一款耳部血氧饱和度采集装置的研制*

李伟权，周文光

(1.厦门海洋职业技术学院，厦门 361102；2.32251部队医学工程科，厦门 361003)

1 引 言

随着医疗物联网的兴起和智能可穿戴设备的普及[1-9]，人体生理信号的检测已无需依赖复杂昂贵的临床诊疗设备即可实现，并且可在日常生活中进行实时监测。

血氧饱和度(SpO2)是是呼吸循环的重要生理参数。临床上通过监测SpO2可以对血液中的氧含量和人体的缺氧情况进行估计。

SpO2目前比较普遍的检测方法是无创光电容积脉搏波法(PPG)[10-17], 其基本工作原理来自于谱分析，运用溶液中某种成分对特定波长光的独特吸收特性来对其进行探测和定量。图 1是血红蛋白(Hb)和氧合血红蛋白(HbO2)在波长位于红光至近红外光时的光吸收谱，可以看到在 660 nm 处， Hb对光的吸收量近十倍于 HbO2，而在 940 nm 处，恰恰相反，HbO2对光的吸收更强，即在这两个波长处，Hb和HbO2具有较强的“对比度”。

图1 Hb和HbO2的光线吸收曲线Fig.1 Light absorption curves of Hb and HbO2

因此，根据朗伯-比尔定律，SpO2可以通过检测两种光经过人体的吸收率获得,见式(1)、式(2)。

SPO2=A-B×R

(1)

(2)

式中，A,B为常系数，可通过实验确定。R为光吸收比例系数，λ1和λ2为红光和红外光的波长，IDC和IAC分别表示光强经过人体后的直流分量和交流分量。

2 耳部血氧饱和度检测

传统的SpO2检测一般是在肢体的末端血管丰富的部位，如手指、耳垂等，信号采集的方式可以是透射式也可以是反射式。耳道也是测量多个生理参数的理想区域，因为颈动脉血管系统沿着耳道区域垂直运行，且还有一个毛细血管系统穿过对耳屏和耳垂，见图2。这就为应用PPG技术检测SpO2信号提供了良好的检测环境。[18-21]

图2 耳道解剖图

但是，传统检测SpO2的传感器体积较大，且结构不适用于耳朵区域的检测，所以，耳朵区域的生理信号检测一直未得到发展。随着传感器技术的进步，以及可穿戴医疗技术的应用，SpO2检测技术得到改进。美信公司的MAX30102传感器模块是一款新型的SpO2检测传感器，见图3。它集成了红光和红外光发射模块及光学传感器接收模块，集成LED驱动电路，A/D转换电路，自带的处理器可以自动控制检测时序，采用I2C通讯，功耗低，应用非常简便。

图3 MAX30102检测原理 Fig.3 MAX30102 test principle

耳部血氧采集的装置是基于MAX30102芯片设计的入耳式耳塞装置(见图4)，在与耳屏接触的部位应用PPG技术实现检测SpO2。整个系统的设计结构见图5。

图4 耳塞式血氧饱和度检测装置实物图

图5 耳塞式血氧饱和度检测装置系统结构图

由图5可知，整个系统分为主控芯片，电源模块，音频模块，血氧检测模块，蓝牙通信模块，加速度传感器检测电路等六部分。音频模块由音频电路、喇叭和麦克组成，主要实现耳机的语音和音频播放功能；蓝牙模块负责通信，可以和移动终端连接，并传输音频信号和SpO2信号。SpO2检测电路和检测光路组成血氧检测模块，检测电路由MAX30102及外围电路组成，检测光路主要保障检测芯片发射和接收的红外光能够聚焦投射到耳道的检测区域和检测芯片上，并减少环境光对检测芯片的影响。加速度传感器检测电路采用三轴加速度计和外围电路组成，可检测人体在三个轴向的运动信号，并结合动态滤波器滤除信号的运动干扰。整套系统采用电池供电，由电源管理模块负责电池的充放电管理。主控芯片负责系统与各模块进行数据交互和控制，完成数据的提取以及血氧饱和度值的计算和滤波算法的实现，所以主控芯片采用计算能力强，片上资源比较丰富的高性能单片机。本系统采用STM32F4系列MCU芯片，该芯片带有DSP库，可以进行浮点运算。

SpO2检测中光路的稳定性非常关键，人体的运动会造成耳塞在耳道内的位移，会给SpO2信号的检测带来干扰，影响检测精度。需增加检测装置和耳道之间的压迫力，使检测装置紧贴耳道，以此来减少或避免位移。为此，在耳塞检测部位与对耳屏接触的位置，我们加入了一个特制的硅胶导光柱[22]以实现检测部位与皮肤的紧密接触，见图6。导管柱采用独特的光学结构，可以保证发射和接收的红外光能够聚焦在导光柱内，减少光线的散射，同时外部的环境光也无法透过导光柱进入到检测芯片中。遮光罩是隔光材料制成，也可以有效避免外部光线进入检测芯片。这样整个装置既可有效避免环境光的干扰，也可以减少运动带来的伪影。

图6 导光柱结构

3 抗运动干扰算法

运动干扰是可穿戴检测技术遇到的主要技术障碍，对于耳部血氧饱和度检测来讲，运动干扰主要是由运动过程中检测探头与受测部位的相对位移以及静脉搏动等造成的检测光程的改变引起。为了有效滤除运动干扰信号，装置中结合加速度传感器技术应用自适应滤波算法滤波器(LMS)对采集的信号进行滤波处理。自适应滤波算法在未知干扰信号频率的情况下，将信号中的干扰成分进行动态跟踪，并进行滤除。而SpO2检测中的运动干扰属于频率不固定的干扰信号，适合采用LMS对采集信号进行滤波处理[23-26]。

图7 自适应滤波器原理

最小均方误差 (least-mean-squares，LMS)算法[27-32]，是由 Widrow和Hoff提出的线性自适应滤波算法，包括滤波过程和自适应过程。因其计算量小、易于实现，而在实践中被广泛用。

图7为自适应滤波器(LMS)的原理，图中x(n)为输入信号，即采样获取的信号，d(n)为参考信号，即运动干扰产生的信号源。在此，用加速度传感器的信号作为运动干扰信号的信号源。在LMS中，输入信号x(n)通过一个fir滤波W(n)获得信号y(n),通过y(n)与参考信号d(n)作比较，得到差值ε(n),ε(n)作为滤波器W(n)的相关系数动态调整W(n),最终使得y(n)接近参考信号d(n),ε(n)收敛为最小。这样就获得了检测信号x(n)中的运动干扰分量y(n)。去除y(n)分量，x(n)实现了运动干扰滤除。其中n值代表了LMS的阶数，n值越大滤波器的效果越好，计算量也越大。滤波器W(n)的选择则决定了LMS的收敛速度。这些参数都需要根据实际经验进行调节。

4 实验

实验中，挑选志愿者实际佩戴装置后，进行行走运动，耳机采用电池供电，PPG信号检测数据，人体运动的三轴加速度数据，MCU主控芯片通过抗运动干扰算法后计算的结果及最终计算的SpO2值都通过蓝牙传输到上位机，通过上位机将四组数据进行提取，并应用matlab对数据进行分析。

以x轴的加速度数据作为LMS的输入信号input(x)，以带噪声的红光或红外光检测信号作为滤波器的目标信号desired(d),经滤波器自适应迭代后，得到的输出信号output是所要滤除的噪声，残差信号error是滤除噪声后的纯净红光或红外光的反射信号。

LMS的主要参数是学习步长和滤波器阶数，步长μ是LMS的重要参数，过小影响收敛速率，过大则会导致不稳定，并影响到SpO2和HR的处理准确性。经实测，对比不同的步长对SpO2和 H值的影响，本研究设置学习步长μ为0.017；考虑到系统的计算资源比较有限，同时SpO2检测的实时性要求，本研究滤波器阶数为35。则滤波器滤波结果见图8—图10。

图8 LMS滤波结果分析图

通过实验可以看出，原始的PPG信号因为运动干扰的影响在波形中出现许多尖峰和毛刺，并且波形还出现了基线漂移。这些都会影响SpO2数值的计算以及脉率的检测。在有运动干扰的情况下，通过PPG信号计算脉率会造成数据不准确，并且数值变化起伏比较大。同样SpO2的计算也会受到很大的影响，数值跳动比较剧烈，会出现很多低于正常值的无效值(因受试者为健康人，SpO2值应保持在97以上)，有时会无法计算获取结果。而通过LMS处理后的信号，已基本滤除了波形中的干扰信号，且基线也比较稳定，同时滤波后计算获得的脉率值和SpO2值也比较稳定。这说明LMS可以有效滤除运动干扰信号，提高信号的准确性。

图9 滤波前后脉率计算结果

图10 滤波前后血氧饱和度计算结果

5 结论

由实验可知，在结构上增强光路的抗干扰性，在算法上加入自适应滤波算法，可以有效提高耳部SpO2采集的准确性。同时耳部虽然也可以作为多个生理参数的理想采集区域，但是耳部装置的可固定性，装置抗运动和位移干扰的能力等方面都有待加强，目前的研究仅限于被测者平稳缓慢走动中的信号采集，受制于硬件的处理能力，自适应滤波算法的步长和滤波器的阶数都有所受限。如要实现被测者剧烈运动等场景下的SpO2的准确测量，需要在装置的结构、采集的方法、数据处理的能力等方面做更深入的研究。