基于多传感器的人体生理状态判别可视化技术*

李思楠, 赵 海

(1.河北民族师范学院 物理与电子工程系,河北 承德 067000；2.东北大学 计算机科学与工程学院,辽宁 沈阳 110000)

0 引 言

1 总体流程框架

本文研究的人体生理状态判别机制，首先通过脉搏、呼吸和体温三种传感器来实时采集人体的三大生命体征信号，对信号进行预处理和特征提取后，按照各自信号的判别机制将人体的生理状态分类为“普通状态”和“事件状态”两大类，最后将3组判决结果进行数据融合，划分出人体在连续时间段内生理状态所处于的不同状态等级，使用户可以根据自身生理状态所处的等级高低对自身情况进行选择性关注和感知。

2 基于脉搏波传感器的人体生理状态分类方法

2.1 脉搏波信号预处理

利用反射式脉搏波传感器[7]采集人体手腕处的脉搏波信号，脉搏波信号是一种低频信号，频率集中在10 Hz以下，采集过程中不可避免地会受到周围环境中温湿度、电磁场以及采集者自身呼吸和运动的影响。本文选择Sym8小波作为基函数，使用基于小波分解和重构的方法，消除采集过程中掺杂的高频噪声及基线漂移。

2.2 脉搏波的特征提取

脉搏波的上升支时间(t1)和高度(H1)与血管壁弹性和射血速度等指标有关；脉搏波的下降支时间(t2)和高度(H2)与外周阻力有关；脉波周期(T)等于心跳周期；此外，反射指数(AI，AI=H2/H1)是反映动脉硬化程度的重要指标之一，可作为心血管健康的评价指标。在本文中，使用差分阈值方法[8]来提取脉搏波的每个周期中的特征参数，并筛选出6个时域特征向量S=[t1，t2，H1，H2，T，AI]。采用主成分分析的方法[9]来减少数据的维数。从该6维向量中提取前两个主成分元素pca1和pca2作为SVM的输入向量。

2.3 基于SVM的脉搏波信号分类判别

训练和测试的数据集由N对提取特征量后的样本数据构成，形式为：(xi，yi)，i=1,2,…,N，xi∈R，yi∈{0,1}。这里xi为一个二维的特征向量，分别包含了从脉搏波数据集进行特征向量提取和主成分分析后的第一和第二主成分pca1和pca2，即xi∈(pca1,pca2)。yi表示xi数据的标签，如果yi=1，xi属于事件状态，如果yi=0，xi属于普通状态。

SVM训练应用于本文是一个带约束的寻找最优“超平面”的最小值求解问题[10]

(1)

式中w为最优“超平面”的法向量，使‖w‖变得最小，就相当于使分类间隔达到最大，约束条件为

围绕保障人民群众饮食用药安全这一中心任务，昆明市局全面落实“党政同责”和“四有两责”要求，把食品药品安全纳入各级政府公共安全体系、目标管理绩效考核体系，权重提高到3%，实行“一票否决制”。2013年以来开展了50多项全市食品药品安全整治行动。将食品药品安全列入全市“十三五”重点专项规划，每年专项经费超过2000万元。

yi(wTxi+b)≥1,i=1,2,…,N

(2)

式中b为超平面距离原点偏移量，而分类函数判别式为

f(x)=sgn{(wTx)+b}

(3)

由于在实际情况中，样本数据中的“事件状态”和“普通状态”的特征向量分界可能并不明显，不是线性可分的情况，有可能出现两类数据的混叠。为此，引入松弛变量ξi≥0和误差惩罚因子C

(4)

yi(wTxi+b)≥1-ξi,i=1,2,…,N

(5)

本文采用粒子群算法[11～13]来确定最优的惩罚因子C和核函数的参数σ，使选择C和σ的过程转化为一个优化搜索过程。

2.4 SVM的训练和检验过程

训练和分类的过程历经3个阶段，通过数据准备阶段的脉搏波特征提取和主成分分析，确定了pca1和pca2作为SVM的2维输入向量，在算法标定阶段，利用粒子群算法来确定最优惩罚因子C和核函数的参数σ，在分类判别阶段由构建好的分类器对测试数据进行分类。分类的可能结果如表1所示，为了客观分析该方法的分类效果，本文采用了SVM常用的几项评价指标[14,15]：精确率：Precision=TP/(TP+FP)；召回率：Recall=TP/(TP+FN)；分类准确率：Accuracy=(TP+FN)/(TP+FN+TN+FN)。

表1 分类的可能结果汇总

以上的指标是反映分类器的静态性能指标，为了评估分类判别的动态过程，需要通过观察ROC(receiver opera-ting characteristic)曲线的变化趋势。其中，真阳性率(true positive rate,TPR=TP/(TP+FN))和假阳性率(false positive rate,FPR=FP/(FP+TN))分别作为ROC曲线的横坐标和纵坐标。AUC是用ROC曲线下的面积来评价分类器性能，计算公式为

(6)

2.5 实验验证和算法评价

本文中实验者经历三种事件状态，包含为运动、酒精刺激和睡眠，普通状态为人体处于静止坐立状态之下。选用红外反射式脉搏传感器采集人体手腕处的脉搏波信号，采样率200 Hz。16名实验者(年龄23～27岁)，在实验场景中依次经历4种实验过程分别为：静止坐立(10 min)、运动(10 min)、睡眠(80 min)和喝酒刺激(30 min)，分类标签如表2所示。采集得到的数据通过交叉验证的方式，选取其中50 %为训练集数据，另50 %为测试集数据。

表2 人体生理状态分类标签

图1(a)所示为SVM构建的训练效果。×号代表训练集中的普通状态下对应数据，实心圆点代表事件状态下(运动、睡眠、喝酒)对应的数据，两类数据的边界界限并不明显，但SVM可以通过最优分类曲线将数据进行区分。

图1(b)为SVM的分类效果，方格符号记表示被分类为“普通状态”的测试数据，米字符号记表示被分类为“事件状态”的测试数据。从中可以看到虽然边界模糊，但两种生理状态可以被成功分类。

图1 SVM训练和分类效果

统计16名实验者的4项分类指标如表3所示，精确率和召回率平均值分别达到了96.12 %和94.18 %，平均的分类准确率也达到了96.85 %。从实验者1的ROC曲线中可以看出，分类器的TPR始终保持在90 %以上，并不断提升，AUC值达到0.9476。

由于每个脉搏周期都会产生一组分类结果，本文利用脉搏波得到了一组分类判决结果(0/1)，如果采集的时间较长，则判决结果同样为大量数据。因此，本文会对判决的结果进行单位转换，由每个脉搏周期生成一个判决结果转化为1 min生成一个判决结果。采取的方法是：如果一分钟内判决结果中0(普通状态)的数量大于1(事件状态)的数量，则用二进制数0表示该1 min的判决结果，否则用1表示该1 min的判决结果。

3 基于呼吸波传感器的人体状态分类

利用呼吸波传感器获取呼吸信号，从得到的呼吸信号时域周期中可以计算出实时的呼吸频率，然后跟设定好的阈值比较，来判定当前人的生理状态。成年人在平静状态下的呼吸频率为每分钟16～20次，女性平均比男性快1～2次，低于12次/分属于呼吸过缓。因此，文本中设置呼吸频率的阈值为下限12次/分，上限20次/分。在阈值范围内，人体的状态被判定为“普通”(标记为0)，超出阈值范围则状态被判定为“事件”(标记为1)。每个呼吸周期会产生一次判决结果，因此，同样需要对呼吸的分类结果进行单位转化，转化方式同脉搏波的转化方法相同，最终由呼吸波信号的分类结果得到一组每分钟对应一个的判决结果(0/1)。

4 基于体温信号的人体状态分类

人体的体温不会在短时间发生突变，本文中基于体温信号的人体状态分类先利用数字体温传感器采集人体的体温信号，每分钟采样一次，再跟设定好的阈值进行比较，判断人体生理状态分类为0(普通状态)还是1(事件状态)。设定的阈值可以根据使用者的具体情况而调节。本文实验者的阈值范围设定在36～37 ℃。在这个阈值范围内分类结果为0(普通状态)，超过阈值范围分类为1(事件状态)。最终生成一个只含有0或1的二进制数组。

5 传感器的数据融合

本文提出一种基于二进制编码的数据融合方法，将三种信号的判决结果进行决策级融合，得到人体生理状态的综合评价结果(1组3 Bit二进制编码)。为了能够直观展示这种数据融合方法，本文选择了一名实验者，连续4 h内通过三种传感器采集脉搏波、呼吸和体温信号，采集过程如图2(a)所示，这4 h内该实验者经历了10 min的运动、80 min睡眠和40 min的喝酒刺激，各个时间节点已被标注。利用三种信号各自的判别机制对人体生理状态生成了连续240 min的0/1判决数组如图2(b)所示，三种信号都对人体经历的事件状态的分类能力各不相同。

图2 三种信号采集过程、时域波形及分类判决结果

5.1 二进制编码融合方法

在进行二进制编码融合的过程中，需要先确定三组信号脉搏、呼吸、体温各自分类判决结果的编码顺序，即确定融合后的3 bit二进制数中，最高位、中间位、最低位的优先级排序。

三组状态的分类结果由3组二进制序列(240个0或1)组成。其中1代表人体处于“事件”状态，0代表人体处于“普通状态”。由一次的状态分类结果到下一次的分类结果共存在4种情况：p1表示由前一状态0变换为下一状态1的次数占全部分类的比例；p2表示由前一状态1变换为下一状态0的次数占全部分类次数的比例；同理，p3表示由前一状态0变换为下一状态0的次数占全部分类次数的比例；p4表示由前一状态1变换为下一状态1的次数占全部分类次数的比例。

这里用p1和p2的和代表了生理状态发生改变的频率，它的值越小，说明此种信号越稳定，越不容易发生突变。这里引入熵S的概念来衡量信号的状态变换的频度

S=-(p1+p2)log2(p1+p2)

(7)

三种信号的熵值统计如表3所示，熵值S的值越大，代表状态发生改变的期望越高，即两种状态之间转换的频度越高，该信号自身的稳定性越差；反之，信号的稳定性越好。由表3统计可以看出，体温信号的稳定性最高，脉搏次之，呼吸信号的稳定性最差。因此，本文选体温信号的判决结果作为3 bit二进制编码的最高位，脉搏信号的判决结果为中间位，呼吸信号的判决结果作为最低位。

表3 三种信号的熵值统计

5.2 生理健康状态的等级划分

经过了二进制编码融合方法之后形成的人体生理状态综合评价结果是由一组3 bit二进制数，因为3 bit二进制数的取值范围是0～7，本文也将人体的生理状态分为8个等级，如表4所示。

利用二进制编码融合的方法，将人体的生理状态评价结果表示为8个等级的时间序列的形式。数据融合后的等级越高，表明人的生理状态越值得关注，等级越低，表明人体的生理状态越稳定，越不必关注。处于等级0时则代表人此刻处于“普通状态”。

表4 生理状态的等级划分

实验者在4 h(240 min)的生理状态等级分布情如图3所示，时间分辨率为1 min，每条直线代表了人体生理状态在该分钟内所处的等级，而线段的高度代表了所处等级的大小，一共分8个等级，线段越高，等级越高。从图中可以看到，实验者所经历的运动、睡眠、饮酒三种状态在图中都有不同等级的体现。高强度的运动对人体生理状态的影响最大，该段时间内人体被判定为最高等级，值得用户重点关注，40 min喝酒过程，人体生理状态先由等级2上升到等级6，随后又下降回等级2，直接对映了人体生理状态变化的过程，开始阶段酒精对人体的影响逐渐加大，对心血管系统的刺激导致人体内部的各种生理反应开始显现，体温上升，而最后当酒精随着人体汗液的排出及肝脏的处理，生理状态又逐渐恢复为普通状态。而睡眠过程在图中的等级为2，说明了睡眠对人体的生理状态的影响程度没有运动和喝酒影响大，只在脉搏信号上得以区分，在呼吸和体温信号上没有显现出区别。

图3 1min分辨率的可视化效果

6 结束语

本文提出一种多传感器融合的人体生理状态分类方法，通过脉搏、呼吸、体温三种传感器采集的数据分别将人体生理状态分类为“普通状态”和“事件状态”，随后采用二进制编码的方式将3组分类结果进行数据融合，得出了一组能够反映人体所处生理状态等级的可视化结果，不仅增强了使用者对自身生理状态的感知，还能根据最终结果还原出每一组信号的分类情况。为体域网产品中如何处理和存储海量人体生理数据提供了一个全新的方法。