基于信號質量評估的日常血氧檢測研究*

許建雯 張愛華，2，3 漆宇晟 馬玉潤，2，3

（1.蘭州理工大學電氣工程與信息工程學院 蘭州 730050）（2.甘肅省工業過程先進控制重點實驗室 蘭州 730050）（3.蘭州理工大學電氣與控制工程國家級實驗教學示范中心 蘭州 730050）

1 引言

血氧飽和度（Blood Oxygen Saturation，SpO2）是反映人體呼吸和循環系統機能的重要生理參數，血氧檢測主要利用光譜技術和朗伯比爾定律，通過向血管組織照射兩種不同波長的光，感知動脈搏動過程中光吸收變化從而獲得血氧值［1～2］。然而，利用光電容積描記法檢測血氧時易受噪聲、運動和血流灌注等因素的影響，導致檢測到的信號質量較差，給日常無監督狀態下血氧檢測帶來了巨大挑戰［3］。

針對日常血氧檢測已經做了大量研究，比如李敏提出一種基于時變自回歸模型，利用加速度信號將信號分為運動和靜止兩個狀態，從而提高血氧的準確性［4］。Yan提出利用最小相關離散飽和變換獲得日常血氧［5］。Alzahrani 用三軸加速度計構建運動干擾信號降低日常運動偽跡的影響［6］。毛爍構造形態學算子提取波峰波谷，提高了運動狀態下血氧的準確性［7］。張蕾蕾在耳道設計了反射式無線血氧監測儀［8］。王超基于STM32 設計了一款家用監護系統，采用指套式探頭檢測血氧［9］。目前市場上血氧儀主要由Nellcor、Philips、魚躍以及康泰等公司生產。但無論是上述理論研究還是產品設計，血氧探頭一般放置在手指、耳道、腕部等受運動干擾和血流灌注的影響較大的部位。此外，雖然上述學者通過抑制噪聲提高血氧的準確性，但是很難從已經破壞的信號中提取到有效的測量值，所以對信號的質量及其受到的干擾進行評估是提取有效血氧首要解決的問題。

研究發現檢測過程中耳后相比于常用檢測部位，不僅提供穩定的血流灌注，而且日常活動中更具有抗干擾性和隱蔽性［10］。因此，本文針對目前日常血氧檢測存在的問題，首先研制了耳后血氧采集裝置，實現脈搏信號的穩定采集。其次，對日常中常見干擾的特征和來源進行分析，提取反映干擾信息的特征，并提出基于特征融合和支持向量機（Support Vector Machine，SVM）的信號質量評估方法。最后，對不同質量的信號分別處理，提取波峰波谷，計算血氧值，實現日常血氧準確有效的檢測。

2 耳后血氧檢測裝置

以耳后作為采集部位研制了血氧采集裝置，采樣頻率為100Hz，實物如圖1 所示。基于耳后血氧裝置的檢測系統由主控模塊、采集模塊、電源模塊、通信模塊和處理模塊五部分組成。主控模塊采用STM32F103RCT6，通過PCB 設計盡量減小尺寸。采集模塊采用尺寸小功耗低的MAX30100 光學傳感器。外部控制器通過I2C 總線讀取脈搏信號，并用無線通信方式將數據傳至PC 終端分析處理，實現血氧的檢測。系統框圖如圖2所示。?

圖1 血氧檢測裝置實物圖

圖2 耳后血氧檢測系統框圖

3 算法原理與分析

3.1 SVM算法

支持向量機在模式識別分類等問題上已經得到了廣泛的應用。SVM 的核心思想是通過建立一個分類決策曲面來區分正反例，進而得到最優超平面［11］。假設x為訓練樣本集，其原理如圖3所示。

圖3 支持向量機原理圖

其中ω?x+b=0 為分離超平面，ω決定超平面的方向，b決定超平面與原點的距離。實際應用中通常利用非線性映射Φ將輸入空間的樣本映射到高維特征空間H 并構造最優分類超平面。Vapnik等人利用符合Mercer 條件的核函數K代替點積運算，定義如下：

SVM 常用的核函數有如下三種，其中xi為非零部分對應的樣本，具體定義如下：

1）線性核函數

2）d階多項式核函數

3）徑向基核函數

由于徑向基函數的參數較少應用廣泛，分類時對樣本數量要求不高，所以本文采用徑向基函數作為支持向量機的核函數。

3.2 基于SVM和特征融合的信號質量評估

本文從日常干擾的來源分析，提取反映干擾信息的特征，提出基于SVM 和特征融合的方法實現日常脈搏信號的質量評估。首先，分析了日常干擾的類型，主要有大幅度的運動、傳感器的跌落和與檢測部位接觸不良導致的信號片段，以及包含基線漂移、高頻噪聲和運動偽跡等噪聲干擾的信號片段。這些噪聲主要表現為信號幅值時高時低、大量的毛刺等特征，導致無法提取有效的信息。其次，提取以下7個特征。

1）峰度（kurtosis，k）：峰度是概率分布的四階中心矩，衡量峰值的尖銳程度。離散信號的峰度定義如下：

其中μx和σ為信號的均值和標準差，M為信號的采樣點數［12］。

2）偏度（skewness，s）：偏度是概率分布的三階中心矩，衡量分布的對稱程度。離散信號的偏度定義如下：

其中μx和σ為信號的均值和標準差，M為信號的采樣點數［13］。

3）奇異值之比（ratio of singular value decompo?sition，svd）：文獻［14］指出奇異值之比用于表征信號質量，對信號進行奇異值分解，排序后可得σ1>σ2>σ3……>σm，則其定義如下：

4）灌注指數（Perfusion Index，PI）：灌注指數是周圍組織搏動血流量與非搏動血流量的比值，其定義如下：

其中xˉ為x的統計平均值，y為濾波后的信號［12］。

5）排列熵（Permutation Entropy，PE）：排列熵反映時間序列的隨機程度，其定義如下：

其中P1,P2,…Pb為不同符號序列出現的概率［15］。

6）模糊熵（Fuzzy Entropy，fuzEn）：模糊熵用于量化時間序列的復雜度，當信號受到噪聲干擾時其復雜度較高熵值較大。假設長度為N的原始信號序列為［x（n）］=x（1）…x（N），按采樣序號組成一組m維向量，利用模糊隸屬函數求序列的相似程度，并定義以下函數：

以此類推到m+1 維，則模糊熵的計算公式如下：

其中m為模式維數，r為相似容限，函數D為信號的相似度［16］。

7）互 相 關 系 數（cross correlation coefficient，ccor）：血氧檢測中質量好的紅光和紅外脈搏信號兩者具有較強的相關性，而在有運動干擾的情況下，相關性會降低。其定義如下：

其中x和y分別為紅光和紅外光脈搏信號，xˉ和yˉ為均值，σx和σy為標準差。

然后，將7 個特征及其組合作為信號質量指標，并對采集的數據進行不重疊分割，每段數據長度為300 個點，以保證至少有兩個完整脈搏周期。由3名專家對信號進行“好、中、差”3個質量等級的標注，并將結果作為數據標簽。最后，針對日常脈搏信號提出一種基于SVM 和特征融合的方法實現信號質量評估，進而實現信號質量“好、中、差”的劃分。

3.3 基于信號質量評估的日常血氧檢測

根據不同質量的信號，提出相應的后續處理方法。質量差的信號直接剔除；質量中的信號需要抑制運動偽跡對特征點檢測的影響，再提取波峰波谷；質量好的信號直接提取波峰波谷。最后，利用特征點計算血氧值。其中，運動偽跡不易去除且與脈搏信號有效頻帶重疊［17］，提出利用廣義組合形態學濾波方法削減運動偽跡對信號分析的影響。數學形態學最基本的算子有膨脹和腐蝕［18］，對膨脹和腐蝕進行級聯以及算數平均運算得到的組合形態學運算存在偏移現象。而廣義組合形態學濾波不僅可以消除統計偏倚現象，而且能保持較好的幾何特征。具體檢測流程如圖4所示。

圖4 基于信號質量評估的日常血氧檢測流程圖

4 實驗與結果

4.1 硬件檢測裝置的有效性分析

血氧計算的經驗公式如下：

表1 靜坐狀態下的血氧誤差分析實驗結果

4.2 信號質量評估

為了獲得日常狀態下區分信號質量的最佳特征向量，模擬人體真實的日常活動設計了坐姿、站姿、平躺、慢走、打字和說話或咀嚼共6 組實驗，采集3 名健康研究生的血氧數據，每組長度為5min。質量評估結果如圖5 所示，由圖可知特征融合改善了單特征表征信號質量準確率較低的問題。其中k、PI 和PE 特征組合能更有效剔除質量差的信號，準確率為93.33%；svd、s和fuzEn特征組合可以更準確區分質量等級好和中的信號，準確率為92.08%。

圖5 單特征和特征組合分類的準確率

4.3 日常血氧檢測

針對質量中的信號基于廣義組合形態學方法進行濾波。如表2 所示，運動狀態下濾波后檢測的準確率均在90%以上，降低了特征點的誤檢和漏檢。因為廣義組合形態學濾波后特征點被突出，從而有效削弱了運動偽跡的影響。對質量好和中的信號提取波峰波谷，結果如圖6所示。

圖6 波峰波谷檢測結果

表2 運動狀態下波谷檢測結果

為了驗證提出的基于信號質量評估的血氧檢測方法的有效性，分別在日常靜止和運動狀態下進行了檢測。首先，利用耳后血氧檢測裝置和YX303采集靜止狀態下兩名健康受試者的數據，分析對比利用直接測量法得到的血氧值（測量值1）和基于本文質量評估方法得到的血氧值（測量值2），其中直接測量法僅濾除基線漂移和高頻噪聲。實驗中以YX303檢測結果作為參考標準值，對比結果如表3 所示。前四組為受試者1 的數據，后四組為受試者2 的數據。結果表明，與YX303 對比直接計算的血氧誤差是2.1%，基于本文方法的血氧誤差下降了1.1%。因此，所提方法減少了靜止狀態下血氧的誤差。

表3 靜止狀態下的血氧檢測結果

然后，對運動狀態下的血氧進行了實驗對比。由于運動狀態下指部受運動干擾影響較大，YX303檢測結果誤差較大，無法作為參考標準。同時，考慮到血氧的計算取決于波峰波谷的準確檢測。所以，本文基于波峰波谷檢測的準確率作為血氧檢測有效的間接評判標準，檢測結果如表4 所示，運動狀態下基于信號質量評估的血氧檢測方法相比于直接檢測準確率從69.5%提高至88.4%。因此，本文所提方法提高了日常血氧檢測的準確性和可靠性。

表4 運動狀態下信號片段的檢測結果

5 結語

本文設計并研制的耳后血氧檢測系統，克服了商用血氧儀在日常狀態下受運動和血流灌注影響大的劣勢，系統可有效穩定的采集數據。針對日常中信號質量受噪聲干擾的問題，提出的基于支持向量機和特征融合信號質量評估方法，獲得區分信號質量的最佳特征組合，并作為SVM 的輸入參數實現信號質量的分類。針對運動偽跡的影響，使用廣義組合形態學方法降低了特征點的誤檢和漏檢。在靜止和運動狀態下檢測血氧，其準確率相比于未采用質量評估算法均得到了提高。因此，所提方法能夠有效抑制噪聲干擾和運動的影響，提高了血氧的準確率，為日常無監督狀態下的血氧檢測提供了新的思路和方案。