一種可穿戴快速運(yùn)動(dòng)強(qiáng)度檢測(cè)方法研究

韓子鵬，敖國(guó)政，吉長(zhǎng)東

?

一種可穿戴快速運(yùn)動(dòng)強(qiáng)度檢測(cè)方法研究

韓子鵬1，敖國(guó)政2,3，吉長(zhǎng)東4

針對(duì)現(xiàn)有運(yùn)動(dòng)強(qiáng)度檢測(cè)方法設(shè)備復(fù)雜和實(shí)時(shí)性不高的問(wèn)題，提出一種心電信號(hào)(electrocardiogram，ECG)與加速度信號(hào)相融合的可穿戴快速運(yùn)動(dòng)強(qiáng)度檢測(cè)方法。該方法通過(guò)可穿戴設(shè)備采集ECG，通過(guò)電腦進(jìn)行運(yùn)動(dòng)強(qiáng)度等級(jí)顯示。采用改進(jìn)中值濾波方法和小波包分解重構(gòu)方法分別去除ECG中的高頻噪聲和基線漂移。結(jié)合加速度信號(hào)，提出一種ECG特征向量融合計(jì)算方法。通過(guò)支持向量機(jī)(Support Vector Machine，SVM)進(jìn)行運(yùn)動(dòng)強(qiáng)度等級(jí)分類。實(shí)驗(yàn)結(jié)果表明，可穿戴快速運(yùn)動(dòng)強(qiáng)度檢測(cè)方法可以有效地進(jìn)行運(yùn)動(dòng)強(qiáng)度檢測(cè)，并且同Actigraph wGT3X-BT運(yùn)動(dòng)強(qiáng)度檢測(cè)方法和傳統(tǒng)ECG運(yùn)動(dòng)強(qiáng)度檢測(cè)方法相比，實(shí)時(shí)性更高。

可穿戴設(shè)備；心電信號(hào)；加速度信號(hào)；信號(hào)融合；運(yùn)動(dòng)強(qiáng)度

近年來(lái)，在日常體育鍛煉或者職業(yè)比賽中，普通民眾與專業(yè)運(yùn)動(dòng)員的運(yùn)動(dòng)猝死事件不斷發(fā)生，多數(shù)原因在于突發(fā)性運(yùn)動(dòng)強(qiáng)度過(guò)大或者條件性運(yùn)動(dòng)強(qiáng)度不適宜等原因引起[1]。有研究表明，一定強(qiáng)度的規(guī)律鍛煉可以有效地改善人體心血管功能，并減少心血管疾病引起的猝死事件的發(fā)生[3,5]。運(yùn)動(dòng)強(qiáng)度作為運(yùn)動(dòng)過(guò)程中猝死事件發(fā)生的主要誘因，具有重要研究意義。

為了實(shí)現(xiàn)正常運(yùn)動(dòng)條件下運(yùn)動(dòng)強(qiáng)度檢測(cè)的目的。本研究采用價(jià)格低、尺寸小和佩戴方便的可穿戴設(shè)備進(jìn)行運(yùn)動(dòng)強(qiáng)度檢測(cè)，該設(shè)備集成加速度計(jì)和ECG數(shù)據(jù)采集功能。將可穿戴設(shè)備與電腦端組成運(yùn)動(dòng)強(qiáng)度檢測(cè)平臺(tái)?？纱┐髟O(shè)備進(jìn)行ECG數(shù)據(jù)采集和運(yùn)動(dòng)強(qiáng)度等級(jí)判斷，電腦端進(jìn)行運(yùn)動(dòng)強(qiáng)度等級(jí)結(jié)果顯示(圖1)。

圖 1 運(yùn)動(dòng)強(qiáng)度檢測(cè)平臺(tái)Figure 1. Exercise Intensity Detection Platform

針對(duì)該平臺(tái)，本文提出一種心電信號(hào)(ECG)與加速度信號(hào)相融合的可穿戴快速運(yùn)動(dòng)強(qiáng)度檢測(cè)方法。該方法采用改進(jìn)中值濾波算法和小波包分解與重構(gòu)算法去除ECG中噪聲。通過(guò)減少排序次數(shù)對(duì)中值濾波算法進(jìn)行改進(jìn)，減少去噪運(yùn)算時(shí)間。結(jié)合加速度信號(hào)，提出融合計(jì)算方法。通過(guò)融合計(jì)算方法提取ECG中特征向量，提高特征向量計(jì)算速度。而后采用SVM分類器進(jìn)行3種運(yùn)動(dòng)強(qiáng)度等級(jí)分類，從而實(shí)現(xiàn)運(yùn)動(dòng)強(qiáng)度檢測(cè)。

1 研究對(duì)象與方法

1.1 研究對(duì)象

研究樣本包括50名年齡在22～27歲區(qū)間的大學(xué)生。其中，女生15人，男35人。將50人分成兩個(gè)25人小組，分別用A組與B組表示,并采用A組數(shù)據(jù)作為訓(xùn)練數(shù)據(jù)，B組數(shù)據(jù)作為測(cè)試數(shù)據(jù)。A組與B組研究樣本詳細(xì)信息如表1所示。

表 1 研究對(duì)象基本情況Table 1 The Details Information of Research Object

由于每個(gè)人對(duì)同一強(qiáng)度運(yùn)動(dòng)反應(yīng)時(shí)間會(huì)有不同。因此，在分組的過(guò)程中，盡量考慮測(cè)試者年齡、性別和體重等個(gè)體差異屬性給模型訓(xùn)練和測(cè)試帶來(lái)的不確定性，均勻分組。

1.2 研究方法

1.2.1 運(yùn)動(dòng)強(qiáng)度檢測(cè)平臺(tái)

本文所使用的可穿戴設(shè)備為生物電傳感器，重量?jī)H3 g，并集成心電采集功能(采樣頻率512 Hz)，3軸加速度運(yùn)動(dòng)傳感功能。該設(shè)備由控制器和傳感器兩部分構(gòu)成。如圖1所示，傳感器與控制器通過(guò)Zigbee連接(Zigbee傳輸速率250 kbps)，控制器與電腦通過(guò)連接USB(USB 2.0傳輸速率480 M/s)。

運(yùn)動(dòng)強(qiáng)度檢測(cè)平臺(tái)由兩部分構(gòu)成，一是負(fù)責(zé)數(shù)據(jù)采集和初步數(shù)據(jù)處理的可穿戴設(shè)備，二是負(fù)責(zé)運(yùn)動(dòng)強(qiáng)度等級(jí)判斷與結(jié)果顯示的電腦。通過(guò)佩戴于人體胸部的傳感器采集運(yùn)動(dòng)后人體心電數(shù)據(jù)并進(jìn)行去噪處理，通過(guò)Zigbee方式將去噪后的ECG傳輸給控制器，而后控制器通過(guò)USB將數(shù)據(jù)傳輸給電腦端，在電腦端進(jìn)行運(yùn)動(dòng)強(qiáng)度等級(jí)的判斷與結(jié)果顯示。

1.2.2 數(shù)據(jù)采集

測(cè)試者同時(shí)佩戴Actigraph wGT3X-BT設(shè)備[17]和可穿戴設(shè)備于前胸。Actigraph-wGT3X-BT提供能量代謝當(dāng)量數(shù)值，通過(guò)可穿戴設(shè)備采集ECG信號(hào)和加速度信號(hào)。Actigraph wGT3X-BT為人體運(yùn)動(dòng)能耗檢測(cè)儀，提供MET數(shù)據(jù)，MET為能量代謝當(dāng)量。

2 運(yùn)動(dòng)強(qiáng)度檢測(cè)

本文提出的ECG與加速度信號(hào)相融合的可穿戴快速運(yùn)動(dòng)強(qiáng)度檢測(cè)方法共分為3個(gè)步驟，分別為：ECG的去噪、ECG特征向量的融合計(jì)算和運(yùn)動(dòng)強(qiáng)度分類方法。首先，采用改進(jìn)的中值濾波算法與小波變換相結(jié)合去除ECG中的噪聲；其次，融合加速度信號(hào)計(jì)算ECG特征向量；最后，通過(guò)SVM進(jìn)行運(yùn)動(dòng)強(qiáng)度分類。

2.1 ECG去噪

ECG一般為0.5～75 Hz的低頻信號(hào)。但是在運(yùn)動(dòng)過(guò)程中，會(huì)伴隨肌肉收縮和抖動(dòng)產(chǎn)生的0～1 kHz高頻噪聲，還會(huì)出現(xiàn)由于運(yùn)動(dòng)偽跡和呼吸偽跡所引起的1 Hz左右的低頻噪聲(在本文中主要為基線漂移)。這兩種噪聲的存在導(dǎo)致ECG后續(xù)計(jì)算產(chǎn)生累計(jì)誤差。因此，本研究改進(jìn)中值濾波進(jìn)行高頻去噪，采用小波分解與重構(gòu)進(jìn)行基線漂移去除。設(shè)ECG為x(i)，i=1,2,3,m,x(i)為離散信號(hào)。

2.1.1 改進(jìn)中值濾波高頻去噪

在ECG中，由于可穿戴設(shè)備需要使用電極貼附在人體胸部肌肉上，避免不了運(yùn)動(dòng)過(guò)程中肌肉收縮或者舒張導(dǎo)致的脈沖類型肌電信號(hào)的出現(xiàn)。而使用中值濾波算法可以有效去除脈沖干擾和奇異點(diǎn)，并保留原始信號(hào)的細(xì)節(jié)特征。但是，傳統(tǒng)中值濾波算法需要在每個(gè)滑動(dòng)窗口中進(jìn)行二次排序，這點(diǎn)不利于可穿戴設(shè)備的實(shí)時(shí)計(jì)算。因此，采用1次窗口先入先刪和2次窗口二分查找的策略，減少傳統(tǒng)中值濾波算法排序次數(shù)，提高ECG去噪的實(shí)時(shí)性。

定義1：1次窗口，為未排序窗口；2次窗口，為已排序窗口但未刪除先入值；3次窗口，為已排序窗口并已刪除先入值。

改進(jìn)中值濾波算法：根據(jù)設(shè)定窗口大小，選擇滑動(dòng)窗口，稱為1次窗口。1次窗口在原始數(shù)據(jù)序列上進(jìn)行滑動(dòng)，并將1次窗口中數(shù)據(jù)進(jìn)行排序，形成2次窗口。輸出2次窗口中間位置數(shù)據(jù)值，作為本次滑動(dòng)輸出的中值。而后，將最先進(jìn)入1次窗口的值在2次窗口中進(jìn)行刪除，形成3次窗口。將滑動(dòng)窗口后的第一個(gè)數(shù)據(jù)直接輸入已經(jīng)排序好的3次窗口中，通過(guò)二分查找，確定新入數(shù)據(jù)位置，并輸出中值。經(jīng)過(guò)多次實(shí)驗(yàn)，本文選擇窗口長(zhǎng)度為5。這一長(zhǎng)度可同時(shí)滿足濾波效果并且提高可穿戴設(shè)備計(jì)算速度。

圖 2 改進(jìn)中值濾波數(shù)據(jù)處理過(guò)程Figure 2. The Data Processing of Improved Median Filtering

改進(jìn)中值濾波算法步驟：

Step1:設(shè)滑動(dòng)窗口的大小為m，對(duì)1次窗口內(nèi)數(shù)據(jù)按從小到大的順序進(jìn)行排序，形成2次窗口，如圖2中1次窗口到2次窗口過(guò)程所示。2次窗口為有序序列，輸出中間值。

Step2:在1次窗口中是最先進(jìn)入窗口序列中的元素，且在排序后的2次窗口序列中對(duì)應(yīng)元素，如圖2中2次窗口紅色箭頭所示。將從2次窗口中刪除，形成3次窗口，并且窗口向后滑動(dòng)一個(gè)數(shù)據(jù)位，如圖2中2次窗口到3次窗口過(guò)程。

Step3:在3次窗口中，使用二分查找法來(lái)確定新進(jìn)元素位置，并重復(fù)以上步驟。在Step3中的二分查找方法如下：

(a)如果xi+m

(b)如果xi+m>Se+1，在{Se+1,…,Sm}中，利用二分法尋找滿足條件Sj≤xi+m≤Sj+1的位置。

(c)如果Se-1≤xi+m≤Se+1，xi+m的插入到上一個(gè)排序后窗口序列中刪除的元素Se的位置。

2.1.2 小波包分解與重構(gòu)去噪

使用小波包去除ECG中的低頻噪聲基線漂移。小波變換[9,18]屬于空間和頻率的局部變換，即均值為0的小區(qū)域波形變換。它通過(guò)平移和伸縮等方式對(duì)小波信號(hào)進(jìn)行多尺度分析。小波包分解不但對(duì)高頻信號(hào)進(jìn)行分解，而且擅長(zhǎng)對(duì)低頻信號(hào)進(jìn)行細(xì)化。小波包可根據(jù)信號(hào)特性自適應(yīng)匹配頻帶與頻譜，分解尺度更準(zhǔn)確。小波包可以將ECG分進(jìn)行多層次分解，并且每一層均有低頻系數(shù)和高頻系數(shù)。而ECG的基線漂移為頻率較低的1Hz，存在于小波包分解后的低頻系數(shù)中。因此，通過(guò)將低頻系數(shù)中1Hz左右的分量置為0，而后再重構(gòu)ECG，完成小波變換的低頻去噪。

小波包變換二尺度方程為：

(1)

(2)

其中，當(dāng)n=0時(shí)，尺度函數(shù)為x0(i)=φ(i)，小波函數(shù)為x1(i)=ψ(i)。h0k和h1k為濾波器系數(shù)。

小波包系數(shù)遞推公式：

(3)

(4)

其中，l為遞推次數(shù)，j為尺度指標(biāo)。

小波包重構(gòu)公式：

(5)

其中，h為尺度函數(shù)φ(i)的低通濾波器，g為小波函數(shù)ψ(i)的高通濾波器。

本研究使用DB5小波，進(jìn)行7層分解。經(jīng)過(guò)多次實(shí)驗(yàn)，發(fā)現(xiàn)低頻系數(shù)A7與所使用可穿戴設(shè)備采集的ECG基線漂移頻率基本相同，因此，將A7置為0，并將其他層進(jìn)行重構(gòu)，得到去除基線漂移的ECG。如圖3所示，紅色線表示去除高頻噪聲后ECG，藍(lán)色線表示使用小波包去除基線漂移信號(hào)，黑色線為從ECG信號(hào)中分離出來(lái)的低頻噪聲基線。

圖 3 小波包去除基線漂移Figure 3. Remove Baseline Drift Via Wavelet Packet

2.2 ECG特征向量融合計(jì)算

目前，對(duì)ECG特征向量的計(jì)算一般為RR間期、QRS波群中R波峰值、PT間期和QT間期等。但是以上各種特征向量提取的前提需要準(zhǔn)確定位出QRS波群中R波峰值，P峰值和T峰值，并且同一次計(jì)算峰值定位中只能計(jì)算出最大峰值R，無(wú)法將次峰P或者T計(jì)算出來(lái)[10,15,20]。多次定位計(jì)算量大，無(wú)法在可穿戴設(shè)備中進(jìn)行應(yīng)用。

本研究提出一種結(jié)合加速度信號(hào)的ECG特征向量計(jì)算方法。采用的融合方法為特征級(jí)融合。通過(guò)Hilbert變換對(duì)ECG進(jìn)行包絡(luò)提取。計(jì)算與ECG同步加速度傳感器的合加速度。融合同步加速度傳感器合加速度值與ECG包絡(luò)信號(hào)，定位ECG包絡(luò)中的R峰位置。而后使用定積分計(jì)算相鄰兩波谷間包絡(luò)面積，并計(jì)算RR間期。

定義2：S=[α，β，τ]為特征級(jí)融合ECG特征向量，為運(yùn)動(dòng)強(qiáng)度分類提供分類器輸入?yún)?shù)。其中，α為包絡(luò)面積，β為R峰的峰值，τ為RR間期。

2.2.1 ECG的包絡(luò)提取

去噪后的ECG波形較為復(fù)雜，呈現(xiàn)多峰值多谷值的特點(diǎn)，如圖4中藍(lán)色曲線所示。通過(guò)幅值包絡(luò)的計(jì)算，簡(jiǎn)化信號(hào)的波形。包絡(luò)通常理解為解析信號(hào)的模，解析信號(hào)定義如下：

(6)

(7)

(8)

圖 4 融合計(jì)算特征向量Figure 4. Fusion Computing Feature Vector

2.2.2 合加速度計(jì)算

在時(shí)域范圍內(nèi)，計(jì)算離散信號(hào)x(i)的同步合加速度，如圖4中，黑色曲線所示。合加速度計(jì)算公式如下：

(9)

其中，A為合加速度值，x，y，z分別為3個(gè)軸向的加速度值。

2.2.3 特征向量的融合提取

可穿戴設(shè)備佩戴于使用者胸部，隨著運(yùn)動(dòng)強(qiáng)度的增加，使用者動(dòng)脈供氧需求會(huì)更大，心臟收縮幅度和頻率加快。同時(shí)，胸腔收縮和舒張幅度增大，導(dǎo)致佩戴在胸部的可穿戴設(shè)備合加速度增加。如圖4所示，在一個(gè)心動(dòng)周期內(nèi)，合加速度極大值只出現(xiàn)在包絡(luò)信號(hào)的收縮期，即存在于包含R峰的正包絡(luò)中。根據(jù)這個(gè)原理，將合加速度值與ECG包絡(luò)相結(jié)合，進(jìn)行特征級(jí)的特征向量融合提取。

對(duì)ECG包絡(luò)信號(hào)[12]與同步合加速度信號(hào)做一階向后差分，并求極大值與極小值。中極大值用表示，極小值用表示，合加速度極大值用表示。如圖4中所示，點(diǎn)為合加速度極大值點(diǎn)在中對(duì)應(yīng)點(diǎn)，離點(diǎn)最近的極大值點(diǎn)即為R峰，即點(diǎn)。定位判別公式：

(10)

在圖4中，b1和b2均為極大值，但是只有b1包絡(luò)區(qū)域內(nèi)對(duì)應(yīng)有合加速度最大值c1。因此，b1為R峰值點(diǎn)，而不是b2。

運(yùn)動(dòng)強(qiáng)度分類的特征向量為S=[α，β，τ]。選取R峰相鄰兩個(gè)極小值作為包絡(luò)面積的積分范圍，包絡(luò)面積α公式為：

R峰峰值公式：

(12)

RR間期計(jì)算公式：

(13)

2.3 運(yùn)動(dòng)強(qiáng)度分類方法

運(yùn)動(dòng)強(qiáng)度分類方法是可穿戴快速運(yùn)動(dòng)強(qiáng)度檢測(cè)方法的最后一步。運(yùn)動(dòng)強(qiáng)度分類方法采用SVM分類器作為不同運(yùn)動(dòng)強(qiáng)度分類判別機(jī)制。使用融合計(jì)算方法提取ECG特征向量，根據(jù)不同運(yùn)動(dòng)強(qiáng)度下的特征向量，對(duì)SVM分類器進(jìn)行訓(xùn)練，實(shí)現(xiàn)運(yùn)動(dòng)強(qiáng)度的等級(jí)劃分。

在可穿戴設(shè)備中，我們無(wú)需提供給使用者準(zhǔn)確的運(yùn)動(dòng)強(qiáng)度數(shù)值，但是需要提供給使用者當(dāng)前進(jìn)行運(yùn)動(dòng)的強(qiáng)度等級(jí)。本文將運(yùn)動(dòng)強(qiáng)度劃分3個(gè)等級(jí)，分別為低強(qiáng)度，中等強(qiáng)度和高強(qiáng)度。根據(jù)國(guó)家體育總局體育科學(xué)研究所頒布的運(yùn)動(dòng)強(qiáng)度等級(jí)劃分標(biāo)準(zhǔn)(表2)。低強(qiáng)度運(yùn)動(dòng)的MET值為3，中等強(qiáng)度運(yùn)動(dòng)的MET值為3到6，高強(qiáng)度運(yùn)動(dòng)MET值大于6。比如，根據(jù)Actigraph wGT3X-BT得到MET值，對(duì)照表2后，應(yīng)該為中等強(qiáng)度。同時(shí)計(jì)算ECG信號(hào)相關(guān)特征，作為特征向量輸入SVM中，進(jìn)行運(yùn)動(dòng)等級(jí)判斷。

表 2 運(yùn)動(dòng)強(qiáng)度等級(jí)劃分標(biāo)準(zhǔn)Table 2 The Standards of Exercise Intensity(MET)

SVM多分類構(gòu)建[16，21]：由于SVM對(duì)最初作為二分類器出現(xiàn)，多分類效果不佳。本文采用兩兩分類的投票方法，將SVM分類器改為多分類分類器。經(jīng)過(guò)多次實(shí)驗(yàn)，選擇徑向基函數(shù)(Radial Basis Function,RBF)作為SVM分類的核函數(shù)，γ值設(shè)為1，懲罰因子系數(shù)為2。

運(yùn)動(dòng)強(qiáng)度分類方法如圖5所示。通過(guò)可穿戴設(shè)備同時(shí)采集ECG與加速度信號(hào)，結(jié)合加速度信號(hào)根據(jù)融合計(jì)算方法對(duì)去噪后的ECG進(jìn)行包絡(luò)面積，R峰值和RR間期等特征向量的提取。將ECG特征向量作為訓(xùn)練數(shù)據(jù)輸入SVM分類器中，得到具有運(yùn)動(dòng)強(qiáng)度3個(gè)等級(jí)特性的分類器。而后，將測(cè)試數(shù)據(jù)輸入到訓(xùn)練好的SVM分類器中，進(jìn)行低強(qiáng)度運(yùn)動(dòng)，中等強(qiáng)度運(yùn)動(dòng)和高強(qiáng)度運(yùn)動(dòng)的區(qū)分。

圖 5 運(yùn)動(dòng)強(qiáng)度分類方法Figure 5. Exercise Intensity Classification Method

3 實(shí)驗(yàn)驗(yàn)證與分析

3.1 運(yùn)動(dòng)強(qiáng)度檢測(cè)有效性驗(yàn)證

為了評(píng)估本文提出方法的有效性，采用準(zhǔn)確率、誤判率和漏檢率等3個(gè)指標(biāo)來(lái)衡量本文提出算法的有效性。

準(zhǔn)確率為運(yùn)動(dòng)強(qiáng)度檢測(cè)算法在測(cè)試數(shù)據(jù)人員測(cè)試過(guò)程中，正確分類當(dāng)前人員運(yùn)動(dòng)等級(jí)的比率。誤判率為運(yùn)動(dòng)強(qiáng)度檢測(cè)算法在測(cè)試數(shù)據(jù)人員測(cè)試過(guò)程中，錯(cuò)誤分類當(dāng)前人員運(yùn)動(dòng)等級(jí)的比率。漏檢率為運(yùn)動(dòng)強(qiáng)度檢測(cè)算法在測(cè)試數(shù)據(jù)人員測(cè)試過(guò)程中，沒(méi)有判斷出運(yùn)動(dòng)等級(jí)次數(shù)的比率。設(shè)正確分類每個(gè)人當(dāng)前運(yùn)動(dòng)的強(qiáng)度等級(jí)次數(shù)為，錯(cuò)誤分類每個(gè)人當(dāng)前運(yùn)動(dòng)強(qiáng)度等級(jí)次數(shù)為，漏檢分類次數(shù)為，則準(zhǔn)確率計(jì)算公式為：

(14)

那么，誤判率和漏檢率公式分別為：

(15)

(16)

實(shí)驗(yàn)過(guò)程：測(cè)試人員先進(jìn)行5～8 mins的不同速度跑步，運(yùn)動(dòng)后立刻進(jìn)行2 mins采集。按照3 km/h速度跑步，4 km/h速度跑步和5 km/h速度跑步3種不同速度設(shè)為1組實(shí)驗(yàn)，訓(xùn)練數(shù)據(jù)小組每人進(jìn)行1組實(shí)驗(yàn)，測(cè)試數(shù)據(jù)小組每人進(jìn)行3組實(shí)驗(yàn)。對(duì)50人進(jìn)行不同速度的跑步運(yùn)動(dòng)測(cè)試，測(cè)試者和測(cè)試內(nèi)容詳細(xì)信息如表3所示。該測(cè)試同時(shí)使用Actigraph wGT3X-BT與可穿戴設(shè)備，Actigraph wGT3X-BT提供MET數(shù)據(jù)，可穿戴設(shè)備提供ECG數(shù)據(jù)與加速度數(shù)據(jù)。

表 3 測(cè)試對(duì)象與測(cè)試內(nèi)容詳細(xì)信息Table 3 The Details Information of Test Object and Test Content

如表4所示，為測(cè)試數(shù)據(jù)小組在3 km/h速度跑步，4 km/h速度跑步和5 km/h速度跑步情況下的準(zhǔn)確率，誤判率和漏判率對(duì)照表。每個(gè)人在同一速度下進(jìn)行3組測(cè)試。因此，同一速度下，總測(cè)試次數(shù)為25×3=75次。25人的3組實(shí)驗(yàn)的可穿戴運(yùn)動(dòng)強(qiáng)度檢測(cè)方法準(zhǔn)確率、誤判率和漏判率分別為95.8%，2.78%和4.17%。

表 4 不同速度下運(yùn)動(dòng)強(qiáng)度有效性評(píng)估Table 4. The Validity Evaluation of Exercise Intensity with Different Speeds (%)

從表4中可以看出，隨著跑步速度的提高，準(zhǔn)確率越來(lái)越高，誤判率和漏判率逐漸減少到?jīng)]有。從而說(shuō)明可穿戴快速運(yùn)動(dòng)檢測(cè)方法對(duì)高強(qiáng)度運(yùn)動(dòng)檢測(cè)更敏感，但是低強(qiáng)度運(yùn)動(dòng)準(zhǔn)確率也可以達(dá)到91.6%，屬于可以接受范圍。因此，本文提出算法的可以進(jìn)行有效的運(yùn)動(dòng)強(qiáng)度檢測(cè)。

3.3 運(yùn)動(dòng)強(qiáng)度檢測(cè)實(shí)時(shí)性驗(yàn)證

為了對(duì)本文提出運(yùn)動(dòng)強(qiáng)度檢測(cè)方法實(shí)時(shí)性進(jìn)行評(píng)價(jià)，將本文提出方法與Actigraph wGT3X-BT運(yùn)動(dòng)強(qiáng)度檢測(cè)和傳統(tǒng)方法ECG運(yùn)動(dòng)強(qiáng)度檢測(cè)進(jìn)行對(duì)比。Actigraph wGT3X-BT運(yùn)動(dòng)強(qiáng)度檢測(cè)計(jì)算從采集到計(jì)算出MET值為止，人為根據(jù)MET值進(jìn)行運(yùn)動(dòng)強(qiáng)度判斷。傳統(tǒng)方法ECG運(yùn)動(dòng)強(qiáng)度檢測(cè)為在本文運(yùn)動(dòng)強(qiáng)度檢測(cè)平臺(tái)上未改進(jìn)去噪和特征點(diǎn)計(jì)算方法的運(yùn)動(dòng)強(qiáng)度檢測(cè)方法，簡(jiǎn)稱傳統(tǒng)運(yùn)動(dòng)檢測(cè)方法。

本文通過(guò)減少排序次數(shù)改進(jìn)中值濾波算法，降低高頻去噪計(jì)算時(shí)間。通過(guò)特征級(jí)融合計(jì)算方法提取ECG特征向量，減少多次計(jì)算提取參數(shù)時(shí)間和向量維數(shù)。根據(jù)本文運(yùn)動(dòng)強(qiáng)度檢測(cè)原理可知，可穿戴運(yùn)動(dòng)強(qiáng)度檢測(cè)方法總耗時(shí)為數(shù)據(jù)采集時(shí)間，數(shù)據(jù)由傳感器傳輸給控制時(shí)間，制器傳輸?shù)诫娔X的時(shí)間，ECG去噪時(shí)間，特征向量提取時(shí)間和運(yùn)動(dòng)強(qiáng)度分類時(shí)間的總和，則單次運(yùn)動(dòng)強(qiáng)度檢測(cè)總執(zhí)行時(shí)間為：

T=T1+T2+T3+T4+T5+T6

(17)

其中，T為單次運(yùn)動(dòng)強(qiáng)度檢測(cè)總執(zhí)行時(shí)間，單位s，計(jì)算從ECG采集到得到運(yùn)動(dòng)強(qiáng)度結(jié)果為止的時(shí)間。T1=120s為采集數(shù)據(jù)時(shí)間，T2數(shù)據(jù)由傳感器傳輸給控制時(shí)間，T3為控制器傳輸?shù)诫娔X時(shí)間，T4為ECG去噪時(shí)間，T5為特征向量提取時(shí)間，T6為運(yùn)動(dòng)強(qiáng)度分類時(shí)間。

在3.1節(jié)中，總共進(jìn)行了25+25×3=100組，共300次實(shí)驗(yàn)。圖6為在不同跑步速度下3種方法實(shí)時(shí)性計(jì)算結(jié)果。其中，紅色為可穿戴快速運(yùn)動(dòng)強(qiáng)度檢測(cè)方法實(shí)時(shí)性，藍(lán)色為Actigraph wGT3X-BT運(yùn)動(dòng)強(qiáng)度檢測(cè)方法實(shí)時(shí)性，綠色為傳統(tǒng)運(yùn)動(dòng)檢測(cè)方法實(shí)時(shí)性。

圖 6 不同速度下個(gè)體運(yùn)動(dòng)強(qiáng)度檢測(cè)總執(zhí)行時(shí)間Figure 6. The Total Execution Time of Individual Exercise Intensity Detection with Different Speeds

從圖6中可以看出，在300次運(yùn)動(dòng)強(qiáng)度計(jì)算中，可穿戴快速運(yùn)動(dòng)強(qiáng)度檢測(cè)方法整體實(shí)時(shí)性要比傳統(tǒng)運(yùn)動(dòng)檢測(cè)方法實(shí)時(shí)性要高。與Actigraph wGT3X-BT運(yùn)動(dòng)強(qiáng)度檢測(cè)方法相比，整體實(shí)時(shí)性差距不大。但是Actigraph wGT3X-BT運(yùn)動(dòng)強(qiáng)度檢測(cè)方法無(wú)法自動(dòng)得出運(yùn)動(dòng)等級(jí)劃分，需要人工干預(yù)進(jìn)行判斷，而且這部分時(shí)間無(wú)法進(jìn)行詳細(xì)計(jì)算。

圖6中，藍(lán)色直線為可穿戴快速運(yùn)動(dòng)強(qiáng)度檢測(cè)方法實(shí)時(shí)性平均值134.13 s，綠色直線為Actigraph wGT3X-BT運(yùn)動(dòng)強(qiáng)度檢測(cè)方法實(shí)時(shí)性平均值141.85 s，紅色直線為傳統(tǒng)運(yùn)動(dòng)檢測(cè)方法實(shí)時(shí)性平均值157.12 s。在本文實(shí)驗(yàn)平臺(tái)下，可穿戴快速運(yùn)動(dòng)強(qiáng)度檢測(cè)方法可達(dá)到實(shí)時(shí)性平均值比傳統(tǒng)方法提高17%，比Actigraph wGT3X-BT運(yùn)動(dòng)強(qiáng)度檢測(cè)方法提高5.6%。除去采集數(shù)據(jù)時(shí)間120 s，計(jì)算時(shí)間只有15 s左右。說(shuō)明可穿戴快速運(yùn)動(dòng)強(qiáng)度檢測(cè)方法在本文使用的可穿戴設(shè)備平臺(tái)上，可以實(shí)現(xiàn)快速準(zhǔn)確的運(yùn)動(dòng)強(qiáng)度等級(jí)判定。

4 結(jié)論

本研究針對(duì)運(yùn)動(dòng)強(qiáng)度檢測(cè)具體應(yīng)用，采用可采集ECG與加速度信號(hào)的可穿戴設(shè)備進(jìn)行運(yùn)動(dòng)強(qiáng)度檢測(cè)。并在該設(shè)備搭建環(huán)境下，提出一種可穿戴快速運(yùn)動(dòng)強(qiáng)度檢測(cè)方法。該方法通過(guò)減少數(shù)據(jù)排序次數(shù)，降低去噪時(shí)間。通過(guò)融合加速度數(shù)據(jù)，減少ECG特征向量計(jì)算數(shù)量，提高特征向量提取效率。采用SVM分類器，構(gòu)建運(yùn)動(dòng)強(qiáng)度檢測(cè)模型。

實(shí)驗(yàn)結(jié)果表明，從有效性方面，通過(guò)不同跑步速度下進(jìn)行運(yùn)動(dòng)強(qiáng)度檢測(cè)，得到準(zhǔn)確率均值95.8%，誤判率均值2.78%和漏查率均值4.17%。從實(shí)時(shí)性方面，本方法與Actigraph wGT3X-BT運(yùn)動(dòng)強(qiáng)度檢測(cè)方法(需要人工干預(yù))和傳統(tǒng)運(yùn)動(dòng)檢測(cè)方法相比，實(shí)時(shí)性分別提高5.6%和17%，并且無(wú)需人工干預(yù)。可穿戴快速運(yùn)動(dòng)強(qiáng)度檢測(cè)方法的提出，為快速、便捷的運(yùn)動(dòng)強(qiáng)度檢測(cè)提出一種低成本解決方案。

[1]高曉嶙.我國(guó)人群運(yùn)動(dòng)猝死及預(yù)防[J].中國(guó)心臟起搏與心電生理雜志，2015，29(2)：95-98.

[2]胡國(guó)鵬，馮魏，馮剛，等.不同運(yùn)動(dòng)模式下耗氧量動(dòng)力特征參數(shù)關(guān)系研究[J].體育科學(xué)，2015，35(11)：45-51.

[3]馬繼政，孫飆，呂遠(yuǎn)遠(yuǎn).運(yùn)動(dòng)性猝死預(yù)防及篩查策略[J].中國(guó)體育科技，2008，44(5)：103-107.

[4]唐健，李敏華.運(yùn)動(dòng)強(qiáng)度生理負(fù)荷的檢測(cè)及其應(yīng)用[J].中國(guó)組織工程研究，2012，16(20)：3784-3788.

[5]嚴(yán)翊，王正珍，謝敏豪.運(yùn)動(dòng)與心血管風(fēng)險(xiǎn)[J].北京體育大學(xué)學(xué)報(bào)，2013，36(8)：40-66.

[6]張旭，馬祖長(zhǎng)，徐超，等.基于跑步機(jī)的青少年男性人群心、肺耐力間接測(cè)量方法[J].體育科學(xué)，2013，33(8)：50-56.

[7]朱琳，陳佩杰.應(yīng)用ROC曲線確定活動(dòng)計(jì)數(shù)在青春期少年運(yùn)動(dòng)強(qiáng)度診斷中的最佳臨界值[J].體育科學(xué)，2012，32(11)：70-75.

[8]朱琳，陳佩杰.運(yùn)用受試者工作特征曲線對(duì)不同運(yùn)動(dòng)強(qiáng)度的心率變化率最佳臨界點(diǎn)的研究[J].中國(guó)運(yùn)動(dòng)醫(yī)學(xué)雜志，2014，31(1)：17-21.

[9]ALEJANDRO A,DAVID S I,MIREIA C，etal.A wavelet-based electrogram onset delineator for automatic ventricular activation mapping[J].IEEE Engineer Med Biol Soc，2014,61(12)：2830-2839.

[10]EBADOLLAH K R，ROBERTO S.A signal decomposition mo-delbased bayesian framework for ECG components separation[J].IEEE Transact Signal Process，2016，64(3)：665-674.

[11]GUO X M,DING X,LEI M,etal.Non-invasive monitoring and evaluating cardiac function of pregnant women based on a relative value method[J].Acta Physiologica Hungarica,2012,99(4):382-391.

[12]HYEJUNG K,SUNYOUNG K,NICK V H,etal.A Configurable and low-power mixed signal soc for portable ECG monitoring applications[J].IEEE Transact Biomed Circuits Systems，2014，8(2)：257-267.

[13]INGER L A,SIV H F,TRINE K L.Does rating of perceived exertion result in target exercise intensityduring interval training in cardiac rehabilitation? A study of the Borg scale versus a heart rate monitor[J].J Sci Med Sport，2014，17：541-545.

[14]IGOR P,GREGORIJ K,GREGOR S.Recognizing the intensity of strength training exercises with wearable sensors[J].J Biomed Informatics，2015，58：145-155.

[15]NASSIM R，HAMIDREZA R D，REZA L，etal.A level-crossing based QRS-Detection algorithm for wearable ECG sensors[J].IEEE J Biomed Health Informatics，2014,18(1):183-192.

[16]SAUPTIK D,VLADIMIR C.Development and evaluation of cost-sensitive universum-SVM[J].IEEE Transact Cybernetics，2015，45(4)：806-818.

[17]SASAKI J E,JOHN D,FREEDSON P S.Validation and comparison of ActiGraph activity monitors[J].J Sci Med Sport，2011，14(5)：411-416.

[18]SHARMA L N，TRIPATHY R K，DANDAPAT S.Multiscale energy and eigenspace approach to detection and localization of myocardial infarction[J].IEEE Transact Biomed Engineer，2015,62(7):1827-1837.

[19]TIMOTHY P,WENDY B,STEWART T O.Accelerometer validity and placement for detection of changes in physical activity in dogs under controlled conditions on a treadmill[J].Res Veterinary Sci，2012，93：412-416.[20]YAO Z,JUN H,SIZHONG X,etal.An energy-efficient design for ECG recording and R-Peak detection based on wavelet transform[J].IEEE Transact Signal Process，2015，62(2)：119-123.[21]YINGZHONG S,FU L C,SHITONG W.An improved TA-SVM method without matrix inversion and its fast implementation for nonstationary datasets[J].IEEE Transact Neural Networks Learn Systems，2015，26(9)：2005-2018.

[22]YOSUKE K,KAJIRO W，MITSURU Y.Estimation of Walking Exercise Intensity Using 3-D Acceleration Sensor[J].IEEE Transrions Systems,Man Cybernetics，2012，42(2)：495-500.

Research of a Rapid Exercise Intensity Detection for Wearable Devices

HAN Zi-peng1,AO Guo-zheng2,3,JI Chang-dong4

This paper presents a rapid exercise intensity detection method based on wearable device for complex equipment of existing exercise intensity detection and low real-time.This method fusion the ECG signal and acceleration signal.The method collects ECG signal via wearable devices and shows exercise intensity level on the computer screen.With the improved median filtering method and wavelet packet decomposition reconstruction method,respectively,remove the high frequency noise and baseline drift in the ECG signal.Combination of acceleration signal,this paper puts forward a kind of ECG characteristic vector fusion calculation method.Exercise intensity by the SVM classification.Experimental results show that the wearable fast exercise intensity detection method can effective exercise intensity detection.Compared with Actigraph wGT3X-BT exercise intensity detection method and the traditional ECG exercise intensity detection method,wearable fast exercise intensity detection method has higher real-time performance.

wearabledevices;ECGsignal;accelerationsignal;signalfusion;exerciseintensity

1002-9826(2016)06-0115-07

10.16470/j.csst.201606018

2016-03-07；

2016-07-01

測(cè)繪工程專業(yè)國(guó)家綜合改革試點(diǎn)項(xiàng)目(ZG0088)；國(guó)家海洋局海域管理技術(shù)重點(diǎn)實(shí)驗(yàn)室基金項(xiàng)目(201408)。

韓子鵬(1982-)，男，滿族，吉林洮南人，講師，碩士，主要研究方向?yàn)檫\(yùn)動(dòng)訓(xùn)練學(xué)，E-mail:56860089@qq.com；敖國(guó)政(1987-)，男，滿族，遼寧錦州人，碩士，主要研究方向?yàn)樾盘?hào)處理應(yīng)用，E-mail:466572218@qq.com；吉長(zhǎng)東(1970-)，男，遼寧錦州人，教授，博士，主要研究方向?yàn)楦呔菺NSS數(shù)據(jù)處理，E-mail:wn1529@126.com。

1.吉林化工學(xué)院 體育教學(xué)部，吉林 吉林 132022；2.遼寧工業(yè)大學(xué) 電子與信息工程學(xué)院，遼寧 錦州 121001；3.錦州大筆架山特別保護(hù)區(qū)管理局 遼寧 錦州 121007；4.遼寧工程技術(shù)大學(xué) 測(cè)繪與地理科學(xué)學(xué)院，遼寧 阜新 125105 1.Jilin Institute of Chemical Technology,Jilin 132022,China；2.Liaoning University of Technology,Jinzhou 121001,China；3.Jinzhou Large Bijia Mountain Special Reserve Authority,Jinzhou 121007,China；4.Liaoning Technical University,Fuxin 125105,China.

G804.49

A