多傳感器融合的穿戴式心率監(jiān)測系統(tǒng)

徐禮勝，靳雁冰1，王琦文1，李錫勇1，印 重

（1.東北大學中荷生物醫(yī)學與信息工程學院，110819沈陽；2.醫(yī)學影像計算教育部重點實驗室（東北大學），110004沈陽；3.沈陽藥科大學醫(yī)療器械學院，110016沈陽）

多傳感器融合的穿戴式心率監(jiān)測系統(tǒng)

徐禮勝1，2，靳雁冰1，王琦文1，李錫勇1，印 重3

（1.東北大學中荷生物醫(yī)學與信息工程學院，110819沈陽；2.醫(yī)學影像計算教育部重點實驗室（東北大學），110004沈陽；3.沈陽藥科大學醫(yī)療器械學院，110016沈陽）

為提高日常行為下心率監(jiān)測準確率，用多傳感器融合的方法分別融合與生物電生理和生物機械力密切相關的心電、脈搏波信號，實現(xiàn)基于Android平臺的高可靠、穿戴式心率監(jiān)測系統(tǒng).使用本系統(tǒng)和ST-1212心電工作站進行了18例日常行為下不同動作不同強度的同步采集和分析實驗.通過分析信號時域特征得到反映信號質量高低的信號質量指數(shù)，根據(jù)質量指數(shù)自適應調節(jié)卡爾曼濾波器對兩路信號獲得的心率做最優(yōu)估計，最后通過卡爾曼濾波殘差調節(jié)權重得到融合心率.結果表明，融合心率相比單從心電或者脈搏波信號所得心率準確度提高46%以上。該系統(tǒng)通過多傳感器融合的方式能有效降低干擾對心率估計的影響，可相對長時間地進行心率低負荷連續(xù)監(jiān)測.

心率；多傳感器融合；Android平臺；穿戴式；信號質量指數(shù)；卡爾曼濾波器

據(jù)國家心血管病中心和世界衛(wèi)生組織統(tǒng)計，心血管疾病已成為我國乃至全球范圍內的“頭號殺手”［1-2］.研究表明靜息心率過快是心血管疾病的危險因素［3］，心率對運動評估亦非常重要［4］.

在日常行為下采集心電信號易受人體活動和外界的干擾，較難不間斷準確獲取心率信息.心率監(jiān)測設備常因噪聲、偽跡等干擾導致估值錯誤而誤報警，給使用者帶來極大困擾［5］.一些算法如機器學習［6］、多參數(shù)分析［7］、信號質量評估［8］和卡爾曼濾波［9］等被用來改善心率估計.機器學習能有效辨別出信號中的偽跡和干擾，但需要大量數(shù)據(jù)對模型進行訓練.多參數(shù)分析綜合監(jiān)護儀的動脈血壓等波形降低誤報警，但采集設備復雜不適合穿戴監(jiān)測.有研究者將信號質量評估用于心電遠程監(jiān)護，但用戶難以實時得到健康提醒；也有研究者將卡爾曼濾波應用到降低重癥監(jiān)護室的誤報警率，對多導聯(lián)心電數(shù)據(jù)進行最優(yōu)融合估計.可見，要在日常行為下提供可靠的心率監(jiān)測，不僅要能方便獲取具有心率信息的多路生理信號，而且要綜合多種算法并降低其復雜度.

心率可以通過心電、動脈血壓、脈搏波等信號進行分析并提取，而心電、脈搏波信號分別同生物電生理和生物機械力密切相關，分別容易受電信號和機械力或振動等干擾的影響，且通常外來的電信號或機械力干擾較少能同時出現(xiàn)［10］，因此本文試圖通過融合這兩路信號來提升日常行為下心率監(jiān)測的準確率.

由于目前尚無能夠長時間、實時簡便采集日常行為下人體心電、脈搏波信號的設備，為此，本文將智能手機與健康監(jiān)護相結合，首先提出了一個能相對長時間進行生理信號采集的方案.在此基礎上，通過心電、脈搏波信號的時域特征分析對它們的質量進行評估，根據(jù)評估指數(shù)動態(tài)調節(jié)卡爾曼濾波器對兩路心率進行最優(yōu)估計，最后通過卡爾曼濾波殘差自適應調整兩傳感器的權重系數(shù)對心率進行融合，從而精確、可靠地估計出被測試者的心率.結果表明通過多傳感器融合的方式能有效降低干擾對心率估計的影響，可以進行日常行為下相對長時間、低負荷的連續(xù)監(jiān)測.

1 信號采集

隨時隨地進行長時間、低負荷的生理信號采集目前還沒有比較成熟的方案，為了較方便地獲取心電、脈搏波信號，也為了更低成本且便捷地提供心率監(jiān)測，本文將移動終端與信號采集分析相結合，提出了一種功耗相對較低且可穿戴的生理信號采集方案，結構如圖1所示.

圖1 方案結構

從圖1可以看出，本文摒棄了慣用的多級放大濾波、電平抬升后采樣的信號調理電路，改用高分辨率Δ-Σ型ADC對信號進行過采樣.通過超低功耗單片機 MSP430F149的 SPI接口讀取ADS1256的采樣數(shù)據(jù)，再由串口通過藍牙實時發(fā)送到手機端.即手機是獲取生理數(shù)據(jù)并實現(xiàn)算法以進行心率監(jiān)測的平臺，本文選用當前最主流的Android系統(tǒng)手機.此外，由于目前支持低功耗藍牙4.0的移動終端較少且藍牙4.0難以實時傳輸大量數(shù)據(jù)，本方案最終選擇基于藍牙 2.0的HC-06藍牙模塊作為與手機的通信工具，該模塊在通信中功耗為10 mA左右.

過采樣是以實際采樣頻率fs的K倍進行采樣，再對采樣結果每K點進行平均，使等效轉換速率仍還原為fs的一種方法［11］.它不需要高倍的生物電放大器，由于放大倍數(shù)較低，不需要考慮極化電壓放大后飽和，省掉了濾波、隔直等環(huán)節(jié)，使得調理電路得到極大簡化，噪聲抑制功能也大大增強，降低了體積和功耗［12］.

對于心電信號，本文首先通過單電源、軌到軌儀表放大器AD623放大20倍，信號輸出后接二階抗混疊濾波器，防止采集信號發(fā)生混疊.二階低通濾波器采用微功耗、雙運放OPA2336的一個運放搭建，另一運放作為低功耗電壓基準REF3312的緩沖器接到AD623和ADS1256的參考電壓端.

對于脈搏波信號，由于在指端或橈動脈處使用壓力/光電傳感器采集不僅會對使用者帶來很多不適，且極易因運動對信號質量造成影響.為了佩戴方便并提高可靠性，選擇了基于光電容積法的PulseSensor傳感器采集耳垂處脈搏波，在3.3 V供電時功耗為1～2 mA.該傳感器由光源和光電變換器組成，當光束透過人體外周血管，動脈搏動充血容積變化會導致透光率發(fā)生改變，此時光電變換器將經人體組織反射的光線轉變?yōu)殡娦盘柌⑵浞糯蟆⑤敵?由于脈搏是隨心臟的搏動而周期性變化的信號，動脈血管容積也周期性變化，因此光電變換器的電信號變化周期就是心率.

本文一方面采用單電源、低功耗芯片設計，盡可能的降低了功耗與體積，實驗室條件下為4.2 cm×4.3 cm，實測功耗為26 mA.另一方面，在佩戴方式上選擇在人體胸骨左緣和胸骨右緣靠近鎖骨處采集心電信號，通過特制的耳夾在耳垂處采集脈搏波信號.

2 心電與脈搏波融合的心率估計

心電與脈搏波融合的心率估計算法框圖如圖2所示，選擇特征點檢測匹配度、信號短時能量和信號波動程度3個評價要素對心電、脈搏波信號分別進行質量綜合評估，根據(jù)質量指數(shù)SQI動態(tài)調節(jié)卡爾曼濾波器對HRECG和HRPulse進行最優(yōu)估計，最后通過卡爾曼濾波殘差調整傳感器權重系數(shù)對HRECG和HRPulse進行數(shù)據(jù)融合，得到融合心率HRFusion.

圖2 心電與脈搏波信號進行心率融合估計算法

信號質量評估指通過對信號噪聲和干擾的分析來評價信號質量的高低［13］.卡爾曼濾波算法簡單，常用于對心率、呼吸率等信號最優(yōu)估計［14］.

2.1 信號質量評估

文獻［15］通過比較特征波群的面積，以累積直方圖的形式進行質量評估，但單個指標難以對信號質量全面評價.文獻［16］通過分析信號的功率譜密度比值、峰度等多指標得出綜合質量指數(shù)，但頻域指標計算復雜且峰度分析對于日常動態(tài)心電評價效果欠佳.為了降低算法復雜度，本文選擇時域分析，從特征點檢測匹配度、信號短時能量、信號短時波動程度3個因素全面評價信號質量.

2.1.1 特征點匹配度檢測

特征點匹配度檢測基于不同特征點檢測算法對不同類型干擾的敏感性不同［17］，干擾較小時標記基本相同，較大時會得到不同的標記.系統(tǒng)采集的心電和脈搏波信號波形如圖3所示，通過比較不同算法對R/P波檢測結果的不同來評價信號質量.

圖3 心電與脈搏波信號波形及其特征

考慮到手機處理能力和系統(tǒng)的實時性需求，算法需要兼顧準確性和復雜性.本文首先將原始信號減去其均值再除以該段信號的最大值進行歸一化，之后采用基于濾波與閾值的DT算法和基于移動窗口自適應閾值檢測的MT算法進行特征點檢測，且參數(shù)設置均滿足心率在45～130 bpm范圍內時可較準確的識別.DT算法包含了數(shù)字濾波，抗干擾能力強于MT算法，準確率較高.而MT算法簡單、快速，在干擾較小時有很高的準確率，但對噪聲比較敏感.

1）DT算法.DT算法的實現(xiàn)基于文獻［18-19］提出的心電信號分析算法.

首先對信號進行預處理，具體包括:8～16 Hz帶通濾波抑制噪聲和基線漂移；微分后求平方，獲取斜率信息并增強QRS波；再對100 ms移動窗口內ECG數(shù)據(jù)進行積分獲得R波斜度值.然后提取檢測到的波峰位置和最大斜率值信息，根據(jù)QRS波檢測規(guī)則［19］，去除T波干擾，將波峰辨別為R波峰值或噪聲峰值，并以此更新檢測閾值.

對脈搏波信號觀察可知，其P波與心電信號R波具有相似的特征，在信號中均是斜率變化最激烈的地方，經測試，本算法將積分窗口設為150 ms時同樣適用于P波的識別.

2）MT算法.MT算法根據(jù)移動窗口內信號幅值的變化來自適應調整閾值.設定移動窗口寬為360 ms，移動步距為180 ms，尋找窗口內信號的最大最小值，經實驗本文選擇二者差值的0.64倍作為閾值.若窗口內最大值與某點的差值小于此閾值并且該點是窗口內幅值最大的點，則定位為波峰點.

實驗發(fā)現(xiàn)，在胸骨位置獲取的心電信號T波較大，如圖3所示，極易對R波定位造成干擾，因此，對于心電信號，本文先將歸一化的信號翻轉倒置，再用DT、MT算法定位S波，然后對歸一化的信號以每個S波為基準尋找其前0.1 s窗口內的最大值，定位為R波，取得了較好的效果.

3）心率計算.本文將一段時間內的心率計算定義為

式中:ΔT為寬6 s時間窗w內第1個和最后一個R/P波發(fā)生時刻的間隔；n為窗內R/P波個數(shù).

4）基于R/P波匹配度檢測的信號質量指數(shù).

用DT、MT算法對信號進行特征點檢測，定義基于R/P波匹配度檢測的信號質量指數(shù)（mSQI）為mSQI（k）= Nmatch（k，w）/（Nboth（k，w）-Nmatch（k，w））.式中:k為當前R/P波；w為寬6 s的滑動分析窗.本文定義當兩種算法對同一R/P波位置標記在1/fs之內時認為是同一R/P波，兩種算法在w內檢測出的R/P波匹配數(shù)目為Nmatch，各自檢測出的R/P波數(shù)目為NDT和NMT，Nboth=NDT+NMT.易知0≤mSQI≤1，mSQI越接近于1時表示信號質量越高.

2.1.2 短時能量分析

短時能量常用于語音檢測［20］，本文將其用于對信號干擾段的檢測.一段時域信號x（l）加窗分幀后得到的第n幀信號為xn（m），則xn（m）滿足

且

式中:N=0，T，2T，…，且N為幀長；T為幀移長度.令xn（m）的短時能量譜為En，則

研究發(fā)現(xiàn)每秒內信號能量對干擾尤其基線的變化較敏感，因此本文用其對DT算法中高通濾波之后的信號進行分析以判別信號是否受干擾，而非給出具體的質量參數(shù)，且本文參數(shù)閾值均為綜合20例帶有不同類別干擾的數(shù)據(jù)分析的結果.

使用短時能量對信號質量進行評估時，首先對窗w內的信號進行加窗分幀，設定幀長和幀移均為1 s，即每秒對應一個能量值，記為Ei（i=1，2，…，6）.本文將Ei歸一化后，記Ei＞0.5的個數(shù)為k，定義基于短時能量的信號質量指數(shù)eSQI為

當eSQI為1時，表示該段信號質量較高.

2.1.3 信號短時波動程度

信號短時波動程度定義為該段信號的方差［21］，即一段數(shù)據(jù)中各點幅值與平均幅值之差的平方的和的平均數(shù)，而短時能量是信號幅值平方的和，因此相比短時能量，它在非干擾段的變化更小.

用其進行質量評估時，是在短時能量分析的基礎上計算信號的方差Di（i=1，2，…，6）.同樣，先對Di歸一化，記Di＞0.1的個數(shù)為l，定義基于短時波動程度的信號質量指數(shù)vSQI為

當vSQI為1時，表示信號無干擾或受干擾較小.

2.1.4 信號綜合質量指數(shù)SQI

短時能量分析和短時波動程度是為了更準確的檢測出信號受干擾段，綜合 mSQI、eSQI和vSQI，SQI定義為

本文取β=0.8，即當eSQI和vSQI均為1時，信號完全被信任；eSQI、vSQI均為0時，選擇降低信號受信任度，其他情況下則保持信號受信任度.

由于窗寬過大時過渡區(qū)較久，結合日常監(jiān)測實際情況本文設置窗寬為6 s，且Android手機程序中窗口移動間隔為6 s，即手機每6 s處理一次數(shù)據(jù).但這里為了更好的反應信號質量評估的效果，計算mSQI時選擇了窗口移動間隔為1 s，根據(jù)每分鐘所得的eSQI和vSQI，由式（1）得出SQI.對一段心電和脈搏波信號質量評估的結果如圖4所示，可以看出，在干擾段，對應的SQI較低，即SQI可以較好地反應出信號的質量.

圖4 心電與脈搏波信號質量評估結果

2.2 卡爾曼濾波器理論

卡爾曼濾波的基本思想是利用前一時刻估計值和最近觀測值對信號的當前值進行估計.卡爾曼濾波器模型假設系統(tǒng)在t時刻的狀態(tài)可由前一狀態(tài)（t-1時刻）轉換而來［22］

式中:xt為t時刻系統(tǒng)狀態(tài)；ut為t時刻對系統(tǒng)的控制量；Ft和Bt是系統(tǒng)狀態(tài)變換矩陣；wt為過程噪聲，服從均值為0的正態(tài)分布，協(xié)方差為Qt.

根據(jù)模型，系統(tǒng)的測量值可表示為

式中:zt為t時刻測量值；Ht為將狀態(tài)變量轉換到測量域的變換矩陣；vt為測量噪聲，與wt一樣是均值為0的高斯白噪聲，協(xié)方差為Rt.

卡爾曼濾波算法包含3個階段:預測、測量和更新.預測階段可表示為

其中

通過式（6），當系統(tǒng)進入t+1狀態(tài)，用Pt|t更新式（3）中的Pt-1|t-1，使算法自回歸的運行下去.

2.3 基于SQI調節(jié)的卡爾曼濾波器進行心率估計

以心電信號為例，設心率在t時刻的狀態(tài)為xt，測量值為zt，當心電信號在t時刻受到人體活動或外界干擾時，會引起SQIECG發(fā)生變化.體現(xiàn)在卡爾曼濾波器中，是測量噪聲協(xié)方差Rt的變化，因此可通過SQIECG調節(jié)心電信號的Rt.當SQIECG較低時，zt的置信度應降低，由式（4）、（5）知，Kt應減小，即Rt應增大，可以通過以下來實現(xiàn)

可以看出，Rt會隨著信號質量的增高而減小，由式（5）知Rt的減小會引起殘差增益系數(shù)Kt的增大，根據(jù)式（4），此時算法較多的由測量值zt估計心率值.反之，當SQIECG低時會引起Rt相對較大，Kt減小.根據(jù)式（4），此時算法較多的由先驗估計調整心率值，從而避免了干擾的影響.

心率一般不會突變，故Ft=1，同時忽略控制量ut.由于只估計一個狀態(tài)變量，系數(shù)矩陣變?yōu)橐痪S常數(shù)，令Qt=0.4，Ht=1，P0=2，x1=z1.取R0= 1，該系數(shù)根據(jù)式（7）隨著SQI自適應改變.濾波器初始值設定后，由式（2）～（6）可開始迭代運算.

因為測量中可能出現(xiàn)心電和脈搏波信號質量均差的情況，這里通過對多組信號的實際觀察，結合估計效果設定SQI閾值為0.3，當SQIECG和SQIPulse均小于閾值時，濾波器更新停止，并給出質量指數(shù)，提示信號質量差的原因和采取措施的建議，避免兩路信號質量均低時錯誤報警給用戶帶來困擾，也防止了長時間監(jiān)測不到有效生理數(shù)據(jù)的情況.

2.4 心率融合估計

n通道信息融合的公式可描述為［23］

其中αp為權重系數(shù)

心電、脈搏波信號獲得的心率經過SQI調節(jié)的卡爾曼濾波器估計后為HR1和HR2，殘差記為r1和r2.式（5）中取n=2，則融合心率HR可表示為

當心電信號受到干擾時，HR1估值受影響，此時SQIECG較低，心率的突變會產生一個較大的殘差r1，使得η變大.如果此時脈搏波信號平穩(wěn)，即η較小，則HR更多依賴HR2而非HR1，從而降低一路信號受干擾時對心率估計的影響.

對圖4中信號進行數(shù)據(jù)融合，得到結果如圖5所示，其中HRECG和HRPulse為采用DT算法直接檢測所得心率，HRReference為深圳理邦精密儀器股份有限公司可醫(yī)用的ST-1212心電工作站同步測得的心率.可以看出，融合心率HRFusion變化較平穩(wěn)，與HRReference幾乎一致.此外，在心電信號62～68 s內心率無明顯異常波動，是因為該段干擾主要由基線漂移導致，這也表明了本文特征點檢測算法的可靠性.當某一路信號受到干擾時，融合心率將與質量較高的信號估計的心率基本一致，從而保證了信號受干擾時，系統(tǒng)仍能提供可靠的心率估計，避免了因干擾造成估值錯誤而誤報警.

圖5 心電與脈搏波信號測得心率與融合心率對比

3 測試結果與分析

3.1 算法數(shù)據(jù)庫驗證

MGH/MF （massachusetts general hospital/ marquette foundation）波形數(shù)據(jù)庫全面收集了患者的ECG（三導聯(lián)心電）、ART（動脈壓）和肺動脈壓等在內的多種生理信號，本文從中抽取了一段心電導聯(lián)II和ART信號在不同階段受到干擾而心電導聯(lián)V信號質量仍相對較高的片段，如圖6所示.

選擇對導聯(lián)II和ART信號進行融合并以導聯(lián)Ⅴ作為參考標準，得到的心率變化如圖7所示.

從圖7可以看出，融合后心率雖仍有小幅波動，但避免了因干擾導致的較大異常波動，與參考心率變化趨勢相符，初步表明了本文方法的有效性.

3.2 系統(tǒng)準確性及抗干擾性分析

受測者使用本系統(tǒng)和ST-1212工作站進行日行行為下同步采集實驗，后者能提供標準12導聯(lián)的數(shù)據(jù).以信噪比最高的導聯(lián)數(shù)據(jù)作為標準心電信號，采用DT算法得到的估計心率HRReference作為參照，分別計算本系統(tǒng)心率估計的誤差，依次記為ΔEHR、ΔPHR和ΔFHR.本文定義心率估計誤差指心率估計值與HRReference差值的均值ˉμ和均方根誤差s，以±s表示.表2總結了18例日常行為下不同動作不同強度的同步測試分析結果，其中編號8，13和18由于運動幅度過大使得本系統(tǒng)與ST-1212工作站均不能連續(xù)提供可供分析的信號，所以本文不用于準確性和抗干擾性分析，而是作為系統(tǒng)使用條件的限定.以編號18為例，與編號16信號質量的對比如圖8所示，其中STECG18是指編號18的工作站心電信號.

圖6 MGH/MF波形數(shù)據(jù)庫生理信號

圖7 MGH/MF波形數(shù)據(jù)庫心率與融合心率變化對比

圖8 不同運動強度下信號質量對比

表2 日常行為測試數(shù)據(jù)融合前后心率估計誤差

表2 日常行為測試數(shù)據(jù)融合前后心率估計誤差

注:①試驗編號8，13和18，本系統(tǒng)與ST-1212工作站均已無法連續(xù)提供可用于分析的信號；②此外，對于上下樓，運動強度單位是階梯/s.

實驗編號 動作類別 運動強度/（m·s-1） ΔEHR/bpm ΔPHR/bpm ΔFHR/bpm1234567891 0 11 12 13 14 15 16 17 18靜坐靜躺行走行走行走行走行走跑步下樓下樓下樓下樓下樓上樓上樓上樓上樓上樓--55.0/60 59.5/60 68.0/60 75.0/60 85.0/60 102.0/60 57.0/60 60.0/60 65.0/60 80.0/46 80.0/30 56.0/60 66.0/60 80.0/60 80.0/50 80.0/25 0.032 2±0.161 1 0.031 0±0.136 2 0.144 8±0.507 6 0.244 5±0.436 9 0.569 9±0.626 7-1.273 1±0.387 7 1.319 1±3.845 8-13.527 3±102.384 1 0.113 2±0.903 4-0.308 5±1.909 2 0.801 5±5.256 5 1.060 3±7.168 7-9.013 3±129.656 0 0.757 4±5.028 7 1.952 7±6.171 9 1.854 1±7.270 0 3.601 5±10.952 8-10.476 4±437.829 8 0.000 8±0.058 6 0.006 5±0.082 3-0.010 6±0.145 5 0.200 6±0.460 0 0.555 0±0.465 4-0.274 5±0.742 8 0.257 0±1.989 1-25.052 3±342.712 8 0.098 1±0.551 3 0.182 2±2.431 2-0.432 7±14.071 3-1.670 3±18.219 5-29.154 8±1 053 0.632 0±3.089 8-1.176 1±6.552 5-4.441 3±30.407 6-5.915 5±36.768 7-39.923 8±2 105-0.012 0±0.056 5 0.014 6±0.073 2-0.078 3±0.500 1-0.206 9±0.356 5 0.199 9±0.267 4-0.465 4±0.655 7-0.305 0±1.467 1-16.542 6±202.691 4 0.025 6±0.289 8-0.086 6±1.894 1-0.583 5±5.478 6-0.785 6±5.466 7-14.914 4±314.291 5 0.245 0±2.341 9-0.148 1±3.300 8 0.639 1±1.878 2-2.839 8±12.727 7-21.724 1±755.861 2

從表2可知，在靜止狀態(tài)從心電、脈搏波信號均能得到可靠的心率估計，融合心率誤差也極低.

在行走狀態(tài)，隨著步幅的加快，脈搏波信號比心電信號可靠度高，這是由于行走時電極接觸部位阻抗變化導致心電信號產生運動偽跡，但對耳垂處脈搏傳感器影響不大.當步幅達到1.42 m/s（編號 7）時兩路信號可靠度均開始降低，但ΔFHR仍基本保持穩(wěn)定，表明在正常步幅內系統(tǒng)能提供可靠的心率估計.

在下樓狀態(tài)下，每階梯高度為25 cm，當下樓速度在1階梯/s之內時，脈搏波比心電信號可靠度高，超過該速度后脈搏波可靠度比心電信號下降快，這是因為下樓速度較快時，腳與樓梯接觸瞬間身體振動幅度急增，傳感器由于振動使得采集的脈搏波主峰與次峰峰值相近，干擾了P波的檢測.但在1.74階梯/s（編號12）范圍內時即使ΔPHR較高，ΔFHR仍相對較低，表明融合算法具有較強的抗干擾性.上樓與下樓狀態(tài)類似，但較吃力.當速度超過1階梯/s時，身體發(fā)力較大使得振動幅度更大，電極運動噪聲導致心電信號可信度降低，脈搏波信號質量相比此速度的下樓狀態(tài)也更低，是由于它在受到振動干擾之外，還因血管充血過多導致信號發(fā)生飽和現(xiàn)象（如圖8）.但在1.33階梯/s（編號16）范圍內時融合算法仍能保持ΔFHR較低.

對除靜止狀態(tài)后的13組數(shù)據(jù)分析得心電、脈搏波及融合后心率的平均誤差依次為0.95±3.88、1.22±8.91和0.51±2.82 bpm.從均值可知，融合心率相比心電、脈搏波心率誤差可分別降低46%和58%.因此，系統(tǒng)在靜止狀態(tài)和正常的運動幅度之內使用時，融合心率相比單獨從心電信號或脈搏波信號獲得的心率誤差更低，均方根誤差更小，表明多傳感器融合的心率估計算法抗干擾性較強，使得系統(tǒng)在受到干擾時仍能較精確的估計心率.

4 結 論

1）實驗表明系統(tǒng)在靜止狀態(tài)和正常運動幅度之內，能有效避免干擾的影響，心率估值較準確.與Holter系統(tǒng)相比，本系統(tǒng)可以實時分析并進行健康提醒，能相對低負荷地連續(xù)監(jiān)測人體心率.

2）系統(tǒng)設計盡可能做到了可穿戴，仍可以采用織物電極等方式去除導聯(lián)線的束縛.總體而言，系統(tǒng)完成了基于移動終端進行生理信號分析的構架.

［1］ALWAN A.Global Status Report on Noncommunicable Diseases 2010 ［M］.Geneva: World Health Organization，2011:1-176.

［2］衛(wèi)生部心血管病防治研究中心.中國心血管病報告2012［M］.北京:中國大百科全書出版社，2013.

［3］FERNANDES R A，VAZ RONQUE E R，VENTURINI D， et al.Resting heart rate: its correlations and potentialfor screening metabolic dysfunctions in adolescents［J］.BMC Pediatrics，2013，13（1）:48.

［4］PARADISO M，PIETROSANTI S，SCALZI S，et al.Experimental heart rate regulation in Cycle-Ergometer exercises［J］.IEEE Transactions on Biomedical Engineering，2012，60（1）:135-139.

［5］BAUMGARTNER B，RODEL K，SCHREIBER U，et al.A web-based survey for expert review of monitor alarms ［C］//Computing in Cardiology（CinC）.Krakow: IEEE，2012，209-212.

［6］MONKARESI H，CALVO R，YAN Hong.A machine learning approach to improve contactless heart rate monitoring using a Webcam ［J］.IEEE Journal of Biomedical and Health Informatics，2013，18（4）: 1153-1160.

［7］ABOUKHALIL A，NIELSEN L，SAEED M，et al.Reducing false alarm rates for critical arrhythmias using the arterial blood pressure waveform［J］.Journal of Biomedical Informatics，2008，41（3）:442-451.

［8］孫佳新.基于信號質量評估的可穿戴運動心電監(jiān)護系統(tǒng)［D］.上海:東華大學，2010.

［9］LI Qiao，MARK R G，CLIFFORD G D.Robust heart rate estimation from multiple asynchronous noisy sources using signal quality indices and a Kalman filter［J］.Physiological Measurement，2008，29（1）:15-32.

［10］YU Chenggang，LIU Zhenqiu，MCKENNA T，et al.A method for automatic identification of reliable heart rates calculated from ECG and PPG waveforms［J］.Journal of the American Medical Informatics Association，2006，13（3）:309-320.

［11］何峰，李剛，林凌.基于過采樣的通用生物電檢測系統(tǒng)的實現(xiàn)［J］.天津大學學報:自然科學版，2008，41（10）:1178-1182.

［12］李剛，張麗君，林凌，等.基于過采樣技術的生物電信號檢測［J］.電子學報，2008，36（7）:1465-1467.

［13］ZONG Wei，MOODY G B，MARK R G.Reduction of false arterial blood pressure alarms using signal quality assessment and relationships between the electrocardiogram and arterial blood pressure［J］.Medical and Biological Engineering and Computing，2004，42（5）:698-706.

［14］NEMATI S，MALHOTRA A，CLIFFORD G D.Data fusion for improved respiration rate estimation［J］.EURASIP Journal on Advances in Signal Processing，2010，2010（926305）:1-10.

［15］WANG J Y.A new method for evaluating ECG signal quality forMulti-Lead Arrhythmia analysis［C］// Computers in Cardiology.Memphis:IEEE，2002:85-88.

［16］BEHAR J，OSTER J，LI Qiao.ECG signal quality during arrhythmia and its application to false alarm reduction ［J］.IEEE Transactions on Biomedical Engineering，2013，60（6）:1660-1666.

［17］HOSSAIN ABMA，HAQUE MA.Analysis of noise sensitivity of different ECG detection algorithms［J］.InternationalJournal of Electrical and Computer Engineering，2013，3（3）:307-316.

［18］PAN Jiapu，TOMPKINS W J.A real-time QRS detection algorithm ［J］.IEEE Transactions on Biomedical Engineering，1985，BME-32（3）:230-236.

［19］HAMILTON P S.Open source ECG analysis［C］// Memphis，Computers in Cardiology.［S.n.］:［s.l.］，2002:101-104.

［20］SWEE T T，SALLEH S H S，JAMALUDIN M R.Speech pitch detection using short-time energy［C］// Proceedings of 2010 International Conference on Computer and Communication Engineering（ICCCE）.Kuala Lumpur:IEEE，2010:1-6.

［21］ALDECOA SANCHEZ DEL RIO B，LOPETEGI T，ROMERO I.Assessment of different methods to estimate electrocardiogram signal quality［C］//Computing in Cardiology.Hangzhou:IEEE，2011:609-612.

［22］FARAGHER R.Understanding the basis of the Kalman filter via a simple and intuitive derivation［J］.IEEE Signal Processing Magazine，2012，29（5），128-132.

［23］TARASSENKO L，MASON L，TOWNSEND N.Multisensor fusion for robust computation of breathing rate ［J］.Electronics Letters，2002，38（22）:1314-1316.

（編輯 張 紅）

Multi-sensor fusion for wearable heart rate monitoring system

XU Lisheng1，2，JIN Yanbing1，WANG Qiwen1，LI Xiyong1，YIN Zhong3
（1.School of Sino-Dutch Biomedical and Information Engineering，Northeastern University，110819 Shenyang，China；2.Key Laboratory of Medical Image Computing of Ministry of Education（Northeastern University），110004 Shenyang，China；3.School of Medical Devices，Shenyang Pharmaceutical University，110016 Shenyang，China）

To improve the accuracy of heart rate（HR）in daily behaviors，multi-sensor fusion method was used in this paper to fuse ECG and pulse wave（PW）whichis closely related to biological electrophysiology and biomechanics，respectively.And a wearable heart rate monitoring system with high reliability based on Android platform was achieved.The proposed system and ST-1212 ECG workstation were used for 18 cases simultaneousexperiment of different motion intensity in daily behaviors.Signal quality indices（SQI）that reflect the level of signal quality were calculated by analyzing the signal characteristics in time domain，and then Kalman-Filter（KF）was adaptively regulated to make the optimal estimation of the HR derivedfrom the dual-channel signal according to SQI，and finally KF residuals were used to adjust the weights to get the fused HR.The results indicate that the fused HR can improve the accuracy more than 46%than those derived from ECG or PW directly.The system can effectively reduce the artifact on HR estimationby using multi-sensor fusion method，thus it can be used for continuous monitoring of HR with low physiological and mental burden for a relatively long time.

heart rate；multi-sensor fusion；Android platform；wearable；signal quality indices；Kalman filter

R318.6

A

0367-6234（2015）05-0097-07

10.11918/j.issn.0367-6234.2015.05.017

2014-03-07.

國家自然科學基金 （61374015，61202258）；教育部博士點基金（20110042120037）；中央高?；究蒲袠I(yè)務費（N1102190017）.

徐禮勝（1975—），男，教授，博士生導師.

徐禮勝，xuls@bmie.neu.edu.cn.