基于运动员心率和敏捷指数算法的无线传感器系统设计

《自动化技术与应用》2019年第38卷第8期

基于运动员心率和敏捷指数算法的无线传感器系统设计

周洪韬

(西安文理学院师范学院,陕西西安710065)

摘

要:剧烈体育运动作为猝死主要原因，因此在专业的运动训练过程中通过技术手段实时监测运动员的各项特征指标以保障运动

员的身体状况。本文提出将稳健的心率和敏捷指数监测算法结合到一个小而轻的监测节点中，通过基于带通滤波器的R波检测算法计算敏捷指数。实验过程通过ZigBee电信系统间监测数据实时无线传输到个人计算机，结果表明，心率测量误差率在2％以内，与传统的有线测量方法相当，敏捷指数的灵敏度可以区分为活动速度，略有变化。

关键词:心率检测；敏捷指数；运动员评价；无线传感系统中图分类号：TP393

文献标志码:A

文章编号:1003-7241(2019)08-0181-04

DesignofWirelessSensorSystem

BasedonAthleteHeartRateandAgileIndexAlgorithm

ZHOUHong-tao

(NormalCollegeofXi'anUniversity,Xi'an710000China)

Abstract:Asamaincauseofsuddendeath,strenuousphysicalexercisemonitorsathletes'variouscharacteristicsinrealtimethrough

technicalmeanstoprotecttheathlete'sphysicalcondition.Thispaperproposestocombinetherobustheartrateandagileindexmonitoringalgorithmsintoasmallandlightmonitoringnode,andcalculatestheagileindexbytheR-wavedetec-tionalgorithmbasedonthebandpassfilter.TheexperimentalprocessistransmittedwirelesslytothepersonalcomputerthroughtheZigBeetelecommunicationsystemmonitoringdatainrealtime.Theresultsshowthattheheartratemeasure-menterrorrateiswithin2%,whichisequivalenttothetraditionalwiredmeasurementmethod.Thesensitivityoftheagileindexcanbedividedintotheactivityspeedandslightlychanged.

Keywords:heartratedetection;agileindex;athleteevaluation;wirelesssensingsystem

1引言

心跳是评估健康状况的重要物理参数，由于该指标提供了心脏功能的生命体征，可通过心电图（Electro-CardioGram，ECG）波形的形态和间隔间隔表明心脏收缩的状况。ECG信号可用于准确检测心率，QRS波群是ECG信号中最突出的波形，可以显示心室收缩期间的电活动。心脏的当前状态可以通过QRS复合波的形状以及它发生的时间来评估。高精度QRS检测是较为困难的，因为ECG信号中出现各种类型的噪声—肌肉动作，电极运动和基线不稳定可能是噪音的主要来源。一些研究人员通过声学[1]和光电容积脉搏波（Photoplethysmogra-phy，PPG）传感器完成心率的评估，PPG信号的技术依赖

收稿日期:2019-01-21

于将发光二极管（LED）照射到皮肤中的毛细血管并通过光电检测器接收反射光的数据。对于运动员来说，剧烈的运动和振动是噪音的重要来源。

在运动中，敏捷性可以表明运动员的潜力。敏捷性的测量基于运动员完成规定运动所需的时间或者他们在给定时期内可以完成多少步骤。众所周知，身体运动的强度与人体循环系统的物理需求密切相关。人体运动分析主要由摄像机主导，将所捕获的运动状态视频数字化，并且可以增强运动以供运动分析软件进一步分析。B.Dijkstra等[2]用加速度计监测身体活动，并将其与视频观察进行比较。然而，使用多个相机的运动检测需要在有限的空间中进行复杂的设置，因此，它不适合于在室外或移动环境中监视人。上述与身体姿势相关的研究受到系统准确性的限制，为了更准确地描绘身体姿势和位置，有

TechniquesofAutomation&Applications181

《自动化技术与应用》2019年第38卷第8期

行业应用与交流IndustrialApplicationsandCommunications

必要在身体的不同位置安装更多传感器。

当前，市场上大量的传感产品，通常，这些产品是手表式和腰带型的，将传感器绑在胸前；另一种商业产品是使用加速度计的计步器，这些设备通常具有单一功能，例如心率或运动监测。手表式传感器在监控行走和跑步方面具有高精度，但与心率无关。在强化锻炼期间，手表式传感器可能不会紧紧地附着在皮肤上。此外，腰带式也需要紧紧地佩戴在胸部，这在跑步时不舒服。由于大量出汗，它可能在跑步时容易掉落。

因此，本文设计了运动员专用的小型贴片式传感器系统，可同时监测心率和运动，对运动员来说更舒适，同时可以记录和下载数据以供进一步分析。

图2心率检测算法的流程图

本文开发了一种新的敏捷指数，作为活动反应敏感度和运动员训练量的衡量标准，该新指标与传统敏捷指数具有较高的相关系数。在这项研究中，使用3轴加速度计（MMA7260Q）检测运动时加速度的变化[5]。灵敏度范围可以在低重力水平下调整，或者可以在高重力水平下实现更粗粒度的数据采集。

首先，通过使用具有100Hz采样率的12位ADC将加速度信号数字化，其中信号没有噪音；需要预处理阶段来降低噪声的影响，对于数字滤波，使用带通滤波器和移动平均值。对于每个轴，加速度计产生的模拟电压对应于与该轴平行的加速度计力。每个轴的g值独立计算，然后组合成单个值，需要较少的微控制器存储器和计算资源，均方根公式如下：

2系统算法设计

心率和敏捷指数是两个主要的监测参数，本文所提出的算法可以在日常生活中以及在高强度运动训练期间记录这些参数，用来分析生理心率波形，并通过ECG导联进行监测设计[3-5]。（1）心率监测算法

通常情况下，ECG信号包含几种不同周期的波，如图1所示，P波表示心脏上腔室（心房）心跳的开始，其持续时间通常小于0.12s；QRS波群对应于下腔室（心室）去极化，它的持续时间通常为0.04至0.12秒。T波代表恢复阶段，为了计算心率，应精确指定QRS波群的位置和RR间隔（RR间隔是两个连续R波之间经过的时间）。

根据MMA7260Q传感器的输出特性，很明显检测到的信号始终为正。但是，根据速度变化，测量的加速度可以是正的或负的，因此，滤波后的信号通过归一化阶段，如图3所示。最大和最小峰值可以确定为加速度计输出的特征值，最后，可以将特征点之间的区域计算为敏捷性指数。

图3

图1

心电图（ECG）信号的组成部分

信号规范化图

3系统设计

3.1

系统设计原理

系统整体数据处理总结如下。首先，获取来自ECG和3轴加速计传感器的生物信号，此外，通过利用低通和高通滤波器将模拟信号转换为数字信号来处理；随后，信号从传感器节点实时无线传输到接收器；最后，嵌入式分析软件提供在个人计算机中接收和显示监控信号的接口。数据可以按日期和时间保存。运动员训练数据可以从便携式计算机列在日历上。教练可以轻松检查运动员的日常训练状态，系统原理图如图4所示[6-7]。

使用来自ECG电极的监测信号在传感器板上实施心率算法。使用八个通道分析采样数据，通道覆盖1至

在本研究中，本文寻找一种适用于贴片型传感器的低处理能力的有效方法，用于检测心率的算法集中在分析运动员在运动期间的心律。设计了一种基于带通滤波器的R波检测算法，使其在运动过程中更加稳健。该算法根据图2所示的流程图获取了LeadII信号，该检测基于数字滤波的组合，以减少噪声的影响，阈值QRS检测，T波识别技术，以区分QRS复合波T波和模板匹配方法区分QRS波群与室性早搏（VPC），因为QRS波和VPC波形类似于正常收缩波形。

VPC=室性早搏HR=心率（2）敏捷指数检测算法

182TechniquesofAutomation&Applications行业应用与交流IndustrialApplicationsandCommunications

《自动化技术与应用》2019年第38卷第8期

50Hz的频率。在转换为数字信号之后，信号采集从低通滤波器开始到高通滤波器。信号按时隙划分，以找到RR间隔的电压峰值，基于节拍检测，可以计算心率并将其输出到个人计算机，心率信号采集和处理如图5所示。

率为100bpm。最慢的跑步在整个时期产生几乎相似的心率水平。在测试开始时，最慢的跑步产生的心率略高于快走时的心率。随着时间的推移，快步走是导致心率高于最慢跑步的心率，这是因为慢速跑步和快速步行练习具有相同的能量消耗。

图4系统组成图(DAQ:数据采集,AI:敏捷指数)

图6传感器和标准系统之间的心率相关性

图7不同情况下的心率监测

4结束语

本文针对运动员训练和评估，提出了一种心率和敏

图5心率信号采集和处理流程图

捷指数监测算法。对R波检测算法进行改进，采用带通滤波器设计，以减少强化运动产生的伪影。通过实验室评估，该算法对运动员心率的检测灵敏度的平均相关系数为0.9，各种训练测试中显示出有竞争力的结果，包括以不同速度行走和跑步。

3轴加速度计将所有运动强度集成到敏捷指数中，加速度计有助于跟踪宽频率范围的人体振动。在敏捷性指数的计算中，x，y和z轴数据被集成到一个输出中。

3.2系统实验评估

为了评估所提算法的性能，在实验室环境下对算法

性能进行了测试，实验室测试在跑步机上进行，速度为5，10和15km/h，休息状态为0km/h，如表2所示。这包括从休息到步行然后跑步的状态，运动员的基本活动，参与者使用标准系统中提出的传感器和心率测量电极进行修补。每次测试的持续时间为3分钟，用于稳定测量，图10显示了所提出的传感器和标准系统之间的相关性，从检测结果可以看出，运动状态与其他状态相比具有更高的准确性，与运动员的活动模式相匹配，且误差的平均值在2％以内。

实验测试包括正常步行，快步走，最慢跑和慢跑。每个测试过程具有相同的条件，并且在跑步机上设置跑步距离约为400米，心率检测的结果如图7所示，相同的距离，慢跑花费的时间越少，心率越大。步行导致稳定的心

参考文献:

［1］CHENG,IMTIAZSA,EDUARDOAGUILAR-PELAEZ,etal.Algorithmforheartrateextractionina

novelwearableacousticsensor[J].HealthcareTechnologyLetters,2017,2(1):28-33.

［2］DIJKSTRAB,KAMSMAY,ZIJLSTRAW.Dete-ctionofgaitandposturesusingaminiaturisedtriaxialaccelerometer-basedsystem:accuracyincommunity-dwellingolderadults[J].Age&Ageing,2010,39(2):259.

［3］刘焕斌,魏振钢.基于ZigBee技术的敏捷训练系统[J].电子技术与软件工程,2017(11):108.

［4］李宝强.基于多源融合的运动员训练信息分析系统设计[J].自动化与仪器仪表,2018(8):96-99.

［5］XIANGFENGH,ZHAOFENGZ.Aportablegait

（下转第186页）

TechniquesofAutomation&Applications183

《自动化技术与应用》2019年第38卷第8期

行业应用与交流IndustrialApplicationsandCommunications

5.1样本数据选取

本文通过进行问卷调查来得到分析体育赛事风险预

造函数能够对BP神经网络中的数据进行学习训练[5]。以0-1作为结构输出端的向量表示方式，所以，对于该端的神经节点数量运用对数函数来构造函数。较为复杂的隐含端则运用正切函数来表示神经节点的数量。以TRAIN-LM作为输入端的神经网络节点训练函数，将次数设定为2000次，以便将最终偏差缩小在0.01以下。最终完成BP神经网络中的数据训练时，输入端有7个神经节点，且最终偏差小于0.01.

警中BP神经网络应用的相关样本数据信息。对问卷调查结果进行分析，得出20组有效样本数据。而后分别以20组样本数据来运行出风险预警指标级别，输入值为20组，一一对应得出的输出值则为指标级别。获得的样本数据需要完成自我学习与训练，为保证样本数据对评估产生的误差影响，在此过程中可逐渐提升训练频率。当结束学习与训练后，以20组中的8组来进行体育赛事风险预警模型的相关测试，并检测其是否有效。

5.4仿真结果分析

首先完成8组风险预测样本数据信息的BP神经网络

5.2BP神经网络拓扑结构设计

组成BP神经网络拓扑结构主要有三端，即输入、隐

学习训练，次数设定多次直至偏差符合标准，而后将数据作为BP神经网络的输入值，分别计算出对应的输出值，将输出值与理论数据对比分析。用理论数据中（1，0，0）、（0，1，0）及（0，0，1）三种风险级别对输出值进行检测，检测风险预警效果是否有效。

含及输出。其中只要BP神经网络中含有一个隐含端，则可接近于无断点函数。所以，可通过多对多的映射形式来完成BP神经网络的运行。进行风险评估是体育赛事风险预警模型的运作重心，风险综合预警可将风险划分为高、中、低三个等级，将输出端神经节点数量为3个，分别为高、中、低三种结构模式。若运用数学形式来表示三种风险级别则由高到低分别为：100、010、001。换言之，若输出端的神经节点数量结构形式为“高”位置为“1”，则表示风险评级为高，同理，若在“中”或“低”位置为“1”，则风险评级为中或低，由此可知，只会有一个“1”在输出端神经节点数量结构形式中出现。

此外，隐含端相较于输出端的神经节点数量结构更为复杂。BP神经网络的规模是由隐含端节点数量与隐含端的数量多少来直接决定。因此，要更好的掌控BP神经网络的规模，就需先掌控好隐含端神经节点的数量。若隐含端神经节点数量太多，则会使整体BP神经网络规模过大，使学习训练时间被拉长，泛化能力被削弱，进而影响最终的风险预测准确度[4]。若隐含端神经节点的数量太少，则会使整体BP神经网络规模过小，整体建模不够完善，同样影响准确度。所以，对于隐含端神经节点数量掌控非常重要，需确保BP神经网络整体规模符合标准，同时保证整体BP神经网络规模不能过大，影响整体准确度。

6结束语

体育赛事的风险预警管理是一个相对成分较为复杂、层级较高的工作，对赛事运行中所遇到的任何风险进行预测，以此来规避可能的风险并减少各项损失获取盈利是该系统的主要功效。本文选取BP网络系统进行研究，在实际中应用BP神经网络分析赛事风险可以起到很好的预警作用，可以为类似的研究提供具有价值参考信息，有一定的应用研究价值。

参考文献:

[1]霍德利,仇慧,仇军.大型体育赛事风险预警模型与应对策略研究[J].沈阳体育学院学报,2014,33(5):6-11.

[2]刘娟,孙庆祝.大型体育赛事风险运营预警体系的构建[J].体育科研,2007,28(6):55-57.

[3]梁华伟,原颜东，薛红卫.基于BP神经网络的体育赛事风险预警模型[J].广东建材,2018,33(5):6-11.

[4]张森,王家宏.基于利益相关者视角的大型体育赛事风险管理问题识别[J].首都体育学院学报,2017(2):67-69.

[5]任天平.我国大型体育赛事风险识别指标体系初探[J].西安体育学院学报,2015(4):98-100.

5.3BP神经网络仿真训练

运用Matlab软件来进行BP神经网络应用于体育赛

事风险预警模型中的仿真训练。该软件内包含专用于进行BP神经网络仿真测试的工具箱，当中的构建预测与构（上接第183页）

accelerationacquisitionsystem[C]//InternationalConfer-enceonElectricInformation&ControlEngineering.IEEE,2011.

［6］张雷.基于加速度传感器的运动员能耗采集系统设计[J].自动化与仪器仪表,2018(7):153-155,159.

186TechniquesofAutomation&Applications作者简介:张彤(1980-)，男，硕士研究生，讲师，研究方向:体育教育、训练工作（足球方向）和体育精神、体育史、体育心理。

［7］韩松杉.基于多传感器联合的人体动作识别研究[D].成都：电子科技大学,2018.

作者简介:周洪韬(1988-)，男，学士研究生,讲师，研究方向:运动训练。