可穿戴设备心电监测数据处理方法

1.本发明涉及用于健康医疗检测设备的信息处理技术，具体是一种可穿戴设备心电监测数据处理方法。


背景技术：

2.近年来心血管疾病已经成为了中老年人日常生活中的高发疾病，如何尽早发现并采取有效预防措施，已成为了当下研究的热点。可穿戴式智能监测设备的出现为解决以上问题提供了新思路。通过实时监测人体心电数据，能有效检查出心律失常、心肌梗塞等疾病，该方法现已成为了发现心血管疾病的有效手段，是当前医疗、保健、消费类电子等多个领域的研究热点。但由于可穿戴设备的使用场合的复杂性及远程数据传输的干扰因素较多，现有可穿戴设备在心电监测数据的处理中存在检测精度差、误检率高的缺陷。


技术实现要素：

3.本发明所要解决的技术问题是，提供一种数据处理准确度高，能够降低误检的可穿戴设备心电监测数据处理方法。
4.本发明的可穿戴设备心电监测数据处理方法包括以下步骤：
5.步骤1、通过可穿戴设备采集用户的心电信号和体表温度；
6.步骤2、基于陀螺仪采集用户姿态信息并基于姿态变化计算出运动步数；
7.步骤3、mcu通过总线读取心电信号、体温信号以及姿态信息；
8.步骤4、通过滤波器对采集到的心电信号进行预处理，滤除不同频段的噪声干扰；具体过程为：首先通过二阶整形iir低通滤波器滤除叠加在心电信号上的工频干扰，再通过二阶巴特沃斯高通滤波器滤除叠加在心电信号上的基线漂移干扰；
9.步骤5、通过差分算法对处理后的心电信号进行qrs波群检测；
10.步骤6、获取到的健康数据经驱动隔离后传输到处理器单元运算、分析并将处理结果进行界面显示与压缩编码，实现本地存储和网络传输。
11.优选的，所述步骤4中通过二阶整形iir低通滤波器滤除叠加在心电信号上的工频干扰的方法是：
12.计算z变换后离散域中的数字角频率，公式如式1，
[0013][0014]
式中f
ad
为当前系统采样频率500hz，fs为系统采样信号频率；工频干扰的频率为fc＝50hz，代入式中可得为了有效削弱工频噪声干扰，在z域单位圆的原点和ω＝0处分别放置一个极点，在n取值为处各放置一个零点,可得传递函数如式2所示，
[0015][0016]
令z＝e
jω
得一阶滤波器的传递函数如式3所示，
[0017][0018]
为了缩窄滤波器的过渡带，加快干扰信号衰减，增强滤波器的滚降特性，对一阶整形iir低通滤波器进行二阶变换，基于式3可以推算出二阶整形iir低通滤波器的传递函数如式4所示，
[0019][0020]
得到的二阶整形iir低通滤波器的差分方程如式5所示，
[0021]y(n)
＝2*y
(n-1)-y
(n-2)
x
(n)-2*x
(n-10)
x
(n-20)
ꢀꢀꢀ
(5)。
[0022]
进一步优选的，所述步骤4中：
[0023]
所述二阶巴特沃斯高通滤波器在模拟域中的截止频率用式6表示，
[0024][0025]
式中fh为数字域的截止频率；二阶高通巴特沃斯滤波器的传递函数如式7所示，
[0026][0027]
式中h0为增益因子，q为品质因素，将式7双线性变换，得到正向传输函数h
(z)
，如式8所示，
[0028][0029]
反向传递函数如式9所示，
[0030][0031]
选择高通滤波器的截止频率为fh＝4hz。
[0032]
优选的，所述步骤5中，所述差分算法采用差分阈值法：首先通过差分阈值法寻找心率波形中的极值点来捕获r波位置，然后基于qrs波形特点，通过窗口阈值确定q波和s波的具体位置；在连续可导函数中，通过一阶微分方程计算出变化速率，具体如式10所示，
[0033][0034]
基于式10，可得相邻两离散点的一阶差分式和二阶差分式，分别如式11和式12所示，
[0035][0036][0037]
式中为在t时刻的心电信号采样值；基于可导函数的极值判定原理，通过一阶差分运算可以计算出信号中的极值点和驻点，再通过二阶差分运算判别出该极值点为极大值还是极小值，分别记为f
max
和f
min
；当出现t时刻开始后的连续多个时刻，f
′
(t)
结果均大于指定阈值时，则认为在t时刻附近存在极值；阈值的计算如式12所示，
[0038]
th resh old＝λ(f
max-f
min
) f
min
ꢀꢀꢀ
(12)
[0039]
式中λ为比例系数，取值为0.7。
[0040]
进一步优选的，为了避免将幅值较大的t波误判为r波，将一阶差分方程和二阶差分方程相结合，通过增强信号突变，提高r波和t波的区分度，表达式如式13所示，
[0041]e(t)
＝f
′
(t)
*f
′
max
f
′
(t)
*f
max
ꢀꢀꢀ
(13)
[0042]
式中f
′
max
和f
″
max
分别为一阶差分序列和二阶差分序列的极大值，阈值的计算更新为式14所示，
[0043]
th resh old＝λ(e
max-e
min
) e
min
ꢀꢀꢀ
(14)。
[0044]
进一步优选的，在上述处理基础上，对rr间隔阈值进行自修正：
[0045]
相邻两段r波的时间间隔表达式如式15所示，
[0046]i(n)
＝(r
(n)-r
(n-1)
)*tsꢀꢀꢀ
(15)
[0047]
式中r
(n)
表示第n段r波位置，ts表示采样周期，取采样频率为500hz，此时根据常人的心电监护心率范围为每分钟60～100次，对应i
(n)
值的上下限分别为1s和0.6s；若i
(n)
值低于下限值，则认为间距过小，则判定为误检；若i
(n)
值高于上限值，则认为间距过大，则判定为漏检；
[0048]
在此基础上，基于动态检测数据，对rr时间间隔阈值进行动态更新，首先基于检测值动态计算rr时间间隔均值ir，具体如式16所示，
[0049][0050]
然后确定rr时间间隔阈值，当i
(n)
《λir时，判定为误检；当i
(n)
》μir时，判定为漏检；设定误检系数λ＝0.6，漏检系数＝1.6。
[0051]
进一步优选的，为了使阈值能自动适应心率幅值变化，本发明基于式13，对检测时间窗内的差分序列极值进行动态更新。
[0052]
本发明首先针对叠加在心电信号中的干扰信号，设计了二阶整形iir低通滤波器结合二阶高通巴特沃斯滤波器的改进型滤波器，并取得了较好的干扰信号滤除效果。然后针对传统差分阈值算法因无法应对心电数据波动导致误检的问题，本文提出了一种差分阈值自适应、rr间隔阈值自修正的差分算法，有效提高了qrs波群检测的准确率和抗干扰能力。最后，设计了以stm32为核心处理器的穿戴式心电监测设备,并将改进后的滤波器和差分算法应用于该心电监测设备中。经测试，本设备在实际应用中运行稳定，改进后的滤波器和差分算法应用效果良好，设备的各项性能均满足指标要求。
附图说明
[0053]
图1是本发明实施例中心电采样信号混入工频干扰的波形图；
[0054]
图2是本发明实施例中心电采样信号去除工频干扰的波形图；
[0055]
图3是本发明实施例中心电采样信号混入基线漂移干扰的波形图；
[0056]
图4是本发明实施例中心电采样信号去除基线漂移干扰的波形图；
[0057]
图5是本发明实施例中qrs波检测结果；
[0058]
图6是本发明实施例中r波检测流程图；
[0059]
图7是本发明实施例中基于改进算法的qrs波检测结果图；
[0060]
图8是本发明实施例的系统总体框图；
[0061]
图9是本发明实施例方法的软件流程图；
[0062]
图10是本发明实施例的测试场景。
具体实施方式
[0063]
下面结合实施例对本发明的技术方案作进一步说明。
[0064]
本发明方法实施例的基本步骤如下：
[0065]
步骤1、选用ads1292低功耗模拟前端芯片实时采集用户的心电信号；通过lmt70采集用户体表温度。
[0066]
步骤2、基于mpu6050陀螺仪采集用户姿态信息并基于姿态变化计算出运动步数。
[0067]
步骤3、基于周期采样模式，采用mcu通过总线读取心电信号、体温信号以及姿态信息。
[0068]
步骤4、通过滤波器对采集到的心电信号进行预处理，在心电信号不失真的前提下，有效滤除不同频段的噪声干扰；具体过程为：首先通过二阶整形iir低通滤波器滤除叠加在心电信号上的工频干扰，再通过二阶巴特沃斯高通滤波器滤除叠加在心电信号上的基线漂移干扰。
[0069]
具体的，图1、图2是工频干扰处理对比图。本实施例基于心电信号所在频域介于工频干扰和基线漂移之间的特点，首先采用整形iir低通滤波器滤除工频干扰，再通过巴特沃斯高通滤波器滤除基线漂移干扰。
[0070]
式1是z变换后离散域中的数字角频率。
[0071][0072]
式中f
ad
为当前系统采样频率500hz，fs为系统采样信号频率。工频干扰的频率为fc＝50hz，代入式中可得为了有效削弱工频噪声干扰，本发明实施例在z域单位圆的原点和ω＝0处分别放置了一个极点，在n取值为处各放置一个零点,可得传递函数如式2所示。
[0073][0074]
令z＝e
jω
得一阶滤波器的传递函数如式2.3所示。
[0075][0076]
为了缩窄滤波器的过渡带，加快干扰信号衰减，增强滤波器的滚降特性，本发明实施例对一阶整形iir低通滤波器进行了二阶变换。基于式3可以推算出二阶整形iir低通滤波器的传递函数如式4所示。
[0077][0078]
得到的二阶整形iir低通滤波器的差分方程如式5所示。
[0079]y(n)
＝2*y
(n-1)-y
(n-2)
x
(n)-2*x
(n-10)
x
(n-20)
ꢀꢀꢀ
(5)
[0080]
图1为叠加了50hz工频干扰的心电采样信号，图2为采用了二阶整型iir低通滤波器处理后的心电采样信号。由图2可见，经二阶整数型iir低通滤波器处理后的心电信号中工频干扰基本被滤除，但基线漂移干扰仍然存在，随着受试者呼吸的频率，波形起伏现象明显。因此还需将处理后的信号经高通滤波器滤除基线漂移干扰。
[0081]
步骤5、通过“增强信号突变”、“rr间隔阈值自修正”、“差分阈值自适应”三个方面对传统差分阈值算法进行改进。通过改进的差分算法对处理后的心电信号进行qrs波群检测，以提高信号检测的准确率和抗干扰能力。
[0082]
具体的,图5是qrs波检测结果。qrs波群反映了心室除极电位和时间的变化过程，是诊断众多心血管疾病的重要依据。目前小波变换算法、神经网络算法等因其检测准确度高，抗干扰能力强等优点，常被选为检测qrs波群的主要算法。但该类算法的复杂度高，运算量大，使用时往往受限于硬件平台的运算性能。针对可穿戴设备对于高实时性的要求，本发明实施例选用了计算量少、快速性好的差分阈值法。
[0083]
首先通过差分阈值法寻找心率波形中的极值点来捕获r波位置，然后基于qrs波形特点，通过窗口阈值确定q波和s波的具体位置。在连续可导函数中，通过一阶微分方程可以计算出变化速率，具体如式10所示。
[0084][0085]
基于式10，可得相邻两离散点的一阶差分式和二阶差分式,分别如式11和式12所示。
[0086][0087]
[0088]
式中为在t时刻的心电信号采样值。基于可导函数的极值判定原理，通过一阶差分运算可以计算出信号中的极值点和驻点，再通过二阶差分运算判别出该极值点为极大值还是极小值，分别记为f
max
和f
min
。当出现t时刻开始后的连续多个时刻，f
′
(t)
结果均大于指定阈值时，则认为在t时刻附近存在极值。阈值的计算如式12所示。
[0089]
th resh old＝λ(f
max-f
min
) f
min
ꢀꢀꢀ
(12)
[0090]
式中λ为比例系数。λ值越大，阈值越高，算法对噪声的抑制能力越强，但与此同时，较高的阈值会使得r波检测的准确率急剧下降。由经验估算得该值为0.7时，检测效果相对最佳。但由于幅值波动、噪声干扰等因素的影响，基于固定阈值的差分算法仍存在r波误检、漏检的问题，具体如图5所示。
[0091]
图6是r波检测流程图。导致以上问题的主要原因是基于固定阈值的差分算法无法适应r波幅值变动的场景，而实际测试场景中的r波幅值往往不在恒定的区间，尤其是叠加了噪声信号后，更加剧了r波幅值的变动。为了提高r波检测的准确率，本发明实施例在以下三个方面对差分阈值法进行了改进。
[0092]
1、增强信号突变：
[0093]
为了避免将幅值较大的t波误判为r波，本文将一阶差分方程和二阶差分方程相结合，增强了信号突变，使得r波和t波更容易被区分。表达式如式13所示。
[0094]e(t)
＝f
′
(t)
*f
′
max
f
″
(t)
*f
″
max
ꢀꢀꢀ
(13)
[0095]
式中f
′
max
和f
″max
分别为一阶差分序列和二阶差分序列的极大值，阈值的计算更新为式14所示。
[0096]
th resh old＝λ(e
max-e
min
) e
min
ꢀꢀꢀ
(14)
[0097]
2、rr间隔阈值自修正：
[0098]
相邻两段r波的时间间隔表达式如式15所示。
[0099]i(n)
＝(r
(n)-r
(n-1)
)*tsꢀꢀꢀ
(15)
[0100]
式中r
(n)
表示第n段r波位置，ts表示采样周期。本系统的采样频率为500hz，因此
[0101]
常人的心电监护心率范围为每分钟60～100次，对应i
(n)
值的上下限分别为1s和0.6s。若i
(n)
值低于下限值，则认为间距过小，则判定为误检。若i
(n)
值高于上限值，则认为间距过大，则判定为漏检。
[0102]
但是心率数据因人而异，为了使算法能自动适应不同心率的检测，发明实施例基于动态检测数据，对rr时间间隔阈值进行了动态更新。首先基于检测值动态计算rr时间间隔均值ir，具体如式16所示。
[0103][0104]
然后确定rr时间间隔阈值，当i
(n)
＜λir时，判定为误检；当i
(n)
＞μir时，判定为漏检；基于经验估算，当设定误检系数λ＝0.6，漏检系数＝1.6时，检测效果最佳。
[0105]
3、差分阈值自适应：
[0106]
为了使阈值能自动适应心率幅值变化，本发明基于式13，对检测时间窗内的差分序列极值进行了动态更新。基于改进型差分阈值算法的r波检测流程图如图6所示。
[0107]
图7是基于改进算法的qrs波检测结果图。qrs波群的时限一般介于0.04s～0.12s之间，本系统的采样周期为2ms，因此qrs波群检测时间窗内的采样点数至少为在成功检测到r波峰值后，分别在其前后选取30个采样点，并获取r波前后的第一个极小值点便为q波和s波。qrs波检测结果如图7所示。由图7可知，改进后的自适应差分阈值算法能有效提高qrs波检测的准确率和抗干扰能力，同时兼备实时性好的优点。
[0108]
步骤6、获取到的健康数据经驱动隔离后传输到处理器单元运算、分析并将处理结果进行界面显示与压缩编码，实现本地存储和网络传输。
[0109]
图8是本发明实施例的系统总体框图。为了有效验证本发明实施例的改进型差分算法在实际心率检测应用中的准确性，设计了以stm32为核心处理器的可穿戴健康数据监测设备。该设备的系统总体结构框图如图8所示，整个系统分为信号采集单元、嵌入式处理器单元、数据显示单元、电源管理单元以及射频通讯单元五个部分。其中数据采集单元分别通过iic总线、spi总线、uart总线连接对应传感模块，实现数据采样。
[0110]
图9是本发明实施例的软件流程图。本发明实施例选用ads1292低功耗模拟前端芯片实时采集用户的心电信号；通过lmt70采集用户体表温度；基于mpu6050陀螺仪采集用户姿态信息并基于姿态变化计算出运动步数。获取到的健康数据经驱动隔离后传输到处理器单元运算、分析并将处理结果进行界面显示与压缩编码，以便本地存储和网络传输。
[0111]
此外，为了提高可穿戴健康数据监测设备的工作时长，本发明实施例一方面选用低功耗器件，使有限的电池能量能在相当长时间内支持传感器正常工作；另一方面增加了太阳能蓄电单元，使设备在工作过程中具备自动收集能量的能力。
[0112]
系统软件流程图如图9所示。程序启动后，首先进入系统初始化流程，具体内容包括：启动看门狗、启动定时器、开启系统中断、初始化系统参数、初始化串口屏、初始化采样模块。然后进入程序主流程，该流程是一个循环过程，具体包括定时采样、数据处理、数据显示、周期上送四个方面。
[0113]
当检测到采样周期到点后，mcu通过总线读取心电数据、体温信号以及姿态信息，然后进行数据处理。该过程分为两个阶段，首先基于带通滤波器滤除叠加在心电信号上的噪声干扰。然后通过改进型差分算法对处理后的心电信号进行qrs波群检测。单次采样结束后，设备一方面通过lora网关将数据转发至服务端，实现数据汇总；另一方面将计算结果通过串口屏反馈给用户。
[0114]
图10是本发明实施例测试场景。本发明实施例基于实际应用场景，搭建了心电监测传感系统的网络环境，并参照技术指标要求，对心电监测设备进行了综合测试。图10为现场测试场景，用户身上佩戴了穿戴式健康数据监测设备。系统上电后液晶屏上能实时显示监测数据，系统服务端也能收到经lora网关转发的检测结果。
[0115]
在心率检测、qrs间期检测、ecg波形显示等功能的验证环节中。首先，本发明采用ecg信号发生器向监测设备输出固定幅值和频率的信号。在去除了噪声干扰、幅值波动等因素的影响后，验证设备检测qrs波形的准确率。实验结果显示，不管是搭载了固定阈值差分算法还是改进型差分算法，本监测设备都具有较高的检测准确率。然后分别通过医用心率仪和穿戴式监测设备对六位受试者进行了人体实测，测试结果如表所示。
[0116]
表ecg信号测试数据
[0117][0118]
表中准确记录了六位受试者分别使用医用心率仪和穿戴式监测设备的测试结果，并以医用心率仪的检测数据作为参考依据。此外表中还分别记录了搭载固定阈值差分算法和改进型差分算法的测试结果。对比两组检测数据可知，固定阈值差分算法在实际应用中误差较大，无法满足技术指标要求。而基于改进型差分算法的心率监测设备在准确率和抗干扰方面都有了显著提升。由表可知，六位受试者的心率检测误差均不大于1％，qrs间期测量误差均小于5％，两项数据均满足技术指标要求。