|
Foroohar Foroozan and Jian Shu (James) Wu ADI公司 Madhan Mohan Jasmin Infotech 摘要 心電圖(ECG)的心率變異性(HRV)是一種著(zhù)名的診斷方法，用于評估心臟的自主神經(jīng)功能。為了更方便地評估心臟功能，可使用光電容積脈搏波(PPG)波形，用脈搏率變異性(PRV)代替HRV。但是，由于沒(méi)有用于分析PPG信號的可靠檢測算法，醫療市場(chǎng)一直無(wú)法使用PRV提供臨床診斷，也無(wú)法測量健康方面的生物信息，如睡眠階段、壓力狀態(tài)和疲勞狀況等。 本文提供一種可靠的峰值和起始點(diǎn)檢測算法，可以利用PPG信號進(jìn)行逐搏間隔分析。我們利用ADI公司的多感知手表平臺，通過(guò)大數據收集來(lái)演示我們的方法，與通過(guò)ECG信號獲得的逐博結果相比，我們方法的覆蓋范圍廣，靈敏度高，且逐次差分的均方根(RMSSD)較低。 簡(jiǎn)介 心率(HR)監測是許多現有的可穿戴設備和臨床設備的一個(gè)關(guān)鍵特性，但這些設備還沒(méi)有配備利用逐搏間隔來(lái)測量持續心率變異性的功能。HRV包括從自心電圖(ECG)提取的連續心跳之間的間隔時(shí)間（稱(chēng)為心搏間期）變化。1HRV包含總所周知的生物特征識別信息，反映了自主神經(jīng)系統的交感神經(jīng)和副交感神經(jīng)活動(dòng)。2研究人員廣泛使用HRV這一工具來(lái)幫助臨床診斷和測量健康方面的生物信息，如睡眠階段、壓力狀態(tài)和疲勞狀況等。2, 3鑒于ECG測量的技術(shù)要求，在事故/災難現場(chǎng)、戰場(chǎng)或者在心電圖可能引起電氣干擾的區域，并不一定能獲取這種信號。4 從光電容積脈搏波信號中提取的脈搏率變異性可能被用于替代HRV。5, 6, 7PPG信號的獲取方式為：用LED照射人體皮膚，然后用光電二極管測量血流引起的反射光強度變化。 此外，PPG還可以提供與心血管系統有關(guān)的信息，如心率、動(dòng)脈壓、硬度指數、脈搏傳導時(shí)間、脈搏波傳導速度、心輸出量、動(dòng)脈順應性和外周阻力等。8, 9, 10然而，受血液灌流不良、環(huán)境光線(xiàn)以及最重要的運動(dòng)偽像(MA)的影響，基于PPG的算法的性能會(huì )降低。11業(yè)界已提出許多信號處理技術(shù)來(lái)消除MA噪聲，包括ADI公司的運動(dòng)抑制和頻率跟蹤算法，通過(guò)使用一個(gè)靠近PPG傳感器放置的三軸加速度傳感器來(lái)實(shí)現。 很關(guān)鍵的一點(diǎn)是要從PPG波形中準確地提取出重要的點(diǎn)，如收縮期峰值、起始點(diǎn)和重搏切跡，用于實(shí)施PRV分析。12PPG波形的起始是由于血液開(kāi)始從心臟輸出到主動(dòng)脈引起的，而重搏切跡則表示射血結束或主動(dòng)脈瓣關(guān)閉。沒(méi)有適用于PPG信號的可靠檢測算法讓研究人員無(wú)法利用PPG來(lái)全面開(kāi)展PRV分析，至少一定程度上是如此。之前關(guān)于PRV的一些研究忽略了基準點(diǎn)，13據報道有些是使用人工方法或根據經(jīng)驗檢測收縮期峰值，14，有些則是基于沒(méi)有經(jīng)過(guò)驗證的時(shí)間窗口算法來(lái)獲取脈搏峰值。15 本文提出一種可靠的峰值和起始點(diǎn)檢測算法，該算法使用最初被提議用于動(dòng)脈血壓(ABP)波形的描繪方法。16需要注意的是，采用腕戴式設備的PPG信號包含許多運動(dòng)偽影、基線(xiàn)波動(dòng)、反射波以及其他可能影響檢測算法行為的噪聲。6因此，在將數據饋入逐搏提取模型之前，會(huì )對其實(shí)施預處理。本項工作使用的自動(dòng)描繪器是一種混合方法，利用從原始PPG預處理得來(lái)的不同信號和信號的一階導數來(lái)提取峰值和起始點(diǎn)。我們使用通過(guò)ADI手表平臺收集的大型數據庫來(lái)提供同步PPG和ECG信號。至于存儲器大小，這種算法需要的內存較小，在A(yíng)DI手表平臺中可作為嵌入式算法使用。利用覆蓋率、靈敏度、正檢測率，以及逐次差分的均方根，對該算法實(shí)施了驗證，并與來(lái)自ECG信號的逐博結果進(jìn)行了比較。17 
圖1.提出的逐搏提取算法的流程圖，包含(i)預處理和(ii)高分辨率B2B提取。 基于PPG形態(tài)學(xué)的逐搏算法 在本節中，我們將詳細介紹所提出的適用于手腕PPG信號的逐搏算法，該算法由(i)預處理和(ii)高分辨率逐搏提取模塊組成。該算法的框圖如圖1所示。 預處理 PPG信號易受周邊組織的不良血液灌流和運動(dòng)偽像的影響是眾所周知的。18 為將這些因素的影響降至最小，以免干擾隨后的PPG分析和逐博估算，須有一個(gè)預處理階段。這個(gè)步驟包括： ► 幀傳輸和窗口 ► 帶通濾波（0.4 Hz至4 Hz） ► 自動(dòng)增益控制(AGC)，用于限制信號幅度 ► 信號平滑處理和基線(xiàn)漂移去除 PPG輸入數據使用T0秒窗口進(jìn)行處理，進(jìn)一步的數據塊則通過(guò)移動(dòng)帶有mT0 (m = 3/4)重疊的窗口進(jìn)行處理。然后需要一個(gè)帶通濾波器來(lái)消除PPG信號的高頻成分（如電源）和低頻成分（如毛細血管密度和靜脈血容量的變化、溫度變化等等）。圖2a和2b顯示了濾波前后的PPG信號。濾波器的截止頻率為0.4 Hz和4 Hz。HR的基波頻率范圍為0.4 Hz至3 Hz。因此，使用更高一點(diǎn)的范圍進(jìn)行逐搏估算即可將強調搏動(dòng)次數的諧波包含在內。使用中值濾波器去除濾波信號中突然出現的尖峰值。然后，AGC模塊將信號電平限制為±V伏，以在稍后的階段通過(guò)確認信號的幅度來(lái)驗證所選的峰值。用于HRV的PPG測量流程持續時(shí)間較長(cháng)，不可避免地會(huì )引入另一種偽影，例如基線(xiàn)漂移。因此，使用低通有限脈沖響應(FIR)濾波器對幀內的PPG樣本陣列進(jìn)行平滑處理（如圖2c所示），以去除基線(xiàn)漂移噪聲，并得到更為平滑的、適用于描繪模塊的信號。
圖2.PPG圖。 高分辨率逐搏提取模塊 逐搏提取算法由以下模塊組成： ► 插值 ► 描繪 ► 高分辨率逐搏提取 ► 信號質(zhì)量指標 預處理模塊的輸出被饋入插值模塊，以提高逐搏提取算法的精度。如果在第一幀中給出從t0至tτ的PPG分段，其逐搏間隔為b0和bτ，我們會(huì )使用端點(diǎn)之間的n個(gè)點(diǎn)，以線(xiàn)性方式插入逐搏間隔值，然后從b0和bτ提取高分辨率逐搏間隔值（例如，1 ms分辨率）。接下來(lái)，描繪模塊依靠信號形態(tài)學(xué)和節奏信息來(lái)提取峰值和起始點(diǎn)。因此，進(jìn)行逐搏檢測時(shí)，不僅需要收縮期峰值，還應報告起始點(diǎn)和重搏切跡。提議的描繪器從理論上來(lái)說(shuō)，與兩篇文章中所示的描繪器相似，一篇是“一種用于光電容積脈搏波波形的自適應描繪器”12，一篇是“關(guān)于用于動(dòng)脈血壓波形的自動(dòng)描繪器”16，該描繪器利用來(lái)自信號一階導數的一對轉折和過(guò)零點(diǎn)進(jìn)行調整以適應手腕PPG信號。圖2d描繪了轉折和過(guò)零點(diǎn)，以進(jìn)行PPG表征。對于過(guò)零點(diǎn)，信號通過(guò)零相位失真濾波器來(lái)處理，通過(guò)匹配初始條件將啟動(dòng)和結束瞬變最小化。這是為了確保在濾波之后仍然保有時(shí)域特性。注意，來(lái)自PPG波形導數的起始點(diǎn)與最大轉折之前的過(guò)零點(diǎn)對應，而收縮期峰值與該轉折點(diǎn)之后的過(guò)零點(diǎn)相關(guān)。用在這種逐搏算法中的信號質(zhì)量指標為清晰度，并指明了信號的信號音范圍。這種指標最初是在Philip McLeod和Geoff Wyvill的文章“通過(guò)更聰明的方式來(lái)查找音調”19中提出的，該指標采用歸一化平方差函數（一種自相關(guān)函數）來(lái)查找信號的周期性。我們使用這個(gè)指標來(lái)決定逐搏算法什么時(shí)候能夠可靠地報告峰值和起始點(diǎn)。 來(lái)自ADI腕表平臺的評估結果 我們的PPG逐搏算法的結果與Pan-Tompkins算法的結果進(jìn)行了比較，20后者是一種公認的心電圖峰值檢測算法。收集的數據用于評估使用ADI生命體征監測(VSM)腕表平臺的算法。ADI VSM iOS應用被用于通過(guò)藍牙®連接與手表接口。ADI腕表包含一個(gè)PPG傳感器，用于收集來(lái)自受試者手腕的PPG信號。此外，也會(huì )在A(yíng)DI腕表上收集ECG信號。有3個(gè)ECG電極連接到受試者的胸部區域。這些電極上的電線(xiàn)連接到ADI腕表上，以處理這些信號，并與PPG信號同時(shí)記錄下來(lái)。這個(gè)平臺提供同步化的PPG和ECG信號。圖3a所示為用于數據收集的ADI腕表，而圖3b所示為iOS應用界面和從平臺獲取的示例信號。
圖3.ADI平臺和工具。 評估指標和結果 在計算逐搏指標之前，需要先執行異常值剔除過(guò)程，以確定Pan-Tompkins算法輸出和我們的PPG逐搏算法輸出中缺失的/額外的峰值，這一點(diǎn)非常重要。忽略缺失的/額外的峰值可能導致心跳時(shí)長(cháng)異常，進(jìn)而得出不準確的結果。ECG信號中缺失的/額外的峰值是通過(guò)檢查由Pan-Tompkins算法提供的連續心跳時(shí)長(cháng)來(lái)確定的。心跳時(shí)長(cháng)改變超過(guò)20%的任何ECG峰值都被標記為異常值。剔除這些ECG峰值之后，通過(guò)將每個(gè)ECG峰值與PPG信號中的峰值關(guān)聯(lián)來(lái)確定PPG信號中缺失的/額外的峰值。如果PPG峰值在ECG峰值的時(shí)間接近范圍內，則將其與ECG峰值關(guān)聯(lián)。當PPG峰值無(wú)法確定，或者ECG峰值的時(shí)間接近范圍內確定的峰值數量過(guò)多時(shí)，則將它們識別為異常值。在計算指標期間，這些缺失的/額外的PPG心跳可能導致的異常心跳時(shí)長(cháng)作為異常值被忽略。 利用通過(guò)我們建議的算法以及Pan-Tompkins算法得出的逐搏值，對多個(gè)指標實(shí)施了計算。這些指標包括：(I)覆蓋范圍（等式1）；(Ii)靈敏度(Se)（等式2）；(Iii)正檢測率(P+)（等式3）；以及(iv)逐次差分的均方根(RMSSD)（等式4）。圖4展示了用于指標計算的一些值的直觀(guān)表示。
其中TP（真陽(yáng)性）表示PPG B2B算法正確識別的心跳次數，FP（假陽(yáng)性）表示與ECG中的實(shí)際心跳不對應的PPG心跳次數，FN（假陰性）表示PPG逐搏算法遺漏的心跳次數。心搏間期(IBI)是連續ECG峰值、PPG峰值或PPG起始點(diǎn)之間的時(shí)間間隔。 為了評估我們的算法，我們同時(shí)從每位受試者收集PPG和ECG信號。我們從不同年齡、不同膚色和不同體型的廣大受試者收集收據。這是為了確保我們的評估結果適用于所有人群。數據采集自27位受試者（膚色不同的男性和女性），每位檢測2分30秒。要求受試者前半段時(shí)間保持站姿，后半段時(shí)間保持坐姿。表1是通過(guò)逐搏算法得出的每個(gè)指標的平均值。如表中所示，與來(lái)自ECG信號的結果相比，手腕數據的覆蓋范圍、靈敏度和正檢測率都高于83%，RMSSD平均差則低于20 ms。
圖4.顯示ECG和PPG信號與IBI，以及逐搏算法分析原始的PPG信號得出的峰值和起始點(diǎn)。 表1.逐搏指標結果
討論和總結 本文提出了可對手腕PPG信號實(shí)施PRV分析的可靠峰值和起始點(diǎn)檢測算法。該算法采用多個(gè)預處理階段，建議采用混合描繪算法來(lái)檢測手腕PPG信號的基準點(diǎn)。我們將ADI多感手表用作評估平臺，對建議的算法進(jìn)行測試。結果顯示，與ECG HRV存在較強的相關(guān)性和一致性。未來(lái)的工作將側重于應用運動(dòng)抑制算法和處理PRV分析中遺漏心跳次數的問(wèn)題。 參考文獻 1 H. Posada-Quintero、D. Delisle-Rodríguez、M. Cuadra-Sanz和R. F. de la Vara-Prieto�！皩νㄟ^(guò)光電容積脈搏波信號的脈搏 起始點(diǎn)獲取的脈搏率變異性實(shí)施評估�！盤(pán)hysiological Measurement，第34卷第2篇第179頁(yè)，2013年2月。 2 Hyun Jae Baek和JaeWook Shin�！叭笔牟g期數據對利用腕戴式可穿戴設備實(shí)施心率變異性分析的影響�！贬t療系統雜志，第41卷第10篇第147頁(yè)，2017年。 3 Tine Willum Hansen、Jan A. Staessen、Christian Torp-Pedersen、Susanne Rasmussen、Lutgarde Thijs、Hans Ibsen和Jørgen Jeppesen�！爸鲃�(dòng)脈脈搏波傳導速度作為一般人群動(dòng)脈硬度指數的預后價(jià)值�！盋irculation，第113卷第5篇第664-670頁(yè)，2006年。 4 Chun-Chieh Hsiao、Fang-Wei Hsu、Ren-Guey Lee和Robert Lin�！安捎貌煌藙輹r(shí)可穿戴設備的PPG和ECG之間的心率變異性關(guān)聯(lián)分析�！�2017年IEEE系統、人與控制論(SMC)學(xué)會(huì )國際會(huì )議。 5 Eduardo Gil、Michele Orini、Raquel Bailon、José María Vergara、Luca Mainardi和Pablo Laguna�！霸诜瞧椒�條件下采用光電容積脈搏波脈搏率變異性作為心率變異性的替代測量指標�！盤(pán)hysiological Measurement，第31卷第9篇第1271頁(yè)，2010年。 6 Chiung Cheng Chuang、Jing Jhao Ye、Wan Chu Lin、Kuan Ting Lee和Yu Ting Tai�！安捎霉怆娙莘e脈搏波變異性作為獲取慢性疼痛患者的心率變異性信息的替代方法�！迸R床監測與計算雜志，第29卷第6篇第801-806頁(yè)，2015年。 7 Sheng Lu、He Zhao、Kihwan Ju、Kunson Shin、Myoungho Lee、Kirk Harry Shelley和Ki H. Chon�！肮怆娙莘e脈搏波變異性可否作為獲取心率變異性信息的替代方法？”床監測與計算雜志，第22卷第1篇第23-29頁(yè)，2008年。 8 Justine I. Davies和Allan D. Struthers�！俺搜獕海好}搏波分析是否為評估心血管危險的更好方式？”Future Medicine，2005年。 9 Arthur de Sa Ferreira、José Barbosa Filho、Ivan Cordovil和Marcio Nogueira de Souza�！皩υl(fā)性高血壓血管重構實(shí)施無(wú)創(chuàng )性評估的三段傳輸線(xiàn)動(dòng)脈模型�！鄙镝t學(xué)信號處理與控制，第4卷第1篇 第2–6頁(yè)，2009年1月。 10 John Allen�！肮怆娙莘e脈搏波及其在臨床生理測量領(lǐng)域的應用�！盤(pán)hysiological Measurement，第28卷第3篇第R1頁(yè)，2007年。 11 Byung S. Kim和Sun Kyung Yoo�！安捎锚毩⒎至糠治鰷p少光電容積脈搏波中的運動(dòng)偽影�！盜EEE Transactions on Biomedical Engineering，第53卷第3篇第566–568頁(yè)，2006年4月。 12 Mohanalakshmi Soundararajan、Sivasubramanian Arunagiri和Swarnalatha Alagala�！耙环N用于光電容積脈搏波波形的自適應描繪器�！盉iomedical Engineering/Biomedizinische Technik，第61卷第6篇第645– 655頁(yè)，2016年1月。 13 Bistra Nenova和Ivo Iliev�！耙环N用于快速脈搏波檢測的自動(dòng)算法�！盜nternational Journal Bioantomation，第14卷第3篇第203–216頁(yè)，2010年7月。 14 Nandakumar Selvaraj、Ashok Kumar Jaryal、Jayashree Santhosh、Kishore K. Deepak和Sneh Anand�！皩闹讣夤怆娙莘e脈搏波獲取的心率變異性進(jìn)行與心電圖相比的評估�！贬t學(xué)工程與技術(shù)雜志，第32卷第6篇第479-484頁(yè)，2008年。 15 Keyne Charlot、Jérémy Cornolo、Julien V. Brugniaux、Jean-Paul Richalet和Aurélien Pichon�！敖桓猩窠�(jīng)刺激期間心率和光電容積脈搏波變異性之間的可互換性�！盤(pán)hysiological Measurement，第30卷第12篇第1357頁(yè)，2009年。 16 Bing Nan Li、Ming Chui Dong和Mang I. Vai�！瓣P(guān)于用于動(dòng)脈血壓波形的自動(dòng)描繪器�！鄙镝t學(xué)信號處理與控制，第5卷第1篇第76–81頁(yè)，2010年。 17 Gary Berntson、David L. Lozano和Yun-Ju Chen�！靶穆手鸫尾罘志礁�(RMSSD)的濾波特性�！盤(pán)sychophysiology，第42卷第2篇第246-252頁(yè)，2005年3月。 18 Margareta Sandberg、Qiuxia Zhang、Jorma Styf、Björn Gerdle和Lars-Göran Lindberg�！安捎霉怆娙莘e脈搏波對肌肉血液灌注進(jìn)行無(wú)創(chuàng )性監測：對新應用的評估�！盇cta Physiologica，第183卷第4篇第335–343頁(yè)，2005年。 19 Philip McLeod和Geoff Wyvill�！巴ㄟ^(guò)更聰明的方式來(lái)查找音調�！盜CMC，2005年。 20 Jiapu Pan和Willis J. Tompkins�！皩�(shí)時(shí)QRS檢測算法�！盜EEE Transactions on Biomedical Engineering，第3篇 第230–236頁(yè)，1985年。 作者簡(jiǎn)介 Foroohar Foroozan于2015年8月加入ADI公司。她是一位信號處理科學(xué)家，領(lǐng)導醫療健康業(yè)務(wù)部面向生命體征和家用監測系統的多倫多算法團隊。加入ADI之前，她擔任Geotech Ltd.的研發(fā)科學(xué)家，致力于新一代機載電磁地球物理測量系統的智能濾波。她是Sunnybrook Research Institute博士后，在2012年至2013年期間致力于腦血管病圖的3D、超高分辨率超聲成像。她于2011年獲得加拿大多倫多約克大學(xué)-拉松德工學(xué)院計算機科學(xué)博士學(xué)位。她對生物醫學(xué)系統中的信號處理和算法感興趣，主要致力于生命體征系統和生物醫學(xué)成像。她是安大略省專(zhuān)業(yè)工程師協(xié)會(huì )(P.Eng.)成員和IEEE高級成員。聯(lián)系方式：foroohar.forozan@analog.com。 Madhan Mohan自2005開(kāi)始在印度清奈的Jasmin Infotech工作。在此之前，他是SRM大學(xué)VLSI和數字信號處理學(xué)科的高級講師。他獲得了印度特里奇Bharathidasa大學(xué)J.J.工程技術(shù)學(xué)院的電子電氣工程學(xué)士學(xué)位，以及印度特里奇地區工程學(xué)院（現更名為NIT）的VLSI系統碩士學(xué)位。Madhan擁有與多種DSP應用有關(guān)的經(jīng)驗，也從事過(guò)與音頻壓縮算法、醫療保健應用、高性能音頻信號處理、嵌入式系統設計和VLSI有關(guān)的工作。聯(lián)系方式：madhanmohan.p@jasmin-infotech.com。 Jian Shu (James) Wu正在多倫多大學(xué)進(jìn)行最后一年的學(xué)習，專(zhuān)業(yè)為機器人工程學(xué)。2017年5月至2018年8月，他在A(yíng)DI公司實(shí)習。他對算法開(kāi)發(fā)、數據科學(xué)和數學(xué)建模頗感興趣。聯(lián)系方式：js.wu@mail.utoronto.ca。 |
