幻想未来几十年后的国际，您的孙子们或许不知道医院这个词，一切健康信息都是经过传感器
长途记载和监测。幻想您的家里装备了不同的传感器来丈量空气质量、温度、噪声、光照和气压，而且依据您的个人健康信息，体系调整相关环境参数以优化您的家居环境。在完成美好未来的道路上，ADI公司处于一个共同的有利方位，经过供给彼此弥补的传感器、软件和算法来添加其在数字健康商场的比例。
心率(HR)监测是许多现有可穿戴产品和临床设备的要害特性。这些设备一般丈量光电容积脉息波(PPG)信号，为取得该信号，须运用LED照耀人体皮肤，然后用光电二极管丈量血流引起的反射光强度改变。PPG信号形状与动脉血压(ABP)波形类似，这使得该信号成为受科学界欢迎的非侵入性心率监测东西。PPG信号的周期性与心脏节律相对应。因而，能够依据PPG信号预算心率。但是，受血液灌流不良、环境光线以及最重要的运动伪像(MA) 1的影响，心率预算功用会下降。业界已提出许多信号处理技能来消除MA噪声，包含ADI公司的运动按捺和频率盯梢算法，经过运用一个接近PPG传感器放置的三轴加速度传感器来完成。当没有运动时，最好能有一个按需算法来向盯梢算法供给快速且更准确的心率预算。本文改造了多信号分类(MUSIC)频率估量算法，以运用ADI医疗健康手表渠道，依据手腕上的PPG信号完成高精度按需心率预算，图1所示为其框图。该图的细节将在后边的内容中阐明。
图1. 运用腕上PPG信号的依据MUSIC的按需心率估量算法
ADI医疗健康手表供给的PPG信号概述
当LED发光时，血液和安排会吸收不同数量的光子，导致光电检测器检测到不同的效果。光电检测器丈量血液脉动的改变并输出一个电流，该电流随后经放大和滤波以供进一步剖析。 图2a显现了一个由沟通(ac)和直流(dc)重量组成的一般PPG信号。PPG波形的直流重量检测安排、骨骼和肌肉反射的光信号，以及动脉和静脉血液的均匀血容量。沟通重量则标明心动周期的缩短期和舒张期之间发生的血容量改变，沟通重量的基频取决于心率。图2b是来自 ADPD107 手表的PPG信号，这在之前的《模仿对话》文章中已介绍过。ADI多感知手表的方针是丈量人体手腕上的多项生命体征。ADI手表有PPG、心电图(ECG)、皮肤电活动(EDA)、加速度(ACC)和温度传感器。本文仅重视PPG和ACC传感器。
现在咱们细心看看PPG和ABP波形的类似之处。ABP波形是由于左心室射出血液构成的。主压力沿全身血管网活动并抵达多个部位，动脉阻力和顺应性的明显改变引起反射。第一个部位是胸主动脉和腹主动脉之间的接合处，其引起第一次反射，一般称为缩短晚期波。第二个反射部位是腹主动脉和髂总动脉之间的接合处。主波被再次反射回来，发生一个很小的下降，称为重搏切迹，这能够在第一次和第2次反射之间观察到。还有其他较小的反射，这些反射在PPG信号中被平滑掉2。本文的重点是心率估量，其仅取决于PPG信号的周期性，此算法不考虑PPG的切当形状。
图2a. 含沟通和直流部分的典型PPG信号
图2b. ADI医疗保健手表PPG信号
PPG信号预处理
PPG信号易受周边安排的不良血液灌流和运动伪像的影响是众所周知的1。为将这些要素的影响降至最小，避免搅扰随后的PPG剖析和心率估量，须有一个预处理阶段。需求一个带通滤波器来消除PPG信号的高频成分(如电源)和低频成分(如毛细血管密度和静脉血容量的改变、温度改变等等)。图3a显现了滤波之后的PPG信号。运用一组信号质量目标来找到适合于按需算法的PPG信号第一个窗口。第一次查看触及ACC数据和PPG信号，以确认是否能检测到一段无运动的数据，然后衡量其他信号质量目标。假如三个方向上存在高于ACC数据绝对值的特定阈值的运动，则按需算法会回绝依据这样的数据窗口进行估量。下一信号质量查看是依据数据段特征的某种自相关。图3b显现了经滤波的PPG信号的一个自相关比如。可接受信号段的自相关体现出如下特性：具有至少一个部分峰值，而且对应于最高或许心率的峰值不超越某一数量;部分峰值从高到低递减，间隔时刻递加;以及其他一些特性。仅核算与有意义的心率(坐落30 bpm到220 bpm规模内)相对应的间隔时刻的自相关。
当有满足的数据段接连经过质量查看时，算法的第二阶段就会运用依据MUSIC的算法算出准确的心率。
图3a. 经过带通滤波的图1b中PPG信号
图3b. 图2a中信号图的自相关
依据MUSIC的按需心率估量算法
MUSIC是一种依据子空间的办法，运用谐波信号模型，能够高精度地预算频率3。关于遭到噪声损坏的PPG信号，傅立叶改换(FT)或许体现欠安，由于咱们需求的是高分辨率心率估量算法。此外，FT将时域噪声均匀分布到整个频域中，约束了预算确实认性。运用FT很难在较大峰值邻近观察到较小峰值4。因而，在本研讨中，咱们运用依据MUSIC的算法进行心率的频率估量。MUSIC背面的要害思维是噪声子空间与信号子空间正交，所以噪声子空间的零点会指示信号频率。下面的过程是这种心率估量算法的总结：
从数据中删去均匀和线性趋势
核算数据的协方差矩阵
对协方差矩阵运用奇异值分解(SVD)
核算信号子空间阶数
构成信号或噪声子空间的伪谱
找出MUSIC伪谱的峰值作为心率估量值
MUSIC有必要运用奇异值分解，而且有必要在整个频率规模内查找频谱峰值。咱们来看一些数学算式，以使上述过程更明晰。假定经滤波的PPG信号有一个长度为m的窗口，标明为xm且m≤L(其间L为给定窗口中经滤波PPG信号的总样本数)。那么，第一步是构成样本协方差矩阵，如下所示：
然后对样本协方差矩阵运用SVD，如下所示：
其间，U为协方差矩阵的左特征向量，Λ为特征值的对角矩阵，V为右特征向量。下标s和n别离代表信号和噪声子空间。正如之前说到的，运用信号现已经过信号质量查看阶段的先备常识，对依据MUSIC的算法进行修改以用于心率估量，因而预处理过程之后，信号中仅有存在的频率成分是心率频率。接下来构成信号和噪声子空间，假定模型阶数只包含一个单音，如下所示：
其间p = 2为模型数。仅考虑有意义心率限值内的频率。这会大 大削减核算量，使嵌入式算法的实时完成成为或许。查找频率 向量界说为：
其间，k为心率方针频率规模内的频点，L为xm(t)中数据的窗口长度。然后，下面的伪谱运用噪声子空间特征向量找出MUSIC的峰值，如下所示。
这儿运用伪谱一词，是由于它标明所研讨信号中存在正弦重量，但它不是一个真实的功率谱密度。图4显现了依据MUSIC的算法处理5秒数据窗口得到的示例效果，在1.96 Hz处有一个很陡的峰值，换算为心率是117.6 bpm。
图4. 运用PPG数据的依据MUSIC估量的一个示例
依据MUSIC的按需心率估量算法的效果
咱们现已在一个包含1289个测验事例(data1)的数据集上测验了该算法的功用，而且在数据开始时，测验方针被要求停止。表1给出了依据MUSIC算法的效果，并指出估量的心率是否在参阅(ECG)的2 bpm和5 bpm精度规模内，以及估量时刻的第50百分位数(中值)和第75百分位数。表1中的第二行显现了关于一个包含298个测验事例(data2)的数据集，存在周期性运动(如步行、慢跑、跑步)时该算法的功用。经过检测运动，假如任一数据被视为不可靠而遭到回绝，或者是以为不受运动影响而准确预算得到心率，则以为该算法是成功的。在内存运用方面，假定缓冲区巨细为500(即100 Hz时为5秒)，关于方针频率规模(30 bpm至220 bpm)，所需总内存约为3.4 kB，每次调用花费2.83周期。
表1. 依据MUSIC的按需心率估量算法的功用数值目标2 bpm 精度5 bpm 精度第50百分位数第75百分位数
结语
依据MUSIC的按需算法是ADI公司医疗保健业务部门生命体征监测小组提出的很多算法之一。在咱们医疗健康手表中运用的按需算法与这儿评论的依据MUSIC的办法不同，前者的核算成本较低。ADI公司为传感器(嵌入式)和边际节点供给软件和算法功用，使其从数据中获取有价值的信息，仅将最重要的数据发送到云端，让咱们的客户和协作伙伴能够在本地做出决议计划。咱们挑选运用的标准是，其效果关于咱们的客户来说非常重要，而且咱们具有共同的丈量专业技能。本文仅仅对ADI公司研制的算法的简略介绍。凭仗咱们在传感器规划方面的现有专业常识，以及咱们在生物医学算法开发(包含嵌入式和云核算)方面的尽力，ADI公司将具有共同的优势来为全球医疗健康商场供给最先进的算法和软件。
参阅电路
1 Tamura, Toshiyo Tamura, Yuka Maeda, Masaki Sekine, 和 Masaki Yoshida. “可穿戴光电容积脉息波传感器——曩昔和现在.” Electronics, 第3卷第2期，2014年。
2 R. Couceiro, P. Carvalho, R.P. Paiya, J. Henriques, I. Quintal, M. Antunes, J. Muehlsteff, C. Eickholt, C. Brinkmeyer, M. Kelm, 和 C. Meyer. “依据手指光电血管容积图的多高斯拟合评价心血管功用.” Physiological Measurement，第36卷第9期，2015年。
3 Petre Stoica and Randolph L. Moses. 信号频谱剖析. Pearson Prentice Hall，2005年
4Steven W. Smith。面向科学家和工程师的数字信号处理攻略。California Technical Publishing，1997年。
称谢
作者感谢ADI公司的Sefa Demirtas、Bob Adams和Tony Akl对此算法的开发所供给的协助和宝贵意见。
作者
Foroohar Foroozan
Foroohar Foroozan是信号处理科学家。Foroohar于2015年8月参加ADI公司，领导医疗健康业务部面向生命体征和家用监测体系的多伦多算法团队。一起，她就护理点超声成像体系与ADI成像团队打开协作。参加ADI之前，她担任加拿大Geotech Ltd.的研制科学家，致力于新一代机载电磁地球物理丈量体系的智能滤波。她是Sunnybrook Research Institute博士后，在2012年至2013年期间致力于脑血管病图的3D、超高分辨率超声成像，正在请求PCT专利。她于2011年取得加拿大多伦多约克大学-拉松德工学院核算机科学博士学位。她对生物医学体系中的信号处理和算法感兴趣，首要致力于生命体征体系和生物医学成像。她是安省专业工程师协会(P.Eng.)成员和IEEE高档成员。
