CN104434064A - 一种心率和呼吸率信号处理与跟踪方法及其系统 - Google Patents

Abstract

本发明公开了一种心率和呼吸率信号处理与跟踪方法，包括：信号处理步骤用于通过加速度传感器采集的心率与呼吸率加速度原始信号，采用小波方法去除噪声信号，获取心率与呼吸率的去噪信号；信号分离步骤为基于心率与呼吸率去噪信号，采用信号平滑方法，获取呼吸率信号后，采用信号模型在心率与呼吸率去噪信号中实时去除呼吸率信号，获取心率信号；信号跟踪估算步骤用于跟踪呼吸率信号和心率信号，在设定时间段内获取瞬时呼吸率信号和瞬时心率信号，并在信号缺失的情况下，进行信号预测。

Description

一种心率和呼吸率信号处理与跟踪方法及其系统

技术领域

本发明涉及信号处理领域，特别涉及一种心率和呼吸率信号处理与跟踪方法及其系统。

背景技术

心率(heart rate)对衡量人的心脏健康程度有相当重要的意义，它是指单位时间内心脏搏动的次数，是临床常规诊断的生理参数。通常测量的是静息心率，是指人在清醒不活动的情况下每分钟的心跳次数。静息心率的升高会导致人的寿命的缩短。流行病学上已经证明静息心率升高会增加死亡率，这对于心血管疾病患者尤其明显。近年来，越来越多的医学研究结果证明，静息心率加快可增加心血管疾病的发病率和死亡率，从而对健康造成严重危害。

Marie Therese Cooney的研究发现对于男性来说，平均心率大于90beats/min的个体的心脏病患病风险是平均心率小于60beats/min的个体的两倍，对于女性来说，这个值是三倍。E.Kristal-Boneh研究发现静息心率增加还可以加速新陈代谢，同时伴随有害自由基的产生量增加，损伤血管内皮，加速动脉硬化的发生。因此控制心率是防治多种疾病，尤其是心血管疾病的重要方法。

近几十年来，国民经济迅速发展，人民生活水平不断提高，与此同时，因心血管疾病导致的死亡率逐年升高，尤其是自2001年我国进入老龄化社会以来，截止到2013年底，我国65岁以上老年人口数量已超过总人口的10％。大多数老年人受到糖尿病、心脑血管疾病等全球性“杀手级”慢性疾病的困扰，严重威胁老年人的生命安全，因此需要便携式、低成本的信息技术产品为老年人排忧解难。

现有心率及呼吸率信号测量原理：心脏在收缩时，心尖撞击心前区胸壁，使相应部位肋间组织向外搏动，称为心尖搏动。心尖搏动一般位于第5肋间左锁骨中线内0.5～1.0cm处，距正中线约7.0～9.0cm，搏动范围直径约2.0～2.5cm，如图1中所示A，B位置。人躺着、坐着或站立，通过将穿戴式设备(如使加速度传感器位于A位置的胸罩或胸带)捕捉到这种振动，采样频率取100Hz左右(视能耗情况而定)。实际测量中，也可以用带有加速度传感器的手机放置于B位置，人躺着，手机的采样频率为25Hz左右(视手机CPU主频不同有较大差异，一般在15～25Hz之间)，也能感受得到搏动信号。

智能手机的普及率很高，全球智能手机用户数超过7亿，并且智能手机一般都支持多种高精度传感器，例如加速度传感器能捕捉到加速度的细微变化，光学传感器能捕捉到由于血液循环而造成的人体表皮颜色的细微变化，GPS能够比较精确地测量海拔高度等等。目前，大多数测量心率方法运用原理是PPG(光电容积脉搏波描记法)，即利用心脏收缩和舒张时，局部血液容量变化导致的透射光或者反射光的脉搏性变化。具体的便携式设备实现形式有两类，一类利用反射光的衰减变化的，例如基于摄像头的心率监测方法，第二类利用透射光的衰减变化，例如基于发射-接收光传感的指夹脉搏血氧仪器心率监测方法。心率的获取途径仍有突破空间，目前提到的检测方法和设备形式都涉及到生物传感器，或者价格稍贵的手机摄像头，虽然能够得到理想的结果，但是成本较高无法大量进入到平常百姓家庭；另一方法面，部分穿戴式设备的存在感较强，便携性不好。

基于以上现有技术存在的问题，亟待研发一种新型的心率和呼吸率信号处理与跟踪方法及其系统。

发明内容

本发明的目的在于提供一种心率和呼吸率信号处理与跟踪方法及其系统，以解决现有技术中存在的心率与呼吸率信号处理及跟踪系统成本高，便携性差的问题。

为达上述目的，本发明提出了一种心率和呼吸率信号处理与跟踪方法，包括：

信号处理步骤：通过加速度传感器采集的心率与呼吸率加速度原始信号，采用小波方法去除噪声信号，获取心率与呼吸率的去噪信号；

信号分离步骤：基于所述心率与呼吸率去噪信号，采用信号平滑方法，获取呼吸率信号后，采用信号模型在所述心率与呼吸率去噪信号中实时去除所述呼吸率信号，获取心率信号；

信号跟踪估算步骤：跟踪所述呼吸率信号和所述心率信号，在设定时间段内获取瞬时呼吸率信号和瞬时心率信号。

上述心率和呼吸率信号处理与跟踪方法，所述方法还包括：

信号预测步骤：在采集的所述心率与呼吸率加速度原始信号缺失的情况下，采用基于相空间的预测方法，对一段区间内的心率信号进行预测。

上述心率和呼吸率信号处理与跟踪方法，所述信号模型为：S＝S_r+S_h+e，其中S为所述心率与呼吸率加速度原始信号，S_r、S_h分别为所述呼吸信号和所述心率信号，e为所述噪声信号。

上述心率和呼吸率信号处理与跟踪方法，所述信号处理步骤还包括：

小波分解步骤：对所述原始信号S通过小波分解方法分解为多层；

去噪步骤：采用全局法估计小波阈值参数，对所述原始信号S进行去噪处理。

上述心率和呼吸率信号处理与跟踪方法，所述小波阈值参数为W_j,k，通过公式表示为：

${\hat{W}}_{j,k}=\left\{\begin{array}{cc}\mathrm{sgn}\left(\right|W_{j,k}\left|\right)\left(\right|W_{j,k}|-\mathrm{\&lambda;}),& \left|W_{j,k}\right|\&GreaterEqual;\mathrm{\&lambda;}\\ 0& \left|W_{j,k}\right|<\mathrm{\&lambda;}\end{array}\right.$

其中所述λ为阈值，所述为噪音方差估计，所述λ和所述通过公式表示为：

$\mathrm{\&lambda;}=\widehat{\mathrm{\&sigma;}}\sqrt{2\ln N}$

$\widehat{\mathrm{\&sigma;}}=\frac{\mathrm{Median}\left(\right|d_1\left|\right)}{0.6745}$

其中，所述N为信号长度，所述d₁表示第一级小波分解高频子带系数。

上述心率和呼吸率信号处理与跟踪方法，所述信号分离步骤还包括：

呼吸率信号获取步骤：将所述去噪信号进行小波逆变换后，进行信号重构，再将信号进行均值平滑，得到所述呼吸信号S_r；

心率信号获取步骤：对所述去噪信号中的残差信号作小波变换，取多层重构得到所述心率信号S_h。

上述心率和呼吸率信号处理与跟踪方法，所述信号跟踪估算步骤还包括：

瞬时呼吸率信号获取步骤：跟踪一时间段内的呼吸率信号，检测所述呼吸率信号的峰值，计算所述瞬时呼吸率信号；

瞬时心率信号获取步骤：跟踪一时间段内的心率信号，计算每个预先设定时间间隔内的所述瞬时心率信号。

上述心率和呼吸率信号处理与跟踪方法，所述瞬时心率信号获取步骤还包括：

初始化步骤：选择初始同步位，开始进行所述心率信号的跟踪；

间期获取步骤：在所述心率信号的检测窗口内，设定一个扫描半径，如果在所述扫描半径范围内多个所述心率信号的点值中的一值大于所述扫描半径范围内所述心率信号点值的任意值，则所述心率信号的点值中的一值为局部极值，获取局部极值时间，根据两个所述时间段的所述局部极值时间的差值，计算间期；

判断步骤：若所述间期大于预设的阈值，则判断发生了心率缺失，则执行所述信号预测步骤；

心率序列计算步骤：基于第i个时间片内检测到n次的所述间期，计算心率序列h_i；

更新步骤：基于所述心率序列h_i获取自相关函数值，检测自相关函数周期，并更新半径r。

上述心率和呼吸率信号处理与跟踪方法，所述间期为RR，第k个所述RR的计算公式为：RR_k＝t_k-t_k-1，其中，所述t_k和t_k-1为局部极值时间，k为正整数。

上述心率和呼吸率信号处理与跟踪方法，所述心率序列h_i的计算公式为：

其中，所述k、所述i和所述n为正整数。

上述心率和呼吸率信号处理与跟踪方法，所述信号预测步骤还包括：

重构步骤：构造相空间的向量，在所述相空间中，计算所述相空间向量的多个近邻空间重构向量；

心率预测步骤：当大于阈值个时间片缺失时，计算所述心率预测信号值。

上述心率和呼吸率信号处理与跟踪方法，所述心率预测信号值h(T+1)的计算公式为：

$\hat{h}(T+1)=g\left(H\left(T\right)\right)=c_0+{\mathrm{\&Sigma;}}_{j=i}^m\left[c_{j}h(T-(j-1)\mathrm{\&tau;})\right]+e$

其中，T+1为时间片缺失个数，e为随机误差，c_j为待定系数，

其中，H(T)为所述相空间向量，H(T)表示为：

H(T)＝(h(T),h(T-τ),...,h(T-(m-1)τ))，

其中，所述相空间向量H(T)的k个近邻空间重构向量表示为：H(T₁),H(T₂),......,H(T_k)；

其中，h(T)为第T个时间片检测的心率信号值，τ为延迟时间，m为正整数，

其中，c为方程系数，所述c表示为：C＝(A^TA)^-1A^Ty，其中A为参数，所述A表示为： $A=\left[\begin{array}{ccccc}1& h\left(T_1\right)& h(T_1-\mathrm{\&tau;})& ...& h(T_1-(m-1)\mathrm{\&tau;}\\ 1& h\left(T_2\right)& h(T_2-\mathrm{\&tau;})& ...& h(T_2-(m-1)\mathrm{\&tau;}\\ .& .& .& .& .\\ .& .& .& .& .\\ .& .& .& .& .\\ 1& h\left(T_k\right)& h(T_k-\mathrm{\&tau;})& ...& h(T_3-(m-1)\mathrm{\&tau;}\end{array}\right],$

所述y为c的计算参数，所述y表示为：y＝(h(T₁+1),h(T₂+1),......,h(T_k+1))^T。

本发明还提供一种心率和呼吸率信号处理与跟踪系统，采用如所述心率和呼吸率信号处理与跟踪方法，包括：

信号处理模块：通过加速度传感器采集的心率与呼吸率加速度原始信号，采用小波方法去除噪声信号，获取心率与呼吸率的去噪信号；

信号分离模块：基于所述心率与呼吸率去噪信号，采用信号平滑方法，获取呼吸率信号后，采用信号模型在所述心率与呼吸率去噪信号中实时去除所述呼吸率信号，获取心率信号；

信号跟踪估算模块：跟踪所述呼吸率信号和所述心率信号，在设定时间段内获取瞬时呼吸率信号和瞬时心率信号。

上述心率和呼吸率信号处理与跟踪系统，所述系统还包括：

信号预测模块：在采集的所述心率与呼吸率加速度原始信号缺失的情况下，采用基于相空间的预测方法，对一段区间内的心率信号进行预测。

上述心率和呼吸率信号处理与跟踪系统，所述信号处理模块还包括：

小波分解模块：对所述原始信号S通过小波分解方法分解为多层；

去噪模块：采用全局法估计小波阈值参数，对所述原始信号S进行去噪处理。

上述心率和呼吸率信号处理与跟踪系统，所述信号分离模块还包括：

呼吸率信号获取模块：将所述去噪信号进行小波逆变换后，进行信号重构，再将信号进行均值平滑，得到所述呼吸信号S_r；

心率信号获取模块：对所述去噪信号中的残差信号作小波变换，取多层重构得到所述心率信号S_h。

上述心率和呼吸率信号处理与跟踪系统，所述信号跟踪估算模块还包括：

瞬时呼吸率信号获取模块：跟踪一时间段内的呼吸率信号，检测所述呼吸率信号的峰值，计算所述瞬时呼吸率信号；

瞬时心率信号获取模块：跟踪一时间段内的心率信号，计算每个预先设定时间间隔内的所述瞬时心率信号。

上述心率和呼吸率信号处理与跟踪系统，所述信号预测模块还包括：

重构模块：构造相空间的向量，在所述相空间中，计算所述相空间向量的多个近邻空间重构向量；

心率预测模块：当大于阈值个时间片缺失时，计算所述心率预测信号值。

相较于其他心率和呼吸率信号处理与跟踪方法及其系统，本发明提出的技术方案，具有以下优势：该发明能对基于加速度传感器获取的加速度信号进行处理，通过小波方法进行信号去除噪音信号，根据信号模型进行信号分离，估计心率和呼吸率信号，同时对于存在信号缺失和信号质量较差的情况，进行基于相空间的预测方法，做出本段区间的心率预测。与现有的心率测量技术相比，该发明运用了新型传感器，充分考虑了信号质量对心率预测的影响，实验证明，该方法合理有效，为心率测量提供了一条新的途径。

附图说明

图1为现有技术中心率测量原理图；

图2为本发明心率呼吸率混合原始信号图；

图3为本发明心率呼吸率测量跟踪方法步骤示意图；

图4是本发明方法实施例心率呼吸率测量跟踪方法步骤示意图；

图5为本发明心率呼吸率测量跟踪方法详细步骤示意图；

图6为本发明分离的呼吸信号图；

图7为本发明分离的心率信号图；

图8为本发明瞬时心率信号获取步骤示意图；

图9为本发明具体实施例心率跟踪估算步骤示意图；

图10为本发明具体实施例心率跟踪估算效果示意图；

图11为本发明具体实施例信号预测步骤示意图；

图12为本发明心率呼吸率测量跟踪系统结构示意图；

图13是本发明方法实施例心率呼吸率测量跟踪系统结构示意图。

其中，附图标记：

1信号处理模块                  2信号分离模块

3信号跟踪估算模块              4信号预测模块

S1～S4、S11～S42、S321～S325、S51～S55、S61～S64：本发明各实施例的施行步骤

具体实施方式

以下结合附图和具体实施例对本发明进行详细描述，但不作为对本发明的限定。

本发明涉及移动健康领域、可穿戴技术领域。该发明涉及数字信号处理技术、移动终端技术、传感器与生理参数感知技术，发明成果可应用医疗健康监护、日常健康监护。具体的说，发明成果适用于移动智能终端和可穿戴智能设备。

本发明的目的在于提供一种新的基于加速度传感器感知心尖搏动信号的心率和呼吸率(respiration rate)信号处理方法，设计了一种新的心率分离、提取、跟踪算法，该方法具有高效性和高可用性。

关键点1：基于加速度传感器获取心率和呼吸率的原理与方法；技术效果；新颖地利用加速度传感器，采集心尖搏动的幅度变化，捕捉心率和呼吸率信号。

关键点2：信号处理模型；技术效果：作为信号处理流程的重要指导，刻画加速度信号从输入到结果输出的数据流过程。

关键点3：心率呼吸率信号分离算法；技术效果：作为分离心率、呼吸率信号的重要处理方法，实时分离和估算心率。

关键点4：信号缺失情况下，心率预测算法；技术效果：在信号质量比较差，信号存在严重缺失的情况下，通过前一段时间的心率情况建立相空间预测模型，做出本段区间的心率预测。

如图2，测量的信号如下，该加速度信号中包含了呼吸的加速度信号。

根据信号的特点，人在静息时的呼吸频率约每分钟9～25次，即0.15～0.42Hz之间，而心率信号为0.75～1.5Hz。呼吸信号在观测信号中属于低频部分，心率信号和噪声都属于高频信号，由于呼吸信号的幅度在不断变化，心率信号幅度也因此发生幅值漂移。

如图3及图4所示，本发明提供的一种心率和呼吸率信号处理与跟踪方法，包括：

信号处理步骤S1：通过加速度传感器采集的心率与呼吸率加速度原始信号，采用小波方法去除噪声信号，获取心率与呼吸率的去噪信号；

信号分离步骤S2：基于心率与呼吸率去噪信号，采用信号平滑方法，获取呼吸率信号后，采用信号模型在心率与呼吸率去噪信号中实时去除呼吸率信号，获取心率信号；

信号跟踪估算步骤S3：跟踪呼吸率信号和心率信号，在设定时间段内获取瞬时呼吸率信号和瞬时心率信号；

信号预测步骤S4：在采集的心率与呼吸率加速度原始信号缺失的情况下，采用基于相空间的预测方法，对一段区间内的心率信号进行预测。

其中，信号模型如式(1)：

S＝S_r+S_h+e         (1)

其中：S表示心率与呼吸率原始信号；S_r、S_h分别表示呼吸信号、心率信号；е表示噪声信号。

其中，如图5所示，信号处理步骤S1还包括：

小波分解步骤S11：对原始信号S通过小波分解方法分解为多层；步骤S11中采用Mallat算法对信号S进行小波分解，选取平滑效果较好的sym8小波，分解层数为L层(L为经验值)。

去噪步骤S12：采用全局法估计小波阈值参数，对原始信号S进行去噪处理。

步骤S12中如式(2)和(3)，用全局法估计小波阈值参数。其中N为信号长度，为噪音方差估计，d₁表示第一级小波分解高频子带系数。如式(4)，用软阈值法对小波系数进行伸缩，其中w_j,k表示小波系数，λ表示阈值。

$\mathrm{\&lambda;}=\widehat{\mathrm{\&sigma;}}\sqrt{2\ln N}---\left(2\right)$

$\widehat{\mathrm{\&sigma;}}=\frac{\mathrm{Median}\left(\right|d_1\left|\right)}{0.6745}---\left(3\right)$

${\hat{W}}_{j,k}=\left\{\begin{array}{cc}\mathrm{sgn}\left(\right|W_{j,k}\left|\right)\left(\right|W_{j,k}|-\mathrm{\&lambda;}),& \left|W_{j,k}\right|\&GreaterEqual;\mathrm{\&lambda;}\\ 0& \left|W_{j,k}\right|<\mathrm{\&lambda;}\end{array}\right.---\left(4\right)$

其中，信号分离步骤S2还包括：

呼吸率信号获取步骤S21：将去噪信号进行小波逆变换后，进行信号重构，再将信号进行均值平滑，得到呼吸信号S_r；步骤S21中进行小波逆变换，信号重构，再将信号进行均值平滑，得到呼吸信号S_r，如图6所示。

心率信号获取步骤S22：对去噪信号中的残差信号作小波变换，取多层重构得到心率信号S_r。

其中，如图5所示，信号跟踪估算步骤S3还包括：

瞬时呼吸率信号获取步骤S31：跟踪一时间段内的呼吸率信号，检测呼吸率信号的峰值，计算瞬时呼吸率信号；步骤S31中取半径为r₁秒的邻域，检测峰值，计算瞬时呼吸率。

瞬时心率信号获取步骤S32：跟踪一时间段内的心率信号，计算每个预先设定时间间隔内的瞬时心率信号。步骤S32中对残差信号作小波变换，取1～K层重构得到的心率近似信号s_h，如图7所示。

其中，如图8所示，瞬时心率信号获取步骤S32还包括：

初始化步骤S321：选择初始同步位，开始进行心率信号的跟踪；

间期获取步骤S322：在心率信号的检测窗口内，设定一个扫描半径，如果在扫描半径范围内多个心率信号的点值中的一值大于扫描半径范围内心率信号点值的任意值，则所述心率信号的点值中的一值为局部极值，获取局部极值时间，根据两个时间段的局部极值时间的差值，计算间期；

判断步骤S323：若间期大于预设的阈值，则判断发生了心率缺失，则执行信号预测步骤；

心率序列计算步骤S324：基于第i个时间片内检测到n次的间期，计算心率序列h_i；

更新步骤S325：基于心率序列h_i获取自相关函数值，检测自相关函数周期，并更新半径r。

其中，间期为RR，第k个RR的计算公式为：RR_k＝t_k-t_k-1，其中，t_k和t_k-1为局部极值时间，k为正整数。

其中，心率序列h_i的计算公式为：

$h_i=\frac{60}{\mathrm{Median}\left({\mathrm{RR}}_k\right|1\&le;k\&le;n)},$ 其中，k、i和n为正整数。

其中，如图5所示，信号预测步骤S4还包括：

重构步骤S41：构造相空间的向量，在相空间中，计算相空间向量的多个近邻空间重构向量；

心率预测步骤S42：当大于阈值个时间片缺失时，计算心率预测信号值。

其中，心率预测信号值h(T+1)的计算公式为：

$\hat{h}(T+1)=g\left(H\left(T\right)\right)=c_0+{\mathrm{\&Sigma;}}_{j=i}^m\left[c_{j}h(T-(j-1)\mathrm{\&tau;})\right]+e$

其中，T+1为时间片缺失个数，e为随机误差，c_j为待定系数，

其中，H(T)为相空间向量，H(T)表示为：

H(T)＝(h(T),h(T-τ),...,h(T-(m-1)τ))，

其中，相空间向量H(T)的k个近邻空间重构向量表示为：H(T₁),H(T₂),......,H(T_k)；

其中，h(T)为第T个时间片检测的心率信号值，τ为延迟时间，m为正整数，

其中，c为方程系数，c表示为：C＝(A^TA)^-1A^Ty，其中A为参数，A表示为： $A=\left[\begin{array}{ccccc}1& h\left(T_1\right)& h(T_1-\mathrm{\&tau;})& ...& h(T_1-(m-1)\mathrm{\&tau;}\\ 1& h\left(T_2\right)& h(T_2-\mathrm{\&tau;})& ...& h(T_2-(m-1)\mathrm{\&tau;}\\ .& .& .& .& .\\ .& .& .& .& .\\ .& .& .& .& .\\ 1& h\left(T_k\right)& h(T_k-\mathrm{\&tau;})& ...& h(T_3-(m-1)\mathrm{\&tau;}\end{array}\right],$

y为c的计算参数，y表示为：y＝(h(T₁+1),h(T₂+1),......,h(T_k+1))^T

以下结合图示，详细说明本发明具体实施例说明信号跟踪估算步骤S3与信号预测步骤S4的采用算法的详细内容：

1)如图9所示，心率跟踪估算步骤，本发明方法的估算跟踪效果如图10所示：

取W秒的加速度信号作为检测窗口，即一个时间片，每次滑动T秒(T<W)，用W秒的数据进行心率的估计，心率检测采取启发式阈值方法。

输入：心率近似信号，初始化算法参数检测窗口大小W，滑动距离T，扫描半径r，截断参数，缺失率阈值，缺失阈值时间

输出：心率序列{h_i}

具体步骤：

步骤S51：检测前3秒内幅度值最大的位置作为同步位t₀，开始进行跟踪。

步骤S52：设定一个扫描半径r，计算局部极值时间t_k。计算极值点规则为：

规则1如果某点值的ε倍大于此半径范围内任意值，则该点为局部极值，计算第k个RR间期，RR_k＝t_k-t_k-1。

规则2若检测出来的RR_k大于μ秒，则认为发生了心率缺失，累计缺失次数，当缺失率超过阈值ρ，则极点检测算法失效，启动局部线性预测算法，根据前面的区间的心率，预测本次区间应该得到的心率。

步骤S53：对心率序列求自相关函数值，检测自相关函数周期，更新半径r。

步骤S54：根据公式(5)，第i个时间片内检测到n次间期，对于心率的估计采用W秒内的间期区间中值来估计该时间片的心率h_i：

$h_i=\frac{60}{\mathrm{Median}\left({\mathrm{RR}}_k\right|1\&le;k\&le;n)}---\left(5\right)$

步骤S55：窗口滑动T秒，转步骤S52。

2)如图11所示，缺失心率时，信号预测步骤：

心率跟踪算法在信号存在严重缺失的情况下，随着窗口的推移，对心率不能很好地被估计，为此需要根据历史时间片心率，进行当前时间片心率预测。当心率发生缺失时，启动局部线性预测算法，进行本段心率的估计。设h(T)表示第T个时间片的检测的心率值，通过构造相空间重构向量H(T)来进行心率的预测。

输入：缺失时间片T+1前检测到的序列{h_i|1≤i≤T}，嵌入维m，延迟时间。

输出：预测缺失心率s

具体步骤如下：

步骤S61：构造相空间向量

H(T)＝(h(T),h(T-τ),...,h(T-(m-1)τ))     (6)

步骤S62：在相空间中，计算的k个近邻空间重构向量H(T1),H(T2),…,H(Tk)。

步骤S63：当T+1时间片有缺失时，如式(7)，令预测模型为T时间片空间向量的函数，即T+1为该向量分量的线性组合，其中e为随机误差，c_j为待定系数。

$\hat{h}(T+1)=g\left(H\left(T\right)\right)=c_0+{\mathrm{\&Sigma;}}_{j=1}^m\left[c_{j}h(T-(j-1)\mathrm{\&tau;})\right]+e---\left(7\right)$

步骤S64：令y＝(h(T₁+1),h(T₂+1),...,h(T_k+1))^T，方程系数C＝(c₀,c₁,...,c_m)^T，采用最小二乘法估计参数C，则C＝(A^TA)^-1A^Ty，其中：

$A=\left[\begin{array}{ccccc}1& h\left(T_1\right)& h(T_1-\mathrm{\&tau;})& ...& h(T_1-(m-1)\mathrm{\&tau;}\\ 1& h\left(T_2\right)& h(T_2-\mathrm{\&tau;})& ...& h(T_2-(m-1)\mathrm{\&tau;}\\ .& .& .& .& .\\ .& .& .& .& .\\ .& .& .& .& .\\ 1& h\left(T_k\right)& h(T_k-\mathrm{\&tau;})& ...& h(T_3-(m-1)\mathrm{\&tau;}\end{array}\right]---\left(8\right)$

如图12所示，本发明还提供一种心率和呼吸率信号处理与跟踪系统，采用如上述的心率和呼吸率信号处理与跟踪方法，包括：

信号处理模块1：通过加速度传感器采集的心率与呼吸率加速度原始信号，采用小波方法去除噪声信号，获取心率与呼吸率的去噪信号；

信号处理模块1为了减少呼吸信号的影响，因此我们先采用小波阈值去噪的方法，将呼吸信号以外的信号作为噪声，对S进行去噪，得到去噪信号X。

信号分离模块2：基于心率与呼吸率去噪信号，采用信号平滑方法，获取呼吸率信号后，采用信号模型在心率与呼吸率去噪信号中实时去除呼吸率信号，获取心率信号；

信号分离模块2去噪信号X再经过平滑得到呼吸信号S_r；将原始信号减去呼吸信号，即Y＝S-S_r，对Y执行小波变换算法，分解L层，取第1～K层细节信号作为心率信号的近似信号S_h。

信号跟踪估算模块3：跟踪呼吸率信号和心率信号，在设定时间段内获取瞬时呼吸率信号I_RR和瞬时心率信号；

信号预测模块4：在采集的心率与呼吸率加速度原始信号缺失的情况下，采用基于相空间的预测方法，对一段区间内的心率信号进行预测。

信号跟踪估算模块3与信号预测模块4跟踪计算W秒内，滑动时间距离为T秒的瞬时心率IHR。在跟踪过程中，若有心率缺失，则根据前面检测结果对缺失心率预测，同时，通过检测结果，调整检测窗口适应心率变化。

其中，如图13所示，信号处理模块1还包括：

小波分解模块11：对原始信号S通过小波分解方法分解为多层；

去噪模块12：采用全局法估计小波阈值参数，对原始信号S进行去噪处理。

其中，如图13所示，信号分离模块2还包括：

呼吸率信号获取模块21：将去噪信号进行小波逆变换后，进行信号重构，再将信号进行均值平滑，得到呼吸信号S_r；

心率信号获取模块22：对去噪信号中的残差信号作小波变换，取多层重构得到心率信号S_h。

其中，如图13所示，信号跟踪估算模块3还包括：

瞬时呼吸率信号获取模块31：跟踪一时间段内的呼吸率信号，检测呼吸率信号的峰值，计算瞬时呼吸率信号；

瞬时心率信号获取模块32：跟踪一时间段内的心率信号，计算每个预先设定时间间隔内的瞬时心率信号。

其中，如图13所示，信号预测模块4还包括：

重构模块41：构造相空间的向量，在相空间中，计算相空间向量的多个近邻空间重构向量；

心率预测模块42：当大于阈值个时间片缺失时，计算心率预测信号值。

当然，本发明还可有其它多种实施例，在不背离本发明精神及其实质的情况下，熟悉本领域的技术人员当可根据本发明做出各种相应的改变和变形，但这些相应的改变和变形都应属于本发明所附的权利要求的保护范围。

Claims (18)

1.一种心率和呼吸率信号处理与跟踪方法，其特征在于，包括：

信号处理步骤：通过加速度传感器采集的心率与呼吸率加速度原始信号，采用小波方法去除噪声信号，获取心率与呼吸率的去噪信号；

信号分离步骤：基于所述心率与呼吸率去噪信号，采用信号平滑方法，获取呼吸率信号后，采用信号模型在所述心率与呼吸率去噪信号中实时去除所述呼吸率信号，获取心率信号；

信号跟踪估算步骤：跟踪所述呼吸率信号和所述心率信号，在设定时间段内获取瞬时呼吸率信号和瞬时心率信号。

2.根据权利要求1所述心率和呼吸率信号处理与跟踪方法，其特征在于，所述方法还包括：

信号预测步骤：在采集的所述心率与呼吸率加速度原始信号缺失的情况下，采用基于相空间的预测方法，对一段区间内的心率信号进行预测。

3.根据权利要求1所述心率和呼吸率信号处理与跟踪方法，其特征在于，所述信号模型为：S＝S_r+S_h+e，其中S为所述心率与呼吸率加速度原始信号，S_r、S_h分别为所述呼吸信号和所述心率信号，е为所述噪声信号。

4.根据权利要求1所述心率和呼吸率信号处理与跟踪方法，其特征在于，所述信号处理步骤还包括：

小波分解步骤：对所述原始信号S通过小波分解方法分解为多层；

去噪步骤：采用全局法估计小波阈值参数，对所述原始信号S进行去噪处理。

5.根据权利要求4所述心率和呼吸率信号处理与跟踪方法，其特征在于，所述小波阈值参数为w_j,k，通过公式表示为：

${\hat{W}}_{j,k}=\left\{\begin{array}{cc}\mathrm{sgn}\left(\right|W_{j,k}\left|\right)\left(\right|W_{j,k}|-\mathrm{\&lambda;}),& \left|W_{j,k}\right|\&GreaterEqual;\mathrm{\&lambda;}\\ 0& \left|W_{j,k}\right|<\mathrm{\&lambda;}\end{array}\right.$

其中所述λ为阈值，所述为噪音方差估计，所述λ和所述通过公式表示为：

$\mathrm{\&lambda;}=\widehat{\mathrm{\&sigma;}}\sqrt{2\ln N}$

$\widehat{\mathrm{\&sigma;}}=\frac{\mathrm{Median}\left(\right|d_1\left|\right)}{0.6745}$

其中，所述N为信号长度，所述d₁表示第一级小波分解高频子带系数。

6.根据权利要求1所述心率和呼吸率信号处理与跟踪方法，其特征在于，所述信号分离步骤还包括：

呼吸率信号获取步骤：将所述去噪信号进行小波逆变换后，进行信号重构，再将信号进行均值平滑，得到所述呼吸信号S_r；

心率信号获取步骤：对所述去噪信号中的残差信号作小波变换，取多层重构得到所述心率信号S_h。

7.根据权利要求1所述心率和呼吸率信号处理与跟踪方法，其特征在于，所述信号跟踪估算步骤还包括：

瞬时呼吸率信号获取步骤：跟踪一时间段内的呼吸率信号，检测所述呼吸率信号的峰值，计算所述瞬时呼吸率信号；

瞬时心率信号获取步骤：跟踪一时间段内的心率信号，计算每个预先设定时间间隔内的所述瞬时心率信号。

8.根据权利要求7所述心率和呼吸率信号处理与跟踪方法，其特征在于，所述瞬时心率信号获取步骤还包括：

初始化步骤：选择初始同步位，开始进行所述心率信号的跟踪；

间期获取步骤：在所述心率信号的检测窗口内，设定一个扫描半径，如果在所述扫描半径范围内多个所述心率信号的点值中的一值大于所述扫描半径范围内所述心率信号点值的任意值，则所述心率信号的点值中的一值为局部极值，获取局部极值时间，根据两个所述时间段的所述局部极值时间的差值，计算间期；

判断步骤：若所述间期大于预设的阈值，则判断发生了心率缺失，则执行所述信号预测步骤；

心率序列计算步骤：基于第i个时间片内检测到n次的所述间期，计算心率序列h_i；

更新步骤：基于所述心率序列h_i获取自相关函数值，检测自相关函数周期，并更新半径r。

9.根据权利要求8所述心率和呼吸率信号处理与跟踪方法，其特征在于，所述间期为RR，第k个所述RR的计算公式为：RR_k＝t_k-t_k-1，其中，所述t_k和t_k-1为局部极值时间，k为正整数。

10.根据权利要求9所述心率和呼吸率信号处理与跟踪方法，其特征在于，所述心率序列h_i的计算公式为：

其中，所述k、所述i和所述n为正整数。

11.根据权利要求2所述心率和呼吸率信号处理与跟踪方法，其特征在于，所述信号预测步骤还包括：

重构步骤：构造相空间的向量，在所述相空间中，计算所述相空间向量的多个近邻空间重构向量；

心率预测步骤：当大于阈值个时间片缺失时，计算所述心率预测信号值。

12.根据权利要求11所述心率和呼吸率信号处理与跟踪方法，其特征在于，所述心率预测信号值h(T+1)的计算公式为：

$\hat{h}(T+1)=g\left(H\left(T\right)\right)=c_0+{\mathrm{\&Sigma;}}_{j=1}^m\left[c_{j}h(T-(j-1)\mathrm{\&tau;})\right]+e$

其中，T+1为时间片缺失个数，e为随机误差，c_j为待定系数，

其中，H(T)为所述相空间向量，H(T)表示为：

H(T)＝(h(T),h(T-τ),...,h(T-(m-1)τ))，

其中，所述相空间向量H(T)的k个近邻空间重构向量表示为：

H(T₁),H(T₂),...,H(T_k)；

其中，h(T)为第T个时间片检测的心率信号值，τ为延迟时间，m为正整数，

其中，c为方程系数，所述c表示为：，其中A为参数，所述A表示为：

$A=\left[\begin{array}{ccccc}1& h\left(T_1\right)& h(T_1-\mathrm{\&tau;})& ...& h(T_1-(m-1)\mathrm{\&tau;}\\ 1& h\left(T_2\right)& h(T_2-\mathrm{\&tau;})& ...& h(T_2-(m-1)\mathrm{\&tau;}\\ .& .& .& .& .\\ .& .& .& .& .\\ .& .& .& .& .\\ 1& h\left(T_k\right)& h(T_k-\mathrm{\&tau;})& ...& h(T_3-(m-1)\mathrm{\&tau;}\end{array}\right],$

所述y为c的计算参数，所述y表示为：y＝(h(T₁+1),h(T₂+1),......,h(T_k+1))^T。

13.一种心率和呼吸率信号处理与跟踪系统，采用如权利要求1-12中任一项所述心率和呼吸率信号处理与跟踪方法，其特征在于，包括：

信号处理模块：通过加速度传感器采集的心率与呼吸率加速度原始信号，采用小波方法去除噪声信号，获取心率与呼吸率的去噪信号；

信号分离模块：基于所述心率与呼吸率去噪信号，采用信号平滑方法，获取呼吸率信号后，采用信号模型在所述心率与呼吸率去噪信号中实时去除所述呼吸率信号，获取心率信号；

信号跟踪估算模块：跟踪所述呼吸率信号和所述心率信号，在设定时间段内获取瞬时呼吸率信号和瞬时心率信号。

14.根据权利要求13所述心率和呼吸率信号处理与跟踪系统，其特征在于，所述系统还包括：

信号预测模块：在采集的所述心率与呼吸率加速度原始信号缺失的情况下，采用基于相空间的预测方法，对一段区间内的心率信号进行预测。

15.根据权利要求13所述心率和呼吸率信号处理与跟踪系统，其特征在于，所述信号处理模块还包括：

小波分解模块：对所述原始信号S通过小波分解方法分解为多层；

去噪模块：采用全局法估计小波阈值参数，对所述原始信号S进行去噪处理。

16.根据权利要求13所述心率和呼吸率信号处理与跟踪系统，其特征在于，所述信号分离模块还包括：

呼吸率信号获取模块：将所述去噪信号进行小波逆变换后，进行信号重构，再将信号进行均值平滑，得到所述呼吸信号S_r；

心率信号获取模块：对所述去噪信号中的残差信号作小波变换，取多层重构得到所述心率信号S_h。

17.根据权利要求13所述心率和呼吸率信号处理与跟踪系统，其特征在于，所述信号跟踪估算模块还包括：

瞬时呼吸率信号获取模块：跟踪一时间段内的呼吸率信号，检测所述呼吸率信号的峰值，计算所述瞬时呼吸率信号；

瞬时心率信号获取模块：跟踪一时间段内的心率信号，计算每个预先设定时间间隔内的所述瞬时心率信号。

18.根据权利要求14所述心率和呼吸率信号处理与跟踪系统，其特征在于，所述信号预测模块还包括：

重构模块：构造相空间的向量，在所述相空间中，计算所述相空间向量的多个近邻空间重构向量；

心率预测模块：当大于阈值个时间片缺失时，计算所述心率预测信号值。