近年来，随着传感器技术和智能设备的迅速发展，人类全面进入了信息化时代，对生活品质的要求也在不断提升，随之需要探究的信息也在不断增多。
作为与我们日常生活最息息相关的信息之一，人体压力信号也日渐逐步走入大众视野，成为共同探讨的热门话题。心率、动态手势、呼吸、吹气、语音等活动均会产生或大或小的压力信号，蕴含大量生理、病理以及通讯信息，拥有极大的潜在应用价值。
睡眠监测系统的应用
因此，柔性压电传感器作为一种可有效获取动态感应的传感器，采集并通过合理分析发掘其应用价值以及应用手段是十分必要的。作为人体压力信号的一员，心率信号通过其波形细节特征的变化可准确反应人体相关的健康状况，并且从心率信号中提取的生理病理信息通常可作为中医学临床诊断和治疗的依据，因此心率信号的有效信息提取可为医学带来可靠的数据支持。
呼吸信号在生命体征监测中是不可或缺的一部分。通过检测人体呼吸信号的缓急、启停、规律性等频率特性，可察觉诸如脑缺血、 阻塞性睡眠呼吸暂停综合症等疾病，因此呼吸信号在健康监测以及疾病预防中也扮演着十分重要的角色。
在人体压力信号探究中，作为信息技术三大支柱之一的传感技术拥有无可比拟的地位。离开传感器，所有人体压力信号均很难完成数字化精准采集。
之前应用于人体信号采集的压力传感器大多是刚性的，这类传感器虽然拥有广泛的应用以及低廉的成本，但难以捕捉细节信息以及皮肤贴合性差等缺点也使之市场化成为难题。
柔性压电传感器的出现无疑点亮了解开难题的道路。现如今采用柔性压电传感器采集人体压力信号已然成为大势所趋，柔韧易弯曲的特性可使其与人体皮肤表面充分接触，做到在人体信号提取过程中将损耗降到最小，同时还能准确提取到传统刚性传感器很难捕捉到的细节信息。
捕捉心率呼吸信号
传统睡眠监测手段会对人体正常睡眠造成一定程度的干扰，其睡眠数据的客观性和真实性也相应受到影响，难以满足家庭睡眠监测的实际应用需求，非接触方式实现的睡眠监测系统则可以克服传统睡眠监测设备中的弊端。
床垫式睡眠监测系统通过在床垫中安装压力或压电传感器, 可以对人体呼吸和心跳等典型生理特征参数进行无扰式监测，因其具有使用简单的优点，其相关理论研究已成为生理信号监测领域的热点话题。
基于压电薄膜传感器的床垫式睡眠监测系统可以感知微小压力或震动变化，从而捕获心冲击 (BCG) 力传至体表的震动成分、呼吸时人体胸腔起伏对床垫的压力变化以及体动等信息并转为电信号。
但由于采用该方式采集的信号是集呼吸、心跳以及噪声等在内的复杂生理信号，需要从混合信号中实现呼吸和心跳等信号的有效分离和识别，才能准确计算呼吸率和心率等关键睡眠特征参数。对心冲击信号进行分离和提取时，大多采用常规的滤波器、小波变换或经验模态分解 (EMD) 等方法实现。可以根据原始信号特点，动态地确定呼吸和心跳等信号的频带范围，对输入信号进行自适应分解和重构，有效提取呼吸和心冲击信号。在此基础上，再采用合适的算法进行信号识别。
睡眠监测系统框图
床垫式生理信号监测系统所采用的方案如图所示，睡眠监测系统主要由传感器装置、监测系统主机以及监测终端设备 3 部分构成。采用基于压电薄膜传感器的监测床垫进行信号采集，并设计了具备电荷放大、滤波以及信号放大等功能的信号调理电路。经调理后的电压信号送至低功耗单片机进行 AD 转换，转换后的结果通过 WiFi 模块送至监测终端进行后续算法处理和数据分析。
睡眠状态下人体心脏跳动、正常的呼吸均会使产生一定幅度的震动，并导致床垫上有轻微的压力波动。与其他运动相比，心跳所产生的压力变化微弱，且容易淹没在呼吸和环境噪声中, 故其提取最为困难。
因此传感器选择优先考虑满足心跳信息提取要求，并兼顾适合床垫式监测的需求。考虑到聚偏二氟乙烯 (PVDF) 压电薄膜传感器不仅具有灵敏度高、可精确测量动态压力的优点，而且可实现最低 0.1 Hz 的检测频率，可在本系统中实现动态压力检测。
在实际监测装置中将包含传感器的带状物放置在床垫与被褥之间，该传感器可通过感知床垫上压力的变化产生与人体心跳、呼吸以及体动等信息相关的混合信号输出。采集数据后通过串口 WIFI 模块定时发送至监控终端, 监控终端接收到数据后，进行分析处理，监测系统主机如图所示。
睡眠监测带及检测分析主机
提取出 BCG 信号后，还需进行心跳定位计算心率。心脏收缩和舒张过程中，泵血冲击力变化会使得信号在每个心脏跳动周期内形成如所示的多种波峰模式。
J 波作为幅值特征最为明显的波峰，常作为心跳定位的重要标志。实际分离得到的 BCG 信号中, 存在同类波峰的峰值差别较大而不同类波峰峰值却比较相近的情况，故不能单纯依靠波峰峰值来进行分类。
为使系统能自动检测与单个心跳相对应的 BCG 波峰模式，需根据波峰模式的形态学特征建立特征向量，需要算法对 BCG 信号极大值点进行聚类，选出平均幅值最大的波峰作为 J 波波峰并用于确定心跳位置。根据定位结果可计算平均心跳周期和心率。
典型 BCG 信号波峰模式
原始采样信号归一化图
利用所设计的监测主机获得的归一化采样信号。对其工频滤波预处理后，利用极大极小值法进行频谱划分。
EWT 具有很强自适应性，根据原始信号的频域分布特点，选取合适的波峰段验证所提取的呼吸和心冲击信号波形形态特征比较符合实际，提取效果较好。从呼吸和 BCG 信号的波形特点来看，具有明显周期性，符合理想呼吸信号特征；心率波峰模式清晰可辨，同时具备较强周期性，与理想 BCG 信号波形效果基本一致。
EWT 分解信号
基于 PVDF 压电薄膜传感器和高性能微处理器研制出一套睡眠监测装置，并采用算法相结合的方式实现了对混合信号的分离以及典型生理特征参数的有效提取。
实际上在实验室看裸传感器的 BCG 信号无需预先估计心跳周期即可较为准确地完成心跳定位，很容易就能良好的观察到效果，周期规律比较明显，心率计算结果符合正常睡眠心率。但是在应用层要考虑杂波及复合场景下的经济效益，需要结合合适的算法及适配的信号放大电路来完成信号采集及应用。
柔性压电传感器心率测试