摘要：为了对列车司机操控岗位行车人员在行车过程中的疲劳情况进行实时监测，利用基于ESP32的开发板、心电监测前端模块AD8232和后端处理模块树莓派开发了列车司机心电图心率检测设备。使用自适应滤波器和中值滤波分别对采集、放大和传输过程中产生的电力线干扰和基线漂移进行抑制。然后使用Pan-Tompkins算法对滤波预处理后的心电信号波形进行检测，进行HRV时域和频谱特征分析，获得RR间期的平均值、理论标准差、功率谱密度等指标。系统测试与数据分析结果表明，该设备可以稳定采集心电信号，获取到高质量的心电信号，具有良好的干扰抑制能力，波形检测精确度较好、灵敏度较高。实现了针对列车行车过程中复杂场景的心电采集、降噪和分析。

　　关键词：心电信号；心电分析；软件滤波；去噪处理

　　High-quality ECG Heart Rate Detection Method for Health Monitoring of Train Personnel

　　Jiang Yuelong1，Gan Yuliang1，Liu Ziliang2

　　(1.School of Information Engineering,Guangzhou Railway Polytechnic,Guangzhou 510430,China;

　　2.Guangdong University of Science and Technology,Dongguan,Guangdong 523083,China)

　　Abstract:In order to monitor the fatigue of train drivers in the driving process in real time,the ECG and heart rate detection equipment for train drivers was developed using the ESP32 development board,the ECG monitoring front-end module AD8232 and the back-end processing module Raspberry Pi.Adaptive filter and median filter were used to suppress the power line interference and baseline drift generated in the process of acquisition,amplification and transmission.Then Pan-Tompkins algorithm was used to detect the ECG signal waveform after filtering and preprocessing,and HRV time domain and spectrum characteristics was analyzed to obtain the average value of RR interval,theoretical standard deviation,power spectral density and other indicators.The results of system test and data analysis show that the equipment can stably collect ECG signals,obtain high-quality ECG signals,have good interference suppression ability,and have good waveform detection accuracy and high sensitivity.ECG acquisition,noise reduction and analysis of complex scenes during train operation are realized.

　　Key words:ECG signal;ECG analysis;software filtering;denoising processing

　　0引言

　　当今时代，铁路运输是国民经济发展的大动脉，是保证中国经济社会高质量发展的坚实支撑，是中国陆上运输的主要手段。近几十年来，铁路运输在人员运输和货物运输方面角色越来越重要，超过60%的旅客运输均是通过铁路完成的，超过70%的货物运输也是通过铁路完成的。对列车操控岗位的行车人员提出了更高要求，行车人员时常需要长途行车，但在简单景观的道路中驾驶比复杂景观道路中驾驶更易产生疲劳[1]，从而增加行车安全风险。

　　目前，对于列车操控岗位行车人员在行车过程中的疲劳情况不能实时监测，铁路管理部门使用的机车运行监控记录仪对列车运行状态进行记录，但是只能够分析机车状态和行车人员操作数据。列车在干线上行车时依靠列车自动保护系统(Automatic Train Protection，ATP)和司机警惕装置来避免由行车人员疲劳引发的安全事故[2-3]。

　　列车在干线上行车时，实时监测和预警列车行车人员的疲劳程度，对保障列车的安全运行具有重大意义。同时杨渝书和董占勋等学者的大量研究[4-5]表明心电信号中心率变异性(Heart Rate Variability，HRV)指标与行车人员的疲劳程度密切有关。

　　ESP32具有方便、快捷、可操控性强的特点，该单片机的大量使用可大大缩短轨道车辆上各种科技创的研发周期，具有较强的前瞻性。AD8232模块小巧易用，集成专用精密放大器(IA)、运算放大器(A1)、右腿驱动放大器(A2)、中间电源电压基准电压缓冲器(A3)以及导联脱落检测电路[6]。在有较大干扰的情景中也能清晰地采集微小的生物电信号，可方便地用于心电信号采集。因此，本文基于ESP32和AD8232硬件平台设计了一种心电采集方法，以AD8232为采集模块，通过ESP32采集心电信号并与后端处理模块进行数据传输。分析了模块的构成，采用自适应滤波器和中值滤波抑制干扰，应用Pan-Tompkins算法检测心电信号波形，分析获得RR间期的平均值、理论标准差、功率谱密度等指标。为列车行车人员疲劳状况监测系统提供了基础平台。

　　1硬件设计

　　在一个心动周期内典型的正常心电信号波形如图1所示，一个心动周期由P波、QRS波群、一个T波和偶然出现的U波组成[7]。可通过上述波形计算得出的RR间期和PR间期等各项指标。故而心电信号的采集是心电诊断系统的重要一环。

　　本文从简单易用的角度出发，设计一种基于ESP32和AD8232的心电信号采集卡，可作为心电检测的基础平台。本采集卡设计以AD8232为采集模块，通过ESP32与后端处理模块进行数据传输，后端处理模块可选树莓派、PC等多种平台进行分析处理。兼顾了采集模块高实时和处理分析平台高性能的设计要求。

　　系统的整体设计架构如图2所示。

　　1.1心电信号采集模块

　　如图3所示，此电流通过外部电阻从IN+流入IN-并在输入端产生一个差分电压，该电压经同步检测后与内部临界值进行比较，检测导联线是否存在脱落的状况。图3中的两个电阻过小会使差分压降低而检测不到导联线脱落，同时也会降低心电采集模块的输入阻抗，所以两个电阻的阻值的大小最佳为10 MΩ。

　　可通过读取LOD引脚输出的电平状态来判断导联线是否出现脱落，低电平表示采集模块工作正常，高电平则表示导联线已脱落，不会因为导联线脱落的原因而造成错误报警。此电路设计可以有效提升用户使用体验。

　　1.2心电信号传输模块

　　心电信号传输模块选用ESP32，其拥有40 nm制程、双核32位的微控制单元，有较强的数据处理和控制能力。能实现将心电信号进行初步处理后发送到后端处理模块的心电信号传输功能。

　　如图4所示，ESP32具有丰富的外设接口，包括SPI、UART等，可以提供强大的控制功能。

　　1.3后端处理模块

　　后端处理软件使用Python编程语言实现，Python编程语言是一种在计算机中被大量使用的解释型、高级和通用的编程语言。用户图形化界面使用PyQt框架，PyQt框架是Python语言的GUI主流框架之一。使用Python编程语言和PyQt框架开发后端处理软件具有快速开发、多平台兼容等优势。因为后端处理软件可实现跨平台运行，所以后端处理模块可根据用户需求选择多种处理平台，可选的有树莓派(图5)、PC等设备，本文选择树莓派作为后端处理模块。

　　处理模块具体逻辑如图6所示。

　　2心电信号预处理

　　心电信号是一种非线性、非平稳、随机性强、差异性大、幅值微弱的生物电信号，典型的心电信号幅度通常只有0~4 mV，典型值为1 mV左右，频带为0.05~100 Hz[8]。在采集、放大和传输过程中，容易受采集仪器、人体和电磁环境等因素影响，导致采集模块输出的原始心电信号通常会含有多种不同干扰，将影响后续对心电信号进行分析，心电信号中最典型的几种主要干扰为：电力线干扰、基线漂移、运动伪影、肌电图干扰、随机噪声。

　　3波形检测

　　在前文第1节硬件设计中，可知心电图是具有周期性的信号，正常的心动周期内依次包含P波、QRS波群和T波等。其中对于QRS波群的检测是心电分析诊断的前提和基础。当前常用的波形检测方法有Pan-Tompkins法、模板匹配法、小波变换法和形态学方法等。

　　模板匹配法较为容易实现，但是需要模板心电信号具有很强的代表性；小波变换具有时域和频域特性，算法检测准确性相对很高，但是运算耗时较长；形态学方法对信号中的噪声较为敏感，需要滤波较好的信号，考虑到心电分析系统的高实时性要求，本文采用Pan-Tompkins法进行波形检测[9-12]。

　　Pan-Tompkins算法是JiaPu Pan和Willis J Tompkins提出的一种用于实时检测心电信号波形的算法[13]。该算法性能优异、鲁棒性强、具有较高的检测灵敏性，能够快速、有效且准确检测出心电信号的波形。

　　Pan-Tompkins算法实现步骤如下。

　　(1)首先提取出经过去噪预处理后的心电信号最大值即峰波基准点，公式如下：

　　(2)对检测的R波峰样本与信号阈值进行比较，若R波峰样本大于信号阈值，则认为是一个R波，将R波峰位置存储并更新信号水平；若R波峰样本小于信号阈值，则该样本会被当成噪声点并更新噪声水平。信号水平和噪声水平的更新公式如下：

　　经过上述步骤，能够准确、高效地检测出波形位于心电信号中的位置。

　　4心电分析

　　心电信号完成从采集、传输、滤波到波形检测之后，下一步对心电信号进行心电分析。其中最重要是HRV指标的分析，使用变换和处理等方法对连续心跳RR间期的微弱涨落进行分析以得到心血管相关指标的过程即HRV分析。近几年杨渝书和董占勋等学者的大量研究[4-5]充分证实驾驶疲劳与HRV指标有关。

　　当前HRV分析主流的方法为时域和频谱的线性分析以及非线性分析，其中时域和频谱的线性分析有大量的理论支撑、运算过程简单、物理意义明确，在临床上得到充分应用。非线性分析目前仍处于探索性研究的早期阶段，没有实现临床应用[14]。

　　5测试与分析

　　5.1心电信号采集测试

　　为验证本系统能否正常的实时采集人体心电信息并显示心电信号。现对本系统进行测试，电极片作为系统的最前端与人体连接，如图7所示，通过三导联方式连接至人体双臂和右侧大腿，保持身体姿态平静。

　　连接完成后，开启心电采集功能，如图8所示，系统能正确采集并输出波形。

　　5.2波形检测和心电分析测试与效果分析

　　将经过滤波预处理后的心电信号传入分析函数中，使用Pan-Tompkins算法对心电信号中的波形进行检测，检测结果如图9，图中虚线段为算法检测出的R波波峰位置，由图可见该算法检测精确度较好、灵敏度较高。

　　检测出R波后，首先计算该心电信号的心率，计算得出平均心率73次/min，符合正常成年人平静时的心率60~100次/min的范围。

　　对心电信号进行时域分析，通过两个R波出现的位置，计算RR间期。RR间期分布如图10所示，图中明确地反映出不同时间长度的RR间期分布范围，该心电信号的RR间期主要分布在600~1 000 ms，属于正常范围。

　　通过RR间期指标可以计算得出间期内的多个数理统计指标，主要指标有平均值(MEAN)、理论标准差(SDNN)、差值均方的平方根(RMSSD)等，如表1所示。

　　对心电信号进行频谱分析，计算功率谱密度可以得出超低频功率(ULF，≤0.003 Hz)、极低频(VLF，0.003 3~0.04 Hz)、低频功率(LF，0.04~0.15 Hz)和高频功率(HF，0.15~0.4 Hz)的功率值，如图11所示。

　　6结束语

　　随着经济社会的高速发展，铁路运输成为了国民经济发展的大动脉，这对于列车行车人员提出了更高要求。本文针对列车场景研发了心电采集设备，设计了基于ESP32和AD8232硬件平台的心电采集方法。能够实现稳定、高效和可靠的心电信号的采集和传输，针对心电信号易受干扰影响，在硬件层面AD8232采用双极点高通滤波器在一定程度上消除运动伪像的干扰，软件上针对常见的电力线干扰和基线漂移进行了抑制，有效保障心电信号采集的质量。此外，本系统设计了针对心电信号时域和频谱进行HRV特征分析的计算机程序，能够对RR间期的平均值、理论标准差、功率谱密度等指标进行计算分析。为进一步对列车行车人员的疲劳状况监测提供了基础平台。本系统仍存在优化的空间，比如进一步优化滤波效果，提高分析速度。

　　参考文献：

　　[1]李小菊.草原公路路域景观对驾驶员心电特性影响分析[D].呼和浩特:内蒙古农业大学,2018.

　　[2]郑理华,张言安,刘晓磊.基于CTCS2-200C的城际铁路列控车载ATP的研究[J].机车电传动,2015(3):10-14.

　　[3]TB/T 3333-2013,机车及动车组司机警惕装置应遵循的条件[S].

　　[4]杨渝书,姚振强,李增勇,等.心电图时频域指标在驾驶疲劳评价中的有效性研究[J].机械设计与制造,2002(5):94-95.

　　[5]董占勋,孙守迁,吴群,等.心率变异性与驾驶疲劳相关性研究[J].浙江大学学报(工学版),2010,44(1):46-50.

　　[6]董红生.心电波形检测与心率变异性分析方法研究[D].兰州:兰州理工大学,2012.

　　[7]卢潭城,刘鹏,高翔,等.基于AD8232芯片的便携式心电监护仪设计[J].实验技术与管理,2015,32(3):113-117.

　　[8]姚成.心电信号智能分析关键技术研究[D].长春:吉林大学,2012.

　　[9]夏晓.自适应滤波器中LMS算法的研究及应用[D].北京:北京邮电大学,2013.

　　[10]Tarrab M,Feuer A.Convergence and performance analysis of the normalized LMS algorithm with uncorrelated Gaussian data[J].IEEE Transactions on Information Theory,1988,34(4).

　　[11]胡春风,高立,张筱华,等.一种改进的频域LMS自适应滤波器算法[J].通信学报,1998(9):76-80.

　　[12]Huang T,Yang G,Tang G.A fast two-dimensional median fil⁃tering algorithm[J].IEEE Transactions on Acoustics,Speech,and Signal Processing,1979,27(1).

　　[13]Pan J,Tompkins W J.A real-time QRS detection algorithm[J].IEEE Transactions on Bio-medical Engineering,1985,32(3).

　　[14]王步青,王卫东.心率变异性分析方法的研究进展[J].北京生物医学工程,2007(5):551-554.