由于常用的計算脈搏血氧飽和度的方法一般都存在測量數據不能實時更新的缺點，本文基于NJL5501R光反射器搭建了脈搏波信號測量的硬件平臺，并根據脈搏波信號測量中所采集的紅光和紅外光具有高度的線性相關性的特點，提出一種通過建立紅光和紅外光的線性回歸模型來確定血氧飽和度值的方法，并且分析了參與計算的脈搏波采樣點數多少對脈搏波血氧特征值的影響。實驗結果表明，本文提出的方法能夠在保證測量精度的同時實現血氧飽和度數據的快速更新，為人體脈搏血氧飽和度實時、準確地監測提供了一種有效的途徑。
引用本文： 張根選, 石波, 曹陽. 一種計算脈搏血氧飽和度的新方法. 生物醫學工程學雜志, 2017, 34(1): 62-65. doi: 10.7507/1001-5515.201604032 復制
引言
脈搏血氧飽和度（pulse oxygen saturation，SpO2）是指血液中被氧結合的氧合血紅蛋白（oxy-genated hemoglobin，HbO2）的數量占全部可結合的血紅蛋白（hemoglobin，Hb）的百分比，即指血液中血氧的濃度。目前，SpO2 已被作為繼體溫、呼吸、脈搏和血壓之后的又一重要生命體征，已經成為多參數監護儀的常規監測項目之一。隨著電子技術的飛速發展，各種新型的脈搏血氧儀相繼涌現，有些已經突破醫用的束縛，逐步從醫院走向家庭。現有的 SpO2 測量大多是以光電容積脈搏波描記法（photoplethysmograph，PPG）為基本原理的[1-3]。在測量中，脈搏血氧信號特征值 R 的準確提取是計算 SpO2 的關鍵，因為 R 值的提取方法直接影響著 SpO2 的測量精度、實時性等指標。傳統的 R 值提取方法主要是利用脈搏波的峰谷值法[4-5]，該方法利用多個脈搏周期的平均來提高精度，使得 SpO2 的測量失去了實時性。針對峰谷值法提取 SpO2 特征值的不足，本文提出采用一元線性回歸的方法來提取 SpO2 的特征值 R ，該方法能夠很好地解決目前血氧儀實時性差的缺點。本文還進一步分析了參與計算的脈搏信號采樣點數對 SpO2 測量精度的影響。研究結果表明，本文方法可以應用到醫院的多參數監護儀或家用便攜式血氧儀中，實現對人體血氧飽和度的長時、連續監測。
1 方法
1.1 測量原理
PPG 是利用光電手段在活體組織中檢測血液容積變化的一種無創檢測方法，其原理是動脈血液對光的吸收量隨動脈搏動而變化。如果采用 660 nm 的紅光和 940 nm 的紅外光作為光源，根據 Lambert-Beer 定律可推導出特征值 R 及 SpO2 的計算公式[6]：
| $ R = \frac{{I_{\rm {AC}}^{660}}}{{I_{\rm {AC}}^{940}}}\frac{{I_{\rm {DC}}^{940}}}{{I_{\rm {DC}}^{660}}} $ |
| $ {\rm {SpO}_2}= \frac{{{{ε}} _{\rm {Hb}}^{660} - {{ε}}_{{\rm{Hb}}}^{\rm{940}} }R}{{{{ε}} _{\rm {Hb}}^{660} - {{ε}} _{{\rm {Hb}}{{\rm{O}}_2}}^{660} + ({{ε}}_{{\rm{Hb}}{{\rm{O}}_{\rm{2}}}}^{{\rm{940}}} - {{ε}}_{{\rm{Hb}}}^{\rm{940}} ) }R} $ |
式中， 和 分別為檢測到的 660 nm 的紅光反射光強的交流（alternating current，AC）分量和直流（direct current，DC）分量； 和 分別為 940 nm 的紅外光反射光強的 AC 分量和 DC 分量；、、、均為常數，可由光譜分析法獲得。顯然，只要求得特征值 R 即可得到 SpO2 的值。在實際應用時，由于生物組織是一種強散射、弱吸收、具有各向異性的復雜光學組織，并不完全符合 Lambert-Beer 定律，因此通常使用經驗公式定標曲線的方法來確定特征值 R 和 SpO2 的對應關系，如：
| $ {\rm{Sp}}{{\rm{O}}_2} = {\rm{C}} + {\rm{B}}R + {\rm{A}}{R^2} $ |
式中，A、B 和 C 為經驗常數，可以通過實驗定標得到[7]。
1.2 原始脈搏波信號的獲取
光電脈搏波的采集有透射式和反射式兩種，其中反射式傳感器光源和接收器均置于被檢測物體的同一側，本文基于新日本無線公司的 NJL5501R 型光反射器設計了一種反射式脈搏血氧數據采集系統。NJL5501R 型光反射器把紅光（660 nm）和紅外光（940 nm）兩個發光二極管（light emitting diode，LED）和光電晶體管集成在一個封裝內，具有體積超小、功耗低的特點。控制單元采用微芯公司的 PIC32MX795F512 高性能微控制器。整個數據采集系統框圖如圖 1 所示。將光反射器貼在人體表面，入射光經過人體組織后，從同側接收反射光信號，經過放大、分離、濾波等信號調理電路后送入模數轉換器，轉換得到的數字信號在微控制器的控制下通過藍牙模塊傳輸至計算機系統中進行處理。
圖1
數據采集系統框圖
Figure1.
System block diagram for data acquisition
1.3 特征值 R 的計算方法
由于脈搏波信號隨身體的特征變異而出現一些微小變化，尤其隨著人體的各種生理、病理因素及周圍條件的變化，其波形會相應地發生變化，因此脈搏波信號其實是一種隨機信號，而且它往往是非平穩的，即信號的統計特性（如均值、方差等）隨時間的變化而改變。研究脈搏波信號的規律必須借助統計處理技術來辨別和估計它的特征。線性回歸就是利用數理統計中的回歸分析，來確定兩種或者兩種以上變量間相互依賴的定量關系的一種統計分析方法[8]。人體的 Hb 和 HbO2 的濃度在短時間內（比如，脈搏波信號的幾個周期內）一般是不會連續變化，即特征值 R 在此期間可視為常數。并且光通過組織和血管時，反射（透射）光強可分為非動脈成分（如皮膚、肌肉、骨骼和靜脈血等）和動脈成分（如動脈血），即可稱為 DC 分量和 AC 分量，而 DC 分量是不變的，由式（1）可以看出，兩波長的反射光強 AC 分量的比值在短時間內是常數，即兩者是正比關系。但考慮采集的信號會受到如干擾等各種不確定因素的影響，會造成短時間內兩波長的反射光的每個采樣點的 AC 分量并非都是正比關系。因此本文中先利用數據相關理論驗證由脈搏波數據采集系統所采集的紅光和紅外光反射光光強之間是否具有線性相關性，如果線性相關性確定，然后再使用連續采樣過程所采集的紅光和紅外光的反射光強的適量樣本數據進行線性回歸分析、計算，從而提取出特征值 R。
假設采集的紅外光和紅光反射光強的 AC 分量信號序列分別為 x={x1，x2，x3，…，xN}和 y={y1，y2，y3，…，yN}，如果此兩束反射光強信號序列之間存在線性相關性，則可以建立一元線性回歸方程，即：
| $ \mathop y\limits^{\frown} = a + bx $ |
要使所擬合的直線最理想，必須使實際值與估計值的偏差最小，即離差平方和最小，這樣公式可表示為：
| $ Q(k,j) = \sum\limits_{i = 1}^N {{{\left( {{y_i} - k - j{x_i}} \right)}^2}} $ |
對參數 k、j 求導并整理得到回歸系數 k、j 為：
| $ \left\{ \begin{aligned} & j = \frac{{N\sum\limits_{i = 1}^N {{x_i}{y_i} - \left( {\sum\limits_{i = 1}^N {{x_i}} } \right)\left( {\sum\limits_{i = 1}^N {{y_i}} } \right)} }}{{\sum\limits_{i = 1}^N {{x_i}^2 - {{\left( {\sum\limits_{i = 1}^N {{x_i}} } \right)}^2}} }}\\ & \quad \\ & k = \bar y - j\bar x \end{aligned} \right. $ |
其中，N 為參與運算的樣本點的個數，和分別是 x，y 的均值。如果參數 k=0，可以得到特征值 R 的表達式為：
| $ R = j \cdot \frac{{\frac{\displaystyle 1}{\displaystyle N}\sum\limits_{i = 1}^N {{x_i}} }}{{\frac{\displaystyle 1}{\displaystyle N}\sum\limits_{i = 1}^N {{y_i}} }} $ |
其中，， 分別是紅外光和紅光反射光強的DC分量。
由此可見，只需要少量連續的采樣數據即可計算出特征值 R，而不需要像傳統峰谷值方法那樣通過計算脈搏波血氧信號的多個峰谷值來做平均得到特征值 R。
2 實驗結果與分析
本文所使用的原始脈搏波數據均采集自深圳迪美泰數字醫學技術有限公司的職員，所有受試者均被告知試驗的詳細內容。如圖 2 所示，為一名受試者 3 000 個采樣點的紅光和紅外光數據，從中任意截取 100 個樣本點進行分析。
圖2
原始脈搏波信號
Figure2.
Original pulse wave signals
2.1 特征值 R 的計算
相關系數是衡量兩個變量之間線性相關密切程度的重要指標。本文利用兩組變量相關系數的公式為：
| $ r = \frac{{\sum\limits_{i = 1}^N {{{\left( {{x_i} - \bar x} \right)}^2}{{\left( {{y_i} - \bar y} \right)}^2}} }}{{\sqrt {\sum\limits_{i = 1}^N {{{\left( {{x_i} - \bar x} \right)}^2}\sum\limits_{i = 1}^N {{{\left( {{y_i} - \bar y} \right)}^2}} } } }} $ |
計算出采集的紅光和紅外光信號的線性相關系數為 0.982 4，說明兩變量屬于高度相關，有很好的線性關系。
如圖 3 所示，為上述所分析 100 個采樣點的紅光和紅外光信號 AC 分量的散點圖和帶置信區間的擬合直線。可以看出，該直線通過（0，0）坐標點，即一元線性回歸模型中 k=0，印證了脈搏波血氧信號的特征值 R 是可以通過式（7）計算得到的。在顯著性水平設 α=0.05 的情況下，通過計算得到一元線性回歸系數 j=0.461 6，其置信區間為 [0.436 8, 0.486 4]，同時對回歸方程進行了顯著性檢驗（F 檢驗）計算出統計量 F 對應的概率 P=0.000 01<α，說明拒絕 H0，所建立的回歸模型成立。再由式（7）計算出 SpO2 的特征值 R=0.477 7，每一個特征值 R 對應一個 SpO2 值，在血氧采集系統采樣率為 100 sps 時，SpO2 值每更新一次只需要 1 s。而傳統的峰谷法一般需要幾到幾十個峰值和谷值（采樣率為 100 的話，就需要幾秒到幾十秒）才能得到一個特征值 R，導致 SpO2 值實時性較差。
圖3
帶置信區間的擬合直線
Figure3.
Fitting straight line with a confidence interval
如圖 4 所示，為對擬合后的殘差分布圖進行分析，通過殘差分布圖可以看出，數據殘差的置信區間全部包括零點，無異常點。如有極少數的異常點應該將其剔除或修正后重新進行回歸分析，直到沒有異常點為止。
圖4
殘差分布圖
Figure4.
Residual distribution
2.2 特征值 R 隨時間變化
對 3 名受試者的脈搏血氧信號進行 R 值提取（采樣率為 100 sps，長度為 31 s），每 100 個采樣點計算一次特征值 R，得到的 R 值隨時間變化曲線如圖 5 所示。對于同一名受試者來說，其特征值 R 的最大變化小于 0.1，對 SpO2值影響小于 0.2%，可以忽略。
圖5
特征值 R 隨時間變化
Figure5.
Changes of eigen value R with time
2.3 樣本容量對特征值 R 的影響
對參與計算 R 值的樣本容量進行分析，判斷樣本容量對 R 值的影響。樣本容量由 100 個采樣點增至 200 個（每 2 s 計算一次特征值 R），增至 300 個（每 3 s 計算一次特征值 R）直至 3 000 個（每 30 s 計算一次特征值 R）。5 組數據來自 4 名受試者，其中有兩組數據（即數據 4 和數據 5）來自同一受試者，結果如圖 6 所示。可以看出，樣本容量相差很大，但 R 值的差異小于 0.04，對 SpO2 值的影響可以忽略。
圖6
樣本容量對 R 值的影響
Figure6.
Effect of sample size on the R value
將式（3）定標后，使用 Index 2 血氧模擬儀（Fluke，USA）產生的 10 組不同標準血氧信號（血氧飽和度 91%～100% 范圍）進行驗證，具體測量結果及誤差如表 1 所示。從表 1 可以看出，該 SpO2 測量方法誤差小于 ±2%。
表1
血氧飽和度測試結果
Table1.
Test results of pulse oxygen saturation
3 結束語
本文基于 NJL5501R 光反射器設計了一種脈搏波血氧信號采集電路，并提出通過建立數理統計中的一元線性回歸模型計算脈搏波 SpO2 特征值 R 的方法。該方法和傳統的峰谷值法相比測量精度較高、SpO2 數據更新更快，在很大程度上提高了測量的實時性，為人體的脈搏波 SpO2 實時測量提供了一種很好的思路和途徑。
引言
脈搏血氧飽和度（pulse oxygen saturation，SpO2）是指血液中被氧結合的氧合血紅蛋白（oxy-genated hemoglobin，HbO2）的數量占全部可結合的血紅蛋白（hemoglobin，Hb）的百分比，即指血液中血氧的濃度。目前，SpO2 已被作為繼體溫、呼吸、脈搏和血壓之后的又一重要生命體征，已經成為多參數監護儀的常規監測項目之一。隨著電子技術的飛速發展，各種新型的脈搏血氧儀相繼涌現，有些已經突破醫用的束縛，逐步從醫院走向家庭。現有的 SpO2 測量大多是以光電容積脈搏波描記法（photoplethysmograph，PPG）為基本原理的[1-3]。在測量中，脈搏血氧信號特征值 R 的準確提取是計算 SpO2 的關鍵，因為 R 值的提取方法直接影響著 SpO2 的測量精度、實時性等指標。傳統的 R 值提取方法主要是利用脈搏波的峰谷值法[4-5]，該方法利用多個脈搏周期的平均來提高精度，使得 SpO2 的測量失去了實時性。針對峰谷值法提取 SpO2 特征值的不足，本文提出采用一元線性回歸的方法來提取 SpO2 的特征值 R ，該方法能夠很好地解決目前血氧儀實時性差的缺點。本文還進一步分析了參與計算的脈搏信號采樣點數對 SpO2 測量精度的影響。研究結果表明，本文方法可以應用到醫院的多參數監護儀或家用便攜式血氧儀中，實現對人體血氧飽和度的長時、連續監測。
1 方法
1.1 測量原理
PPG 是利用光電手段在活體組織中檢測血液容積變化的一種無創檢測方法，其原理是動脈血液對光的吸收量隨動脈搏動而變化。如果采用 660 nm 的紅光和 940 nm 的紅外光作為光源，根據 Lambert-Beer 定律可推導出特征值 R 及 SpO2 的計算公式[6]：
| $ R = \frac{{I_{\rm {AC}}^{660}}}{{I_{\rm {AC}}^{940}}}\frac{{I_{\rm {DC}}^{940}}}{{I_{\rm {DC}}^{660}}} $ |
| $ {\rm {SpO}_2}= \frac{{{{ε}} _{\rm {Hb}}^{660} - {{ε}}_{{\rm{Hb}}}^{\rm{940}} }R}{{{{ε}} _{\rm {Hb}}^{660} - {{ε}} _{{\rm {Hb}}{{\rm{O}}_2}}^{660} + ({{ε}}_{{\rm{Hb}}{{\rm{O}}_{\rm{2}}}}^{{\rm{940}}} - {{ε}}_{{\rm{Hb}}}^{\rm{940}} ) }R} $ |
式中， 和 分別為檢測到的 660 nm 的紅光反射光強的交流（alternating current，AC）分量和直流（direct current，DC）分量； 和 分別為 940 nm 的紅外光反射光強的 AC 分量和 DC 分量；、、、均為常數，可由光譜分析法獲得。顯然，只要求得特征值 R 即可得到 SpO2 的值。在實際應用時，由于生物組織是一種強散射、弱吸收、具有各向異性的復雜光學組織，并不完全符合 Lambert-Beer 定律，因此通常使用經驗公式定標曲線的方法來確定特征值 R 和 SpO2 的對應關系，如：
| $ {\rm{Sp}}{{\rm{O}}_2} = {\rm{C}} + {\rm{B}}R + {\rm{A}}{R^2} $ |
式中，A、B 和 C 為經驗常數，可以通過實驗定標得到[7]。
1.2 原始脈搏波信號的獲取
光電脈搏波的采集有透射式和反射式兩種，其中反射式傳感器光源和接收器均置于被檢測物體的同一側，本文基于新日本無線公司的 NJL5501R 型光反射器設計了一種反射式脈搏血氧數據采集系統。NJL5501R 型光反射器把紅光（660 nm）和紅外光（940 nm）兩個發光二極管（light emitting diode，LED）和光電晶體管集成在一個封裝內，具有體積超小、功耗低的特點。控制單元采用微芯公司的 PIC32MX795F512 高性能微控制器。整個數據采集系統框圖如圖 1 所示。將光反射器貼在人體表面，入射光經過人體組織后，從同側接收反射光信號，經過放大、分離、濾波等信號調理電路后送入模數轉換器，轉換得到的數字信號在微控制器的控制下通過藍牙模塊傳輸至計算機系統中進行處理。
圖1
數據采集系統框圖
Figure1.
System block diagram for data acquisition
1.3 特征值 R 的計算方法
由于脈搏波信號隨身體的特征變異而出現一些微小變化，尤其隨著人體的各種生理、病理因素及周圍條件的變化，其波形會相應地發生變化，因此脈搏波信號其實是一種隨機信號，而且它往往是非平穩的，即信號的統計特性（如均值、方差等）隨時間的變化而改變。研究脈搏波信號的規律必須借助統計處理技術來辨別和估計它的特征。線性回歸就是利用數理統計中的回歸分析，來確定兩種或者兩種以上變量間相互依賴的定量關系的一種統計分析方法[8]。人體的 Hb 和 HbO2 的濃度在短時間內（比如，脈搏波信號的幾個周期內）一般是不會連續變化，即特征值 R 在此期間可視為常數。并且光通過組織和血管時，反射（透射）光強可分為非動脈成分（如皮膚、肌肉、骨骼和靜脈血等）和動脈成分（如動脈血），即可稱為 DC 分量和 AC 分量，而 DC 分量是不變的，由式（1）可以看出，兩波長的反射光強 AC 分量的比值在短時間內是常數，即兩者是正比關系。但考慮采集的信號會受到如干擾等各種不確定因素的影響，會造成短時間內兩波長的反射光的每個采樣點的 AC 分量并非都是正比關系。因此本文中先利用數據相關理論驗證由脈搏波數據采集系統所采集的紅光和紅外光反射光光強之間是否具有線性相關性，如果線性相關性確定，然后再使用連續采樣過程所采集的紅光和紅外光的反射光強的適量樣本數據進行線性回歸分析、計算，從而提取出特征值 R。
假設采集的紅外光和紅光反射光強的 AC 分量信號序列分別為 x={x1，x2，x3，…，xN}和 y={y1，y2，y3，…，yN}，如果此兩束反射光強信號序列之間存在線性相關性，則可以建立一元線性回歸方程，即：
| $ \mathop y\limits^{\frown} = a + bx $ |
要使所擬合的直線最理想，必須使實際值與估計值的偏差最小，即離差平方和最小，這樣公式可表示為：
| $ Q(k,j) = \sum\limits_{i = 1}^N {{{\left( {{y_i} - k - j{x_i}} \right)}^2}} $ |
對參數 k、j 求導并整理得到回歸系數 k、j 為：
| $ \left\{ \begin{aligned} & j = \frac{{N\sum\limits_{i = 1}^N {{x_i}{y_i} - \left( {\sum\limits_{i = 1}^N {{x_i}} } \right)\left( {\sum\limits_{i = 1}^N {{y_i}} } \right)} }}{{\sum\limits_{i = 1}^N {{x_i}^2 - {{\left( {\sum\limits_{i = 1}^N {{x_i}} } \right)}^2}} }}\\ & \quad \\ & k = \bar y - j\bar x \end{aligned} \right. $ |
其中，N 為參與運算的樣本點的個數，和分別是 x，y 的均值。如果參數 k=0，可以得到特征值 R 的表達式為：
| $ R = j \cdot \frac{{\frac{\displaystyle 1}{\displaystyle N}\sum\limits_{i = 1}^N {{x_i}} }}{{\frac{\displaystyle 1}{\displaystyle N}\sum\limits_{i = 1}^N {{y_i}} }} $ |
其中，， 分別是紅外光和紅光反射光強的DC分量。
由此可見，只需要少量連續的采樣數據即可計算出特征值 R，而不需要像傳統峰谷值方法那樣通過計算脈搏波血氧信號的多個峰谷值來做平均得到特征值 R。
2 實驗結果與分析
本文所使用的原始脈搏波數據均采集自深圳迪美泰數字醫學技術有限公司的職員，所有受試者均被告知試驗的詳細內容。如圖 2 所示，為一名受試者 3 000 個采樣點的紅光和紅外光數據，從中任意截取 100 個樣本點進行分析。
圖2
原始脈搏波信號
Figure2.
Original pulse wave signals
2.1 特征值 R 的計算
相關系數是衡量兩個變量之間線性相關密切程度的重要指標。本文利用兩組變量相關系數的公式為：
| $ r = \frac{{\sum\limits_{i = 1}^N {{{\left( {{x_i} - \bar x} \right)}^2}{{\left( {{y_i} - \bar y} \right)}^2}} }}{{\sqrt {\sum\limits_{i = 1}^N {{{\left( {{x_i} - \bar x} \right)}^2}\sum\limits_{i = 1}^N {{{\left( {{y_i} - \bar y} \right)}^2}} } } }} $ |
計算出采集的紅光和紅外光信號的線性相關系數為 0.982 4，說明兩變量屬于高度相關，有很好的線性關系。
如圖 3 所示，為上述所分析 100 個采樣點的紅光和紅外光信號 AC 分量的散點圖和帶置信區間的擬合直線。可以看出，該直線通過（0，0）坐標點，即一元線性回歸模型中 k=0，印證了脈搏波血氧信號的特征值 R 是可以通過式（7）計算得到的。在顯著性水平設 α=0.05 的情況下，通過計算得到一元線性回歸系數 j=0.461 6，其置信區間為 [0.436 8, 0.486 4]，同時對回歸方程進行了顯著性檢驗（F 檢驗）計算出統計量 F 對應的概率 P=0.000 01<α，說明拒絕 H0，所建立的回歸模型成立。再由式（7）計算出 SpO2 的特征值 R=0.477 7，每一個特征值 R 對應一個 SpO2 值，在血氧采集系統采樣率為 100 sps 時，SpO2 值每更新一次只需要 1 s。而傳統的峰谷法一般需要幾到幾十個峰值和谷值（采樣率為 100 的話，就需要幾秒到幾十秒）才能得到一個特征值 R，導致 SpO2 值實時性較差。
圖3
帶置信區間的擬合直線
Figure3.
Fitting straight line with a confidence interval
如圖 4 所示，為對擬合后的殘差分布圖進行分析，通過殘差分布圖可以看出，數據殘差的置信區間全部包括零點，無異常點。如有極少數的異常點應該將其剔除或修正后重新進行回歸分析，直到沒有異常點為止。
圖4
殘差分布圖
Figure4.
Residual distribution
2.2 特征值 R 隨時間變化
對 3 名受試者的脈搏血氧信號進行 R 值提取（采樣率為 100 sps，長度為 31 s），每 100 個采樣點計算一次特征值 R，得到的 R 值隨時間變化曲線如圖 5 所示。對于同一名受試者來說，其特征值 R 的最大變化小于 0.1，對 SpO2值影響小于 0.2%，可以忽略。
圖5
特征值 R 隨時間變化
Figure5.
Changes of eigen value R with time
2.3 樣本容量對特征值 R 的影響
對參與計算 R 值的樣本容量進行分析，判斷樣本容量對 R 值的影響。樣本容量由 100 個采樣點增至 200 個（每 2 s 計算一次特征值 R），增至 300 個（每 3 s 計算一次特征值 R）直至 3 000 個（每 30 s 計算一次特征值 R）。5 組數據來自 4 名受試者，其中有兩組數據（即數據 4 和數據 5）來自同一受試者，結果如圖 6 所示。可以看出，樣本容量相差很大，但 R 值的差異小于 0.04，對 SpO2 值的影響可以忽略。
圖6
樣本容量對 R 值的影響
Figure6.
Effect of sample size on the R value
將式（3）定標后，使用 Index 2 血氧模擬儀（Fluke，USA）產生的 10 組不同標準血氧信號（血氧飽和度 91%～100% 范圍）進行驗證，具體測量結果及誤差如表 1 所示。從表 1 可以看出，該 SpO2 測量方法誤差小于 ±2%。
表1
血氧飽和度測試結果
Table1.
Test results of pulse oxygen saturation
3 結束語
本文基于 NJL5501R 光反射器設計了一種脈搏波血氧信號采集電路，并提出通過建立數理統計中的一元線性回歸模型計算脈搏波 SpO2 特征值 R 的方法。該方法和傳統的峰谷值法相比測量精度較高、SpO2 數據更新更快，在很大程度上提高了測量的實時性，為人體的脈搏波 SpO2 實時測量提供了一種很好的思路和途徑。
