基于可穿戴设备的实时运动监测方法研究

孟 瑶

(辽东学院信息工程学院 辽宁 丹东 118000)

0 引 言

在可穿戴计算的架构中，计算系统是像眼镜、手表或衣服一样穿戴在身上，并可基于情景的变化与用户互动。其通过形态各异的显示器、方便易用的输入设备、大量环境感知元器件、无线局域网发挥着用户智能助手的作用。21世纪以来，可穿戴技术取得了显著进步，并开始进入普通人的视野和生活。一方面，移动互联网快速发展，无论是无线网络的承载能力和普及程度还是移动智能设备的性能都取得了长足的进步，这为可穿戴设备的开发提供了良好的技术基础。另一方面，人们对于更加自由、便捷和个性化的信息处理的需求打开了可穿戴设备的应用市场[1]。目前已面世的可穿戴设备按主要功能可划分为四类：健身类、健康类、资讯类、体感类。其中，健身健康类产品的出货量遥遥领先于其他类别的产品，有望成为最早取得突破性发展的应用方向[2]。该类设备通过内置的传感器采集诸如心电、呼吸、血压、身体活动、温度等信号，从而为佩戴者提供生理和环境信息[3-4]。李润川等[5]设计与实现的健康监测系统使用可穿戴心电检测仪采集心电信号，传输至云平台供医生诊断，并将检验结果派发给手机端显示。刘林锋等[6]提出了一种针对军校学员的运动状态识别方法，利用加速度数据采集设备获取运动数据，使用阈值识别提取的特征值，实现了对七类运动状态的识别。范长军等[7]使用深度神经网络对从多类传感器获取的惯性和生理等多模态数据进行特征提取和融合，从而实现人体活动识别。高香玉[8]提出了一种人体行为监测方法，使用加速度计采集活动数据，借助云平台转发至后台服务端进行数据分析，实现动作类别识别和跌倒报警。孙子文等[9]提出了一种基于加速度传感器的阈值方法进行人体跌倒监测，其针对跌倒行为的三个阶段，使用支持向量机设定多重阈值。此类研究已取得了一定的成果，但也存在一些问题。首先，多数研究通过消耗计算资源来提高准确性，难以向设备佩戴者持续反馈实时监测结果。其次，通常使用仿真实验来分析性能，实地实验结论较少。最后，缺乏对系统可用性的评价，无法了解用户对系统的接受程度。

针对以上问题，本文设计一种用于可穿戴设备的运动监测系统，以实现与个人运动状况相关的实时反馈。通过用户穿戴的健康胸带，可随时随地采集心电和活动信号并传输至移动设备。安装于移动设备的应用程序接收生理信号，借助心率监测和步伐监测算法进行实时分析，并显示相关运动参数。实验验证了本文方法的有效性与可行性。

1 可穿戴运动监测系统

1.1 系统结构

如图1所示，该可穿戴运动监测系统由三部分构成：(1) 用于生理信号采集的健康胸带；(2) 用于实时生理信号分析和反馈的移动应用程序；(3) 用于数据存储的服务器。

图1 可穿戴运动监测系统结构

健康胸带内置的心电传感器和加速度计分别负责采集佩戴者的心电信号和身体活动加速度信号。移动终端(如智能手机、平板电脑等)安装有专门的应用程序，其与健康胸带无线连接，以接收心电和加速度信号，并使用心率监测和步伐监测算法进行数据分析，向用户展示提取的实时参数。

1.2 健康胸带

如图1所示，健康胸带内置心电传感器、加速度计、电路模块、通信模块和电源模块。其中，心电传感器用于检测佩戴者心脏活动，采样率240 Hz。健康胸带内置3个心电传感器，其采集的信号通过数字纱线传输至电路模块，如图2所示。该电路也内嵌1个三轴加速度计，用于采集身体活动产生的加速度信号，采样率240 Hz。通信模块使用蓝牙实现健康胸带和移动终端的无线通信。

图2 健康胸带

1.3 移动应用程序

移动应用程序用于实时处理心电和活动加速度信号，并生成反映用户运动状况的参数，主要功能如下。

(1) 展示运动成绩。用户可以在运动过程中随时查看自己的实时步数、实时心率和实时行走距离(如图3所示)，也可查看实时心电图或加速度信号图。

图3 实时运动参数反馈

(2) 保存运动成果。每次运动后，询问用户是否保存该次记录。若用户选择保存，则应用程序计算并显示该次运动的总步数、总行走距离、热量消耗等参数(如图4所示)，并将信号和相关参数转发至远程服务器，实现数据的长期存储。

图4 当前运动成果展示

(3) 回顾运动成果。应用程序从服务器下载历史运动记录，以日/周/月为单位向用户展示历史运动成绩，用户也可查看周/月运动趋势图。图5右部展示了某个月的运动情况，包括总时长、总热量消耗、总天数、总行走距离、总步数和日平均行走距离；图5左部展示了某个月里每日运动目标达成情况(以255 kcal为日运动目标)和每日行走距离的折线图(因界面布局空间有限，所显示的最大距离为600 m)。

图5 月运动情况统计

2 信号分析

移动应用程序实现了两种信号分析算法：心率检测和步伐检测。

2.1 心率检测

从心电传感器获取的信号波形类似标准导联II心电图，故对Pan等[10]开发的QRS检测算法进行改进以适应本系统心电信号。改进的算法包括以下步骤，R波检测结果如图6所示。

1) 累积固定长度的心电信号。

2) 应用均值滤波器和带通滤波器对心电信号进行滤波。

3) 对滤波降噪后的信号依次进行微分、逐点平方和移动窗口积分。

4) 基于积分波形的峰值，导出阈值。

5) 根据阈值，检测QRS波群的R波。

6) 计算当前R波和前一个R波之间的位置间隔，即RR间隔。

7) 根据历史RR间隔和R波峰值，判断当前R波的合法性。

8) 若当前R波合法，结合采样率，计算当前心率。

图6 R波检测

2.2 步伐检测

步伐检测算法的输入数据为三向加速度信号、用户性别和身高，输出数据为实时步数和实时行走距离。算法包括以下步骤，触地点检测结果如图7所示。

1) 累积固定长度的加速度信号。

2) 将三轴加速度信号合并为一个信号量。

3) 基于历史触地峰值计算阈值，初值为0。

4) 应用Savitzky-Golay滤波器进行滤波。

5) 根据过零点，检测触地位置。

6) 根据阈值，判断当前触地位置的合法性。

7) 若当前触地位置合法，累积步数加1。

8) 根据峰值和谷值，计算极差。

9) 根据极差、用户性别和身高，计算出当前的步长，步长计算公式见式(1)-式(3)。

(1)

K=0.45·(L/1 000)+0.057

(2)

(3)

式中：SL代表步长估值(m)；rmax和rmin分别为峰值和谷值；L是腿长估值(mm)，H是身高(mm)。

10) 当前步长与历史行走距离相加，得到当前的行走距离。

图7 触地点检测

3 用户实验

为了分析心率检测和步伐检测算法的性能，以及评价所开发系统的可用性，进行了实地用户实验。

3.1 方 法

10位男性受试者(20岁至30岁)参与了用户研究实验，结果如表1所示。

表1 受试者信息(N=10)

受试者佩戴健康胸带进行运动，使用安装于平板电脑上的应用程序查看自己的表现。在受试者短暂熟悉应用程序后，使用跑步机分别以2 km/h、4 km/h、6 km/h、8 km/h和10 km/h的速度进行步行或跑步运动，总运动距离为2.5 km。运动结束后，受试者填写关于系统使用体验的调查问卷。

3.2 结 果

(1) 心率检测算法性能。为了评估心率检测算法的性能，将检测到的R波和实际R波进行了比较。图8比较了每个受试者的实际R波数量、采用Pan-Tompkins(PT)算法检测的R波数量和采用本文改进算法检测的R波数量。Pan-Tompkins算法错误率的平均值为-2.73%，其标准差为1.28；本文改进算法错误率的平均值为-2.13%，其标准差为0.99。表明改进算法更加适应本系统采集的心电信号。另外，两种心率检测算法的错误率均为负值(即检测值小于实际值)，表明算法低估了受试者的R波数量。这是由于高强度身体活动(如跑步)产生了伪影和噪声，从而导致漏检情况发生。

图8 实际R波数量、PT算法和改进算法检测 R波数量的比较(N=10)

(2) 步伐检测算法性能。为了评估步伐检测算法的性能，将检测到的步数和距离，与相对应的实际值进行了比较，结果分别如图9和图10所示。特别地，排除了2例未遵循指定运动方案的受试者。步数错误率的平均值为-11.02%，其标准差为1.66；距离错误率的平均值为-7.88%，其标准差为5.32。步数和距离的错误率均为负值(即检测值小于实际值)，表明算法低估了步数和距离，这也源于高强度活动引发的漏检现象。

图9 实际步数和检测步数的比较(N=8)

图10 实际距离和检测距离的比较(N=8)

通过分析5个运动强度(2 km/h、4 km/h、6 km/h、8 km/h和10 km/h)的受试者数据发现，低强度运动误差与整体误差显著相关(相关系数r=0.739，显著性p<0.05)。如图11所示，受试者以2 km/h速度运动时，步数检测错误率高达-95.51%，而以其他速度运动时，错误率极低。表明该步伐检测算法更适应于中高强度运动。此外，步伐检测基于相同原因，出现了如心率检测类似的漏检情况，这也对步数和距离的低估产生了一定的影响。

图11 步数检测错误率和运动速度的关系(N=8)

运动追踪产品多以智能手机、智能手环等硬件设备为载体，常基于GPS计算距离等运动参数。图12围绕运动距离，比较了实际距离、使用运动软件Sports Track Pro检测的距离和应用本文算法检测的距离。由于GPS受环境影响较大，该实验没有使用室内跑步机，于户外操场(360 m)实施，受试者以中等强度(约4～6 km/h)绕场一周运动。Sports Track Pro错误率的平均值为5.93%，其标准差为2.59；本文算法错误率的平均值为3.78%，其标准差为0.28。表明相较基于GPS的运动跟踪方法，基于加速度计的检测方法除了存在环境影响小的优势外，还在统计步行或跑步运动距离方面具有更高的精度。特别地，该实验结论也与图11一致，本文算法在受试者进行中等强度运动时的检测错误率为正值，表明存在较低的误检情况。

图12 实际距离、Sports Track Pro和本文算法检测 距离的比较(N=10)

(3) 系统可用性。运动后调查问卷围绕系统易用性、信息可靠性、穿戴舒适性、界面美观性和运动激励性5个测量值对运动穿戴系统的可用性进行评估。问卷中的问题答案选项采用5分量表(1分表示“完全不同意”，5分表示“完全同意”)评分。每个测量值的得分取所有受试者评分平均值。

为了探讨每个测量值对用户接受度的影响，使用IBM SPSS Statistics 20，分析了目标变量“考虑在未来使用该系统”与问卷中每个测量值之间的相关性，结果如表2所示。所有相关性均为正相关，表明这5个测量值都对受试者继续使用运动穿戴系统产生了积极影响。其中：*表明显著性p<0.05(测量值与目标变量在0.05水平上显著，即二者显著相关的概率大于等于95%)；**表明显著性p<0.01(测量值与目标变量在0.01水平上显著，即二者显著相关概率大于等于99%)。因此，表2中存在4个测量值与目标变量具有统计学意义上的显著相关性。

表2 测量值与目标变量之间的相关性(N=10)

相关系数越大，相关性越强。相关系数在0.4～0.7之间是中度相关，0.7～0.9是高度相关，0.9～1.0是极高相关。据此可分析5个测量值对目标变量“考虑在未来使用该系统”产生的影响：

1) 测量值“系统易用性”与目标变量具有极高相关性(r=0.905,p<0.01)，表明受试者认为运动穿戴系统操作简单、使用方便，所以愿意继续使用该系统。

2) 测量值“信息可靠性”与目标变量具有高度相关性(r=0.770,p<0.01)，表明受试者认为系统反馈的参数(即步数、距离和心率)较为可信，所以愿意继续使用该系统。

3) 测量值“穿戴舒适性”与目标变量具有低度相关性(r=0.238)，表明健康胸带穿着的舒适程度不满足受试者的需求。

4) 测量值“界面美观性”与目标变量具有中度相关性(r=0.595,p<0.05)，表明受试者认为移动应用程序的界面设计基本满足其需求，对继续使用该系统的意愿有贡献。

5) 测量值“运动激励性”与目标变量具有高度相关性(r=0.748,p<0.01)，表明受试者认为使用该系统辅助运动起到了鼓励运动的作用，所以愿意继续使用它。

综上所述，5个测量值中的系统易用性、信息可靠性、界面美观性和运动激励性与目标变量存在显著相关性，穿戴舒适性与目标变量的相关性较低。

4 结 语

本文提出一种由健康胸带、移动终端和服务器构成的可穿戴运动监测系统，其提供与运动心电和加速度信号相关的实时反馈与历史查阅。招募10位受试者进行了实地用户实验，以分析信号处理算法的性能和调查系统可用性。结果表明，心率检测算法的R波数量错误率为-2.13%；步伐检测算法的步数错误率为-11.02%，距离错误率为-7.88%。该系统在系统易用性、信息可靠性、穿戴舒适性、界面美观性和运动激励性方面，均对用户接受度产生了积极影响。其中系统易用性、信息可靠性、界面美观性和运动激励性与受试者继续使用该系统存在显著相关性。下一步研究可改进信号处理算法以降低错误率，也可改进健康胸带的穿戴方式(如内嵌至背心中)以提高舒适度。