应用于心率监测一种的峰值和起始检测算法的介绍

本文提供了一种稳健的峰值和起始检测算法，用于使用PPG信号进行逐搏脉冲间隔分析。我们使用ADI公司（ADI）多感官手表平台通过大数据采集来演示我们的方法，该平台具有高覆盖率，灵敏度和连续差异均方根（RMSSD），与心电图的逐搏结果相比较信号。

简介

心率（HR）监测是许多现有可穿戴设备和临床设备的关键功能，但具有测量连续心率的功能这些装置尚未提供使用逐拍脉冲间隔的可变性。 HRV包括连续心跳之间的时间间隔的变化，称为从心电图（ECG）提取的间隔间隔。HRV包含反映自主神经系统交感神经和副交感神经活动的众所周知的生物信息。研究人员广泛使用HRV作为支持临床诊断和测量的工具用于健康目的的生物信息，例如睡眠阶段，压力状态和疲劳。鉴于ECG测量的技术要求，在事故/灾难现场，战场上，信号可能并不总是可用的，或ECG可能导致电气干扰的区域。 

从光电容积描记信号中提取的脉率变异性可以用作HRV的替代品。PPG信号是通过使用LED照亮人体皮肤获得的通过光电二极管测量反射光中血流引起的强度变化。

此外，PPG可以提供有关心血管系统的相关信息，如心率，动脉压，僵硬指数，脉搏传导时间，脉搏波速，心输出量，动脉顺应性和外周阻力然而，基于PPG的算法的性能会因血液灌注不良，环境光线恶化而降低，最重要的是，运动伪影（MA）。许多信号处理技术，包括ADI运动抑制和频率跟踪算法，已被提议通过使用靠近PPG传感器放置的三轴加速度传感器来消除MA噪声。

重要的是从PRG分析中准确提取PPG波形中的收缩峰，开始和重搏切口等重要点。PPG波形的开始是由于心脏从主动脉开始排出到主动脉，而重搏切迹是血液排出结束或主动脉瓣关闭。 PPG信号的鲁棒检测算法的不可用性至少部分地阻止了研究人员使用PPG完全进行PRV分析。以前关于PRV的一些工作忽略了基准点，一些报告使用手动或经验检测收缩峰，有些是基于非验证的基于时间窗口的算法获得脉冲峰值。

本文提出了一种强大的峰值和起始检测算法，该算法使用最初为动脉血压（ABP）波形提出的描述方法。重要的是要注意PPG信号使用腕戴式可穿戴设备设备包含许多运动伪影，基线波动，反射波和其他可能影响检测算法行为的噪声。因此，数据先进行预处理，然后再将其提供给逐搏提取。模型。本工作中使用的自动描绘器是一种混合方法，其中来自原始PPG的不同预处理信号和信号的一阶导数用于提取峰值和起始点。我们使用我们的ADI手表平台收集的大型数据库，该平台提供同步的PPG和ECG信号。在内存占用方面，该算法很轻，可以用作ADI手表平台中的嵌入式算法。验证算法并使用覆盖率，灵敏度，正生产率和连续差异的均方根与心电信号的逐搏结果进行比较。

基于PPG形态的节拍算法

在本节中，我们将解释由（i）组成的腕部PPG信号的逐搏算法的细节。预处理，以及（ii）高分辨率逐跳提取模块。该算法的框图如图1所示。

预处理

PPG信号对血液灌注不良的敏感性外围组织和运动伪影是众所周知的.18为了最小化这些因素在逐次估计的PPG分析的后续阶段中的影响，需要预处理阶段。该步骤包括：

取景和开窗

带通滤波（0.4 Hz至4 Hz）

自动增益控制（AGC）以限制信号电平

信号平滑和基线漂移移除

使用T 0 秒的窗口处理PPG输入数据，并通过使用mT移动窗口来处理更多块 0 （即m = 3/4）重叠。然后需要带通滤波器去除PPG信号的高频分量（例如电源），以及低频分量，例如毛细血管密度和静脉血容量的变化，温度变化等。图2a和2b示出了滤波之前和之后的PPG信号。滤波器的截止频率为0.4 Hz和4 Hz。 HR的基频范围在0.4Hz至3Hz之间。因此，使用稍高于节拍估计的范围允许我们包括强调节拍时间的谐波。使用中值滤波器从滤波后的信号中去除突然尖峰。然后，AGC模块将信号电平限制为±V伏，以便通过在稍后阶段检查信号的幅度来验证所选择的峰值。用于HRV的持久PPG测量过程不可避免地引入另一种类型的伪像，例如基线漂移。因此，使用低通有限脉冲响应（FIR）滤波器来平滑帧中的PPG样本阵列（如图2c所示），以消除基线漂移噪声，并为描绘模块获得更平滑的信号。

高分辨率节拍提取模块

逐搏提取算法包含以下模块：

插值

描述

高分辨率逐跳提取

信号质量指标

预处理模块的输出被馈送到插值块以增加逐搏提取算法的准确性。如果在第一帧中给出从t 0 到t τ的PPG段，其中b 0 和b的逐拍间隔τ，我们使用端点之间的n个点线性插值逐拍间隔值，然后从b 中提取高分辨率的逐拍（例如，1 ms分辨率） 0 和b τ。接下来，描绘模块依赖于信号形态以及节奏信息来提取峰值和起始点。因此，不仅需要收缩峰，而且还应报告逐搏检测的起始和重搏切口。所提出的描绘器在理论上类似于论文“用于光电容积描记波形的自适应调节器” 12 和“On a Automatic Delineator for the Motionerial Blood Pressure Waveforms”，并且它通过使用来自信号的一阶导数的一对拐点和过零点来适应腕部PPG信号。图2d绘制了PPG表征的拐点和过零点。对于过零点，信号使用零相位失真滤波器进行处理，通过匹配初始条件最小化启动和结束瞬变。这是为了确保在过滤后保留时域功能。注意，来自PPG波形的导数的起始对应于最大拐点之前的过零点，而收缩峰值与该拐点之后的过零点相关。用于该逐拍算法的信号质量度量是清晰度并且指示信号具有音调的程度。该度量最初是在Philip McLeod和Geoff Wyvill的文章“寻找间距的更智能方法”中提出的，其中使用归一化的平方差函数（一种自相关函数形式）来寻找周期性。信号。我们使用此指标来确定逐搏算法何时有信心报告峰值和开始。

ADI手腕平台的评估结果

我们将PPG逐搏算法结果与Pan-Tompkins算法的结果进行比较，这是一种公认的ECG峰值检测算法。收集数据以使用ADI生命体征监测（VSM）腕表平台评估我们的算法。 ADI VSM iOS应用程序用于通过蓝牙®连接与手表连接。 ADI腕表包括一个PPG传感器，用于收集受试者手腕的PPG信号。还在ADI腕表上收集了ECG信号。将三个ECG电极连接到受试者的胸部区域。来自这些电极的导线连接到ADI腕表，在那里信号被处理并与PPG信号同时记录。该平台提供同步的PPG和ECG信号。图3a显示了用于数据收集的ADI腕表，而图3b显示了从平台获得的iOS应用程序界面和样本信号。

评估指标和结果

在计算逐搏指标之前，重要的是要有一个异常值去除过程，用于识别Pan-Tompkins算法输出中的丢失/额外峰值以及我们的PPG逐搏算法输出。忽略丢失/额外峰值会导致异常节拍持续时间，从而导致不准确的结果。通过观察Pan-Tompkins算法提供的连续搏动持续时间来识别ECG信号中的丢失/额外峰值。任何将搏动持续时间改变超过20％的心电图峰值都被标记为异常值。在去除这些ECG峰值之后，通过将每个ECG峰值与PPG信号中的峰值相关联来识别PPG信号中的丢失/额外峰值。如果PPG峰值在ECG峰值的时间附近，则其与ECG峰值相关。当无法识别PPG峰值或在ECG峰值的时间接近度内识别出太多峰值时，将这些峰值识别为异常值。这些丢失/额外PPG节拍引起的异常节拍持续时间将被忽略为度量计算过程中的异常值。

使用我们提出的算法和Pan中的逐搏值计算多个指标-Tompkins算法。这些指标是：（i）覆盖范围（公式1）; （ii）灵敏度或Se（等式2）; （iii）正预测性或P +（等式3）; （iv）连续差异的均方根或RMSSD（公式4）。图4显示了用于度量计算的一些值的直观表示。

其中TP（真阳性）是PPG B2B算法正确识别的心跳数，FP（误报）是PPG心跳的数量这与心电图中的实际心跳不对应，而FN（假阴性）是PPG搏动 - 跳过算法错过的心跳次数。相间间隔（IBI）是连续ECG峰值，PPG峰值或PPG开始之间的时间。

为了评估我们的算法，同时为每个受试者收集PPG和ECG信号。收集了大量不同年龄，肤色和体型的受试者的数据。这是为了确保我们的评估结果与所有人群相关。在27名受试者（具有不同肤色的男性和女性）上收集数据，每次2分30秒。要求受试者站在上半场，并在下半场休息。表1显示了节拍与节拍算法的每个度量的平均结果。如表中所示，覆盖率，灵敏度和阳性预测均高于83％，腕部数据的平均RMSSD差异低于20 ms，与ECG信号的结果相比。

讨论与结论

强劲的峰值本文提出了手腕PPG信号进行PRV分析的起始检测算法，该算法采用多阶段预处理，提出了一种混合描绘算法，用于检测手腕PPG信号的基准点，并以ADI多感知手表为评价平台。结果显示，与心电图HRV有很强的相关性和一致性。未来的工作将集中在应用运动抑制算法和处理PRV分析中缺失的节拍问题。