一种基于可见光的血氧饱和度检测方法及系统与流程

本发明属于人机交互和移动医疗领域，具体涉及一种基于可见光的血氧饱和度检测方法及系统，通过利用智能移动设备和可穿戴设备中的可见光感知器(如手机中的摄像头)，快速检测分析人体内的血氧饱和度。
背景技术：
：由于智能移动设备和可穿戴设备的蓬勃发展和人们对于自身健康状况的高度关注，通过智能移动设备或可穿戴设备监测身体指标和健康状况正逐渐成为一个热点。嵌入式硬件技术、智能移动操作系统和移动应用技术的发展使智能手机、平板电脑、智能手表和电子织物等智能移动设备及可穿戴设备在近几年快速普及。人们的日常生活、学习和工作越来越离不开这些智能移动设备的支持，与此同时，人们更希望可以随时监测到自己的身体健康状况，长期记录并形成个人专属的健康方案，而不必总去医院检查即时的身体健康变化情况。正是因为智能移动设备和可穿戴设备具有小型化、使用便捷、多传感器、有一定计算性能等特性，如何利用智能移动设备和可穿戴设备的便携特性和集成的传感器对用户的生理数据进行监测，从而对用户的健康状况做出初步评估并给予用户适当的交互反馈，成为研究和技术发展的新热点和挑战。在国内外，有大量研究人员研究如何利用智能移动设备和可穿戴设备辅助健康监护。一方面，医生和病人可以使用智能移动设备更好地沟通交流，使用网络传输相关数据和提高沟通频率，达到长时监测和看护的医疗效果。另一方面，在用户使用过程中，智能移动设备和可穿戴设备作为数据采集和计算终端，监测到用户的一些动作和状态信息，比如拿手机时手的震颤情况、按键的准确度、打电话时语音特征等，并且对这些用户相关信息进行深入分析和识别，对用户的身体状态做出预估并进行适当反馈。血氧饱和度是指血液中氧合血红蛋白在所有血红蛋白中的比例，它是呼吸系统和循环系统的重要生理参数之一，可以反映相关人群的病情变化及身体健康情况等。正常人的血氧饱和度一般在98％左右，如果低于94％则属于缺氧症状。缺氧会对人体造成极大的伤害，对内脏器官、心脑血管等都有严重影响。因此，需要探索使用智能移动设备内置的传感器和可穿戴设备对用户的生理信息进行非侵入的捕获的技术，对用户身体情况进行评估的方法。基于该技术，用户可以对自身健康状况有一个初步的了解，同时，如果和人机交互技术或网络技术等其他技术结合起来，可以有 更多的研究和应用前景。技术实现要素：针对这个问题，我们发明了一种基于可见光的血氧饱和度检测方法及系统，通过分析传统光学模型应用于移动设备后存在的问题，提出了一种全新而有效的血氧饱和度检测模型，并给出了相应的可见光感知器成像基线漂移问题的校正算法。本发明提出的方法和系统也可以支持许多与血氧饱和度检测相关的应用。为了实现上述目的，本发明采用以下技术方案：一种基于可见光的血氧饱和度检测方法，包括以下步骤：1)利用可见光感知设备拍摄手指，获得透过手指的光电容积脉搏波视频流，作为图像输入；2)选取图像中的感兴趣区域，计算感兴趣区域中各颜色通道均值，消除基线漂移，生成脉搏搏动信号；3)从脉搏搏动信号中提取血氧饱和度计算模型所需特征；4)将上述特征利用机器学习方法进行处理，输出血氧饱和度数值。进一步地，步骤1)中，使用可见光感知设备的闪光灯照射用户手指，并利用摄像头拍摄手指明暗程度的变化情况，记录光电容积脉搏波视频流。进一步地，所述可见光感知设备包括含有可见光感知模块的智能手机、平板电脑、智能手表和电子织物等。进一步地，步骤2)中所述颜色通道包括红光通道和蓝光通道。进一步地，步骤2)中，根据基线漂移修正算法，获得基线漂移的特征，利用此特征对信号进行修正，消除基线漂移。进一步地，步骤3)中，所述血氧饱和度计算模型为：SpO2=Qα(2,λ2)-α(2,λ1)Q(α(2,λ2)-α(1,λ2))-(α(2,λ1)-α(1,λ1))\*MERGEFORMAT---(3)]]>其中参数Q为：Q=lg(1+ΔI(λ1)Imin(λ1))lg(1+ΔI(λ2)Imin(λ2))≈IAC(λ1)IDC(λ1)/IAC(λ2)IDC(λ2)\*MERGEFORMAT---(4)]]>其中IAC表示光线通过手指后光强周期变化的部分，IDC表示光线通过手指后光强变化相 对恒定的部分，ΔI表示动脉血液充盈和缺失情况下光吸收量的变化，Imin表示动脉血液充盈时的出射光强，λ1和λ2分别标记红光和蓝光；所需特征包括：分别从红光和蓝光中提取的脉搏搏动信号方差IAC(Red)，IAC(Blue)，分别从消除基线漂移后的红光和蓝光信号(即从红光和蓝光中提取的脉搏搏动信号)中提取的信号均值IDC(Red)，IDC(Blue)以及通过式(4)计算得到的Q值。进一步地，步骤4)中，所述机器学习方法包括分类和回归的方法，其训练和预测的算法包括LibSVM、Weka等软件包中算法等，也包括神经网络、决策树等其他机器学习方法。一种基于可见光的血氧饱和度检测系统，包括：图像输入单元，预处理单元、特征提取单元、机器学习单元和数据输出单元；所述图像输入单元用于将采集的可见光图像输入预处理单元；所述预处理单元用于对输入的可见光图像进行预处理并输出脉搏搏动信号；所述特征提取单元用于从脉搏搏动信号中提取血氧计算模型所需特征；所述机器学习单元用于根据从脉搏搏动信号中提取的特征计算血氧饱和度值；所述数据输出单元用于输出血氧饱和度值。进一步地，所述预处理单元又包括感兴趣区域选取模块、颜色通道均值计算模块及基线漂移修正模块，所述感兴趣区域选取模块用于从输入的图像中选取感兴趣的区域，以获得清晰的脉搏搏动波形和稳定的光强变化信号；所述颜色通道均值计算模块用于计算感兴趣区域各颜色通道均值；所述基线漂移修正模块用于使用L0算法进行基线漂移的修正。进一步地，所述图像输入单元通过可见光感知设备采集透过手指的光电容积脉搏波视频流，将其作为可见光图像输入预处理单元。综合来说，本发明首先分析了传统光学模型直接应用到智能移动设备上的问题，然后提出了减少可见光感知设备(如含有可见光感知器的智能移动设备和可穿戴设备)计算量的视频流感兴趣区域选取方法和经验选取结果，其次提出了解决可见光感知设备成像基线漂移问题的修正算法，最后综合性提出新的适用于智能移动设备和可穿戴设备的血氧饱和度检测模型。本发明作为研究基于生理计算的人机交互的基础，为围绕智能移动设备和用户生理信息的相关应用扫清了技术屏障，提供了理论和应用储备。附图说明图1：本发明实施例可见光感知器成像方向和通过实验选取的ROI区域示意图，其中：1—摄像头，2—闪光灯。图2：本发明实施例视频流ROI像素均值信号曲线。图3：(a)图像均值信号曲线，(b)基线漂移特征信号曲线，(c)两信号曲线和波形的对比，(d)修正后的波形。图4：本发明基于可见光的血氧饱和度检测方法流程图。图5：本发明实施例视频数据采集方式示意图(1-移动设备，2-可见光感知器，3-闪光灯)。图6：本发明基于可见光的血氧饱和度检测系统框架图。具体实施方式为使本发明的目的、特征和优点能更明显易懂，下文通过具体实施例，并结合附图，做详细的说明。作为基于生理计算的人机交互领域的重要参数，本发明提出了面向智能移动设备和可穿戴设备的基于可见光感知器(如摄像头)和可见光的血氧饱和度检测方法。其内容主要在于三个方面。(1)传统脉搏血氧仪使用红光和红外光的相应参数及光学模型来计算血氧饱和度，但智能移动设备没有红外光发射源，并且可见光感知器也无法捕获红外光，如果使用可见光通道去计算，就带来了计算模型的变化；(2)由于可见光感知器拍摄的图像一般都比较大，从优化图像质量和降低运算成本方面考虑，我们得选取图像中的一部分区域运算，即感兴趣区域。此区域的选取方法遵循一定的规则，并通过实验确定。(3)对于多数可见光感知器存在基线漂移比较敏感问题，我们通过设定统计滑动窗口，并进行数据统计分析，去除基线漂移。具体来说，本发明的技术方案如下：(1)建立检测模型Lambert-Beer定律是物质对光吸收的定量定律，表征了光在物质中传播，物质对光的吸收程度与吸光物质的浓度和光传播距离的关系，其表达式为：I=I0e-Σi=1nϵ(i,λ)cidi\*MERGEFORMAT---(1)]]>式中表征光通过n种物质时每种物质i对光的吸收情况，I0和I表示入射光强和出射光强，ε为吸光物质的吸光系数，它与物质种类i及入射光波长λ有关，ci为物质i的浓度，di为光在物质i中传播的距离(光程)。血液中的氧合血红蛋白HbO2及脱氧血红蛋白Hb的浓度分别为c1和c2，总血红蛋白浓度为c。血氧饱和度SpO2为氧合血红蛋白占总血红蛋白的比例，即有：SpO2=c1c\*MERGEFORMAT---(2)]]>那么根据Lambert-Beer定律、血氧饱和度计算公式和吸光度变化的影响因素，推导过程中有过多未知参数需要求解。为消去未知参数，可以引入两种波长的可见光作为辅助条件，而可见光感知器捕获的光正好可以分解为红光、绿光和蓝光三种波长，我们采用了红光λ1和蓝光λ2加入计算和推导。并且由于入射光强未知，所以利用动脉血液紧缩和充盈时的出射光强作为动脉搏动的入射光和出射光，即I0＝Imax，I＝Imin。同时，在推导过程中，将推导过程中产生的常系数与ε(i,λ)的乘积表示为α(i,λ)，i＝1表示红光，i＝2表示蓝光，可得：SpO2=Qα(2,λ2)-α(2,λ1)Q(α(2,λ2)-α(1,λ2))-(α(2,λ1)-α(1,λ1))\*MERGEFORMAT---(3)]]>其中参数Q为：Q=lg(1+ΔI(λ1)Imin(λ1))lg(1+ΔI(λ2)Imin(λ2))≈IAC(λ1)IDC(λ1)/IAC(λ2)IDC(λ2)\*MERGEFORMAT---(4)]]>其中IAC表示光线通过手指后光强周期变化的部分，IDC表示光线通过手指后光强变化相对恒定的部分。λ1和λ2分别标记红光和蓝光。在传统的血氧饱和度监测方法中，由于选择了波长940nm的红外光作为第二种波长(λ2)的入射光，而HbO2和Hb对波长为805nm的红外光吸收程度相同，所以α(2，λ2)＝α(1，λ2)，血氧饱和度的计算公式可化简为SpO2＝kQ+b的形式，大大简化了血氧饱和度的计算。但是，针对新型的基于可见光感知器的可见光检测方式，由于只有红、绿和蓝三种可见光颜色通道，上述简化方式并不完全适用。不过，我们可以通过修正原始公式去计算血氧饱和度或研究适用新型检测方式的计算方法。根据式(3)和式(4)，提取了五个特征，分别是从红光和蓝光中提取的脉搏搏动信号方差IAC，从平滑及消除基线漂移后的红光和蓝光信号中提取的信号均值IDC，以及通过式(4)计算得到的Q值。脉搏搏动信号的方差反应了光吸收量的变化情况，即ΔI，可以表示心脏收缩和舒张作用下动脉血的变化情况。在计算脉搏搏动信号的方差时，我们使用若干点或一定长的时间窗口进行计算，通常是180个点，即6秒的时间窗口。平滑后的基线漂移特征信号反应了光吸收的平均值，可以表示皮肤、组织和静脉血等对光的吸收情况。Q值作为光学理 论模型中的一个重要变量，在本发明的模型中，也将其作为其中一个特征。以上五个特征的选取充分考虑了现代医学检测方法的计算属性，有较为充分的理论依据，将它们组成以下的特征向量：{IAC(Red)IAC(Blue)IDC(Red)IDC(Blue)Q→SpO2}\*MERGEFORMAT---(5)]]>随后，使用机器学习方法中的支持向量机(SVM)对数据进行训练和建模，对结果进行预测。SVM将输入的一系列特征向量映射到高维空间，并用一些超平面按照标记值将样本分开。在训练阶段，将一些用标准脉搏血氧仪输出的血氧饱和度值标记好的训练数据输入到SVM里面，学习产生一个模型，用来预测未标记数据的类别或数值。本发明建立了分类(SVC)和回归(SVR)两种不同的模型，因为一般的脉搏血氧仪给出的血氧饱和度都只精确到个位，不保留小数点后面的数值，所以可以使用分类方式建立模型，同时，为了试验更好的效果，也使用了回归方式，得出精度更高的结果。(2)感兴趣区域的选取由于可见光感知器拍摄的图像一般都比较大，从优化图像质量和降低运算成本方面考虑，只选取图像中的一部分区域运算，即感兴趣区域(Regionofinterest,ROI)。在ROI的选取阶段，进行了预实验采集了测试视频。将每一帧图像切分成大小相同的小块，分别计算每个小块的各颜色通道的平均值，并处理整个视频序列绘制成平均值的变化曲线，计算曲线的波峰波谷、时间窗口内的平均值和方差。因为ROI的选取目的是从ROI中获取尽可能多而准确的数据，我们采取下述选取原则：(1)波峰波谷不呈现天花板或地板效应，保证波形的完整性，(2)方差较大，保证脉搏搏动信息在该区域表现得较为明显，(3)区域相连，并较为集中，减少计算复杂度。根据上述原则，选定了如图1所示的ROI，作为信息和特征分析的区域。我们对图示的720像素*480像素的图像进行了切分，切分成90像素*60像素的小块，即横向和纵向都等分成8段，并计算小块各颜色通道的均值和方差，通过实验发现位于横向270像素到450像素纵向180像素到420像素的8个小块的符合上述原则，将其组合成图示的ROI。在检测中，将根据这个结果对可见光感知器拍摄的图像进行分割，获取ROI区域，一方面去除了无关干扰，获得了更加优质、包含更多有用信息的图像，增加计算准确率，另一方面也减少了移动设备的计算成本，节约了计算资源。(3)可见光感知器成像基线漂移的修正算法由于智能移动设备体积和重量的限制，可见光感知器不会是很高端的可见光感知器，所以存在一定的不稳定性，尤其是连续成像时存在的基线漂移问题，像素值的漂移少则0.5个单位，多则十几个单位，会严重影响实验结果。将捕获的视频流生成ROI的像素均值波形，如图2所示，从图中可以看出，波形图的基线有连续和突变的漂移。这种漂移对于普通计算心率和心率变异性的算法而言不会有太大影响，但是对于血氧饱和度的计算而言，由前面建立的模型可知，需要计算滑动窗口内波形的标准差和均值等统计信息，如果出现这种漂移，对于标准差和均值的计算都会出现致命的误差，最终导致无法检测血氧饱和度。经过实际实验分析，在不去除可见光感知器成像基线漂移时所计算的血氧饱和度与真实值存在极大的差异。所以必须设计波形处理算法对基线漂移进行处理。通过实验，发现可见光感知器的基线漂移普遍存在于各种类型和系统的手机中，包括iPhone、搭载Android系统的高低端手机等，并且这种基线漂移没有一致的规律。要对这种基线漂移进行消除，还需要保留脉搏搏动的波形信息，不能将脉搏搏动信息一并消除。首先考虑的是通过滤波的方式进行基线漂移的修正。将整个波形放到一个滤波器中，滤去一定频率的波，保留脉搏频率的波。通过实验，发现这种方法并不能很好地反应基线漂移的特征，并且对脉搏搏动波形有一定的衰减，另外，由于计算血氧饱和度的特殊性，需要获取IDC，这是从低频直流信号中取得的，所以需要另寻方法处理基线漂移的修正问题。波形的基线漂移其实就是波形的边缘变化，而脉搏搏动信息就对应于图像处理边缘提取中图像的细节信息。如何将波形/图像的细节信息保留，而将跳变/边缘的信息提取出来，正是修正基线漂移/边缘提取需要考虑的问题。基线漂移的修正过程首先需要从波形中将跳变信息提取出来，再将原波形和漂移特征波形相减，就能得到真实的波形信息(细节信息)。基于此，本发明提出使用L0算法进行基线漂移的修正方法。首先对本发明中涉及的信号做出定义。定义1(图像均值信号f).可见光感知器拍摄的图像序列中每帧图像提取感兴趣区域(ROI)后，ROI各颜色通道平均值形成的信号。定义2(脉搏搏动信号h).由心脏收缩和舒张引起动脉血液全身流动，并通过可见光感知器捕获的脉搏跳动的信号，为周期信号，正常人频率约在1Hz左右。定义3(基线漂移特征信号g).对图像均值信号应用L0算法后，对细节信息进行平滑并生成的可表征信号漂移信息的信号。此信号中脉搏搏动信息被剔除，保留了可见光感知器成像的基线漂移信息。以上三个信号的关系如下：f＝g+h\*MERGEFORMAT(6)可以定义信号g中数值跳变数为：c(g)＝COUNT{p||gp-gp+1|≠0}\*MERGEFORMAT(7)其中p和p+1表示信号中相邻的两点，|gp-gp+1|表示两点数值之差的绝对值，所以结果c(g)表示了信号g中跳变的个数。在设定的跳变数量下，信号g的求解，是信号g对信号f的逼近过程，即当c(g)＝k时与信号f最匹配的信号，k为设定的跳变数：mingΣp(gp-fp)2\*MERGEFORMAT---(8)]]>只用设定的常数个跳变数来约束和求解信号g显然是不合适的，因为各个输入波形的漂移信息和细节信息是有差别的。所以需要将跳变个数也加入到式中进行约束：mingΣp(gp-fp)2+λc(g)\*MERGEFORMAT---(9)]]>其中λ作为权重系数控制了跳变个数对整个约束条件的贡献。如果λ设置得较大则基线漂移特征信号g包含较少的跳变信息。对式进行迭代求解，找到最满足条件的g即可。图3展示了信号f(图3(a))、迭代求解得到的信号g(图3(b))以及进行基线漂移修正后的波形h(图3(d)-1)。从波形图3(c)中可以看出，这种方法可以很好地提取出信号f(图3(a)-1)的基线漂移特征(图3(a)-2)。通过两个信号相减得到的信号h(图3(d)-1)将作为估计IAC的重要参数，同时，将信号g进一步平滑，消去大跳变点，可以近似得到信号的均值信息(图3(d)-2)以及IDC。综上所述，面向智能移动设备和可穿戴设备的血氧饱和度检测方法流程如图4所示，系统框架图如图6所示。预处理阶段首先对输入的图像流提取感兴趣区域，然后计算各颜色通道均值，提取漂移特征，最后生成脉搏搏动信号。在特征提取阶段，通过分析脉搏搏动信号的均值、方差等信息，从信号提取中血氧计算模型所需特征。最后根据面向智能移动设备的血氧饱和度检测模型进行分类或者回归，输出血氧饱和度数值。实施例1共有5名被试参加实验，被试被要求在测试前不要剧烈运动，并且不要吸烟和饮酒。在被试测试过程中，每位被试进行四组测试，第一、三组测试持续2分钟，只要求被试在测试 过程中不要移动手指，并且将食指轻贴在摄像头上不要按压，第二、四组持续3分钟，除上述要求外，要求被试适当降低呼吸频率和适当憋气，以人为干预血氧饱和度，获得更多的血氧饱和度数值。在分类方式中，用被试自己的训练模型对自己的血氧饱和度进行分类预测，平均准确率为94.27％，标准差为0.63％。另外，也进行了被试间的交叉实验，平均准确率为80.49％，标准差为1.42％，如表1所示。表1为被试单人测试及交叉实验准确率列表被试单人测试准确率(％)交叉实验准确率(％)被试194.1380.38被试294.6080.88被试394.2780.34被试493.8180.68被试594.5380.18平均94.2780.49在回归方式中，在单人样本中均方误差为1.42，相关系数为0.65，多人样本中均方误差为0.42，相关系数为0.68。以上通过实施例对本发明所述的面向智能移动设备和可穿戴设备的血氧饱和度检测方法进行了详细的说明，但本发明的具体实现形式并不局限于此。本领域的一般技术人员，可以在不背离本发明所述方法的精神和原则的情况下对其进行各种显而易见的变化与修改。本发明的保护范围应以权利要求书所述为准。当前第1页1 2 3