摘 要： 針對醫療保健領域人體生理監護的需要，提出了一種基于信號質量評估和卡爾曼濾波的可穿戴動態心電監護系統的設計。首先分析了可穿戴動態心電信號的特征，接著給出了基于信號質量評估和卡爾曼濾波的動態心率估計模型，并說明了利用R波檢測和加速度計的結果來獲得運動狀態下心電信號質量指數SQI的方法，然后通過SQI的值對卡爾曼濾波器的參數進行動態調節，以獲得最佳的心率估計。最后，通過實際的測試證明了該系統具有較高的可靠性和有效性。
關鍵詞：可穿戴；卡爾曼濾波；質量評估；動態
目前，心血管疾病已經成為危害人類健康的主要疾病之一。可穿戴心電技術是在人們日常穿戴的衣物中嵌入心電采集系統，使其在自然狀態下隨時隨地獲取心電數據，是人體心電實時監護的有效方法。但由于人體處于運動狀態，心電信號受到的干擾大，難以正確處理和評估。目前國內外有很多學者對動態心電進行了研究，例如盛虎提出的新型動態心電監護系統彌補了信號采集功能和分析功能脫離的不足，實現了心電數據實時分析，但是該系統成本較高[1]；國外有些學者將卡爾曼濾波應用于動態心電信號檢測，并與自適應算法結合，以提高檢測的正確率，但由于算法比較復雜，不能進行實時監控[2]；李橋等人將卡爾曼濾波應用于危重病人監護，并結合了信號質量評估，但主要針對靜態生理信號，不適用于動態心電監護[3]。
本文提出了一種新的基于信號質量評估和卡爾曼濾波的可穿戴動態心電監護的方法，該方法將信號質量評估、卡爾曼濾波以及可穿戴技術相結合，實現了便攜式高可靠的長時間人體心率評估。
1 可穿戴動態心電特征分析
心電信號作為心臟電信號在人體體表的表現，信號微弱，頻率主要介于0.01 Hz~100 Hz之間，其中與心率評估密切相關的QRS波群主要集中在0~(58±19)Hz，90%的頻譜能量集中在0.25 Hz~35 Hz之間，而高頻心電信號的頻帶范圍則在100 Hz~1 000 Hz[4]。在動態心電信號采集的過程中，心電信號干擾中的肌電干擾、基線漂移（小于5 Hz）和運動偽跡（小于7 Hz）均比靜態情況下嚴重。目前醫學上運用最廣泛的電極是傳統的氯化銀電極，雖然這種電極采集到的信號穩定，但是對皮膚損傷較大，不適合長期使用。可穿戴動態心電采集宜采用對人體無損害、能夠長時間使用的織物柔性電極，但織物電極信號的自身特點，需要在處理時采用不同方法。
本文通過集成在智能服裝上的織物電極獲取運動狀態下的人體心電信號，并進行特征分析，作為建立相應處理模型的依據。靜止狀態與運動狀態下心電信號的功率譜如圖1所示。從圖中可以看出當頻率在0 Hz~7 Hz時，運動狀態下的功率要遠大于靜止狀態下的功率，這是因為在人體運動時電極與人體的相對運動劇烈，使得運動偽跡干擾的影響增大，另外由人體呼氣引起的基線漂移干擾也同時增大。在QRS波群集中的頻段，運動狀態下的功率略大于靜止狀態下的功率，這是由于人體運動以及肌肉緊張收縮而引起的肌電干擾所致。
經實驗證明，在走路狀態和慢跑狀態下用織物電極采集的信號，雖然受到了一定的干擾，但是波形并沒有失真，完全能夠用來進行后期的處理。
2 基于信號質量評估和卡爾曼濾波的動態心率估計模型
準確的心率估計是可穿戴監護系統的最基本要求，R波檢測算法是獲得心率的最便利的方法，然而心率的檢測經常受到干擾的影響而出現錯誤。卡爾曼濾波算法簡單，所需的數據量小，在沒有信號先驗知識的情況下仍能有效地估計信號趨勢的變化和噪聲干擾，是一種估計信號趨勢的有效方法。信號質量指數SQI(Signal Quality Index)可以實時地表征動態心電信號的質量，從而作為卡爾曼濾波器參數調節的依據，提高估計準確性。本文提出了一種新的基于信號質量評估和卡爾曼濾波的動態心率測量和評估的方法，首先對心電信號進行R波提取并計算心率，接著利用R波檢測和加速度計的結果來獲得運動狀態下心電信號質量指數SQI，然后根據SQI對卡爾曼濾波器參數進行調節，最后對心率進行重新估計，以獲得更為準確的結果。系統結構圖如圖2所示。
2.1 動態心電R波識別和心率測量
R波檢測算法必須具備準確性與快速性兩個特點，而這兩者之間又存在著矛盾。常用的算法有面積法、小波變換法、幅度法和斜率法等，這些算法都是基于心電信號中的R波具有幅度和斜率較大的特點實現的。其中面積法雖然準確率較高，但算法很復雜，而小波變換法速度較慢，不適合用于實時分析，因此本文采用的R波檢測算法是幅度法和斜率法。
幅度法算法簡單、速度快，在干擾較小時有很高的準確率，但是這種算法比較容易受到心電信號中的大T波干擾，從而導致心率估計不準，如圖3所示。斜率法的抗干擾能力比幅度法強，準確率高，缺點是算法比較復雜，容易受高頻肌電干擾的影響。
識別出R波過后，本文以10 s為一個時間窗口，計算該窗口內R-R間隔的均值，并以此得到10 s內的心率測量值，公式為：
其中，N(k)表示以某一秒的起始時刻為中心左右各取5 s，在這10 s的窗口內兩種R波檢測算法檢測出的R波匹配的數目。NA表示幅度算法檢測出的R波的個數，NS表示斜率算法檢測出的R波的個數，S表示加速度計檢測出的人體運動的劇烈程度，S的值介于0～1之間，當S等于0時表示人體處于靜止狀態，S的值越大表示人體運動越劇烈。前面提到，幅度算法在干擾較小時對于R波的檢測有很高的準確性，而斜率算法的抗干擾能力要強于幅度算法。因此在體現人體運動劇烈程度的S的值越小時，幅度算法檢測出的結果所占的權重越大；而當S的值越大，即人體運動程度越劇烈時，斜率算法檢測出的結果所占的權重越大。
由式（8）可知，心電信號質量指數SQI的值介于0～1之間，接近或等于0表示心電信號質量很差，而接近或等于1表示心電信號質量很高。
2.4 基于SQI的卡爾曼濾波心率估計器參數調節
當心電信號由于人體運動而受到干擾時，使用R波檢測算法得到的心率將出現一定誤差，本文提出在運動狀態下對R波檢測算法得到的心率應用卡爾曼濾波進行最佳估計，并研究了通過心電信號質量指數SQI調節卡爾曼濾波器增益系數的方法。由于當心電信號在人體運動時會受到干擾，這將使心電信號質量指數發生變化，而這種干擾大小的變化表現為卡爾曼濾波器方程中測量噪聲協方差R的變化，因此根據SQI值調節測量噪聲協方差R：
由式（9）可知，當心電信號質量相對較高(即SQI值較大)時，R的值相對較小，從而Kg(k)值較大，此時較多地由測量值Z(k)來調整心率值；反之，當心電信號質量較低(即SQI值較小)時，R值相對較大，Kg(k)值減小，此時較多地由先驗估計來調整心率值，從而避免運動干擾的影響。
2.5 卡爾曼濾波方程初始值的確定
在運用卡爾曼濾波進行動態心率估計之前，應確定濾波器方程中系數的初始值。假設人的心率不會發生突變，即k時刻的心率近似等于k-1時刻的心率，因此A=1。另外，前面提到如果系統沒有控制量，U(k)可以為0。由于系統的測量值由R波檢測算法獲得，和心率直接對應，因此H=1。系統測量噪聲協方差R=R0=1，該系數會隨著心電信號的SQI值的變化而變化。系統過程協方差Q初值設為0.1，P(0|0)=1。
3 結果和討論
3.1 評價數據庫
本文所采用的評價數據庫均由埃德ML870 PowerLab 8/30數據采集系統獲得，該系統通過屏蔽線與傳統的氯化銀電極、集成在智能服裝上的織物電極相連，采集人體在靜止、走路、慢跑等狀態下的生理信號，采樣頻率為1 000 Hz，各10 min時間，然后經過放大、濾波和整形等處理，最終在終端上進行實時顯示并保存心電數據。
3.2 結果
為了驗證本文提出的模型，首先選取了2 min標準心電信號，并對其進行心率計算，如圖4中（a）所示，以此結果作為之后的評價標準。隨后在該心電信號的40 s~60 s數據段添加干擾，添加了干擾后的心電信號如圖4(b)所示，并用兩種R波檢測算法和基于卡爾曼濾波的估計算法對其進行心率估計。
由標準心電信號計算所得的心率如圖5(a)所示，從圖中可以看出，因為心電信號的質量較高，兩種R波檢測算法的準確率很高，所以在這2 min內得到的心率比較穩定，沒有心率突變的情況發生。
在添加了干擾過后，由R波檢測算法得到的心率（測量值）和由基于卡爾曼濾波的心率估計算法得到的心率（估計值）如圖5（b）所示。從圖中可以看出，由于40 s~60 s的心電信號數據段受到了干擾，因此使得R波檢測算法出現了較大的誤差，出現了心率突變的情況。而由基于卡爾曼濾波的心率估計算法得到的心率值并沒有因為干擾受到太大的影響，心率仍然保持平穩。因此，基于卡爾曼濾波的心率估計算法具有很強的抗干擾性，是一種較為理想的動態心率估計算法。
為了驗證該模型能夠用于動態心電監護，同樣選取了2 min慢跑時的心電信號來進行測試。
測試結果如圖6所示，由圖中可知，直接由R波檢測算法得到的心率在某些時間段會因人體運動產生的干擾而出現較大的誤差，而由卡爾曼濾波的心率估計算法得到的結果卻有明顯的改善，心率能夠保持平穩，不會因為運動干擾而出現大的誤差。
利用幅值法和斜率法雖然能夠計算心率，但心電信號中的各種干擾會影響計算結果，信號的信噪比越低，心率計算的誤差會越大。本文提出的新的基于信號質量評估的卡爾曼濾波估計算法，可以顯著改善心率估計的誤差。
針對可穿戴動態心電監護系統需要嵌入服裝、柔性化和低功耗的要求，本文進行了基于信號質量評估和卡爾曼濾波的可穿戴動態心電監護系統的設計，針對可穿戴心電信號處理系統抗干擾的要求，研究了人體生理信號質量評估方法，提出了基于信號質量指數的卡爾曼濾波器的設計，提高了心率估計的準確性，實現了可穿戴的動態心電監護，并最終通過實際的測試表明了該設計的有效性和可靠性。
參考文獻
[1] 盛虎．新型動態心電監護系統的研究[D]．大連：大連交通大學，2006．
[2] ARNOLD M, MILNER X H R, WITTE H，et al.Adaptive AR modeling of nonstationary time series by means of Kalman filtering[J]．IEEE Transactions on Biomedical Engineering, 1998,45(5)：553-562．
[3] 李橋．危重病人生命體征信號質量評估與分析[D]．濟南：山東大學，2008．
[4] 石金蘭．面型智能服裝的亞健康評估系統的研究[D]．上海：東華大學，2008．
[5] 敬喜．卡爾曼濾波器及其應用基礎[M]．北京：國防工業出版社，1973．