一种高鲁棒性呼吸信号自动测量系统的制作方法

1.本技术涉及生理信息处理技术领域，具体而言，设计一种呼吸信号在线监测实施系统及装置。


背景技术：

2.呼吸信号和呼吸频率(rr)是医院预防异常情况的指标之一，如心脏和呼吸停止、全身炎症反应综合征(sirs)、肾功能衰竭等。成年人的正常呼吸率为8-20次每分钟(bpm)。我们发现在一项关于呼吸异常的研究中，54％的心脏骤停患者在心脏骤停前三天至少有一次呼吸频率(rr)》27bpm。因此，对于病人的呼吸监测至关重要。与其他生命指标不同，在大多数情况下，呼吸频率(rr)的测量是手动进行的，因为目前可广泛使用的达到临床要求的自动化设备用于呼吸频率的测量。呼吸频率(rr)的重要性和目前缺乏的技术手段说明找到一种达到临床要求、自动且持续的呼吸监测方法具有重要的临床意义。目前临床使用的方法有二氧化碳描计法(capnography)、阻抗容积描计法(impedance plethysmography)、流动热成像法(flowthermography)，这些方法价格昂贵且具有侵入性，不适合普通病房发病人使用。
3.随着光体积描记术的进步，光电容积描计(ppg)在医院内外被广泛应用于呼吸监测。科学家给出多种从光电容积描计(ppg)信号估计呼吸频率的方法，如最早的小波分解(wavelet decomposition)、数字滤波(digital filters)、傅里叶变换(fft)，以及复解调(complexdecomposition)、经典模态分解和自回归模型(ar)，到近期的主成分分析(pca)和人工神经网络(nn)，都被成功运用于各种光电容积描计(ppg)数据库，有不错的估计结果。有研究使用神经网络对三种调制信号进行分析，来选择最佳的波形用以最终的算法设计。还有研究使用数据融合结合多个调制信号的估计值。尽管有着这么多的进展，但由于以上方法估计呼吸信号的准确性不足，因此使用脉搏血氧计测量呼吸信号只是最近采用于商用。因此，给出一个可靠的方法至关重要。现在比较常用的方法是引入信号质量指数(sqi)，来评价信号质量，如果光电容积描计(ppg)信号没有携带有意义的生理信息，就不对其进行算法估计。缺乏质量指标可能导致严重的临床错误，引入评价指标可以提高准确性与可靠性。也就是说，至今在临床上尚无安全准确，且便于广泛应用的呼吸信号监测方法。


技术实现要素：

4.本技术实施的目的在于提供一种高鲁棒性呼吸信号自动测量系统，为使用光电容积描计设备进行测量，从光电容积描计(ppg)信号获得高准确率的呼吸信号和呼吸频率(rr)提供了一种准确、使用便捷、可在线监测的方法和设备。
5.为达成所述目的，本发明提供一种高鲁棒性呼吸信号自动测量系统，其特征在于，包括：
6.ppg信号采集模块100，通过光电容积描计设备采集光电容积描计(ppg)信号；
7.ppg信号提取和分析模块200，提取峰值序列振幅(rriv)、连续峰值时间差(rifv)、
脉冲高度(riav)三种呼吸调制信号，对呼吸调制信号进行频谱分析，对频谱分析获得的信号和数据进行数据融合，最终获得准确可靠呼吸信号及呼吸频率(rr)。
8.优选地，ppg信号采集模块，包括:光电容积描计设备采用穿戴式脉搏血氧仪，根据beer-lambert定律来估计血氧饱和度(spo2)，使用光电容积描记图来显示手指内血容量随时间的变化，其中包含脉冲分量和常数分量，呼吸频率和心跳频率包含在光电容积描计(ppg) 信号的脉冲分量中，并将信号传输至ppg信号提取和分析模块；
9.优选地，ppg信号提取和分析模块，包括：呼吸调制信号提取单元，提取和评估峰值序列振幅(rriv)、连续峰值时间差(rifv)、脉冲高度(riav)三种呼吸调制信号；信号分析单元，对三种调制信号做频谱分析；数据融合单元,对频谱分析的结果做数据融合。
10.优选地，呼吸信号调制提取单元，包括：采用峰值检测、峰值验证和波谷检测获得峰值序列振幅(rriv)、连续峰值时间差(rifv)、脉冲高度(riav)三种呼吸调制信号，并对信号进行信号质量评估，评估方法包括增量合并细分算法(ims)、二重脉搏检测和信号质量指数(sqi)计算。
11.优选地，信号分析单元，包括：对三种调制信号做频谱分析，包括高效傅里叶变换(fft)、自相关分析(ac)、建立自回归模型，得到三种呼吸信号和呼吸频率(rr)预估计值；
12.优选地，数据融合单元，包括：对经频谱分析得到的预估信号和数据做数据融合，得到高准确率呼吸信号及呼吸频率(rr)。
13.本发明提供的一种高鲁棒性呼吸信号自动测量系统设备操作简单，成本低廉，结果准确可靠，适用于多种场所对呼吸频率在线监测。
14.本发明一种高鲁棒性呼吸信号自动测量系统的特点是：
15.1)可用于医院、社区医院、家庭等多种场所进行呼吸频率在线监测；
16.2)设备操作简单、安全，自动化程度高，结果准确可靠；
17.3)设备成本低，受资金限制小，普通医疗机构等场所均可使用。
附图说明
18.为了更清楚地说明本技术实施例的技术方案，提供了图1一种高鲁棒性呼吸信号自动测量系统结构框图。本附图仅示出了本技术的某实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据此附图获得其他相关的附图。
具体实施方式
19.下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行描述，应指出的是，所描述的实施例仅旨在便于对本发明的理解，而对其不起任何限定作用。
20.本技术实施例一种高鲁棒性呼吸信号自动测量系统由ppg信号采集模块100，ppg信号提取和分析模块200组成。
21.ppg信号采集模块为穿戴式脉搏血氧仪100。穿戴式脉搏血氧仪 100采集光电容积描计(ppg)信号，通过wifi传输给ppg信号提取和分析模块200。
22.ppg信号提取和分析模块200由呼吸调制信号提取单元210、信号分析单元220、数据融合单元230组成。呼吸调制信号提取单元210 从光电容积描计(ppg)信号中提取峰值序
列振幅(rriv)、连续峰值时间差(rifv)、脉冲高度(riav)三种呼吸调制信号；信号分析单元220对提取到的呼吸调制信号进行分析，得到三种预估呼吸信号和呼吸频率(rr)预估计值；数据融合单元230将获得的预估呼吸信号和呼吸频率(rr)预估计值做数据融合，最终得到准确可靠的呼吸信号和呼吸频率(rr)。
23.下面详细介绍本发明的实施例：
24.(一)光电容积描计(ppg)信号采集模块100
25.光电容积描计(ppg)信号采集模块100是由穿戴式脉搏血氧仪111 佩戴于手指端，由固件程序驱动，通过数据采集和传输单元110将采集到的光电容积描计(ppg)信号通过wifi传输至ppg信号提取和分析模块200。
26.(二)ppg信号提取和分析模块200
27.ppg信号提取和分析模块200在计算机上运行，由呼吸调制信号提取单元210、信号分析单元220、数据融合单元230组成。
28.呼吸调制信号提取单元210从光电容积描计(ppg)信号中提取取峰值序列振幅(rriv)、连续峰值时间差(rifv)、脉冲高度(riav) 三种呼吸调制信号；信号分析单元220对提取到的呼吸调制信号进行分析，得到预估呼吸信号和预估呼吸频率(rr)；数据融合单元230 将获得的结果做数据融合，最终得到准确可靠的呼吸信号及呼吸频率 (rr)。具体分析方法如下：
29.1、呼吸调制信号的提取
30.a.方法思路
31.a.从光电容积描计(ppg)中提取呼吸频率(rr)，通常的做法是使用滑动窗口对光电容积描计(ppg)时间序列进行分割，每个窗分别得到一个呼吸频率(rr)。算法第一步一般是从光电容积描计(ppg)中提取呼吸调制信号，呼吸调制信号的提取有许多方法，最常用的是光电容积描计(ppg)信号峰值波谷的检测。我们将光电容积描计(ppg)信号峰值时间序列定义为点集 {t
pk，i
，y
pk，i
}i＝1...n
pk
，将波谷时间序列定义为点集 {t
tr，i
，y
tr，i
}i＝1...n
tr
，其中npk，ntr分别为峰值与波谷的个数。由于信号存在噪声，或检测算法存在误检，n
pk
≠n
tr
。
32.b.峰值波谷时间序列将用于产生三种不同的呼吸调制信号，代表呼吸的三种不同信息。
33.1)峰值序列振幅(rriv)：呼吸引导强度变化即峰值序列的振幅。这是由于胸腔内压力的变化导致灌注基线的变化，其表现为光电容积描计(ppg)峰值的振幅变化。因此，
34.2)脉冲高度(riav)：呼吸引导振幅变化即光电容积描计(ppg) 脉冲的高度，定义为两个相邻峰值波谷之间的高度差。这是由于呼吸引起心输血量变化，导致光电容积描计(ppg)信号绝对幅值变化。因此，
35.3)连续峰值时间差(rifv)：呼吸引导频率变化是呼吸周期瞬时 hr值的变化，这种现象称为呼吸窦性心律不齐(rsa)。定义为连续峰值之间的时间差。因此，
还有一些其他的呼吸调制信号也被给出，如脉冲宽度变化。这些调制信号都可以用来估计呼吸频率(rr)。
36.c.在进行数据处理之前，一般都需要预处理操作。首先使用低通滤波，滤除高频噪声。然后使用增量合并细分算法(ims)对光电容积描计(ppg)信号进行检拍。之后使用上述提到的三种方式提取呼吸调制信号。由于是不均匀时间序列，需要对信号进行fs＝4hz 重采样。为了使三种信号统一量度，使用零均值一方差的标准化。为了增加信号的可靠性，增加了信号评估指标(信号质量指数sqi) 对调制信号进行评估。
37.b.对于呼吸频率(rr)估计，最关键的是呼吸调制信号的提取。提取呼吸调制信号，主要方法就是峰值检测以及信号质量评估。本发明给出一种改进的峰值检测方法和信号评估方法，然后使用频谱分析和数据融合估计呼吸信号及频率。
38.a.峰值检测
39.峰值检测的一般原理为可微信号的任何奇异点都对应于其导数信号中的过零点或两个拐点。直观上为峰值左侧上升、右侧下降。峰值检测的一般方法为一阶导数为零，二阶导数小于零。也有方法给出，一阶导数两个拐点即最大值与最小值对应下标之间，原始信号的最大值为峰值。本发明给出了一种新的方法用于峰值检测，不需要二阶导数，也不需要判断一阶导数的拐点。为了避免光电容积描计(ppg) 信号前后幅值变化对峰值检测和验证的影响，对光电容积描计(ppg) 信号进行加窗处理，使用10s时间窗，重叠时间为5s(避免漏掉部分峰值)。
40.峰值验证：峰值验证主要从两个方面着手，幅度阈值与时间间隔阈值。幅度阈值设置方面，令thresh1为第九十分位数，thresh2为第一十分位数，然后，然后令其中，peaks为峰值点。若满足highdiff＜middlediff&highdiff＜lowdiff，则记录该峰值点。时间间隔方面，由于脉搏波主要受心跳调控，正常安静心率为60-100，在这一范围内的峰值才会被检测。
41.波谷检测：观察光电容积描计(ppg)信号可知，两个峰值之间最小值即为波谷。
42.b.信号质量评估(增量合并细分算法ims、二重脉搏识别、信号质量指数(sqi))
43.由于光电容积描计(ppg)信号中会存在无法滤除的运动伪迹 (artifact)和噪声，因此需要对光电容积描计(ppg)信号的质量做评估。本发明使用的信号质量评估的方法为使用ims算法将光电容积描计(ppg)脉冲分割为线段(便于处理和判断)，对二重脉搏处理之后，判断其中artifact与clip的比例作为信号质量指数(sqi)判断信号质量。
44.ims(incremental-merge segmentation增量合并细分)算法：ims 算法具有滑窗结构，可用于实时处理。算法只需要设置一个参数m(每次移动的点的个数，主要和采样率相关)。原理为将光电容积描计 (ppg)信号分割为n个m长度的片段，计算这些片段的斜率，具
有相同斜率则合并(第一个线段的起点和第二个线段的终点连为直线)，不同斜率则划分为新的线段。
45.二重脉搏检测：通过判断斜率为负线段与随后的一个线段，满足一定条件则为二重脉搏。判断为二重脉搏后将二重脉搏的三个线段合并。
46.信号质量指数(sqi)：上升线段与下降线段是一一对应的，因此，单独分析上升线段。若上升线段的阈值和斜率都超过阈值，则判断为 artifact；若斜率为零，则判断为clip；clip紧接着的线段也为artifact；计算光电容积描计(ppg)信号中artifact与clip的比例，计算信号质量指数(sqi)，判断信号质量。
47.2、信号分析(高效傅里叶变换fft、自相关、自回归、自相关 自回归)
48.从峰值检测得到波峰波谷序列后，使用前述方法计算峰值序列振幅(rriv)、连续峰值时间差(rifv)、脉冲高度(riav)三种呼吸调制信号。由于得到的是不均匀时间序列，为了后续的频谱分析，对其进行线性插值重采样fs＝4hz。同时使用零均值一方差标准化，使三种调制信号的幅值统一到同一范围。接着使用高通滤波器滤除低频信号干扰，以及移动平均滤波器进行信号平滑。
49.fft：对三种调制信号做高效傅里叶变换，从频域上选择最大幅值的频率即为呼吸频率(rr)；由于调制信号点数较少，为了提高频谱分辨率，对调制信号进行补零处理。
50.ac：自相关分析是一种寻找重复模式的数学工具，例如寻找被噪声掩盖的周期信号。呼吸信号可以看做含噪周期信号。自相关公式为其中xi为信号时间序列，x
i τ
为平移τ个单位的时间序列，μ为均值，σ2为方差。从τ＝0到τ＝n-1可以得到一个自相关序列。其中横坐标为平移点数τ，频率与平移点数的关系为f＝fs/τ，fs为采样频率。自相关信号中，每一个峰值(除第一个外)代表一个强自相关的周期，相关性最大的周期即可作为呼吸频率(rr)。
51.ar：ar模型是离散傅里叶变换(dft)的一种替代方法，也是短时序列高分辨率谱估计的方法之一。在生物医学工程，ar模型被广泛用于心率变异性的频谱分析和脑电图描记。在ar模型中，时间序列的每一个值都是对其过去值的回归。使用的过去值的数量称为模型的阶数。ar模型可看作一个滤波器，将时间序列分为可预测时间序列和预测误差序列两部分。与离散傅里叶变换相比，它提供了更平滑、更容易理解的功率谱，但也存在模型识别复杂的缺点。ar模型定义为：
[0052][0053]
其中m为模型阶数，ai为权重，ε[n]为预测误差项且服从ε～n(0,σ)。使用最小二乘法使预测误差ε[n]最小化获得最优参数ai。
[0054]
将上述等式展开得
[0055]
x[n]＝a1x[n-1] a2x[n-2] ... amx[n-m] ε[n]
ꢀꢀꢀ
(2)
[0056]
前n个预测为：
[0057][0058]
m个未知数需要m个等式，使用最小二乘法可以求解。将上式矩阵化：
[0059]
x＝xa ε
ꢀꢀꢀ
(4)
[0060]
其中，x为m行m列的矩阵，a和ε为m维列向量。
[0061]
要求得最优参数a
opt
即要求得最小预测误差ε[n]，即：
[0062]
ε＝x-xa
opt
＝0；
ꢀꢀꢀ
(5)，即
[0063]
等式两边同时乘以
[0064]
(x
t
x)-1
，
[0065]
(x
t
x)-1
(x
t
x)a
opt
＝a
opt
＝(x
t
x)-1
x
t
x
ꢀꢀꢀ
(7)
[0066]
同时，由于x
t
x非常接近于x的自相关矩阵，
[0067]
该矩阵关于主对角线对称。
[0068]
x
t
x非常接近于x的自相关向量，
[0069]
综合(7)(8)(9)可得， a
opt
＝r-1rꢀꢀꢀ
(10)，该方程称为yule-walker方程，也被称为自相关法。使用递归的方法非常便于求解a
opt
。
[0070]
自回归模型另一个重点是模型阶次m的选择，不同的阶次拟合的模型有好有坏。在实际应用中，对序列进行多种模型的拟合，根据效果选择不同模型。最常见的选择准则是akaike’s information criterion (aic)，表达式为：
[0071]
其中为与m相关的预测误差方差。使aic最小化的m为最佳模型阶次。
[0072]
同时，根据yule-walker方程：
[0073]
σ2＝[r(0) r(1) r(2)
…
r(m)][1 a
1 a2…am
]
t
。
[0074]
从z域来看，(1)式可写为：
[0075]
h(z)为ar模型传递函数。
[0076]
又由于z＝e
jwt
，得然后，时间序列的频谱r(e
jw
)可以由传递函数的平方与预测误差的方差相乘得到。即
[0077][0078]
ac ar：由上述自相关方法的特性可知，自相关可以去除周期信号中的部分噪声。自相关系数每一个峰值代表一个强自相关的周期，所以自相关的周期与呼吸信号的周期是对应的。因此，可以将呼吸调制信号的自相关信号作为ar谱分析的输入信号，估计呼吸频率(rr)。
[0079]
3、数据融合
[0080]
对于三种呼吸调制信号得到的预估呼吸信号和呼吸频率(rr)，为了提高准确率与可靠性，可以做一个数据融合。常见的融合方法是直接对三种调制信号的频谱做平均，取其最大值为呼吸频率(rr)。本发明提供两种改进方法：
[0081]
第一种，从上述频谱分析中，对于每一种呼吸调制信号，可得到一个呼吸频率(rr)，分别为呼吸频率(rr)_峰值序列振幅(rriv)、呼吸频率(rr)_脉冲高度(riav)、呼吸频率(rr)_连续峰值时间差(rifv)，若三种呼吸频率(rr)差值绝对值在2bpm内，则去三种信号频谱的平均值；若任意两种呼吸频率(rr)差值绝对值在2bpm内，取其频谱平均值；否则取呼吸频率(rr)_连续峰值时间差(rifv)(因为从实验中观察得出，连续峰值时间差(rifv) 的波形更接近于呼吸波形)。
[0082]
第二种，由于调制信号的自相关信号可以作为呼吸信号去分析，且波形更加规则，先使用ims算法对自相关信号进行线段化，(由于正常呼吸信号自相关信号为近似正弦波，方差值较小，同时均值接近1，即波形比较平稳)，对分解线段做方差分析，用信号质量指数 (sqi)＝var/mean作为指标衡量，取其信号质量指数(sqi)小于一定范围的调制信号做频谱平均。
[0083]
综上所述，本技术实施例提供的一种高鲁棒性呼吸信号自动测量系统，由ppg信号采集模块采集ppg信号，通过ppg信号提取和分析模块对信号进行分析，最终获得准确可靠的呼吸信号及呼吸频率。能够为临床使用提供准确有效的呼吸信号在线监测数据。
[0084]
在本技术所提供的实施例中，应该理解到，所揭露装置和方法，可以通过其它的方
式实现。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个单元可以结合或者可以集成到另一个模块，或某一模块单元可以进一步细化更多单元。
[0085]
以上所述仅为本技术的实施例而已，并不用于限制本技术的保护范围，对于本领域的技术人员来说，本技术可以有各种更改和变化。凡在本技术的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本技术的保护范围之内。