移动协同式生理健康监测和共享技术研究

王海鹏, 张思美, 周文强, 龚岩, 李泽

(1.西北工业大学 计算机学院, 陕西 西安　710072; 2.西北工业大学 软件与微电子学院, 陕西 西安　710072)

近年来，我国社会经济进入了飞速发展的阶段，同时人民大众的生活水平也得到了很大的提升，由于不健康的生活方式导致超负荷等潜在危险因素的人数比例持续上升，亚健康人群也在不断增多。研究有效的生理健康监测[1]对提升人类健康水平、预防疾病有重要和紧迫的现实意义。

生理健康监测是有效掌握用户生理状况的可靠途径。传统监测方法由于依赖专业设备，价格高，不宜携带，其普及率一直很难提高。

在智能手机非常普及的今天，如果能将生理健康监测技术应用在智能手机上[3]，即将生理健康监测技术与移动应用技术结合起来，那么既能低成本地监测用户健康状况，也能借助于智能手机的广泛使用提高健康监测的普及率。

由于心率是人体重要的生命体征,本文以心率监测为突破点，研究移动协同式生理健康监测和共享技术。

1　非接触式心率监测技术

为了实时、便捷跟踪用户心率信息和健康状态，本文实现了基于移动设备的心率监测技术。光电容积脉搏波描记法(photoplethysmographic,PPG)[3]作为一类非接触式心率监测技术，支持自然便捷的心率信息提取。近年来，可以采用智能手机普通摄像头提取PPG信号，利用频域分析方法得出心率值[4]。但是,频域分析方法对噪声极为敏感，普通照相机较低的采样频率会极大影响算法性能。因此，本文提出一种基于状态变迁的隐马尔可夫模型(hidden Markov model,HMM)[6]进行心率监测的方法[5]。使用智能手机的摄像头获取包含心率信息的原始信号，基于独立成分分析(independent component analysis,ICA)[7]进行降噪处理分离出心率信号，构建HMM模型估计心率。

1.1　PPG心率信号原理

PPG是借助光电手段对活体组织进行血液容积变化无创监测的一种方法。PPG原理如图1所示。

图1　PPG原理图

当光束照射皮肤表面时，监测光强度会因皮肤肌肉和血液吸收而衰减，而皮肤、肌肉、骨骼、静脉血和动脉血恒定部分，对光线的吸收衰减程度是恒定不变的，因此出射光不会发生变化，动脉血的脉动部分会随着心脏的波动而周期性变化，所以可以通过PPG技术得到人体血液脉动的光电信号，即人体的心率信号。

1.2　心率信号的规整

对应原始心率的PPG信号，需要去除因环境光和手指运动所产生的干扰噪声。主要体现在去趋势和标准化的处理，并在此基础上搜寻时间域上的局部心率稳态信号。

基于有效信号使用最小二乘法计算线性趋势，使用(1)式进行线性回归计算。

(1)

使用(2)式去除线性趋势项。

(2)

式中，xi(t)是去除线性趋势项的信号，xi0(t)是原始信号， 表示第几个通道。

最后对信号进行标准化处理，消除量纲对信号序列的影响，计算公式如(3)式所示。

(3)

式中，μi是xi(t)的样本平均值，σi是xi(t)的样本标准差。

1.3　基于ICA的心率监测模型

PPG信号的RGB三通道分量分别包含了人体的多类活动信号，基于ICA的信号分离可从混合信号中分离出多源独立信号，并经过Pearson相关分析[9]进一步抽取到心率信号。

建立基于ICA的心率监测模型[8]如图2所示。基本思想是基于心率活动和其他人体活动信号的高斯独立性原理，计算并分离相应的各个独立源信号，并建模为一类目标函数的优化问题。其过程主要包含独立性判据和优化求解两部分。

图2　基于ICA的心率监测模型

假设源信号各分量相互独立，建立ICA数学模型如(4)式所示。

x(t)=As(t)

(4)

A是包含心率PPG信号的未知信号混合矩阵，x(t)为n维观测信号序列，s(t)为m维独立源信号(m≤n)。

基于ICA心率监测模型的目标是寻求一个解混矩阵B，(5)式从观测信号分离出源心率信号。

y(t)=Bx(t)

(5)

式中，y(t)是通过解混矩阵分离出的近似信号，ICA模型要尽可能的使输出信号s(t)逼近。

采用最大高斯性度量准则作为信号独立性判据，建立基于负熵的目标函数估计信号的独立性。根据相同协方差随机变量中高斯变量具有熵最大性的原则，来度量信号的非高斯性。负熵定义如(6)式所示。

J(y)=H(ygauss)-H(y)

(6)

上述定义中H(y)通过(7)式计算，ygauss是一个随机变量，并且服从高斯分布，只有y服从高斯分布时J(y)为零，y的非高斯性越大，J(y)越大，通过负熵极大化输出源独立信号。

随机变量Y的熵H(y)定义如(7)式所示。

(7)

(7)式中需要知道y的概率密度p(y)计算负熵，实际情况中一般无法得到源信号的先验分布，因此使用(8)式计算负熵

J(y)={E[g(y)]-E[g(ygauss)]}2

(8)

式中，E[·]是偏差率，g(·)是指定的非线性函数。

上述建立的基于负熵的非高斯性度量模型的基础上，采用FastICA算法基于固定点算法[10]搜索信号的负熵极大值，并循环建立解混矩阵分离出心率的源独立信号。根据文献[13]可知，ICA获得的信号是无次序的，为了从多个独立源信号中获得心率信号，使用Pearson相关系数分别计算各个源信号与包含有最强心率信息的G通道信号的相关性。计算公式如(9)式所示。

(9)

1.4　基于HMM的心率状态估计

心率脉动周期具有较为显著的状态变化特性，因此建立基于HMM的心率状态估计模型[5]如下。定义对应心率局部状态的隐状态空间S={s1,s2,s3,…,sN}，在t时刻的状态记为qt。观测数目总数为M，定义观测数目集合为O={O1,O2,O3,…,OM}。则系统初始概率分布π={π1,1≤i≤N},其中πi通过(10)式计算。

πi=p{q1=si}

(10)

aij=P{qi+1=Sj|qi=Si}1≤i,j≤N

(11)

定义状态Si条件下输出的观测变量概率分布B。假设观测变量的样本空间为V，在状态Si时输出观测变量的概率分布可表示为：B={bi(v),1≤i≤N,v∈V}，bi(v)通过(12)式计算。

bi(v)=f{Oi=v|qi=Si}

(12)

式中，Qi为时刻t的观测随机变量，可以是一个数值或向量，观测序列记为O={O1,O2,…,Ot}。

本文利用心动周期不同阶段的时域规律作为隐含状态，通过视频序列提取的心率信号作为观测序列，建立基于HMM的三状态心率估计模型[5]。心动周期状态如图3所示，图3中有显著的2个波峰和1个波谷，基于三状态的HMM模型在后续对应的观测状态中使用局部点来代替局部趋势，可以有效降低监测延迟和复杂度。

图3　一个心跳周期的不同阶段

图3中一个心动周期分为快速射血阶段、等容舒张阶段和快速舒张阶段。因此将心动周期的每个阶段对应于一个隐藏状态，建立如图4所示的三状态HMM。

图4　三状态的隐马尔可夫模型

基于上述的隐状态建立对应的观测状态，如快速射血阶段外周血液容积持续变大，观测波形会出现持续增大的情况，舒张期外周血液减少会出现下降趋势，因此根据波形特征局部点定义3个观测状态O1-O3,O1表示快速射血出现的信号最大值的阶段，O2表示局部最小值，O3表示等容舒张阶段出现的次波峰。

上述状态定义之后，基于状态变迁进行心率估计，定义s3-s1的变迁为一个新周期的开始并标记所有的变迁如图5所示。

图5　心跳周期状态变迁模型

图5中可以得到2个标记之间的持续时间d即为1次心跳所需要的周期时间，基于状态变迁用(13)式计算当前心率。

(13)

2　生理体征网络构建

基于非接触式心率监测技术融合移动社交网络，构建生理体征网络。在得到个体用户心率后，可综合其他敏感信息，比如性别、年龄等因素，对个体用户反馈一个更加全面的健康风险分析。另一方面系统以位置、社会关系等特征作为聚类因素，将具有共同特征的用户聚集为一个用户群组建立生理体征网络。

生理体征网络涵盖了特定属性和关系群体内用户的健康数据，对智能健康信息的挖掘和分析具有参考意义。

2.1　节点属性敏感的个体健康分析

个体用户作为网络中的组成节点，其个体属性有助于进行更加科学合理的健康判断，图6是个体健康分析的网络结构图。

图6　个体健康分析的结构图

相关医学资料表明，心率会因性别、心情、年龄及其他相关生理情况而变化。同一个体，在身体处于安静状态或睡眠时心率会减慢，身体处于运动状态或情绪亢奋时心率会加快。系统根据用户的心率信息分析出该用户的大致健康状况，如表1所示。

表1　心率与健康风险对应情况

表1中，1表示考虑有房室传导阻滞，尽快就医；2表示窦性心动过缓，注意观察；3表示心率正常；4表示心率偏快，注意休息；5表示窦性心动过速，注意观察；6表示阵发性心动过速，尽快就医。

单个心率给出的风险评估并不准确，本文系统获取到单个用户的心率信息之后，将性别、年龄等因素加入到原始心率健康信息中，得出一个更精准、更具有针对性的健康反馈信息表，具体如表2所示。

表2　心率综合信息与健康风险对应情况

从表2中可以看出，在融入了用户的性别和年龄信息之后，后台自动反馈的健康信息有了更加详细的规则，这对单个用户就可以给出更加精准的健康风险评价。

2.2　网络关系辅助的群体健康分析

在面向单个用户，实现节点敏感的健康风险评价基础上，以单个用户作为网络节点，将多个用户的信息通过聚类算法关联在一起，就可以形成一个群体的生理体征网络。该网络不仅能够获取单个用户的心率健康信息，还涵盖了众多用户的健康信息。社交软件作为心率监测的载体可以获得成熟的社交关系网络，融入基于智能手机的非接触式心率监测技术，初步构建一个生理体征网络，如图7所示。

群体用户的健康信息经过聚类后，形成众多有某种关联关系的健康信息网络，即生理体征网络。用户的聚类可以基于性别、年龄、位置信息和亲友关系等条件，也可以基于这些条件的综合因素。图8是聚类因素的分类图。

图8　聚类因素的分类图

不同聚类因素的生理体征网络具有其独特性，每个网络的用户群体都是有某些共同特征的人群，其健康信息汇聚在一起，揭示出群体粒度的健康特性和发展趋势。

3　实验验证

为验证非接触式心率监测技术和生理体征网络技术的有效性，征集14名志愿者进行实验验证，样本涵盖10～80岁年龄段，包含不同性别。

实验分两部分，第一部分是非接触式心率监测技术的准确性实验，第二部分是生理体征网络的实验验证。首先要求志愿者分别在安静状态和运动状态下进行非接触式心率监测，并同时用标准仪器进行同步测量，对测量结果进行偏差率的计算，计算结果如表3所示。

表3　测试结果分析　(%)

从表3中可以看出，测试出的偏差率最大的为-4.54%，最小的为0%，本系统心率测量的偏差率并没有随年龄的增长而出现明显的变化趋势。偏差率大小与实验者性别及所处状态的关系如图9和图10所示。

图9　安静状态的测试偏差

图10　运动状态的测试偏差

分析可知安静状态和运动状态下的心率测量偏差率基本都保持在了5.0%之内，而且在零点参考线上下稳定浮动，反应出非接触式心率监测模型的测量的准确性和稳定性。

4　结　论

本文研究了基于手持便携终端和移动社交网络的健康信息监测和共享技术。设计了适用于移动设备的非接触式心率监测方法，构建了基于关系网络的群体健康信息分析和共享系统。该系统可实现面向个体节点敏感的健康状态分析，和面向群体网络关系辅助的健康信息挖掘和共享。最后，实现了一个移动协同式生理健康监测和共享原型系统，可自然便捷地获取个体心率指标并实现群体健康信息共享，为支持健康防护和综合评估提供参考。

致谢感谢科学技术基金对本研究的支持。