论文部分内容阅读
心率值是人们在生活和运动中判断身体健康的重要指标,可穿戴智能手表/手环可以方便地在运动中实时的获取心率值。目前可穿戴智能手表主要利用光学容积脉搏波(Photoplethysmography,PPG)采集生理信号并以此计算心率值。然而在采集PPG信号过程中会混有各种噪声,特别是混有由于皮肤与可穿戴设备之间间隙变化引起的运动伪影(Motion Artifact,MA)噪声,造成了基于PPG信号的心率值计算的不准确。由于不同运动状态所产生的运动伪影不相同,特别在剧烈运动时PPG信号中混有强运动伪影更难以去除,严重影响了心率值计算的准确性。因此,在不同种运动状态时准确的实时心率估计具有很大的挑战性。针对上述问题,本文提出了一种在不同种运动状态时基于PPG信号的心率估计方案,主要分为两个阶段:去除运动伪影和谱峰追踪。主要工作包括:1.在去除运动伪影阶段,针对不同运动状态下的运动伪影特点,本文提出了一种CVRLS-CEEMD运动伪影去除方法,首先通过约束递归最小二乘(Constrain ed Volterra-based Recursive Least Squares,CVRLS)自适应滤波方法去除大部分的运动伪影,克服了仅采用VRLS方法使去除运动伪影后频谱中PPG信号谱峰降低导致去噪效果不理想的问题,然后结合补偿集合经验分解(Complementary Ens emble Empirical Mode Decomposition,CEEMD)去除PPG信号中剩余的运动伪影,以获得干净PPG信号。2.在谱峰追踪阶段,针对现有大部分谱峰追踪方法在不同运动状态的数据集需人为设定不同谱峰追踪参数的问题,本文提出基于XGboost的谱峰追踪方法,实现不同运动状态的数据集在谱峰追踪时的自动分类,以获得更准确的真实心率对应的谱峰,提高了最终的心率估计的准确性。为了验证本文提出心率估计方案的性能,分别在六种不同运动状态的数据集(两种公开标准数据集和四种自己采集数据)上进行了仿真实验。本文提出的心率估计方案在六种不同运动状态数据集的心率平均绝对误差为2.04?1.37 BPM(次/每分钟)。仿真结果表明,与现有心率估计方法相比,本文提出的心率估计方案在六种不同运动状态数据集的实验种均显示出更好的心率估计的准确性和鲁棒性,可以实现在不同运动状态中的准确心率估计,满足在可穿戴智能手表/手环中实时心率监测的应用。