3. 实验结果
图 4显示了频率分析数据处理技术的示例 RR 和 HR 时间过程。虽然从座椅传感器计算 RR 和 HR 波动大于参考率，但通常与预期值一致。 4中，RR 在 1000 下降约秒，座椅传感器可以检测到这一点。 
图 5中的箱线图总结了所有的箱线图 11 参与者的数据显示，座椅传感器结果分布较大，但 30 分钟内的平均值相当。只显示频率分析的结果。30 平均分钟 RR 和 HR 被认为是参与者的静息率。表 2列出了 11 名参与者的静息率与图片相匹配 5中箱线图对应。如表 2所示，对于 11 在名参与者中 10 名称，座椅传感器和 Neulog 之间在静息 RR 差异低于我们 4-brpm 目标。对于静息心率，所有参与者的差异都小于我们 15-bpm 目标，如表 2所示. 静息 RR 和静息 HR 的 Bland-Altman 图如图 6所示。这些图片显示了静息 RR 和 HR 通过拟合数据线测试差异的下降趋势。RR 拟合线的斜率为 -0.57 ( p = 0.0111)，R 2 = 0.53。对于 HR，斜率为 -1.16 ( p = 0.0039)，R 2 = 0.62。这些显着的斜率表明存在系统误差，较低的平均值存在正差异，而较高的平均值存在负差异，如图 6所示。未来来自座椅传感器 FFT 的静止 RR 回归到来自 Neulog 的静止 RR 的 RMSE 为 1.6 和 R 20.72。对来自 Neulog 的静止 HR 座椅传感器 FFT 的静止 HR 回来，得到 8.4 的 RMSE 和 0.21 的 R 2。
图 5. 30 收集分钟数据的所有过程 11 获得名参与者频率分析技术 的呼吸 ( a ) 和心脏 ( b ) 速率箱线图。 图 6.静息 RR ( a ) 和静息 HR ( b ) 的 Bland-Altman 图。座椅传感器和 Neulog 两者之间的差异超过了两种测量的平均值。黑色实线显示平均差异，蓝色虚线显示 1.96 标准偏差范围。 表 2. 来自 11 名参与者的座位和 Neulog 传感器的静息 RR 和 HR 图 7中的 Bland-Altman 样式图显示了所有参与者在所有时间点的体重和静息率测量设备之间的差异。每个参与者的试验由 1741 由数据点组成，从 1 分钟到 30 每分钟计算一次 RR 和 HR。点的大小和颜色代表单个位置数据点的数量 0 差线周围点的高密度。RR 和 HR 体重和静息率的差异相对一致。表 简单线性回归模型之间的差异汇总统计数据提供了测量设备和所有数据点。如表3所示，频率分析技术导致平均值或偏差较低，但标准偏差较高。我们预计未来将解释置信区间 95% 的 FFT 座椅传感器和测量 Neulog(参考)传感器之间的呼吸速率差异 -7.5 brpm 和 5.7 brpm 之间。这些值超过了我们的目标值，即座椅传感器 RR 和 Neulog RR 之间的 4-brpm 差异，但随时间平均测量结果有所改善。在整个 30 在几分钟内，有座椅传感器 RR 偏差或差异均值小于 1 brpm。对于心率，平均值两侧 1.96 标准差 -39 bpm 和 38 bpm 这比我们大 15-bpm 目标。 图 7. Bland-Altman 图显示体重 ( a ) 和 ( b ) 可靠性和从 30 分钟 ( c ) 和 ( d )过度静息率的平均值。每个数据点代表座椅传感器计算的数据点 RR 或 HR 每个时间点和参与者 Neulog 大小和颜色代表重叠点的密度。 表 3. 使用所有参与者的所有时间点 RR 和 HR 总结和统计峰值检测和频率分析技术。
均方根误差 (RMSE) 值表示线性模型的绝对拟合，并规定模型斜率可能不完全 1。RMSE 优点是这些值采用适当的单位。在这种情况下，模型中 2.8 brpm 和 9.9 bpm 变化是可以接受的。小的 R 2值表示座椅传感器 RR 和 HR 在使用 1 每秒滑动窗口时的可变性。尽管我们在图 7的图中看到 0 差线上的数据点密度很高，但有很多异常值，尤其是心率数据。但座椅传感器的决定 RR 和 HR 确定值是否足够接近 Neulog 在适当的值预测器中，记住比 R 二是拟合的相对度量。
4、项目总结
由于从肺和心脏到座椅传感器的信号衰减，从乘员分类系统中提取 RR 和 HR 是挑战。此外，呼吸和心率信号水平(包括频率和幅度)的差异使检测任务变得困难。研究结果表明，生产车辆乘客座椅传感器用于测量各种乘客体重和静息率的生理反应(如 RR 和 HR）是可行的。座椅传感器和 Neulog 设备之间的静态或平均静态 RR 和 HR 值具有可比性。对比整个过程进行了额外的分析 30 分钟数据收集过程中的每个时间点。用于评估 Neulog 主要分析与座椅传感器设备的持续差异 Bland-Altman 方法。22 ]。正如预期的那样，静息率来自 30 与具有所有数据点的模型相比，数据点的模型 RMSE 值更高，R 2值更低。这表明数据的平均值可以在很长一段时间内提高与参考值的一致性。未来的工作需要改进 RR 和 HR 检测时间分辨率，实现连续实时应用。 未来，从总模拟峰值计算可以改进峰值检测算法 RR 和 HR。经验测试不同的突出阈值可以改善峰值测试。在这项研究中，数据收集包括正常、静息和持续呼吸 四、少数例外情况a，RR 明显降低，可能是因为嗜睡。虽然 30 收集分钟数据 RR 和 HR 平均值对于正常的休息状态是合理的，但乘员的生理功能在几分钟内可能会发生很大的变化。我们的第一个目标是确认我们能够捕获稳态响应。我们的后续目标是使用它 1 每秒评估分钟的数据周期 RR 和 HR 测量瞬态响应。检测瞬态响应的准确性需要额外的工作来评估。滑动窗的大小(目前为 1 在未来的实验中，分钟将是一个有趣的变量。FFT 频率分析将以延迟结果为代价受益于更大的时间窗口。 对于未来驾驶过程中实时监控的应用，需要对车辆的呼吸和心率进行检测，以及更剧烈和瞬态的变化。乘员 RR 和 HR 非侵入性测量可能有助于将来对驾驶员状态进行心理生理分类 [ 24]。根据车辆评估的补充，评估使用转向和速度变化等车辆数据来评估驾驶员；生理监测可以直接测量驾驶员的状态。基本的生理测量有助于自动检测驾驶员的身体损伤，如疲劳。但是，此应用需要在驾驶员座椅上安装座椅重量传感器，而当前的美国法规要求仅适用于乘客座椅。预测驾驶员状态的能力将极有利于未来驾驶员辅助系统和主动安全技术的设计。 本研究的主要限制之一是从车辆上移除测试座椅和座椅传感器。如前一项研究所示，接头发动机和/或驾驶可能导致座椅传感器 BCG 信号中的低信噪比 [ 6]。虽然运动和振动可能会影响驾驶过程 RR 和 HR 但本研究的目的是展示可行性，测试生产车辆中乘员分类系统的灵敏度。此外，当考虑碰撞后的响应时，由于车辆可能停止，移动车辆可能不会成为乘客感应系统的焦点。另一个限制是测试不包括不在位的乘员。假设乘客在感应期间完全就座，这可能意味着使用安全带，并排除车辆在碰撞后保持倒置，如翻车事故。根据受伤情况和可能的失血情况，碰撞后乘员可能会心动过速或心动过缓 [ 25]。异常高低 HR 截止频率可能接近当前模型的边界 50 bpm 和 150 bpm。同样，RR 也因受伤而异。目前的模型旨在捕获 10 到 40 brpm 的 RR。假设乘员分类系统的性能不会受到碰撞的影响。人类参与者数据集受益于更大、更多样化的研究。理想情况下，座椅传感器可以检测到 5% 的女性（约 50 公斤）和 95% 的男性（约 125 公斤）的 RR 和 HR [ 26]。本研究中使用的参与者池涵盖了体重要求的下限，但缺乏超重的参与者池 91 公斤参与者数据。最后，尽管联邦机动车安全标准 (FMVSS) 第 208 数字规定现代车辆有高级乘客安全气囊系统的乘客分类系统，但每个制造商的技术和技术可能不同 [ 19 ]。对各种汽车品牌和型号的座椅传感器进行测试将是有价值的。 这项研究为用生产乘用车的座椅传感器测量乘客的呼吸和心率提供了希望。RR 和 HR 峰值检测和频率分析与参考测量值进行了比较。用于静息 RR 和 HR 座椅传感器和 Neulog 传感器之间的差异主要分别在我们的 4-brpm 和 15-bpm 在目标范围内。理想情况下，系统也可以随着时间的推移进行评估 RR 和 HR。将座椅传感器与所有时间点的参考传感器进行比较，频率分析技术产生的平均差或偏差小于峰值检测技术。该数据在实验室环境中提供了对非侵入式座椅传感器的初步验证。乘员监控的应用是必要的。不突兀，
5、代码验证
实现基本代码流程； 这里用matlab代码是对的FFT算法用于对BCG简单验证信号呼吸和心率分离。
Fs = 250; % 采样率 T = 1/Fs; % 采样周期 % L = 4500; % 信号长度 % t = (0:L-1
)*T
; % 时间向量 x
Res_filter = designfilt('bandpassfir','FilterOrder',400, ...
'CutoffFrequency1',0.16,'CutoffFrequency2',0.66, ...
'SampleRate',500);
HR_filter = designfilt('bandpassfir','FilterOrder',400, ...
'CutoffFrequency1',0.83,'CutoffFrequency2',2.5, ...
'SampleRate',250);
k_end = length(ResMove)/(10*Fs);
for k = 0:1:k_end
if(length(ResMove) < (k+1)*10*Fs)
break;
ResMove5s = ResMove(k*10*Fs+1 : end);
else
ResMove5s = ResMove( (k*10*Fs)+1 : ((k+1)*10*Fs) ) ;
end
L = length(ResMove5s);
t = (0:L-1)*T;
% FFT
ymh = filtfilt(HR_filter,ResMove5s);
S3 = fft(ymh);
P23 = abs(S3/L);
P13 = P23(1:L/2+1);
P13(2:end-1) = 2*P13(2:end-1);
f = Fs*(0:(L/2))/L;
matlab代码和采集数据已上传到我的空间：https://download.csdn.net/download/leva345/85353644