Signal Processing Method for Mattress-type Physiological Monitoring

SHEN Jinpeng, WANG Xin’an

ACTA Scientiarum Naturalium Universitatis Pekinensis - - Contents -

The Key Laboratory of Integrated Microsystems, Peking University Shenzhen Graduate School, Shenzhen 518055; † E-mail: shenjp@pkusz.edu.cn

Abstract An empirical mode decomposition (EMD) based algorithm is proposed for mattress-type physiological monitoring. Fast Fourier Transform (FFT) is executed for the mixed physiological signal to estimate the frequency range of the respiration signal and heartbeat signal. Then the physiological signal is decomposed into several IMF components by EMD method, some of which are used to reconstruct the respiration signal and the heartbeat signal, according to the respiration or heartbeat spectrum energy in proportion of the total spectrum energy. The experiment result shows that the accuracy of measured respiration rate and heartbeat rate are both over 90%, compared with the polysomnography. Key words mattress-type physiological monitoring; EMD; piezoelectric sensor

呼吸和心跳信号是人体的基本生命特征信息,是反映人体心肺健康状况的重要参数[1–2]。传统的呼吸和心跳监测手段需要在人体佩戴传感器、粘贴电极等, 非常不方便。床垫式的人体生理信号监测系统是通过在床垫中安装压力或压电传感器, 可以在无负荷的情况下监测人体的呼吸和心跳, 使用简

[3–5]单, 已成为人体生理信号监测的研究热点 。床垫式生理信号监测系统的传感器采集的原始信号包括呼吸、心跳和噪声信号, 所以需要提取呼吸和心跳信号, 才能进一步计算呼吸率和心率。目前, 床垫式生理信号监测系统大多采用常规的滤波方法[6]

[7–8]或小波变换 来提取呼吸和心跳信号。然而, 异

常情况下的呼吸和心跳的频带与正常情况下的频带可能重叠, 常规的滤波方法不能处理这种情况。小波变换具有多分辨率的特性, 但是难以选取合适的小波基, 而且缺乏自适应性。因此, 本文提出一种基于 EMD (empirical mode decomposition)[9]的信号处理方法, 可以根据原始信号的特点, 动态地确定呼吸和心动的频带范围, 对输入信号进行自适应分解和重构, 有效地提取呼吸和心跳信号。

1 床垫式生理信号监测系统介绍

床垫式生理信号监测系统的框图见图 1。薄垫中安装 PVDF[10–11]压电传感器, 可以捕捉人体呼吸

和心跳的微弱振动信号,荷放大器对传感器的输出信号进行放大,输出相应的电荷信号。电并转化为电压信号。低通滤波器用于滤除工频干扰和高频噪声。考虑到不同个体的生理信号强度不同, 在电路上增加可以自动调节增益的电压放大器, 使得输出信号的幅度在合适的范围。MCU (microcontroller unit)对模拟前端的输出信号进行处理和分析, 得到呼吸率和心率的计算结果。在模拟前端, 电荷放大器的设计非常关键。图2 是电荷放大器的电路图, 当传感器发生形变时,会输出电荷 Q, 使得运算放大器的负端电压上升。根据运放的“虚短”特性, 最终, 反馈环路会使运放的负端电压又变为零, 所有的电荷 Q 都通过C f 转移到运放的输出, 在输出端产生一个输出电压。在

电荷放大器中, Rf 和C f 分别是反馈电阻和反馈电

容, C f 将传感器输出的电荷转移到运算放大器的输出端, Rf 为放大器提供直流通路。电荷放大器的输出电压可以用下式[12]表示:

2 信号处理方法的实现

本文提出的信号处理方法的流程如图3 所示。第 1 步 确定呼吸信号和心跳信号频带。不同个体的呼吸频率和心跳频率有很大差别,同一个人在不同时间不同状态下的呼吸频率和心跳频率也不同。因此, 我们不能事先确定呼吸和心跳信号的频率范围, 无法用固定的频率界限对呼吸和心跳信号进行频率划分。

对床垫式生理信号监测系统而言, 胸腔呼吸引起的振动要强于心脏跳动在人体体表引起的振动,也就是采集到的原始信号中, 呼吸信号的能量最强。对原始信号进行 FFT 分析, 找到最大能量谱峰对应的频率 fc作为参考确定呼吸频带范围。根据经验, 确定 0~(fc+ 0.2) Hz 为呼吸的频带范围, (fc+ 0.2)~ 5Hz 为心跳的频带范围(心跳频率大于呼吸频率)。

fc 是一个根据原始信号来动态调整的参数, 因此可以根据原始信号的不同, 动态地确定呼吸和心跳的频带范围。

第 2 步 对原始信号 x ( t) 进行 EMD 分解, 流程如下。

1) 找出原始信号的所有极小值点和极大值点,然后拟合成上包络线e up( t)和下包络线e (t), 计

down算包络平均值:

满足两个条件: 2) 3) 计算判断h h 1( 1( t t) )极值点个数和过零点数相同或最多是不是x ( t )  m IMF ( t)。分量。IMF 分量必须相差一个; 上下包络关于时间轴局部对称。4) 假如h 1( t)不满足条件, 将h 1( t)视为新的原始数据, 重新执行步骤1 和 2, 直到满足IMF条件。这时得到混合信号的第1个IMF分量, 定义为c 1( t), 它包含原始信号中最高频的分量。将c 1( t)从原始信号中分离出去, 余量为

5)将r ( t) 视为新的数据, 重复步骤1~3, 可以1得到第 2 个 IMF分量c 2( t) , 重复 N 次, 得到 N 个IMF 分量和一个不满足 IMF 条件的残余量rn (t)。原始信号可表示为

原始信号经过层层筛选, 得到不同时间特征尺度的 IMF 分量c 1( t ), c 2( t), …, cn ( t)。第 3 步 对呼吸和心跳信号进行重构。以呼吸信号的重构为例(心跳信号类似), 步骤如下。1) 对每个 IMF 分量进行 FFT 分析。2) 计算每个 IMF 分量的总能量E ( i) 和呼吸频带范围内的能量Er ( i), 判断是否满足以下条件:

Er ( i) , (5) E ( i)

其中是一个经验参数。如果满足该条件, 则认为该 IMF 分量是组成呼吸信号的有效分量。实验分析显示, 当取值为 0.6 时, 效果最佳。如果取值过大, 会导致有用的 IMF 分量被丢弃; 如果 取值过小, 会引入无用的 IMF 分量。选出组成呼吸信号

的 IMF 分量c 1( t ), c 2( t), …, ck ( t )。

3)将所有组成呼吸信号的有效分量加起来, 得到呼吸信号:

第 4 步 对重构的呼吸和心跳信号进行 FFT分析, 根据最大能量点对应的频率值, 计算呼吸率和心率。

3 实验结果与分析

床垫式生理信号监测系统的实验场景如图4所示。传感垫内置PVDF压电传感器, 当人体躺在传感垫上时, 传感器可以捕捉呼吸和心跳。主机包含模拟前端和 MCU, 进行信号处理和分析后, 得到呼吸率和心率。为了验证呼吸率和心率的准确性,使用型号为 Embla N7000 的多导睡眠仪(Polysomnography, PSG)的数据进行比对。

图5(a)是床垫式生理信号监测系统采集的一段30秒的原始信号, 对该原始信号进行频谱分析, 结果如图5(b)所示, 可以看到能量最大点对应的 fc 为0.2999 Hz。因此, 选择[0, 0.4999]为呼吸信号的频带范围, [0.4999, 5]为心跳信号的频带范围。

对图 5 的原始信号进行EMD分解, 得到 7 个IMF 分量, 如图 6 所示。低阶IMF分量代表快的振动模式, 高阶IMF分量代表慢的振动模式, 这些IMF分量在频域上表现为从高频到低频的逐层滤波。对这 7 个 IMF 分量进行FFT分析, 计算呼吸频带和心跳频带的能量以及它们占总能量的比例, 如表 1所示。可以看到, IMF4和IMF5的心跳频带能量

占比超过60%, 是构成心跳信号的有效 IMF 分量; IMF6 和 IMF7 的呼吸频带能量占比超过60%, 是构成呼吸信号的有效IMF分量。

将 IMF4与 IMF5相加, 重构心跳信号, 结果如图7(a)所示。分析心跳信号的频谱, 可以看到能量 最大点对应的频率为1.033 Hz (图7(b)), 由此可以估算心跳频率为62 次/分钟。将 IMF6 与IMF7相加, 重构呼吸信号, 结果如图8(a)所示。分析呼吸信号的频谱, 可以看到能量最大点对应的频率为0.2999 Hz (图8(b)), 由此可以估算呼吸频率为18次/分钟。

图 9 显示床垫式生理信号监测系统与PSG的呼吸率和心率对比结果, 数据总时长为439分钟。统计结果表明, 呼吸率的准确性达到95%, 心率的准确性达到93%。

4 结论

本文提出一种适用于床垫式生理信号监测系统的信号处理方法。首先对原始信号进行 FFT 分析,确定呼吸信号和心跳信号的频带范围。然后将原始信号分解为若干 IMF 分量, 并选择合适的 IMF 分量进行呼吸和心跳信号的重构。实验结果显示, 该方法可以很好地从原始信号中提取出呼吸和心跳信号, 与 PSG 进行比较, 呼吸率和心率达到 90%以上的准确性。本文方法的优势在于可以根据原始信号的特点, 动态地确定呼吸和心跳的频带范围, 对原始信号进行自适应的分解和重构, 有效地提取呼吸和心跳信号。

图 1床垫式生理信号监测系统框图Fig. 1 Block diagram of the mattress-type physiological monitoring

图 3信号处理方法流程Fig. 3 Signal processing flow

图 2 电荷放大器Fig. 2 Circuit of charge amplifier

图 4床垫式生理信号监测系统的实验场景Fig. 4 Experiment photo of the mattress-type physiological monitor

图 5原始信号的波形及其频谱 Fig. 5 Waveform and frequency spectrum of original signal

图 6原始信号的 IMF 分量Fig. 6 IMF components of original signal

Newspapers in Chinese (Simplified)

Newspapers from China

© PressReader. All rights reserved.