论文部分内容阅读
从第一声心脏跳动开始计数,每分钟跳动的次数被定义为心率。在生理参数检测中,心率可用于监测人体每日的运动量是否超标,也能够为医学诊断提供参考。因此,它已被广泛地应用于健身运动、竞技比赛以及体育训练的各个方面。近年来,随着各式各样的可穿戴智能设备的兴起以及人们对于自身健康状况的重视,基于光电容积脉搏波(Photoplethysmography,PPG)信号的心率测量方法引起了学术界和工业界的广泛关注。同时,基于PPG信号的心率测量方法具有成本较低、硬件实现简单以及不需要参考传感器等优势。但是PPG信号是从人体组织表面提取的生物信号,其信号强度弱,易受到剧烈运动所引起的运动噪声的干扰,进而降低心率测量结果的可靠性和精确度。因此,如何消除PPG信号中运动噪声对进行可靠的心率测量具有挑战性。在大量文献资料调研和总结的基础上,针对现有基于PPG信号的心率测量算法的不足,本文提出三种鲁棒性的基于多通道PPG信号的心率测量算法:(1)考虑到PPG信号本身的稀疏性以及运动加速度信号与运动噪声信号之间的强相关性,本文提出了一个基于多通道频谱矩阵分解的心率测量算法。该算法首先构建同一时间段内的多通道PPG信号和运动加速度信号的频谱矩阵;其次将该频谱矩阵分解成运动噪声频谱矩阵和真实PPG信号频谱矩阵;然后结合压缩感知的方法,将PPG信号中运动噪声的去除过程建模为多通道频谱矩阵分解模型,并采用近端梯度加速算法(APG)优化模型的目标函数;最后利用新颖的谱峰跟踪方法估计真实PPG信号频谱中的正确心率谱峰,进而实现心率的准确测量。(2)现有的大部分基于PPG信号的心率测量方法在谱峰跟踪阶段大多采用启发式方法定位心率谱峰。然而,此类方法的设计中包含较多的人工调节参数,易减弱基于PPG信号的心率测量方法的泛化性能和鲁棒性。为解决上述难题,一种基于支持向量机(SVM)的心率测量算法被提出。该算法首先采用主成分分析法(PCA)对运动加速度信号进行处理,获得运动噪声相关的参考信号;其次,通过不断更新最小均方自适应滤波器(LMS-ANC)的滤波权重消除PPG信号中的部分运动噪声;然后利用压缩感知的方法和频谱矩阵的行稀疏特性,将进一步的去噪过程建模为一个稀疏信号重构模型,并采用正则化M-FOCUSS方法求解该模型;结合谱减法,获得进一步去除运动噪声后的多通道PPG信号频谱;最后利用基于SVM的心率谱峰跟踪方法定位出心率所对应的正确谱峰。(3)仅仅考虑提高去噪性能和心率测量的准确率,本文还研究了一个基于联合稀疏谱重构的线下心率测量算法。该算法首先利用多通道PPG信号和同步运动加速度信号构建频谱矩阵;其次,依据PPG信号本身的稀疏性以及运动加速度信号与运动噪声信号之间的强相关性提取该频谱矩阵的全局稀疏特征和行稀疏特征;然后结合压缩感知的方法,将PPG信号中运动噪声的去除过程建模为联合稀疏谱重构模型,并采用不精确增广拉格朗日乘子法(IALM)优化模型的目标函数;最后也是利用谱减法对PPG信号频谱中的运动噪声进行消除,输出准确的估计心率。在大量公开的PPG数据集上测试上述三种心率测量算法,并将仿真结果与目前主流的心率测量算法的结果进行比较,由比较结果能够直观地发现本文提出的算法对去除PPG信号中的运动噪声具有高效性,能确保估计心率值的精度。