基于多光谱PPG盲源分离法的呼吸率监测方法及装置

基于多光谱ppg盲源分离法的呼吸率监测方法及装置
技术领域
1.本发明涉及生理参数监测和生物信号处理技术领域，具体地说，涉及基于多光谱ppg盲源分离法的呼吸率监测方法及装置。


背景技术：

2.多光谱光电容积脉搏波(photoplethysmography,ppg)已用于可穿戴的专业医疗设备(如手指血氧仪)监测心率和血氧饱和度。现有的多光谱ppg大多只包含两个波段信号，红色波段(650nm)和红外波段(940nm)。现有的心率提取使用的是双波段ppg在[40,240]hz间的频率信息；血氧饱和度提取使用的是双波段ppg在[40,240]hz间的相对幅值变化信息。
[0003]
呼吸频率是急性呼吸功能障碍的敏感指标，也是衡量人心脏功能好坏和气体交换是否正常的重要指标。呼吸频率的两种基本监测方法为：直接监测法和间接监测法。直接监测法包括阻抗法、温度传感器法、压力传感器法、二氧化碳法、呼吸音法和超声法，间接监测法包括通过心电、血压、肌电、光电容积脉搏波中监测呼吸频率的方法。
[0004]
在呼吸过程中，呼吸信号会以不同的方式调制到ppg信号上去，基于这个原理可以从ppg信号中提取呼吸频率。但是由于这种调制是随着时间变化的，调制方式不定，而且这种调制容易因噪声的干扰而湮没，因此如何准确、稳定、连续的测量呼吸频率是亟需解决的问题。
[0005]
专利文献cn106983501a，公开日2017.07.28，公开了一种脉搏波和呼吸波诊断装置和诊断方法，该脉搏波和呼吸波诊断装置包括：采集单元，用于采集脉搏波信号；分析诊断单元，与所述采集单元连接，用于对采集到的脉搏波信号进行特征提取，确定出脉搏波的波形特征数据，并根据所述脉搏波的波形特征数据，确定出呼吸波的波形特征数据；以及，根据所述脉搏波的波形特征数据和所述呼吸波的波形特征数据，生成诊断信息。其有益效果在于：脉搏波和呼吸波诊断装置的分析诊断单元可以直接根据脉搏波的波形特征数据确定出呼吸波的波形特征数据，相对于以往使用基于阻抗法进行胸阻抗测量获取呼吸波的装置，简化了呼吸波的获取过程。然而如前所述，采集的信号中存在噪声干扰，而该文献的方法并没有去除噪声的步骤，因此难以生成准确的呼吸频率。
[0006]
专利文献cn109498022a，公开日2019.03.22，公开了一种基于光电容积脉搏波的呼吸频率提取方法，步骤为：1)采集手指指端的光电容积脉搏波信号，对光电容积脉搏波信号低通滤波，微弱的光电容积脉搏波信号放大后经a/d采集传送给上位机；2)采集人体呼吸信号发送给上位机；3)光电容积脉搏波信号再处理；4)对纯净的光电容积脉搏波信号，提取其波谷点；5)拟合出一条包络线为光电容积脉搏波信号的基线漂移，该包络线为拟合出的呼吸信号；6)对拟合的呼吸信号作快速傅里叶变换，提取对应的呼吸频率；7)对呼吸信号作快速傅里叶变换，提取对应的呼吸频率，作为对比基准；8)一分钟内的呼吸次数＝提取的呼吸频率
×
60，根据提取的呼吸频率可计算出一分钟的呼吸次数。其有益效果在于：在保证人体无大幅度的运动前提下，利用插值法拟合出的光电容积脉搏波信号的基线漂移即为人体的呼吸特征曲线，对此进行快速傅里叶变换后提取的呼吸频率误差小，且计算量小，算法简
单，易于日后对于呼吸中断监测设备的集成。然而该文献的方法仅适用于人体无大幅度运动场景下的监测，限制了其使用。
[0007]
期刊文献《中国医学物理学杂志》2016年第33卷第1期刊出的论文“小波变换结合快速傅里叶变换从ppg中提取呼吸率”，用多道生理记录仪同时采集由温度传感器和透射式光电脉搏传感器获得的人体呼吸波和ppg信号，应用小波变换对ppg信号进行9层分解，将第9层细节信号和第8层细节信号分解得到的近似信号重建后相加得到呼吸波，然后用改进的快速傅里叶变换频率估计方法从该呼吸波信号中提取呼吸率，用该法从30个ppg样本中提取呼吸率，并将所提取的呼吸率与温度传感器获得的呼吸率用bland-altman法进行对比，得到了两者具有良好一致性的结论。然而该方法较为复杂，且可以看出，呼吸频率在0.18～0.40hz之间的误差较小，小于0.18hz时误差较大。
[0008]
因此还需要研究新的能够从ppg信号准确、快速、稳定、连续地监测呼吸频率的方法。


技术实现要素：

[0009]
本发明的第一个目的是针对现有技术中的不足，提供一种基于多光谱ppg盲源分离法的呼吸率监测方法。
[0010]
本发明的第二个目的是，提供一种基于多光谱ppg盲源分离法的呼吸率监测装置。
[0011]
为实现上述第一个目的，本发明采取的技术方案是：
[0012]
一种基于多光谱ppg盲源分离法的呼吸率监测方法，包括以下步骤：
[0013]
s1，同步采集个体的多光谱ppg信号，所述多光谱ppg信号至少包括两个波段的ppg信号；
[0014]
s2，对原始多光谱ppg信号进行简单预处理，分离包含呼吸成分的低频信号；
[0015]
s3，通过多通道融合的方法从包含至少两个波段的ppg信号中提取呼吸信号，其中多通道融合的方法具体采用盲源分离法算法；
[0016]
s4，基于通过盲源分离法从多光谱ppg信号中提取出的呼吸信号，计算呼吸率。
[0017]
作为一个优选例，所述步骤s3具体为：将步骤s2分离的所述包含呼吸成分的低频信号输入盲源分离算法，进行成分分解，若输入为n维ppg信号，则假设有n个独立的线性可分的源信号，分解出n个正交或非相关的成分信号；再从n个分离的成分信号中选择一个最近似呼吸的信号以用于后续计算呼吸频率。
[0018]
作为另一优选例，所述基于多光谱ppg盲源分离法的呼吸率监测方法其具体算法如下：
[0019]
以p表示观测的时域上的多通道ppg信号，p的维度为n*t，其中n为通道数且n>1，t为时间长度；
[0020]
先对p进行频域上的带通滤波，去除呼吸频带以外的信号成分：pf＝bandpass(p，[x，y]hz)，其中，[x，y]为人为设定的呼吸带通范围；
[0021]
之后，设定盲源分离的模型为：pf＝w
×
s，其中，s是源信号，w是混合源信号的参数；
[0022]
再通过主成分分离法，根据pf计算混合参数w逆矩阵inv(w)，包括：
[0023]
a＝cov(pf)
[0024]
对数据的正交分解：[u，s，u
t
]＝svd(a)，其中a是滤波信号pf的协方差矩阵，u是svd分解的特征向量，s是分解对应的特征值；
[0025]
通过公式s
′
＝u
t
×
pf将pf投影到相互垂直的子空间u上，其中，s’为相互正交的投影信号；假设u＝inv(w)；
[0026]
从s’中选择呼吸信号源：resp＝select(s
′
)，其中可使用和呼吸信号的特性相关的任一假设条件来选择呼吸信号源；
[0027]
最后，在resp的频域中计算呼吸率：f＝fft(resp)，其中max_idx作为当前的呼吸率。
[0028]
作为另一优选例，所述最近似呼吸的信号其选择的标准为信号质量、频率或幅值上的假设。
[0029]
作为另一优选例，所述盲源分离法为主成分分析法或独立成分分析法。
[0030]
为实现上述第二个目的，本发明采取的技术方案是：
[0031]
一种基于多光谱ppg盲源分离法的呼吸率监测装置，设有：
[0032]
多光谱ppg传感器：所述多光谱ppg传感器至少支持两个波段，用于采集至少两个通道数的ppg信号；
[0033]
运算芯片：用于执行运算任务；
[0034]
预处理模块：用于对从所述多光谱ppg传感器获得的原始多光谱ppg信号进行简单预处理，分离包含呼吸成分的低频信号；
[0035]
呼吸信号提取模块：用于通过多通道融合的方法从所述预处理模块分离的包含呼吸成分的低频信号中提取呼吸信号，其中多通道融合的方法具体采用盲源分离法算法；
[0036]
呼吸率计算模块：用于基于通过盲源分离法从多光谱ppg信号中提取出的呼吸信号，计算呼吸率。
[0037]
作为一个优选例，所述呼吸信号提取模块将包含呼吸成分的低频信号输入盲源分离算法，进行成分分解，若输入为n维ppg信号，则假设有n个独立的线性可分的源信号，分解出n个正交或非相关的成分信号；再从n个分离的成分信号中选择一个最近似呼吸的信号以用于后续计算呼吸频率。
[0038]
作为另一优选例，所述最近似呼吸的信号其选择的标准为信号质量、频率或幅值上的假设。
[0039]
作为另一优选例，所述盲源分离法为主成分分析法或独立成分分析法。
[0040]
作为另一优选例，所述基于多光谱ppg盲源分离法的呼吸率监测装置还包括预警模块和/或显示模块；所述预警模块用于将呼吸率计算模块计算得到的呼吸率和诊断标准进行比对，在呼吸率出现异常时发出警报；所述显示模块用于显示呼吸率信息。
[0041]
本发明优点在于：
[0042]
1、本发明的方法是从多光谱ppg信号中分离呼吸成分，即盲源分离算法使用至少两个波段的ppg信号作为输入(多通道输入)，来分离多光谱ppg信号中的呼吸成分和噪声成分(如运动干扰或光干扰)，然后选择分离出的呼吸成分计算呼吸频率，可强化呼吸信号提取的鲁棒性和稳定性，尤其在有运动干扰的环境下提升信号质量，达到稳定、精准、连续监测的目的。
[0043]
2、本发明的方法算法简单，便于监测设备的集成。
[0044]
3、由于本发明提高了呼吸率监测的稳定性，因此可应用于便携式穿戴ppg设备上。
[0045]
4、本发明的装置可作为专业医疗设备和保健产品，在不同的应用场景下长期连续监测使用者的呼吸率，如睡眠呼吸暂停综合征(阻塞性，中枢神经性，混合性)，心血管疾病，心肺功能障碍/康复，心脏病监护，术后监护，重症监护，老年人，新生儿，等；本发明的装置也可作为家用保健设备，为某类特殊人群或在特定场景下提供生理监测，如老年人，幼儿，打鼾者，慢病监测，或有相关需求的群体。
[0046]
5、基于本发明，可以从单个多光谱ppg设备上提取出三大生理信号，心率，血氧饱和度，呼吸率，一同作为输入特征为智能健康监护和诊断提供依据。
附图说明
[0047]
附图1是本发明基于多光谱ppg盲源分离法的呼吸率监测方法的流程图。
[0048]
附图2是本发明基于多光谱ppg盲源分离法的呼吸率监测装置的结构框图。
[0049]
附图3是实验(测试者三次正常呼吸(大约15hz呼吸率)，两次屏住呼吸(0hz))产生的ppg信号(呼吸频段[0,30]hz)，ppg频谱图，和盲源分离法(主成分分析法pca)计算得出的呼吸信号。
[0050]
附图4是实验(测试者三次正常呼吸(大约15hz呼吸率)，两次快速呼吸(大于20hz呼吸率))产生的ppg信号(呼吸频段[0,30]hz)，ppg频谱图，和盲源分离法(主成分分析法pca)计算得出的呼吸信号。
[0051]
附图5是实验(测试者三次正常呼吸，两次屏住呼吸和两次快速呼吸相互交替)产生的ppg信号(呼吸频段[0,30]hz)，ppg频谱图，和盲源分离法(主成分分析法pca)计算得出的呼吸信号。
具体实施方式
[0052]
下面结合附图对本发明提供的具体实施方式作详细说明。
[0053]
附图中涉及的附图标记和组成部分如下所示：
[0054]
1.多光谱ppg传感器
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
2.运算芯片
[0055]
3.预处理模块
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
4.呼吸信号提取模块
[0056]
5.呼吸信号计算模块
[0057]
实施例1
[0058]
请参见图1，图1是本发明基于多光谱ppg盲源分离法的呼吸率监测方法的流程图。所述基于多光谱ppg盲源分离法的呼吸率监测方法大体包括以下步骤：
[0059]
s1，同步采集个体的多光谱ppg信号，所述多光谱ppg信号至少包括两个波段的ppg信号，如红色通道(660nm)和红外通道(940nm)。
[0060]
s2，对从光学传感器获得的原始多光谱ppg信号进行简单预处理，如滤波，分离低频信号(呼吸成分)和高频信号(心率信号)。
[0061]
s3，通过多通道融合的方法从包含至少两个波段的ppg信号中提取呼吸信号。其中多通道融合的方法具体采用盲源分离法算法，即从提供的多个观测信号源(如多个波段的ppg信号)中分离呼吸信号源和非呼吸信号噪声源(如运动噪声)，从而达到降噪的效果和增
强呼吸信号提取的鲁棒性。具体地，将分离的低频ppg信号输入盲源分离算法，如主成分分析法(principle component analysis，pca)或独立成分分析法(independent component analysis，ica)，进行成分分解，若输入为n维ppg信号，则假设有n个独立的线性可分的源信号，分解出n个正交或非相关的成分信号；再从n个分离的成分信号中选择一个最近似呼吸的信号以用于后续计算呼吸频率，选择的标准可为信号质量(熵或信噪比)、频率或幅值上的假设。
[0062]
s4，基于所述通过盲源分离法从多光谱ppg信号中提取出的呼吸信号，计算呼吸率。
[0063]
计算方法举例：设p为观测的时域上的多通道ppg信号，可从个体的皮肤一侧通过接触式ppg设备采集获得。p的维度为n*t，其中n为通道数(n>1)，t为时间长度。先对p进行频域上的带通滤波，去除呼吸频带以外的信号成分：
[0064]
pf＝bandpass(p，[10，50]hz)
[0065]
其中[10,50]hz为人为设定的呼吸带通范围，针对不同的个体(如老人和婴儿)和应用场景可设定不同的频率范围。之后，我们假设盲源分离的模型为：
[0066]
pf＝w
×
s
[0067]
其中s是源信号(包括呼吸信号和噪声信号)；w是混合源信号的参数。该模型假设源信号是线性结合为观测信号pf的。因此，还原源信号的核心一步在于计算混合参数w逆矩阵inv(w)。而inv(w)的计算可通过盲源分离法(主成分分离法(pca)或独立成分分离法(ica))完成。下面以pca为例描述如何根据pf计算inv(w)。
[0068]
pca的算法核心在于对数据的正交分解，即将信号分解到其数据空间(n维ppg信号有n维空间)中的垂直正交的子空间上，使分解(投影)后的数据非相关。这一步可通过奇异值分解完成(svd)：
[0069]
a＝cov(pf)
[0070]
[u，s，u
t
l＝svd(a)
[0071]
其中a是滤波信号pf的协方差矩阵；u是svd分解的特征向量(相互垂直)；s是分解对应的特征值。之后，可通过下面公式将pf投影到相互垂直的子空间u上：
[0072]
s
′
＝u
t
×
pf
[0073]
其中，s’为相互正交(非相关)的投影信号。对p做信号分解的主要目的是分离其中的呼吸信号和噪声信号，因此可假定s’中相互独立的信号源由呼吸成分和噪声成分组成。这一步假设u＝inv(w)。下一步是从s’中选择呼吸信号源(目标)：
[0074]
resp＝select(s
′
)
[0075]
其中可使用不同的假设条件来选择呼吸信号源。假设的条件必须和呼吸信号的特性相关，比如通过频率选择(假设呼吸为周期信号)，幅值选择(假设呼吸强度的范围)，信噪比选择(假设最干净的信号)，等。最后在resp的频域中计算呼吸率：
[0076]
f＝fft(resp)
[0077][0078]
其中max_idx可作为当前的呼吸率输出系统。
[0079]
实施例2
[0080]
请参见图2，图2是本发明基于多光谱ppg盲源分离法的呼吸率监测装置的结构框图。所述基于多光谱ppg盲源分离法的呼吸率监测装置设有：
[0081]
多光谱ppg传感器1：所述多光谱ppg传感器1至少支持两个波段(例如红色和红外波段)，用于采集至少两个通道数的ppg信号。
[0082]
运算芯片2：用于执行运算任务。
[0083]
预处理模块3：用于对从多光谱ppg传感器1获得的原始多光谱ppg信号进行简单预处理，如滤波，分离低频信号(呼吸成分)和高频信号(心率信号)。
[0084]
呼吸信号提取模块4：用于通过多通道融合的方法从预处理模块3分离的低频呼吸成分中提取呼吸信号。其中多通道融合的方法具体采用盲源分离法算法。具体地，所述呼吸信号提取模块4接收预处理模块3预处理后的低频ppg信号，将该低频ppg信号输入盲源分离算法，如pca或ica进行成分分解，若输入为n维ppg信号，则假设有n个独立的线性可分的源信号，分解出n个正交或非相关的成分信号；再从n个分离的成分信号中选择一个最近似呼吸的信号以用于后续计算呼吸频率，选择的标准可为信号质量(熵或信噪比)、频率或幅值上的假设。
[0085]
呼吸率计算模块5：用于基于所述通过盲源分离法从多光谱ppg信号中提取出的呼吸信号，计算呼吸率。
[0086]
可选地，本发明基于多光谱ppg盲源分离法的呼吸率监测装置还设有预警模块，所述预警模块用于将呼吸率计算模块4计算的呼吸率值和诊断标准进行比对，在呼吸率出现异常时(如成年人在静息状态下的呼吸率低于10次/分钟或大于20次分钟)发出警报。
[0087]
可选地，本发明基于多光谱ppg盲源分离法的呼吸率监测装置还设有显示模块，所述显示模块与呼吸率计算模块5连接，用于显示呼吸率等信息。
[0088]
针对以上实施例，需要说明的是：
[0089]
基于ppg信号提取呼吸频率的原理在于：呼吸引起的胸部/腹部运动(扩张，收缩)挤压皮肤组织下的血管床和血管壁，改变血管里的动脉血液容积，对检测到的ppg信号形成一个低频载波(如健康成年人静息状态的呼吸率在[10,20]hz频段内)，因此，可从ppg信号的低频波段中提取出呼吸信号。而本发明在此基础上，进一步提出了基于多光谱ppg信号的呼吸率提取方法，具体采用的是多通道盲源分离法。用多光谱ppg信号提取呼吸率的意义在于用多通道盲源分离法来分离光学信号中的呼吸成分和噪声成分(如运动干扰或光干扰)，然后选择分离出的呼吸成分计算呼吸频率，该策略可强化呼吸信号提取的鲁棒性和稳定性，尤其在有运动干扰的环境下提升信号质量，达到稳定精准监测的目的。其原理在于：不同光谱波段的ppg信号强度不同(如绿光最强，红光最弱)，因此呼吸信号的调制载波强度也不同，但噪声信号(如运动干扰)没有这个生理特征，噪声信号对所有波段的影响强度一样，因此，我们可以通过多通道融合的方式去除噪声的影响，而pca和ica可以作为多通道融合去噪的方式之一。
[0090]
实施例3
[0091]
召集1名健康成年人志愿者，使用多光谱ppg传感设备(包含两个波段信号：红色波段(650nm)和红外波段(940nm))，固定于志愿者胸部。采用三种不同实验协议(experimental protocol)验证多光谱ppg监测呼吸信号的可行性和敏感性。实验结果如图3-5所示。每幅图包含该实验产生的ppg信号(呼吸频段[0,30]hz)，ppg频谱图，和盲源分离
法(主成分分析法pca)计算得出的呼吸信号。
[0092]
图3所示的实验中，测试者三次正常呼吸(大约15hz呼吸率)，两次屏住呼吸(0hz)。图4所示的实验中，测试者三次正常呼吸(大约15hz呼吸率)，两次快速呼吸(大于20hz呼吸率)。图5所示的实验中，测试者三次正常呼吸，两次屏住呼吸和两次快速呼吸相互交替。三次实验的结果(信号和频谱图)表明可以从ppg信号中观测到呼吸分量，并通过盲源分离法(主成分分离法，pca)将这种呼吸信号从心率/噪声信号中分离出来。
[0093]
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员，在不脱离本发明方法的前提下，还可以做出若干改进和补充，这些改进和补充也应视为本发明的保护范围。