CN111329462B - 一种实时无束缚心率提取方法 - Google Patents

Abstract

本发明为一种实时无束缚心率提取方法，利用柔性压电薄膜传感器采集人体的心冲击信号，该方法利用固定在座椅表面的柔性压电薄膜传感器采集由心冲击现象引起的压电薄膜振动信号，再由电荷放大器处理并通过数据采集设备传至上位机处理分析，最终提取心率和心跳周期。该方法能够自动检测人体是否离开座椅，且在人体坐姿下能够连续不间断的监测人体生理信息如心率和心跳周期。本方法无需大量的先验知识，同时无需大量样本训练，通过周期估计和区间划分结合可得出心跳模板，计算相对简单，对测量环境要求不高，同时可以获得逐次心跳间隔，检测精度较高，鲁棒性较强。

Description

一种实时无束缚心率提取方法

技术领域

本发明涉及无束缚生理信息监测领域，具体涉及一种实时无束缚心率提取方法。

背景技术

久坐是目前办公人群、学生群体以及驾驶人员须长时间保持的身体姿态，久坐伴随着机体处于静止状态，因此身体对心脏的需求量减少，长时久坐会使心脏机能衰退，导致心率不齐、冠心病等心脏疾病产生，因此面向坐姿的心率监测具有重要意义。目前无束缚心率提取研究中采用心冲击信号提取心率的方法较为广泛，心冲击是指心脏泵血过程中血液的流动使身体产生三维方向的振动，根据牛顿第三定律，身体会产生大小相同方向相反的反作用力，该力中包含着心率呼吸等信息。

目前关于面向坐姿下基于心冲击信号的心率提取研究中，常用的方法是通过对心冲击信号进行频谱分析，通过傅里叶变换等将信号从时域变为频域，从频域中提取心率特征，但是心冲击信号的频率分布易受噪声信号频率的叠加，同时无法获得逐次心跳间隔。另外蒋芳芳等(蒋芳芳,王旭,于艳波,et al.基于心冲击信号的心率异常自动检测方法[J].东北大学学报(自然科学版),2010,31(12):1685-1688.)利用人体坐姿下的心冲信号，通过特征分类的方法提取了心冲击信号的周期特征，但只能检测异常心跳发生无法获得心率和心跳周期等具体数据，实用性不高。类似该方法还有利用机器学习的心率特征提取方法，通过支持向量机、卷积神经网络等对心冲击信号进行特征训练，但是该方法需要大量的样本进行学习训练，计算过程较为繁琐。因此迫切的需要一种新的坐姿下心冲击信号的心率提取方法，而本发明正是为解决这种需求的系统和方法。

发明内容

本发明针对以上技术的不足与缺点，提供了一种实时无束缚心率提取方法，尤其是面向坐姿的，旨在提高面向坐姿的心率检测精度，利用固定在座椅表面的柔性压电薄膜传感器采集由心冲击现象引起的压电薄膜振动信号，再由电荷放大器处理并通过数据采集设备传至上位机处理分析，最终提取心率和心跳周期。该方法能够自动检测人体是否离开座椅，且在人体坐姿下能够连续不间断的监测人体生理信息如心率和心跳周期。本方法无需大量的先验知识，同时无需大量样本训练，通过周期估计和区间划分结合可得出心跳模板，计算相对简单，对测量环境要求不高，同时可以获得逐次心跳间隔，检测精度较高，鲁棒性较强。本发明为面向坐姿的无束缚生理信息监测提供了重要技术支持，同时对于防止久坐、预防心血管疾病等具有重要意义。

本发明解决上述问题采用的技术方案如下：

一种实时无束缚心率提取方法，利用柔性压电薄膜传感器采集人体的心冲击信号，该方法包括以下步骤：

第一步、确定人体是否在连续一段时间a秒内处于待检测位置上且人体处于静止状态，若满足条件，则对这连续一段时间a秒的数据进行预处理，去除基线漂移、去除高频噪声，得到预处理后的心冲击信号：

第二步、估计心跳周期

将预处理后的心冲击信号，利用峰值检测算法提取a秒数据中所有正波峰并记录时间轴位置，分别按照公式(1)、公式(2)计算在1.5～a-1.5秒数据内每个时间轴位置的自相关函数R、短时平均幅度差函数D，利用自相关函数和短时平均幅度差函数根据公式(3)获得核心函数Q，核心函数Q在心跳周期位置表现为峰值；

检测核心函数的正波峰，设定波峰阈值δ，将振幅超过δ的正波峰的位置作为心跳周期位置，计算相邻心跳周期位置的平均间隔作为某一正波峰处的估计心跳周期；

再计算出1.5～a-1.5秒数据内所有正波峰处的估计心跳周期，组成心跳周期序列，求取算术平均值作为a秒数据内的心跳周期估计值T；

其中，x是预处理后的心冲击信号；m是1.5～a-1.5秒数据内正波峰的时间轴位置，k取值范围为0～N；N表示在正波峰所在时间轴位置两侧截取的时间总长度；N的取值范围为[0.8f,3f]，f为信号采样频率；

第三步、划分区间：

将预处理后的心冲击信号划分连续区间，区间长度为第二步获得的心跳周期估计值T；对区间有效性进行判断，若该区间最大振幅超过设定的阈值范围[2e^-4,5e^-4]，则该区间判断为无效，心冲击信号受到外界干扰；若最大振幅处于阈值范围内，则该区间为有效区间；从有效区间定位最大振幅的时间轴位置作为a秒数据内心冲击信号的主要特征最大J尖峰的时间轴位置；

第四步：心跳模板

将以获得的a秒数据内心冲击信号的主要特征最大J尖峰的时间轴位置为中心，在最大J尖峰的时间轴位置向前和向后获取数据长度均为T·f/2的数据b，由中心和数据b组成数据c，计算数据c的算数平均值作为当前a秒数据的心跳模板；

每获取连续的a秒预处理后的心冲击信号数据，重新计算下一个a秒数据对应的心跳模板；

第六步：心跳定位

按照公式(5)计算每a秒心冲击信号与其心跳模板之间的相关系数r，根据相关系数定位当前心冲击信号的心跳位置；用心跳位置的个数除以a得出心率；对相邻的心跳位置的间隔求取差值，得出逐次心跳间隔

其中，x_i，y_i为预处理后的心冲击信号；

为心跳模板信号；M为预处理后的心冲击信号的长度。

本发明方法尤其适用于坐姿情况下的心率提取，坐姿下，将柔性压电薄膜传感器放置于座椅表面上，所述第一步的具体过程为：

上位机通过数据采集设备实时采集柔性压电薄膜传感器产生的电荷量，信号采样频率设置为1000Hz；在采集过程中实时计算每秒数据的标准差，进行阈值判断并设定阈值范围为[2e^-4,5e^-4]，根据采集数据的标准差判断座椅是否有人并进行监测；若采集数据的标准差不在该阈值范围内，则监测系统不工作，原因是人体离座或者此时人体体动幅度较大，无法进行心率监测，记为状态1；若采集数据的标准差在该阈值范围内，说明无人离座并且人体处于静止状态，此时进行连续采集a秒数据，记为状态2；若a秒时间内的数据标准差处于阈值范围内，则进入预处理，否则进行状态1判断，且在处在状态1时进行状态2判断，并重新组成连续的a秒数据。

一种实时无束缚心率提取的监测系统，电荷放大器、数据采集设备和上位机，其特征在于，该系统还包括柔性压电薄膜传感器以及座椅；柔性压电薄膜传感器安装在座椅表面，柔性压电薄膜传感器通过电荷放大器与数据采集设备连接，数据采集设备将数据传至上位机，上位机内加载有上述实时无束缚心率提取方法。

与已有技术相比，本发明的优点主要体现在：

(1)本发明提出了一种能够实时无束缚进行心率监测的新方法，该方法不需要训练学习大量样本，利用了信号主要特征建立模板并更新模板，减少了计算量，保证了模板的准确度和计算的实时性。

(2)本发明方法利用心冲击信号主要特征的周期性变化，只采用改进自相关函数和短时平均幅度差函数两类数据即可对心冲击信号进行心跳周期估计，与之前估计心跳周期方法相比，在保证周期估计结果准确的前提下，简化了计算流程情况下。

(3)本发明研制了一种新型的面向坐姿的心率监测系统，通过固定在座椅表面的柔性压电薄膜传感器测量由心脏跳动引起的压电薄膜的微弱振动，避免了传感器与皮肤表面的直接接触，去除了不适感。坐姿下，其中平行于脊柱方向的心冲力的振幅最大且受重力影响较小，可以引起与人接触物体的振动，通过柔性压电薄膜传感器能采集接触物体的振动信号，提取坐姿下的心率信息。

(4)本发明在建立心跳模板过程中，在对预处理后的心冲击信号进行区间划分的过程中，采用了心跳周期估计值作为区间的划分长度，该步骤解决了心冲击信号的划分区间长短不一的问题，区间过长时可能包含多次完整心跳；区间过短时可能无法包含一次完整的心跳特征。采用获得的估计心跳周期可以最大限度的保证每个区间包含一次完整的心跳，同时依据主要特征J尖峰的振幅最大特点，便于提取当前区间的J尖峰的位置从而建立心跳模板。实验表明，本发明与标准的医学临床设备安波澜N7000多导睡眠监测仪的心电图检测比较，心率相对误差不超过2.41％，心跳周期平均误差不超过30ms，具有较高的准确性和实用性，抗干扰能力较强。

附图说明

图1本发明实时无束缚心率提取的监测系统一种实施例的结构示意图：

图2本发明方法的流程图：

图3柔性压电薄膜传感器的断面结构示意图：

图4预处理后的心冲击信号波形图：

图5核心函数Q某一正波峰处的心跳周期序列波形图：

图6预处理后的心冲击信号区间划分示意图：

图7心跳模板的波形图：

图8相关系数的波形图：

图9本发明方法所有心跳位置标记图：

图10心电图模块的心跳位置标记图。

具体实施方式

为了使本发明实现上述的功能，下面结合附图与实施例对本发明进一步说明，本发明的实施方式包括下列实例，但并不以此作为对本申请保护范围的限定。

本发明一种实时无束缚心率提取方法，利用柔性压电薄膜传感器采集人体坐姿下纵向(平行脊柱方向)的心冲击信号，该方法主要包括以下步骤：

第一步、离座判断：

柔性压电薄膜传感器在心冲击作用下产生微弱的电荷量，经电荷放大器放大后，再由数据采集设备采集，信号采样频率设置为1000Hz。在采集过程中计算每秒的实时数据的标准差，进行阈值判断并设定阈值范围为[2e^-4,5e^-4]，根据采集数据的标准差判断座椅是否有人并进行监测。若采集数据的标准差不在该阈值范围内，则监测系统不工作，原因是人体离座或者此时人体体动幅度较大，无法进行心率监测，记为状态1；若采集数据的标准差在该阈值范围内，说明无人离座并且人体处于静止状态，此时进行连续采集a秒数据，记为状态2；若a秒时间内的数据标准差处于阈值范围内，则进入下一步，否则进行状态1判断，且在处在状态1时进行状态2判断，并重新组成连续的a秒数据；a取值10～15。

第二步、信号的预处理：

将第一步采集的处于状态2的a秒数据进行预处理，具体处理过程为去除基线漂移、去除高频噪声。使用多项式拟合趋势项并去除，然后将去除趋势项的信号采用小波变换进行分解重构，最后通过低通滤波器去除高频噪声。

第三步、估计心跳周期：

将第二步预处理后的心冲击信号，利用峰值检测算法提取a秒数据中所有正波峰(大于零的波峰)并记录时间轴位置，分别按照公式(1)、公式(2)计算在1.5～a-1.5秒数据内每个时间轴位置的自相关函数R、短时平均幅度差函数D，并利用二者根据公式(3)获得核心函数Q，核心函数Q为自相关函数和短时平均幅度差函数的比值，核心函数Q在心跳周期位置表现为峰值。检测核心函数的正波峰，设定波峰阈值δ，将振幅超过δ的正波峰的位置作为心跳周期位置，计算相邻心跳周期位置的平均间隔作为某一正波峰处的估计心跳周期。再计算出1.5～a-1.5秒数据内所有正波峰处的估计心跳周期，组成心跳周期序列，求取算术平均值作为a秒数据内的心跳周期估计值T；

其中，x是预处理后的冲击信号；m是1.5～a-1.5秒数据内正波峰的时间轴位置，k取值范围为0～N；N表示在预处理后的心冲击信号正波峰所在时间轴位置两侧截取的时间总长度；N的取值范围为[0.8f,3f]，f为信号采样频率。例如采样频率为1000Hz，则数据采集设备每秒采集1000个数据点，此时N取值范围为800～3000，对应0.8～3秒。N反映两次心跳间隔之和，因此对应的心率范围为40～150次/分。

第四步、划分区间：

将第二步预处理后的心冲击信号划分连续区间，区间长度为第三步计算得出的心跳周期估计值T。对区间进行有效性判断，若该区间最大振幅超过设定阈值范围[2e^-4,5e^-4]，则该区间判断为无效，原因是在测量过程中难免会发生体动，从而对心冲击信号造成干扰；若最大振幅处于阈值范围内，则该区间为有效，再从有效区间定位最大振幅的时间轴位置作为a秒数据内心冲击信号的主要特征最大J尖峰的时间轴位置。

第五步、心跳模板

将以第四步获取的a秒数据内心冲击信号的主要特征最大J尖峰的时间轴位置为中心，截取该相应的时间轴位置向前和向后数据长度均为T·f/2的数据b，由中心和数据b组成长度为T·f的数据c，计算数据c的算数平均值作为当前数据a的心跳模板。每获取连续的a秒预处理后的心冲击信号数据，重新计算下一个a秒数据对应的心跳模板；

第六步、心跳定位

按照公式(5)计算每个a秒预处理后的心冲击信号与其心跳模板的相关系数。对相关系数进行相关性阈值判断，设定相关性阈值为0.85，若相关系数超过该相关性阈值，此时心冲击信号与心跳模板的相似程度较高，为一次心跳。检测所有相似程度超过相关性阈值的心冲击信号，标注其心跳位置。用所有心跳位置的个数除以a得出心率，并对所有相邻心跳位置的间隔求取平均值，得出心跳周期。

其中，x_i，y_i为预处理后的心冲击信号；

为心跳模板信号；M为预处理后的心冲击信号的长度。

本发明应用该方法的监测系统(参见图1)，包括：座椅1、柔性压电薄膜传感器2、电荷放大器3、数据采集设备4、上位机5；柔性压电薄膜传感器放置于座椅表面，人体6与柔性压电薄膜传感器表面紧密接触，并采集由人体6的心冲击引起压电薄膜的振动信号，该信号经电荷放大器处理再由数据采集设备采集，最终传至上位机处理数据，上位机与移动终端通信，采用本发明申请的方法(参见图2)提取心率和心跳周期并发送至移动终端设备以供查看。移动终端设备可为智能手机、iPad、智能手表等便携智能设备。

本发明中所用的柔性压电薄膜传感器为频响范围宽、灵敏度高的PVDF压电薄膜传感器，主要由三层结构组成(参见图3)，自上而下依次为上保护层、上电极层、PVDF压电薄膜、下电极层、下保护层，整体厚度约为8-10mm，尺寸参考普通座垫大小设置为400mmx400mm，保护层采用聚乙烯材料。

实施例

本实施例为面向坐姿的无束缚心率监测方法，柔性压电薄膜传感器的尺寸为整体厚度9mm，长宽尺寸400mmx400mm。该方法包括以下步骤：

第一步、离座判断：

上位机通过电荷放大器放大信号并通过数据采集设备实时采集柔性压电薄膜传感器的电荷量变化的趋势，信号采样频率设置为1000Hz。在采集过程中实时计算每秒数据的标准差，进行阈值判断并设定阈值范围为[2e^-4,5e^-4]，根据采集数据的标准差判断座椅是否有人并进行监测。若采集数据的标准差不在该阈值范围内，则监测系统不工作，原因是人体离座或者此时人体体动幅度较大，无法进行心率监测，记为状态1；若采集数据的标准差在该阈值范围内，说明无人离座并且人体处于静止状态，此时进行连续采集10秒数据，记为状态2；若10秒时间内的数据标准差处于阈值范围内，则进入下一步，否则进行状态1判断，且在处在状态1时进行状态2判断，并重新组成连续的10秒数据。

第二步、信号的预处理：

将第一步采集的处于状态2的10秒数据进行预处理，具体处理过程为去除基线漂移、去除高频噪声。使用多项式拟合趋势项并去除，然后将去除趋势项的信号采用小波变换进行分解重构，最后通过低通滤波器去除高频噪声，得到预处理后的心冲击信号(参见图4)。

下述过程中所提及的a秒数据(10秒数据)的对象均是指预处理后的心冲击信号。

第三步、估计心跳周期：

利用峰值检测算法提取第二步预处理后的10秒数据中所有正波峰(大于零的波峰)并记录时间轴位置。以某一正波峰为例，分别按照公式(1)、公式(2)、公式(3)计算在1.5～8.5秒数据内每个时间轴位置的自相关函数R、短时平均幅度差函数D以及核心函数Q，通过核心函数Q得出当前正波峰处的心跳周期。检测函数Q的正波峰，设定波峰阈值5e^-3，将超过波峰阈值的正波峰的位置作为当前周期位置(参见图5)，计算相邻周期位置的平均间隔作为某一正波峰处的估计心跳周期。再计算出1.5～8.5秒数据内所有正波峰处的估计心跳周期，组成心跳周期序列，求取其算术平均值作为10秒数据内的心跳周期估计值T；

其中，x是预处理后的心冲击信号；m是1.5～8.5秒数据内正波峰的时间轴位置，k取值范围为0～N；N表示在正波峰所在时间轴位置两侧截取的时间总长度；N的取值范围为[0.8f,3f]，f为信号采样频率。例如采样频率为1000Hz，则数据采集设备每秒采集1000个数据点，此时N取值范围为800～3000，对应0.8～3秒。N为两次心跳间隔之和，因此对应的心率范围为40～150次/分，本实例N选择3000。

第四步、划分区间：

将第二步预处理后的心冲击信号划分连续区间(参见图6)，区间长度为第三步计算得出的心跳周期估计值T。对区间进行有效性判断，若该区间最大振幅超过设定有效性阈值范围[2e^-4,5e^-4]，则该区间判断为无效，原因是在测量过程中难免会发生体动，从而对心冲击信号造成干扰；若最大振幅处于有效性阈值范围内，则该区间为有效，再从有效区间定位最大振幅的时间轴位置作为10秒数据内心冲击信号的主要特征最大J尖峰的时间轴位置。

第五步、心跳模板

以第四步计算出10秒数据内J尖峰的时间轴位置为中心，截取该相应时间轴位置向前和向后数据长度均为500·T的数据b，组成长度为1000·T+1的数据c。计算数据c的算数平均值作为当前数据a的心跳模板(参见图7)。对下一个10秒数据的心冲击信号进行监测，每获取连续10秒数据的心跳模板，重复第一步至第五步，更新心跳模板。

第六步、心跳定位

按照公式(5)计算每10秒心冲击信号与其心跳模板之间的相关系数(参见图8)。对相关系数进行相关性阈值判断，设定相关性阈值为0.85，若相关系数超过该阈值，此时心冲击信号与心跳模板的相似程度较高，为一次心跳。检测所有相似程度超过相关性阈值的心冲击信号，据此标注其心跳位置(参见图9)。用所有心跳位置的个数除以a得出心率，并对所有相邻心跳位置的间隔求取平均值，得出心跳周期。

其中，x_i，y_i为预处理后的心冲击信号；

为心跳模板信号；M为预处理后的心冲击信号的长度。

本实施例加入了医学对比实验，利用医学临床设备安波澜多导睡眠仪N7000的心电图检测与本发明的心率检测结果进行对比。实验环境为安静环境，周围无人走动，令人坐在固定有柔性压电薄膜传感器的座椅上同时左右胸肌位贴有心电图模块的心电极，尽量保持坐姿变，将本发明的监测系统和心电图模块同时测量。

本申请所用系统通过数据采集设备采集和上位机处理后的数据，通过本实施例的方法，得到所有心跳位置，并计算得出心率和心跳周期。

将心电图采集的数据离线保存，使用阈值检测的方法，得出数据中的所有心跳位置，计算得出相应的心率和心跳周期。

人为将两个系统得到的心跳位置对齐，两个数据的初始时间位置相同，时间长度一致，比较两个系统得出的心率和心跳周期。本实施例方法的检测结果(参见图9)和心电图模块(采样频率为1000Hz)的检测结果(参见图10)相比较，心率相对误差不超过2.41％,心跳周期平均差值不超过30ms，具有很高的准确度。

本发明方法还可用于卧躺状态下的心率提取，卧躺状态下，柔性压电薄膜传感器需要设置在人体背部区域。

本发明未述之及处适用于现有技术。

以上对本发明的实施进行了详细说明，只是本发明的较佳实施过程，不能被认为用于限定本申请的保护范围。凡以本发明申请权利要求范围所做的均等变化与改进，均应归属于本申请的保护范围之内。

Claims (7)

1.一种实时无束缚心率提取方法，利用柔性压电薄膜传感器采集人体的心冲击信号，该方法包括以下步骤：

第一步、确定人体是否在连续一段时间a秒内处于待检测位置上且人体处于静止状态，若满足条件，则对这连续一段时间a秒的数据进行预处理，去除基线漂移、去除高频噪声，得到预处理后的心冲击信号：

第二步、估计心跳周期

将预处理后的心冲击信号，利用峰值检测算法提取a秒数据中所有正波峰并记录时间轴位置，分别按照公式(1)、公式(2)计算在1.5～a-1.5秒数据内每个时间轴位置的自相关函数R、短时平均幅度差函数D，利用自相关函数和短时平均幅度差函数根据公式(3)获得核心函数Q，核心函数Q在心跳周期位置表现为峰值；

检测核心函数的正波峰，设定波峰阈值δ，将振幅超过δ的正波峰的位置作为心跳周期位置，计算相邻心跳周期位置的平均间隔作为某一正波峰处的估计心跳周期；

再计算出1.5～a-1.5秒数据内所有正波峰处的估计心跳周期，组成心跳周期序列，求取算术平均值作为a秒数据内的心跳周期估计值T；

其中，x是预处理后的心冲击信号；m是1.5～a-1.5秒数据内正波峰的时间轴位置，k取值范围为0～N；N表示在正波峰所在时间轴位置两侧截取的时间总长度；N的取值范围为[0.8f,3f]，f为信号采样频率；

第三步、划分区间：

将预处理后的心冲击信号划分连续区间，区间长度为获得的心跳周期估计值T；对区间有效性进行判断，若该区间最大振幅超过设定的有效阈值范围[2e^-4,5e^-4]，则该区间判断为无效，心冲击信号受到外界干扰；若最大振幅处于有效阈值范围内，则该区间为有效区间；从有效区间定位最大振幅的时间轴位置作为a秒数据内心冲击信号的主要特征最大J尖峰的时间轴位置；

第四步：心跳模板

将以获得的a秒数据内心冲击信号的主要特征最大J尖峰的时间轴位置为中心，在每个最大J尖峰的时间轴位置向前和向后获取数据长度均为T·f/2的数据b，由中心和数据b组成多个数据c，计算所述数据c的算数平均值作为当前a秒数据的心跳模板；

每获取连续的a秒预处理后的心冲击信号数据，重新计算下一个a秒数据对应的心跳模板；

第五步：心跳定位

按照公式(5)计算每a秒心冲击信号的区间信号与其心跳模板之间的相关系数r，根据相关系数定位当前心冲击信号的心跳位置；用心跳位置的个数除以a并乘以60得出心率；对相邻的心跳位置的间隔求取差值，得出逐次心跳间隔；

其中，x_i，y_i为预处理后的心冲击信号的时间分量和幅值分量；

为心跳模板信号的时间分量和幅值分量；M为心冲击信号的长度。

2.根据权利要求1所述的方法，其特征在于，该方法用于坐姿情况下的心率提取，坐姿下，将柔性压电薄膜传感器放置于座椅表面上，所述第一步的具体过程为：

上位机通过数据采集设备实时采集柔性压电薄膜传感器产生的电荷量，信号采样频率设置为1000Hz；在采集过程中实时计算每秒数据的标准差，进行阈值判断并设定阈值范围为[2e^-4,5e^-4]，根据采集数据的标准差判断座椅是否有人并进行监测；若采集数据的标准差不在该阈值范围内，则监测系统不工作，原因是人体离座或者此时人体体动幅度较大，无法进行心率监测，记为状态1；若采集数据的标准差在该阈值范围内，说明无人离座并且人体处于静止状态，此时进行连续采集a秒数据，记为状态2；若a秒时间内的数据标准差处于阈值范围内，则进入预处理，否则进行状态1判断，并重新组成连续的a秒数据。

3.根据权利要求1所述的方法，其特征在于，按照公式(5)计算每a秒心冲击信号与其心跳模板的相关系数，对相关系数进行阈值判断，设定相关性阈值为0.85，若相关系数超过该相关性阈值，此时心冲击信号与心跳模板的相似程度高，为一次心跳。

4.根据权利要求1所述的方法，其特征在于，采样频率为1000Hz，a的取值为10-15，波峰阈值δ为5e^-3。

5.一种实时无束缚心率提取的监测系统，包括电荷放大器、数据采集设备和上位机，其特征在于，该系统还包括柔性压电薄膜传感器以及座椅；柔性压电薄膜传感器安装在座椅表面，柔性压电薄膜传感器通过电荷放大器与数据采集设备连接，数据采集设备将数据传至上位机，上位机内加载有权利要求1-4任一所述方法。

6.根据权利要求5所述的系统，其特征在于，上位机与移动终端通信。

7.根据权利要求5所述的系统，其特征在于，所述柔性压电薄膜传感器为PVDF压电薄膜传感器，包括自上而下依次设置的上保护层、上电极层、PVDF压电薄膜、下电极层、下保护层，整体厚度为8-10mm，大小设置为400mmx400mm。

Images