许建雯 张爱华，2，3 漆宇晟 马玉润，2，3

（1.兰州理工大学电气工程与信息工程学院 兰州 730050）（2.甘肃省工业过程先进控制重点实验室 兰州 730050）（3.兰州理工大学电气与控制工程国家级实验教学示范中心 兰州 730050）

1 引言

血氧饱和度（Blood Oxygen Saturation，SpO2）是反映人体呼吸和循环系统机能的重要生理参数，血氧检测主要利用光谱技术和朗伯比尔定律，通过向血管组织照射两种不同波长的光，感知动脉搏动过程中光吸收变化从而获得血氧值［1～2］。然而，利用光电容积描记法检测血氧时易受噪声、运动和血流灌注等因素的影响，导致检测到的信号质量较差，给日常无监督状态下血氧检测带来了巨大挑战［3］。

针对日常血氧检测已经做了大量研究，比如李敏提出一种基于时变自回归模型，利用加速度信号将信号分为运动和静止两个状态，从而提高血氧的准确性［4］。Yan提出利用最小相关离散饱和变换获得日常血氧［5］。Alzahrani 用三轴加速度计构建运动干扰信号降低日常运动伪迹的影响［6］。毛烁构造形态学算子提取波峰波谷，提高了运动状态下血氧的准确性［7］。张蕾蕾在耳道设计了反射式无线血氧监测仪［8］。王超基于STM32 设计了一款家用监护系统，采用指套式探头检测血氧［9］。目前市场上血氧仪主要由Nellcor、Philips、鱼跃以及康泰等公司生产。但无论是上述理论研究还是产品设计，血氧探头一般放置在手指、耳道、腕部等受运动干扰和血流灌注的影响较大的部位。此外，虽然上述学者通过抑制噪声提高血氧的准确性，但是很难从已经破坏的信号中提取到有效的测量值，所以对信号的质量及其受到的干扰进行评估是提取有效血氧首要解决的问题。

研究发现检测过程中耳后相比于常用检测部位，不仅提供稳定的血流灌注，而且日常活动中更具有抗干扰性和隐蔽性［10］。因此，本文针对目前日常血氧检测存在的问题，首先研制了耳后血氧采集装置，实现脉搏信号的稳定采集。其次，对日常中常见干扰的特征和来源进行分析，提取反映干扰信息的特征，并提出基于特征融合和支持向量机（Support Vector Machine，SVM）的信号质量评估方法。最后，对不同质量的信号分别处理，提取波峰波谷，计算血氧值，实现日常血氧准确有效的检测。

2 耳后血氧检测装置

以耳后作为采集部位研制了血氧采集装置，采样频率为100Hz，实物如图1 所示。基于耳后血氧装置的检测系统由主控模块、采集模块、电源模块、通信模块和处理模块五部分组成。主控模块采用STM32F103RCT6，通过PCB 设计尽量减小尺寸。采集模块采用尺寸小功耗低的MAX30100 光学传感器。外部控制器通过I2C 总线读取脉搏信号，并用无线通信方式将数据传至PC 终端分析处理，实现血氧的检测。系统框图如图2所示。?

图1 血氧检测装置实物图

图2 耳后血氧检测系统框图

3 算法原理与分析

3.1 SVM算法

支持向量机在模式识别分类等问题上已经得到了广泛的应用。SVM 的核心思想是通过建立一个分类决策曲面来区分正反例，进而得到最优超平面［11］。假设x为训练样本集，其原理如图3所示。

图3 支持向量机原理图

其中ω∙x+b=0 为分离超平面，ω决定超平面的方向，b决定超平面与原点的距离。实际应用中通常利用非线性映射Φ将输入空间的样本映射到高维特征空间H 并构造最优分类超平面。Vapnik等人利用符合Mercer 条件的核函数K代替点积运算，定义如下：

SVM 常用的核函数有如下三种，其中xi为非零部分对应的样本，具体定义如下：

1）线性核函数

2）d阶多项式核函数

3）径向基核函数

由于径向基函数的参数较少应用广泛，分类时对样本数量要求不高，所以本文采用径向基函数作为支持向量机的核函数。

3.2 基于SVM和特征融合的信号质量评估

本文从日常干扰的来源分析，提取反映干扰信息的特征，提出基于SVM 和特征融合的方法实现日常脉搏信号的质量评估。首先，分析了日常干扰的类型，主要有大幅度的运动、传感器的跌落和与检测部位接触不良导致的信号片段，以及包含基线漂移、高频噪声和运动伪迹等噪声干扰的信号片段。这些噪声主要表现为信号幅值时高时低、大量的毛刺等特征，导致无法提取有效的信息。其次，提取以下7个特征。

1）峰度（kurtosis，k）：峰度是概率分布的四阶中心矩，衡量峰值的尖锐程度。离散信号的峰度定义如下：

其中μx和σ为信号的均值和标准差，M为信号的采样点数［12］。

2）偏度（skewness，s）：偏度是概率分布的三阶中心矩，衡量分布的对称程度。离散信号的偏度定义如下：

其中μx和σ为信号的均值和标准差，M为信号的采样点数［13］。

3）奇异值之比（ratio of singular value decompo⁃sition，svd）：文献［14］指出奇异值之比用于表征信号质量，对信号进行奇异值分解，排序后可得σ1>σ2>σ3……>σm，则其定义如下：

4）灌注指数（Perfusion Index，PI）：灌注指数是周围组织搏动血流量与非搏动血流量的比值，其定义如下：

其中xˉ为x的统计平均值，y为滤波后的信号［12］。

5）排列熵（Permutation Entropy，PE）：排列熵反映时间序列的随机程度，其定义如下：

其中P1,P2,…Pb为不同符号序列出现的概率［15］。

6）模糊熵（Fuzzy Entropy，fuzEn）：模糊熵用于量化时间序列的复杂度，当信号受到噪声干扰时其复杂度较高熵值较大。假设长度为N的原始信号序列为［x（n）］=x（1）…x（N），按采样序号组成一组m维向量，利用模糊隶属函数求序列的相似程度，并定义以下函数：

以此类推到m+1 维，则模糊熵的计算公式如下：

其中m为模式维数，r为相似容限，函数D为信号的相似度［16］。

7）互 相 关 系 数（cross correlation coefficient，ccor）：血氧检测中质量好的红光和红外脉搏信号两者具有较强的相关性，而在有运动干扰的情况下，相关性会降低。其定义如下：

其中x和y分别为红光和红外光脉搏信号，xˉ和yˉ为均值，σx和σy为标准差。

然后，将7 个特征及其组合作为信号质量指标，并对采集的数据进行不重叠分割，每段数据长度为300 个点，以保证至少有两个完整脉搏周期。由3名专家对信号进行“好、中、差”3个质量等级的标注，并将结果作为数据标签。最后，针对日常脉搏信号提出一种基于SVM 和特征融合的方法实现信号质量评估，进而实现信号质量“好、中、差”的划分。

3.3 基于信号质量评估的日常血氧检测

根据不同质量的信号，提出相应的后续处理方法。质量差的信号直接剔除；质量中的信号需要抑制运动伪迹对特征点检测的影响，再提取波峰波谷；质量好的信号直接提取波峰波谷。最后，利用特征点计算血氧值。其中，运动伪迹不易去除且与脉搏信号有效频带重叠［17］，提出利用广义组合形态学滤波方法削减运动伪迹对信号分析的影响。数学形态学最基本的算子有膨胀和腐蚀［18］，对膨胀和腐蚀进行级联以及算数平均运算得到的组合形态学运算存在偏移现象。而广义组合形态学滤波不仅可以消除统计偏倚现象，而且能保持较好的几何特征。具体检测流程如图4所示。

图4 基于信号质量评估的日常血氧检测流程图

4 实验与结果

4.1 硬件检测装置的有效性分析

血氧计算的经验公式如下：

表1 静坐状态下的血氧误差分析实验结果

4.2 信号质量评估

为了获得日常状态下区分信号质量的最佳特征向量，模拟人体真实的日常活动设计了坐姿、站姿、平躺、慢走、打字和说话或咀嚼共6 组实验，采集3 名健康研究生的血氧数据，每组长度为5min。质量评估结果如图5 所示，由图可知特征融合改善了单特征表征信号质量准确率较低的问题。其中k、PI 和PE 特征组合能更有效剔除质量差的信号，准确率为93.33%；svd、s和fuzEn特征组合可以更准确区分质量等级好和中的信号，准确率为92.08%。

图5 单特征和特征组合分类的准确率

4.3 日常血氧检测

针对质量中的信号基于广义组合形态学方法进行滤波。如表2 所示，运动状态下滤波后检测的准确率均在90%以上，降低了特征点的误检和漏检。因为广义组合形态学滤波后特征点被突出，从而有效削弱了运动伪迹的影响。对质量好和中的信号提取波峰波谷，结果如图6所示。

图6 波峰波谷检测结果

表2 运动状态下波谷检测结果

为了验证提出的基于信号质量评估的血氧检测方法的有效性，分别在日常静止和运动状态下进行了检测。首先，利用耳后血氧检测装置和YX303采集静止状态下两名健康受试者的数据，分析对比利用直接测量法得到的血氧值（测量值1）和基于本文质量评估方法得到的血氧值（测量值2），其中直接测量法仅滤除基线漂移和高频噪声。实验中以YX303检测结果作为参考标准值，对比结果如表3 所示。前四组为受试者1 的数据，后四组为受试者2 的数据。结果表明，与YX303 对比直接计算的血氧误差是2.1%，基于本文方法的血氧误差下降了1.1%。因此，所提方法减少了静止状态下血氧的误差。

表3 静止状态下的血氧检测结果

然后，对运动状态下的血氧进行了实验对比。由于运动状态下指部受运动干扰影响较大，YX303检测结果误差较大，无法作为参考标准。同时，考虑到血氧的计算取决于波峰波谷的准确检测。所以，本文基于波峰波谷检测的准确率作为血氧检测有效的间接评判标准，检测结果如表4 所示，运动状态下基于信号质量评估的血氧检测方法相比于直接检测准确率从69.5%提高至88.4%。因此，本文所提方法提高了日常血氧检测的准确性和可靠性。

表4 运动状态下信号片段的检测结果

5 结语

本文设计并研制的耳后血氧检测系统，克服了商用血氧仪在日常状态下受运动和血流灌注影响大的劣势，系统可有效稳定的采集数据。针对日常中信号质量受噪声干扰的问题，提出的基于支持向量机和特征融合信号质量评估方法，获得区分信号质量的最佳特征组合，并作为SVM 的输入参数实现信号质量的分类。针对运动伪迹的影响，使用广义组合形态学方法降低了特征点的误检和漏检。在静止和运动状态下检测血氧，其准确率相比于未采用质量评估算法均得到了提高。因此，所提方法能够有效抑制噪声干扰和运动的影响，提高了血氧的准确率，为日常无监督状态下的血氧检测提供了新的思路和方案。