冼杰森 陈晓宁

摘要

人体在疲劳、兴奋和平静的状态有着对应的生理参数。为了探讨人体在三种状态时有着怎样的心率变异性，本设计是基于STM32的信号采集与数据处理系统，以实现长时间的人体生理信号实时监控和提醒。通过MPU6050加速度传感器把采集到数据传输到MCU模块中，进行卡尔曼滤波和巴特沃斯带通滤波处理，处理后数据将根据运动状态进行判断是否为有效数据。若有效，则通过串口上传到计算机中，进行形态滤波和自相关运算，得到心率间期数据，并将数据存到数据库中。最后通过多特征决策树判断系统，根据数据的4大特征判断使用者是哪种状态。

【关键词】生理信号采集 信号处理 疲劳兴奋分析 心率变异性 本地数提库

1 绪论

1.1 课题的意义和目的

生活节奏不断加快，现代人压力越来越大，很多人长期受到慢性疲劳的困扰。虽然不会直接危害人们的生命，但长期疲劳仍然会带来严重的健康隐患，甚至诱发癌症。千万别让劳累成为癌症滋生的温床。上海市进行的一项万名癌症患者整体康复情况调查结果显示，在癌症诱因的自我分析中，36.6%的患者認为是过度劳累而诱发，7.1%的病人认为是工作压力过重诱发。美国圣路易华盛顿大学的一项研究也指出，过度劳累容易诱发癌症，许多催癌的人回顾发病前两三年，通常是身心处于极大的压力之下。劳累之所以会诱发癌症，是因为人的身体长年处于过度劳累和精神紧张状态，免疫机能因此削减，使身体修补DNA的能力下降，催患癌症几率明显提高。在最容易被累出的癌症中，淋巴瘤首当其冲，过度劳累导致血液透支，由于某种代偿机制，淋巴系统自动调节补充，导致淋巴无限增生。年轻人的免疫系统处于发育过程中，需要不断适应外界的变化，因此压力、劳累等都容易导致其产生恶性改变。过度劳累虽不直接导致癌变，但会导致肝病、肺病反复发作、不断加重，并最终诱发癌症。因此，社会急需一种能够实时监测疲劳的辅助设备。

1.2 心率变异性的时域指标介绍

心率变异性（Heart Rate Variability，HRV）是指逐次心搏间期之间的微小变异特征。当今的医学观点是指人的心率正常情况下也是呈不规则变化的。心率变异是指窦性

心率的这种波动变化的程度。HRV分析方法只要有时域分析法、频域分析法、线性分析法和非线性分析发。这里主要介绍时域分析法。HRV时域分析法具有五大指标，分为NNVGR、SDNN、RMSSD、SDSD、pNN50。

SDNN指的是全部正常窦性心搏间期（NN）的平均值，单位为ms，计算公式如下：

其中N代表;SDNN是标准差，即全部NN间期的标准差，单位为ms。

RMSSD是指全程相邻NN间期之差的均方根，单位为ms，计算公式如下：

SDSD是指全程相邻NN间期长度之差的标准差，单位为ms，计算公式如下：

PNN50是指在全部NN间期的记录中，相邻的NN间期之差大于50ms的个数与总的NN间期的个数的比，以百分比表示。其中SDNN反映的是自主神经系统对心率调控的总评价，而RMSSD和PNN50反映的是迷走神经张力。

1.3 论文的主要内容

本文通过研究对放置于凳子底下的加速度传感器采集系统实现人体坐着时状态的监测。

论文的层次结构如下：

（1）描述了课题研究的来源，论文产生的背景、意义。

（2）描述了凳子底下心率监测系统的整体框架，对系统框架、加速度传感器做了一定介绍，介绍了VS2017开发平台以及在该开发平台上如何实现心率监测的相关功能。

（3）介绍了生理信号预处理的方法，通过设计四种滤波算法从混合生理信号中提取准确心率信号，并且与心电信号同时进行测量对比。

（4）介绍了实验设计步骤，提出基于心率变异性的多特征判决疲劳和兴奋分析的算法，介绍该算法的优势，并且对该算法的实际应用进行了详尽的描述。

（5）最后是对本文工作的一个总结，以及对未来提出进一步的展望。

2 非接触式心率检测系统的构成

2.1 整体系统设计方案

系统的信号采集主要通过六轴加速度传感器来实现，传感器置于一小块平板中，放在凳子的下面两个帆布中间，集成的PCB的MCU电路板可放于凳子旁边。所得到的数据通过在MCU进行处理后，通过串口上传到计算机，在窗口软件对上传的数据进行处理分析，并且以波形图的形式实时显示并计算出呼吸率。系统总设计简图如图1所示。

2.2 硬件设计

系统硬件主要由三大部分组成：非穿戴式的心率监测传感器部分、下位机和上位机组成。非穿戴式心率监测部分包括MPU6050模块和支架系统，下位机则是STM32，用于驱动控制传感器并处理数据，将数据上传至上位机，上位机部分则是PC客户端程序，实时处理得到的数据。

2.2.1 主控系统

本次数据采集与滤波电路使用的主控芯片为STM32F103RCT6。主控芯片通过驱动MPU6050模块检测人体随心脏跳动的微弱加速度、各方向角速度的变化量，在STM32内部进行处理，通过滤波处理滤除干扰信号，得到与心率相关的信号并且并通过串口将得到的信号发送至PC端进行处理。

2.2.2 采集系统

采集系统选用MPU6050六轴加速度传感器实时监测人体心率信息，MPU6050模块通过SDL、SCL两根I2C数据线与STM32F103RCT6主控系统通信。

2.2.3 支撑系统

在探测信号的初期，我们选择的都是刚性凳子，人的心率跳动会引起人体轻微震动。为了保证传感器与人体充分接触，得到可靠准确的心率数据，我们选用一款坚固耐用的布料凳子，其凳面为可形变的弹性布料，人体坐上去之后能够和人体紧密接触，通过把传感器安装在此凳子的凳面底部中心，可以实现稳定准确测量的人体生物信息数据。

2.3 软件设计

2.3.1 MCU滤波处理

在mcu收集到最原始的数据的时候，我们进行卡尔曼滤波处理和巴特沃斯带通滤波。卡尔曼滤波系统系统可用一个线性随机微分方程来描述，而巴特沃斯带通滤波器则是根据心率来选择频带，我们选择的时2-6Hz频带。

2.3.2 窗口软件设计

窗口设计包括控件設计程序、数据处理程序、显示程序。控件设计包括串口控件，按钮控件等。在接收到的数据是呼吸和心率的混合信号，因此需要进一步处理。对该混合信号继续进行分离，分别通过形态滤波和互相关计算进行处理，最后提取出每个峰值，进一步提取RR峰值。

2.4 数据正确性验证

数据正确性验证包括两部分，分别为是否为正常的心率呼吸数据和是否和心电数据有差别。

2.4.1 是否为正常的心率呼吸数据

在收集过程中，由于装置的局限，实时采集得到的数据不一定有效。因此需要一个决策算法来判断所收到的一段数据是否有效。

我们在收集一段2s的数据（1000个数据）之后，通过以下方法来判断得到的数据是否有效。具体算法将会在2.5中解释。

2.4.2 是否和心电数据有差别。

在制作初期，通过同时用心电仪器和MPU6050传感器测量同一个人的心率，通过以下公式计算计算出误差，当误差小于10-3次方的时候说明误差很小，很准确。

公式如下：

RR：本设计装置的测量的数据心率间期

M：本设计装置的测量的数据心率间期与心电数

据间期差的个数

JJ：心电数据间期

n：本设计装置的测量的数据心率间期的个数

a：误差

若误差小于0.001的时候，说明两个信号误差很小，本设计装置的测量的数据心率间期很准确;

若误差在0.01和0.001中的，说明设计装置的测量的数据心率间期比较准确，可以接受;

若误差大于0.01中的，说明设计装置的测量的数据心率间期不准确。

数据组如下：

第一组8.9504*10e-4

第二组0.0038

第三组9.3439*10e-4

第四组0.0039

第五组9.5587*10e-4

第六组8.0711*10e-4

第七组7.1289*10e-4

第八组8.5134*10e-4

说明本装置采集的数据和心电数据的误差很小，能够达到医疗水平。

2.5 相关算法

判断人体运动和没人坐下的算法计算简述：

若某段时间内，x轴加速度的方差大于第一阀值（5000LSB/s），则判为人体在运动，数据无效，不上传到计算机，传送标志信号;若X轴加速度的方差小于第一阀值（5000LSB/s），则进行第二次判决。第二次判决为y轴加速度的方差大于第二阀值（5000LSB/s），则判为人体在运动，数据无效，不上传到计算机，传送标志信号;若Y轴加速度的方差小于第二阀值（5000LSB/s），则进行第三次判决。第三次判决为z轴加速度的方差大于第三阀值（5000LSB/s），则判为人体在运动，数据无效，不上传到计算机，传送标志信号;若z轴加速度的方差小于第三阀值（5000LSB/S），则进行第四次判决。第四次判决为y轴角速度的方差小于第四阀值（15°/s）或者大于第五阀值（450°/s），则判为人无人坐下，数据无效，不上传到计算机，传送标志信号;若Y轴角速度的方差小于第四阀值（15°/s）同时大于第五阀值（450°/s），则判为数据有效。

2.6 本章小节

在本章中充分地介绍了整一个系统实施方案，硬件系统包括MCU、MPU6050传感器和布料椅子，而软件系统通过4种滤波算法和一个判断算法来对数据进行处理，并且最后提取出峰峰间期，最后把数据保存数据库。

3 疲劳兴奋方案设计与测试

3.1 测试方案设计

本实验设计方案设计如下所述：将本组的两个组员作为实验对象，通过对两队员进行不间断的测量心率间期数据，分别两个队员在疲劳、兴奋、平常稳态的时候测量数据，通过长时间测量记录数据，然后通过对每一组数据计算出HRV时域特征。通过建立一个多特征决策模型，有监督地训练出对应的特征的占比。同时，把每个人平常的状态归一化，训练出每一个人自适应的模型，通过再次测试来验证判决是否准确。

3.2 疲劳兴奋状态的判决算法

设训练数据集为D，|D|为样本个数。设有K个分类Ck，k=1，2…K，|Ck|表示属于Ck分类的样本个数，因此有：

设特征A有n个不同的取值{a1，a2…an}，根据特征A的取值将D划分为n个子集D1，D2…Dn，|Di|为Di子集中的样本个数，因此有：

记子集Di中属于类Ck的样本的集合为Dik，|Dik|表示Dik的样本个数。计算数据集D的经验嫡：

接下来就要求经验条件嫡了，可以遍历A中的所有特征，计算所有特征A的信息增益，选择信息增益最大的特征作为当前的分裂特征：

将得到的数据放进去训练得到这样的一个树图。

3.2.1 决策树1的关系

当SDNN小于345.127时候，判断为兴奋。当SDNN大于等于345.127时，进行SDSD判断;当SDSD大于等于34.7925时，判断为疲劳;当SDSD小于34.7925时，进行PNN50判断;当PNN50大于等于0.36545时，判为平静;当PNN50小于0.36545时，判为疲劳。

3.2.2 决策树2的关系

当SDNN大于等于 361.027时候，判断为疲劳。当SDNN小于361.027时，进行SDSD判断;当SDSD小于46.9898时，判断为平静;当SDSD大于等于46.9898时，判断为兴奋。

3.3 本章小节

本章通过半个月的时间来收集好每一个状态中对应的峰峰间期数据，并且计算出对应的4种时域特征，同归时域特征数据进行训练，训练出对应的决策树，通过决策树可以观察到三种情绪状态和HRV部分特征值的关系。

4 总结

我们设计了基于简单情绪判断的非穿戴式心率监测系统来对人体进行长时间监测。该非穿戴式心率监测系统能够在不直接接触人体的时候采集数据，通过卡尔曼滤波和巴特沃斯带通滤波器，再对数据进行有效性判断，可以判断出人体是静止，还是运动还是没有人坐下。如果人体是静止的，则通过串口上传到计算机继续进行数据处理，得到RR间期，并且计算出对应的特征数值，通过多特征决策树进行情绪判断，对使用者进行提醒。在制作系统时候，我们会根据现有自己收集的数据训练出多特征决策树模型，根据模型推断出心率间期数据特征值与兴奋疲劳平静三种情绪的状态。

参考文献

[1]罗兰.心率变异测量系统以及运动训练对人心率变异影响的研究[D].上海：上海交通大学，2010.

[2]季虎.心电信号自动分析关键技术研究[D].湖南：国防科技大学，2006.

[3]徐明伟，金龙哲，张驎，于露，刘建国，田兴华.基于心率监测的建筑工人生理疲劳分析.工程科学学报，2018，40（06）：760-765.

[4]刘振.基于心率变异性的心理压力识别研究[D].天津：天津理工大学，2016.

[5]陈澎彬.枕下式睡眠生命体征信号提取与分析系统[D].华南师范大学，2016.