一种提高血氧饱和度检测精度的方法 技术领域 本发明涉及医疗器械技术领域， 具体涉及血氧饱和度检测技术， 特别涉及一种提 高血氧饱和度检测精度的方法。
背景技术 基于红光和红外光的双波长血氧饱和度 (SPO2) 无创检测技术已被广泛应用于临 床。较之传统的有创血氧检测方法， 虽然双波长血氧饱和度检测方法具有很多优点 ( 如， 操 作方便， 可连续监测 )， 但其检测精度往往受制于红光和红外光血氧检测信号的纯净程度。 因为在双波长血氧检测信号的获取过程中， 会不可避免地存在大量干扰成分， 如肢体自主 或不自主的运动所产生的运动干扰、 环境电磁干扰， 随机光源干扰等。 这些干扰成分的幅度 往往远大于血氧检测信号 ( 特别是肌肉运动所产生的干扰 )， 因此给后续血氧饱和度的计 算带来诸多不便和麻烦， 对测量精度也造成了很大影响。
为了从强干扰背景中分离出相对纯净的血氧信号， 一些信号处理方法被应用于血 氧信号的获取。其中最常用的信号处理方法是传统数字滤波方法。通过选择合适带宽的滤 波器来抑制血氧信号中的干扰成分， 以提高信噪比。但由于血氧信号和干扰信号在频谱上 往往相互混叠， 因此常规滤波方法在信噪比改善方面的效果非常有限。除了传统的滤波处 理方法外， 一些基于统计分析理论的信号处理方法也被应用于血氧信号的提取， 如自适应 滤波方法， 独立分量分析方法， 但这类基于统计分析的血氧提取算法计算复杂度很高， 因此 在算法的具体实现时， 对处理器计算性能的要求很高， 否则难以实现血氧信号的实时分析 和处理。
综上所述， 目前的血氧饱和度检测方法存在检测精度不高的问题， 需要改进。
发明内容 本发明所要解决的技术问题是提供一种血氧饱和度检测方法， 来解决现有血氧饱 和度检测方法检测精度不高的问题。
为解决上述技术问题， 本发明采用如下技术方案 ：
一种提高血氧饱和度检测精度的方法， 包括如下步骤 ：
S1)、 采集原始信号， 并对原始信号进行带通滤波 ；
S2)、 对带通滤波后的信号基于信息极大独立性判据的独立分量分析算法进行计 算， 得出血氧独立分量和干扰独立分量， 并估计分离矩阵 W 和混合矩阵 A ；
S3)、 鉴别并去除干扰独立分量， 并获取两路干净的血氧信号 ；
S4)、 利用干净的血氧信号计算血氧饱和度。
所述步骤 S2) 具体是指 ： 对带通滤波后的血氧信号进行 Infomax 算法或者扩展 Infomax 算法计算， 以提取出血氧独立分量和干扰独立分量， 并估计分离矩阵 W 和混合矩阵 A。
所述提取出血氧独立分量的公式为 ：
x(t) ＝ [xrd(t)， xir(t)]T 其中， xrd(t)， xir(t) 分别为实测红光和红外血氧信号， xrd(t)， xir(t) 的生成模型可表示为 ：其中 s(t) 和 n(t) 分别表示干净的血氧成分和噪声干扰成分， aij 是未知的混合矩 阵 A 的系数。
所述血氧信号独立分量和干扰噪声独立分量如下式 ：
其中 s(t) 和 n(t) 分别表示干净的血氧成分和噪声干扰成分。 所述扩展 Infomax 算法以及估计分离矩阵 W 获取的具体学习算法为 ： W(t+1) ＝ W(t)+μΔW式中 t 为迭代次数 ； μ 为学习步长 ； I 是单位矩阵 ； K 是用于概率模型切换的对角 矩阵 ； ki 为 K 的元素， 取值可为 1 或 -1， 分别对应于分离结果中的超高斯独立分量和亚高斯 独立分量。
所述步骤 S3) 具体是指 ： 利用所得混合矩阵 A 将血氧独立分量反投影至观测信号 中， 以获取两路 “干净” 血氧信号和两路噪声信号。
所述消除干扰后的两路干净血氧信号， 即干净红光血氧信号 srd(t) 和干净红外光 血氧信号和 sir(t) 的计算公式为 ：
所述带通滤波器的通带为 0.5-15Hz。 本发明的有益效果是 ：采用了本发明技术方案的一种提高血氧饱和度检测精度的方法， 可以有效地降低 比率值计算过程中由于噪声引起的干扰， 同时通过精度值的设定和判断， 可达到提高血氧 饱和度精度的目的。该方法的运算复杂度较低， 可对不同环境下获取的双波长血氧信号进 行在线提取， 并能保证较稳定的计算精度， 可大大提高血氧信号提取精度， 能够从噪声混杂 的信号中分离出干净有用的信号。 附图说明
图 1 是 ICA 算法的原理示意简图。
图 2 是本发明具体实施方式一中血氧饱和度检测方法的流程框图。
图 3 是本发明具体实施方式一血氧饱和度检测方法的中扩展 Infomax 算法的原理框图。
图 4 是本发明具体实施方式一中对手掌小幅慢运动情况下所提取的原始血氧信号。 图 5 是对图 4 中原始信号带通滤波后的信号。
图 6 是对图 5 中的信号经 ICA 处理后得到的血氧信号独立分量和噪声独立分量。
图 7 是利用 ICA 算法估计的混合矩阵 A 将图 6 中血氧信号独立分量分别映射回观 测信号中得到的 “干净” 血氧信号。
图 8 是利用 ICA 算法估计的混合矩阵 A 将图 6 中噪声独立分量分别映射回观测信 号中得到的的噪声信号。
图 9 是本发明具体实施方式二中对手掌快速运动情况下所提取的原始血氧信号。
图 10 是对图 9 中原始信号带通滤波后的信号。
图 11 是对图 10 中的信号经 ICA 处理后得到的血氧信号独立分量和噪声独立分 量。
图 12 是利用 ICA 算法估计的混合矩阵 A 将图 11 中血氧信号独立分量分别映射回 观测信号中得到的 “干净” 血氧信号。
图 13 是利用 ICA 算法估计的混合矩阵 A 将图 11 中噪声独立分量分别映射回观测 信号中得到的的噪声信号。
图 14 是本发明具体实施方式三中对胳膊带动手掌大幅度较慢速运动的情况下所 提取的原始血氧信号。
图 15 是对图 14 中原始信号带通滤波后的信号。
图 16 是对图 15 中的信号经 ICA 处理后得到的血氧信号独立分量和噪声独立分 量。
图 17 是利用 ICA 算法估计的混合矩阵 A 将图 16 中血氧信号独立分量分别映射回 观测信号中得到的 “干净” 血氧信号。
图 18 是利用 ICA 算法估计的混合矩阵 A 将图 17 中噪声独立分量分别映射回观测 信号中得到的的噪声信号。
图 19 是本发明具体实施方式四中对有白炽灯随机开关的情况下所提取的原始血 氧信号。
图 20 是对图 19 中原始信号带通滤波后的信号。
图 21 是对图 20 中的信号经 ICA 处理后得到的血氧信号独立分量和噪声独立分 量。
图 22 是利用 ICA 算法估计的混合矩阵 A 将图 21 中血氧信号独立分量分别映射回 观测信号中得到的 “干净” 血氧信号。
图 23 是利用 ICA 算法估计的混合矩阵 A 将图 21 中噪声独立分量分别映射回观测 信号中得到的的噪声信号。
下面将结合附图对本发明作进一步详述。
具体实施方式
实施例一本具体实施方式提供了一种提高血氧饱和度检测精度的方法， 该方法的流程框图 如图 1 所示 ：
首先， 采集原始信号， 并对原始信号进行带通滤波。 本具体实施方式中采集手掌小 幅慢运动情况下红光和红外光血氧原始信号， 并对所采集到的原始信号进行带通滤波， 带 通滤波器的通带为 0.5-15Hz。所采集到的原始信号如图 2 所示， 经过带通滤波后的信号如 图 3 所示。
然后， 计算血氧独立分量和干扰独立分量， 并估计分离矩阵 W 和混合矩阵 A。即 对带通滤波后的信号基于信息极大独立性判据的独立分量分析算法 (Infomax-ICA) 进行 计算， 以提取血氧独立分量和干扰独立分量。本具体实施方式中对带通滤波后的信号进行 Infomax 算法计算， 或者扩展 Infomax 算法计算， 以提取出如图 4 所示的血氧独立分量和干 扰独立分量， 并估计分离矩阵 W 和混合矩阵 A。
再鉴别并去除干扰独立分量， 并获取两路 “干净” 的血氧信号。即利用所得混合矩 阵 A 将图 4 中所示血氧独立分量反投影至观测信号中， 以获取如图 5 所示的两路 “干净” 血 氧信号和图 6 所示的两路噪声信号。所述观测信号可被认为是原始输入信号， 预处理后的 信号， 实测信号或者带通后信号。 最后， 利用干净的血氧信号计算血氧饱和度。即利用图 5 中所示两路 “干净” 的血 氧信号计算血氧饱和度。
本发明的关键就在于第二步中的独立分量分析方法 (IndependentComponent Analysis ： ICA)， 在此特意详细介绍下。独立分量分析方法是 20 世纪九十年代发展起来的 一种新的多维统计分析方法。图 7 是对 ICA 问题的描述， 虚线框部分是作为 ICA 输入的多 通道信号生成模型。s(t) ＝ [s1(t)， s2(t)， ...， sN(t)]T 和 x(t) ＝ [x1(t)， x2(t)， ...， xN(t)]T 分别为源信号向量和观测信号向量。A 是一 N×N 维的未知混合矩阵。在基本 ICA 模型中， 它们之间的关系是线性混合关系， 即：
x(t) ＝ As(t) (1)
观测信号向量 x(t) 经分离矩阵 W 输出对源信号向量 s(t) 的逼近 u(t) ＝ [u1(t)， u2(t)， ...， uN(t)]T。其中对输出 u(t) 中各分量的统计独立程度的判别是调整分离矩阵 W 的依据， 即： 通过调整 W， 使输出 u(t) 的各分量尽可能的相互独立。
根据图 7 所示的基本 ICA 生成模型， 如果混合矩阵 A 是可逆的， 则一定存在一个分 -1 离矩阵 W ＝ A ， 实现从混合观测信号 x(t) 中无失真恢复源信号， 即：
u(t) ＝ Wx(t) (2)
上式中， u(t) 是对源信号向量 s(t) 的估计。
具体到本发明中双波长血氧信号提取问题， 通过红光和红外光获取的两路血氧信 号中含有纯净的血氧信号成分和干扰信号成分。由于这些信号成分来自不同的源， 可看成 是相互独立。因此可利用独立分量分析算法从干扰背景中分离出纯净的血氧信号成分。根 据图 1 所示 ICA 算法模型， 实测血氧信号可表示为 ：
x(t) ＝ [xrd(t)， xir(t)]T (3)
其中， xrd(t)， xir(t) 分别为实测红光和红外血氧信号， 其生成模型可表示为 ：
其中 s(t) 和 n(t) 分别表示干净的血氧成分和噪声干扰成分。aij 是未知的混合 矩阵 A 的系数。
利用 ICA 算法估计出的分离矩阵 W， 通过下述运算， 可得到血氧信号独立分量和干 扰噪声独立分量， 如下式 ：
利用上式结果， 进而可获得消除干扰后的红光和红外光血氧信号 ： srd(t) 和 sir(t)
其中， 扩展 Infomax 算法的框图如图 8 所示 ： 扩展 Infomax 算法分离矩阵获取的具体学习算法为 ： W(t+1) ＝ W(t)+μΔW (7)上式中 t 为迭代次数 ； μ 为学习步长 ； I 是单位矩阵 ； K 是用于概率模型切换的对 角矩阵 ； ki 为 K 的元素， 取值可为 1 或 -1。分别对应于分离结果中的超高斯独立分量和亚 高斯独立分量。
本具体实施方式采用 Infomax 算法或者扩展 Infomax 算法进行血氧信号提取， 是 因为该类算法具有较好的在线实现形式， 可对血氧信号的实时动态进行分析和提取 ； 并且 在线 Infomax 算法对处理器的计算和存储性能要求也较低， 因而能够通过常规处理器实现 的血氧信号分离计算。
本具体实施方式的一种提高血氧饱和度检测精度的方法， 主要采用基于信息极大 独立性判据的独立分量分析算法 (Infomax-ICA)， 进行多波长血氧信号的盲提取。采用该 方法可以有效地降低比率值计算过程中由于噪声引起的干扰， 同时通过精度值的设定和判 断， 可达到提高血氧饱和度精度的目的。 该方法的运算复杂度较低， 可对不同环境下获取的 双波长血氧信号进行在线提取， 并能保证较稳定的计算精度， 可大大提高血氧信号提取精 度， 能够从噪声混杂的信号中分离出干净有用的信号。
实施例二
本具体实施方式大致与实施例一类似， 不同之处在于所采集到的血氧原始信号是 在手掌快速运动的情况下所提取的。所提取到的原始数据如图 9 所示。经过带通滤波后的 信号如图 10 所示。经 ICA 处理后得到的血氧信号独立分量和噪声独立分量如图 11 所示。 获取的两路 “干净” 血氧信号如图 12 所示。获取的两路噪声信号如图 13 所示。
实施例三
本具体实施方式大致与实施例一类似， 不同之处在于所采集到的血氧原始信号是 在胳膊带动手掌大幅度较慢速运动情况下所提取的。 所提取到的原始数据如图 14 所示。 经 过带通滤波后的信号如图 15 所示。经 ICA 处理后得到的血氧信号独立分量和噪声独立分 量如图 16 所示。获取的两路 “干净” 血氧信号如图 17 所示。获取的两路噪声信号如图 18 所示。
实施例四
本具体实施方式大致与实施例一类似， 不同之处在于所采集到的血氧原始信号是 在有白炽灯随机开关的情况下所提取的。所提取到的原始数据如图 19 所示。经过带通滤 波后的信号如图 20 所示。经 ICA 处理后得到的血氧信号独立分量和噪声独立分量如图 21 所示。获取的两路 “干净” 血氧信号如图 22 所示。获取的两路噪声信号如图 23 所示。
以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明， 不能认定 本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说， 在 不脱离本发明构思的前提下， 还可以做出若干简单推演或替换， 都应当视为属于本发明的 保护范围。