【技术实现步骤摘要】
一种基于穿戴式动态心电的运动负荷检测装置及方法
本专利技术属于人体运动过程中心脏健康实时监测领域，具体涉及一种基于穿戴式动态心电的运动负荷检测装置及相应的检测方法。
技术介绍
运动在合理强度下会减少疾病的发生有助于身体健康，但如果运动过度反而会使身体出现运动损伤的情况，特别是对患有心脏疾病的人群。有数据表明，82％非外伤性猝死与患有心脏疾病人群运动不当相关，因此科学健身至关重要。1973年瑞典生理学家GunnarBog根据心理学原理在自我感觉和实际运动负荷量评定等级上设计了主观体力感觉等级表，这是运动对象对自己身体运动负荷的一种自感疲劳分级。然而这种评估方法结果不准确且对于普通人群来说不适用。随着运动生理学的发展，研究人员通过测量运动对象的耗氧量、血乳酸浓度、睾酮浓度等生理指标来综合评定运动负荷，这种方法能较精确的监测到个体对于不同运动负荷的适应情况。然而这些指标的测量需要复杂的检测设备并且整个过程也十分繁琐，需要强有力的资源支持，目前只适用于专业运动员或者科研院校研究中，现阶段难以普及。心电信号(Electrocardiosignal，ECG)能够综合反映人体体内生理的各种变化，并能够较为准确地描述身体机能对于运动刺激的反应，是对个体综合代谢情况观察的窗口。1842年意大利生理学家Matteucci观察到心脏搏动时存在电流活动以来，ECG的研究得到了迅猛发展。早在1990年美国运动医学会就开始提出采用心率和自感疲劳分级主客观信息相结合的方法确定运动负荷，但那时对于心率的实时测量较为困难，一般采用价格昂贵的心率表。而现如今随着物联网和可穿戴式心电设备技术的...
【技术保护点】
1.一种基于穿戴式动态心电的运动负荷检测装置，其特征在于，包括：心电信号采集模块：与信号调理模块连接，用于采集人体心电信号；信号调理模块：与微处理器连接，用于进行信号的滤波、放大、AD转换；无线通讯模块：与微处理器连接，用于通过无线方式根据预先设定的通讯频率将心电数字信号信息传输至云平台及用户手机客户端进行信号分析；数据存储模块：与微处理器连接，用于存储用户一段时间内的心电信号数据；微处理器：与信号调理模块、无线通讯模块和数据存储模块连接，是装置的控制中心，用于发出命令使各模块正常工作，完成功能的实现；所述信号分析包括如下步骤：①信号滤波：除去动态心电信号中存在的工频噪声、基线漂移以及运动干扰；②R波特征检测：对滤波后的心电信号进行R波特征检测；③特征向量计算：根据步骤②中检测出的R波峰值点位置得出RR间期时间序列计算出心率(Heart rate，HR)，并进行心率变异性(Heart rate variability，HRV)分析，包括时、频域及非线性分析得出相关特征向量；④向量归一化：将步骤③中的特征向量构建成特征矩阵，并对每个特征向量归一化；⑤运动负荷检测及报告生成：将标准化后的特...
【技术特征摘要】
1.一种基于穿戴式动态心电的运动负荷检测装置，其特征在于，包括：心电信号采集模块：与信号调理模块连接，用于采集人体心电信号；信号调理模块：与微处理器连接，用于进行信号的滤波、放大、AD转换；无线通讯模块：与微处理器连接，用于通过无线方式根据预先设定的通讯频率将心电数字信号信息传输至云平台及用户手机客户端进行信号分析；数据存储模块：与微处理器连接，用于存储用户一段时间内的心电信号数据；微处理器：与信号调理模块、无线通讯模块和数据存储模块连接，是装置的控制中心，用于发出命令使各模块正常工作，完成功能的实现；所述信号分析包括如下步骤：①信号滤波：除去动态心电信号中存在的工频噪声、基线漂移以及运动干扰；②R波特征检测：对滤波后的心电信号进行R波特征检测；③特征向量计算：根据步骤②中检测出的R波峰值点位置得出RR间期时间序列计算出心率(Heartrate，HR)，并进行心率变异性(Heartratevariability，HRV)分析，包括时、频域及非线性分析得出相关特征向量；④向量归一化：将步骤③中的特征向量构建成特征矩阵，并对每个特征向量归一化；⑤运动负荷检测及报告生成：将标准化后的特征矩阵作为输入参数实时输入基于遗传算法优化的神经网络模型，输出运动负荷检测结果并打印结果报告。2.根据权利要求1所述的基于穿戴式动态心电的运动负荷检测装置，其特征在于，所述步骤①信号滤波具体包括如下子步骤：将采集到的心电信号利用Mallat算法进行小波变换得到不同尺度下信号αj(n)，其中j＝1，2，...N，利用小波的多分辨率分析特性对带有工频噪声、基线漂移和运动干扰的心电信号按照采样频率进行分解，将不同频率组成的含噪心电信号分解成不同频带的子信号；再针对干扰及噪声所在的不同频带的子信号设定阈值处理进行去噪，对含有心电信号特征波的频段给予保留，其他的频段阈值化处理进行去噪；之后再利用离散小波逆变换重构出有用心电信号。3.根据权利要求1所述的基于穿戴式动态心电的运动负荷检测装置，其特征在于，所述步骤②R波特征检测具体包括如下子步骤：根据多尺度分解后的信号确定R波所对应的正-负模极大值对，然后分别确定模极大值阈值Tmax以及模极小值阈值Tmin；并使用阈值筛选出正极大值大于Tmax，负极大值小于Tmin且两个极值点之间的距离小于阈值的正-负模极大值对；检测它们的过零点，并使用(2j-1)/2修正时移，其中j为小波分解的阶数；最后使用不应期和回溯的策略对检测出的R波进行修正，得出各R波位置坐标为(γ1，γ2，...，γk)，k为R波点个数。4.根据权利要求1所述的基于穿戴式动态心电的运动负荷检测装置，其特征在于，所述步骤③特征向量计算具体包括如下子步骤：设RR间期时间序列为x(n)＝[RR1，RR2，...，RRn]，其中RRj＝γj+1-γj(1≤j≤k-1)，RR间期均值则心率由步骤①中得出的R波各点位置求出RR间期序列，采用统计学离散趋势法对RR间期时间序列进行HRV时域研究，其中SDNN表示为其中为RR间期序列的平均值，N为RR间期序列的长度；RMSSD为相邻RR间期差的均方根值，计算式为SDSD为相邻RR间期标准差，由计算得到，其中RRSi＝RRi+1-RRi；PNN50为相邻RR间期之差大于50ms的个数除以总的RR间期个数的百分比；利用基于AR模型的功率谱估计法完成HRV的频域参数求解：AR模型中假定观测的数据RR时间序列x(n)用方差为σ2的零均值白噪声序列w(n)激励一个全极点的线性系统产生，模型的阶数为M，系数为aM，k，用差分方程表示x(n)的AR模型为过程{x(n)}为M阶自回归过程，功率谱密度为其中PM为功率谱能量，w为对应的角频率；使用AR自回归模型采取Marple算法估算参数aM，k后估算功率谱Pxx(ω)并进行谱分解，计算总功率TP，低频功率LF以及高频功率HF；利用公式对LF、HF进行归一化得到参数LFnorm和HFnorm；同时计算LF与HF的比值LF/HF；HRV非线性动力学研究采用Poincare散点图法，以RR间期时间序列第i个值为作为横坐标，以第(i+1)个值为纵坐标绘制出Poincare散点图；对Poincare散点图分析得到两个定量分析参数，分别是向量角度指数SD1和向量长度指数SD2，计算方法分别如下：5.根据权利要求1所述的基于穿戴式动态心电的运动负荷检测装置，其特征在于，所述步骤④向量归一化具体包括如下子步骤：首先构建特征向量J：J＝[HR，SDNN，RMSSD，PNN50，LF，HF，LFnorm，HForm，SD1，SD2]，对步骤③得到的每个特征向量采取最大-最小标准化法进行归一化处理，设J为上述特征向量构成的特征矩阵，minJk为第k个特征向量最小值，maxJk为第k个特征向量最大值；则初始值x映射到区间[0，1]的值6.根据权利要求1所述的基于穿戴式动态心电的运动负荷检测装置，其特征在于，所述步骤⑤中的遗传算法优化的神经网络模型以按误差逆向传播(errorBackPropagation，简称BP)算法训练的多层前馈神经网络为基础，训练过程如下：给定训练集即输入示例由d个属性描述，输出l维实值向量；对训练例(xk，yk)，设神经网络输出则网络在(xk，yk)上的均方误差为BP算法对于误差Ek及给定学习率η，基于梯度下降策略对层间的权值ω′和阈值θ′不断更新使训练...
【专利技术属性】
技术研发人员：刘澄玉，杨美程，李建清，
申请(专利权)人：东南大学，南京医科大学，
类型：发明
国别省市：江苏,32
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。