1 检测原理 由脉搏分光光度法可知：脉搏分量仅由动脉脉动引起，利用氧合血红蛋白和还原血红蛋白在红光及红外光的光吸收系数的差别就可以测量出动脉血氧饱和度。血氧饱和度的计算公式如(1)所示，其中a和b是常数，φ为不同波长的光吸收变化率。"

光电二极管采集得到的不同波长LED信号包括很多种成分，主要分为两个部分：一个是脉动部分(对应交流信号AC)，是由血管的脉动引起的光吸收的交变部分；另一个是稳定部分(对应直流信号DC)，是皮肤、肌肉、骨骼和静脉血等组织对光的吸收。因此上式的φ可定义为不同波长的光信号比值R，如公式(2)所示。"

其中， IiAc和IiDc分别是两个不同波长的交流成分和直流成分，这样通过测量电压信号，就可以结合公式(1)定标血氧饱和度的曲线。 脉搏染料密度法是在脉搏分光光度法的基础上发展起来的，ICG在血中的吸光度，在805 nm处是ICG的吸收峰，而在940 nm处几乎不吸收。当805 nm、940 nm为入射光时，由于在940 nm波长时ICG几乎不吸收，于是，就可以得到ICG浓度计算公式(3)："

其中Ed为ICG的吸光系数，Cd为ICG的浓度，F为散射系数，Eh为血红蛋白的吸光系数。在ICG注射之前就可以先将Ex求出来，在实时监测时就只有Cd这一未知数，可以通过采集到的信号得到φ从而得到实时的ICG浓度曲线。"

2 硬件系统设计 本系统是一个基于ARM9的嵌入式设备[11]，电路方面分为两块，分别是探头部分以及外围电路部分。探头部分在两侧分别安放三波长LED(660 nm、805 nm、 940 nm)和光电二极管；外围电路由模拟前端以及LED时序控制和驱动组成。LED的时序及驱动电路控制三波长LED灯的亮灭；LED透过手指后由光电二极管接收，通过放大、低通等模拟前端电路进行信号处理，最后进行AD转换并将数据存入ARM板，在软件上进行数据处理，显示结果存储及打印。系统结构示意图，见图1"

2.1 探头部分 本系统光源选择波长为660，805， 940 nm的LED，选择epitex公司的L660/805/940- 35B42，该LED将3个波长的LED封装到一个光源中，可以大大减少探头的体积，并保证每个LED被光电二极管接收范围一致。在人体信号的提取、处理过程中，会有比较多的干扰信号，因此系统选择了BB公司的光电传感器OPT101，其最大的优点是集成了前置放大滤波单元，光电二极管和互跨阻抗放大器在一片单片上的集成和结合可以消除分立设计中通常出现的问题,如漏电流误差,噪声交叉干扰和由于杂散电容引起的增益峰化，OPT101对于660，805，940 nm的光具有较高的灵敏性，可以将光信号有效的转换为电信号[12]。 2.2 外围电路部分 2.2.1 LED时序控制和驱动 系统利用NE555芯片和计数译码器CD4017组成的脉冲信号发生及分配电路作为LED的时序控制电路，产生频率50 Hz，占空比为1/6的脉冲，见图2。依次循环产生660 nm->暗光- >805 nm->暗光->940 nm->暗光。LED点亮和熄灭的工作时序，见图3。其中T1、T3、T5分别表示660，805，940 nm LED点亮时间，而T2、T4、T6表示暗光时间，所有时间均相等。"

"

运算放大器和达林顿管组成恒压源驱动LED发光，见图4，通过调整电阻大小，可以将时序控制电路的电压降低到3个波长LED的工作电压，起到稳定驱动光源的作用。"

2.2.2 模拟处理电路 信号通过光电二极管之后，仍然掺杂有人体干扰信号以及工频干扰，所以在模拟信号预处理过程中低通滤波器是非常必要的。系统采用截止频率在20 Hz的四阶低通滤波器，电路原理图，见图5，该滤波器可以在保留脉搏信号主要成分的基础上，尽量消除由外界电磁场、电源等造成的干扰，以及削弱由运动伪差干扰，从而利于脉搏波的正确检出和测量，能够有效的提高信噪比，降低噪声[13]。"

3 系统的实现与算法 3.1 系统模块功能框图 本软件运行于Windows CE 5.0操作系统环境下，采用EVC进行软件设计，软件系统模块功能框图，见图6。"

系统分为3个模块：建立病人档案模块主要负责患者信息录入以及档案的建立；测试模块为系统的核心模块，主要负责测试设置以及数据采集处理及显示、保存；网络模块负责数据的网络传输。 3.2 测试模块 从嵌入式平台的ADC读取转化得到的数字信号之后，需要对数据进行处理。依次有特征点提取以及自学习阈值法去除干扰信号，模块的流程图见图7 [14-15]。"

特征点提取：在脉搏染料密度法中，需要提取的特征点包括最大值点、最小值点和上升支位置，如何正确的提取人体脉搏特征点信号关系到计算血氧饱和度以及吲哚青绿浓度的准确性。本文采用平滑滤波器对信号进行预处理，利用差分法求信号的特征点，流程见图8a所示，建立长度为5的队列，连续取T个脉搏信号采样值进行算术平均，替代原来信号，使得脉搏信号变得平滑，对平滑后数据进行差分求极大极小值，而极大极小值局部修正即在采集数据上，极大值和极小值的对应点分别向前和向后移动2个数找到附近的极大极小值。"

3.3 自学习阈值法 在初步计算出特征点之后，由于采样误差以及干扰信号的存在，有可能存在伪特征点，这里采用了自学习阈值判定方法来去除这些干扰。阈值采用脉搏波幅度以及上升支时间，如果这两项在正常范围内，就认为是正常信号，否则就予以清除。具体流程，见图8b。 将自学习阈值法后得到的特征点代入公式，就可以分别计算出实时血氧饱和度和ICG在血中的浓度。本系统样机以及实际运行情况，见图9，实验结果与康泰CMS-60系统对比，吻合度较高。"

4 结论与展望 本文对基于吲哚青绿排泄试验的肝储备功能检测系统的各个模块进行了详细介绍，对比实验验证效果良好。该系统可以无创、实时的提供吲哚青绿15 min滞留率以及血氧饱和度等人体信息，系统采用3波长LED照射手指，并利用光电传感器采集透过手指的光强，软件方面采用数字滤波器及自学习阈值法去除干扰信号。这种用于手指的便携式肝储备功能检测系统在医院和家庭的检测和监护中具有非常广阔的应用前景，进一步改进和完善之后，将与临床结合，完成该系统测量值的精确标定，以达到医学测量的精准度要求。 基金资助：武汉市“3551人才计划”项目资助(项目编号：武新管[2010]210号)。 作者贡献：第一作者进行实验设计，第一二作者共同实施，第三作者进行实验评估，第一作者收集、成文，第三作者审校，第一作者对文章负责。 利益冲突：课题未涉及任何厂家及相关雇主或其他经济组织直接或间接的经济或利益的赞助。 伦理要求：课题未涉及任何伦理学内容。 作者声明：文章为原创作品，数据准确，内容不涉及泄密，无一稿两投，无抄袭，无内容剽窃，无作者署名争议，无与他人课题以及专利技术的争执，内容真实，文责自负。"