《Frontiers in Computer Science》:A position estimation method of a wearable device using pulse wave peak time differences with a smartwatch
编辑推荐:
可穿戴设备形式多样。除了针对特定身体部位设计的设备(如腕表、眼镜和戒指),还存在可附着于任意身体位置的可穿戴设备(如即时贴片型和绷带型设备)。当可穿戴设备附着于身体任意位置时,必须识别其附着位置以相应调整功能和处理。在本文中,研究人员提出了一种方法,利用安装在
可穿戴设备形式多样。除了针对特定身体部位设计的设备(如腕表、眼镜和戒指),还存在可附着于任意身体位置的可穿戴设备(如即时贴片型和绷带型设备)。当可穿戴设备附着于身体任意位置时,必须识别其附着位置以相应调整功能和处理。在本文中,研究人员提出了一种方法,利用安装在已知位置设备和未知位置设备上的脉搏波传感器,来估计未知位置可穿戴设备的附着位置。由于脉搏波的到达时间随距心脏的距离而变化,手腕与另一身体部位之间的脉搏波峰值时间差可用于推断附着位置。所提方法通过比较手腕与未知身体部位之间的脉搏波峰值检测时间来估计设备的附着位置。为进行评估,从12个身体位置采集数据:前额、口、左耳、右耳、左上臂、右上臂、左腕、右腕、左手指、右手指、左足趾和右足趾。所提方法在两种条件下进行评估:使用同一天采集的数据和使用不同天采集的数据。结果显示,当目标身体部位数量为2时,同一天采集的数据和不同天采集的数据的最大F1分数均为1。相比之下,当所有12个身体部位均作为目标时,同一天采集的数据的最大F1分数为0.58,不同天采集的数据的最大F1分数为0.29。
**论文解读:基于脉搏波峰值时间差的可穿戴设备位置估计方法**
**研究背景与问题**
随着可穿戴设备的普及,传感器数据采集与人体状态、活动及交通方式识别成为可能。设备形式多样,包括腕表、眼镜、戒指等固定位置设备,以及即时贴片型、绷带型等可附着于任意身体位置的设备。当设备附着于任意位置时,必须识别其附着位置以调整功能(如通知方式、活动识别模型等)。现有研究中的位置估计方法多依赖加速度计,需用户执行特定动作(如行走),这在设备刚附着、用户静止或连续使用时存在不便。基于心电图(ECG)和光电容积描记图(PPG)的方法虽无需特定动作,但ECG在商用设备上不普遍(如Apple Watch需用户触摸表冠才可测量)。因此,研究人员提出一种仅使用PPG传感器(普遍安装于商用智能手表)的方法,通过比较手腕与未知身体部位的脉搏波峰值时间差来估计附着位置,无需用户执行特定动作,且可连续估计。
**研究内容与结论**
研究人员假设用户佩戴已知位置的腕戴设备(智能手表),并佩戴另一未知位置的设备。通过蓝牙连接,执行时间同步、脉搏波测量、峰值检测、时间差计算及位置估计五个步骤。训练数据为各身体部位时间差直方图,测试数据使用KL散度(Kullback–Leibler divergence)与训练数据比较,选取最小散度对应的身体部位作为估计位置。实验分两种条件:同一天采集数据(5名受试者,12个部位,每部位2分钟)和不同天采集数据(10名受试者,12个部位,5天每天1分钟)。结果显示,当目标部位数为2时,同一天和不同天数据均可达最大F1分数1;当目标部位数为12时,同一天最大F1为0.58,不同天为0.29。研究表明,减少目标部位数量可提高准确率,且训练数据长度影响较小,但不同天数据因时间差分布偏移导致准确率下降。论文发表在《Frontiers in Computer Science》。
**主要关键技术方法**
(1)时间同步:使用蓝牙同步请求/响应协议计算时间差T
lag,校正设备时间戳。
(2)脉搏波测量与滤波:使用绿色LED反射式PPG传感器,采样率约960 Hz,应用5阶巴特沃斯低通滤波器(截止频率5 Hz)去除高频噪声。
(3)峰值检测:使用Python SciPy的find
peaks函数,设置距离参数(0.5秒样本数)和高度参数(滤波后PPG均值)。
(4)时间差计算:配对手腕与未知部位峰值检测时间,选取绝对时间差在0.20秒内的最小差值对。
(5)位置估计:构建各部位时间差直方图(40个bin,范围-0.20~0.20秒),使用KL散度计算测试与训练直方图距离,取最小散度部位。样本来源:实验1为5名男性(平均年龄22.2岁,身高173.7 cm,体重63.8 kg),实验2为10名男性(平均年龄22.5岁,身高171.8 cm,体重60 kg)。
**研究结果**
- **Experiment 1 (同一天数据)**:
- 平均F1分数F
mean(N)随目标部位数N减少而增加。当N=2且训练/测试数据长度(L
train, L
test)均为60秒时,F
mean达0.94。测试数据长度增加比训练数据长度增加对准确率提升更显著。
- 最大F1分数F
max(N)在N=2时达1,且所有受试者在最多5个部位分类时均可达F
max=1,受试者C甚至可达8个部位。说明通过选择合适部位组合可100%准确分类。
- **Experiment 2 (不同天数据)**:
- 类似趋势,F
mean(N)在N=2且(L
train, L
test)=(60,60)时最高为0.79。不同天数据的时间差分布更分散,导致整体准确率低于实验1。
- F
max(N)在N=2时达1,但无所有受试者共同达到F
max=1的N值。受试者F在最多3个部位时可达F
max=1。
**讨论与结论**
讨论部分指出,时间差分布相似的身体部位(如左右上臂)导致误分类;减少目标部位可提高准确率。不同天数据分布偏移可能源于脉搏波速度的日间变化,需开发分布对齐方法。方法具有用户依赖性,但适用于个人设备(如智能手表)的初始校准。与Yoshida和Murao (2019) 使用PPG和ECG的方法相比,本方法无需ECG,但准确率较低(F
mean(2)仅0.79 vs 该相关工作的0.805)。未来计划研究姿势对时间差分布的影响,收集不同性别和年龄数据,并开发用户无关方法。
**研究结论**:
本文提出了一种利用手腕与任意身体部位之间脉搏波峰值时间差来估计可穿戴设备位置的方法。结果表明,当目标身体部位数为2时,同一天和不同天数据的最大F1分数均为1。相比之下,当所有12个身体部位作为目标时,同一天数据的最大F1分数为0.58,不同天数据的最大F1分数为0.29。