CN109222990B - 基于多层时延神经网络去除运动伪迹的ppg监测系统 - Google Patents

Abstract

本发明属于医疗设备技术领域，具体为一种基于多层时延神经网络去除运动伪迹的PPG监测系统。其包括PPG探头、传输控制主板和PC上位机；PPG探头、传输控制主板形成可穿戴式结构；PPG探头包括PPG传感器和IMU传感器，PCB的正面固定PPG传感器以及LDO，背面设置IMU传感器以及FPC线连接器；PPG传感器和IMU传感器的中断提示线分别接至GPIO；传输控制主板通过FPC线与PPG探头相连，传输控制主板和PC上位机相连；传输控制主板包括主控板和无线数据传输模块；主控板中包括多层时延网络的运动伪迹去除模块。该系统可实现剧烈运动下的实时、在线、精准的PPG运动伪迹去除。

Description

基于多层时延神经网络去除运动伪迹的PPG监测系统

技术领域

本发明属于医疗设备技术领域，具体涉及一种基于多层时延神经网络去除运动伪迹的PPG监测系统。

背景技术

近年来，基于光电容积描记法(Photoplethysmography，PPG)的透射式和反射式脉搏血氧设备因其便携、廉价、准确而在健康、医疗产业中得到了极大的推广和发展，被广泛应用于生命体征监测、可穿戴设备等领域。

PPG信号的检测，通常是将一种或多种不同波长的光线由体表射入皮下血管网络，记录透射或反射出的光线强度来实现的。由于血液中氧合血红蛋白与未氧合血红蛋白对不同波长的光线吸收程度存在差异，PPG信号的稳态和波动部分可用于提取脉搏与血氧饱和度信息。

但也正是因为PPG信号检测的传感器紧贴皮肤，该信号极易受运动影响而混杂入运动伪迹。一方面，这些伪迹来源于体态变化而导致的局部血管网络灌注情况的变化；另一方面，由于运动而造成的PPG传感器与皮肤表面接触面的变化也是运动伪迹产生的重要原因。在诸如运动手环实时心率监测等某些应用场景下，运动伪迹对于测量准确性的影响不容小觑。

近十几年来，随着脉搏血氧监测设备的日益普及和嵌入式系统的迅猛发展，PPG信号运动伪迹的去除已成为国内外研究者的一个热点话题，许多线性和非线性方法被陆续提出。

由于运动伪迹的频率成分分布在0-15Hz的全通带范围内，与PPG信号在频谱上存在混叠，传统通带滤波器的方法无法解决该问题，基于固定步长和可变步长的LMS自适应FIR滤波器被首先提出并取得了一定的降噪效果[1–11]。对于这种方法，最大的挑战在于找到与PPG信号或运动伪迹强相关的参考信号作为滤波器抽头系数训练的输入。参考信号的来源多种多样，例如与PPG传感器位于同一位置的光电三极管输出[2,5]、MEMS三轴加速度计[1–3,6,8]、基于ICA或SSA等方法从含噪PPG信号自身中提取的参考信号[10,11]。但无论哪种方法，都面临着诸如参考信号相关性强弱、参考信号与含噪PPG信号间时延、滤波器抽头数与采样率间权衡等问题和挑战，在实际应用中效果有限。

除此之外，基于经典小波变换[12,13]、双树复小波变换[14,15]的方法也被提出并被证明适用于某些某些运动情形，但基于此的方法对于使用不同设备、针对不同实验对象而采集的多种PPG波形可能需要更改不同的阈值选择策略，不利于在智能设备间推广。

近年来，也有研究者提出基于时域或频域ICA[10,16-18]、SSA[19,20]、逐周期傅里叶级数[21]、经验模式分解[22]、卡尔曼滤波[23]、Wigner-Ville分布[24]等手段的去伪迹方法，但这些方法要么很难实际应用[21]、要么也只在特定的实验条件下被证明较为有效。实际上，目前针对这一问题仍缺乏普适的鲁棒的解决方案。

参考文献：

[1]P.T.Gibbs,L.Wood,and H.Asada,Active motion artifact cancellationfor wearable health monitoring sensors using collocated MEMS accelerometers,vol.5765.2005.

[2]M.R.Ram,K.V.Madhav,E.H.Krishna,N.R.Komalla,and K.A.Reddy,“A NovelApproach for Motion Artifact Reduction in PPG Signals Based on AS-LMSAdaptive Filter,”IEEE Trans.Instrum.Meas.,vol.61,no.5,pp.1445–1457,May 2012.

[3]H.H.Asada,H.-H.Jiang,and P.Gibbs,“Active noise cancellation usingMEMS accelerometers for motion-tolerant wearable bio-sensors,”in The 26thAnnual International Conference of the IEEE Engineering in Medicine andBiology Society,2004,vol.1,pp.2157–2160.

[4]K.W.Chan and Y.T.Zhang,“Adaptive reduction of motion artifact fromphotoplethysmographic recordings using a variable step-size LMS filter,”inProceedings of IEEE Sensors,2002,vol.2,pp.1343–1346vol.2.

[5]T.Shimazaki,S.Hara,H.Okuhata,H.Nakamura,and T.Kawabata,“Cancellation of motion artifact induced by exercise for PPG-based heart ratesensing,”in 2014 36th Annual International Conference of the IEEE Engineeringin Medicine and Biology Society,2014,pp.3216–3219.

[6]H.Han,M.J.Kim,and J.Kim,“Development of real-time motion artifactreduction algorithm for a wearable photoplethysmography,”in 2007 29th AnnualInternational Conference of the IEEE Engineering in Medicine and BiologySociety,2007,pp.1538–1541.

[7]B.Lee,J.Han,H.J.Baek,J.H.Shin,K.S.Park,and W.J.Yi,“Improvedelimination of motion artifacts from a photoplethysmographic signal using aKalman smoother with simultaneous accelerometry,”Physiol.Meas.,vol.31,no.12,p.1585,2010.

[8]L.B.Wood and H.H.Asada,“Low Variance Adaptive Filter forCancelling Motion Artifact in Wearable Photoplethysmogram Sensor Signals,”in2007 29th Annual International Conference of the IEEE Engineering in Medicineand Biology Society,2007,pp.652–655.

[9]L.B.Wood,“Motion artifact reduction for wearablephotoplethysmogram sensors using micro accelerometers and laguerre seriesadaptive filters,”Thesis,Massachusetts Institute of Technology,2008.

[10]F.Peng,Z.Zhang,X.Gou,H.Liu,and W.Wang,“Motion artifact removalfrom photoplethysmographic signals by combining temporally constrainedindependent component analysis and adaptive filter,”Biomed.Eng.OnLine,vol.13,p.50,Apr.2014.

[11]R.W.C.G.R.Wijshoff,M.Mischi,and R.M.Aarts,“Reduction of PeriodicMotion Artifacts in Photoplethysmography,”IEEE Trans.Biomed.Eng.,vol.64,no.1,pp.196–207,Jan.2017.

[12]M.Raghuram,K.V.Madhav,E.H.Krishna,and K.A.Reddy,“Evaluation ofwavelets for reduction of motion artifacts in photoplethysmographic signals,”in 10th International Conference on Information Science,Signal Processing andtheir Applications(ISSPA 2010),2010,pp.460–463.

[13]C.M.Lee and Y.T.Zhang,“Reduction of motion artifacts fromphotoplethysmographic recordings using a wavelet denoising approach,”in IEEEEMBS Asian-Pacific Conference on Biomedical Engineering,2003.,2003,pp.194–195.

[14]M.Raghuram,K.V.Madhav,E.H.Krishna,N.R.Komalla,K.Sivani,andK.A.Reddy,“Dual-tree complex wavelet transform for motion artifact reductionof PPG signals,”in 2012 IEEE International Symposium on Medical Measurementsand Applications Proceedings,2012,pp.1–4.

[15]M.R.Ram,K.V.Madhav,E.H.Krishna,N.R.Komalla,K.Sivani,andK.A.Reddy,“ICA-Based Improved DTCWT Technique for MA Reduction in PPG SignalsWith Restored Respiratory Information,”IEEE Trans.Instrum.Meas.,vol.62,no.10,pp.2639–2651,Oct.2013.

[16]B.S.Kim and S.K.Yoo,“Motion artifact reduction inphotoplethysmography using independent component analysis,”IEEETrans.Biomed.Eng.,vol.53,no.3,pp.566–568,Mar.2006.

[17]R.Krishnan,B.Natarajan,and S.Warren,“Motion Artifact Reduction inPhotopleythysmography Using Magnitude-Based Frequency Domain IndependentComponent Analysis,”in 2008 Proceedings of 17th International Conference onComputer Communications and Networks,2008,pp.1–5.

[18]R.Krishnan,B.Natarajan,and S.Warren,“Two-Stage Approach forDetection and Reduction of Motion Artifacts in Photoplethysmographic Data,”IEEE Trans.Biomed.Eng.,vol.57,no.8,pp.1867–1876,Aug.2010.

[19]S.M.A.Salehizadeh et al.,“Photoplethysmograph SignalReconstruction based on a Novel Motion Artifact Detection-ReductionApproach.Part II:Motion and Noise Artifact Removal,”Ann.Biomed.Eng.,vol.42,no.11,pp.2251–2263,Nov.2014.

[20]Z.Zhang,Z.Pi,and B.Liu,“TROIKA:A General Framework for Heart RateMonitoring Using Wrist-Type Photoplethysmographic Signals During IntensivePhysical Exercise,”IEEE Trans.Biomed.Eng.,vol.62,no.2,pp.522–531,Feb.2015.

[21]K.A.Reddy,B.George,and V.J.Kumar,“Use of Fourier Series Analysisfor Motion Artifact Reduction and Data Compression of PhotoplethysmographicSignals,”IEEE Trans.Instrum.Meas.,vol.58,no.5,pp.1706–1711,May 2009.

[22]Q.Wang,P.Yang,and Y.Zhang,“Artifact reduction based on EmpiricalMode Decomposition(EMD)in photoplethysmography for pulse rate detection,”in2010 Annual International Conference of the IEEE Engineering in Medicine andBiology,2010,pp.959–962.[23]“Kalman Filter Based Adaptive Reduction of MotionArtifact from Photoplethysmographic Signal.”.

[24]Y.Yan,C.C.Poon,and Y.Zhang,“Reduction of motion artifact in pulseoximetry by smoothed pseudo Wigner-Ville distribution,”J.NeuroEngineeringRehabil.,vol.2,p.3,Mar.2005.

发明内容

针对现有技术的不足，本发明的目的在于提供一种基于多层时延神经网络去除运动伪迹的PPG监测系统。本发明的系统结构简单，其呈可穿戴式，可实现剧烈运动下的PPG实时监测，其运动伪迹去除效果更为精准。

本发明的技术方案具体介绍如下。

本发明提供一种基于多层时延神经网络去除运动伪迹的PPG监测系统，其包括PPG探头、传输控制主板和PC上位机；其中：PPG探头和传输控制主板形成可穿戴式结构；PPG探头包括PPG传感器、IMU传感器和支持电路，印刷线路板PCB的正面固定PPG传感器以及为其供电的低压差线性稳压器LDO，背面安装IMU传感器以及FPC线连接器；PPG传感器和IMU传感器挂载在I2C总线上；PPG传感器和IMU传感器的中断提示线被分别接至一个有外部中断功能的通用目的输入/输出端口GPIO；传输控制主板通过FPC线与PPG探头相连接，传输控制主板和PC上位机相连；传输控制主板包括主控板和无线数据传输模块；主控板中包括多层时延网络的运动伪迹去除模块；多层时延网络的运动伪迹去除模块的PC上位机通过界面引导使用者进行手指弯曲和沿手指指向运动以模拟运动伪迹发生时的数据，采集存储这些数据并使用其训练用于去除运动伪迹的多层时延神经网络。

本发明中，采集存储的数据经过预处理后训练去除运动伪迹的多层时延神经网络；预处理步骤如下：首先截取感兴趣的数据片段，通过同步标志划分左右手对应的数据段并进行重采样，使得双手数据长度一致且同步；接着，使用线性去势估计一条线性趋势线并从原始PPG数据中去除，得到PPG交流部分；使用滑动平均滤波器得到PPG漂移线并从数据中减去，以去除呼吸干扰；最后，FIR低通滤波器被用于去除PPG信号的高频部分，保留主要信息聚集的低频部分以去除环境光噪声。

本发明中，训练多层时延神经网络时，网络的输入和输出均为时间序列，输入x(t)是一个二维序列，其两个维度分别为PPG信号的IR部分和同步的运动参考信号；对于手指弯曲运动，运动参考信号选择为陀螺仪Y轴信号；对于沿手指指向运动运动，运动参考信号选择为加速度计X轴信号；输出时间序列y(t)是同步对应的PPG参考信号的IR部分。

本发明中，PPG探头被包裹在食品级硅胶内，其通过印刷线路板PCB上设置的四个非金属化定位孔利用多股棉线固定在一个弹性织物指环上；弹性织物指环背侧设置魔术贴，玻璃开窗与四周硅胶面平齐，传输控制主板被放置在半指手套手背位置的口袋内，FPC线束通过若干线环固定在手套食指外侧部位，电池使用魔术贴贴于手背侧主板上方。

本发明中，PPG传感器为双波长PPG传感器；IMU传感器为九轴运动传感器。

本发明中，无线数据传输模块为蓝牙、USB或WiFi中任一种。

和现有技术相比，本发明的有益效果在于：

1、本发明可用于剧烈运动下的PPG实时监测。

2、本发明提出的基于多层时延神经网络去除运动伪迹的方法较传统方法在伪迹去除效果上有显著的提升，可以有效去除包括类基线漂移、主周期淹没式噪声等复杂、非线性的运动伪迹噪声。

3、由于PPG运动伪迹有很强的使用者特异性特点，单一的伪迹去除方法难以在多使用者的含噪PPG信号上都有较好的效果。本发明引入使用者个性化的网络训练方法，使得伪迹去除更为精准。

4、可穿戴嵌入式PPG测量处理系统可以很容易地被固定于肢体相关位置，在不影响使用者舒适度和运动的情况下实时监测PPG生理参数。

附图说明

图1为系统框架简图。

图2为进程、中断程序间数据流向图。

图3为嵌入式软件流程图。

图4为上位机软件框架，图中方框为进程，圆形框为按键。

图5为时延神经网络基本结构(2层)。

图6为实验序列示意。

图7为预处理步骤。

图8为屈指运动下原始含噪PPG波形、小波和TDNN去噪后波形以及参考波形比较(来源：s11_2)。

图9为屈指运动下参考波形与原始未处理波形(左)、小波降噪波形(中)、TDNN去噪波形(右)相关图(s11_2)。

图10为指向运动下原始含噪PPG波形、小波和TDNN去噪后波形以及参考波形比较。(来源：s11_13)。

图11为沿指向运动下参考波形与原始未处理波形(左)、小波降噪波形(中)、TDNN去噪波形(右)相关图(s11_13)。

图12为屈指运动下s11_2(上)、s11_4(中)、s11_7(下)参考信号与原始未处理信号、小波降噪信号、TDNN去噪信号5s瞬时心率对比(左)和心率绝对误差对比(右)。

图13为屈指运动下未处理原始信号(上)、小波降噪信号(中)、TDNN去噪信号(下)估算的心率与参考心率相关性Bland-Altman分析，图中蓝色、红色、绿色点分别对应于s11_2、s11_4、s11_7号实验。

图14为沿指向运动下s11_9(上)、s11_11(中)、s11_13(下)参考信号与原始未处理信号、小波降噪信号、TDNN去噪信号5s瞬时心率对比(左)和心率绝对误差对比(右)。

图15为沿指向运动下未处理原始信号(上)、小波降噪信号(中)、TDNN去噪信号(下)估算的心率与参考心率相关性Bland-Altman分析，图中蓝色、红色、绿色点分别对应于s11_9、s11_11、s11_13号实验。

图16为多被试交叉验证网络结构。

具体实施方式

下面结合附图和实施例对本发明的技术方案进行具体、详细的描述。所描述的实施例仅是本发明的一种实施例，而不是全部实施例，基于本发明实施例，本领域普通技术人员没有创造性劳动的前提下所得到的其他实施例，均属于本发明保护的范围。

实施例1

一、系统框架

作为本发明的一个实施例，设计了一套包含可穿戴嵌入式系统和上位机终端的完整的电子系统，它的主体构架如图1所示。

PPG探头被设计为一个体积很小的PCB，其上整合了高度集成化的双波长PPG传感器和一个九轴惯性测量单元(IMU)。通过柔性印刷电路连接线(FPC)和运行其上的I2C总线协议，PPG和运动数据被传至主控板。

主控板负责接收PPG和运动采样数据，对其进行必要的处理(例如去噪)，并提取感兴趣的生理参数(心率、血氧饱和度等)，将这些采样原始数据和生理参数通过蓝牙4.0低功耗无线传输和USB 2.0高速有线传输的形式上传至PC上位机。

PC上位机运行上位机GUI程序，实时地显示其收到的数据，并提供同步存储功能以备后用。同时，上位机程序还具备全自动实验引导功能，被试可以通过程序的图文引导按预定实验序列进行自助实验，实验数据将被同步标记。

二、硬件设计与实现

研究平台的嵌入式系统硬件部分的设计与实现，主要包括PPG探头、传输控制主板、可穿戴集成三部分。

2.1PPG探头

PPG探头是一块体积很小的PCB，它由PPG传感器IC、IMU传感器和支持电路组成。本研究平台所选用的PPG传感器就是其中的一种。Maxim Integrated生产MAX30102被用于PPG信号的监测，这是一种高灵敏度的脉搏血氧IC解决方案，集成了两个片上LED和一个片上光电三极管，LED波长分别为660nm和880nm，光电三极管动态敏感范围600-900nm。LED和光电三极管通过一块玻璃开窗与外界接触，可以直接被紧贴于皮肤表面。此外，IC内部集成LED驱动和18bit高精度ADC，配有自动环境光消除电路和数字降噪模块。IC内部有48个读写寄存器，通过快速I2C总线与外部通讯。

IMU传感器采用InvenSense制造的MPU9250九轴运动传感器，本研究平台的探头中使用了三轴加速度计和三轴陀螺仪作为运动参考信号。与MAX30102类似，MPU9250也可以使用快速I2C总线与外部通讯，通过读写其内部的寄存器，可以设置参数、发布指令、读取数据。

电路的设计中，MAX30102由于需要1.8V逻辑供电，配套了一个性能极为稳定的LP5907-1.8射频电路LDO。此外，MAX30102中引出一个低电平使能的中断信号，用于指示外部处理器PPG信号转换的完成。

MPU9250除了配有相应的退耦电容和RC滤波电容外，将AD0引脚接地以选择I2C总线地址为0X68。与MAX30102类似，这款传感器也有一个中断使能脚，同样被接出。

MAX30102和MPU9250均被挂载在400kHz的I2C总线上，总线的SCL和SDA通过10kΩ电阻被上拉至3.3V(MAX30102引脚耐受)。

PCB布局布线(Layout)采用四层板工艺，最小线宽6mil，最小过孔直径0.3mm。PCB正面放置MAX30102和为其供电的LDO，此面与皮肤接触。PCB背面放置MPU9250和0.5mm间距FPC线5pin连接器，用于连接FPC线。

PCB四角经过钝化处理去除锋利棱角，并放置四个非金属化孔洞用于PPG探头的固定。整个版面结构紧凑，阻容元件多数选用0402封装，尺寸为14.9*9.8mm，大小只有成年人食指指腹的一半。

2.2传输控制主板

传输控制主板通过FPC线与PPG探头相连接，通过I2C总线配置PPG和IMU传感器，并根据中断线的提示定时读取数据。读取的原始数据将被进行一系列的处理，包括噪声去除和生理参数的提取。在这之后，所有这些数据通过蓝牙无线和USB 2.0的方式上传至PC上位机。

主控板采用的是STmicroelectronics出品的STM32L452CE。蓝牙模块采用Feasycom BT-822蓝牙4.0双模模组，该模块通过异步串口(UART)与处理器通讯，通过AT指令设置完成后可进行UART透传。

主控板的电路中，电源通过POWER端口接入3.7V锂电池，通过LP5907-3.3产生3.3V的稳定电压供各部分使用。STM32调试相关总线通过SWD端口引出，用于程序下载和SWD在线调试。USB总线被引出至USB Micro端口，D+总线被上拉以便Host识别设备。STM32串口通过0Ω电阻与BT-822模块的UART连接，并放置BT-DEBUG端口用于通过AT指令设置蓝牙模块。STM32的硬件I2C被接至FPC连接器端口以读写总线，MAX30102和MPU9250的中断提示线被分别接至一个有外部中断功能的通用目的输入/输出端口GPIO。

2.3可穿戴集成

本设计中采用食品级硅胶包裹整个探头，再通过精密切割技术将玻璃开窗所在面削平，使得玻璃开窗与四周硅胶面平齐。这样，当手指与探头接触时，既能使皮肤紧密贴合玻璃开窗，又通过柔软安全的食品级硅胶提供隔离保护防止电路板其他部分与皮肤接触。

接着，被硅胶包裹的探头通过预留的四个非金属化定位孔利用多股棉线固定在一个弹性织物指环上。弹性织物指环背侧有一定长度的魔术贴，使用者可以自行调节指环贴合后的直径从而达到紧贴而不紧勒的固定效果。

传输控制主板被放置在半指手套手背位置的订制口袋内，重要的接口被引出以便使用和调试。传输控制主板通过FPC线与探头相连，FPC线束通过若干线环固定在手套食指外侧部位。电池使用魔术贴贴于手背侧主板上方以方便拆卸。

整个可穿戴手套集成使用方便，固定可靠，佩戴舒适，可以满足剧烈运动下长时间使用的要求。

三、软件设计与实现

系统中涉及的软件包括两个部分，即可穿戴设备中的嵌入式软件和PC上位机软件。这两套运行在不同设备上的软件必须异步协同工作，以完成整个采样、处理、上传、存储、实验引导的软件流程。

3.1嵌入式软件

本平台中使用的微处理即采用RTOS进行编程。软件采用了四个优先级各不相同的进程和配套的三个二值信号量、两个进程间队列相互配合来完成一系列任务。数据在各进程中的流向如图2所示。其中，系统状态进程通过LED指示系统状态是否正常，不需要与其他进程或中断服务程序通讯。当来自外部传感器的中断信号到达时(这里使用的是PPG传感器的中断信号INT_MAX)，信号线的下降沿被捕捉并使程序进入外部中断服务程序。外部中断服务程序释放I2CJob信号量，提示有待处理I2C总线读取任务。此时，一直在等待该信号量的I2C采样进程获得内核，触发基于DMA传输的I2C数据读取，并将自身挂起，等待I2CDone信号量指示I2C总线读取完成。I2C DMA读取完成后会触发I2C事件中断，在该中断服务程序中，I2CDone信号量被释放，随后I2C采样进程抢占内核，并将读取的数据放入rawData队列供进一步处理。信号处理进程读取该队列，进行异步信号处理，将结果中需要发送的部分通过sendData队列传输至数据发送进程。数据发送进程根据通讯协议将队列里的数据格式打包，通过DMA驱动的UART和USB 2.0发送出去，并等待UART DMA传输完成的信号量以结束整个发送流程。

为了更清晰地说明各个进程和中断服务程序的工作流程，一个详细的嵌入式软件流程在图3中被详细地显示出来。需要注意的是，图中四个进程存在优先级高低。根据实时操作系统的调度原则，处于就绪态列表中优先级高的进程总是较优先级低的进程有内核优先使用权，因此一般来说，将突发的紧急的需要立即处理的事务置于优先级最高的进程是合适的。

例如在图3中，I2C采样进程享有最高优先级，该进程可以随时抢占除中断服务程序外的一切内核进程。信号处理进程往往需要对批量数据(多次采样数据)运行复杂的算法，这将消耗数十倍于单次采样间隔的内核时间。在这期间，如果外部传感器的中断线被使能，外部数据需要立刻被读取以保证稳定采样率。这时，I2C采样进程可以中断优先级较低的信号处理进程，触发I2C传输后再恢复信号处理进程，继续其复杂算法。这种不断被中断的异步信号处理机制一方面要求足够大的数据队列缓存空间用于缓存已采样得到但尚未被信号处理进程接收的原始数据，另一方面要求批量数据信号处理程序的运行时间短于同等数量数据的采集时间总和(包括采样间隔时间和总线时间)，否则在有限内存条件下缓存队列总会溢出。

同样的情况也发生在数据发送进程中，这个进程拥有低于I2C采样进程但高于信号处理进程的优先级，负责处理一切UART串口和USB相关事务，实际上是这两种外设的守护进程。这种外设资源分配的方式可以有效避免因引入互斥信号量而导致的潜在优先级翻转(priority inversion)问题。

值得注意的是，程序中所有关于外设的操作均采用DMA方式，这是一种不消耗内核资源的自动化数据操作方式，可以避免繁琐而机械的数据搬移等操作占用内核时间，从而提高内核效率。

当用户进程被挂起后，操作系统将自动运行空闲进程，这是一个优先级最低的兜底进程。在这个进程中，内核睡眠的相关操作将被实施，使得内核进入低功耗睡眠状态，直到被中断或计时器唤醒。

位于可穿戴设备中的嵌入式系统通过蓝牙和USB 2.0将数据发送至上位机，这一过程双方需要约定一致的可靠的面向字符载荷的通讯协议，其中使用的数据包格式如下表所示。

表1通讯协议数据包格式

在这之中，Package Head用于甄别数据包开始，Payload Length标注可变负荷长度，Package ID用于统计丢包率进而评估通信质量，CRC Check Number采用CRC-16/MODBUS标准校验用以保证数据完整性。

3.2上位机软件

运行于PC端的软件通过蓝牙无线和USB 2.0传输的方式接收可穿戴嵌入式系统上传的数据，实时显示并提供数据存储服务，同时自动化地进行实验引导。

本发明中，系统的工作流程如下：

每名使用者初次使用时，需要先进行运动伪迹模拟实验以确定针对其的个性化网络的具体参数。模拟实验进行时，使用者双侧上肢相同位置佩戴可穿戴嵌入式PPG测量处理系统，根据上位机软件提示进行特定模式的运动，对应的运动数据被上传至PC上位机存储，并用于训练一个多层时延神经网络用以去除运动伪迹。训练完成后，该网络相关参数被下载至可穿戴嵌入式PPG测量处理系统，在那里被存储并实时运行，以实现PPG在线运动伪迹去除。

本平台采用LabVIEW进行上位机GUI的开发，作为一种天然多线程语言，它可以开设多个系统进程用于同时完成多个不同的任务。

软件的基本构架如图4所示。蓝牙3.0通过RFCOMM协议以SPP方式项PC上传数据，这会在PC上产生一个虚拟COM口。数据通讯即通过这个虚拟COM完成。USB 2.0采用CDC设备协议，虚拟出一个USB串口用于数据交换。LabVIEW通过VISA通用数据交换驱动以中断形式监听串口数据，并进行实时读取。读取的字节串首先被进行数据包报头匹配，寻找字节串的起始位置。接着，根据包内长度指示位的指示，计算整个包的CRC-16，并与包尾的校验码进行比对，比对正确则接受包，错误则弃包。

值得注意的是，在上述步骤中将检查包序号，若发生丢包或包损坏，则向数据保存进程发送丢包标志。

校验过的数据被提取并以数据簇的形式传输至数据显示进程，在这里数据将被以图表的形式实时显示出来。在这之后，数据簇被继续传向数据保存进程，该进程根据储存开关的状态决定是否创建文件并进行数据存储。当储存开关被触发时，进程将创建一个以当前时间命名的txt文本文件，并将数据根据时间顺序按行以字符串形式存入文本，同一次采样的数据将被置于同一行，同行数据间使用制表符分隔。这样，数据可以很方便地使用MATLAB以矩阵形式读取。

针对丢包、包损坏的情况，存储程序将自动加入等丢包数的填充数据(全0数据)，以标记数据丢失，提示后续程序处理。

在双手实验中，来自左右手手套的数据被同时接收、存储，这产生了一个重要的问题：由于双手传感器是两个异步系统，其采样率在设置相同的情况下由于晶振等因素会存在微小但不可忽略的差别，这将导致在相同时间内上传至PC上位机的左右手数据量不等。解决这一问题的方法通常有两种：同步采样和同步标记。同步采样要求主机发出同时采样的信号以同步传感器采样行为，这需要传感器自身功能的适配，不适用于本平台。因此采用同步标记的方法，在上位机端每秒发出一个同步标志，传输至数据保存进程并在文件中记录该标记(一行全为9999)以便后续处理。后续处理中，数据将根据该标记被分为多个数据段，并根据预设采样率重采样以使得左右手数据量相等。

此外，实验引导进程将向数据保存进程发送实验起止标志，在文件中体现为全一行8888数据，用于实验阶段分割。

四、多层时延神经网络去噪训练和应用

时延神经网络(Time-Delay Neural Networks,TDNN)由WAIBEL等人在1989年首次提出，并被成功应用于语音识别问题，这是一种因在传统神经网络基础上增加时延而得名的网络形式，其基本结构如图5所示。

图中，U1至Uj为作为网络输入的j个特征值，这些特征值组成的特征向量在时间上是顺序的。例如，在语音识别的处理中，特征值可以为各语音帧的梅尔系数。除了将这些特征值的当前输入作为神经元的输入外，其之前1至N时刻的N个特征向量也被作为输入。这样，网络具有了记忆特性，可以提取出时刻之间的相关特性，即动态适应时域特征变化。除此之外，对于每个神经元来说，需要训练以确定的权值数量为j*N，较其他方法训练量小。实际上，时延神经网络应用了被称为权值共享的方法，即相同的时延位置的权重是共享的。整个网络的输入为时间序列，类似于一个非线性的时域滤波器。TDNN的这种滤波器特性为其处理时域信号提供了可能。

TDNN中的延时不仅可以增加在网络的输入端，还可以放置于隐含层与隐含层之间、隐含层与输出层之间。这样，网络具备了很高的时间灵活度，可以处理复杂的时间相关问题。

4.1训练方法

本节主要介绍基于TDNN去噪算法的训练方法，包括噪声模拟实验的设计、数据的选取和预处理、网络的基本参数和训练方法。

实验设计与数据预处理：

虽然手指运动的方式千变万化，但在某些特定运动模式下PPG信号遭受的噪声污染尤其强烈，在其他模式下则几乎不受噪声影响。根据文献，手指弯曲和沿手指指向运动时噪声污染特别明显。

使用者被要求双手佩戴可穿戴PPG监测手套，左手保持静止，右手按照计算机程序的指引依次完成不同频率、幅度的屈指运动和沿指向运动，左右手的所有数据被记录并用作分析。

两种运动的实验模式序列如图6所示，每个实验周期包括低频小幅、高频小幅、低频大幅、高频大幅和任意频幅五种运动模式，其中低频指频率0.5-1Hz的运动，高频指频率1-3Hz的运动，幅度由被试自行掌握。实验周期被重复五次，总时长约20min。

采集到的实验数据首先被进行预处理(如图7所示)，根据实验起止标志截取感兴趣的数据片段，通过同步标志划分左右手对应的1s数据段并进行重采样，使得双手数据长度一致且同步。接着，使用线性去势估计一条线性趋势线并从原始PPG数据中去除，得到PPG交流部分。使用抽头数为201的滑动平均滤波器得到PPG漂移线并从数据中减去，以去除呼吸干扰。最后，一个336阶FIR低通滤波器(通带频率0-3Hz，80dB截止频率6Hz，过渡带3-6Hz，等波纹方法，通带内波纹<0.5dB)被用于去除PPG信号的高频部分，保留主要信息聚集的低频部分以去除环境光噪声。IMU的加速度和陀螺仪信号在重采样后被通过一个阶数同样为336的截止频率15dB的低通滤波器，以使得其时延与PPG数据一致。

网络训练方法

使用者被要求进行10次屈指实验和10次指向运动实验，每次实验间隔不少于1小时，且每次实验PPG探头均被取下后重新固定，以将探头固定方式、松紧等因素纳入训练范畴。上述数据经过预处理后，屈指运动中随机选取7次实验作为训练样本，3次实验作为测试数据；指向运动中随机选取7次实验作为训练样本，3次实验作为测试样本。两种运动模式的数据被分别用于两个时延神经网络的训练。网络的具体参数如表2所示。

表2网络参数

输入时间序列维度	2
		输出时间序列维度	1
输入时延	40
		网络层数	2
隐层神经元数	30
		隐层神经元传递函数	tanh
数据总量(屈指运动)	90000
		数据总量(指向运动)	408000
测试集划分比例	15％
		验证集划分比例	15％
训练方法	Levenberg–Marquardt
		目标函数	MSE

网络的输入和输出均为时间序列，输入x(t)是一个二维序列，其两个维度分别为PPG信号的IR部分(与RED部分相比信噪比较高)和同步的运动参考信号。对于屈指运动，运动参考信号选择为陀螺仪Y轴信号；对于指向运动，运动参考信号选择为加速度计X轴信号(X轴为指向所沿的轴)。这些运动参考信号的选择与运动模式有直接关系，可以充分体现出该模式下的运动频幅，提供运动相关的细节信息。

输出时间序列y(t)是同步对应的左手PPG参考信号的IR部分。

4.2实验结果与分析

实验结果的分析分为两部分，即针对时域波形层面恢复程度的分析和针对提取的生理参数准确度的分析，这是反映伪迹去除效果的两个不同侧面。同时，为了比较基于TDNN方法与现有方法的效果区别，一种常用的小波分析去噪方法被采用并参与到分析比较中。需要注意的是，时域波形相关度分析和生理参数估计准确度分析是基于同一名被试(s11)的多次实验进行的。

s11被试的6次屈指实验和7次指向运动实验被依次编号为s11_1至s11_14(其中s11_6号实验因记录时设备状态异常被剔除)。s11_1至s11_7(s11_6除外)为屈指运动实验，其中s11_1、s11_3、s11_5被用于训练屈指运动TDNN，剩余三组实验被用于测试。s11_8至s11_14为指向运动实验，其中s11_8、s11_10、s11_12、s11_14被用于训练指向运动TDNN，其余三组实验被用于测试。

时域波形相关度分析

时域波形的去噪恢复效果是最直观的，同时良好的时域波形恢复也是后续生理参数准确提取的基础。因此，时域波形的比较是极为必要的。在本节中，两种运动模式下的典型时域波形将被给出，同时被测试实验波形相关程度的Pearson相关分析也被给出。通过这些数据，可以定性、定量地分析不同去噪方法的伪迹去除效果。

屈指运动下一段典型的PPG波形比较如图8所示。可以清晰地看到，当t＝3s时刻运动开始时，未经处理的原始波形在频率和幅度上发生了较大的偏移，频率明显放慢，这是由于低频运动带来的类似于基线噪声的污染(图示波形已经通过去基线预处理，但噪声仍然明显)。在这种噪声背景下，正常PPG波形的波峰已经被部分或完全掩埋，例如图中用红线标出的位置，这时含噪PPG信号的伪峰超过了真实峰值成为主峰，因而改变峰间距离和信号主周期。同时，PPG信号AC部分的幅度变大，这将使得血氧饱和度等参数的计算变得不精确。

小波去噪在屈指运动中使用的方法是将原始信号使用db-10小波基进行7层DWT，去除a7和d1至d4分量并重新变换回时域波形。小波降噪对于上述类基线噪声的去除有一定的效果，但并不显著。同时，被去除的小波分量有时对应的并非噪声引入的伪峰而是真实PPG峰值，这将使去噪后信号的主周期偏移问题更加严重，恶化波形。

基于TDNN的去噪在经过一个周期的过渡期后趋于稳定，可以几乎无偏差地还原出PPG信号的主峰和各种细节，且AC分量的幅度保持稳定，没有发生幅度偏移，这对血氧饱和度的计算至关重要。

进一步使用Pearson相关系数R和均方根误差RMSE定量分析参考波形与未处理含噪波形、小波降噪波形和TDNN去噪波形的相关程度，结果如表3、表4所示。经过小波去噪的PPG信号与参考信号的相关性略有增加，显示其有一定的波形整形效果。但无论是波形相似度还是均方根误差都显示TDNN可以比小波变换更好地去除运动伪迹，输出与参考波形更为近似的波形估计。

表3屈指运动下原始含噪信号、小波和TDNN去噪信号与参考信号相关度分析

表4屈指运动下原始含噪信号、小波和TDNN去噪信号与参考信号间均方根误差(n＝30000)

从图9所示的相关分析图中可以看出，原始波形与参考波形相关性很弱，且数据动态范围不一致，原始波形的动态范围明显偏大，这对应着前文所述AC分量幅度的增大。小波去噪并未显著改善这一问题，但经过TDNN处理的波形相关度很高，动态范围也较一致。

同样地，沿指向运动的数据被进行了分析，在该运动模式下一段典型的波形如图10所示。在强烈的运动噪声下，原始的未经处理的PPG波形已经面目全非，完全无法识别波峰和主周期。小波变换采用6层db-10分解，并去除d1至d5和一定阈值范围内的d6，这种方法可以部分地恢复主周期，使得周期更容易辨认，但仍然会保留错误的噪声引起的伪峰，如图中红线所标示。采用TDNN去噪的波形则更为接近参考波形，在保留了全部主周期信息的前提下可以恢复大部分的波峰，在形态上也保留了正常PPG波形的基本特征和部分细节，可以用于较好地估计心率等生理参数。同时，TDNN处理的波形幅度动态范围稳定，有利于SPO2的估计。

表5指向运动下原始含噪信号、小波和TDNN去噪信号与参考信号相关度分析

表6指向运动下原始含噪信号、小波和TDNN去噪信号与参考信号间均方根误差(n＝102000)

表5和表6比较了原始信号和两种不同去噪方法下波形相关度和RMSE。小波降噪对这两种参数的提升效果有限且不稳定(对s11_11的效果明显好于其他两组)，而TDNN在各组数据中都有较好的稳定的表现。

参考波形与原始波形、小波和TDNN去噪后波形相关图如图11所示。观察线性拟合斜率可知，TDNN处理后的波形与参考波形线性相关度较原始未处理波形和小波降噪波形要高出许多，与参考波形的动态范围更加接近，是对参考波形更好的估计。

生理参数估计准确度分析

PPG波形去噪的目的是为了更准确地估计生理参数，因此利用上述三种波形通过相同的方法估计生理参数并对准确度进行比较是一种有效的衡量去噪效果的方法。本实施例中采用自相关法估计5s瞬时心率并进行比较。

屈指运动时各次实验的各波形下瞬时心率如图12所示。观察左侧的瞬时心率图可以发现，未处理含噪PPG估算的心率显著偏离参考心率，且波动极大，这是由于剧烈运动导致的主周期被破坏带来的问题。小波降噪后波动有所缓解，但依然严重偏离参考心率。TDNN处理后心率基本与参考保持一致，两条曲线紧密贴合，且TDNN处理后的心率可以跟随参考心率在较大的动态范围内保持一致(如s11_4的后半段)。

图像右侧显示了各波形估计心率与参考心率的绝对误差，未处理信号估计的心率在剧烈噪声下可以出现高达30beats/min的误差，已经丧失任何参考价值。小波降噪后心率误差极不稳定，在某些时间点可以将误差缩小到5beats/min以内，另一些情况下甚至可能使情况恶化，额外增大误差，这种效果的不鲁棒性也是不可接受的。经过TDNN处理的信号估计的心率将误差缩小在5beats/min的范围里，即使是极为剧烈的噪声情况下(s11_7)依然可以不会出现超过10beats/min的误差，这在临床和实际上生活中是有意义的估计。

同时可以注意到，在不同次实验中由于探头固定松紧等一系列因素的影响，未经处理的PPG信号本身受噪声的污染程度就是不同的，例如s11_2和s11_7实验噪声污染较严重，而s11_4污染较轻，但这并不影响TDNN的效果，多数情况下它可以提高心率估计的准确度，具有很高的鲁棒性。

更为定量的分析在图13被展现出来。这幅图展示了三种不同信号估计的心率与参考心率相关性的Bland-Altman分析，左半部分清晰地显示原始含噪信号估计的心率与参考心率的相关性很弱，R系数只有0.15，线性拟合线斜率远小于1，均方根误差达到了12beats/min(这是三次实验的总误差，包含实验中静止状态下计算的误差，平均之后该值要小于图12显示的瞬时误差)。右半部分显示其心率误差偏移范围很大，正负均达到20beats/min以上。

小波去噪后相关度稍有增加，误差范围还是20beats/min。而经过TDNN后心率相关度骤增，均方根误差只有3.3beats/min，误差范围基本在5beats/min以内，已经可以被认为是对参考心率的良好估计。

同样地，沿指向运动的心率估计误差分析如图14、图15所示。无论是在噪声影响较强还是较弱的情形下，TDNN去噪后的心率都能很好地跟随参考心率，而未处理信号和小波去噪信号估计的心率则发生了较大的偏差。

值得注意的是，由于沿指向运动量较大，在实验过程中被试实际心率发生了较大范围的变化，在这种超过40beats/min的心率变化范围内TDNN去噪的心率都可以很好地跟随参考心率变化，这说明其具有复杂的频率特性，而非在固定频率上的简单的多通带滤波。

Bland-Altman分析进一步说明了TDNN去噪的有效性。同时注意到，在某些情况下小波去噪可能引入更大的误差，其心率相关度甚至没有未处理信号高。观察相关图可以发现，这是由于小波去噪对于每次实验的效果存在显著差异，对不同的探头固定方式、实验设置等干扰因素缺乏鲁棒性。相比之下，TDNN去噪对每次实验都有较好且一致的效果。

被试特异性

以上结果分析是针对同一被试的多次实验进行的，以下将针对多个被试的训练结果进行分析。

首先进行的是被试间交叉验证。八名被试(s1至s8)的数据被分别分为训练集(70％)和测试集(30％)，每位被试的训练集数据被用于训练一个时延为、隐层神经元数目为30的2层时延神经网络，网络结构如图16所示。接着，每位被试的测试数据被用于依次测试这些训练好的网络(s1_net至s8_net)。通过观察每个网络在每位被试测试数据数据上的表现(以波形MSE显示)，可以观察网络在被试间的特异性。

表7多被试交叉验证MSE(*10⁴)

由表7可以清晰地看出，每位被试数据训练的网络仅在针对其自身的测试数据时展现较好的效果，对其他被试测试数据的差异性很大，主要与测试数据有关，例如对于s3的测试数据除s3_net外其他网络效果普遍欠佳，而对于s8的测试数据则普遍偏好。但无论效果相对好坏，都不难看出这些网络有被试特异性，即针对同一被试即使是多次不同的实验、即使探头固定程度有变化，网络依然可以很好地工作，而针对不同被试的任何实验数据，都难以达到很好的效果。

为了进一步证明TDNN方法的被试特异性，6名被试的数据被共同用于网络训练，其余两名被试的数据被用于测试网络。为消除被试间PPG信号幅度差异，所有数据被归一化。相应地，对不同参数的网络也进行了比较，结果如表8所示。未经处理的信号MSE为0.5407，网络处理后效果并不明显，且效果随网络复杂度的增加并无明显提高。这当然可以被认为是由于数据量不足、训练不充分造成的，但笔者认为这恰恰体现了在PPG运动伪迹去除领域的被试特异性。

表8多被试合并训练效果(作为参考，未处理原始信号MSE＝0.5407)

网络层数	2	3	4
				MSE	0.3027	0.2831	0.2829

这种特异性是可以被理解的：每名被试的身体状况不同，皮肤肌肉组织厚薄程度也不同，更为重要的是，每个人的皮下血管网络的分布是存在差别的，这些差别甚至已被用于作为身份识别的特征。不同的血管网络在相同的运动动作下对于血流灌注情况的影响模式是不同的，这些不同的非线性的影响因素是网络被试特异性产生的一个重要原因。

在线测试

作为算法研究的最后环节，PPG去噪算法，包括训练好的TDNN，被完整地移植到可穿戴嵌入式系统中，并进行了在线网络效果测试。

在线测试的算法实现

算法的实现分为两个部分：预处理算法实现和TDNN网络实现。所有的算法被采用函数库的形式添加至嵌入式软件中，算法所处位置为图10所示信号处理进程的数据处理环节。

由于嵌入式系统算力的限制，TDNN的输入输出采用批处理的方法以减少函数出入调用消耗的时间，每次调用TDNN时40个数据被一次性送入并输出，这个过程将占用5-10个采样周期。根据分析，在操作系统调度下只要运算过程不超过40个采样周期就不会出现内存溢出的情况。

值得一提的是，为充分发挥Cortex-M4的运算性能，硬件浮点运算器(FPU)被使用，且算法实现中应用了部分DSP指令以优化运算性能、降低内核时间和功耗。

在线测试效果

在PPG信号受污染严重时，TDNN去噪后的信号依然可以保持很好的形态。

以上的实施例是一种对于本发明的实现方法的描述，用于帮助理解本发明的整体工作方法和权利要求的要点，不应理解为是对于本发明的限制。

Claims (5)

1.一种基于多层时延神经网络去除运动伪迹的PPG监测系统，其特征在于，其包括PPG探头、传输控制主板和PC上位机；其中：PPG探头和传输控制主板形成可穿戴式结构；PPG探头包括PPG传感器、IMU传感器和支持电路，印刷线路板PCB的正面固定PPG传感器以及为其供电的低压差线性稳压器LDO，背面安装IMU传感器以及FPC线连接器；PPG传感器和IMU传感器挂载在I2C总线上；PPG传感器和IMU传感器的中断提示线被分别接至一个有外部中断功能的通用目的输入/输出端口GPIO；传输控制主板通过FPC线与PPG探头相连接，传输控制主板和PC上位机相连；传输控制主板包括主控板和无线数据传输模块；主控板中包括多层时延网络的运动伪迹去除模块；多层时延网络的运动伪迹去除模块的PC上位机通过界面引导使用者进行手指弯曲和沿手指指向运动以模拟运动伪迹发生时的数据，采集存储这些数据并经过预处理后训练用于去除运动伪迹的多层时延神经网络；预处理步骤如下：首先截取感兴趣的数据片段，通过同步标志划分左右手对应的数据段并进行重采样，使得双手数据长度一致且同步；接着，使用线性去势估计一条线性趋势线并从原始PPG数据中去除，得到PPG交流部分；使用滑动平均滤波器得到PPG漂移线并从数据中减去，以去除呼吸干扰；最后，FIR低通滤波器被用于去除PPG信号的高频部分，保留主要信息聚集的低频部分以去除环境光噪声。

2.根据权利要求1所述的基于多层时延神经网络去除运动伪迹的PPG监测系统，其特征在于，训练多层时延神经网络时，网络的输入和输出均为时间序列，输入x(t)是一个二维序列，其两个维度分别为PPG信号的IR部分和同步的运动参考信号；对于手指弯曲运动，运动参考信号选择为陀螺仪Y轴信号；对于沿手指指向运动，运动参考信号选择为加速度计X轴信号；输出时间序列y(t)是同步对应的PPG参考信号的IR部分。

3.根据权利要求1所述的基于多层时延神经网络去除运动伪迹的PPG监测系统，其特征在于，PPG探头被包裹在食品级硅胶内，其通过印刷线路板PCB上设置的四个非金属化定位孔利用多股棉线固定在一个弹性织物指环上；弹性织物指环背侧设置魔术贴，玻璃开窗与四周硅胶面平齐，传输控制主板被放置在半指手套手背位置的口袋内，FPC线束通过若干线环固定在手套食指外侧部位，电池使用魔术贴贴于手背侧传输控制主板的上方。

4.根据权利要求1所述的基于多层时延神经网络去除运动伪迹的PPG监测系统，其特征在于，PPG传感器为双波长PPG传感器；IMU传感器为九轴运动传感器。

5.根据权利要求1所述的基于多层时延神经网络去除运动伪迹的PPG监测系统，其特征在于，无线数据传输模块为蓝牙、USB或WiFi中任一种。

Images