CN108784703A - 一种中老年人可穿戴式呼吸监测方法 - Google Patents

Abstract

本发明公开了一种中老年人可穿戴式呼吸监测方法，具体为：通过智能穿戴背心监测出人体呼吸时前胸和后背的加速度、角速度信息，该背心同时拥有前后两个固定安装的惯性测量单元，得到监测数据后利用UWB无线传输方式将数据传送至背心的微处理器，微处理器根据实时测量数据，并利用人体呼吸姿态融合算法，解算出身体处在不同状态下的胸腔呼吸频率和呼吸深度，通过和预存储在微处理器里面的健康人体的呼吸数据库进行模式匹配，进而判断出被监测者身体的健康状况，若呼吸的频率、深度超出标准范围，微处理器发出报警提示。

Description

一种中老年人可穿戴式呼吸监测方法

技术领域

本发明属于智能医疗监测领域，涉及一种中老年人可穿戴式呼吸监测方法。

背景技术

随着社会的发展我国人口老龄化问题不断加剧，农村留守老人也越来越多，对老年人健康问题的关注也越发成为社会热点。由于子女常年不在老人身边，无法掌握老人的健康状态，如果老人遭遇突发状况而不能进行及时医治进而造成无法想象的后果。在老人身体各项数据指标中呼吸及心率的监测是最重要的项目之一。

随着医疗条件的逐步提升，目前呼吸监测的技术和设备主要有以下2种类型：一类是接触式。包括容积式呼吸检测法、速度式呼吸检测法、温度检测法、位移检测法、阻抗检测法、血氧检测法、可穿戴技术和睡眠床垫、枕头等。一类是非接触式。利用电磁波、光、红外线等媒介进行检测。这些技术运用在临床领域精准度高，但在家庭和个人方面，存在设计复杂，成本较高；配戴麻烦，舒适性不佳；数据繁杂，监测不直观；只反馈数据，不能智能分析调控等问题。其中，在近距离监测呼吸音频的技术中，大多采用了面罩、插入等方式，设备较大，人体舒适性差；在穿戴技术中，大多采用胸部穿戴、手部穿戴等方式，胸部穿戴舒适性差，手部穿戴不能直观监测到呼吸，准确性差。有一种直接放置在口鼻处的呼吸监测方式，采取耳机麦克风的方式配戴，但存在与口鼻距离较远，收集呼吸音频效率不高，对轻缓呼吸监测效果不好，大多用于运动呼吸监测；而且配戴容易晃动，臂杆也会产生振动，极大地影响了呼吸音频监测的准确性。

发明内容

为克服现有技术的不足，本发明着重为家庭和个人提供一种便捷、准确、智能的可呼吸监测方法，通过智能背心上装有的惯性测量单元设备，采集人体呼吸时前胸和后背的各项数据，并将这些数据通过UWB传输方式传送给智能背心上的微处理器，微处理器通过多种融合算法解算出老人呼吸数据，判断出危险状态后发出报警提示。

为了实现上述技术目标，本发明具体通过以下技术方案实现：

一种中老年人可穿戴式呼吸监测方法，具体包括以下步骤：

1)利用惯性测量单元实时测量人体不同运动状态下前胸和后背呼吸的加速度和角速度信息；

2)对得到人体的加速度和角速度信息进行粒子滤波，摆脱系统模型的限制；

3)经过滤波后的加速度和角速度信息与人体的运动呈非线性关系，分别对加速度和角速度信息进行速度校准和姿态校准；

4)针对前胸和后背两个惯性测量单元安装的任意性，利用经过补偿矫正后的两个惯性测量单元的姿态角和速度信息，进行基于欧拉角的坐标旋转匹配校准，实现对两个惯性测量单元的坐标校准；

5)针对前胸和后背两个惯性测量单元数据传输时序的任意性，利用人为设定的融合周期建立批处理伪量测方程，该量测方程的公式表达为其中w_k表示观测噪声矩阵，进而构建批处理时间异步融合校准模型，该算法在充分分析组合系统数据传输特性的基础上进行状态方程和批处理伪量测方程的构建，并利用UKF进行状态量的最优估计，进而得到异步融合下的定位结果，就此实现对两个惯性测量单元数据传输的时间校准；

6)在经过坐标和时间校准之后，利用惯性测量单元解算的姿态角和速度信息，构建基于前胸与后背相对运动方程下的差分呼吸解算模型，其模型为其中u_k表示状态噪声矩阵，建立非线性无迹差分卡尔曼滤波模型，无迹差分卡尔曼滤波摒弃了对非线性函数进行线性化的传统做法，采用卡尔曼线性滤波框架，对于一步预测方程，使用无迹变换来处理均值和协方差的非线性传递问题，进而得到单纯人体呼吸运动下的时域呼吸波形；

7)对呼吸运动的时域参数进行误差精度检验，如果符合解算精度条件，则对呼吸运动的时域信号进行频谱分析，将所测出的实验数信号强度按频率顺序展开，使其成为频率的函数，并考察变化规律。对信号进行频谱分析，就是对其进行傅里叶变换，观察其频谱幅度与频谱相位，分析软件是MATLAB，进而得到准确的运动人体呼吸深度和呼吸频率参数。

进一步的，所述的粒子滤波的具体为通过初步姿态信息中寻找一组在状态空间传播的随机样本对概率密度函数进行近似，以样本均值代替积分运算，获得状态最小方差分布。

进一步的，所述的姿态校准为：对人体在进行大幅度运动时，惯性测量单元姿态解算时进行角速度信息下的角振动特性分析，建立圆锥误差补偿算法来提高惯性测量单元的姿态解算精度。

圆锥误差的补偿主要与陀螺的采样周期和旋转矢量修正算法有关。缩短采样周期可以减小圆锥误差，其旋转矢量微分方程的简化式为式中，Φ为旋转矢量；ω为陀螺输出的角速率。

进一步的，所述的速度校准为：惯性测量单元在进行比例积分下的速度解算时，进行惯性测量单元线振动特性分析，建立划船误差补偿模型以提高惯性测量单元的速度解算精度。在惯导的速度积分中，速度更新周期为T，采样周期为t，T＝N×t，划船误差补偿项为

进一步的，所述的坐标校准采用欧拉角转方向余弦矩阵的方式将前后惯性测量单元所测得角速度转换到同一平面内。

进一步的，所述的时间校准采用无锚定TDOA定位算法，以此来克服所测数据的时间差。

本发明的有益效果为：

本发明提供了一种中老年人可穿戴式呼吸监测方法，可以实时检测中老年人在行走和运动状态下的呼吸深度和频率，可以通过与健康人体的呼吸数据进行比对，判断出被监测身体的健康状况并发出报警提示。本发明方法使用方便，便于连续常规监测，大大提高了使用的方便性和可追溯性，方便快捷，简单实用。

附图说明

图1是本发明实施例程序框图；

图2是本发明实施例人体呼气吸气胸廓变化示意图；

图3是本发明实施例明算法流程图；

图4是本发明静坐呼吸三轴加速度实验结果图；

图5是本发明匀速走动三轴加速度实验结果图；

图6是本发明正常跑动三轴加速度实验结果图。

具体实施方式

下面将结合本发明具体的实施例，对本发明技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

如图1本发明程序流程图所示，智能背心通过惯性单元设备实时得到各项数据，然后通过UWB信号传输给背心上的微处理器，微处理器通过算法解算出呼吸的深度、呼吸频率等体征数据，然后将解算出体征数据与健康人体呼吸数据库进行模式匹配，判断出穿戴者的呼吸是否在正常范围内波动，若超出标准范围发出报警信号。

如图2和图3所示，智能背心拥有前后两个惯性测量单元设备，当人体进行不同状态的运动时呼吸的幅度是不同的，前胸和后背的惯性测量单元会相应的收缩和扩张，前胸惯性测量单元设备测量呼吸时前胸的加速度、角速度，人体位置的信息，后背惯性测量单元设备测量呼吸时后背的加速度、角速度。

惯性测量单元设备和微处理器通过纽扣电池供电，电池每半年一换，惯导测量单元和微处理器的频率是10Hz。惯性测量单元和微处理器都具有防水特性，微处理器将采集到的数据进行算法解算。

微处理器在接收到数据后首先通过粒子滤波对前后两个惯性测量单元所测得的三轴加速度和角速度信息进行初次滤波，粒子滤波比较精确地表达基于观测量和控制量的后验概率分布。

智能背心前胸和后背固定安装有两个惯性测量单元设备实时测量出人体不同运动状态下的三轴加速度和角速度信息。针对人体处于不同的运动状态时惯性测量单元所测得的数据含有多个均值和方差都无法确定的过程噪声和测量噪声的情况，对测量得到的加速度和角速度信息进行粒子滤波，摆脱系统模型的限制经过滤波后的加速度和角速度信息与人体的运动呈非线性关系，通过寻找一组在状态空间传播的随机样本对概率密度函数进行近似，以样本均值代替积分运算，从而获得状态最小方差分布。

对人体在进行大幅度运动时惯性测量单元姿态解算产生的漂移现象，进行角速度信息下的角振动特性分析，同时建立圆锥误差补偿算法来提高惯性测量单元的姿态解算精度。

惯性测量单元在进行比力积分速度计算时，由于机体姿态变化，惯性测量单元存在着明显的划船效应，此时对线振动特性分析，建立划船补偿模型降低粒子滤波后的加速度误差。

针对前胸和后背两个惯性测量单元安装的任意性，利用经过补偿矫正后的两个惯性测量单元的姿态角和速度信息，进行基于欧拉角的坐标旋转匹配校准，实现对双惯性测量单元的空间校准，针对前胸和后背两个惯性测量单元数据传输时序的任意性，利用人为设定的融合周期建立批处理伪量测方程，进而构建批处理时间异步融合校准模型，实现对双惯性测量单元的时间校准。

坐标校准采用欧拉角转方向余弦矩阵的方式将前后惯性测量单元所测得角速度转换到同一平面内。

a＝aψaθaφ(Z→Y→X)

其中，a_ψ为Z轴方向加速度，a_θ为Y轴方向加速度，a_ψ为X轴方向加速度。

时间校准采用无锚定TDOA定位算法以此来克服所测数据的时间差，TDOA是通过检测信号到达两个信号接收点的时间差，而不是到达的绝对时间来确定移动台的位置，降低了时间同步要求。

对坐标校准和时间校准后的角速度、加速度进行差分无迹卡尔曼滤波。

在经过时空配准之后，利用惯性测量单元解算的姿态角和速度等信息，构建基于前胸与后背相对运动方程下的差分呼吸解算模型，考虑到差分模型的非线性，建立非线性无迹差分卡尔曼滤波模型，进而得到单纯人体呼吸运动下的时域呼吸波形。

得到人体呼吸的深度，在解算出呼吸深度后通过频谱分析及人体健康呼吸比例耦合模型得到呼吸频率。

在解算出呼吸深度和心率后通过和在微处理器里面健康人体的呼吸数据进行比对，判断出被监测身体的健康状况，微处理器所比对的数据来自标准医学数据，为疾病的诊断提供可靠的数据，进而诊断出被监测者身体的健康状况，若呼吸深度和呼吸频率超出标准范围，微处理器发出报警提示，并且进行算法循环。

为证明该发明专利方法的可行性，于是采用实验进行验证，实验分别测出人体在静坐、匀速走动、正常跑动下的加速度和角速度，对所测出的实验数据按照本发明专利方法的流程进行数据分析和绘图，得到当人体处于不同状态下呼吸的三轴曲线图其结果如图4～图6所示，从图中可得到呼吸时的深度和频率。

尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。

Claims (6)

1.一种中老年人可穿戴式呼吸监测方法，其特征在于，包括以下步骤：

1)利用惯性测量单元实时测量人体不同运动状态下前胸和后背呼吸的加速度和角速度信息；

2)对得到人体的加速度和角速度信息进行粒子滤波，摆脱系统模型的限制；

3)经过滤波后的加速度和角速度信息与人体的运动呈非线性关系，分别对加速度和角速度信息进行速度校准和姿态校准；

4)针对前胸和后背两个惯性测量单元安装的任意性，利用经过补偿矫正后的两个惯性测量单元的姿态角和速度信息，进行基于欧拉角的坐标旋转匹配校准，实现对两个惯性测量单元的坐标校准；

5)针对前胸和后背两个惯性测量单元数据传输时序的任意性，利用人为设定的融合周期建立批处理伪量测方程，进而构建批处理时间异步融合校准模型，实现对两个惯性测量单元数据传输的时间校准；

6)在经过坐标和时间校准之后，利用惯性测量单元解算的姿态角和速度信息，构建基于前胸与后背相对运动方程下的差分呼吸解算模型，建立非线性无迹差分卡尔曼滤波模型，得到单纯人体呼吸运动下的时域呼吸波形；

7)对呼吸运动的时域参数进行误差精度检验，如果符合解算精度条件，则对呼吸运动的时域信号进行频谱分析，进而得到准确的运动人体呼吸深度和呼吸频率参数。

2.根据权利要求1所述的一种中老年人可穿戴式呼吸监测方法，其特征在于，所述的粒子滤波的具体为通过初步姿态信息中寻找一组在状态空间传播的随机样本对概率密度函数进行近似，以样本均值代替积分运算，获得状态最小方差分布。

3.根据权利要求1所述的一种中老年人可穿戴式呼吸监测方法，其特征在于，所述的姿态校准为：对人体在进行大幅度运动时，惯性测量单元姿态解算时进行角速度信息下的角振动特性分析，建立圆锥误差补偿算法来提高惯性测量单元的姿态解算精度。

4.根据权利要求1所述的一种中老年人可穿戴式呼吸监测方法，其特征在于，所述的速度校准为：惯性测量单元在进行比例积分下的速度解算时，进行惯性测量单元线振动特性分析，建立划船误差补偿模型以提高惯性测量单元的速度解算精度。

5.根据权利要求1所述的一种中老年人可穿戴式呼吸监测方法，其特征在于，所述的坐标校准采用欧拉角转方向余弦矩阵的方式将前后惯性测量单元所测得角速度转换到同一平面内。

6.根据权利要求1所述的一种中老年人可穿戴式呼吸监测方法，其特征在于，所述的时间校准采用无锚定TDOA定位算法，以此来克服所测数据的时间差。