54、基于心率变异性分析的移动疲劳评估平台

基于心率变异性分析的移动疲劳评估平台

1. 引言

健康监测移动系统在健身中心、诊所，甚至工作和生活场所都越来越受欢迎。这类系统的使用者涵盖了老年人、患者、运动员等人群。电子远程健康监测系统有时能够取代传统的医疗保健方法。基于物联网（IoT）的智能健康监测系统可以通过互联网自动连接并共享信息。

每年，低成本的消费级心电图（ECG）和心率（HR）记录设备在消费市场的使用愈发广泛。通过物联网、智能可穿戴设备和体域网（BAN）可以收集大量数据，并将其用于众多电子健康和福祉应用，如工作场所人体工程学、癫痫发作检测、慢性病远程监测、活动识别、抑郁监测以及疲劳检测等。

不过，收集到的数据虽然对评估人体状况非常有用，但仍需要有效的计算智能算法来近乎实时地提取有用信息。通常，消费者希望能即时了解自己的状态和健康趋势。同时，开发自动化专家系统来协助专业人员和非专业用户分析生理数据，对于现实世界的电子健康应用至关重要。智能多模态接口、建模和数据挖掘技术的集成应确保所开发的系统既舒适又有效。此外，动态和个人的日常生活活动对人体健康状况也很重要。遗憾的是，在日常生活活动中近乎实时地分析人体生命信号仍然是一项相当复杂的任务。虽然可以在日常生活中记录生命信号，但在做出决策之前，拥有可靠的信号至关重要。

心电图（ECG）和心率变异性（HRV）分析由于其应用简单，通常被用作筛查各种心脏病的有用工具。不过，咨询专家进行筛查成本高且等待时间长。可靠的监测系统价格在3000至5000欧元之间，而像Polar这样的优质智能手表仅需50欧元左右，但需要对信号进行高级分析。

由于疲劳的复杂性，其测量通常采用多维度方法，而非单一问题（如“你累了吗？”）。这些多维度测量基于日常活动、心理和身体表现以及其他相关特征来评估疲劳程度。其中一个特征就是心率变异性（HRV），它被广泛用于不同类型的疲劳估计。

2. 材料与方法

2.1 HRV参数与疲劳

HRV可以在时域和频域进行分析。在时域中，可以使用心率的标准偏差等全局描述性统计量。在频域中，需要将心率建模为周期性模式，通过功率谱密度提取特定频率。然后可以通过计算频谱密度函数下的面积来量化某些频段（如低频和高频区域）的频谱功率。数据处理程序可能包括初步处理，如伪影消除、峰间间隔提取和周期性心率调整。

除了传统的时域和频域分析，还可以使用非线性Poincare图分析。Poincare图参数易于计算，与散点图的“宽度”相关。可以推测，它们可用于指示疲劳和/或防止过度训练。关于HRV的信息通常通过线性方法（如功率谱分析）获得。然而，许多关于HRV的研究表明，RR间隔以非常复杂的方式波动，呈现出非线性过程的模式。由于这些非线性成分，RR间隔时间序列信号不能使用线性技术（如频谱分析）进行适当评估。HRV的Poincare图是一种非线性方法，其中每个RR间隔作为前一个间隔的函数绘制，它允许计算心脏动力学的变化和趋势。

Poincare图通过图形方式定性地表示记录中包含的RR变化类型，为RR数据提供了有用的视觉联系。对于运动员来说，Poincare图分析也是一种相当流行的评估方法。对于大数据，也可以使用机器学习方法。这种方法适用于可穿戴设备收集的各种类型和水平的体育活动数据，以及不同身体状况的人群。

主要缺点是需要平稳信号，并且HRV信号不能使用线性技术进行适当评估，特别是在短期记录期间。Poincare图方法是一种非线性技术，图的单一形状可用于将信号分类为各种疾病类别或指示长时间运动后的疲劳，这在当前研究中也很重要。此外，最近的一项研究表明，在疲劳诱导任务过程中，低频成分减少，而高频成分增加。有研究表明，即使在主观症状没有明显变化的情况下，也可以通过心率变异性分析评估自主神经活动，客观地识别产后疲劳状态。

在评估运动员疲劳的工具中，心率变异性（HRV）分析提供了对心脏活动自主控制设置的间接评估。长期、致残性疲劳是慢性疲劳综合征（CFS）的标志。本研究结果表明，HRV可能是衡量慢性病适应能力的重要指标。虽然HRV分析等方法在检测认知和身体疲劳方面显示出潜力，但识别不同的体育活动似乎对于提高检测的准确性和稳健性是必要的。这种稳健性在诊断慢性疲劳时尤为重要。

2.2 R峰查找算法

ECG信号分析是诊断和检测许多心脏疾病的重要任务。ECG信号由线性和非线性成分组成，非线性成分在正常和异常心跳之间有显著变化。ECG分析的良好性能主要取决于对R波、QRS复合波以及T波和P波的准确可靠检测。ECG信号分析的第一步是R波检测、RR间隔估计和心跳分割为逐跳间隔。逐跳间隔序列是分析心率变异性（HRV）的主要标准。

肌电图（EMG）是由于随机肌肉收缩产生的高频噪声，而基线漂移是由于身体突然移动和呼吸产生的低频噪声。高阶谱累积量被发现是一种有效的工具，能够在非线性数据分析中抑制具有未知频谱特征的高斯噪声。已经提出了几种用于EMG分解任务的算法。一些算法速度快，但准确性低，无法减少叠加和干扰。其他算法，如冗余离散小波变换、在阈值处理中集成火脉冲列车自动机的算法或任何其他形态滤波器，计算量大，因此速度慢，不适合用于疲劳识别的长时间ECG信号记录。为了在分析噪声EMG测量时在速度和准确性之间取得可接受的平衡，选择了多分辨率Teager能量算子算法（MTEO）作为R峰检测算法。

Teager能量算子（TEO）主要反映瞬时频率和信号幅度的变化，对小信号变化非常敏感。离散时间信号x(n)在时域中的非线性能量为：
[x(n) = A \cos(\Omega n + \varphi)]
其中(\Omega = 2\pi f/f_s)，(\varphi)是初始相位角，(f_s)是采样频率，(f)是频率，(A)是记录的幅度。如果(T)定义为采样率，(k)是一个称为滞后参数的任意整数，则TEO的一般形式可以表示为：
[Y_n(nT) = x^2(nT) - x(nT - kT)x(nT + kT)]
其中(k)的选择基于要搜索的尖峰的周期。

如果(Y_i(nT))用大小为(4k + 1)的汉明窗平滑后定义为(\hat{Y} i(nT))，则MTEO的最终输出(t(nT))可以表示为：
[t(nT) = \max {i = 1:k} \hat{Y}_i(nT)]
这个最终表达式用于检测ECG信号中的R波峰。该算法通过使用基准点检测方法而不是处理整个信号，实现了快速处理速度。这在实时信号分析和疲劳估计中非常重要。MTEO算法也可以处理由于在体育活动期间记录ECG而产生的具有巨大基线漂移的信号。

2.3 Poincare图与参数

要理解心率，首先要知道最有信息量的指标不仅依赖于心率，还依赖于心率的变化（HRV）。较高的心率变异性与良好的健康状况相关，因为心脏跳动越不稳定，人就越有准备行动。而低HRV则与疾病相关。心率变异性可以用不同的方式表示。其中一种最流行的指标是均方根标准差（RMSSD），可以表示为：
[RMSSD = \sqrt{\frac{1}{n - 1} \sum_{i = 1}^{n} (RR_{i + 1} - RR_i)^2}]
其中(RR_1, RR_2, \cdots, RR_n)是按顺序列出的RR间隔。尽管使用这种技术已经获得了相当不错的结果，但它似乎只能提供关于ECG信号的有限信息，因为它忽略了潜在的非线性信号动态。

Poincare映射是一种基于非线性动力学理论的技术，特别适用于检查表现出周期性行为的系统的稳定性。Poincare图是一种可以分析短期和长期记录的技术。它可以用两种不同的方式表达：一种是视觉技术，人类眼睛可以识别模式；另一种是定量技术，引入各种参数来量化Poincare图中包含的信息。典型的Poincare图是将RR间隔(RR_i)绘制在x轴上，(RR_{i + 1})间隔绘制在y轴上，这意味着图中的每个点对应两个连续的RR间隔。通常，Poincare图的形状是围绕恒等线（LoI）的细长点云，通常呈椭圆形。垂直于LoI的椭圆短轴与标准差(SD1)相同，代表短期变异性（即HRV的快速变化）。长轴（定义为(SD2)）代表长期变异性。

(SD1)和(SD2)可以估计如下，其中(\text{Var}(x))是(x)的方差：
[SD1 = \sqrt{\text{Var}(x_1)}]
[SD2 = \sqrt{\text{Var}(x_2)}]
[x_1 = \frac{RR_{i + 1} - RR_i}{\sqrt{2}}]
[x_2 = \frac{RR_{i + 1} + RR_i}{\sqrt{2}}]
然而，需要将椭圆旋转(\theta = \frac{\pi}{4})角度，最终表达式如下：
[\begin{bmatrix} x_1 \ x_2 \end{bmatrix} = \begin{bmatrix} \cos \theta & -\sin \theta \ \sin \theta & \cos \theta \end{bmatrix} \begin{bmatrix} RR_i \ RR_{i + 1} \end{bmatrix}]
通常的做法是绘制一个以(SD1)和(SD2)为轴、以(\overline{RR_i})和(\overline{RR_{i + 1}})为中心的椭圆（上划线表示均值向量）。此外，还定义了参数(SDRR)，它反映了Poincare图测量的总变异性：
[SDRR = SD1 \cdot SD2]

2.4 伪影检测与异常值

RR间隔中主要存在两种伪影类型，在示例中可以明显看到。来自异位搏动或缺失/误读QRS复合波的伪影只会在信号中产生向上或向下的尖峰。观察到三种伪影检测方法，它们通过对检测到的伪影进行样条插值来形成校正后的信号数据点。这三种函数中的每一种都对特定的伪影有效。

以下是不同伪影检测方法的特点：
- Percentage滤波器函数 ：显示检测到的伪影最多，能够定位任何突然或急剧的RR间隔。
- Filter StdDev ：用于检测由与平均RR间隔的标准差距离定义的异位间隔。
- Median方法 ：作为一种脉冲抑制滤波器，具有阈值来划分异位间隔，并校正运动特定HRV记录中的高端和低端伪影。随机变量(x)长度为(N)、阈值为(s)的中值滤波器为：
[D(n) = \frac{|x(n) - \text{med}(x)|}{1.483 \cdot \text{med}{|x(n) - \text{med}(x)|}}]
如果(D(n) \leq s)，则不是异位；否则为异位。

3. 实验结果与讨论

3.1 伪影去除

研究中使用了两种类型的实验：为几名运动员进行的带有休息和恢复阶段的长时间训练课程（协议和伪影去除示例如图3所示）以及一些特殊运动的可重复模块。

受试者	总RR计数	StdDev函数异常值计数	百分比函数异常值计数	中位数函数异常值计数	所有函数一起异常值计数
A	697	10	61	17	63
B	735	4	34	4	34
C	812	2	44	0	44
D	879	11	36	14	36
E	756	14	59	15	60
F	877	1	10	0	10

同一受试者按顺序进行多个练习，仅记录活跃阶段的ECG。进一步比较了RR间隔预处理滤波器在4种不同练习中的应用效果。使用所有三种RR间隔预处理滤波器可获得最佳结果——最大程度地检测异常值。不过，除了A和E受试者外，百分比滤波器的表现与使用所有滤波器的效果相同。由于使用所有滤波器可能耗时较长，因此后续分析仅使用百分比RR滤波器。

示例数据分为5个阶段：准备阶段、低强度阶段、休息阶段、高强度阶段和恢复阶段。在图3(a)中，展示了使用小波去除伪影和去趋势后的RR间隔样本；图3(b)是ECG频谱图。运动强度越高，RR间隔值越低，这意味着心脏工作更快、更努力。频谱图显示了所有阶段ECG数据的噪声情况。可以注意到，S4阶段的噪声比其他阶段多，这是因为高强度运动通常会导致更多的肌肉运动，从而使电极接触不稳定。

3.2 Poincare分析

前面的部分表明，观察到的三种伪影滤波算法对非线性和频域分析结果都有影响。在后续分析中，将使用滤波后的RR数据以避免解释错误。

图4显示了训练课程中的心率变异性（此示例是在参与者处于休息阶段时获取的）。从图中椭圆的位置、点的分散程度和椭圆形状可以看出运动强度。此外，椭圆越扁平，代表心脏状况越差。参数(SD1)和(SD2)代表椭圆形状以及RR间隔的分散程度。

阶段	训练强度	SD1	SD2	SDRR	RMSSD
S1	训练前	0.010	0.111	0.086	0.015
S2	低强度运动	0.006	0.064	0.087	0.008
S3	休息时间	0.017	0.116	0.142	0.024
S4	高强度运动	0.007	0.088	0.078	0.011
S5	恢复时间	0.009	0.131	0.065	0.011

表2展示了不同训练阶段的心率变异性变化。估计参数以秒为单位。在这个例子中，参与者进行了深蹲（低强度运动）和跳蹲（高强度运动）。S1阶段显示出良好的心脏状况，点分散，这意味着心率变异性高。S3和S5阶段也有相同的趋势。而S2和S4阶段显示出有限的心率变异性。在休息时间，心脏恢复，(SDRR)增加，甚至比训练前更好（(SDRR_1 = 0.086 < 0.142 = SDRR_3)）。这意味着低强度运动后，HRV恢复到正常状态。然而，训练课程后的恢复时间，(SDRR)参数下降，心脏很难恢复到正常状态，这可以描述为疲劳。

为了观察疲劳对(SDRR)参数的影响，应该记录长时间的ECG信号，并在提取RR后进行比较。参与者在同一天依次进行运动时，所有RR间隔数据都进行了滤波。

综上所述，通过心率变异性分析，结合Poincare图和伪影去除等方法，可以有效地评估人体在不同运动阶段的疲劳状态，为开发移动疲劳评估系统提供了重要的依据。

3.3 综合分析与疲劳评估

综合前面的伪影去除和Poincare分析结果，可以构建一个更全面的疲劳评估体系。以下是具体的分析步骤和评估逻辑：

1. 数据预处理

   • 对采集到的ECG信号使用MTEO算法进行R峰检测，提取RR间隔数据。
   • 应用百分比滤波器对RR间隔数据进行伪影去除，以获得更可靠的信号。

2. Poincare图分析

   • 根据滤波后的RR间隔数据绘制Poincare图，计算SD1、SD2和SDRR等参数。
   • 通过观察Poincare图的形状和参数变化，分析心脏的短期和长期变异性。

3. 疲劳评估

   • 结合不同训练阶段的特点，分析心率变异性参数的变化趋势。例如，在高强度运动后，如果SDRR参数明显下降且恢复缓慢，可能表示出现了疲劳。
   • 对比不同个体的心率变异性参数，建立个性化的疲劳评估标准。

下面是一个简单的mermaid流程图，展示了整个疲劳评估的流程：

graph LR
    A[采集ECG信号] --> B[R峰检测（MTEO算法）]
    B --> C[提取RR间隔数据]
    C --> D[伪影去除（百分比滤波器）]
    D --> E[绘制Poincare图]
    E --> F[计算SD1、SD2、SDRR]
    F --> G[分析心率变异性参数]
    G --> H[疲劳评估]

3.4 实际应用与展望

这种基于心率变异性分析的移动疲劳评估平台具有广泛的实际应用前景。以下是一些可能的应用场景：

1. 运动员训练 ：帮助教练实时监测运动员的疲劳状态，合理安排训练计划，避免过度训练和受伤。
2. 健康管理 ：普通人群可以使用智能可穿戴设备进行日常心率监测，了解自己的疲劳程度，调整生活方式和工作节奏。
3. 职业健康 ：对于需要长时间工作或从事高强度劳动的职业，如驾驶员、医护人员等，可以及时发现疲劳，预防事故发生。

然而，该平台也面临一些挑战和需要进一步研究的方向：

1. 信号质量 ：在实际应用中，可穿戴设备采集的信号可能受到各种干扰，需要进一步提高信号处理算法的鲁棒性。
2. 个性化评估 ：不同个体的心率变异性特征存在差异，需要建立更准确的个性化疲劳评估模型。
3. 实时反馈 ：实现实时、准确的疲劳评估和反馈，为用户提供及时的建议和干预措施。

4. 总结

本文介绍了一种基于心率变异性分析的移动疲劳评估平台。通过对HRV参数的分析，结合Poincare图和伪影去除等方法，可以有效地评估人体在不同运动阶段的疲劳状态。具体内容总结如下：

1. HRV分析方法 ：介绍了HRV在时域和频域的分析方法，以及非线性Poincare图分析的优势。
2. 信号处理算法 ：采用MTEO算法进行R峰检测，使用百分比滤波器进行伪影去除，提高了信号的质量和可靠性。
3. 实验结果 ：通过实验验证了不同伪影检测方法的效果，以及Poincare图参数在不同训练阶段的变化规律。
4. 疲劳评估 ：综合伪影去除和Poincare分析结果，构建了一个全面的疲劳评估体系，并探讨了其实际应用前景和挑战。

未来，随着技术的不断发展和研究的深入，基于心率变异性分析的移动疲劳评估平台有望在更多领域得到应用，为人们的健康和生活带来更多的便利。

以下是一个总结表格，对比了不同方法在HRV分析和疲劳评估中的作用：

方法	作用	优点	缺点
时域分析	计算心率的标准偏差等统计量	简单直观	忽略了信号的频率信息
频域分析	提取特定频率的频谱功率	能反映心率的周期性变化	对非平稳信号处理效果不佳
Poincare图分析	计算SD1、SD2和SDRR等参数，分析心脏的短期和长期变异性	非线性方法，能检测疲劳和疾病	需要平稳信号，短期记录效果有限
伪影去除（百分比滤波器）	去除RR间隔数据中的伪影	检测效果好，能提高信号质量	可能会误判一些正常信号

通过以上的研究和分析，我们可以看到基于心率变异性分析的移动疲劳评估平台具有很大的潜力。在实际应用中，需要不断优化算法和模型，提高评估的准确性和可靠性，为人们的健康和安全提供更好的保障。