您的当前位置:首页正文

基于PPG的可穿戴设备心率检测方法

2024-05-25 来源:客趣旅游网
第33卷第4期2017年7月后勤工程学院学报

JOURNALOFLOGISTICALENGINEERINGUNIVERSITYVol.33No.4Jul.2017文章编号:1672-7843(2017)04-0093-04doi:10.3969/j.issn.1672-7843.2017.04.016

基于PPG的可穿戴设备心率检测方法

①张政丰1,涂亚庆1,李明1,童俊平2

(1.后勤工程学院后勤信息与军事物流工程系,重庆401331;2.重庆市软汇科技有限公司重庆400039)

摘要针对现有可穿戴设备的心率检测方法由于未对人体状态进行分类判别,而导致运动状态下存在估计精度不高、适用性不强的问题,首先,利用基于PPG可穿戴设备采集的数据对人体状态进行分类;其次,根据分类后人体信号特征,进行低通滤波,降低高频信号干扰,利用基于PPG的心率检测方法给出人体不同状态下的心率检测结果;最后,对所提出的心率检测方法进行实验验证。结果表明,该方法能够准确检测并实时处理心率信号,有效提高了人体不同状态下心率信号的测量精度。

关键词可穿戴设备;心率检测;信号处理中图分类号:TN911

文献标志码:A

WearableDevicesHeartRateDetectionMethodBasedonPPG

(1.Dept.ofLogisticsInformation&LogisticsEngineering,LEU,Chongqing401331,China;

2.ChongqingSoftWireTechnologyCo.,LTD,Chongqing400039,China)

ZhangZheng⁃feng1,TuYa⁃qing1,LiMing1,TongJun⁃ping2

lowprecisionandapplicabilityinthestateofmotion.Firstly,usingdatacollectedbywearabledevicesbasedonPPGtoclassifythe

AbstractForthestateofthebodyisnotclassifiedbycurrentmethodofwearabledevicesheartratedetection,whichleadsto

statesofbody.Secondly,accordingtothepost⁃classificationhumanbodysignalcharacteristics,dolowpassfilteringandlowerfre⁃quencysignalinterference,theresultsoftheheartratetestweregivenbasedontheheartratetestbasedonPPG.Finally,themeth⁃odofheartratetestisverifiedexperimentally.Theexperimentresultsshowthatthemethodcanaccuratelydetectandprocesstheheartratesignalinrealtime,whicheffectivelyimprovethemeasurementaccuracyofheartratesignalunderdifferentbodystates.

KeyWords

wearabledevices;heartratedetection;signalprocessing

可穿戴设备作为新型医疗电子设备,因其便携性好等特点,可广泛应用于军事训练特征监测和辅助医疗救护等领域。军事人员的训练生理特征指标主要包括:心率、体温、血压和呼吸频率等。其中,心率不仅能直接反映测练人员平时的身体状态,还能影响运动的效果与目的,所以实时实地的心率检测显得越来越重要[1-2]。因此,对可穿戴设备心率检测方法展开研究具有重要意义[3]。

graphy,PPG)、心电图法(electrocardiograph,ECG)、示波法的穿戴心率检测。其中,基于PPG的穿戴心率本文提出一种基于PPG的心率检测方法,该方法通过采集人体脉搏波数据及重力加速度传感器数据,提取反映心率检测的信号,实现人体不同状态下的高精度心率检测与估计。

目前,基于可穿戴设备的心率检测方法主要有以下3种[4-6]:光电容积脉搏波描记法(photoplethysmo

检测系统成本较低,应用比较普遍,但易受干扰,测量精度有待提高[11-15]。为有效提高心率检测的精确度,

1心率检测方法

1.1

可穿戴设备的心率检测设备由单片机核心处理芯片、三轴加速度传感器、红外线传感器和蓝牙通讯心率信号采集与人体运动状态判别

收稿日期:2017-02-01

基金项目:国家自然科学基金项目(61271449,61302175);国家自然科学基金青年科学基金项目(61601493)作者简介:张政丰,男,硕士生,主要从事检测技术及自动化研究。

94后勤工程学院学报2017年

设备等组成。本文采用的反射式红外线传感器是将光源和接收器放置在同一侧,光源发出的光投射到被测物上,再从被测物体表面反射后投射到光电元件。反射式光电探测头为片状,可以捆绑或粘贴于身体各处的皮肤上。人体的脉搏波数据即心率数据在硬件上由红外线传感器采集,通过蓝牙端口进行实时传输,上传至电脑或手机上进行处理。采集的数据分为人体静态数据和动态数据,静态数据主要为静止或小范围手臂摇动状态的心率数据,动态数据主要为人体处于运动状态的心率数据。通过人体状态分类,区分不同数据的类型与特点,提高人体不同状态下的心率检测精度。

人体处于静止状态时,心率信号特点为:心率信号峰值小,噪音干扰小,较易通过频率判别,较难通过峰值判别。对每组(512个)数据进行一次检测,计算其红外线传感器和重力加速度传感器数据的差值,并作如下设定:如果检测出的数据差值95%以上都在设定的阈值范围内,则判定该段时间用户处于静止状态。静态心率检测进行滤波后,由于不同人群之间的数据差异,会造成部分心率信号的丢失。

人体处于运动状态时,心率信号特点为:心率信号峰值大,噪音干扰大,较易通过峰值判别,较难直接通过频率判别。重力加速度传感器数据在50~500范围内波动,辨别起来较为困难,所以在检测方法中设定,将不满足静止状态下的数值判断为运动状态。因此,在判断运动状态下心率时,需要先对于信号进行低通滤波,以减弱高频噪声带来的干扰。1.2心率信号处理与心率检测方法流程

一般情况下,从可穿戴设备传感器上采集的心率信号,往往伴随着多种干扰,导致检测结果与真实的心率信号之间存在很大的差距。尤其是在运动时,由于受人体汗腺分泌汗液的影响,会造成对于反射光、折射光的光污染,造成实际检测结果的误差。因此需要对传感器采集的原始心率信号进行处理,滤除其中的杂波和污染信号。此外,由于群体中心率信号的强弱有别,需要针对不同的人群,对所采集的信号进行自适应预处理,使心率信号前期预处理能够达到良好的效果。

本方法中采样频率设定为25Hz。由于人体的心率在静止状态下一般约为70次/min,运动状态时最高不超过180次/min,因此低通滤波的截止频率设定为5Hz,即支持最高300次/min的心率信号检测。一般而言,采集的心率信号在运动过程中易受其他噪音影响,而人体心率信号具有低频性和缓变性,故对其进行30阶的FIR低通滤波。低通滤波器的增益如图1所示,红外线传感器采集的脉搏波信号与滤波之后的信号如图2所示。

图1低通滤波增益Fig.1Lowpassfiltergain

(a)传感器采集的脉搏波信号(b)低通滤波后的信号

图2传感器采集的脉搏波信号和低通滤波后的信号

Fig.2Pulsewavesignalofcollectedfromsensorsandlowpassfilteringsignal

为了消除运动带来的干扰,便于比较心率数据与设定阈值的差值,对低通滤波之后的信号进行方波整形,结果如图3所示。根据1min之内的心率波动次数,计算出当前时间的实时心率,结果如图4所示。

将可穿戴设备统一佩戴在用户的右手手腕上。通过检测人体脉搏波数据和重力加速度数据,实时在线检测用户是否处于运动状态,并计算出当前心率。由于人体静止状态心率总体上干扰较少,较易测得,因此不做处理反而会使检测结果更为准确。

第4期

张政丰等基于PPG的可穿戴设备心率检测方法

95据A1和重力加速度数据A2,其中A1需要进行滤波处理,而A2作为比对数据不需要进行处理。②对于A1与人体状态不同,分别对A1进行相应的数字信号处理,得出用户当前的心率值。

心率检测流程分3步进行:①心率采集系统开始工作后,通过可穿戴智能手环采集所需要的脉搏波数

A2进行阈值判别,当二者差值超过设定阈值A,判定人体当前处于运动状态;否则处于静止状态。③根据

图3经过方波整形之后的信号Fig.3Signalafterthesquarewave

plasticsurgery

图4处理得到的心率数据Fig.4Heartratedataafterdealing

图5可穿戴心率检测设备佩戴方式Fig.5Devicesforwearableheartrate

monitors

2实验验证

为验证检测方法在实际应用中的效果,选择若干名志愿者进行实验验证。在实验人群的年龄段选择上,选择20~35岁的男性5名,36~50岁的男性5名,51岁以上的男性5名,以验证本方法对所有年龄段的普适性。研制的可穿戴心率检测设备佩戴方式如图5所示。共测试150组数据,每组1min,其中每人静态数据5组,动态数据5组,检测结果如表1所示。与其他可穿戴设备心率检测方法[7-10]进行数据对比,结果如表2所示。其中,文献[7]为陈炎等以均值滤波为基础,去除原始信号中的基线漂移与运动伪迹,重构出理想的PPG波形,准确地检测出每分钟心跳数的心率检测方法;文献[8]为姚丽峰通过普通摄像头得到包含人脸的彩色视频,采用数字图像处理方法将其转换成数字信号,再对其进行盲源分离得到PPG信号,并进行筛选、滤波和频谱分析处理后设计出的心率测量方法。文献[9]为蔡承贤等通过各采样数据点模糊隶属度的定义与计算,获得心跳发生的时间点,再通过某特定时间段内的心跳次数计算出心率的检测算法。文献[10]为王群等利用基于多小波基函数展开的时变自回归模型法对受到干扰的PPG信号分段,对每段信号作快速傅里叶变换频谱分析,进行谱峰搜索,确定所有可能的心率值,再利用加速度信号从所有可能的心率值中作最优化选择的心率提取算法。

从验证结果和不同心率检测方法的对比可以看出,采用本文算法能够实时在线估计人体心率值。虽然在运动状态下的检测还有待改进,但静止状态下精确度优于现有大多数方法。

表1心率检测验证结果

Tab.1Heartratetestresults

静止状态97.5798.7096.9797.75准确率/%

组别20~35岁组均值51岁以上组均值总体平均值36~50岁组均值

静止状态心率/(次·min-1)

827666

实际心率/

807764

运动状态心率/(次·min-1)

133

实际心率/(次·min-1)

145128113

运动状态准确率/%91.7289.8490.2790.61

(次·min-1)

115102

检测方法文献[7]文献[8]文献[9]

准确率/%

表2不同检测方法结果比较

Tab.2Comparedresultsofdifferentmethods

检测方法文献[10]本文算法

准确率/%97.75(静止状态)90.61(运动状态)97.3(静止状态)

91.67(运动状态)91.8(静止状态)95(静止状态)

96后勤工程学院学报2017年

3结论

本文提出了一种可穿戴设备的心率检测方法,通过提取可穿戴设备传感器信号,对人体运动状态进行辨别,根据人体不同的状态,给出了可穿戴设备的心率检测方法。结果表明,该可穿戴设备心率检测方法能够实时准确对人体心率进行估计,可有效提高心率检测的精确度。

参考文献

[1]胡广书,汪梦蝶.生物医学信号处理研究综述[J].数据采集与处理,2015,30(5):915-932.

[2]YuanBing⁃chuan,HerbertJ.Web⁃basedreal⁃timeremotemonitoringforpervasivehealthcare[C]//IEEEInternationalConferenceonPervasive[3]PowellR,PattisonHM,BhoyarA,etal.Pulseoximetryscreeningforcongenitalheartdefectsinnewborninfants:Anevaluationofacceptability[4]PantelopoulosA,BourbakisNG.Asurveyonwearablesensor⁃basedforhealthmonitoringandprognosis[J].IEEETransactionsonSystemsMan[5]ZhengYa⁃li,PoonCCY,ZhangYuan⁃ting.Investigationoftemporalrelationshipbetweencardiovascularvariablesforcufflessbloodpressurees⁃[6]ShaltisP,ReisnerA,AsadaH.Ahydrostaticpressureapproachtocufflessbloodpressuremonitoring[C]//26thAnnualInternationalConference[7]陈炎,李丹,李彦海.基于加速度传感器的心率信号处理及检测方法[J].科学技术与工程,2016,16(9):67-70.neering,2016,16(9):67-70.

oftheIEEEEngineeringinMedicineandBiologySociety.SanFrancisco,US:IEEE,2004:2173-2176.

timation[C]//2012IEEE⁃EMBSInternationalConferenceonBiomedicalandHealthInformatics.HongKong,China:IEEE,2012:644-646.&Cybernetics:PartC,2010,40(1):1-12.

tomothers[J].ArchivesofDiseaseinChildhood:FetalandNeonatalEdition,2013,98(1):59-63.ComputingandCommunicationsWorkshop.Seattle,US:IEEE,2011:625-629.

HuGuang⁃shu,WangMeng⁃die.Surveyonbiomedicalprocessing[J].JournalofDataAcquisitionandProcessing,2015,30(5):915-932.

ChenYan,LiDan,LiYan⁃hai.Theheartratesignalprocessingandtestingmethodbasedontheaccelerometer[J].ScienceTechnologyandEngi⁃

[8]姚丽峰.基于PPG和彩色视频的非接触式心率测量[D].天津,天津大学,2012.

[9]蔡承贤,王伟.基于人工智能的心率检测算法[J].中国医疗器械杂志,2010,34(1):1-3.2010,34(1):1-3.

CaiCheng⁃xian,WangWei.Heartratemeasurementalgorithmbasedonartificalintelligence[J].ChineseJournalofMedicalInstrumentation,

[10]王群,李敏,庞枫骞,等.一种基于时变自回归模型的抗运动干扰心率提取算法[J].航天医学与医学工程,2016,29(1):14-20.

&MedicalEngineering,2016,29(1):14-20.

WangQun,LiMin,PangFeng⁃qian,etal.Ananti⁃motionjammingalgorithmbasedontime⁃varyingself⁃regressionmodels[J].SpaceMedicine

[11]BergoldJ,ThomasS.Participatoryresearchmethods:Amethodologicalapproachinmotion[J].HistoricalSocialResearch,2012,37(4):191-222.[12]ZhengYa⁃li,BryanPY,ZhangYuan⁃ting,etal.Anarmbandwearabledeviceforovernightandcuff⁃lessbloodpressuremeasurement[J].IEEE

transactionsonbio⁃medicalengineering,2014,61(7):2179-2186.

[13]Bor⁃ShyhL,AliceMW,KevinT.Community⁃basedECGmonitoringsystemforpatientswithcardiovasculardiseases[J].JournalofMedicalSys⁃[14]涂亚庆,杨辉跃,张海涛,等.复杂信号频率估计方法及应用研究:回顾与展望[J].后勤工程学院学报,2015,31(6):1-9.

JournalofLogisticalEngineeringUniversity,2015,31(6):1-9.tems,2016,40(4):1-12.

TuYa⁃qing,YangHui⁃yue,ZhangHai⁃tao,etal.Studyonfrequencyestimationmethods&applicationforcompleted:Reviewandprospec[J].

[15]沈艳林,涂亚庆,刘鹏,等.非整周期采样信号频率估计的相频匹配方法[J].仪器仪表学报,2015,36(6):1221-1226.

od[J].ChineseJournalofScientificInstrument,2015,36(6):1221-1226.

ShenYan⁃lin,TuYa⁃qing,LiuPeng,etal.Phaseandfrenquencymethodforthefrenquencyestimationofsamplingsignalswithnon⁃integerperi⁃

(编辑申小娜)

因篇幅问题不能全部显示,请点此查看更多更全内容