文章用于家庭医疗保健应用的实时可穿戴生理监测Jin-Woo Jeong1，Woochan Lee2， * and Young-Joon Kim1， *1韩国嘉川大学电子工程系;jason180596@gachon.ac.kr2仁川国立大学电气工程系，仁川22012，韩国* 通信：wlee@inu.ac.kr（W.L.）; youngkim@gachon.ac.kr（Y.‐J.K.）引文：Jeong，J. ‐W.; Lee，W.;金Y‐J用于家庭医疗保健应用的实时可穿戴生理监测系统。传感器2022，22，104。https://doi.org/10.3390/s22010104学术编辑：Carlo Massaroni投稿时间：2021年接受日期：2021年发布时间：2021年出版商版 权所 有 ：© 2021 作者 。Li‐censeeMDPI，巴塞尔，瑞士。本文是根据知 识 共 享 协 议 （ CC BY ） 许 可 证（http：//crea‐tivecommons.org/licenses/by/4.0/）的条款和条件分发的开放获取文章。翻译后摘要：生理数据的采集是必不可少的，有效地预测和治疗心脏病患者心脏病发作发生前，有效地加快中风后的运动恢复。这一目标可以通过使用可穿戴无线传感器网络平台进行实时医疗监测来实现。在本文中，我们提出了一种无线生理信号采集设备和基于智能手机的软件平台，用于实时数据处理和监控以及云服务器访问，用于日常ECG/EMG信号监测。该设备尺寸紧凑（直径：30 mm，厚度：4.5 mm），可测量生物电位并无线传输至智能手机或笔记本电脑，以进行实时监测、数据记录和分析。应用自适应数字滤波来消除常规家庭环境中可能出现的任何干扰噪声，同时最大限度地缩短数据处理时间。通过与参考生理信号采集仪器（RHS 2116刺激/记录系统，Intan）进行比较，使用Bland‐Altman分析评估ECG和EMG信号覆盖的准确性。R‐R峰间期的信号覆盖率显示，该拟定工作与RHS 2116之间的结果几乎相同，心率的平均差异为0.15± 4.65 bpm，Wilcoxon进行ECG和EMG的24小时连续记录会话，以证明基于日常生活中的延长时间可穿戴性的设备的鲁棒性和稳定性关键词：心电/肌电传感;生理监护仪;智能穿戴设备;无线通信;康复训练1. 介绍预防缺血性卒中和卒中复发是一个重要的公共卫生问题。在美国，近25%的中风是复发性中风，中风造成的死亡约为1/20 [1]。由于心电图是心血管健康和自主神经系统（ANS）最重要的生理信号几项ECG研究报告了临床应用中的定量ECG测量，以评价缺血性卒中的心脏、神经和功能结局之间的关系[2，3]。中风发作后，幸存者经常遭受偏瘫，严重影响他们的日常活动[4]。偏瘫通常表现为步态不对称缺陷，是卒中后阶段最常见的残疾之一。不对称步态可能由肌肉无力引起，导致活动能力不足，缺乏平衡，以及肌肉伤口对健康肢体的威胁[5，6]。根据神经可塑性的基本原理，卒中后恢复取决于神经适应和特定任务的重复运动神经康复训练已被广泛采用，以减少中风造成的残疾[8]，并研究了各种形式的神经康复，包括基于EMG的机器人或视觉支持[9传感器2022，22，104。https://doi.org/10.3390/s22010104www.mdpi.com/journal/sensors传感器2022、22、1042月14日为了进行ECG分析和基于EMG信号的运动恢复训练，传统的Holter监测仪和有线EMG监测仪设备在临床访视时应用于患者不幸的是，间歇性ECG异常可能无法通过访视检查发现[12]，并且在专门机构进行长期康复治疗会增加成本，并且治疗师数量有限导致治疗延迟，限制了患者充分利用关键的时间限制机会[13，14]。因此，能够提供即时医疗反馈和相关动态行动的可穿戴家庭监护设备此外，当EMG信号用于康复训练时，无线传输时应尽量减少数据处理的延迟[9因此，需要一种实时用户友好的生理监测设备和平台，以实现远程医疗护理和患者驱动的恢复培训各种形式的生理监测设备是商业上可获得的，但它们中的大多数被设计用于娱乐目的。大多数最近开发的监测设备缺乏紧凑性[15其他监护设备仅限于单个ECG或EMG通道[15，17，23，24]，并且忽略了包括干扰研究在内的长期稳定性测试[15，17，18，24]。此外，各种研究小组已经提出了利用云网络环境和机器学习的智能传感器网络[25在这项研究中，提出了一种用于实时检测的可穿戴连续ECG和EMG监测系统开发的系统由三个主要子系统组成：（1）可穿戴无线生理（ECG和EMG）信号监测设备，（2）带有实时监测和数据处理软件的主机设备（Android智能手机），以及(3)通过云网络服务器进行深入的生物信号分析用于ECG/EMG数据采集的模拟电路和无线遥测技术制造在紧凑的印刷电路板（PCB）上，并封装在坚固的外壳单元中，以增强可穿戴性。生理数据通过BLE无线传输到智能手机或笔记本电脑进行实时信号监测、记录和数据分析，允许用户或治疗师在实时图中访问ECG/EMG信息频谱每分钟检查一次，以检测干扰水平，并用于自适应地确定数字滤波器的阶数，从而优化延迟噪声。这项工作的准确性评估使用参考精密仪器，显示出良好的匹配。已通过24小时连续记录日常活动证明了所开发的生理监测系统的稳定性，并在网络服务器中处理了进一步的生物电位数据，用于每分钟心跳（BPM）、心率变异性（HRV）和肌肉活动监测。本文的主要贡献如下。所提出的表面生物电位采集系统是为日常可穿戴应用而设计的，支持长期稳定性验证。监测设备的总面积约为纽扣电池（CR 2032）的大小。与具有专用主机设备的现有系统相比，整个系统实现是成本有效的主机节点管理监控设备的角色，并在实时图中显示信号此外，在主机节点和云服务器之间建立医疗保健网络，在云服务器中执行智能分析，并且医生可以提供远程临床支持。使用参考仪器进行的短期生理信号采集会话和一系列分析得出结论，这项工作的信号质量是精确的。实际的长期ECG和EMG采集会话验证了申报器械在常规日常活动（包括剧烈运动）下的可行性和可穿戴性。传感器2022、22、1043月14日本文的其余部分组织如下。第2节介绍了监控设备的设计和制造，然后讨论了主机节点的作用和功能第3节给出了实验结果。最后，第4节总结了本文，并提出了未来的工作作为讨论。2. 拟议系统的设计对于可穿戴监测应用，需要一种小尺寸和轻重量的数据采集设备为了进一步提高患者的舒适度互联网和智能手机的普及可以支持远程临床参与，但基于家庭的生理信号采集设备在夜间环境中容易受到外部噪声的影响，特别是电力线干扰（PLI）[28在这里，我们提出了在日常环境中的问题，并提供了解决问题的方法Android设备的软件平台用于数据处理和记录，患者可以通过其个人智能手机实时监测其生物信号该软件还可检测输入信号的噪声水平，并采用自适应数字滤波器来消除不必要的干扰，而不会引入不必要的过程延迟。记录的数据可以分发给云服务器上的治疗师，然后进行进一步的数据分析。整个系统的框图如图1所示图1. 监控系统框图。从双极采集生物电位，并通过模拟前端（AFE）放大模拟信号被采样并无线传输到主机设备，在那里信号被实时重建以进行监控。这些数据保存在本地设备中，并通过Wi‐Fi或蜂窝通信存储在云服务器2.1. 监测装置设计和制造为确保可靠的ECG和EMG采集，模拟前端（AFE）使用仪表放大器修改模拟生物电位，仪表放大器配置为放大目标信号并衰减共模信号。我们通过将电极节点分成两个AFE通道来实现双信号捕获系统，用于ECG和EMG应用。AFE的输入阻抗大于10 GΩ，双通道配置带来了小于10%的轻微增益降低二阶高通滤波器和放大二阶低通滤波器调节输入的生物电位信号，右腿驱动电路驱动电极处的共模电压，以进一步增强共模抑制。我们在数字滤波器之前实现了模拟陷波滤波器（双T），因为高阶数字滤波器会引入信号失真[31]，并且需要大量的计算，这不适合实时监控系统。由微控制器控制的模拟多路复用器实现通道选择。AFE的原理图和规格分别如图2和表1所示传感器2022、22、1044月14日图2.模拟前端示意图。放大通道从微控制器的模拟复用器（MUX）中选择二阶模拟陷波滤波器可消除电力线干扰，模拟信号被传送到ADC进行采样。表1. 监控装置电路的规格。符号参数值采样频率每秒采样数104A/D分辨率位8~12（本作品：8）VDDV1.8~3.3带宽（ECG）Hz0.34~41带宽（EMG）Hz40.17~727增益V/V1100通信类型‐BLEPCB尺寸mm315 × 10 × 0.5然后，具有集成模数转换器（ADC）的微控制器对生物电位信号进行采样并进行处理以进行BLE传输。信号以10 kSps采样，以实现精确的信号重建，微控制器调节信号的幅度和参考电平。为了降低功耗，数据存储在缓冲器中，BLE每24 ms以突发模式发送一该器件的微控制器还通过协调系统激活、唤醒、休眠和掉电来优化功耗一旦系统初始化，有源组件仅在使用时唤醒，否则进入低功耗状态。在初始上电时，微控制器被初始化，并且设备等待模式选择。一旦设备与外部主机BLE设备配对并发出模式选择命令，ADC将被初始化，无线电将通过BLE传输相应的数据通过模式命令，微控制器将一个输出引脚驱动到多路复用器，以进行相关信号采集（图3）。电路元件使用焊膏（TS391LT，Chip Quik，Ancaster ON，Canada）安装在14 mm× 10 mm × 0.5 mm尺寸的印刷电路板（PCB）上，包括芯片级IC和天线。为了使监视器设 备 适 合 日 常 活 动 ， PCB 封 装 在 带 有 电 池 的 3D 打 印 按 钮 形 外 壳 中 （ CR2032 ，Panasonic，Kadoma，日本）。用于电极互连的导线被焊接到PCB上，并且PDMS（Sylgard 184，Dow Corning，Midland MI，USA）的软层被模制到PCB和导线上，以防止电短路和意外的导线断裂。传感器2022、22、1045月14日电池固定在按钮形外壳的盖上，该外壳设计为扭锁，便于更换电池导线缠绕在外壳上，可调节导线长度配置，适用于各种监测应用（图4）。包括PCB和电路组件在内的原型设备制造的总成本估计约为40美元所提出的设备与典型的支持蓝牙4.0的Android设备兼容，而其他现有的工作需要专用的主机设备[17，18]。图3. 申报ECG监测系统的流程图。上电后，微控制器将BLE待机。主机设备与监护仪设备配对以进行模式选择（ECG、EMG）。一旦选择了测量模式，监控设备将对输入的模拟信号进行采样，并将数据传输到主机设备。主机设备执行附加过滤并显示实时图。数据保存在本地设备中，并上传到云服务器进行进一步分析。图4. 制造器械的图像。（a）组装PCB的顶视图;（b）PCB的底视图;（c）封装在按钮形容器中的器械的图像，其中盖子打开;（d）容器的盖子关闭，准备使用。2.2. 主机节点软件实施软件平台的目标是为患者和治疗师提供舒适和轻松的监测因此，大部分工作都是在Android平台上的应用程序中实现的。一旦主机设备与监护仪设备配对，它将通过BLE接收生理数据并将其馈送到实时无限脉冲响应中传感器2022、22、1046月14日(IIR)数字滤波器，用于消除任何剩余的噪声信号。每分钟，软件通过对过去24 ms内的信号进行FFT来检测一次噪声信号的幅度以这种方式，可以减少计算量，并且可以优化由计算引起的任何不必要的时间延迟。数据被重建并可视化为实时图，用于现场监测。然后，软件平台每隔24 ms将ECG/EMG数据记录到本地文件夹中，每隔5分钟将其同步到符合健康保险便携性和责任法案（HIPAA）的网络服务器，以进行进一步分析和远程临床支持。2.3. 远程服务器数据分析一旦文件更新到服务器，机器学习算法可以进一步处理R峰和房颤（AF）检测的ECG信息。为了演示，我们提出了一组基于R峰检测的数据分析，然后计算HRV和BPM。对于EMG数据分析，原始实时EMG信号经过整流和积分，以量化肌肉活动，从而对患者的平均活动进行建模3. 实验结果3.1. 连续ECG和EMG监测在本研究中，监测装置与商业Ag/AgCl（2223 H，3 M，St.Paul MN，USA）医用级电极（图5）。将ECG电极放置在导联II方向上，并且放置EMG电极以测量来自右内侧腓肠肌处的激活信号的表面EMG信号。该装置用可调节的带子和环紧紧地固定在肢体上。当患者在室外或在没有噪声源的房间内时，不需要进行信号滤波但是，当受试者在室内，附近有典型的消费电子产品和电源时，会发生显著的干扰（图6）。用于ECG的AFE的二阶低通滤波器（截止频率为41 Hz）无法消除电源噪声（图7a），并且由于生物电位信号带宽包含电源频率，因此EMG的噪声更差因此，实现了二阶双T陷波滤波器中心，以进一步减少电力线干扰[32]（图7b）。图5. 测量设置和电极位置。（a）将ECG电极放置在导联II方向;（b）放置EMG电极以测量右内侧腓肠肌处的激活信号的表面EMG信号。传感器2022、22、1047月14日图6. 与捕获的生物电势信号的噪声比较。（a）在室外采集的ECG;（b）在距离墙壁电源30 cm处采集的ECG;（c）在室外采集的EMG;（d）在距离墙壁电源30 cm处采集的EMG图7. 附加滤波的生物电位信号。（a）在距离壁电源30 cm处从AFE采集的原始ECG;（b）使用模拟陷波滤波器（双T）滤波的ECG;（c）使用IIR数字滤波器滤波的ECF;（d）使用（b，c）滤波的ECG。该设备以BLE（2.4 GHz）传输生物电位数据，并在个人智能手机之间建立稳定的无线通信链路在显示实时生物电位数据之前，EMG信号仍然包含大量噪声分量，需要进一步滤波（图8b）。因此，在智能手机软件上实现了一个12抽头IIR数字滤波器，以进一步降低噪声（图8d）。配合右腿驱动电路和双图9显示了频域中的降噪效果传感器2022、22、1048月14日图8.附加滤波的生物电位信号。（a）在距离壁电源30 cm处从AFE采集的原始EMG;（b）使用模拟陷波滤波器（双T）滤波的EMG;（c）使用IIR数字滤波器滤波的EMF;（d）使用（b，c）滤波的EMG。图9.生物电位信号的频谱。（a）未经滤波的ECG信号;（b）经滤波的ECG信号（模拟陷波和数字IIR滤波器）;（c）未经滤波的EMG;（d）经滤波的EMG信号（模拟陷波和数字IIR滤波器）。一旦监测设备与BLE配对并选择目标生理信号，设备就开始捕获波形。这些信息在个人Android设备上以实时图形显示（图10），同时作为文件记录在内部存储中并同步到网络服务器。图10. 模式选择和来自主机设备的实时信号监控。传感器2022、22、1049月14日3.2. 采集信号的准确度为了验证所提出的监测系统的信号质量，使用参考生理信号采集仪（RHS 2116刺激/记录系统，Intan）来比较测量结果。 参考仪器以16位分辨率在20kSps下对生物电位进行采样。 由于参考仪器是台式设备，因此分析了短的10分钟ECG记录会话以进行比较。为了消除两个测量仪器之间的干扰，将每个仪器的电极并排放置（彼此相距约10 mm），彼此对齐。图11 a显示了使用本工作和参考仪器测量的瞬态生理信号一眼望去，ECG测量结果显示出几乎完美的相互叠加10 min记录会话的R‐R峰间期分布如图11 b所示，也显示了密切匹配。进行Wilcoxon符号秩检验以获得p值0.133。 图12显示了信号覆盖的Bland‐Altman分析，比较了本研究和参考研究的心率。 信号质量与RHS2116记录系统非常接近，显示差异小于0.15 ± 4.65 bpm。(a)（b）第（1）款图11. 本工作与RHS 2116刺激/记录系统（Intan）之间的比较。（a）在导联II方向上从本工作和参考仪器采集的时域ECG。（b）10 min采集的R‐R峰值间期（心率）。图12.心率的Bland‐Altman图。与参考仪器相比，本工作的总体信号覆盖范围显示出几乎完美的重叠，差异为0.2± 4.65 bpm。类似地执行EMG比较分析将电极放置在右内侧腓肠肌处，对于这项工作，每个电极和参考仪器并排放置（彼此相距约10 mm患者在站立时向肌肉施加力瞬态EMG信号的测量如图13 a所示由于两种测量方法的模拟信号放大增益不同，我们执行反算以重建原始信号。可以观察到两个结果之间的差异，因为生物电位是从肌肉内的不同位置获得的，但总体EMG活动保持相似。 考虑到表面肌电信号是从不同电极获得的，分析显示出接近匹配，差异为0.031 ± 0.045 mV。传感器2022、22、10410月14日(a)（b）第（1）款图13.并与参考仪器进行了比较。（a）从右内侧腓肠肌获取的时域EMG信号;（b）来自EMG RMS的3.3. 长期监测和数据分析为了证明该器械日常使用的可行性，采集了健康男性受试者的ECG和EMG波形，进行24小时连续监测。受试者在佩戴器械时有规律的日常生活，包括日常锻炼、行走和睡眠。除了贴片电极必须长时间附着在皮肤上之外，受试者未出现任何明显不适。通过比较波形的梯度并将其与阈值进行比较，进一步处理上传的ECG数据以进行R峰检测。对计算出的梯度值进行波形平滑处理，通过R峰检测，绘制了测试会话的30 min平均BPM，子窗口显示了跑步和步行会话期间的实际时域波形（图14）。在休息期间绘制HRV，以证明监测设备的保真度。R峰之间的时间间隔如图15 a所示，正常值至正常值间隔的标准频域频谱分析（图15 b）表明低频（LF）、高频（HF）和LF/HR比值分别为77.7、22.3和3.48。所有HRV测量结果均表明正常和健康状况。对于EMG会话，对上传的数据进行校正，并捕获波形的包络以计算EMG强度。绘制了测试阶段的强度归一化30 min平均值可行性测试表明，生理信号监测系统能够在日常活动期间捕获ECG和EMG信号，而没有任何明显的伪影或干扰。图14. 连续30 min平均BPM 24 h。显示步行和跑步活动的实际ECG信号。传感器2022、22、10411月14日（一）(a)图15. 心率变异性（a）时域和（b）频域。图16. 连续30 min平均肌电强度24 h。显示跑步和步行活动的实际EMG信号3.4. 器件寿命器件在10 kSps采样速率下的功耗测量结果如图17所示，平均值为4 mA。该设备可以连续运行超过58小时与235 mAh的纽扣电池。树脂组件的盖很容易拆卸，便于更换电池组件的直径和厚度分别为30和4.5 mm传感器2022、22、10412月14日图17. 连续监测期间的电流消耗。4. 结论本研究展示了一种用于日常可穿戴应用的连续ECG/EMG监测系统信号采集系统准确地捕获生物电位，并将数据传输到智能手机进行实时监测和分析。在个人智能手机上建立有关信号监测的应用程序，以增强老年人和残疾患者的可访问性云服务器之间的连接还可以实现进一步的数据分析和远程临床支持。可行性研究结果表明，该设备可以有效地过滤干扰信号，并在日常活动中捕获连续的ECG/EMG数据通过保持与支持BLE的设备的无线连接，我们预计我们的可穿戴生理信号监测系统将成为无法使用标准监测设备的中风后和运动康复家庭环境的医疗保健工具5. 讨论和今后的工作在这项工作中，我们展示了无干扰实时生理信号的捕获，向患者呈现可视化结果，并将数据传输到专用服务器进行进一步分析。与高精度仪器进行了比较，确保了测量的准确性。尽管与现有器械相比，我们已经取得了显著的改进，但仍需要进一步的进展，以便在临床中部署具有高影响力的系统进行实际使用电流监测装置有一个环孔和一个可调节的带子，患者可以将其绑在四肢或颈部。虽然刚性结构为监测设备提供保护，但有时会使患者感到不舒服一种附着在皮肤上的灵活贴片式微型监测设备可能是一种解决方案。主机设备（智能手机）中的特征提取是必要的，因为有时很难发现过去的事件，并且在长时间的记录会话中文件大小可能很大。如果没有基于机器学习的分类算法可以提醒患者或医生，除非专家一直监控数据，否则异常活动很容易被发现因此，需要将当前系统与一种算法相结合，该算法可以有效地检测特定特征，进行准确预测，并向患者或医生发出警报[25，26]。作者贡献：J.‐ W. J.设计了电路，进行了实验，并撰写了初稿; W.L.编写峰值检测代码并编辑手稿; Y.‐J.K.提出初步设计，编辑手稿，并负责研究活动。所有作者均已阅读并同意手稿的出版版本。本研究由韩国国家研究基金会资助（NRF‐2019 R1 C1 C1011235，NRF‐2020 M3 A9 E4104385）。EDA工具得到IDEC的支持。传感器2022、22、10413月14日机构审查委员会声明：本研究根据赫尔辛基宣言的指导原则进行，并于2021年11月获得嘉川大学机构审查委员会委员会的批准（IRB编号1044396 ‐ 202109‐HR‐205 ‐ 01）。知情同意声明：获得了参与本研究的所有受试者的知情同意书利益冲突作者声明无利益冲突引用1.Mozaffarian，D.; Benjamin，E.J.;加油，A.S. Arnett，D.K.; Blaha，M.J.; Cushman，M.; De Ferranti，S.; Després，J. ‐P.;Fullerton，H. J.;霍华德，V.J.心脏病和中风统计‐2015年更新：来自美国心脏协会的报告Circulation2015，131，e29‐e322。2.De Raedt，S.;De Vos，A.;De Keyser，J.急性缺血性卒中的自主神经功能障碍：一个未充分探索的治疗领域？《神经病学杂志》Sci. 2015，348，243.Steinhubl，S.R.; Waalen，J.; Edwards，A.M.; Ariniello，L.M.; Mehta，R.R.; Ebner，G.S.; Carter，C.; Baca‐Motes，K.;Felicione，E.; Sarich，T.基于家庭的可穿戴连续ECG监测贴片对未诊断房颤检测的影响：mSToPS随机临床试验。JAMA2018，320，1464.Dobkin，B.H.;Dorsch，A.中风康复治疗的新证据Curr. Atheroscler 众议员 2013，15，331。5.洪，S.;金，D.;公园，H.;Seo，Y.;侯赛因岛;帕克，S.J.使用可穿戴传感器进行中风后预测的步态特征向量Sci.不客气。敏感b. 2019，22，556.Sawacha，Z.; Spolaor，F.; Pietrotkowska，W.J.; Cibin，F.; Ciniglio，A.; Guiotto，A.; Ricca，M.; Polli，R.; Murgia，A.基于视频的运动分析和表面肌电图在步态期间脆性X儿童中的可行性和可靠性评估传感器2021，21，4746。7.Dimyan，M.A.;科恩，L.G.J.N.R.N.脑卒中后运动康复背景下的神经可塑性 Nat. Rev. Neurol. 2011，7，768.Langhorne，P.;Coupar，F.;Pollock，A.卒中后运动功能恢复：一项系统性综述。 柳叶刀神经。 2009，8，741‐754中描述的。9.钱，Q.;胡某;赖，Q.; Ng，S.C.; Zheng，Y.; Poon，W.利用肌电图驱动的神经肌肉电刺激机器人手臂辅助上肢的早期中风康复。正面。Neurol. 2017年8月447日。10.Marin‐Pardo，O.; Laine，C.M.; Rennie，M.; Ito，K.L.; Finley，J.; Liew，S. ‐L.慢性卒中神经康复的虚拟现实肌肉‐计算机接口：一项初步研究。传感器2020，20，3754。11.胡小玲; Tong，K.Y.; Wei，X.J.; Rong，W.; Susanto，E.A.; Ho，S.K.使用肌电图（EMG）驱动的手动机器人进行卒中后上肢训练的效果。J. Electromyogr. Kinesiol. 2013，23，106512.Jabaudon，D.; Sztajzel，J.; Sievert，K.; Landis，T.;斯塔伊泽尔河急性卒中和短暂性脑缺血发作后7天动态心电图监测检测房颤和房扑的可靠性Stroke2004，35，164713.Murphy，T.H.;Corbett，D.中风恢复期间的可塑性：从突触到行为。 Nat. Rev. Neurosci. 2009，10，861‐872.14.Zeiler，S.R.;Krakauer，J.W.训练与脑卒中后大脑可塑性之间的相互作用Curr. Opin. Neurol. 2013，26，609。15.阿里，H.; Naing，H.H.;亚库布河物联网辅助的实时高CMRR无线动态心电图监测系统，具有心律失常检测功能。电子学2021，10，1871。16.陈，Q;Kastratovic，S.;Eid，M.;哈，S。非接触式紧凑型便携式心电监护系统。电子2021，10，2279。17.Zhu，L.，中国农业科学院;Mao，G.;苏，H.;周志;李，W.;卢，X.;Wang，Z.用于多通道表面肌电检测的可穿戴、高分辨率和无线系统IEEESens.J.2021，21，993718.Spananwald，E.;Di Pascoli，S.;Iannaccone，G.低功耗可穿戴ECG监护系统，用于多患者远程监护。IEEESens.J.2016，16，545219.Satti，A.T.;公园，J.;公园，J.;金，H.;周，S。用于可穿戴ECG设备的聚对二甲苯涂层的针阵列电极的制造。传感器2020，20，5183。20.Satti，A.T.;Kim，J.;Yi，E.;Cho，H. ‐y.;周，S。基于微针阵列电极的可穿戴EMG系统，用于通过方向盘抓握检测传感器2021，21，5091。21.Kim，Y. ‐J.;Park，C. ‐K.Kim，K.G.基于EMG的肘关节运动可变阻抗控制：初步研究。 Adv. 机器人2017，31，80922.Bravo‐Zanoguera，M.;Cuevas‐González，D.;Reyna，M.A.;García‐Vázquez，J.P.;阿维蒂亚河使用AD823X模拟前端微芯片和开源开发验证制作便携式ECG传感器2020，20，5962。23.Steinberg，C.; Philippon，F.;桑切斯，M.; Fortier‐Poisson，P.; O'Hara，G.; Molin，F.;萨拉钦，J. ‐F.;诺尔特岛Blier，L.;Roy，K.一种用于连续动态心电图记录的新型可穿戴设备：概念验证和信号质量评估生物传感器2019，9，17。24.Masihi，S.;Panahi，M.;Maddipatla，D.;Hanson，A.J.;Fenech，S.;Bonek，L.Sapoznik，N.; Fleming，P.D.;Bazuin，B.J.;阿塔什巴尔，M.Z.一种可穿戴应用的具有干织物电极的柔性无线ECG监测设备的开发。IEEE Sens. J.2021，出版前。25.阿里，F.; El‐Sappagh，S.; Islam，S.M.R.;阿里，A.; Attique，M.;伊姆兰，M.;郭凯‐S使用可穿戴传感器和社交网络数据的智能医疗监测框架。未来一代Comput. 2021，114，23‐43.传感器2022、22、10414月14日26.阿里，F.;El‐Sappagh，S.;Islam，S.M.R.;Kwak，D.;阿里，A.;伊姆兰，M.;郭凯‐S基于集成深度学习和特征融合的心脏病预测智能医疗监护系统Inf. Fusion2020，63，20827.Lakhan，A.;Dootio，M.A.;Alqahtani，F.;Alzahrani，R.I.;Baothman，F.;Shah，S.Y.;Shah，S.A.;Anjum，N.;Abbasi，Q.H.;霍哈尔，M.S. 分布式雾云网络中支持混合工作负载的安全医疗保健监测传感框架电子学2021，10，1974。28.Piskorowski，J.具有瞬态抑制功能的数字变Q陷波IIR滤波器 IEEE Trans. 仪器Meas. 2009，59，866‐872中所述。29.Levkov，C.; Mihov，G.; Ivanov，R.; Daskalov，I.; Christov，I.;多钦斯基岛消除ECG中的电源线干扰：减影程序综述。生物医学工程在线2005，4，130.Pei，S. ‐C.;Tseng，C. ‐C.用瞬态抑制IIR陷波器消除心电图中的交流干扰IEEE生物医学学报Eng.1995，42，1128‐1132。31.Li，J.;Deng，G.;魏，W.;王，H.;明，Z.便携式移动医疗系统的实时ECG滤波器设计IEEE Access2016，5，69632.Parente，F.R.; Santonico，M.; Zompanti，A.; Benassai，M.; Ferri，G.; D'Amico，A.;彭纳扎湾一种用于ECG信号的非接触式读取的电子系统。传感器2017，17，2474。
