基于SPINE的体感传感器应用

11 基于SPINE的体感传感器网络应用

11.1 引言

全球平均预期寿命不断上升的趋势以及人们对在不同层面采取行动以保持良好健康状况重要性的更深刻认识，正在推动医疗系统进行重大革新。在此背景下，使能技术包括当前功能强大的个人移动设备（如智能手机和平板电脑）、体域传感器网络（BSNs），即能够监测多种健康参数的可穿戴传感单元（如智能手表、眼镜和腕带），以及云计算基础设施。这为提供多样化且个性化的智能医疗服务创造了巨大机遇，这些服务可随时随地为任何人所访问。

11.2 背景

本章重点阐述SPINE框架如何真正支持基于可重用子系统的异构医疗应用的开发。事实上，SPINE的主要目标之一（参见第3章）是提供一种灵活架构，能够在无需对传感器节点上运行的代码进行昂贵重新部署的情况下支持多种实际应用。因此，本章介绍了一些在SPINE基础上开发的有趣的研究性体域传感器网络系统。此外，如下所述，每个所描述的应用都改进了当前的最新技术水平。

11.3 身体活动识别

体育活动在人类福祉中起着根本性的作用；然而，尽管人们现在完全意识到其重要性，但仍需要定期的激励反馈来维持积极的生活方式。因此，自动活动和姿势的识别是提供正确反馈的第一步。因此，身体活动识别是许多健康保健和智能医疗应用的基础组成部分。此外，许多以人为中心的情境感知现实生活应用需要评估用户活动，因为这些活动通常对确定情境本身起着重要作用。

11.3.1 相关工作

人类活动识别已引起极大的关注，该主题在非常多样化的视角下被研究，并且相关问题通过不同类型的传感信号和识别策略得以解决。目前，身体活动监测的研究主要集中在支持老年人和慢性病患者。

最相关且被广泛引用的相关工作之一是Bao和Intille的研究[1]。在这项研究中，使用并评估了多种有监督学习算法，通过从不同身体位置的传感器节点收集的加速度计数据来检测身体活动。加速度数据来自20名受试者，采集过程中没有研究人员监督或观察。

参考文献[2]的作者探讨了一个非常有趣的问题，即通过改变人体上传感器节点的数量和位置来比较活动分类准确率。

在参考文献[3]中，作者提出了一种基于佩戴在腰部的单一运动传感器节点的活动识别系统。对三轴加速度信号进行处理，提取均值、标准差、能量和相关性等显著特征。评估了多种分类器算法（决策树、K近邻、支持向量机和朴素贝叶斯）在识别准确率方面的性能。此外，还考虑了基于不同方法（投票、堆叠和级联）的元级分类器。

在参考文献[4]中，重点是设计功耗感知的识别算法的重要性，因为这些算法是在功率受限的可穿戴设备上实现的。作者研究了动态传感器选择的好处，以在功耗和活动识别准确性之间实现最佳权衡，并提出了一种与底层运行时传感器选择方案相关联的活动识别方法。

去年，由于商用智能手机在计算能力、存储能力和尤其是感知机会方面取得了巨大进步，许多研究项目和商业应用都凸显了仅依靠智能手机开发身体活动监测系统（以及更广泛的智能健康应用）的便利性，从而显著提高用户接受度并降低经济成本。例如，参考文献[5]提出了一种面向老年人的日常活动监测系统智能手机加速度计。作者考虑了能量限制，并提出了一种节能的方法，作为标准支持向量机（SVM）的改进。在参考文献[6]中，除了加速度计外，还使用了陀螺仪和磁力计（许多当前智能手机中都具备这些传感器）来检测身体活动。作者特别评估了智能手机在身体上的位置和方向对分类性能的影响。

关于人类活动识别的优秀综述文章也已发表。在参考文献[7]中，作者回顾了与基于传感器的活动监测、建模和识别相关的最重要方法和技术，并讨论了每种方法的优点和缺点。一项广泛的调查[8]涵盖了基于可穿戴传感器的人类活动识别的最新技术水平。作者提出了一种与学习方法（有监督或半监督）和响应时间（离线或在线）相关的两级分类体系。

11.3.2 基于SPINE的活动识别系统

本文提出的人类活动监测系统借鉴了以往的研究成果，旨在准确性、可穿戴性、功耗要求和编程复杂度之间取得最佳权衡。该系统能够识别姿势（躺下、坐姿和静止站立）以及一些动作（行走和跳跃）；此外，还包含一个简单而有效的跌倒检测模块，该模块利用活动分类来判断一个人在跌倒后是否无法站起来。

该系统使用两个基于Shimmer2R [9]平台的无线可穿戴节点，每个节点包含一个三轴加速度计，以及一个基于Android的个人移动设备（例如智能手机或平板电脑）作为协调器。终端用户应用程序（见图11.1）运行在Android上，并基于SPINE‐Android框架进行编程。传感器节点与协调器通过蓝牙进行通信。

该活动识别系统采用一种分类算法，该算法获取由可穿戴设备采集的加速度计数据（设备分别置于被辅助者的腰部和大腿部位），并识别在离线训练阶段定义的手势和活动。在文献中用于此目的的最常用分类算法中，已建立了一种基于K‐最近邻 10 的分类器。

所提出的系统包含一个默认训练集，以便在无需定制的情况下使用该应用程序。然而，可选择性地使用图形向导通过创建用户特定训练集来提高识别准确率。用于区分不同活动的最显著特征最终将由传感器设备在线计算，但最初是通过离线序列浮动前向选择（SFFS）[11]算法确定的。

k近邻分类器需要选择两个不同的参数：K的值和距离度量。然而，如果特征选择过程执行得准确，结果将导致活动簇内部非常密集，且彼此之间分离良好。这在系统所针对的特定活动集合上尤为明显。因此，分类器准确率受其参数值的显著影响，这些参数的选择主要以降低分类执行时间为目标，具体选择如下：
● K = 1
● 距离度量：曼哈顿

使用SFFS算法获得的最重要特征集如下：
● 腰部节点：（i）加速度计XYZ轴的平均值，（ii）加速度计X轴的最小值，以及（iii）加速度计X轴的最大值。
● 大腿节点：加速度计X轴上的最小值。

如前所述，所提出的系统还集成了跳起检测功能，其底层算法是分布式的，因为它是部分

11.4 计步器

人体脚步检测是指自动确定步数发生的时间点。它是实现计步器（也称为计步器）的基本组成部分，可用于实时粗略评估人体活动水平，而人体活动水平正是健康应用的主要目标之一。计步器还被用于评估老年人行动能力，以及提高青少年身体活动，以降低肥胖风险。

11.4.1 相关工作

步态检测已被广泛研究，文献中提出了许多不同的方法论和技术方法。本综述不涵盖该主题的全面回顾，感兴趣的读者可参考文献[12, 13]以获得更深入的分析。下文仅介绍一些利用可穿戴设备和加速度传感器进行人体步态检测的重要研究工作。

表11.1 体位/动作识别准确率。

坐姿	站姿	躺下	行走
96%	92%	98%	94%

在参考文献[14]中，提出了一种基于IMote2平台并配备三轴加速度计的嵌入式设备用于在线步态检测的方法。该设备需佩戴在臀部，以512 Hz的频率对加速度计进行采样。原始加速度信号首先被用来提取跨轴幅度信号，然后通过低通滤波器进行平滑处理。接着，对得到的信号进一步处理以获得其一阶导数信号。最后，执行基于阈值的峰值检测。

在参考文献[15]中提出了一种专门用于评估跑步过程中步数的系统。该系统基于配备三轴加速度计的诺基亚腕戴式传感器平台。在此研究中，加速度信号通过高通滤波器进行处理，以去除重力分量。然后将三个经过高通滤波的信号通过取1‐范数（即将三个轴对应的绝对采样值相加）合并为一个单一信号。接着进行基于阈值的峰值检测。值得注意的是，该研究中的阈值是动态自适应的。整个系统的性能导致跑步时实际步数被低估了30%。

在参考文献[16]中，提出了一种基于使用三轴加速度计ADXL330连接到8位MPC82G516微控制器的定制原型设备的计步器。该设备设计用于佩戴在腰部或放置在口袋中。原始加速度信号首先通过汉明滤波器进行平滑处理。利用x、y和z方向的加速度矢量评估设备的初始空间方向，从而允许设备任意放置（如果设备放置在口袋中尤其有用）。滤波后的x、y和z信号还用于生成重力方向上的加速度信号。该信号与一个固定的、通过实验确定的步态阈值进行比较。该系统在实验室环境中对五名受试者进行了评估，显示出平均检测精度约为90%。

11.4.2 基于SPINE的计步器

本节介绍了一种创新的计步算法，该算法已集成到先前所述的基于SPINE的活动识别应用中，作为可选激活的功能。为了对现有最新技术做出原创性贡献和改进，我们确定了一些关键的设计要求：
● 使用加速度计数据。
● 低采样率。
● 节能且计算高效的嵌入式实现设计。
● 使用单个传感器节点，放置于腰部（肚脐下方）。
● 通用算法，可供健康人群以及老年人和/或残疾人士使用。
● 无需针对个人进行校准。
● 高平均准确率（鲁棒性）。

在开始算法设计之前，已采集并研究了多个不同受试者的实际行走数据。要求受试者自然行走，并偶尔加快或减慢行走速度。具体而言，在记录过程中，将一个单个三轴加速度计传感器节点放置于腰部。传感器的采样率为40赫兹。为了简化开发、调试和评估过程，该算法最初使用Matlab编程。仅采用了整数运算，从而便于后续嵌入式实现（因为目标嵌入式平台基于不支持浮点运算硬件的微控制器）。

值得注意的是，腰部的前向加速度（即与地面平行）在行走时呈现出大致呈正弦波形的信号。因此，基本思路是通过识别下降段（下降沿）来检测步数，该下降沿对应于一步运动的最后阶段。

此外，很明显，人类的一步具有时间约束（从物理上讲，不能“太快”或“太慢”）。然而，行走模式因人而异，甚至同一个人在不同时期也可能发生变化；因此，所获取信号的幅度可能会有显著差异。

为了简化步态模式的识别，首先使用平滑滤波器对原始前向加速度进行处理，以去除高频成分。然后，算法寻找局部最大值。当找到一个局部最大值时，接着寻找局部最小值。在找到局部最小值后，候选段便自然确定。

然后提取两个特征，用于确定该候选是否属于实际步态或不同的身体动作。具体而言，如果候选满足以下条件，则将其分类为一步：(i) 其加速度下降在某一范围内（由“容差”参数围绕阈值指定）；(ii) 经过的时间在某一时间间隔内。预处理采用9点窗口的平滑滤波器，该滤波器使用高斯核。

由于这些核应用于数字信号，因此核的总和必须为1。此外，由于算法基于整数运算，因此对核进行缩放以去除小数因子。

阈值被粗略初始化，但在识别步数时会自动调整。具体而言，它会根据被分类为步数的最近10次加速度下降的均值持续更新。这非常有助于避免在计步功能正常且准确工作之前进行自定义训练或设置阶段。最后，为了减少“误报”识别（例如由于传感器的突然冲击或缓慢倾斜），局部最大值与最小值之间经过的时间（简单地由该段样本数量与采样时间的乘积确定）必须长于“最短步时”，且短于“最长步时”。这两个值均通过现有观察结果经实验确定。

所提出的算法已首先在计算机上进行了初步评估，最终实现于运行SPINE的无线传感器节点上。对于此应用，SPINE的节点端已扩展了所提出的算法。每次节点检测到一步时，会向其协调器发送截至目前的总步数，以避免因数据包丢失而导致计数错误。在SPINE协调器端，对核心框架仅做了少量修改，并添加了一个简单的图形小部件，用于实时显示当前的步数。

11.5 情绪识别

情绪在每个人的日常生活中，无论是在个体层面还是社会层面，都起着基本且基础的作用。随着人机交互（HCI）系统日益普及，自动情绪识别的需求和重要性也在不断增长。事实上，如今以人为中心的数字媒体和设备交互新形式具有颠覆性的潜力，可以彻底改变虚拟和现实生活中的许多方面。此外，自动情绪识别可以提供有用的医学信息和指标，有助于预防或早期发现多种心理生理障碍。

在众多的人类情绪中，能够自动识别压力和恐惧变得非常有用，这将在接下来的两节中进行描述。

11.5.1 压力检测

心率变异性（HRV）基于心电图（ECG）信号的R波峰值到R波峰值的间隔（RR间期 – RRi）在时间域和/或频域中的分析。近年来，医生和心理学家逐渐认识到HRV在检测心理和情绪状态方面的重要性，特别是用于识别压力和焦虑。

11.5.1.1 相关工作

既往医学研究表明，患有焦虑、恐惧症和压力障碍的患者的心率变异性（HRV） consistently 较低。值得注意的是，这种关系独立于性别、年龄、心率和呼吸频率、特质焦虑或血压而存在。

监测精神压力尤为重要，因为研究表明长期处于压力状态是心血管疾病的风险因素[17, 18]。许多工业研究项目专注于心率变异性，寻找其与相关心脏疾病的关联。一项有趣的研究[19]实际上证实了时域心率变异性（HRV）参数与紧张的驾驶情境之间存在关联。

在参考文献[20]中，作者提出了一种基于活动感知的精神压力检测方法，该方法使用心电图、皮肤电反应和加速度计数据。具体而言，该研究主要针对坐姿、站姿和行走状态。

在参考文献[21]中提出了一种将压力检测应用于生物特征安全的有趣应用。此外，该研究综述了多种压力检测方法，以评估哪种方法最适合在未来生物特征设备中实现。

还有一些用于精神压力评估的商业产品。例如，StressEraser [22]通过寻找最大化呼吸性窦性心律不齐的呼吸模式，提供压力水平的生物反馈。

Stress Monitor [23]是另一种设计用于工作期间压力监测的系统，它由一个连接到PC的USB耳夹设备和一个用于实时及历史报告的桌面应用程序组成。最后，emWave个人压力缓解器 [24]是一种带有音频和LED反馈的手持设备，用于监测用户的压力水平。值得注意的是，这些商业产品均不适合连续监测，因为它们必须手持使用，或无法独立运行。

11.5.1.2 SPINE‐HRV：一种用于实时压力检测的可穿戴系统

在本节中，我们介绍一种基于SPINE构建的可穿戴系统（适时扩展了自定义处理功能），该系统采用时域心率变异性分析来检测精神压力[25]。该系统设计用于持续无创使用，包含一个可穿戴心脏传感器节点（我们有两种替代实现方案：一种是配备附加ECG传感器板的Shimmer2R节点，另一种是Polar Electro[26] ECG无线胸部绑带），用于从完整ECG信号中提取RR间期。随后，RR间期通过运行在协调器上的应用程序，利用SPINE框架进行处理（见图11.2）。

特别是，该系统提取了医学文献中已知的常用参数，用于进行心率变异性分析，以在日常活动中对人们进行连续无创的心理压力检测。

压力检测以固定间隔（可调节范围为10至60分钟）进行计算。我们的方法基于时域分析，其精度足以识别压力状态，如参考文献[27]所示。具体而言，该分析涉及四个重要指数的计算：

$$
SDNN = \sqrt{\frac{1}{N} \sum_{j=1}^{N} (RR_j - \overline{RR})^2}
$$

$$
RMSSD = \sqrt{\frac{1}{N-1} \sum_{j=1}^{N-1} (RR_{j+1} - RR_j)^2}
$$

$$
pNN50 = \frac{NN50}{N} \times 100
$$

其中 $ RR_j $ 表示第 $ j $ 个RR间期的值，$ N $ 是连续间期的总数。 $ \overline{RR} $ 即为15个连续RR间期的平均值。SDNN是RR间期的标准差，是用于量化心率变异性变化的主要指标，因为SDNN反映了记录期间内导致变异性的所有周期性成分。RMSSD是连续差值的均方根。最后，pNN50是NN50除以RR间期总数得到的比值，其中NN50表示相差超过50毫秒的连续间期的数量。

所提出的系统旨在检测被监测者是否处于心理压力状态。该决策问题已通过基于阈值的方法解决。

表11.2 列出了从参考文献[27]的结果中提取的阈值。RR信号在特定时间窗口内被记录，在该时间窗口结束时，算法计算特征，如果其中至少有三个特征超过表11.2中报告的数值，则将该人的心理状态分类为“压力状态”。总之，所提出系统的创新之处在于能够实现在线情绪压力检测，而非通过离线分析。

表11.2 心率变异性（HRV）参数的压力阈值。

特性	阈值	Unit
HR	>85	1 分钟⁻¹
pNN50	<7	%
SDNN	<55	ms
RMSSD	<45	ms
## 11.5.2 恐惧检测

恐惧是对危险或威胁产生的生理反应。在恐惧情绪出现之前，存在一种可在心脏活动中观察到的特定事件，即心脏防御反应（CDR）[28, 29]。这种反应是机体内部一系列准备应对威胁过程的第一步，使个体进入战斗或逃跑状态（即“战斗或逃跑”反应）[30]。具体而言，在大脑感知到突发的危险情况后，最初的本能反应便是激活CDR。随后，如果该刺激最终被判断为实际上无害，机体便会恢复至正常状态，心率（HR）也随之稳定；反之，则会开始产生恐惧感。因此，CDR具有保护和防御作用；然而，若其被过于频繁和/或非理性地触发，则可能构成健康风险，并长期导致精神压力、恐惧症、焦虑和抑郁等心理障碍[31]。因此，能够自动识别CDR的激活具有重要意义，临床医生可借此获得一种有价值的工具，用于研究受试者的心理状态。

心电图正在被研究用于情绪识别和压力检测[25]，因为它已显示出情绪和其他外部条件引起的心理状态对ECG信号的影响。

11.5.2.1 相关工作

关于人类恐惧情绪自动识别这一具体问题的文献极为有限。过去的研究大多探讨了更广泛的 情绪识别 问题，但结果存在争议。一些更相关的研究则集中在 唤醒监测 [34–36]上。唤醒是一种心理生理状态，表示个体处于清醒或对刺激有反应的状态，在激发战斗或逃跑反应中起着核心作用，而这种反应通常先于 恐惧 情绪的发生。

11.5.2.2 基于SPINE的惊跳反射检测系统

本节介绍了一种基于SPINE的移动系统，该系统能够实时识别基本的情绪反应，特别是恐惧情绪本身触发之前的CDR[37, 38]。据我们所知，这是首个旨在自动且实时识别这一生理机制的研究。

为了实现便携式无创系统，使用心电图具有明显优势，因为可以采用基于轻量级可穿戴心脏传感器的技术。特别是，检测CDR需要从完整的心电图信号中提取RR间期，进而得到心率。

我们提出了一种基于动态自适应阈值方法的算法，用于检测ECG信号中的QRS波群（即心跳）。该算法通过在ECG中寻找峰值，并将其与自动估算的阈值进行比较；超过阈值的峰值被标记为心跳并打上时间戳，从而生成RRi序列，作为CDR检测算法的实际输入。所提出的QRS检测算法在个人移动设备上运行，是运行在SPINE‐Android协调器之上的移动应用程序的一部分。

在图11.3中，展示了所提出的自适应QRS检测算法的原理框图。该算法包含三个主要处理阶段：基于移动均值的高通滤波（HPF）、非线性低通滤波（LPF）和一个决策模块[39]。具体如下：
1) 首先，心电图记录通过线性高通滤波器进行处理，以放大QRS波群，同时抑制不需要的波形（例如P波或T波）和基线漂移。该步骤包括一个5点移动均值滤波器，其输出从延迟后的输入样本中逐点减去，从而使整个系统成为一个具有线性相位的FIR高通滤波器。
2) 然后，线性高通滤波器输出经过全波整流和非线性放大，再进行滑动窗口求和，从而得到类似包络的特征波形。这些操作（一个非线性低通滤波过程）旨在平滑高频、低幅度的伪影，同时保持QRS波形完整。
3) 最后，将自适应阈值应用于特征波形以完成QRS波群检测。

为了检测CDR，我们提出了一种基于检测信号平稳性变化的算法。其基本原理在于，生理信号（包括心电图及其衍生的RR信号）具有高度的平稳性。从形式上讲，如果信号在信号采集期间的均值和标准差不发生变化，则该信号是平稳的。特别是在心电图和RR信号中，非平稳事件由多种因素引起（例如体位变化和呼吸模式改变）。

我们的直觉表明，生理变化以及更具体地说，与恐惧等基本情绪反应相关的CDR效应，也可能在心电图中引入非平稳事件，从而影响RR信号[28–31]。

因此，可以通过观察正常心率调节中的非平稳转换来检测由CDR引起的心率调节突然变化。CDR算法采用互相关积分法来量化给定RR信号[40]中的平稳程度。该方法提供了信号为平稳的概率：接近1的值表示信号平稳；相反，接近0的值表示高度非平稳信号。我们建议以滑动窗口方式（信号长度的10%）计算互相关积分。这使得可以通过随时间运行CDR检测算法来检测RR间期信号中非平稳性的转换。最后，将互相关积分样本转换为百分比；该特征被称为非平稳指数（NSI）。

CDR算法已在40名受试者上进行了验证，通过评估NSI来确定CDR的发生。具体而言，如果NSI的降低小于或等于80%，则将该变化模式分类为CDR事件。这一特定的NSI阈值是通过对40名受试者的所有数据进行直接观察而通过实验估算得出的。所提出的系统包含了原创性贡献：
● 它检测心率信号中的模式，即检测信号是否呈现非平稳转换，因为这些转换表明心率信号调节的变化。
● 与心理学文献中的相关工作[28, 29]相比，CDR激活是实时检测的。
● 通过分析CDR检测算法的结果，可以在RR信号中定位CDR事件。

图11.4显示了一段实际RR信号（上方）和对应的NSI（下方）。该图表明，当受试者受到外部刺激引发CDR时，可以观察到信号平稳性的变化。在我们的实验协议设置期间向受试者提示。特别值得注意的是，NSI 超过了80%阈值。

CDR检测算法使用R脚本语言实现，以利用适用于该算法的数学和统计库。此外，我们开发了一款用于运行安卓操作系统的设备的移动应用（见图11.5），能够监测心脏活动，特别是用于检测CDR机制激活。

该系统基于SPINE实现，使用一个配备ECG传感器板的Shimmer2R节点，并通过专用弹性带将其放置在胸部。Android应用程序使用“Rserve”[41]库与R服务器通信，由该服务器负责CDR算法的远程执行。此外，应用程序还显示当前的BPM值、完整的ECG信号、RRi序列以及历史心率图。

11.6 握手检测

握手是多种文化中的一种基本手势。它常用于各种正式和非正式社交互动中，例如相互问候、表示祝贺或达成协议。因此，自动握手检测可以实现多种普适计算场景；具体而言，握手的人们之间可以根据物理/逻辑情境以及相互认识的情况交换和处理不同类型的信息。

11.6.1 相关工作

目前关于自动握手检测的研究工作很少。iBand [42] 可能是首个专门基于握手检测进行信息交换的系统。该系统基于配备有加速度计和红外（IR）收发器的可穿戴腕部设备。具体而言，通过两个佩戴在会面人员手上的设备之间的红外对准和上下运动的同步组合来检测握手。当用户的手/手腕处于预校准的握手姿态时，启用红外传输。由于预校准无法自定义，因此根据参与该系统实验的用户反馈，系统行为并不总是准确，且需要做出不自然的手势才能让iBand检测到握手。此外，文中未提供对该系统的定量性能分析。

Smart‐Its Friends [43]提供智能电子设备，当这些设备彼此处于通信范围内并经历相似的传感器读数时，它们能够相互通信。尽管所提出的方 法更具通用性，但它可应用于握手检测情境：配备加速度计的手持智能设备（例如智能手机和增强型腕带

手表）可用于识别人们在近距离时之间的共同晃动模式，即使这是一种间接的握手检测方式，因为Smart‐Its Friends并不专注于握手动作，而仅关注彼此靠近的智能物体之间的通用交互。

11.6.2 基于SPINE的握手检测系统

为了克服上述工作的局限性，已提出一种基于SPINE开发的更有趣的應用 E‐摇（见图11.6）[44]。E‐摇是一种基于协作式体感传感器网络的系统，用于检测人们见面握手时的情绪。更准确地说，该系统基于对SPINE框架的一种增强版本，称为协作式SPINE（C‐SPINE，见第7章），并集成了握手动作检测与连续的逐搏心率计算。当会面以握手开始时，这种集成的信息有助于检测与会人员的情绪状态。

如图11.7所示，该系统架构由两层组成，分别位于协调器和可穿戴传感器设备上。在传感器层面，主要组件包括：
● 心率传感器（HRSensor）组件运行在Shimmer2R节点上，配备有心电图传感器板以提取心率。心率估算使用5点移动平均滤波器来平滑心率曲线。
● 握手传感器（HSSensor）组件运行在受监测对象右腕上的Shimmer2R节点上，采集加速度计数据用于握手识别。HSSensor（i）以100 Hz对Shimmer2R内置的三轴加速度计进行采样，（ii）缓存采集到的数据，（iii）对这些数据执行特定的特征提取（包括幅度、标准差、过零率、均值、总能量和均方根），（iv）运行基于决策树的分类器以检测潜在的握手动作，并（v）在识别到潜在握手动作时最终传输计算出的特征集。具体而言，特征是在32个样本的窗口上计算，具有50%重叠。这些参数通过实验估计得出，以权衡快速检测与良好的分类准确性。

在协调器层面，E‐摇为安卓操作系统开发，并集成了两个应用程序组件：（i）一个使用C‐SPINE识别握手动作的握手检测组件；（ii）一个提供逐拍心率数据的心率组件。具体而言，协调器将心率数据与来自联合分类器的握手分类结果进行对齐，并持续跟踪心率数据（这些数据将作为情绪检测的输入）。

子系统）在握手发生期间的扩展时间窗口内。该扩展时间窗口取决于握手检测时间，可以以握手检测时间为中点，或配置为非对称窗口大小。联合分类器是一个J48决策树，它使用与会人员佩戴的两个传感器的完整特征集（两个BSN协调器通过CIBO协议进行通信，参见图11.7），并且只有当BSN协调器在短时间间隔内从两个传感器节点均接收到潜在的握手通知时才被激活（注意，“域内BSN”通信由SIBO协议支持，参见图11.7）。

我们在受控环境中通过开展实验场景，从情绪反应检测方面对E‐摇进行了评估，在该场景中，配备该系统的学生、导师和教授可以会面。每次会面时，要求两个人分别从两个独立的门进入房间。每一对受试者均经过选择，以确保既有相互认识关系的受试者，也有没有相互认识关系的受试者。此外，虽然导师和教授被告知了实验目的，但学生则完全不知情。由于师生等级关系的存在，教授和导师在促进学生之间的社交互动以及激发学生的反应方面发挥了重要作用。通过分析心率图，系统捕捉到了三种相互反应：（a）双方受试者对会面均无情绪反应，（b）仅其中一人对会面产生情绪反应，以及（c）与会人员双方均对会面产生情绪反应。（a）类情况最为常见，而（b）类情况大多与学生与导师或教授之间的会面相关，偶尔也涉及学生之间会面的记录员。（c）类情况在整个实验过程中实际上非常罕见。

11.7 物理康复

通常需要进行重复的物理练习，例如从肌肉拉伤、肢体骨折或手术中恢复。提供关于运动表现质量的实时反馈，可使接受康复治疗的患者在无需持续专业协助的情况下，独立正确地进行练习。

11.7.1 相关工作

尽管基于可穿戴传感器的物理康复辅助方面的文献仍然有限，但迄今为止已发表了一些有趣的研究。

一项早期研究[45]侧重于治疗师视角，旨在通过使用放置在腰带上的便携式加速度传感器，确定治疗师在实践过程中的身体活动压力和能量消耗。

在参考文献[46]中，作者提出使用可穿戴加速度传感器来客观评估多发性硬化症患者的运动能力和活动水平，从而避免仅依赖自我报告和问卷。

然而，利用可穿戴传感设备和实时视觉反馈来支持患者进行康复训练的具体问题，直到最近才开始受到研究。在参考文献[47]中，作者描述了一种基于智能手机和手环的康复辅助系统，用于采集患者的康复训练动作。该系统采用动态时间规整技术来训练和识别动作。系统具有完全可定制性，允许治疗师选择设备佩戴位置和其他参数，以适应不同的练习。然而，由于该系统依赖于单一传感设备，存在无法监测大量练习动作的问题，也无法测量肘部和膝盖屈曲角度等相关参数。

RIABLO [48] 是一个专门为支持骨科物理康复而设计的游戏系统。作者建议使用游戏元素来激励患者并吸引患者参与，同时对所进行的练习的正确性提供反馈。该系统基于五个配备有三轴加速度计和陀螺仪通过弹性绑带固定在身体上，以及通过蓝牙与游戏站连接的压力传感器模块。

另一个有趣的项目[49]使用两个附着在患者手臂或腿部的Shimmer节点[9]，并通过一个商用安卓平板电脑上的图形应用程序提供练习过程的实时视觉反馈，以及相对于先前记录的参考动作对练习质量进行评估。

除了纯学术性的研究之外，目前还存在一些预商用解决方案[50, 51]，具备与上述描述类似的功能。

为进一步开展文献研究，读者可参考最近发表的一些有趣综述[52, 53]。

11.7.2 SPINE Motor Rehabilitation Assistant

在本节中，我们介绍一种物理康复数字助手（见图11.8），该助手基于SPINE实现，并使用两个配备加速度计传感器的可穿戴节点来监测手臂和腿部的动作。一个个人移动应用运行在患者的智能手机或平板电脑（基于Android）上，对执行的练习提供实时反馈；此外，它与专用的云计算后端交互，以传输采集的数据，用于长期离线分析，并获取治疗师关于康复过程的反馈意见。

以及从治疗师处获取关于康复过程的更新（例如下载本周的锻炼计划）。该应用包括实时监测四肢弯曲运动，并将其与设置阶段记录的数据进行比较。因此，应用场景包含两个步骤，即设置阶段和锻炼阶段。在设置阶段，用户在需要锻炼的腿或手臂上佩戴两个传感器，在康复专业人员的指导 下完成正确的锻炼动作。同时，系统记录数据并将其存储为参考锻炼。随后在锻炼阶段，用户重复弯曲动作，系统会提供关于其动作执行情况相对于已存储参考锻炼的实时反馈。

远程康复是一个关键方面，涉及远程监测患者的可能性。这一可能性尤其适用于某些类型的康复。此方面至关重要，因为通过远程监控，在患者入院后的各个阶段持续跟踪和监测患者，可以显著降低相关流程的成本。例如，我们可以考虑因严重创伤后出院、进入康复阶段且对（持续的）临床医生监测需求较低的患者的骨科康复。对于骨科创伤患者而言，能够安全地进行康复并接受远程监控，将在身体压力和经济方面均带来益处。

此外，该系统通过专用的云计算基础设施，允许经由互联网对与康复管理与控制相关的数据进行安全且经过身份验证的数据收集。该云计算后端系统主要用于为医生提供支持。医生可通过网页应用：
● 患者管理及其训练项目。
● 显示患者完成的锻炼数据。医生必须能够分析患者完成的锻炼，以便了解预期通过处方疗法实现的改善情况。这极大地便利了医生的工作：得益于数据的准确性，治疗师可以“虚拟地”跟踪所有患者，就像他们在康复中心现场一样。如有必要，当医生认为需要更改或更新处方疗法时，可安排新的预约，患者将通过其个人移动设备上运行的应用程序收到通知。
● 查看患者进展的统计数据。医生需要在治疗期间快速、直观地获取与患者进展相关的信息。系统为此提供简明的统计数据支持，例如肘部或膝盖的最大和最小伸展与屈曲角度、腿部或手臂的扭转角度、活动范围以及每日训练分钟数。

11.8 总结

SPINE 的主要目标是为体域传感器网络开发者提供信号处理应用快速原型设计的支持。在 SPINE 中，传感器和常见的处理模块（如数学聚合器和基于阈值的报警器）可以根据外部控制在运行时独立配置并任意连接。

SPINE 的一个关键优势是能够在运行时满足多样化的应用需求，从而在大多数情况下避免了在远程传感设备上重新部署代码所带来的高昂成本。

这种方法还允许在相同的基礎軟件組件之上構建異構應用，增強了代碼可重用性，更重要的是，消除了根據特定應用重新部署節點端代碼的需求。

这一特性在现实场景中尤为理想。例如，医生可以使用配备加速度计和适当协调设备（如智能手机）的SPINE节点来监测患者的每周能量消耗。只要医生的协调设备上具备相应的应用软件，这些相同的节点之后还可用于其他患者，例如在康复场景中。本章已经展示了SPINE框架能够在无需重新部署节点上运行代码的情况下支持异构的医疗应用。通过描述五个不同的案例研究（身体活动检测、计步、情绪压力检测、握手检测和物理康复），证明了SPINE的灵活性，所有这些研究都利用了相同的传感器节点硬件和软件。显然，在一般情况下，为了支持不同的应用，可穿戴传感节点必须配备所有必需的物理传感器。