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(píng)估心臟的自主神經(jīng)功能。為了更方便地評(píng)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(hào)的可靠檢測(cè)算法，醫(yī)療市場(chǎng)一直無法使用PRV提供臨床診斷，也無法測(cè)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(cè)算法，可以利用PPG信號(hào)進(jìn)行逐搏間隔分析。我們利用ADI公司的多感知手表平臺(tái)，通過大數(shù)據(jù)收集來演示我們的方法，與通過ECG信號(hào)獲得的逐博結(jié)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(jiān)測(cè)是許多現(xiàn)有的可穿戴設(shè)備和臨床設(shè)備的一個(gè)關(guān)鍵特性，但這些設(shè)備還沒有配備利用逐搏間隔來測(cè)量持續(xù)心率變異性的功能。HRV包括從自心電圖（ECG）提取的連續(xù)心跳之間的間隔時(shí)間（稱為心搏間期）變化。1HRV包含總所周知的生物特征識(shí)別信息，反映了自主神經(jīng)系統(tǒng)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這一工具來幫助臨床診斷和測(cè)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(cè)量的技術(shù)要求，在事故/災(zāi)難現(xiàn)場(chǎng)、戰(zhàn)場(chǎng)或者在心電圖可能引起電氣干擾的區(qū)域，并不一定能獲取這種信號(hào)。4

從光電容積脈搏波信號(hào)中提取的脈搏率變異性可能 被用于替代HRV。5， 6， 7PPG信號(hào)的獲取方式為： 用LED照射人體皮膚，然后用光電二極管測(cè)量血流引起的反射光強(qiáng)度變化。

此外，PPG還可以提供與心血管系統(tǒng)有關(guān)的信息，如心率、動(dòng)脈壓、硬度指數(shù)、脈搏傳導(dǎo)時(shí)間、脈搏波傳導(dǎo)速度、心輸出量、動(dòng)脈順應(yīng)性和外周阻力等。8， 9， 10然而，受血液灌流不良、環(huán)境光線以及最重要的運(yùn)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(hào)處理技術(shù)來消除MA噪聲，包括ADI公司的運(yùn)動(dòng)抑制和頻率跟蹤算法，通過使用一個(gè)靠近PPG傳感器放置的三軸加速度傳感器來實(shí)現(xiàn)。

很關(guān)鍵的一點(diǎn)是要從PPG波形中準(zhǔn)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(jié)束或主動(dòng)脈瓣關(guān)閉。沒有適用于PPG信號(hào)的可靠檢測(cè)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(guān)于PRV的一些研究忽略了基準(zhǔn)點(diǎn)，13據(jù)報(bào)道有些是使用人工方法或根據(jù)經(jīng)驗(yàn)檢測(cè)收縮期峰值，14，有些則是基于沒有經(jīng)過驗(yàn)證的時(shí)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(diǎn)檢測(cè)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(shè)備的PPG信號(hào)包含許多運(yùn)動(dòng)偽影、基線波動(dòng)、反射波以及其他可能影響檢測(cè)算法行為的噪聲。6因此，在將數(shù)據(jù)饋入逐搏提取模型之前，會(huì)對(duì)其實(shí)施預(yù)處理。本項(xiàng)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(yù)處理得來的不同信號(hào)和信號(hào)的一階導(dǎo)數(shù)來提取峰值和起始點(diǎn)。我們使用通過ADI手表平臺(tái)收集的大型數(shù)據(jù)庫來提供同步PPG和ECG信號(hào)。至于存儲(chǔ)器大小，這種算法需要的內(nèi)存較小，在ADI手表平臺(tái)中可作為嵌入式算法使用。利用覆蓋率、靈敏度、正檢測(cè)率，以及逐次差分的均方根，對(duì)該算法實(shí)施了驗(yàn)證，并與來自ECG信號(hào)的逐博結(jié)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(yù)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(jié)中，我們將詳細(xì)介紹所提出的適用于手腕PPG信號(hào)的逐搏算法，該算法由（i）預(yù)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(yù)處理

PPG信號(hào)易受周邊組織的不良血液灌流和運(yùn)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(yù)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(hào)幅度
• 信號(hào)平滑處理和基線漂移去除

PPG輸入數(shù)據(jù)使用T0秒窗口進(jìn)行處理，進(jìn)一步的數(shù)據(jù)塊則通過移動(dòng)帶有mT0 （m = 3/4）重疊的窗口進(jìn)行處理。然后需要一個(gè)帶通濾波器來消除PPG信號(hào)的高頻成分（如電源）和低頻成分（如毛細(xì)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(hào)。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(qiáng)調(diào)搏動(dòng)次數(shù)的諧波包含在內(nèi)。使用中值濾波器去除濾波信號(hào)中突然出現(xiàn)的尖峰值。然后，AGC模塊將信號(hào)電平限制為±V伏，以在稍后的階段通過確認(rèn)信號(hào)的幅度來驗(yàn)證所選的峰值。用于HRV的PPG測(cè)量流程持續(xù)時(shí)間較長，不可避免地會(huì)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(yīng)（FIR）濾波器對(duì)幀內(nèi)的PPG樣本陣列進(jìn)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(hào)。

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(hào)質(zhì)量指標(biāo)

預(yù)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(hào)形態(tài)學(xué)和節(jié)奏信息來提取峰值和起始點(diǎn)。因此，進(jìn)行逐搏檢測(cè)時(shí)，不僅需要收縮期峰值，還應(yīng)報(bào)告起始點(diǎn)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(yīng)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，該描繪器利用來自信號(hào)一階導(dǎo)數(shù)的一對(duì)轉(zhuǎn)折和過零點(diǎn)進(jìn)行調(diào)整以適應(yīng)手腕PPG信號(hào)。圖2d描繪了轉(zhuǎn)折和過零點(diǎn)，以進(jìn)行PPG表征。對(duì)于過零點(diǎn)，信號(hào)通過零相位失真濾波器來處理，通過匹配初始條件將啟動(dòng)和結(jié)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，來自PPG波形導(dǎo)數(shù)的起始點(diǎn)與最大轉(zhuǎn)折之前的過零點(diǎn)對(duì)應(yīng)，而收縮期峰值與該轉(zhuǎn)折點(diǎn)之后的過零點(diǎn)相關(guān)。用在這種逐搏算法中的信號(hào)質(zhì)量指標(biāo)為清晰度，并指明了信號(hào)的信號(hào)音范圍。這種指標(biāo)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(diào)”19中提出的，該指標(biāo)采用歸一化平方差函數(shù)（一種自相關(guān)函數(shù)）來查找信號(hào)的周期性。我們使用這個(gè)指標(biāo)來決定逐搏算法什么時(shí)候能夠可靠地報(bào)告峰值和起始點(diǎn)。

來自ADI腕表平臺(tái)的評(píng)估結(jié)果

我們的PPG逐搏算法的結(jié)果與Pan-Tompkins算法的結(jié)果進(jìn)行了比較，20后者是一種公認(rèn)的心電圖峰值檢測(cè)算法。收集的數(shù)據(jù)用于評(píng)估使用ADI生命體征監(jiān)測(cè)（VSM）腕表平臺(tái)的算法。ADI VSM iOS應(yīng)用被用于通過藍(lán)牙?連接與手表接口。ADI腕表包含一個(gè)PPG傳感器，用于收集來自受試者手腕的PPG信號(hào)。此外，也會(huì)在ADI腕表上收集ECG信號(hào)。有3個(gè)ECG電極連接到受試者的胸部區(qū)域。這些電極上的電線連接到ADI腕表上，以處理這些信號(hào)，并與PPG信號(hào)同時(shí)記錄下來。這個(gè)平臺(tái)提供同步化的PPG和ECG信號(hào)。圖3a所示為用于數(shù)據(jù)收集的ADI腕表，而圖3b所示為iOS應(yīng)用界面和從平臺(tái)獲取的示例信號(hào)。

圖3.ADI平臺(tái)和工具。

評(píng)估指標(biāo)和結(jié)果

在計(jì)算逐搏指標(biāo)之前，需要先執(zhí)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(diǎn)非常重要。忽略缺失的/額外的峰值可能導(dǎo)致心跳時(shí)長異常，進(jìn)而得出不準(zhǔn)確的結(jié)果。ECG信號(hào)中缺失的/額外的峰值是通過檢查由Pan-Tompkins算法提供的連續(xù)心跳時(shí)長來確定的。心跳時(shí)長改變超過20%的任何ECG峰值都被標(biāo)記為異常值。剔除這些ECG峰值之后，通過將每個(gè)ECG峰值與PPG信號(hào)中的峰值關(guān)聯(lián)來確定PPG信號(hào)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(nèi)，則將其與ECG峰值關(guān)聯(lián)。當(dāng)PPG峰值無法確定，或者ECG峰值的時(shí)間接近范圍內(nèi)確定的峰值數(shù)量過多時(shí)，則將它們識(shí)別為異常值。在計(jì)算指標(biāo)期間，這些缺失的/額外的PPG心跳可能導(dǎo)致的異常心跳時(shí)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(duì)多個(gè)指標(biāo)實(shí)施了計(jì)算。這些指標(biāo)包括：（I）覆蓋范圍（等式1）；（Ii）靈敏度（Se）（等式2）；（Iii）正檢測(cè)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(biāo)計(jì)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(shí)別的心跳次數(shù)，F(xiàn)P（假陽性）表示與ECG中的實(shí)際心跳不對(duì)應(yīng)的PPG心跳次數(shù)，F(xiàn)N（假陰性）表示PPG逐搏算法遺漏的心跳次數(shù)。心搏間期（IBI）是連續(xù)ECG峰值、PPG峰值或PPG起始點(diǎn)之間的時(shí)間間隔。

為了評(píng)估我們的算法，我們同時(shí)從每位受試者收集PPG和ECG信號(hào)。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(jù)。這是為了確保我們的評(píng)估結(jié)果適用于所有人群。數(shù)據(jù)采集自27位受試者（膚色不同的男性和女性），每位檢測(cè)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是通過逐搏算法得出的每個(gè)指標(biāo)的平均值。如表中所示，與來自ECG信號(hào)的結(jié)果相比，手腕數(shù)據(jù)的覆蓋范圍、靈敏度和正檢測(cè)率都高于83%，RMSSD平均差則低于20 ms。

圖4.顯示ECG和PPG信號(hào)與IBI，以及逐搏算法分析原始的PPG信號(hào)得出的峰值和起始點(diǎn)。

表1.逐搏指標(biāo)結(jié)果

討論和總結(jié)

本文提出了可對(duì)手腕PPG信號(hào)實(shí)施PRV分析的可靠峰值和起始點(diǎn)檢測(cè)算法。該算法采用多個(gè)預(yù)處理階段，建議采用混合描繪算法來檢測(cè)手腕PPG信號(hào)的基準(zhǔn)點(diǎn)。我們將ADI多感手表用作評(píng)估平臺(tái)，對(duì)建議的算法進(jìn)行測(cè)試。結(jié)果顯示，與ECG HRV存在較強(qiáng)的相關(guān)性和一致性。未來的工作將側(cè)重于應(yīng)用運(yùn)動(dòng)抑制算法和處理PRV分析中遺漏心跳次數(shù)的問題。

參考文獻(xiàn)

1 H. Posada-Quintero、D. Delisle-Rodríguez、M. Cuadra-Sanz和R. F. de la Vara-Prieto?！皩?duì)通過光電容積脈搏波信號(hào)的脈搏 起始點(diǎn)獲取的脈搏率變異性實(shí)施評(píng)估?！盤hysiological Measurement，第34卷第2篇第179頁，2013年2月。

2 Hyun Jae Baek和JaeWook Shin?！叭笔牟g期數(shù)據(jù)對(duì)利用腕戴式可穿戴設(shè)備實(shí)施心率變異性分析的影響?！贬t(yī)療系統(tǒng)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?！爸鲃?dòng)脈脈搏波傳導(dǎo)速度作為一般人群動(dòng)脈硬度指數(shù)的預(yù)后價(jià)值?！盋irculation，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?！安捎貌煌藙?shì)時(shí)可穿戴設(shè)備的PPG和ECG之間的心率變異性關(guān)聯(lián)分析?！?017年IEEE系統(tǒng)、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€(wěn)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(cè)量指標(biāo)?！盤hysiological 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?！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(jiān)測(cè)與計(jì)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(jiān)測(cè)與計(jì)算雜志，第22卷第1篇第23-29頁，2008年。

8 Justine I. Davies和Allan D. Struthers?！俺搜獕海好}搏波分析是否為評(píng)估心血管危險(xiǎn)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(duì)原發(fā)性高血壓血管重構(gòu)實(shí)施無創(chuàng)性評(píng)估的三段傳輸線動(dòng)脈模型?！鄙镝t(yī)學(xué)信號(hào)處理與控制，第4卷第1篇 第2–6頁，2009年1月。

10 John Allen?！肮怆娙莘e脈搏波及其在臨床生理測(cè)量領(lǐng)域的應(yīng)用?！盤hysiological Measurement，第28卷第3篇第R1頁，2007年。

11 Byung S. Kim和Sun Kyung Yoo?！安捎锚?dú)立分量分析減少光電容積脈搏波中的運(yùn)動(dòng)偽影?！盜EEE 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?！耙环N用于光電容積脈搏波波形的自適應(yīng)描繪器?！盉iomedical Engineering/Biomedizinische Technik，第61卷第6篇第645– 655頁，2016年1月。

13 Bistra Nenova和Ivo Iliev?！耙环N用于快速脈搏波檢測(cè)的自動(dòng)算法?！盜nternational 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?！皩?duì)從指尖光電容積脈搏波獲取的心率變異性進(jìn)行與心電圖相比的評(píng)估?！贬t(yī)學(xué)工程與技術(shù)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?！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hysiological Measurement，第30卷第12篇第1357頁，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(yī)學(xué)信號(hào)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?！盤sychophysiology，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(duì)肌肉血液灌注進(jìn)行無創(chuàng)性監(jiān)測(cè)：對(duì)新應(yīng)用的評(píng)估?！?a target="_blank">Acta Physiologica，第183卷第4篇第335–343頁，2005年。

19 Philip McLeod和Geoff Wyvill?！巴ㄟ^更聰明的方式來查找音調(diào)?！盜CMC，2005年。

20 Jiapu Pan和Willis J. Tompkins?！皩?shí)時(shí)QRS檢測(cè)算法?！盜EEE Transactions on Biomedical Engineering，第3篇 第230–236頁，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(hào)處理科學(xué)家，領(lǐng)導(dǎo)醫(yī)療健康業(yè)務(wù)部面向生命體征和家用監(jiān)測(cè)系統(tǒng)的多倫多算法團(tuán)隊(duì)。加入ADI之前，她擔(dān)任Geotech Ltd.的研發(fā)科學(xué)家，致力于新一代機(jī)載電磁地球物理測(cè)量系統(tǒng)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(jì)算機(jī)科學(xué)博士學(xué)位。她對(duì)生物醫(yī)學(xué)系統(tǒng)中的信號(hào)處理和算法感興趣，主要致力于生命體征系統(tǒng)和生物醫(yī)學(xué)成像。她是安大略省專業(yè)工程師協(xié)會(huì)（P.Eng.）成員和IEEE高級(jí)成員。聯(lián)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(xué)VLSI和數(shù)字信號(hào)處理學(xué)科的高級(jí)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(qū)工程學(xué)院（現(xiàn)更名為NIT）的VLSI系統(tǒng)碩士學(xué)位。Madhan擁有與多種DSP應(yīng)用有關(guān)的經(jīng)驗(yàn)，也從事過與音頻壓縮算法、醫(yī)療保健應(yīng)用、高性能音頻信號(hào)處理、嵌入式系統(tǒng)設(shè)計(jì)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(xí)，專業(yè)為機(jī)器人工程學(xué)。2017年5月至2018年8月，他在ADI公司實(shí)習(xí)。他對(duì)算法開發(fā)、數(shù)據(jù)科學(xué)和數(shù)學(xué)建模頗感興趣。