一种基于社交网络的可穿戴心电健康交互平台及其实现方法与流程

本发明属于生物信号与智能处理，尤其涉及一种基于社交网络的可穿戴心电健康交互平台及其实现方法。

背景技术：

可穿戴健康监测技术是实现个人健康与家庭、社区和医院监测相交互的一种有效方式，是缓解人们对健康监测需求与医疗资源有限的有效途径。可穿戴健康监测系统已成为当今国际备受关注的新兴前沿热点研究领域之一。

社交网络与可穿戴健康监测技术的结合在近几年兴起，Gerd Kortuem和Zary Segal提出了一种基于可穿戴技术的社交网络架构，他们认为当前的可穿戴计算研究的系统及应用强调智能和感知能力，而忽略了人际互动和社交能力，这样的趋势将可能影响到可穿戴技术的交互作用，从而抑制了可穿戴技术的发展。

目前，一些公司研发的产品如苹果公司推出的一款iPhone应用--iPhone ECG，可以捕捉用户心电参数，并绘制成心电图，计算心率等，并可将数据传输给医生。研究方面，印度SRM大学Dennis Joe Harmah和Kathirvelu D以及台湾清华大学Chun-Chieh Chan等分别开发了基于Android平台的移动心电健康监测平台。这些平台主要流程是心电检测装置和Android平台通过蓝牙进行传输数据，将获得的ECG数据展现在Android设备上。Android平台与后台服务器通过3G和WiFi两种方式进行交互，后台可以对ECG进一步分析。iPhone ECG这类产品是传统的C/S结构(Client/Server Struts客户机和服务器结构)，将患者采集心电传输到服务器端，再通过服务器端传输到医生端。通过实际使用和调查，发现这类产品消弱了医患之间的联系，设备往往使用的持久性越来越低。

技术实现要素：

为要解决的上述问题，本发明提供一种基于社交网络的可穿戴心电健康交互平台及其实现方法。

本发明的技术方案：一种基于社交网络的可穿戴心电健康交互平台，包括可穿戴心电采集系统、心电数据接收端、医生分析诊断端、心电数据预处理系统和社交网络，其特征在于所述可穿戴心电采集系统和所述心电数据传输系统通讯连接，所述心电数据接收端、所述医生分析诊断端、所述心电数据预处理系统通过所述社交网络连接。

所述心电数据接收端为患者手机，所述患者手机安装手机客户端，所述医生分析诊断端为医生手机，所述医生手机安装医生手机客户端，所述社交网络为QQ或微信，所述可穿戴心电采集系统和所述客心电数据接收端采用蓝牙传输方式进行通讯连接将心电数据传输到客户手机的手机客户端，所述心电数据接收端通过所述社交网络与所述心电数据预处理系统连接将心电数据传送到群组中，所述心电数据预处理系统对心电数据进行预处理和分析，所述心电数据预处理系统通过所述社交网络与所述医生分析诊断端连接将优化完成的心电数据传输给所述医生分析诊断端，所述医生分析诊断端用于医生查看心电波形进行分析，所述医生分析诊断端并通过短信或电话的形式与心电数据接收端通讯连接及时的将诊断结果及建议反馈给持有心电数据接收端的患者。

所述可穿戴心电采集系统包括上衣、电极、心电信号采集线和和心电采集设备，其特征在于所述上衣包括前片和后片，所述电极为非粘性织物电极，所述非粘性织物电极为3个，所述非粘性织物电极采用V5导联位置，所述非粘性织物电极通过可拆卸连接结构设置在所述前片上，所述心电信号采集线为3条，3个所述电极通过3条所述心电信号采集线经集线管与所述心电采集设备连接，所述前片设置放置袋，所述心电采集设备放置在所述放置袋内，所述心电采集设备设置蓝牙传输端口。

所述上衣分为男款上衣和女款上衣，所述上衣为背心、短袖T恤、长袖T恤或衬衫，所述上衣具有多种规格，所述非粘性织物电极采用覆盖有银层的织物，所述非粘性织物电极长为3-7厘米，所述非粘性织物电极宽为3-7厘米，所述放置袋内设置引出口，3条所述心电信号采集线经所述集线管和所述引出口与设置在所述放置袋内心电采集设备连接，所述可拆卸连接结构为粘扣、纽扣或按扣。

一种基于社交网络的可穿戴心电健康交互平台的实现方法，其特征在于具体步骤如下：

步骤1：患者通过应用所述可穿戴心电采集系统进行采集心电数据；

步骤2：将所述可穿戴心电采集系统采集到的心电数据传输到手机客户端，保存心电数据并显示心电波形图，手机客户端通过社交软件传送到群组中，由群组管理员使用数据预处理系统对心电数据进行预处理和分析，对心电数据进行优化处理，然后将优化完成的心电数据通过社交软件传输给医生；

步骤3：医生接收到预分析处理后的心电数据，使用医生手机客户端查看心电波形进行分析，并通过短信或电话的形式及时的将诊断结果及建议反馈给患者。

步骤2中对心电数据进行预处理的过程如下：将数据分类存储，用数字滤波滤除工

频干扰，用滑动平均滤波法滤除基线漂移，用低通滤波器滤除高频噪声，用小波变

换法去除肌电干扰，得到滤波后数据；

对心电数据进行预分析的过程如下：完成滤波的数据通过基于差分斜率算法检测出R波，并进行心率变异性分析，将处理完的数据在自定义的控件显示出来，并标记处R点、标记QRS点、计算参数等。

对心电数据进行优化处理过程如下：对患者采集的心电数据进行筛选，保存质量较好的波形，减少一些波形质量不好的心电数据在医患间的传输，在患者和医生之间作为协调中枢，最终将波形质量较好的数据同样通过社交软件发送到医生端。

步骤3中医生接收到预分析处理优化后的心电数据，使用医生手机客户端查看心电波形进行分析，并通过短信或电话的形式及时的将诊断结果及建议反馈给患者的过程如下：医生使用QQ或微信等社交软件，接收到患者直接发送或管理员筛选测量波形质量比较好的心电数据，在社交软件中打开原文件，选择心电数据文件关联到心电数据分析诊断手机客户端应用，查看描绘出的心电波形，心电图以标准的心电图纸网格为背景，结合心率以及其他信息，医生可分析出实际的心电波形变化，将诊断结果通过短信或电话方式及时发送给患者。

用小波变换法去除肌电干扰具体包括：

步骤A:选取小波基函数

不同的小波基函数各有特点，能够反映信号的不同特性。对于同一个信号去噪，采用不同的小波基函数，会得到不同的小波系数；综合考虑多种小波函数，选取Coif4小波函数，Coif4小波函数既有正交性又具有双正交性，也表现出良好的频域局部性，适合于对具有较好连续性的心电信号去噪；

步骤B:选择小波分解尺度

设信号y(t)经采样频率为f采用后的离散序列为y(n)(n＝0,1,…N-1)，由采样定理可知y(n)包含频率成分的范围在[0,f/2]，经过一次小波分解后得到1尺度下的低频分量和高频分量分别为[0,f/4]和[f/4,f]，以此类推得到j尺度下的低频分量和高频分量分别为[0,f/2j+1]和[f/2j+1,f]，分解的尺度j的定义公式如下

式中，fnoise＝inf min{fnoise1,fnoise2,…fnoisek}表示原始信号所含所有噪声中频率最低的噪声的下限频率，其中fnoise1,fnoise2,…fnoisek表示k种不同类型噪声的频率，N表示信号的长度，可见小波分解的尺度j由采样频率，噪声频率以及信号长度决定；原始的心电信号中基线漂移的频率最低，一般低于1Hz，需要让分解信号后某一尺度的分信号频率能够达到该频带；心电信号的采样频率是250Hz，心电信号经过小波分解后不同的噪声能量分布到了不同的频率区间，在此不同的区间上设置合适的阈值函数可将噪声滤除或抑制；

步骤C:选取阈值函数

在心电信号的小波去噪中采用一种折衷的阈值函数

其中α的取值介于0和1之间，取0.5；不同的分层中利用不同尺度的小波系数形成不同的处理方式；考虑到心电信号的非平稳性，阈值λ采用自适应阈值，阈值公式为：

其中N为采用点数，j为小波分解尺度，σ为噪声的强度估计，其计算方法是取小波系数在各尺度下绝对值的中值，然后除以常数0.6745，公式如下：

R波检测的具体包括：

步骤a、确定参考阈值

窗口大小的阈值根据心率和采样率进行推算，公式如下

式中，HR表示心率，SR表示采样率，d表示窗口大小，k为系数。正常成年人的心率大约59-80次/分钟，比如取平均心率为70次/分钟，则单个波形的周期约为0.857s，假设心电信号采集器的采样率是360Hz，则单个波形的采样点约为308个；由于波形测量开始阶段不能保证第一个波形为完整的单波波形，假设取k等于2/3，即单波采样点大小的2/3 为窗口大小，因此窗口大小约为200；

峰值点到下坡开始第一个点的高度差和斜率，采用比较的参考阈值中高度h_downslope是通过R-S高度进行推算，斜率k_doenslope是通过R-S斜率进行推算；

步骤b：自适应改变阈值

在确定R点高度参考阈值，需要根据心电波形的变化对参考阈值进行自适应的改变。R波的高度自适应改变的公式

h_R'＝0.7*h_R+0.3*|data[R_temp[RWave _count-1]]

式中，h_R'表示自适应改变的高度阈值，h_R表示当前的R波高度，数组R_temp表示存放R波位置的临时列表，RWave_count表示存放R波位置临时表中R波的数量，R_temp[RWave_count-1]则表示上一个R波位置，数据data表示心电信号数据， 则表示上一个R点的高度；

步骤c：判断是否为R点

在单窗口中对心电波形R点判断，首先从坡地开始遍历心电信号数据，判断当前是否处于爬坡过程。当开始出现下坡过程时，需要判断峰值点到下坡开始第一个点的高度差和斜率是否大于参考阈值高度h_downslope和斜率k_doenslope，若大于参考阈值，则可判断当前峰值点为R点并存储到R点临时列表中，若小于参考阈值需要继续遍历。

步骤d:去除干扰波形

对于R点临时表中的数据需要进一步的筛选去除干扰波形。将峰值高度和坡地到峰值的斜率分别与其R点高度和坡地到R点斜率的参考阈值相比较，若满足则判定为R点，若不满足则为干扰波形。

心电变异性分析具体包括时域分析方法中的NN间期直方图和非线性分析方法中的Lorenz散点图；

NN间期直方图是在一定时间内统计出的NN间期的分布图，横坐标以一定的采样间隔划分，统计不同的NN间期的心搏个数。NN间期直方图的横坐标是NN间期的长度，单位为ms，纵坐标是心搏个数。NN间期直方图的形状与使用的采样间隔有关，一般采用1/128s作为横坐标采样的间隔标准；

Lorenz散点图，也就是RR间期散点图，主要用来反映相邻RR间期的变化，在二维的 直角坐标系中标记相邻RR间期数据位置的点图。

本发明的有益效果：1、可穿戴式的心电采集使用实验室自主研发的心电采集设备，电极位置采用V5单导联的电极位置采集，利用了非粘性织物电极，选择可穿戴心电背心作为穿戴介质，即可满足简单的临床医学上的监控作用，并且采集形式更加舒适便捷。

2、鉴于心血管疾病的突发性，相对传统回顾性心电图或动态心电图的被动检查医疗方式，可穿戴心电健康检测能够实时的采集，若用户感觉不适，可及时的将采集的心电数据发送给医生，进行实时的诊断分析。

3、社交网络能够增强用户之间的信息交流，同时提高对可穿戴产品的使用率，使心电健康与用户的关联性越来越高。

4、本平台可实时采集心电数据，及时地得到医生的诊断反馈，降低了病发的危险性，

从而起到好的预警效果。

附图说明

图1为本发明的架构示意图；

图2为心电数据接收端的数据流程图；

图3为心电数据预分析系统的数据流图；

图4为心电数据预分析的处理软件界面；

图5为心电数据诊断及反馈的流程图；

图6为可穿戴心电采集系统的结构示意图；

图7为心电数据采集的历史记录；

图8为心电波形显示；

图9为医生分析诊断端的诊断界面；

图10为心电数据Coif4小波分解；

图11为采用MIT心律失常数据库中104号和105号部分心电波形图；

图12为采用MIT心律失常数据库中100号、103号、113号和115号的NN间期直方图；

图13为选取MIT心律失常数据库中100号、103号、113号和115号的Lorenz散点图；

图14为心电信号处理器控制电路电路方框图；

图15为内置电源模块的MCU嵌入式平台的电路图；

图16为AD转换模块的电路图；

图17为低通滤波及放大电路的电路图；

图18为50HZ带通滤波电路的电路图；

图19为LCD显示模块的电路图；

图20为蓝牙模块的电路图；

图21为存储模块的电路图。

图中，1、上衣，2、电极，3、心电信号采集线，4、心电采集设备，5、放置袋。

具体实施方式

下面结合附图对本发明的一种具体实施方式做出说明。

一种基于社交网络的可穿戴心电健康交互平台，包括可穿戴心电采集系统、心电数据接收端、医生分析诊断端、心电数据预处理系统和社交网络，可穿戴心电采集系统和心电数据传输系统通讯连接，心电数据接收端、医生分析诊断端、心电数据预处理系统通过社交网络连接。

心电数据接收端为患者手机，患者手机安装手机客户端，医生分析诊断端为医生手机，医生手机安装医生手机客户端，社交网络为QQ或微信，可穿戴心电采集系统和客心电数据接收端采用蓝牙传输方式进行通讯连接将心电数据传输到客户手机的手机客户端，心电数据接收端通过社交网络与心电数据预处理系统连接将心电数据传送到群组中，心电数据预处理系统对心电数据进行预处理和分析，心电数据预处理系统通过社交网络与医生分析诊断端连接将优化完成的心电数据传输给医生分析诊断端，医生分析诊断端用于医生查看心电波形进行分析，医生分析诊断端并通过短信或电话的形式与心电数据接收端通讯连接及时的将诊断结果及建议反馈给持有心电数据接收端的患者。

可穿戴心电采集系统包括上衣、电极、心电信号采集线和和心电采集设备，其特征在于上衣包括前片和后片，电极为非粘性织物电极，非粘性织物电极为3个，非粘性织物电极采用V5导联位置，非粘性织物电极通过可拆卸连接结构设置在前片上，心电信号采集线为3条，3个电极通过3条心电信号采集线经集线管与心电采集设备连接，前片设置放置袋，心电采集设备放置在放置袋内，心电采集设备设置蓝牙传输端口。

上衣分为男款上衣和女款上衣，上衣为背心、短袖T恤、长袖T恤或衬衫，上衣具有多种规格，非粘性织物电极采用覆盖有银层的织物，非粘性织物电极长为3-7厘米，非粘性织物电极宽为3-7厘米，放置袋内设置引出口，3条心电信号采集线经集线管和引出口 与设置在放置袋内心电采集设备连接，可拆卸连接结构为粘扣、纽扣或按扣。

一种基于社交网络的可穿戴心电健康交互平台的实现方法，具体步骤如下：

步骤1：患者通过应用可穿戴心电采集系统进行采集心电数据；

步骤2：将可穿戴心电采集系统采集到的心电数据传输到手机客户端，保存心电数据并显示心电波形图，手机客户端通过社交软件传送到群组中，由群组管理员使用数据预处理系统对心电数据进行预处理和分析，对心电数据进行优化处理，然后将优化完成的心电数据通过社交软件传输给医生；

步骤3：医生接收到预分析处理后的心电数据，使用医生手机客户端查看心电波形进行分析，并通过短信或电话的形式及时的将诊断结果及建议反馈给患者。

步骤2中对心电数据进行预处理的过程如下：将数据分类存储，用数字滤波滤除工

频干扰，用滑动平均滤波法滤除基线漂移，用低通滤波器滤除高频噪声，用小波变

换法去除肌电干扰，得到滤波后数据；

对心电数据进行预分析的过程如下：完成滤波的数据通过基于差分斜率算法检测出R波，并进行心率变异性分析，将处理完的数据在自定义的控件显示出来，并标记处R点、标记QRS点、计算参数等。

对心电数据进行优化处理过程如下：对患者采集的心电数据进行筛选，保存质量较好的波形，减少一些波形质量不好的心电数据在医患间的传输，在患者和医生之间作为协调中枢，最终将波形质量较好的数据同样通过社交软件发送到医生端。

步骤3中医生接收到预分析处理优化后的心电数据，使用医生手机客户端查看心电波形进行分析，并通过短信或电话的形式及时的将诊断结果及建议反馈给患者的过程如下：医生使用QQ或微信等社交软件，接收到患者直接发送或管理员筛选测量波形质量比较好的心电数据，在社交软件中打开原文件，选择心电数据文件关联到心电数据分析诊断手机客户端应用，查看描绘出的心电波形，心电图以标准的心电图纸网格为背景，结合心率以及其他信息，医生可分析出实际的心电波形变化，将诊断结果通过短信或电话方式及时发送给患者。

用小波变换法去除肌电干扰具体包括：

步骤A:选取小波基函数

不同的小波基函数各有特点，能够反映信号的不同特性。对于同一个信号去噪，采用不同的小波基函数，会得到不同的小波系数；综合考虑多种小波函数，选取Coif4小波 函数，Coif4小波函数既有正交性又具有双正交性，也表现出良好的频域局部性，适合于对具有较好连续性的心电信号去噪；

步骤B:选择小波分解尺度

设信号y(t)经采样频率为f采用后的离散序列为y(n)(n＝0,1,…N-1)，由采样定理可知y(n)包含频率成分的范围在[0,f/2]，经过一次小波分解后得到1尺度下的低频分量和高频分量分别为[0,f/4]和[f/4,f]，以此类推得到j尺度下的低频分量和高频分量分别为[0,f/2j+1]和[f/2j+1,f]，分解的尺度j的定义公式如下

式中，fnoise＝inf min{fnoise1,fnoise2,…fnoisek}表示原始信号所含所有噪声中频率最低的噪声的下限频率，其中fnoise1,fnoise2,…fnoisek表示k种不同类型噪声的频率，N表示信号的长度，可见小波分解的尺度j由采样频率，噪声频率以及信号长度决定；原始的心电信号中基线漂移的频率最低，一般低于1Hz，；需要让分解信号后某一尺度的分信号频率能够达到该频带；中心电信号的采样频率是250Hz，心电信号经过小波分解后不同的噪声能量分布到了不同的频率区间，在此不同的区间上设置合适的阈值函数可将噪声滤除或抑制；

步骤C:选取阈值函数

在心电信号的小波去噪中采用一种折衷的阈值函数

式中，α的取值介于0和1之间，本文取0.5；式中不同的分层中利用不同尺度的小波系数形成不同的处理方式。本文中考虑到心电信号的非平稳性，阈值λ采用自适应阈值，阈值公式为：

其中N为采用点数，j为小波分解尺度，σ为噪声的强度估计，其计算方法是取小波系数在各尺度下绝对值的中值，然后除以常数0.6745，公式如下：

R波检测的具体包括：

步骤a、确定参考阈值

窗口大小的阈值根据心率和采样率进行推算，公式如下

式中，HR表示心率，SR表示采样率，d表示窗口大小，k为系数；正常成年人的心率大约59-80次/分钟，比如取平均心率为70次/分钟，则单个波形的周期约为0.857s，假设心电信号采集器的采样率是360Hz，则单个波形的采样点约为308个；由于波形测量开始阶段不能保证第一个波形为完整的单波波形，假设取k等于2/3，也就是单波采样点大小的2/3为窗口大小，因此窗口大小约为200；

峰值点到下坡开始第一个点的高度差和斜率，采用比较的参考阈值中高度h_downslope是通过R-S高度进行推算，斜率k_doenslope是通过R-S斜率进行推算。由于个体心电波形的差异性，QRS波中的R-S高度和R-S斜率没有固定的参考阈值，本发明采用了两种方法，一种是在初始时确定心电采集器的前几个周期数据中最大值，作为R点高度的参考阈值，其次从该R点向后寻找S点，从而推出R-S高度和R-S斜率；另外一种是加入的人为参与，对同一种心电采集器的心电信号数据进行人为参与地直接测量，直接给出该心电采集器的心电波形中R-S高度和R-S斜率参考阈值，在心电波形中进行选择特征点R和特征点S，直接得出R-S高度和R-S斜率，对心电信号数据进行再次识别R点；

步骤b：自适应改变阈值

在确定R点高度参考阈值，需要根据心电波形的变化对参考阈值进行自适应的改变。R波的高度自适应改变的公式

h_R'＝0.7*h_R+0.3*|data[R_temp[RWave _count-1]]

式中，h_R'表示自适应改变的高度阈值，h_R表示当前的R波高度，数组R_temp表示存放R波位置的临时列表，RWave_count表示存放R波位置临时表中R波的数量，R_temp[RWave_count-1]则表示上一个R波位置，数据data表示心电信号数据， 则表示上一个R点的高度；

步骤c：判断是否为R点

在单窗口中对心电波形R点判断，首先从坡地开始遍历心电信号数据，判断当前是否处于爬坡过程。当开始出现下坡过程时，需要判断峰值点到下坡开始第一个点的高度差和斜率是否大于参考阈值高度h_downslope和斜率k_doenslope，若大于参考阈值，则可判断当前峰值点为R点并存储到R点临时列表中，若小于参考阈值需要继续遍历。

步骤d:去除干扰波形

对于R点临时表中的数据需要进一步的筛选去除干扰波形。将峰值高度和坡地到峰值的斜率分别与其R点高度和坡地到R点斜率的参考阈值相比较，若满足则判定为R点，若不满足则为干扰波形。

心电变异性分析具体包括时域分析方法中的NN间期直方图和非线性分析方法中的Lorenz散点图；

NN间期直方图是在一定时间内统计出的NN间期的分布图，横坐标以一定的采样间隔划分，统计不同的NN间期的心搏个数。NN间期直方图的横坐标是NN间期的长度，单位为ms，纵坐标是心搏个数；NN间期直方图的形状与使用的采样间隔有关，一般采用1/128s作为横坐标采样的间隔标准；

Lorenz散点图，也就是RR间期散点图，主要用来反映相邻RR间期的变化，在二维的直角坐标系中标记相邻RR间期数据位置的点图。

以下结合附图对本发明实施例做进一步详述。

图1为本发明的架构示意图，患者通过可穿戴心电采集系统进行采集心电数据，通过蓝牙传输到心电数据接收端，保存心电数据并显示心电波形图，心电数据接收客户端为患者手机，患者手机安装手机客户端，患者手机的手机客户端通过社交软件比如微信、QQ等传送到群组中，由管理员负责使用心电数据预处理系统对于心电数据进行预分析处理，然后将优化完成的数据通过社交软件传输给医生分析诊断端；医生分析诊断端为医生手机或电脑，医生接收到数据，使用医生手机客户端查看心电波形进行分析，并通过短信或电话的形式及时的将诊断结果及建议反馈给患者，形成完整的基于社交网络的心电健康交互系统。

图6为可穿戴心电采集系统的结构示意图，可穿戴心电采集系统包括上衣1、电极2、心电信号采集线3和和心电采集设备4，其特征在于上衣1包括前片和后片，电极为非粘性织物电极，非粘性织物电极为3个，非粘性织物电极采用V5导联位置，应用的电极数 目少，舒适度提高，V5导联信号比较强，波形特征清晰R波突出便于识别，非粘性织物电极通过可拆卸连接结构设置在前片上，采用拆卸连接结构，但上衣1弄脏或损害时，可以应用于其他上衣1，增加利用率，心电信号采集线为3条，3个电极通过3条心电信号采集线经集线管与心电采集设备连接，前片设置放置袋5，心电采集设备放置在放置袋5内，心电采集设备设置传输端口。

上衣1分为男款上衣1和女款上衣1，上衣1的款式多种多样，上衣1可以是背心、短袖T恤、长袖T恤或衬衫，可满足个人不同喜好，上衣1具有规格，可根据个人的身高和体重进行选择。非粘性织物电极采用覆盖有银层的织物，看到镀银织物材料有较好的传导能力、自身阻抗较低、对皮肤刺激小、皮肤湿度对电极与皮肤之间的阻抗影响较小、感觉舒适，非粘性织物电极长为3-7厘米，非粘性织物电极宽为3-7厘米。非粘性织物电极规格为长5cm,宽5cm，经测试此规格织物电极效果较好，既不会太大影响电位差又能使皮肤与电极的充分接触，3条心电信号采集线经集线管和引出口与设置在放置袋5内心电采集设备4连接，更加整洁，方便穿戴

可拆卸连接结构为粘扣、纽扣或按扣，可以应用于其他上衣，个别非粘性织物电极损坏时，只需更换一个不需整体更换。传输端口为蓝牙串行端口或USB接口，输出数据方便快速。

图14至图21，心电采集设备4包括机壳和设置在机壳内部的心电信号处理器控制电路，心电采集设备4的外壳上设有LCD显示屏和控制按键，控制按键包括取消按键和电源开关按键，心电信号处理器控制电路包括心电信号去噪模块、AD转换模块、内置电源模块的MCU嵌入式平台、蓝牙传输模块、存储模块、LCD显示模块和按键模块；心电信号去噪模块与电极接口相连接，心电信号去噪模块的输出端与AD转换模块的输入端相连接，AD转换模块的输出端与内置电源模块的MCU嵌入式平台的输入端相连接，内置电源模块的MCU嵌入式平台的输出端与蓝牙传输模块相连接用于将采集的心电信号传输给上位机；内置电源模块的MCU嵌入式平台还与存储模块、LCD显示模块以及按键模块相连接实现相应的存储、显示及按键功能。

心电信号去噪模块包括依次连接的前置放大电路、低通滤波和带通滤波电路；前置放大电路与织物电极接口相连接，带通滤波电路的输出端与AD转换模块相连接。AD转换模块包括依次连接的放大器和AD转换器，放大器的输入端与带通滤波电路的输出端相连接，AD转换输出端与内置电源模块的MCU嵌入式平台的输入端相连接。带通滤波电路优 选为50HZ带通滤波电路。

与已有可穿戴心电采集设备相比，设计更加合理，舒适度好，电极位置采用V5单导联的电极位置采集，利用了非粘性织物电极，选择可穿戴心电背心作为穿戴介质，即可满足简单的临床医学上的监控作用，并且采集形式更加舒适便捷。

图2为心电数据接收的端流程图，可穿戴心电采集系统与心电数据接收端之间采用蓝牙协议进行传输，手机客户端应用开发是基于Android4.4目标版本的SDK上实现，最低版本支持Android2.3.3版本，手机蓝牙与可穿戴心电采集系统的蓝牙传输端口匹配成功后，手机端通过Android中Bluetooth Socket类处理数据流收并存储到手机SD卡文件，格式设为文本文件；将心电数据解包后，由于心电信号中基线漂移较重，信号里有高频噪声、肌电干扰、电极接触噪声等，通过用数字滤波滤除工频干扰，用滑动平均滤波法滤除基线漂移，用低通滤波器滤除高频噪声，用小波变换法去除肌电干扰；完成滤波的数据通过基于差分斜率算法检测出R波，进而推算出心率；将处理完的数据在自定义的控件显示出来，并标记处R点，最终通过社交软件传送到后台服务器端。

心电数据预分析系统设是在患者和医生之间作为协调中枢，对患者采集的心电数据进行筛选，减少一些波形质量不好的心电数据在医患间的传输。具体的数据流图如图3，管理员将接收到的心电数据通过心电数据管理及预分析系统如图4，将数据分类存储，对数据滤波、R点检测等处理后进行手动分析，主要包括删除噪声影响过大的数据，标记QRS点，计算参数等，最终将波形质量较好的数据同样通过社交软件发送到医生端。

图5为心电数据诊断及反馈的流程图，医生使用QQ或微信等社交软件，接收到患者直接发送或管理员筛选测量波形质量比较好的心电数据。在社交软件中打开原文件，选择心电数据文件关联到本发明中心电数据分析诊断手机客户端应用，查看描绘出的心电波形。心电图以标准的心电图纸网格为背景，结合心率以及其他信息，医生可分析出实际的心电波形变化，将诊断结果通过短信或电话方式及时发送给患者。

可拆卸连接结构为粘扣、纽扣或按扣。传输端口为蓝牙串行端口或USB接口。

采集者第一次使用心电接收及查看手机客户，需要填写个人信息。填写的内容主要包括姓名、性别、年龄、电话和病史等基本信息。填写完成后，进行采集心电数据，点击搜索蓝牙设备，匹配到心电采集设备，连接成功后开始传输数据，传输完成显示出心电波形。采集到的心电数据都可以在历史记录功能模块进行查看，图7。读取的存储心电 数据文件夹，以实际的采集时间进行排序显示，并有删除功能。

图8为心电波形的显示，选择了信号发生器生成的标准心电波形和三个测试者的波形，从图中可以看出测试者的波形略受到干扰，波形基本正常，医生完全可以用其作为诊断的依据。

图9为医生分析诊断端的诊断界面，医生通过QQ接收到数据，打开原文件，使用用其他应用打开，选择本发明的心电数据分析诊断手机客户端应用--ECG_Doctor，进行查看心电数据。选择用户信息可查看采集者的姓名、电话、采集时间和病史等信息。根据病史和心电波形的分析进行诊断，将诊断结果通过短信形式发送到用户的手机，亦可通过电话进行联系。

用小波变换法去除肌电干扰具体包括：

步骤A:选取小波基函数

不同的小波基函数各有特点，能够反映信号的不同特性。对于同一个信号去噪，采用不同的小波基函数，会得到不同的小波系数。综合考虑多种小波函数，小波函数Coif4既有正交性又具有双正交性，也表现出良好的频域局部性，适合于对具有较好连续性的心电信号去噪；

小波基函数选择主要有5个原则：正则性，决定信号重构后的平滑效果,进而影响频域的分辨率；对称性，关系小波滤波是否具有相位移动；紧支性和衰减性，保证优良的时频局域特性，利于算法实现；消失矩，与有效检测奇异点有关；正交性：有利于数据精确重构^[35]。同时选取小波基函数需要结合待处理信号的特点进行考虑。心电信号频带较宽，干扰信号和正常信号有可能发生重叠，去噪时需要尽可能将二者分离。因此选择的小波基函数需要具有正则性，保证频域分辨率；同时心电信号去噪实时性和相位方面要求不高，不需要考虑支撑长度和对称性。综合考虑多种小波函数，Coif4既有正交性又具有双正交性，也表现出良好的频域局部性，适合于对具有较好连续性的心电信号去噪。

步骤B:选择小波分解尺度

设信号y(t)经采样频率为f采用后的离散序列为y(n)(n＝0,1,…N-1)，由采样定理可知y(n)包含频率成分的范围在[0,f/2]，经过一次小波分解后得到1尺度下的低频分量和高频分量分别为[0,f/4]和[f/4,f]，以此类推得到j尺度下的低频分量和高频分量分别为[0,f/2j+1]和[f/2j+1,f]，分解的尺度j的定义公式如下

式中，fnoise＝inf min{fnoise1,fnoise2,…fnoisek}表示原始信号所含所有噪声中频率最低的噪声的下限频率，其中fnoise1,fnoise2,…fnoisek表示k种不同类型噪声的频率，N表示信号的长度，可见小波分解的尺度j由采样频率，噪声频率以及信号长度决定。原始的心电信号中基线漂移的频率最低，一般低于1Hz，所以需要让分解信号后某一尺度的分信号频率能够达到该频带。本发明中心电信号的采样频率是250Hz，心电信号经过小波分解后不同的噪声能量分布到了不同的频率区间，在此不同的区间上设置合适的阈值函数可将噪声滤除或抑制；

假设心电信号的采样频率是250Hz，根据小波去噪原理，通过7层小波分解可以满足心电信号去噪的基本要求，图10为心电信号的Coif4小波分解图。

表1分解后每一层的频率及噪声分布

表1为分解后每一层的频率及噪声分布，将原始心电信号经过7层小波分解后，得到各个尺度下低频分量和高频分量的信号，由于心电信号中引起基线漂移的信号频率不到1Hz，与A7的频率范围接近，则可认为A7中包含了基线漂移的信息，同理工频干扰的频率为50Hz，全部分布在D2，肌电干扰频率范围是5Hz-2000Hz，它完全分布在D1到D5的5个高频分量上，同时其信号主要集中在D1和D2的频率范围。可见心电信号经过小波分解后不同的噪声能量分布到了不同的频率区间，在此不同的区间上设置合适的阈值函数可将噪声滤除或抑制。

步骤C:选取阈值函数

在心电信号的小波去噪中采用一种折衷的阈值函数

其中α的取值介于0和1之间，本文取0.5。上式中不同的分层中利用不同尺度的小波系数形成不同的处理方式。

考虑到心电信号的非平稳性，阈值λ采用自适应阈值，阈值公式为：

其中N为采用点数，j为小波分解尺度，σ为噪声的强度估计，其计算方法是取小波系数在各尺度下绝对值的中值，然后除以常数0.6745，公式如下：

R波检测的具体包括：

步骤a、确定参考阈值

窗口大小的阈值根据心率和采样率进行推算，公式如下

式中，HR表示心率，SR表示采样率，d表示窗口大小，k为系数。正常成年人的心率大约59-80次/分钟，比如取平均心率为70次/分钟，则单个波形的周期约为0.857s，假设心电信号采集器的采样率是360Hz，则单个波形的采样点约为308个。由于波形测量开始阶段不能保证第一个波形为完整的单波波形，假设取k等于2/3，也就是单波采样点大小的2/3为窗口大小，因此窗口大小约为200；

峰值点到下坡开始第一个点的高度差和斜率，采用比较的参考阈值中高度h_downslope是通过R-S高度进行推算，斜率k_doenslope是通过R-S斜率进行推算。由于个体心电波形的差异性，QRS波中的R-S高度和R-S斜率没有固定的参考阈值，本发明采用了两种方法，一种是在初始时确定心电采集器的前几个周期数据中最大值，作为R点高度的参考阈值，其次从该R点向后寻找S点，从而推出R-S高度和R-S斜率；另外一种是加入的人为参与，对同一种心电采集器的心电信号数据进行人为参与地直接测量，直接给出该心电采集器的心电 波形中R-S高度和R-S斜率参考阈值，在心电波形中进行选择特征点R和特征点S，直接得出R-S高度和R-S斜率，对心电信号数据进行再次识别R点；

表2采用MIT-BIH中数据对窗口阈值算法的R波检测方法进行测试数据。

表2为采用MIT-BIH中数据对窗口阈值算法的R波检测方法进行测试数据，表中标准列表示MIT数据中已标记出正确的R点个数，自测列表示采用基于窗口阈值算法识别出的R点个数，正确列表示基于窗口阈值算法识别出的R点和已标出正确R点位置相同，未识别列表示没有识别出的标准R点位置，误判列表示判断错误的R点位置，正确率列表示识别R波的正确率。在采用基于窗口阈值算法识别R点中，编号100、101、103、111、112、113、115正确识别率达到99％，编号102、107、109、114正确识别率到达98％。编号104、105、106、108数据R点识别正确率相对较低，主要是由于噪声干扰和校验使用标记R点标准数据中存在其他特征点的影响。对于未识别出的R点，主要是噪声干扰和非R点的特殊点的影响。

图11为采用MIT心律失常数据库中104号和105号部分心电波形图，圆点标记点表示自动识别的R波位置，方框是MIT数据中标记出的点，但使用该算法并未识别出来。其中(a)为104号部分心电波型图，部分心电波形形明显受到噪声干扰，从而影响识别R点的判断，这样的波形受到噪声干扰太大，通常也不能作为临床分析。图(b)为105号部分心电波形图，图中方框标记的并非R波，同样也造成了R波的未识别。因此，排除噪声干扰和校验使用标记R点标准数据中存在其他特征点的影响，表明基于窗口阈值算法的R波检测具有较高的识别正确率，有实际应用的价值。

步骤b：自适应改变阈值

在确定R点高度参考阈值，需要根据心电波形的变化对参考阈值进行自适应的改变。R波的高度自适应改变的公式

h_R'＝0.7*h_R+0.3*|data[R_temp[RWave _count-1]]

式中，h_R'表示自适应改变的高度阈值，h_R表示当前的R波高度，数组R_temp表示存放R波位置的临时列表，RWave_count表示存放R波位置临时表中R波的数量，R_temp[RWave_count-1]则表示上一个R波位置，数据data表示心电信号数据， 则表示上一个R点的高度；

步骤c：判断是否为R点

在单窗口中对心电波形R点判断，首先从坡地开始遍历心电信号数据，判断当前是否处于爬坡过程。当开始出现下坡过程时，需要判断峰值点到下坡开始第一个点的高度差和斜率是否大于参考阈值高度h_downslope和斜率k_doenslope，若大于参考阈值，则可判断当前峰值点为R点并存储到R点临时列表中，若小于参考阈值需要继续遍历。

步骤d、去除干扰波形

对于R点临时表中的数据需要进一步的筛选去除干扰波形。将峰值高度和坡地到峰值的斜率分别与其R点高度和坡地到R点斜率的参考阈值相比较，若满足则判定为R点，若不满足则为干扰波形。

心电变异性分析具体包括时域分析方法中的NN间期直方图和非线性分析方法中的Lorenz散点图；

NN间期直方图是在一定时间内统计出的NN间期的分布图，横坐标以一定的采样间隔划分，统计不同的NN间期的心搏个数；NN间期直方图的横坐标是NN间期的长度，单位为ms，纵坐标是心搏个数，NN间期直方图的形状与使用的采样间隔有关，一般采用1/128s作为横坐标采样的间隔标准；

NN间期直方图一般用来识别自重神经是否受损，正常人由于昼夜平均心率的差异较大，NN间期直方图常常表现为多峰形状，整个直方图的形状矮而胖，NN间期的数值分布较广，相应的心率变异率大。而自主神经受损的病人NN间期直方图多呈单峰形状，直方图窄而高，NN间期的变化很小，心率变异率小，图12为为采用MIT心律失常数据库中100号、103号、113号和115号的NN间期直方图，其中(a)为100号的NN间期直方图，(b) 为103号的NN间期直方图,(c)为113号的NN间期直方图,(d)为115号的NN间期直方图。

Lorenz散点图，也就是RR间期散点图，主要用来反映相邻RR间期的变化，在二维的直角坐标系中标记相邻RR间期数据位置的点图。

根据Lorenz散点图的大小及形状可以估计HRV的大小及心率变化的规律。按照RR间期长度差异，一般可分为彗星状、鱼雷状、短棒状、扇状和复杂形五种图形。彗星状形态头小尾大(头端指向零点坐标)，散点大多集中在斜率为1的直线附近，表明正常人相邻的RR间期大致相等，围着斜率为1的直线散开，反映有窦性心律不齐现象。鱼雷状短小呈头端略大，尾端不增宽，表明了交感神经活性较强而迷走神经活性所占比例较少。短棒状形态短小，呈头尾一致短棒状，表明交感神经和迷走神经张力都降低，HRV小。扇状形态如扇形，表明了心率缓慢是，快速变化仍增大。复杂性散点图呈多簇分散，形态互异的点区域构成了复杂状的图形，图13为选取MIT心律失常数据库中100号、103号、113号和115号的Lorenz散点图,其中(a)为100号的Lorenz散点图，(b)为103号的Lorenz散点图,(c)为113号的Lorenz散点图,(d)为115号的Lorenz散点图。

正常人RR间期的散点图呈彗星状，若散点图呈鱼雷状、短棒状、扇形等表明HRV明显降低，临床表现为急性心肌梗塞、甲状腺功能亢进。

以上对本发明的一个实例进行了详细说明，但所述内容仅为本发明的较佳实施例，不能被认为用于限定本发明的实施范围。凡依本发明申请范围所作的均等变化与改进等，均应仍归属于本发明的专利涵盖范围之内。