CN1985764A - 能消除运动干扰的血氧测量方法及其装置 - Google Patents

Abstract

一种能消除运动干扰的血氧测量装置和方法，探头将脉搏波及血氧饱和度信息的光信号转换为电信号，该电信号放大、A/D转换后被送入单片机进行数据处理和计算；算法模块对原始数据的时间序列进行波谱展开，在波谱空间中，血氧波形的运动噪音被变换成为一个常数；因此通过微分运算滤掉了运动噪音，同时通过归一化处理滤掉基线漂移噪音，通过3点取中和5点取中分别过滤跃阶噪音和脉冲噪音；最后通过对采样时段的面积积分运算还原所述脉搏波和血氧波形。本发明的血氧测量装置和方法在测量血氧饱和度时基本消除了由于病人手指运动对测量结果的影响，因此测量结果更可靠，更准确。

Description

能消除运动干扰的血氧测量方法及其装置

技术领域

本发明涉及测量心和血氧的方法和装置，尤其涉及利用对采样信号进行信号变换以排除由于运动而干扰测量精度的测量方法和装置。

背景技术

目前国内外血氧饱和度测量装置的基本结构包括血氧探头和信号处理装置，血氧探头是一个采用发光二极管和光敏元件组成的传感器。发光二极管提供两种或两种以上波长的光。光敏元件的作用是把通过组织末端的带有血氧饱和度信息的光信号转换成电信号，并将此信号数字化。对于此数字量，采用某种信号处理算法计算出的血氧饱和度。

由于对病人进行血氧监测时，病人手指(或脚趾)经常会发生运动，使手指(或脚趾)与传感器之间的距离发生位移，从而导致测量得到的病人脉搏波形很不稳定，信噪比很低，采用现有方法测量血氧，需要测量脉搏波形的交流成分，也就是要寻找脉搏波形中最大值和最小值，而运动情况下经常导致对脉搏波形中的波峰和波谷的错误寻找，很难得到准确的最值，从而使得此时的血氧测量的精度很差。

发明内容

本发明要解决的技术问题是提出一种能有效减少由于运动对测量精度产生影响的血氧饱和度的测量方法和装置。

本发明采用如下技术方案：设计一种能消除运动干扰的血氧测量方法，该方法包括如下步骤：

a.探头将检测到的带有脉搏波及血氧饱和度信息的光信号转换为电信号后，对该电信号进行放大处理后，被送入A/D转换变换成数字信号；

b.A/D转换模块把经放大处理的模拟信号转换为数字信号；

k.A/D转换模块输出的数字信号被送入单片机进行数据处理和计算；其特征在于：所述单片机所进行的数据处理和计算包括如下步骤：

l.把脉搏波和血氧波形看作某种波形与噪音的叠加，由此把反映血氧波形特性的红光和红外光脉搏波信号的时间序列表示为不同频段波谱的合成，即对原始数据的时间序列进行波谱展开，在波谱空间中，血氧波形的运动噪音被变换成为一个常数；

m.对上述原始数据的波谱表达式进行微分运算，作为常数的运动噪音微分后为零，即通过微分运算滤掉了运动噪音；

n.原始数据的缓慢基线漂移在波幅时间坐标系中表现为一条斜线，有物理意义的波形叠加在该斜线上，通过归一化处理滤掉基线漂移噪音；

o.对抖动引起的噪音，在波幅时间坐标系中表现为跃阶噪音或δ函数的脉冲噪音，该跃阶噪音和δ函数的脉冲噪音分别通过相邻3数据点取中间值和相邻5数据点取中间值被过滤掉；

p.通过对在波谱空间中已消除了基线漂移、跃阶噪音和脉冲噪音的红光和红外光脉搏波信号进行对采样时段的面积积分运算还原所述脉搏波和血氧波形；

q.引进在0和1之间取值的遗忘因子λ来消除长时间积分的数据饱和现象，即对测量时刻以及之前一个合理时段的计算结果进行迭代来获得该测量时刻的计算结果，迭代时越接近所述测量时刻的数据，对计算结果的贡献越大；

r步骤I获得的脉搏波和血氧饱和度计算结果通过与所述单片机的串口向外输出。

所述用于波谱展开的函数是正弦波函数、余弦波函数或能构成完备正交系的其他函数。所述步骤h的积分时段为2至3秒；所述遗忘因子λ取值为0.8，引进该遗忘因子λ的迭代关系式如下：

$\frac{{\mathrm{Red}}_{\mathrm{AC}}}{{\mathrm{Ir}}_{\mathrm{AC}}}=\frac{{\mathrm{Red}}_{{\mathrm{AC}}_0}+{\mathrm{\λRed}}_{{\mathrm{AC}}_1}+\mathrm{\Λ}+{\mathrm{\λ}}^n\mathrm{Re}{d}_{{\mathrm{AC}}_n}}{{\mathrm{Ir}}_{{\mathrm{AC}}_0}+{\mathrm{\λIr}}_{{\mathrm{AC}}_1}+\mathrm{\Λ}+{\mathrm{\λ}}^n{\mathrm{Ir}}_{{\mathrm{AC}}_n}}.$

所述探头利用两路光透过组织末端进行采样测量；其中一路为红光，相应的数据积分结果为该段时间内接收的红光强度交流峰峰值，另一路为红外光，相应的数据积分结果为该段时间内接收的红外光强度交流峰峰值。

在步骤a之前还包括系统上电、硬件初始化、CPU系统自检和程序初始化的采样准备过程。

本发明所采取的技术方案还包括：

一种能消除运动干扰的血氧测量装置，包括：顺序连接的探头组件、信号放大处理组件、A/D转换、单片机数据处理组件、逻辑控制模块和电源电路，其特征在于：所述单片机数据处理组件包含运动干扰消除模块，该运动干扰消除模块的输出端分别连接A/D转换和逻辑控制及功能模块。

所述运动干扰消除模块包括顺序单向连接的脉搏波参数计算、微分处理模块、中值滤波模块、积分还原模块的面积积分递归模块，该面积积分递归模块的输出结果用于计算脉搏波和血氧饱和度。

所述探头组件包括红光、红外光源及其光驱动电路和受光管。所述信号放大处理部分包括差分放大电路和信号处理电路。

所述逻辑控制及功能模块包括安全功能和通讯功能；所述全功能包括由传感器脱落、搜索脉搏、搜索脉搏太长和血氧饱和度下降所组成的测量状态标志和完成出错报告的模块自检；所属通讯功能包括接收命令和发送数据。

与现有技术相比较，本发明能消除运动干扰的血氧测量方法及其装置具有如下优点：采用对脉搏信号微分进行白化处理，增加了对脉搏波形最值寻找的可靠性。进而对脉搏信号面积积分代替了传统方法中对波形峰值的寻找。不需要对每个脉搏波形寻找到准确的最值，只需对一段时间的脉搏波形进行积分。由于一段时间内噪音的积分趋于零，对脉搏波的积分可以去掉噪音的影响，可以证明脉搏波积分的结果等同于脉搏波的交流成分，因而可以利用积分结果计算血氧饱和度，该血氧饱和度的计算结果基本滤掉了由于病人手指运动对测量结果的影响。

附图说明

图1是本发明能消除运动干扰的血氧测量装置的原理方框图；

图2是还原血红蛋白和氧合血红蛋白在红光和红外光区的光吸收系数的变化曲线；

图3是被测量人体组织的吸光示意图；

图4是包含噪音的脉搏波波形；

图5是包含基线漂移的脉搏波波形图；

图6是消除基线漂移的脉搏波波形图；

图7是包含阶跃噪音的脉搏波波形图；

图8是微分后包含阶跃噪音的脉搏波波形图；

图9是包含脉冲噪音的脉搏波波形图；

图10是微分后包含脉冲噪音的脉搏波波形图；

图11是微分后包含噪音的与图4对应的脉搏波波形图；

图12是脉搏波波形面积积分波形图；

图13是运动噪音消除模块和功能模块的构成图。

具体实施方式

以下结合附图及附图所示之实施例对本发明装置和方法作进一步详述。

如图1所示，本发明一种能消除运动干扰的血氧测量装置包括：顺序连接的探头组件、信号放大处理组件、A/D转换、单片机数据处理组件、逻辑控制模块和电源电路。本发明装置区别于现有技术的关键之处在于所述单片机数据处理组件包含了运动干扰消除模块，该运动干扰消除模块的输出端分别连接A/D转换和逻辑控制及功能模块。

所述探头组件包括红光、红外光源及其光驱动电路和受光管。所述信号放大处理部分包括差分放大电路和信号处理电路。

图13是运动噪音消除模块和功能模块的构成图。所述运动干扰消除模块包括顺序单向连接的脉搏波参数计算、微分处理模块、中值滤波模块、积分还原模块的面积积分递归模块，该面积积分递归模块的输出结果用于计算脉搏波和血氧饱和度。所述逻辑控制及功能模块包括安全功能和通讯功能；所述全功能包括由传感器脱落、搜索脉搏、搜索脉搏太长和血氧饱和度下降所组成的测量状态标志和完成出错报告的模块自检；所属通讯功能包括接收命令和发送数据。

各部分的功能如下：

电源电路输入为±12V交、直流电源，输出两组电源——数字+5V、模拟±5V，该电路为整个血氧板提供电源。

光电驱动电路受逻辑控制部分的调节，输出不同幅度的电流驱动发光二极管，以保证受光管能输出一定幅度的信号。

探头将检测到的光信号转换为电信号后，送入信号放大处理部分，经差分放大、背景光电流剪除处理、增益调节、偏置电流剪除处理，最后送A/D转换。

A/D转换部分将经放大处理后的模拟信号转换为数字信号，然后送单片机处理。

单片机数据处理部分将A/D转换得到的数据处理、计算，得到脉搏波和血氧饱和度。

脉搏波和血氧饱和度数据还通过串口向外发送，并有光耦加以隔离。

此外，单片机对各个部分的控制是通过逻辑控制部分来实现的，如探头发光时序控制、驱动电流控制、偏置电流控制、背景光剪除控制、信号A/D转换控制等。

下面简述本发明装置的工作原理。

脉搏式血氧计是利用脉搏波造成的人体组织末端内动脉血的搏动，由于氧合血红蛋白和还原血红蛋白在红光光谱区和红外区的光学特性不同，从而影响手指对红光和红外光的透光性，当一定光强的红光和红外光加到手指上时，通过分别检测两种波长的透射光强，可以通过手指对两种光光密度变化量的比值计算出氧合血红蛋白的含量，从而计算出血氧饱和度。

通常，用分光光度法测量血氧饱和度，其中有透射光法和反射光法。均以朗伯-比尔定律和光散射理论为基础，利用还原血红蛋白和氧合血红蛋白的光吸收系数的差别来进行。如图2所示。朗伯-比尔定律是：

I＝I₀e^-εcd

其中，I：透射光强；I₀：λ射光强；C：受光物质溶液浓度；d：溶液受光路径长度；ε：物质的光吸收常数；由上式推出：

D＝lnI₀/I＝εcd

D称光密度。由此公式已经发现物质的光吸收情况与其浓度的相关性，这也正预示着由组织的光吸收情况推算组织内部成分的可能性。

研究人员们又进一步地研究了与血氧饱和度密切相关的两大组分Hb和HbO₂的光吸收特性，发现了两者的显著差别，如图2的血红蛋白吸光曲线所示。由图2可以看到，在波长为660nm的可见红光处HbO₂的光吸收系数仅为Hb的1/10，在805nm的红外光处Hb与HbO₂有一等吸收点，而在940nm的红外光区HbO₂的光吸收系数则大于Hb。

SaO₂＝HbO₂/(Hb+HbO₂)＝C₁/(C₁+C₂)                           (1)

$D\left(660\right)={\ln I}_0\left(660\right)/I\left(660\right)=\ln (I_0\left(660\right)/\left(660\right)e^{-{\mathrm{\ϵ}}_1{c}_{1}d}{e}^{-{\mathrm{\ϵ}}_2{c}_{2}d})={\mathrm{\ϵ}}_1{c}_{1}d+{\mathrm{\ϵ}}_2{c}_{2}d---\left(2\right)$

$D\left(805\right)={\ln I}_0\left(805\right)/I\left(805\right)=\ln (I_0\left(805\right)/I\left(805\right)e^{{-\mathrm{\ϵ}}_3{c}_{1}d}{e}^{{-\mathrm{\ϵ}}_4{c}_{2}d})={\mathrm{\ϵ}}_3{c}_{1}d+{\mathrm{\ϵ}}_4{c}_{2}d---\left(3\right)$

其中，SaO₂为动脉血氧饱和度；C₁为HbO₂浓度，C₂为Hb浓度；I₀、I分别为入射光和透射光的光强；ε₁、ε₂分别为HbO₂、Hb对660nm波长的红光的吸收率；ε₃、ε₄分别为HbO₂、Hb对805nm波长的红外光的吸收率，且ε₃＝ε₄＝ε；d为透射组织厚度；由(2)、(3)得：

C₁+C₂=D(805)/εd；

C₁＝(D(660)-ε₂D(805)/ε)/(ε₁-ε₂)d；

代入(1)得：

SaO₂＝A×D(660)/D(805)+B                              (4)

其中，A=ε/(ε₁-ε₂)；B＝ε₂/(ε₁-ε₂)；

但是，D(660)、D(805)并非如在上面(2)、(3)式所表达的那样仅仅与Hb和HbO₂有关，而是与组织中肌肉、骨骼、色素、脂肪、静脉血等的吸收情况有关，即D(660)、D(805)还应包含一个本底吸收部分，如图3所示。因此(2)、(3)式演化为：

$D\left(660\right)={\ln I}_0\left(660\right)/I\left(660\right)=\ln (I_0\left(660\right)/I_B{e}^{-{\mathrm{\ϵ}}_1{c}_1\mathrm{\Δd}}{e}^{{-\mathrm{\ϵ}}_2{c}_2\mathrm{\Δd}})---\left(5\right)$

$D\left(805\right)={\ln I}_0\left(805\right)/I\left(805\right)=\ln (I_0\left(805\right)/I_B{e}^{-{\mathrm{\ϵ}}_3{c}_1\mathrm{\Δd}}{e}^{{-\mathrm{\ϵ}}_4{c}_2\mathrm{\Δd}})---\left(6\right)$

其中I₀为仅有组织的本底吸收时的透射光强，Δd为由无血到血液充盈带来的透射距离的改变。很容易地，定义本底光密度D_B∶D_B＝ln(I₀/I_B)；从而，可以得到：

D(660)-D_B(660)=ε₁C₁Δd+ε₂C₂Δd                                (7)

D(805)-D_B(805)＝ε₃C₁Δd+ε₄C₂Δd                               (8)

其中ε₃=ε₄＝ε，(4)式因此演化为：

SaO₂＝A×(D(660)-D_B(660))/(D(805)-D_B(805))+B                    (9)

A、B同上。公式(9)是检测血氧饱和度的基本公式。

在通常的检测中，往往不用波长805nm的红外光，因为要获得这一等吸收点的精确值是比较困难的，由此带来的误差也比较大；常用的红外光波长为940nm左右，这一波长附近HbO₂、Hb的吸收率变化都比较平缓，误差往往比较小。由于采用了波长940nm的红外光，式(8)中的ε₃≠ε₄，公式(10)进一步演化为：

Spo₂＝(A×R+B)/(C×R+D)                                       (10)

其中，SpO₂为脉搏血氧饱和度，其近似为SaO₂；

A＝ε₁；B＝-ε₂；C＝ε₄-ε₃；D＝ε₁-ε₂；而 $R=\frac{D\left(660\right)-D_B\left(660\right)}{D\left(940\right)-D_B\left(940\right)},---\left(11\right)$

由式可知，R与血氧饱和度是一一对应的。而D＝LnI₀/I＝εcd

则 $R=\frac{\ln I_{R0}/I_{\mathrm{RM}}-\ln I_{R0}/I_{\mathrm{Rm}}}{\ln I_{I0}/I_{\mathrm{IM}}-\ln I_{I0}/I_{\mathrm{Im}}}=\frac{{\ln I}_{\mathrm{Rm}}/I_{\mathrm{Rm}}}{\ln I_{\mathrm{Im}}/I_{\mathrm{IM}}}---\left(12\right)$

式中，I_RM为红光最大透射光，I_Rm为红光最小透射光，I_R0为红光入射光。I_IM为红外最大透射光，I_Im为红外最小透射光，I_I0为红外入射光。对于红光，

$\mathrm{In}{I}_{\mathrm{Rm}}/I_{\mathrm{RM}}=\ln (1-\frac{I_{\mathrm{RM}}-I_{\mathrm{Rm}}}{I_{\mathrm{RM}}}),---\left(13\right)$

当脉动量/直流量即(I_RM-I_Rm)/I_RM较小时，

所以R可以写成如下形式：

$R=\frac{{\mathrm{Red}}_{\mathrm{AC}}/{\mathrm{Red}}_{\mathrm{DC}}}{{\mathrm{Ir}}_{\mathrm{AC}}/{\mathrm{Ir}}_{\mathrm{DC}}}$

因此如果知道两种透射光在一个完整脉搏波中的波形就可以计算出R值。

1、运动噪音对测量结果的影响

从上面的公式可以得出，当发光管固定后，(10)式中只有R为变量，在一段时间内红光与红外光的直流分量也是比较稳定的，而影响R的主要因素为这两路光的交流分量。传统的计算交流分量的方法就是通过寻找两路光的最大值和最小值的方法得到。但是，这种方法存在很大的缺陷，当病人处于运动的条件下。对此时波形的寻找非常困难，由于对脉搏波波峰、波谷的寻找会出现误差，因此得到的交直流的比值也可能是错误的，血氧及脉率的测量结果很难保证正确。如图4所示，运动条件下的脉搏波会发生基线漂移、脉冲噪音、阶跃噪音等情况，此时很难准确地判断两路光的最值。

2、如何消除噪音对测量结果的影响

为解决这个问题，本发明设计了一种对信号进行微分和渐近积分的算法，可以有效地遏制在运动条件下噪声对信号波形的干扰，并且从理论上可以证明这种算法得到的血氧值与在没有运动干扰的情况下采用寻找波形交流分量的算法是等价的，因此本发明的算法解决了运动条件下测量不准确的问题。下面通过一个具体实施例介绍该算法模块的步骤及原理。

测量得到的两路光数据经过归一化后，可以得到两路光的直流比

，归一化后的血氧波形可以看作理想情况下的波形与噪音的合成，而理想情况下的血氧波形，无论红光波形还是红外光波形，都可以看作是不同频段的余弦波的合成

Red＝a₀cos(ωt)+a₁cos(2ωt)+Λ+a_n-1cos(ωt)+n_Rcd＝Red_sig+n_Rcd    (14)

Ir＝b₀cos(ωt)+b₁cos(2ωt)+Λ+b_n-1cos(nωt)+n_Ir＝Ir_sig+n_Ir       (15)

其中a₀、a₁、...a_n-1为红光频谱第n阶分量，n_Red为红光中的噪音成分，其中包含了白噪音和非白噪音，b₀、b₁、...b_n-1为红光频谱第n阶分量，n_Ir为红外光中的噪音成分，其中包含了白噪音和非白噪音。本实施例采用余弦波作为波谱展开函数，实际上还可以使用正弦波或其他能构成完备正交系的函数作为波谱展开函数。

下面简述对脉搏波中噪音成分的微分白化处理。

其中的噪音成分可能由多种情况造成，包括由于运动引起的基线漂移噪音，突然抖动引起的类似于阶跃变化的噪音，以及高频的噪音。

2.1微分去除基线漂移

对(14)(15)分别微分，

$\frac{\mathrm{dRed}}{\mathrm{dt}}=\frac{{\mathrm{dRed}}_{\mathrm{sig}}}{\mathrm{dt}}+\frac{{\mathrm{dn}}_{\mathrm{Red}}}{\mathrm{dt}}---\left(16\right)$

$\frac{\mathrm{dIr}}{\mathrm{dt}}=\frac{{\mathrm{dIr}}_{\mathrm{sig}}}{\mathrm{dt}}+\frac{{\mathrm{dn}}_{\mathrm{Ir}}}{\mathrm{dt}}---\left(17\right)$

红光或红外光中的直流分量，微分后为零。如图5所示的包含基线漂移的脉搏波，由于血氧的计算都是采取一段时间内的采用数据进行的，在此段时间内的缓慢的基线漂移，经过微分后转化为常量，则噪声可以表示为，

$\frac{{\mathrm{dn}}_{\mathrm{Red}}}{\mathrm{dt}}=\mathrm{const}{n}_{\mathrm{red}}+{n_{\mathrm{Red}}}^{\′}---\left(18\right)$

$\frac{{\mathrm{dI}}_{\mathrm{Red}}}{\mathrm{dt}}={\mathrm{constn}}_{\mathrm{Ir}}+{n_{\mathrm{Ir}}}^{\′}---\left(19\right)$

因此，对于噪音微分后的常数部分，可以通过归一化去除，即去掉了运动引起的基线漂移噪声，如图6所示。

2.2微分消除阶跃噪音

对于抖动可能引起的介质的突然挤压，造成的阶跃噪声，如图7所示，则对其微分后，变为类似δ函数的脉冲函数，如图8所示，对此则可以采取3点中值的滤波，消除阶跃噪音。

2.3微分消除脉冲噪音

对于抖动引起的采样值突变，即类似于δ函数的脉冲噪音，如图(9)所示，经过数字化微分之后，变成正负双脉冲的函数，如图(10)所示，对此可以采用5点中值加以滤波，消除脉冲噪音。

由上所述，经过对脉搏波的微分和中值滤波处理之后，可以消除红光和红外光脉搏波信号中的基线漂移、阶跃噪音和脉冲噪音。

2.4积分回复脉搏波波形

图4所示的包含噪音的脉搏波经过上面的微分和中值函数处理之后，如图11所示，对(18)、(19)式再进行积分，回复脉搏波波形，此时的波形已经变得光滑，前述对波形的微分处理相当于对脉搏波进行了白化处理，消除了噪音中的非白噪音。

$\underset{t_0}{\overset{t_1}{\∫}}\frac{\mathrm{dRed}}{\mathrm{dt}}=\underset{t_0}{\overset{t_1}{\∫}}\frac{{\mathrm{dRed}}_{\mathrm{sig}}}{\mathrm{dt}}+\underset{t_0}{\overset{t_1}{\∫}}\frac{{\mathrm{dn}}_{\mathrm{Red}}}{\mathrm{dt}}$ 得，

Red＝Red_sig+n_Red‘’    (20)

$\underset{t_0}{\overset{t_1}{\∫}}\frac{\mathrm{dIr}}{\mathrm{dt}}=\underset{t_0}{\overset{t_1}{\∫}}\frac{{\mathrm{dIr}}_{\mathrm{sig}}}{\mathrm{dt}}+\underset{t_0}{\overset{t_1}{\∫}}\frac{{\mathrm{dn}}_{\mathrm{Ir}}}{\mathrm{dt}}$ 得，

Ir＝Ir_sig+n_Ir‘’       (21)

其中n_Red‘’和n_Ir‘’为脉搏波噪音经过白化处理后剩下的白噪音部分。

2.5.面积积分递归算法原理

分别对(20)、(21)式积分，并得到比值

$\frac{\underset{t_0}{\overset{t_1}{\∫}}|a_0\cos \left(\mathrm{\ωt}\right)+a_1\cos \left(2\mathrm{\ωt}\right)+\mathrm{\Λ}+a_{n-1}\cos \left(\mathrm{\ωt}\right)+{n_{\mathrm{Red}}}^{\′\′}|d\left(\mathrm{\ωt}\right)}{\underset{t_0}{\overset{t_1}{\∫}}|b_0\cos \left(\mathrm{\ωt}\right)+b_1\cos \left(2\mathrm{\ωt}\right)+\mathrm{\Λ}+b_{n-1}\cos \left(\mathrm{n\ωt}\right)+{n_{\mathrm{Ir}}}^{\′\′}}=\frac{{4a}_0\sin \left(\mathrm{\ωt}\right){|}_0^{\frac{\mathrm{\π}}{2}}+\underset{t_0}{\overset{t_1}{\text{\∫}}}\left|{n_{\mathrm{Red}}}^{\′\′}\right|d\left(\mathrm{\ωt}\right)}{{4b}_0\sin \left(\mathrm{\ωt}\right){|}_0^{\frac{\mathrm{\π}}{2}}+\underset{t_0}{\overset{t_1}{\∫}}\left|{n_{\mathrm{Ir}}}^{\′\′}\right|d\left(\mathrm{\ωt}\right)}---\left(22\right)$

如果在一段时间内的噪声可以看作是白噪声，则其积分为零，上式为：

$\frac{{4a}_0\sin \left(\mathrm{\ωt}\right){|}_0^{\frac{\mathrm{\π}}{2}}+\underset{t_0}{\overset{t_1}{\text{\∫}}}\left|{n_{\mathrm{Red}}}^{\′\′}\right|d\left(\mathrm{\ωt}\right)}{{4b}_0\sin \left(\mathrm{\ωt}\right)|0^{\frac{\mathrm{\π}}{2}}+\underset{t_0}{\overset{t_1}{\∫}}|{n_{\mathrm{Ir}}}^{\′\′}|d\left(\mathrm{\ωt}\right)}=\frac{a_0}{b_0}=\frac{{\mathrm{Red}}_{\mathrm{AC}}}{{\mathrm{Ir}}_{\mathrm{AC}}}---\left(23\right)$

由此，只要积分时间足够长，噪音的积分趋近于零，此时可以由一段时间的积分数据来代替从波形中寻找最值得到的两路光交流数据，并且由于这种方法消除了噪声的干扰，从而在运动条件下能够取得良好的测量效果。图12为脉搏波的积分图形。

以上是以一段时间内受测对象的血氧饱和度不发生变化为假设前提的。那么积分的时间越长则测量效果越好，结果越接近与真实情况。而当内受测对象的血氧饱和度发生变化时，积分时间过长反而没有好处，导致测量灵敏度下降，考虑最为严重的情况，如果积分从测量开始就进行包括了所有的测量数据，则会发生数据饱和现象，一段时间后新的测量数据已经对结果的影响很小了，从而削弱的实时测量的功能。

为解决上述问题，积分只在一段时间内进行(积分时段一般为2至3秒)，同时为保留前期测量的作用而又不使其过大，引入遗忘因子λ。

$\frac{{\mathrm{Red}}_{\mathrm{AC}}}{{\mathrm{Ir}}_{\mathrm{AC}}}=\frac{{\mathrm{Red}}_{{\mathrm{AC}}_0}+{\mathrm{\λRed}}_{{\mathrm{AC}}_1}+\mathrm{\Λ}+{\mathrm{\λ}}^n{\mathrm{Red}}_{{\mathrm{AC}}_n}}{{\mathrm{Ir}}_{{\mathrm{AC}}_0}+{\mathrm{\λIr}}_{{\mathrm{AC}}_1}+\mathrm{\Λ}+{\mathrm{\λ}}^n{\mathrm{Ir}}_{{\mathrm{AC}}_n}}---\left(24\right)$

当0＜λ＜1时，经过若干次迭代，前面的数据已经没有影响，根据经验λ取0.8比较合理。

系统实现流程：

系统上电后，先进行硬件初始化，CPU系统自检，和程序初始化；完成以上过程后进入核心控制模块；

探头组件实时采集数据，测量得到的数据存储到数据缓冲区，作为核心算法进行数据处理计算血氧、脉率参数的基础；

逻辑控制模块根据测量值，在各个状态中对硬件进行不同的控制，并控制AD采样。包括内部AD和外部AD，即图中的模拟信号输入采样模块。以及对发光管驱动电流的控制，对偏置电路及增益的控制；

运动噪音消除模块是核心模块，该模块分别通过对脉搏波的微分处理消除非白噪音，同时计算脉率，再通过积分递归算法计算血氧。

Claims (10)

1、一种能消除运动干扰的血氧测量方法，包括如下步骤：

a.探头将检测到的带有脉搏波及血氧饱和度信息的光信号转换为电信号后，对该电信号进行放大处理后，被送入A/D转换变换成数字信号；

b.A/D转换模块把经放大处理的模拟信号转换为数字信号；

c.A/D转换模块输出的数字信号被送入单片机进行数据处理和计算；其特征在于：

所述单片机所进行的数据处理和计算包括如下步骤：

d.把脉搏波和血氧波形看作某种波形与噪音的叠加，由此把反映血氧波形特性的红光和红外光脉搏波信号的时间序列表示为不同频段波谱的合成，即对原始数据的时间序列进行波谱展开，在波谱空间中，血氧波形的运动噪音被变换成为一个常数；

e.对上述原始数据的波谱表达式进行微分运算，作为常数的运动噪音微分后为零，即通过微分运算滤掉了运动噪音；

f.原始数据的缓慢基线漂移在波幅时间坐标系中表现为一条斜线，有物理意义的波形叠加在该斜线上，通过归一化处理滤掉基线漂移噪音；

g.对抖动引起的噪音，在波幅时间坐标系中表现为跃阶噪音或δ函数的脉冲噪音，该跃阶噪音和δ函数的脉冲噪音分别通过相邻3数据点取中间值和相邻5数据点取中间值被过滤掉；

h.通过对在波谱空间中已消除了基线漂移、跃阶噪音和脉冲噪音的红光和红外光脉搏波信号进行对采样时段的面积积分运算还原所述脉搏波和血氧波形；

i.引进在0和1之间取值的遗忘因子λ来消除长时间积分的数据饱和现象，即对测量时刻以及之前一个合理时段的计算结果进行迭代来获得该测量时刻的计算结果，迭代时越接近所述测量时刻的数据，对计算结果的贡献越大；

j.步骤I获得的脉搏波和血氧饱和度计算结果通过与所述单片机的串口向外输出。

2、根据权利要求1所述的能消除运动干扰的血氧测量方法，其特征在于：所述用于波谱展开的函数是正弦波函数、余弦波函数或能构成完备正交系的其他函数。

3、根据权利要求1所述的能消除运动干扰的血氧测量方法，其特征在于：所述步骤h的积分时段为2至3秒；所述遗忘因子λ取值为0.8，引进该遗忘因子λ的迭代关系式如下：

$\frac{{\mathrm{Red}}_{\mathrm{AC}}}{{\mathrm{Ir}}_{\mathrm{AC}}}=\frac{{\mathrm{Red}}_{{\mathrm{AC}}_0}+{\mathrm{\λRed}}_{A{C}_1}+\mathrm{\Λ}+{\mathrm{\λ}}^n{\mathrm{Red}}_{{\mathrm{AC}}_n}}{{\mathrm{Ir}}_{{\mathrm{AC}}_0}+\mathrm{\λ}{\mathrm{Ir}}_{A{C}_1}+\mathrm{\Λ}+{\mathrm{\λ}}^n{\mathrm{Ir}}_{{\mathrm{AC}}_n}}.$

4、根据权利要求1所述的能消除运动干扰的血氧测量方法，其特征在于：所述探头利用两路光透过组织末端进行采样测量；其中一路为红光，相应的数据积分结果为该段时间内接收的红光强度交流峰峰值，另一路为红外光，相应的数据积分结果为该段时间内接收的红外光强度交流峰峰值。

5、根据权利要求1所述的能消除运动干扰的血氧测量方法，其特征在于：在步骤a之前还包括系统上电、硬件初始化、CPU系统自检和程序初始化的采样准备过程。

6、一种能消除运动干扰的血氧测量装置，  包括：顺序连接的探头组件、信号放大处理组件、A/D转换、单片机数据处理组件、逻辑控制模块和电源电路，其特征在于：所述单片机数据处理组件包含运动干扰消除模块，该运动干扰消除模块的输出端分别连接A/D转换和逻辑控制及功能模块。

7、根据权利要求6所述的能消除运动干扰的血氧测量装置，其特征在于：所述运动干扰消除模块包括顺序单向连接的脉搏波参数计算、微分处理模块、中值滤波模块、积分还原模块的面积积分递归模块，该面积积分递归模块的输出结果用于计算脉搏波和血氧饱和度。

8、根据权利要求6所述的能消除运动干扰的血氧测量装置，其特征在于：所述探头组件包括红光、红外光源及其光驱动电路和受光管。

9、根据权利要求6所述的能消除运动干扰的血氧测量装置，其特征在于：所述信号放大处理部分包括差分放大电路和信号处理电路。

10、根据权利要求6所述的能消除运动干扰的血氧测量装置，其特征在于：所述逻辑控制及功能模块包括安全功能和通讯功能；所述全功能包括由传感器脱落、搜索脉搏、搜索脉搏太长和血氧饱和度下降所组成的测量状态标志和完成出错报告的模块自检；所属通讯功能包括接收命令和发送数据。

Images