心電圖(ECG)的心率變異性(HRV)是一種著名的診斷方法,主要是用於評估心臟的自主神經功能。為了更方便地評估心臟功能,可使用光電容積脈搏波(PPG)波形,透過脈搏率變異性(PRV)代替HRV。但是,由於沒有用於分析PPG訊號的可靠檢測演算法,醫療市場上一直無法使用PRV提供臨床診斷,也無法測量健康方面的生物資訊,如睡眠階段、壓力狀態和疲勞狀況等。

本文提供一種可靠的峰值和起始點檢測演算法,可以利用PPG訊號進行逐搏(Beat-to-Beat,B2B)間隔分析。本文利用ADI的多感知手錶平台,透過巨量資料收集來展示本文的方法,與透過ECG訊號獲得的逐博結果相比,本文方法的覆蓋範圍廣泛、靈敏度高,而且逐次差分的均方根(RMSSD)較低。

心率(HR)監測是許多現有的穿戴式裝置和臨床設備的一個關鍵特性,但這些設備還沒有配備利用逐搏間隔來測量持續HRV的功能。HRV包括從自ECG擷取的連續心跳之間的間隔時間(稱為心搏間期)變化。HRV包含眾所周知的生物特徵辨識資訊,其反映了自主神經系統的交感神經和副交感神經活動,研究人員廣泛使用HRV這一種工具來幫助臨床診斷和量測健康方面的生物資訊,如睡眠階段、壓力狀態和疲勞狀況等。有鑑於ECG量測的技術要求,在事故/災難現場、戰場或者在ECG可能引起電氣干擾的區域,並不一定能獲取這種訊號。

從PPG訊號中擷取的PRV可能被用於替代HRV。PPG訊號的獲得方式為:透過LED照射人體皮膚,然後用光電二極體測量血流引起的反射光強度變化。

此外,PPG還可以提供與心血管系統有關的資訊,如心率、動脈壓、硬度指數、脈搏傳導時間、脈搏波傳導速度、心輸出量、動脈順應性和外周阻力等。然而,受血液灌流不良、環境光線,以及最重要的運動偽像(MA)影響,基於PPG的演算法的性能會降低。業界已提出許多訊號處理技術來消除運動偽像雜訊,包括ADI的運動抑制和頻率追蹤演算法,其是透過使用一個靠近PPG感測器放置的三軸加速度感測器來實現。

很關鍵的一點是,要從PPG波形中準確地提取出重要的點,如收縮期峰值、起始點和重搏切跡,用於實施PRV分析。PPG波形的起始是由於血液開始從心臟輸出到主動脈引起,而重搏切跡則表示射血結束或主動脈瓣關閉,如果沒有適用於PPG訊號的可靠檢測演算法,將使研究人員無法利用PPG來全面開展PRV分析,至少一定程度上是如此。之前關於PRV的一些研究忽略了基準點,據一些研究報告,有些是使用人工方法或根據經驗檢測收縮期峰值,有些則是基於沒有經過驗證的時間視窗演算法來取得脈搏峰值。

本文提出一種可靠的峰值和起始點檢測演算法,該演算法使用最初被提議用於動脈血壓(ABP)波形的描繪方法。需要注意的是,採用腕戴式設備的PPG訊號包含許多運動偽像、基線波動、反射波,以及其他可能影響檢測演算法行為的雜訊,因此,在將資料饋入逐搏提取模型之前,會對其進行預處理。本項工作使用的自動描繪器是一種混合方法,利用從原始PPG預處理得來的不同訊號和訊號的一階導數來提取峰值和起始點,使用透過手錶平台所收集的大型資料庫來提供同步PPG和ECG訊號,至於記憶體大小,這種演算法需要的記憶體較小,在手錶平台中,可作為嵌入式演算法使用。利用覆蓋率、靈敏度、正檢測率,以及逐次差分的均方根,對該演算法實施了驗證,並與來自ECG訊號的逐博結果進行了比較。

基於PPG形態學的逐搏演算法

在本節中,將詳細介紹所提出的適用於手腕PPG訊號的逐搏演算法,該演算法由(i)預處理和(ii)高解析度逐搏提取模組所組成,該演算法的框架圖如圖1所示。

20190516TA31p1 圖1 提出的逐搏提取演算法的流程圖,包含(i)預處理和(ii)高解析度B2B擷取。

預處理

PPG訊號易受周邊組織的不良血液灌流和運動偽像的影響是眾所周知的。為將這些因素的影響降至最小,以免干擾隨後的PPG分析和逐博估算,須有一個預處理階段。這個步驟包括:

˙訊框傳輸和窗口;

˙帶通濾波(0.4Hz~4Hz);

˙自動增益控制(AGC),用於限制訊號幅度;

˙訊號平滑處理和基線漂移去除。

PPG輸入資料使用T0秒視窗進行處理,進一步的資料塊則透過移動帶有mT0 (m = 3/4)重疊的視窗進行處理。然後需要一個帶通濾波器來消除PPG訊號的高頻成分(如電源)和低頻成分(如毛細血管密度和靜脈血容量的變化、溫度變化等等)。圖2a和2b顯示了濾波前後的PPG訊號,濾波器的截止頻率為0.4Hz和4Hz,心率的基波頻率範圍為0.4Hz~3Hz。因此,使用更高一點的範圍進行逐搏估算即可將強調搏動次數的諧波包含在內。使用中值濾波器去除濾波訊號中突然出現的尖峰值,然後,AGC模組將訊號位準限制為±V,以在稍後的階段透過確認訊號的幅度來驗證所選的峰值。用於HRV的PPG測量流程持續時間較長,不可避免地會引入另一種偽像,例如基線漂移,因此,使用低通有限脈衝回應(FIR)濾波器對訊框內的PPG樣本陣列進行平滑處理(如圖2c所示),可去除基線漂移雜訊,並得到更為平滑、適用於描繪模組的訊號。

20190516TA31P2 圖2 PPG圖。

高解析度逐搏提取模組

逐搏提取演算法由以下模組組成:

˙插值;

˙描繪;

˙高解析度逐搏擷取;

˙訊號品質指標。

預處理模組的輸出被饋入插值模組,以提高逐搏提取演算法的精準度。如果在第一訊框中給出從t0至tτ的PPG分段,其逐搏間隔為b0和bτ,本文會使用端點之間的n個點,以線性方式插入逐搏間隔值,然後從b0和bτ提取高解析度逐搏間隔值(例如,1ms解析度)。接下來,描繪模組會依靠訊號形態學和節奏資訊來提取峰值和起始點,因此,進行逐搏檢測時,不僅需要收縮期峰值,還應報告起始點和重搏切跡。提議的描繪器從理論上來說,與兩篇文章中所示的描繪器相似,一篇是「一種用於光電容積脈搏波波形的自我調整描繪器(Biomedical Engineering/Biomedizinische Technik)」,一篇是「關於用於動脈血壓波形的自動描繪器(On an automatic delineator for arterial blood pressure waveforms)」,該描繪器利用來自訊號一階導數的一對轉折和過零點進行調整以適應手腕PPG訊號。圖2d描繪了轉折和過零點,以進行PPG表徵,對於過零點,訊號是透過零相位失真濾波器來處理,透過匹配初始條件將啟動和結束瞬變最小化,這是為了確保在濾波之後仍然保有時域特性。請注意,來自PPG波形導數的起始點與最大轉折之前的過零點對應,而收縮期峰值與該轉捩點之後的過零點相關。運用在這種逐搏演算法中的訊號品質指標為清晰度,並指明了訊號的訊號音範圍。這種指標最初是在Philip McLeod和Geoff Wyvill的文章「透過更聰明的方式來查找音調(A smarter way to find pitch)」中提出的,該指標採用歸一化平方差函數(一種自相關函數)來查找訊號的週期性,本文使用這個指標來決定逐搏演算法什麼時候能夠可靠地報告峰值和起始點。

來自手錶平台的評估結果

PPG逐搏演算法的結果與Pan-Tompkins演算法的結果進行比較,後者是一種公認的心電圖峰值檢測演算法。所收集的資料用於評估使用ADI生命體征監測(VSM)手錶平台的演算法;ADI VSM iOS應用被用於透過藍牙連接與手錶介面。手錶平台包含一個PPG感測器,用於收集來自受試者手腕的PPG訊號,此外,也會在手錶平台上收集ECG訊號,有3個ECG電極連接到受試者的胸部區域,這些電極上的電線連接到手錶平台上,以處理這些訊號,並與PPG訊號同時記錄。這個平台提供同步化的PPG和ECG訊號,圖3a所示為用於資料收集的ADI手錶平台,而圖3b所示為iOS應用介面和從平台獲取的示例訊號。

20190516TA31P3 圖3 ADI平台和工具。

評估指標和結果

在計算逐搏指標之前,需要先執行異常值剔除過程,以確定Pan-Tompkins演算法輸出和PPG逐搏演算法輸出中缺失的/額外的峰值,這一點非常重要。忽略缺失的/額外的峰值可能導致心跳時長異常,進而得出不準確的結果,ECG訊號中缺失的/額外的峰值是透過檢查由Pan-Tompkins演算法提供的連續心跳時間長度確定,心跳間長度改變超過20%的任何ECG峰值都被標記為異常值。剔除這些ECG峰值之後,透過將每個ECG峰值與PPG訊號中的峰值關聯來確定PPG訊號中缺失的/額外的峰值,如果PPG峰值在ECG峰值的時間接近範圍內,則將其與ECG峰值關聯;當PPG峰值無法確定,或者ECG峰值的時間接近範圍內確定的峰值數量過多時,則將它們識別為異常值。在計算指標期間,這些缺失/額外的PPG心跳可能導致的異常心跳時長作為異常值是被忽略的。

利用透過本文建議的演算法,以及Pan-Tompkins演算法得出的逐搏值,對多個指標進行了計算。這些指標包括:(I)覆蓋範圍(公式1);(Ii)靈敏度(Se)(公式2);(Iii)正檢測率(P+)(公式3),以及(iv)RMSSD(公式4)。圖4展示了用於指標計算之某些值的直覺表示。

20190516TA31P4-1

20190516TA31P4 圖4 顯示ECG和PPG訊號與IBI,以及逐搏演算法分析原始的PPG訊號得出的峰值和起始點。

其中真陽性(TP)表示PPG B2B演算法正確識別的心跳次數,假陽性(FP)表示與ECG中的實際心跳不對應的PPG心跳次數,假陰性(FN)表示PPG逐搏演算法遺漏的心跳次數。心搏間期(IBI)是連續ECG峰值、PPG峰值或PPG起始點之間的時間間隔。

為了評估演算法,本文同時從每位受試者收集PPG和ECG訊號,從不同年齡、不同膚色和不同體型的廣大受試者收集收據,這是為了確保本文的評估結果適用於所有人群。資料擷取自27位受試者(膚色不同的男性和女性),每位檢測2分30秒,且要求受試者前半段時間保持站姿,後半段時間保持坐姿。表1是透過逐搏演算法得出的每個指標的平均值,如表中所示,與來自ECG訊號的結果相比,手腕資料的覆蓋範圍、靈敏度和正檢測率都高於83%,RMSSD平均差則低於20ms。

20190516TA31P4-2 表1 逐搏指標結果。

討論和總結

本文提出了可對手腕PPG訊號實施PRV分析的可靠峰值和起始點檢測演算法。該演算法採用多個預處理階段,建議採用混合描繪演算法來檢測手腕PPG訊號的基準點。將ADI多感知手錶用作評估台來對建議的演算法進行測試,結果顯示與ECG HRV存在較強的相關性和一致性,未來的工作將側重於應用運動抑制演算法和處理PRV分析中遺漏心跳次數的問題。