一种基于脉搏信号的锻炼效果评估系统

李彬卓，韦雨，常俊涛，齐钰婷，牛晓可

（郑州大学电气工程学院，河南郑州，450001）

0 引言

脉搏定义为人体表可触摸到的动脉搏动，脉搏的形成有赖于心脏的收缩、动脉管壁的扩张性和弹性，它携带有丰富的人体健康状况信息，因为脉搏波不仅受人体心脏跳动本身的影响，也会受到在传播过程中各血管的反射以及生理病理等因素的影响。结合上述脉搏波自身的特点和测量、采集优势，我们希望可以利用脉搏信号来帮助人们评估锻炼效果。现在广泛使用的运动手环及运动类APP，多数都停留在记录客观数据，缺少对用户锻炼效果的深入分析和个性化评估。本文提出“一种基于脉搏信号的锻炼效果智能评估系统”，旨在设计一款脉搏数据采集系统配合相应软件实现无线、无创检测脉搏信号，显示脉搏波，并实现健身锻炼效果的评估等功能。

1 数据采集

本文脉搏数据采集对象均为18～24岁的在校大学生，为了能实现更多数据分析的可能性，数据采集开始之前，详细调查并记录每一位采集对象的身体素质及日常锻炼情况，结合调查对象的主观评估，参考《国家学生体制健康标准（2014年修订）》和《ACSM运动测试与运动处方指南》相关标准，给出每一位调查对象的客观、数字化评估，将全部调查对象按照锻炼能力划分为了3类，即锻炼能力较强、良好、较弱，作为此后数据的分析的一个重要方向。采集每位志愿者分别在静息，蹲起（30个）和平板支撑（1min）状态下的左右手脉搏信号。

2 系统硬件设计和实现

利用传感器搭建脉搏数据采集平台，主要分为“数据采集模块——传感器”、“下位机——Arduino ino”以及“硬件连接”三部分。

2.1 数据采集模块——传感器

本文选用的传感器是基于光电容积法，以绿光为光源且适用于指尖测量的反射式脉搏传感器。光电容积脉搏波方法测定使用LED光源和光电传感器，使用LED灯使特定的光束照射到人体表面测量部位，利用光电传感器接收透射光或反射光，并转换成电信号，再经过AD转换等就可以得到脉搏波。通过光照就能测出脉搏和心率的核心在于：利用人体组织在血管搏动时造成透光率不同来进行脉搏测量的。对于动脉中流动的血液，对于光的吸收是会变化的，且随着心脏作用而呈现周期性的规律。心脏舒张期血液容积量最小，光程最短，光吸收量也最小，检测到的光强最小，而心脏收缩期则相反，检测到的光强最大。根据朗伯—比尔定律，检测光强与入射光强的关系是：

利用欧拉公式将上式展开，过程如下：

由上式可知，在吸光系数E、血液浓度C不变和稳定光源I的情况下，透射光或反射光光强信号形成的脉搏波可由正弦波和余弦波叠加构成，幅值随心脏搏动导致的检测光呈周期性变化。

2.2 下位机——Arduino ino

基于该脉搏传感器搭建脉搏采集与处理系统需要搭配使用开发板，本文所选用的是Arduino ino，所用软件为Arduino IDE 1.8.2。

程序的主要思想：光电传感器中的绿光LED根部反射回来的光强值，输出对应的电流值，该电流值被电路转换为电压并被Arduino ino的ADC采集，数字化后发送到上位机显示，同时下位机随时计算相邻两个脉搏波的峰值点的时间差并滤波，得到两次心跳之间的时间，再根据上述转换关系就可以计算出当前心率值。程序可以分为四个部分：采样、滤波、计算和输出。

图1 与电脑端连接部分

2.3 硬件连接

硬件连接部分主要说明具体使用过程中传感器与其相关配件的使用，传感器与Arduino ino开发板的连接，实物的硬件连接图如图2。

图2 脉搏信号采集端

3 数据分析

本文的脉搏数据分析是基于MATLAB进行的，是脉搏波图分析，通过提取脉搏波的特征值实现。

3.1 脉搏波图分析

针对脉搏波图的分析主要从滤波去噪、特征提取、对比分析三个方面进行。本文首先将采集到的脉搏信号进行采样，方便做fft计算，其中采样频率与原信号频率一致；进一步，特征提取，如图3为放大的一个周期内的脉搏图，利用阈值法，提取到的特征值3个，它们分别是h1：主波高度，反映流过指端微血管床的最大血流量；t1：快速射血期时值，反映心肌收缩能力；T：周期，反映脉率值。

图3 脉搏图

关于心率值，通过查阅文献，将正常人的健身锻炼效果分为四个等级：第一类，人体心率低于110bpm，无明显锻炼效果；第二类，人体心率在110bpm ～ 140bpm范围内，具有较好的锻炼效果；第三类，人体心率处于140bpm～ 150bpm，锻炼效果显著；第四类，人体心率高于150bpm，短时间内持续运动不会收到更好的锻炼效果，且对身体机能造成潜在伤害。

图4 静息状态下h1与1/T

为了进一步研究脉搏波更多的特征信息，我们对从脉搏波中提取得到的特征值h1、t1和脉率进行了相关性分析。以静息状态下的结果为例，图5-图6分别为静息状态下由h1和t1绘制的散点图，相关性分析的结果如下：

图5 静息状态下t1与1/T

图6 平板支撑后h1与1/T

R1表示相关系数矩阵；对于P1值，如果P1值的非对角线元素小于显著性水平（默认值为 0.05），则R1中的相应相关性被视为显著。由此可得h1与脉率有着较强的相关性（斜对角元素为-0.3918），而t1与脉率的相关性较弱（斜对角元素为 0.0804）。

对其他两种状态（蹲起运动后和平板支撑运动后）下采集的脉搏数据进行相应的相关性分析，可以得到同样的结果，h1和脉率相关性较强（斜对角元素为--0.2914，0.0147），而t1和脉率则没有明显的相关性（斜对角元素为0.1487，0.1480）；因此我们认为脉搏波的特征主波峰值h1也可用以锻炼评估，但是却仍然缺少量化的标准。但是在平板支撑运动后的脉搏波特性相关性分析中，h1与脉率、t1与脉率都没有表现出较强的相关性，我们猜想可能的原因是平板支撑是无氧运动，相对于有氧运动的运动量较小。

图7 平板支撑后t1与1/T

图8 蹲起后h1与1/T

图9 8蹲起后t1与1/T

4 系统软件设计和实现

在前期基本完成了静息状态和2种运动状态下脉搏数据库的建立，并用于数据分析；并且实现了脉搏数据无线采集的硬件设备连接，在软件部分的主要设计思路是能够搭建起配合已有硬件设备的软件实现脉搏数据的采集、显示保存等基本功能，并且希望可以将数据分析的结果进行移植，实现对锻炼效果的智能评估。

软件部分的设计基于C#的功能实现，通过建立winform项目文件实现PuLse系统的设计。

在之前的数据分析的理论基础上，主界面的设计基本实现了与硬件设备的连接、数据传输、脉搏波检测、数据保存、锻炼效果评估等功能。

实际运行结果记录图10，系统会根据脉搏信号的特征给出相应的锻炼效果评估。

图10 运行结果记录

5 讨论

本文完成“一种基于脉搏信号的锻炼效果评估系统”，包含脉搏检测硬件设备以及与之配套使用的一款软件（命名为PuLse），可以实现无线脉搏波检测、心率值检测、锻炼效果评估以及给出简单的锻炼意见。但是该项目也存在一些不足，在数据分析方面我们所做的大量工作并没有完全成功移植到最终的软件设计当中，如基于卷及神经网络进行时频图分类方面的分析效果不佳，在最终的锻炼效果评估中，理论支撑较为单一，应该进一步完善数据分析方面的内容并应用到最终的软件设计当中。在此基础上也可以进一步展望，如进一步扩展软件的其他功能，或者开发可应用于手机端的APP，或者可以开发更加小型和便携的脉搏测量设备，实现在运动状态下也可以进行脉搏监测等。