基于心沖擊信號的心率檢測方法

鄭小涵，朱巖，楊越琪，李曉歐，周志勇

1.上海理工大學醫療器械與食品學院，上海 200093；2.上海健康醫學院醫療器械學院，上海 201318；3.上海電機學院設計與藝術學院，上海 200240

前言

心臟作為人體循環系統的核心器官，承擔著維持新陳代謝的重要功能［1-2］。傳統上用來進行心臟活動監測的設備主要是心電（Electrocardiogram, ECG）監護儀，該設備需要專業人員操作，同時粘貼的電極片有造成皮膚過敏的風險，增加被測者額外的痛苦和二次醫療成本［3-4］。近年來，基于心沖擊描記圖（Ballistocardiogram,BCG）的非接觸心臟監護方案受到了研究人員的關注，BCG 信號來自于血液在人體內流動產生的一系列機械沖擊力，能夠體現心臟的工作情況，可以為心血管疾病的早期預防及臨床診斷提供參考［5-8］。

非接觸式檢測裝置能夠在人體無感的狀態下完成測量，這無疑為日常監護提供了便利，但同時也增加了原始信號包含信息的復雜性，測量過程中傳感器作為支撐被試者身體的一部分，除心臟活動外，任何壓力變化來源都可能加入到振動信號中構成偽跡。現有的BCG信號心率提取算法有頻譜法、模板匹配法和波形法［9-12］。頻域上使用倒頻譜可以計算一段時間內的平均心率，相比于基于時域的逐拍檢測方式，頻域分析不能夠很好地反映心跳的實時變化情況。匹配法通過無監督學習聚類獲得心跳模板，其效果取決于模板提取的質量，該過程往往需要大量樣本訓練為支撐，算法復雜度較高，難以實現模板的及時更新。波形法依據波形特征提取相鄰波峰間距，算法結構相對簡單，但較之于ECG信號中特征顯著的QRS波群，BCG信號的形態更加復雜多變。首先，心跳時產生的BCG形狀主要取決于被試者生理狀況，個體間差異較大，此外，由于一個完整的BCG脈沖響應周期略長于心跳周期，兩次心搏間波形也存在著一定短時變異性［11］，這些都對從BCG信號中進行逐拍心跳分析提出了挑戰。

針對上述問題，本研究設計一套改進的基于心沖擊信號的心率檢測模型，該模型對存在局部干擾的信號段作出合理估計，以修正由信號非平穩特性帶來的誤差，然后不經過模板演算過程，直接對特征波形進行增強處理后識別心拍，并對可能出現的誤檢漏檢現象進行糾正，以達到從非標準BCG 信號中快速、準確、魯棒地進行心率檢測的目標。

1 信號采集

本研究選取PVDF 薄膜實現BCG 信號到壓電信號的轉化［13］。PVDF 是一種新型聚合材料，具有靈敏度高、柔韌性好、使用壽命長的特性，同時避免了使用加速度傳感器存在的固有機械噪聲問題［14］。通過將10 片壓電薄膜并列排布在采集裝置上，實現了多路信號的同步收集，然后通過電荷放大電路與50 Hz的陷波電路，在屏蔽工頻干擾的同時放大有效信號，并使用STM32F103ZE 的12 位AD 模塊轉換為數字信號，最后經串口通訊以每秒250 包的速率向PC 端傳輸數據，完成對原始BCG信號的采集過程。

2 心率檢測模型

心室將血液泵出時，對主動脈弓形成一股向上的沖擊力，在整個BCG 信號的產生過程中，這段沖擊最為短促有力，對應于標準BCG 波形中幅度最大、變化最陡峭的J波位置［15］。由J波與心臟活動周期的高度一致性可知，在心率檢測中無需得知心跳發生的具體時刻，便可通過獲取J-J間隔TJ-J估算出心率：

參考臨床中以15 s 內的心拍計數乘4 得到心率的做法，本研究將原始數據劃分成長度為15 s的幀片段［16］。并結合一系列數據整合、過濾與特征提取算法，以實現對心跳位置的準確定位，最后實現心率值輸出。信號整體處理流程如圖1所示。

圖1 心率檢測模型流程圖Fig.1 Flowchart of heart rate detection model

2.1 體動識別與信號補償

由人體動作造成的壓電變化幅度遠大于心臟活動，此時產生的數據將不再包含有效生理信息。為避免無意義波形對分析過程的誤導，本研究首先對傳感器獲得的原始信號進行質量評估，標記出體動發生的時刻，并設計模板補償策略以填補體動段的數據缺失。圖2a 表示一段存在體動狀態的原始信號，從中可以看出當有肢體動作產生時，往往會引發多個通道信號的飽和或截止現象。同時，由于體動信號還存在著一定諧振及衰減過程，從一次動作發生到結束至少需要2～3 s的時間波形才可恢復至平穩狀態，故此處采用窗長為3 s 的滑動窗口作為檢測體動狀態的區間寬度，在單位區間內分析數據的截止情況。已測得從采集裝置獲取的信號幅值范圍為［0,3 715］，現將超過3 710 或小于5 的數據點記為截止點，分別計算出當前窗口各通道中截止數據占總數據的比例Pcuti，以及出現截止點的通道數目Count，進行基于規則的體動判別如下：

式中，N為總通道數10，本研究根據多次實驗結果分析，當選取閾值Thp1= 0.2，Thc= 5，可有效判斷當前窗口的體動發生情況。

躺臥時的體動干擾通常來自于人體不自覺的姿勢調整，如蹬腿、翻身等，此類動作并不屬于一般意義上會導致心率加快的運動，所以可以作出假設，在相對靜息狀態下，人體的真實生理參數并不受肢體活動影響，因此選取體動發生前相應長度的信號作為模板進行補償。經補償后的波形如圖2b 所示，其中缺失的數據段已得到重建，維持了信號的連續性。

圖2 體動信號的識別與補償Fig.2 Recognition and compensation of body motion signals

2.2 最優通道選擇

本研究所用信號采集裝置采取多傳感器并列的方式同步采集和上傳信息，但并非對所有通路數據都有分析的必要。由BCG 信號的產生機制可知，理論上位于心尖正下方處傳感器獲得的BCG 信號強度最高，越往邊緣處通道所包含有效信息越少［17］。在實際采集的過程中，人體所處位置并不固定，同時，由呼吸運動引發的胸廓容積變化較大，在電信號上表現為對應通道的數據截止失真，也掩蓋了部分生理波形的真實形態。綜合上述因素，本研究采用閾值篩選結合方差分析的方法，從全部原始數據中選擇出一組最優通道。

新疆要求，各地要堅持問題導向，依法規范教育經費統計行為，建立制度規范統一、流程分工合理、數據質量可控、數據公布及時、結果有效運用、保障措施有力的教育經費統計工作體系，嚴格依法做好教育經費統計工作。

在2.1 節體動識別算法中，已經得到各通道內失真點數所占比例Pcuti，現設定Thp2= 0.1，當Pcuti超過此閾值時則認為此通道有效數據損失過多，不再適合于特征分析，故對其執行剔除操作。在經過閾值篩選后的候選通道中，可以通過計算各路信號的方差來描述其數據波動情況，進而反映出此通道包含信息的豐富程度，從中選擇具有最大方差的一組進行后續的信號處理。如圖2b 所示的10 通道原始波形，計算對應的失真數據比例與方差Var 如表1所示。其中通道5、6中含有大量截止波峰，其失真比例已超過閾值，將這兩路數據進行舍棄后，通道7 在剩余組中具有最大方差，因此被選作最優通道。可以看出，經過通道選擇算法獲取的電平信號波動中BCG 成分占比較高，表現出明顯的周期性，可作為進一步提取生理特征的可靠數據源。

表1 各通道信號失真比例與方差Tab.1 Signal distortion ratio and variance of each channel

2.3 基于J峰頻帶的濾波

心沖擊信號屬于弱生物信號，采集過程中易受外界干擾，由傳感器獲取的原始信號實際上是呼吸運動、心臟活動與各類噪聲的疊加，需經過一定條件的濾波來保證分析信號的純凈度。其中正常人的呼吸頻率約12～25次/min，而BCG信號的形成有著更加復雜的物理過程，其帶寬也相對較廣，能量在0.9～20.0 Hz均有分布［18］。考慮到信號處理的實時性要求與濾波器的頻率響應特性，通常使用運算量較小，在其通頻帶內具有最大平坦限度的巴特沃斯濾波器進行預處理。

圖3a 表示一段被選擇通道的波形，嘗試使用BCG 全部頻率范圍［0.9,20.0］Hz 作為通帶進行濾波后發現，雖然原始信號中的低頻呼吸成分已經得到了衰減，但仍存在一些對特征提取不利的冗余信息，即分布在非J波位置的大量尖峰，如圖3b所示。為了使預處理后信號盡可能地突出目標特征，本研究使用分段濾波的方式對信號進行梯度式分解，對比結果中J 峰形態后發現，能夠對構建J 峰起正向作用的諧波大都集中在一個更窄的頻段1～9 Hz 內，而其余非J峰諧波的存在則是造成信號毛刺甚至削減J峰的主要原因［19］。圖3c給出了使用此較窄頻段去噪后的效果，可以看出相比于保留BCG 信號整體帶寬的做法，基于J 峰頻帶的濾波器通帶設計在最大程度上保持了目標波形特征，同時有效抑制了非J 峰諧波的影響，濾波后的波形形態更加平滑、清晰。

圖3 BCG信號預處理Fig.3 Ballistocardiogram(BCG)signal preprocessing

2.4 增強差分處理

為了進一步放大J 峰與非J 峰間差異的顯著性，本研究基于以下步驟實現BCG信號的特征增強：

（1）參考連續函數中一階導數體現函數變化率的性質，計算離散原始信號的中值一階差分y'(n)，如式（3）所示：

經過差分運算后的波形含義轉化為相鄰波峰波谷的差值，可以更好地體現BCG 信號在某一點處的變化急緩情況。

（2）將差分運算后的結果縮放到[-α,α]區間內，然后通過式（4）所示的非線性映射函數進行特征放大：

由函數的凹凸性可知，定義域參數α越大，映射后的J 峰就越突出，但同時也會放大不同幅值J 峰之間的差異。本研究綜合多次實驗結果選取α= 2，可以較好地平衡放大效果。

圖4給出了對2.3 節中去噪后信號作增強差分處理的過程。總體而言，相比于濾波后的BCG 信號，增強的差分處理進一步放大了波形變化劇烈區域與平緩區域的對比，使目標波形更加尖銳，為特征提取提供了良好的條件。

圖4 BCG信號的增強差分處理Fig.4 Enhanced differential processing of BCG signal

2.5 J峰定位算法

本研究使用改進的峰值檢測算法完成對心跳點的定位。由于心跳形狀的幅度會隨呼吸變化而產生波動，導致信號中J 波的突出程度并不固定，此外相鄰的H 波、L 波也偶有表現出幅度較高的現象，改進的算法在依據幅度閾值尋峰的基礎上增加了對心跳間隔的檢驗策略，對可能出現的誤檢漏檢狀況進行及時修正。具體實現步驟如下。

2.5.1 尋找所有波峰將經過特征增強后的連續信號記作x(n)。比較x[n]與前后兩點的幅度大小，當符合條件x[n]>x[n- 1]且x[n]

2.5.2 幅度閾值篩選在2.4 節中，已對每幀信號的差分結果進行了規范化處理，因此不同區間內的的幅度閾值應由對當前窗口波形自學習得到，使用步驟1得到的序列Peak1_val，舍棄其中的最大值后求算術平均，依據此結果進行篩選，將超過閾值的波峰加入新一輪候選序列Peak2中。

2.5.3 間隔檢驗成年人的正常心率為50～150次/min，相對應的心跳間隔極限值為T1= 0.4 s，T2= 1.2 s。以此作為檢驗的初始標準，對于序列Peak2，計算其與前一處已確定心跳點之間的時間間隔Tgap，若Tgap滿足Tgap> T1且Tgap< T2的條件，則將此候選波峰加入確定的J 峰序列中，否則需進行修正處理如下：當Tgap< T1時，表明此點不可能為真實的心跳發生位置，因此將其視為誤檢點進行舍棄；當Tgap> T2時，表示當前位置與已確定J 峰間出現了候選波峰的丟失。漏檢現象的發生是由幅度閾值設置偏高，真實J 峰被誤篩導致，為找回遺漏位置，需重新查找當前間隔內所有波峰并根據幅值大小進行冒泡排序，按降序依次計算新的間隔值Tgap'，尋找達到Tgap'>T1條件的第一個波峰，作為新的J峰定位點。

2.5.4 閾值更新間隔檢驗的初始標準仍是一個較寬松的區間，隨著J 峰序列在檢測過程中不斷更新，當其數量超過10 個時，可以為后續過程提供先驗值作為參考。通過比較參考值與極限心率間隔的大小并進行決策，可以實現閾值動態更新來提高對誤差檢驗的敏感度，間隔閾值的更新規則如下：

其中，Taver是最近10 個J-J 間隔的算術平均，0.3 是由多次實驗結果得到，與實際中鄰近心率變化范圍通常不超過30%的經驗相吻合。

圖5給出了J 峰檢測算法的識別過程，圖中黑色“+”標記表示2.5.1節中得到的全部波峰Peak1。平行于坐標軸的橫線意為幅度閾值，超出此閾值的波峰Peak2 將被標記為紅色，隨后進行間隔檢驗，符合檢驗條件的候選波峰由“o”圈出，如圖5a 所示，采樣點2 200 附近的誤檢點將被移除，而圖5b 中采樣點2 400 附近出現的漏檢點也被準確識別出來，并使用“*”進行補充標記。

圖5 J峰定位示意圖Fig.5 Schematic diagram of J-peak localization

3 模型評估

3.1 試驗驗證

為檢驗本研究設計心率檢測模型的有效性，本研究選取5 名健康成年人進行測試，其中男性2 名，女性3名，年齡22～26歲，測試時長約為10 min。為增強試驗過程中心跳周期的多變性，指導試驗人員在測試前進行適量有氧活動以提高心率。正式測量過程中則模擬真實睡眠環境，受試者以平躺姿勢在采集裝置上進行休憩，期間不排除體動事件的發生。同時，使用醫用指夾式血氧檢測儀同步記錄血氧波形，從中提取脈搏間隔信息及脈率作為基準值進行參考。試驗場景如圖6所示。

圖6 試驗驗證現場環境Fig.6 Site environment of experimental validation

3.2 結果分析

隨機抽取一個樣本使用該模型的檢測結果，對比其與標準值的分布情況如圖7所示，其中圖7a為全部心動周期間隔的比較，從中可以看出兩組波形在趨勢上表現出高度的一致性，除個別尖峰外，絕大部分范圍數據均處于重合狀態。圖7b 表示每隔15 s 輸出的平均心率計算結果，在總長10 min 測試時間所得的40 個平均心率值中，僅有兩處輸出與參考值間出現了超過1次/min的偏差，展現了較高的準確性。

圖7 1號受試者測試效果Fig.7 Test results of No.1 subject

為進一步量化評估模型性能，本研究記錄了5組試驗得到的J 峰數量與實際發生的心跳次數，并將正確識別的心跳點記為TP，未檢出的心跳記為假陰性點FN，誤差超過100 ms 的記為假陽性點FP，然后計算覆蓋率CR（檢測到J 峰個數與實際心跳次數的比例）和準確率PR（正確的心跳個數占全部檢出結果的比例）作為衡量檢測質量的指標。經統計得到平均覆蓋率為98.3%，平均準確率為98.4%，全部統計結果如表2所示。總體而言，本研究所使用的檢測方法可以準確檢出大部分心跳節點，即使在原始信號質量受損的情況下，也能作出合理的心拍估計，保持較高的覆蓋率。當某些體動導致主通道位置產生轉移時，會造成短期內假陽性結果增多，這一狀況會在重新進行通道選擇后得到修正，并不會造成誤差累積影響余下檢測過程。最終平均心率輸出誤差范圍維持在±5%以內，達到了監護設備的行業檢測標準。

表2 5名受試者的心跳檢測結果Tab.2 Heartbeat test results of 5 subjects

4 結論

本研究提出一種魯棒的基于BCG 信號的心率檢測方法，通過信號補償方式對受體動干擾的數據段進行重構，提高模型的抗干擾性能，同時以J 峰為特征波形，融合多種信號處理方法進行特征增強與提取，以達到從不同情形下波形中準確定位心跳點的目的。模型整體結構簡單，無需設計心跳模板，運算實時性好。經試驗驗證，使用本研究方法得到的心率輸出結果與金標準之間呈現出高度的一致性，即使從存在干擾的非標準BCG 信號中，也能作出有效的心拍估計，使誤差維持在較低水平，可以為長期監測心臟活動提供準確度高、穩定性好且便捷舒適的解決方案。