基于仿生非线性系统的PPG和ECG信号模式识别 -- 知识铺

传感器（巴塞尔）。2018年2月;18(2): 405.2018年1月30日在线发布。doi： 10.3390/s18020405

PMCID：PMC5855408PMID：29385774

作者信息 文章注释 版权和许可信息 PMC 免责声明

 抽象

生理信号被广泛用于进行医学评估，以监测通常与心血管疾病相关的各种病理。其中，PhotoPlethysmoGraphy （PPG） 和心电图 （ECG） 信号都是更常用的信号。

PPG 信号是一种新兴的非侵入性测量技术，用于通过检测和分析来自皮肤的反向散射光辐射来研究血容量脉动。

心电图是使用放置在皮肤上的电极记录心脏在一段时间内的电活动的过程。

在本文中，我们提出了一种生理ECG/PPG“组合”管道，使用基于反应扩散数学模型的创新生物启发非线性系统，通过细胞神经网络（CNN）方法实现，通过为时间序列中的波形分配识别分数来过滤PPG信号。

由此产生的“干净”PPG信号免于失真，伪影用于验证同时为同一患者检测到的EGC信号，以用于诊断目的。

本文提出的多站点组合PPG-ECG系统超越了该领域现有技术的局限性，为评估上述生理参数及其随时间推移的监测提供了一个可靠的系统，以实现稳健的医学评估。

所提出的系统已经过验证，结果证实了所提出的方法的鲁棒性。

关键词：PPG，心电图，模式识别，生理信号

 1. 引言

通过非侵入性集成系统监测生理和生物参数的动态变化可以在包括医疗保健和运动训练领域在内的各种应用中发挥重要作用[1,2,3]。其中，通过光体积描记法（PPG）测量和心电活动（ECG）获得的血流动力学参数（如心率、组织灌注）由于其对心血管疾病的影响而受到大量研究[4,5]。然而，测量这些参数的非侵入性集成系统需要非常干净的生理信号，以便能够可靠有效地计算医疗指标。

在此背景下，我们提出了一种非常强大和高效的仿生模式识别管道，用于PPG和ECG信号滤波。

在详细介绍拟议的管道之前，简要介绍了PPG和ECG信号，以概述当前的处理技术。然后，描述了用于测试的硬件系统和所提出的仿生算法。

最后，对验证结果进行了讨论，以确认所采用方法的有效性。

2. PPG生理分析与识别：描述和现有技术

PhotoPlethysmoGraphy （PPG） 是一种通过非侵入性、低成本的光学技术获得的信号，该技术在提供有关心血管系统的信息方面越来越受欢迎。

心脏脉搏、呼吸频率、组织灌注以及一些血管和心脏疾病等几个生理参数可以通过 PPG 轻松监测。

这使得PPG信号在评估血管疾病方面非常有吸引力，特别是血管老化、高血压和动脉粥样硬化的影响，也提供了有关动脉硬度和弹性的信息[3]。

PPG还可用于检测人体组织微血管床的血容量变化[4,5]。此外，PPG 通常以非侵入性方式用于在皮肤表面进行测量。

PPG 波形包括脉动 （“AC”） 生理波形，可归因于每次心跳时血容量的心脏同步变化，叠加在缓慢变化的 （“DC”） 基线上，具有各种低频分量，归因于呼吸、体温调节、皮肤组织的性质等。

实际上，在每个心动周期中，心脏将血液泵送到外周，使皮下组织中的动脉和小动脉扩张。

如果将光检测装置连接到皮肤上，则来自静脉丛的压力脉冲也可以被检测为一个小的次级峰。

通过用发光二极管（LED）的光照射皮肤，然后测量透射或反射到光电二极管的光量，可以检测压力脉冲引起的体积变化[6]。每个心动周期都表现为一个峰值。图1所示为符合PPG标准的经典波形。

血液流向皮肤可以通过几个生理参数进行调节，因此PPG也可用于监测呼吸、血容量不足和循环状况以及主观分析。

此外，PPG波形的形状因受试者而异，并且随着脉冲传感器位置的变化而变化[6]。

PPG 信号在其他领域也可能有用。例如，人们考虑在汽车领域使用它们来获取有关驾驶员和乘客在机动车辆中可能发生的各种情况下的行为和/或反应的信息[7,8]。不幸的是，即使在对原始信号进行仔细滤波后，生理采样管道仍会出现一些噪声或信号伪影（运动伪影、电子噪声、信号失真、传感器问题、随机噪声等）。

因此，需要一种符合PPG标准的波形识别机制来提高从源PPG数据计算的医疗指标的鲁棒性[9]。

在 [ 9， 10 ] 中，作者提出了一种基于离散小波变换 （DWT） 结合 EMD 方法的 PPG 信号重建管道。在[ 11， 12]中，描述了一种基于使用步长和自适应最小均方（LMS）滤波器来消除PPG信号中运动伪影的流水线。在[10]中，作者提供了一个完整的PPG信号分析管道，用于脉搏波速度（PWV）测量，作为心血管风险评估的医学指标。在[13]中，提出了一种有趣的运动伪影减少方法。

所提方法的主要核心是将PPG的一些特征（PPG信号的准周期性）与同一信号与运动伪影模式之间不存在相关性的适当组合。

该流水线通过独立的分量分析步骤和自席低通滤波完成了所示的分析，为鲁棒的PPG信号滤波和兼容波形识别提供了完整的流水线。

无论如何，处理PPG信号的各种方法可能包括使用传统的数字滤波器（FIR/IIR）、传统的DTW（动态时间扭曲）、启发式算法;神经网络和模糊系统，深度和机器学习方法。

这些方法可能导致 PPG 信号处理流水线具有各种限制，例如：

• 系统复杂度高，可能导致计算时间长，与适用于医疗器械的时间限制不相容;

• 适度的灵敏度/特异性比与高计算成本;

• 基于神经网络或模糊系统的安排涉及训练课程（例如，与过拟合问题、神经网络拓扑、训练算法等有关）或自适应参数的自调;

• 某些安排（无论是基于软件还是基于硬件）都不容易实施。

拟议的管道是为解决上述缺点而开发的，如本文的验证部分所确认的那样。

3. PPG检测系统

本研究中使用的PPG探针如图2所示。它包括两个主要组件：（a） 硅光电倍增管 （SiPM） 探测器和 （b） LED 光子发射器：

PPG探头，包括SiPM探测器和LED发射器。详细的PCB（a）和封装（b）LT M673 LED（OSRAM，米兰，意大利）基于InGaN技术（采用SMD封装），发射波长为529 nm，并已被用作光学光源[16]。LED 的面积为 2.3 × 1.5 mm 2 ，视角为 120°，光谱带宽为 33 nm，在标准工作范围内的典型功率发射为 mW。

（a） SiPM探测器由意法半导体（意大利卡塔尼亚）[14]制造，总面积为4.0×4.5 mm 2 ，具有4871个方形微孔，间距为60 μm。它的几何填充系数为67.4%，封装在总面积为5.1 mm×5.1 mm 2 的表面贴装外壳（SMD）中[ 15， 16]。使用 352TM 胶粘剂（乐泰 ® ，米兰，意大利）将以 542 nm 为中心（半峰全宽 （FWHM） 为 70 nm，通带范围内的光透射率高于 90%）的 Pixelteq 二向色带滤光片（Bryan Dairy Rd， Largo， FL， USA）粘在 SMD 封装上。在这种配置中，在0–3 V的驱动范围内，该器件在565 nm处的最大光子检测效率（PDE）约为29.4%，在540 nm（滤光片通带的中心波长）下的最大光子检测效率（PDE）约为27.4%。

此外，已经证明，在盖革模式下运行的探测器的线性工作范围内，二向色滤光片可将环境光的吸收降低 60% 以上，高于其击穿电压 （~27 V）。

PPG探头系统架构的模块方案如图3所示。开发了一种特定的印刷电路板 （PCB），用于将 PPG 探头与用于测量 PPG 信号的 NI（National Instruments，Austin，TX，USA）采集仪器连接起来。

PCB 由 4 V 便携式电池、电源管理电路、用于输出 SiPM 信号的调节电路、8 个用于 PPG 探头的迷你 B-USB 连接器和 8 个 SMA 输出连接器提供。该器件由特定的稳压器以 3.3 V 电压供电。

在同一电路板中，升压型DC-DC转换器产生30 V输出，并为SiPM提供偏置。PCB 上的微调器允许调整 PPG 探头的 LED 亮度。

使用差分信号采集配置，部分消除了输出SiPM信号的连续分量。连续部分的减法可由微调器调节，以优化每个ADC通道中的输出信号采集。

开发了LabVIEW软件程序来采集PPG信号。该 软件 控制 24 位 ADC NI PXle-4303 NI 采集 系统， 并 包括 一个 图形 用户 界面 （GUI） ， 允许 显示 滤波 的 PPG 信号 及其 一 阶 和 二 阶 导数。

还可以比较从布置在不同身体部位的探针获取的两个 PPG 信号并测量它们的时间延迟。在采集过程中，工作采样频率设置为1 kHz。

最后，整个数据集存储在日志文件中，用户可以选择该文件，并由基于MATLAB ® 的PPG信号模式识别算法进行处理。

为了倾倒环境光，提高信噪比，SiPM配备了嵌入式滤光片。在右桡动脉的反射模式下进行了测量。图4显示了用于拟议管道的PPG探头硬件的概述[17]。

PPG 探头硬件概述。（a） 带采集板（包含24位ADC）的National Instrument（NI）设备。NI 器件 的 详细 ADC/ DAC 采集 系统 （b）。采集 PPG 和 ECG 信号 期间 的 NI 系统 输出 （c）。这 样 的 输出 是 通过 NI 在 LabView 环境中 开发 的 软件 获得 的。用于PPG信号滤波和转导的SiPM传感器和电子电路的详细信息（d）。

图 5 报告了应用于收集的 PPG 信号的处理管道的块方案。它由四个模块组成：（a）PPG原始信号滤波器（图5a），（b）PPG模式识别系统（图5b），（c）医疗指标检测系统（图5c）和（d）指标提取阶段（如脉搏波速度（PWV）、脉搏传递时间（PTT）、心血管评估阶段（A1）、动脉硬度、血压测量/监测、每分钟心跳（BPM）等）（图5d）[18， 19].

PPG 模式识别管道。PPG原始信号滤波器（a）、PPG模式识别系统（b）、医疗指标检测系统（c）和指标提取阶段（d）。

第一个模块（PPG原始信号滤波器）操作PPG信号滤波。PPG原始信号使用MATLAB ® 特定工具滤波器设计与分析工具中提供的有限脉冲响应（FIR）滤波器[17]进行数字滤波。在我们的具体案例中，一组FIR滤波器被配置为低通/高通滤波器，滤波器用于在1-10 Hz范围内进行滤波，从而可以消除50 Hz电源线频率噪声和其他信号伪影。

使用EquiRipple [ 15] 方法获得了合适的FIR系数，该方法可以避免任何相位失真问题。表1显示了所用FIR滤波器的配置参数。

 表1

PPG滤波：FIR滤波器配置参数。

Type	频率通 （Hz）	频率停止 （Hz）	通带衰减 （dB）	阻带衰减 （dB）
Low-pass	3.8	7.21	0.001	100
High-pass	1	0.3	0.01	40

图 6 报告了三个采样的 PPG 信号：原始信号（标记为 1）、滤波信号（标记为 2）和 FIR 滤波信号的放大时间窗口（标记为 3）。第二个模块是PPG模式识别系统（PRS）。PPG信号的波形（图1）由许多参数组成，如宽度、收缩压峰值、双渗切迹和舒张压峰值。

从文献中可以看出，标准PPG波形的模式存在一些差异，具体取决于测量信号的身体部位（耳朵、手指、脚趾）[10,17]。

（a） 第一列中的图报告了 PPG 原始信号 1（左手腕）。第二个窗口报告与前面描述的 FIR 滤波器滤波相同的 PPG 原始信号。最新列显示滤波后的 PPG 信号的放大窗口;（b） 第一列中的图报告了 PPG 原始信号 2（右手腕）。第二个窗口报告与前面描述的 FIR 滤波器滤波相同的 PPG 原始信号。最新列显示滤波后的 PPG 信号的放大窗口;（c） 第一列中的图报告了 PPG 原始信号 3（脚踝）。第二个窗口报告与前面描述的 FIR 滤波器滤波相同的 PPG 原始信号。最新列显示滤波后的 PPG 信号的放大窗口。

PPG波形的完全滤波是使用全自动PRS模块进行的。PRS算法是作为MATLAB ® 脚本和函数开发的，由两个主要步骤组成：

• FDA：用于评估 PPG 脉冲特性的一阶导数分析。

• PRW：PPG波形的模式识别。

FDA 步骤通过考虑 PPG 时间序列的一阶导数 （FD） 来识别极端值。仔细分析PPG信号的FD可以检测整个PhotoPlethysmoGraphy时间序列的最大点和最小点。

我们假设在两个后续的局部最小值之间找到一个 PPG 波形，以便我们分割每个模式，识别分析时间序列的最小点。

此外，扩展的一阶导数和二阶导数分析适用于找到每个如此分割的 PPG 模式的最大值和二分点。图 7 显示了滤波后的 PPG 时间序列的 FD 分析的代表性结果。

PPG信号（a）的FD分析（b）的代表性结果。对 PPG 信号的 FD 分析可以检测时间序列的最大点和最小点。

之后，对每个分段的PPG波形进行处理，以区分其是否符合要求。这一步的主要核心是基于使用仿生非线性动态数学模型，由以下方程[17,20]报告：

∂x1∂t=−x1+(1+μ)y1−βy2+ρ1∂x2∂t=−x2+(1+μ)y2+βy1+ρ2yj=12(|xj+1|−|xj−1|); j=1,2

(1)

公式（1）显示了一个典型的非线性生物反应扩散（RD）系统，适用于管理仿生机器人的运动。每个变量（x 1 和x 2 ）代表所谓的运动神经元，因此每个变量的进化都显示出与这些生物物种的运动有关的生物动力学。

发现系统参数集适用于为建模的 RD 过程定义特定类型的非线性动力学（具体为：x 2 变量），该过程接近标准 PPG 时间序列。图 8 显示了变量 x 2 的稳态自主振荡以及单个波形的细节。公式（1）中使用的参数如下[ 20]：

μ = 0.5;ρ 1 = −0.3;ρ 2 = 0.3;β = 1;x 1 （0） = 0.1;x 2 （0） = 0.08

x 2 变量 （a） 的动态演化。x 2 时间演化 （b） 的归一化 [0， 1] 单波形的详细信息。

考虑到 x 2 动力学的单一波形，在区间 [0， 1] 中归一化并调整大小后，例如通过 [ 21 中提出的方法]，发现一种模式可以很好地适应并用作模式识别系统 （PRS） 的 PPG 参考波发生器。

上述非线性数学模型（1）可以通过元胞神经网络（CNN）方法实现[20]。这些是适当耦合的神经细胞的类比时间连续空间离散网格[22,23]。由于其类比实现，CNN能够以高速计算能力（即近乎实时）执行此类操作[22,23]。方程（2）显示了MxN CNN的数学模型（特别是所谓的国家控制CNN [ 24]，它是Chua和Yang在[ 25]中提出的原始CNN的扩展版本）：

Cdxij(t)dt=−1Rxxij+∑C(k,l)∈Nr(i,j)A(i,j;k,l)ykl(t)+∑C(k,l)∈Nr(i,j)B(i,j;k,l)ukl(t)+∑C(k,l)∈Nr(i,j)C(i,j;k,l)xkl(t)+I

(2)

 哪里：

（1 ≤ i ≤ M， 1 ≤ j ≤ N） y ij （t） = 1/2（|x ij （t） + 1 | − |x ij （t） − 1|）n r （i，j） = {C r （k，l）;（max（|k − i|， |i − j|） ≤ r， 1 ≤ ≤ M， 1 ≤ l ≤ N）}

在等式（2）中，x ij （t）表示单个单元格C（i，j）的状态，而y ij （t）和u ij （t）表示单元格C（i，j）的输出和输入。CNN 是非线性和简单计算元素的阵列，其特征是单元之间的局部相互作用。具有电子电路的 CNNs 单元 C（i，j） [ 20， 25] 的动力学由公式 （2） 描述，其中邻域耦合单元的输入和输出都由电压值 u kl 和 y kl 表示。单细胞C（i，j）的邻域在数学上由N r （i，j）表示，而细胞偶联的类型由所谓的克隆矩阵模板A（i，j;k，l）、B（i，j;k，l）、C（i，j;k，l） 以及偏置 I。

因此，CNN范式非常适合描述局部互连的简单动态系统，这些系统显示出晶格状结构。

CNN通常用于各种类型的应用，如图像和信号处理、仿生系统建模或偏微分方程（PDE）的高速分辨率[26,27]。

当偏微分方程解的仿真涉及每个变量随时间的演变、其位置（在空间中）及其从整个系统的空间分布结构派生的相互作用时，它们尤其适用（事实上，偏微分方程的数值解几乎不可避免地涉及空间离散化）。

CNN范式是实时模拟时空现象的有用工具。在本文所考虑的反应-扩散模型偏微分方程的情况下，使用RD CNNs[26,27]。

通过CNN（2）实现的PPG参考波形（1）被归一化并重新缩放，以便与采集的分段预滤波PPG波形具有时间可比性。

该系统对先前采集的分段和预滤波的PPG波形进行重新缩放，目的是使其与PPG参考波形具有时间可比性。

为了保持流水线的高速计算，重新缩放算法基于 CNN，如 [ 28 所述。采集的两个 PPG 波形 p 1 （k） 和 p 2 （k） 参考波形（均根据 N s 个重新缩放的样本数重新采样）归一化为 [0， 1]。最后，进行临时归一化样本互相关分析ρ p1p2 （h）（见公式（3）），以便对分析的PPG波形进行顺从度测量[29]：

γp1p2(h)=1Ns∑k=1Ns−h(p1(k)−μp1)(p2(k+h)−μp2)  h=0,1,2σp1p1=γp1p1(0)−−−−−−√;     σp2p2=γp2p2(0)−−−−−−√μp1=1Nc1∑j=1Nc1p1(j);  μp2=1Nc2∑j=1Nc2p2(j) ρp1p2(h)=γp1p2(h)σp1p1σp2p2 h=0,1,2

(3)

只有平均高归一化样本互相关 （≥0.90） 中显示的 PPG 模式被认为是合规的，而其他模式则被丢弃。

结果证实了本文所述方法的稳健性和有效性，显示出非常有希望的灵敏度/特异性，高于97%。需要强调的是，我们提出了一个用于生成PPG波形的数学解析非线性模型。

该模型包括适合更改的自适应参数，以根据身体测量部位（如耳朵、拇指、脚趾等）提供不同的 PPG 模式。

通过这种方式，实现了一个非常高效和强大的模式识别系统，该系统可以自适应PPG测量站点。图 9 显示了 PRS 块的详细信息。总而言之，图 10 报告了整个 PPG 模式识别流水线架构的方案。

流水线由PPG原始信号滤波器组成，由FIR通带方案（a）组成。第二个模块是PPG模式识别系统（b），其次是医疗指标检测系统（c）和指标提取阶段（d）。该图还显示了所提出的模式识别系统（PRS）如何工作的示意图（e）。

对整个PPG管线的详细描述（（a-d块）），以及为使用NI设备采集信号而开发的硬件管线的描述（数据滤波、采集的PPG信号的导数分析、GUI和采集生理数据的数据可视化阶段）。

4. 脑电图生理分析与识别

心电图 （ECG） 是使用放置在皮肤上的电极记录心脏在一段时间内的电活动的过程。

这些电极检测由心肌每次心跳期间发生的去极化和复极化的电生理模式引起的皮肤上的微小电变化。心电图是一种常用的心脏病学检查。

典型的心电图波形包括两个间隔：（a） PR 间期，包括 P 波形和 PR 段;（b）QT间期，分别包括Q、R、S波形（QRS波群）、ST段和T波形[30]。图 11 显示了一个经典的心电图波形。

检测和处理心电图信号是大量文献的主题。心电图信号采样通常受到不同类型的信号损坏的影响，例如由于患者身体的运动或微运动引起的伪影、电子噪声、传感器问题等。在[30]中，作者提出了一种基于时域的方法，该方法由经典动态时间扭曲与经典心电图指标（如心率和振幅）相结合。在[ 31]中，一种基于人工神经网络ANN（自组织图、反向传播MLP、学习向量量化）的方法被证明是ECG模式识别的鲁棒方法。在[32]中，描述了一种基于心电图波形的句法/语言表示模型的心电图模式识别方法。[ 33] 报道了另一种心电图分类和识别方法，该方法基于使用具有特设特征的频率频谱图。在[ 34] 中，作者成功地利用等电曲线和模糊聚类的概念来检测连续记录的时间序列中的正确心电波形，而在 [ 35] 中，提出了一种基于计算所谓的灰度关系系数进行心电波形分类的学习算法。在[ 36， 37] 中，使用了基于深度学习算法和卷积神经网络的最新方法。在[38]中，引入了一种有趣的心电图信号处理方法，该方法基于最初用于呼吸信号评估的所谓经验模态分解（EMD）。EMD 是一种可用于研究信号或时间序列的非线性特征的方法。

EMD允许使用局部时间和结构数据特征将信号或时间序列分离为固有振荡。

这种方法可以有效地用于替代传统方法（傅里叶分析、小波变换等）来分析信号，特别是心电图等生理时间序列。

作者描述了一种有效的心电图模式识别和滤波方法，该方法基于使用在“组合”PPG/ECG系统中采样的相应PPG信号。

心电图信号采样是按照标准导线配置使用放置在患者体内的经典电传感器探头进行的。在我们的验证设置中，采用了标准的Einthoven三角形导联配置来获取稳健的心电图信号[39,40]。图 12 显示了用于采样 EEG 和 PPG 信号的“组合”硬件平台的系统架构。

PPG/ECG 组合系统的整体系统架构，带有 Patter 识别管道。该图详细介绍了 PPG 识别阶段（块 （a-d））和 ECG PR 块（ECG 模式识别）。

呈现和/或利用干净的 PPG 信号与 ECG 信号一起，以了解 ECG 信号是否与 PPG 信号一致（顺应）。在某种程度上，这种方法可以被视为巴利斯特心动图（BCG）的替代或补充。

BCG 是一种能够测量心脏弹道力的设备，可生成人体重复运动的图形表示，这些运动是由每次心跳时血液突然喷射到大血管中引起的。

它是 1-20 Hz 频率范围内由心脏机械运动引起的生命体征。它可以通过非侵入性方法从身体表面记录。

本文提出的方法基于以下认识：正如在BCG分析中发生的那样，PPG处理波形的一阶导数与同一患者的心电图信号之间存在可观察到的互相关。图 13 描述了这种相关性。

PPG（t k ）与ECG（t k ）的相关性图。变量 t k 表示分段 PPG/ECG 波形的开始时间。左边的第一个窗口报告时间开始 t k 中的 PPG 一阶导数 （（dPPG（t k ）/dt）。

本文提出的处理系统包括许多处理模块/电路（图12），它们是：

• 为提供心电图参考信号而配置的块“心电图 ref （t k ）”（即存储在心电图/PPG系统中或可能按需加载的常规心电图标准模式）;

• 一个模块“dPPG（t k ）/dt”，用于计算一阶导数PPG波形，用于分析相关的ECG波形;

• 一个“ECG 重叠块”，用于计算一阶导数 PPG 波形与相关 ECG 波形的互相关程度;

• 一个块“ECG互相关系统”，用于计算ECG参考信号波形与要分析的（检测到的）ECG波形之间的互相关程度。

验证模块（仅可举例为逻辑 AND 门）对前两个模块的输出很敏感，该模块分析某些互相关阈值，以了解分析的 ECG 波形是否合规。

当“ECG 重叠阻滞”和“ECG 互相关系统”模块的输出达到某些互相关阈值时，如果采样的心电图波形足以有效和可靠地用于从业者的诊断目的，则它们表明采样的心电图波形的质量。

这是来自验证模块的验证信号的输出结果。

本文提出的方法依赖于一种“双重检查”，涉及一阶导数PPG互相关块（块“ECG重叠块”）和ECG标准模式互相关（块“ECG交叉相关系统”）分析，这促进了高度的可靠性。

PPG/ECG模式识别系统将在以下段落中详细描述。

初步，对采样的心电图信号施加带通滤波（图14）。这种滤波类似于应用于PPG信号的滤波（例如，低通部分和高通部分），只是截止频率的选择不同（例如，ECG信号的高通和低通分别为0.5 Hz和20 Hz）。

系统架构图（图12）包括对ECG信号和PPG导数信号的处理，以便可以使用顺应的一阶导数PPG波形来分析通过自动分割预滤波ECG获得的相关ECG波形。

为此，可以在区间内对一阶导数 PPG 和 ECG 波形进行归一化 [0， 1]。进行时间重新缩放和移位 [ 21] ，以便对所涉及的各种信号的峰值进行时间对齐：

• 心电图波形和一阶导数 PPG

• 心电图波形和心电图参考波形

通过这种方式，可以依靠各个峰的时间对齐（重叠）来促进这些信号的互相关分析。

图 15 显示了 ECG（t k ） 到 dPPG（t k ）/dt 的分析，如下式所示：

ECGj(tk)−>ECGj(tk+δjk) ∀j=1..NECG; ∀ tk

(4)

其中 t k 表示 PPG 开始时间，而 δ k 表示将 dPPG（t k ）/dt 峰值与 ECG（t k ） 峰值对齐所需的偏移量。变量 N ECG 表示分段心电图模式的数量。

ECG（t k ）（底部）到dPPG（t k ）/dt（顶部）分析。

图16显示了与参考ECG（t k ）波形（ECG ref （t k ）块）的互相关分析。

心电图（t k ）到心电图 ref （t k ）分析：t k 表示PPG/ECG的开始时间。

对于所有心电图（t k ）分段波形（N ECG ），心电图 ref （t k ）峰与心电图（t k ）峰之间的对齐是按照公式（4）相同的信号重映射获得的。

最后，进行标准样本互相关分析以生成相应的互相关分数（指数），例如，在重新缩放归一化的 ECG 波形和一阶导数 PPG 波形与标准 ECG 参考模式之间。

将得到的分数与参考互相关阈值进行比较[29]。

整个拟议的管道可以总结如下：

• 通过使采样的心电波波形（最大值）与一阶导数 PPG 信号中的峰值和 ECG 参考信号的峰值相对应来“翻译”（时间变化）要分析的采样 ECG 波形

• 计算（例如，在区间 [0， 1] 内归一化的信号）这些信号之间的样本互相关，即：

• 采样的心电波形和一阶导数PPG信号;

• 采样的心电波形和心电参考信号;

• 将样本互相关指数或分数与既定的合规阈值进行比较（发现 0.80 的值代表了两个阈值的合理选择）;

• 具有达到这些阈值的样本互相关指数或分数（例如，在两项检查中互相关等于 0.80 或更高，即一阶导数 PPG 和 ECG 标准）的分析心电图模式将被视为“符合”的心电图模式保留;否则它们将被丢弃（图 17）。

  

  基于分析的心电波形与心电图 ref 和dPPG/dt模式的样本互相关，对心电图模式识别流水线进行系统概述。

• 如果达到两个阈值，则验证为“正常”，以便“验证”与 PPG 衍生波形和 ECG 参考波形高度互相关的 ECG 波形，例如，用于诊断目的。

• 与PPG衍生波形或ECG参考波形之一的相关性较低的ECG波形将被丢弃，因此只有“顺应”收集的ECG波形才能用作后续ECG分析的参考模式。

即使这种对心电图信号的“双重检查”本身不是强制性的，但发现这有助于提供可靠的结果，前者检查（与PPG导数相关）提供“形式”验证，后者检查（与心电图参考相关）提供“价值/内容”验证。

图 18 显示了一个图表，其中 GUI 报告了可用于执行自动 ECG 模式识别的管道。图 19 显示了由所提出的模式识别算法过滤的采样接受的 ECG 时序列的实例。

心电图模式识别 GUI：第一个窗口根据分段的 PPG 发病 （t k ） 显示分段的心电图波形;第二个窗口报告分段的心电图（红色）和相应 PPG 波形的一阶导数（dPPG/dt-蓝色），而第三个窗口报告分段的心电图（红色）和参考心电图模式（蓝色）的图形表示。

在第二个和第三个窗口中绘制的两个波形将用于样品互相关分析，如前面的公式（3）和（4）中所述。

可接受的心电图时间序列（第二个窗口中的黑色信号）。第一个窗口显示了建议的模式识别管道丢弃的心电图模式样本。

5. 所提方法的测试和验证

通过使用基于SiPM的传感器硬件和LabView对PPG信号进行采样，对所提出的流水线进行了测试和验证（图10）。收集的PPG原始数据存储在配备MATLAB ® 的INTEL i5内核3.4 GHz CPU的PC中，并由上述建议的PRS处理。结果显示在PC监视器中，并显示相关的医学指标图形，例如增强指数（动脉硬度），BPM等[18,19]。图 20 报告了所提出的模式识别算法以及开发的 MATLAB ® GUI 的鲁棒性的代表性结果。

（a） 第一个子窗口显示第二个子窗口中报告的经过适当过滤的嘈杂PPG信号（红色）的实例;（b） 模式识别系统GUI中包含的医学指标计算（HRV、增强指数（AI）、BPM）;（c） 所描述的PPG模式识别系统，以及可接受的PPG波形的详细信息;（d） 建议的心电图模式识别图，其中包含可接受的心电图波形的详细信息。

图21中的图表显示了应用拟议管道后滤波并正确选择的PPG波形的代表性结果。

具体而言，蓝色模式是分割结果，绿色模式是接受的波形，红色模式是被拒绝的不合规波形。

接受（（a）中的蓝色PPG）与拒绝（（c）中的红色PPG）分段PPG波形的代表性结果。（b） 显示公认的 PPG 波形，其中执行所描述的 FD 分析以检测最大值（收缩峰值）、二向色性和舒张期点（绿色波形，突出显示点为圆圈）。

图 22 描绘了在我们实验室验证的实验的一些图像。

验证集由 32 个样本组成（每个样本 10 分钟的 PPG/ECG 信号采样），由于使用了所提出的仿生模型，因此完全证实了所提方法的稳健性，准确度大于 97% 的处理时间接近实时。

如此处理的PPG/ECG时间序列已与在经典商业医疗设备中采样的相同时间序列进行了比较。

上述医疗指标（HRV、BPM、AI）已在我们的 PPG/ECG 系统中计算，并与使用商业设备获得的相同指标进行比较，证实了所提方法的稳健性和有效性。

我们实验室中使用的验证设置的一些图像。在第一张图像中，我们将处理后的 PPG/ECG 时间序列与商业 PPG/ECG 医疗设备获得的相同时间序列进行了比较。

未来的工作旨在用 [ 41] 中提出的一维版本取代使用的信号重新缩放算法，因为初步结果证实了所提方法的特异性增加。此外，为了提高信号降噪的鲁棒性，对[42]中提出的降噪方法的一些步骤进行了积分预测。

 6. 专利

该建议的方法包含在以下IT专利中：2017年7月注册的102017000081018号。

 作者贡献

“Francesco Rundo 和 Sabrina Conoci”，开发了所提算法的专利主核心;“亚历山德罗·奥尔蒂斯和塞巴斯蒂亚诺·巴蒂亚托”进行了实验和结果验证。

 引用

1. Santangelo M.F.， Sciuto E.L.， Busacca A.C.， Petralia S.， Conoci S.， Libertino S. SiPM 作为 DNA 微阵列应用的小型化光学生物传感器。Sens. Biosens.第2015号决议;6:95–98.doi： 10.1016/j.sbsr.2015.08.003.[ 交叉引用][ 谷歌学术搜索]

2. Petralia S.， Castagna M.E.， Cappello E.， Puntoriero F.， Trovato E.， Gagliano A.， Conoci S.一种用于核酸电化学检测的小型化硅基器件。Sens. Biosens.第2015号决议;6:90–94.doi： 10.1016/j.sbsr.2015.09.006.[ 交叉引用][ 谷歌学术搜索]

3. 3. Oreggia D.， Guarino S.， Parisi A.， Pernice R.， Adamo G.， Mistretta L.， di Buono P.， Fallica G.， Cino C.A.， Busacca A.C. 通过组合 PPG-ECG 系统测量心动周期中的生理参数;AEIT国际年会论文集;意大利那不勒斯。

2015年10月14日至16日;第1-6页。[ 谷歌学术搜索]

4. 4. Teng X.F.， Zhang Y.T. 使用光电容积脉搏波方法连续无创估计动脉血压;IEEE医学与生物学工程学会第25届年度国际会议论文集;墨西哥坎昆。2003年9月17日至21日;页。

3153–3156.[ 谷歌学术搜索]

5. McCombie D.， Asada H.， Reisner A. 从可穿戴 PPG 传感器识别血管动力学和估计心输出量波形。2005年IEEE工程医学生物学会论文集;4:3490–3493.[ 出版][ 谷歌学术搜索]

6. Hanyu S.， Xiaohui C. 基于统计分析的PPG信号运动伪影检测与还原;第二十九届中国控制与决策会议论文集;中国重庆。2017年5月28日至30日;第3114-3119页。[ 谷歌学术搜索]

7. Koh S., Cho B.R., Lee J., Kwon S., Lee S., Lim J.B., Lee S.B., Kweon H. Driver drowsiness detection via PPG biosignals by using multimodal head support; Proceedings of the 4th International Conference on Control, Decision and Information Technologies (CoDIT); Barcelona, Spain.
5–7 April 2017; pp. 383–388. [Google Scholar]

8. Shin H.S., Jung S.J., Kim J., Chung W. Real Time car driver’s condition monitoring system; Proceedings of the IEEE Sensors Conference; Kona, HI, USA. 1–4 November 2010; pp. 951–954. [Google Scholar]

9. Raghuram M., Sivani K., Reddy K.A. Use of complex EMD generated noise reference for adaptive reduction of motion artifacts from PPG signals; Proceedings of the International Conference on Electrical, Electronics, and Optimization Techniques (ICEEOT); Chennai, India.
3–5 March 2016; pp. 1816–1820. [Google Scholar]

10. Tang S.K.D., Goh Y.Y.S., Wong M.L.D., Lew Y.L.E.
PPG Signal Reconstruction using a combination of Discrete Wavelet Transform and Empirical Mode Decomposition; Proceedings of the 2016 6th Proceedings of the International Conference on Intelligent and Advanced Systems (ICIAS); Kuala Lumpur, Malaysia. 15–17 August 2016; pp. 1–4. [Google Scholar]

11. Chan K.W., Zhang Y.T. Adaptive reduction of motion artifact from photoplethysmographic recordings using a variable step-size LMS filter; Proceedings of the IEEE Sensors Conference; Orlando, FL, USA. 12–14 June 2002; pp. 1343–1346. [Google Scholar]

12. Dutt D.N., Shruthi S. Digital processing of ECG and PPG signals for study of arterial parameters for cardiovascular risk assessment; Proceedings of the International Conference on Communications and Signal Processing (ICCSP); Melmaruvathur, India. 2–4 April 2015; pp. 1506–1510. [Google Scholar]

13. Kim B.S., Yoo S.K. Motion artifact reduction in photoplethysmography using independent component analysis. IEEE Trans. Biomed. Eng. 2006;53:566–568. doi: 10.1109/TBME.2005.869784. [PubMed] [CrossRef] [Google Scholar]

14. Mazzillo M., Condorelli G., Sanfilippo D., Valvo G., Carbone B., Fallica G., Billotta S., Belluso M., Bonanno G., Cosentino L., et al. Silicon Photomultiplier Technology at STMicroelectronics. IEEE Trans. Nuclear Sci. 2015;56:2434–2442. doi: 10.1109/TNS.2009.2024418. [CrossRef] [Google Scholar]

15. Nagy M., Valvo S., Piana C., Fallica G. Silicon photomultiplier technology for low-light intensity detection; Proceedings of the IEEE Sensors; Baltimore, MD, USA. 3–6 November 2013; pp. 1–4. [Google Scholar]

16. Mazzillo M., Mello D., Barbarino P., Romeo M., Musienko Y., Sciuto A., Libertino S., Lombardo S., Fallica G. Electro-Optical Characterization of SiPMs with Green Bandpass Dichroic Filters. IEEE Sens. J. 2017;17:4075–4082. doi: 10.1109/JSEN.2017.2699202. [CrossRef] [Google Scholar]

17. Vinciguerra V., Ambra E., Maddiona L., Oliveri S., Romeo M.F., Mazzillo M., Rundo F., Fallica G. Progresses towards a processing pipeline in photoplethysmogram (PPG) based on SiPMs; Proceedings of the European Conference on Circuit Theory and Design (ECCTD); Catania, Italy.
4–6 September 2017; pp. 1–5. [Google Scholar]

18. Wu H.T., Lin B.Y., Yang C.C., Ou Y.N., Sun C.K. Assessment of Vascular Health with Photoplethysmographic Waveforms from the Fingertip. IEEE J. Biomed. Health Inform. 2017;21:382–386. doi: 10.1109/JBHI.2016.2515938. [PubMed] [CrossRef] [Google Scholar]

19. Reguig F.B. Photoplethysmogram signal analysis for detecting vital physiological parameters: An evaluating study; Proceedings of the International Symposium on Signal, Image, Video and Communications (ISIVC); Tunis, Tunisia. 21–23 November 2016; pp. 167–173. [Google Scholar]

20. Arena P., Fortuna L., Frasca M., Patane L. A CNN-based chip for robot locomotion control. IEEE Trans. Circuits Syst. 2005;52:1862–1871. doi: 10.1109/TCSI.2005.852211. [CrossRef] [Google Scholar]

21. Battiato S., Rundo F., Stanco F. ALZ: Adaptive Learning for Zooming Digital Images; Proceedings of the IEEE International Conference on Consumer Electronics; Las Vegas, NV, USA. 10–14 January 2007; pp. 1–2. [Google Scholar]

22. Yang L., Chua L.O., Krieg K.R. VLSI implementation of cellular neural networks; Proceedings of the IEEE International Symposium on Circuits and Systems; New Orleans, LA, USA. 1–3 May 1990; pp. 2425–2427. [Google Scholar]

23. Sindhwani M., Srikanthan T., Asari K.V. VLSI efficient discrete-time cellular neural network processor; Proceedings of the IEE Conference on Circuits, Devices and Systems; Oranjestad, Aruba, The Netherlands. 19 April 2002; pp. 167–171. [Google Scholar]

24. Arena P., Baglio S., Fortuna L., Manganaro G. SC-CNN based systems to realize a class of autonomous and coupled chaotic circuits; Proceedings of the IEEE International Symposium on Circuits and Systems; Hong Kong, China. 12 June 1997; pp. 581–584. [Google Scholar]

25. Chua L.O., Yang L. Cellular neural networks; Proceedings of the IEEE International Symposium on Circuits and Systems; Kobe, Japan. 19–24 June 1988; pp. 985–988. [Google Scholar]

26. Aein M.J., Talebi H.A. Introducing a training methodology for cellular neural networks solving partial differential equations; Proceedings of the International Joint Conference on Neural Networks; Atlanta, GA, USA. 14–19 June 2009; pp. 71–75. [Google Scholar]

27. Chedjou J.C., Fasih A., Grausberg P., Kyamakya K. Use of CNN processors for ultra-fast solution ODE’s and PDE’s: A renaissance of the analog computer; Proceedings of the 2nd International Workshop on Nonlinear Dynamics and Synchronization; Klagenfurt, Austria. 20–21 July 2009; pp.
1–3. [Google Scholar]

28. Battiato S., Giuffrida E.U., Rundo F. A Cellular Neural Network for Zooming Digital Colour Images; Proceedings of the IEEE International Conference on Consumer Electronics; Las Vegas, NV, USA. 9–13 January 2008; pp. 1–2. [Google Scholar]

29. Box P.G.E., Jenkins G.M., Reinsel G.C. Time Series Analysis: Forecasting and Control. 3rd ed. Prentice Hall; Englewood Cliffs, NJ, USA: 1994. [Google Scholar]

30. Shorten G.P., Burke M.J. A time domain based classifier for ECG pattern recognition; Proceedings of the Annual International Conference of the IEEE Engineering in Medicine and Biology Society; Boston, MA, USA. 30 August–3 September 2011; pp. 4980–4983. [PubMed] [Google Scholar]

31. He L., Hou W., Zhen X., Peng C. Recognition of ECG Patterns Using Artificial Neural Network; Proceedings of the Sixth International Conference on Intelligent Systems Design and Applications; Jinan, China. 16–18 October 2006; pp. 477–481. [Google Scholar]

32. Trahanias P., Skordalakis E. Syntactic pattern recognition of the ECG. IEEE Trans. Pattern Anal. Mach. Intell. 1990;12:648–657. doi: 10.1109/34.56207. [CrossRef] [Google Scholar]

33. Ferdinando H., Seppänen T., Alasaarela E. Comparing features from ECG pattern and HRV analysis for emotion recognition system; Proceedings of the IEEE Conference on Computational Intelligence in Bioinformatics and Computational Biology; Chiang Mai, Thailand. 5–7 October 2016; pp.
1–6. [Google Scholar]

34. Arzi M. New algorithms for continuous analysis of long term ECG recordings using symplectic geometry and fuzzy pattern recognition. Comput. Cardiol. 2005:739–742. [Google Scholar]

35. Yeh M., Chen Y., Chang K. ECG signal pattern recognition using grey relational analysis; Proceedings of the IEEE International Conference on Networking, Sensing and Control; Taipei, Taiwan. 21–23 March 2004; pp. 725–730. [Google Scholar]

36. Page A., Kulkarni A., Mohsenin T. Utilizing deep neural nets for an embedded ECG-based biometric authentication system; Proceedings of the IEEE Biomedical Circuits and Systems Conference (BioCAS); Atlanta, GA, USA. 22–24 October 2015; pp. 1–4. [Google Scholar]

37. Sarlija M., Jurisic F., Popovic S. A Convolutional Neural Network based Approach to QRS Detection; Proceedings of the IEEE International Symposium on Image and Signal processing and Analysis (ISPA 2017); Ljubljana, Slovenia. 18–20 September 2017; pp. 121–125. [Google Scholar]

38. Campolo M., Labate D., la Foresta F., Morabito F.C., Lay-Ekuakille A., Vergallo P. ECG-Derived Respiratory Signal using Empirical Mode Decomposition; Proceedings of the IEEE International Symposium on Medical Measurements and Applications; Bari, Italy. 30–31 May 2011; pp. 399–403. [Google Scholar]

39. MacFarlane P.W. The Pierre Rijlant lecture 2007: The future of electrocardiography. Anatol. J. Cardiol. 2007;7:1–4. [PubMed] [Google Scholar]

40. Barr R.C., Spach M.S., Herman-Giddens G.S. Selection of the number and position of measuring locations for electrocardiography. IEEE Trans. Biomed. Eng. 1971;BME-18:125–138. doi: 10.1109/TBME.1971.4502813. [PubMed] [CrossRef] [Google Scholar]

41. Battiato S., Gallo G., Stanco F. A new edge-adaptive zooming algorithm for digital images; Proceedings of the Signal Processing and Communications Conference; Lake Louise, AB, Canada. 4 October 2000; pp. 144–149. [Google Scholar]

42. Bosco A., Battiato S., Bruna A., Rizzo R. Noise reduction for CFA image sensors exploiting HVS behaviour. Sensors. 2009;9:1692–1713. doi: 10.3390/s90301692. [PMC free article] [PubMed] [CrossRef] [Google Scholar]