基于多傳感器的人體生理狀態判別可視化技術*

李思楠, 趙 海

(1.河北民族師范學院 物理與電子工程系,河北 承德 067000；2.東北大學 計算機科學與工程學院,遼寧 沈陽 110000)

0 引 言

1 總體流程框架

本文研究的人體生理狀態判別機制，首先通過脈搏、呼吸和體溫三種傳感器來實時采集人體的三大生命體征信號，對信號進行預處理和特征提取后，按照各自信號的判別機制將人體的生理狀態分類為“普通狀態”和“事件狀態”兩大類，最后將3組判決結果進行數據融合，劃分出人體在連續時間段內生理狀態所處于的不同狀態等級，使用戶可以根據自身生理狀態所處的等級高低對自身情況進行選擇性關注和感知。

2 基于脈搏波傳感器的人體生理狀態分類方法

2.1 脈搏波信號預處理

利用反射式脈搏波傳感器[7]采集人體手腕處的脈搏波信號，脈搏波信號是一種低頻信號，頻率集中在10 Hz以下，采集過程中不可避免地會受到周圍環境中溫濕度、電磁場以及采集者自身呼吸和運動的影響。本文選擇Sym8小波作為基函數，使用基于小波分解和重構的方法，消除采集過程中摻雜的高頻噪聲及基線漂移。

2.2 脈搏波的特征提取

脈搏波的上升支時間(t1)和高度(H1)與血管壁彈性和射血速度等指標有關；脈搏波的下降支時間(t2)和高度(H2)與外周阻力有關；脈波周期(T)等于心跳周期；此外，反射指數(AI，AI=H2/H1)是反映動脈硬化程度的重要指標之一，可作為心血管健康的評價指標。在本文中，使用差分閾值方法[8]來提取脈搏波的每個周期中的特征參數，并篩選出6個時域特征向量S=[t1，t2，H1，H2，T，AI]。采用主成分分析的方法[9]來減少數據的維數。從該6維向量中提取前兩個主成分元素pca1和pca2作為SVM的輸入向量。

2.3 基于SVM的脈搏波信號分類判別

訓練和測試的數據集由N對提取特征量后的樣本數據構成，形式為：(xi，yi)，i=1,2,…,N，xi∈R，yi∈{0,1}。這里xi為一個二維的特征向量，分別包含了從脈搏波數據集進行特征向量提取和主成分分析后的第一和第二主成分pca1和pca2，即xi∈(pca1,pca2)。yi表示xi數據的標簽，如果yi=1，xi屬于事件狀態，如果yi=0，xi屬于普通狀態。

SVM訓練應用于本文是一個帶約束的尋找最優“超平面”的最小值求解問題[10]

(1)

式中w為最優“超平面”的法向量，使‖w‖變得最小，就相當于使分類間隔達到最大，約束條件為

圍繞保障人民群眾飲食用藥安全這一中心任務，昆明市局全面落實“黨政同責”和“四有兩責”要求，把食品藥品安全納入各級政府公共安全體系、目標管理績效考核體系，權重提高到3%，實行“一票否決制”。2013年以來開展了50多項全市食品藥品安全整治行動。將食品藥品安全列入全市“十三五”重點專項規劃，每年專項經費超過2000萬元。

yi(wTxi+b)≥1,i=1,2,…,N

(2)

式中b為超平面距離原點偏移量，而分類函數判別式為

f(x)=sgn{(wTx)+b}

(3)

由于在實際情況中，樣本數據中的“事件狀態”和“普通狀態”的特征向量分界可能并不明顯，不是線性可分的情況，有可能出現兩類數據的混疊。為此，引入松弛變量ξi≥0和誤差懲罰因子C

(4)

yi(wTxi+b)≥1-ξi,i=1,2,…,N

(5)

本文采用粒子群算法[11～13]來確定最優的懲罰因子C和核函數的參數σ，使選擇C和σ的過程轉化為一個優化搜索過程。

2.4 SVM的訓練和檢驗過程

訓練和分類的過程歷經3個階段，通過數據準備階段的脈搏波特征提取和主成分分析，確定了pca1和pca2作為SVM的2維輸入向量，在算法標定階段，利用粒子群算法來確定最優懲罰因子C和核函數的參數σ，在分類判別階段由構建好的分類器對測試數據進行分類。分類的可能結果如表1所示，為了客觀分析該方法的分類效果，本文采用了SVM常用的幾項評價指標[14,15]：精確率：Precision=TP/(TP+FP)；召回率：Recall=TP/(TP+FN)；分類準確率：Accuracy=(TP+FN)/(TP+FN+TN+FN)。

表1 分類的可能結果匯總

以上的指標是反映分類器的靜態性能指標，為了評估分類判別的動態過程，需要通過觀察ROC(receiver opera-ting characteristic)曲線的變化趨勢。其中，真陽性率(true positive rate,TPR=TP/(TP+FN))和假陽性率(false positive rate,FPR=FP/(FP+TN))分別作為ROC曲線的橫坐標和縱坐標。AUC是用ROC曲線下的面積來評價分類器性能，計算公式為

(6)

2.5 實驗驗證和算法評價

本文中實驗者經歷三種事件狀態，包含為運動、酒精刺激和睡眠，普通狀態為人體處于靜止坐立狀態之下。選用紅外反射式脈搏傳感器采集人體手腕處的脈搏波信號，采樣率200 Hz。16名實驗者(年齡23～27歲)，在實驗場景中依次經歷4種實驗過程分別為：靜止坐立(10 min)、運動(10 min)、睡眠(80 min)和喝酒刺激(30 min)，分類標簽如表2所示。采集得到的數據通過交叉驗證的方式，選取其中50 %為訓練集數據，另50 %為測試集數據。

表2 人體生理狀態分類標簽

圖1(a)所示為SVM構建的訓練效果。×號代表訓練集中的普通狀態下對應數據，實心圓點代表事件狀態下(運動、睡眠、喝酒)對應的數據，兩類數據的邊界界限并不明顯，但SVM可以通過最優分類曲線將數據進行區分。

圖1(b)為SVM的分類效果，方格符號記表示被分類為“普通狀態”的測試數據，米字符號記表示被分類為“事件狀態”的測試數據。從中可以看到雖然邊界模糊，但兩種生理狀態可以被成功分類。

圖1 SVM訓練和分類效果

統計16名實驗者的4項分類指標如表3所示，精確率和召回率平均值分別達到了96.12 %和94.18 %，平均的分類準確率也達到了96.85 %。從實驗者1的ROC曲線中可以看出，分類器的TPR始終保持在90 %以上，并不斷提升，AUC值達到0.9476。

由于每個脈搏周期都會產生一組分類結果，本文利用脈搏波得到了一組分類判決結果(0/1)，如果采集的時間較長，則判決結果同樣為大量數據。因此，本文會對判決的結果進行單位轉換，由每個脈搏周期生成一個判決結果轉化為1 min生成一個判決結果。采取的方法是：如果一分鐘內判決結果中0(普通狀態)的數量大于1(事件狀態)的數量，則用二進制數0表示該1 min的判決結果，否則用1表示該1 min的判決結果。

3 基于呼吸波傳感器的人體狀態分類

利用呼吸波傳感器獲取呼吸信號，從得到的呼吸信號時域周期中可以計算出實時的呼吸頻率，然后跟設定好的閾值比較，來判定當前人的生理狀態。成年人在平靜狀態下的呼吸頻率為每分鐘16～20次，女性平均比男性快1～2次，低于12次/分屬于呼吸過緩。因此，文本中設置呼吸頻率的閾值為下限12次/分，上限20次/分。在閾值范圍內，人體的狀態被判定為“普通”(標記為0)，超出閾值范圍則狀態被判定為“事件”(標記為1)。每個呼吸周期會產生一次判決結果，因此，同樣需要對呼吸的分類結果進行單位轉化，轉化方式同脈搏波的轉化方法相同，最終由呼吸波信號的分類結果得到一組每分鐘對應一個的判決結果(0/1)。

4 基于體溫信號的人體狀態分類

人體的體溫不會在短時間發生突變，本文中基于體溫信號的人體狀態分類先利用數字體溫傳感器采集人體的體溫信號，每分鐘采樣一次，再跟設定好的閾值進行比較，判斷人體生理狀態分類為0(普通狀態)還是1(事件狀態)。設定的閾值可以根據使用者的具體情況而調節。本文實驗者的閾值范圍設定在36～37 ℃。在這個閾值范圍內分類結果為0(普通狀態)，超過閾值范圍分類為1(事件狀態)。最終生成一個只含有0或1的二進制數組。

5 傳感器的數據融合

本文提出一種基于二進制編碼的數據融合方法，將三種信號的判決結果進行決策級融合，得到人體生理狀態的綜合評價結果(1組3 Bit二進制編碼)。為了能夠直觀展示這種數據融合方法，本文選擇了一名實驗者，連續4 h內通過三種傳感器采集脈搏波、呼吸和體溫信號，采集過程如圖2(a)所示，這4 h內該實驗者經歷了10 min的運動、80 min睡眠和40 min的喝酒刺激，各個時間節點已被標注。利用三種信號各自的判別機制對人體生理狀態生成了連續240 min的0/1判決數組如圖2(b)所示，三種信號都對人體經歷的事件狀態的分類能力各不相同。

圖2 三種信號采集過程、時域波形及分類判決結果

5.1 二進制編碼融合方法

在進行二進制編碼融合的過程中，需要先確定三組信號脈搏、呼吸、體溫各自分類判決結果的編碼順序，即確定融合后的3 bit二進制數中，最高位、中間位、最低位的優先級排序。

三組狀態的分類結果由3組二進制序列(240個0或1)組成。其中1代表人體處于“事件”狀態，0代表人體處于“普通狀態”。由一次的狀態分類結果到下一次的分類結果共存在4種情況：p1表示由前一狀態0變換為下一狀態1的次數占全部分類的比例；p2表示由前一狀態1變換為下一狀態0的次數占全部分類次數的比例；同理，p3表示由前一狀態0變換為下一狀態0的次數占全部分類次數的比例；p4表示由前一狀態1變換為下一狀態1的次數占全部分類次數的比例。

這里用p1和p2的和代表了生理狀態發生改變的頻率，它的值越小，說明此種信號越穩定，越不容易發生突變。這里引入熵S的概念來衡量信號的狀態變換的頻度

S=-(p1+p2)log2(p1+p2)

(7)

三種信號的熵值統計如表3所示，熵值S的值越大，代表狀態發生改變的期望越高，即兩種狀態之間轉換的頻度越高，該信號自身的穩定性越差；反之，信號的穩定性越好。由表3統計可以看出，體溫信號的穩定性最高，脈搏次之，呼吸信號的穩定性最差。因此，本文選體溫信號的判決結果作為3 bit二進制編碼的最高位，脈搏信號的判決結果為中間位，呼吸信號的判決結果作為最低位。

表3 三種信號的熵值統計

5.2 生理健康狀態的等級劃分

經過了二進制編碼融合方法之后形成的人體生理狀態綜合評價結果是由一組3 bit二進制數，因為3 bit二進制數的取值范圍是0～7，本文也將人體的生理狀態分為8個等級，如表4所示。

利用二進制編碼融合的方法，將人體的生理狀態評價結果表示為8個等級的時間序列的形式。數據融合后的等級越高，表明人的生理狀態越值得關注，等級越低，表明人體的生理狀態越穩定，越不必關注。處于等級0時則代表人此刻處于“普通狀態”。

表4 生理狀態的等級劃分

實驗者在4 h(240 min)的生理狀態等級分布情如圖3所示，時間分辨率為1 min，每條直線代表了人體生理狀態在該分鐘內所處的等級，而線段的高度代表了所處等級的大小，一共分8個等級，線段越高，等級越高。從圖中可以看到，實驗者所經歷的運動、睡眠、飲酒三種狀態在圖中都有不同等級的體現。高強度的運動對人體生理狀態的影響最大，該段時間內人體被判定為最高等級，值得用戶重點關注，40 min喝酒過程，人體生理狀態先由等級2上升到等級6，隨后又下降回等級2，直接對映了人體生理狀態變化的過程，開始階段酒精對人體的影響逐漸加大，對心血管系統的刺激導致人體內部的各種生理反應開始顯現，體溫上升，而最后當酒精隨著人體汗液的排出及肝臟的處理，生理狀態又逐漸恢復為普通狀態。而睡眠過程在圖中的等級為2，說明了睡眠對人體的生理狀態的影響程度沒有運動和喝酒影響大，只在脈搏信號上得以區分，在呼吸和體溫信號上沒有顯現出區別。

圖3 1min分辨率的可視化效果

6 結束語

本文提出一種多傳感器融合的人體生理狀態分類方法，通過脈搏、呼吸、體溫三種傳感器采集的數據分別將人體生理狀態分類為“普通狀態”和“事件狀態”，隨后采用二進制編碼的方式將3組分類結果進行數據融合，得出了一組能夠反映人體所處生理狀態等級的可視化結果，不僅增強了使用者對自身生理狀態的感知，還能根據最終結果還原出每一組信號的分類情況。為體域網產品中如何處理和存儲海量人體生理數據提供了一個全新的方法。