[发明专利]一种实时无束缚心率提取方法

说明书

本发明为一种实时无束缚心率提取方法，利用柔性压电薄膜传感器采集人体的心冲击信号，该方法利用固定在座椅表面的柔性压电薄膜传感器采集由心冲击现象引起的压电薄膜振动信号，再由电荷放大器处理并通过数据采集设备传至上位机处理分析，最终提取心率和心跳周期。该方法能够自动检测人体是否离开座椅，且在人体坐姿下能够连续不间断的监测人体生理信息如心率和心跳周期。本方法无需大量的先验知识，同时无需大量样本训练，通过周期估计和区间划分结合可得出心跳模板，计算相对简单，对测量环境要求不高，同时可以获得逐次心跳间隔，检测精度较高，鲁棒性较强。

技术领域

本发明涉及无束缚生理信息监测领域，具体涉及一种实时无束缚心率提取方法。

背景技术

久坐是目前办公人群、学生群体以及驾驶人员须长时间保持的身体姿态，久坐伴随着机体处于静止状态，因此身体对心脏的需求量减少，长时久坐会使心脏机能衰退，导致心率不齐、冠心病等心脏疾病产生，因此面向坐姿的心率监测具有重要意义。目前无束缚心率提取研究中采用心冲击信号提取心率的方法较为广泛，心冲击是指心脏泵血过程中血液的流动使身体产生三维方向的振动，根据牛顿第三定律，身体会产生大小相同方向相反的反作用力，该力中包含着心率呼吸等信息。

目前关于面向坐姿下基于心冲击信号的心率提取研究中，常用的方法是通过对心冲击信号进行频谱分析，通过傅里叶变换等将信号从时域变为频域，从频域中提取心率特征，但是心冲击信号的频率分布易受噪声信号频率的叠加，同时无法获得逐次心跳间隔。另外蒋芳芳等(蒋芳芳,王旭,于艳波,et al.基于心冲击信号的心率异常自动检测方法[J].东北大学学报(自然科学版),2010,31(12):1685-1688.)利用人体坐姿下的心冲信号，通过特征分类的方法提取了心冲击信号的周期特征，但只能检测异常心跳发生无法获得心率和心跳周期等具体数据，实用性不高。类似该方法还有利用机器学习的心率特征提取方法，通过支持向量机、卷积神经网络等对心冲击信号进行特征训练，但是该方法需要大量的样本进行学习训练，计算过程较为繁琐。因此迫切的需要一种新的坐姿下心冲击信号的心率提取方法，而本发明正是为解决这种需求的系统和方法。

发明内容

本发明针对以上技术的不足与缺点，提供了一种实时无束缚心率提取方法，尤其是面向坐姿的，旨在提高面向坐姿的心率检测精度，利用固定在座椅表面的柔性压电薄膜传感器采集由心冲击现象引起的压电薄膜振动信号，再由电荷放大器处理并通过数据采集设备传至上位机处理分析，最终提取心率和心跳周期。该方法能够自动检测人体是否离开座椅，且在人体坐姿下能够连续不间断的监测人体生理信息如心率和心跳周期。本方法无需大量的先验知识，同时无需大量样本训练，通过周期估计和区间划分结合可得出心跳模板，计算相对简单，对测量环境要求不高，同时可以获得逐次心跳间隔，检测精度较高，鲁棒性较强。本发明为面向坐姿的无束缚生理信息监测提供了重要技术支持，同时对于防止久坐、预防心血管疾病等具有重要意义。

本发明解决上述问题采用的技术方案如下：

一种实时无束缚心率提取方法，利用柔性压电薄膜传感器采集人体的心冲击信号，该方法包括以下步骤：

第一步、确定人体是否在连续一段时间a秒内处于待检测位置上且人体处于静止状态，若满足条件，则对这连续一段时间a秒的数据进行预处理，去除基线漂移、去除高频噪声，得到预处理后的心冲击信号：

第二步、估计心跳周期

将预处理后的心冲击信号，利用峰值检测算法提取a秒数据中所有正波峰并记录时间轴位置，分别按照公式(1)、公式(2)计算在1.5～a-1.5秒数据内每个时间轴位置的自相关函数R、短时平均幅度差函数D，利用自相关函数和短时平均幅度差函数根据公式(3)获得核心函数Q，核心函数Q在心跳周期位置表现为峰值；

检测核心函数的正波峰，设定波峰阈值δ，将振幅超过δ的正波峰的位置作为心跳周期位置，计算相邻心跳周期位置的平均间隔作为某一正波峰处的估计心跳周期；