基于雙通道光纖傳感器的生理數據采集系統研究

摘" 要： 為了滿足微彎曲光纖傳感器在血壓檢測上的應用，在原有傳感器基礎上增加了一路傳感器，并通過可編程邏輯器件對原始數據進行預處理。系統由兩路微彎曲光纖傳感器、兩路前置模擬放大部分、兩路ADC、微處理器、可編程邏輯器件以及WIFI模塊組成。實驗結果表明，該系統能夠更快地對原始數據進行數字濾波和提取生理參數，并計算出兩路心沖擊（BCG）信號的相位及兩者之間的瞬時相位差，最后預測出血壓值。

關鍵詞： 光纖傳感器； 血壓檢測； BCG； 可編程邏輯器件

中圖分類號：TP274+.2" " " " " 文獻標識碼：A" " "文章編號：1006-8228（2023）12-125-04

Research on physiological data acquisition system based on

dual channel fiber optic sensor

Xu Dongyi1，2， Zhu Yaodong2， Zhu Tao2， Zhu Yongliang1，2， Tang Min1，2

（1. School of Information Science and Technology， Zhejiang SCI-Tech University， Hangzhou， Zhejiang 310018， China;

2. College of Information Science and Engineering， Jiaxing University）

Abstract： In order to meet the application of micro bending fiber optic sensors in blood pressure detection， an additional sensor is added to the original sensor， and the raw data are preprocessed through programmable logic devices. The system consists of two micro bending fiber optic sensors， two analog preamplifiers， two ADCs， microprocessor， programmable logic device， and WIFI module. The experimental results show that the system can quickly perform digital filtering and extract physiological parameters from the raw data， calculate the phase of two ballistocardiogram （BCG） signals and the instantaneous phase difference between them， and finally predict blood pressure values.

Key words： fiber optic sensor; blood pressure detection; BCG; programmable logic device

0 引言

心血管疾病一直嚴重威脅著中老年人的健康，且人的年齡越大，患病的風險越高，心血管疾病是目前人類的首位死亡原因[1]，而高血壓是心血管疾病，特別是冠心病、腦卒中的重要誘因。如果我們能夠對高血壓患者進行長期的生理參數監測，就可以有效預防心血管疾病。

傳統的生理參數監測，如心電圖（Electro Cardio Grams，ECG）[2]法，光電容積（Photo Plethysmo Grams， PPG）法，需要直接接觸皮膚，而且佩戴過程比較繁瑣，不適合作為人體日常監測設備。近年來，一系列新型傳感器被提出用于實現人體生命參數的監測，他們不用接觸皮膚就可完成無感的數據采集。然而，諸如光纖光柵（FBG）[3]傳感器，壓電薄膜（PVDF）[4]傳感器，電磁波掃描傳感器等仍然存在很多缺陷。例如，光纖光柵傳感器的解調方法十分復雜，導致成本高昂；壓電傳感器使用壽命低，對于長期檢測并不適用；電磁傳感器易受外界干擾。目前來看，基于微彎曲光纖傳感器（Ballisto Cardio Gram，BCG）[5]的方法是一種比較有優勢的方法，它利用微彎管的形變導致接收器接收到的光強發生變化。基于這種方法制作的傳感器成本低，靈敏度高，傳輸的信號比較穩定。

血壓是衡量人體健康狀況的重要指標之一。本文研究了微彎曲光纖傳感器在血壓檢測上的應用。通過對微彎曲光纖傳感器和血壓檢測的原理和特性進行分析，設計了本系統的硬件電路和軟件程序，實現了對原始信號采集、處理和傳輸。最后，對實驗結果進行了分析和討論。實驗結果表明，本文的采集系統能夠實現對雙通道BCG信號的高精度采集和穩定傳輸，同時輸出兩個通道的相位和一路瞬時相位差數據，這為在PC端建立血壓預測模型提供了更優的數據基礎。與傳統的血壓計相比，微彎曲光纖傳感器具有無接觸、精度高，且不受袖帶干擾，能夠實現24小時連續監測。因此，微彎曲光纖傳感器在血壓檢測上有廣闊的應用前景。

1 系統結構及生理參數監測原理

1.1 心跳、呼吸、血壓采集原理

人體的呼吸會引起胸部的擴張和收縮，從而引起人體的微小振動[6]。當心臟跳動時，血液會噴射到全身的血管中，也會引起人體的微小振動。如圖1所示，為微彎曲光纖傳感器原理圖，光纖傳感纖維對微弱振動非常敏感，當人體呼吸或者心臟跳動時，光纖可以輕松地檢測出這種變化。當人躺在智能床墊上時，人體心跳和呼吸引起的微小振動會改變纖維微彎曲的周期，進而引起纖維角度和振幅的變化。最后光接收器將光信號轉換為電信號，即混雜著呼吸、心率以及其他噪聲的原始信號。成年人在平靜狀態下的呼吸頻率在0.16Hz-0.50Hz之間，心跳頻率在0.50Hz-3.00Hz之間，設計0.5-20Hz的巴特沃斯帶通濾波器進行信號分離，可以分離得到心沖擊信號（BCG）、呼吸信號[7]。

通過BCG信號檢測血壓的方式，這里采用的是比較兩個BCG信號的瞬時相位差（Instantaneous Phase Difference，IPD），以IPD為主要特征值通過人工神經網絡或卷積神經網絡的方法建立血壓預測模型。研究表明[8-9]，血壓越高，IPD的差異越大。本文使用兩個光纖傳感器同時采集人體兩個部位（例如背部和腿部）的BCG信號，然后使用希爾伯特變換[10]分別計算出兩個信號的相位以及兩者之間的IPD。雖然目前該方法的準確性與醫用血壓檢測儀相比還有一定差距，但仍有提升和廣闊的應用前景。因此，為保證IPD的可靠性，本系統使用了兩個ADC同時采樣兩個通道的電壓值，并通過可編程器件保證時序同步到ms級。

1.2 系統結構設計

系統整體結構框圖如圖2所示。本系統由兩個光纖傳感坐墊，兩路光發射器、光接收器，一路共用發射器驅動電路，兩路跨阻放大電路、二級運放電路、AD采樣電路，可編程邏輯器件，微處理器以及WIFI組成。

其中，兩個光纖坐墊分別將人體背部和腿部因呼吸和心跳引起的微小震動轉化為光信號，光接收器將光信號轉化為電信號，經過模擬放大并濾除環境噪聲后，采用高精度積分型ADC進行模數轉換。FPGA將轉換后的信號存入內部FIFO通道中，首先對數據預處理，之后，ARM讀取存放在FPGA中的數據計算出前1s的心率和呼吸率，最后，將數據統一打包，通過WIFI發送給PC端。

2 信號數據采集部分

2.1 前置模擬放大部分

光電檢測的前一部分包括光纖坐墊、光接收器、前置跨阻放大器以及二級運算放大器。光電接收器可以將光信號轉換為約±100nA左右的電流信號，之后經過跨阻放大器，將電流信號轉換為mv級電壓信號。跨阻放大器由OPA656運算放大器及相關電路組成，該運算放大器在光電檢測中表現出良好的精度。同時為了滿足后續AD采集的需求，還需接入二級運放。圖3展示了跨阻放大器和二級運算放大器的相關連接框圖。OUT1為一級跨阻放大器的電壓輸出，它將光接收器轉換出的nA級電流信號轉換放大為20～30mV左右的電壓信號。二級運算放大器使用的是AD623芯片，它具有高精度、低噪聲以及低功耗的特性。通過調整可變電阻，可以調整放大倍數來使輸出電壓OUT2滿足在AD測量的最佳精度范圍內。

2.2 AD采集

將前置模擬放大部分的信號OUT2A與OUT2B經過AD轉換后，即得到原始信號。如圖4所示為ADC與FPGA的連接結構圖。由于考慮到本系統要求的采集精度高，速率不高的特點，所以采用ADS1115積分型ADC芯片，該芯片精度為16位，內部轉換速率，轉換幅值等均可由內部寄存器設定，本系統將AD采集電壓幅值范圍選擇在±1.024V。但提高轉換速率會帶來更高的噪聲容量，同時考慮到FIFO存儲容量的壓力，本系統采用250SPS的轉換速率，并設定該芯片總是會將最近一次的轉換結果放到轉換寄存器中。

核心數據預處理模塊FPGA使用的是由Xilinx廠家提供的Artix-7系列的XC7A200T芯片。該芯片與ADC采用IIC的方式連接，為了保證時序同步問題，使用了兩個ADS1115芯片，同時對光纖通道A，光纖通道B進行模數轉換，兩個ADS1115的控制時序全都由FPGA來產生，FPGA每隔4ms的時間發出指令，讀取ADC轉換寄存器中最新一次完成轉換的結果，并將結果放入FIFO通道中，以供后續的數據處理工作。ADC采集的具體流程如圖5所示，這里將FPGA看成主機，從背部通道A轉化數據的ADS1115_A看成從機1，從腿部通道B轉化數據的ADS1115_B看成從機2，IIC接口包含時鐘線SCL，數據線SDA。

3 信號預處理部分

3.1 FPGA預處理

FPGA通過IIC接口同時控制兩路ADC，并在內部設計一個18位的計數器和一個8位計數器。18位計數器以50MHz的頻率計數，當計數周期達到200，000次時分別讀取一次兩路ADC上的數據，即讀取速率為每秒讀取250個數據，與ADC的轉換速率相對應，然后將讀取數據分別存入兩個深度為256位，寬度為16位的FIFO_A和FIFO_B通道中，FIFO通道均由FPGA內部IP核生成。8位計數器用于記錄已經讀取的數據個數，當其達到250個時，即經過1s的時間后，清零刷新。從AD讀取的原始信號是混雜著噪聲、呼吸信號與心跳信號的混合信號，如圖6所示。

正常的情況下，人體的呼吸頻率一般在0.16Hz-0.50Hz之間，心跳頻率在0.50Hz-3.00Hz之間。對原始信號進行快速傅里葉變換（FFT）后，將原時域信號變換為頻域后，設計使用0.5-20Hz的巴特沃斯（Butterworth）帶通數字濾波器進行信號分離，濾除呼吸信號后提取到BCG信號，如圖7所示。

圖8所示為FPGA內部結構框圖。在FPGA內部設計兩個外部ADC控制模塊用以讀取數據，兩個數據緩存模塊FIFO用以動態存儲原始數據，兩個巴特沃斯濾波模塊用以得到BCG信號，一個希爾伯特（Hilbert Transform）模塊用以獲取兩個BCG信號的相位以及計算兩者之間的瞬時相位差，串口模塊用以與外部WIFI通信，FSMC模塊用以與ARM通信。

如圖9所示為FPGA內部數據流程圖。FPGA通過對FIFO通道的控制引腳寫入使能（wr_en）與讀出使能（rd_en），使FIFO_A和FIFO_B的數據寫入工作在同步方式，而數據讀出工作在異步方式。FIFO作為數據的緩存通道，數據遵循著先進先出的原則，動態刷新。當兩個通道內的數據每一次分別達到250個時，開始進行FPGA的預處理程序。同時考慮到MCU的相關計算只需要一路信號，所以只將腿部（B）通道的原始數據、濾波后數據，放入與ARM交互的FSMC模塊中的RAM中，以供ARM讀取，經ARM處理后得出的呼吸率、心率數據通過與ARM相接的一路WIFI模塊發送到PC端。

3.2 ARM計算心率、呼吸率流程

ARM端的主要工作是通過FSMC接口讀取存放在FPGA內部FSMC模塊中的數據，通過相關公式和算法計算出人體前1s的呼吸率、心率信息。

呼吸率的計算實際上是對原始信號兩個大波峰之間時間間隔的計算，為了能夠準確的測量，可以對原始信號進行快速傅里葉（FFT）變換，將時域信號變到頻域后，通過查找0.16-0.50Hz范圍內的最大頻率點去計算出呼吸率，其計算流程如圖10（a）所示。

心率的計算與呼吸率的計算類似，不同的是它是對經巴特沃斯濾波器過濾后信號的兩個波峰之間時間間隔的計算，我們也對濾波后的信號進行FFT變換后，尋找0.50-20.0Hz范圍內的最大頻率點來計算出心率，其計算流程如圖10（b）所示。

4 系統工作流程及應用

如圖11所示，本系統制作了雙通道傳感器樣機的試驗平臺，該樣機主要包括，兩個微彎曲光纖傳感坐墊，前置模擬放大部分，硬件數據處理平臺。兩個光纖傳感坐墊通過光纖跳線與前置模擬部分上的光電收發管相連，硬件數據處理平臺與前置模擬部分直接通過電氣連接。實驗人員在一個相對安靜的環境中平躺在兩個微彎曲光纖傳感器墊子上，一個墊子在人的背部，另一個墊在人的大腿部分，兩個墊子之間的距離約為30cm，上電之后，硬件數據處理平臺就通過WIFI模塊將相關數據發送到PC端。

如圖12～圖14，分別為PC端截取的濾波后4s內雙通道BCG數據、4s雙通道相位數據、4s瞬時相位差數據的波形圖。從圖12中可以看到，當同時測量人體兩個部位的BCG信號時，信號波形有明顯差異。利用希爾伯特變換得到圖13中兩個通道的相位圖，利用其相位計算出圖14中的瞬時相位差（IPD）。

最后使用生成的相位及相位差數據作為模型的主要特征，通過卷積神經網絡的方法預測出當前測試人員的血壓。如圖15、圖16所示顯示了基于卷積神經網絡模型對舒張壓與收縮壓的回歸預測圖， 其中橫軸為真實血壓值，縱軸為預測值，在圖中可以明顯看到預測血壓值向真實值收斂。這表明了使用雙通道相位作為特征值來預估血壓的可行性。

5 結論

本文對采集微彎曲光纖傳感雙通道數據的硬件系統作了詳細闡述，包括器件的選型，雙通道數據的采樣方式以及緩存設計，FPGA的預處理設計，ARM的軟件設計等。實驗的結果表明，本文設計的電路可以穩定地采集兩個通道微彎曲光纖傳感器的動態實時數據，且抗噪能力強，數據時序同步準確，可以快速獲取兩個通道之間的瞬時相位差，為使用BCG信號建立血壓預測模型提供了更好的數據基礎和硬件平臺。

參考文獻（References）：

[1] 趙東.心血管疾病危險因素的研究：過去、現在和未來[J].

中國循環雜志，2021，36（1）：1-3.

[2] VROurSENBERG W V，CHANWIMALUEANG T， et al.

Smart helmet：Wearable multichannel ECG and EEG[J]. IEEE Journal of Translational Engineering in Health and Medicine，2016：270011.

[3] Dziuda，Lukasz. Fiber-optic sensors for monitoring patient

physiological parameters： a review of applicable technologies and relevance to use during magnetic resonance imaging procedures[J]. J BIOMED OPT，2015，20（1）：1-23.

[4] Hamdani，Syed Talha Ali，et al.The Application of a Piezo-

Rseistive Cardiorespiratory Sens or System in an Automobile Safety Belt[J]. Sensors，2015，15（4）：7741-7753.

[5] 趙榮建，湯敏芳，陳賢祥，等.基于光纖傳感的生理參數監測系

統研究[J].電子與信息學報，2018，40（9）：2182-2189.

[6] Chenxi Ke，Yilun Cai， et al. Research on intelligent mattress

based on improved SMS structure sensing fiber." Journal of Physics[J]，2021，1802（2）.

[7] Chen，Zhihao Lau，Doreen， et al. Simultaneous measure-

ment of breathing rate and heart rate using a microbend multimode fiber optic sensor[J]. Journal of Biomedical Optics，2014，19（2）：1-11.

[8] Seok Woojoon， Lee Kwang Jin， et al. Blood Pressure

Monitoring System Using a Two-Channel Ballistocardiogram and Convolutional Neural Networks[J]. Sensors，2021，21（7）.

[9] Kwang Jin Lee，Jongryun Roh， et al. A Chair-Based

Unconstrained/Nonintrusive Cuffless Blood Pressure Monitoring System Using a Two-Channel Ballistocardiogram[J]. Sensors，2019，19（595）.

[10] Dong，Ran Cai，Dongsheng， et al.Motion Capture Data

Analysis in the Instantaneous Frequency-Domain Using Hilbert-Huang Transform[J]. Sensors，2020，20（22）：1-17.