基于無束縛生理信號檢測的睡眠監測系統設計

摘 " "要： 為了實現基于無束縛生理信號檢測的睡眠監測，針對現有檢測方法多為有束縛的不足，基于心沖擊圖（BCG）能量信號進行J波檢測并使用時域幅度二值化算法，設計了基于非接觸式心沖擊與呼吸信號檢測的睡眠監測系統。首先根據心沖擊信號（BCG）頻率低、沿脊柱方向強度大的特點，選取高靈敏度的壓電傳感器實現體動信號采集；其次對原始壓電傳感器信號進行去噪、放大，并根據BCG和呼吸信號的特征頻率范圍使用數字帶通濾波提取J波能量信號和呼吸信號，再計算單位時間J波與呼吸波波峰數，推算出心率值和呼吸率值；最后通過睡眠分期算法進行數據分析，實現睡眠質量評估。對100名受試者進行對比試驗，結果表明：本系統心率和呼吸率檢測準確度分別高達95.6%和96.0%以上，驗證了基于無束縛生理信號檢測的可行性。

關鍵詞： 無束縛監測；心沖擊；壓電傳感器；濾波算法；睡眠分期算法

中圖分類號： TP212.9 " " " " " "文獻標志碼： A " " " " " " " "文章編號： "１６７１－０２４Ｘ（２０24）０5－００75－07

Design of sleep monitoring system based on unconstrained detection of

physiological signals

GUO Cuijuan， XI Wei， XU Wei

（School of Electronical and Information Engineering， Tiangong University， Tianjin 300387， China）

Abstract： To achieve sleep monitoring based on unconstrained physiological signal detection， addressing the limitation of current detection methods being mostly restrained， a sleep monitoring system based on "non-contact ballistocardiography （BCG） and respiratory signal detection is designed， which utilizes BCG energy signals for J-wave detection and employs a time-domain amplitude binarization algorithm. Firstly， high-sensitivity piezoelectric sensors are selected for acquisition of body movement signal， capitalizing on BCG′s low frequency and high intensity along the spine. Secondly， the raw piezoelectric sensor signals undergo denoising and amplification， and digital bandpass filtering is applied based on the characteristic frequency ranges of BCG and respiratory signals to extract J-wave energy signals and respiratory signals. Then， the number of J-wave and respiratory wave peaks per unit time is calculated， from which heart rate and respiratory rate values are derived. Finally， the data were analyzed by the sleep staging algorithm to evaluate the sleep quality. Comparative experiments conducted on 100 subjects reveal that the accuracy of heart rate and respiratory rate detection by this system is above 95.6% and 96.0%， respectively， validating the feasibility of unconstrained physiological signal detection for sleep monitoring.

Key words： unconstrained detection； ballistocardiogram； piezoelectric sensor； filtering algorithm； sleep staging algorithm

隨著我國人口老齡化程度日益加劇和生活節奏加快，心血管疾病和睡眠呼吸暫停綜合征已經成為中老年群體較為常見的疾病，嚴重威脅著患者的生命健康。若能夠實現居家生理信號的實時檢測與分析，則可以盡早做出診斷并給予救治[1]。臨床上多導聯心電監護儀和Holter記錄儀為常用的監測方式[2]。其不足之處在于這些儀器由多導聯接觸式電極采集生理信號，設備價格昂貴且對受試者的束縛較強，長時間粘貼電極和導線連接會增加受試者的肉體和精神負擔，不便于家庭日常監測。文獻[3]指出心臟搏動、血液循環時對脊柱平行面產生沖擊力，這種沖擊信號被稱作心沖擊圖（ballistocardiography，簡稱BCG）。BCG信號可通過動態壓力檢測進行無束縛采集，與心電（ECG）監測相比具有更佳的舒適性和更好的便捷性，并可以降低使用成本。目前臨床上試行的是ECG與BCG信號聯合采集，對心力衰竭癥狀進行檢測[4]。在該聯合采集方法運用過程中，躺臥位BCG信號被用作定性分析或聯合ECG信號對患者的生理指標進行判定。目前暫無單獨將BCG信號作為測定依據的臨床實例，對新方法測量結果的準確度與一致性評價較少[5]。

為了適應不同受試者的躺臥位置與體型差異，生理信號檢測系統要具有廣域信號采集范圍[6]。目前應用于臨床的BCG信號采集設備多數采用大面積壓電薄膜傳感器[7]，大面積壓電薄膜傳感器制作成本較高，不易大規模應用與普及。本文采用聚偏二氟乙烯（PVDF）薄膜壓電傳感器陣列作為BCG和呼吸信號的采集裝置。該陣列增大人體受力面積，拓寬信號采集范圍，有效提高檢測面積和靈敏度，可實現靠坐、平躺和雙向側臥位的BCG和呼吸信號提取。通過信號處理算法和睡眠分期算法，在僅依靠原始體動信號的方式下快速有效地計算出心率和呼吸率數值，并實現睡眠質量評估。

1 系統結構設計

1.1 系統原理

心臟搏動過程中，每個心動周期均產生方向相同且平行于脊柱的機械力，文獻[8]對該過程脊柱方向進行受力分析，如圖1所示。

圖1中：F為心動機械沖擊力;Fr與Fc分別為左心室泵血形成的沖擊力與主動脈走行段血流沖擊力；Fb1與Fb2分別為主動脈湍流沖擊力與摩擦力；Fb和Fp為方向相同且平行于脊柱方向的一組耦合力且存在于心動周期始末；y″和m分別為單一心動周期內左心室動脈血流加速度與泵血質量；Vs為泵血初速度；V1和V2分別為主動脈湍流速度和走行段血流速度[8]。受力公式為：

根據式（1）和牛頓第三定律，在完整的心動周期內血液受到合力Fi的作用，脊柱會受到與Fi大小相同方向相反的沖擊力。由圖1所示的受力分析模型可知，左心室泵血時心沖擊力F平行于脊柱方向，體表產生由頭部到腳部，再由腳部到頭部的機械運動[9]。因此，為了獲取高強度的BCG信號，本系統從脊柱的平行方向采集信號。

1.2 系統構成

信號采集系統由模擬信號處理單元、模數轉換降噪單元、數據傳輸單元和電源分配網絡組成，系統設計框圖如圖2所示。信號采集系統通過置于床墊中的PVDF壓電傳感器陣列采集原始的體動信號，經模擬信號處理單元對原始體動信號進行電荷-電壓轉換、放大等預處理操作；處理后的信號通過模數轉換降噪單元和數據傳輸單元以串口形式發送至上位機。

1.3 傳感器陣列設計

由于正壓電效應的壓電傳感器具有高靈敏度，能夠有效檢測動態變化的壓力[10]。在硬件系統設計中，利用PVDF材料的高壓電常數特性檢測體動信號，實現對BCG和呼吸信號的無束縛采集。兼顧檢測面積、舒適度和設計成本，應用力感科技公司的340 mm × 50 mm的PVDF薄膜壓電傳感器作為生理信號采集傳感器。

將兩組PVDF薄膜壓電傳感器封裝后內置于床墊，組成雙通道陣列結構并獨立工作。該布置方式能增大受試者脊柱與傳感器的受力面積，提高垂直方向機械沖擊力的感應靈敏度和抗干擾能力，實現靠坐、平躺和雙向側臥位的生理信號提取。傳感器陣列布置方式如圖3所示，傳感器陣列封裝實物如圖4所示。

1.4 原始信號處理

PVDF薄膜壓電傳感器陣列輸出的原始模擬信號中存在工頻干擾[11]，經過模擬信號處理單元和模數轉換降噪單元進行數字化采集，獲得包含心沖擊波、呼吸波和體動高頻噪聲的多重疊加信號。模擬信號處理單元電路包括電荷放大電路、電流-電壓轉換電路和偏置電路。偏置電路通過加法器把電流-電壓轉換電路的輸出電壓進行直流電平抬升，提供1.5 V偏置電壓，確保原始信號中的負電平部分能夠被模數轉換降噪單元處理，解決了PVDF薄膜壓電傳感器輸出負電平部分的信號淹沒問題。模數轉換降噪單元包括陷波濾波、低通濾波和模數轉換（ADC）步驟，消除原始信號中50 Hz工頻噪聲、低頻基線漂移噪聲和高頻肌電干擾[12]，對去噪后的模擬信號進行數字采樣，通過數據傳輸單元以串口形式發送至上位機。

2 數字信號處理及算法設計

BCG信號是心臟搏動過程中心室泵血產生的機械沖擊力，主要頻率范圍在1～20 Hz之間。呼吸信號主要頻率范圍在0.01～0.50 Hz之間。120 Hz以上的體動噪聲、30～3 000 Hz范圍內的肌電干擾以及50 Hz工頻噪聲都會對信號的提取造成干擾[13]，因此使用寬頻濾波處理無法獲取能量集中特征明顯的BCG和呼吸信號。對數字采樣得到的體動原始信號進行幅頻特性分析，發現BCG信號頻譜峰值在5～10 Hz范圍且能量集中，故選取5～10 Hz作為帶通濾波頻段處理原始體動信號以提取有效的BCG信號。BCG信號頻譜如圖5所示。

2.1 心動呼吸檢測

圖6為平行脊柱方向的理想BCG波形。由圖6可見，單一心動周期J波幅值最大，通過檢測有效BCG與呼吸信號的J波和呼吸波波峰可進行心動呼吸檢測[14]。

基于巴特沃斯濾波器（Butterworth filter）通頻帶內頻率響應曲線最大限度平坦的特性，對體動原始信號進行5～10 Hz和0.01～0.50 Hz的帶通濾波，提取BCG和呼吸信號波形；使用幅度絕對值化得到BCG信號的幅值分布；對幅值信號進行5.0～6.5 Hz的帶通濾波（靜息心率范圍60～100 次/min），濾除幅值信號的高頻部分，獲得幅值低頻走勢，得到BCG J波能量信號。巴特沃斯濾波器的幅頻響應表達式為[15]：

式中：？棕c為通帶截止頻率；N為濾波器階數。圖7描述了一組時間長度為60 s的原始體動信號通過濾波提取的J波能量信號和呼吸信號波形。

2.2 心率與呼吸率算法設計

心動周期指從一次心跳的起始到下一次心跳的起始心血管系統所經歷的過程；心率指單位時間內心動周期中心參考點個數。本系統通過時域幅度二值化對BCG J波能量信號和呼吸信號的峰值信息進行識別，利用J-J間期與呼吸波波峰間期判斷單一心動周期和呼吸周期的始末狀態實現心率和呼吸率的計算。圖8所示為BCG J 波能量信號和呼吸信號峰值信息識別示意圖。圖8（a）—圖8（d）描述了一組時間長度為20 s的BCG J波能量信號和呼吸信號并對波峰進行標記，圖8（e）—圖8（f）為根據J波能量信號與呼吸信號的時域特性分別以幅度零點與幅度均值為界二值化得到兩組方波信號。檢測單位時間方波信號的上升沿并計數，進而計算出心率和呼吸率結果，算法流程如圖9所示。

2.3 睡眠分期算法設計

睡眠過程分為覺醒期（WAKE）、快速眼動睡眠期（REM）、淺睡期和深睡期4級睡眠時相。其中，淺睡期和深睡期合稱非快速眼動睡眠期（NREM）[16]。利用體動與心率信號在不同睡眠時相呈現明顯差異的特性進行睡眠分期，根據不同睡眠時相占整晚睡眠的比例實現睡眠質量評估。睡眠時相動態轉換過程中覺醒期心率與身體輾轉頻率最高，快速眼動期、淺睡期和深睡期逐級遞減[16]。

文獻[17]利用睡眠時體動信號的特征分析得到睡眠時相與單位時間內身體輾轉次數的關系模型，如式（3）所示：

Ri = 0.004 6 ×

（0.06Mi-2 + 0.2Mi-1 + Mi + 0.22Mi+1 + Mi+2）（3）

式中：Ri為睡眠時相判定結果，Rlt;1時為睡眠時相，R≥1時為覺醒時相；Mi為第i分鐘的輾轉次數，該模型作為判斷睡眠過程中人體處于睡眠時相與覺醒時相的依據。利用2.2節算法設計進行心率監測，對每30 s的心率數據進行打包并計算30 min的心率最大值與平均值，查找20個數據包內上升幅度超過15次的心率時域范圍，若該范圍±20 min出現心率最大值或者當最大值出現后最先達到心率上升時段標準差與平均值的時域范圍，則判定為REM時相；通過每2 h的心率均值和標準差判斷深睡期的時域范圍，檢測深睡期臨界時域范圍±10 min內出現REM時相或臨界覺醒時相（R≒1），則判斷該范圍為淺睡期。

3 系統測試與結果分析

本文設計了無束縛BCG和呼吸信號檢測系統，目前暫無單獨將BCG信號作為生理指標測定依據的臨床實例，需要對系統測試結果與傳統檢測方法的準確度和一致性進行對比評估，判斷本文提出的檢測系統設計是否具有可行性。

3.1 系統測試

選用云電高科（YunKear）公司出品的PPG生理參數檢測系統——MKB0805系統與本文設計系統進行對比試驗，同步采集心率與呼吸率結果。光電容積脈搏波描記法（PPG）是一種應用廣泛的生理監測方法，測量結果真實有效[18]。

試驗前按照圖10所示將PVDF薄膜壓電傳感器陣列置于座椅靠背中心位置，將YunKear公司的YK1801脈搏傳感器置于右手腕外側，采集板連接上位機并確認端口識別正常，運行應用程序檢測數據連通后完成系統測試，應用程序可視化界面如圖11所示。

3.2 試驗結果準確度評估

傳感器陣列置于床墊下方，受試者躺臥于床墊表層并配置MKB0805模塊進行心率與呼吸率同步采集。試驗過程中每名受試者處于躺臥覺醒狀態，分別進行仰臥、左側臥和右側臥3組體位測試，每組測試時長2 min，評估設計系統心率與呼吸率數據計算的準確度。

根據心電監護儀YY1079-2008標準對心率精度的要求，計算本文系統心率與呼吸率試驗結果的誤差率[19]。試驗中對每組心率（HR）與呼吸率（BR）數據進行誤差率分析時，均使用相對于標準PPG系統測試結果偏差最大的數據計算，表1記錄了從100名受試者中抽取10組試驗結果的誤差率分析結果。

根據準確度評估結果，通過控制年齡、性別、體型、測試體位與靜息狀態變量進行的多組試驗結果表明，本系統心率和呼吸率的檢測準確度分別高達95.6%與96.0%以上，滿足心電監護儀YY1079-2008標準（誤差率不超過標準值的10%且測量值絕對誤差不超過5 次/min）對心率精度的要求。

3.3 心率計算結果相關性與一致性評估

根據準確度評估顯示，設計系統的心率結果與標準值存在4.4%的誤差，為了更加精確地分析無束縛生理監測系統是否達到實用標準，需要對測試結果與標準檢測值的相關性與一致性進行對比評估。

相關性分析是指對多個可能具備相關性的變量元素進行分析，從而衡量其密切程度，采用皮爾遜（Pearson）相關系數進行上述分析，如式（4）所示：

式中：？滓x、？滓y表示兩組變量的標準差；cov（x，y）表示兩組變量的協方差。記錄無束縛生理信號監測系統心率結果為HRB，MKB0805標準檢測系統心率結果為HRE，對第1組受試者測試數據相關密切程度進行分析，如圖12所示。由圖12可見，Pearson相關系數為0.773 6，非相關性概率為0.000 1，兩組變量呈顯著線性相關。

3.4 睡眠質量評估

睡眠過程中每個睡眠時相占完整睡眠時間的比例應符合分配規律，正常睡眠過程各個睡眠時相占整晚睡眠時間比例為：覺醒期小于5%，REM時相20%～ 25%，淺睡期55%～60%，深睡期15%～25%[19]，通過不同睡眠時相占整晚睡眠時間的比例進行睡眠質量評估。

相關性評估僅能反映兩組變量的密切程度，無法有效評估數據間的一致性關系。醫學領域常用Bland-Altman法進行一致性評價[20]，通過分析均值AEB = （HRE+HRB）/2與差值DEB = （HRE-HRB）的關系以及數據95%置信區間（AEB±1.96SD）。判斷測試結果是否依然滿足心電監護儀YY1079-2008標準的要求。計算同一時刻兩組心率數據的平均值和差值作為Bland-Altman散點圖坐標值，通過由上至下的3條限值線對兩組數據進行一致性評價，如圖13所示。圖中： mean為差值均值線。

由圖13可知，無束縛生理信號監測系統與MKB0805標準檢測系統的心率差值均近似于差值的平均值，證明二者結果具有較好的一致性；數據95%置信區間（AEB±1.96SD）為1.996 次/min，滿足YY1079-2008標準中測量值絕對誤差不超過5 次/min的要求，證明本文設計系統與標準檢測系統的心率測試結果保持良好的一致程度，驗證了生理信號無束縛檢測的可行性。

選取第1組受試者進行睡眠評估系統測試，如圖14所示。

總睡眠時間為7.75 h，REM時相占比20.16%，NREM時相占比73.58%，其中淺睡期占比57.95%，深睡期占比15.63%，REM與NREM時相占比均處于正常睡眠區間邊緣。由上述分析可知，該受試者淺睡期時間長，深睡時間略短，睡眠質量屬于良好等級。

4 結 論

本文設計的基于無束縛生理信號檢測的睡眠監測系統通過多組PVDF薄膜壓電傳感器組成陣列內置于床墊，以非接觸方式實現平躺和雙向側臥位的BCG與呼吸信號提取。在僅依靠原始體動信號的方式下快速有效地計算出心率和呼吸率數值并實現睡眠質量評估，為生理信號的無束縛檢測和睡眠監測提供了新的手段。

（1） 本方法通過時域幅度二值化對BCG J波能量信號和呼吸信號的峰值信息進行識別，利用 J-J間期與呼吸波波峰間期判斷單一心動周期和呼吸周期的始末狀態，計算心率和呼吸率。

（2） 采用光電容積脈搏波描記法（PPG） MKB0805系統監測數據為標準值，對本文系統的心率與呼吸率結果進行準確度、相關性和一致性評估。對比試驗顯示，本系統心率和呼吸率的檢測準確度分別高達95.6%和96.0%以上，滿足YY1079-2008標準對心率精度的要求；二者心率結果均呈顯著線性相關；Bland-Altman分析結果證明了生理信號監測系統的心率計算結果與MKB0805系統測量結果保持良好的一致性，驗證了生理信號無束縛檢測的可行性。

參考文獻：

[1] " "何權瀛，陳寶元，張希龍. 解讀“睡眠呼吸暫停與心血管疾病專家共識”[J]. 中國實用內科雜志，2010，30（2）：116-121. HE Q Y， CHEN B Y， ZHANG X L. Interpret “Expert consensus on sleep apnea and cardiovascular disease”[J]. Chinese Practical Science，2010， 30（2）：116-121（in Chinese）.

[2] " "WEENK M， VAN GOOR H， FRIETMAN B， et al. Continuo-us monitoring of vital signs using wearable devices on the general word： Pilot study[J]. JMIR MHealth and UHealth ， 2017 ， 5（7） ： e91.

[3] " "GANESAN M， LAVANYA R， SUMESH E P. A survey on ballistocardio-gram to study the mechanical activity of heart[C].// 2017 International Conference on Communication and Signal Processing （ICCSP）. Chennai， India： IEEE， 2017： 557-561.

[4] " "ETEMADI M， HERSEK S， TSENG J M， et al. TrackingClinical status for heart failure patients using ballistocardiography and electrocardiography signal features[C]// 2014 36th Annual International Conference of the IEEE Engineering in Medicine and Biology Society. Chicago，USA： IEEE， 2014： 5188-5191.

[5] " "NAZIYOK T P， ZELEKE A A， ROHRIG R. Contactless patient monitoring for general wards： A systematic technology review[J]. Studies in Health Technology amp; Informatics， 2016， 228： 707-711.

[6] " "劉卓夫， 羅中明， Cascioli V， 等. 人體-座椅接觸面測量參數的研究初探[J]. 儀表技術與傳感器， 2011（1）：92-94.

LIU Z F， LUO Z M， CASCIOLI V， et al. Preliminary study on measurement parameters of human seat contact "surface[J] Instrument Technique and Sensor， 2011（1）：92-94（in Chinese）.

[7] " "胡旭東. 無創性心臟檢查方法和心功能監測[J]. 心肺血管學報， 1986（4）： 1-2.

HU X D. Non invasive cardiac examination and pathophysiology of cardiac pump function monitoring[J]. Journal of Cardiopulmonary Angiology，1986（4）：1-2（in Chinese）.

[8] " "蔣芳芳，王旭，楊丹.基于心臟動力學的體震信號建模與仿真[J].系統仿真學報， 2013，25（3）： 420-424.

JIANG F F， WANG X， YANG D. Modeling and simulation of body shock signal based on cardiac dynamics[J]. Journal of System Simulation， 2013，25（3） ： 420-424（in Chinese）.

[9] " "SU B Y， HU K C， SKUBIC M， et al. Pulse rate estimation using hydraulic bed sensor[C]//International Conference of the IEEE Engineering in Medicine and Biology Society. San Diego，CA： IEEE， 2012：2587-2590.

[10] "DU G F， LI Z， SONG G B. A PVDF-based sensor for internal stress monitoring of a concrete-filled Steel Tubular（CFST） column subject to impact loads[J]. Sensors， 2018，18（6）：1682.

[11] "王慶鋒，吳斌，宋吟蔚，等. PVDF壓電傳感器信號調理電路的設計[J]. 儀器儀表學報，2006，27（6）：1653-1655.

WANG Q F， WU B， SONG Y W， et al. Design of " signal conditioning circuit for PVDF piezoelectric sensor[J]. Journal of Instrumentation， 2006，27（6）： 1653-1655（in Chinese）.

[12] "周平，汪豐，馬騰飛，等. 電容式非接觸心電傳感器的設計[J]. 儀表技術與傳感器，2013（8）：5-7.

ZHOU P， WANG F， MA T F， et al. Design of capacitive non-contact electrocardiogram sensor [J]. Instrument "Technology and Sensors， 2013（8）：5-7. （in Chinese）.

[13] "JUNNILA S， AKHBARDEH A， VARRI A. An electromechanical film sensor based wireless ballistocardiographic chair： Implementation and performance[J]． Journal of Signal Processing System，2009， 57（3）： 305-320.

[14] "張先文，張麗巖，丁力超，等. 基于心沖擊信號的心率檢測[J]. 清華大學學報： 自然科學版， 2017，57（7）：763-767.

ZHANG X W， ZHANG L Y， DING L C， et al. Heart rate detection based on heart beat signal[J]. Journal of Tsinghua University： Natural Science Edition， 2017， 57（7）： 763-767（in Chinese）.

[15] "ACHARYA A， DAS S， PAN I， et al. Extending the concept of analog Butterworth filter for fractional order systems[J]. Signal Processing， 2014， 94： 409-420.

[16] "胡敏，江成璠，王素霞，等. 健康人不同睡眠時相心率變異性的差異[J]. 中國全科醫學，2015（2）： 205-207.

HU M， JIANG C F， WANG S X， et al. Differences of heart rate variability in different sleep phases in healthypeople[J]. Chinese General Practice Medicine，2015（2）： 205-207（in Chinese）.

[17] "COSMI B， PALARETI G， MOIA M， et al. Accuracy of a portable prothrombin time monitor （Coagucheck） in patients on chronic oral anticoagulant therapy： A prospective multicenter study[J]. Thrombosis Research， 2000， 100（4）： 279-286.

[18] "趙秀秀，徐磊. 光電容積脈搏波在監測心血管系統功能中的應用進展[J]. 臨床麻醉學雜志， 2020，36（1）： 89-92.

ZHANG X X， XU L. Progress in application of photo conductive pulse wave in monitoring cardiovascular system function[J]. Journal of Clinical Anesthesiology，2020，36（1）： 89-92（in Chinese）.

[19] "KURIHARA Y， WATANABE K． Sleep-stage decision algorithm by using heartbeat and body-movement signals[J]. IEEE Transactions on Systems， Man and Cybernetics Part A： Systems and Humans， 2012，42（6）：1450-1459.

[20] "GIAVARINA D. Understanding bland-altman analysis[J]. Modern Preventive Medicine， 2007， 34（17）： 3263-3266.

本文引文格式：

郭翠娟，習瑋，徐偉. 基于無束縛生理信號檢測的睡眠監測系統設計[J]. 天津工業大學學報，2024， 43（5）： 75-81，88.

GUO C J， XI W， XU W. Design of sleep monitoring system based on unconstrained detection of physiological signals[J]. Journal of Tiangong University， 2024， 43（5）： 75-81，88（in Chinese）.