監測方案中，一般使用心電電極片、腦電圖儀、口鼻罩等裝置來測量心電、腦電、口鼻氣流。非入侵式監測方案中，通過生物雷達、壓感設備、加速度傳感器等方法測量胸腹運動、體位變化。入侵式監測方案或多或少都會對睡眠障礙患者造成一定生理上的影響。且從家庭生理監護的角度來講，非入侵式監測是重要的發展方向之一[4]。故通過對胸腹呼吸運動監測獲取數據的方案有著對患者更親和的優勢。微動敏感床墊是基于壓感設計的睡眠呼吸監測設備，相較于傳統使用生物雷達對于胸腹呼吸運動檢測的方法，有著低成本、對人體影響弱的優勢，且床墊方案適用于居家監測管理，其舒適性也適用于長程睡眠監測。國內俞夢孫等[6]利用分區床墊監測感受身體各部位微動及小波分析技術準確地獲得逐拍心動周期信息。曹征濤等[7]研究了從胸沖擊圖獲取BCG積分信號，設計了一套基于體動復合波的形態和幅值特征的無創檢測呼吸努力識別算法。Azimi等[8]通過組合不同傳感器信號來獲取高質量的呼吸強度信息，以實現對呼吸頻率和呼吸信號本身的良好評估。

本文針對睡眠中的呼吸與呼吸暫停狀況的收集捕獲，提出了一種非入侵式睡眠呼吸監測系統（noninvasive sleeping breaths monitoring system，NSBS）。該系統圍繞壓敏傳感帶進行睡眠胸腹呼吸運動數據采集，實時提取呼吸率，進行呼吸類型判別，記錄呼吸暫停狀況，通過藍牙無線通信方式傳輸至手機，手機APP可以根據數據繪制實時波形并顯示，繼而手機可將數據上傳至云平臺，PC端從云端獲取數據進行波形繪制，同時展示睡眠中的呼吸狀況記錄，實現對使用者的睡眠護理性監測。

1 非入侵式睡眠監測系統總體設計

非入侵式睡眠監測系統信號生成的基本原理為，通過經面積增大處理的壓力傳感帶，獲取睡眠時體動產生的壓力信號，并通過模擬，數字信號處理獲得有效的信息，模型如圖1所示。

圖1 呼吸監測系統采集系統示意圖Fig.1 Illustration diagram of respiratory monitor and acquisition system

本設計采用了Interlink公司的FSR408壓阻傳感器，該傳感器長度為600 mm，寬度為16 mm，厚度為1 mm，柔軟且可以任意弧度彎折，使用在床上，可以保證人體的舒適度。傳感器最大量程為10 kg，力分辨精度優于0.5%，反應時間為1～2 ms，滿足人體睡眠時各項參數的采集需要。由于其寬度較短，設計在傳感器的背面，靠近胸腔位置貼合了圓形薄塑料片，其他位置為方形薄塑料片，正面貼合與塑料薄片形狀相同的柔軟乳膠薄膜，增大了人體的壓感面積，并提升了舒適度。

非入侵式睡眠監測系統的總體系統框圖2所示，主要包括電源供應部分、數據采集部分和數據處理部分。

圖2 監測系統總框圖Fig.2 General block diagram of monitoring system

2 呼吸監測系統硬件電路設計

本系統硬件設計包括傳感器電路、濾波電路、ADC電路、電源電路模組、加速度傳感器模塊以及MCU電路部分。

2.1 傳感器電路

FSR408壓力傳感器帶的阻值與其受到的總壓力成反向乘冪關系，且傳感器帶較為細長，壓力分布不均，無法從理論判定其阻值范圍，進而難以選擇比例電阻R1的阻值。經不同環境、不同被測試者的反復實驗，R1值選擇為150Ω，該阻值電阻的放大效果能將電壓保證在ADC采集范圍之內，并能盡可能地放大體動信號。輸出信號公式如式（1）所示。壓電轉換電路如圖3所示。

圖3 壓電轉換電路Fig.3 Presssure-to-voltage circuit

2.2 濾波電路

在壓感檢測中，通過體動傳導出的具體信息為包含呼吸成分、心沖擊（ballistocardiogram，BCG）成分和噪聲部分的融合信號。BCG是一種間接方法通過偵測血液泵入動脈引起的振動來表示心臟的機械活動，醫學上一般認為心率在每分鐘40至150下為正常，即頻率為0.6～2.5 Hz。

根據經驗，BCG信號的濾波電路設計中被認為其最高頻率成分為20 Hz[9]。根據奈奎斯特采樣定理，采樣頻率為信號最高頻率的2倍，經過反復測試與改板，確定設計采用了50 Hz的硬件低通濾波和0.2 Hz的硬件高通濾波作為信號的電路通帶使用，保留心沖擊信號的模型供二次算法開發使用，濾波電路頻響曲線如圖4所示。濾波電路原理圖如圖5所示。

圖4 電路頻率響應曲線Fig.4 Frequency response curve of filter circuit

圖5 濾波電路Fig.5 Filter circuit

高通濾波器主要為了濾除幅度較大的基線漂移和直流分量。基線漂移和直流分量會因為肌肉放松狀態的轉變，人體重量的不同等因素而變化，故這兩者的存在，使得數據算法中的閾值無法確定，高通濾波的加入使這兩個問題得以解決。硬件濾波實際效果如圖6所示。

圖6 信號濾波效果對比圖Fig.6 Signal filtering effect

其中，無濾波方案與低通方案中由于存在值比較大的基線漂移，故所繪制的波形圖相較于帶通處理后的波形形狀會有所壓縮，但在單呼吸幀的幅值上仍保留有相似性。

2.3 ADC電路

ADS1220是一款精密24位模數轉換器，擁有多通高速道采樣與可編程增益的功能，與MCU通過SPI協議進行數據通信。在設計中考慮到，由于人體長期處于50 Hz工頻輻射環境，肌體信號中保留了工頻成分，且電路板部分易從環境與電源中混入工頻干擾。故為在保證采樣信號的完整性下，使用了90 Hz采樣頻率，并通過對ADS1220模塊配置對信號進行50 Hz數字陷波處理，消除工頻干擾。

2.4 穩壓電源模組

系統采用7812與7912穩壓模塊獲得±12 V電壓為電路提供基本電源供應，使用AMS1117與REF3133獲得穩定的3.3 V電源與基準源。其中，ADS1220與MCU使用AMS1117提供的3.3 V電源；ADS1220與采樣電路的基準電壓都由REF3133提供。

2.5 加速度傳感器

系統使用了MPU6050模塊作為加速度傳感器輔助主電路的判斷。MPU6050通過串口與MCU實現通信，在功能部分主要為，采集使用者翻身時的床體晃動數據，記錄翻身數據，并在壓感信號部分同步消除翻身產生的包含大量噪聲的基礎信號，并加入呼吸補償。

2.6 MCU部分

根據結合物聯網應用環境和信號處理需求，系統采用了STM32-F407微控制器作為處理核心。STM32F407具有數據運算效率高、處理優勢明顯等特點，且運行穩定、端口資源豐富，可與系統內各板塊裝置相連接，滿足系統數據交互需求，其內部還有集成的單周期DSP指令，能夠為算法在下位機上的執行提供保障。

3 軟件與呼吸監測系統信號捕獲算法

本系統下位機程序主要包括：數據采集，呼吸信號判別處理以及云平臺數據上傳。流程圖如圖7所示。

圖7 下位機程序流程圖Fig.7 Flow chart of MCU program

在睡眠呼吸暫停的監測過程中，所有睡眠中人體產生的體動信號都是長程、離散的。由于硬件終端算力有限，進行數據全部存入再進行統一算法處理可行性低，故在該系統設計中，選擇使用了先單幀截取，后判別的方案。

首先定義一個呼吸峰為一幀。由于體動中融合的信號不僅只有呼吸，其他高頻信號同樣存在，所以直接使用極小值法尋找到波谷概率極小，故必須對信號中的低頻呼吸部分進行提取。考慮到MCU效率，設計中采用了中值濾波方案[10]，中值濾波被廣泛使用在心沖擊信號提取基線的過程中，只需根據離散數據的采樣速率進行固定數量的樣本中值提取，即可避開心電中的J峰[11]等特殊高頻位置，提取到低頻基線作為呼吸樣本。

在提取出呼吸基線后，即可通過尋找雙極小值點截取單幀呼吸，但在呼吸暫停過程中可能會存在微弱體動干擾判斷，故在截取完單幀后，算法添加了幀內原數據積分閾值判別和極大值幅度閾值判別，以確保截取到完整的呼吸幀與呼吸暫停幀。

在截取完成后，對幀內的原數據的功率積分進行歸一化，最后進行互相關程度的判定，互相關公式如式（2）所示[12]：

其中，Rf,g為相關值，f為標準呼吸幀數據序列，g為當前截取的呼吸幀數據序列，n為相關度求取的延遲時間，n的值小于兩序列長度之和。

由于呼吸信號的幅度、頻率、時間性存在極大的隨機性，無法通過邏輯運算確定延遲時間n，故通過求取序列相關的最大值作為兩個信號的相似度，相關程度計算公式如式（3）所示：

在相關度判別結束后，若被檢測呼吸幀確定為正常呼吸幀，則進行積分閾值與極大值幅度閾值的更新，使判定數據能夠隨使用者個體的各項生理信息不同而進行自適應。更新公式如式（4）、（5）所示：

其中，ThI為積分閾值，ThM為極大值閾值，φ1、φ2為更新參數。根據反復的實驗測試與調整，預測定φ1的經驗值為0.85，φ2的經驗值為0.8。

在本系統中，設計添加了放置于床上的加速度傳感器，由于翻身產生的體動信號的時頻成分較為復雜，會阻礙算法的判斷，故使用加速度傳感器捕獲翻身信號，并進行信號補償。算法基本流程圖如圖8所示。

圖8 算法流程圖Fig.8 Illustration of algorithm

在具體實施過程中，呼吸幀截取，判別算法部分均由STM32F407完成實時信號分析。STM32通過中值濾波與雙閾值判定后，將截取的呼吸幀數據及數據量存入預留的隊列中，再由DSP指令執行相關性算法的運算過程，最后進行閾值更新。翻身呼吸補償在手機端進行，手機在判定翻身時間段，根據相鄰時間段的呼吸狀態對呼吸數量進行一定補償。

4 實驗驗證與分析

實驗在床墊上，將床墊收理平整，把經過面積放大處理的傳感器帶放置于人體躺于床上時的胸腔投射位置，實驗者們分別平躺于床上，仿照正常睡眠時呼吸的狀況，并從中模擬吸氣后暫停呼吸狀態與吐氣后呼吸暫停的狀態。圖9為實驗測試場景，圖10為手機APP界面，表1為睡眠監測模式與離床模式下的功耗值。

圖9 實際測試場景圖Fig.9 Real application scenario

圖10 手機APP界面Fig.10 Mobile application UI

表1 系統兩種模式下的功耗測試結果Table 1 Power consumption of systems under two modes

圖11為驗者正常呼吸所產生的信號波形繪制，圖12為實驗者1所產生的呼吸信號，圖13為通過呼吸暫停檢測算法的模擬運算截取的呼吸幀和其與標準幀之間的相似度ξ折線圖。

圖11 正常呼吸波形圖Fig.11 Waveform of normal respiratory

圖12 測試呼吸數據（測試對象1）Fig.12 Schematic of respiratory data（testee 1）

圖13 呼吸截取幀與幀的相似度（測試對象1）Fig.13 Similarity values between segmented respiratory data（testee 1）

圖14與圖15為實驗者2所產生的呼吸信號，及其算法效果圖。

圖14 測試呼吸數據（測試對象2）Fig.14 Schematic of respiratory data（testee 2）

在圖15內，實驗者2被截取的第一個呼吸幀由于系統初始化時間影響，數據僅被錄入了一半，從而導致相似性判斷僅為80%。而在其他數據中可以看出，對于不同的人，電路跟隨體動產生的信號振幅穩定，高通濾波良好地消除了體重異同對信號幅域的影響，按幀截取方案使用自適應閾值的判斷結果效果較好，可以準確地分離出各呼吸完整波形。相關程度算法在計算正常呼吸信號時相似度都在90%以上，在檢測到呼吸暫停幀時相似度明顯低于正常幀，且呼吸暫停時間越長相似度越低。

圖15 呼吸截取幀與幀的相似度（測試對象2）Fig.15 Similarity values between segmented respiratory data（testee 2）

為驗證呼吸判別的準確性，實驗使用HKH-11C呼吸傳感器進行了同步呼吸監控，并由兩名實驗者分別按照之前所述采集方式，進行兩次為期五分鐘的數據采集，其中，每個人在第二次測試中加入隨機的翻身信號。記錄數據并進行準確率分析，準確率公式如式（6）所示：

式中，Ti表示本監測系統平均每分鐘的測量次數，Ri表示實際測量平均每分鐘次數。

數據對比如表2所示，數據顯示，系統對呼吸模型判別基本準確，且對于不同的實驗者，標準呼吸幀所匹配計算所得的相關性值都比較接近。但在體動加入的情況下，由于算法對體動時間內的呼吸數量進行了經驗補償，故有誤判呼吸暫停為正常呼吸波的情況，故若要在此基礎上提升準確度，應在呼吸類型的補償部分進行相關研究。

表2 測量睡眠參數與實際對比Table 2 Measurement of sleep parameters and actual comparison

5 結語

本文提出了一種基于嵌入式的非入侵式睡眠監測系統，采用了FSR408柔性阻式壓力傳感帶，可以以非入侵時的方式配合采樣濾波電路進行信號采集；算法方面通過中值濾波、差分尋谷、雙閾值判定與相關性計算的融合，實現了睡眠呼吸暫停狀況的判別；監測數據通過藍牙模塊，可加將數據傳輸至手機APP，手機可上傳至云服務器，進行二次算法處理與開發，實現物聯網健康監測。系統經過實驗測試，獲得的數據基本滿足準確率要求，滿足家庭、養老院等場景的睡眠監測需求，并且對采集的原始數據仍可使用算法進行挖掘，同時預留物聯網接口，可進行云平臺等技術開發。

另外，在實驗過程中發現，不同實驗者的具體睡姿不同，有一定概率使傳感器無法貼合主要受力部位，導致數據質量下降。針對該問題，后續將進行傳感器的陣列式排布方式的研究以改進。