论文部分内容阅读
心脏是人体的重要器官,其通过搏动将血液输送到人体各组织器官,实现人体血液循环。心率信息能够反应身体的健康状态,在运动状态下检测人体的心率信息,能够帮助人们调节运动量,防止剧烈运动造成身体的损伤。现有的心率检测设备通常采用光电传感器获取脉搏波,在运动状态下采集到的心电波形干扰严重,导致可穿戴设备难以从干扰严重的脉搏波信号中提取到准确的心率值。本文将心率信号检测中的光电容积脉搏波描记法(Photoplethysmography,PPG)与人工神经网络相结合,设计了一个运动状态下的心率信号检测系统。该心率信号检测系统的主控芯片选自NORDIC的蓝牙芯片nRF52832,主控芯片可以实时处理采集的PPG数据,并通过嵌入式2.4GHz收发器发送获取的数据。通过心电检测仪,实时采集心电数据,用于机器学习算法的训练。本文采用了两种机器学习算法,并对比其使用效果,一种是栈式自编码(Stacked Auto-Encoders,SAE)网络模型,另一种是长短期记忆网络(Long Short-Term Memory,LSTM)模型,使用该模型构建编码模块和解码模块。基于以上机器学习算法,将大量采集到的PPG信号和心电信号用于对网络模型及参数的训练,最终实现PPG信号中心率的准确预测。本文结合人体生理信号检测、电子信息和机器学习等多领域知识,在人体运动心率测量系统的开发过程中主要完成了以下工作:1.对心率信息检测系统的研究背景和国内外发展现状进行系统描述。本文对脉搏检测装置做出了具体的需求分析,并给出了整体的设计方案,研究了卷积神经网络(Convolutional Neural Network,CNN)、循环神经网络(Recurrent Neural Networks,RNN)和SAE等机器学习算法,对比提出合适的算法及网络模型,用于脉搏信息的检测;2.实现脉搏测量系统中的电源电路、复位电路、运动姿态检测电路、PPG信号采集电路和数据的无线收发电路,并对电路的原理和作用进行阐述;3.介绍TensorFlow、TFLearn两种机器学习框架,结合实际给出机器学习的网络模型和对应的结构框架方案,详细解析了数据预处理,网络结构和数据训练预测的实现方法。4.阐述了SAE和LSTM网络数据训练及测试过程,实验证明,基于nRF52832的无线心率检测系统和人工神经网络模型可以实现剧烈运动状态下的PPG信号中心率信息提取的需求,从而帮助人们实现科学合理的运动健身,同时对于人体运动时的健康监护也有积极作用。