·818 工程科学学报，第41卷，第6期 随着工业化进程的发展，低氧环境常见于建筑、 状态下PPG信号，并对不同的PPG信号进行标记标 化工、军事等的有限空间四、城市地下空间回以及 签.本文主要针对人体低氧状态的识别，因而分别 通风不良的人群聚集区域同.人在进入低氧环境时 测量氧气体积分数15.5%~16%和氧气体积分数 会受到低氧伤害.近年来，由于环境氧气浓度过低 16%~21%的人体PPG信号用于PPG信号的分类 导致的室息死亡事故频繁发生.据2014一2015年 1.1实验设计及流程 全国有限空间作业较大以上事故调查及报告数据显 实验人员为北京科技大学的15名大学生，其中 示，中毒与室息事故达47起0.然而，当前缺乏一 男生7名（平均年龄22岁），女生8名（平均年龄23 种快速有效的低氧识别技术，在作业人员进入低氧 岁).共进行15组实验(15×1).15名实验人员身 环境时及时预警 体健康，生理状态良好，且在实验前无吸烟、饮酒、饮 一般认为氧气体积分数的安全范围是19.5%~ 用咖啡等.实验场所为北京科技大学自主研发的刊 23.5%.然而根据最新的海军潜艇，航空和高原山 用可移动式救生舱，经密闭性检验实验验证救生舱 地医学的研究证据显示，15.5%的氧气体积分数 密闭性良好，舱内可营造氧气体积分数15.5%~ 也能保证人员的基本生命安全因，李国建)的研究 16%环境.实验时间为每天的14：00~16：00，该时 也得到了相似结果，因此氧气体积分数15.5%~ 间段内人体氧摄取最为活跃如.实验方案经北京 16%为健康人体的耐受极限.但作业过程中人员存 大学生物医学伦理委员会批准（批准号为 在不同的生理状态，如处于亚健康或疲劳，此时耐受 IRB00001052-18077). 极限可能发生改变.传统的预防低氧伤害的方法主 实验人员进入救生舱后，关闭舱门，形成全密闭 要是监测环境中的氧气浓度，此方法在使用时忽略 有限空间，通过救生舱中放置的氮气瓶缓慢释放氮 了人体生理状态的差异性，即不同生理状态个体所 气置换救生舱内的氧气，使救生舱内的氧气体积分 能耐受的最低氧气浓度不同.人员在进入低氧环境 数由20%缓慢降至15.5%~16%.在此过程中，每 后，为适应环境的变化，心率、血压、脉搏、呼吸等生 隔30min测量一次人体PPG信号，每次测量时间约 理参数迅速变化.PPG信号能够反映综合的生理信 为5min. 测量情景如图1所示 息包括心率W、血压四、血氧饱和度0、心血管血流 参数m、呼吸频率☒等.因此通过监测人体的PPG 信号，可以对人体是否处于氧气耐受极限状态进行 识别. 近年来智能穿戴设备迅速发展，使PPG信号的 实时快速测量成为可能)，然而PPG信号信息量 巨大，传统的统计学方法对数据进行处理分析存在 速度慢、特征提取不完全、可靠性低等问题.深度学 习4的的动机在于建立模拟人脑进行分析学习的 网络，深度学习在图像识别、自然语言处理7、 模式识别阁、聚类阿等方面都有重要应用.深度学 图1PPG信号测量 习相较于传统的统计学分析或机器学习方法，不需 Fig.I PPG signal measurement 要对数据进行人工的特征提取，且能够保证学习到 1.2数据获取及处理 更多的数据特征，因而极大的简化了学习流程，可以 PPG信号采样器为透射式商用采样器，型号为 快速的完成低氧状态的识别.通过对所采集到的数 DHD6000,采样频率为500Hz,测量得到45组数 据进行训练，建立深层神经网络，当人体进入到 据.利用MATLAB编程，使用小波变换及smooth函 低氧环境时，PPG信号在深层神经网络中被快速识 数对原始信号进行降噪处理.利用小波分解将原始 别，可以有效预防低氧伤害事故的发生 信号分解为10层，利用第8级近似分量重构信号获 得信号的基线趋势，并用原始信号减去基线趋势即 PPG信号获取及处理 可去除基线漂移；利用移动平均滤波器去除信号的 环境氧气体积分数低于15.5%时会对人体造 高频噪声，经测试，当滤波器的窗宽设置为10时可 成伤害甚至导致室息死亡事故，为了对人体低氧状 以有效的去除高频噪声并保留大部分有效信息.通 态进行识别，建立深层神经网络，需要获取人在不同 过降噪处理获得高信噪比的信号.工程科学学报，第 41 卷，第 6 期 随着工业化进程的发展，低氧环境常见于建筑、 化工、军事等的有限空间［1］、城市地下空间［2］以及 通风不良的人群聚集区域［3］． 人在进入低氧环境时 会受到低氧伤害． 近年来，由于环境氧气浓度过低 导致的窒息死亡事故频繁发生． 据 2014—2015 年 全国有限空间作业较大以上事故调查及报告数据显 示，中毒与窒息事故达 47 起［4］． 然而，当前缺乏一 种快速有效的低氧识别技术，在作业人员进入低氧 环境时及时预警． 一般认为氧气体积分数的安全范围是 19. 5% ～ 23. 5% ． 然而根据最新的海军潜艇，航空和高原山 地医学［5］的研究证据显示，15. 5% 的氧气体积分数 也能保证人员的基本生命安全［6］，李国建［7］的研究 也得到了相似结果，因此氧气体积分数 15. 5% ～ 16% 为健康人体的耐受极限． 但作业过程中人员存 在不同的生理状态，如处于亚健康或疲劳，此时耐受 极限可能发生改变． 传统的预防低氧伤害的方法主 要是监测环境中的氧气浓度，此方法在使用时忽略 了人体生理状态的差异性，即不同生理状态个体所 能耐受的最低氧气浓度不同． 人员在进入低氧环境 后，为适应环境的变化，心率、血压、脉搏、呼吸等生 理参数迅速变化． PPG 信号能够反映综合的生理信 息包括心率［8］、血压［9］、血氧饱和度［10］、心血管血流 参数［11］、呼吸频率［12］等． 因此通过监测人体的 PPG 信号，可以对人体是否处于氧气耐受极限状态进行 识别． 近年来智能穿戴设备迅速发展，使 PPG 信号的 实时快速测量成为可能［13］，然而 PPG 信号信息量 巨大，传统的统计学方法对数据进行处理分析存在 速度慢、特征提取不完全、可靠性低等问题． 深度学 习［14--15］的动机在于建立模拟人脑进行分析学习的 网络，深度学习在图像识别［16］、自然语言处理［17］、 模式识别［18］、聚类［19］等方面都有重要应用． 深度学 习相较于传统的统计学分析或机器学习方法，不需 要对数据进行人工的特征提取，且能够保证学习到 更多的数据特征，因而极大的简化了学习流程，可以 快速的完成低氧状态的识别． 通过对所采集到的数 据进行训练，建立深层神经网络［20］，当人体进入到 低氧环境时，PPG 信号在深层神经网络中被快速识 别，可以有效预防低氧伤害事故的发生． 1 PPG 信号获取及处理 环境氧气体积分数低于 15. 5% 时会对人体造 成伤害甚至导致窒息死亡事故，为了对人体低氧状 态进行识别，建立深层神经网络，需要获取人在不同 状态下 PPG 信号，并对不同的 PPG 信号进行标记标 签． 本文主要针对人体低氧状态的识别，因而分别 测量氧气体积分数 15. 5% ～ 16% 和氧气体积分数 16% ～ 21% 的人体 PPG 信号用于 PPG 信号的分类． 1. 1 实验设计及流程 实验人员为北京科技大学的 15 名大学生，其中 男生 7 名( 平均年龄 22 岁) ，女生 8 名( 平均年龄 23 岁) ． 共进行 15 组实验( 15 × 1) ． 15 名实验人员身 体健康，生理状态良好，且在实验前无吸烟、饮酒、饮 用咖啡等． 实验场所为北京科技大学自主研发的矿 用可移动式救生舱，经密闭性检验实验验证救生舱 密闭性良好，舱内可营造氧气体积分数 15. 5% ～ 16% 环境． 实验时间为每天的 14: 00 ～ 16: 00，该时 间段内人体氧摄取最为活跃［21］． 实验方案经北京 大 学生物医学伦理委员会批准 ( 批 准 号 为 IＲB00001052--18077) ． 实验人员进入救生舱后，关闭舱门，形成全密闭 有限空间，通过救生舱中放置的氮气瓶缓慢释放氮 气置换救生舱内的氧气，使救生舱内的氧气体积分 数由 20% 缓慢降至 15. 5% ～ 16% ． 在此过程中，每 隔 30 min 测量一次人体 PPG 信号，每次测量时间约 为 5 min． 测量情景如图 1 所示． 图 1 PPG 信号测量 Fig． 1 PPG signal measurement 1. 2 数据获取及处理 PPG 信号采样器为透射式商用采样器，型号为 DHD--6000，采样频率为 500 Hz，测量得到 45 组数 据． 利用 MATLAB 编程，使用小波变换及 smooth 函 数对原始信号进行降噪处理． 利用小波分解将原始 信号分解为 10 层，利用第 8 级近似分量重构信号获 得信号的基线趋势，并用原始信号减去基线趋势即 可去除基线漂移; 利用移动平均滤波器去除信号的 高频噪声，经测试，当滤波器的窗宽设置为 10 时可 以有效的去除高频噪声并保留大部分有效信息． 通 过降噪处理获得高信噪比的信号． · 818 ·