用于可穿戴心率监测设备的心率估计方法及装置的制造方法
【专利摘要】本发明公开了一种用于可穿戴心率监测设备的心率估计方法及装置。本发明主要包括运动伪影移除以及心率谱峰追踪两部分。运动伪影移除为：首先利用非线性自适应滤波法捕获噪声参考信号与脉搏波信号中的运动伪影噪声间的非线性关系，从而有效的消除运动伪影干扰，然后采用基于分类的二元决策方法判断滤波后的脉搏波信号是否仍含有大量噪声，对判决为仍含有噪声的脉搏波信号采用奇异谱分析方法进一步去除噪声干扰；再基于频谱的心率谱峰追踪，定位每个时间窗的心率谱峰，即首先基于非线性定位法定位心率谱峰，若不能成功定位，再基于分类定位法定位心率谱峰。本发明用于心率估计，其计算精度高、复杂度低，从而保证了其在可穿戴监测设备的可实施性。
【专利说明】
用于可穿戴心率监测设备的心率估计方法及装置
技术领域
[0001] 本发明设及生物医学信号处理领域，尤其设及一种用于可穿戴屯、率监测设备的屯、 率估计方法及装置。
【背景技术】
[0002] 屯、率是人体生理参数中一个非常重要的指标，同时屯、率也可W作为人体运动生理 负荷客观评定的一个有效参考，而基于可穿戴设备的屯、率监测是控制人体运动强度的一个 重要且有效的手段。
[0003] 目前对于屯、率的监测主要有两种方法，一种是传统的基于屯、电信号的屯、率监测， 运种方法要求若干个电极在人体的不同部位同时采集生理电信号，然后根据采集到的信号 来计算屯、率，运是在临床医疗中最常用的一种方法。然而其缺点是大大限制的人体的活动， 因此运种方法并不适用于人体运动状态下的屯、率监测。另一种方法是基于光电容积脉搏波 描记法的屯、率监测，运种方法是借助光电技术通过人体皮肤来检测血液容积的变化，而血 液容积的变化是由屯、脏有规律地舒张与收缩引起的，因此可W根据采集到的光电容积脉搏 波信号(PPG信号)来监测屯、率。运种方法的优点是信号采集非常方便，只需要一个光电传感 器与皮肤接触，并且人体的活动可W不受其影响，运也是目前可穿戴屯、率监测设备最常用 的一种方法。
[0004] 但是由于光电容积脉搏波信号是从皮肤表面采集的信号，其信号强度弱，且易受 干扰，工频噪声、环境噪声、运动噪声都会对采集的信号质量造成很大的影响，而其中最主 要的就是由于人体运动而造成的运动伪影干扰，并且运种运动伪影干扰的主要频率在很多 情况下会与屯、率的频率发生重叠，很难消除。因此，在运动状态下的基于光电容积脉搏波信 号的屯、率监测仍具有一定的挑战性。
[0005] 为了解决运一问题，目前已经有很多方法尝试着消除运动伪影噪声。自适应滤波 是一种常见的去噪方法，但是它对参考信号过于地依赖，如果参考信号选择不合适，去噪效 果就会非常不理想。另外，运动伪影与脉搏波信号在剧烈运动时往往并不是线性相关的，运 也对自适应滤波的去噪效果有很大的影响。除此之外，奇异谱分析是另一个去除运动伪影 效果较好的方法，但是运种基于信号分解的方法往往有着很大的计算量，运对于要求低功 耗的可穿戴设备来说并不适用。因此，出现了基于奈曼皮尔逊检测的运动伪影噪声检测单 元与抑ICA化requen巧Domain Ind邱endent Component Analysis)的两阶段去噪算法。该 方法在受试者运动量小的时候(运动噪声比较小），能够取得好的消噪效果。但是，当运动量 大的时候，受到严重噪声干扰的脉搏波信号并不满足ICA( Independent Component Analysis)所要求的统计独立性，因此不适用于运动量大的情况。而在基于经验模态分解和 谱减法的混合方法中，其利用脉搏波信号经过经验模态分解后得到的本征模函数与加速度 信号之间的线性相关系数来检测该本征模函数中运动伪影噪声的存在，从而进一步利用谱 减方法去除运动伪影。但是由于脉搏波信号与运动伪影之间通常并不是线性相关的，因此 基于经验模态分解和谱减的混合方法的性能并不稳定。公开号为CN104161505A的专利申请 提出了一种结合自适应滤波与Mailat的方法来消除运动伪影噪声，但是，当自适应滤波后 的脉搏波信号只含有很少的噪声时（即滤波后的脉搏波信号已经干净时），其仍用Mallat继 续消噪，运无疑不仅起不到去噪的效果而且会增加算法计算量。事实上，并不是所有时间窗 的脉搏波信号都含有大量噪声，此时仅利用自适应滤波算法(不需要Mallat算法)就可W将 噪声去除干净。
[0006] 另外，也有一些研究者尝试着在频谱中寻找屯、率对应谱峰的方法（即谱峰追踪方 法)来提高在运动状态下基于光电容积脉搏波的屯、率检测的精度。如基于启发式的谱峰追 踪方法(包括谱峰检测阶段与谱峰验证阶段)实现在频谱中寻找屯、率对应谱峰。然而，启发 式方法存在着规则过度依赖于人为设置W及参数可W随意调整的缺点，会导致检测的性能 不稳定。
【发明内容】
[0007] 本发明的发明目的在于:针对上述存在的问题，提供了一种用于可穿戴屯、率监测 设备的屯、率估计方法，此方法精确度高，计算复杂度低，能够达到实时估计的目的，可W方 便的应用于可穿戴屯、率监测设备中。
[0008] 本发明的用于可穿戴屯、率监测设备的屯、率估计方法，包括下列步骤：
[0009] 对光电容积脉搏波传感器采集的运动状态下的原始脉搏波信号、运动传感器采集 的原始运动信号(例如Ξ轴加速度信号)划分时间窗并对各时间窗进行屯、率估计：
[0010] 步骤1:对当前时间窗的原始脉搏波信号、原始运动信号进行带通滤波处理，得到 脉搏波信号SQ和噪声参考信号；
[0011] 步骤2:使用非线性自适应滤波器获取脉搏波信号so和噪声参考信号的非线性关 系，即噪声估计信号;基于噪声估计信号对脉搏波信号SG进行滤波处理得到脉搏波信号Sk;
[0012] 步骤3:对脉搏波信号Sk提取特征信息（如时域、频域W及小波域特征等），并基于 分类的二元决策方法将脉搏波信号Sk分为干净与不干净两类；
[0013] 对于类别为干净的脉搏波信号Sk，则直接将其作为脉搏波信号Sc;
[0014] 对于类别为不干净的脉搏波信号sk，则基于噪声参考信号，使用奇异谱分析方法 去除脉搏波信号Sk中的噪声干扰，得到脉搏波信号Sc;
[001引步骤4:获取脉搏波信号S。的频谱，记为第一频谱;获取非线性处理(例如S。的平方、 立方等）后的脉搏波信号S。的频谱，记为第二频谱，获取方式可采用任一惯用方式，如周期 图法；
[0016] 获取第一频谱、第二频谱在预设基频范围Ro的前D个最高谱峰，其中对应第一频谱 的前D个最高谱峰的谱峰位置(即横轴索引值，其中纵轴表示谱峰幅度)记为…，时，对 应第二频谱的前D个最高谱峰的谱峰位置记为P1，P2，…，PD ;
[0017] 基于非线性定位法定位当前时间窗的屯、率谱峰，若不能定位，再基于分类定位法 定位；
[001引其中，非线性定位法为：查找fl，f2，…，fD与Pl，P2，…，PD中存在差值小于或等于预 设阔值T1的谱峰位置fi，且fi与Prev的差值小于或等于预设阔值T2,则谱峰位置fi为当前时 间窗的屯、率谱峰位置，其中ie{l，2, ···，0}，Prev表示上一时间窗确定的屯、率谱峰的谱峰位 置，Prev的初始值为初始时间窗的脉搏波信号Sc的频谱的最高峰的谱峰位置；
[0019] 分类定位法为：将不同时间窗的脉搏波信号s。作为分类器的训练样本，基于先验 知识提取脉搏波信号Sc的特征信息构建分类器，并指定不同分类结果的屯、率谱峰位置;提 取当前时间窗的脉搏波信号S。的特征信息并输入分类器进行分类判决，基于当前类别对应 的屯、率谱峰位置确定当前时间窗的屯、率谱峰位置；
[0020] 步骤5:基于时间窗的屯、率谱峰位置计算屯、率值，比如首先根据频谱(第一频谱或 第二频谱)的频率范围和傅里叶变换点数获取屯、率谱峰位置所在坐标系的单位坐标点的频 率值，从而得到屯、率谱峰位置的频率值，即每秒的屯、率值。
[0021] 进一步的，在步骤4的分类定位法中，构建的分类器包括的分类目标有C1、C2、C3^ 类：
[0022] 判断谱峰位置fi，f2，···，fD与第一频谱在预设谐频范围化的前D个最高谱峰的谱峰 位置hi山，…，hD是否存在谐波对，即判断是否存在阿片。|《了3，若是，则当前时间窗的脉 搏波信号Sc属于类别C1，且类别C1对应的屯、率谱峰位置为f j，其中je{l，2，-'，D}，me{l， 2,…，D}，T3为预设阔值；
[0023] 否则继续判断fl，f2，…，时中是否存在谱峰fj满足|f广Prev|《T4，若是，则当前时 间窗的脉搏波信号Sc属于类别C2,且类别C2对应的屯、率谱峰位置为fj，其中je{l，2，'''，D}， T4为预设阔值；否则当前时间窗的脉搏波信号Sc属于类别C3,且类别C3对应的屯、率谱峰位 置为Prev。
[0024] 进一步的，Ro为[Prev-Δ，Prev+A ]，化为：[2(Prev-A-l)+l，2(Prev+A-l)+l]，其 中A表示预设参数。
[0025] 同时，本发明还公开了一种可穿戴屯、率监测设备，包括信号采集单元、信号预处理 单元、信号去噪单元、屯、率计算单元和输出单元；
[0026] 其中信号采集单元包括光电容积脉搏波传感器和运动传感器，用于采集被测者在 运动状态下的原始脉搏波信号、原始运动信号并传输给信号预处理单元；
[0027] 信号预处理单元对输入信号进行时间窗划分并进行带通滤波处理，向信号去噪单 元输入脉搏波信号SQ和噪声参考信号；
[0028] 信号去噪单元通过非线性自适应滤波器捕获脉搏波信号SQ和噪声参考信号的非 线性关系，即噪声估计信号；再基于噪声估计信号对脉搏波信号SQ进行滤波处理得到脉搏 波信号Sk;w及通过判决单元采用分类的二元决策方法判决脉搏波信号Sk是否为干净，若 是，则直接将脉搏波信号Sk作为脉搏波信号S。并输入屯、率计算单元；否则基于噪声参考信 号，使用奇异谱分析方法去除脉搏波信号Sk中的噪声干扰，得到脉搏波信号Sc后再输入屯、率 计算单元；
[0029] 屯、率计算单元时间窗为单位，结合非线性定位法和分类定位法定位每个时间 窗的脉搏波信号Sc的屯、率谱峰，并基于每个时间窗的屯、率谱峰位置计算当前时间窗的屯、率 值并发送给输出显示单元；
[0030] 其中，定位每个时间窗的脉搏波信号Sc的屯、率谱峰具体为：
[0031] 获取脉搏波信号Sc的频谱，记为第一频谱;获取非线性处理后的脉搏波信号Sc的频 谱，记为第二频谱;获取第一频谱、第二频谱在预设基频范围Ro内的前D个最高谱峰，其中对 应第一频谱的前D个最高谱峰的谱峰位置记为…，时，对应第二频谱的前D个最高谱峰 的谱峰位置记为P1，P2,…，PD
[0032] 在非线性定位法中：查找f 1，f 2，…，时与PI，P2，…，PD中是否存在差值小于或等于预 设阔值T1的谱峰位置且fi与Prev的差值小于或等于预设阔值T2,如果存在，则谱峰位置 fi为当前时间窗的屯、率谱峰位置，其中?ε{1，2，···，0}，
[0033] 在分类定位法中：将不同时间窗的脉搏波信号S。作为分类器的训练样本，提取脉 搏波信号S。的特征信息构建分类器，并指定不同分类结果的屯、率谱峰位置;提取当前时间 窗的脉搏波信号Sc的特征信息并输入分类器进行分类判决，基于当前类别对应的屯、率谱峰 位置确定当前时间窗的屯、率谱峰位置；
[0034] 输出单元：W时间窗为单位，实时显示屯、率监测结果，即当前时间窗的屯、率值。
[0035] 综上所述，由于采用了上述技术方案，本发明的有益效果是:计算出的屯、率精确度 高，计算复杂度低。
【附图说明】
[0036] 图1是本发明的可穿戴屯、率监测设备单元结构示意图；
[0037] 图2是本发明的屯、率估计流程图。
【具体实施方式】
[0038] 为使本发明的目的、技术方案和优点更加清楚，下面结合实施方式和附图，对本发 明作进一步地详细描述。
[0039] 参见图1，2,本发明的可穿戴屯、率监测设备包括信号采集单元、信号预处理单元、 信号去噪单元、屯、率计算单元和输出单元。
[0040] 其中，信号采集单元包括光电容积脉搏波传感器和运动传感器，用于采集源信号 (包括被测者在运动状态下的原始脉搏波信号、原始运动信号，本实施例中使用的源信号是 由光电传感器和Ξ轴加速度传感器在被测者的腕部采集得到，信号的采样频率为125Hz)， 并输入给信号预处理单元进行信号预处理。
[0041] 信号预处理单元利用滑动窗方法对原始信号划分时间窗同时利用带通滤波器对 信号进行带通滤波，本实施例中，首先对源信号进行分割，使用滑动窗方法，窗口大小设为8 秒，滑动步长设为2秒，计算当前时间窗的平均屯、率。根据人类实际可能的屯、率范围（40到 160下每分钟），利用通频带为0.4Hz~5Hz(24到300下每分钟）的带通滤波器对分割后的信 号进行带通滤波，将信号频率范围限制在0.4Hz~甜Z。经过预处理后的脉搏波信号记为so， Ξ轴加速度信号记为Acc，其中x、y、zS轴信号分别记为accl、acc2、acc3。
[0042] 信号去噪单元，通过非线性自适应滤波器捕获脉搏波信号so和噪声参考信号（Ξ 轴加速度信号Acc)的非线性关系，对脉搏波信号so进行滤波处理：
[0043] 将Ξ轴加速度信号Acc作为非线性自适应滤波器的输入信号，脉搏波信号SQ作为 非线性自适应滤波器的期望信号。在开始进行自适应滤波之前，利用截短Volterra序列对 Ξ轴加速度信号Acc进行重组得到输入信号X化），即：
[0044]
[0045] 其中，i = l，2,3，k为采样点序号化=1，2，-，，1)，1为时间窗长度(本实施例中1 = 1000)。
[0046] 输入信号x(k)经过非线性自适应滤波器，基于递归最小二乘准则不断更新滤波系数 W化)直到目标函数ξ化)收敛，其中目标函i
h标叩'表 示矩阵转置，下同。滤波系数W化)的迭代公式j
， 其中λ为遗忘因子，其作用是加强当前数据的影响，减少历史数据的影响，本实施例取λ = 0.1。
[0047] 在经过非线性自适应滤波之后，可W得到输出信号y化），即噪声估计信号。基于噪 声估计信号y化)对脉搏信号S日进行滤波处理得到脉搏波信号sk:sk = s日化)-y化）。
[004引同时，信号去噪单元还包括判决单元、奇异谱分析去噪单元，即首先通过判决单元 采用分类的二元决策方法判决脉搏波信号Sk是否为干净（是否含有噪声），若是，则直接将 脉搏波信号sk作为脉搏波信号Sc并输入屯、率计算单元;否则基于噪声参考信号y化），使用奇 异谱分析去噪单元去除脉搏波信号Sk中的噪声干扰，得到脉搏波信号Sc后再输入屯、率计算 单元；
[0049] 本实施例中，基于随机森林算法实现分类的二元决策方法。即首先对脉搏波信号 Sk进行特征提取，包括:时域特征:脉搏波信号Sk的能量、均值、方差;频域特征:脉搏波信号 Sk的频谱的均值、方差、显著波峰数量(指峰值大于预设阔值的波峰）、脉搏波信号Sk的频谱 与脉搏波信号so的频谱的相关系数、脉搏波信号Sk的频谱与噪声参考信号的频谱的皮尔逊 相关系数。小波域特征:信号小波分解后各子带信号的能量、均值、方差等。本实施例采用5 层小波分解，选择的母小波为化4小波。
[0050] 在提取到W上特征后，将运些特征组成一个特征向量并利用分类器进行分类。然 后将特征向量输入到随机森林，随机森林中的每一棵决策树根据输入的特征向量相互独立 地做出分类，将特征向量对应的脉搏波信号分为干净(标记为0)或者不干净(标记为1)两 类，然后根据Voting原则得出最终的分类结果。
[0051] 奇异谱分析去噪单元对滤波脉搏波信号Sk进一步去除噪声干扰，基于奇异值分解 将脉搏波信号Sk分解为d个时间序列曰1。= 1，2'''，(1)，同时计算各时间序列的频谱并查找最 大幅值对应的频率值；W及计算噪声参考信号的频谱并统计主要频率成分(幅值大于预设 阔值的谱峰对应的频率成分）；依次判断每个时间序列，若当前时间序列的最大幅值对应的 频率值与噪声参考信号的主要频率成分重叠，则删除当前时间序列，对保留的时间序列进 行重构得到脉搏波信号S。。【具体实施方式】具体为：
[00对首先将脉搏波信号sk映射为一个LXM的矩阵S，其中K = N-L+l，L<M/2,即：
[0053]
，M为时间窗长度(本实施例中1=1000)。
[0054] 再对矩阵S进行奇异值分解
其中= 且〇ι，μι， Vi分别为第i个奇异值和对应的左奇异向量和右奇异向量，并针对每一个矩阵Si利用对角平 均法求得对应的时间序列曰1。在获得时间序列ai，a2，-'，ad后，计算时间序列曰1的频谱并查找 其频谱最大幅值对应的频率值fl。
[0055] 然后计算噪声参考信号Acc的频谱并统计其中主要频率成分(幅值大于预设阔值 的谱峰对应的频率成分)对应的频率值，构成集合Fa。如果fi在集合Fa中出现，则删除fi所对 应的第i个时间序列ai。最终再利用剩余的时间序列进行重构得到进一步去噪之后的脉搏 波信号Sc。
[0056] 屯、率计算单元:对脉搏波信号Sc的频谱进行屯、率谱峰追踪，定位每个时间窗的屯、 率谱峰位置，并基于每个时间窗的屯、率谱峰位置计算当前时间窗的屯、率值并发送给输出显 示单元。
[0057] 首先获取脉搏波信号S。的频谱(例如基于周期图法获取对应频谱），记为频谱1，W 及非线性处理后的脉搏波信号S。的频谱，记为频谱2,运样可W多一个频谱版本，从而增加 找到屯、率对应谱峰的几率。本实施例中，非线性处理采用求平方的方式。然后设置两个频谱 范围，即基频范围Ro: [Prev- Δ ,Prev+ Δ ]，谐频范围R1: [2(Prev- Δ -1 ) + 1,2(Prev+ Δ -1) + 1]，为了便于实现，本实施例中，基频范围R〇、Rl为其预设频谱段中的离散坐标点(频谱的横 轴上的离散坐标点）。
[005引在频谱1的两个范围内分别找到前2个最高谱峰所对应的谱峰位置，即最高谱峰和 次高谱峰的横轴索引值，其中在范围Ro内找到的记为在范围R1内找到的记为hi, h2。在 频谱2的范围Ro内找到的最高、次高谱峰记为pi，p2。其中预设参数Δ为正整数。
[0059] 屯、率计算单元首先基于非线性定位法定位当前时间窗的屯、率谱峰，若不能定位， 再基于分类定位法定位；
[0060] 其中，非线性定位法为:查找fl，f2与P1，P2中是否存在差值小于或等于预设阔值T1 (T1的通常取值范围为0~3,本实施例取为2)的谱峰位置fiQe {1,2})，且fi与Prev的差值 小于或等于预设阔值Τ2(Τ2的通常取值范围为0~6,本实施例取为3)，如果存在，则谱峰位 置fi为当前时间窗对应的屯、率谱峰位置。
[0061] 分类定位法为:提取脉搏波信号S。的特征向量，采用随机森林算法，构建包括分类 目标C1、C2、C3^类的分类器，f 1，f2，…，时与hi山，…血的任意项满足I 2f j-hm I《T3，则其属 于类别Cl，且类别Cl对应的屯、率谱峰位置为f j，其中j e {1，2，…，D}，me {1，2，…，D}，预设 阔值Τ3的通常取值范围为Ο~2,本实施例取为2);若存在|fj-Prev|《T4，则其属于类别C2， 且类别C2对应的屯、率谱峰位置为。，其中^'￡{1，2，一，0}，预设阔值了4的通常取值范围为0 ~3，本实施例取为2;否则其属于类别C3，且类别C3对应的屯、率谱峰位置为Prev。
[0062] 在分类定位法中，提取脉搏波信号Sc的特征向量包括:脉搏波信号Sk与噪声参考信 号在时域、频域下的相关系数、脉搏波信号Sk在频谱范围Ro内的显著谱峰个数、fl，f2与P1，P2 之间是否存在谐波对、fl，f2、pl，p2与Prev各自的差值，其中显著波峰指峰值大于预设阔值 的波峰。
[0063] 当得到当前时间窗的屯、率谱峰位置(谱峰对应的横轴索引值)后，屯、率计算单元再 根巧
计算屯、率值并发送给输出显示单元，W实现显示检测结果，其中 屯、率值的单位为下/分钟，fs表示对应脉搏波信号S。的频谱的频率范围，N表示傅里叶变换 (脉搏波信号S。从时频到频域的变换）的点数，即fs/N为单位坐标点的频率值，Loc指的是根 据非线性定位法或者是分类法确定的屯、率谱峰位置(横轴值），因 Loc的起始标记为1，故在 计算时需Loc-1。
[0064] W上所述，仅为本发明的【具体实施方式】，本说明书中所公开的任一特征，除非特别 叙述，均可被其他等效或具有类似目的的替代特征加 W替换;所公开的所有特征、或所有方 法或过程中的步骤，除了互相排斥的特征和/或步骤W外，均可W任何方式组合。
【主权项】
1. 用于可穿戴心率监测设备的心率估计方法，其特征在于，包括下列步骤： 对光电容积脉搏波传感器采集的运动状态下的原始脉搏波信号、运动传感器采集的原 始运动信号划分时间窗并对各时间窗进行心率估计： 步骤1:对当前时间窗的原始脉搏波信号、原始运动信号进行带通滤波处理，得到脉搏 波信号SO和噪声参考信号； 步骤2:使用非线性自适应滤波器获取脉搏波信号SO和噪声参考信号的非线性关系，即 噪声估计信号;基于噪声估计信号对脉搏波信号so进行滤波处理得到脉搏波信号Sk; 步骤3:对脉搏波信号Sk提取特征信息并基于分类的二元决策方法将脉搏波信号Sk分为 干净与不干净两类； 对于类别为干净的脉搏波信号Sk，则直接将其作为脉搏波信号s。； 对于类别为不干净的脉搏波信号sk，则基于噪声参考信号，使用奇异谱分析方法去除脉 搏波信号Sk中的噪声干扰，得到脉搏波信号s。； 步骤4:获取脉搏波信号s。的频谱，记为第一频谱;获取非线性处理后的脉搏波信号Sc的 频谱，记为第二频谱； 获取第一频谱、第二频谱在预设基频范围Ro的前D个最高谱峰，其中对应第一频谱的前D 个最高谱峰的谱峰位置记为…，fD，对应第二频谱的前D个最高谱峰的谱峰位置记为 P1，P2，···，PD; 基于非线性定位法定位当前时间窗的心率谱峰，若不能定位，再基于分类定位法定位； 其中，非线性定位法为:查找fl，f2,…，fD与P1，P2,…，PD中存在差值小于或等于预设阈 值Tl的谱峰位置A，且f1与Prev的差值小于或等于预设阈值T2,则谱峰位置A为当前时间窗 的心率谱峰位置，其中ie{l，2，···，0}，Prev表示上一时间窗确定的心率谱峰的谱峰位置， Prev的初始值为初始时间窗的脉搏波信号s。的频谱的最高峰的谱峰位置； 分类定位法为:将不同时间窗的脉搏波信号s。作为分类器的训练样本，提取脉搏波信号 s。的特征信息构建分类器，并指定不同分类结果的心率谱峰位置;提取当前时间窗的脉搏 波信号s。的特征信息并输入分类器进行分类判决，基于当前类别对应的心率谱峰位置确定 当前时间窗的心率谱峰位置； 步骤5:基于时间窗的心率谱峰位置计算心率值。2. 如权利要求1所述的方法，其特征在于，步骤4的分类定位法中，构建的分类器包括的 分类目标有C1、C2、C3三类： 判断谱峰位置与第一频谱在预设谐频范围R1的前D个最高谱峰的谱峰位置 出>，~>是否存在谐波对，即判断是否满足|2卜^|^^3，若是，则当前时间窗的脉搏波 信号s。属于类别Cl，且类别Cl对应的心率谱峰位置为f j，其中je{l，2，~，D}，me{l，2，···， D}，T3为预设阈值； 否则继续判断谱峰位置fI，f2，…，fD中是否存在谱峰f j满足I f j-Prev I彡T4，若是，则当 前时间窗的脉搏波信号s。属于类别C2,且类别C2对应的心率谱峰位置为G，其中je {1， 2,…，D}，T4为预设阈值;否则当前时间窗的脉搏波信号Sc属于类别C3,且类别C3对应的心 率谱峰位置为Prev。3. 如权利要求2所述的方法，其特征在于，步骤4中，基频范围Ro为[Prev-Δ ,Prev+Δ ]， 谐波范围Ri为：[2(Prev_ Δ -I)+1，2(Prev+ Δ -1 )+1 ]，其中Δ表示预设参数。4. 步骤3中，基于噪声参考信号，使用奇异谱分析方法去除脉搏波信号％中的噪声干扰， 得到脉搏波信号s。具体为： 基于奇异值分解将脉搏波信号Sk分解为若干时间序列，同时计算各时间序列的频谱并 统计主要频率成分； 计算噪声参考信号的频谱并统计主要频率成分； 依次判断每个时间序列，若时间序列的主要频率成分与噪声参考信号的主要频率成分 重叠，则删除当前时间序列，对保留的时间序列进行重构得到脉搏波信号s。。5. 如权利要求1所述的方法，其特征在于，步骤4中，提取脉搏波信号Sk的特征向量包括： 脉搏波信号Sk与噪声参考信号在时域、频域下的皮尔逊相关系数、脉搏波信号Sk在频谱 范围Ro内的显著谱峰个数、fi~f D与pi~Pd之间是否存在谐波对、fi~f D、pi~Pd与Prev各自 的差值，其中显著波峰指峰值大于预设阈值的波峰。6. 如权利要求1所述的方法，其特征在于，采用时间窗长度为4~8秒，滑动间隔为1~2 秒的滑动时间窗对原始脉搏波信号、运动传感器采集进行时间窗划分。7. 如权利要求1所述的方法，其特征在于，步骤1中，带通滤波处理的频带范围为:〇. 4Hz ~0·5Ηζ〇8. 如权利要求1所述的方法，其特征在于，通过运动传感器采集的原始运动信号为三轴 加速度信号。9. 如权利要求1所述的方法，其特征在于，步骤3中，对脉搏波信号&提取特征信息包括 时域特征、频域特征和小波域特征： 时域特征包括:脉搏波信号Sk的能量、均值、方差； 频域特征包括:脉搏波信号Sk的频谱的均值、方差、显著波峰数量，脉搏波信号Sk的频谱 与脉搏波信号so的频谱的相关系数、脉搏波信号Sk的频谱与噪声参考信号的频谱的相关系 数，其中显著波峰指峰值大于预设阈值的波峰； 小波域特征包括:脉搏波信号Sk小波分解后各子带信号的能量、均值、方差。10. -种可穿戴心率监测设备，其特征在于，包括信号采集单元、信号预处理单元、信号 去噪单元、心率计算单元和输出单元； 其中信号采集单元包括光电容积脉搏波传感器和运动传感器，用于采集被测者在运动 状态下的原始脉搏波信号、原始运动信号并传输给信号预处理单元； 信号预处理单元对输入信号进行时间窗划分并进行带通滤波处理，向信号去噪单元输 入脉搏波信号SO和噪声参考信号； 信号去噪单元通过非线性自适应滤波器捕获脉搏波信号SO和噪声参考信号的非线性关 系，即噪声估计信号;再基于噪声估计信号对脉搏波信号SO进行滤波处理得到脉搏波信号 Sk;以及通过判决单元采用分类的二元决策方法判决脉搏波信号Sk是否为干净，若是，则直 接将脉搏波信号Sk作为脉搏波信号S。并输入心率计算单元;否则基于噪声参考信号，使用奇 异谱分析方法去除脉搏波信号Sk中的噪声干扰，得到脉搏波信号S。后再输入心率计算单元； 心率计算单元：以时间窗为单位，结合非线性定位法和分类定位法定位每个时间窗的 脉搏波信号S。的频谱进行心率谱峰追踪，定位每个时间窗的心率谱峰，并基于每个时间窗 的心率谱峰位置计算当前时间窗的心率值并发送给输出显示单元； 其中，定位每个时间窗的脉搏波信号S。的心率谱峰具体为： 获取脉搏波信号S。的频谱，记为第一频谱;获取非线性处理后的脉搏波信号S。的频谱， 记为第二频谱;获取第一频谱、第二频谱在预设基频范围Ro内的前D个最高谱峰，其中对应 第一频谱的前D个最高谱峰的谱峰位置记为…，f D，对应第二频谱的前D个最高谱峰的 谱峰位置记为pi，P2，…，PD 在非线性定位法中：查找f I，f 2，…，fD与Pl，P2，…，PD中是否存在差值小于或等于预设阈 值Tl的谱峰位置h，且6与?代？的差值小于或等于预设阈值T2,如果存在，则谱峰位置心为 当前时间窗的心率谱峰位置，其中ie{l，2，-_，D}， 在分类定位法中：将不同时间窗的脉搏波信号s。作为分类器的训练样本，提取脉搏波信 号8。的特征信息构建分类器，并指定不同分类结果的心率谱峰位置;提取当前时间窗的脉 搏波信号S。的特征信息并输入分类器进行分类判决，基于当前类别对应的心率谱峰位置确 定当前时间窗的心率谱峰位置； 输出单元：以时间窗为单位，实时显示当前时间窗的心率值。
【文档编号】A61B5/11GK105919584SQ201610459447
【公开日】2016年9月7日
【申请日】2016年6月23日
【发明人】叶娅兰, 何文文, 程云飞, 侯孟书, 张宇, 潘郎平, 徐海津, 陈天祥
【申请人】电子科技大学