本文提供了一種穩健的峰值和起始檢測算法，用于使用PPG信號進行逐搏脈沖間隔分析。我們使用ADI公司（ADI）多感官手表平臺通過大數據采集來演示我們的方法，該平臺具有高覆蓋率，靈敏度和連續差異均方根（RMSSD），與心電圖的逐搏結果相比較信號。

簡介

心率（HR）監測是許多現有可穿戴設備和臨床設備的關鍵功能，但具有測量連續心率的功能這些裝置尚未提供使用逐拍脈沖間隔的可變性。 HRV包括連續心跳之間的時間間隔的變化，稱為從心電圖（ECG）提取的間隔間隔。HRV包含反映自主神經系統交感神經和副交感神經活動的眾所周知的生物信息。研究人員廣泛使用HRV作為支持臨床診斷和測量的工具用于健康目的的生物信息，例如睡眠階段，壓力狀態和疲勞。鑒于ECG測量的技術要求，在事故/災難現場，戰場上，信號可能并不總是可用的，或ECG可能導致電氣干擾的區域。

從光電容積描記信號中提取的脈率變異性可以用作HRV的替代品。PPG信號是通過使用LED照亮人體皮膚獲得的通過光電二極管測量反射光中血流引起的強度變化。

此外，PPG可以提供有關心血管系統的相關信息，如心率，動脈壓，僵硬指數，脈搏傳導時間，脈搏波速，心輸出量，動脈順應性和外周阻力然而，基于PPG的算法的性能會因血液灌注不良，環境光線惡化而降低，最重要的是，運動偽影（MA）。許多信號處理技術，包括ADI運動抑制和頻率跟蹤算法，已被提議通過使用靠近PPG傳感器放置的三軸加速度傳感器來消除MA噪聲。

重要的是從PRG分析中準確提取PPG波形中的收縮峰，開始和重搏切口等重要點。PPG波形的開始是由于心臟從主動脈開始排出到主動脈，而重搏切跡是血液排出結束或主動脈瓣關閉。 PPG信號的魯棒檢測算法的不可用性至少部分地阻止了研究人員使用PPG完全進行PRV分析。以前關于PRV的一些工作忽略了基準點，一些報告使用手動或經驗檢測收縮峰，有些是基于非驗證的基于時間窗口的算法獲得脈沖峰值。

本文提出了一種強大的峰值和起始檢測算法，該算法使用最初為動脈血壓（ABP）波形提出的描述方法。重要的是要注意PPG信號使用腕戴式可穿戴設備設備包含許多運動偽影，基線波動，反射波和其他可能影響檢測算法行為的噪聲。因此，數據先進行預處理，然后再將其提供給逐搏提取。模型。本工作中使用的自動描繪器是一種混合方法，其中來自原始PPG的不同預處理信號和信號的一階導數用于提取峰值和起始點。我們使用我們的ADI手表平臺收集的大型數據庫，該平臺提供同步的PPG和ECG信號。在內存占用方面，該算法很輕，可以用作ADI手表平臺中的嵌入式算法。驗證算法并使用覆蓋率，靈敏度，正生產率和連續差異的均方根與心電信號的逐搏結果進行比較。

基于PPG形態的節拍算法

在本節中，我們將解釋由（i）組成的腕部PPG信號的逐搏算法的細節。預處理，以及（ii）高分辨率逐跳提取模塊。該算法的框圖如圖1所示。

預處理

PPG信號對血液灌注不良的敏感性外圍組織和運動偽影是眾所周知的.18為了最小化這些因素在逐次估計的PPG分析的后續階段中的影響，需要預處理階段。該步驟包括：

取景和開窗

帶通濾波（0.4 Hz至4 Hz）

自動增益控制（AGC）以限制信號電平

信號平滑和基線漂移移除

使用T 0 秒的窗口處理PPG輸入數據，并通過使用mT移動窗口來處理更多塊 0 （即m = 3/4）重疊。然后需要帶通濾波器去除PPG信號的高頻分量（例如電源），以及低頻分量，例如毛細血管密度和靜脈血容量的變化，溫度變化等。圖2a和2b示出了濾波之前和之后的PPG信號。濾波器的截止頻率為0.4 Hz和4 Hz。 HR的基頻范圍在0.4Hz至3Hz之間。因此，使用稍高于節拍估計的范圍允許我們包括強調節拍時間的諧波。使用中值濾波器從濾波后的信號中去除突然尖峰。然后，AGC模塊將信號電平限制為±V伏，以便通過在稍后階段檢查信號的幅度來驗證所選擇的峰值。用于HRV的持久PPG測量過程不可避免地引入另一種類型的偽像，例如基線漂移。因此，使用低通有限脈沖響應（FIR）濾波器來平滑幀中的PPG樣本陣列（如圖2c所示），以消除基線漂移噪聲，并為描繪模塊獲得更平滑的信號。

高分辨率節拍提取模塊

逐搏提取算法包含以下模塊：

插值

描述

高分辨率逐跳提取

信號質量指標

預處理模塊的輸出被饋送到插值塊以增加逐搏提取算法的準確性。如果在第一幀中給出從t 0 到t τ的PPG段，其中b 0 和b的逐拍間隔τ，我們使用端點之間的n個點線性插值逐拍間隔值，然后從b 中提取高分辨率的逐拍（例如，1 ms分辨率） 0 和b τ。接下來，描繪模塊依賴于信號形態以及節奏信息來提取峰值和起始點。因此，不僅需要收縮峰，而且還應報告逐搏檢測的起始和重搏切口。所提出的描繪器在理論上類似于論文“用于光電容積描記波形的自適應調節器” 12 和“On a Automatic Delineator for the Motionerial Blood Pressure Waveforms”，并且它通過使用來自信號的一階導數的一對拐點和過零點來適應腕部PPG信號。圖2d繪制了PPG表征的拐點和過零點。對于過零點，信號使用零相位失真濾波器進行處理，通過匹配初始條件最小化啟動和結束瞬變。這是為了確保在過濾后保留時域功能。注意，來自PPG波形的導數的起始對應于最大拐點之前的過零點，而收縮峰值與該拐點之后的過零點相關。用于該逐拍算法的信號質量度量是清晰度并且指示信號具有音調的程度。該度量最初是在Philip McLeod和Geoff Wyvill的文章“尋找間距的更智能方法”中提出的，其中使用歸一化的平方差函數（一種自相關函數形式）來尋找周期性。信號。我們使用此指標來確定逐搏算法何時有信心報告峰值和開始。

ADI手腕平臺的評估結果

我們將PPG逐搏算法結果與Pan-Tompkins算法的結果進行比較，這是一種公認的ECG峰值檢測算法。收集數據以使用ADI生命體征監測（VSM）腕表平臺評估我們的算法。 ADI VSM iOS應用程序用于通過藍牙?連接與手表連接。 ADI腕表包括一個PPG傳感器，用于收集受試者手腕的PPG信號。還在ADI腕表上收集了ECG信號。將三個ECG電極連接到受試者的胸部區域。來自這些電極的導線連接到ADI腕表，在那里信號被處理并與PPG信號同時記錄。該平臺提供同步的PPG和ECG信號。圖3a顯示了用于數據收集的ADI腕表，而圖3b顯示了從平臺獲得的iOS應用程序界面和樣本信號。

評估指標和結果

在計算逐搏指標之前，重要的是要有一個異常值去除過程，用于識別Pan-Tompkins算法輸出中的丟失/額外峰值以及我們的PPG逐搏算法輸出。忽略丟失/額外峰值會導致異常節拍持續時間，從而導致不準確的結果。通過觀察Pan-Tompkins算法提供的連續搏動持續時間來識別ECG信號中的丟失/額外峰值。任何將搏動持續時間改變超過20％的心電圖峰值都被標記為異常值。在去除這些ECG峰值之后，通過將每個ECG峰值與PPG信號中的峰值相關聯來識別PPG信號中的丟失/額外峰值。如果PPG峰值在ECG峰值的時間附近，則其與ECG峰值相關。當無法識別PPG峰值或在ECG峰值的時間接近度內識別出太多峰值時，將這些峰值識別為異常值。這些丟失/額外PPG節拍引起的異常節拍持續時間將被忽略為度量計算過程中的異常值。

使用我們提出的算法和Pan中的逐搏值計算多個指標-Tompkins算法。這些指標是：（i）覆蓋范圍（公式1）; （ii）靈敏度或Se（等式2）; （iii）正預測性或P +（等式3）; （iv）連續差異的均方根或RMSSD（公式4）。圖4顯示了用于度量計算的一些值的直觀表示。

其中TP（真陽性）是PPG B2B算法正確識別的心跳數，FP（誤報）是PPG心跳的數量這與心電圖中的實際心跳不對應，而FN（假陰性）是PPG搏動 - 跳過算法錯過的心跳次數。相間間隔（IBI）是連續ECG峰值，PPG峰值或PPG開始之間的時間。

為了評估我們的算法，同時為每個受試者收集PPG和ECG信號。收集了大量不同年齡，膚色和體型的受試者的數據。這是為了確保我們的評估結果與所有人群相關。在27名受試者（具有不同膚色的男性和女性）上收集數據，每次2分30秒。要求受試者站在上半場，并在下半場休息。表1顯示了節拍與節拍算法的每個度量的平均結果。如表中所示，覆蓋率，靈敏度和陽性預測均高于83％，腕部數據的平均RMSSD差異低于20 ms，與ECG信號的結果相比。

討論與結論

強勁的峰值本文提出了手腕PPG信號進行PRV分析的起始檢測算法，該算法采用多階段預處理，提出了一種混合描繪算法，用于檢測手腕PPG信號的基準點，并以ADI多感知手表為評價平臺。結果顯示，與心電圖HRV有很強的相關性和一致性。未來的工作將集中在應用運動抑制算法和處理PRV分析中缺失的節拍問題。