一种生理信号采集方法、系统及可穿戴设备

技术领域

本申请涉及生理信号采集技术领域，尤其是涉及一种生理信号采集方法、系统及可穿戴设备。

背景技术

随着数字信号处理技术的不断发展，人体生理信号采集从机械化逐渐转为电子化，并且不断向着自动化和智能化方向发展。

生理信号采集是指使用传感器等设备来检测和测量人体的生理参数，通过实时连续地监测和分析人体的生理参数，可以提供个体化的健康监测和管理，能够促进健康、预防疾病、提高运动和康复效果，在医疗、健康监测、运动训练等领域均具有重要的意义和应用。

目前，常见的可穿戴设备例如手环等，在基于手环进行生理信号采集时存在诸多干扰信号采集的因素，使得采集信号不准确。

发明内容

为了提高采样信号的准确性，本申请提供了一种生理信号采集方法、系统及可穿戴设备。

第一方面，本申请提供一种生理信号采集方法，采用如下的技术方案：

一种生理信号采集方法，应用于配置有皮电采集模块和生理信号采集模块的可穿戴设备，所述采集方法包括：

获取皮电采集模块采集到的皮电信号值；

根据预设皮电阈值和所述皮电信号值确定所述可穿戴设备的当前佩戴状态；

响应于所述佩戴状态为异常状态，控制所述生理信号采集模块停止采集生理信号。

通过采用上述技术方案，由于正常人体皮电的数值情况是相对稳定的，通常在0.01µ西门子到100µ西门子之间；因此，通过预先设定皮电阈值，根据采集到的皮电信号值判断可穿戴设备是否佩戴正常，即判断可穿戴设备是否已经良好地接触皮肤，当佩戴异常时，即需要立刻停止生理信号的采集，以减少采样信号中混入环境噪声的情况，通过对佩戴状态的快速判断和识别，能够有效地监测和控制可穿戴设备的佩戴情况，从而提高了采集信号的准确性。

可选的，根据预设皮电阈值和所述皮电信号值确定所述可穿戴设备的当前佩戴状态，包括：

比较所述皮电信号值和所述预设皮电阈值；

响应于所述皮电信号值小于预设皮电阈值，确定所述可穿戴设备的当前佩戴状态为异常状态。

通过采用上述技术方案，将采集的皮电信号值与预设皮电阈值进行比较，可以确定可穿戴设备的佩戴状态，从而实现对佩戴状态的快速判断和识别，通过有效地监测和控制可穿戴设备的佩戴情况，能够提高生理信号的采集准确性。

可选的，所述根据预设皮电阈值和所述皮电信号值确定所述可穿戴设备的佩戴状态，还包括：响应于所述皮电信号值大于或等于预设皮电阈值，确定所述可穿戴设备的当前佩戴状态为非异常状态；

所述方法还包括：响应于所述可穿戴设备的佩戴状态为非异常状态，控制所述生理信号采集模块启动或保持采集生理信号。

通过采用上述技术方案，当检测佩戴未出现异常时，即可开启或保持生理信号的采集模式。

可选的，响应于所述佩戴状态为异常状态，所述方法还包括：对所述可穿戴设备的信号滤波器信号清空处理，和/或，将生理信号的采样数值置零处理。

通过采用上述技术方案，在检测到佩戴状态异常时，将信号滤波器清空，同时还可将采集数据归零，由于每次采集前信号滤波器都是已经被清空的，因此异常跳变显著减少，并且PPG信号回复到合理状态的时间也大大缩短，从而使得计算速度和准确率均显著提高。

可选的，确定所述预设皮电阈值的步骤包括：

获取所述可穿戴设备所在环境的环境监测数据；

根据所述环境监测数据确定或调整所述预设皮电阈值。

通过采用上述技术方案，通过监测温湿度等环境监测数据的变化，根据温湿度等环境监测数据的高低相应地调整皮电阈值，可以确保数据的准确性和稳定性，以适应不同环境条件，同时能够更加准确地判断设备与皮肤的接触情况。

可选的，根据所述环境监测数据确定或调整所述预设皮电阈值，包括：根据预先获取的环境监测数据和皮电阈值的映射关系，确定与所述环境监测数据对应的皮电阈值为所述预设皮电阈值。

通过采用上述技术方案，在监测得到环境监测数据后，根据预先设定的环境监测数据和皮电阈值的映射关系，即可确定对应的预设皮电阈值；具体地，可通过收集相关领域专家的经验和意见，并结合历史监测数据进行统计分析确定该映射关系，这种映射关系可以作为预设皮电阈值的设定依据。

可选的，根据所述环境监测数据确定或调整所述预设皮电阈值，包括：将所述环境监测数据输入神经网络模型以进行皮电阈值预测处理，所述神经网络模型输出的皮电阈值预测值为所述预设皮电阈值；其中，所述神经网络模型经过训练集预先监督训练完成，所述训练集包括历史环境监测数据及对应的历史皮电监测数据。

通过采用上述技术方案，根据个体的生理特征和环境条件，通过监测温湿度等环境监测数据的变化，并将温湿度等环境监测数据输入至预先训练的神经网络模型中，从而基于模型结果根据温湿度的高低相应地调整皮电阈值，可以确保数据的准确性和稳定性，以适应不同环境条件，同时能够更加准确地判断设备与皮肤的接触情况。

可选的，所述神经网络模型的训练包括：

获取样本数据集并进行预处理；

对预处理后的样本数据集进行特征提取；

将特征提取后的样本数据集划分为所述训练集、验证集和测试集；其中，所述验证集和测试集包括未来时间段的环境监测数据及对应的皮电监测数据；

基于所述训练集对所述神经网络模型进行初训练，并基于所述验证集和所述测试集对初训练后的神经网络模型进行验证和模型参数优化调整。

通过采用上述技术方案，利用历史环境监测数据及对应的历史皮电监测数据作为训练集来训练神经网络模型，有助于模型捕捉和学习环境监测数据与皮电监测数据的复杂非线性关系，利用未来时间段的环境监测数据及对应的皮电监测数据作为验证集和测试集，对算法模型的参数进行优化校正，即可得到最优的皮电阈值预测模型。

可选的，基于所述训练集对所述神经网络模型进行初训练，并基于所述验证集和所述测试集对初训练后的神经网络模型进行验证和模型参数优化调整，包括：

将所述训练集输入至预先构建的神经网络模型进行训练，对模型参数进行优化并计算神经网络模型的损失函数，直到损失函数满足预设条件或预先构建的神经网络模型迭代次数达到预设次数，得到训练后的所述皮电阈值预测模型；

基于所述验证集对所述皮电阈值预测模型进行验证，评估所述皮电阈值预测模型的性能并调整模型的超参数；

基于所述测试集对调整后的皮电阈值预测模型的预测能力进行测试。

通过采用上述技术方案，基于训练集对模型参数进行迭代更新以逐步优化模型的预测能力，基于验证集对模型性能进行评估并调整超参数，当模型在验证集上表现较好时，使用测试集评估模型的最终性能，结合多个测试指标综合确定预测模型的实际预测能力，从而进一步提高了预测结果的准确性。

第二方面，本申请提供一种生理信号采集系统，用于执行第一方面所述的生理信号采集方法，采用如下的技术方案：

一种生理信号采集系统，用于执行第一方面所述的生理信号采集方法，应用于配置有皮电采集模块和生理信号采集模块的可穿戴设备，所述采集系统包括：

皮电信号值获取模块，用于获取皮电采集模块采集到的皮电信号值；

佩戴状态确定模块，用于根据预设皮电阈值和所述皮电信号值确定所述可穿戴设备的当前佩戴状态；

采集控制模块，用于响应于所述佩戴状态为异常状态，控制所述生理信号采集模块停止采集生理信号。

通过采用上述技术方案，根据预设皮电阈值，利用实时采集到的皮电信号值判断可穿戴设备是否佩戴正常，即判断可穿戴设备是否已经良好地接触皮肤，当佩戴异常时，即需要立刻停止生理信号的采集，以减少采样信号中混入环境噪声的情况，从而提高了采集信号的准确性。

第三方面，本申请提供一种可穿戴设备。

一种可穿戴设备，包括：设备主体、皮电采集模块、生理信号采集模块和如第二方面所述的一种生理信号采集系统，所述皮电采集模块和生理信号采集模块设置在所述设备主体上，所述生理信号采集系统分别与所述皮电采集模块和所述生理信号采集模块连接，所述皮电采集模块用于采集用户的皮电信号值，所述生理信号采集模块用于采集用户的生理信号数据。

综上所述，本申请包括以下至少一种有益技术效果：通过预先设定皮电阈值，根据采集到的皮电信号值判断可穿戴设备是否佩戴正常，即判断可穿戴设备是否已经良好地接触皮肤，当佩戴正常时，即可开启生理信号的采集模式；当佩戴异常时，即需要立刻停止生理信号的采集，通过对佩戴状态的快速判断和识别，能够有效地监测和控制可穿戴设备的佩戴情况，以减少采样信号中混入环境噪声的情况，从而提高了采集信号的准确性。

附图说明

图1是本申请其中一实施例的生理信号采集方法的第一流程示意图。

图2是本申请其中一实施例的生理信号采集方法的第二流程示意图。

图3是本申请其中一实施例的生理信号采集方法的第三流程示意图。

图4是本申请其中一实施例的生理信号采集方法的第四流程示意图。

图5是本申请其中一实施例的生理信号采集方法的第五流程示意图。

图6是本申请其中一实施例的生理信号采集方法的第六流程示意图。

图7是本申请的生理信号采集方法在实际应用过程中的测试效果图。

图8是本申请其中一实施例的生理信号采集系统的结构框图。

图9是本申请其中一实施例的可穿戴设备的结构示意图。

附图标记说明：1、设备主体；11、皮电采集模块；12、生理信号采集模块；101、皮电信号值获取模块；102、佩戴状态确定模块；103、采集控制模块。

具体实施方式

为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图1-9及实施例，对本申请进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本申请，并不用于限定本申请。

目前，用户在使用可穿戴设备例如手环进行生理信号采集的过程中，当手环从手腕拿下时，光信号发射器依然在根据设定频率进行切换采集，可能会引入不必要的环境光、运动伪影等部分环境噪声；当再次正常佩戴后，受佩戴前滤波器中环境噪声的影响，可能还会导致数据稳定到合理状态的时间加长，使得生理信号的计算速度降低。

由此可见，可穿戴生理采集设备的佩戴检测精确性和可靠性是其应用的关键，然而，常见的可穿戴设备大多无法精确区分当前设备是否佩戴合适，例如部分设备采用的PPG数值监测法，当物体遮挡设备上的接收器时，或接收器接触桌面放置时，均可能会导致佩戴误判的情况发生。

因此，如何精确检测可穿戴设备是否佩戴合适，提高生理信号采集结果的准确性是目前亟待解决的问题。

本申请实施例公开一种生理信号采集方法。

参照图1，一种生理信号采集方法，应用于配置有皮电采集模块和生理信号采集模块的可穿戴设备，采集方法包括：

步骤S101，获取皮电采集模块采集到的皮电信号值；

步骤S102，根据预设皮电阈值和皮电信号值确定可穿戴设备的当前佩戴状态；

具体地，当前佩戴状态包括佩戴正常状态和佩戴异常状态，佩戴正常状态即表示可穿戴设备已经良好地接触用户皮肤并可以开始进行生理信号的采集；佩戴异常状态则表示用户可能存在佩戴位置或松紧程度不合适的情况，可能会导致采样信号中混入环境噪声；

步骤S103，响应于佩戴状态为异常状态，控制生理信号采集模块停止采集生理信号。

上述实施方式中，由于正常人体皮电的数值情况是相对稳定的，通常在0.01µ西门子到100µ西门子之间；因此，通过预先设定皮电阈值，根据采集到的皮电信号值判断可穿戴设备是否佩戴正常，即判断可穿戴设备是否已经良好地接触皮肤，当佩戴异常时，即需要立刻停止生理信号的采集，以减少采样信号中混入环境噪声的情况，通过对佩戴状态的快速判断和识别，能够有效地监测和控制可穿戴设备的佩戴情况，从而提高了采集信号的准确性。

作为步骤S103进一步的实施方式，步骤S103中响应于佩戴状态为异常状态之后，还包括：

步骤S1031，对可穿戴设备的信号滤波器信号清空处理；和/或，步骤S1032，将生理信号的采样数值置零处理。

其中，在检测到佩戴状态异常时，在停止采集生理信号数据的基础上，将信号滤波器清空，同时还可将采集数据归零，由于每次采集前信号滤波器都是已经被清空的，因此异常跳变显著减少，并且PPG信号回复到合理状态的时间也大大缩短，从而使得计算速度和准确率均显著提高。

需要说明的是，在确定佩戴状态为异常状态之后，可以执行步骤S1031和/或步骤S1031，且在两者均需执行时可以同时执行，也可以不分先后顺序依次执行。

参照图2，作为步骤S102中，根据预设皮电阈值和皮电信号值确定可穿戴设备的当前佩戴状态的一种实施方式，具体包括：

步骤S201，比较皮电信号值和预设皮电阈值；

步骤S202，响应于皮电信号值小于预设皮电阈值，确定可穿戴设备的当前佩戴状态为异常状态。

上述实施方式中，将采集的皮电信号值与预设皮电阈值进行比较，可以确定可穿戴设备的佩戴状态，从而实现对佩戴状态的快速判断和识别，通过有效地监测和控制可穿戴设备的佩戴情况，能够提高生理信号的采集准确性。

参照图2，作为生理信号采集方法进一步的实施方式，在步骤S201之后，还包括：

步骤S301，响应于皮电信号值大于或等于预设皮电阈值，确定可穿戴设备的当前佩戴状态为非异常状态；

步骤S302，响应于可穿戴设备的佩戴状态为非异常状态，控制生理信号采集模块启动或保持采集生理信号。

其中，启动或保持采集生理信号即控制生理信号采集模块开启或保持生理信号采集模式，例如开启或保持PPG信号、血氧信号等的灯光采集。

上述实施方式中，当检测佩戴未出现异常时，即可开启或保持生理信号的采集模式。

可以理解的是，由于此时滤波器内已经被清空，开启正常采集模式，从而降低了佩戴前滤波器中环境噪声的影响，缩短了数据恢复到合理状态的时间，提高了血氧、心率等生理信号的计算速度和准确性。

参照图3，作为生理信号采集方法的一种实施方式，确定预设皮电阈值的步骤包括：

步骤S401，获取可穿戴设备所在环境的环境监测数据；

其中，环境监测数据可以包括温度数据和湿度数据，可通过温湿度传感器进行实时数据采集；

步骤S402，根据环境监测数据确定或调整预设皮电阈值。

上述实施方式中，通过监测温湿度等环境监测数据的变化，根据温湿度等环境监测数据的高低相应地调整皮电阈值，可以确保数据的准确性和稳定性，以适应不同环境条件，同时能够更加准确地判断设备与皮肤的接触情况。

可以理解的是，通过测量环境的温度变化，可以了解到温度对皮肤导电性的影响。由于温度升高会导致皮肤的血管扩张，血液流动加快，增加了皮肤的导电性，相应地，皮电数据的数值也会增加。类似地，环境湿度的变化也会对皮肤的导电性产生影响。当环境湿度较高时，皮肤表面的水分含量增加，导电性也会相应增加。面对这种情况，使用固定的皮电阈值可能会影响佩戴检测的准确性。

因此，作为步骤S402的其中一种实施方式，根据环境监测数据确定或调整预设皮电阈值的步骤包括：

步骤S4021，根据预先获取的环境监测数据和皮电阈值的映射关系，确定与环境监测数据对应的皮电阈值为预设皮电阈值。

上述实施方式中，在监测得到环境监测数据后，根据预先设定的环境监测数据和皮电阈值的映射关系，即可确定对应的预设皮电阈值；具体地，可通过收集相关领域专家的经验和意见，并结合历史监测数据进行统计分析确定该映射关系，这种映射关系可以作为预设皮电阈值的设定依据。

另外，作为步骤S402的另一种实施方式，根据环境监测数据确定或调整预设皮电阈值，包括：

步骤S4022，将环境监测数据输入神经网络模型以进行皮电阈值预测处理，神经网络模型输出的皮电阈值预测值为预设皮电阈值；其中，神经网络模型经过训练集预先监督训练完成，训练集包括历史环境监测数据及对应的历史皮电监测数据。

上述实施方式中，根据个体的生理特征和环境条件，通过监测温湿度等环境监测数据的变化，并将温湿度等环境监测数据输入至预先训练的神经网络模型中，从而基于模型结果根据温湿度的高低相应地调整皮电阈值，可以确保数据的准确性和稳定性，以适应不同环境条件，同时能够更加准确地判断设备与皮肤的接触情况。

参照图4，作为步骤S4022中的神经网络模型训练的一种实施方式，具体包括：

步骤S501，获取样本数据集并进行预处理；

具体地，样本数据集中包括大量样本和多样性的数据，如历史的环境监测数据以及对应的皮电监测数据，还例如相对于该历史数据之后的未来时间段的环境监测数据以及对应的皮电监测数据；其中，环境监测数据包括温度数据和湿度数据，皮电监测数据包括对应的皮电信号值，可使用传感器或数据记录仪进行实时数据采集，确保数据具有时间戳以捕获时间依赖性。

在本申请的其中一个实施例中，数据预处理的步骤包括数据的清洗，例如处理缺失值、异常值和重复值等，可采用插值、平滑处理和去噪等方式。

步骤S502，对预处理后的样本数据集进行特征提取；

具体地，可通过领域知识来确定与皮电信号阈值相关的特征，在本申请实施例中，特征提取包括提取时间特征、统计特征、滞后特征等等。具体地，时间特征例如年、月、日、小时等时间信息，统计特征例如均值、方差、最大值、最小值、趋势等统计信息，滞后特征例如提取过去时间点的环境监测数据，以捕获时间序列的自相关性。

步骤S503，将特征提取后的样本数据集划分为训练集、验证集和测试集；其中，验证集和测试集包括未来时间段的环境监测数据及对应的皮电监测数据；

在本申请的其中一个实施例中，可划分70-80%的数据用于训练集，划分10-15%的数据用于验证集，划分10-15%的数据用于测试集；

需要说明的是，对于时间序列数据，应确保验证集和测试集包含未来时间段的数据，以模拟实际使用情况，通过进行时间序列交叉验证，以确保模型对未来数据的泛化性能；

步骤S504，基于训练集对神经网络模型进行初训练，并基于验证集和测试集对初训练后的神经网络模型进行验证和模型参数优化调整。

上述实施方式中，利用历史环境监测数据及对应的历史皮电监测数据作为训练集来训练神经网络模型，有助于模型捕捉和学习环境监测数据与皮电监测数据的复杂非线性关系，利用未来时间段的环境监测数据及对应的皮电监测数据作为验证集和测试集，对算法模型的参数进行优化校正，即可得到最优的皮电阈值预测模型。

参照图5，作为步骤S504的一种实施方式，基于训练集对神经网络模型进行初训练，并基于验证集和测试集对初训练后的神经网络模型进行验证和模型参数优化调整的步骤具体包括：

步骤S601，将训练集输入至预先构建的神经网络模型进行训练，对模型参数进行优化并计算神经网络模型的损失函数，直到损失函数满足预设条件或预先构建的神经网络模型迭代次数达到预设次数，得到训练后的皮电阈值预测模型；

在本申请的其中一个实施例中，可通过Adam优化算法以及均方误差（MSE）或交叉熵（Cross-Entropy）损失函数来训练神经网络模型，神经网络模型可以捕捉环境监测数据与皮电信号之间的复杂非线性关系，同时可以轻松处理多种类型的输入数据，包括温度、湿度等连续值特征，以及皮电信号的离散分类；

具体地，Adam是一种自适应学习率的优化算法，具有快速收敛和良好的性能的优点能够根据每个参数的梯度的历史信息来调整学习率，从而有效地优化模型参数。

其中，均方误差损失函数的公式为：MSE=(1/n)*Σ(yi-Y_pred)²，式中，n表示训练样本数量，yi表示真实值，Y_pred表示模型预测值，通过计算模型预测与实际皮电信号的差值的平方以更好地拟合目标值；交叉熵损失函数的公式为：L=-∑(yi*log(y_pred))，式中，L表示损失函数，yi表示真实值，y_pred表示模型预测的标签值，log表示自然对数函数，交叉熵损失函数用于衡量模型的分类预测与实际类别的差异，促使模型更好地适应分类问题。

步骤S602，基于验证集对皮电阈值预测模型进行验证，评估皮电阈值预测模型的性能并调整模型的超参数；

具体地，利用验证集来调整皮电阈值预测模型的层数、神经元数量、学习率等超参数，以了解模型在未见过的数据上的泛化性能，来调整模型参数，同时在模型调优过程中，可使用提前停止策略，以避免过拟合。

步骤S603，基于测试集对调整后的皮电阈值预测模型的预测能力进行测试；

其中，测试指标包括但不限于均方根误差（RMSE）、平均绝对误差（MAE）和决定系数（R-squared）。

上述实施方式中，基于训练集对模型参数进行迭代更新以逐步优化模型的预测能力，基于验证集对模型性能进行评估并调整超参数，当模型在验证集上表现较好时，使用测试集评估模型的最终性能，结合多个测试指标综合确定预测模型的实际预测能力，从而进一步提高了预测结果的准确性。

在本申请的其他实施例中，在模型测试完成后，可绘制实际观测值与模型预测值的图表，通过可视化评估结果，以直观地比较模型预测与实际观测值的一致性；当模型满足性能要求后，即可将训练好的模型部署到实际环境中，用于实时皮电信号阈值预测；同时，还可建立API或界面，为其他系统提供与模型交互的接口，以便接收输入数据并返回预测结果。

进一步的，在预测模型的使用过程中，可定期检测模型的性能，若出现模型漂移或性能下降的情况，则可能需要重新训练模型，通过使用最新的数据来提高预测准确度，同时，可根据新的环境条件或需求变化，对模型进行更新，以适应新的预测任务。通过引入反馈机制，可根据实际反馈来改进模型的预测性能，不断优化模型的准确度和稳定性。

另外，还可根据预测模型输出的皮电信号阈值进行人为经验判断并采取适当的措施，例如，可以根据预测模型的输出结果来调整模型参数，以使模型保持在理想状态；并且，当判断预测模型的输出结果超过了预先设定的阈值范围，即可以根据这一信息发出警报，以提醒操作员或相关人员注意，并及时采取适当的措施来处理该异常情况。

参照图6，作为步骤S601的一种实施方式，将训练集输入至预先构建的神经网络模型进行训练，对模型参数进行优化的步骤包括：

步骤S701，初始化模型参数；模型参数包括学习率α、一阶矩估计的指数衰减率β1、二阶矩估计的指数衰减率β2以及皮电阈值Y的初始值；

在本申请的其中一个实施例中，可选择学习率α=0.001，一阶矩估计的指数衰减率β1=0.9，二阶矩估计的指数衰减率β2=0.999，并将皮电阈值Y的初始值设置为0，初始化完成后即可开始迭代更新参数；需要说明的是，各个参数的配置和选择可以根据实际情况进行调整。

步骤S702，将训练集中的多个训练样本输入至预先构建的神经网络模型中，计算每个训练样本的皮电阈值预测值；其中，训练样本包括样本环境监测数据及对应的样本皮电监测数据，皮电阈值预测值根据神经网络模型的预测函数计算得到；

具体地，训练样本i的预测值Y_pred通过公式（1）得到：

Y_pred=f(E_i,T_i)（1），

式中，f为模型的预测函数，E_i为实时皮电阈值与预测皮电阈值的误差，T_i为具体的时间点。

步骤S703，计算关于皮电阈值预测值Y_pred的偏导数dL/dY_pred以及样本皮电监测数据的偏导数dL/dY_pred*df/dY；

其中，偏导数dL/dY_pred表示预测值对损失函数的影响，皮电阈值的偏导数dL/dY_pred*df/d表示参数更新对损失函数的影响；

可以理解的是，通过计算损失函数关于模型参数的偏导数，即可得到梯度，梯度即表示模型参数在每个方向上的变化率；可通过优化算法（如梯度下降法）对神经网络模型的参数进行自适应调整和迭代更新，根据计算得到的梯度，可以确定参数的更新方向和步长，以最小化损失函数。

步骤S704，基于样本皮电监测数据的偏导数，更新每个模型参数的一阶矩估计m和二阶矩估计v：

具体地，通过公式（2）、（3）更新每个模型参数的一阶矩估计m和二阶矩估计v：

m=β1*m+(1-β1)*dL/dY_pred*df/dY （2），

v=β2*v+(1-β2)*(dL/dY_pred*df/dY)^2 （3）；

其中，上述估计值可用于计算参数的更新方向和步长，以便更好地优化模型；

步骤S705，对每个模型参数的一阶矩估计m和二阶矩估计v进行偏差校正，得到修正后的一阶矩估计m_hat和修正后的二阶矩估计v_hat；

具体地，通过公式（4）、（5）对每个模型参数的一阶矩估计m和二阶矩估计v进行偏差校正，得到修正后的一阶矩估计m_hat和修正后的二阶矩估计v_hat：

m_hat=m/(1-β1^t) （4），

v_hat=v/(1-β2^t) （5），

式中，t为模型迭代次数；

其中，通过在模型训练的早期阶段减小估计值的偏差，以提高参数更新的准确性。

上述实施方式中，为了确保模型在开始迭代更新之前有合适的初始状态，通过初始化模型参数以便更好地进行参数优化，计算偏导数以确定损失函数关于预测值和皮电阈值的影响，为后续的参数更新提供梯度信息；通过更新一阶矩估计和二阶矩估计，可以根据历史梯度信息来调整参数的更新方向和步长，以更快地收敛到最优解；再通过偏差校正减小估计值的偏差，以提高参数更新的准确性和稳定性；最后迭代更新皮电阈值以逐步优化模型的预测能力，使其更好地适应训练数据并提高预测准确度。

进一步的，作为根据神经网络模型得到皮电阈值预测值的一种实施方式，具体包括：

基于优化后的学习率α、皮电阈值Y的初始值、修正后的一阶矩估计m_hat和修正后的二阶矩估计v_hat，对皮电阈值Y进行迭代更新：

Y=Y-α*m_hat/(√v_hat+ε)（6），

式中，ε为常数，m_hat为修正后的一阶矩估计，v_hat为修正后的二阶矩估计。

在本申请实施例中，皮电阈值Y的更新可通过优化损失函数来实现，可使用均方误差（MSE）或交叉熵（Cross-Entropy）损失函数来训练模型，通过对皮电阈值Y进行迭代更新，我们可以最小化损失函数，从而逐步优化模型的预测能力，使其更好地适应训练数据并提高预测准确度。

可以理解的是，皮电阈值Y是模型输出的一部分，代表了模型对输入数据E_i和T_i的响应，皮电阈值Y的更新将直接影响模型的预测结果，从而影响模型的性能。通过对皮电阈值Y进行迭代更新，模型可以更好地适应环境监测数据和皮电信号的变化，并通过优化损失函数来逐步提高模型的性能。

本申请提出的一种生理信号采集方法，在准确率、计算速度以及功耗节能上均有提升，该方法目前已应用在相关可穿戴设备上，并已在相关测试中通过验证，参照图7所示即为本申请的采集方法在实际应用过程中的测试效果图，可以明显看出在使用本申请的采集方法后，由于每次采集前信号滤波器都是已经被清空的，因此异常跳变显著减少，并且PPG信号回复到合理状态的时间也大大缩短，从而使得计算速度和准确率均显著提高。

本申请实施例还公开一种生理信号采集系统。

参照图8，一种生理信号采集系统，用于执行上述的生理信号采集方法，应用于配置有皮电采集模块和生理信号采集模块的可穿戴设备，采集系统包括：

皮电信号值获取模块101，用于获取皮电采集模块采集到的皮电信号值；

佩戴状态确定模块102，用于根据预设皮电阈值和皮电信号值确定可穿戴设备的当前佩戴状态；

采集控制模块103，用于响应于佩戴状态为异常状态，控制生理信号采集模块停止采集生理信号。

上述实施方式中，根据预设皮电阈值，利用实时采集到的皮电信号值判断可穿戴设备是否佩戴正常，即判断可穿戴设备是否已经良好地接触皮肤，当佩戴正常时，即可开启生理信号的采集；当佩戴异常时，即需要立刻停止生理信号的采集，降低了系统无用功及设备损耗，同时减少了采样信号中混入环境噪声的情况，从而提高了采集信号的准确性。

本申请实施例的生理信号采集系统能够实现上述生理信号采集方法的任一种方法，且生理信号采集系统中各个模块的具体工作过程可参考上述方法实施例中的对应过程。

本申请实施例还公开一种可穿戴设备。

参照图9，一种可穿戴设备，包括：设备主体1、皮电采集模块11、生理信号采集模块12和上述的一种生理信号采集系统，皮电采集模块11和生理信号采集模块12设置在设备主体1上，生理信号采集系统分别与皮电采集模块11和生理信号采集模块12连接，皮电采集模块11用于采集用户的皮电信号值，生理信号采集模块12用于采集用户的生理信号数据，例如PPG信号、血氧信号等等。

在本申请的其中一个实施例中，皮电采集模块11可以为两个皮电电极，两个皮电电极和生理信号采集模块12均设置在设备主体1上与用户皮肤相接触的一侧，两个皮电电极分别设置在生理信号采集模块12的两侧；具体地，皮电电极之间的距离可设置为15mm，皮电电极的凸起部分直径可以为30mm，由于正常人手腕宽度在5-7cm之间，这个尺寸可以确保手环与手腕的契合度更高，从而提供更好的佩戴体验和准确的皮电信号采集效果。

在本申请所提供的几个实施例中，应该理解到，所提供的方法和系统，可以通过其它的方式实现。例如，以上所描述的系统实施例仅仅是示意性的；例如，某个模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个模块可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。

需要说明的是，在上述实施例中，对各个实施例的描述各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。

以上均为本申请的较佳实施例，并非依此限制本申请的保护范围，本说明书（包括摘要和附图）中公开的任一特征，除非特别叙述，均可被其他等效或者具有类似目的的替代特征加以替换。即，除非特别叙述，每个特征只是一系列等效或类似特征中的一个例子而已。