一种战场士兵多生命体征监测头带设计*

吴宝明，王普领，庞 宇，高丹丹，严博文

(1.第三军医大学 大坪医院野战外科研究所 第五研究室，重庆400042;2.重庆邮电大学 光电工程学院，重庆400065)

0 引 言

现代战争与传统战争相比发生很大变化。随着科技发展，现代战争亦发展为高科技战争，越来越注重战场感知，其中包括对战场环境的探测、敌方武器的探测、战场士兵战斗力的探测等。现代战争模式下，单兵作战能力的高低直接决定了战场上整体战斗力的强弱，所以，及时准确地了解作战士兵的健康、伤情状态，分析其战斗力，对指挥人员的战斗部署和士兵的救护具有十分重要的意义［1］。

战场士兵多生命体征监测系统是集成了多种体征检测传感器的小型便携式装置，可以连续监测士兵的生命体征，实现对士兵作战、受伤、治疗和后送过程中生命体征的监测，实时发送伤员的体征和位置信息，对于迅速救治伤员、降低其死亡率和伤残率具有十分重要的价值。传统多参数检测设备大都存在体积大、功耗高、不宜随身携带等限制，一般用于测量静止卧床的病人，对于运动的士兵，其结果存在偏差且不稳定。近年来，国内外许多研究机构已研究过多种便携式体征监测设备，如，体征监测“弹性背心”，各种腕式、戒指式体征监测装置等［2～4］，但局限于其采集位置，仍存在穿戴不方便、集成度不高、监测参数少等不足。

针对以上问题，在前期研究的基础上，本文设计了一种用于监测战场士兵的头戴式多生命体征监测头带，实现了对士兵头部心电、脑电、体温、脉搏波、血氧等体征信号的采集，设备具备体积小、重量轻、功耗低、成本低、佩戴方便舒适的特点。

1 总体系统设计

与日常便携体征监护设备不同，本文研究是用于战场士兵的装置，士兵具有丰富的活动状态，如，静止、坐下、俯卧、步行、跑动、跌倒等。在不同的活动情景下采集体征信号，会引入大量干扰，尤其以运动干扰最为强烈，使有用信号完全淹没在噪声中，导致测量结果有误。而且，传统的体征测量方法和测量方式不适合用于便携式体征监测装置，如，仍采用粘贴电极容易产生皮肤过敏、瘙痒等;从胸部测量心电信号和手指测量脉搏波信号，对士兵活动正常活动带来不便;大多数的心电图(electrocardiogram，ECG)监测设备，普遍通过胸部I 导联测量ECG，虽然胸部心电信号较强，较易测量，但不适用于战场士兵使用。

针对上述问题，如图1 所示，本文考虑使用导电硅胶作为电极，从头部测量(圆点1，2 处)ECG 和(圆点2，3 处)脑电图(electroencephalogram，EEG)信号，采用反射式光频转换探头测量眉骨(矩形处)光电容积脉搏波(photoplethysmography，PPG)和(三角形处)体表温度。使用加速度传感器对士兵运动状态进行判别，采集士兵静止状态下的生命体征信号进行处理，保证测量结果的准确性［5］。同时，可将监测头带集成到士兵的作战头盔中，增加其舒适感，提高可穿戴性［6］。

图1 多生命体征监测头带佩戴示意图Fig 1 Diagram of multiple－vital signs monitoring headband

2 电路设计

硬件设计主要考虑装置的小型化和便携性，由心脑电采集模块、脉搏波采集模块、体温采集单元、姿态测量模块、无线收发5 个部分组成，实现多信号检测和无线发送的功能。整个装置戴于头部，通过无线收发与外界通信，系统总体框图如图2 所示。本系统均采用微型、低功耗数字芯片进行设计，大大缩小了电路板面积且降低了电路功耗。

2.1 心脑电采集模块

图2 监测装置结构框图Fig 2 Structure block diagram of monitoring device

心脑电采集模块包括生物电极传感器和ADS1292R 心电采集芯片。ADS1292R 是TI 公司的一种用于生物电测量的专用低功耗数字芯片，有2 个并列的数据采集通道，具有24 bit 的高分辨率，增益可控，数据速率125SPS 至8kSPS 可调，3.3 V 低压供电;通过编程，可使其灵活地切换断电、待机模式，尽最大可能降低功耗。

心电和脑电信号首先分别经过一个截止频率为30 Hz的RC 低通滤波器，进入ADS1292R，在芯片内部依次经过EMI 滤波器、信号放大器、A/D 转换器，最后通过SPI 串口通信模式，进入MSP430F1611 做下一步处理。

2.2 脉搏波采集模块

脉搏波采集模块采用反射式光频转换探头进行测量。该探头包括BR660905HM2—2 型双色光发光二极管和光频转换器。反射式探头包括光强探测器和BR660905HM2—2型双色光发光二极管。LED 在中央处理器的控制下发光，光通过组织后会携带血液信息返回体表，在探测器的监测下转换为相应的频率信号送入单片机采集处理。

首先，将LED 正向导通，发出红光，红光通过组织发生散射，光强探测器接收散射的红光，以输出频率的大小反映光强度的大小，进而表示PPG 信号;同理，将LED 反向导通，发出红外光，此时，可测红外光下的PPG 信号。由于光电容积脉搏波是根据经组织散射的光强来反应的，PPG 信号对光源反应特别敏感，所以，在测量时需对测量处尽可能地采取遮光处理。

2.3 体温采集模块

积分型Slope A/D 转换测温采集模块由MSP430F1611比较器A0、定时器A、参考电容器C38、参考电阻器R47 和医用NTC 热敏电阻器R46 组成测温电路，其结构如图3 所示。

Slope A/D 转换原理利用MSP430F1611 控制引脚P2.3和P2.5，引脚输出高电平时，引脚、电阻器和电容器组成充电电路，对电容器进行充电;引脚输出低电平时形成放电回路。电容器上的电压信号接在比较器的正输入端，负输入端接片内的参考电压Vref=0.25Vcc。当电容器电压大于参考电压Vref时，比较器A 输出高电平，反之，输出低电平，定时器A 工作在捕获模式计算时间［7］。

图3 Slope A/D 转换测温电路Fig 3 Circuit of slope A/D converter for temperature measuring

2.4 姿态测量模块

姿态测量模块电路设计中，选用Freescale 公司的微型MMA7660 加速度传感器。该芯片是-1.5～1.5 gn范围的三轴加速度计，3.3 V 低压供电，由数字I2C 输出，具有低通滤波器，6 bit 分辨率，是超低功耗、小型容性MEMS 传感器。外围电路如图4 所示。由MSP430F1611 对MMA7660 进行初始化设置，使其工作在标准模式下，通过I2C 串口通信方式读取X，Y，Z 三轴加速度值。

图4 MMA7660 加速度计外围电路Fig 4 Peripheral circuits of accelerometer MMA7660

3 软件设计

软件设计主要在微处理器中完成，主要包括多体征参数的采集，ECG，EEG 和PPG 信号干扰滤波处理，加速度计X，Y，Z 轴的数据采集和姿态判别，体温的测量，数据发送等。

3.1 ECG 和EEG 分析

在微处理器程序中，利用Matlab 数字滤波器工具箱设计了截止频率分别为0.5 Hz 和40 Hz 的线性FIR 高通、低通滤波器，滤除EEG 信号和ECG 信号存在漂移、工频干扰。

对于ECG 信号，需定位出其R 波，计算出心率。先通过一阶微分法，判别出R 波大致位置;继而，通过幅值判别法确定其R 波位置，求出RR 间期，结合采样率，得出心率，完成对士兵心率的监测。

EEG 信号一向被视为监测疲劳的“金标准”，各种形式的疲劳都会引起脑电可察觉的变化。在基于EEG 的疲劳判别中，最常用的频带为δ 波(0 ～4 Hz)，θ 波(4 ～7 Hz)，α波(8 ～13 Hz)，β 波(13 ～40 Hz)。疲劳程度不同时，脑电的波动情况发生变化，脑电波不同频带的能量也随之改变［8，9］，固可根据脑电不同频带的能量判断士兵是否处于疲劳状态。

3.2 PPG 分析

根据光子扩散方程和朗伯比尔定律，可推导出反射式血氧饱和度的计算公式

对于高频干扰，因其频带范围远远高于PPG 信号的频带，可利用平滑滤波去除;对于运动引起的干扰采用自适应对消算法进行处理［10］。

3.3 体温测量

首先，利用恒温水箱对热敏电阻器进行定标，计算出其电阻值与温度关系的拟合公式

式中 Temp为温度值，℃;B0，B1和B2为温度拟合系数;Rx为多次测量热敏电阻器阻值的平均值。

然后，根据通过Slope A/D 转换测温模块测得的电阻值，计算出人体温度值。

3.4 加速度分析

1)静止状态识别:对于任何个体，受到竖直方向上的重力加速度是恒定的，即常量gn(9.8 m/s2)。当人体姿态发生变化时，重力加速度g 在X，Y，Z 轴的分布将发生变化。当人体站立时，g 分布在X 轴负方向;平躺时，g 分布在Z 轴负方向;仰卧时，g 分布在Z 轴负方向;左侧卧时，g 分布在Y 轴负方向;右侧卧时，g 分布在Y 轴正方向。由此，根据重力加速度g 在X，Y，Z 轴上的分布来识别不同的静止姿态。

2)运动状态识别:加速度交流信号反映了人体运动时的加速度变化。通过对交流信号的分析可以识别静止、步行、跑动、跌倒等活动姿态。不同运动状态下数据偏离平均数的程度由小到大依次为:静止＜步行＜跑动。由于三种姿态下的数据偏离程度具有非常明显的差异，因此，本文根据描述数据离散程度的标准方差来识别这三种姿态，如下式所示

其中，n 为计算时间窗长度，¯x 为该时间窗内数据的平均数。运算结果S 的大小直接反映了人体的活动强度。

4 实验结果与分析

为验证实验数据和结果的正确性，设计了基于Delphi的上位机界面，可显示出头部ECG 信号、EEG 信号、红光下的PPG 信号和红外光下的PPG 信号以及测试者由左侧卧到平躺再到左侧卧时三轴加速度计X，Y，Z 轴的数据变化，并显示了被测者的活动状态、心率、体温、血氧等指标。

4.1 头部心电实验结果

图5 为头部心电和胸部ECG 信号对照图，均用截至频率为30 Hz 的低通滤波器做处理。对比可得:胸部ECG 信号较强且较规律，头部ECG 信号较弱且Q，S，T 波形特征不明显，但R 波仍可清晰辨别，和胸部ECG 相比，不存在延迟，所以，由头部ECG 计算的心率即为人体正确心率。

图5 头部心电和胸部心电对照图Fig 5 Comparison chart of head ECG and chest ECG

4.2 疲劳监测实验结果

分别采集测试者上午10 时精力充沛时和凌晨2 时疲劳时的脑电，各取8 s 样本，并做频谱分析，如图6(a)，(b)分别为精力充沛时的EEG 信号和频谱，图6(c)，(d)分别为疲劳状态下的EEG 信号和频谱。观察频谱可知在疲劳状态下，脑电信号的θ 波和α 波均有所增强，β 波中17～25 Hz频段相对减弱。从分析中得出可计算脑电中θ 波与α波和β 波17～25 Hz 频段的能量的比值作为疲劳判别的指标。

图6 不同状态脑电信号幅度和频谱对比图Fig 6 Comparison chart of amplitude and spectrum for EEG in different states

4.3 姿态识别实验结果

将监测头带正确戴于头部，首先，依次做出站立、俯卧、左侧卧、仰卧、右侧卧5 个静止状态，每个动作持续10 s，采集加速度值;然后，依次做出站立、坐下、站起、走、跑5 个运动状态，采集加速度值。图7 为静止状态下的X，Y，Z 轴加速度分布，图8 为运动状态下X 轴加速度，通过判断活动强度S 值和加速度阈值，正确识别了测试者的活动状态。

图8 运动状态下的加速度信号Fig 8 Acceleration signal in state of motion

5 结 论

本文针对战场环境和战场士兵受伤特点，从便携式、低功耗入手，设计了一种用于战场士兵的多生命体征监测头带，实现了装置的小型化;在头部测量心电信号，使用反射式光频转换探头测量脉搏波信号，确保其易穿戴性;通过选取低功耗器件和优化程序，节约了设备的能耗，延长其工作时间，使用可充电锂电池供电，保证装置的易用性;结合加速度计检测士兵的姿态和运动状态，对静止状态下的士兵自动地进行信号采集和处理，以保证监测结果的准确性。

［1］ 闫庆广，吴宝明，卓 豫，等.穿戴式单兵生命监测系统研究的进展［J］.中国医疗器械杂志，2006，30(5):345-348.

［2］ 张政波，俞梦孙，赵显亮，等.穿戴式，多参数协同监测系统设计［J］.航天医学与医学工程，2008，21(1):66-69.

［3］ 滕晓菲，张元亭.移动医疗:穿戴式医疗仪器的发展趋势［J］.中国医疗器械杂志，2006，30(5):330-340.

［4］ 刘 纳，陈颖敏，张文赞，等.超低功耗体表贴附式心电长期监护和存储系统［J］.中国医疗器械杂志，2012，36(1):28-31.

［5］ 王子洪，吴宝明，银 健，等.具有人体活动情景辨识的穿戴式心电监测仪的研制［J］.生物医学工程学杂志，2012，29(5):941-947.

［6］ Kim Y S，Baek H J，Kim J S，et al.Helmet-based physiological signal monitoring system［J］.European Journal of Applied Physiology，2009，105(3):365-372.

［7］ 闫方举，刘培顺，杨卫平.基于MSP430 单片机Slope 功能的电阻测量方法［J］.科技信息，2011(8):451-452.

［8］ Ridwan S D，Thompson R，Jap B T，et al.Single channel wireless EEG:Proposed application in train drivers［C］∥2008 Third International Conference on Broadband Communications，Information Technology＆Biomedical Applications，IEEE，2008:58-63.

［9］ 李君羡，潘晓东.基于脑电分析的连续驾驶疲劳高发时间判断［J］.交通科学与工程，2012，28(4):72-79.

［10］龚渝顺，吴宝明，高丹丹，等.一种抗干扰穿戴式血氧饱和度监测仪的研制［J］.传感技术学报，2012，25(1):6-10.