李思楠, 趙 海

(1.河北民族師范學(xué)院 物理與電子工程系,河北 承德 067000；2.東北大學(xué) 計(jì)算機(jī)科學(xué)與工程學(xué)院,遼寧 沈陽(yáng) 110000)

0 引 言

1 總體流程框架

本文研究的人體生理狀態(tài)判別機(jī)制，首先通過(guò)脈搏、呼吸和體溫三種傳感器來(lái)實(shí)時(shí)采集人體的三大生命體征信號(hào)，對(duì)信號(hào)進(jìn)行預(yù)處理和特征提取后，按照各自信號(hào)的判別機(jī)制將人體的生理狀態(tài)分類為“普通狀態(tài)”和“事件狀態(tài)”兩大類，最后將3組判決結(jié)果進(jìn)行數(shù)據(jù)融合，劃分出人體在連續(xù)時(shí)間段內(nèi)生理狀態(tài)所處于的不同狀態(tài)等級(jí)，使用戶可以根據(jù)自身生理狀態(tài)所處的等級(jí)高低對(duì)自身情況進(jìn)行選擇性關(guān)注和感知。

2 基于脈搏波傳感器的人體生理狀態(tài)分類方法

2.1 脈搏波信號(hào)預(yù)處理

利用反射式脈搏波傳感器[7]采集人體手腕處的脈搏波信號(hào)，脈搏波信號(hào)是一種低頻信號(hào)，頻率集中在10 Hz以下，采集過(guò)程中不可避免地會(huì)受到周?chē)h(huán)境中溫濕度、電磁場(chǎng)以及采集者自身呼吸和運(yùn)動(dòng)的影響。本文選擇Sym8小波作為基函數(shù)，使用基于小波分解和重構(gòu)的方法，消除采集過(guò)程中摻雜的高頻噪聲及基線漂移。

2.2 脈搏波的特征提取

脈搏波的上升支時(shí)間(t1)和高度(H1)與血管壁彈性和射血速度等指標(biāo)有關(guān)；脈搏波的下降支時(shí)間(t2)和高度(H2)與外周阻力有關(guān)；脈波周期(T)等于心跳周期；此外，反射指數(shù)(AI，AI=H2/H1)是反映動(dòng)脈硬化程度的重要指標(biāo)之一，可作為心血管健康的評(píng)價(jià)指標(biāo)。在本文中，使用差分閾值方法[8]來(lái)提取脈搏波的每個(gè)周期中的特征參數(shù)，并篩選出6個(gè)時(shí)域特征向量S=[t1，t2，H1，H2，T，AI]。采用主成分分析的方法[9]來(lái)減少數(shù)據(jù)的維數(shù)。從該6維向量中提取前兩個(gè)主成分元素pca1和pca2作為SVM的輸入向量。

2.3 基于SVM的脈搏波信號(hào)分類判別

訓(xùn)練和測(cè)試的數(shù)據(jù)集由N對(duì)提取特征量后的樣本數(shù)據(jù)構(gòu)成，形式為：(xi，yi)，i=1,2,…,N，xi∈R，yi∈{0,1}。這里xi為一個(gè)二維的特征向量，分別包含了從脈搏波數(shù)據(jù)集進(jìn)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數(shù)據(jù)的標(biāo)簽，如果yi=1，xi屬于事件狀態(tài)，如果yi=0，xi屬于普通狀態(tài)。

SVM訓(xùn)練應(yīng)用于本文是一個(gè)帶約束的尋找最優(yōu)“超平面”的最小值求解問(wèn)題[10]

(1)

式中w為最優(yōu)“超平面”的法向量，使‖w‖變得最小，就相當(dāng)于使分類間隔達(dá)到最大，約束條件為

圍繞保障人民群眾飲食用藥安全這一中心任務(wù)，昆明市局全面落實(shí)“黨政同責(zé)”和“四有兩責(zé)”要求，把食品藥品安全納入各級(jí)政府公共安全體系、目標(biāo)管理績(jī)效考核體系，權(quán)重提高到3%，實(shí)行“一票否決制”。2013年以來(lái)開(kāi)展了50多項(xiàng)全市食品藥品安全整治行動(dòng)。將食品藥品安全列入全市“十三五”重點(diǎn)專項(xiàng)規(guī)劃，每年專項(xiàng)經(jīng)費(fèi)超過(guò)2000萬(wàn)元。

yi(wTxi+b)≥1,i=1,2,…,N

(2)

式中b為超平面距離原點(diǎn)偏移量，而分類函數(shù)判別式為

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

(3)

由于在實(shí)際情況中，樣本數(shù)據(jù)中的“事件狀態(tài)”和“普通狀態(tài)”的特征向量分界可能并不明顯，不是線性可分的情況，有可能出現(xiàn)兩類數(shù)據(jù)的混疊。為此，引入松弛變量ξi≥0和誤差懲罰因子C

(4)

yi(wTxi+b)≥1-ξi,i=1,2,…,N

(5)

本文采用粒子群算法[11～13]來(lái)確定最優(yōu)的懲罰因子C和核函數(shù)的參數(shù)σ，使選擇C和σ的過(guò)程轉(zhuǎn)化為一個(gè)優(yōu)化搜索過(guò)程。

2.4 SVM的訓(xùn)練和檢驗(yàn)過(guò)程

訓(xùn)練和分類的過(guò)程歷經(jīng)3個(gè)階段，通過(guò)數(shù)據(jù)準(zhǔn)備階段的脈搏波特征提取和主成分分析，確定了pca1和pca2作為SVM的2維輸入向量，在算法標(biāo)定階段，利用粒子群算法來(lái)確定最優(yōu)懲罰因子C和核函數(shù)的參數(shù)σ，在分類判別階段由構(gòu)建好的分類器對(duì)測(cè)試數(shù)據(jù)進(jìn)行分類。分類的可能結(jié)果如表1所示，為了客觀分析該方法的分類效果，本文采用了SVM常用的幾項(xiàng)評(píng)價(jià)指標(biāo)[14,15]：精確率：Precision=TP/(TP+FP)；召回率：Recall=TP/(TP+FN)；分類準(zhǔn)確率：Accuracy=(TP+FN)/(TP+FN+TN+FN)。

表1 分類的可能結(jié)果匯總

以上的指標(biāo)是反映分類器的靜態(tài)性能指標(biāo)，為了評(píng)估分類判別的動(dòng)態(tài)過(guò)程，需要通過(guò)觀察ROC(receiver opera-ting characteristic)曲線的變化趨勢(shì)。其中，真陽(yáng)性率(true positive rate,TPR=TP/(TP+FN))和假陽(yáng)性率(false positive rate,FPR=FP/(FP+TN))分別作為ROC曲線的橫坐標(biāo)和縱坐標(biāo)。AUC是用ROC曲線下的面積來(lái)評(píng)價(jià)分類器性能，計(jì)算公式為

(6)

2.5 實(shí)驗(yàn)驗(yàn)證和算法評(píng)價(jià)

本文中實(shí)驗(yàn)者經(jīng)歷三種事件狀態(tài)，包含為運(yùn)動(dòng)、酒精刺激和睡眠，普通狀態(tài)為人體處于靜止坐立狀態(tài)之下。選用紅外反射式脈搏傳感器采集人體手腕處的脈搏波信號(hào)，采樣率200 Hz。16名實(shí)驗(yàn)者(年齡23～27歲)，在實(shí)驗(yàn)場(chǎng)景中依次經(jīng)歷4種實(shí)驗(yàn)過(guò)程分別為：靜止坐立(10 min)、運(yùn)動(dòng)(10 min)、睡眠(80 min)和喝酒刺激(30 min)，分類標(biāo)簽如表2所示。采集得到的數(shù)據(jù)通過(guò)交叉驗(yàn)證的方式，選取其中50 %為訓(xùn)練集數(shù)據(jù)，另50 %為測(cè)試集數(shù)據(jù)。

表2 人體生理狀態(tài)分類標(biāo)簽

圖1(a)所示為SVM構(gòu)建的訓(xùn)練效果?！撂?hào)代表訓(xùn)練集中的普通狀態(tài)下對(duì)應(yīng)數(shù)據(jù)，實(shí)心圓點(diǎn)代表事件狀態(tài)下(運(yùn)動(dòng)、睡眠、喝酒)對(duì)應(yīng)的數(shù)據(jù)，兩類數(shù)據(jù)的邊界界限并不明顯，但SVM可以通過(guò)最優(yōu)分類曲線將數(shù)據(jù)進(jìn)行區(qū)分。

圖1(b)為SVM的分類效果，方格符號(hào)記表示被分類為“普通狀態(tài)”的測(cè)試數(shù)據(jù)，米字符號(hào)記表示被分類為“事件狀態(tài)”的測(cè)試數(shù)據(jù)。從中可以看到雖然邊界模糊，但兩種生理狀態(tài)可以被成功分類。

圖1 SVM訓(xùn)練和分類效果

統(tǒng)計(jì)16名實(shí)驗(yàn)者的4項(xiàng)分類指標(biāo)如表3所示，精確率和召回率平均值分別達(dá)到了96.12 %和94.18 %，平均的分類準(zhǔn)確率也達(dá)到了96.85 %。從實(shí)驗(yàn)者1的ROC曲線中可以看出，分類器的TPR始終保持在90 %以上，并不斷提升，AUC值達(dá)到0.9476。

由于每個(gè)脈搏周期都會(huì)產(chǎn)生一組分類結(jié)果，本文利用脈搏波得到了一組分類判決結(jié)果(0/1)，如果采集的時(shí)間較長(zhǎng)，則判決結(jié)果同樣為大量數(shù)據(jù)。因此，本文會(huì)對(duì)判決的結(jié)果進(jìn)行單位轉(zhuǎn)換，由每個(gè)脈搏周期生成一個(gè)判決結(jié)果轉(zhuǎn)化為1 min生成一個(gè)判決結(jié)果。采取的方法是：如果一分鐘內(nèi)判決結(jié)果中0(普通狀態(tài))的數(shù)量大于1(事件狀態(tài))的數(shù)量，則用二進(jìn)制數(shù)0表示該1 min的判決結(jié)果，否則用1表示該1 min的判決結(jié)果。

3 基于呼吸波傳感器的人體狀態(tài)分類

利用呼吸波傳感器獲取呼吸信號(hào)，從得到的呼吸信號(hào)時(shí)域周期中可以計(jì)算出實(shí)時(shí)的呼吸頻率，然后跟設(shè)定好的閾值比較，來(lái)判定當(dāng)前人的生理狀態(tài)。成年人在平靜狀態(tài)下的呼吸頻率為每分鐘16～20次，女性平均比男性快1～2次，低于12次/分屬于呼吸過(guò)緩。因此，文本中設(shè)置呼吸頻率的閾值為下限12次/分，上限20次/分。在閾值范圍內(nèi)，人體的狀態(tài)被判定為“普通”(標(biāo)記為0)，超出閾值范圍則狀態(tài)被判定為“事件”(標(biāo)記為1)。每個(gè)呼吸周期會(huì)產(chǎn)生一次判決結(jié)果，因此，同樣需要對(duì)呼吸的分類結(jié)果進(jìn)行單位轉(zhuǎn)化，轉(zhuǎn)化方式同脈搏波的轉(zhuǎn)化方法相同，最終由呼吸波信號(hào)的分類結(jié)果得到一組每分鐘對(duì)應(yīng)一個(gè)的判決結(jié)果(0/1)。

4 基于體溫信號(hào)的人體狀態(tài)分類

人體的體溫不會(huì)在短時(shí)間發(fā)生突變，本文中基于體溫信號(hào)的人體狀態(tài)分類先利用數(shù)字體溫傳感器采集人體的體溫信號(hào)，每分鐘采樣一次，再跟設(shè)定好的閾值進(jìn)行比較，判斷人體生理狀態(tài)分類為0(普通狀態(tài))還是1(事件狀態(tài))。設(shè)定的閾值可以根據(jù)使用者的具體情況而調(diào)節(jié)。本文實(shí)驗(yàn)者的閾值范圍設(shè)定在36～37 ℃。在這個(gè)閾值范圍內(nèi)分類結(jié)果為0(普通狀態(tài))，超過(guò)閾值范圍分類為1(事件狀態(tài))。最終生成一個(gè)只含有0或1的二進(jìn)制數(shù)組。

5 傳感器的數(shù)據(jù)融合

本文提出一種基于二進(jìn)制編碼的數(shù)據(jù)融合方法，將三種信號(hào)的判決結(jié)果進(jìn)行決策級(jí)融合，得到人體生理狀態(tài)的綜合評(píng)價(jià)結(jié)果(1組3 Bit二進(jìn)制編碼)。為了能夠直觀展示這種數(shù)據(jù)融合方法，本文選擇了一名實(shí)驗(yàn)者，連續(xù)4 h內(nèi)通過(guò)三種傳感器采集脈搏波、呼吸和體溫信號(hào)，采集過(guò)程如圖2(a)所示，這4 h內(nèi)該實(shí)驗(yàn)者經(jīng)歷了10 min的運(yùn)動(dòng)、80 min睡眠和40 min的喝酒刺激，各個(gè)時(shí)間節(jié)點(diǎn)已被標(biāo)注。利用三種信號(hào)各自的判別機(jī)制對(duì)人體生理狀態(tài)生成了連續(xù)240 min的0/1判決數(shù)組如圖2(b)所示，三種信號(hào)都對(duì)人體經(jīng)歷的事件狀態(tài)的分類能力各不相同。

圖2 三種信號(hào)采集過(guò)程、時(shí)域波形及分類判決結(jié)果

5.1 二進(jìn)制編碼融合方法

在進(jìn)行二進(jìn)制編碼融合的過(guò)程中，需要先確定三組信號(hào)脈搏、呼吸、體溫各自分類判決結(jié)果的編碼順序，即確定融合后的3 bit二進(jìn)制數(shù)中，最高位、中間位、最低位的優(yōu)先級(jí)排序。

三組狀態(tài)的分類結(jié)果由3組二進(jìn)制序列(240個(gè)0或1)組成。其中1代表人體處于“事件”狀態(tài)，0代表人體處于“普通狀態(tài)”。由一次的狀態(tài)分類結(jié)果到下一次的分類結(jié)果共存在4種情況：p1表示由前一狀態(tài)0變換為下一狀態(tài)1的次數(shù)占全部分類的比例；p2表示由前一狀態(tài)1變換為下一狀態(tài)0的次數(shù)占全部分類次數(shù)的比例；同理，p3表示由前一狀態(tài)0變換為下一狀態(tài)0的次數(shù)占全部分類次數(shù)的比例；p4表示由前一狀態(tài)1變換為下一狀態(tài)1的次數(shù)占全部分類次數(shù)的比例。

這里用p1和p2的和代表了生理狀態(tài)發(fā)生改變的頻率，它的值越小，說(shuō)明此種信號(hào)越穩(wěn)定，越不容易發(fā)生突變。這里引入熵S的概念來(lái)衡量信號(hào)的狀態(tài)變換的頻度

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

(7)

三種信號(hào)的熵值統(tǒng)計(jì)如表3所示，熵值S的值越大，代表狀態(tài)發(fā)生改變的期望越高，即兩種狀態(tài)之間轉(zhuǎn)換的頻度越高，該信號(hào)自身的穩(wěn)定性越差；反之，信號(hào)的穩(wěn)定性越好。由表3統(tǒng)計(jì)可以看出，體溫信號(hào)的穩(wěn)定性最高，脈搏次之，呼吸信號(hào)的穩(wěn)定性最差。因此，本文選體溫信號(hào)的判決結(jié)果作為3 bit二進(jìn)制編碼的最高位，脈搏信號(hào)的判決結(jié)果為中間位，呼吸信號(hào)的判決結(jié)果作為最低位。

表3 三種信號(hào)的熵值統(tǒng)計(jì)

5.2 生理健康狀態(tài)的等級(jí)劃分

經(jīng)過(guò)了二進(jìn)制編碼融合方法之后形成的人體生理狀態(tài)綜合評(píng)價(jià)結(jié)果是由一組3 bit二進(jìn)制數(shù)，因?yàn)? bit二進(jìn)制數(shù)的取值范圍是0～7，本文也將人體的生理狀態(tài)分為8個(gè)等級(jí)，如表4所示。

利用二進(jìn)制編碼融合的方法，將人體的生理狀態(tài)評(píng)價(jià)結(jié)果表示為8個(gè)等級(jí)的時(shí)間序列的形式。數(shù)據(jù)融合后的等級(jí)越高，表明人的生理狀態(tài)越值得關(guān)注，等級(jí)越低，表明人體的生理狀態(tài)越穩(wěn)定，越不必關(guān)注。處于等級(jí)0時(shí)則代表人此刻處于“普通狀態(tài)”。

表4 生理狀態(tài)的等級(jí)劃分

實(shí)驗(yàn)者在4 h(240 min)的生理狀態(tài)等級(jí)分布情如圖3所示，時(shí)間分辨率為1 min，每條直線代表了人體生理狀態(tài)在該分鐘內(nèi)所處的等級(jí)，而線段的高度代表了所處等級(jí)的大小，一共分8個(gè)等級(jí)，線段越高，等級(jí)越高。從圖中可以看到，實(shí)驗(yàn)者所經(jīng)歷的運(yùn)動(dòng)、睡眠、飲酒三種狀態(tài)在圖中都有不同等級(jí)的體現(xiàn)。高強(qiáng)度的運(yùn)動(dòng)對(duì)人體生理狀態(tài)的影響最大，該段時(shí)間內(nèi)人體被判定為最高等級(jí)，值得用戶重點(diǎn)關(guān)注，40 min喝酒過(guò)程，人體生理狀態(tài)先由等級(jí)2上升到等級(jí)6，隨后又下降回等級(jí)2，直接對(duì)映了人體生理狀態(tài)變化的過(guò)程，開(kāi)始階段酒精對(duì)人體的影響逐漸加大，對(duì)心血管系統(tǒng)的刺激導(dǎo)致人體內(nèi)部的各種生理反應(yīng)開(kāi)始顯現(xiàn)，體溫上升，而最后當(dāng)酒精隨著人體汗液的排出及肝臟的處理，生理狀態(tài)又逐漸恢復(fù)為普通狀態(tài)。而睡眠過(guò)程在圖中的等級(jí)為2，說(shuō)明了睡眠對(duì)人體的生理狀態(tài)的影響程度沒(méi)有運(yùn)動(dòng)和喝酒影響大，只在脈搏信號(hào)上得以區(qū)分，在呼吸和體溫信號(hào)上沒(méi)有顯現(xiàn)出區(qū)別。

圖3 1min分辨率的可視化效果

6 結(jié)束語(yǔ)

本文提出一種多傳感器融合的人體生理狀態(tài)分類方法，通過(guò)脈搏、呼吸、體溫三種傳感器采集的數(shù)據(jù)分別將人體生理狀態(tài)分類為“普通狀態(tài)”和“事件狀態(tài)”，隨后采用二進(jìn)制編碼的方式將3組分類結(jié)果進(jìn)行數(shù)據(jù)融合，得出了一組能夠反映人體所處生理狀態(tài)等級(jí)的可視化結(jié)果，不僅增強(qiáng)了使用者對(duì)自身生理狀態(tài)的感知，還能根據(jù)最終結(jié)果還原出每一組信號(hào)的分類情況。為體域網(wǎng)產(chǎn)品中如何處理和存儲(chǔ)海量人體生理數(shù)據(jù)提供了一個(gè)全新的方法。