本發(fā)明屬于醫(yī)療設備技術領域，特別涉及一種阻抗式呼吸信號測量系統(tǒng)。

背景技術：

隨著BIA(生物電阻抗)技術的普及與應用，通過BIA獲取人體成分參數(shù)來檢測人體健康狀況的產(chǎn)品也越來越多和越來越完善，采集阻抗信息的方式也由2電級進化到4電極和8電極，激勵電流也從單一頻率增加到多頻段分析，檢測的參數(shù)也越來越豐富，不僅可以檢測出阻抗值，進而計算獲取各種人體成分給健康生活提供更準確更有用的參考，而且還可以通過上肢阻抗信息獲取呼吸信號，給人體健康監(jiān)護提供更多一層的支持和保障。

但是，原有通過人體阻抗測量呼吸的地采集方式需要通過貼電極片到胸腔或腹部等身體部位，采集方式繁瑣、不方便。而直接通過手握式的BIA獲取呼吸信號仍然沒有廣泛普及開來，主要原因是，通過阻抗獲取的呼吸信號相對干擾較多，無法準確和有效的獲取呼吸率。

如專利申請201310167857.8公開了一種阻抗式呼吸測量系統(tǒng)，包括：呼吸載波信號獲取模塊，用于獲取呼吸載波信號；解調(diào)濾波電路模塊，用于對呼吸載波信號進行解調(diào)、濾波，得到呼吸波形信號；放大電路模塊，用于對呼吸波形信號中的交流分量進行放大，得到放大波形信號；波形基線調(diào)節(jié)電路模塊，用于實時調(diào)節(jié)放大電路模塊的狀態(tài)為非飽和放大狀態(tài)；高通濾波電路模塊，用于濾除放大波形信號中的直流信號，得到第一模擬波形信號；模數(shù)轉(zhuǎn)換電路模塊，用于對第一模擬波形信號進行模數(shù)轉(zhuǎn)換，得到第一數(shù)字波形信號；微控制器處理模塊，用于對第一數(shù)字波形信號進行數(shù)字信號處理，得到呼吸測量結(jié)果。然而通過阻抗信號獲取呼吸率的阻抗信號采集方式都是通過貼電極片等方式，適用性不廣，結(jié)構(gòu)也顯得較為復雜。

技術實現(xiàn)要素：

基于此，因此本發(fā)明的首要目地是提供一種手握式多頻段阻抗呼吸信號測量系統(tǒng)及測量方法，該測量系統(tǒng)及測量方法在有效除去基線漂移強烈影響下，通過幅度監(jiān)測運動信息以及標準呼吸模版的建立與比對，能較為準確的排除基線漂移和運動干擾，從而準確地測量出呼吸信號。

本發(fā)明的另一個目地在于提供一種手握式多頻段阻抗呼吸信號測量系統(tǒng)及測量方法，該系統(tǒng)及測量方法不僅能準確測量出阻抗及人體成分，還得到較為準確的呼吸率。

為實現(xiàn)上述目的，本發(fā)明的技術方案為：

一種手握式多頻段阻抗呼吸信號測量系統(tǒng)，其特征在于該系統(tǒng)包括有手握式四電極、正弦激勵信號生成模塊、采樣信號放大電路、計算分析處理模塊；所述手握式四電極分別是激勵電極N+、測量電極I+、測量電極I-，接收電極N-，所述激勵電極N+接于正弦激勵信號生成模塊的輸出端，接收電極N-接于正弦激勵信號生成模塊的輸入端；所述測量電極I+、測量電極I-分別接于采樣信號放大電路。

因為采集的是上身阻抗信號，其中夾帶的胸廓與收縮運動的呼吸信號，所以可以通過呼吸算法來提取呼吸信號和呼吸率。

所述激勵電極N+與正弦激勵信號生成模塊之間還設置有激勵信號整流放大電路、高通濾波和限流電路。

所述采樣信號放大電路與計算分析處理模塊之間設置有整流濾波電路、信號測量電路。

進一步，所述測量電極I+、測量電極I-分別通過電容接于采樣信號放大電路；所述測量電極I+通過電阻接于激勵電極N+，所述測量電極I-通過電阻接于接收電極N-。

一種手握式多頻段阻抗呼吸信號測量方法，其特征在于該方法包括如下步驟：

步驟一：獲取基線值(窗口大小)，所述系統(tǒng)從四電極獲取采樣信號作為原始信號SampleDatas，并由此得到基線值gBaseValue；

對采樣信號，先經(jīng)過整系數(shù)低通濾波處理，即進行整系數(shù)的低通濾波處理，濾波器截止頻率為F0(8Hz)，去除高頻干擾LPData；

然后根據(jù)采樣窗口的大小保存最新W0個LPData(多個原始信號)，除去其中的最大值Lmax和最小值Lmin，然后剩下的做平均值作為當前的基線值gBaseValue。

步驟二、原始信號去除基線值；將原始信號減去基線值，得到峰谷值gBaseData；

步驟三、濾波處理，去除基線漂移和干擾信號；

所述濾波處理，首先對gBaseData進行整系數(shù)的高通濾波處理，濾波器截止頻率為F1(0.15Hz)，目的是去除基線漂移，然后再進一步做整系數(shù)低通濾波處理，低通濾波器截止頻率為F2(0.8Hz)，目的是濾除高于呼吸頻率范圍的干擾信號，得到濾波結(jié)果gFilteData。

步驟四、監(jiān)測運動情況；

對濾波后的結(jié)果gFilteData進行移動窗口WB的信號幅度監(jiān)測，并判斷是否超過運動信號跳變的閾值gSportTH，當監(jiān)測到運動時返回步驟一，否則繼續(xù)。

步驟五、對濾波結(jié)果進行處理，得到呼吸波形gProData；

該步驟中，首先對gFilteData進行W1個數(shù)的平滑濾波處理，得：gSmoothData，然后再在對gSmoothData進行積分處理，積分窗口大小W2，積分的作用一方面凸顯了呼吸信號，減小了小幅度信號的影響，另一方面也起到了平滑的效果，得到呼吸波形gProData。

步驟六、查找出呼吸波形中所有的峰和谷的信息，并進行保存；

該步驟中，用凹凸算法查找出所有的峰和谷的信息，凹凸算法的判斷規(guī)則為：

先保存最新Ns點gProData到gFData[Ns]中，然后；

峰判斷(5點)：gFData[i]<gFData[i-1]且gFData[i-1]<＝gFData[i-2]且gFData[i-2]>gFData[i-3]且gFData[i-3]>gFData[i-4]；

谷判斷(5點)：gFData[i]>gFData[i-1]且gFData[i-1]>＝gFData[i-2]且gProData[i-2]<gFData[i-3]且gFData[i-3]<gFData[i-4]；

找到波峰或者波谷時，保存到波谷數(shù)組gPeakPoint[N]、gPeakValue[N]或gTroughPoint[N]、gTroughValue[N]中，并均保準在最后一個位置中，保存前將第一個位置的去掉，后面依次前移。

步驟七、根據(jù)當前峰谷信息提取呼吸模版；

所述步驟中，根據(jù)保存的峰谷信息(gPeakPoint[N]、gPeakValue[N]和gTroughPoint[N]、gTroughValue[N]，N＝5)，綜合判斷最新的峰或谷是否是標準的呼吸峰谷波形，判斷規(guī)則為：

標準峰：tem1＝gTroughPoint[3]-gTroughPoint[2]；

gThmin<tem1<gThmax；(gThmax＝600*fs/BRL、gTHmin＝600*fs/BRH,BRL和BRH為呼吸率(次/分鐘)的上下限)

&&|gTroughValue[3]-gTroughValue[2]<gZeroValue|；(gZeroValue設置為5，為趨于零閾值)

標準谷：tem2＝gPeakPoint[3]-gPeakPoint[2]；

gThmin<tem2<gThmax；(gThmax＝600*fs/BRL、gTHmin＝600*fs/BRH,BRL和BRH為呼吸率(次/分鐘)的上下限)

&&|gPeakValue[3]-gPeakValue[2]<gZeroValue|；(gZeroValue設置為5，為趨于零閾值)

找到標準峰或谷模版后，更新峰谷模版，將其作為標準峰谷模板。

步驟八、將呼吸信號與標準峰谷模版進行分析、處理，計算呼吸率。

將最新找到峰或谷信息y與標準模版x進行匹配分析，即做兩者的相關性分析(ρ_xy)，公式：

${\mathrm{\&rho;}}_{xy}=\frac{\underset{n=1}{\overset{N}{\&Sigma;}}\{x\left(n\right)-\stackrel{\&OverBar;}{x}\}\{y\left(n\right)-\stackrel{\&OverBar;}{y}\}}{\sqrt{\underset{n=1}{\overset{N}{\&Sigma;}}{\{x\left(n\right)-\stackrel{\&OverBar;}{x}\}}^2\underset{n=1}{\overset{N}{\&Sigma;}}{\{y\left(n\right)-\stackrel{\&OverBar;}{y}\}}^2}},$

其中N為數(shù)據(jù)個數(shù)，為x的均值，為y的均值；

根據(jù)求得的ρ_xy判斷當前峰谷與標準峰谷模版的相關性，在范圍[-1，+1]，值越大，相關性越大，設置ρ_xy≥gThxy時，為相關，即找到正確峰或谷信息，否則未找到，返回步驟一。

然后根據(jù)ρ_xy結(jié)果決定是否保存當前峰谷信息，對于正確峰或谷信息進行保存；對保存的峰谷信息進行判斷，判斷方式分幅度及間距的范圍限制和前后關系：

幅度：峰谷的幅度在合理范圍內(nèi)；

間距(gPeakSample[N]/gTroughSample[N])：在合理范圍內(nèi)(步驟S9中的gTHmin和gThmax)；

前后關系：幅度跳變不超過前一幅度的A1倍，間距不超過前已間距的A2倍。

最后根據(jù)獲取的有效峰谷間距值gPeakSample[N]、gTroughSample[N]來計算呼吸率gBreathValue，并將結(jié)果進行四舍五入和平滑處理。

所述的平滑處理，即保存最新RN個gBreathValue到gResultData[RN]中，然后去除其中最大max和最小min值，余下的做平均作為最終的gBreathValue。

本發(fā)明中的通過設計手握式直接測量阻抗信息的系統(tǒng)與優(yōu)化阻抗呼吸信號的測量方法，能很好的抑制強烈的基線漂移和排除運動干擾，通過幅度監(jiān)測(前后峰谷幅度的跳變關系限制)運動信息以及標準呼吸模版的建立與比對，能較為準確的排除基線漂移和運動干擾，從而得到準確的呼吸信號。

本發(fā)明不僅能準確測量出阻抗及人體成分，還能方便的測量出較為準確的呼吸率。

附圖說明

圖1是本發(fā)明所實施的手握式四電極示意圖。

圖2是本發(fā)明所實施的手握式測阻抗呼吸電路原理圖。

圖3是本發(fā)明所實施的呼吸提取算法流程圖。

圖4是阻抗呼吸波形圖。

圖5是本發(fā)明所實施的抑制基線漂移后的波形圖。

圖6是運動監(jiān)測示意圖。

圖7是本發(fā)明所實施的呼吸算法提取的呼吸波形圖。

圖8是本發(fā)明所實施的呼吸波形的波谷分析與篩選圖。

具體實施方式

為了使本發(fā)明的目的、技術方案及優(yōu)點更加清楚明白，以下結(jié)合附圖及實施例，對本發(fā)明進行進一步詳細說明。應當理解，此處所描述的具體實施例僅僅用以解釋本發(fā)明，并不用于限定本發(fā)明。

本發(fā)明所實施的手握式四電極采集阻抗信息的方案如圖1所示，采用四電極手握接觸式方式測量阻抗信息和呼吸信息。N+和N-為激勵電流的產(chǎn)生電極和接收電極，I+和I-為測量電極，即從N+和N-間輸出不同頻率的激勵電流，通過測量I+和I-間電壓信號，然后轉(zhuǎn)換成阻抗信號，進而提取阻抗值和呼吸信號。

如圖2所示為本發(fā)明所實施的整個系統(tǒng)電路圖。本發(fā)明所實現(xiàn)的手握式多頻段阻抗呼吸信號測量系統(tǒng)，包括有手握式四電極、正弦激勵信號生成模塊、采樣信號放大電路、計算分析處理模塊；所述手握式四電極分別是激勵電極N+、測量電極I+、測量電極I-，接收電極N-，所述激勵電極N+接于正弦激勵信號生成模塊的輸出端，接收電極N-接于正弦激勵信號生成模塊的輸入端；所述測量電極I+、測量電極I-分別接于采樣信號放大電路。激勵電極N+與正弦激勵信號生成模塊之間還設置有激勵信號整流放大電路、高通濾波和限流電路。采樣信號放大電路與計算分析處理模塊之間設置有整流濾波電路、信號測量電路。所述測量電極I+、測量電極I-分別通過電容接于采樣信號放大電路；所述測量電極I+通過電阻接于激勵電極N+，所述測量電極I-通過電阻接于接收電極N-。

因為采集的是上身阻抗信號，其中夾帶的胸廓與收縮運動的呼吸信號，所以可以通過呼吸算法來提取呼吸信號和呼吸率。

為了解決測量中的基線漂移，電極極化干擾，接觸判斷等難點。電路做了如下處理：無人體接觸時，兩個激勵電極和測量電極處于懸空狀態(tài)，在2個激勵電極間加入釋放電阻(R17)，以便在沒有人體接觸時為2個激勵電極做一個釋放回路。由于測量電極處于懸空時狀態(tài)不穩(wěn)定，可能會對人體接觸判斷造成誤判，為測量電極接入1/2VS可以在懸空時給一個基準電壓，就可以分辨出有無人體接觸，方便后續(xù)軟件處理。在測量電極中串入電容(C18、C19)可以有效濾除信號中無效的直流成分。在N+和I+間、N-和I-間接入電阻(R33、R34)以去除極化電壓的影響，解決基線漂移的現(xiàn)象。

如圖3所示，本發(fā)明所實現(xiàn)的呼吸提取算法控制流程為：

步驟S1：對AD采樣信號SampleDatas(如圖4所示，有較強的基線漂移干擾)進行整系數(shù)的低通濾波處理，濾波器截止頻率為F0(8Hz)，以去除高頻干擾LPData。

步驟S2：將窗口大小為W0進行平滑濾波，保存最新W0個LPData，除去其中的最大值Lmax和最小值Lmin，然后剩下的做平均值作為當前的基線值gBaseValue。

步驟S3：原始信號SampleDatas去除基線值gBaseValue，即得到谷值gBaseData＝SampleDatas-gBaseValue，這樣將SampleDatas從較大的整數(shù)統(tǒng)一縮小在0附近的值gBaseData，而不影響原來信號的波動情況。

步驟S4：對gBaseData進行整系數(shù)的高通濾波處理，濾波器截止頻率為F1(0.15Hz)，目的是去除基線漂移，如圖5，去除基線后的波形。

步驟S5：對步驟S4處理結(jié)果進一步做整系數(shù)低通濾波處理，濾波器截止頻率為F2(0.8Hz)，目的是濾除高于呼吸頻率范圍的干擾信號，得到濾波結(jié)果gFilteData。

步驟S6：對濾波后的結(jié)果gFilteData進行移動窗口WB的信號幅度監(jiān)測，并判斷是否超過運動信號跳變的閾值gSportTH，當監(jiān)測到運動(如圖6，方形為監(jiān)測到了運動，也就是信號幅度超過運動信號跳變的閾值gSportTH)返回步驟S1，否則繼續(xù)S7。

步驟S7：對gFilteData進行W1個數(shù)的平滑濾波處理處理處理，得：gSmoothData。

步驟S8：在對gSmoothData進行積分處理，積分窗口大小W2，積分的作用一方面凸顯了呼吸信號，減小了小幅度信號的影響，另一方面也起到了平滑的效果，得到呼吸波形gProData，如圖7所示，下方為去基線后波形，上方為預處理后的呼吸波形。

步驟S9：用凹凸算法查找出所有的峰和谷的信息，并保存起來。

凹凸算法的判斷規(guī)則為：

901、先保存最新Ns點gProData到gFData[Ns]中然后：

902、峰判斷(5點)：gFData[i]<gFData[i-1]且gFData[i-1]<＝gFData[i-2]且gFData[i-2]>gFData[i-3]且gFData[i-3]>gFData[i-4]；

903、谷判斷(5點)：gFData[i]>gFData[i-1]且gFData[i-1]>＝gFData[i-2]且gProData[i-2]<gFData[i-3]且gFData[i-3]<gFData[i-4]；

904、找到波峰或者波谷時，保存到波谷數(shù)組gPeakPoint[N]、gPeakValue[N]或gTroughPoint[N]、gTroughValue[N]中，并均保準在最后一個位置中，保存前將第一個位置的去掉，后面依次前移。

步驟S10：根據(jù)保存的峰谷信息(gPeakPoint[N]、gPeakValue[N]和gTroughPoint[N]、gTroughValue[N]，N＝5)，綜合判斷最新的峰或谷是否是標準的呼吸峰谷波形，判斷規(guī)則為：

標準峰：tem1＝gTroughPoint[3]-gTroughPoint[2]；

gThmin<tem1<gThmax；(gThmax＝600*fs/BRL、gTHmin＝600*fs/BRH,BRL和BRH為呼吸率(次/分鐘)的上下限)

&&|gTroughValue[3]-gTroughValue[2]<gZeroValue|；(gZeroValue設置為5，為趨于零閾值)

標準谷：tem2＝gPeakPoint[3]-gPeakPoint[2]；

gThmin<tem2<gThmax；(gThmax＝600*fs/BRL、gTHmin＝600*fs/BRH,BRL和BRH為呼吸率(次/分鐘)的上下限)

&&|gPeakValue[3]-gPeakValue[2]<gZeroValue|；(gZeroValue設置為5，為趨于零閾值)

找到標準峰或谷模版后，更新峰谷模版，作為標準峰谷模板x；

步驟S11：最新找到峰或谷信息y與標準峰谷模版x進行匹配分析，即做兩者的相關性分析(ρ_xy)，公式：

${\mathrm{\&rho;}}_{xy}=\frac{\underset{n=1}{\overset{N}{\&Sigma;}}\{x\left(n\right)-\stackrel{\&OverBar;}{x}\}\{y\left(n\right)-\stackrel{\&OverBar;}{y}\}}{\sqrt{\underset{n=1}{\overset{N}{\&Sigma;}}{\{x\left(n\right)-\stackrel{\&OverBar;}{x}\}}^2\underset{n=1}{\overset{N}{\&Sigma;}}{\{y\left(n\right)-\stackrel{\&OverBar;}{y}\}}^2}},$

其中N為數(shù)據(jù)個數(shù)，為x的均值，為y的均值。

根據(jù)求得的ρ_xy判斷當前峰谷與標準峰谷模版的相關性，在范圍[-1，+1]，值越大，相關性越大，設置ρ_xy≥gThxy時，為相關，即找到正確峰或谷信息，否則未找到，進入步驟S1。

步驟S12：根據(jù)ρ_xy結(jié)果決定是否保存當前峰谷信息，保存正確峰或谷信息；如圖8所示，最上方為積分處理后波形，中間為找到的波谷示意圖，最下面為篩選后的波谷點。

步驟S13：對保存的峰谷信息進行判斷，判斷方式分幅度及間距的范圍限制和前后關系：

幅度：峰谷的幅度在合理范圍內(nèi)(由硬件采集決定)；

間距(gPeakSample[N]/gTroughSample[N])：在合理范圍內(nèi)(步驟S9中的gTHmin和gThmax)；

前后關系：幅度跳變不超過前一幅度的A1倍，間距不超過前已間距的A2倍。

S14：根據(jù)獲取的有效峰谷間距值gPeakSample[N]、gTroughSample[N]來計算呼吸率gBreathValue，并做結(jié)果的四舍五入和平滑處理。

平滑處理：保存最新RN個gBreathValue到gResultData[RN]中，然后去除其中最大max和最小min值，余下的做平均作為最終的gBreathValue。

以上所述僅為本發(fā)明的較佳實施例而已，并不用以限制本發(fā)明，凡在本發(fā)明的精神和原則之內(nèi)所作的任何修改、等同替換和改進等，均應包含在本發(fā)明的保護范圍之內(nèi)。