李 偉, 梅莉麗, 呂高沖, 余新明, 江慧娜

1(北京石油化工學(xué)院 信息工程學(xué)院, 北京 102617)

2(中國(guó)航天員科研訓(xùn)練中心, 北京 100094)

傳統(tǒng)睡眠監(jiān)測(cè)手段會(huì)對(duì)人體正常睡眠造成一定程度的干擾, 其睡眠數(shù)據(jù)的客觀(guān)性和真實(shí)性也相應(yīng)受到影響, 難以滿(mǎn)足家庭睡眠監(jiān)測(cè)的實(shí)際應(yīng)用需求, 非接觸方式實(shí)現(xiàn)的睡眠監(jiān)測(cè)系統(tǒng)則可以克服傳統(tǒng)睡眠監(jiān)測(cè)設(shè)備中的弊端.床墊式睡眠監(jiān)測(cè)系統(tǒng)通過(guò)在床墊中安裝壓力或壓電傳感器, 可以對(duì)人體呼吸和心跳等典型生理特征參數(shù)進(jìn)行無(wú)擾式監(jiān)測(cè), 因其具有使用簡(jiǎn)單的優(yōu)點(diǎn), 其相關(guān)理論研究已成為生理信號(hào)監(jiān)測(cè)領(lǐng)域的熱點(diǎn)問(wèn)題[1-4].

基于壓電薄膜傳感器的床墊式睡眠監(jiān)測(cè)系統(tǒng)可以感知微小壓力或震動(dòng)變化, 從而捕獲心沖擊(BCG)力傳至體表的震動(dòng)成分、呼吸時(shí)人體胸腔起伏對(duì)床墊的壓力變化以及體動(dòng)等信息并轉(zhuǎn)為電信號(hào). 但由于采用該方式采集的信號(hào)是集呼吸、心跳以及噪聲等在內(nèi)的復(fù)雜生理信號(hào), 需要從混合信號(hào)中實(shí)現(xiàn)呼吸和心跳等信號(hào)的有效分離和識(shí)別, 才能準(zhǔn)確計(jì)算呼吸率和心率等關(guān)鍵睡眠特征參數(shù).

對(duì)心沖擊信號(hào)進(jìn)行分離和提取時(shí), 大多采用常規(guī)的濾波器、小波變換或經(jīng)驗(yàn)?zāi)B(tài)分解(EMD)等方法實(shí)現(xiàn)[5-8]. 常規(guī)的濾波器無(wú)法準(zhǔn)確描述其局部特性, 且常規(guī)濾波器需要根據(jù)先驗(yàn)知識(shí)預(yù)定義濾波器截止頻率,無(wú)法根據(jù)心率的變化動(dòng)態(tài)分割頻譜； 若采用小波變換,因難以選取合適的小波基和分解層數(shù), 且缺乏自適應(yīng)性, 故信號(hào)提取效果不佳； EMD方法則存在模態(tài)混疊,缺乏完備理論基礎(chǔ)以及計(jì)算量大等局限[9]. 本文采用基于經(jīng)驗(yàn)小波變換(Empirical Wavelet Transform,EWT)的信號(hào)處理方法, 可以根據(jù)原始信號(hào)特點(diǎn), 動(dòng)態(tài)地確定呼吸和心跳等信號(hào)的頻帶范圍, 對(duì)輸入信號(hào)進(jìn)行自適應(yīng)分解和重構(gòu), 有效提取呼吸和心沖擊信號(hào). 在此基礎(chǔ)上, 采用K-means聚類(lèi)算法進(jìn)行心跳定位.

1 床墊式生理信號(hào)監(jiān)測(cè)系統(tǒng)

本設(shè)計(jì)所采用的睡眠監(jiān)測(cè)系統(tǒng)方案如圖1所示,睡眠監(jiān)測(cè)系統(tǒng)主要由傳感器裝置、監(jiān)測(cè)系統(tǒng)主機(jī)以及監(jiān)測(cè)終端設(shè)備3部分構(gòu)成. 本設(shè)計(jì)采用基于壓電薄膜傳感器的監(jiān)測(cè)床墊進(jìn)行信號(hào)采集, 并設(shè)計(jì)了具備電荷放大、濾波以及信號(hào)放大等功能的信號(hào)調(diào)理電路. 經(jīng)調(diào)理后的電壓信號(hào)送至低功耗單片機(jī)進(jìn)行AD轉(zhuǎn)換,轉(zhuǎn)換后的結(jié)果通過(guò)WiFi模塊送至監(jiān)測(cè)終端進(jìn)行后續(xù)算法處理和數(shù)據(jù)分析.

圖1 監(jiān)測(cè)系統(tǒng)框圖

1.1 傳感器裝置

睡眠狀態(tài)下人體心臟跳動(dòng)、正常的呼吸均會(huì)使產(chǎn)生一定幅度的震動(dòng), 并導(dǎo)致床墊上有輕微的壓力波動(dòng).與其他運(yùn)動(dòng)相比, 心跳所產(chǎn)生的壓力變化微弱, 且容易淹沒(méi)在呼吸和環(huán)境噪聲中, 故其提取最為困難. 因此傳感器選擇優(yōu)先考慮滿(mǎn)足心跳信息提取要求, 并兼顧適合床墊式監(jiān)測(cè)的需求.

考慮到聚偏二氟乙烯(PolyVinyliDene Fluoride,PVDF)壓電薄膜傳感器不僅具有靈敏度高、可精確測(cè)量動(dòng)態(tài)壓力的優(yōu)點(diǎn)[10], 而且可實(shí)現(xiàn)最低0.1 Hz的檢測(cè)頻率, 可在本系統(tǒng)中實(shí)現(xiàn)動(dòng)態(tài)壓力檢測(cè). 在實(shí)際監(jiān)測(cè)裝置中將包含傳感器的帶狀物放置在床墊與被褥之間,該傳感器可通過(guò)感知床墊上壓力的變化產(chǎn)生與人體心跳、呼吸以及體動(dòng)等信息相關(guān)的混合信號(hào)輸出.

1.2 控制器主機(jī)

監(jiān)測(cè)系統(tǒng)主機(jī)主要由包含STM32F405高性能處理器的生理信號(hào)實(shí)時(shí)采集和傳輸模塊構(gòu)成. 采集模塊中傳感器信號(hào)調(diào)理電路等效電路如圖2所示.

圖2 電荷輸入信號(hào)調(diào)理電路

在該等效電路中,Ca與Ra為傳感器的等效電容和絕緣電阻；Cc為傳輸電纜等效電容；Ri與Ci為放大器輸入電阻和輸入電容；Rf與Cf為放大器的反饋電阻和反饋電容；Q為傳感器產(chǎn)生的電荷輸出. 在忽略Ra、Ri與Rf的影響時(shí), 電荷放大電路產(chǎn)生的電壓輸出Uo為:

式中,K為運(yùn)放開(kāi)環(huán)增益, (1+K)Cf為密勒電容, 由于K通常很大, 故Uo表達(dá)式可簡(jiǎn)化為:

由式(2)可知,Uo僅與電荷量Q以及反饋電容Cf有關(guān), 電纜長(zhǎng)度對(duì)其影響可忽略不計(jì). 由于運(yùn)放工作在深度電容負(fù)反饋狀態(tài), 對(duì)于直流工作點(diǎn)而言相當(dāng)于開(kāi)環(huán), 容易受到各種噪聲的影響導(dǎo)致較大的零點(diǎn)漂移,從而產(chǎn)生幅度較大的干擾信號(hào)輸出. 為了使放大器工作穩(wěn)定并減小零漂, 可在Cf兩端并聯(lián)阻值較高的反饋電阻Rf, 起到提供直流負(fù)反饋且有利于穩(wěn)定放大器直流工作點(diǎn)的作用.

本系統(tǒng)所設(shè)計(jì)調(diào)理電路如圖3所示. 在該電路中反饋電阻R1和反饋電容C1的選擇非常關(guān)鍵. 考慮到要呼吸信號(hào)特征頻率集中在1 Hz以下, 要使電荷放大電路具有良好的低頻響應(yīng)能力, 要求低頻轉(zhuǎn)折頻率fCL應(yīng)盡可能低, 而fCL可由式(3)得到:

圖3 PVDF傳感器和Q/V轉(zhuǎn)換電路等效電路

由式(3)可知, 從放大有用信號(hào)的角度來(lái)考慮, 應(yīng)使C1取值盡可能大, 但過(guò)度增加電容取值又會(huì)造成傳感器靈敏度下降, 使得有效信號(hào)混雜在噪聲中, 不利于后續(xù)濾波電路處理. 因此, 要根據(jù)實(shí)際應(yīng)用選取合適的反饋電容數(shù)值. 反饋電阻取值越大則放電時(shí)間常數(shù)越大, 電路具備良好的低頻響應(yīng)能力； 但是取值過(guò)高又會(huì)使得輸入偏置電流產(chǎn)生飽和的偏壓輸出, 從而導(dǎo)致無(wú)法獲取有用的信號(hào)輸出. 經(jīng)試驗(yàn)比對(duì)和分析, 最終選擇反饋電阻和反饋電容的取值分別為100 MΩ和20 nF,故對(duì)應(yīng)的fCL為0.079 Hz.

微處理器采集數(shù)據(jù)后通過(guò)串口WIFI模塊定時(shí)發(fā)送至監(jiān)控終端, 監(jiān)控終端接收到數(shù)據(jù)后, 進(jìn)行分析處理.設(shè)計(jì)出的監(jiān)測(cè)系統(tǒng)主機(jī)如圖4所示.

圖4 睡眠監(jiān)測(cè)主機(jī)

2 信號(hào)處理方法

2.1 經(jīng)驗(yàn)小波變換

EWT是一種快速且完全自適應(yīng)的小波技術(shù), 其理論基礎(chǔ)是自適應(yīng)模態(tài)分解與小波分析理論[11]. EWT變換的目的是分離不同頻譜的信號(hào)分量. 本設(shè)計(jì)采用極大極小值法進(jìn)行自適應(yīng)頻譜分割: 將傅立葉譜歸一化至[0,π]之間, 并用N+1個(gè)邊界將其分成N段. 由于傅立葉譜在[0,π]之間, 故需要再確定N-1個(gè)邊界, 可首先檢測(cè)頻譜中的極大值, 然后選取每?jī)蓚€(gè)相鄰極大值之間的全局最小值定義為邊界集. 假設(shè)該算法找到了M個(gè)最大值, 則可能出現(xiàn)兩種情況:

(1)M≥N: 該算法找到足夠的極大值來(lái)定義所需的段數(shù), 此時(shí)僅保留前N-1個(gè)極大值；

(2)M＜N: 信號(hào)模式比預(yù)期少, 保留所有極大值并將N重置為合適值.

頻譜分割后即可根據(jù)選取的邊界點(diǎn)構(gòu)建小波帶通濾波器組提取不同的模態(tài)分量IMF, 從而分離出心跳和呼吸.

2.2 心跳定位及心率計(jì)算方法

提取出BCG信號(hào)后, 還需進(jìn)行心跳定位計(jì)算心率.心臟收縮和舒張過(guò)程中, 泵血沖擊力變化會(huì)使得信號(hào)在每個(gè)心臟跳動(dòng)周期內(nèi)形成如圖5所示的多種波峰模式[12]. J波作為幅值特征最為明顯的波峰, 常作為心跳定位的重要標(biāo)志. 實(shí)際分離得到的BCG信號(hào)中, 存在同類(lèi)波峰的峰值差別較大而不同類(lèi)波峰峰值卻比較相近的情況, 故不能單純依靠波峰峰值來(lái)進(jìn)行分類(lèi). 為使系統(tǒng)能自動(dòng)檢測(cè)與單個(gè)心跳相對(duì)應(yīng)的BCG波峰模式,需根據(jù)波峰模式的形態(tài)學(xué)特征建立特征向量, 選用無(wú)監(jiān)督的K-means聚類(lèi)算法對(duì)BCG信號(hào)極大值點(diǎn)進(jìn)行聚類(lèi), 選出平均幅值最大的波峰作為J波波峰并用于確定心跳位置. 根據(jù)定位結(jié)果可計(jì)算平均心跳周期和心率. 心跳定位具體步驟如下:

圖5 典型BCG信號(hào)波峰模式

(1)建立特征工程. 如圖6所示, 對(duì)BCG信號(hào)中極大極小值點(diǎn)進(jìn)行定位和參數(shù)化, 4個(gè)基本參數(shù)包括當(dāng)前極大值點(diǎn)幅值amax、下一極小值點(diǎn)幅值amin、當(dāng)前極大值點(diǎn)到相鄰極小值點(diǎn)距離dmax以及下一極小值點(diǎn)到相鄰極大值點(diǎn)距離dmin. 為BCG信號(hào)中每個(gè)波峰分配特征向量f, 該向量包含波峰本身和N-1個(gè)連續(xù)峰的基本參數(shù). 此處將N設(shè)置為4, 故須建立一組16維的特征向量.

圖6 BCG波峰模式特征向量示意圖

(2)聚類(lèi). 對(duì)于給定歐氏空間的一組數(shù)據(jù), 尋找K個(gè)聚類(lèi)中心, 將所有數(shù)據(jù)分配到距離最近的聚類(lèi)中心, 使得每個(gè)點(diǎn)與其相應(yīng)的聚類(lèi)中心Cj距離平方和最小, 從而將波峰分為K類(lèi).

(3)判斷J波位置. 對(duì)每類(lèi)極大值點(diǎn)計(jì)算幅值的平均值, 選取平均值最大的一類(lèi)作為識(shí)別的J波類(lèi). 此時(shí)J波位置即為心跳位置.

(4)計(jì)算心跳平均周期及心率. 對(duì)每個(gè)心跳周期大小進(jìn)行排序, 取序列中間60%的心跳周期計(jì)算平均值,進(jìn)而計(jì)算心率.

3 實(shí)驗(yàn)分析

3.1 呼吸信號(hào)和BCG信號(hào)提取

圖7是利用所設(shè)計(jì)的監(jiān)測(cè)主機(jī)獲得的30 s歸一化采樣信號(hào). 對(duì)其工頻濾波預(yù)處理后, 利用極大極小值法進(jìn)行頻譜劃分.

圖7 原始采樣信號(hào)歸一化圖

EWT具有很強(qiáng)自適應(yīng)性, 根據(jù)原始信號(hào)的頻域分布特點(diǎn), 當(dāng)選擇單分量數(shù)目為7時(shí), 可避免頻帶過(guò)度劃分, 所提取的呼吸和心沖擊信號(hào)波形形態(tài)特征比較符合實(shí)際, 提取效果較好. 對(duì)原始信號(hào)進(jìn)行EWT分解的頻帶邊界分割效果如圖8所示, 與之相對(duì)應(yīng)的各模態(tài)分量對(duì)應(yīng)時(shí)域波形如圖9所示. 從呼吸和BCG信號(hào)的波形特點(diǎn)來(lái)看, 第二個(gè)模式分量具有明顯周期性, 符合理想呼吸信號(hào)特征； 第6個(gè)分量波峰模式清晰可辨, 同時(shí)具備較強(qiáng)周期性, 與理想BCG信號(hào)波形效果基本一致.

圖8 邊界劃分結(jié)果

圖9 EWT分解信號(hào)

3.2 心跳定位和心率計(jì)算

對(duì)提取的BCG信號(hào)做歸一化處理, 然后對(duì)信號(hào)內(nèi)極大值點(diǎn)建立特征向量序列, 利用K-means算法對(duì)極大值點(diǎn)進(jìn)行聚類(lèi). 考慮到心沖擊信號(hào)在心跳周期內(nèi)包含4種波峰模式, 故選擇將波峰分為4類(lèi). 聚類(lèi)結(jié)果如圖10所示, 圖中用不同符號(hào)對(duì)不同類(lèi)型波峰模式進(jìn)行區(qū)分.

圖10 特征點(diǎn)分類(lèi)標(biāo)記波形圖

實(shí)驗(yàn)結(jié)果表明, 采用K-means方法處理的BCG信號(hào)無(wú)需預(yù)先估計(jì)心跳周期即可較為準(zhǔn)確地完成心跳定位, 從整體來(lái)看聚類(lèi)效果良好, 周期規(guī)律比較明顯, 心率計(jì)算結(jié)果符合正常睡眠心率.

4 結(jié)論與展望

基于PVDF壓電薄膜傳感器和高性能微處理器STM32F405, 研制出一套睡眠監(jiān)測(cè)裝置, 并采用經(jīng)驗(yàn)小波變換和K-means算法相結(jié)合的方式實(shí)現(xiàn)了對(duì)混合信號(hào)的分離以及典型生理特征參數(shù)的有效提取. 該信號(hào)處理方法克服了傳統(tǒng)BCG信號(hào)處理中需要預(yù)先估計(jì)心跳周期大致范圍或需要人工標(biāo)記才能進(jìn)行實(shí)驗(yàn)的局限, 且具有較強(qiáng)的自適應(yīng)性.