一种隐私保护的自然心率识别方法

1.本发明属于人机交互领域，自然生理指标识别领域，涉及一种隐私保护的自然心率识别方法。


背景技术：

2.日常生活中的生理健康检测有助于在现实生活中对人们的生理健康提供医学诊断的依据，更有助于追踪慢性健康状况以及治疗干预的具体效果。传统的ecg检测方法通过在皮肤上安装电极来提取用户的心电图，这种方式会中断用户的日常活动；基于视频图像的心率识别方法虽然摆脱了传统佩戴固定医疗器械的局限，但是面部图像存在很严重的隐私安全隐患。这些困难与挑战让人们不愿跟踪自己的生命体征与健康状况。
3.惯性传感器的普及为改善健康检测和医疗服务提供了许多机会，惯性传感器数据具有较低的隐私度，降低了隐私泄露的风险。已经有研究人员提出通过惯性传感器获取心冲击图(bcg)的方式来识别用户心率，bcg信号是通过捕捉人体心脏泵送血液产生质量的变化而造成身体的反冲振动来表现心跳运动。基于bcg信号的心率识别是一种自然的人机交互方式，用户可以在接打电话、浏览网页等日常活动中进行生理健康检测。但目前关于bcg信号的研究存在噪声敏感问题，受到用户运动噪声的影响较大，导致最终的心率识别仍易出现误差。因此，如果能提出一种有效消除运动噪声的bcg信号提取方法，将其应用在广泛普及的惯性传感器中，十分有利于提高人们在日常生活中进行健康检测的可用性与可靠性。


技术实现要素：

4.要解决的技术问题
5.为了弥补现有技术的缺陷，本发明提出一种隐私保护的自然心率识别方法，可以在通过惯性传感器采集到用户微振行为信号后，有效地消除运动噪声与环境噪声的干扰，得到一个高可靠的心率指标。
6.技术方案
7.一种隐私保护的自然心率识别方法，其特征在于步骤如下：
8.步骤1：首先对采集到的用户微振行为信号进行预处理，得到包含噪声的原始bcg信号；所述用户微振行为信号是指由于心脏搏动和血液在大动脉流动而引起的人体对外压力或体表位移变化的信号，反映了心脏的力学特征；
9.所述预处理包括：对获取到的用户微振行为信号进行去趋势读数以及归一化处理，得到具有相同相关性的三轴加速度计信号，将三轴加速度计信号通过平方和求根的方式进行融合，得到原始bcg信号；
10.步骤2：采用基于集合经验模态分解的盲源分离方法，对原始bcg信号进行循环的集合经验模态分解，得到一系列本征模函数集合；再循环进行集合经验模态分解，每一循环会加入新的正态分布的白噪声序列，将每次得到的本征模函数集合做平均处理后作为最终
的本征模函数集合结果；
11.将各个本征模函数与bcg原始信号的相关系数作为噪声模态与信号模态的分界点，以本征模函数集合中判定为噪声的模态用于构建虚拟噪声通道，将虚拟噪声通道与原始bcg信号共同进行独立成分分析，得到去噪后的心脏脉搏波信号；
12.步骤3：对心脏脉搏波信号进行快速傅里叶变换，得到心脏脉搏波信号的频谱图，通过频谱图上人类正常心跳范围内的主频识别出用户心率。
13.所述步骤1用户微振行为信号采用具有隐私保护特点的惯性传感器进行采集,而非隐私敏感的用户面部图像数据。
14.所述步骤1对获取的用户微振行为信号进行去趋势读数是：以惯性传感器采集的用户微振行为信号减去移动平均窗口用以消除趋势读数，移动平均窗口消除趋势读数的公式为：
[0015][0016]
其中，y(i)表示消除趋势读数后的用户微振行为信号，x(i)表示原始用户微振行为信号，i表示信号中的第i个读数，j表示窗口内的偏移量，n表示窗口的大小。
[0017]
所述步骤1归一化处理将消除趋势读数后的用户微振行为信号归一化为零均值、单位方差的三轴加速度计信号，归一化的公式为：
[0018][0019]
其中，z表示归一化后的三轴加速度计信号，x表示用户微振行为信号，μ表示用户微振行为信号的均值，σ表示用户微振行为信号的标准差。
[0020]
所述步骤2将虚拟噪声通道与原始bcg信号共同进行独立成分分析是：寻找解混矩阵，利用解混矩阵对虚拟噪声通道与原始bcg信号组成的二维观测信号矢量进行线性变换，得到去噪后的心脏脉搏波信号。
[0021]
所述步骤1通过平方和求根的方式将三轴加速度计信号聚合成所述的原始bcg信号，平方和求根的公式为：
[0022][0023]
其中，s表示原始bcg信号，x、y、z分别表示归一化后的三轴加速度计信号。
[0024]
所述步骤2进行集合经验模态分解：采用白噪声辅助的方式分解得到一系列的本征模函数集合，经验模态分解的公式为：
[0025][0026]
其中，x(t)表示原始bcg信号，imfi表示通过集合经验模态分解得到的一系列本征模函数集合，rn表示残差。
[0027]
所述步骤2将每次得到的本征模函数集合做平均处理的公式为：
[0028][0029]
其中，表示经过平均验算的所述的本征模函数集合，c
i,j
表示第i次经验模态分解出来的第j个本征模函数，n表示需要进行集合经验模态分解的次数。
[0030]
所述步骤2相关系数求解公式为：
[0031][0032]
其中，r(x,imfi)表示第i个本征模函数与所述的原始bcg信号的相关系数，x(t)表示原始bcg信号，imfi(t)表示第i个本征模函数信号，表示原始bcg信号的均值，表示原始bcg信号的均值，表示第i个本征模函数的均值，n表示采样点个数。
[0033]
有益效果
[0034]
本发明提出的一种隐私保护的自然心率识别方法，使用广泛普及的惯性传感器采集用户心脏泵血时产生的微振行为信号，恢复出高质量的心脏脉搏波信号。首先对采集到的用户微振行为信号进行预处理，得到包含大量噪声的原始bcg信号；其次对该原始bcg信号进行进一步的降噪处理，核心在于使用基于集合经验模态分解的盲源分离方法，有效地消除运动噪声，恢复出高质量的心脏脉搏波信号。最终，对该心脏脉搏波信号进行频谱分析，识别出对应人类正常心跳范围内的主频，得到高准确、高可靠、抗噪声的用户心率数据。该方法脱离了固有医疗器械的局限，可以随时随地进行生理健康检测，充分展现了以人为本的人机交互理念。
[0035]
本发明具有如下的优点：
[0036]
1)本发明是一种自然的健康检测方式，使用广泛普及的惯性传感器对用户生理健康状况进行检测，该方式摆脱了传统佩戴固有医疗器械的束缚，如传统的ecg测量需要为用户佩戴固定的电极，传统的bcg测量方式需用户躺在固定的压电传感器上进行测量。而在本发明的数据采集过程中，只需使用广泛普及的惯性传感器来提取用户在进行接打电话、浏览网页等日常活动时的微振行为信号，通过微振行为信号分析出用户的心脏脉搏波信号进行心率估计。本发明的生理监测方式旨在达到一种以人为本的自然人机交互方式，并且用户可以随时随地进行生理健康检测，符合自然人机交互的设计与理念，
[0037]
2)本发明是一种隐私保护的自然心率识别方法，使用惯性传感器仅采集用户的微振行为信号，数据本身具有较低的安全隐患。传统的生理健康检测方式如心电图或视频图像的方式采集的数据都存在隐私安全隐患，这些数据包含许多用户特征的隐私信息以及生理健康信息。本发明建立在隐私保护的数据基础上，降低了用户隐私泄露的风险，提高了生理健康监测的安全性。
[0038]
3)本发明在进行用户心脏脉搏波信号提取的过程中，应用了集合经验模态分解联合独立成分分析的方法对信号进行盲源分离。集合经验模态分解的方法具有多分辨分析以及消除模态混叠的优点，将原始bcg信号分解为一组光谱独立、相互正交、不同分辨率的振
荡模式，即本征模函数。通过分析各个本征模函数的在不同时空尺度下的特征，找出噪声模态与信号模态在本征模函数当中的分界点。将噪声模态构建为源信号的虚拟噪声通道，与源信号共同进行独立成分分析，重构出高可靠的人类心脏脉搏波信号。由于集合经验模态分解的方法是一种自适应的、由数据驱动的非平稳非线性信号处理方法，与传统的信号降噪方法如小波变换、独立成分分析等相比，它无需设置基函数，是一种完全自动化的技术，根据信号自身时频域的特点进行分解。因此，通过集合经验模态分解的信号降噪方法能够对日常生活中用户不规则的运动进行自适应的处理，无需对运动信息具有先验知识，克服了降噪方法中参数选择的问题，将有效地消除运动噪声，增强了bcg信号在心率识别中的鲁棒性，满足了用户在日常活动中对生理健康监测的需求。
附图说明
[0039]
图1为本发明心率识别方法的总体流程示意图。
[0040]
图2为本发明集合经验模态分解方法的具体流程示意图。
具体实施方式
[0041]
现结合实施例、附图对本发明作进一步描述：
[0042]
本发明针对现有生理健康检测方式的机械性、需佩戴固定器械及打断用户的日常生活、侵犯用户隐私等缺点，提出一种低隐私度自然心率识别方法，可以高效地恢复出高质量的用户心脏脉搏波信号，最终通过对心脏脉搏波信号进行频谱分析，得到高准确、高可靠、抗噪声的用户心率数据。本发明的健康检测方式可在用户接打电话、浏览网页等日常活动中进行，是一种自然的人机交互方式。除此之外，传统的生理健康检测方式如直接使用心电图、面部图像等存在用户隐私泄露风险的数据，这些数据内包含着用户的生理健康等隐私信息。而本发明提出的隐私保护的自然心率识别方法充分考虑到对用户隐私的保护，在数据采集中只需通过惯性传感器提取用户微振行为信号，降低了用户隐私泄露的风险，解决了生理健康监测过程中的安全隐患。
[0043]
如图1所示，本发明的隐私保护的自然心率识别方法的具体实施流程为：
[0044]
1.通过惯性传感器获取用户的微振行为信号，该信号包含三轴加速度计变化的信号，首先对每个轴的信号以相同的方式进行数据预处理。其次将得到的三轴加速度计信号通过平方和求根的方式聚合，得到原始bcg信号。
[0045]
在对用户微振行为信号进行数据预处理的过程中，首先，使用广泛普及的惯性传感器采集用户的微振行为信号，其次将每个轴的加速度计信号减去一个移动平均窗口，以消除趋势数据。移动平均窗口消除趋势读数的公式为：
[0046][0047]
其中，y(i)表示消除趋势读数后的用户微振行为信号，x(i)表示原始用户微振行为信号，i表示信号中的第i个读数，j表示窗口内的偏移量，n表示窗口的大小。
[0048]
举例来说，用户在日常生活中需进行生理健康检测时，无需像ecg信号检测一样佩戴固定电极，或像传统的bcg信号测量需大型的设备来检测，用户仅通过日常使用移动设备
中的惯性传感器即可进行自然生理检测。通过这种方式摆脱了佩戴传统固定医疗器械的束缚，用户可将设备握持在手中或放置在口袋里；也无需刻意中断正在进行的活动，如接打电话、浏览网页等。
[0049]
其次，对消除趋势读数后的用户微振行为信号进行零均值、单位方差的归一化处理，得到具有相同相关性的三轴加速度计信号，归一化的公式为：
[0050][0051]
其中，z表示归一化后的三轴加速度计信号，x表示消除趋势读数后的用户微振行为信号，μ表示消除趋势读数后的用户微振行为信号的均值，σ表示消除趋势读数后的用户微振行为信号的标准差。通过归一化方式使得三轴加速度计信号具有相同的相关性，并且在分析不同的设备方向更加稳健。最后，通过平方和求根的方式将三轴加速度计信号聚合成原始bcg信号，平方和求根的公式为：
[0052][0053]
其中，s表示原始bcg信号，x、y、z分别表示归一化后的三轴加速度计信号。该原始bcg信号是包含大量运动噪声与bcg信号的混合信号。
[0054]
在信号提取中，使用独立成分分析联合集合经验模态分解的方法对原始bcg信号进行盲源分离用以消除运动噪声以及环境噪声。首先使用集合经验模态分解的方式将源信号分解为一系列的本征模函数的集合，具体分解过程为找出原数据序列所有的极大值点并用三次样条插值函数拟合形成数据的上包络线；同样找出所有的极小值点，并将所有的极小值点通过三次样条插值函数拟合形成数据的下包络线，将原数据序列减去上下包络线的平均包络线得到一个新的数据序列。如果新数据序列满足imf特征，则保留。重复上述步骤，直到得到的剩余信号为单调序列或者相对原始信号幅度足够小时，结束本征模函数的提取。经验模态分解的公式为：
[0055][0056]
其中，x(t)表示原始bcg信号，imfi表示第i个本征模函数，rn表示残差。
[0057]
在分解的过程中将白噪声加入待分解信号，利用白噪声频谱均匀分布的特性，当信号加在遍布整个时频域空间分布一致的白噪声背景上时，不同时间尺度的信号会自动分到合适的参考尺度上，并且由于零均值噪声的特性，噪声相互抵消，得到最终结果。本征模函数平均验算的公式为：
[0058][0059]
其中，表示本征模函数经过平均验算后的结果，c
i,j
表示第i次经验模态分解出来的第j个本征模函数，n表示需要进行经验模态分解的次数。通过集合经验模态分解的方式可以有效的解决传统经验模态分解中存在的模态混叠的问题，即同一个本征模函数中存在尺度范围很宽但不同的信号或者不同本征模函数中存在尺度相近的信号。由集合经验模态分解得到的有限个频率从高到低的本征模函数中，阶数较小的本征模函数对应于信号
的高频部分，一般认为其中主导成分为噪声；阶数大的本征模函数对应于信号的低频部分，一般认为其中噪声影响很小。因此噪声能量主要集中在高频段，一定存在某个本征模函数分量使得对于该分量之后的本征模函数中信号为主导模态。通过这样的思想进行噪声模态与信号模态的分界点判定，然后将噪声模态的本征模函数用于构建虚拟噪声通道，并与原始bcg信号共同进行独立成分分析，得到用户的心脏脉搏波信号。
[0060]
在得到消除运动噪声的用户心脏脉搏波信号之后，使用快速傅里叶变换对心脏脉搏波信号进行频谱分析，并识别出对应于0.66hz和2.5hz范围内最大峰值的频率，分别对应于45次和150次心跳，该频率对应的心率即为用户的心率检测结果。
[0061]
举例来说，在对原始bcg信号进行集合经验模态分解的过程中，该方法会对bcg信号进行自适应的分解，直到剩余的信号为单调函数为止。如果通过九次集合经验模态分解后得到一个单调函数，则该bcg信号通过经验模态分解得到的本征模函数集合的范围为imf1～imf8，共计八个本征模函数。通过计算不同本征模函数与原始bcg信号的相关系数作为噪声模态与信号模态分界点的判断依据，如果此时imf5与原始bcg信号的相关系数为全局的最小值，则将imf1～imf5这五个本征模函数判定为噪声模态，通过累加和的方式将这五个模态构建为原始信号的虚拟噪声通道。
[0062]
最后，在得到消除运动噪声的用户心脏脉搏波信号之后，使用快速傅里叶变换对用户心脏脉搏波信号进行频谱分析，并识别出对应于0.66hz和2.5hz范围内最大峰值的频率，分别对应于45次和150次心跳，该频率对应的心率即为用户的心率检测结果。
[0063]
举例来说，在对用户的心脏脉搏波信号进行快速傅里叶变换之后，观察用户心脏脉搏波信号的频谱图。人类正常心跳频率范围位于0.66hz-2.5hz之间，其余频段的信号均属于噪声。如果用户在正常心跳频段内的最高峰值的频率为1.2hz，则计算可得到该用户的心率估计值为72次/分钟。
[0064]
上述对实施例的描述是为便于本技术领域的普通技术人员能理解和应用本发明。熟悉本领域技术的人员可以很容易对上述实施例提到的方法做出各种修改，并把在此说明的一般原理应用到其他实施例中而不必经过创造性的劳动。因此，本发明不限于上述实施例，本领域技术人员根据本发明的揭示，对于本发明做出的改进和修改都应该在本发明的保护范围之内。