一种基于穿戴式动态心电的运动负荷检测装置及方法与流程

本发明属于人体运动过程中心脏健康实时监测领域，具体涉及一种基于穿戴式动态心电的运动负荷检测装置及相应的检测方法。

背景技术：

运动在合理强度下会减少疾病的发生有助于身体健康，但如果运动过度反而会使身体出现运动损伤的情况，特别是对患有心脏疾病的人群。有数据表明，82％非外伤性猝死与患有心脏疾病人群运动不当相关，因此科学健身至关重要。

1973年瑞典生理学家gunnarbog根据心理学原理在自我感觉和实际运动负荷量评定等级上设计了主观体力感觉等级表，这是运动对象对自己身体运动负荷的一种自感疲劳分级。然而这种评估方法结果不准确且对于普通人群来说不适用。随着运动生理学的发展，研究人员通过测量运动对象的耗氧量、血乳酸浓度、睾酮浓度等生理指标来综合评定运动负荷，这种方法能较精确的监测到个体对于不同运动负荷的适应情况。然而这些指标的测量需要复杂的检测设备并且整个过程也十分繁琐，需要强有力的资源支持，目前只适用于专业运动员或者科研院校研究中，现阶段难以普及。

心电信号(electrocardiosignal，ecg)能够综合反映人体体内生理的各种变化，并能够较为准确地描述身体机能对于运动刺激的反应，是对个体综合代谢情况观察的窗口。1842年意大利生理学家matteucci观察到心脏搏动时存在电流活动以来，ecg的研究得到了迅猛发展。早在1990年美国运动医学会就开始提出采用心率和自感疲劳分级主客观信息相结合的方法确定运动负荷，但那时对于心率的实时测量较为困难，一般采用价格昂贵的心率表。而现如今随着物联网和可穿戴式心电设备技术的迅速发展，使得实时、不间断远程监控个体心电信号成为了可能，并广泛应用于及普通民众日常生理活动监测当中。而近几年来，可穿戴式心电设备技术得到迅猛发展，市面上出现了很多心电监测穿戴式产品，虽然目前利用心率给出运动建议的方法有很多，但基本上都是基于最佳心率算法演化而来，并没有对动态心电做进一步的深入分析从多维角度对个体运动情况进行评判，形成完整的运动负荷监测方法，因此不具有太大的应用参考价值。

技术实现要素：

为解决上述问题，本发明提供了一种可穿戴式的基于动态心电的运动负荷检测装置及方法。本装置采用i导联心电采集方式采集用户运动过程的动态心电信号，将原始信号滤波、放大、ad转换后经无线通讯实时上传至手机客户端，最后对信号进行检测、处理以及分析后得出运动负荷检测结果反馈给用户。

为了达到上述目的，本发明提供如下技术方案：

一种基于穿戴式动态心电的运动负荷检测装置，包括：

心电信号采集模块：与信号调理模块连接，用于采集人体心电信号；

信号调理模块：与微处理器连接，用于进行信号的滤波、放大、ad转换；

无线通讯模块：与微处理器连接，用于通过无线方式根据预先设定的通讯频率将心电数字信号信息传输至云平台及用户手机客户端进行信号分析；

数据存储模块：与微处理器连接，用于存储用户一段时间内的心电信号数据；

微处理器：与信号调理模块、无线通讯模块和数据存储模块连接，是装置的控制中心，用于发出命令使各模块正常工作，完成功能的实现；

所述信号分析包括如下步骤：

①信号滤波：除去动态心电信号中存在的工频噪声、基线漂移以及运动干扰；

②r波特征检测：对滤波后的心电信号进行r波特征检测；

③特征向量计算：根据步骤②中检测出的r波峰值点位置得出rr间期时间序列计算出心率(heartrate，hr)，并进行心率变异性(heartratevariability，hrv)分析，包括时、频域及非线性分析得出相关特征向量；

④向量归一化：将步骤③中的特征向量构建成特征矩阵，并对每个特征向量归一化；

⑤运动负荷检测及报告生成：将标准化后的特征矩阵作为输入参数实时输入基于遗传算法优化的神经网络模型，输出运动负荷检测结果并打印结果报告。

进一步的，所述步骤①信号滤波具体包括如下子步骤：

将采集到的心电信号利用mallat算法进行小波变换得到不同尺度下信号α^j(n)，其中j＝1,2,…n，利用小波的多分辨率分析特性对带有工频噪声、基线漂移和运动干扰的心电信号按照采样频率进行分解，将不同频率组成的含噪心电信号分解成不同频带的子信号；再针对干扰及噪声所在的不同频带的子信号设定阈值处理进行去噪，对含有心电信号特征波的频段给予保留，其他的频段阈值化处理进行去噪；之后再利用离散小波逆变换重构出有用心电信号。

进一步的，所述步骤②r波特征检测具体包括如下子步骤：

根据多尺度分解后的信号确定r波所对应的正-负模极大值对，然后分别确定模极大值阈值tmax以及模极小值阈值tmin；并使用阈值筛选出正极大值大于tmax，负极大值小于tmin且两个极值点之间的距离小于阈值的正-负模极大值对；检测它们的过零点，并使用(2^j-1)/2修正时移；最后使用不应期和回溯的策略对检测出的r波进行修正，得出各r波位置坐标为(γ1,γ2,…,γk)，k为r波点个数。

进一步的，所述步骤③特征向量计算具体包括如下子步骤：

设rr间期时间序列为x()＝[rr1,rr2,…,rrn]，其中rrj＝γj+1-γj(1≤j≤k-1)，rr间期均值则心率由步骤①中得出的r波各点位置求出rr间期序列，采用统计学离散趋势法对rr间期时间序列进行hrv时域研究，其中sdnn表示为rmssd为相邻rr间期差的均方根值，计算式为sdsd为相邻rr间期标准差，由计算得到,其中rrsi＝rri+1-rri；pnn50为相邻rr间期之差大于50ms的个数除以总的rr间期个数的百分比；

利用基于ar模型的功率谱估计法完成hrv的频域参数求解：ar模型中假定观测的数据rr时间序列x(n)用方差为σ²的零均值白噪声序列w(n)激励一个全极点的线性系统产生，模型的阶数为m，系数为am,k，用差分方程表示x(n)的ar模型为过程{x(n)}为m阶自回归过程，功率谱密度为使用ar自回归模型采取marple算法估算参数am,k后估算功率谱pxx(ω)并进行谱分解，计算总功率tp，低频功率lf以及高频功率hf；利用公式对lf、hf进行归一化得到参数lfnorm和hfnorm；同时计算lf与hf的比值lf/hf；hrv非线性动力学研究采用poincare散点图法，以rr间期时间序列第i个值为作为横坐标，以第(i+1)个值为纵坐标绘制出poincare散点图；对poincare散点图分析得到两个定量分析参数，分别是向量角度指数sd1和向量长度指数sd2，计算方法分别如下：

进一步的，所述步骤④向量归一化具体包括如下子步骤：

首先构建特征向量j：j＝[hr,sdnn,rmssd,pnn50,lf,hf,lfnorm,hform,sd1,sd2]，对步骤③得到的每个特征向量采取最大-最小标准化法进行归一化处理，设j为上述特征向量构成的特征矩阵，minjk为第k个特征向量最小值，maxjk为第k个特征向量最大值；则初始值x映射到区间[0,1]的值

进一步的，所述步骤⑤中的遗传算法优化的神经网络模型以按误差逆向传播(errorbackpropagation，简称bp)算法训练的多层前馈神经网络为基础，训练过程如下：给定训练集即输入示例由d个属性描述，输出l维实值向量；对训练例(xk,yk),设神经网络输出则网络在(xk,yk)上的均方误差为bp算法对于误差ek及给定学习率η，基于梯度下降策略对层间的权值ω'和阈值θ'不断更新使训练集d上的累计误差达到最小化的目标。

进一步的，所述心电信号采集模块包括织物干性电极以及信号预处理电路，织物干性电极包括两个分别置于左右锁骨下方的电极，以及置于右腹部的参考电极，这些电极构成差分回路用于采集人体心电信号；信号预处理电路包括rc滤波器和右腿驱动电路，用于对原始心电信号进行简易滤波及去除共模干扰。

进一步的，所述信号调理模块包括低噪声可编程增益放大器、高分辨率的模数转换器、振荡器、参考电压接口和spi数据接口，具有高共模抑制比，用于滤除共模信号噪声，并具有灵活的断电、待机模式。

一种基于穿戴式动态心电的运动负荷检测方法，包括如下步骤：

采集用户的动态心电信号，进行信号的滤波、放大、ad转换，最后进行信号分析；

所述信号分析的过程包括如下步骤：

①信号滤波：除去动态心电信号中存在的工频噪声、基线漂移以及运动干扰；

②r波特征检测：对滤波后的心电信号进行r波特征检测；

③特征向量计算：根据步骤②中检测出的r波峰值点位置得出rr间期时间序列计算出心率(heartrate，hr)，并进行心率变异性(heartratevariability，hrv)分析，包括时、频域及非线性分析得出相关特征向量；

④向量归一化：将步骤③中的特征向量构建成特征矩阵，并对每个特征向量归一化；

⑤运动负荷检测及报告生成：将标准化后的特征矩阵作为输入参数实时输入基于遗传算法优化的神经网络模型，输出运动负荷检测结果并打印结果报告。

进一步的，所述步骤①信号滤波具体包括如下子步骤：

将采集到的心电信号利用mallat算法进行小波变换得到不同尺度下信号α^j(n)，其中j＝1,2,…n，利用小波的多分辨率分析特性对带有工频噪声、基线漂移和运动干扰的心电信号按照采样频率进行分解，将不同频率组成的含噪心电信号分解成不同频带的子信号；再针对干扰及噪声所在的不同频带的子信号设定阈值处理进行去噪，对含有心电信号特征波的频段给予保留，其他的频段阈值化处理进行去噪；之后再利用离散小波逆变换重构出有用心电信号；

所述步骤②r波特征检测具体包括如下子步骤：

根据多尺度分解后的信号确定r波所对应的正-负模极大值对，然后分别确定模极大值阈值tmax以及模极小值阈值tmin；并使用阈值筛选出正极大值大于tmax，负极大值小于tmin且两个极值点之间的距离小于阈值的正-负模极大值对；检测它们的过零点，并使用(2^j-1)/2修正时移；最后使用不应期和回溯的策略对检测出的r波进行修正，得出各r波位置坐标为(γ1,γ2,…,γk)，k为r波点个数；

所述步骤③特征向量计算具体包括如下子步骤：

设rr间期时间序列为x(n)＝[rr1,rr2,…,rrn]，其中rrj＝γj+1-γj(1≤j≤k-1)，rr间期均值则心率由步骤①中得出的r波各点位置求出rr间期序列，采用统计学离散趋势法对rr间期时间序列进行hrv时域研究，其中sdnn表示为rmssd为相邻rr间期差的均方根值，计算式为sdsd为相邻rr间期标准差，由计算得到,其中rrsi＝rri+1-rri；pnn50为相邻rr间期之差大于50ms的个数除以总的rr间期个数的百分比；

利用基于ar模型的功率谱估计法完成hrv的频域参数求解：ar模型中假定观测的数据rr时间序列x(n)用方差为σ²的零均值白噪声序列w(n)激励一个全极点的线性系统产生，模型的阶数为m，系数为am,k，用差分方程表示x(n)的ar模型为过程{x(n)}为m阶自回归过程，功率谱密度为使用ar自回归模型采取marple算法估算参数am,k后估算功率谱pxx(ω)并进行谱分解，计算总功率tp，低频功率lf以及高频功率hf；利用公式对lf、hf进行归一化得到参数lfnorm和hfnorm；同时计算lf与hf的比值lf/hf；hrv非线性动力学研究采用poincare散点图法，以rr间期时间序列第i个值为作为横坐标，以第(i+1)个值为纵坐标绘制出poincare散点图；对poincare散点图分析得到两个定量分析参数，分别是向量角度指数sd1和向量长度指数sd2，计算方法分别如下：

所述步骤④向量归一化具体包括如下子步骤：

首先构建特征向量j：j＝[hr,sdnn,rmssd,pnn50,lf,hf,lfnorm,hform,sd1,sd2]，对步骤③得到的每个特征向量采取最大-最小标准化法进行归一化处理，设j为上述特征向量构成的特征矩阵，minjk为第k个特征向量最小值，maxjk为第k个特征向量最大值；则初始值x映射到区间[0,1]的值

所述步骤⑤中的遗传算法优化的神经网络模型以按误差逆向传播(errorbackpropagation，简称bp)算法训练的多层前馈神经网络为基础，训练过程如下：给定训练集即输入示例由d个属性描述，输出l维实值向量；对训练例(xk,yk),设神经网络输出则网络在(xk,yk)上的均方误差为bp算法对于误差ek及给定学习率η，基于梯度下降策略对层间的权值ω'和阈值θ'不断更新使训练集d上的累计误差达到最小化的目标。

与现有技术相比，本发明具有如下优点和有益效果：

1.本发明提供的装置能够完成运动对象心电数据的长程实时采集工作，并针对动态心电信号设计算法进行滤波去噪工作，为特征检测、提取有效信息进行运动负荷评估提供有利的条件；分析方法能够无创的完成运动对象的运动负荷评估工作，为用户提供个性化运动指导提供基础，降低用户运动过疲劳出现突发性心脏疾病或其他运动损伤的风险，让用户进行科学、健康性的运动。

2.装置使用简单方便，穿戴较为舒适，适用于日常生活场景，可实现对用户动态心电信号长时间采集与实时分析处理，准确检测用户运动负荷并给出相应建议的功能。

附图说明

图1为本发明一种基于穿戴式动态心电的运动负荷检测装置的结构示意图。

图2为本发明运动负荷检测流程示意图。

图3为本发明对低强度动态心电信号的检测结果图。

图4为本发明对中强度动态心电信号的检测结果图。

图5为本发明对高强度动态心电信号的检测结果图。

附图标记说明：

1、心电信号采集模块，2、信号调理模块，3、微处理器，4、数据存储模块，5、蓝牙模块，6、手机客户端，7、电源，8、工作指示灯，9、工作按钮。

具体实施方式

以下将结合具体实施例对本发明提供的技术方案进行详细说明，应理解下述具体实施方式仅用于说明本发明而不用于限制本发明的范围。

如图1所示，本发明提供的一种基于穿戴式动态心电的运动负荷检测装置主要包括心电信号采集模块1、信号调理模块2、微处理器3、数据存储模块4和无线传输模块5。心电信号采集模块1与信号调理模块2连接，信号调理模块2、数据存储模块4和无线传输模块5均与微处理器3连接，同时与微处理器3连接的还有电源7、工作指示灯8和工作按钮9。心电信号采集模块1用于采集心电信号，信号调理模块2将采集到的信号进行滤波、放大、ad转换等工作；随后经微处理器3控制通过无线传输模块5通过wifi和蓝牙传输方案根据预先设定的通讯频率将心电数字信号传输至云平台和用户手机客户端6完成信号分析。数据存储模块4用于存储用户一段时间内的心电信号数据；电源7用于给装置各个模块供电；工作指示灯8用于指示装置是否处于采集信号状态。工作按钮9用于控制装置的工作状态。

具体的说，心电信号采集模块1包括织物干性电极以及信号预处理电路，以双极单导联方式获取差分心电信号。其中织物干性电极包括置于人体左、右锁骨下方的ra、la两个织物干性电极与置于右腹部作为参考电极的rl电极，这些电极构成差分回路用于采集人体心电信号。信号预处理电路由rc滤波器和右腿驱动电路组成，完成对原始心电信号的简易滤波及去除共模干扰。

信号调理模块内含低噪声可编程增益放大器以及高分辨率的模数转换器，具有高共模抑制比，可以很好的滤除共模信号噪声。同时内置振荡器和参考电压，spi数据接口，具有灵活的断电、待机模式。

图2给出了本发明运动负荷检测流程示意图。心电信号采集模块中的织物干性电极采集用户的动态心电信号，然后经过信号调理模块进行信号的滤波、放大、ad转换，最后通过无线通讯模块上传至客户端完成信号分析，信号分析包括信号滤波、r波特征检测、特征向量计算、向量归一化、运动负荷检测及报告生成。具体包括如下过程：

①信号滤波：对动态心电信号信号进行滤波，除去动态心电信号中主要存在的工频噪声、基线漂移以及运动干扰。

将采集到的心电信号按5分钟进行分段，对每段信号利用mallat算法进行8尺度离散小波分解，具体的，是将采集到的信号利用mallat算法进行小波变换得到不同尺度下信号α^j(n)，其中j＝1,2,…n。由于噪声和信号在多尺度分解下的小波系数具有不同空间分布的特点，利用小波的多分辨率分析特性对带有工频噪声、基线漂移和运动干扰的心电信号按照采样频率进行分解，将不同频率组成的含噪心电信号分解成不同频带的子信号。再针对干扰及噪声所在的不同频带的子信号设定阈值处理进行去噪，对含有心电信号特征波的频段给予保留，其他的频段阈值化处理进行去噪。之后再利用离散小波逆变换重构出有用ecg信号。

②r波特征检测：对滤波后的心电信号进行r波特征检测。

根据多尺度分解后的信号确定r波所对应的正-负模极大值对，然后分别确定模极大值阈值tmax以及模极小值阈值tmin。并使用阈值筛选出正极大值大于tmax，负极大值小于tmin且两个极值点之间的距离小于200ms的正-负模极大值对。检测它们的过零点，并使用(2^j-1)/2修正时移，其中j为小波分解的阶数。最后使用不应期和回溯的策略对检测出的r波进行修正，得出各r波位置坐标为(γ1,γ2,…,γk)，k为r波点个数。

③特征向量计算：根据步骤②中检测出的r波峰值点位置得出rr间期时间序列计算出心率(heartrate，hr)，并进行心率变异性(heartratevariability，hrv)分析，包括时、频域及非线性分析得出相关特征向量；

具体的，由上述步骤①中得出的r波各点位置求出rr间期序列x(n)＝[rr1,rr2,…,rrk-1]，其中rrj＝γj+1-γj(1≤j≤k-1)。然后计算用于检测运动负荷相关的特征向量，包括hr、hrv时、频域及非线性分析特征向量。rr间期均值则心采用统计学离散趋势法对rr间期时间序列进行hrv时域研究，计算rr间期标准差sdnn，该值被认为与hrv的总变化情况有关，表示为其中为rr间期序列的平均值，n为rr间期序列的长度。

rmssd为相邻rr间期差的均方根值，计算式为sdsd为相邻rr间期标准差，由计算得到,其中rrsi＝rri+1-rri。pnn50为相邻rr间期之差大于50ms的个数除以总的rr间期个数的百分比，rmssd与pnn50均被认为与副交感神经(parasympathetic,pps)的活性有关。

利用基于ar模型的功率谱分析法完成hrv的频域参数求解。ar模型中假定观测的数据rr间序列x(n)用方差为σ²的零均值白噪声序列w(n)激励一个全极点的线性系统产生，模型的阶数为m，系数为am,k，用差分方程表示x(n)的ar模型为过程{x(n)}为m阶自回归过程，功率谱密度为其中pm为功率谱能量，w为对应的角频率。使用ar自回归模型采取marple算法估算参数am,k后估算功率谱pxx(ω)并进行谱分解，计算总功率tp，低频功率lf(0.04-0.15hz)以及高频功率hf(0.15-0.40hz)。利用公式对lf、hf进行归一化得到参数lfnorm和hfnorm。同时计算lf与hf的比值lf/hf。hrv非线性动力学研究采用poincare散点图法，以上述步骤中得到的rr间期时间序列第i个值为作为横坐标，以第(i+1)个值为纵坐标绘制出poincare散点图。对poincare散点图分析得到两个定量分析参数，分别是向量角度指数sd1和向量长度指数sd2。画出poincare散点图后，将离散点的分布近似为椭圆分布，椭圆的中心位置由rr间期均值确定，椭圆半长轴和半短轴的长度即分别为sd1和sd2值的大小。其中sd1是由迷走神经传出影响窦房结引起的即刻或短期rr变异性的标准偏差的指标，sd2是表示全过程中心率的长期或缓慢变化标准偏差的指标。计算方法分别如下：

④向量归一化：将步骤③中的特征向量构建成特征矩阵，并对每个特征向量归一化；

首先构建特征向量j：j＝[hr,sdnn,rmssd,pnn50,lf,hf,lfnorm,hform,sd1,sd2]，对步骤③得到的每个特征向量采取最大-最小标准化法进行归一化处理，设j为上述特征向量构成的特征矩阵，minjk为第k个特征向量最小值，maxjk为第k个特征向量最大值。则初始值x映射到区间[0,1]的值

⑤运动负荷检测及报告生成：将标准化后的特征矩阵作为输入参数实时输入经样本集训练后的基于遗传算法优化的神经网络模型，输出运动负荷检测结果并打印结果报告。图3-图5中显示的1分钟的信号均源于为本发明装置分别采集的三段5分钟信号，相应的检测结果分别为低强度、中强度和高强度运动负荷。最后在用户的手机客户端中实时显示检测结果，并将结果发送至监护中心结合大数据反馈给用户相应的运动建议。

上述基于遗传算法优化的神经网络模型以按误差逆向传播(errorbackpropagation，简称bp)算法训练的多层前馈神经网络为基础。训练过程如下：给定训练集即输入示例由d个属性描述，输出l维实值向量。对训练例(xk,yk),设神经网络输出则网络在(xk,yk)上的均方误差为bp算法对于误差ek及给定学习率η，基于梯度下降策略对层间的权值ω'和阈值θ'不断更新使训练集d上的累计误差达到最小化的目标。然而bp算法容易陷入局部最优，而遗传算法是一种通过模拟自然选择和遗传学机理进化过程搜索最优解的方法，具有全局搜索寻优性、鲁棒性强和稳健性高的特点，因此本发明中使用遗传算法优化初始权值和阈值使bp神经网络更好地逼近全局最小。

本发明方案所公开的技术手段不仅限于上述实施方式所公开的技术手段，还包括由以上技术特征任意组合所组成的技术方案。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围。