论文部分内容阅读
运动中实时监测心率能够帮助人们及时了解身体状况降低运动风险。光电容积脉搏波描记法(PhotoPlethysmoGraphy,PPG)具有便于佩戴、功耗低的特点,是可穿戴智能手环实时心率估计的首选方法。智能手环上的PPG信号采集需要一个光源和光接收装置,通过照射人体动脉,接收到光强随着脉搏变化的反射光,从而采集到脉搏波信号并计算心率。由此看来,面向智能手环基于PPG信号的运动中的心率实时估计成为目前研究的热点。然而由于手环非接触的佩戴特点,运动中PPG传感器照射皮肤的光路会发生不规律变化导致漏光现象,反射光强中包含了随机干扰,使得采集到的PPG信号中包含了运动伪影(Motion Artifact,MA),特别是在剧烈运动时,运动伪影会更强。因此,如何从受强运动伪影干扰的PPG信号中准确地估计出运动中的实时心率值是一个有待解决的现实问题。为了解决上述问题,本文提出了一种抗运动伪影的PPG信号心率估计算法(简记为VMFT)。该算法主要包含三个部分:信号去噪、时频转换和谱峰追踪。(1)信号去噪阶段是从运动PPG信号中去除大部分的运动伪影。针对运动PPG信号非平稳的特点,本文使用变分模态分解(Variational Mode Decomposition,VMD)将PPG信号分成若干模态,通过去除其中和加速度信号频域特征相近的模态的方法来实现去除大部分运动伪影,从而获得较为干净的PPG信号;(2)时频转换阶段,即使是较为干净的PPG信号依旧难以在时域上进行心率估计,所以将PPG信号从时域转换到频域。本阶段使用快速傅立叶变换计算了 PPG信号的频谱;(3)谱峰追踪阶段是从较为干净的PPG信号频谱中找出心跳的频率,从而估计出心率值。其中,在算法预处理阶段,针对算法初始化阶段的静止PPG信号可能存在少量干扰,基于傅立叶变换的静止状态PPG心率估计有时会估计失败的问题,本文使用了希尔伯特黄变换(Hilbert-Huang Transform,HHT)求得换高分辨率的边际谱,优化了初始心率的估计。为了验证本文提出的算法的性能,首先,在公开数据集上与多种已有的运动心率估计算法进行了仿真对比果。其次,为了获得更多运动形式的数据,本文搭建了一个运动PPG信号采集平台,采集了四种生活中常见的运动状态下的实验数据,这组数据中包括:同步的PPG信号、加速度信号和ECG信号(真实心率参考值)。并基于该组数据对比了本文提出的算法和经典的运动心率估计算法。实验结果表明,本文提出的算法无论对12或10组的公开数据集还是实验平台采集的四种运动状态下的数据集,都能获得较好的心率估计值。