基于信號質(zhì)量評估的日常血氧檢測研究*

許建雯 張愛華，2，3 漆宇晟 馬玉潤，2，3

（1.蘭州理工大學電氣工程與信息工程學院 蘭州 730050）（2.甘肅省工業(yè)過程先進控制重點實驗室 蘭州 730050）（3.蘭州理工大學電氣與控制工程國家級實驗教學示范中心 蘭州 730050）

1 引言

血氧飽和度（Blood Oxygen Saturation，SpO2）是反映人體呼吸和循環(huán)系統(tǒng)機能的重要生理參數(shù)，血氧檢測主要利用光譜技術(shù)和朗伯比爾定律，通過向血管組織照射兩種不同波長的光，感知動脈搏動過程中光吸收變化從而獲得血氧值［1～2］。然而，利用光電容積描記法檢測血氧時易受噪聲、運動和血流灌注等因素的影響，導致檢測到的信號質(zhì)量較差，給日常無監(jiān)督狀態(tài)下血氧檢測帶來了巨大挑戰(zhàn)［3］。

針對日常血氧檢測已經(jīng)做了大量研究，比如李敏提出一種基于時變自回歸模型，利用加速度信號將信號分為運動和靜止兩個狀態(tài)，從而提高血氧的準確性［4］。Yan提出利用最小相關(guān)離散飽和變換獲得日常血氧［5］。Alzahrani 用三軸加速度計構(gòu)建運動干擾信號降低日常運動偽跡的影響［6］。毛爍構(gòu)造形態(tài)學算子提取波峰波谷，提高了運動狀態(tài)下血氧的準確性［7］。張蕾蕾在耳道設計了反射式無線血氧監(jiān)測儀［8］。王超基于STM32 設計了一款家用監(jiān)護系統(tǒng)，采用指套式探頭檢測血氧［9］。目前市場上血氧儀主要由Nellcor、Philips、魚躍以及康泰等公司生產(chǎn)。但無論是上述理論研究還是產(chǎn)品設計，血氧探頭一般放置在手指、耳道、腕部等受運動干擾和血流灌注的影響較大的部位。此外，雖然上述學者通過抑制噪聲提高血氧的準確性，但是很難從已經(jīng)破壞的信號中提取到有效的測量值，所以對信號的質(zhì)量及其受到的干擾進行評估是提取有效血氧首要解決的問題。

研究發(fā)現(xiàn)檢測過程中耳后相比于常用檢測部位，不僅提供穩(wěn)定的血流灌注，而且日?；顒又懈哂锌垢蓴_性和隱蔽性［10］。因此，本文針對目前日常血氧檢測存在的問題，首先研制了耳后血氧采集裝置，實現(xiàn)脈搏信號的穩(wěn)定采集。其次，對日常中常見干擾的特征和來源進行分析，提取反映干擾信息的特征，并提出基于特征融合和支持向量機（Support Vector Machine，SVM）的信號質(zhì)量評估方法。最后，對不同質(zhì)量的信號分別處理，提取波峰波谷，計算血氧值，實現(xiàn)日常血氧準確有效的檢測。

2 耳后血氧檢測裝置

以耳后作為采集部位研制了血氧采集裝置，采樣頻率為100Hz，實物如圖1 所示。基于耳后血氧裝置的檢測系統(tǒng)由主控模塊、采集模塊、電源模塊、通信模塊和處理模塊五部分組成。主控模塊采用STM32F103RCT6，通過PCB 設計盡量減小尺寸。采集模塊采用尺寸小功耗低的MAX30100 光學傳感器。外部控制器通過I2C 總線讀取脈搏信號，并用無線通信方式將數(shù)據(jù)傳至PC 終端分析處理，實現(xiàn)血氧的檢測。系統(tǒng)框圖如圖2所示。?

圖1 血氧檢測裝置實物圖

圖2 耳后血氧檢測系統(tǒng)框圖

3 算法原理與分析

3.1 SVM算法

支持向量機在模式識別分類等問題上已經(jīng)得到了廣泛的應用。SVM 的核心思想是通過建立一個分類決策曲面來區(qū)分正反例，進而得到最優(yōu)超平面［11］。假設x為訓練樣本集，其原理如圖3所示。

圖3 支持向量機原理圖

其中ω?x+b=0 為分離超平面，ω決定超平面的方向，b決定超平面與原點的距離。實際應用中通常利用非線性映射Φ將輸入空間的樣本映射到高維特征空間H 并構(gòu)造最優(yōu)分類超平面。Vapnik等人利用符合Mercer 條件的核函數(shù)K代替點積運算，定義如下：

SVM 常用的核函數(shù)有如下三種，其中xi為非零部分對應的樣本，具體定義如下：

1）線性核函數(shù)

2）d階多項式核函數(shù)

3）徑向基核函數(shù)

由于徑向基函數(shù)的參數(shù)較少應用廣泛，分類時對樣本數(shù)量要求不高，所以本文采用徑向基函數(shù)作為支持向量機的核函數(shù)。

3.2 基于SVM和特征融合的信號質(zhì)量評估

本文從日常干擾的來源分析，提取反映干擾信息的特征，提出基于SVM 和特征融合的方法實現(xiàn)日常脈搏信號的質(zhì)量評估。首先，分析了日常干擾的類型，主要有大幅度的運動、傳感器的跌落和與檢測部位接觸不良導致的信號片段，以及包含基線漂移、高頻噪聲和運動偽跡等噪聲干擾的信號片段。這些噪聲主要表現(xiàn)為信號幅值時高時低、大量的毛刺等特征，導致無法提取有效的信息。其次，提取以下7個特征。

1）峰度（kurtosis，k）：峰度是概率分布的四階中心矩，衡量峰值的尖銳程度。離散信號的峰度定義如下：

其中μx和σ為信號的均值和標準差，M為信號的采樣點數(shù)［12］。

2）偏度（skewness，s）：偏度是概率分布的三階中心矩，衡量分布的對稱程度。離散信號的偏度定義如下：

其中μx和σ為信號的均值和標準差，M為信號的采樣點數(shù)［13］。

3）奇異值之比（ratio of singular value decompo?sition，svd）：文獻［14］指出奇異值之比用于表征信號質(zhì)量，對信號進行奇異值分解，排序后可得σ1>σ2>σ3……>σm，則其定義如下：

4）灌注指數(shù)（Perfusion Index，PI）：灌注指數(shù)是周圍組織搏動血流量與非搏動血流量的比值，其定義如下：

其中xˉ為x的統(tǒng)計平均值，y為濾波后的信號［12］。

5）排列熵（Permutation Entropy，PE）：排列熵反映時間序列的隨機程度，其定義如下：

其中P1,P2,…Pb為不同符號序列出現(xiàn)的概率［15］。

6）模糊熵（Fuzzy Entropy，fuzEn）：模糊熵用于量化時間序列的復雜度，當信號受到噪聲干擾時其復雜度較高熵值較大。假設長度為N的原始信號序列為［x（n）］=x（1）…x（N），按采樣序號組成一組m維向量，利用模糊隸屬函數(shù)求序列的相似程度，并定義以下函數(shù)：

以此類推到m+1 維，則模糊熵的計算公式如下：

其中m為模式維數(shù)，r為相似容限，函數(shù)D為信號的相似度［16］。

7）互 相 關(guān) 系 數(shù)（cross correlation coefficient，ccor）：血氧檢測中質(zhì)量好的紅光和紅外脈搏信號兩者具有較強的相關(guān)性，而在有運動干擾的情況下，相關(guān)性會降低。其定義如下：

其中x和y分別為紅光和紅外光脈搏信號，xˉ和yˉ為均值，σx和σy為標準差。

然后，將7 個特征及其組合作為信號質(zhì)量指標，并對采集的數(shù)據(jù)進行不重疊分割，每段數(shù)據(jù)長度為300 個點，以保證至少有兩個完整脈搏周期。由3名專家對信號進行“好、中、差”3個質(zhì)量等級的標注，并將結(jié)果作為數(shù)據(jù)標簽。最后，針對日常脈搏信號提出一種基于SVM 和特征融合的方法實現(xiàn)信號質(zhì)量評估，進而實現(xiàn)信號質(zhì)量“好、中、差”的劃分。

3.3 基于信號質(zhì)量評估的日常血氧檢測

根據(jù)不同質(zhì)量的信號，提出相應的后續(xù)處理方法。質(zhì)量差的信號直接剔除；質(zhì)量中的信號需要抑制運動偽跡對特征點檢測的影響，再提取波峰波谷；質(zhì)量好的信號直接提取波峰波谷。最后，利用特征點計算血氧值。其中，運動偽跡不易去除且與脈搏信號有效頻帶重疊［17］，提出利用廣義組合形態(tài)學濾波方法削減運動偽跡對信號分析的影響。數(shù)學形態(tài)學最基本的算子有膨脹和腐蝕［18］，對膨脹和腐蝕進行級聯(lián)以及算數(shù)平均運算得到的組合形態(tài)學運算存在偏移現(xiàn)象。而廣義組合形態(tài)學濾波不僅可以消除統(tǒng)計偏倚現(xiàn)象，而且能保持較好的幾何特征。具體檢測流程如圖4所示。

圖4 基于信號質(zhì)量評估的日常血氧檢測流程圖

4 實驗與結(jié)果

4.1 硬件檢測裝置的有效性分析

血氧計算的經(jīng)驗公式如下：

表1 靜坐狀態(tài)下的血氧誤差分析實驗結(jié)果

4.2 信號質(zhì)量評估

為了獲得日常狀態(tài)下區(qū)分信號質(zhì)量的最佳特征向量，模擬人體真實的日?；顒釉O計了坐姿、站姿、平躺、慢走、打字和說話或咀嚼共6 組實驗，采集3 名健康研究生的血氧數(shù)據(jù)，每組長度為5min。質(zhì)量評估結(jié)果如圖5 所示，由圖可知特征融合改善了單特征表征信號質(zhì)量準確率較低的問題。其中k、PI 和PE 特征組合能更有效剔除質(zhì)量差的信號，準確率為93.33%；svd、s和fuzEn特征組合可以更準確區(qū)分質(zhì)量等級好和中的信號，準確率為92.08%。

圖5 單特征和特征組合分類的準確率

4.3 日常血氧檢測

針對質(zhì)量中的信號基于廣義組合形態(tài)學方法進行濾波。如表2 所示，運動狀態(tài)下濾波后檢測的準確率均在90%以上，降低了特征點的誤檢和漏檢。因為廣義組合形態(tài)學濾波后特征點被突出，從而有效削弱了運動偽跡的影響。對質(zhì)量好和中的信號提取波峰波谷，結(jié)果如圖6所示。

圖6 波峰波谷檢測結(jié)果

表2 運動狀態(tài)下波谷檢測結(jié)果

為了驗證提出的基于信號質(zhì)量評估的血氧檢測方法的有效性，分別在日常靜止和運動狀態(tài)下進行了檢測。首先，利用耳后血氧檢測裝置和YX303采集靜止狀態(tài)下兩名健康受試者的數(shù)據(jù)，分析對比利用直接測量法得到的血氧值（測量值1）和基于本文質(zhì)量評估方法得到的血氧值（測量值2），其中直接測量法僅濾除基線漂移和高頻噪聲。實驗中以YX303檢測結(jié)果作為參考標準值，對比結(jié)果如表3 所示。前四組為受試者1 的數(shù)據(jù)，后四組為受試者2 的數(shù)據(jù)。結(jié)果表明，與YX303 對比直接計算的血氧誤差是2.1%，基于本文方法的血氧誤差下降了1.1%。因此，所提方法減少了靜止狀態(tài)下血氧的誤差。

表3 靜止狀態(tài)下的血氧檢測結(jié)果

然后，對運動狀態(tài)下的血氧進行了實驗對比。由于運動狀態(tài)下指部受運動干擾影響較大，YX303檢測結(jié)果誤差較大，無法作為參考標準。同時，考慮到血氧的計算取決于波峰波谷的準確檢測。所以，本文基于波峰波谷檢測的準確率作為血氧檢測有效的間接評判標準，檢測結(jié)果如表4 所示，運動狀態(tài)下基于信號質(zhì)量評估的血氧檢測方法相比于直接檢測準確率從69.5%提高至88.4%。因此，本文所提方法提高了日常血氧檢測的準確性和可靠性。

表4 運動狀態(tài)下信號片段的檢測結(jié)果

5 結(jié)語

本文設計并研制的耳后血氧檢測系統(tǒng)，克服了商用血氧儀在日常狀態(tài)下受運動和血流灌注影響大的劣勢，系統(tǒng)可有效穩(wěn)定的采集數(shù)據(jù)。針對日常中信號質(zhì)量受噪聲干擾的問題，提出的基于支持向量機和特征融合信號質(zhì)量評估方法，獲得區(qū)分信號質(zhì)量的最佳特征組合，并作為SVM 的輸入?yún)?shù)實現(xiàn)信號質(zhì)量的分類。針對運動偽跡的影響，使用廣義組合形態(tài)學方法降低了特征點的誤檢和漏檢。在靜止和運動狀態(tài)下檢測血氧，其準確率相比于未采用質(zhì)量評估算法均得到了提高。因此，所提方法能夠有效抑制噪聲干擾和運動的影響，提高了血氧的準確率，為日常無監(jiān)督狀態(tài)下的血氧檢測提供了新的思路和方案。