電子發燒友App
摘要
心電圖（ECG）的心率變異性（HRV）是一種著名的診斷方法，用于評估心臟的自主神經功能。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，由于沒有用于分析PPG信號的可靠檢測算法，醫療市場一直無法使用PRV提供臨床診斷，也無法測量健康方面的生物信息，如睡眠階段、壓力狀態和疲勞狀況等。
本文提供一種可靠的峰值和起始點檢測算法，可以利用PPG信號進行逐搏間隔分析。我們利用ADI公司的多感知手表平臺，通過大數據收集來演示我們的方法，與通過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關鍵特性，但這些設備還沒有配備利用逐搏間隔來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間（稱為心搏間期）變化。1HRV包含總所周知的生物特征識別信息，反映了自主神經系統的交感神經和副交感神經活動。2研究人員廣泛使用HRV這一工具來幫助臨床診斷和測量健康方面的生物信息，如睡眠階段、壓力狀態和疲勞狀況等。2， 3鑒于ECG測量的技術要求，在事故/災難現場、戰場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的信息，如心率、動脈壓、硬度指數、脈搏傳導時間、脈搏波傳導速度、心輸出量、動脈順應性和外周阻力等。8， 9， 10然而，受血液灌流不良、環境光線以及最重要的運動偽像（MA）的影響，基于PPG的算法的性能會降低。11業界已提出許多信號處理技術來消除MA噪聲，包括ADI公司的運動抑制和頻率跟蹤算法，通過使用一個靠近PPG傳感器放置的三軸加速度傳感器來實現。
很關鍵的一點是要從PPG波形中準確地提取出重要的點，如收縮期峰值、起始點和重搏切跡，用于實施PRV分析。12PPG波形的起始是由于血液開始從心臟輸出到主動脈引起的，而重搏切跡則表示射血結束或主動脈瓣關閉。沒有適用于PPG信號的可靠檢測算法讓研究人員無法利用PPG來全面開展PRV分析，至少一定程度上是如此。之前關于PRV的一些研究忽略了基準點，13據報道有些是使用人工方法或根據經驗檢測收縮期峰值，14，有些則是基于沒有經過驗證的時間窗口算法來獲取脈搏峰值。15
本文提出一種可靠的峰值和起始點檢測算法，該算法使用最初被提議用于動脈血壓（ABP）波形的描繪方法。16需要注意的是，采用腕戴式設備的PPG信號包含許多運動偽影、基線波動、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，會對其實施預處理。本項工作使用的自動描繪器是一種混合方法，利用從原始PPG預處理得來的不同信號和信號的一階導數來提取峰值和起始點。我們使用通過ADI手表平臺收集的大型數據庫來提供同步PPG和ECG信號。至于存儲器大小，這種算法需要的內存較小，在ADI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，對該算法實施了驗證，并與來自ECG信號的逐博結果進行了比較。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形態學的逐搏算法
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，須有一個預處理階段。這個步驟包括：
- 幀傳輸和窗口
- 帶通濾波（0.4 Hz至4 Hz）
- 自動增益控制（AGC），用于限制信號幅度
- 信號平滑處理和基線漂移去除
PPG輸入數據使用T0秒窗口進行處理，進一步的數據塊則通過移動帶有mT0 （m = 3/4）重疊的窗口進行處理。然后需要一個帶通濾波器來消除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，使用更高一點的范圍進行逐搏估算即可將強調搏動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確認信號的幅度來驗證所選的峰值。用于HRV的PPG測量流程持續時間較長，不可避免地會引入另一種偽影，例如基線漂移。因此，使用低通有限脈沖響應（FIR）濾波器對幀內的PPG樣本陣列進行平滑處理（如圖2c所示），以去除基線漂移噪聲，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，我們會使用端點之間的n個點，以線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，描繪模塊依靠信號形態學和節奏信息來提取峰值和起始點。因此，進行逐搏檢測時，不僅需要收縮期峰值，還應報告起始點和重搏切跡。提議的描繪器從理論上來說，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“關于用于動脈血壓波形的自動描繪器”16，該描繪器利用來自信號一階導數的一對轉折和過零點進行調整以適應手腕PPG信號。圖2d描繪了轉折和過零點，以進行PPG表征。對于過零點，信號通過零相位失真濾波器來處理，通過匹配初始條件將啟動和結束瞬變最小化。這是為了確保在濾波之后仍然保有時域特性。注意，來自PPG波形導數的起始點與最大轉折之前的過零點對應，而收縮期峰值與該轉折點之后的過零點相關。用在這種逐搏算法中的信號質量指標為清晰度，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“通過更聰明的方式來查找音調”19中提出的，該指標采用歸一化平方差函數（一種自相關函數）來查找信號的周期性。我們使用這個指標來決定逐搏算法什么時候能夠可靠地報告峰值和起始點。
來自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應用被用于通過藍牙?連接與手表接口。ADI腕表包含一個PPG傳感器，用于收集來自受試者手腕的PPG信號。此外，也會在ADI腕表上收集ECG信號。有3個ECG電極連接到受試者的胸部區域。這些電極上的電線連接到ADI腕表上，以處理這些信號，并與PPG信號同時記錄下來。這個平臺提供同步化的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，這一點非常重要。忽略缺失的/額外的峰值可能導致心跳時長異常，進而得出不準確的結果。ECG信號中缺失的/額外的峰值是通過檢查由Pan-Tompkins算法提供的連續心跳時長來確定的。心跳時長改變超過20%的任何ECG峰值都被標記為異常值。剔除這些ECG峰值之后，通過將每個ECG峰值與PPG信號中的峰值關聯來確定PPG信號中缺失的/額外的峰值。如果PPG峰值在ECG峰值的時間接近范圍內，則將其與ECG峰值關聯。當PPG峰值無法確定，或者ECG峰值的時間接近范圍內確定的峰值數量過多時，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長作為異常值被忽略。
利用通過我們建議的算法以及Pan-Tompkins算法得出的逐搏值，對多個指標實施了計算。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表示。
其中TP（真陽性）表示PPG B2B算法正確識別的心跳次數，FP（假陽性）表示與ECG中的實際心跳不對應的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起始點之間的時間間隔。
為了評估我們的算法，我們同時從每位受試者收集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間保持站姿，后半段時間保持坐姿。表1是通過逐搏算法得出的每個指標的平均值。如表中所示，與來自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。
表1.逐搏指標結果
討論和總結
本文提出了可對手腕PPG信號實施PRV分析的可靠峰值和起始點檢測算法。該算法采用多個預處理階段，建議采用混合描繪算法來檢測手腕PPG信號的基準點。我們將ADI多感手表用作評估平臺，對建議的算法進行測試。結果顯示，與ECG HRV存在較強的相關性和一致性。未來的工作將側重于應用運動抑制算法和處理PRV分析中遺漏心跳次數的問題。
參考文獻
1 H. Posada-Quintero、D. Delisle-Rodríguez、M. Cuadra-Sanz和R. F. de la Vara-Prieto。“對通過光電容積脈搏波信號的脈搏 起始點獲取的脈搏率變異性實施評估。”Physiological Measurement，第34卷第2篇第179頁，2013年2月。
2 Hyun Jae Baek和JaeWook Shin。“缺失心搏間期數據對利用腕戴式可穿戴設備實施心率變異性分析的影響。”醫療系統雜志，第41卷第10篇第147頁，2017年。
3 Tine Willum Hansen、Jan A. Staessen、Christian Torp-Pedersen、Susanne Rasmussen、Lutgarde Thijs、Hans Ibsen和J?rgen Jeppesen。“主動脈脈搏波傳導速度作為一般人群動脈硬度指數的預后價值。”Circulation，第113卷第5篇第664-670頁，2006年。
4 Chun-Chieh Hsiao、Fang-Wei Hsu、Ren-Guey Lee和Robert Lin。“采用不同姿勢時可穿戴設備的PPG和ECG之間的心率變異性關聯分析。”2017年IEEE系統、人與控制論（SMC）學會國際會議。
5 Eduardo Gil、Michele Orini、Raquel Bailon、José María Vergara、Luca Mainardi和Pablo Laguna。“在非平穩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。”Physiological Measurement，第31卷第9篇第1271頁，2010年。
6 Chiung Cheng Chuang、Jing Jhao Ye、Wan Chu Lin、Kuan Ting Lee和Yu Ting Tai。“采用光電容積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。”臨床監測與計算雜志，第29卷第6篇第801-806頁，2015年。
7 Sheng Lu、He Zhao、Kihwan Ju、Kunson Shin、Myoungho Lee、Kirk Harry Shelley和Ki H. Chon。“光電容積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，2008年。
8 Justine I. Davies和Allan D. Struthers。“除了血壓：脈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。“對原發性高血壓血管重構實施無創性評估的三段傳輸線動脈模型。”生物醫學信號處理與控制，第4卷第1篇 第2–6頁，2009年1月。
10 John Allen。“光電容積脈搏波及其在臨床生理測量領域的應用。”Physiological Measurement，第28卷第3篇第R1頁，2007年。
11 Byung S. Kim和Sun Kyung Yoo。“采用獨立分量分析減少光電容積脈搏波中的運動偽影。”IEEE Transactions on Biomedical Engineering，第53卷第3篇第566–568頁，2006年4月。
12 Mohanalakshmi Soundararajan、Sivasubramanian Arunagiri和Swarnalatha Alagala。“一種用于光電容積脈搏波波形的自適應描繪器。”Biomedical Engineering/Biomedizinische Technik，第61卷第6篇第645– 655頁，2016年1月。
13 Bistra Nenova和Ivo Iliev。“一種用于快速脈搏波檢測的自動算法。”International Journal Bioantomation，第14卷第3篇第203–216頁，2010年7月。
14 Nandakumar Selvaraj、Ashok Kumar Jaryal、Jayashree Santhosh、Kishore K. Deepak和Sneh Anand。“對從指尖光電容積脈搏波獲取的心率變異性進行與心電圖相比的評估。”醫學工程與技術雜志，第32卷第6篇第479-484頁，2008年。
15 Keyne Charlot、Jérémy Cornolo、Julien V. Brugniaux、Jean-Paul Richalet和Aurélien Pichon。“交感神經刺激期間心率和光電容積脈搏波變異性之間的可互換性。”Physiological Measurement，第30卷第12篇第1357頁，2009年。
16 Bing Nan Li、Ming Chui Dong和Mang I. Vai。“關于用于動脈血壓波形的自動描繪器。”生物醫學信號處理與控制，第5卷第1篇第76–81頁，2010年。
17 Gary Berntson、David L. Lozano和Yun-Ju Chen。“心率逐次差分均方根（RMSSD）的濾波特性。”Psychophysiology，第42卷第2篇第246-252頁，2005年3月。
18 Margareta Sandberg、Qiuxia Zhang、Jorma Styf、Bj?rn Gerdle和Lars-G?ran Lindberg。“采用光電容積脈搏波對肌肉血液灌注進行無創性監測：對新應用的評估。”Acta Physiologica，第183卷第4篇第335–343頁，2005年。
19 Philip McLeod和Geoff Wyvill。“通過更聰明的方式來查找音調。”ICMC，2005年。
20 Jiapu Pan和Willis J. Tompkins。“實時QRS檢測算法。”IEEE Transactions on Biomedical Engineering，第3篇 第230–236頁，1985年。
作者簡介
Foroohar Foroozan于2015年8月加入ADI公司。她是一位信號處理科學家，領導醫療健康業務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.的研發科學家，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-拉松德工學院計算機科學博士學位。她對生物醫學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成像。她是安大略省專業工程師協會（P.Eng.）成員和IEEE高級成員。聯系方式：foroohar.forozan@analog.com。
Madhan Mohan自2005開始在印度清奈的Jasmin Infotech工作。在此之前，他是SRM大學VLSI和數字信號處理學科的高級講師。他獲得了印度特里奇Bharathidasa大學J.J.工程技術學院的電子電氣工程學士學位，以及印度特里奇地區工程學院（現更名為NIT）的VLSI系統碩士學位。Madhan擁有與多種DSP應用有關的經驗，也從事過與音頻壓縮算法、醫療保健應用、高性能音頻信號處理、嵌入式系統設計和VLSI有關的工作。聯系方式：madhanmohan.p@jasmin-infotech.com。
Jian Shu （James） Wu正在多倫多大學進行最后一年的學習，專業為機器人工程學。2017年5月至2018年8月，他在ADI公司實習。他對算法開發、數據科學和數學建模頗感興趣。
工商網監
評論