CN105266772A - 一种生理参数的测量方法 - Google Patents

Abstract

一种生理参数的测量方法属于生理信号测量技术领域，尤其涉及一种生理参数的测量方法。本发明提供一种使用成本低、测量效果好的生理参数的测量方法。本发明包括以下步骤：1)将用户手指覆盖手机摄像头，打开手机闪光灯，运用手机摄像头中的图像传感器拍摄；2)手机通过对每帧图像的所有像素的RGB的绿光值进行量化判断和计算平均灰度值，绘制绿光曲线，计算每帧色彩的变化，形成脉搏波曲线；对脉搏波进行中值滤波，去除基线漂移；3)输入用户身体参数；在经过滤波处理后的脉搏波中寻找主波峰、重搏波峰、主波峰高度、重搏波峰高度，通过这些参数计算人体的生理参数。

Description

一种生理参数的测量方法

技术领域

本发明属于生理信号测量技术领域，尤其涉及一种生理参数的测量方法。

背景技术

传统的临床测量脉搏波的方法是通过红外指夹收集手指的脉搏信号。这种方法虽然可以获得理想的脉搏波信号，但是需要借助医疗设备，他们价钱昂贵、测量麻烦、很不方便随时测量。

随着移动技术的快速发展，手机上的摄像头像素越来越高，手机运行速度也越来越快，市场上也能找到一些有关健康的测量方法，但是这些测量方法一般只能检测心率；还有一些测量方法能测人体的其他生理参数，但是它们需要借助其他设备，然后通过蓝牙技术传输到手机上。

发明内容

本发明就是针对上述问题，提供一种使用成本低、测量效果好的生理参数的测量方法。

为实现上述目的，本发明采用如下技术方案，本发明包括以下步骤：

1)将用户手指覆盖手机摄像头，打开手机闪光灯，运用手机摄像头中的图像传感器拍摄；

2)手机通过对每帧图像的所有像素的RGB的绿光值进行量化判断和计算平均灰度值，绘制绿光曲线，计算每帧色彩的变化，形成脉搏波曲线；对脉搏波进行中值滤波，去除基线漂移；

3)输入用户身体参数；在经过滤波处理后的脉搏波中寻找主波峰、重搏波峰、主波峰高度、重搏波峰高度，通过这些参数计算人体的生理参数。

作为一种优选方案，本发明在录制指尖颜色变化前，先测定手指放置的位置是否正确，选取视频中每一帧的九个位置，然后统计每一个位置30帧对应的数据，然后求每个点位置的方差，计算公式如下：

$U_A=\frac{A1+A2+A3+...+A30}{30}$

$\∂=\frac{{(A1-U_A)}^2+{(A2-U_A)}^2+{(A3-U_A)}^2+...+{(A30-U_A)}^2}{30}$

式中，A1,A2,A3...,A30为每个位置对应的像素值，U_A为每个位置30帧像素的平均值，为每个位置的方差。(为了获得最佳的脉搏波，加入了识别手指位置功能，使用最佳计算位置功能)

作为另一种优选方案，本发明所述手指在每个位置的数值在100-200像素值之间。

作为另一种优选方案，本发明所述脉搏波的获取方式为手机摄像头录制指尖的血液变化，录制的方式为调用系统的录像功能(调用过程如下：

1.先创建一个CameraIntent,参数有MediaStore.ACTION_VIDEO_CAPTURE为调用系统相机；MediaStore.EXTRA_DURATION_LIMIT设置录制的时间，设置为8秒；MediaStore.EXTRA_VIDEO_QUALITY用来设置录制视频的质量。

2.使用startActivityForResult()方法，并传入上面的Intent对象。.

3.用onActivityResult()接收传回的视频，再进行下一步的视频处理操作。)

[在调用手机硬件模块时注意，Google在Android框架内把各种对象(包括设备上的摄像头，传感器，拨打电话，发送信息，控制别的应用程序等)的访问权限进行了详细的划分。应用程序在运行前必须向Android系统声明它将会用到的权限。]

调用手机硬件模块,在AndroidManifest.xml(安卓系统手机)文件中加入相应的使用摄像头的权限声明(包括以下权限：android.permission.CAMERA、android.hardware.CAMERA、android.permission.RECORD_AUDIO)。

作为另一种优选方案，本发明所述脉搏波的展示界面使用SurfaceView对象完成，使用SurfaceHolder接口访问surface对象，采用getHolder()方法得到这个接口；锁定视图，画完一部分再解锁，动态生成曲线。

把曲线在(a,b)中的数据x，缩小或放大到区间(m,n)中：

$Y=\frac{n-m}{b-a}\×(x-a)+m---\left(1\right)$

Y是数据x经过缩小后的结果，将计算出的Y可以直接的动态的画到视图中，将计算出的点动态的画到视图中，先取出第一个数据，然后把区间定为(x1-100000,x1+100000)，再代入公式(1)。

作为另一种优选方案，本发明所述中值滤波包括以下步骤：

(1)对滑动窗口进行排序，取窗口内中间值

设滑动窗口的大小为m，对窗口内数据{a_i,a_i+1,…,a_i+m-1}按从小到大的顺序进行排序，得到有序序列{S₁,S₂,…,S_m}，输出中间值S_(m+1)/2；

(2)删除最早进入滑动窗口的元素，窗口向后滑动；

a_i是最先进入窗口序列{a_i,a_i+1,…,a_i+m-1}中的元素，a_i是排序后窗口序列{S₁,S₂,…,S_m}中的S_e；将a_i和S_e删除，窗口向前滑动一个位置，a_i+m为新进入窗口待排序的元素；

(3)利用二分查找法，确定要插入新数据的位置

新进入窗口的下一个元素为a_i+m，a_i为上一个滑动窗口最先进入的元素，S_e是a_i在上一个排序后窗口序列中的元素；首先判断a_i+m与S_e-1、S_e+1的大小关系：

a)如果a_i+m<S_e-1，在{S₁,…,S_e-1}中，利用二分法寻找满足条件S_j≤a_i+m≤S_j+1的位置；

b)如果a_i+m>S_e+1，在{S_e+1,…,S_m}中，利用二分法寻找满足条件S_j≤a_i+m≤S_j+1的位置；

c)如果S_e-1≤a_i+m≤S_e+1，a_i+m的插入到上一个排序后窗口序列中删除的元素S_e的位置。(提出了一种改进的中值滤波方法，能够快速、准确的过滤脉搏波，该方法，只需要几十秒的时间就可以得到用户的生理参数。)

作为另一种优选方案，本发明所述去除基线漂移的步骤：

(1)确定信号的小波的正交基和分解的尺度

选择db3尺度函数的小波分解对脉搏波信号进行去噪处理；

(2)多级小波分解

一维离散小波变换为由低通滤波器和高通滤波器组成的一棵分解树，每一层的低通信号保持原始波形的大致波形(近似信号)，高通信号突出信号的细节特征(细节信号)。

作为另一种优选方案，本发明所述选择db3小波基对脉搏波信号进行8级和7级尺度小波分解。

作为另一种优选方案，本发明所述步骤3)在先后经过中值滤波和去除基线漂移算法后，利用微分法找到所有的极大值点后，归一化处理，归一化函数为：

$y=\frac{x-\mathrm{MinValue}}{\mathrm{MaxValue}-\mathrm{MinValue}}---\left(2\right)$

x、y分别为转换前、后的值，MaxValue、MinValue分别为样本的最大值和最小值；利用微分法寻找所有的极大值点，如果极大值点处在范围[0.5，1]中，该点是主波波峰；找到主波波峰点后，接下来前一个极大值点是重播波峰；

(1)心率的计算

寻找到主峰和重搏波峰后，对人体的心动周期(心率)计算；统计一分钟时间内周期的个数计算出人体脉率的大小，通过计算光电容积脉搏波周期的长短计算出心脏一次收缩舒张所占用的时间，求出瞬时脉率；计算心率的公式如下：

$\mathrm{HR}=60\&times;\frac{f}{N}---\left(3\right)$

f是脉搏波的采样频率(在本发明中指的就是视频的帧频)，n是脉搏波一个心动周期的点数；采用叠加平均算法，取三次计算的平均值作为心率的计算值；心率的计算公式如下：

$H{R}_1=60\&times;\frac{f}{N_1}---\left(4\right)$

$H{R}_2=60\&times;\frac{f}{N_2}---\left(5\right)$

$H{R}_3=60\&times;\frac{f}{N_3}---\left(6\right)$

$\mathrm{HR}=\frac{H{R}_1+H{R}_2+H{R}_3}{3}---\left(7\right)$

(2)左心室收缩时间

在脉搏波滤波后，求出收缩期的采样点，然后再除以采样率，结果是左心室收缩时间；每次取三个比较稳定的脉搏波来计算左心室收缩时间，然后取它们的平均值作为最终的左心室收缩时间；

(3)平均压

心动周期中动脉血压的平均值，平均压的计算公式如下：

(4)心搏出量与心输出量

计算公式为

SV＝-6.6+0.25×(ET-35)-0.62×HR+40.4×BSA-0.51×Age(8)

ET为左心室收缩时间；BSA为体表面积，BSA的计算公式为BSA＝(0.007184×Weight^0.425×Height^0.725)，Height为用户的身高，Weight为用户的体重；Age为用户的年龄；HR为用户当时的心率。

心输出量的计算公式为

$\mathrm{CO}=\frac{\mathrm{SV}\&times;\mathrm{HR}}{1000}---\left(9\right)$

(5)外周阻力

外周阻力测量压力、流量；计算过程如下：

动脉弹性腔中的血液压力p所满足的方程为公式(10)和(11)，

$C\frac{\mathrm{dp}}{\mathrm{dt}}+\frac{p-p_v}{R}=Q_{\mathrm{in}},0\&le;t<T_S---\left(10\right)$

$C\frac{\mathrm{dp}}{\mathrm{dt}}+\frac{p-p_v}{R}=0,T_S\&le;t<T---\left(11\right)$

在以上公式中，Pv为静脉腔中的血液压力；Qin为收缩期(0≤t<T_S)，内心室射入主动脉的血液流量；R为外周阻力；C为动脉弹性腔的顺应性；

导出心血管动力学参量随脉搏波波形图面积的变化情况；下面，将收缩期的方程在收缩期内积分，得到

$C{\&Integral;}_0^{T_s}\frac{\mathrm{dp}}{\mathrm{dt}}\mathrm{dt}+\frac{1}{R}{\&Integral;}_0^{T_s}(p-p_v)\mathrm{dt}={\&Integral;}_0^{\mathrm{Ts}}{Q}_{\mathrm{in}}\mathrm{dt}---\left(12\right)$

同样，将舒张期的方程在舒张期内积分，得到

$C{\&Integral;}_{T_s}^T\frac{\mathrm{dp}}{\mathrm{dt}}\mathrm{dt}+\frac{1}{R}{\&Integral;}_{T_s}^T(p-p_v)\mathrm{dt}=0---\left(13\right)$

在收缩期起始时刻(即t＝0)或舒张期终止时刻(t＝T)，动脉弹性腔中的血压值就是舒张压pd，而收缩期终止时刻(即t＝T_s)，动脉中所对应的血压值为p_s ^*。这样，由式(12)与式(13)，可分析得到

$C({p_s}^{*}-p_d)+\frac{1}{R}{A}_s=\mathrm{SV}---\left(14\right)$

$C(p_d-{p_s}^{*})+\frac{1}{R}{A}_d=0---\left(15\right)$

式中，表示每搏输出量；表示收缩期内，脉搏波曲线p(t)之下、静脉压p_v之上所围成脉搏波波形图区域的面积；表示舒张期内，脉搏波曲线p(t)之下、静脉压p_v之上所围成脉搏波波形图区域的面积

由式(14)与式(15)可得

$R=\frac{A_s+A_d}{\mathrm{SV}}---\left(16\right)$

一个心动周期中脉搏波波形图的总面积A_s+A_d表示为

$A_s+A_d={\&Integral;}_0^T(p-p_v)\mathrm{dt}={\&Integral;}_0^T\mathrm{pdt}-{\&Integral;}_0^T{p}_v\mathrm{dt}---\left(17\right)$

把平均压代入式(17)，得到

$A_s+A_d=\stackrel{\&OverBar;}{p}T-{\&Integral;}_0^T{p}_v\mathrm{dt}---\left(18\right)$

静脉压pv在一个心动周期内是维持不变的，式(18)进一步表示为

$A_s+A_d=(\stackrel{\&OverBar;}{p}-p_v)T---\left(19\right)$

将式(19)代入式(16)，得到

$R=\frac{\stackrel{\&OverBar;}{p}-p_v}{\mathrm{SV}}T---\left(20\right)$

同时，再将心输出量和代入式(20)得到

$R=\frac{\stackrel{\&OverBar;}{p}-p_v}{\mathrm{CO}}\&times;\frac{60}{1000}---\left(21\right)$

p_v(静脉压)取为1.33×103Pa，

$R\&ap;\frac{\stackrel{\&OverBar;}{p}}{\mathrm{CO}}\&times;\frac{60}{1000}---\left(22\right)$

作为另一种优选方案，本发明在录制完手指尖血液变化视频后，处理视频的时候，每处理一帧就将这一帧的结果输出到手机屏幕上，随着时间生成一条动态的脉搏波曲线；处理完视频后，点击按钮生成用户生理参数报表；

从手机自带的摄像头录制的视频流到绿光值数据，再到脉搏波数据，生成生理参数，最后把用户的生理参数存储到Android系统中的SQLite数据库中；有添加用户、删除用户、修改用户基本信息；保存、删除录制手指视频文件；保存、删除生成的生理参数功能。

本发明有益效果。

本发明基于智能手机摄像头来测量人体生理参数系统提供了一种收集人体脉搏波信号的新方法。使用摄像头捕捉手指皮肤表面成像，通过对成像信号的处理和分析，来获得脉搏波，通过对原始脉搏波的中值滤波、去除基线漂移、寻找波峰算法后，再分析脉搏波来得到多种生理信息，如心率、左心室收缩时间、外周阻力、呼吸率等。

本发明不需要其他设备，只是使用了一台智能手机，能够检测、存储、统计用户生理参数，减少了用户的消费。通过摄像头采集手指尖颜色变化视频，然后对视频进行分析得到脉搏波，再经过算法能够得到用户的多种生理参数(如：心率、外周阻力、动脉分散性等)，并将这些信息直观地显示出来，还可以将每次测量的生理参数进行存储，用户可以观察自己一段时间内的生理信息的变化。

可将本发明测量方法扩展到iOS设备上，以便更多的用户使用。

附图说明

下面结合附图和具体实施方式对本发明做进一步说明。本发明保护范围不仅局限于以下内容的表述。

图1为本发明测量方法结构图；

图2为本发明的模块结构图。

图3识别手指位置原理图。

图4为本发明的数据流程图。

图5为本发明的操作说明图。

图6为本发明滑动窗口数据处理图。

图7为本发明二分查找程序流程图。

图8为本发明层小波分解树图。

图9为本发明滤波效果和寻峰过程图。

图10为本发明心率计算示意图。

图11为本发明脉搏波测量左心室收缩时间图。

图12为本发明脉搏波波形图面积图。

图13为本发明外周阻力计算流程图。

具体实施方式

如图所示，首先让用户用手指覆盖后摄像头，尽量保持手指处于相对稳定的状态。然后点击录制按钮，开始录制手指尖的颜色变化，由于脉搏有舒张和收缩两种状态，在收缩时，动脉充血，手指尖(也包含了动脉)透光率下降；反之，舒张时，透光率下降。这样，只要检测摄像头采集的图像的绿光强度变化，就可以获得脉搏波信号。通过生成的脉搏波信号，就可以得到人体的生理参数

下面将结合附图对本发明作进一步的详细说明。

本发明提出了一种用智能手机检测人体生理参数的测量方法，它能够很好地帮助用户随时随地的为了了解自己的生理状况提供参考。

如图1所示，让用户将他们的手指覆盖手机摄像头，打开手机闪光灯，运用手机摄像头中的图像传感器拍摄用户之间血液变化的周期，根据颜色变化和心跳的对应关系得出人体生理参数。

在检测过程中，因为每次心跳导致了一次血液到达指尖毛细血管的波形流动，当毛细血管充血状态时，血液里含氧量增加，血液颜色呈现鲜红色，平均的绿光值较低，而在身体消耗掉血液中的氧之后，血液变成暗红色。手机图像传感器记录的是一段由很多帧图像构成的视频，手机通过对每帧图像的所有像素的RGB的绿光值进行量化判断和计算平均灰度值，然后绘制绿光曲线，计算每帧色彩的变化，统计数据就会形成脉搏波曲线。因此，只需借助手机拍摄指尖的颜色变化，统计颜色变化便可得到脉搏波。在光线较好的情况下，摄像头拍摄的颜色变化更加明显，测量更加准确，因为光线越强，摄像头就越容易识别。根据调查发现，目前市场上大部分手机都内置有闪光灯设备，只要让闪光灯保持常亮状态，就可以保证心率测试的准确性。

如图2所示，1)用户身体参数的输入模块

因为有些数据不使用其他外置传感器的话，是用智能手机测量不了的，例如收缩压和舒张压，但是需要用户自己数据，还有用户的身高、体重、年龄、性别、收缩压、舒张压。在收缩压和舒张压可以通过市场上的一些便携式的血压测量仪进行测量。

2)手指位置识别模块

如图3所示，在录制指尖颜色变化前，需要先测定手指放置的位置是否正确，本发明选取了视频中每一帧的九个位置，然后统计每一个位置30帧对应的数据，然后求每个点位置的方差，方差越大说明这个位置能检测的信号越强。计算公式如下：

$U_A=\frac{A1+A2+A3+...+A30}{30}$

$\&PartialD;=\frac{{(A1-U_A)}^2+{(A2-U_A)}^2+{(A3-U_A)}^2+...+{(A30-U_A)}^2}{30}$

本发明做了多组实验，发现手指在每个位置的数值在100-200之间的时候，录制的手指的脉搏波越强烈。

3)脉搏波获取模块

本发明的脉搏波的获取是靠智能手机自带的摄像头录制指尖的血液变化得到的，一开始为了实时的测量人体的生理指数，覆写Android系统提供的onPreviewFrame(byte[]data,Cameracamera)方法，这里的data参数返回的是YUV420SP格式的，需要转换成RGB格式才能进行分析和处理，即使用JNI实现这部分，时间和空间复杂度很高，转码需要大量的时间，所以这样会降低摄像头录制视频的帧频，大约为10～20帧/秒，帧频不是稳定的，而且生成的脉搏波不存在重播波，所以本发明并没有采用这种方式来获去脉搏波，本发明录制的方式为调用系统自带的录制模块，调用语句为：

finalIntentintent＝newIntent(MediaStore.ACTION_VIDEO_CAPTURE)；

intent.putExtra(MediaStore.EXTRA_OUTPUT,mCaptureMediaUri)；

intent.putExtra(MediaStore.EXTRA_DURATION_LIMIT,8)；

intent.putExtra(MediaStore.EXTRA_VIDEO_QUALITY,1)；

intent.putExtra(MediaStore.EXTRA_SCREEN_ORIENTATION,1)；

startActivityForResult(intent,REQUEST_CODE_CAPTURE_VIDEO)；并且这里设置了录制视频的长度为8秒，录制的质量为1(高质量)，这种方式获得的视频的帧频达到30帧/秒，而且非常稳定。

因为涉及到调用手机硬件模块，所以需要在AndroidManifest.xml文件中加入相应的权限声明，代码如下：

<uses-permissionandroid:name＝"android.permission.CAMERA"/>

<uses-featureandroid:name＝"android.hardware.camera"/>

<uses-featureandroid:name＝"android.hardware.camera.autofocus"/>

脉搏波的展示界面使用SurfaceView对象完成的，SurfaceView由于可以直接从内存或者DMA等硬件接口取得图像数据，所以SurfaceView是非常高效的，这里我们使用SurfaceHolder接口访问这个surface对象，getHolder()方法可以得到这个接口。为了让曲线动态的生成，需要锁定视图，画完一部分再解锁，这部分代码如下：

Canvascanvas＝holder.lockCanvas(newRect(oldX,0,currentX,getWindowManager().getDefaultDisplay().getHeight()))；

PaintmPaint＝newPaint()；

mPaint.setStyle(Paint.Style.STROKE)；

mPaint.setStrokeWidth(1)；

mPaint.setColor(Color.GREEN)；

if(canvas！＝null)

canvas.drawLine(oldX,oldY,currentX,y,mPaint)；

else

return；

oldX＝currentX；

oldY＝y；

holder.unlockCanvasAndPost(canvas)；

holder.lockCanvas(newRect(0,0,0,0))；

holder.unlockCanvasAndPost(canvas)；

为了让画出的曲线自动适应智能手机屏幕，自动将曲线缩放到480*800的屏幕中，如果知道所有的数据的话可以用线性变换。比如把曲线在(a,b)中的数据x，缩放(放大)到区间(m,n)中：

$Y=\frac{n-m}{b-a}\&times;(x-a)+m---\left(1\right)$

而在这里计算出一个点就得把它动态的画到视图中，通过大量数据发现，数据的上下浮动在+-100000，所以先取出第一个数据，然后把区间定为(x1-100000,x1+100000)，再代入以上公式就可以了。

4)滤波算法设计模块

生理信号在采集过程中很容易受到高频噪声的干扰，因为本发明是应用在智能手机上，人们希望移动设备能够所见即所得，所以对算法的效率要求很高，本发明对广泛应用的中值滤波算法进行了改进，以便提高滤波算法的效率。最后将改进的中值滤波算法应用到采集的脉搏波信号中，中值滤波算法一般主要有以下三个特征：

(1)有效的去除脉冲干扰：由于中值滤波算法是非线性运算，对于抑制随机噪声方面，中值滤波算法不如均值滤波算法的效果好。但对于脉冲干扰，特别是干扰噪声宽度小于中值滤波算法的窗口的长度的一半，并且相距较远的脉冲干扰，中值滤波还是非常有效；

(2)有效的保护信号细节：对于脉搏波中的重播波，和一般的线性滤波器(例如均值滤波)相比，中值滤波能够更好的保留这些波形的细节；

(3)有效的去除奇异点：考虑到在录制指尖颜色变化的过程中，信号的质量受到的人体内外环境影响都很大，如人体的抖动或者手指按压摄像头的压力不同都有可能产生一些奇异波形，这些干扰不仅会影响采集到的数据，甚至可能变成无效数据。由于中值滤波的思想是把数字序列中一点的值用该店的一个邻域中各点值的中值代替，因此该算法可以有效的消除孤立的噪声点(即奇异点)。

在脉搏波信号的采集过程中，由于基线漂移的存在，影响了对信号波形提取特征点的精确度，因此去除基线漂移也是更好的获取脉搏波信号波形的前提。

由于基线漂移属于低频干扰，目前通常的滤波方法是：首先提取信号的基线，然后采用原始信号减去基线信号就可以得到消除基线漂移的信号。本发明采用基于小波变换的去除基线漂移算法，这是因为脉搏波信号属于典型的生物医学信号，并且在脉搏波信号中低频噪声和有用的信号混和在一起，具有非平稳和随机性的特征，基于小波变换的滤波算法能够在时-频率域中进行多尺度的小波分解，因此具有多分辨分析的功能和一定的自适应性，可以把原始信号分解成不同的频段，然后在不同的分阶层上区分信号的突变部分和噪声部分，从而提取出基线信号，达到去除基线漂移的效果。而和小波变换相似的傅里叶变换在去噪方面是将信号在频率范围进行分析，适合平稳信号的处理，而脉搏波信号属于人体的生理信号，具有突变或者非平稳的特征，所以傅里叶变换对于去除本研究对象中存在的基线漂移是不合适的。而小波变换是将波形信号展开为小波函数族的线性叠加，所提取的某一级的低频信号具有逼近基线漂移信号的特点，因此小波变换适合于本发明研究对象脉搏波信号去除基线漂移的要求。

下面是改进的中值滤波快速算法的操作步骤：

本发明对采集到的脉搏波信号进行去除高频噪声干扰的处理，采用了改进后的中值滤波快速算法，下面是中值滤波快速算法的操作步骤：

(1)对滑动窗口进行排序，取窗口内中间值

设滑动窗口的大小为m，对窗口内数据{a_i,a_i+1,…,a_i+m-1}按从小到大的顺序进行排序，得到有序序列{S₁,S₂,…,S_m}，输出中间值S_(m+1)/2。

(2)删除最早进入滑动窗口的元素，窗口向后滑动

a_i是最先进入窗口序列{a_i,a_i+1,…,a_i+m-1}中的元素，设a_i是排序后窗口序列{S₁,S₂,…,S_m}中的S_e。将a_i和S_e删除，窗口向前滑动一个位置，a_i+m为新进入窗口待排序的元素，如图6所示。

(3)利用二分查找法，确定要插入新数据的位置

设新进入窗口的下一个元素为a_i+m，a_i为上一个滑动窗口最先进入的元素，S_e是a_i在上一个排序后窗口序列中的元素。首先判断a_i+m与S_e-1、S_e+1的大小关系：

a)如果a_i+m<S_e-1，在{S₁,…,S_e-1}中，利用二分法寻找满足条件S_j≤a_i+m≤S_j+1的位置；

b)如果a_i+m>S_e+1，在{S_e+1,…,S_m}中，利用二分法寻找满足条件S_j≤a_i+m≤S_j+1的位置；

c)如果S_e-1≤a_i+m≤S_e+1，a_i+m的插入到上一个排序后窗口序列中删除的元素S_e的位置。

这样使得插入后的新序列{S₁,…,a_i+1,…,S_m}仍然是从小到大有序的。二分查找流程图如图7所示。

下面是去除基线漂移的步骤：

(1)确定信号的小波的正交基和分解的尺度

信号小波正交基主要根据小波的尺度函数和小波函数来选择。选择不同尺度函数，在频域上对应着不同的波段。在小波尺度函数中，db3尺度函数接近脉搏波信号的特征波段，所以本文选择db3尺度函数的小波分解对脉搏波信号进行去噪处理。

(2)多级小波分解

一维离散小波变换可以看成由低通滤波器和高通滤波器组成的一棵分解树，每一层的低通信号保持原始波形的大致波形(近似信号)，而高通信号突出了信号的细节特征(细节信号)，其小波分解树示意图如图8所示，其中A表示近似信号，D表示细节信号。

原始波形信号通过如上图的一对高通和低通滤波器进行的小波分解叫做一级小波分解，信号的分解过程可以叠代，如果对信号的高频分量(细节信号)不再分解，而对低频分量(近似信号)连续进行分解，就得到多个分辨率较低的近似信号，形成如上图所示的小波分解树(WaveletDecompositionTree)。

通过对不同的小波函数和分解尺度与ECG和PPG信号进行对比，本发明选择db3小波基对脉搏波信号进行8级和7级尺度小波分解。

5)生理参数计算模块

在经过滤波处理后的脉搏波中寻找主波峰、重搏波峰、主波峰高度、重搏波峰高度，通过这些参数计算人体的生理参数。

如图9，在先后经过中值滤波和去除基线漂移算法后，利用微分法找到所有的极大值点后，为了找到主峰，还需要归一化处理，归一化函数为：

$y=\frac{x-\mathrm{MinValue}}{\mathrm{MaxValue}-\mathrm{MinValue}}---\left(2\right)$

x、y分别为转换前、后的值，MaxValue、MinValue分别为样本的最大值和最小值。归一化后，我们看到波峰的范围处在[0.5，1]中，利用微分法寻找所有的极大值点，如果极大值点处在范围[0.5，1]中，该点就是主波波峰。找到主波波峰点后，接下来前一个极大值点就是重播波峰。

(1)心率的计算

寻找到主峰和重搏波峰后，最容易、最直观的就是人体的心动周期(心率)的计算。这便是人体血液容积的周期性变化，这种周期性是由于心脏的收缩舒张引起的，通过统计一分钟时间内周期的个数可以计算出人体脉率的大小，即心脏每分钟跳动的次数，通过计算光电容积脉搏波周期的长短可以计算出心脏一次收缩舒张所占用的时间，从而求出瞬时脉率。计算心率的公式如下：

$\mathrm{HR}=60\&times;\frac{f}{N}---\left(3\right)$

f是脉搏波的采样频率(在本发明中指的就是视频的帧频)，n是脉搏波一个心动周期的点数。

本发明为了测量的准确性，在检测分析时，采用了叠加平均算法，取三次计算的平均值作为心率的计算值。心率的计算如图10所示。

因此，心率的计算公式如下：

$H{R}_1=60\&times;\frac{f}{N_1}---\left(4\right)$

$H{R}_2=60\&times;\frac{f}{N_2}---\left(5\right)$

$H{R}_3=60\&times;\frac{f}{N_3}---\left(6\right)$

$\mathrm{HR}=\frac{H{R}_1+H{R}_2+H{R}_3}{3}\left(7\right)$

(2)左心室收缩时间

左心室收缩时间是指从脉搏波迅速上升的起点到重播波切迹的间距，如图11所示，即从主动脉掰开放到主动脉掰关闭(左心室)所需要的时间(单位：s)。根据左心室收缩时间的定义，本文计算左心室收缩时间的方法是：在脉搏波滤波后，求出收缩期的采样点，然后再除以采样率，结果就是所求的左心室收缩时间。本发明每次去三个比较稳定的脉搏波来计算左心室收缩时间，然后取它们的平均值作为最终的左心室收缩时间。

(3)平均压

全称为平均动脉压，是指一个心动周期中动脉血压的平均值。本发明平均压的计算公式如下：

(4)心搏出量与心输出量

心搏出量，是指心脏每次收缩碰触血液的总量，单位为mL。心输出量定义为心脏分钟泵出血液的总量，单位为L/min。心搏出量和心输出量是诊断心血管疾病和血液动力学的一个重要参数，是评价心脏做功能力的基本指标，他们的检测对于掌握病情、早起发现心血管功能异常，尤其对于指导临床针对性用药、抢救血流动力学不稳定的患者，以及检测用药疗效，有着非常重要的意义。因此，心搏出量和心输出量的准确测定具有十分重大的医学实用价值和广阔的临床应用前景。

心搏出量和心输出量的测量主要有有创法和无创法两大类。临床中常通过有创法来检测出输出量，所测的结果比较直观、可靠和准确，在临床上被视为标准的测量方法，但是本发明主要是使用智能手机来获得人体的生理参数，考虑到简单性，本发明使用无创法中的Meeb-Rubner公式法来计算心输出量。这是一种由Meeb-Rubner公式估算每搏输出量的方法，计算公式为

SV＝-6.6+0.25×(ET-35)-0.62×HR+40.4×BSA-0.51×Age(8)

ET为左心室收缩时间；BSA为体表面积，BSA的计算公式为BSA＝(0.007184×Weight^0.425×Height^0.725)，Height为用户的身高，Weight为用户的体重；Age为用户的年龄；HR为用户当时的心率。

心输出量的计算公式为

$\mathrm{CO}=\frac{\mathrm{SV}\&times;\mathrm{HR}}{1000}---\left(9\right)$

(5)外周阻力

外周阻力，是指血液在小动脉与毛细血管中流动时所遇到的阻力。外周阻力的变化受血液本身的年度和血管半径等因素的影响，血管口径如果有轻微变化，就会显著地影响血流阻力；而血管口径的变化则是在神经体液因素调解下通过血管平滑肌的舒缩活动实现的。外周阻力的变化时心血管功能的一项重要指标。外周阻力的测量主要涉及压力、流量等有关计算。计算过程如下：

a)理论原理

在弹性腔理论的基础上，动脉弹性腔中的血液压力p所满足的方程为公式(10)和(11)，

$C\frac{\mathrm{dp}}{\mathrm{dt}}+\frac{p-p_v}{R}=Q_{\mathrm{in}},0\&le;t<T_S---\left(10\right)$

$C\frac{\mathrm{dp}}{\mathrm{dt}}+\frac{p-p_v}{R}=0,T_S\&le;t<T---\left(11\right)$

在以上公式中，Pv为静脉腔中的血液压力，通常可认为是恒定的常量；Qin为收缩期(0≤t<T_S)，内心室射入主动脉的血液流量，通常是时间t的函数；R为外周阻力，在弹性腔理论中，它是与压力p无关的常量；C为动脉弹性腔的顺应性。

实践表明，心血管动力学参量(如心搏输出量SV、外周阻力R与动脉顺应性指数C等)的改变将引起动脉中压力波形的变化。因此，压力脉搏波波形图与这些心血管动力学参量指尖存在着一定的内在联系。为了找到这种联系，并判断是否有可能利用脉搏波波形图的改变来预测某些心血管动力学参量的变化，本发明首先导出心血管动力学参量随脉搏波波形图面积的变化情况。下面，将收缩期的方程在收缩期内积分，得到

$C{\&Integral;}_0^{T_s}\frac{\mathrm{dp}}{\mathrm{dt}}\mathrm{dt}+\frac{1}{R}{\&Integral;}_0^{T_s}(p-p_v)\mathrm{dt}={\&Integral;}_0^{\mathrm{Ts}}{Q}_{\mathrm{in}}\mathrm{dt}---\left(12\right)$

同样，将舒张期的方程在舒张期内积分，得到

$C{\&Integral;}_{T_s}^T\frac{\mathrm{dp}}{\mathrm{dt}}\mathrm{dt}+\frac{1}{R}{\&Integral;}_{T_s}^T(p-p_v)\mathrm{dt}=0---\left(13\right)$

在收缩期起始时刻(即t＝0)或舒张期终止时刻(t＝T)，动脉弹性腔中的血压值就是舒张压pd，而收缩期终止时刻(即t＝T_s)，动脉中所对应的血压值为p_s ^*。这样，由式(12)与式(13)，可分析得到

$C({p_s}^{*}-p_d)+\frac{1}{R}{A}_s=\mathrm{SV}---\left(14\right)$

$C(p_d-{p_s}^{*})+\frac{1}{R}{A}_d=0---\left(15\right)$

式中，表示每搏输出量；表示收缩期内，脉搏波曲线p(t)之下、静脉压p_v之上所围成脉搏波波形图区域的面积；表示舒张期内，脉搏波曲线p(t)之下、静脉压p_v之上所围成脉搏波波形图区域的面积，如图12所示。

由式(14)与式(15)可得

$R=\frac{A_s+A_d}{\mathrm{SV}}---\left(16\right)$

同时，根据脉搏波波形图面积的定义，一个心动周期中脉搏波波形图的总面积A_s+A_d可以表示为

$A_s+A_d={\&Integral;}_0^T(p-p_v)\mathrm{dt}={\&Integral;}_0^T\mathrm{pdt}-{\&Integral;}_0^T{p}_v\mathrm{dt}---\left(17\right)$

把平均压代入式(17)，得到

$A_s+A_d=\stackrel{\&OverBar;}{p}T-{\&Integral;}_0^T{p}_v\mathrm{dt}---\left(18\right)$

由于可以近似的认为静脉压pv在一个心动周期内是维持不变的，则式(18)可以进一步表示为

$A_s+A_d=(\stackrel{\&OverBar;}{p}-p_v)T---\left(19\right)$

将式(19)代入式(16)，可以得到

$R=\frac{\stackrel{\&OverBar;}{p}-p_v}{\mathrm{SV}}T---\left(20\right)$

同时，再将心输出量和代入式(20)可得到

$R=\frac{\stackrel{\&OverBar;}{p}-p_v}{\mathrm{CO}}\&times;\frac{60}{1000}---\left(21\right)$

又因为p_v(静脉压)通常可取为1.33×103Pa，接近于零，所以

$R\&ap;\frac{\stackrel{\&OverBar;}{p}}{\mathrm{CO}}\&times;\frac{60}{1000}---\left(22\right)$

b)测量外周阻力流程图

根据第一步的原理，本文测量外周阻力所设计的软件流程图，如图13所示。

(6)其他生理参数的计算

动脉分散性、反射指数

6)UI界面设计模块

UI用户界面为了让用户更清晰直观的看到自己的脉搏波，在录制完手指尖血液变化视频后，处理视频的时候，每处理一帧就将这一帧的结果输出到手机屏幕上，这样随着时间就会生成一条动态的脉搏波曲线。处理完视频后，就可以点击按钮生成用户生理参数报表。

7)数据存储模块

如图4所示，为本软件的数据流程图,从智能手机自带的摄像头录制的视频流到绿光值数据，再到脉搏波数据，生成生理参数，最后把用户的生理参数存储到Android系统中的SQLite数据库中。主要有添加用户、删除用户、修改用户基本信息；保存、删除录制手指视频文件；保存、删除生成的生理参数等功能。

可以理解的是，以上关于本发明的具体描述，仅用于说明本发明而并非受限于本发明实施例所描述的技术方案，本领域的普通技术人员应当理解，仍然可以对本发明进行修改或等同替换，以达到相同的技术效果；只要满足使用需要，都在本发明的保护范围之内。

Claims (10)

1.一种生理参数的测量方法，其特征在于包括以下步骤：

1)将用户手指覆盖手机摄像头，打开手机闪光灯，运用手机摄像头中的图像传感器拍摄；

2)手机通过对每帧图像的所有像素的RGB的绿光值进行量化判断和计算平均灰度值，绘制绿光曲线，计算每帧色彩的变化，形成脉搏波曲线；对脉搏波进行中值滤波，去除基线漂移；

3)输入用户身体参数；在经过滤波处理后的脉搏波中寻找主波峰、重搏波峰、主波峰高度、重搏波峰高度，通过这些参数计算人体的生理参数。

2.根据权利要求1所述一种生理参数的测量方法，其特征在于在录制指尖颜色变化前，先测定手指放置的位置是否正确，选取视频中每一帧的九个位置，然后统计每一个位置30帧对应的数据，然后求每个点位置的方差，计算公式如下：

$U_A=\frac{A1+A2+A3+...+A30}{30}$

$\&PartialD;=\frac{{(A1-U_A)}^2+{(A2-U_A)}^2+{(A3-U_A)}^2+...+{(A30-U_A)}^2}{30}$

式中，A1,A2,A3...,A30为每个位置对应的像素值，U_A为每个位置30帧像素的平均值，为每个位置的方差。

3.根据权利要求2所述一种生理参数的测量方法，其特征在于所述手指在每个位置的数值在100-200像素值之间。

4.根据权利要求1所述一种生理参数的测量方法，其特征在于所述脉搏波的获取方式为手机摄像头录制指尖的血液变化，录制的方式为调用系统的录像功能；

调用手机硬件模块,在AndroidManifest.xml文件中加入相应的使用摄像头的权限声明。

5.根据权利要求1所述一种生理参数的测量方法，其特征在于所述脉搏波的展示界面使用SurfaceView对象完成，使用SurfaceHolder接口访问surface对象，采用getHolder()方法得到这个接口；锁定视图，画完一部分再解锁，动态生成曲线。

把曲线在(a,b)中的数据x，缩小或放大到区间(m,n)中：

$Y=\frac{n-m}{b-a}\&times;(x-a)+m---\left(1\right)$

Y是数据x经过缩小后的结果，将计算出的Y可以直接的动态的画到视图中，将计算出的点动态的画到视图中，先取出第一个数据，然后把区间定为(x1-100000,x1+100000)，再代入公式(1)。

6.根据权利要求1所述一种生理参数的测量方法，其特征在于所述中值滤波包括以下步骤：

(1)对滑动窗口进行排序，取窗口内中间值

设滑动窗口的大小为m，对窗口内数据{a_i,a_i+1,…,a_i+m-1}按从小到大的顺序进行排序，得到有序序列{S₁,S₂,…,S_m}，输出中间值S_(m+1)/2；

(2)删除最早进入滑动窗口的元素，窗口向后滑动；

a_i是最先进入窗口序列{a_i,a_i+1,…,a_i+m-1}中的元素，a_i是排序后窗口序列{S₁,S₂,…,S_m}中的S_e；将a_i和S_e删除，窗口向前滑动一个位置，a_i+m为新进入窗口待排序的元素；

(3)利用二分查找法，确定要插入新数据的位置

新进入窗口的下一个元素为a_i+m，a_i为上一个滑动窗口最先进入的元素，S_e是a_i在上一个排序后窗口序列中的元素；首先判断a_i+m与S_e-1、S_e+1的大小关系：

a)如果a_i+m<S_e-1，在{S₁,…,S_e-1}中，利用二分法寻找满足条件S_j≤a_i+m≤S_j+1的位置；

b)如果a_i+m>S_e+1，在{S_e+1,…,S_m}中，利用二分法寻找满足条件S_j≤a_i+m≤S_j+1的位置；

c)如果S_e-1≤a_i+m≤S_e+1，a_i+m的插入到上一个排序后窗口序列中删除的元素S_e的位置。

7.根据权利要求1所述一种生理参数的测量方法，其特征在于所述去除基线漂移的步骤：

(1)确定信号的小波的正交基和分解的尺度

选择db3尺度函数的小波分解对脉搏波信号进行去噪处理；

(2)多级小波分解

一维离散小波变换为由低通滤波器和高通滤波器组成的一棵分解树，每一层的低通信号保持原始波形的大致波形，高通信号突出信号的细节特征。

8.根据权利要求7所述一种生理参数的测量方法，其特征在于所述选择db3小波基对脉搏波信号进行8级和7级尺度小波分解。

9.根据权利要求1所述一种生理参数的测量方法，其特征在于所述步骤3)在先后经过中值滤波和去除基线漂移算法后，利用微分法找到所有的极大值点后，归一化处理，归一化函数为：

$y=\frac{x-\mathrm{MinValue}}{\mathrm{MaxValue}-\mathrm{MinValue}}---\left(2\right)$

x、y分别为转换前、后的值，MaxValue、MinValue分别为样本的最大值和最小值；利用微分法寻找所有的极大值点，如果极大值点处在范围[0.5，1]中，该点是主波波峰；找到主波波峰点后，接下来前一个极大值点是重播波峰；

(1)心率的计算

寻找到主峰和重搏波峰后，对人体的心动周期(心率)计算；统计一分钟时间内周期的个数计算出人体脉率的大小，通过计算光电容积脉搏波周期的长短计算出心脏一次收缩舒张所占用的时间，求出瞬时脉率；计算心率的公式如下：

$\mathrm{HR}=60\&times;\frac{f}{N}---\left(3\right)$

f是脉搏波的采样频率(在本发明中指的就是视频的帧频)，n是脉搏波一个心动周期的点数；采用叠加平均算法，取三次计算的平均值作为心率的计算值；心率的计算公式如下：

$H{R}_1=60\&times;\frac{f}{N_1}---\left(4\right)$

$H{R}_2=60\&times;\frac{f}{N_2}---\left(5\right)$

$H{R}_3=60\&times;\frac{f}{N_3}---\left(6\right)$

$\mathrm{HR}=\frac{H{R}_1+H{R}_2+H{R}_3}{3}---\left(7\right)$

(2)左心室收缩时间

在脉搏波滤波后，求出收缩期的采样点，然后再除以采样率，结果是左心室收缩时间；每次取三个比较稳定的脉搏波来计算左心室收缩时间，然后取它们的平均值作为最终的左心室收缩时间；

(3)平均压

心动周期中动脉血压的平均值，平均压的计算公式如下：

(4)心搏出量与心输出量

计算公式为

SV＝-6.6+0.25×(ET-35)-0.62×HR+40.4×BSA-0.51×Age(8)

ET为左心室收缩时间；BSA为体表面积，BSA的计算公式为BSA＝(0.007184×Weight^0.425×Height^0.725)，Height为用户的身高，Weight为用户的体重；Age为用户的年龄；HR为用户当时的心率。

心输出量的计算公式为

$\mathrm{CO}=\frac{\mathrm{SV}\&times;\mathrm{HR}}{1000}---\left(9\right)$

(5)外周阻力

外周阻力测量压力、流量；计算过程如下：

动脉弹性腔中的血液压力p所满足的方程为公式(10)和(11)，

$C\frac{\mathrm{dp}}{\mathrm{dt}}+\frac{p-p_v}{R}=Q_{\mathrm{in}},0\&le;t<T_S---\left(10\right)$

$C\frac{\mathrm{dp}}{\mathrm{dt}}+\frac{p-p_v}{R}=0,T_S\&le;t<T---\left(11\right)$

在以上公式中，Pv为静脉腔中的血液压力；Qin为收缩期(0≤t<T_S)，内心室射入主动脉的血液流量；R为外周阻力；C为动脉弹性腔的顺应性；

导出心血管动力学参量随脉搏波波形图面积的变化情况；下面，将收缩期的方程在收缩期内积分，得到

$C{\&Integral;}_0^{T_s}\frac{\mathrm{dp}}{\mathrm{dt}}\mathrm{dt}+\frac{1}{R}{\&Integral;}_0^{T_s}(p-p_v)\mathrm{dt}={\&Integral;}_0^{\mathrm{Ts}}{Q}_{\mathrm{in}}\mathrm{dt}---\left(12\right)$

同样，将舒张期的方程在舒张期内积分，得到

$C{\&Integral;}_{T_s}^T\frac{\mathrm{dp}}{\mathrm{dt}}\mathrm{dt}+\frac{1}{R}{\&Integral;}_{T_s}^T(p-p_v)\mathrm{dt}=0---\left(13\right)$

在收缩期起始时刻(即t＝0)或舒张期终止时刻(t＝T)，动脉弹性腔中的血压值就是舒张压pd，而收缩期终止时刻(即t＝T_s)，动脉中所对应的血压值为p_s ^*。这样，由式(12)与式(13)，可分析得到

$C({p_s}^{*}-p_d)+\frac{1}{R}{A}_s=\mathrm{SV}---\left(14\right)$

$C(p_d-{p_s}^{*})+\frac{1}{R}{A}_d=0---\left(15\right)$

式中，表示每搏输出量；表示收缩期内，脉搏波曲线p(t)之下、静脉压p_v之上所围成脉搏波波形图区域的面积；表示舒张期内，脉搏波曲线p(t)之下、静脉压p_v之上所围成脉搏波波形图区域的面积

由式(14)与式(15)可得

$R=\frac{A_s+A_d}{\mathrm{SV}}---\left(16\right)$

一个心动周期中脉搏波波形图的总面积A_s+A_d表示为

$A_s+A_d={\&Integral;}_0^T(p-p_v)\mathrm{dt}={\&Integral;}_0^T\mathrm{pdt}-{\&Integral;}_0^T{p}_v\mathrm{dt}---\left(17\right)$

把平均压代入式(17)，得到

$A_s+A_d=\stackrel{\&OverBar;}{p}T-{\&Integral;}_0^T{p}_v\mathrm{dt}---\left(18\right)$

静脉压pv在一个心动周期内是维持不变的，式(18)进一步表示为

$A_s+A_d=(\stackrel{\&OverBar;}{p}-p_v)T---\left(19\right)$

将式(19)代入式(16)，得到

$R=\frac{\stackrel{\&OverBar;}{p}-p_v}{\mathrm{SV}}T---\left(20\right)$

同时，再将心输出量和代入式(20)得到

$R=\frac{\stackrel{\&OverBar;}{p}-p_v}{\mathrm{CO}}\&times;\frac{60}{1000}---\left(21\right)$

p_v(静脉压)取为1.33×103Pa，

$R\&ap;\frac{\stackrel{\&OverBar;}{p}}{\mathrm{CO}}\&times;\frac{60}{1000}---\left(22\right)$

10.根据权利要求1所述一种生理参数的测量方法，其特征在于在录制完手指尖血液变化视频后，处理视频的时候，每处理一帧就将这一帧的结果输出到手机屏幕上，随着时间生成一条动态的脉搏波曲线；处理完视频后，点击按钮生成用户生理参数报表；

从手机自带的摄像头录制的视频流到绿光值数据，再到脉搏波数据，生成生理参数，最后把用户的生理参数存储到Android系统中的SQLite数据库中；有添加用户、删除用户、修改用户基本信息；保存、删除录制手指视频文件；保存、删除生成的生理参数功能。