文献标识码: A
DOI:10.16157/j.issn.0258-7998.173174
中文引用格式: 彭良广,林金朝,庞宇,等. 基于自适应滤波的可穿戴式心电信号检测系统[J].电子技术应用,2017,43(9):17-21.
英文引用格式: Peng Liangguang,Lin Jinzhao,Pang Yu,et al. Wearable system based on adaptive filter for monitoring ECG signal[J].Application of Electronic Technique,2017,43(9):17-21.
0 引言
公安部民警作为一种高危的职业,据统计,在近五年来,全国民警因公牺牲2 129人,因公负伤20 741[1]。其中,工作在一线的警员的牺牲的人数最多,过度劳累成为警员牺牲的主要因素,过度的工作量和社会治安的压力使得警员伤亡人数居高不下。因此,对警员的身体健康的实时检测具有重要的现实意义。
心电(Electrocardiogram,ECG)信号作为人体体征信号的重要组成部分,实时检测ECG信号,一方面可以反映人体的生命指标,避免错过负伤警员的最佳救援时间;另一方面可以用于心率变异性、精神压力、疲劳检测等方面的分析[2],避免警员因过度劳累与压力大而出现猝死[3]。研制一种ECG信号实时检测系统可以为公安部民警乃至其它高压力工作人群及时预警与反馈。
目前,实时ECG信号的检测系统的研究也日益见长。而穿戴式采集ECG信号主要面临着电极的舒适度低,如Ag/AgCl湿电极限制人体活动,导致皮肤过敏[4]等;运动伪迹(Motion Artifact,MA)干扰,如人体体表与电极的相对运动造成采集电极测量精度不准等问题。
自适应滤波作为一种非线性的滤波算法,利用参考信号来调整滤波系数,依靠参考信号与噪声的相关性来滤出干扰信号。自适应算法的研究表明[5],采集电极的加速度与ECG信号含有的MA干扰密切相关。因此,本文提出的可穿戴式无线ECG检测系统,利用镶嵌导电硅胶的胸带中作为心电采集电极,采用加速度计ADXL345输出加速度信号,结合自适应滤波器来消除ECG信号的MA干扰,运用最小二乘递归算法(Recursive Least-Square,RLS)与归一化的最小均方算法(Normalized Least Mean Square,NLMS)来实现仿真自适应滤波器,以两种算法的滤波输出ECG波形的稳定性以及定位R波的准确性作为评判标准,对两种算法的滤波效果实现对比。
1 检测系统的实现方法
1.1 总体设计
本文设计的可穿戴式无线心电检测系统,以柔软的导电硅胶作为前端采集电极,采用TI公司的低功耗ADS1292作为ECG模拟前端,利用意法半导体32位低功耗单片机STM32L151作为检测系统的主控芯片,采用TI公司的超低功耗蓝牙CC2640来实时传输心电数据,并且利用蓝牙4.0串口接收器实现上位机采集ECG数据。系统设计框图如图1所示,硬件外观如图2所示。通过手机APP端蓝牙实时接收心电检测系统的数据,从而对ECG信号作特征提取与分析,提升了系统的实用价值。
1.2 检测系统的硬件实现
ECG检测装置的硬件模块单元如图3所示,其中包括锂电池电源管理模块、心电采集模块、数据处理模块、蓝牙传输通信模块与加速度采集模块。系统电源管理模块采用TP4057提供锂电池的充电管理、运用TLV70033稳压芯片为系统提供3.3 V电压。心电采集模块采用单导联(Lead 1)的方式采集ECG信号,利用ADS1292内部的24位ADC采样得到ECG数据,采用串行外设接口(SPI)与系统的单片机(MCU)实时传输数据。数据处理模块由主控单片机STM32L151最小系统组成,STM32L151单片机采用内部SPI、I2C接口分别获取ECG采集模块、加速度计的数据,利用Cotex-M3内核实时处理数字信号,通过异步串行通信(UART)将数据传输至蓝牙模块,让采集到的ECG数据实现传输、滤波处理以及在终端(上位机、手机APP)实时显示。
1.3 主控单片机的软件实现
主控单片机是整个系统的核心处理单元,可穿戴式检测系统的程序流程图如图4所示。主控单片机首先初始化系统,再配置外部信号采集单元ADS1292和ADXL345,然后使能内部数据传输接口,开启采样ECG信号后,接收与存储ECG数据,又将解析后的数据经过滤波、计算等来对信号实现预处理,最后通过异步串口UART将处理的数据发送至蓝牙模块。
2 算法设计
2.1 ECG的预处理算法
检测系统采集到的ECG信号幅度值微弱且含有大量干扰,包括工频干扰、肌电干扰、基线漂移、MA等干扰[5]。穿戴式胸带是利用单导联的方式采样得到原始ECG信号,有用频率范围0.05~40 Hz[6]。而工频干扰与肌电噪声属于ECG信号的高频成分。采用数字FIR低通滤波器和50 Hz陷波器可以将其滤除。对于ECG信号中的基线漂移,一般采用形态学滤波算法来滤除[7]。
在对ECG信号检测时,考虑到公安干警所处的实际环境中身体的运动,导致胸带上的两个采集电极与皮肤出现相对位移,采集的ECG信号中引入了较大的低频MA干扰[5]。穿戴式胸带检测装置利用三轴加速度传感器检测身体的运动信号作为参考信号。含有MA干扰的ECG波形与三轴加速度的波形如图5所示。可以看出参考信号与ECG信号含有的MA干扰具有相关性,可以利用自适应滤波器来处理ECG信号。
2.2 自适应滤波算法
在统计信号处理中,自适应滤波器拥有大量的运用,比如相干消噪[8]。在滤波算法处理过程中,需要额外的输入参考信号,以此计算与更新最佳的滤波系数。该算法可以消除ECG信号含有的MA干扰,同时参考信号与MA干扰相关性越高,滤出效果越好。自适应滤波器的单元框图如图6所示。
在采集人体运动心率时,ECG信号混有较大的MA干扰。自适应滤波器输入参考信号rf(k),输出得到误差e(k),利用维纳最优滤波的判断准则,其代价函数选择均方差E{e2(k)}。通过自适应算法不断更新滤波系数w(k),实现滤波的E{e2(k)}最小。
最小均方(Least Mean Square,LMS)算法是采用最陡下降的收敛路径计算出最佳的滤波系数,对于设计M阶自适应滤波器的更新计算公式:
2.3 心率计算与评估
原始的ECG信号经过预处理后,再将ECG信号通过自适应滤波处理以滤除MA干扰。本文分别采用NLMS算法与RLS算法来实现更新自适应滤波系数,将输出信号定位R波的准确率作为算法的评估参数。
ECG信号的R波定位采用差分阈值法,该算法能快速定位R波,适用在实时性要求较高的心电检测装置[11]。心率的计算是利用两个R波间期作为计算参数,心率HR计算公式:
式中,RR为相邻R波间期,RS为ECG信号的采样率。实际人体运动测量心率时,常会出现漏检或误检R波。因此,本文将计算心率的误差作为系统测量的评估参数。
3 实验结果
3.1 整体系统测试
心电检测系统由心电检测硬件装置与手机APP组成。如图7所示,导电硅胶电极和穿戴式心电检测装置组成系统硬件装置,手机通过蓝牙4.0接收ECG数据与三轴加速度数据并实时显示信号的波形与心率值。
3.2 ECG信号R波定位测试
实验是采用MATLAB软件实现算法的仿真,NLMS算法步长μ取0.5,RLS算法λ取0.995。将含有MA干扰的ECG信号与自适应滤波输出的信号分别进行R波定位,其定位的波形如图8所示。从对比R波定位可以看出采用NLMS算法的自适应滤波器输出的信号能正确地定位R波,而采用RLS算法的出现了误检与漏检R波的情况。
表1为采集10位普通测试者的20 min ECG数据,统计R波个数,对比两种自适应算法滤波输出正确率,统计结果表明对于10位测试者采用NLMS算法滤波后的ECG定位R波准确率可达99%以上。
3.3 心率测试
运用ECG检测系统测试平台,系统通过蓝牙模块与手机蓝牙连接,在手机终端实现NLMS算法,测量静坐与运动时实际的心率值,将结果与迈瑞MEC-1000的标准医用监护仪作对比。
表2为心率测试结果,1到5组为测试者静坐时测量的心率值,6到10组为对应的测试者在日常活动如走路、慢跑时测量的心率值。误差统计结果如图9所示,表明实际采用NLMS算法测量的心率值相对标准医用监护仪在静坐时误差在1.5%以内,在运动时误差在4%以内。
4 结论
为了实现对公安民警等高危职业人群实时检测ECG信号,采用胸带设计了一款可穿戴式实时检测系统。利用导电硅胶作为采集电极,结合心电检测系统采集ECG信号,以蓝牙4.0无线传输数据,利用手机APP实时显示波形与心率值。为了在日常活动中检测ECG信号,通过设计自适应滤波器来滤除ECG信号中含有的MA干扰,对比了NLMS算法与RLS算法。结果表明,在实时ECG信号检测系统中采用自适应NLMS算法的滤波效果更佳,输出的ECG基线平稳,而且定位R波的准确性达99%以上,在手机APP测量的心率值误差在4%以内,整体系统具有较高的测量精度。
心电检测系统不仅适用于公安民警、消防官兵,系统稍加改进也可推广到高压人群与患病人群。高精度的测量ECG信号,为后续的抑郁症、心脏病等评估与精神压力分析提供重要的参数。
参考文献
[1] 袁国礼.5年来公安民警因公牺牲2129人[N].京华时报,2015-04-06(006).
[2] 陈颖昭,高跃明,甘振华,等.基于STM32的便携式家用心电检测仪的设计[J].电子技术应用,2013,39(9):18-20.
[3] JAIN S K,BHAUMIK B.An ultra low power ECG signal processor design for cardiovascular disease detection[C]//International Conference of the IEEE Engineering in Medicine & Biology Society.Conf Proc IEEE Eng Med Biol Soc,2015:857.
[4] CHI Y M,JUNG T P,CAUWENBERGHS G.Dry-Contact and noncontact biopotential electrodes:methodological review[J].IEEE Reviews in Biomedical Engineering,1937,3:106-119.
[5] THAKOR N V,ZHU Y S.Applications of adaptive filtering to ECG analysis: noise cancellation and arrhythmia detection[J].IEEE Transactions on Biomedical Engineering,1991,38(8):785.
[6] TOMPKINS W J.Biomedical digital signal processing[M].Prentice Hall,1993.
[7] 汪家旺,吴玲燕,杨涛,等.几种去心电基线漂移算法的实现和比较[J].中国医疗器械信息,2008,14(6):30-33.
[8] 刘晓庆,熊晓燕.自适应滤波在噪声抵消中的应用[J].科技情报开发与经济,2007,17(11):208-209.
[9] LEE W C,YANG Y S O,KE T C,et al.Adaptive reduction of motion artifact in a portable ECG system[C]//Sensors.IEEE,2010:704-707.
[10] ROMERO I,GENG D,BERSET T.Adaptive filtering in ECG denoising:A comparative study[J].2012,30(1):45-48.
[11] LAI D,ZHANG F,WANG C.A real-time QRS complex detection algorithm based on differential threshold method[C]//IEEE International Conference on Digital Signal Processing.IEEE,2015:129-133.
作者信息:
彭良广,林金朝,庞 宇,李章勇,李国权,周潜能
(重庆邮电大学 光电信息感测与传输技术重庆市重点实验室,重庆400065)