快速发展的社会大环境使人们的生活方式发生了根本性转变,越来越多的人群被亚健康问题所困扰。心血管病作为亚健康问题中最为典型的一类,其发病率和致死率均居高不下,而现代医疗中用来诊断心血管疾病的心电仪等设备由于种种原因尚未普及家用,这在一定程度上导致患者耽误了最佳治疗期。针对当前家用人体健康监护设备缺乏的现状,本文设计与研究了一种基于PVDF(Polyvinylidene Fluoride)压电电缆传感器的生理信号检测系统。该系统将传感器内置于床垫,通过采集和解析体震(BCG)信号使患者能够比较及时地掌握自己的健康信息。本文主要研究工作如下:首先,根据PVDF压电电缆与BCG信号的特性,设计了S形结构的压电电缆传感器及其相应的硬件电路,主要包括传感器模块、信号调理模块、微处理器模块、通信模块以及电源模块。然后,开展了心率提取自适应方法的研究,提出了一种结合差分阈值寻峰算法与无监督学习聚类算法的自适应新算法,通过心跳模板与最新采集的BCG信号进行匹配,可以实时地获得心率信息。同时,通过体动信号结合心率信息对人体睡眠进行了分期,实现了对睡眠过程中觉醒期、眼动期、浅睡眠和深睡眠的识别。其次,为让设备更加智能化,对心率异常分类(HRV)功能进行了系统的研究。依据ECG信号与BCG信号的相关性,论证了利用BCG信号进行HRV分析的可行性。鉴于心率异常BCG数据样本缺乏,采用MIT-BIH库中的ECG心率异常数据样本,训练与研究了BP、RF、SVM三种HRV分类模型,并且通过混淆矩阵以及其他相关指标对三种模型进行性能评估,最终发现BP神经网络分类模型最优。最后,为使实时生理信息检测系统更人性化、使用更方便,设计完成了上位机和下位机系统软件。下位机中移植了μC/OS-III操作系统实现了多任务管理和划分,上位机中基于QT软件设计了人机交互界面。经过系统实验与测试,本文研制的基于压电电缆的BCG信号检测系统能够通过串口模块和蓝牙模块实现上位机和下位机的实时通信功能,能够将患者的体震信号采集处理和传输到电脑端或手机云端。心率测量误差约为2.65次/分钟,准确度达到了96.77%,心率提取算法的有效性得到了验证,而构建的BP神经网络分类模型基本能对BCG信号心率异常情况分类,准确性约为74%,实现了预期的功能。本文的研究结果对于基于BCG信号测量原理的相关仪器的开发和设计具有一定的参考价值。