孟 瑶

(辽东学院 信息工程学院，辽宁 丹东118000)

0 引言

随着信息技术的快速发展和人们对高质、高效保健的更多需求，可穿戴传感器技术在健康监测方面的应用备受关注[1]。 可穿戴健康系统可以弥补传统医疗设备的局限性，提供有关个人的长期健康状况反馈，乃至健康威胁警报[2]，因此有望变革医疗保健，实现对健康隐患的及时发现和解决、疾病的有效预防以及慢性病的更好理解和自我管理[3]。

该类系统通常使用集成在可穿戴设备中的微型传感器来测量诸如心电图(ECG)、血压、活动、温度等生物信号，并据此反馈与佩戴者及其所处环境相关的生理和情境信息[4]，其强调低生理负荷甚至无负荷的信息采集，对机体的日常活动基本没有干扰，可应用于临床监护、家庭保健、体育训练等领域[5]。 例如，刘远柯[6]针对老年人的日常监护，设计了一套人体生理信息及姿态的监测系统，实现了心电、心率、体温和运动状态的实时监测，并提供心电异常和意外跌倒的识别与报警；洪岩等[7]设计了应用于智能服装的人体生理指标与服装微气候监测系统，其通过体温和心率反映人体的生理状况，通过湿度和温度了解身体舒适度；李正明等[8]设计了一种生理健康监控系统，采用温度、脉搏等传感器进行前端感知，利用蓝牙技术实现与智能手机终端的通信，智能手机接收、处理和存储生理参数，并通过远程监控平台向监护人和医疗组织提供数据监控；李金明[9]设计了一种多参数心脏远程监测系统，采集单元负责信号采集和蓝牙通信，Android 客户端实现心电、心音和脉搏信号的波形显示、存储、删除及上传，云服务器实现三种生理信号的云端存储；占峰松[10]设计和实现了一款可穿戴心电监测系统，可实时采集、存储和处理心电信号，对其进行特征提取和参数计算，并基于预置或自定义规则实时检测心电异常；李润川等[11]设计和实现了一款健康监测系统，其借助可穿戴心电检测仪采集心电信号，传输至云平台供医生查看和诊断，并将结果派发给手机端显示；高鹏彪[12]设计和实现了一种可穿戴健康监测系统， 可检测人体血压、体温、心率、体脂率等生物信号，并通过蓝牙与手机移动端通信实现远程控制和监测。

心电图是心脏随时间变化的电活动记录。 这种常见的非侵入性测量通常是通过将电极固定在受试者胸部区域来获得的[13]。 可穿戴传感器采集的ECG 大多是在人体动态条件下记录的，信号受到了各类噪声和伪影的影响[14]，因此相较传统ECG 监护仪，可穿戴ECG 的处理更具难度。 本文设计和实现了一种基于可穿戴传感器的实时心电检测系统。通过穿戴胸带内嵌的传感器，采集佩戴者的心电信号并传输至移动设备。 安装于移动设备的应用程序接收心电信号，使用自适应心电检测算法进行实时分析，显示心电信号及实时心率。 实地实验验证了本文方法的有效性与可行性。

1 可穿戴心电检测系统

该可穿戴心电检测系统包括可穿戴胸带和移动应用程序两部分。 可穿戴胸带包括传感器模块、电路模块、通信模块和电源模块。 传感器模块使用心电传感器采集心电信号；电路模块汇集和控制信号；通信模块使用蓝牙实现胸带和移动设备的无线通信；电源模块用于供能。 移动设备(如智能手机、平板电脑等)安装有专门的应用程序，其接收和处理心电信号，并实时展示心电信号和心率。

1.1 可穿戴胸带

如图1 所示，可穿戴胸带使用3 个内置ECG 传感器(采样率240 Hz)来感知佩戴者心脏活动。 传感器信号通过数字纱线发送至信号调节电路，无线转发至移动设备，实现对心脏状况的实时监测。 该过程降低了运动伪影和测量噪声，提高了心电图的稳定性和QRS 波群的检测率。

1.2 移动应用程序

移动应用程序接收可穿戴胸带传输的心电信号，于其界面显示心电信号和采用自适应心电检测算法提取的实时心率，如图2 所示。

图1 可穿戴胸带

图2 心电信号和心率

2 自适应心电检测算法

采集自心电传感器的信号波形类似标准导联II 心电图，故对文献[15]开发的QRS 检测算法进行改进以适应本系统心电信号。 为满足实时计算的需求，算法以重叠滑动窗口的方式，对输入的心电信号进行分段处理，具体包括以下步骤：

(1)设置滑动窗口的起始位置，窗口大小缺省值为512，获取窗口内的原始心电信号(图3(a))。

(2)对窗口内信号应用均值滤波器和带通滤波器对心电信号进行平滑降噪(图3(b))。

(3)对滤波后的信号依次进行微分(图3(c))、逐点平方(图3(d))和移动窗口积分(图3(e))。

(4)基于积分波形的峰值，导出阈值，据此检测QRS 波群的R 波(图3(f))。

(5)计算当前R 波和前一个R 波之间的位置间隔，即RR 间隔。

(6)基于过去5 个RR 间隔和R 波峰值的平均值，计算自适应阈值；当不足5 个时，使用所有已知RR 间隔和R 波峰值；阈值初始值为0。

(7)根据RR 间隔和R 波峰值的自适应阈值以及当前RR 间隔和R 波峰值，评估当前R 波的合法性。

(8)若当前R 波合法，结合采样率，计算当前心率(次/分钟)。

(9)根据当前R 波结束位置，确定下一个窗口的起始位置。

(10)重复以上步骤，直到处理完所有信号。

3 实地实验

为了评价系统和自适应心电检测算法的性能，设计和实施了实地实验。

3.1 方法

8 名受试者参与了实地实验， 其身体特征的描述性统计信息(均值、标准差和范围)如表1 所示。受试者佩戴胸带，使用跑步机进行运动。

3.2 结果

为了评估心电检测算法性能，将算法检测到的R 波数量与其实际数量进行了比较。 表2 显示了每名受试者的实际R 波数量、检测R 波数量和检测错误率。 在8 名受试者中，2 名受试者检测误差绝对值在0 ～1%之间；2 名受试者检测误差绝对值在1%～2%之间；3 名受试者检测误差绝对值在2%～3%之间；1 名受试者检测误差绝对值在3%～4%之间(图4)。

表1 8 名受试者身体特征

表2 算法性能

图4 R 波检测错误率

表3 显示了检测错误率的描述性统计信息。 其中错误率均值为-1.99%，均值在95%置信水平的置信区间为(-2.86%，-1.11%)，中值为-1.98%，标准差为1.05，最小值为-3.66%，最大值为-0.52%，范围为3.14%。

3.3 讨论

为了探讨受试者身体特征对实验结果的影响，采用Spearman 相关分析了年龄、身高、体重以及BMI与错误率之间的关系。 如表4 所示，受试者体重与错误率的相关系数为-0.755(p＜0.05)，说明受试者体重与错误率之间存在高度负相关。

为了分析R 波检测错误成因，对比了实际R 波数量和检测R 波数量。 如图5 所示，所有受试者都产生了低估R 波数量的情况，这主要是由于人体活动会产生运动伪影和测量噪声，从而导致了R 波漏检现象。 图6 展示了出现该类情况的心电信号，在下标4 000～4 600 之间遗漏了若干R 波，因此低估了从该段信号获得的瞬时心率。 当这种漏失现象频繁发生时，R 波总数量可能会被低估。

表3 描述性统计信息

表4 身体特征与错误率相关性

图5 低估R 波数量

因此，该算法可以在正常步行情况下表现良好，但是运动伪影和测量噪声对算法性能的降低起到了一定作用，意味着在高强度活动中可能会获得降低的性能，因为在这些活动中会产生更多的伪影和噪声。

图6 R 波漏检

4 结论

本文提出了一种基于可穿戴胸带和移动应用程序的心电检测方法，其提供与心电信号相关的实时反馈。 移动应用程序实现了自适应心电检测算法，其利用胸带内嵌的心电传感器采集的信号，检测瞬时心率。 招募了8 名受试者进行实地实验，对系统和算法性能进行了测试。 结果表明，检测R 波数量错误率为-1.99%，检测到了96%以上的R 波。下一步研究可扩大受试者范围以更全面地测试算法性能，也可改进算法以降低错误率。