CN109875543B - 用于可穿戴心率监测设备的多种健身运动状态下的心率估计方法及装置 - Google Patents

用于可穿戴心率监测设备的多种健身运动状态下的心率估计方法及装置 Download PDF

Info

Publication number
CN109875543B
CN109875543B CN201910103153.1A CN201910103153A CN109875543B CN 109875543 B CN109875543 B CN 109875543B CN 201910103153 A CN201910103153 A CN 201910103153A CN 109875543 B CN109875543 B CN 109875543B
Authority
CN
China
Prior art keywords
signal
pulse wave
motion
heart rate
motion state
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201910103153.1A
Other languages
English (en)
Other versions
CN109875543A (zh
Inventor
叶娅兰
何文文
潘桐杰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
University of Electronic Science and Technology of China
Original Assignee
University of Electronic Science and Technology of China
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by University of Electronic Science and Technology of China filed Critical University of Electronic Science and Technology of China
Priority to CN201910103153.1A priority Critical patent/CN109875543B/zh
Publication of CN109875543A publication Critical patent/CN109875543A/zh
Application granted granted Critical
Publication of CN109875543B publication Critical patent/CN109875543B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Landscapes

  • Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)

Abstract

本发明公开了一种用于可穿戴心率监测设备的多种健身运动状态下的心率估计方法及装置。本发明包括稀疏字典学习、运动状态识别、运动伪影去除以及心率谱峰追踪四部分，即将某种运动状态下的脉搏波信号和噪声估计信号作为训练集，通过求解稀疏字典学习的优化问题得出该运动相应的稀疏字典；然后对运动信号提取特征信息并基于分类的方法进行运动状态识别，得出当前时间窗口下的脉搏波信号对应的运动状态；接着根据运动状态判断脉搏波信号是否含有大量噪声，选择当前运动状态对应的稀疏字典，对脉搏波信号采用稀疏表示方法去除噪声干扰，得到重构的脉搏波信号；最后，定位每个时间窗的心率谱峰。本发明的心率估计精度高、复杂度低。

Description

用于可穿戴心率监测设备的多种健身运动状态下的心率估计 方法及装置
技术领域
本发明涉及生物医学信号处理领域，尤其涉及一种用于可穿戴心率监测设备的心率估计方法及装置。
背景技术
基于现代可穿戴设备的心率监测因其在控制训练负荷或健身健康监测中的有效性而受到人们的关注。基于光电容积脉搏波描记法的心率监测因其便携性和低成本而流行。但是由于光电容积脉搏波信号易受到运动伪影干扰，在运动状态下的基于光电容积脉搏波信号的心率监测是一项困难的挑战。
在健身锻炼中，光电容积脉搏波(Photoplethysmography，PPG)信号容易受到运动伪影的影响，其主要来源是受试者的一些自主或非自主的运动，可能导致运动期间手部的传感器与皮肤之间的间隙扩大。而由于光电容积脉搏波信号和运动伪影之间可能存在光谱上和时间上的相似性，因此不能轻易去除运动伪影。由于加速度信号和运动伪影之间的强相关性，加速度在去除运动伪影方面由强大的功能。最近提出了一些使用加速度信号作为运动伪影的参考信号，主要分为以下三类：
第一类是基于加速度信号辅助的信号分解，例如奇异谱分析。首先奇异谱分析将原始光电容积脉搏波信号分解成一系列分量，然后通过检查在相同的频率区间处加速度信号是否存在谱峰来识别分量中与运动伪影相关联的谱峰。但是，这并不能去除所有重要的运动伪影成分，原因在于，尽管加速度信号和运动伪影之间存在强相关性，但原始光电容积脉搏波信号和加速度信号的谱峰可能不会出现在相同的频率区间，而是存在于两个相邻的区间。
第二类是基于加速度信号辅助的谱减法。它通过从PPG信号的频谱中减去加速度信号的频谱(由周期图计算)来去除运动伪影。然而，使用谱减法获得的频谱可能包含一些负值，这可能会降低运动伪影去除的性能。
第三类是基于加速度信号辅助的自适应噪声消除，其中加速度信号被用作运动伪影的参考信号。但是，自适应噪声消除对预定义的参考信号敏感。如果未正确选择预定义的参考信号，则可能影响运动伪影消除的性能。
上述技术在一定程度上取得了令人满意的结果。但是，由于大多数现有方案的性能仅使用一些特定的运动来评估，例如走路和跑步。在实践中，由于存在许多不同类型的运动，例如深蹲和椭圆机，必须在许多不同类型的运动状态下进行心率监测，在这些情况下，手部运动具有不同的方向，从而导致更复杂的运动伪影，使得心率监控存在大的挑战。
发明内容
本发明的发明目的在于：针对上述存在的问题，提供了一种用于可穿戴心率监测设备的多种运动状态下基于稀疏字典学习的心率估计方法。
本发明的用于可穿戴心率监测设备的多种运动状态下基于稀疏字典学习的心率估计方法，包括下列步骤：
步骤S1：分别为不同种类的运动状态(健身运动状态)下的脉搏波信号和噪声估计信号设置脉搏波信号稀疏字典和噪声估计信号稀疏字典：
将当前运动状态下的干净的脉搏波信号作为训练集
Figure BDA0001966105840000021
通过稀疏字典学习获取当前运动状态下的脉搏波信号稀疏字典
Figure BDA0001966105840000022
以及将当前运动状态下对应的噪声估计信号作为训练集S，通过稀疏字典学习获取当前运动状态下的噪声估计信号稀疏字典R；
优选的，训练集
Figure BDA0001966105840000023
由大量时间窗口下的干净的脉搏波信号的短时傅里叶变换的幅度构成，训练集S由大量时间窗口下的噪声估计信号的短时傅里叶变换的幅度构成。
其中，稀疏字典学习即求解稀疏字典学习的优化问题，所涉及的具体方法可以是现有任一惯用方法，例如最优方向法(method of optimal directions，MOD)和K-SVD奇异值分解法(k-singular value decomposition，K-SVD)等等；
步骤S2：基于步骤S1所包括的运动状态类型，设置对应的运动状态分类器；
本步骤中，可以采用任一惯用的分类识别技术，基于步骤S1所包括的运动状态类型，分别采集各类运动状态下的原始运动信号，采用滑窗的方式对原始运动信号进行时间窗划分，并对每个时间窗的信号进行带通滤波处理后，作为当前运动状态的一个训练样本；并基于每类运动状态的多个训练样本得到运动状态分类器的训练集S′；
基于先验知识提取训练集S′中的各训练样本的信号特征向量，基于所采用的分类识别技术进行分类识别训练，得到运动状态分类器；
步骤S3：对脉搏波传感器采集的运动状态下的原始脉搏波信号、运动传感器采集的原始运动信号分别采用滑窗的方式进行时间窗划分，并对各时间窗进行心率估计；其中脉搏波传感器通常可采用光电容积脉搏波传感器；
步骤S301：对当前时间窗的原始脉搏波信号、原始运动信号进行带通滤波处理，得到带通滤波处理后的脉搏波信号sraw和带通滤波处理后的运动信号araw，并将运动信号araw作为噪声参考信号；
步骤S303：提取运动信号araw的信号特征向量，并输入运动状态分类器，基于运动状态分类器的分类结果得出当前时间窗下的脉搏波信号sraw对应的运动状态；
步骤S304：根据得出的运动状态选择该运动状态对应的脉搏波信号稀疏字典
Figure BDA0001966105840000031
和噪声估计信号稀疏字典R；
并基于稀疏表示方法对脉搏波信号sraw进行去噪处理，得到干净的脉搏波信号srecon；
稀疏表示方法为：
首先判断脉搏波信号sraw是否干净，基于干净与否选择稀疏表示中将使用的稀疏字典D。具体为，若信号是干净的：
Figure BDA0001966105840000032
若信号不是干净的：
Figure BDA0001966105840000033
然后通过求解稀疏表示的约束问题，得出稀疏相关向量c。具体为，当
Figure BDA00019661058400000311
时：
Figure BDA00019661058400000312
当
Figure BDA0001966105840000034
时：
Figure BDA0001966105840000035
其中
Figure BDA0001966105840000036
和cr是对应于
Figure BDA0001966105840000037
和R的稀疏相关向量，[·]T表示矩阵转置。
最后由稀疏字典D和稀疏相关向量c计算得出干净的脉搏波信号srecon：由
Figure BDA0001966105840000038
得到干净的脉搏波信号对应的短时傅里叶变换幅度
Figure BDA0001966105840000039
再对
Figure BDA00019661058400000310
进行短时傅里叶变换逆变换得到干净的脉搏波信号srecon。
其中，求解稀疏表示的约束问题可以采用任一惯用方法，例如正交匹配追踪(orthogonal matching pursuit，OMP)算法和Lasso(1east absolute shrinkage andselection operator)回归算法等。
步骤S305：以时间窗为单位，使用分类定位法对每个时间窗的脉搏波信号srecon的频谱进行心率谱峰追踪，定位每个时间窗的心率谱峰；
其中，分类定位法可以具体为：
在训练阶段，将不同时间窗的脉搏波信号srecon作为分类器的训练样本，基于先验知识提取脉搏波信号srecon的特征信息构建分类器，并指定不同分类结果的心率谱峰位置；
在实时分类处理阶段，提取当前时间窗的脉搏波信号srecon的特征信息并输入分类器进行分类判决，基于当前类别对应的心率谱峰位置确定当前时间窗的心率谱峰位置；
步骤S306：基于当前时间窗的心率谱峰位置计算心率值。
比如首先根据频谱的频率范围和傅里叶变换点数获取心率谱峰位置所在坐标系的单位坐标点的频率值，从而得到心率谱峰位置的频率值，即每秒的心率值。
进一步的，脉搏波信号稀疏字典
Figure BDA00019661058400000313
噪声估计信号稀疏字典R的具体设置方式如下：
将某种运动状态下的干净的脉搏波信号作为训练集
Figure BDA0001966105840000043
通过求解稀疏字典学习的优化问题得出该运动状态下的脉搏波信号的稀疏字典
Figure BDA0001966105840000049
优化问题为：
Figure BDA0001966105840000041
其中||·||F表示弗罗贝尼乌斯范数(Frobenius norm)，τ为预设的正整数，即预设的限制条件，通常取值范围为：τ∈[3，5]。训练集
Figure BDA0001966105840000044
由
Figure BDA0001966105840000045
表示，其中D表示训练集
Figure BDA0001966105840000046
中每个训练样本的维度，W表示训练集
Figure BDA0001966105840000047
的训练样本的个数。稀疏字典
Figure BDA00019661058400000410
由
Figure BDA00019661058400000411
表示，其中M表示稀疏字典
Figure BDA00019661058400000414
中原子的个数，
Figure BDA00019661058400000413
是编码矩阵，由
Figure BDA00019661058400000412
表示。最后得到稀疏字典
Figure BDA00019661058400000415
Figure BDA0001966105840000048
同时，将该运动状态下对应的噪声估计信号作为训练集S，通过求解稀疏字典学习的优化问题得出该运动状态下的噪声估计信号的稀疏字典R。优化问题为：
Figure BDA0001966105840000042
其中||·||F表示弗罗贝尼乌斯范数(Frobenius norm)，ρ为预设的正整数，通常取值范围为：ρ∈[3，5]。训练集
Figure BDA00019661058400000419
由
Figure BDA00019661058400000420
表示，其中N表示训练集S的训练样本的个数。稀疏字典
Figure BDA00019661058400000421
由
Figure BDA00019661058400000422
表示，其中L表示稀疏字典R中原子的个数，
Figure BDA00019661058400000423
是编码矩阵，由
Figure BDA00019661058400000424
表示。最后得到稀疏字典R：R＝SC·(CCT)-1。
进一步的，在步骤S304中，判断脉搏波信号sraw是否干净具体为：
利用带通滤波处理后的脉搏波信号sraw和噪声参考信号araw的短时傅里叶变换(short-time Fourier transform，STFT)得出幅度x和a：
x＝|STFT(sraw)|
a＝|STFT(araw)|
根据x和a的相关性判断脉搏波信号是否为干净信号，求解x和a的皮尔逊相关系数，然后判断x和a的皮尔逊相关系数ρcorr是否小于等于一个预设的阈值：
|ρcorr|≤Δcorr，其中Δcorr是预设的阈值
若满足|ρcorr|≤Δcorr，则表明脉搏波信号和噪声参考信号之间相关性不强，认为该脉搏波信号为干净信号，则稀疏表示中使用的稀疏字典为：
Figure BDA00019661058400000416
若不满足|ρcorr|≤Δcorr，则表明脉搏波信号和噪声参考信号之间相关性强，认为该脉搏波信号不是干净信号，则稀疏表示中使用的稀疏字典为：
Figure BDA00019661058400000417
进一步的，在步骤S304中，基于噪声参考信号araw以及脉搏波信号稀疏字典
Figure BDA00019661058400000418
和噪声估计信号稀疏字典R，使用稀疏表示方法去除脉搏波信号sraw中的噪声干扰，得到干净的脉搏波信号srecon具体为：
利用得到的稀疏字典D，通过求解稀疏表示的约束问题，得出稀疏相关向量c；其中具体的约束问题如下：
min||x-Dc||2
s.t.||c||0≤K
由上述约束问题可知，当
Figure BDA0001966105840000052
时：
Figure BDA0001966105840000053
当
Figure BDA0001966105840000054
时：
Figure BDA0001966105840000055
Figure BDA0001966105840000056
和cr是对应于
Figure BDA0001966105840000057
和R的稀疏相关向量。其中x由带通滤波处理后的脉搏波信号sraw的短时傅里叶变换得出，K是一个小的正整数，K∈[3，5]。
从而根据
Figure BDA0001966105840000058
得到干净的脉搏波信号对应的短时傅里叶变换幅度
Figure BDA00019661058400000510
对干净的脉搏波信号对应的短时傅里叶变换幅度
Figure BDA0001966105840000059
进行短时傅里叶变换的逆变换得到干净的脉搏波信号srecon。
本发明的心率估计方法的精确度高，计算复杂度低，适用于不同的运动状态，能够达到实时估计各种运动状态下心率的目的，可以方便的应用于可穿戴心率监测设备中。
同时，本发明还公开了一种基于上述心率估计方法的可穿戴心率监测设备，即多种健身运动状态下的心率估计装置，包括稀疏字典设置单元、稀疏字典存储单元、信号采集单元、信号预处理单元、运动状态识别单元、信号去噪单元、心率计算单元和输出单元；
稀疏字典设置单元，用于为不同种类的运动状态(健身运动状态)下的脉搏波信号和噪声估计信号设置脉搏波信号稀疏字典和噪声估计信号稀疏字典，并将各种运动状态对应的稀疏字典存入稀疏字典存储单元；
其中，某种运动状态下的稀疏字典设置的过程具体为：
将该种运动状态下的干净的脉搏波信号作为训练集
Figure BDA0001966105840000051
通过求解稀疏字典学习的优化问题得出该运动状态下的脉搏波信号的稀疏字典
Figure BDA00019661058400000511
同时，将该运动状态下对应的噪声估计信号作为训练集S，通过求解该稀疏字典学习的优化问题得出该运动状态下的噪声估计信号的稀疏字典R；学习的过程可以直接在稀疏字典设置单元中完成，也可以在其他设备中完成；对于在其他是合并上学习得到的稀疏字典，则直接输入到稀疏字典设置单元即可。
信号采集单元包括脉搏波传感器(优选光电容积脉搏波传感器)和运动传感器，用于采集穿戴者在运动状态下的原始脉搏波信号、原始运动信号并传输给信号预处理单元；
信号预处理单元，用于对输入信号进行时间窗划分并进行带通滤波处理，得到脉搏波信号sraw、运动信号araw；并向运动状态识别单元输入运动信号araw，向信号去噪单元输入脉搏波信号sraw和运动信号araw；
运动状态识别单元，用于对当前时间窗下的运动信号araw进行信号特征向量提取，并输入内置的运动状态分类器对当前时间窗口的运动状态进行分类，并将分类结果传输给信号去噪单元；
信号去噪单元包括稀疏字典选取单元和稀疏表示去噪单元，其中稀疏字典选取单元基于运动状态识别单元发送的分类结果，从稀疏字典存储单元中选取与运动状态类别匹配的脉搏波信号稀疏字典
Figure BDA0001966105840000061
和噪声估计信号稀疏字典R并发送给稀疏表示去噪单元；稀疏表示去噪单元再基于稀疏表示方法对脉搏波信号sraw进行去噪处理，得到干净的脉搏波信号srecon并输入心率计算单元；
心率计算单元：提取脉搏波信号srecon的特征信息并输入内置的分类器，通过所述分类器进行心率谱峰位置的类型的分类判决，确定当前时间窗的心率谱峰位置；以及基于每个时间窗的心率谱峰位置计算当前时间窗的心率值并发送给输出显示单元；
其中，所述分类器基于分类训练得到，即将不同时间窗的脉搏波信号srecon作为分类器的训练样本，基于先验知识提取脉搏波信号srecon的特征信息构建分类器，并指定不同分类结果的心率谱峰位置；
即本发明的心率计算单元以时间窗为单位，使用分类定位法定位每个时间窗的脉搏波信号srecon的频谱进行心率谱峰追踪，定位每个时间窗的心率谱峰，并基于每个时间窗的心率谱峰位置计算当前时间窗的心率值并发送给输出显示单元；
输出单元：以时间窗为单位，实时显示当前时间窗的心率值。
综上所述，由于采用了上述技术方案，本发明的有益效果是：计算出的心率精确度高，计算复杂度低，且适用于各种不同的运动状态。
附图说明
图1是本发明的可穿戴心率监测设备单元结构示意图；
图2是本发明的心率估计流程图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面结合实施方式和附图，对本发明作进一步地详细描述。
本发明公开了一种用于可穿戴心率监测设备的在多种健身运动状态下基于稀疏字典学习的心率估计方法及装置。本发明主要包括稀疏字典学习、运动状态识别、运动伪影去除以及心率谱峰追踪四部分。稀疏字典学习为：将某种运动状态下的脉搏波信号和噪声估计信号作为训练集，通过求解稀疏字典学习的优化问题得出该运动相应的稀疏字典；运动状态识别为：对运动信号提取特征信息并基于分类的方法进行运动状态识别，得出当前时间窗口下的脉搏波信号对应的运动状态；运动伪影去除为：根据运动状态判断脉搏波信号是否含有大量噪声，选择当前运动状态对应的稀疏字典，对脉搏波信号采用稀疏表示方法去除噪声干扰，得到重构的脉搏波信号；再基于频谱的心率谱峰追踪，定位每个时间窗的心率谱峰，即基于分类定位法定位心率谱峰。本发明用于心率估计，其计算精度高、复杂度低，适用于各种不同的运动状态，从而保证了其在各种健身活动中可穿戴监测设备的可实施性。
实施例
参见图1，2，可穿戴心率监测设备，包括稀疏字典设置单元、信号采集单元、信号预处理单元、运动状态识别单元、信号去噪单元、心率计算单元和输出单元；
稀疏字典设置单元对不同种类的运动状态下的脉搏波信号和噪声估计信号进行稀疏字典学习，得到不同运动状态下的脉搏波信号稀疏字典和噪声估计信号稀疏字典；
本实施例中，涉及静止、走路、跑步、深蹲、摆臂、招财猫、椭圆机七种运动状态，其中每组数据包括静止和其余六种运动中的一种运动状态。本实施例中，噪声估计信号的训练集由运动信号构成，干净的脉搏波信号的训练集则使用基于非线性自适应滤波结合奇异谱分析两种去噪算法去噪后并能准确估计心率的脉搏波信号构成。
其中一种运动状态下的稀疏字典学习的过程具体为：
将该种运动状态下的干净的脉搏波信号作为训练集
Figure BDA0001966105840000072
通过求解稀疏字典学习的优化问题得出该运动状态下的脉搏波信号的稀疏字典
Figure BDA00019661058400000710
优化问题为：
Figure BDA0001966105840000071
其中||·||F表示弗罗贝尼乌斯范数(Frobenius norm)，τ是预设的小的正整数，τ∈[3，5]。训练集
Figure BDA0001966105840000073
由
Figure BDA0001966105840000074
表示，其中D表示训练集
Figure BDA0001966105840000075
中每个训练样本的维度，W表示训练样本的个数。稀疏字典
Figure BDA0001966105840000078
由
Figure BDA0001966105840000079
表示，其中M表示稀疏字典中原子的个数，
Figure BDA0001966105840000076
是编码矩阵，由
Figure BDA0001966105840000077
表示。
同时，将该运动状态下对应的噪声估计信号作为训练集S，通过求解稀疏字典学习的优化问题得出该运动状态下的噪声估计信号的稀疏字典R。优化问题为：
Figure BDA0001966105840000081
其中||·||F表示弗罗贝尼乌斯范数(Frobenius norm)，ρ是预设的小的正整数，ρ∈[3，5]。训练集
Figure BDA0001966105840000086
由
Figure BDA0001966105840000087
表示，其中N表示训练样本的个数。稀疏字典
Figure BDA0001966105840000088
由
Figure BDA0001966105840000089
表示，其中L表示稀疏字典中原子的个数，
Figure BDA00019661058400000810
是编码矩阵，由
Figure BDA00019661058400000811
表示。
本实施例中，采用基于最优方向(method of directions，MOD)算法解决上述优化问题。训练脉搏波信号稀疏字典
Figure BDA0001966105840000084
和训练噪声估计信号稀疏字典R方法一致，下述以训练噪声估计信号稀疏字典R为例。为了更新R和C，最优方向法MOD算法分两阶段进行：稀疏编码阶段和稀疏字典更新阶段。具体为：
在稀疏编码阶段，R是固定的，任一追踪算法，例如正交匹配追踪算法，都能用来计算得出列向量ci，通过近似以下问题：
Figure BDA0001966105840000082
其中ci表示C中的一组列向量，si表示S中的一组列向量，ρ定义为每个信号si的最大的系数，ρ∈[3，5]。稀疏编码阶段结束后，对于每个信号si的ci已知，因此可以得出每项误差：ei＝si-Rci。则整体的均方误差可以表示为：
Figure BDA0001966105840000083
其中||·||F表示弗罗贝尼乌斯范数(Frobenius norm)。
在稀疏字典更新阶段，C是固定的，可以找到R的更新使得上述误差最小，R可以由上式对R求导得出：
R＝SC·(CCT)-1
重复稀疏编码阶段和稀疏字典更新阶段直到收敛。最后，最优方向法MOD可以产生一个噪声估计信号稀疏字典R。同样的，最优方向法MOD可以产生一个脉搏波信号稀疏字典
Figure BDA0001966105840000085
信号采集单元包括光电容积脉搏波传感器和运动传感器，用于采集源信号(包括被测者在运动状态下的原始脉搏波信号、原始运动信号，本实施例中使用的源信号是由光电传感器和三轴加速度传感器在被测者的腕部采集得到，信号的采样频率为125Hz)，并输入给信号预处理单元进行信号预处理。
信号预处理单元对输入信号进行时间窗划分并进行带通滤波处理，向运动状态识别单元输入运动信号araw，向信号去噪单元输入脉搏波信号sraw和运动信号araw；
信号预处理单元利用滑动窗方法对原始信号划分时间窗同时利用带通滤波器对信号进行带通滤波，本实施例中，首先对源信号进行分割，使用滑动窗方法，窗口大小设为8秒，滑动步长设为2秒，计算当前时间窗的平均心率。根据人类实际可能的心率范围(40到200下每分钟)，利用通频带为0.4Hz～5Hz(24到300下每分钟)的带通滤波器对分割后的信号进行带通滤波，将信号频率范围限制在0.4Hz～5Hz。经过预处理后的脉搏波信号记为sraw，三轴加速度信号记为araw。
运动状态识别单元：通过运动信号(三轴加速度信号araw)，对脉搏波信号sraw的运动状态进行识别。
运动状态识别的具体过程为：将不同运动状态下的运动信号作为运动状态分类器的训练样本，本实施例中使用的分类器为XGBoost。提取运动信号的信号特征向量构建运动状态分类器，并指定不同分类结果的运动状态，该构建好的运动状态分类器设置于运动状态识别单元内，其具体的构建过程可以直接在运动状态识别单元中进行，也可以是在其他设备中。
然后，实时提取当前时间窗的运动信号araw的信号特征向量并输入运动状态分类器进行分类判决，基于当前类别对应的运动状态确定当前时间窗的运动状态。
在运动状态识别中提取运动信号araw的信号特征向量包括但不限于：运动信号在时域的峰度、偏度、能量，运动信号在频域下的均值、峰度、偏度以及运动信号经小波分解后各子带信号的能量的和、均值的和、标准差的和。
本实施例中，提取运动信号的峰度、偏度、能量，运动信号频谱的均值、峰度、偏度以及小波分解后各子带信号的能量的和、均值的和、标准差的和，每个时间窗口的运动信号的上述特征构成一个特征向量，每个特征向量经过正则化处理后形成一个向量值在-1到1范围内的特征向量；
信号去噪单元包括稀疏字典选取单元和稀疏表示去噪单元，即首先通过稀疏字典选取单元选取当前运动状态下对应的脉搏波信号稀疏字典
Figure BDA0001966105840000091
和噪声估计信号稀疏字典R，然后基于噪声参考信号，使用稀疏表示方法去除脉搏波信号sraw中的噪声干扰，得到脉搏波信号srecon后再输入心率计算单元；
其中，稀疏表示去噪单元得到干净的脉搏波信号srecon的具体处理方式为：
基于对脉搏波信号sraw和运动信号araw的短时傅里叶变换得到幅度x和a；即x＝|STFT(sraw)|，a＝|STFT(araw)|，STFT(·)表示短时傅里叶变换，|·|表示取绝对值；
根据幅度x和a的皮尔逊相关系数判断脉搏波信号sraw是否干净：若x和a的皮尔逊相关系数小于或等于预设阈值Δcorr，则判定为干净；否则为不干净；
设置稀疏表示中使用的稀疏字典D：若脉搏波信号sraw干净，则
Figure BDA0001966105840000092
否则
Figure BDA0001966105840000093
基于稀疏字典D，通过求解稀疏表示的约束问题得到稀疏相关向量c，进而得到
Figure BDA0001966105840000101
的稀疏相关向量
Figure BDA00019661058400001010
即由于当
Figure BDA0001966105840000102
时，
Figure BDA0001966105840000103
当
Figure BDA0001966105840000104
时，
Figure BDA0001966105840000105
故基于求解得到的稀疏相关向量c和对应的稀疏字典D，可以得到稀疏相关向量
Figure BDA0001966105840000106
从而根据
Figure BDA0001966105840000108
得到干净的脉搏波信号对应的短时傅里叶变换幅度
Figure BDA0001966105840000107
对干净的脉搏波信号对应的短时傅里叶变换幅度
Figure BDA0001966105840000109
进行短时傅里叶变换的逆变换得到干净的脉搏波信号srecon。
本发明中，求解稀疏表示的约束问题的方式不限，优选如下所示的稀疏表示的约束问题：
min||x-Dc||2
s.t.||c||0≤K
其中，K是一个小的正整数，K∈[3，5]。
本实施例中，采用正交匹配追踪算法解决上述约束问题。在稀疏字典矩阵D中，其中每个向量可以称为原子，第Ω列的原子记为DΩ(Ω＝0，1，2，...)；
初始化设置
Figure BDA00019661058400001011
c＝0，
Figure BDA00019661058400001012
t＝0，则正交匹配追踪算法的第t次迭代过程分两步进行，原子选择和编码向量更新。在原子选择阶段选择一个与当前残差
Figure BDA00019661058400001013
最相干的原子
Figure BDA00019661058400001014
即选择一个Ω抖1，使得
Figure BDA00019661058400001015
(为便于表述记
Figure BDA00019661058400001016
)最大。在编码向量更新阶段将编码向量集c更新为将x正交投影到子空间DΩ：
Figure BDA00019661058400001017
并求出当前残差：
Figure BDA00019661058400001018
然后继续选择与残差最相干的原子，反复迭代，直到满足约束||c||0≤K，得到稀疏相关向量c。
心率计算单元基于分类定位法定位当前时间窗的心率谱峰；
本实施例中采用随机森林算法，定位每个时间窗的心率谱峰。将不同时间窗的脉搏波信号srecon作为分类器的训练样本，基于先验知识提取脉搏波信号srecon的特征信息构建分类器，并指定不同分类结果的心率谱峰位置；提取当前时间窗的脉搏波信号srecon的特征信息并输入分类器进行分类判决，基于当前类别对应的心率谱峰位置确定当前时间窗的心率谱峰位置；
当得到当前时间窗的心率谱峰位置(谱峰对应的横轴索引值)后，心率计算单元再根据
Figure BDA00019661058400001019
计算心率值并发送给输出显示单元，以实现显示检测结果，其中心率值的单位为下/分钟，fs表示对应脉搏波信号sraw的频谱的频率范围，N表示傅里叶变换(脉搏波信号sraw从时频到频域的变换)的点数，即fs/N为单位坐标点的频率值，Loc是指根据分类定位法确定的心率谱峰位置(横轴值)，因Loc的起始标记为1，故在计算时需Loc-1。
以上所述，仅为本发明的具体实施方式，本说明书中所公开的任一特征，除非特别叙述，均可被其他等效或具有类似目的的替代特征加以替换；所公开的所有特征、或所有方法或过程中的步骤，除了互相排斥的特征和/或步骤以外，均可以任何方式组合。

Claims (10)

1.用于可穿戴心率监测设备的多种健身运动状态下的心率估计方法，其特征在于，包括下列步骤：
步骤S1：分别为不同种类的运动状态下的脉搏波信号和噪声估计信号设置脉搏波信号稀疏字典和噪声估计信号稀疏字典：
将当前运动状态下的干净的脉搏波信号作为训练集
Figure FDA0002369082970000011
通过稀疏字典学习获取当前运动状态下的脉搏波信号稀疏字典
Figure FDA0002369082970000012
以及将当前运动状态下对应的噪声估计信号作为训练集S，通过稀疏字典学习获取当前运动状态下的噪声估计信号稀疏字典R；
步骤S2：基于步骤S1所包括的运动状态类型，设置对应的运动状态分类器；
步骤S3：对脉搏波传感器采集的运动状态下的原始脉搏波信号、运动传感器采集的原始运动信号分别采用滑窗的方式进行时间窗划分，并对各时间窗进行心率估计；
步骤S301：对当前时间窗的原始脉搏波信号、原始运动信号进行带通滤波处理，得到带通滤波处理后的脉搏波信号sraw和带通滤波处理后的运动信号araw，并将运动信号araw作为噪声参考信号；
步骤S303：提取运动信号araw的信号特征向量，并输入运动状态分类器，基于运动状态分类器的分类结果得出当前时间窗下的脉搏波信号sraw对应的运动状态；
步骤S304：根据得出的运动状态选择该运动状态对应的脉搏波信号稀疏字典
Figure FDA0002369082970000013
和噪声估计信号稀疏字典R；
并基于稀疏表示方法对脉搏波信号sraw进行去噪处理，得到干净的脉搏波信号srecon：
判别脉搏波信号sraw是否干净，并基于判别结果设置稀疏表示的稀疏字典D：若信号干净，则
Figure FDA0002369082970000014
否则
Figure FDA0002369082970000015
通过求解稀疏表示的约束问题，得出稀疏相关向量c；且稀疏相关向量满足：当
Figure FDA0002369082970000016
时，
Figure FDA0002369082970000017
当
Figure FDA0002369082970000018
时，
Figure FDA0002369082970000019
其中
Figure FDA00023690829700000110
和cr是对应于
Figure FDA00023690829700000111
和R的稀疏相关向量，[·]T表示矩阵转置；
由
Figure FDA00023690829700000112
得到干净的脉搏波信号对应的短时傅里叶变换幅度
Figure FDA00023690829700000113
再对
Figure FDA00023690829700000114
进行短时傅里叶变换逆变换得到干净的脉搏波信号srecon；
步骤S305：以时间窗为单位，使用分类定位法对每个时间窗的脉搏波信号srecon的频谱进行心率谱峰追踪，定位每个时间窗的心率谱峰；
步骤S306：基于当前时间窗的心率谱峰位置计算心率值。
2.如权利要求1所述的方法，其特征在于，步骤S304中，判别脉搏波信号sraw是否干净具体方式为：
获取脉搏波信号sraw和运动信号araw的短时傅里叶变换得到幅度x和a；
根据幅度x和a的皮尔逊相关系数判断脉搏波信号sraw是否干净：若x和a的皮尔逊相关系数小于或等于预设阈值，则判定为干净；否则为不干净。
3.如权利要求1所述的方法，其特征在于，步骤S1中，训练集
Figure FDA0002369082970000021
由大量时间窗口下的干净的脉搏波信号的短时傅里叶变换的幅度构成，训练集S由大量时间窗口下的噪声估计信号的短时傅里叶变换的幅度构成。
4.如权利要求1或3所述的方法，其特征在于，步骤S1中，脉搏波信号稀疏字典
Figure FDA0002369082970000022
噪声估计信号稀疏字典R的具体设置方式为：
基于任意一种运动状态的训练集
Figure FDA0002369082970000023
通过求解第一优化问题，得出该运动状态下的脉搏波信号稀疏字典
Figure FDA0002369082970000024
并基于该运动状态的训练集S，通过求解第二优化问题，得出该运动状态下的噪声估计信号稀疏字典R；
所述第一优化问题为：
Figure FDA0002369082970000025
其中，‖·‖F表示弗罗贝尼乌斯范数，τ为预设的正整数，
Figure FDA0002369082970000026
表示第一编码矩阵，其矩阵大小为M×W，其中M表示稀疏字典
Figure FDA0002369082970000027
中原子的个数，W表示训练集
Figure FDA0002369082970000028
的训练样本的个数，
Figure FDA0002369082970000029
表示编码矩阵
Figure FDA00023690829700000210
的元素；
所述第二优化问题为：
Figure FDA00023690829700000211
其中，ρ为预设的正整数，
Figure FDA00023690829700000212
表示第二编码矩阵，其矩阵大小为L×N，其中L表示稀疏字典R中原子的个数，N表示训练集S的训练样本的个数，ci表示编码矩阵
Figure FDA00023690829700000213
的元素。
5.如权利要求1所述的方法，其特征在于，步骤S2具体为：
基于步骤S1所包括的运动状态类型，分别采集各类运动状态下的原始运动信号，采用滑窗的方式对原始运动信号进行时间窗划分，并对每个时间窗的信号进行带通滤波处理后，作为当前运动状态的一个训练样本；并基于每类运动状态的多个训练样本得到运动状态分类器的训练集S′；
提取训练集S′中的各训练样本的信号特征向量，基于采用的分类识别技术进行分类识别训练，得到运动状态分类器。
6.如权利要求1所述的方法，其特征在于，步骤S305中，分类定位法具体为：
在训练阶段，将不同时间窗的脉搏波信号srecon作为分类器的训练样本，提取脉搏波信号srecon的特征信息构建分类器，并指定不同分类结果的心率谱峰位置；
在实时分类处理阶段，提取当前时间窗的脉搏波信号srecon的特征信息并输入分类器进行分类判决，基于当前类别对应的心率谱峰位置确定当前时间窗的心率谱峰位置。
7.如权利要求1所述的方法，其特征在于，步骤S303中，运动信号araw的信号特征向量包括：运动信号在时域的峰度、偏度、能量，运动信号在频域下的均值、峰度、偏度以及运动信号经小波分解后各子带信号的能量的和、均值的和、标准差的和。
8.如权利要求1所述的方法，其特征在于，步骤S304中，稀疏表示的约束问题具体为：
min‖x-Dc‖2
s.t.‖c‖0≤K
其中，x表示脉搏波信号sraw的短时傅里叶变换得到幅度，K为预设的正整数。
9.如权利要求1所述的方法，其特征在于，步骤S3中，采用的时间窗划分方式具体为：采用时间窗长度为4～8秒，滑动间隔为1～2秒。
10.多种健身运动状态下的心率估计装置，包括稀疏字典设置单元、稀疏字典存储单元、信号采集单元、信号预处理单元、运动状态识别单元、信号去噪单元、心率计算单元和输出单元；
稀疏字典设置单元，用于为不同种类的运动状态下的脉搏波信号和噪声估计信号设置脉搏波信号稀疏字典和噪声估计信号稀疏字典，并将各种运动状态对应的稀疏字典存入稀疏字典存储单元；
信号采集单元包括脉搏波传感器和运动传感器，用于采集穿戴者在运动状态下的原始脉搏波信号、原始运动信号并传输给信号预处理单元；
信号预处理单元，用于对输入信号进行时间窗划分并进行带通滤波处理，得到脉搏波信号sraw、运动信号araw；并向运动状态识别单元输入运动信号araw，向信号去噪单元输入脉搏波信号sraw和运动信号araw；
运动状态识别单元，用于对当前时间窗下的运动信号araw进行信号特征向量提取，并输入内置的运动状态分类器对当前时间窗口的运动状态进行分类，并将分类结果传输给信号去噪单元；
信号去噪单元包括稀疏字典选取单元和稀疏表示去噪单元，其中稀疏字典选取单元基于运动状态识别单元发送的分类结果，从稀疏字典存储单元中选取与运动状态类别匹配的脉搏波信号稀疏字典
Figure FDA0002369082970000041
和噪声估计信号稀疏字典R并发送给稀疏表示去噪单元；稀疏表示去噪单元再基于稀疏表示方法对脉搏波信号sraw进行去噪处理，得到干净的脉搏波信号srecon并输入心率计算单元；
心率计算单元：提取脉搏波信号srecon的特征信息并输入内置的分类器，通过所述分类器进行心率谱峰位置的类型的分类判决，确定当前时间窗的心率谱峰位置；以及基于每个时间窗的心率谱峰位置计算当前时间窗的心率值并发送给输出显示单元。
CN201910103153.1A 2019-02-01 2019-02-01 用于可穿戴心率监测设备的多种健身运动状态下的心率估计方法及装置 Active CN109875543B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910103153.1A CN109875543B (zh) 2019-02-01 2019-02-01 用于可穿戴心率监测设备的多种健身运动状态下的心率估计方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910103153.1A CN109875543B (zh) 2019-02-01 2019-02-01 用于可穿戴心率监测设备的多种健身运动状态下的心率估计方法及装置

Publications (2)

Publication Number Publication Date
CN109875543A CN109875543A (zh) 2019-06-14
CN109875543B true CN109875543B (zh) 2020-07-21

Family

ID=66927810

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910103153.1A Active CN109875543B (zh) 2019-02-01 2019-02-01 用于可穿戴心率监测设备的多种健身运动状态下的心率估计方法及装置

Country Status (1)

Country Link
CN (1) CN109875543B (zh)

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113491513B (zh) * 2020-04-08 2023-06-30 华为技术有限公司 一种心律检测控制方法及终端
CN111856452B (zh) * 2020-05-21 2022-09-20 重庆邮电大学 基于omp的静态人体心跳和呼吸信号分离重构方法
CN112057066A (zh) * 2020-09-03 2020-12-11 青岛歌尔智能传感器有限公司 心率的检测方法、可穿戴设备及计算机存储介质
CN112790752B (zh) * 2021-01-22 2022-09-27 维沃移动通信有限公司 心率值修正方法、装置及电子设备
CN113925482B (zh) * 2021-10-26 2024-05-31 西安易朴通讯技术有限公司 心率计算方法、可穿戴电子设备和存储介质
CN114052688B (zh) * 2021-12-07 2022-12-20 山东大学 基于单路脉搏波的血压监测装置、存储介质及电子设备
CN114469040A (zh) * 2022-03-08 2022-05-13 中国科学技术大学 心率检测方法及装置、存储介质及电子设备
CN114869259A (zh) * 2022-05-12 2022-08-09 长春理工大学 一种基于GP-XGBoost的非接触式心率测量方法

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP4306041A1 (en) * 2015-01-06 2024-01-17 David Burton Mobile wearable monitoring systems
EP3307141A1 (en) * 2015-06-09 2018-04-18 University of Connecticut Method and apparatus for heart rate monitoring using an electrocardiogram sensor
CN105286846B (zh) * 2015-11-29 2018-03-02 浙江师范大学 一种适用于心率信号的运动噪声检测方法
CN108478206B (zh) * 2018-02-02 2021-08-13 北京邮电大学 运动状态下基于脉搏波的心率监测方法
CN108937878B (zh) * 2018-06-06 2020-10-02 北京邮电大学 一种脉搏波信号运动噪声消除的方法

Also Published As

Publication number Publication date
CN109875543A (zh) 2019-06-14

Similar Documents

Publication Publication Date Title
CN109875543B (zh) 用于可穿戴心率监测设备的多种健身运动状态下的心率估计方法及装置
CN106691425B (zh) 一种运动手环的腕部心率监测方法
Zhang et al. TROIKA: A general framework for heart rate monitoring using wrist-type photoplethysmographic signals during intensive physical exercise
CN109247923B (zh) 基于视频的非接触式脉搏实时估计方法及设备
Brodu et al. Comparative study of band-power extraction techniques for motor imagery classification
Zhang Heart rate monitoring from wrist-type photoplethysmographic (PPG) signals during intensive physical exercise
Schäck et al. Computationally efficient heart rate estimation during physical exercise using photoplethysmographic signals
Temko Estimation of heart rate from photoplethysmography during physical exercise using Wiener filtering and the phase vocoder
Mondal et al. A noise reduction technique based on nonlinear kernel function for heart sound analysis
CN112200162B (zh) 基于端到端网络的非接触式心率测量方法、系统和装置
CN109864713A (zh) 基于多通道并行滤波和谱峰加权选择算法的心率监测方法
He et al. Robust heart rate monitoring for quasi-periodic motions by wrist-type PPG signals
Geetha et al. EEG De-noising using SURE Thresholding based on Wavelet Transforms
Torres et al. Heal-T: an efficient PPG-based heart-rate and IBI estimation method during physical exercise
Wang et al. Ecg artifact removal from single-channel surface emg using fully convolutional networks
López et al. EOG signal processing module for medical assistive systems
Karim et al. Analysis of empirical mode decomposition method of heart rate extraction from motion artifact corrupted PPG Signal
Thomas et al. Accurate heart rate monitoring method during physical exercise from photoplethysmography signal
CN107450730B (zh) 一种基于卷积混合模型的慢速眼动识别方法及系统
CN113616194B (zh) 一种监测手部震颤频率和强度的装置及方法
Zhou et al. Fetal Electrocardiogram Extraction and Performance Analysis.
Liu et al. Subspace based adaptive denoising of surface EMG from neurological injury patients
Askari et al. Application of neural networks for heart rate monitoring
Ahmed et al. Heart rate estimation algorithm from wrist-based photoplethysmogram using subspace learning method
Zamrath et al. Robust and computationally efficient approach for Heart Rate monitoring using photoplethysmographic signals during intensive physical excercise

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant