五種不同場景的耳塞式光學心率量測

作者 : Christoph Kämmerer,ADI應用工程師

感測器技術的進步改變了人們診斷其生命徵象和健康的方式與地點,可攜式非侵入量測技術可以在我們的日常生活中進行快速簡單的測量。不過,儘管這種診斷技術在健身產業中已經非常流行,但其精度有限,這個問題直到最近才被解決。

健身追蹤器可以量測心率和其他生命徵象以幫助使用者設定日常鍛煉活動,健身追蹤器通常內建運動感測器,可以檢測運動模式以協助區分步行、跑步與游泳,因此它也可以用作計步器。為在日常生活中提供舒適和便利,量測通常在手腕上進行,因為感測器可以放置在手錶、珠寶和腕帶等配飾中。但是,此位置對量測品質而言並非最佳,心率檢測會受到動作雜訊(motion artifacts)的限制而難以進行,因為肌肉質量相對較大,會限制動脈的流通。

相較之下,耳朵更適合進行光學心率量測。耳垂已被醫學專家用於測量血氧濃度,但到目前為止,這尚未在消費者層面上得到充分利用,因為耳朵的量測裝置受空間限制,並且功耗非常高,需要大電池。但隨著高整合度、更低功耗晶片的推出,ADI已開發出解決這些問題的解決方案,現在可以將有效運作的生命徵象量測元件整合到典型的入耳式耳機中;反應度的改善開拓了全新的應用領域和可能性。本文將介紹並評估該系統。

基礎量測方法是光學性的,量測使用來自最多三個LED的短脈衝訊號,LED電流最高可達370mA,最小脈衝寬度為1μs。LED的最佳波長根據量測位置和量測方法來選擇。手腕上只能量測表面動脈,故而選擇綠光,耳朵則不同,可以使用紅外光,從而獲得更大的穿透深度和更高的SNR。光電二極體(其探測面積與其反應度直接相關)用於量測反射光,因此它會同時量測訊號和背景雜訊。下游類比前端提供更高的SNR,它用作訊號濾波器,將檢測到的電流轉換為電壓,進而轉換為數位形式。除反射量測,演算法還包括用以透過加速度計濾除動作雜訊的校正。

組成量測系統的元件說明如下。ADI的ADPD144RI晶片用作類比前端,它還整合了光電二極體和LED。量測由三軸加速度計提供支援;該三軸加速度計不僅用於識別步態和運動,還用於去除動作雜訊。本範例中使用ADXL362,整個過程由ADuCM3029微控制器控制,該微控制器用作各種感測器的介面並包含演算法。

圖1 (參考文章上方大圖)顯示了該測試系統,常規耳塞中同時容納了光學感測器和加速度計。已採取措施將ADC取樣速率限制在100H並最小化LED強度,以盡可能降低功耗。為了對系統特性進行表徵,針對不同的運動模式考量了五種不同的場景。評估僅使用光學訊號,這樣就能知道脈衝量測的不準確性出現在哪些場景中,以及何時需要加速度計資料來提高脈衝量測的精度。場景涵蓋以下運動順序:

  • 站著不動;
  • 站著不動並咀嚼;
  • 在辦公桌前工作;
  • 步行;
  • 跑步和跳躍。

測試場景1:站著不動

圖2為幅度與採樣速率的關係圖,顯示了原始資料的頻譜。隨著時間推移,脈搏可透過峰值來識別。在沒有運動的情況下,訊號非常清晰,心率可透過峰值位置和已知的採樣速率來確定。

20200220_Earbud_TA31P2

圖2:量測幅度過取樣速率以提供有關心率的資訊。

光學感測器用兩種LED顏色——紅外線和紅光——記錄心率,每種顏色有四個通道,這樣就可以透過兩種不同顏色的通道來區分量測,並且可以選擇更穩健的版本。各種通道的訊號如圖3a所示,利用六個通道可以識別出非常明確的訊號,同時兩個通道飽和。為了獲得更強和更穩健的訊號,演算法會添加相對應的不飽和通道並計算心率。圖3b顯示了紅光通道(頂部)和紅外通道(底部)的心率,同時借助色標顯示了量測的可信度。圖中還提供了心率的倍數,由此可以透過採樣速率和可信度指示來區分原始訊號(虛線)。

總之,在沒有運動的情況下,訊號很強且沒有阻礙雜訊,因此演算法能以高可信度確定心率。來自紅外線通道的訊號比來自紅光通道的訊號強。

20200220_Earbud_TA31P3

圖3:紅色區域(頂部)顯示站著不動場景的四通道量測,而紅外線區域(底部)顯示原始資料和加總數據。心率(黑線)可以由演算法透過加總數據來判定,色標指示可信度。

測試場景2:站著不動並咀嚼

場景2導入了額外的咀嚼動作,記錄的頻譜如圖4所示。與測試場景1不同,這裡可以清楚地看到動作雜訊,其在訊號中表現為跳躍。它們在通道總和中也變得清晰,不再表現出如此明顯不同的速率。然而,演算法還是能夠在沒有運動感測器額外幫助的情況下,以高可信度正確地判定心率。有意思的是,紅外線訊號強度再次大於紅光通道的訊號強度。

20200220_Earbud_TA31P4

圖4:紅色區域(頂部)顯示站著不動並咀嚼場景的四通道量測,而紅外線區域(底部)顯示原始資料和加總數據。心率(黑線)可以由演算法通過加總數據來判定,色標指示可信度。心率可以在沒有加速度計的情況下予以判定。

測試場景3:在辦公桌前工作

場景3中測試了另一種日常情境,測試人員坐在桌子前進行一些正常工作以及相關的動作。與場景2類似,可以檢測到動作雜訊,由此演算法可以識別兩個通道中的心率。從圖5中可以看出,紅外線訊號在這裡同樣佔據主導地位。

20200220_Earbud_TA31P5

圖5:紅色區域(頂部)顯示在辦公桌前工作場景的四通道量測,,而紅外線區域(底部)顯示原始資料和加總數據。心率(黑線)可以由演算法通過加總數據來判定,色標指示可信度。心率可以在沒有加速度計的情況下予以判定。

測試場景4:步行

先前的場景關注的是靜止量測情況,但在本場景中,測試人員以低速(大約每分鐘50步)沿一個方向均速移動。如圖6所示,PPG訊號中混合了心率與步伐,各種通道的總和顯示的訊號非常模糊。雖然在紅光訊號場中無法計算明確的心率,但演算法在紅外線訊號中找到一個擬合的心率。然而,由於波動很大、矩陣的可信度很低,來自加速度計的附加運動資料將非常有用,特別是因為到目前為止,量測僅在較低步行速度下進行。

20200220_Earbud_TA31P6

圖6:紅色區域(頂部)顯示步行情境的四通道量測,而紅外線區域(底部)顯示原始資料和加總數據。心率(黑線)可以由演算法通過加總數據來判定,色標指示可信度。心率可以在沒有加速度計的情況下予以判定。

測試場景5:跑步和跳躍

場景5不是量測均速運動,而是短跑和跳躍以一定的間隔交替進行。現在可以非常清楚地識別動作雜訊,演算法很難隔離出正確的心率;如圖7所示。需要運動感測器提供支援似乎是不可避免的。

20200220_Earbud_TA31P7

圖7:紅色區域(頂部)顯示跑跳場景的四通道量測,而紅外線區域(底部)顯示原始資料和加總數據。心率(黑線)可以由演算法通過加總數據來判定,色標指示可信度。沒有加速度計很難判定心率。

為了更妥善地評估對運動感測器的需求,場景5測試了使用和不使用加速度計兩種情況下的量測技術。圖8顯示了無校正加速度計數據(左)和有校正加速度計數據(右)的加成頻譜(additive spectrum)的比較,在識別心率時可以看到訊號明顯改善,如果沒有加速度計的支持,這是不可能的。

從測試案例中可以得出結論,在大多數情境下,心率可以利用耳塞中整合的感測器非常精確地判定。在局部或慢速平移運動的情境下,心率甚至可以在不使用加速度計數據的情況下判定。然而,在突然和快速運動的極限情境下與運動校正資料進行比較,也能釋讀數據。在所有情況下,紅外線訊號都比紅光訊號強。

20200220_Earbud_TA31P8

圖8:無加速度計數據(左)和有加速度計數據(右)的加性頻譜比較。利用加速度計可以重建使用者的心率。

與手腕量測相比,耳朵中的訊號更強,因此量測精度可以達到更高水準。此外,使用紅光或紅外光可以量測血氧水準。

結論

總之,功能測試系統也已證明,耳朵量測非常有前途。量測裝置也可以透過更好的機械整合來改善,並加以擴展來實現額外的量測。如此加速度計還可用於跌倒檢測和步態識別,為客戶創造更多價值。

(本文同步刊登於電子工程專輯雜誌2020年2月號)

發表評論