MyWear：智能服装实现生命体征监测

MyWear：一种用于自动连续生命体征监控的新型智能服装

西比·C·塞图拉曼，IEEE会员，普拉纳夫·孔帕利，IEEE学生会员， Saraju P. Mohanty，IEEE高级会员，以及乌玛·乔帕利，IEEE会员

一、引言

基于医疗物联网（IoMT）的系统通过提高护理质量和加快诊断速度，使智能医疗成为可能[1]–[3]。从采集血液样本到进行CT扫描分析，技术已经彻底改变了医疗保健的方方面面。将医疗物联网引入多个系统中，使得设备能够高效运行。医疗物联网使医生能够根据用户的健身追踪器数据远程监控患者。诸如智能手表之类的可穿戴设备 [4]允许用户从手腕处记录心电图，并将报告副本分享给医生以获取帮助和建议。全球大多数医院都使用人体生命体征系统，这些系统可实时将数据备份至云端，方便医生在家进行监测。

医疗物联网有助于收集描述个人健康的多项生命体征，并通过有线或无线通信方式将其传输至云端进行后处理。可穿戴设备中的医疗物联网已在智能医疗、健身和瑜伽等领域开启了多种应用。全球仅腕戴式健身追踪器的用户就超过五亿人。

数以百万计的人使用可穿戴医疗物联网技术来追踪身心健康。这导致了居家健康监测设备的应用，这些设备通常包括床边监控仪，并通过电线将用户与精密设备连接，使用户无法移动。这些设备在收集和分析数据时通常要求用户保持静止状态。随着生物医学纺织品等新兴技术的发展，用户的活动不再受到限制。然而，这些技术往往价格昂贵且不够用户友好。运动队和运动员正在使用可穿戴服装，通过服装记录的人体肌肉骨骼数据来分析并提升表现。目前开发的可穿戴服装不仅用于监控心电图，还能监测用户穿着时正在进行的活动。通过对身体及其肌肉活动进行详细分析，分析人员正在帮助运动员和团队优化表现并取得更好成绩。MyWear的概念概述如图1所示。

提出的解决方案的重要性：

• 利用心电图实时分析心率变异性以评估压力水平的技术，该功能在大多数智能服装中尚属缺失。
• 一种用于心电图分析的卷积神经网络模型，可检测心跳中的不同类型异常，而此类异常在表I所列的任何智能服装中均未被观测到。

本文其余部分组织如下：第二节阐述了现有的相关研究。第三节提供了系统级架构。第四节概述了所提出的用于自动心率、压力和异常监测系统的新方法。第五节提出了一种用于检测心律失常的新型深度学习模型。第六节展示了MyWear的原型及其结果验证。

II. 现有相关工作及通过当前论文取得的进展

用于构建智能医疗的消费电子产品是一个活跃的研究领域，这一点从我们越来越多地看到可穿戴设备和智能手机中提供医疗保健功能即可看出。针对智能医疗的消费电子产品研究已在多个方面展开[11],[12]，包括压力管理、饮食管理、辅助视力障碍个体以及专注于女性健康的可穿戴设备[13]，助听器[14]，和服装[15]。目前已有一款消费电子设备可自动量化用户的卡路里摄入和压力水平[11]。

文献[7]提出了一种基于光电容积描记法（PPG）的设备进行心率估计，该设备采用了神经网络模型。

提出了一种能够根据身体活动自动监测压力水平的框架[12]。一项关于压力与心率变异性（HRV）的荟萃分析研究表明，神经影像学研究提示HRV可能与参与应激情境评估的皮层区域相关[16]。一篇关于HRV与职业压力关系的综述指出，用户较低的HRV，特别是RMSSD值，表明职业压力升高[17]。一项以HRV为关键因素监测不同脑部动态的框架研究中，观察到RMSSD值作为压力水平变化指标之间的关系[18]。一种将RMSSD值作为评估心理压力水平影响因素之一的可穿戴设备被提出[19]。文献[9]提出了一种用于老年人跌倒检测和心电异常检测的框架。文献[20]提出了一种基于智能手机的跌倒检测方法。

表二显示了现有跌倒检测实现的比较。

已提出一种使用离散余弦变换（DCT）的心电信号分析方法[8]。徐和刘利用带有支持组机制的耦合卷积层结构及在动态心电图数据上训练的卷积神经网络进行心电图分类，准确率超过99%[21]。牛等人提出了MPCNN分类器，用于自动学习和心跳分类[22]。金和董提出了一种结合卷积神经网络和贝叶斯融合的云计算框架，用于预测心跳，准确率达到98.26%[23]。表I展示了与MyWear类似的消费电子产品的对比情况。

A. 当前论文的问题阐述

• 心跳异常检测及必要时的即时医疗援助。
• 连续健康监测系统，供医务人员远程检查患者生命体征。
• 压力水平检测，以了解用户的身心健康状况。
• 创建一个便携且用户友好的远程生命体征监测系统。

B. 提出的解决方案和本文的创新性

从上述讨论中可以明显看出，目前能够实时监测人体生命体征的智能可穿戴服装较少[26]。文献中提到的一种智能可穿戴服装[6]使用表面肌电图（sEMG）来分析运动员的肌肉活动强度。然而，该训练系统中未观察到用于检测用户压力水平的心率变异性（HRV）分析。某款消费产品[5]对睡眠活动和心电图进行心率变异性（ HRV）分析，但并未检查用户的肌肉活动。上述可穿戴设备将数据存储在云端，并允许用户理解这些数据。法尔贾迪安等人[10]提出的服装使用肌电图（EMG）检测肌肉活动，以帮助用户进行物理治疗。一些提出的解决方案利用加速度计数据来分析运动，但这不足以指示个体肌肉活动。此外，在上述方案中，尚未发现能够精确测量身体姿态以及具备在紧急情况下通知急救人员和用户联系人的内置警报系统的功能。我们认为，MyWear是首款引入集成机制的服装，可实现自动心率变异性分析、压力分析、肌肉活动分析以及在紧急情况下寻求帮助的警报系统，同时提供数据安全。

III. MyWear的基于医疗物联网的系统级架构

A. 提出的物联网医疗架构

所提出的MyWear的完整架构如图2所示。该服装作为终端设备，同时也是移动应用和云服务的输入端点。表面干电极连接至相应的心电图和肌电图传感器。这些传感器对原始信号进行提取、放大和滤波，从而去除噪声和不需要的伪影。经过滤波的数据由采样单元进行采样，同时采集来自温度传感器和惯性测量单元（IMU）传感器的数据。温度传感器用于测量体温，而IMU传感器用于测量身体姿态变化。采集到的数据分别通过嵌入式蓝牙和 Wi-Fi模块传输至移动应用和云端进行进一步分析。生命体征数据采用AES128加密，仅可在用户的移动应用中解密或访问，确保数据的安全性和保密性。移动设备实时显示心电图以及用户的压力水平。移动应用在人体图上可视化个体不同肌肉区域的肌肉活动，并显示身体姿态和体温。

与此同时，部署在云端的深度学习模型会检查是否存在异常，并识别从服装传输的心电图数据中出现的异常类型。在紧急情况下，系统将发出警报

MyWear 收集心率、体温、肌肉活动等身体生命体征，并将其发送到智能手机和云端。智能手机作为界面，用于在分析后可视化显示用户的信息数据。分析完成后，会向用户发送报告以供查阅。

MyWear 的主要目标如下：
- 创建一种自动化的健康监控可穿戴设备，定期分析用户的身体生命体征。
- 提供一种基于心电图分析用户压力水平的解决方案。
- 在用户与医疗官员之间建立沟通桥梁，通过实时用户监控系统，使医生和治疗师能够分析用户的日常活动。
- 创建一个警报系统，以便在紧急情况下求助。

B. 心电图（ECG）采集单元用于心率监测

心电图（ECG）是一种用于测量心脏在舒张和收缩期间产生的电活动的技术。心电图是测量心率变异性及每分钟心跳次数（BPM）[27]的可靠方法。为方便使用，采用三电极系统。电极按照爱因托芬三角放置，以获得稳定的心电图[28],[29]。

C. 肌电图（EMG）单元

肌电图（EMG）用于测量反映肌肉施加力量的电位变化。通过使用两个电极来测量肌肉信号，第三个电极作为接地。最初，为了捕捉低噪声的稳定信号，通过调节增益来调谐传感器。增益有助于调整信号采集的灵敏度。肌电图（EMG）有助于了解特定肌肉区域的肌肉活动及其强度。肌电图（EMG）用于测量神经肌肉接头处随着电信号或动作电位传递而产生的电位变化。临床环境中的肌电图（EMG）通常使用插入肌肉的针电极。为了实现便捷的移动心电图（ECG）测量和更简便的使用体验，选择采用表面肌电图（EMG）[30],[31]。肌肉活动以电压形式测量，表示肌肉在实时状态下施加的力量大小。

MyWear记录肱二头肌和胸部区域的肌肉活动。

D. 紧急警报单元

心电图数据被发送到模型以检测任何异常。所提出的深度学习模型会检测是否存在任何异常。一旦检测到异常，将向用户的移动应用和医务人员发送警报。频繁出现的异常通常被认为是潜在心脏衰竭的征兆，因此会向用户的应用程序发送提示并触发警报。同时，另一条警报将发送给医务人员和医生，以便立即提供协助。

MyWear：一种用于自动连续生命体征监控的新型智能服装

西比·C·塞图拉曼，IEEE会员，普拉纳夫·孔帕利，IEEE学生会员， Saraju P. Mohanty，IEEE高级会员，以及乌玛·乔帕利，IEEE会员

IV. 通过MyWear进行自动健康状况监测的拟议方法

A. 从心电图获取心率的拟议方法

图3显示了心电图及其特征。心脏的每一次跳动在图中对应一个P‐QRS‐T波形，多个波形的集合描绘了一段时间内连续的心跳。其中‘P’波代表心房去极化，导致短暂的等电位期或接近零电压的状态，持续时间不超过 0.10秒。P波之后是快速连续的Q、R和S波，称为QRS复合波，持续时间不超过100毫秒，代表心室肌的激活。QRS复合波之后是T波，表示心室复极化，反映心脏的放松。这一过程随着心脏每一次跳动不断重复。心率以每分钟心跳次数来衡量，计算方法如下：

$$
\text{Heart Rate (bpm)} = \frac{60}{T_r}
$$

其中 $ T_r $ = 为两个连续 R峰值之间的时间。

为了计算两个连续R峰之间的时间，会保存第一个和第二个峰值出现的时间。将第二个峰值时间减去第一个峰值时间得到RR间期时间。每分钟心跳次数的计算公式为：

$$
\text{Heart Rate (bpm)} = \left( \frac{1.0}{\text{RR interval}} \right) \times 60.0 \times 1000
$$

其中，RR 间隔用于心率变异性（HRV）分析，以检测用户的压力水平。

B. 获取心率变异性（HRV）分数的指标

1) 时域指标：HRV分数可通过使用以下所示的时域指标测量两个连续RR间期之间的时间来计算：

a) 平均RR间期 ：所有 RR间期（两个‘R’波峰值之间的距离）的平均值通过以下公式计算：

$$
\text{MeanRR} = \frac{\sum_{i=1}^{n} R_i}{n}
$$

b) RR间期标准差 (SDNN) ：RR间期（也称为NN间期）的标准差通过以下方式计算：

$$
\text{SDNN} = \sqrt{\frac{\sum_{i=1}^{n} (R_i - \text{mean})^2}{n}}
$$

c) 连续差值的均方根（RMSSD） ：使用以下表达式计算两个RR间期差值的均方根：

$$
\text{RMSSD} = \sqrt{\frac{\sum_{i=1}^{n-1} (R_i - R_{i+1})^2}{n - 1}}
$$

C. 基于心电图自动监测压力的方法

图4展示了使用心率计算压力水平的算法。RMSSD通常从心电图获得，被视为HRV分数[32]。研究表明，HRV增加表明压力水平降低[33]，反之亦然。在进行适量健身锻炼的用户中发现HRV分数较高。用户在睡眠期间由于处于放松状态且压力水平低，会达到较高的HRV分数。HRV分数随用户活动而变化。表III显示了HRV分数与压力水平之间的关系[34]。

HRV分数	压力水平
90+	非常低
80–90	低
71–80	中等
61–70	平均
<60	高

D. 计算身体朝向的建议方法

为了确定身体姿态，需根据用户的初始位置和姿态对传感器进行校准。欧拉角的增加或减少决定了用户身体姿态的变化。在初始化传感器时，会提供X、Y和Z值，但这些数值取决于灵敏度。默认灵敏度为‐2g至+2g。为了校准传感器，需要初始化偏移值。当人直立且静止时，记录初始位置或偏移值。这些值被写入X、Y和Z轴的偏移寄存器中。校准完成后，用户的动作被测量为 $ X_{out} $、$ Y_{out} $ 和 $ Z_{out} $。横滚、俯仰和偏航通过[35]计算得出。这些数值定义了X、Y和Z的变化，并从校准值中获取数值。应用中的文本会提示用户其方向。

E. 跌倒预测与检测的建议方法

1) 跌倒预测：

为了检测由非自主外力引发的人体突然跌倒，采用一个简单的三层卷积神经网络，后接两个最大池化层和一个输出Softmax函数，用于预测可能发生的跌倒[36]。该模型通过服装中加速度计获取的合加速度变化来预测人体是否即将跌倒。合加速度的计算公式为：

$$
g_i = \frac{\sqrt{x_i^2 + y_i^2 + z_i^2}}{9.8}
$$

其中重力加速度值为9.8，$ g_i $ 是时刻 $ i $ 的合加速度，$ x_i $, $ y_i $, $ z_i $ 分别是时刻 $ i $ 沿 x、y 和 z 轴的加速度数值，$ g_i $ 在每次接收到加速度计数据的时间实例进行计算。

2) 跌倒检测：

在预测到跌倒后，如果发现合加速度在不到0.3秒内迅速下降至低于+0.90g，并从+1g快速上升超过+1g，则可判定所预测的跌倒已发生，并如图10所示被检测到。

V. 用于检测心律失常的建议深度神经网络（DNN）模型

A. 数据集准备

为了检测心电图中的异常，采用了一个将心跳分类为正常搏动、室性搏动、室上性搏动以及融合搏动和未知搏动的数据集。使用的是MIT‐BIH心律失常数据库[37]，该数据库包含48个半小时片段的双通道心电图，共有超过15万个样本。所提出的模型在10万样本上进行训练，并在2.2万个样本上进行测试。

B. 用于心律失常的DNN模型

图5展示了所提出的深度学习模型的架构，该模型包含6个一维卷积层，每个卷积层具有64个滤波器，输入步长为2。每个卷积层后接一个池化大小为2、步长为2的最大池化层。这些层连接到三个全连接层。各个类别的概率。

该模型用于根据心跳节律将数据集分为四类，并预测输入的心跳是正常还是存在异常。每一层使用的激活函数均为 ReLU激活函数，其表达式如下：

$$
f(x) =
\begin{cases}
1 & x > 1 \
x & 0 \leq x \leq 1 \
0 & x < 0
\end{cases}
$$

输出层连接到具有n个神经元的全连接层，样本x的心跳分类预测通过Softmax函数[38]表示，定义如下：

$$
f_n(x) = \frac{e^{(W_n h_x + b_k)}}{\sum_{j=1}^{K} e^{(W_j h_x + b_j)}} \quad (n = 0, …, n - 1)
$$

其中 $ h_x $ 是从前一个卷积层提取的 $ x $ 的特征表示，$ W_k $ 和 $ b_k $ 来自输出层第 $ n $ 个神经元。

C. 评估深度神经网络模型的指标

用于评估所提出深度神经网络模型的指标包括精确率、召回率、准确率和损失[11]。

• 精确率 ：模型从输入中识别可能心跳的能力：
  $$
  P = \frac{TP}{TP + FP} \times 100\%
  $$

• 召回率 ：模型从预测的可能心跳中识别出所有相关心跳的能力：
  $$
  R = \frac{TP}{TP + FN} \times 100\%
  $$

• 准确率 ：模型做出的正确预测占模型总预测数的比例：
  $$
  \alpha = \frac{TP + TN}{TP + TN + FP + FN} \times 100\%
  $$

VI. MYWEAR的实验验证

A. 提出的My Wear的特定设计

图6(a)展示了实验原型的照片。用户应用程序显示来自服装的生命体征数据，如图6(b)所示。温度和身体姿态会定时更新并显示。一旦检测到跌倒，系统将在接下来的10–15秒内向看护人发送包含位置信息的自动警报。用户手机应用上会出现通知，提示用户已检测到跌倒，用户可选择取消消息发送。然而，该次跌倒事件将同时被记录到云端以供将来使用。HRV分数由心电图（ECG）计算得出，有助于判断用户的压力水平。肌肉活动及其强度通过人体图以颜色形式可视化展示。颜色越深，表示特定肌肉所施加的肌肉力量越大。生命体征数据存储在 Firebase数据库（云平台）中，该平台还能够运行深度学习模型。该模型可检测心跳是否正常或不规则。此过程对两个样本重复进行。若检测到异常或不规则心跳，则会向用户的应用程序发出提示，并向指定医生和医务人员发送警报，以便在需要时提供即时协助。

B. 肌肉活动检测的验证

总共进行了5次测试，每次20分钟，用于研究肌肉收缩与活动强度之间的关系，并记录了相关数据。记录的电活动随时间变化绘制成图。观察发现，在肌肉收缩期间，肌肉活动增加，表现为图中的峰值。当受试者以更大的努力收缩肌肉时，峰值更尖锐且更高，表明肌肉力量的高强度。结论是，强度越高，图中的峰值就越明显，说明肌肉施加的力越大。图7显示了绘制的图形，描绘了左侧肱二头肌（bicep）肌肉强度增加的情况。

C. 使用心率变异性验证压力检测

心电图从三位穿着该服装的受试者身上采集。健康受试者的HRV分数为71.87，该HRV分数等于前文讨论的RMSSD值。图8描绘了从MIT‐BIH心律失常数据库[37]中提取的异常心跳。一位测试受试者的平均RR为 865.41毫秒，标准差NN（STDNN）为66.51毫秒，RMSSD值为71.87。

D. 心律失常和跌倒预测的DNN模型验证

所提出模型的准确率为98.2%。模型的学习率为 0.001。分类心跳时保持准确率和跟踪损失的模式分别如图9(b)和图9(a)所示。图9(c)显示了模型在不同训练轮数下召回率和精确率指标性能关系的曲线图。该模型的平均准确率为96.9%，精确率、召回率分别为97.3%和97.1%。

表IV展示了本模型与其他最先进的模型在心跳分类结果上的比较[39]–[41]。表V展示了本模型与其他模型在心肌梗死分类结果上的比较[39],[42],[43]。图6(b)展示了 MyWear的移动应用程序，实时显示心率、体温、身体姿态和HRV分数等身体生命体征，并实时绘制心电图数据。该应用还在人体图上可视化肌肉活动。

图10展示了模型通过识别合加速度的突然快速下降，预测人/用户即将跌倒的实例。当合加速度低于1g并迅速上升超过+1g时，即检测到一次下降。表VI显示了与其他模型[9],[24],[25]的跌倒检测结果比较。

VII. 结论与未来研究

身体生命体征为用户的生活和生活方式提供了洞察。它们是智能医疗的重要组成部分，通过分析这些体征可为用户提供日常健康改善的信息。本文提出的方法分别基于心电图和肌电图数据的分析，帮助预防心律失常和实现跌倒预测。

所提出的服装集成了云服务器中的深度学习模型，有助于检测心跳中的任何异常，并将检测到的异常进行分类。所提出的深度学习模型的平均准确率和精确率分别为96.9% 和97.3%。MyWear还可以通过嵌入式传感器检测肌肉活动和身体运动，从而为运动员和运动员的康复提供潜在帮助用于整体身体发育。此外，在边缘平台上实施深度学习模型将减少计算时间和资源，从而更快地获得结果。这可以作为所提出服装的扩展，并具有潜在的未来改进空间。