基于PPG脉搏信号特征值的驾驶员脑血管疾病识别模型

doi:10.12141/j.issn.1000-565X.220571

华南理工大学学报(自然科学版) ›› 2023, Vol. 51 ›› Issue (7): 139-150.doi: 10.12141/j.issn.1000-565X.220571

所属专题： 2023年交通运输工程

• 交通运输工程 • 上一篇

基于PPG脉搏信号特征值的驾驶员脑血管疾病识别模型

张嘉讯¹ 郑秋纳² 余振宇³ 黄玲³^,⁴

^1.新加坡国立大学设计与工程学院，新加坡 117575
^2.广东省道路运输事务中心，广东广州 510101
^3.华南理工大学土木与交通学院，广东广州 510640
^4.东南大学现代城市交通技术江苏高校协同创新中心，江苏南京 210096

收稿日期:2022-09-02 出版日期:2023-07-25 发布日期:2023-01-20
通信作者: 黄玲（1979-），女，博士，副教授，主要从事微观交通仿真建模及分析、交通图像分析、交通大数据处理、绿色交通系统等的研究。 E-mail:hling@scut.edu.cn
作者简介:张嘉讯（2000-），女，博士生，主要从事智能交通检测预警技术研究。E-mail:e0954475@u.nus.edu
基金资助:
广东省自然科学基金资助项目(2023A1515010742);广东省区域联合基金重点项目(2020B1515120095)

Identification Model of Driver’s Cerebrovascular Diseases Based on PPG Pulse Signal Features

ZHANG Jiaxun¹ ZHENG Qiuna² YU Zhenyu³ HUANG Ling³^,⁴

^1.College of Design and Engineering，National University of Singapore，117575，Singapore
^2.Guangdong Road Transportation Affairs Center，Guangzhou 510101，Guangdong，China
^3.School of Civil Engineering and Transportation，South China University of Technology，Guangzhou 510640，Guangdong，China
^4.Modern Urban Transportation Technology Jiangsu University Collaborative Innovation Center，Southeast University，Nanjing 210096，Jiangsu，China

Received:2022-09-02 Online:2023-07-25 Published:2023-01-20
Contact: 黄玲（1979-），女，博士，副教授，主要从事微观交通仿真建模及分析、交通图像分析、交通大数据处理、绿色交通系统等的研究。 E-mail:hling@scut.edu.cn
About author:张嘉讯（2000-），女，博士生，主要从事智能交通检测预警技术研究。E-mail:e0954475@u.nus.edu
Supported by:
the Natural Science Foundation of Guangdong Province(2023A1515010742);the Key Project of Guangdong Regional Joint Fund(2020B1515120095)

摘要/Abstract

摘要：

驾驶员的身体状况与交通安全息息相关，尤其是驾驶员的心脑血管健康状况。实时监测驾驶员的健康情况，有助于驾驶员及时了解自己的身体状况，减少因突发疾病导致的交通事故。文中对657份来自广西壮族自治区桂林市人民医院的PPG脉搏波数据集通过Chebyshev Ⅱ 滤波器降噪和快速傅里叶法提取时域特征、频域特征和小波包特征后，将脑血管疾病进行二分类数值化，再将数值标签化后的脑血管疾病类型作为输出参数，以构建驾驶员脑血管疾病数据集。针对实际数据集样本的分类不均衡问题，通过SMOTE算法进行过采样补充，构建基于PPG特征值的驾驶员脑血管疾病分类模型SSA-DELM，并利用实际数据集进行训练和实验，发现所提出的方法对脑血管疾病的预测精确率达83%，查准率达80%，查全率达76.6%、F₁分数为0.79，平均查准率均值达0.80，表明该分类模型能够为患有脑梗或脑血管疾病驾驶员提供较为准确的预警。文中研究成果可为基于PPG信号的驾驶员动态健康监测系统提供理论模型基础和技术支持，在新能源汽车行业的软件服务和智能医疗中具有较大的应用空间，这与新能源车企“终端+软件+服务”的全产业链销售模式相契合，也与现代人注重环保、家庭健康和智能交通的理念相契合。

关键词: PPG信号, 驾驶员, 疾病识别, 动态健康监测, SMOTE算法, SSA-DELM模型

Abstract:

The physical condition of drivers is closely related to traffic safety, especially the driver’s cardiovascular health condition. Real-time monitoring of drivers’ health can help drivers understand their physical condition in time and reduce traffic accidents caused by sudden illnesses. In this study, firstly, 657 PPG (Photoplethysmography Signal) pulse wave datasets from Guilin People’s Hospital, Guangxi Zhuang Autonomous Region, China, were dichotomized numerically for cerebrovascular diseases after the noise reduction by Chebyshev Ⅱ filter and the extraction of time domain features, frequency domain features and wavelet packet features by fast Fourier method. Then, the numerically labeled cerebrovascular disease types were used as output parameters to construct driver cerebrovascular disease dataset. To solve the problem of unbalanced classification of samples in actual dataset, an oversampling supplement was performed by the SMOTE algorithm and a driver cerebrovascular disease classification model, namely SSA-DELM, was constructed based on PPG feature values, followed with model training and testing on actual datasets. The results show that the proposed classification model can provide comparatively accurate early warning for drivers suffering from cerebral infarction or cerebrovascular disease, with an accuracy of 83%, an average precision of 80%, a completeness of 76.6%, an F₁ score of 0.79, and a mean average precision of 0.80. This research can provide theoretical model basis and technical support for drivers’ dynamic health monitoring system based on PPG signal. The proposed model has a large application space in the software service and intelligent medical care of the new energy automobile industry, which is in line with the sales mode of the whole industry chain of “terminal + software + service” of new energy automobile enterprises, and is also in line with modern people’s attention to environmental protection, family health and intelligent transportation.

Key words: PPG signal, driver, disease identification, dynamic health monitoring, SMOTE algorithm, SSA-DELM model

中图分类号:

U495

张嘉讯, 郑秋纳, 余振宇, 等. 基于PPG脉搏信号特征值的驾驶员脑血管疾病识别模型[J]. 华南理工大学学报(自然科学版), 2023, 51(7): 139-150.

ZHANG Jiaxun, ZHENG Qiuna, YU Zhenyu, et al. Identification Model of Driver’s Cerebrovascular Diseases Based on PPG Pulse Signal Features[J]. Journal of South China University of Technology(Natural Science Edition), 2023, 51(7): 139-150.

图/表 11

图1

图2

表1

表2

图3

图4

图5

图6

图7

表3

表4

参考文献 37

1	国家统计局．中国统计年鉴—2021［M］．北京：中国统计出版社，2021．
2	ROLISON J J， REGEV S， MOUTARI S，et al ．What are the factors that contribute to road accidents？An assessment of law enforcement views，ordinary drivers’ opinions，and road accident records［J］．Accident Analysis & Prevention，2018，115：11-24．
3	FORT E， POURCEL L， DAVAZIES P，et al ．Road accidents，an occupational risk［J］．Safety Science，2010，48（10）：1412-1420．
4	马丽媛，王增武，樊静，等．《中国心血管健康与疾病报告2021》概要［J］．中国介入心脏病学杂志，2022，30（7）：481-496．
	MA Li-yuan， WANG Zeng-wu， FAN Jing，et al ．Summary of China cardiovascular health and disease report 2021［J］．Chinese Journal of Interventional Cardiology，2022，30（7）：481-496．
5	CHERIF F H， CHERIF L H， BENABDELLAH M，et al ．Monitoring driver health status in real time［J］．The Review of Scientific Instruments，2020，91（3）：035110．
6	KOO C H， ZHU H， TSANG Y T，et ．al．A portable system for multiple parameters monitoring：towards assessment of health conditions and stress level in the automotive field［C］∥ Proceedings of the AEIT International Conference of Electrical and Electronic Technologies for Automotive．Turin：［s.n.］，2019．
7	LEE J-C， LIU H ．Development of a real-time driver health detection system using a smart steering wheel［J］．International Journal of Prognostics and Health Management，2018，9：1-5．
8	于露，任晓阳，魏恒建，等．基于PPG信号的驾驶员生理参数监测［J］．大连交通大学学报，2023，44（2）：22-27.
	YU Lu， REN Xiaoyang， WEI Hengjian，et al ．Driver physiological parameter monitoring based on PPG signal［J］．Journal of Dalian Jiaotong University，2023，44（2）：22-27．
9	HAYASHI H， KAMEZAKI M， SUGANO S ．Toward health-related accident prevention：symptom detection and intervention based on driver monitoring and verbal interaction［J］．IEEE Open Journal of Intelligent Transportation Systems，2021，2：240-253．
10	LIANG Y， LIU G， CHEN Z，et al ．Figshare［EB/OL］．［2022-05-04］．．
11	MOODY G B， MARK R G ．A database to support development and evaluation of intelligent intensive care monitoring［C］∥Proceedings of the Conference on Computers in Cardiology 1996．Indianapolis：IEEE，1996：657-660．
12	KACHUEE M， KIANI M M， MOHAMMADZADE H，et al ．Cuff-less high-accuracy calibration-free blood pressure estimation using pulse transit time［C］∥ Proceedings of IEEE International Symposium on Circuits and Systems （ISCAS’15）．［S. l.］：IEEE，2015．
13	SOREL J E， HEISS G， TYROLER H A，et al ．Black-white differences in blood pressure：the authors reply［J］．Epidemiology，1992，3（3）：274-275．
14	吴金奖，陈建新，田峰．可穿戴心电信号监测中运动伪影消除技术研究［J］．信号处理，2014，30（11）：1388-1393．
	WU Jin-jiang， CHEN Jian-xin， TIAN Feng ．Research on motion artifacts eliminating for wearable electrocardiogram signal monitoring［J］．Journal of Signal Processing，2014，30（11）：1388-1393．
15	徐海津．抗运动伪影下基于PPG的心率估计方法研究与应用［D］．成都：电子科技大学，2018．
16	於鹏，严良文，余越，等．五点三次平滑算法在PPG信号降噪中的应用［J］．计量与测试技术，2020，47（6）：47-50，53．
	YU Peng， YAN Liangwen， YU Yue，et al ．The application of five-point cubic smoothing algorithm in noise reduction of PPG signal［J］．Metrology & Measurement Technique，2020，47（6）：47-50，53．
17	李苗，侯柏成，党豪．基于深度卷积神经网络的ECG信号分类研究［J］．电脑编程技巧与维护，2023（1）：131-133．
	LI Miao， HOU Bo-cheng， DANG Hao ．Research on ECG signal classification based on deep convolutional neural network［J］．Computer Programming Skills and Maintenance，2023（1）：131-133．
18	ELGENDI M ．Optimal signal quality index for photoplethysmogram signals［J］．Bioengineering，2016，3：3040021/1-15．
19	LIANG Y， ELGENDI M， CHEN Z，et al ．An optimal filter for short photoplethysmogram signals［J］．Scientific Data，2018，5：180076．
20	LIANG Y，HEN Z， LIU G，et al ．A new，short-recorded photoplethysmogram dataset for blood pressure monitoring in China［J］．Scientific Data，2018，5：180020．
21	宋海亮．基于CAN的汽车制动测试系统的研究与实现［D］．上海：上海交通大学，2011．
22	于萍．用小波技术实现非平稳信号的处理［D］．青岛：中国石油大学（华东），2012．
23	陈慧慧．自动机运动规律图像数据处理方法研究［D］．太原：中北大学，2010．
24	杨依，方亮，岳宏，等．脉搏波传导速度、踝臂指数及体脂肪率在心血管风险评价中的应用［J］．航空航天医学杂志，2015，26（4）：393-395．
	YANG Yi， FANG Liang， YUE Hong，et al ．Pulse wave conduction velocity，ankle arm index and body fat rate in the application of cardiovascular risk assessment［J］．Journal of Aerospace Medicine，2015，26（4）：393-395．
25	宋晓瑞，乔爱科．基于脉搏波检测技术的心血管健康评测［J］．医用生物力学，2015，30（5）：468-473．
	SONG Xiao-rui， QIAO Ai-ke ．Evaluation of cardiovascular health based on pulse wave detection technology［J］．Journal of Medical Biomechanics，2015，30（5）：468-473．
26	齐咏生，樊佶，李永亭，等．基于增强型形态学滤波的风电机组轴承故障诊断方法［J］．振动与冲击，2021，40（4）：212-220．
	QI Yongsheng， FAN Ji， LI Yongting，et al ．A fault diagnosis method of wind turbine bearings based on an enhanced morphological filter［J］．Journal of Vibration and Shock，2021，40（4）：212-220．．
27	罗通元．风险预警技术在往复泵系统中的应用［D］．北京：中国石油大学（北京），2016．
28	李祝强．基于局部线性嵌入和支持向量机的滚动轴承性能退化评估研究［D］．哈尔滨：哈尔滨理工大学，2014．
29	王海龙，李云赫，赵岩． k值优化VMD-小波包分析联合降噪方法在隧道爆破信号中的应用［J］．爆破器材，2021，50（5）：50-57．
	WANG Hailong， LI Yunhe， ZHAO Yan ． k-value optimization of VMD-wavelet packet analysis joint noise reduction method in tunnel blasting signal［J］．Blasting Equipment，2021，50（5）：50-57．
30	吴忠强，毛志华，王正，等．基于极限学习机的浅海水深遥感反演研究［J］．海洋测绘，2019，39（3）：11-15．
	WU Zhongqiang， MAO Zhihua， WANG Zheng，et al ．Research on remote inversion of shallow sea bathymetry based on extreme learning machine［J］．Hydrographic Surveying and Charting，2019，39（3）：11-15．
31	江晗菁．基于SSDA-HELM-SOFTMAX的农业投入品在线分类预测方法研究与实现［D］．广州：仲恺农业工程学院，2020．
32	颜学龙，马润平．基于深度极限学习机的模拟电路故障诊断［J］．计算机工程与科学，2019，41（11）：1911-1918．
	YAN Xue-long， MA Run-ping ．Fault diagnosis of analog circuits based on deep limit learning machine［J］．Computer Engineering and Science，2019，41（11）：1911-1918．
33	马润平．基于深度极限学习机的模拟电路故障诊断研究［D］．桂林：桂林电子科技大学，2020．
34	LU X， ZOU H， ZHOU H，et al ．Robust extreme learning machine with its application to indoor positioning［J］．IEEE Transactions on Cybernetics，2015，46（1）：194-205．
35	SHI L C， LU B L ．EEG-based vigilance estimation using extreme learning machines［J］．Neurocomputing，2013，102：135-143．
36	张文帅，王占刚．基于改进麻雀算法优化深度极限学习机的缺失数据预测［J］．电子测量技术，2022，45（15）：63-67．
	ZHANG Wenshuai， WANG Zhangang ．Missing data prediction based on improved sparrow algorithm optimized deep extreme learning machine［J］．Electronic Measurement Technology，2022，45（15）：63-67．
37	CHAWLA N V， BOWYER K W， HALL L O，et al ．SMOTE：synthetic minority over-sampling technique［J］．Journal of Artificial Intelligence Research，2002，16（1）：321-357．

诊断类别	诊断情况	标签
是否患脑梗	脑梗	1
是否患脑梗	正常	2
是否患其他脑血管疾病	供血不足等其他脑血管疾病	1
是否患其他脑血管疾病	正常	2

标签组合	混淆矩阵
	正（Positive）	负（Negative）
正（Positive）	真正（True Positive）	假正（False Positive）
负（Negative）	假负（False Negative）	真负（True Negative）

指标	DELM结果	SSA-DELM结果
训练集精确率/%	59.05	80.89
测试集精确率/%	56.17	82.43
标签1查准率/%	50.60	71.66
标签2查准率/%	58.96	81.66
标签1查全率/%	93.13	83.68
标签2查全率/%	9.79	76.21
标签1的F₁分数	0.164 1	0.772 0
标签2的F₁分数	0.722 1	0.811 1
平均查准率均值	0.589 3	0.813 7

指标	DELM分类结果	SSA-DELM分类结果
训练集精确率/%	61.37	81.45
测试集精确率/%	60.53	83.01
标签1查准率/%	64.15	85.84
标签2查准率/%	65.91	80.78
标签1查全率/%	60.00	81.99
标签2查全率/%	69.76	76.63
标签1的F₁分数	0.620 1	0.780 6
标签2的F₁分数	0.677 8	0.792 2
平均查准率均值	0.659 4	0.801 1

[1]	张文明韩泓冰杨珏易筱. 基于驾驶员行为的神经网络无人驾驶控制[J]. 华南理工大学学报（自然科学版）, 2016, 44(12): 74-80.
[2]	刘英杰赵又群. 基于模型预测控制的汽车换道操纵逆问题求解[J]. 华南理工大学学报（自然科学版）, 2013, 41(11): 120-124.
[3]	王伟达张为丁能根李宏才. 汽车DYC系统的二阶滑模控制[J]. 华南理工大学学报（自然科学版）, 2011, 39(1): 141-146,151.

基于PPG脉搏信号特征值的驾驶员脑血管疾病识别模型

Identification Model of Driver’s Cerebrovascular Diseases Based on PPG Pulse Signal Features

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 11

参考文献 37

相关文章 3

编辑推荐

Metrics

本文评价