CN113288103A - 一种无创心排量监测***与方法 - Google Patents

Abstract

本发明涉及生物医学工程技术和信息处理技术领域，具体涉及一种无创心排量监测***与方法，监测***包括上位工控机、下位嵌入式***；下位嵌入式***包括心电信号、胸阻抗和加速度检测模块；通过下位嵌入式***将采集到的心电信号、胸阻抗信号和运动状态信号发送至上位工控机，上位工控机依次对心电信号和胸阻抗信号进行带通滤波、去趋势及标准化处理，再经过集合经验模态分解和典型相关分析处理后，结合算法得到信号波形的重要特征点，再结合建立的生物模型计算血流动力学参数；本发明在硬件上通过注入人体高频低振幅的电流，避免了测量信号受到来自其它电子或生理发射器的低频噪声干扰；克服了传统的ICG模型依赖于人体基阻抗Z0的弊端。

Description

一种无创心排量监测***与方法

技术领域

本发明涉及生物医学工程技术和信息处理技术领域，具体涉及一种无创心排量监测***与方法。

背景技术

基于生物电阻抗技术的心排量监测***，对于心脏重症康复具有巨大的应用价值，其血液动力学数据反映心脏泵血、人体器官与组织氧代谢、外周循环阻力等方面指标，其临床价值日益显著，为心血管临床患者的诊断与治疗提供直观的参考数据。传统有创血流监测技术如Swan-Ganz与PICCO虽然是金标准，但其高价格、存在风险、耗时长、需要特殊设备和技术培训等运用瓶颈，很多医院很难购买该设备，而且也无法进行动静状态下心功能评价。随着科技进步，开始从传统有创方法向超声及电阻抗无创测量方向发展，无创电阻抗技术采用对机体没有损害的方法，经皮肤或粘膜途径间接取得有关心血管功能的各项参数。国际上美国和欧洲对电阻抗技术研究起步较早，早期由于其受病人呼吸以及运动等影响因素太多，但由于数字信号处理技术的发展，近些年国外相关机构已开发相关的电阻抗产品并推广。

我国关于这方面的研究起步较晚，当前国内基于电阻抗技术的高性能运动心功能测量产品基本为空白。近年来当前医学理念发生重大改变，专家一致认为心肺康复有助于降低心血管重症患者再次发生风险及死亡，很多三甲医院已经开始实行康复训练，急需相关产品可以长期连续检测病人的相关信息，便携式无创心功能监测设备可以接入医院物联网平台，便于医生长期了解病人静息和动态信息，定期给予健康指导与治疗，给予患者良好体验，将在医院的各个科室得到广泛应用。

心脏康复是突破目前我国心血管病防治的重要措施，有助于降低心血管重症患者再次发生风险及死亡。人体心肺组织具有很强的代偿性，仅静态心功能测试评估具有很大的局限性，因此运动状态下评估心功能与康复的重要依据。目前国内静态心功能产品技术开始展现，但是如运动心功能测试仪、运动心电等心功能检测设备基于依赖于进口，且检测设备较为昂贵，操作性难度高，在医院、社区、家庭等康复场所难以得到广泛推广，严重制约了心脏康复服务发展。

有鉴于此，本发明的目的在于提供一种心排量监测***与方法，用于准确评估动静状态下人体心功能状况。

发明内容

本发明的目的在于克服现有技术中的不足，提供一种无创心排量监测***与方法。

为了实现上述目的，本发明采用以下技术方案予以实现：

一种无创心排量监测***，包括上位工控机及与其数据通信连接的下位嵌入式***，所述的下位嵌入式***包括心电信号采集模块、胸阻抗采集模块和运动加速度检测模块；

其中，通过下位嵌入式***将实时采集到的心电信号、胸阻抗信号和运动状态信号发送至所述的上位工控机，所述的上位工控机依次对心电信号和胸阻抗信号进行带通滤波、去趋势及标准化处理，再经过集合经验模态分解和典型相关分析处理后，结合算法得到阻抗信号波形的重要特征点，再结合建立的生物模型计算血流动力学参数。

本发明还提供了一种无创心排量监测方法，所述的方法包括：采集待监测对象某一时间点的心电信号、胸阻抗信号和运动状态信号；对采集到的心电信号和胸阻抗信号进行带通滤波、去趋势及标准化处理，再对得到胸阻抗信号分别进行集合经验模态分解，结合运动状态信号进行典型相关分析；再结合算法提取波形的特征点，结合建立的生物模型计算血流动力学参数。

优选地，所述集合经验模态分解的具体步骤是：

采用集合经验模态分解对心电信号和胸阻抗信号进行信号分解，经过k次反复筛选，h₁成为IMF，即：

h_1k＝h_1(k-1)-m₁₁ (1)

相应地，h1被指定为数据中的第一个IMF成分，为了使得分解后的IMF满足希尔伯特变换特性，决定了产生IMF的筛选步骤的数量，可得到x(t)，

实现了将数据分解为n个经验模式的过程，对于心电信号和胸阻抗信号经分解所得到的若干IMF，对每个IMF计算信号主频率，并筛选主频率落在心率范围IMF，其它的IMF直接置零，筛选能够去除非心率主频率成分的噪声成分，并最大程度保留包含心率成分的模态，提高信噪比。

与现有技术相比，本发明具有以下技术效果：

本发明提供的无创心排量监测***与方法，在硬件上通过注入人体高频低振幅的电流，避免了测量信号受到来自其它电子或生理发射器的低频噪声干扰；

另外，通过软件给出新型的滤波方法很好地消除与心脏周期和心脏血流无关的胸阻抗信号伪影，由于噪声相对振幅与心脏信号的振幅无关，提高了信号共模抑制比，降低了噪声干扰；

本发明提供的心排量模型克服了传统的ICG模型依赖于人体基阻抗Z0的弊端，测量的关键参数不受电极放置位置偏差的影响。

本发明的其他特征和优点将在随后的具体实施方式中予以详细说明。

附图说明

图1示出为根据本发明具体实施方式提供的一种无创心排量监测***的示意图；

图2示出为本发明中无创心排量监测***的示意图；

图3示出为本发明中胸阻抗信号运动噪声方法去除处理流程图；

图4示出为本发明中心排量建模图。

具体实施方式

为了使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解，下面结合具体附图，进一步阐明本发明。

结合图1、2所示，本发明提供了一种无创心排量监测***，包括上位工控机及与其数据通信连接的下位嵌入式***，所述的下位嵌入式***包括心电信号采集模块、胸阻抗采集模块和运动加速度检测模块；其中，通过下位嵌入式***将实时采集到的心电信号、胸阻抗信号和运动状态信号发送至所述的上位工控机，

所述的上位工控机依次对心电信号和胸阻抗信号进行带通滤波、去趋势及标准化处理，再经过集合经验模态分解和典型相关分析处理后，结合算法得到信号波形的重要特征点，再结合建立的生物模型计算血流动力学参数。

本发明中，所述的运动加速度检测模块具体为三轴加速度检测模块，通过三轴加速度检测模块可监测人体状态，通过分析不同姿态时各轴加速度与总加速度的数据信息，利于通过频谱信息去除运动干扰噪声，实现动态时阻抗波形重现。

本发明中，通过对传统模型分析基础上，结合大量人体生理参数、包括年龄、身高、体重以及性别血压等建立合适的人体射血量SV模型，尤其建立的模型不依赖人体基阻抗Z0，避免传统基阻抗受电极位置影响，测量的数据重复性不好。

本发明中，上位工控机***对接收的数据信号处理，通过对特征点R点识别检测心率HR，识别阻抗微分心动图上射血时间开始B点以及射血关闭X点提取左心室射血时间VET，识别射血流速峰值C点、通过建立的模型计算每搏量SV、心排量CO及其心功能指数CI、外周血管阻力SVR以及射血分数EF等血流动力学重要参数指标。

本发明还提供了一种基于上述监测***进行心排量监测的方法，所述的方法包括：

采集待监测对象某一时间点的心电信号、胸阻抗信号和运动状态信号；

然后，对采集到的心电信号和胸阻抗信号进行带通滤波、去趋势及标准化处理，再对得到的心电信号和胸阻抗信号分别进行集合经验模态分解，

以及，结合运动状态信号进行典型相关分析；

再结合算法提取波形的特征点，结合建立的生物模型计算血流动力学参数。

本发明中，所述的下位嵌入式***通过控制信号发生器产生正弦波输入到恒流源，正弦波恒流激励信号通过四电极导联线连接于人体，用于检测人体变化的信号；

更为具体的，通过在待监测人员剑突处右侧胸骨处放置电极，电极联线向胸部输入高频低幅恒量电流，心脏收缩与舒张周期性活动会引起胸腔血液流动发生周期性变化，造成胸腔电阻呈周期性改变，生物体容积变化形成阻抗血流图；检测电路通过对人体状态检测，采集信号程控放大，滤波，将采集的心电信号和胸阻抗信号传输至上位工控机。

根据本发明，对于心电信号比胸阻抗信号通常要强得多，心电信号通过带通滤波和中值滑动平均处理以及趋势后可得到很好的心电信号，而对于胸阻抗信号而言，考虑到心电信号、胸阻抗信号和加速度信号具有很强的时间序列相关性，采用典型相关分析CCA结合集合经验模态分解EEMD进行MA的去噪处理，由于心电信号和胸阻抗信号均为单通道信号，可先采用EEMD将心电信号和胸阻抗信号分解为多通道本征模态函数IMF，然后利用CCA将各自典型相关变量中对应运动噪声的成分置零，最后再利用心电信号和胸阻抗信号的相关性，进行CCA提取并选取去噪后的胸阻抗信号分量，处理流程如图3所示。具体的细节如下：(1)心电信号和胸阻抗信号的带通、去趋势及标准化处理：输入的心电信号和胸阻抗信号先采用带通滤波器进行滤波，为了进一步去除原始信号受呼吸等噪声的趋势干扰，采用平滑先验信息的去趋势技术对信号进行预处理。该方法简单易行，仅用一个参数就能对频率响应进行适当的调整，去趋势后的信号具有不同的幅值，为了能够更好的处理数据，对信号采用标准化：

其中，μ为信号均值，σ为信号标准差。将心电信号和胸阻抗信号均经过上述带通滤波、去趋势和归一化预处理，作为后续去噪算法的输入信号。

(2)心电信号和胸阻抗信号集合经验模态分解

在胸阻抗信号的去噪过程中，采用集合经验模态分解对上述心电信号和胸阻抗信号进行信号分解。经过k次反复筛选，h₁成为IMF，即：

h_1k＝h_1(k-1)-m₁₁ (4)

相应地，h₁被指定为数据中的第一个IMF成分，为了使得分解后的IMF满足希尔伯特变换特性，决定了产生IMF的筛选步骤的数量，可得到x(t)，

实现了将数据分解为n个经验模式的过程，对于心电信号和胸阻抗信号经分解所得到的若干IMF，对每个IMF计算信号主频率，并筛选主频率落在心率范围IMF，其它的IMF直接置零，筛选能够去除非心率主频率成分的噪声成分，并最大程度保留包含心率成分的模态，提高信噪比。

(3)典型相关分析

由于心电信号和胸阻抗信号均受运动噪声的干扰，胸阻抗信号(心电信号)和加速度信号包含高度相关的运动噪声成分，心电信号和胸阻抗信号包含高度相关的心率成分，采用典型相关分析方法先部分去除胸阻抗信号/心电信号各自的运动噪声干扰，然后再用CCA提取二者共同的心率部分。

典型相关分析(CCA)用于研究两组变量X＝(x₁,x₂,...,x_p)和Y＝(y₁,y₂,...,y_q)之间的相关关系。其主要过程如下：CCA中用复相关系数描述两组随机变量X和Y之间的相关程度。其思想是先将每一组随机变量作线性组合，成为两个随机变量：

将两组变量的协方差矩阵分块得:

记

则得

M₁a＝λ²a，M₂b＝λ²b (9)

设M₁a＝λ²a的特征根排序为

其余p-q个特征根为0，我们称λ₁，λ₂，...，λ_q为典型相关系数。相应从M₁a＝λ²a解出的特征向量为a₁，a₂，...，a_q，从M₂b＝λ²b解出的特征向量为b₁，b₂，...，b_q，从而可得q对线性组合：

称每一对变量为典型变量。求典型相关系数和典型变量归结为求M₁和M₂的特征根和特征向量。最终通过CCA所求得的所有u_i、v_i就分别组成矩阵U、V，所有的a_i、b_i则分别组成线性系数矩阵A^T和B^T

U＝A^TX，V＝B^TY (11)

由此使用一种基于运动检测的相关性滤波方法。基于运动状态检测的运动伪迹消除：(1)将采集到的阻抗信号进行低通与高通阈值除噪，消除50Hz工频干扰和肌电噪声，得到只含运动伪迹噪声的心阻抗信号，将采集到的加速度信号判断人体的运动状态。

(2)通过三轴加速度传感器采集人体状态信息，判断加速度阈值M(t)，当为正常活动运动状态下，采用EEMD结合CCA算法对运动伪迹进行自适应消除；当M(t)＝0时，为近似静止状态，此时阻抗信号不含运动伪迹噪声，不需要进行额外的滤波处理。在没有运动伪迹的阻抗波形处，判断为近似静止状态则不进行滤波处理，保留了良好的阻抗波形。

测量***采用四电极测量胸阻抗，胸阻抗波形中B波为主动脉瓣打开、X是主动脉瓣关闭、VET射血时间、SV每搏量，O波房收缩波，ICG心阻抗信号可以实时反映心脏状态、且特征点明显。拟构建心排量模型原理基于红细胞的周期规律排列与心脏射血周期对应，在心脏舒张期红细胞排列杂乱，心脏射血期红细胞排列整齐。如下图4所示，波形第一行为ECG心电图、波形第二行为胸阻抗波形ΔZ(t)、波形第三行胸阻抗一阶微分dZ/dt。当主动脉瓣打开时，红细胞从随机方向向排列方向的变化会导致传导率的急剧上升(对应于阻抗的急剧下降)。ΔZ(t)信号的斜率越陡，或dZ(t)/dt的峰值振幅越高，排列一致过程越快，因此心脏的收缩性越高。电测速模型以dZ(t)/dt的峰值振幅除以阻抗变化量ΔZ作为主动脉峰值速度的指标V＝(dZ(t)/dt)_max/(ΔZ_max-ΔZ_min)*1000，胸电生物阻抗法估计心排量(SV)的一般公式通过计算出患者常数BSA与血流时间、心率和血压相关,具体的模型计算公式如下

SV＝K₁*BSA*V*FTC*(K₂*PP+K₃*HR) (12)

其中BSA与人体重量、身高等有关，血流速度V主要与dZ(t)/dt_max阻抗信号微分最大值决定，对射血时间VET矫正：

T_RR为心电RR间期，HR为心率，PP是实测的脉压，K₁，K₂，K₃分别是校正系数，取决于硬件与软件滤波后阻抗波形变化。血流动力学的射血分数、心收缩指数、左心做功指数、外周血管阻力指数等参数都依赖于心排量计算的值，因此只要通过模型计算出心排量值即可。

根据模型及给出下列关键参数计算公式：心排量CO＝HR*SV/1000

心功能指数CI＝CO/BSA 心每搏指数SVI＝SV/BSA

外周血管阻力SVR＝80*(MAP-CVP)/CO

左心做功指数LCWi＝0.0144*CI*MAP，MAP为平均血压。

射血分数EF＝84-(64*(PEP/VET))，其中PEP是射血前期，VET为心脏射血时间。

对于运动时，基于人体静态下进行校准，对静态SV_cal进行测量，动态下每搏量SV公式如下：

sv＝sv_cal*((dz/dt_max)/(dz/dt_max)_cal*VET_cal/VET)^1/3*K₇，K₇为校正系数，(dz/dt)_cal和VET_cal是校准值。

以上显示和描述了本发明的基本原理、主要特征和本发明的特点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明的范围内。本发明要求保护的范围由所附的权利要求书及其等效物界定。

Claims (7)

1.一种无创心排量监测***与方法，其特征在于：包括上位工控机及与其数据通信连接的下位嵌入式***，所述的下位嵌入式***包括心电信号采集模块、胸阻抗采集模块和运动加速度检测模块；通过下位嵌入式***将实时采集到的心电信号、胸阻抗信号和运动状态信号发送至所述的上位工控机，所述的上位工控机依次对心电信号和胸阻抗信号进行带通滤波、去趋势及标准化算法处理，再经过集合经验模态分解和典型相关分析处理后，提取信号波形的重要特征点，再结合电速法建立可靠的血流动力学模型计算相关生物参数。

2.根据权利要求1所述的一种无创心排量监测***与方法，其特征在于：该***采用六导联电极测量方式，两电极ECG1和ECG2单导二导联联方式用于监测人体心率与算法触发处理，而另外四电极分别Z1和Z2贴于颈动脉位置，而Z3与Z4贴于胸部剑突处右侧肋骨用于测量胸阻抗信号，采集待监测对象某一时间点的心电信号、胸阻抗信号和运动状态信号。

3.根据权利要求1所述的一种无创心排量监测***与方法，其特征在于：对测量的胸阻抗信号的进行频域滤波并滑动平均处理，去趋势、经验模态分解EEMD以及典型相关分析CCA等处理实现对工频、呼吸、肌电以及运动等噪声干扰的去除，提高***的抗干扰能力，对特征点识别重构得到滤波后的阻抗以及阻抗微分的波形。

4.根据权利要求3所述的一种无创心排量监测***与方法，其特征在于，具体包括以下步骤：

(1)下位嵌入式***采集监测对象的心电信号、胸阻抗信号和运动状态信号，并通过蓝牙数据通信发送至上位工控机；

(2)上位工控机采用傅里叶变换从频谱处理对采集的心电与阻抗信号滤波，去除与心率频率无关的成分，通常设置在0.5-3HZ；

(3)通过对采集的心电与阻抗信号去趋势，并归一化处理，作为后续算法的输入信号；

(4)采用改进的经验模态分解EEMD方法对信号分解，经过K次筛选，选出合适的IMF本征态，筛选的IMF需要主频率落在心率范围的IMF，其它IMF进行置零，最大程度的保留心率成分的模态，提高信噪比，在重构回信号；

(5)在人体运动时通过采结合典型相关分析方法，进一步提取两者共同的心率成分，去除与心电信号无关的运动干扰。

5.根据权利要求4所述的一种无创心排量监测***与方法，其特征在于：采用集合经验模态分解对胸阻抗信号x(t)进行信号分解，经过k次反复筛选IMF，对于胸阻抗信号经分解所得到的若干IMF，对每个IMF计算信号主频率，并筛选主频率落在心率范围IMF，其它的IMF直接置零，最后在叠加筛选出能够去除非心率主频率成分的噪声成分，重构出新的信号，提高信噪比。

6.根据权利要求1所述的一种无创心排量监测***与方法，其特征在于：通过三轴加速度检测模块可监测人体状态，通过分析不同姿态时各轴加速度与总加速度的数据信息，利于通过频谱信息保留心率成分去除运动等干扰噪声，实现动态时阻抗波形重现。

7.根据权利要求1所述的一种无创心排量监测***与方法，其特征在于：通过对传统模型分析基础上，结合大量人体生理参数、包括年龄、身高、体重以及性别血压等建立合适的人体射血量SV模型，尤其建立的模型不依赖人体基阻抗Z0，避免传统基阻抗受电极位置影响，测量的数据重复性不好。

Images