CN108652609A - 一种心率获取方法、***及可穿戴式设备 - Google Patents

Abstract

本发明公开了一种心率获取方法、***及可穿戴式设备，本申请预先建立运动信号与μ值之间的对应关系，运动信号与运动状态存在对应关系，后续使用过程中，会确定与当前运动信号对应的μ值，进而根据该μ值对脉搏波信号进行滤波，得到纯净的心率信号。可见，本申请中，会根据与运动状态存在对应关系的运动信号来选择合适的μ值，以此来适应于不同的运动状态，适应性好，使得在不同运动状态下也能够进行较好地滤波，保证了不同运动状态下的滤波效果，进而能够得到不同状态下的纯净的心率信号，解决了现有技术中存在的任何运动状态均取相同的μ值从而导致在不同运动状态下滤波效果不稳定的问题。

Description

一种心率获取方法、***及可穿戴式设备

技术领域

本发明涉及信号处理技术领域，特别是涉及一种心率获取方法、***及可穿戴式设备。

背景技术

在利用可穿戴式设备进行心率检测时，用户可能会进行不同的运动，例如步行、跑步等，从而使得可穿戴式设备采集到的脉搏波中混合着不同程度的运动干扰信号。为了得到纯净的脉搏波，需要对采集到的脉搏波进行运动干扰的消除。

现在通常采用如图1所示的自适应滤波器来消除运动干扰。自适应滤波器以噪声干扰为处理器对象，对噪声干扰进行抑制或者衰减，以提高自适应滤波器的输出端信号在信噪比上质量的提高。该自适应滤波器是具有可调节抽头权系数的横向滤波器，M为抽头阶数，W₁(n)、W₂(n)…W_M(n)表示抽头权系数在n时刻的值，该自适应滤波器中所采用的LMS(Least Mean Square，最小均方)算法将采集的脉搏波信号作为参考通道信号d(n)，将加速度信号作为主通道信号X(n)。该自适应滤波器采样的最佳准则为最小均方误差，该准则认为自适应滤波器的输出信号和期望信号之差的均方值最小为最佳。在自适应状态开始阶段，首先调节自适应滤波器的抽头权系数，以进行自适应训练，然后利用滤波系数抽头上的信号产生输出信号，将输出信号与期望信号的差值通过一定的自适应控制算法再来调节权值，以保证滤波器处在最佳状态，达到实现滤波的目的。

具体地，W(n)＝[W₁(n)W₂(n)...W_M(n)]^T表示滤波权系数矢量；X(n)＝[X₁(n)X₂(n)...X_M(n)]^T表示自适应滤波器的输入信号；则自适应滤波器的输出信号d(n)表示自适应滤波器输入X(n)时所期望得到的响应或者输出；输出信号与期望信号之差，也就是e(n)，e(n)＝d(n)-y(n)＝d(n)-W^T(n)X(n)。上述提到，LMS算法采用最小均方误差来衡量滤波器的好坏，公式表示如下：E{e²(n)}＝E{[d(n)-y(n)]²}，为了使均方误差达到最小值以便获得的自适应滤波器的最优性能，对M个抽头权系数W(n)进行迭代。设第n次迭代得到的自适应滤波器抽头权值向量为W(n)，并设该次迭代得到的均方误差是e(n)，那么第n+1次迭代得到的权系数可由下式求出：W(n+1)＝W(n)+μe(n)X(n)，其中，μ为迭代步长因子。为了使LMS算法收敛，经过推导μ的取值范围应该是：其中，λ_max为输入信号X(n)的自相关矩阵的最大特征值。使用d(n)减去最终迭代完成后输出的滤波信号y_end(n)可求得去除运动干扰的脉搏波信号。

通过基于LMS算法的自适应滤波的原理可知，μ值的取值范围是由输入信号X(n)的自相关矩阵的最大特征值λ_max决定的，在实际的算法中如果对于不同的运动状态都采用该方式计算μ值会使得算法的计算量增大数倍，甚至更多，这也意味着功耗大，实时性差。现有技术在面对上述问题时，通常会采用固定的μ值进行LMS滤波去除运动伪迹，但是该方法没有考虑到实际应用中，运动干扰成分与正常心率频带会出现重叠，并且不同的运动状态对应的有效心率频带范围存在差异，如果对于不同的运动方式均采用相同的μ值，由于该μ值并不会适用于各种不同的运动状态，从而使得不能在各个不同运动状态下均进行较好地滤波，使得在不同的运动状态下的滤波的效果不稳定，适应性差，从而不能得到在不同运动状态下的纯净的心率信号。

发明内容

本发明的目的是提供一种心率获取方法、***及可穿戴式设备，根据与运动状态存在对应关系的运动信号来选择合适的μ值，以此来适应于不同的运动状态，适应性好，使得在不同运动状态下也能够进行较好地滤波，保证了不同运动状态下的滤波效果，进而能够得到不同状态下的纯净的心率信号。

为解决上述技术问题，本发明提供了一种心率获取方法，包括：

建立运动信号与迭代步长因子μ值之间的对应关系；

获取当前运动信号和脉搏波信号；

根据所述对应关系确定与所述当前运动信号对应的μ值；

根据确定的μ值对所述脉搏波信号进行自适应滤波，得到心率信号。

优选地，所述建立运动信号与μ值之间的对应关系，包括：

建立运动信号的量级与μ值的量级之间的对应关系；

建立运动信号与运动状态之间的对应关系；

建立所述运动状态与μ值的系数之间的对应关系。

优选地，所述运动信号为加速度信号。

优选地，所述建立各运动信号的量级与μ值的量级之间的对应关系，包括：

所述加速度信号的量级为10⁰时，μ值的量级为10^-4；

所述加速度信号的量级为10¹时，μ值的量级为10^-6；

所述加速度信号的量级为10²时，μ值的量级为10^-8；

所述加速度信号的量级为10³时，μ值的量级为10^-10；

所述加速度信号的量级为10⁴时，μ值的量级为10^-12。

优选地，所述运动状态包括走路、跑步及骑行中的至少两种；

则所述建立所述运动状态与μ值的系数之间的对应关系，包括：

所述运动状态为走路时，μ值的系数为[1，3]；

所述运动状态为跑步时，μ值的系数为[3，5]；

所述运动状态为骑行时，μ值的系数为[1，5]。

优选地，所述根据确定的μ值对所述脉搏波信号进行自适应滤波过程中用到的抽头阶数的获取过程为：

从区间中选取抽头阶数，其中，为所述抽头阶数的下限阈值，a的数值等于所述加速度信号的采集频率的数值，所述采集频率的单位为Hz，b不大于所述加速度信号的采样时间内的总的离散点数。

优选地，所述根据所述对应关系确定与所述当前运动信号对应的μ值之前，该方法还包括：

对所述当前运动信号依次进行平滑滤波预处理、去趋势算法预处理；

和/或，

所述根据确定的μ值对所述脉搏波信号进行自适应滤波之前，该方法还包括：

对所述脉搏波信号依次进行平滑滤波预处理、去趋势算法预处理。

为解决上述技术问题，本发明还提供了一种心率获取***，包括：

建立单元，用于建立运动信号与迭代步长因子μ值之间的对应关系；

获取单元，用于获取当前运动信号和脉搏波信号；

确定单元，用于根据所述对应关系确定与所述当前运动信号对应的μ值；

滤波单元，用于根据确定的μ值对所述脉搏波信号进行自适应滤波，得到心率信号。

为解决上述技术问题，本发明还提供了一种可穿戴式设备，包括：

存储器，用于存储计算机程序；

处理器，用于执行所述计算机程序时实现如权利要求1至7任一项所述心率获取的步骤。

优选地，所述可穿戴式设备为腕表或者手环。

本发明提供了一种心率获取方法，本发明充分考虑到在不同的运动状态下μ值是不同的，因此，与现有技术中任何运动状态均取相同的μ值相比，本申请会预先建立运动信号与μ值之间的对应关系，各个运动信号与运动状态是存在对应关系的，后续使用过程中，会确定与当前运动信号对应的μ值，进而根据该μ值对脉搏波信号进行滤波，得到纯净的脉搏波信号也即心率信号。可见，本申请，根据与运动状态存在对应关系的运动信号来选择合适的μ值，以此来适应于不同的运动状态，适应性好，使得在不同运动状态下也能够进行较好地滤波，保证了不同运动状态下的滤波效果，进而能够得到不同状态下的纯净的心率信号。

本发明还提供了一种心率获取***及可穿戴式设备，具有如上述方法相同的有益效果。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对现有技术和实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为一种自适应滤波器的结构示意图；

图2为本发明提供的一种心率获取方法的过程流程图；

图3(a)-图3(e)依次为加速度信号的量级为10⁰、10¹、10²、10³及10⁴时，样本点的μ值的量级的分布示意图；

图4(a1)、图4(a2)分别为用户处于跑步状态时的原始脉搏波信号、原始脉搏波频谱的示意图；

图4(b1)、图4(b2)分别为用户处于跑步状态时的加速度信号、加速度信号频谱的示意图；

图4(c1)、图4(c2)分别为用户处于跑步状态、μ＝4.6*10^-8时的自适应滤波器的输出信号、输出信号频谱的示意图；

图4(d1)、图4(d2)分别为用户处于跑步状态、μ＝4.6*10^-8时的滤波后的心率信号、心率信号频谱的示意图；

图4(e1)、图4(e2)分别为用户处于跑步状态、μ＝4.6*10^-9时的自适应滤波器的输出信号、输出信号频谱的示意图；

图4(f1)、图4(f2)分别为用户处于跑步状态、μ＝4.6*10^-9时的滤波后的心率信号、心率信号频谱的示意图；

图4(g1)、图4(g2)分别为用户处于跑步状态、μ＝4.6*10^-7时的自适应滤波器的输出信号、输出信号频谱的示意图；

图4(h1)、图4(h2)分别为用户处于跑步状态、μ＝4.6*10^-7时的滤波后的心率信号、心率信号频谱的示意图；

图5(a)、5(b)和5(c)依次为测试者在走路、跑步和骑行三种运动状态下对应的μ值的统计分布图；

图5(d)为图5(a)、5(b)和5(c)样本点对应的μ值汇总图；

图5(e)为图5(a)和图5(b)样本点对应的μ值汇总图；

图6(a1)、图6(a2)分别为用户处于走路状态时的原始脉搏波信号、原始脉搏波频谱的示意图；

图6(b1)、图6(b2)分别为用户处于走路状态时的加速度信号、加速度信号频谱的示意图；

图6(c1)、图6(c2)分别为用户处于走路状态、使用本申请提供的方法确定的μ值时的自适应滤波器的输出信号、输出信号频谱的示意图；

图6(d1)、图6(d2)分别为用户处于走路状态、使用本申请提供的方法确定的μ值时的滤波后的心率信号、心率信号频谱的示意图；

图7(a1)、图7(a2)分别为用户处于另一种跑步状态时的原始脉搏波信号、原始脉搏波频谱的示意图；

图7(b1)、图7(b2)分别为用户处于另一种跑步状态时的加速度信号、加速度信号频谱的示意图；

图7(c1)、图7(c2)分别为用户处于另一种跑步状态、使用本申请提供的方法确定的μ值时的自适应滤波器的输出信号、输出信号频谱的示意图；

图7(d1)、图7(d2)分别为用户处于另一种跑步状态、使用本申请提供的方法确定的μ值时的滤波后的心率信号、心率信号频谱的示意图；

图8(a1)、图8(a2)分别为用户处于骑行状态时的原始脉搏波信号、原始脉搏波频谱的示意图；

图8(b1)、图8(b2)分别为用户处于骑行状态时的加速度信号、加速度信号频谱的示意图；

图8(c1)、图8(c2)分别为用户处于骑行状态、使用本申请提供的方法确定的μ值时的自适应滤波器的输出信号、输出信号频谱的示意图；

图8(d1)、图8(d2)分别为用户处于骑行状态、使用本申请提供的方法确定的μ值时的滤波后的心率信号、心率信号频谱的示意图；

图9为本发明提供的一种心率获取***的结构示意图。

具体实施方式

本发明的核心是提供一种心率获取方法、***及可穿戴式设备，根据与运动状态存在对应关系的运动信号来选择合适的μ值，以此来适应于不同的运动状态，适应性好，使得在不同运动状态下也能够进行较好地滤波，保证了不同运动状态下的滤波效果，进而能够得到不同状态下的纯净的心率信号。

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

请参照图2，图2为本发明提供的一种心率获取方法的过程流程图，该方法包括：

S11：建立运动信号与迭代步长因子μ值之间的对应关系；

首先需要说明的是，一般用户的状态包括静止状态和运动状态，由于静止状态下不需要考虑运动的干扰，因此，不需要对脉搏波信号进行运动去伪迹，可以将检测到的脉搏波信号直接作为心率信号。本申请主要针对用户处于运动状态下的心率检测。另外，还需要说明的是，本申请也是采用基于LMS算法的自适应滤波器来对脉搏波信号进行滤波，判断LMS算法好坏的一个很重要的因素就是自适应收敛速度，而自适应收敛速度的快慢与LMS算法中参数的选择有着密切的联系，尤其是步长迭代因子μ值。

本申请通过大量地研究发现，在迭代步长一定的情况下，不同运动信号例如加速度信号对应的步长迭代因子μ值可能是不同的，因此，为了后续针对不同运动状态(运动信号与运动状态之间对应关系)选取合适的μ值，进而能够有效对不同运动状态(例如跑步、走路、步行等)进行运动干扰滤波前，本申请会首先获取不同运动信号对应的迭代步长因子，具体地，这里可以通过实验来得到不同运动信号对应的μ值，也可以通过以往经验值来得到不同运动信号对应的μ值，当然，这里还可以采用其他方式来得到不同运动信号对应的μ值，本申请对于具体选用哪种方式不作特别的是限定。上述提到的通过实验来获取不同运动信号对应的μ值，具体实现可以为：采集用户不同的运动信号，并计算各个运动信号对应的μ值，需要说明的是，这里的μ值可以采用现有技术中的计算方法来计算，也即根据运动信号的自相关矩阵的最大特征值λ_max确定μ值的取值范围，其中，再从取值范围中确定具体地μ值。为了使得获取的不同运动信号对应的μ值更加精确，在通过实验获取时可以选择多个用户进行实验，最后的结果可以参考多组μ值数据。

在获取到不同运动信号对应的迭代步长因子μ值后，建立各运动信号与μ值之间的对应关系，因为运动信号是与运动状态相对应的，可以根据运动信号确定运动状态，因此，运动状态与μ值之间也是存在对应关系的。在得到各运动信号与μ值之间的对应关系后，后续使用过程中便能直接通过该对应关系选择各运动信号对应的μ值，计算量小，且能对每个运动状态均能进行很好地滤波。

另外，该步骤只需在最初建立各运动信号与μ值之间的对应关系时执行，除非后续需要更新，否则，无需每次都执行，直接使用该步骤得到的结果即可。

S12：获取当前运动信号和脉搏波信号；

S13：根据对应关系确定与当前运动信号对应的μ值；

S14：根据确定的μ值对脉搏波信号进行自适应滤波，得到心率信号。

在已经建立了各运动信号与μ值之间的对应关系后，在对脉搏波进行滤波前，首先获取当前运动信号，根据当前运动信号在预设的对应关系中的运动信号的所处位置来确定当前运动信号对应的μ值，然后采用确定的μ值来对采集到的脉搏波信号进行自适应滤波，得到纯净的脉搏波信号，也即心率信号。

综上，本申请，根据与运动状态存在对应关系的运动信号来选择合适的μ值，也即通过调整μ值来适应不同运动状态下的滤波，一方面，降低了计算复杂度，另一方面，适应性好，使得在不同运动状态下也能够进行较好地滤波，保证了不同运动状态下的滤波效果，进而能够得到不同状态下的纯净的心率信号。

在上述实施例的基础上：

作为一种优选地实施例，建立运动信号与μ值之间的对应关系，包括：

建立各运动信号的量级与μ值的量级之间的对应关系；

建立各运动信号与运动状态之间的对应关系；

建立运动状态与μ值的系数之间的对应关系。

首先需要说明的是，μ值可以在采用科学计数法的形式表述时，可以表示为μ值＝系数*量级。

基于此，本申请通过研究(例如实验)得到运动信号的量级与μ值的量级之间存在着对应关系，运动信号与μ值的系数之间也存在着对应关系，又考虑到通常一个范围内的运动信号对应同一个运动状态，且这些运动信号对应的μ值的系数相近，基于此，为了保证后续选取μ值的精度的同时，还方便用户对μ值与运动状态之间的对应关系有着更为直观的了解，本申请建立了运动信号的量级与μ值的量级之间的对应关系，以及运动状态与μ值的系数之间的对应关系。

另外，还需要说明的是，通过运动信号确定运动状态的方式方法有很多，例如，当运动信号为加速度信号时，可以通过标准差、峰度和样本熵等加速度信号特征值对采集的脉搏波信号进行运动状态的分类，对于不同的运动信号，确定运动状态的方法可能是不同的，根据实际情况来定。作为一种优选地实施例，运动信号为加速度信号。

具体地，本申请通过实验发现加速度信号能够较为精准地表征运动状态，且加速度信号与μ值之间的也存在着较强的对应关系，因此，本申请优先选用加速度信号来建立其与μ值之间的对应关系，提高了μ值选取的精准性，进而保证了对不同运动状态下的脉搏波信号的滤波效果。

作为一种优选地实施例，建立各运动信号的量级与μ值的量级之间的对应关系，包括：

加速度信号的量级为10⁰时，μ值的量级为10^-4；

加速度信号的量级为10¹时，μ值的量级为10^-6；

加速度信号的量级为10²时，μ值的量级为10^-8；

加速度信号的量级为10³时，μ值的量级为10^-10；

加速度信号的量级为10⁴时，μ值的量级为10^-12。

首先需要说明的是，为了获取加速度信号的量级，首先需要获取加速度信号，现有技术中已经有很多获取加速度信号的方式，本申请对于如何获取加速度信号并不作特别的限定。例如，可以采用三轴加速度传感器，输出的3轴信号分别记作X轴、Y轴和Z轴，本算法使用合向量作为加速度计信号，公式如下：

其中，公式中的X、Y、Z分别为X轴的加速度分量、Y轴的加速度分量、Z轴的加速度分量，本申请所所指的加速度信号都是合加速度。

具体地，本申请通过研究(实验或者对以往经验值总结)得到了如上的各加速度信号的量级与μ值的量级之间的对应关系，具体请参照图3(a)-图3(e)。

在对本实施例的准确性进行验证前，先对LMS滤波效果准则进行简单介绍：

评价LMS滤波效果准则为：1、纯净脉搏波信号中加速度信号主频处是否相对于原始脉搏波信号有较大衰减；2、纯净脉搏波信号主频与原始脉搏波信号主频是否基本保持一致。

若纯净脉搏波信号中加速度信号主频出相对于原始脉搏波信号有较大衰减并且纯净脉搏波信号主频与原始脉搏波信号主频基本保持一致，则表明LMS滤波效果较优。

为验证本实施例的准确性，下面列举一实例来说明：首先场景为：用户当前处于跑步状态，先确定此时μ值的系数为4.6(原理请参照下一实施例)，采集到的当前加速度信号的量级为10²，则按照本实施例中的μ值的量级的选取原则，此时μ值的量级为10^-8，即确定μ＝4.6*10^-8。

请参照图4(a1)、4(a2)、4(b1)和4(b2)，从图中可知，脉搏波信号和加速度信号的主频分别是0.87Hz(粗线标注)和1.758Hz(细线标注)，由于运动(通过加速度信号体现)对脉搏波信号的干扰，从4(a2)的频谱图可以看到原始脉搏波信号频谱在1.758Hz处有较大的相对幅值。采用μ＝4.6*10^-8的自适应滤波器对原始脉搏波信号滤波后，通过图4(c2)的频谱图可以看出自适应滤波器的输出信号的主频是1.758Hz，也就表示滤除的是与加速度信号频率一致的运动干扰信号。图4(d2)代表去运动干扰后的纯净脉搏波信号，即原始脉搏波信号图4(a2)中减去图4(c2)，从频谱图上可以看出，纯净脉搏波信号在1.758Hz处的幅值比原始脉搏波信号降低6.4，主频仍然是0.87Hz。

图4(e2)和图4(g2)分别给出μ＝4.6*10^-9和μ＝4.6*10^-7时的自适应滤波器的输出结果,从频谱图上可知，图4(e2)中滤除的运动干扰信号(主频为1.758Hz)幅值低于图4(c2)的，导致最终的纯净脉搏波信号(图4(f2))该频率处降低的较少，而4(g2)中滤除的运动干扰信号(主频为1.758Hz)幅值远大于图4(c2)的，但是最终的纯净脉搏波信号(图4(h2))的主频发生改变。由此说明同样的条件下，μ＝4.6*10^-8时获得的滤波效果最好。

综上，不难看出，本申请给出的选取μ值的量级的方式能够使得最终选出的μ值更加适应此时的运动状态，能够获得更好地滤波效果。

作为一种优选地实施例，运动状态包括走路、跑步及骑行中的至少两种；

则建立运动状态与μ值的系数之间的对应关系，包括：

运动状态为走路时，μ值的系数为[1，3]；

运动状态为跑步时，μ值的系数为[3，5]；

运动状态为骑行时，μ值的系数为[1，5]。

具体地，本申请将运动状态分为走路、跑步及骑行中的至少两种，通过研究(实验或者对以往经验值统计)得到如上运动状态与μ值的系数之间的对应关系。另外需要说明的是，当确定某一运动状态时，选取该运动状态对应的μ值的系数的范围内的任意一个μ值的系数的效果都是差不多的，可以认为是相同的。例如当确定运动状态为走路时，μ值的系数为[1，3]，则取μ值的系数＝1时与取μ值的系数＝2时或者取μ值的系数＝3时滤波的效果是差不多的。因此，在实际应用中，可以根据实际情况来确定采用哪种方式来确定取μ值的系数，例如可以确定取μ值的系数的范围的下限值或者上限值或者中间值，其中，这里的中间值可以为(上限值+下限值)/2，本申请对于如何确定μ值的系数不作特别的限定。

具体地可采用如下方式来获取运动状态与μ值的系数之间的对应关系：

图5(a)、5(b)和5(c)给出了7名测试者在走路、跑步和骑行三种运动状态下对应的μ值的统计分布图，让7名测试者在走路、跑步和骑行运动状态下各测试5次，对采集的数据进行基于LMS算法的自适应滤波去运动尾迹，在保证滤波效果的前提下统计最佳步长因子μ值，即纯净的脉搏波信号频谱中加速度信号主频处相对原始脉搏波信号有较大的衰减。图5(d)是图5(a)、5(b)和5(c)样本点对应的μ值汇总，通过设置阈值1e^-6就可以将骑行与跑步和走路的步长迭代因子μ值区分。图5(e)是对(a)和(b)样本点对应的μ值汇总。

为验证本实施例的准确性，下面列举一实例来说明：

同一佩戴者在走路(图6(a1)、图6(a2)、图6(b1)、图6(b2)、图6(c1)、图6(c2)、图6(d1)、图6(d2))、跑步(图7(a1)、图7(a2)、图7(b1)、图7(b2)、图7(c1)、图7(c2)、图7(d1)、图7(d2))和骑行(图8(a1)、图8(a2)、图8(b1)、图8(b2)、图8(c1)、图8(c2)、图8(d1)、图8(d2))运动下的使用本实施例所确定的μ值对应的滤波结果。以走路为例，从图6的(a2)和(b2)频谱图中分析，原始脉搏波信号的主频是0.78Hz(粗线标注)，而且在加速度主频1.58Hz(细线标注)处也有较大的幅值,通过基于LMS算法的自适应滤波过程获得的输出信号图6(c2),其主频是1.58Hz，最终获得的纯净脉搏波信号图6(d2)在1.58Hz处有较大的相对衰减，并且原始脉搏波信号主频处更加明显。可见，本申请提供的LMS滤波获得了很好的效果。跑步和骑行与上述走路有着相类似的效果。

综上，不难看出，本申请给出的选取μ值的系数的方式能够使得最终选出的μ值更加适应此时的运动状态，能够获得更好地滤波效果。

作为一种优选地实施例，根据确定的μ值对脉搏波信号进行自适应滤波过程中用到的抽头阶数的获取过程为：

从区间中选取抽头阶数，其中，为抽头阶数的下限阈值，a的数值等于加速度信号的采集频率的数值，采集频率的单位为Hz，b不大于加速度信号的采样时间内的总的离散点数。

具体地，自适应滤波器中包括抽头阶数，抽头阶数越多，越能保留加速度信号的信息，越能对加速度信号进行较好地描述，但如果抽头阶数太多，又会造成计算量增加，因此，选择合适的抽头阶数也很重要，本申请通过实验发现当抽头阶数不小于且不大于加速度信号的采样时间内的总的离散点数时能较好地对加速度信号进行描述。可见，采用该种方式来选择抽头阶数能够在保证滤波精度的基础上减少计算量。

此外，需要说明的是，为了获取到较多的加速度信号以便保证后续的滤波效果，在对加速度信号进行采集时通常会持续一段时间例如几秒钟，然后才对这段时间内采集到的加速度信号进行后续处理，这段时间也即上述提到的采集时间，采集时间的长短具体可根据实际情况来定。

具体地，加速度信号和脉搏波信号的采集频率可以为50Hz，根据研究结果，计算一次心率采用的时间一般在6s至10s之间，具体可以使用6s(上述提到的采集时间)进行一次心率计算。由于跑步的运动量比走路的运动量大，因此，跑步比走路在6s内的信号波动次数上更多，波形频率高，幅值范围更大，特别是加速度信号。由于每次使用6s的数据(300个点)进行一次处理，考虑跑步情况下佩戴者的脉搏波信号最复杂，所以对跑步情况下采集的脉搏波信号进行实验，发现通过计算λ_max选取合适的μ值，在迭代200次时即可获得很好的滤波效果。由λ_max的计算原理可知，在本算法中μ值是由采集到的加速度信号(X(n))来决定的。同时发现在静止的情况下加速度信号的主频在2Hz左右，对应采样频率为50Hz，而选取迭代次数既要考虑包含足够的加速度信号信息和动态特性，又要考虑节约计算量。考虑上述所有的情况，可以将基于LMS算法的自适应滤波计算过程中的抽头阶数M和迭代次数分别取值为20和200。当然，本申请对于抽头阶数和迭代次数并不作特别的限定，根据实际精度要求来决定。

作为一种优选地实施例，根据对应关系确定与当前运动信号对应的μ值之前，该方法还包括：

对当前运动信号依次进行平滑滤波预处理、去趋势算法预处理；

和/或，

根据确定的μ值对脉搏波信号进行自适应滤波之前，该方法还包括：

对脉搏波信号依次进行平滑滤波预处理、去趋势算法预处理。

具体地，为了进一步提高滤波效果，本申请在获取到当前运动信号后，不会立即根据当前运动信号确定μ值，而是先对当前运动信号进行预处理，具体地，这里的预处理包括平滑滤波预处理和去趋势算法预处理，其中，平滑滤波预处理可以将噪声等干扰信号滤除，去趋势算法可以用来消除低频分量的影响。

在对脉搏波信号进行自适应滤波前，也对脉搏波信号进行平滑滤波预处理和去趋势算法预处理，原理同上。

在实际应用中，可以先对当前运动信号或者脉搏波信号先进行平滑滤波预处理，然后进行趋势算法预处理，然后再进行一次平滑滤波预处理，以提高滤波效果。

请参照图9，图9为本发明提供的一种心率获取***的结构示意图，该***包括：

建立单元1，用于建立运动信号与迭代步长因子μ值之间的对应关系；

获取单元2，用于获取当前运动信号和脉搏波信号；

确定单元3，用于根据对应关系确定与当前运动信号对应的μ值；

滤波单元4，用于根据确定的μ值对脉搏波信号进行自适应滤波，得到心率信号。

对于本发明提供的心率获取***的介绍请参照上述方法实施例，本申请在此不再赘述。

本发明还提供了一种可穿戴式设备，其特征在于，包括：

存储器，用于存储计算机程序；

处理器，用于执行计算机程序时实现如上述所述心率获取的步骤。

作为一种优选地实施例，可穿戴式设备为腕表或者手环。当然，这里的可穿戴设备并不仅限于腕表或手环，本申请在此不作特别的限定。

对于本发明提供的可穿戴式设备的介绍请参照上述方法实施例，本申请在此不再赘述。

需要说明的是，在本说明书中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其他实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (10)

1.一种心率获取方法，其特征在于，包括：

建立运动信号与迭代步长因子μ值之间的对应关系；

获取当前运动信号和脉搏波信号；

根据所述对应关系确定与所述当前运动信号对应的μ值；

根据确定的μ值对所述脉搏波信号进行自适应滤波，得到心率信号。

2.如权利要求1所述的心率获取方法，其特征在于，所述建立运动信号与迭代步长因子μ值之间的对应关系，包括：

建立运动信号的量级与μ值的量级之间的对应关系；

建立运动信号与运动状态之间的对应关系；

建立所述运动状态与μ值的系数之间的对应关系。

3.如权利要求2所述的心率获取方法，其特征在于，所述运动信号为加速度信号。

4.如权利要求3所述的心率获取方法，其特征在于，所述建立各运动信号的量级与μ值的量级之间的对应关系，包括：

所述加速度信号的量级为10⁰时，μ值的量级为10^-4；

所述加速度信号的量级为10¹时，μ值的量级为10^-6；

所述加速度信号的量级为10²时，μ值的量级为10^-8；

所述加速度信号的量级为10³时，μ值的量级为10^-10；

所述加速度信号的量级为10⁴时，μ值的量级为10^-12。

5.如权利要求3或4所述的心率获取方法，其特征在于，所述运动状态包括走路、跑步及骑行中的至少两种；

则所述建立所述运动状态与μ值的系数之间的对应关系，包括：

所述运动状态为走路时，μ值的系数为[1，3]；

所述运动状态为跑步时，μ值的系数为[3，5]；

所述运动状态为骑行时，μ值的系数为[1，5]。

6.如权利要求3或4所述的心率获取方法，其特征在于，所述根据确定的μ值对所述脉搏波信号进行自适应滤波过程中用到的抽头阶数的获取过程为：

从区间中选取抽头阶数，其中，为所述抽头阶数的下限阈值，a的数值等于所述加速度信号的采集频率的数值，所述采集频率的单位为Hz，b不大于所述加速度信号的采样时间内的总的离散点数。

7.如权利要求1-4任一项所述的心率获取方法，其特征在于，所述根据所述对应关系确定与所述当前运动信号对应的μ值之前，该方法还包括：

对所述当前运动信号依次进行平滑滤波预处理、去趋势算法预处理；

和/或，

所述根据确定的μ值对所述脉搏波信号进行自适应滤波之前，该方法还包括：

对所述脉搏波信号依次进行平滑滤波预处理、去趋势算法预处理。

8.一种心率获取***，其特征在于，包括：

建立单元，用于建立运动信号与迭代步长因子μ值之间的对应关系获取单元，用于获取当前运动参数和脉搏波信号；

确定单元，用于根据所述对应关系确定与所述当前运动信号对应的μ值；

滤波单元，用于根据确定的μ值对所述脉搏波信号进行自适应滤波，得到心率信号。

9.一种可穿戴式设备，其特征在于，包括：

存储器，用于存储计算机程序；

处理器，用于执行所述计算机程序时实现如权利要求1至7任一项所述心率获取的步骤。

10.如权利要求9所述的可穿戴式设备，其特征在于，所述可穿戴式设备为腕表或者手环。