CN108670253A - 基于生物电阻抗检测终端的物联网智慧美容系统及方法 - Google Patents

Abstract

本发明属于智能物联网技术领域，具体涉及基于生物电阻抗检测终端的物联网智慧美容系统，包括基于m序列生物电阻抗和全相位FFT响应算法的生物电阻抗检测终端，还包括智能移动设备端和基于云计算大数据构建的互联网平台，所述的生物电阻抗检测终端为可穿戴结构，且与智能移动设备端通讯连接；所述生物电阻抗检测终端拥有灵敏金属探头，能够精准的进行数据采集；所述生物电阻抗检测终端内置独立传感系统；本发明采用可穿戴的基于m序列生物电阻抗和全相位FFT响应算法的生物电阻抗检测终端，通过表面电极阵列施加激励电流或电压，测量边界电压或电流信号来获取皮肤电特性参数分布，进而重建皮肤功能特性数据模型。

Description

基于生物电阻抗检测终端的物联网智慧美容系统及方法

技术领域

本发明属于智能物联网技术领域，具体涉及基于生物电阻抗检测终端的物联网智慧美容系统及方法。

背景技术

在研究中，我们发现，空气污染严重，工作强度增加，化妆品滥用，越来越多的人肌肤健康度很低，随着人们越来越重视自己的外表，而大部分女性都很不满意自己肌肤状况。但国内市场专业的护肤研究非常少，市面上流通的多是对人体有害的药用美容用品或非药用安慰型美容用品，人们也缺少有效方法解决自己的肌肤健康问题。为此，如何准确判断自己的肌肤类型，以及如何选用护肤品进行科学护肤成为了现目前亟待解决的技术难题。

发明内容

本发明目的是：旨在提供基于生物电阻抗检测终端的物联网智慧美容系统及方法，其以皮肤细胞学为主要诉求，以大量不同用户的肌肤特性数据和护肤数据为基础，依据用户地区分布、肌肤特性、不同年龄、肤质及环境指数等数据，采用可穿戴的基于m序列生物电阻抗和全相位FFT响应算法的生物电阻抗检测终端，通过表面电极阵列施加激励电流或电压，测量边界电压或电流信号来获取皮肤电特性参数分布，进而重建皮肤功能特性数据模型，经过云计算和大数据综合分析计算，科学判断肌肤类型和需求，帮助个人消费者科学护肤、科学购买护肤品。

为实现上述技术目的，本发明采用的技术方案如下：

基于生物电阻抗检测终端的物联网智慧美容系统，包括基于m序列生物电阻抗和全相位 FFT响应算法的生物电阻抗检测终端，还包括智能移动设备端和基于云计算大数据构建的互联网平台，

所述的生物电阻抗检测终端为可穿戴结构，且与智能移动设备端通讯连接；

所述生物电阻抗检测终端拥有灵敏金属探头，能够精准的进行数据采集；

所述生物电阻抗检测终端内置独立传感系统，通过金属探头点触皮肤检测肌肤的水份、油份、弹性，所述的金属探头集中分布在检测仪前端的测试面上；

所述生物电阻抗检测终端采用的是以m序列伪随机信号作为测量生物电阻抗的激励源模型，采用基于VHDL语言编程的FPGA设计方法，实现m序列伪随机信号的生成；

所述生物电阻抗检测终端采用FPGA数据采集系统，采用基于模拟运算放大器的电压控制电流源电路(VCCS)，为BIS提供输出阻抗高、频率特性好、响应速度快的高精度驱动电路，对激励信号和响应信号实现2路同步采样，为后续的相关检测算法提供数据；

所述生物电阻抗检测终端采用基于快速傅里叶变换(FFT)的快速相关检测算法，FPGA数据采集系统得到的结果是被测阻抗的时域冲激响应，为了得到阻抗频谱值，系统采用快速相关算法和全相位FFT求阻抗值的算法，利用循环卷积与FFT之间的对应关系，通过序列补零加长的方法，通过被测阻抗的时域冲激响应，得到阻抗频谱值；

所述生物电阻抗检测终端取得阻抗频谱值后，经由信号滤波、整形等处理后，采样量化得到信号量的大小，从而推算出皮肤的阻抗值；通过基于理论分析以及大量实验模拟仿真的肌肤数据计算模型得到拟合修正转换方程，将阻抗值代入方程推算得到肌肤角质层含水量；

所述生物电阻抗检测终端采用低功耗蓝牙4.0传输数据，支持安装ios5和Android系列智能移动设备端；

所述智能移动设备端的APP则帮助用户准确的获得自己皮肤的水分、油分特点等皮肤信息，对自己的肤质有所掌握，并在此基础上进行护肤品的选择；

所述生物电阻抗检测终端通过蓝牙传输和智能移动设备端的APP连接；

所述基于云计算大数据构建的互联网平台包括通过通讯网络与所述移动设备端连接的云服务器；

所述基于云计算大数据构建的互联网平台是基于移动互联网及云计算技术的移动与社交分享系统；

所述基于云计算大数据构建的互联网平台是基于微信基础之上的新型移动电子商务平台，实现了多微站、多客户转接、多功能群发、粉丝会员积分统一、模块嫁接等功能；

所述基于云计算大数据构建的互联网平台内置大量DIY设计扩展属性；

所述基于云计算大数据构建的互联网平台内置模块都是可以独立安装拆卸的；

所述基于云计算大数据构建的互联网平台是内置多微站体系，一个公众号可以建立多个微站；

所述基于云计算大数据构建的互联网平台在功能上，系统与微信公众平台、通过数据交换相互提供数据支持，数据在多通道经营中，实现数据同步化管理；

所述基于云计算大数据构建的互联网平台内置基于理论分析及大量实验模拟仿真的肌肤数据计算模型；

所述基于云计算大数据构建的互联网平台内置肌肤数据计算模型包括结合用户地区分布、肌肤特性、不同年龄、肤质及环境指数的智能算法。

采用上述的基于生物电阻抗检测终端的物联网智慧美容系统进行肌肤分析的方法，包括以下步骤：

步骤一、将所述的生物电阻抗检测终端与人体肌肤接触，然后采用基于FPGA的高速数据采集系统在与肌肤接触的电极上施加微小电信号，在流经皮肤之后形成回路；

步骤二、以m序列伪随机信号作为测量生物电阻抗的激励源模型，采用全相位频谱分析方法，求取被测阻抗的频率响应，通过全相位FFT算法从而推算出皮肤的阻抗值；

步骤三、通过基于理论分析以及大量实验模拟仿真的肌肤数据计算模型得到拟合修正转换方程，将阻抗值代入方程推算得到肌肤角质层含水量。

采用本发明的技术方案，通过智能硬件结合移动互联网的方式让传统的硬件能够进行数据交换，让传统硬件变得更加智能化。它面向普通消费者市场，帮助普通消费者通过简单、便捷的工具和随身携带的智能移动设备端，快速获取护肤水分、弹性等基础数据，帮助消费者判断肌肤类型和需求，解决普通消费者对美妆护理个性化、专业化的需求，使得护肤、化妆更科学，更有针对性，更加有效。同时，可以帮助商家正确、科学的引导个人消费者科学护肤、科学购买护肤品。

附图说明

本发明可以通过附图给出的非限定性实施例进一步说明；

图1为本发明基于生物电阻抗检测终端的物联网智慧美容系统实施例中最长线性移位寄存器的产生示意图；

图2为本发明基于生物电阻抗检测终端的物联网智慧美容系统实施例中m序列生成原理图；

图3为本发明基于生物电阻抗检测终端的物联网智慧美容系统实施例中的5阶m序列波形图；

图4为本发明基于生物电阻抗检测终端的物联网智慧美容系统实施例中的5阶m序列自相关图；

图5为本发明基于生物电阻抗检测终端的物联网智慧美容系统实施例中的5阶m序列功率谱；

图6为本发明基于生物电阻抗检测终端的物联网智慧美容系统实施例中m序列的产生结构图；

图7为本发明基于生物电阻抗检测终端的物联网智慧美容系统实施例中生物电阻抗四电极测量原理图；

图8为本发明基于生物电阻抗检测终端的物联网智慧美容系统实施例中基于m序列激励的阻抗频谱测量系统结构图；

图9为本发明基于生物电阻抗检测终端的物联网智慧美容系统实施例的测试平台的系统框图；

图10为本发明基于生物电阻抗检测终端的物联网智慧美容系统实施例中激励源电流驱动电路的设计图；

图11为本发明基于生物电阻抗检测终端的物联网智慧美容系统实施例中单-双极性转换电路图；

图12为本发明基于生物电阻抗检测终端的物联网智慧美容系统实施例中模拟开关基准电压电路图；

图13为本发明基于生物电阻抗检测终端的物联网智慧美容系统实施例中AD采样电路图；

图14为本发明基于生物电阻抗检测终端的物联网智慧美容系统实施例中FPGA控制流程图；

图15为本发明基于生物电阻抗检测终端的物联网智慧美容系统实施例中FPGA时序图；

图16为本发明基于生物电阻抗检测终端的物联网智慧美容系统实施例的软件流程图；

图17为本发明基于生物电阻抗检测终端的物联网智慧美容系统实施例中1M正弦波部分波形图(通道一)；

图18为本发明基于生物电阻抗检测终端的物联网智慧美容系统实施例中500K正弦波部分波形图(通道一)；

图19为本发明基于生物电阻抗检测终端的物联网智慧美容系统实施例中100K方波部分波形图(通道一)；

图20为本发明基于生物电阻抗检测终端的物联网智慧美容系统实施例中200K方波部分波形图(通道一)；

图21为本发明基于生物电阻抗检测终端的物联网智慧美容系统实施例中1M正弦波部分波形图(通道二)；

图22为本发明基于生物电阻抗检测终端的物联网智慧美容系统实施例中500K正弦波部分波形图(通道二)；

图23为本发明基于生物电阻抗检测终端的物联网智慧美容系统实施例中100K方波部分波形图(通道二)；

图24为本发明基于生物电阻抗检测终端的物联网智慧美容系统实施例中200K方波部分波形图(通道二)；

图25为本发明基于生物电阻抗检测终端的物联网智慧美容系统实施例中通道一所采m序列部分波形图；

图26为本发明基于生物电阻抗检测终端的物联网智慧美容系统实施例中通道二所采生物电阻抗响应信号部分波形图；

图27为本发明基于生物电阻抗检测终端的物联网智慧美容系统实施例中生物电阻抗检测算法原理图；

图28为本发明基于生物电阻抗检测终端的物联网智慧美容系统实施例中传统相关算法输入序列图；

图29为本发明基于生物电阻抗检测终端的物联网智慧美容系统实施例中传统的相关算法图；

图30为本发明基于生物电阻抗检测终端的物联网智慧美容系统实施例中两正弦信号的波形图；

图31为本发明基于生物电阻抗检测终端的物联网智慧美容系统实施例中信号传统算法自相关和互相关图；

图32为本发明基于生物电阻抗检测终端的物联网智慧美容系统实施例中基于FFT的快速相关算法示意图；

图33为本发明基于生物电阻抗检测终端的物联网智慧美容系统实施例中改进算法补零后的序列图；

图34为本发明基于生物电阻抗检测终端的物联网智慧美容系统实施例中改进算法的相关函数图；

图35为本发明基于生物电阻抗检测终端的物联网智慧美容系统实施例中两正弦信号补零后的波形图；

图36为本发明基于生物电阻抗检测终端的物联网智慧美容系统实施例中两正弦信号改进算法自相关和互相关图；

图37为本发明基于生物电阻抗检测终端的物联网智慧美容系统实施例中系统标定采集波形图；

图38为本发明基于生物电阻抗检测终端的物联网智慧美容系统实施例中系统标定数据相关算法结果图；

图39为本发明基于生物电阻抗检测终端的物联网智慧美容系统实施例中频率校正值；

图40为本发明基于生物电阻抗检测终端的物联网智慧美容系统实施例中标定数据激励幅值校正值；

图41为本发明基于生物电阻抗检测终端的物联网智慧美容系统实施例中标定数据响应幅值校正值；

图42为本发明基于生物电阻抗检测终端的物联网智慧美容系统实施例中标定电阻阻抗趋势示意图；

图43为本发明基于生物电阻抗检测终端的物联网智慧美容系统实施例中实验结果对比图；

图44为本发明基于生物电阻抗检测终端的物联网智慧美容系统实施例中单激励检波原理图；

图45为本发明基于生物电阻抗检测终端的物联网智慧美容系统实施例中单激励仿真系统图；

图46为本发明基于生物电阻抗检测终端的物联网智慧美容系统实施例中D-DPSD仿真系统图；

图47为本发明基于生物电阻抗检测终端的物联网智慧美容系统实施例中加入噪声后的 DDPSD仿真系统图；

图48为本发明基于生物电阻抗检测终端的物联网智慧美容系统实施例中DpsD仿真结果图；

图49为本发明基于生物电阻抗检测终端的物联网智慧美容系统实施例中理想情况DpsD仿真结果；

图50为本发明基于生物电阻抗检测终端的物联网智慧美容系统实施例中加入噪声后DpsD 仿真系统图；

图51为本发明基于生物电阻抗检测终端的物联网智慧美容系统实施例中仿真结果对比；

具体实施方式

为了使本领域的技术人员可以更好地理解本发明，下面结合附图和实施例对本发明技术方案进一步说明。

本发明的基于生物电阻抗检测终端的物联网智慧美容系统，包括基于m序列生物电阻抗和全相位FFT响应算法的生物电阻抗检测终端，还包括智能移动设备端和基于云计算大数据构建的互联网平台，

生物电阻抗检测终端为可穿戴结构，且与智能移动设备端通讯连接；

生物电阻抗检测终端拥有灵敏金属探头，能够精准的进行数据采集；

生物电阻抗检测终端内置独立传感系统，通过金属探头点触皮肤检测肌肤的水份、油份、弹性，金属探头集中分布在检测仪前端的测试面上；

生物电阻抗检测终端采用的是以m序列伪随机信号作为测量生物电阻抗的激励源模型，采用基于VHDL语言编程的FPGA设计方法，实现m序列伪随机信号的生成；

生物电阻抗检测终端采用FPGA数据采集系统，采用基于模拟运算放大器的电压控制电流源电路(VCCS)，为BIS提供输出阻抗高、频率特性好、响应速度快的高精度驱动电路，对激励信号和响应信号实现2路同步采样，为后续的相关检测算法提供数据；

生物电阻抗检测终端采用基于快速傅里叶变换(FFT)的快速相关检测算法，FPGA数据采集系统得到的结果是被测阻抗的时域冲激响应，为了得到阻抗频谱值，系统采用快速相关算法和全相位FFT求阻抗值的算法，利用循环卷积与FFT之间的对应关系，通过序列补零加长的方法，通过被测阻抗的时域冲激响应，得到阻抗频谱值；

生物电阻抗检测终端取得阻抗频谱值后，经由信号滤波、整形等处理后，采样量化得到信号量的大小，从而推算出皮肤的阻抗值；通过基于理论分析以及大量实验模拟仿真的肌肤数据计算模型得到拟合修正转换方程，将阻抗值代入方程推算得到肌肤角质层含水量；

生物电阻抗检测终端采用低功耗蓝牙4.0传输数据，支持安装ios5和Android系列智能移动设备端；

智能移动设备端的APP则帮助用户准确的获得自己皮肤的水分、油分特点等皮肤信息，对自己的肤质有所掌握，并在此基础上进行护肤品的选择；

生物电阻抗检测终端通过蓝牙传输和智能移动设备端的APP连接；

基于云计算大数据构建的互联网平台包括通过通讯网络与移动设备端连接的云服务器；

基于云计算大数据构建的互联网平台是基于移动互联网及云计算技术的移动与社交分享系统；

基于云计算大数据构建的互联网平台是基于微信基础之上的新型移动电子商务平台，实现了多微站、多客户转接、多功能群发、粉丝会员积分统一、模块嫁接等功能；

基于云计算大数据构建的互联网平台内置大量DIY设计扩展属性；

基于云计算大数据构建的互联网平台内置模块都是可以独立安装拆卸的；

基于云计算大数据构建的互联网平台是内置多微站体系，一个公众号可以建立多个微站；

基于云计算大数据构建的互联网平台在功能上，系统与微信公众平台、通过数据交换相互提供数据支持，数据在多通道经营中，实现数据同步化管理；

基于云计算大数据构建的互联网平台内置基于理论分析及大量实验模拟仿真的肌肤数据计算模型；

基于云计算大数据构建的互联网平台内置肌肤数据计算模型包括结合用户地区分布、肌肤特性、不同年龄、肤质及环境指数的智能算法。

生物电阻抗频谱(BIS)是指在生物组织中表现出的电阻抗特性(包含阻性和容性)随着加载电信号频率的改变而发生变化的特性。它是一种频域的测量方法，能够测得频域较宽的阻抗谱来研究生物组织的生理特征。生物电阻抗的测量要求创伤小或者无创伤、测量快速、精度高。

传统的BIS测量方法大部分是集中于基于分时单频技术，即每次产生的激励信号只有一种频率、通过连续多次改变频率来完成阻抗测量，这种测量方法比较灵活，并能够保证较高的精度，但是需要多次改变测量频率，测量速度相对较低；同时，在不同频点切换测量时，新的电阻抗信息的建立需要较长时间，但是生物体的组织和器官状态是动态变化的，生物体阻抗信息不能够及时的捕获，因此分时单频测量技术不能准确测量生物体某具体时刻的电阻抗信息。被测生物组织在激励电流相对较长时间的作用下，很可能发生极化效应，使被测生物组织的伏安特性偏离线性关系，从而严重影响阻抗测量的真实性，因此这种分时测量的方法有可能根本不能准确反映某时刻被测生物组织各频率点的电阻抗信息。如果能够把扫频时间减少，则有可能避免被测生物组织出现极化效应，在较短时间内所测得的各个频率点的阻抗信息更能准确反映被测生物组织的真实阻抗信息。相比之下，多频率同步快速测量技术显示出了优越性。

基于m序列生物电阻抗和全相位FFT响应算法的生物电阻抗检测终端采用的检测原理是肌肤生物阻抗原理，其核心在于人体肌肤阻抗与人体肌肤水分特有的对应关系，具体做法是：采用基于FPGA的高速数据采集系统在与肌肤接触的电极上施加微小电信号，在流经皮肤之后形成回路，以m序列伪随机信号作为测量生物电阻抗的激励源模型，采用全相位频谱分析方法，求取被测阻抗的频率响应，通过全相位FFT算法从而推算出皮肤的阻抗值；通过基于理论分析以及大量实验模拟仿真的肌肤数据计算模型得到拟合修正转换方程，将阻抗值代入方程推算得到肌肤角质层含水量。

本发明以m序列伪随机信号作为测量生物电阻抗的激励源模型，设计了一套基于FPGA的高速数据采集系统并建立一整套基于相关检测算法的BIS多频率同步快速测量算法，实现多个频率点BIS的同时快速的测量，即实现BIS的瞬时扫描测量。

1、构建基于m序列激励的信号源

设计用于电阻抗测量的基于m序列的激励源，并且要求设计成电流源，具体包括：研究基于VHDL语言编程的FPGA设计方法，实现m序列伪随机信号的生成；设计基于模拟运算放大器的电压控制电流源电路(VCCS)，为BIS提供输出阻抗高、频率特性好、响应速度快的高精度驱动电路。

2、设计基于FPGA的数据采集系统

为了保证能得到可靠的数据，要求建立一套准确的采集系统，这步非常关键，构建基于 FPGA和模数转换器的采集部分，能对激励信号和响应信号实现2路同步采样，为后续的相关检测算法提供数据。

3、开发基于快速傅里叶变换(FFT)的快速相关检测算法

基于m序列激励的BIS测量是基于相关检测原理，在m序列的一个周期内同步采样得到的序列长度均为2n-1,其中的一个关键步骤需要计算长度为2n-1的序列之间的相关函数，本发明利用循环卷积与FFT之间的对应关系，通过序列补零加长的方法，设计FFT的快速相关检测算法，求取激励电流与响应电压信号之间的互相关，即被测阻抗的时域冲激响应(长度也为2n-1)。

4、求取基于全相位FFT算法的被测阻抗频率响应

上一步得到的结果是被测阻抗的时域冲激响应，为了得到阻抗频谱值，必须再对时域冲激响应进行傅立叶变换，才能得到被测阻抗的频谱值。为了减小频谱泄漏和栅栏效应，提高精度，本发明采用全相位频谱分析方法，求取被测阻抗的频率响应，从而实现BIS的多频率同步快速的测量。

5.m序列的研究和激励信号源的设计思路

生物电阻抗的测量和研究中，最基本的是选择一个合适的信号源模型，即信号源模型，本发明选择的是伪随机信号m序列，伪随机信号有自己的利用价值，m序列作为其中一种，它是一种伪随机二电平信号。它的性质决定了在生物电阻抗开发中的价值，在硬件方面它也能实现。

5.1伪随机信号的介绍

伪随机信号是一种周期比较长的信号，如果观察的时间是大于一个周期的，那么伪随机信号就是一个确定的周期信号，如果观察的时间是小于一个周期的，那么伪随机信号就貌似一个不确定的信号。伪随机信号能显示出它的非随机性。就伪随机信号和随机信号相比较，有两个比较明显的特点：

(1)随机信号是没有周期性的，而伪随机信号在经过一定的时间后是会重现的。

(2)在随机信号中，两个状态的转化在任何时刻都会发生，预先不能确定下一状态的时刻，任何瞬间状态与相邻的下一状态都是无关的，而伪随机信号是人为可以控制的，它的状态只有在整数倍的时钟周期脉冲时发生变化，在时钟脉冲间隔内，电平是不变化的，只有在固定的时间间隔内的状态和相邻的时间间隔内的状态无关。

如果在小于一个周期的范围内观察二进制的伪随机信号，有很多地方与随机信号相同：

(1)在随机二进制信号中，两种状态出现的次数统计基本相等，而伪随机信号两种状态的次数相差一次。

(2)两者都有类似白噪声信号的自相关函数。

所以，足够长的伪随机信号可以作为随机信号用。

在应用中，伪随机信号具有良好的随机性和接近于白噪声的相关函数，很容易从信号中分离出来，并且有很强的抗干扰能力，在通信、数据加扰等方面有广泛的应用。本发明选用伪随机信号当中的m序列作为研究生物电阻抗的信号源模型，用到了m序列的性质和特点。

5.2m序列的定义及介绍

m序列是最长线性反馈移位寄存器的简称，它是由线性反馈的移位寄存器产生的周期最长的一种序列。m序列是周期性的伪随机二进制序列，在m序列理论形成的初期，在通讯、导航、雷达以及密码学等技术领域都有应用。在近年的发展中应用到了自动控制、计算机、光学测量、故障检测等领域。

5.3m序列的生成

一般情况下，产生m序列的电路为反馈移位寄存器，并且是线性移位寄存器，m序列是最大线性移位寄存器的序列。它是周期最长并由线性反馈寄存器产生的一种序列，原理如图 1所示，图1中给出了n级的移位寄存器，把其中的若干级通过求取模2加法器的方法反馈到第1级。不管在哪个时刻观察寄存器的状态，都是个状态之一，每一个状态都代表了一个 n位的二进制数字。但是，要把全为0的形式排除在外，如果是一个进入全0的状态，不论反馈线是多少或在哪些级，这种状态就不会再改变了。所以，移位寄存器的状态可以是不全为0的状态中的一个。输出序列来自移位寄存器的移出，移位寄存器移位一次，节拍改变一次，整体来讲是循环的。如果线性反馈所分布的级次是恰当的，移位寄存器的状态必然经历个状态后才会循环。由此，n级移位寄存器所产生的序列的周期最长是。同时由于这种序列虽然是周期的，但当n足够大时周期可以很长，在一个周期内观察的话0和1的分布会有很多方式，对任何一位来说是0或1，貌似是随机的，所以称作伪随机码。

m序列的产生选择移位寄存器，实现的重点在于用那几级移位寄存器作为反馈级。用一个n阶的多项式f(x)表示移位寄存器，多项式的0次幂系数为1，如果k次幂的系数为1就表示第k级移位寄存器选成了反馈线，否则不是反馈线。其中的系数为0或1，x的值本质上没有实际意义，没有必要去计算x的具体值。我们称f(x)为特征多项式。比如特征多项式所产生的移位寄存器对应图2所示的原理结构。如果特征多项式f(x)是本原多项式的话，那么它所对应的移位寄存器电路就产生了m序列，如果加、减法是采用模2运算实现的话，那么就表示所产生的m序列，这个序列各位的取值按g(x)自低至高的幂次的系数。本原多项式即 f(x)必须满足以下条件：

(1)f(x)不能被1或它本身以外的其它多项式除尽；

(2)当时，则f(x)能除尽；

(3)当时，f(x)不能除尽。

通过前面的分析，只有选择好了本原多项式就能够产生m序列。但是本原多项式的寻找是很难的。通过很多人的研究将常用的本原多项式统计下来，如在表1中是一部分本原多项式。

表1本原多项式

激励信号源的设计

m序列是一种理想的多频率信号激励源

通过前面的分析，我们知道m序列是最长线性移位寄存器序列，是一种周期性的二进制伪随机信号。m序列的周期为N＝2n-1，其自相关函数是三角脉冲，当N→∞时自相关函数接近白噪声的自相关函数δ(τ)，m序列具有伪随机性质。由信号处理理论可以知道，m序列的自相关函数Rxx(τ)的傅立叶变换是功率谱函数Фxx(ω)，对于周期的m序列，自相关函数Rxx(τ)也是周期函数，所以其功率谱函数Фxx(ω)是离散的。以5阶m序列为例，其中，N＝31。其时域波形、自相关和功率谱图如图3、图4和图5所示。

在前面的分析和图3、图4和图5中，我们可以得出一些结论：因为m序列的自相关函数接近δ(τ)，对于一个未知的线性系统，若输入信号是m序列，则在一个周期内计算输入信号与系统输出信号的互相关函数，就可以获得系统的冲击响应，进而通过傅里叶变换得到系统的频率响应。并且，干扰信号和m序列的相关函数近似为0，从而使互相关函数仅包含有用的信息，极大的减小了干扰信号的影响，所以m序列对干扰信号具有极强的免疫性，对各种无意的干扰信号具有较强的抗拒性。

m序列的功率谱是离散的，谱线间隔为m序列的基频f0＝1/T＝1/(NΔt),其中Δt是产生m 序列的线性移位寄存器的时钟周期，也是码元宽度，功率谱包络为sinc2(πf/fN),fN为有效带宽，是功率谱第一个零点也是第N个谱线，fN＝Nf0＝1/Δt,半功率带宽为fC，约为0.443 fN。对于5阶的m序列来说，第一个零点内的谱线功率占总功率的89℅左右，半功率带宽内占了70℅左右，当N增大时，这种趋势会增加，可见，m序列的功率谱主要集中在半功率带宽内。

m序列的谱线个数和带宽灵活可调，当N不变，Δt变化时，带宽fN谱线间距f0均与Δ t成反比，但是带宽内谱线数目和强度不变。当Δt不变，N变化时，带宽不变，带宽内的谱线数目会随着N的变化而变化，但是每个分量的强度会随N变化有所变化，带内总功率基本不变。由于m序列在时域里只包含两个电平信号，方便实现。

通过分析知道，m序列是一种理想的多频率同步激励信号。

通过前面的介绍和分析，要想产生m序列首先要选择本原多项式，整个设计流程如图6 所示，m序列产生的移位时钟由外接的有源晶振提供，再有FPGA系统经过锁相环和分频器获得移位寄存器所需要的时钟，用D触发器级联的办法形成移位寄存器，并根据本原多项式设计初值和级数。最后产生需要的m序列。

生物电阻抗快速测量平台的构建

生物电阻抗的测量平台首先要建立一个基于m序列的电流激励信号源，其次这个平台需要能对激励信号m序列和电阻抗响应信号的数据同步采样，所以要有一个双通道数据采集系统。由于本发明的要求是快速测量，所以采集速度要高些。再次硬件平台还需要对所采集的数据进行保存，并能实现数据的控制和传输、显示等功能。

测量原理：

生物电阻抗测量的物理学基础是欧姆定律：R＝U/I，它反映了电压U、电流I之间的线性关系。但是，生物组织中除了纯电阻效应，还有部分电容(容抗)效应。为了更加准确的反映生物组织的复阻抗特性，可以将欧姆定律进行推广，电压U与电流I之间不仅在幅值上存在比例关系，而且在相位上存在先后关系，电阻R表示为一复数，变成了电阻抗。生物电阻抗测量是一种无创伤测量方法，一般采用“电流驱动电压测量”模式，即就是借助置于生物体表的电极向被测对象注入微小的交流电流激励信号I，检测相应的响应电压信号U。这种模式所产生的接触阻抗的影响要远小于“电压驱动电流测量”模式，而且在工程上来说实现对电压的测量要比对电流的测量更容易；另外，电流激励模式加到各电极的电流的幅值容易控制，不致引起安全问题。基于上述原因，生物阻抗测量的硬件系统采用“电流驱动电压测量”的方式。

以FPGA生成的m序列伪随机信号作为测量激励源，激励源作为一对电极，激励源将作用于生物电阻抗体或电阻抗模型产生响应，响应信号的输入端口作为一对电极，这样就有两对电极，即用四电极法来完成对生物电阻抗的测量，四电极最早用于测量物质的电阻率当中，如图7所示，一对驱动电极将交流电流I接到生物组织中，另一对测量电极介于两驱动电极之间，测出生物组织被测部分的电位差U。在四电极测量系统中，供电电极和测量电极相分离，把测量电极置于电流的密度均匀分布的中间段，如果用高输入阻抗的运算放大器时，被测组织和测量电极间的接触电阻可以忽略不计，生物组织电解液和电极之间的极化现象也可以忽略不计。所以，选用四电极测量的方法能克服双电极测量的不足，能在频率范围很宽的范围内对生物阻抗测量。

系统对m序列和检测电压进行双通道同步采样，建立一整套基于相关检测原理的生物电阻抗频谱(BIS)多频率同步快速测量方法相对应的BIS测量系统，实现多个频率点BIS的同时快速测量，即实现BIS的瞬时扫频测量。总体设计用于阻抗测量的m序列激励源、激励与响应信号的同步检测系统等，具体包括FPGA实现m序列伪随机信号的生成；设计基于模拟运算放大器的电压控制电流源电路模块(VCCS)，为BIS提供输出阻抗高、频率特性好、响应速度快的高精度驱动电路；构建基于FPGA和模数转换器的阻抗激励、响应信号同步测量平台，同步采集被测对象上的激励、响应电压信号，为后续的相关检测算法提供数据。其电阻抗测量系统如图8所示。

测量平台的总体构架

在数据采集系统的设计中一般选择FPGA+ARM的设计思路。本发明设计的生物电阻抗快速测量的数据采集系统，同时能够完成两路信号的同步采样，并对采样的所有数据进行正确的存储。测试平台的系统框图如图9所示。

采集系统要实现对激励信号和响应信号的两路同步采样，本发明设计选用采样率较高的采集方法，其一是为了实现快速采样，其二是为了减小采样信号的混叠现象。AD可以选择 LTC2298，它是双通道同时能采集的14位AD,采样率能达到65M,用FPGA做AD采集的控制，并且用外扩的存储器作缓存器，整个系统用STM32系列的ARM作控制中心，实现按键控制、串口通讯、显示及大量数据的存取。

系统工作流程如下：本系统由图9的几个模块组成，系统上电后，由STM32发送开始采样信号到FPGA，FPGA通过内部的电路逻辑实现SRAM的写时序准备写SRAM，同时设置AD器件开始工作，由FPGA控制采集数据的多少，在系统上电的同时FPGA产生基于m序列的信号源，且保证产生m序列的时钟和AD的采集时钟同步；当采样完成后，FPGA发送采样结束信号给STM32，并停止AD的工作，以减小系统的功耗，同时FPGA内设计好SRAM和STM32的通讯总线，由STM32通过FSMC对所采集到的2路数据分时的进行读取并存入到SD卡中，也可以通过串口发送给上位机。

5.3信号激励源模块的设计介绍

采用FPGA产生信号源的话，由于器件本身的电平所决定，输出的信号为峰峰值是0V-3.3V 单极性m序列。电压是直流，会导致生物体内产生极化现象，对测量精度有影响。为了克服不足，把单极性的信号转变成双极性的信号，本发明设计中选择了模拟开关芯片74HC4053，实现了单极性的电压信号到双极性的电压信号的转变。在测量的过程中，生物体表和电极的接触阻抗比较大，为了减小这种接触阻抗对测量结果带来的影响，选择了用电流驱动电压的测量方法。本系统由FPGA输出的VFPGA是单极性的电压信号，VFPGA经过单双极的极性转换电路模块后输出的VOUT是双极性的电压信号，此信号经过电压控制的电流源电路模块，得到需要的电流信号，m序列激励源电路的设计框图如图10所示。

通过FPGA产生的m序列经过单双极性的转换电路模块和电压控制的电流源电路模块产生所需要的激励信号源，下面是这两个模块的设计。

5.3.1单双极性转换电路

为了保证激励信号源的双极性，选用了74HC4053芯片作为单双极性转换电路，74HC4053 是一个三路的两通道数字控制的模拟开关，具有三个独立的数字控制输入端，通道具有低导通阻抗和低的截止漏电流，芯片具有较宽的数字和模拟输入信号范围，数字信号的范围是 3V-15V，模拟信号的范围是15Vp-p，具有很低的静态电源损耗，片上二进制地址编码。在本发明中的电路如图11所示，选用了芯片的通道1，单极性的m序列(图中VCCS端)经过通道1的数字控制端A，通道1的两个输入端X0和X1分别接到﹣1V和﹢1V的基准电压，当VFPGA 为低电平时，通道1的输出端X管脚输出X0的值，当VFPGA为高电平时，X管脚输出X1的值，从而实现了单极性电平到双极性电平的转换。

在通道1的输入端为了稳定基准电压，设计了如图12所示的电路，基准电压的来源是系统的电源经过电阻分压来取得的，为了稳定幅值，选择了集成运算放大器设计的跟随器做了隔离，能够很好的满足要求。

5.4模数转换模块

本发明为了能达到高速采样的目的，选用独立的AD作为采样器件，在模数转换器的选择上，不仅要考虑数据的接口方式、输出电平、控制时序、参考源、带宽以及电源外，还需要考虑一些动态指标，比如分辨率、量化电平、采样率和满度范围等，这样才能选择合适的AD 器件。

AD分辨率为，其中是ADC的参考电压，p为ADC的位数。是AD的量化电平，其中是满量程电压，p是AD的位数。AD的信噪比由量化分层位数决定,如果位数越多,则量化噪声就越小, 信噪比就越高。AD转换器的采样率和输入信号的最大的频率有关。由奈奎斯特采样定理可以知道,采样频率要大于实际输入信号频率的2倍以上。满度范围是指模拟输入量的最大允许值与最小允许值之差。在选择AD器件时主要考虑上面的指标，选择适合的AD器件。

常见的AD转换器按原理可分为：积分型、逐次比较型、并行比较型以及压频变换型等。本发明选择了凌特公司的LTC2298，LTC2298是一款采样速率可达65Msps的双通道14bit的流水线型高速AD转换器。它是一种由多级flash-ADC构成的，综合了转换速度快和精度高的特点，它具有高的共模抑制比、低的单极性供电电压和可变的差模输入电压等优点，LTC2298 包含六个流水线型ADC阶段。每一个流水线阶段包含一个ADC，一个重构DAC和一个级间的残余放大器。ADC将输入量化，并将输入量减去被量化值从而产生一个残余量。这个残余量被残余放大器放大。当奇数流水线阶段输出它们的残余量时偶数流水线阶段则正在查询奇数流水线阶段的残余量，反之亦然。这样可以使数据在每个时钟连续输出，只是延迟6个周期。具体电路图设计如图13所示。

在设计中，将SHDNA和SHDNB连在一起，统一由SHDN管脚控制。OEA和OEB连在一起。统一由OEAB管脚控制。当SHDN为低且OEAB也为低时在正常操作下输出使能；当SHDN为低且OEAB为高时在正常操作下输出高阻态；当SHDN为高且OEAB为低时，在短暂休息模式下输出高阻态；当SHDN为高且OEA也为高时，在睡眠模式下输出高阻态。即用两个管脚就可以控制AD的读写。MODE引脚是用来控制输出数据格式的。当连GND时，选择二进制直接格式且关闭时钟周期稳定器；当连1/3VDD时选择二进制直接输出格式且打开时钟周期稳定器；当连 2/3VDD时选择二进制补码输出格式且打开时钟周期稳定器；当连VDD时选择二进制补码输出格式且关闭时钟周期稳定器。FPGA产生时钟，当时钟的上升沿到AD的时钟ADCLK，AD就采样，且一个上升沿完成一次采样。

5.5FPGA前端控制模块的设计介绍

FPGA(Field-Programming Gate Array)，即现场可编程门阵列，它是PAL、GAL、CPLD 等可编程器件的基础上进一步发展的产物。它是作为专用的集成电路(ASIC)领域中一种半定制电路的应用而出现的，既解决了定制电路的一些不足，又克服了原来可编程器件的门电路数量有限的缺点。目前主流的FPGA是基于查表技术的，还融入了很多模块，如RAM、PLL 和DSP等。FPGA主要有7部分组成，分别为：基本的可编程逻辑单元、可编程的输入输出端口、嵌入的RAM、时钟管理单元、充足的布线资源、内嵌专用的硬件模块和内嵌的底层功能单元。

本发明采用CycloneII系列FPGA，采用全铜层、低K值、1.2伏SRAM工艺设计。提供了八千多个逻辑单元(LE)，有高速差分I/O、嵌入式18bit×18bit的乘法器、锁相环(PLL)、嵌入式存储器块。

FPGA是本系统的一个核心器件，它联系着AD、SRAM、STM32。其主要功能如下：作为LTC2298 的控制器控制LTC2298的开启和停止以及采样的时钟；作为SRAM的控制器控制SRAM的读写，使其正确存储和读写采样数据；作为双通道选择器使STM32通过FPGA能正确的读取SRAM中的数据；作为系统的控制寄存器可以由STM32控制总线对其进行写参数操作。本发明中主要用到其最小系统，即时钟电路、复位电路、JTAG下载电路与ASP下载电路、电源及滤波电路、用户管脚配置电路。

FPGA在功能上除了前面讲过的产生基于m序列的信号源外，还要实现一些控制功能，这些功能主要包括：AD和SRAM的控制，使AD采集的数据能正确的存入到SRAM当中去；与ARM 器件的握手，通过数据选通器实现ARM对两片SRAM当中的数据的分时读取。具体的设计流程如图14所示。

在FPGA的时序方面做了仿真，主要是AD的时钟控制和SRAM的写时序之间的时序控制，具体时序图如图15所示。

在时序图中，sys-clk是50M的系统时钟，经过分频器产生驱动AD采集的ad-clk，在系统几个控制端子满足的条件下，即AD的控制端子ad-oe,ad-shdn都为低电平，SRAM的控制端子sram-oe，sram-ub，sram-lb都为低电平，SRAM的端子sram-ce和sram-we按照上图的时序进行写操作，能够正确的完成AD和SRAM的操作。

软件设计

软件设计主要是顺序控制，当程序开始运行时，先初始化各模块，等待开始键的按下，当开始键按下后，发送FPGA握手信号，并点亮显示状态灯，当收到采样结束信号后，通过FSMC总线对两路SRAM的数据进行读取，当读结束后，内容存储在云端并同步通过蓝牙传输和智能移动设备端的APP连接，具体的流程如图16所示。

6.1评价和测试

通过以上几个模块的介绍基本上完成电阻抗快速测量平台的搭建，基于以上所讲的电路设计了一块四层电路板，本平台对两路信号的采集和存储做了实验，具体如下。

先分析通道一，首先用信号源产生的正弦波和方波用通道一进行采集，验证波形。

选择测量平台的采样率为10M，用信号发生器产生频率为1M、幅值峰峰值为1V的正弦信号，由通道一进行采集，所得到的波形如图17所示。

在图17中，可以看出，正弦信号一个周期里是10个点，信号的幅值为1V。用10M采样率采样1M信号时，一个周期就是10个点，所得结果与所给的信号完全符合，说明采样正确。

选择测量平台的采样率为10M，用信号发生器产生频率为500K、幅值峰峰值为1V的正弦信号，由通道一进行采集，所得到的波形如图18所示。

在图18中，可以看出，正弦信号一个周期里是20个点，信号的幅值为1V。用10M采样率采样500K信号时，一个周期就是20个点，所得结果与所给的信号完全符合，说明采样正确。

选择测量平台的采样率为10M，用信号发生器产生频率为100K、幅值峰峰值为1V的方波信号，由通道一进行采集，所得到的波形如图19所示。

在图19中，可以看出，方波信号一个周期里是100个点，信号的幅值为1V。用10M采样率采样100K的方波信号时，一个周期就是100个点，所得结果与所给的信号完全符合，说明采样正确。

选择测量平台的采样率为10M，用信号发生器产生频率为200K、幅值峰峰值为1V的方波信号，由通道一进行采集，所得到的波形如图20所示。

在图20中，可以看出，方波信号一个周期里是50个点，信号的幅值为1V。用10M采样率采样200K的方波信号时，一个周期就是50个点，所得结果与所给的信号完全符合，说明采样正确。

通过选择正弦信号和方波信号验证通道一，可以得出结论，通道一能够正确的采集。

再分析通道二，首先用信号源产生正弦波和方波用通道二进行采集，验证波形。

选择测量平台的采样率为10M，用信号发生器产生频率为1M、幅值峰峰值为1V的正弦信号，由通道二进行采集，所得到的波形如图21所示。

在图21中，可以看出，正弦信号一个周期里是10个点，信号的幅值为1V。用10M采样率采样1M信号时，一个周期就是10个点，所得结果与所给的信号完全符合，说明采样正确。

选择测量平台的采样率为10M，用信号发生器产生频率为500K、幅值峰峰值为1V的正弦信号，由通道二进行采集，所得到的波形如图22所示。

在图22中，可以看出，正弦信号一个周期里是20个点，信号的幅值为1V。用10M采样率采样500K信号时，一个周期就是20个点，所得结果与所给的信号完全符合，说明采样正确。

选择测量平台的采样率为10M，用信号发生器产生频率为100K、幅值峰峰值为1V的方波信号，由通道二进行采集，所得到的波形如图23所示。

在图23中，可以看出，方波信号一个周期里是100个点，信号的幅值为1V。用10M采样率采样100K的方波信号时，一个周期就是100个点，所得结果与所给的信号完全符合，说明采样正确。

选择测量平台的采样率为10M，用信号发生器产生频率为200K、幅值峰峰值为1V的方波信号，由通道二进行采集，所得到的波形如图24所示。

在图24中，可以看出，方波信号一个周期里是50个点，信号的幅值为1V。用10M采样率采样200K的方波信号时，一个周期就是50个点，所得结果与所给的信号完全符合，说明采样正确。

通过对通道二的的验证，可以得出结论，通道二能对数据正确采集。

经过上面的验证实验，在采样频率、信号频率和幅值一定的条件下能够采集信号，由于电路本身的干扰和外界干扰，信号有一定的波动，但是能满足采集数据的要求。通道一是对激励信号源进行采集，对基于本原多项式为f(x)＝1+x3+x10的10阶m序列进行了采集。所采集的波形就是m序列的波形，如图25所示。通道二是对m序列激励的生物电阻抗的响应信号的采集，选用一个电阻抗模型对其实验采集，部分波形如图26所示。

以上实验是电阻抗测试平台对两路信号进行采集所得到，通道一完成对激励信号源的采集，通道二完成对生物电阻抗响应信号的采集，两路信号均经过系统的采集时序，把数据传给上位机由上位机绘图而成。

生物电阻抗检测算法原理

本发明用m序列作为生物电阻抗激励的信号源模型，选择了用FPGA生成的m序列信号源以及用FPGA+ARM的构架设计的双通道数据采集系统，通过前面的介绍，这个平台能够正确的把m序列信号和其激励于生物电阻抗模型上的响应信号采集到，我们可以用两路数据来进行算法研究。对生物电阻抗响应信号的数据进行处理，获得生物电阻抗频谱。由于m序列的自相关函数Rxx(τ)≈δ(τ)，对于一个未知的线性系统，若输入信号x(t)采用m序列，得输出序列y(t)，则可以根据Wiener-Hopf【37】方程，在一个周期内计算m序列输入信号x(t) 和系统输出信号y(t)的互相关函数Rxy(τ)，就可以得到系统的冲激响应h(t)，进而通过求 h(t)的傅立叶变换得到系统的频率响应H(ω)。基于m序列激励的生物电阻抗检测算法原理如图27所示。

在图27中，基于m序列相关检测的阻抗谱测量原理为：设m序列电流I信号x(t)加到被测阻抗ZX中，得到响应电压V信号y(t)，由于m序列的自相关函数Rxx(τ)≈δ(τ)，则可以根据Wiener-Hopf方程来获得未知系统的单位冲激响应h(t)。

式中，Rxx(τ)表示自相关函数，Rxy(τ)表示互相关函数。

7.1基于快速傅立叶变换(FFT)的快速相关检测算法研究

由于m序列在一个周期内同步采样得到的序列x(n)、y(n)的长度均为2n-1，计算它们的互相关函数Rxy(τ)和自相关函数Rxx(τ)采用直接相关算法则计算量相对较大，因此采用基于快速傅立叶变换(FFT)的快速相关检测算法。其理论推导如下：

如果采用直接算法其公式为：

\*MERGEFORMAT(4.3)

两信号的卷积为：

两信号的相关函数为：

\*MERGEFORMAT(4.5)

由(4.4)和(4.5)可以知道相关与卷积之间的关系：

\*MERGEFORMAT(4.6)

令X(k)＝DFT【x(n)】，Y(k)＝DFT【y(n)】，X*(k)为X(k)的共轭，对相关函数求傅里叶变换：

\*MERGEFORMAT(4.7)

Rxy(τ)可以根据下式计算：

R_xy(τ)＝DFT^-1[X(k)^*·Y(k)]\*MERGEFORMAT(4.8)

由此可见，采用两次DFT和一次IDFT运算就可以得到互相关函数。为了使循环相关能够等效线性相关，需要给两个输入序列作补零处理，扩展后再进行DFT运算。而且，为了能利用快速傅立叶变换(FFT)算法，必须使序列的长度为2的整数次幂。

我们对传统求相关函数的算法做一个验证，用来对比本发明提出的算法。首先选两组离散的序列进行一个验证，可以取两个长度为127的序列，第一个序列除了第一个点为1外，其余的点都选为0，第二个序列每10点设一个为1的点，其余各点设为0，具体的序列如图 28所示。

对两序列求相关运算，传统的相关算法如图29所示，求序列1的自相关可以发现只有在第一个点处有相关性，与实际的理论相符合。再求序列1和2的互相关可以发现在每隔10点处有相关程度，与实际的理论相符合。

再选择两个正弦信号，来通过传统的求自相关函数和互相关函数，来说明本发明的可行性。选择信号频率为1和4的的两个信号进行观察，两个信号都取127个点，信号波形如图 30所示。

对其进行传统的算法求频率为1信号的自相关和两个信号的互相关，所得的波形如图31 所示。通过图31中可以看出，传统的算法能基本上找出两个信号的相关程度，与实际的理论符合。

同时，为了克服传统快速相关算法存在的端点效应问题，本发明设计了如图32所示的快速相关算法。

本发明设计的求解长度为2n-1的两个序列的快速相关算法步骤为：

1、将两序列x(n)和y(n)各补2n+1个零，让两序列的长度都为2n+1，补零后序列表示为xL(n)和yL(n)；

2、用2n+1点的FFT算法求取xL(n)与yL(n)的快速傅里叶变换XL(k)与YL(k)，并求出 XL(k)的共轭复数XL*(k)；

3、计算乘积XL*(k)YL(k)，并用2n+1点的IFFT算法求取XL(k)和YL(k)的互相关序列 RxyL(k)；

4、取RxyL(k)的前2n-1个点与后2n-1个点，并且把后一组数据倒序再分别相加即可得到x(n)和y(n)的相关序列Rxy(n)。

前面我们对两个自己假设的序列做了传统的相关算法，用两组序列分别对算法做了验证，下面我们对两个序列进行改进算法的验证，序列的长度为127，第一个序列只有第一个点是1，其余各点全为0，另一个序列每隔10点出现一个1，其余全为0，把这两个序列做改进算法的验证，首先对两个序列进行补零，使长度变为256。补零后两个序列的波形如图33所示。

对补零后的两个序列进行改进后的相关算法验证，用基于快速傅里叶变换的方法求取第一组序列的自相关函数，用基于快速傅里叶变换的方法求取第一组序列和第二组序列的互相关函数，所得的波形如图34所示。经过和前面传统的方法比较，结果吻合，说明算法正确可行。

我们对前面的两个正弦信号也做这个算法的验证，选择信号频率为1和4的的两个信号进行观察，两个信号都取127个点，经过上面算法的补零后信号波形如图35所示。

对补零后的两个正弦函数进行改进后的相关算法验证，用基于快速傅里叶变换的方法求取第一个正弦函数的自相关，两个正弦函数的互相关，所得的波形如图36所示。经过和前面传统的方法比较，结果吻合，说明算法正确可行。

经过验证，上述快速相关算法的计算结果与直接相关算法的计算结果完全一致。可以选取这种快速的相关算法求序列的相关函数，具有实施性。

生物电阻抗快速测量平台和检测算法，对采集的数据经过处理后，得到了在要求范围内各个频点的幅度频谱，还要找到该点的测量电阻抗，接下来介绍一种电阻抗标定方法，来获得测量的电阻抗值。

我们设测量电阻时激励电流源m序列检测结果的幅值为Ik，电阻抗响应信号的检测结果为Vk，电阻的测量趋势值为Zmr，电阻的标准值为Zr，标定的校正系数为K。则有

\*MERGEFORMAT(5.9)

把电阻的标准值和测量趋势值做比值可以得到校正系数K

\*MERGEFORMAT(5.10)

其中，K的值在各个频点上是不一样的，有几个频点就有几个K值。

我们测量电阻抗会检测到m序列检测结果的幅值为Ix，电阻抗响应信号的检测结果为Vx，电阻抗的测量趋势值为Zmx，则有

\*MERGEFORMAT(5.11)

由此我们可以计算出电阻抗的测量值Zcx

\*MERGEFORMAT(5.12)

用1K的标准电阻进行标定，通过测量系统，检测到的两路信号波形如图37所示。

m序列是系统的激励电流源，在扩展的欧姆定律中相当于电流部分，响应信号相当于电压部分。根据前面讲的算法理论，我们求m序列的自相关和互相关，所得的数据波形如图38 所示。

对上面两组相关算法得出的结果做全相位FFT数据处理，求取自相关序列和互相关序列的幅值谱，并用综合相位差法进行校正。

对于5阶的m序列，周期N＝25-1＝31，序列的产生时钟是fs＝1M,则可以算出阻抗的测量范围是32KHz-452KHz，有效的频率的点数为31×0.443≈14个，图39是频率校正后的值，各频点是基频的整数倍，所以各个频点呈线性增长的趋势。

具体频点的大小如表2所示

表2电阻抗各个频点对应值

对电流信号的相关算法结果(上面自相关)求取幅值谱，所得波形结果如图40所示。

具体各个有效频点的幅值如表3所示。

表3激励幅值

对响应信号的相关算法结果(上面互相关)求幅值谱，所得波形结果如图41所示。

具体各个有效频点的幅值如表4所示。

表4响应幅值

对互相关和自相关幅值校正值做比值，理论基础就是根据推广的欧姆定律，可以得到电阻抗校正之前的趋势值。其数据波形如图42所示。

对所得各频点的值通过上面所讲的理论计算校正系数K，结果如表5所示。

表5电阻抗校正系数

通过表5，我们得到了各个有效频点的校正系数，在测量时直接可以用之。

结论分析

在阻抗测量的过程中，有很多因素决定着测量的准确性，通过我们的实验，可以看出通过本发明设计的硬件平台和检测算法能够分辨出有效频率范围内的频点，经过对上面的电阻抗模型用阻抗测试仪进行测量，对上面有效的频率范围内的14个点进行测量，得到的阻值和相位如表6所示。

表6电阻抗误差分析

对三元件的电阻抗的阻值与测量结果做了一个比较，如图43所示，可以看出测量结果和真实值的结果基本上一致。频点在11以内的相对误差可以控制在5℅以内。

通过数据说明，本发明设计的生物电阻抗快速测量平台和相关检测算法能对电阻抗进行测量，能满足设计的要求，可以得出结论，本发明的设计对测量生物电阻抗具有可行性。

本发明在伪随机信号m序列的理论的基础上，验证了m序列是一种周期信号，序列的二进制码分布均衡，自相关函数接近于单位冲击响应，带宽和长度灵活可调。在这个基础上用 FPGA生成了这个序列，使用合适的生物电阻抗快速测量平台，能对m序列和其作用于电阻抗上的响应信号进行同步采样。再对数据进行相关函数的仿真和全相位FFT的仿真，在频域里求各个频点的电阻抗值。本发明的关键要点如下：

1.用FPGA逻辑器件利用m序列的特点，通过硬件描述语言VHDL产生它的序列，作为激励源模型，并用极性转换电路和电压控制电流源电路将其转换成双极性的电流激励源作为生物电阻抗测量的电流激励源模块。

2.构建FPGA+ARM的高速数据采集系统，选择独立的数据采集AD器件、数据缓存SRAM器件，都由FPGA控制来完成数据的采集，由ARM控制来完成数据的读取，完成双通道数据的同步采样。

3.在激励电流源、数据采集系统的基础上，用四电极法测量方法建立的生物电阻抗测量平台，这个平台还包括四电极电缆驱动模块、状态显示模块，通讯模块等。

4.基于m序列激励生物电阻抗来检测生物电阻抗频谱多频率同步测量的算法。

5.对基于快速傅里叶变换求相关函数算法的推导和仿真验证。

6.对全相位FFT算法的推导和仿真验证。

7.使用四电极法测量方法建立的生物电阻抗测量平台的基础上建立的理论对生物电阻抗多频点同步快速测量，对m序列和其作用于生物电阻抗的响应信号做基于FFT的快速互相关，再通过频谱泄漏小的全相位FFT做谱分析，提取阻抗谱。

基于云计算大数据构建的互联网平台是以“基于移动互联网及云计算技术的移动与社交分享系统”为基础，以“生物电阻抗检测终端”为信息载体的，以“新型移动电子商务平台”为核心，涵盖多用户、多微站电子商务平台，多客户转接，多功能群发，粉丝会员积分统一，多模块嫁接等功能的全方位立体式的美容护肤品交易及相关信息处理系统。

基于移动互联网及云计算技术的移动与社交分享系统基于PHP+MySQL技术MVC架构开发，基于PC电脑端和智能移动设备端运营的电商系统方案，用户通过电脑端和手机客户端(app)、微信、检测设备等智能移动设备端实现随时随地在线销售、检测、购物、支付的电子商务系统。

基于移动互联网及云计算技术的移动与社交分享系统依托移动端，为商家提供商品展示、活动促销、产品购买、在线支付、客户管理、市场营销、信息处理等一体化服务。集成微信、微博、独立站等移动平台的商品、会员、订单等信息，实现全网信息同步营销、统一管理。让顾客享受轻松、便捷的移动端购物体验！

基于移动互联网及云计算技术的移动与社交分享系统与微信公众平台接口

1、在功能上，使基于移动互联网及云计算技术的移动与社交分享系统与微信公众平台、关联APP(“生物电阻抗检测终端”数据显示终端)通过数据交换相互提供数据支持，实现协同工作和紧密配合,形成一个整体。

2、在基于移动互联网及云计算技术的移动与社交分享系统与微信公众平台之间建立接口数据结构中间层，通过中间层进行数据交换，使基于移动互联网及云计算技术的移动与社交分享系统与微信公众平台完全独立。

3、在性能上，接口应保证微信公众平台与微信公众平台、关联APP数据传输的实时性、可靠性和稳定性。

基于移动互联网及云计算技术的移动与社交分享系统各个模块之间的接口

事实上，整个基于移动互联网及云计算技术的移动与社交分享系统是一个统一的整体，各个模块之间相互渗透，密不可分。

在具体调用中也是在程序中统一实现的，没有明显的界限。

基于移动互联网及云计算技术的移动与社交分享系统各个模块接口说明

1)购销管理模块与其他模块的接口

购销管理系统的购销数量与运输管理系统中的运输量、库存管理系统中的出入库量是密切联系的，在程序中他们通常在一起考虑。

2)信息管理模块和其他模块的接口

在系统关联模块(如“生物电阻抗检测终端”)数据发生时伴随着信息和数据的变化，因此检测业务发生的同时有数据的变化和计算模型的调整，销售管理系统和数据计算模型会同步支持。

3)库存管理模块和其他模块的接口

库存的增减与运输、配送密切相关，因此库存管理系统需要运输管理系统和配送管理系统的支持。

4)配送管理模块与其他模块的接口

配送必然伴随库存的增减，配送管理系统需要读取当前库存，配送发生时需要减少库存，配送失败时要恢复库存。

5)计划管理模块与其他模块的接口

计划的制订需要综合价格、销量、库存等多种因素，因此在制订价格时需要获取这些系统的数据，为计划的制订起到辅助支持作用。计划数据对其他数据起指导作用，运输管理系统需要根据配置计划安排运输计划，根据配置计划发货。

本发明中，生物电阻抗检测终端采用生物电阻抗法检测到人体皮肤的电阻值，使用计算公式求得皮肤水份含量，如：

人体水份＝C×身高平方/人体电阻，其中C为人体常数。

生物电阻抗检测终端的信号处理系统中搭建了一个仿真系统，采用同一个AD的两个通道将被测信号采入FPGA，在AD变换之后用数字滤波技术提取矢量信号的幅度和相位，利用正交相乘进行鉴幅和鉴相，采用单激励源数字相敏检波算法把信号源产生一组正弦波，然后通过累加方式滤波，在FPGA中进行运算处理来提取幅度和相位。

仿真实验为验证数字正交鉴幅鉴相结果，在System Generator上搭建了模型系统进行仿真实验。AD采样数据经挂接在PLB总线上的IP Core进行处理后传给SystemGenerator处理单元，数据进入处理单元后首先进行数据类变换，然后分别送入乘法器进行正交相乘运算，将运算结果送到智能移动设备端的APP仿真系统进行处理。

仿真结果通过软件从文件中调出加以检测。当激励信号输入系统时，往往伴有噪声输入。本发明仿真系统加入了白噪声和随机噪声进行仿真，将噪声加入正、余弦激励信号Wave0并与Wave0一起输入系统，与其同频的一组正交信号Wave1相乘，将最后所得结果存入cos.mat 文件和sin.mat文件中，然后再用MATLAB中的Editor工具调用这两个文件显示仿真结果。

仿真结果通过蓝牙传输到智能移动设备端的APP系统软件进行处理，智能移动设备端的 APP显示经过处理的肌肤角质层水分数据，并同步云端，通过物联网系统预留借口和电子商务系统共享。

在“生物电阻抗检测终端”经过云端数据库和电子商务平台共享时，平台数据同步变化变化、调整，销售管理系统和数据计算模型会同步支持。顾客购买产品时，系统会读取顾客储存的肌肤角质层水分信息，给出购买建议方案。商家上架新产品时，系统会根据云端共享的用户信息提示销售趋势等信息。

人体生物电阻抗测量(BIA)，是一种利用人体组织与器官的电特性及其变化规律提取与人体生理、病理状况相关的生物医学信息的检测技术。它通常是借助置于体表的电极系统向人体送入一微小的交流测量信号，检测相应的电阻抗及其变化，然后根据不同的应用目的，获取相关的生理和病理信息。

人体组织的电阻抗特性比一般物体要复杂得多，最明显的特点是电阻抗的值会随着测量频率的变化而变化。这是由于人体细胞内液体组织不是简单的表现为电阻，而是融合电阻、电容等复杂特性的网络。

本发明“生物电阻抗检测终端”采用的生物电阻抗法(Bioelectrlcal ImpedanceAnalysls) 是一种通过电学方法测定人体水份的技术。

1.生物电阻抗检测终端的生物电阻抗法(BIA)基本原理

人体的体液里有许多离子，因此人体的体液具有导电性。将微弱的交流电流信号导入人体时，电流会在电阻小、传导性能较好的体液中传输。

在电学中，在具有电阻、电感和电容的电路里，对交流电所起的阻碍作用叫做阻抗。因此阻抗包括导体的电阻、电容的容抗和电感的感抗，简称电阻、容抗、感抗；其中容抗、感抗与所加的交流电频率有关，同样的电容、电感，交流电频率越高，容抗越小，而感抗越大；阻抗由电阻R、感抗Xc和容抗XL三者组成，但不是三者简单相加，而是三者平方和的平方根。阻抗常用Z表示，单位是“欧姆”。

体液是导电介质，因此人体相当于导体，具有电阻；细胞壁相当于电容，因为细胞内部和外部都是可以导电的体液，但被细胞壁隔开，因此具有电容效应；人体里面几乎不存在感抗。如果将人体比作导体的话，那么人体中水分的多少，即反应人体电阻的大小；而容抗在大小则能反应细胞内外水分的比例。人体总阻抗的大小是两者的平方和的平方根，但在固定频率测试中，人体的阻抗与电阻的相差不多，经常就用电阻R替代阻抗Z。

构成身体的人体成份可分为水(Body water)、蛋白质(Proteln)、体脂(BodyFat)、无机物(Mineral)四种。这些成份在人体中虽然会因为性别与个人的不同存在着一些差异，但大致上为55:20:20:5的比例。因此，在这些人体成份中，如果知道了人体水分含量和人体脂肪含量，就可以分别求出这四种成份各自的量。

人体的肌肉的主要成分是蛋白质和人体水份，它们之间存在着一定的比例关系，健康的肌肉是由约73％的水和27％的蛋白质组成。人体中的无机物主要是人体骨骼的重量，骨的重量又与肌肉量有着密切的关系，即可以由身体水分含量求出蛋白质和无机物的含量。因此，如果知道人体水分含量和脂肪含量，就可以分别确定人体四大成分并予以分类。

在电学中，导体的电阻与导体的长度成正比，与横截面成反比。当导体的长度已知时，导体的电阻大小反应了导体横截面的大小，即导体的粗细。每一种导体都有其固定的电阻属性——“电阻率”：某种材料制成的长1米、横截面积是1平方毫米的在常温下(20℃时)导线的电阻，叫做这种材料的电阻率；计算公式为ρ＝RS/L，(其中ρ为电阻率、R为电阻、S 为截面积、L为长度)，常用单位是“欧姆·平方毫米/米”。特定材料的电阻率是一定并已知的，对已知长度的材料，只要测出其电阻，即可以反推出截面大小。

应用于人体分析中，导体的体积则可看作人体水分。导体的长度用人体的身高代替，电阻率是人体水分的每单位体积电阻的值。而人体中每单位体积的人体水份溶解的电解质是定量的，所以人体的电阻率也是一个常数，只要用阻抗测定器测定人体的电阻值，从而求得体内水份含量：

人体水份＝C×身高平方/人体电阻，其中C为人体常数。

用阻抗法求出人体水份含量后，可以用人体水份含量求出蛋白质和无机物的量，即去脂肪质量(FFM：Fat Free Mass)。

当然，能否准确测定出人体水分含量是取决定于测定仪精密度及计算核心。

2.生物电阻抗检测终端的信号处理系统

生物电阻抗检测终端的信号处理系统中搭建仿真时采用同一个AD的两个通道将被测信号采入FPGA，在AD变换之后用数字滤波技术提取矢量信号的幅度和相位，利用正交相乘进行鉴幅和鉴相，该方法的线性度大大优于传统乘积型模拟转换器为核心构成的相敏检波器的方案。由于采用了AD和FPGA相结合，系统的灵活性增大，且可以借助各种数字信号算法提高参数的估计精度。

单激励源数字相敏检波算法的实现方式是利用信号源产生一组正弦波

将这组正弦波与其同频率的相乘得到1y(n)，2y(n)。

然后通过累加方式滤波，在FPGA中进行运算处理来提取幅度和相位。如图44所示。

3DPSD与D-DPSD仿真分析

3.1仿真实验为验证数字正交鉴幅鉴相结果，在System Generator上搭建了模型系统进行仿真实验。

System Generator是Xilinx公司的系统级建模工具，在很多方面扩展了MathWorks公司的similink平台，提供了适合硬件设计的是数字信号处理(DSP)建模环境，加速了、简化了FPGA 的DSP系统级硬件设计，所搭建的系统可直接生产比特流在FPGA中运行。System Generator 提供了系统级设计能力，允许在相同的环境内进行软硬件协同仿真、执行和验证，并不需要书写VHDL代码。在System Generator设计中，利用其强大的信号处理能力，调用各个功能模块，实现单激励数字相敏检波和正交双激励数字相敏检波方法的仿真，其中AD采样数据经挂接在PLB总线上的IP Core进行处理后传给System Generator处理单元，数据进入处理单元后首先进行数据类变换，然后分别送入乘法器进行正交相乘运算，将运算结果送到上位机进行处理。

针对本文单激励数字相敏算法，搭建的仿真系统图如图45所示。

其仿真结果可以在Wavescope中显示，也可以通过软件从文件中调出加以检测。本文通过 MATLAB中的Editor工具调用System Generator中所产生的两个文件：cos.mat和sin.mat.同样，按正交双激励数字相敏检波方法搭建D-DPSD仿真系统，系统图如图46所示。

图46为纯净情况下的仿真系统图，现实情况中，当激励信号输入系统时，往往伴有噪声输入。搭建仿真系统时，加入白噪声和随机噪声进行仿真，如图47所示。将噪声加入正、余弦激励信号Wave0并与Wave0一起输入系统，与其同频的一组正交信号Wave1相乘，将最后所得结果存入cos.mat文件和sin.mat文件中，然后再用MATLAB中的Editor工具调用这两个文件显示仿真结果。

3.2DPSD与D-DPSD仿真对比

将上一节中搭建的三个系统的输出结构通过Gateway Out输出到cos.mat文件和sin.mat 文件中，然后再用MATLAB中的Editor工具调用这两个文件，对其幅度相位进行处理后显示仿真结果，将其结果显示为相应的三角函数值。

要提取信号的幅度和相位值，最有效的方法是先提取信号的正弦和余弦值，如果这两个值在一定数值上平稳，则代表这种方法鉴别信号幅度相位是有效的，越平稳，性能就越高。

3.2.1DPSD仿真分析

利用图3.1.1所示的仿真系统进行仿真，将参数设定为：输入信号一个周期的量化点数为 10，输入信号的相位偏移分别为0°和45°。可得到结果如图48所示的仿真结果图。

仿真结果图中，横坐标为累加的点数，纵坐标为相应的三角函数值。由图3.1.1的仿真结果表明，信号通过网络后，被提出来的正余弦值与设定相位的正余弦值基本一致，因此这种方法是可行的。

3.2.2D-DPSD仿真分析

用图3.1.2所示的仿真系统进行D-DPSD方法仿真。将参数设定为：输入信号一个周期的量化点数为10，输入信号的相位偏移分别为0°和45°。可得到如图49所示的仿真结果图。

仿真结果表明，信号通过网络后，被提出来的正余弦值与设定相位的正余弦值一致，因此这种方法可以更精确的计算出信号的幅度和相位。

现实情况中，当激励信号输入系统时，往往伴有随机噪声和白噪声输入。运行图50所搭建的仿真系统，得到加噪情况下的仿真结果如图50所示。

仿真结果表明，信号通过网络后，被提出来的正余弦值与设定相位的正余弦值基本一致，信号平稳，因此这种方法可以得到信号的幅度和相位。

3.2.3 D-DPSD与DPSD仿真分析

对比D-DPSD算法在DPSD算法基础上提出，将D-DPSD仿真结果与DPSD在相同条件下的仿真结果进行对比，如图51所示。由图可知，D-DPSD算法仿真结果明显平稳，误差浮动范围有所减小。因此，D-DPSD减小了DPSD算法累积产生的误差，从而使整个系统的误差得到减小，提高了系统测量信号幅度和相位的精度。

分析测量过程，测量精度主要受AD采样、乘法器截断误差以及累加器截断误差影响。只要设计采用12位以上AD进行采样，并保证差分输入峰峰值为±1.024V.可计算其量化误差为：

量化范围为-V到+V，L为量化间隔数。

为提高测量精度，乘法器和累加器分别采用采用24位和40位，消除截断误差的影响，这样累加器输出的结果理论误差为0.0005V，只要保证AD输入信号幅度较大，系统误差可以远小于5％，可满足生物电阻抗测量要求。

上述实施例仅示例性说明本发明的原理及其功效，而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下，对上述实施例进行修饰或改变。因此，凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变，仍应由本发明的权利要求所涵盖。

Claims (2)

1.基于生物电阻抗检测终端的物联网智慧美容系统，其特征在于：包括基于m序列生物电阻抗和全相位FFT响应算法的生物电阻抗检测终端，还包括智能移动设备端和基于云计算大数据构建的互联网平台，

所述的生物电阻抗检测终端为可穿戴结构，且与智能移动设备端通讯连接；

所述生物电阻抗检测终端拥有灵敏金属探头，能够精准的进行数据采集；

所述生物电阻抗检测终端内置独立传感系统，通过金属探头点触皮肤检测肌肤的水份、油份、弹性，所述的金属探头集中分布在检测仪前端的测试面上；

所述生物电阻抗检测终端采用的是以m序列伪随机信号作为测量生物电阻抗的激励源模型，采用基于VHDL语言编程的FPGA设计方法，实现m序列伪随机信号的生成；

所述生物电阻抗检测终端采用FPGA数据采集系统，采用基于模拟运算放大器的电压控制电流源电路(VCCS)，为BIS提供输出阻抗高、频率特性好、响应速度快的高精度驱动电路，对激励信号和响应信号实现2路同步采样，为后续的相关检测算法提供数据；

所述生物电阻抗检测终端采用基于快速傅里叶变换(FFT)的快速相关检测算法，FPGA数据采集系统得到的结果是被测阻抗的时域冲激响应，为了得到阻抗频谱值，系统采用快速相关算法和全相位FFT求阻抗值的算法，利用循环卷积与FFT之间的对应关系，通过序列补零加长的方法，通过被测阻抗的时域冲激响应，得到阻抗频谱值；

所述生物电阻抗检测终端取得阻抗频谱值后，经由信号滤波、整形等处理后，采样量化得到信号量的大小，从而推算出皮肤的阻抗值；通过基于理论分析以及大量实验模拟仿真的肌肤数据计算模型得到拟合修正转换方程，将阻抗值代入方程推算得到肌肤角质层含水量；

所述生物电阻抗检测终端采用低功耗蓝牙4.0传输数据，支持安装ios5和Android系列智能移动设备端；

所述智能移动设备端的APP则帮助用户准确的获得自己皮肤的水分、油分特点等皮肤信息，对自己的肤质有所掌握，并在此基础上进行护肤品的选择；

所述生物电阻抗检测终端通过蓝牙传输和智能移动设备端的APP连接；

所述基于云计算大数据构建的互联网平台包括通过通讯网络与所述移动设备端连接的云服务器；

所述基于云计算大数据构建的互联网平台是基于移动互联网及云计算技术的移动与社交分享系统；

所述基于云计算大数据构建的互联网平台是基于微信基础之上的新型移动电子商务平台，实现了多微站、多客户转接、多功能群发、粉丝会员积分统一、模块嫁接等功能；

所述基于云计算大数据构建的互联网平台内置大量DIY设计扩展属性；

所述基于云计算大数据构建的互联网平台内置模块都是可以独立安装拆卸的；

所述基于云计算大数据构建的互联网平台是内置多微站体系，一个公众号可以建立多个微站；

所述基于云计算大数据构建的互联网平台在功能上，系统与微信公众平台、通过数据交换相互提供数据支持，数据在多通道经营中，实现数据同步化管理；

所述基于云计算大数据构建的互联网平台内置基于理论分析及大量实验模拟仿真的肌肤数据计算模型；

所述基于云计算大数据构建的互联网平台内置肌肤数据计算模型包括结合用户地区分布、肌肤特性、不同年龄、肤质及环境指数的智能算法。

2.采用如权利要求1所述的基于生物电阻抗检测终端的物联网智慧美容系统进行肌肤分析的方法，其特征在于，包括以下步骤：

步骤一、将所述的生物电阻抗检测终端与人体肌肤接触，然后采用基于FPGA的高速数据采集系统在与肌肤接触的电极上施加微小电信号，在流经皮肤之后形成回路；

步骤二、以m序列伪随机信号作为测量生物电阻抗的激励源模型，采用全相位频谱分析方法，求取被测阻抗的频率响应，通过全相位FFT算法从而推算出皮肤的阻抗值；

步骤三、通过基于理论分析以及大量实验模拟仿真的肌肤数据计算模型得到拟合修正转换方程，将阻抗值代入方程推算得到肌肤角质层含水量。