基于心率變異性的人體疲勞興奮測試方案設計

冼杰森 陳曉寧

摘要

人體在疲勞、興奮和平靜的狀態有著對應的生理參數。為了探討人體在三種狀態時有著怎樣的心率變異性，本設計是基于STM32的信號采集與數據處理系統，以實現長時間的人體生理信號實時監控和提醒。通過MPU6050加速度傳感器把采集到數據傳輸到MCU模塊中，進行卡爾曼濾波和巴特沃斯帶通濾波處理，處理后數據將根據運動狀態進行判斷是否為有效數據。若有效，則通過串口上傳到計算機中，進行形態濾波和自相關運算，得到心率間期數據，并將數據存到數據庫中。最后通過多特征決策樹判斷系統，根據數據的4大特征判斷使用者是哪種狀態。

【關鍵詞】生理信號采集 信號處理 疲勞興奮分析 心率變異性 本地數提庫

1 緒論

1.1 課題的意義和目的

生活節奏不斷加快，現代人壓力越來越大，很多人長期受到慢性疲勞的困擾。雖然不會直接危害人們的生命，但長期疲勞仍然會帶來嚴重的健康隱患，甚至誘發癌癥。千萬別讓勞累成為癌癥滋生的溫床。上海市進行的一項萬名癌癥患者整體康復情況調查結果顯示，在癌癥誘因的自我分析中，36.6%的患者認為是過度勞累而誘發，7.1%的病人認為是工作壓力過重誘發。美國圣路易華盛頓大學的一項研究也指出，過度勞累容易誘發癌癥，許多催癌的人回顧發病前兩三年，通常是身心處于極大的壓力之下。勞累之所以會誘發癌癥，是因為人的身體長年處于過度勞累和精神緊張狀態，免疫機能因此削減，使身體修補DNA的能力下降，催患癌癥幾率明顯提高。在最容易被累出的癌癥中，淋巴瘤首當其沖，過度勞累導致血液透支，由于某種代償機制，淋巴系統自動調節補充，導致淋巴無限增生。年輕人的免疫系統處于發育過程中，需要不斷適應外界的變化，因此壓力、勞累等都容易導致其產生惡性改變。過度勞累雖不直接導致癌變，但會導致肝病、肺病反復發作、不斷加重，并最終誘發癌癥。因此，社會急需一種能夠實時監測疲勞的輔助設備。

1.2 心率變異性的時域指標介紹

心率變異性（Heart Rate Variability，HRV）是指逐次心搏間期之間的微小變異特征。當今的醫學觀點是指人的心率正常情況下也是呈不規則變化的。心率變異是指竇性

心率的這種波動變化的程度。HRV分析方法只要有時域分析法、頻域分析法、線性分析法和非線性分析發。這里主要介紹時域分析法。HRV時域分析法具有五大指標，分為NNVGR、SDNN、RMSSD、SDSD、pNN50。

SDNN指的是全部正常竇性心搏間期（NN）的平均值，單位為ms，計算公式如下：

其中N代表;SDNN是標準差，即全部NN間期的標準差，單位為ms。

RMSSD是指全程相鄰NN間期之差的均方根，單位為ms，計算公式如下：

SDSD是指全程相鄰NN間期長度之差的標準差，單位為ms，計算公式如下：

PNN50是指在全部NN間期的記錄中，相鄰的NN間期之差大于50ms的個數與總的NN間期的個數的比，以百分比表示。其中SDNN反映的是自主神經系統對心率調控的總評價，而RMSSD和PNN50反映的是迷走神經張力。

1.3 論文的主要內容

本文通過研究對放置于凳子底下的加速度傳感器采集系統實現人體坐著時狀態的監測。

論文的層次結構如下：

（1）描述了課題研究的來源，論文產生的背景、意義。

（2）描述了凳子底下心率監測系統的整體框架，對系統框架、加速度傳感器做了一定介紹，介紹了VS2017開發平臺以及在該開發平臺上如何實現心率監測的相關功能。

（3）介紹了生理信號預處理的方法，通過設計四種濾波算法從混合生理信號中提取準確心率信號，并且與心電信號同時進行測量對比。

（4）介紹了實驗設計步驟，提出基于心率變異性的多特征判決疲勞和興奮分析的算法，介紹該算法的優勢，并且對該算法的實際應用進行了詳盡的描述。

（5）最后是對本文工作的一個總結，以及對未來提出進一步的展望。

2 非接觸式心率檢測系統的構成

2.1 整體系統設計方案

系統的信號采集主要通過六軸加速度傳感器來實現，傳感器置于一小塊平板中，放在凳子的下面兩個帆布中間，集成的PCB的MCU電路板可放于凳子旁邊。所得到的數據通過在MCU進行處理后，通過串口上傳到計算機，在窗口軟件對上傳的數據進行處理分析，并且以波形圖的形式實時顯示并計算出呼吸率。系統總設計簡圖如圖1所示。

2.2 硬件設計

系統硬件主要由三大部分組成：非穿戴式的心率監測傳感器部分、下位機和上位機組成。非穿戴式心率監測部分包括MPU6050模塊和支架系統，下位機則是STM32，用于驅動控制傳感器并處理數據，將數據上傳至上位機，上位機部分則是PC客戶端程序，實時處理得到的數據。

2.2.1 主控系統

本次數據采集與濾波電路使用的主控芯片為STM32F103RCT6。主控芯片通過驅動MPU6050模塊檢測人體隨心臟跳動的微弱加速度、各方向角速度的變化量，在STM32內部進行處理，通過濾波處理濾除干擾信號，得到與心率相關的信號并且并通過串口將得到的信號發送至PC端進行處理。

2.2.2 采集系統

采集系統選用MPU6050六軸加速度傳感器實時監測人體心率信息，MPU6050模塊通過SDL、SCL兩根I2C數據線與STM32F103RCT6主控系統通信。

2.2.3 支撐系統

在探測信號的初期，我們選擇的都是剛性凳子，人的心率跳動會引起人體輕微震動。為了保證傳感器與人體充分接觸，得到可靠準確的心率數據，我們選用一款堅固耐用的布料凳子，其凳面為可形變的彈性布料，人體坐上去之后能夠和人體緊密接觸，通過把傳感器安裝在此凳子的凳面底部中心，可以實現穩定準確測量的人體生物信息數據。

2.3 軟件設計

2.3.1 MCU濾波處理

在mcu收集到最原始的數據的時候，我們進行卡爾曼濾波處理和巴特沃斯帶通濾波?？柭鼮V波系統系統可用一個線性隨機微分方程來描述，而巴特沃斯帶通濾波器則是根據心率來選擇頻帶，我們選擇的時2-6Hz頻帶。

2.3.2 窗口軟件設計

窗口設計包括控件設計程序、數據處理程序、顯示程序?？丶O計包括串口控件，按鈕控件等。在接收到的數據是呼吸和心率的混合信號，因此需要進一步處理。對該混合信號繼續進行分離，分別通過形態濾波和互相關計算進行處理，最后提取出每個峰值，進一步提取RR峰值。

2.4 數據正確性驗證

數據正確性驗證包括兩部分，分別為是否為正常的心率呼吸數據和是否和心電數據有差別。

2.4.1 是否為正常的心率呼吸數據

在收集過程中，由于裝置的局限，實時采集得到的數據不一定有效。因此需要一個決策算法來判斷所收到的一段數據是否有效。

我們在收集一段2s的數據（1000個數據）之后，通過以下方法來判斷得到的數據是否有效。具體算法將會在2.5中解釋。

2.4.2 是否和心電數據有差別。

在制作初期，通過同時用心電儀器和MPU6050傳感器測量同一個人的心率，通過以下公式計算計算出誤差，當誤差小于10-3次方的時候說明誤差很小，很準確。

公式如下：

RR：本設計裝置的測量的數據心率間期

M：本設計裝置的測量的數據心率間期與心電數

據間期差的個數

JJ：心電數據間期

n：本設計裝置的測量的數據心率間期的個數

a：誤差

若誤差小于0.001的時候，說明兩個信號誤差很小，本設計裝置的測量的數據心率間期很準確;

若誤差在0.01和0.001中的，說明設計裝置的測量的數據心率間期比較準確，可以接受;

若誤差大于0.01中的，說明設計裝置的測量的數據心率間期不準確。

數據組如下：

第一組8.9504*10e-4

第二組0.0038

第三組9.3439*10e-4

第四組0.0039

第五組9.5587*10e-4

第六組8.0711*10e-4

第七組7.1289*10e-4

第八組8.5134*10e-4

說明本裝置采集的數據和心電數據的誤差很小，能夠達到醫療水平。

2.5 相關算法

判斷人體運動和沒人坐下的算法計算簡述：

若某段時間內，x軸加速度的方差大于第一閥值（5000LSB/s），則判為人體在運動，數據無效，不上傳到計算機，傳送標志信號;若X軸加速度的方差小于第一閥值（5000LSB/s），則進行第二次判決。第二次判決為y軸加速度的方差大于第二閥值（5000LSB/s），則判為人體在運動，數據無效，不上傳到計算機，傳送標志信號;若Y軸加速度的方差小于第二閥值（5000LSB/s），則進行第三次判決。第三次判決為z軸加速度的方差大于第三閥值（5000LSB/s），則判為人體在運動，數據無效，不上傳到計算機，傳送標志信號;若z軸加速度的方差小于第三閥值（5000LSB/S），則進行第四次判決。第四次判決為y軸角速度的方差小于第四閥值（15°/s）或者大于第五閥值（450°/s），則判為人無人坐下，數據無效，不上傳到計算機，傳送標志信號;若Y軸角速度的方差小于第四閥值（15°/s）同時大于第五閥值（450°/s），則判為數據有效。

2.6 本章小節

在本章中充分地介紹了整一個系統實施方案，硬件系統包括MCU、MPU6050傳感器和布料椅子，而軟件系統通過4種濾波算法和一個判斷算法來對數據進行處理，并且最后提取出峰峰間期，最后把數據保存數據庫。

3 疲勞興奮方案設計與測試

3.1 測試方案設計

本實驗設計方案設計如下所述：將本組的兩個組員作為實驗對象，通過對兩隊員進行不間斷的測量心率間期數據，分別兩個隊員在疲勞、興奮、平常穩態的時候測量數據，通過長時間測量記錄數據，然后通過對每一組數據計算出HRV時域特征。通過建立一個多特征決策模型，有監督地訓練出對應的特征的占比。同時，把每個人平常的狀態歸一化，訓練出每一個人自適應的模型，通過再次測試來驗證判決是否準確。

3.2 疲勞興奮狀態的判決算法

設訓練數據集為D，|D|為樣本個數。設有K個分類Ck，k=1，2…K，|Ck|表示屬于Ck分類的樣本個數，因此有：

設特征A有n個不同的取值{a1，a2…an}，根據特征A的取值將D劃分為n個子集D1，D2…Dn，|Di|為Di子集中的樣本個數，因此有：

記子集Di中屬于類Ck的樣本的集合為Dik，|Dik|表示Dik的樣本個數。計算數據集D的經驗嫡：

接下來就要求經驗條件嫡了，可以遍歷A中的所有特征，計算所有特征A的信息增益，選擇信息增益最大的特征作為當前的分裂特征：

將得到的數據放進去訓練得到這樣的一個樹圖。

3.2.1 決策樹1的關系

當SDNN小于345.127時候，判斷為興奮。當SDNN大于等于345.127時，進行SDSD判斷;當SDSD大于等于34.7925時，判斷為疲勞;當SDSD小于34.7925時，進行PNN50判斷;當PNN50大于等于0.36545時，判為平靜;當PNN50小于0.36545時，判為疲勞。

3.2.2 決策樹2的關系

當SDNN大于等于 361.027時候，判斷為疲勞。當SDNN小于361.027時，進行SDSD判斷;當SDSD小于46.9898時，判斷為平靜;當SDSD大于等于46.9898時，判斷為興奮。

3.3 本章小節

本章通過半個月的時間來收集好每一個狀態中對應的峰峰間期數據，并且計算出對應的4種時域特征，同歸時域特征數據進行訓練，訓練出對應的決策樹，通過決策樹可以觀察到三種情緒狀態和HRV部分特征值的關系。

4 總結

我們設計了基于簡單情緒判斷的非穿戴式心率監測系統來對人體進行長時間監測。該非穿戴式心率監測系統能夠在不直接接觸人體的時候采集數據，通過卡爾曼濾波和巴特沃斯帶通濾波器，再對數據進行有效性判斷，可以判斷出人體是靜止，還是運動還是沒有人坐下。如果人體是靜止的，則通過串口上傳到計算機繼續進行數據處理，得到RR間期，并且計算出對應的特征數值，通過多特征決策樹進行情緒判斷，對使用者進行提醒。在制作系統時候，我們會根據現有自己收集的數據訓練出多特征決策樹模型，根據模型推斷出心率間期數據特征值與興奮疲勞平靜三種情緒的狀態。

參考文獻

[1]羅蘭.心率變異測量系統以及運動訓練對人心率變異影響的研究[D].上海：上海交通大學，2010.

[2]季虎.心電信號自動分析關鍵技術研究[D].湖南：國防科技大學，2006.

[3]徐明偉，金龍哲，張驎，于露，劉建國，田興華.基于心率監測的建筑工人生理疲勞分析.工程科學學報，2018，40（06）：760-765.

[4]劉振.基于心率變異性的心理壓力識別研究[D].天津：天津理工大學，2016.

[5]陳澎彬.枕下式睡眠生命體征信號提取與分析系統[D].華南師范大學，2016.