文摘

非侵入性末梢血氧饱和度(热点2从模型中提取)和脉搏率photoplethysmography (PPG)信号。然而,提取的准确性直接影响信号的质量获得信号的峰值确定;因此,提出了一种混合小波方法在这项研究中。首先,我们抑制部分运动工件和纠正基线漂移通过使用小波方法基于小波多分辨率的原则。然后,我们设计了一个二次样条小波系数最大算法自动确定分峰。评估该混合方法,反射脉冲血氧计被用来获得十受试者PPG信号下坐着,提高手,轻轻地走路姿势,和峰值识别结果对原始信号和修正后的信号进行比较,分别。结果表明,混合法不仅纠正信号的形态也优化峰值识别质量,随后提高热点的测量精度2和脉搏率。结果,我们的混合小波方法深刻地优化评估呼吸功能和心率变异性分析。

1。介绍

Photoplethysmography (PPG)信号通常是通过使用脉搏血氧计。非侵入性末梢血氧饱和度(热点2)可以通过应用Lambert-Beer法律PPG信号计算并生成同时脉搏率。热点;2是一个重要的生理参数评估呼吸功能(1,2]。之前的研究表明,脉冲率和pulse-to-pulse区间分与心率和高度相关的rr间隔从心电图,这表明心率变异性(HRV)分析可以交替脉搏变异性(减压阀)分析3,4]。我们还做了一个实验来获得分和心电图同时,和结果表明,备用是可行的。换句话说,测量分不仅可以获得热点2和脉冲重复频率,但拟就分析的关键标准是人类呼吸和心脏自主神经功能的评估。此外,脉冲传感器更容易比心电图可穿戴传感器。

到目前为止,许多专家已经取得了很大的进步分域的去噪和峰值心率检测或提取。自从PPG信号相对较难识别的和非平稳的,其收集混合噪声和干扰是不可避免的,如高频噪音,运动构件,随机噪声和基线漂移5),高频噪声和电源频率通过硬件滤波电路可以有效地抑制干扰。在这种情况下,PPG信号去噪主要集中在减少运动构件(6- - - - - -10]。分领域的高峰自动检测,传统的检测方法是基于导数的方法来定位的局部极大点脉搏波(11- - - - - -13]。傅et al。14)表示,6级获得小波变换多分辨率分析相比,可以有效地提取心率的移动平均线方法。Shin et al。15)开发了一个改进的峰值检测算法基于自适应阈值分波形。刘等人。16)设计了一个心率测定算法使用模糊逻辑鉴频器来改善PPG信号的峰值检测的准确性。太阳et al。17心跳]提出了一种基于经验模态分解(EMD)的提取方法和获得84.68%检测准确性的心率从生理网数据库使用PPG信号。Kavsaoqlu et al。18]提出了峰值检测算法利用自适应分割原始PPG信号估计的心率和HRV与最大点在这些领域。

虽然峰值检测原始PPG信号将直接减少计算时间的后续评估的热点2或HRV,峰值检测不仅包括位置而且振幅信息。呼吸和肢体动作可以引起严重的基线漂移和运动工件,导致振幅变化,分散,导致信号不稳定,低频分布。因此,本研究的重点是抑制低频噪声引起的振幅变化和峰鉴别的准确性的提高。

基于小波多分辨率分析(MRA)原则(19),信号可以分解为一系列的细节和近似。能量的基线漂移和局部运动的构件主要集中在近似分量对应于高级PPG信号的小波分解。因此,它是可行的估计根据MRA和振幅更精确。

分的峰鉴别可以被视为奇点检测问题。由于奇点检测和二次样条小波模量最大(有很大的相关性20.高峰),可以确定通过模数最大值相对应的分解层次主要峰波的能量集中。

本研究将首先介绍脉搏血氧计操作,其次是受试者的原始信号集合,然后描述混合小波方法的原理及其实现步骤,最后说明了评价实验,比较峰值识别结果对原始信号和修正后的信号通过PPG信号获得的十大主题下坐着,提高手,轻轻地走路姿势,分别讨论了该方法的有效性实验结果。

2。材料和方法

2.1。的热点;2计算

计算的热点;2来自Lambert-Beer定律,见 在哪里 , 某些系数可由标定实验; 和 对应于脉搏波高峰和低谷之间的差异在两种波长的光(通常使用660 nm和940 nm波长),分别; 和 对应于上面下的脉搏波的峰值波长的光,分别。因此,峰鉴别绝对associates的热点2计算,精确定位的峰值将提高热点的准确性2计算。

2.2。设备和PPG信号采集

脉搏血氧计用于收集PPG信号是由天津Jingfan科技有限公司有限公司(见图1(一))。血氧计设计基于反射光电传感器。图1 (b)显示监控现场使用设备。

(一)
(一)
(b)
(b)
图1
使用反射脉冲血氧计监控场景。(一)反射脉冲血氧计;使用反射(b) PPG信号采集脉搏血氧计。

在这项研究中,10个健康志愿者(5个男性和女性)参加了实验,表所示1。平均年龄(平均±std) ,平均身体质量指数(BMI±std) 。志愿者们被告知之前的研究数据。

表1
的基本个人信息调查对象参加了实验。

当主题把他/她指尖的传感器设备,原始分信号获取并记录。图2显示获得的一小部分数据有1024个样品,大约在10年代。振幅归一化在0和1的范围。从图可以看出,高频率的噪音信号抑制由硬件滤波,但仍有噪声信号由于呼吸和运动,影响信号的形态。


图2
分得到的原始信号反射探头。

PPG信号的质量得到静止时相对较好;然而,在动态中,质量会受到随机噪声的影响,运动构件,高峰和基线漂移,造成定位误差。因此,我们将收集志愿者的原始信号,提高手,轻轻地走路姿势来测试混合峰值检测方法。

2.3。混合小波方法

混合小波方法主要包括抑制和峰值识别。

2.3.1。抑制方法

压制旨在降低分信号的低频噪声和提高振幅变化的问题引起的基线漂移和局部运动构件。

一般来说,脉搏波的能量集中在1 - 10赫兹。基线漂移和局部运动工件的特点是一种非平稳的低频噪声,其能量主要集中在频率范围小于1赫兹,可以运用小波多分辨理论接洽。因此,我们可以先后PPG信号分解方法使用近似的低频噪声组件在高分解级别。该方法包括以下步骤。

(1)母小波的选择。Symlets [21)是紧支撑正交小波最少的不对称和最多的消失对于一个给定的时刻支持宽度,和sym8的规模函数的波形接近PPG信号;因此,sym8被选为母小波。

(2)分解水平的决心。分解级别的确定与母亲小波,采样率和信号的长度。由于基线漂移和局部运动构件归入非平稳的低频噪音,最大分解级别 被认为是最优分解水平。 在哪里 样本信号吗 小波滤波器的长度。在这个应用程序中,采样率为100 Hz,每次处理数据有1024个样本;6的数据可以使用sym8分解小波分解的水平。

(3)噪声估计。基线漂移和局部运动构件的能量主要集中在频率范围小于1赫兹。我们可以先后PPG信号分解方法使用近似的低频噪声组件在6级的频率范围大约是0 - 0.9赫兹。

(4)信号重建。低频噪声可以通过使用近似估计在6级,可以纠正和信号消除原始PPG信号估计噪声。

2.3.2。峰值识别算法

上的样条小波具有更好的检测效果急剧变化点(20.),因此峰鉴别算法设计算法基于二次样条小波模量最大。在100 Hz采样率,通过分析功率谱分解水平的二次样条小波,脉冲波的能量被发现主要集中在4级和5级,因此PPG信号分解为5个层次。具体的检测算法步骤如下。

(1)小波分解。信号的分解公式,利用二次样条小波显示为 在哪里 对应的分解级别, 是信号的长度, 是近似的, 是细节, 和 二次小波的滤波系数,和他们的初始值( , , , )和( , ),分别。在这个应用程序中, 信号分解为5个层次: 信号的长度;也就是说,每次1024数据点进行了分析。

(2)阈值设置。为了避免信号异常,每次被分为样品加工 段,和阈值 根据计算出的值更新每一段: 在哪里 , 在迭代长度信号的处理, 是样品的数量来计算阈值。

在这个应用程序中,在迭代信号处理中, 有1024个样本, 256年被选为样本由于包含至少一个心跳,然后呢 是4。每一段的最大值计算,然后是一半的平均值作为阈值 。

(3)模量最大序列计算。积极的和消极的模量最大序列提取4级和5级,分别使用 ,然后模量最大序列存在于两个层次都保留。

(4)最大模量对的选择。工件通常产生孤立的最大点而不是积极的和消极的最大对,从而消除孤立的最大点的模量最大序列。此外,两双最大点在200毫秒出现不可行,从而保留最大振幅的两人。考虑到所有这些,模量最大双模量的选择最大序列。

(5)峰鉴别。的零交点位置对相关峰的位置,所以我们可以确定峰值搜索零交点位置周围的最大值在原始信号和最大值对应的峰值。

3所示。结果和讨论

在这项研究中,十个受试者的反射脉冲血氧计采集的数据来评估混合方法。

3.1。抑制的结果

Sym8小波与6分解水平申请PPG信号中的低频噪声抑制。详细说明该方法和看到波形清晰,测量数据随机设置的一小部分ppg10s,如图3(一个)。分解过程中有6次迭代。第一次分解后,ppg10s在一级分为细节,在一级近似,随后连续近似被分解,这样吗ppg10s分为1级到6级的详细信息(参见图吗3 (b)- - - - - -3 (g)(见图)和6级近似3 (h))。比较数据3(一个)和3(我),我们可以看到,影响低频噪声的振幅是纠正使用6级近似。

(一)
(一)
(b)
(b)
(c)
(c)
(d)
(d)
(e)
(e)
(f)
(f)
(g)
(g)
(h)
(h)
(我)
(我)
图3
PPG信号的小波分解过程通过使用sym8小波在6的水平。(一)10秒测量信号的分(ppg10s), (b)一级细节,(c) 2级细节,(d)三级细节,(e)四级细节,(f) 5级细节,(g) 6级细节,6级近似(h),(我)修正后的信号。
3.2。峰值识别

原始的山峰被确定和修正后的PPG信号使用部分中描述的方法2.3。2,分别。我们记录了真正的节拍而我们做每个实验,和参考峰定位由吉林大学第一医院专家根据临床经验。数据4(一),4 (b),4 (c)选择志愿者的原始信号中收集的坐着,提高手,轻轻地走路姿势,分别。数据4 (d),4 (e),4 (f)相应的纠正信号在相同的姿势,分别。红星星标志着山峰在图的识别结果4。

(一)
(一)
(b)
(b)
(c)
(c)
(d)
(d)
(e)
(e)
(f)
(f)
图4
(a)的峰鉴别结果收集到的原始信号在坐的姿势,(b)收集到的原始信号在提高手的姿势,(c)的原始信号中收集轻轻地走路的姿势,坐的姿势(d)修正信号,(e)修正后的信号,提高手的姿势,和(f)纠正轻轻地走路姿势的信号。

然而,在提高的手,轻轻地走路姿势,严重影响了原始信号基线漂移和运动工件,并相应识别准确性会受到影响。通过比较峰值识别之前修正(见图4 (b)和4 (c))和后调整(见图4 (e)和4 (f)),结果表明,抑制方法在提高识别精度起到了至关重要的作用。

(10)上的每个实验对象重复了6次,每次大约10年代收集的数据上面三个姿势。例如,选择轻轻地走路姿势,表2显示总峰值检测错误(见(5))的主体(1)原始数据修正数据,分别为: 在哪里 是真正的胜的记录, 是虚假的数字检测, 丢失的数据。

表2
总峰值检测误差计算的一个例子。

在表2,检测算法对原始信号发生器产生的总共3(4.29%)和在纠正错误信号产生共1误差(1.43%)。图5说明了算法检测到的错误位置。

(一)
(一)
(b)
(b)
(c)
(c)
(d)
(d)
(e)
(e)
(f)
(f)
图5
主体(1)的检测误差产生而在轻轻地走路的姿势。(一)产生的FP使用第二次原始数据,(b)使用原始数据产生的FN第三次(c)使用原始数据产生的FN第四次使用修正后的数据(d)产生的FP第二次(e)没有错误使用修正后的数据第三次(f)没有第四次使用纠正数据错误。

表3列出总峰值识别结果的比较下三个姿势。我们可以看到在坐的姿势(真正的节拍总额761)峰识别结果好是否对原始信号(100.0%)或修正后的信号(100.0%);然而在提高手轻轻(真正的节拍总额801)和(真正的节拍总额858)姿势行走,校正后的峰识别精度(99.50%和98.60%)优于比校正前(97.88%和95。80%)。

表3
总峰值识别结果。

在表3,检测错误的主题(3),(4)和(10)同时在轻轻地走路的姿势被记录为高;这主要是由于大横向运动而步行或沉重的呼吸在PPG信号收集。数据6(一),6 (b),6 (c)显示原始PPG信号的检测结果;我们可以看到图的严重失真6 (c),导致许多检测错误。数据6 (d),6 (e),6 (f)相应的校正信号的检测结果;通过低频噪声的抑制,形态明显改善,相应减少,因此检测错误。

(一)
(一)
(b)
(b)
(c)
(c)
(d)
(d)
(e)
(e)
(f)
(f)
图6
主题的检测结果的比较(3)下轻轻地走路的姿势。(一)产生的错误使用原始数据第一次(b)使用原始数据产生的错误5次(c)使用原始数据产生的FN第六次(d)产生的错误使用修正后的数据第一次(e)使用修正后的数据没有错误5次使用修正后的数据,并使用纠正(f)产生的错误数据6次。

4所示。结论

提出了一种混合小波方法自动确定分峰。(1)降低低频噪声对信号的影响形态,我们应用小波多分辨率分析的原则和确定母小波分解层次根据PPG信号的特点和使用的经验公式和近似分量对应于最高分解水平估计PPG信号的低频噪声,然后得到修正后的信号。(2)当PPG信号被二次样条小波分解,分的主要能量集中在4级和5级和高频噪声主要集中在1级和2级。这意味着产生的模量最大的双峰值可以达到良好的分辨率在第四和第五级别;这些理由,我们设计的识别方法可以得到更好的检测精度,加上对高频噪音。(3)我们采用反射脉冲血氧计由天津Jingfan科技有限公司有限公司收集PPG信号三体式(坐着,提高手,轻轻走)和比较原始信号峰值误差检测结果(0.0%,2.12%,4.20%)和修正后的信号(0.0%,0.50%,1.40%),分别为。结果表明,混合方法能获得更好的识别准确性和表明,该方法有助于提高热点计算的准确性2随后提取PPI和为人类呼吸的后续评估奠定了基础和HRV分析基于PPG信号。

的利益冲突

作者宣称没有利益冲突。

作者的贡献

李Suyi构思这个研究和起草论文;Suyi李设计的混合小波方法;蜀刁,Shanqing江,江山进行了实验,证明了该方法的有效性;姜武和Wenji熊给了一些医疗建议当我们做实验;所有作者贡献的讨论工作,并通过了期末论文。

确认

这项研究得到了国家自然科学基金的吉林省,中国(没有。20140101063 jc)和中国(没有国家关键技术研发项目。2017 yfsf010108)。作者感谢项目委员会的成员的帮助。