一种基于传感融合的可穿戴设备实时心率监测方法

1.本发明属于人体心率健康监测技术领域，具体为一种基于传感融合的可穿戴设备实时心率监测方法。


背景技术：

2.随着社会城市化的快速发展，人们的工作节奏加快，各种生活压力日益增大。根据《中国心血管健康疾病越报告2019概要》显示可知，目前，由心血管健康问题引起的疾病风险最高，据推算我国现有心脑血管疾病患者人数大约为3.3亿，心血管患病率及死亡率仍处于上升阶段，且患病趋于年轻化。尽管中国心血管病防治工作取得初步成效，但仍然面临着严峻挑战。2019年新冠疫情爆发，远程也成为热门话题，合理的慢性疾病管理，能够避免看急诊和住院医疗，减少就医次数，节省费用和人力成本。心血管疾病是慢性病之首，慢性疾病往往患病时间长，需要长期的监测与管理。心率作为重要的体征信号，对慢性疾病的管理和控制、社交网络和身心健康水平的评估以及运动健康管理都起着至关重要的作用，如何实时管理和控制慢性心血管疾病，有效防范自身心脏健康风险，实时心率监测及预防心脏健康疾病成为了当前业内的一个重要研究课题。
3.可穿戴设备即直接穿在身上,或是整合到用户的衣服或配件的一种便携式设备。它不仅仅是一种硬件设备，更是通过软件支持以及数据交互、云端交互来实现强大的功能，利用可穿戴设备监测体征信号能够客观分析个体的身心健康状况。在心率监测方面，目前医疗中多采用单导联或多导联设备监测心电图来计算心率，受制于检测流程，无法实时获得监测结果,这在日常生活中存在不便。为改善这一情况，人们提出了光电容积脉搏波描述法(photoplethysmography,ppg)。
4.光电容积脉搏波描述法(photoplethysmography,ppg)是通过ppg传感器将光线反射到皮肤上，测量光线强度的变化，光线通过皮肤反射或透射，可置于耳垂、指尖或手腕处进行长时间无创心率监测。在实际使用中，由于受试者的自主或不自主运动，可穿戴设备采集的ppg脉搏波信号存在运动伪影(motion artifact,ma)干扰，而这些运动伪影将严重影响心率计算的速率和准确性，使得监测结果的实时性和准确度不够。目前针对这些运动伪影的去除，普遍采用信号分解与重构的方法，通过将ppg信号分解为若干部分后选择有效部分作为去噪后的ppg信号。然而这些方法在对信号的分解与重构过程中，均涉及到大量矩阵运算，去噪算法的复杂度较高，可穿戴设备的低算力难以实现。


技术实现要素：

5.本发明的目的在于:提供一种基于传感融合的可穿戴设备实时心率监测方法，以克服运动伪影对心率计算速率和准确性的影响，提升心率监测的时效性和准确度，计算过程简单，且无需对ppg信号进行分解与重构。
6.为实现上述发明目的，本发明采取如下技术方案：
7.一种基于多传感融合的实时心率监测方法，包括以下步骤：
8.步骤1、获取原始光电脉搏波信号和加速度信号
9.利用可穿戴设备上的光电脉搏波传感器和三轴加速度传感器分别获取光电脉搏波信号ppg和加速度信号acc；
10.步骤2、构建多传感融合的最小二乘自适应滤波去噪算法模型
11.2.1、对原始光电脉搏波信号和加速度信号预处理，以去除信号中的工频干扰、高频噪声和环境光影响；
12.2.2、将步骤2.1所得预处理后的光电脉搏ppg波信号和加速度acc信号输入基于最小二乘法自适应滤波器去噪框架中：
13.以x轴加速度信号为最小二乘自适应滤波器输入信号，ppg信号为最小二乘自适应滤波器期望信号，滤波器输出得到ppg1信号；
14.以y轴加速度信号为最小二乘自适应滤波器输入信号，ppg1信号为最小二乘自适应滤波器期望信号，滤波器输出得到ppg2信号；
15.以z轴加速度信号为最小二乘自适应滤波器输入信号，ppg1信号为最小二乘自适应滤波器期望信号，滤波器输出得到ppg3信号；
16.按照上述方式融合得到三路去噪后的光电脉搏波信号，分别记为ppg1、ppg2和ppg3；
17.步骤3、构建基于决策树频谱选择算法
18.3.1、三轴加速度特征提取：从步骤2.1所得预处理后的加速度信号acc中，取4
‑
12s的时间窗处理，每次2s
‑
4s的数据滑窗，得到当前时间窗数据流y
i
，通过当前时间窗数据流y
i
计算得到时间窗内每一个信号的峰峰值ppval＝|y
max
‑
y
min
|、均方根其中y
max
为当前时间窗内的信号最大值，y
min
为当前时间窗内的信号最小值，n为时间窗内的信号数组长度，i为时间窗内对应指定信号的长度，其取值范围由时间窗的时间长度和采样频率确定；
19.3.2、根据步骤3.1提取的三轴加速度的特征构建决策树分类模型，并依据构建的决策树分类模型定义出分类区间；分类区间的定义为：依据静止情况下人体心率值不会大于120bpm的特点，将心率值小于等于120心跳每分钟(bpm)的为a类，大于120心跳每分钟(bpm)的为b类；根据心率计算方法，将分类区间按照频谱进行划分则a类为频谱中频率小于或等于2hz的区间：b类为频谱中频率大于2hz的区间；
20.3.3、通过离散傅立叶变换将滤波器输出的信号ppg1、ppg2和ppg3从时域数据转换到频域数据；
21.3.4、将步骤3.3所得频域数据输入步骤3.2构建的决策树分类模型中，预测出当前心率可查找频谱区间，并在对应频谱区间中查找最大谱峰值，若为a类，则在频谱中频率小于或等于2hz的区间进行查找，若为b类，则在频谱中频率高于2hz的区间进行查找。确定当前心率频率f1，并转换成当前心率值hr'；
22.hr'＝f1×
60s
23.3.5、计算步骤3.4所得的当前心率值hr'与上一次计算心率值hr
last
的误差，若|hr'
‑
h
l
r
ast
|＞5则返回步骤3.4；若|hr'
‑
hr
last
|≤5,则分别计算出ppg1的心率值hr1、ppg2的
心率值hr2和ppg3的心率值hr3，并通过的方式进行融合得到最终心率值。
24.进一步的，所述构建基于决策树频谱选择算法还可以通过验证当前心率变化合理性来实现；验证当前心率变化合理性的详细过程过：
25.从步骤2所得加速度信号acc中，取4
‑
12s的时间窗处理，每次2s
‑
4s的数据滑窗，得到当前时间窗数据流y
i
，通过当前时间窗数据流y
i
计算每一个窗内信号的绝对平均值
26.计算当前时间窗内三轴加速度的绝对均值之和，确定出心率增减区间，得到预测心率变化趋势；
27.trend＝(mean_x+mean_y+mean_z)
28.arr_trend.append(trend)
29.其中，trend为预测的心率趋势变化值，mean_x,mean_y,mean_z分别表示加速度x轴，y轴，z轴的绝对平均值，计算出的当前时间窗内三轴加速度的绝对均值之和添加入心率趋势变化数组arr_trend中，设数组元素个数为20～30，当大于所设元素组个数时则移除首项，小于等于所设元素组个数时时依次从数组尾端添加，arr_trend数组中数据变化率表示为心率趋势变化；
30.根据预测心率变化趋势确定出心率增减区间的极值点来验证心率变化的合理性；若出现实际计算心率变化与预测心率变化趋势不一致时，则取当前心率值与上一次计算的心率值绝对误差大于5、且同时大于当前心率前4s计算的心率值数组的均值作为当前心率值。
31.进一步的，所述光电脉搏波信号和加速度信号预处理采取方式为：先将光电脉搏波信号进行四阶iir带通滤波，带通频率为(0.8hz
‑
4hz)，再对光电脉搏波信号进行均值滤波；将加速度信号进行二阶iir带通滤波，带通频率为(0.5hz
‑
15hz)，再对加速度信号进行均值滤波。
32.本发明提供的一种基于多传感融合的可穿戴实时心率监测方法，针对实际的原始光电脉搏波信号中存在运动伪影，工频干扰，高频噪声，环境光影响等严重影响了心率计算的准确性的问题；先采用了带通滤波、均值滤波进行预处理，消除工频干扰和高频噪声；而对于影响最为严重且难以消除的运动伪影；则根据加速度信号可被模拟运动伪影的特点，利用自适应相消的原理，对原始ppg信号中的运动伪影进行去除或衰减；之后将预处理后的光电脉搏波信号ppg和加速度信号输入基于最小二乘自适应滤波器去噪框架中得到三路去噪后的光电脉搏波信号，记为ppg1、ppg2和ppg3；由于不同轴向的运动伪影权重不一，因此在此过程中，采用了三种不同的融合方式以提升计算准确。
33.由于心率的估计常用方法是将干净的ppg信号，如ppg1、ppg2和ppg3从时域信号转换到频域信号，通过选择频谱中的最大峰值对应的频率点计算心率值。
34.为计算得到正确的心率值，将三路去噪后的光电脉搏波信号转化到频域，实际过程中ppg1、ppg2和ppg3信号对应的频谱最大谱峰值可能并非每次都对应实际心率频率点，通过选择合适的频谱查找区间有助于减少查找复杂度和减小计算误差。因此，本发明通过
提取预处理后加速度信号特征构建决策树分类模型，并基于决策树分类模型定义出心率分类区间，然后将滤波器输出的信号输入到分类模型中，确定出当前心率值所在频谱区间，并在该区间查找最大频谱峰值确定心率频率。最后，融合三路去噪后的光电脉搏波信号计算得到的心率值。为使心率计算结果更加准确，本发明还从加速度特征提取了绝对平均值，通过计算当前时间窗内三轴加速度的绝对均值之和，确定趋势函数增减区间，得到心率变化趋势；通过验证心率变化的合理性来提升心率计算的准确性。
35.综上所述，本发明由于采用了上述技术方案，因此具有了以下有益效果：
36.(1)本发明适用于对被测者长时间实时监控，自动在可穿戴设备上进行心率计算，不用在电脑上进行这些复杂的计算，而且还具有保护个人隐私的功能。
37.(2)本发明计算方式简单，可嵌入实时系统中，实现了数据的采集、特征提取、噪声去除和数据的保存同步进行。
附图说明
38.图1是本发明基于多传感融合的可穿戴实时心率监测流程图；
39.图2是实施例基于最小二乘自适应滤波去噪的算法框图；
40.图3是实施例中静止(站立)下ppg信号及滤波后时频图；
41.图4是实施例中静止(静坐)下ppg信号及滤波后时频图；
42.图5是实施例中走路时ppg信号及滤波后时频图；
43.图6是实施例中跑步时ppg信号及滤波后时频图；
44.图7是实施例中决策树的频谱选择树状图；
45.图8是实施例中基于加速度特征的心率趋势预测图；
46.图9是可穿戴设备进行手腕处光电脉搏波信号去噪和python仿真计算对比图；
47.图10为使用本发明方法与现有技术计算的心率计算结果对比图。
具体实施方式
48.下面结合附图对本发明的具体实施方式进行描述，以便本领域的技术人员更好地理解本发明。需要特别提醒注意的是，在以下的描述中，当已知功能和设计的详细描述也许会淡化本发明的主要内容时，这些描述在这里将被忽略。
49.在本实时例中，被测对象主要是18
‑
40岁的人群，以可穿戴设备为载体，实时计算监测佩戴者的腕部光电脉搏波信号和加速度信号，最主要的是通过最小二乘自适应滤波器融合光电脉搏波信号和加速度信号对光电脉搏波信号的运动伪影进行去除，为准确计算到心率值，通过决策树模型对心率查找区间进行预测，在预测的心率区间内查找光电脉搏波频谱峰值，并通过预测心率趋势的变化对心率估计值进行验证。图1是本发明基于多传感融合的可穿戴实时心率监测流程图。如图1所示，本发明的可穿戴设备实时心率监测方法，包括以下步骤：
50.步骤1、利用可穿戴设备上的光电脉搏波传感器和三轴加速度传感器分别获取光电脉搏波(ppg)信号和加速度(acc)信号。本实施例设计了时长为16min的自然生活状态下的连续心率监测实验，共采集数据12组。为获取真实心率值，实验者佩戴ecg设备，通过蓝牙连接手机app获得真实心率数据。
51.步骤2、构建多传感融合的最小二乘自适应滤波去噪算法模型
52.2.1对采集的原始光电脉搏波信号和加速度信号预处理，以去除工频干、高频噪声和环境光影响；实施时，先将光电脉搏波信号进行四阶iir带通滤波，带通频率为(0.8hz
‑
4hz)，再对光电脉搏波信号进行均值滤波；将加速度信号进行二阶iir带通滤波，带通频率为(0.5hz
‑
15hz)，再对加速度信号进行均值滤波。
53.2.2、由于加速度信号具有被模拟运动伪影的特点，基于该特点，本身实施例将步骤2.1所得预处理后的光电脉搏ppg波信号和加速度acc信号输入基于最小二乘发自适应滤波器去噪框架中，利用自适应相消的原理构建多路最小二乘自适应滤波去噪算法框架以消除运动伪影；如图2所示，
54.以x轴加速度信号为最小二乘自适应滤波器输入信号，ppg信号为最小二乘自适应滤波器期望信号，滤波器输出得到ppg1信号；
55.以y轴加速度信号为最小二乘自适应滤波器输入信号，ppg1信号为最小二乘自适应滤波器期望信号，滤波器输出得到ppg2信号；
56.以z轴加速度信号为最小二乘自适应滤波器输入信号，ppg1信号为最小二乘自适应滤波器期望信号，滤波器输出得到ppg3信号。
57.如图3所示，在静止下站立的ppg信号分别经本发明提出的去噪算法后分别得到ppg1、ppg2、ppg3，其中频谱图中ref为真实参考心率值的心率频率点，可知在ppg2与ppg3得到的结果中最大谱峰值的频率点与实际参考心率频率点相近；如图4所示，在静止下静坐的ppg信号滤波后得到的结果，ppg频谱图中最大谱峰值横坐标与实际心率频率点相距较远，而ppg1与ppg2的频谱图中最大谱峰值对应频率点与实际心率参考相近，可知，在静止下，通过使用三轴加速度信号采用rls自适应滤波对于原始ppg信号滤波有效。
58.图5为走路下ppg信号及滤波后时频图，走路情况下的ppg信号形态出现部分畸变，且在走路下ppg信号频谱图中干扰频率点较多，左图分别为三轴加速度信号的时频图，可知在部分峰值频率点处，加速度信号与ppg信号存在相同频率点的谱峰值，存在运动伪影干扰，经三路滤波器滤波可知，如右图所示，频谱图中干扰频率点减少，并且ppg1中最大谱峰值频率点与实际参考心率点相近，可近似作为当前计算值。
59.如图6所示，在跑步下ppg信号受到运动伪影干扰较大，在实际心率参考值对应频率点处，由于加速度信号存在与实际心率频率分量，在经过rls自适应滤波器后，频谱图中干扰频率点减少，实际心率点虽然在在ppg1，ppg2信号中频谱中被淹没，但在ppg3中最大谱峰值频率点与实际参考心率点相近，可近似作为当前计算值。
60.图9为可穿戴设备和电脑端应用本发明提出的去噪算法的结果对比图，其中图9(a)为原始信号图，图9(b)为去噪后的信号图，其中filtered ppg
‑
computer表示电脑端处理的结果，filtered ppg
‑
wearable表示可穿戴设备处理的结果；对比图9(a)和图9(b)可以看出，利用上述方式后，本发明能够有效去除运动伪影。
61.步骤3、构建基于决策树频谱选择算法，图7是本发明基于基于决策树的频谱选择树状图，从图7可以看出，本发明计算更简单。具体构建过程如下：
62.3.1、三轴加速度特征提取：从步骤2所得加速度信号acc中，取8s的时间窗处理，每次2s的数据滑窗，得到当前时间窗数据流y
i
，通过当前时间窗数据流y
i
计算得到时间窗内每
一个信号的峰峰值ppval＝|y
max
‑
y
min
|、均方根其中y
max
为当前时间窗内的信号最大值，y
min
为当前时间窗内的信号最小值；n为时间窗内的信号数组长度，i为时间窗内对应指定信号的长度，i的取值范围由时间窗的时间长度和采样频率确定。
63.3.2、根据步骤3.1提取的三轴加速度的特征作为输入，选用cart算法构建出决策树分类模型，并依据构建的决策树分类模型定义出分类区间；分类区间的定义为：依据静止情况下人体心率值不会大于120bpm的特点，将心率值小于等于120心跳每分钟(bpm)的为a类，大于120心跳每分钟(bpm)的为b类；根据心率计算方法，将分类区间按照频谱进行划分则a类为频谱中频率小于或等于2hz的区间：b类为频谱中频率大于2hz的区间。具体实施时，为避免模型过拟合，设置决策树层数最大为4层，分割内部节点所需的最小样本数设置为5。
64.3.3、通过离散傅立叶变换将滤波器输出的信号ppg1、ppg2、ppg3从时域数据转换到频域数据。
65.3.4、将步骤3.3所得频域数据输入步骤3.2的决策树分类模型中，基于分类模型预测出当前心率可查找频谱区间，并在对应频谱区间中查找最大谱峰值，若为a类，则在频谱中频率小于或等于2hz的区间进行查找，若为b类，则在频谱中频率高于2hz的区间进行查找。确定心率频率f1，并转换成当前心率值hr'；
66.hr'＝f1×
60s
67.3.5、计算步骤3.2.3所得的当前心率值hr'与上一次计算心率值hr
last
的误差，若|hr'
‑
hr
last
|＞5则返回步骤3.4；若|hr'
‑
hr
last
|≤5,则分别计算ppg1、ppg2和ppg3各自对应的心率值hr1、hr2和hr3，并通过的方式进行融合得到最终心率值。
68.图10为使用本发明方法与现有技术计算的心率计算结果对比图。从图10可以看出，依据本发明所提供的方法计算出的心率值准确性更高。
69.鉴于心率对人体健康的重要性，为进一步提升心率计算的准确性，所构建的基于决策树频谱选择算法还可以通过对当前心率变化的合理性验证来获得更加准确的心率值，详述如下：
70.从步骤2所得加速度信号acc中，取8s的时间窗处理，每次2s的数据滑窗，得到当前时间窗数据流y
i
，通过当前时间窗数据流y
i
计算每一个窗内信号的绝对平均值
71.计算当前时间窗内三轴加速度的绝对均值之和，确定趋势函数增减区间，得到预测的心率变化趋势；
72.trend＝(mean_x+mean_y+mean_z)
73.arr_trend.append(trend)
74.其中，trend为预测的心率趋势变化值，mean_x,mean_y,mean_z分别表示加速度x轴，y轴，z轴的绝对平均值；
75.将计算出的trend添加入心率趋势变化数组arr_trend中，数组元素个数为30，当大于30则移除首项，不满30时依次从数组尾端添加；
76.arr_trend数组中数据变化率表示为心率趋势变化。
77.根据预测的心率变化趋势判定心率增减区间的极值点来验证心率变化的合理性。由于心率短时间内不可突变性，因此，可以结合前4s的心率变化数组平滑计算其均值作为最终心率值。也就是说，当实际计算心率增减趋势变化情况与预测得到心率增减区间趋势不一致时,则取当前心率值与上一次计算的心率值绝对误差大于5且小于当前心率前4s计算的心率值数组的均值作为最终的心率值。
78.为更清楚的说明通过验证当前心率合理性方法的优点，下面结合图8来进行阐述。图8是本实施例基于加速度特征的心率趋势预测图。其中true heart trend表示真实心率归一化后的趋势变化，fitted heart trend表示预测的心率趋势变化。12组数据按上述本发明的算法得到结果如下表所示,其中aae表示绝对误差均值，aaep表示绝对均值误差百分比，astpw表示选取的8s ppg数据窗口所需的心率计算时间。pearson correlation表示皮尔逊相关系数。
79.平均绝对误差(average absolute err，aae)表示，对计算的所有真实心率与估计心率之间绝对误差之和求平均：
[0080][0081]
考虑到不同实验个体的身体因素和心率变化范围有所差异，本实验引用平均绝对误差百分比对(average absolute error percentage,aaep)，求取所有实验的预测结果和真实心率值之间的绝对误差占真实心率值的百分比的平均值作为衡量结果鲁棒性的指标：
[0082][0083]
皮尔逊相关系数主要针对有序的离散或连续性变量，考察变量之间的线性相关程度；斯皮尔曼相关系数和肯德尔相关系数则分别是针对变量的单调趋势和分类变量。
[0084][0085]
其中，bpm
est
表示预测心率所构成的集合，bpm
true
表示真实心率值的结合
[0086]
cov(bpm
est
,bpm
true
)表示俩者之间的协方差，表示预测心率的标准差
[0087]
表示真实心率的标准差。
[0088]
[0089][0090]
由此可见，通过验证心率变化的合理性所计算出的心率值，其准确性更高。
[0091]
以上所述仅为本技术的实施例而已，并不限制于本技术。在不脱离本发明的范围的情况下对于本领域技术人员来说，本技术可以有各种更改和变化。凡在本技术的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本技术的权利要求范围内。