T/CCSCIOT 0007-2023 学生心理健康监测智能物联网系统技术要求

ICS 35.110
L 79
无锡“ 感知中国” 物联网商会团体标准
T/CCSCIOT 0007—2023
学生心理健康监测智能物联网系统技术要求
Technical Requirements of Intelligent Internet of Things System for Student MentalHealth Monitoring
2024 - 03 - 06 发布2024 - 03- 07 实施
无锡“感知中国”物联网商会 发布

目次
前言............................................................................ II
1 范围................................................................................. 1
2 规范性引用文件....................................................................... 1
3 术语和定义........................................................................... 1
4 符号和缩略语......................................................................... 2
5 系统结构............................................................................. 2
结构概述......................................................................... 2
信息采集......................................................................... 2
信息处理......................................................................... 2
无线通信......................................................................... 3
数据存储......................................................................... 3
样本集........................................................................... 3
机器学习......................................................................... 3
信息展示......................................................................... 3
6 工作流程............................................................................. 3
流程概述......................................................................... 3
传统座椅容器工作流............................................................... 4
数据分析平台工作流............................................................... 4
心理健康评估报告................................................................. 5
附录A ............................................................................ 6
参考文献......................................................................... 8
T/CCSCIOT 0007—2023
II
前言
本文件按照GB/T 1.1—2020《标准化工作导则第1部分：标准化文件的结构和起草规则》的规定
起草。
本文件由无锡“感知中国”物联网商会提出并归口。
本文件起草单位：中物云信息科技（无锡）有限公司、无锡益拓信息科技合伙企业（有限合伙）、
匀熵智能科技（无锡）有限公司、无锡市新吴区中医医院、徐州医科大学、无锡职业技术学院、熙羽智
能科技（无锡）有限公司。
本文件主要起草人：丁盛、姜华、沈兰、李书艳、夏有兵、李书元、彭永强、杨红磊、张莹莹、张
雪洋、任单会。
T/CCSCIOT 0007—2023
1
学生心理健康监测智能物联网系统技术要求
1 范围
本文件规定了用于结合传统座椅应用场景下的学生心理健康监测智能物联网系统的系统结构和工
作流程。
本文件适用于结合传统座椅应用场景下的学生心理健康监测智能物联网系统的设计、开发和运维。
2 规范性引用文件
下列文件中的内容通过文中的规范性引用而构成本文件必不可少的条款。其中，注日期的引用文件，
仅该日期对应的版本适用于本文件；不注日期的引用文件，其最新版本（包括所有的修改单）适用于本
文件。
GB/T 29433–2012 学生心理健康教育指南
GB/T 33745–2017 物联网术语
3 术语和定义
GB/T 29433-2012和GB/T 33745–2017界定的以及下列术语和定义适用于本文件。
心理健康mental health
针对人的思维、情感、行为等方面的一种综合评估。
光纤传感器optical fiber sensor
一种将被测对象的状态转变为可测的光信号的传感器。
机器学习machine learning
一种计算机从数据中自动学习规律和模式,并进行预测和决策的技术。
心冲击图ballistocardiography
借助灵敏的仪器把心脏搏动所引起人体的一系列相应周期性运动/震动记录并描记成一种波形图。
心率变异性heart rate variability
连续心跳间瞬时心率的微小涨落或逐拍心跳间的微小差异，即心跳快慢的变化情况。
时域time domain
信号在时间轴随时间变化的总体概括。
频域frequency domain
信号在频率方面特性时用到的一种坐标系。
T/CCSCIOT 0007—2023
2
4 符号和缩略语
下列缩略语适用于本文件。
BCG：心冲击图（BallistoCardioGraphy）
WiFi：无线网络（Wireless Fidelity）
4G：第四代移动通信技术（Fourth Generation wireless technology）
5G：第五代移动通信技术（Fifth Generation wireless technology）
HRV：心率变异性（Heart Rate Variability）
LF：低频段（Low Frequency）
HF：高频段（High Frequency）
C/S：客户端和服务器（Client/Server）
B/S：浏览器和服务器（Browser/Server）
SDNN：窦性心搏间标准差（Standard Diviation of NN intervals）
RMSSD：相邻周期差值均方根（Root Mean Square of Successive Differences）
PNN50：相邻NN之差>50ms的个数占总窦性心搏个数的百分比（Percent of NN50 in the total number
of RR intervals）
5 系统结构
结构概述
从系统构成角度，学生心理健康监测智能物联网系统应分为传统座椅容器和数据分析平台两部分，
以及两者之间的无线通信接口，其中，传统座椅容器应包含信息采集和信息处理的功能模块，数据分析
平台应包含数据存储、样本集、机器学习、信息展示的功能模块。系统结构如图1所示。
图1 学生心理健康监测智能物联网系统结构
信息采集
包括光纤传感器、压力薄膜、加速度传感器等应力感知装置，应采集学生平静状态时坐在传统座椅
上胸腔内心脏跳动所导致股动脉收缩，以及呼吸动作所导致臀部细微变化的压力值。
信息处理
应通过数字信号处理算法将传感器采集的原始应力信号分解为体动、呼吸和BCG信号。对分解后的
BCG信号应通过心率变异性HRV运算得到心理健康特征参数。
BCG信号即心动信号，正常的BCG与心跳同步，具有重复性，主要包含H、I、J、K、M和N波。J波是
BCG周期中幅值最大点，I波和K波是J波前后时间幅值最小点，估计相邻周期的I波、J波或K波间隔，即
为心动周期；确定同周期IJ幅值和JK幅度，即为心脏泵血的收缩力大小，信号分析见图2。
T/CCSCIOT 0007—2023
3
图2 标准BCG 信号图
无线通信
包括WiFi、蓝牙、4G/5G等无线通信手段,应将信息处理的结果传输到网络上的数据分析平台。
数据存储
可采用非结构化数据库存储传统座椅容器上传的实时状态特征参数，可采用结构化数据库存储机器
学习计算过程中的特征值和信息展示最终呈现的心理健康指标。
样本集
可预先收集大量带标签的样本集合供机器学习比对使用。
注：样本是不同学生通过智能物联网采集的心理健康参数，标签是通过专业医疗检验方式确认的心
理健康指标。
机器学习
应建立机器学习模型，基于样本集的先验知识，对上传平台的学生状态特征参数进行分析计算，得
到最终呈现给用户的心理健康状态指标。
信息展示
可基于C/S或B/S架构，通过手机/平板/电脑和大屏等媒质，以文字和报表形式展示心理健康信息。
6 工作流程
流程概述
学生心理健康监测智能物联网系统进行工作的流程如图3所示。
T/CCSCIOT 0007—2023
4
图3 学生心理健康监测智能物联网系统工作流程图
传统座椅容器工作流
在系统结构中的传统座椅容器中进行的工作流程有：
a) 座椅的传感器需要放置在学生坐下时臀部的正下方位置，可紧密耦合安装在座椅底部背面，也
可放置在柔软的坐垫下，更好的采集躯体垂直方向及股动脉幅度大的振动信号;
b) 用户坐在座椅上放松听讲，传感器采集人体微弱体动信号；
c) 可将幅度突变的信号滤出为体动信号，计算单位时间内的体动次数；
d) 应通过频域滤波从振动信号中滤出BCG信号，匹配BCG信号中的IJK波群信号标定IJK位置，每个5
分钟时间窗口内组建II、JJ、KK点时间间隔序列TII、TJJ、TKK，以及IJ、JK相邻幅度差值序列SIJ、SJK，具
体方法可参考附录A；
e) 应通过TJJ序列，两个J点时间间隔即为一次心跳的时间，计算时间窗内心跳相关参数，具体方法
可参考附录A；
f) 应通过频域滤波从振动信号中滤出呼吸信号，可采用峰值查找算法标定呼吸信号周期峰值，组
建峰值点时间间隔序列，两个峰值点时间间隔即为一次呼吸的时间，计算时间窗内呼吸相关参数，具体
方法可参考附录A。
数据分析平台工作流
在系统结构中的数据分析平台中进行的工作流程有：
a）应将传统座椅容器传输过来的数据保存，有呼吸相关参数，包括但不限于平均呼吸率、基准呼
吸率、最高呼吸率，最低呼吸率；有心跳相关参数，包括但不限于平均心率，基准心率、最高心率，最
低心率；有BCG信号形态相关参数，包括但不限于5分钟时间窗口内的TII、TJJ、TKK、SIJ、SJK序列；
T/CCSCIOT 0007—2023
5
b）应将所有无线接收数据作为特征值，输入已训练好的机器学习模型进行持续学习，输出实时的
计算结果存储在数据库中；
c）机器学习模型需要预先进行监督训练，输入不低于1000条不同心理健康状态的特征值样本集，
心理健康状态由具备医疗器械资质的精神压力分析仪器给出；
d）学生课程结束离开座椅，传感器监测不到压力信号，一个周期的心理健康监测结束；
e）应在30秒内结束机器学习过程，输出最终参数保存在数据库中，形成心理健康评估报告，通过
多种人机交互模式展示给用户。
心理健康评估报告
最终呈现给用户的心理健康评估报告的内容应根据监测要求制定，至少包括以下要素，通过信息展
示模块进行交互。
a）学生基本信息（姓名，性别、年龄、身高、体重、班级、既往病史）；
b）时间段内体动总次数，每分钟体动次数；
c）时间段内心率实时数据图，平均心率，基准心率、最高心率，最低心率；
d）时间段内呼吸率实时数据图，平均呼吸率，基准呼吸率、最高呼吸率，最低呼吸率；
e）心率功率谱密度图；
f）心率散点图；
g）SDNN值，RMSSD值，PNN50值，LF值，HF值，LF/HF值；
h）精神压力水平，心脏健康水平。
T/CCSCIOT 0007—2023
6
附录A
（ 资料性附录）
参考算法说明
传统座椅容器里的传感器采集到学生平稳坐姿下的时域压力波形如图A.1所示，其中大幅度跳变的
信号为人体在座椅上大幅度挪动身体造成的。
图A.1 原始信号波形图
去除掉体动干扰信号数据点，根据周围正常信号拟合出体动干扰时间段的替代信号，取其中6秒钟
信号放大后如图A.2(a)所示：
图A.2 去除体动干扰信号波形图
图A.2(a)波形是由呼吸时胸腔起伏和心动时股动脉舒张收缩同时造成，由于正常人的呼吸率正常范
围是每分钟12~30次，心率正常范围是每分钟60~100次，两者不在同一范围，通过信息处理模块进行频
域滤波处理，分离出两种时域信号，分别为图A.2(b)的呼吸信号，图A.2(c)的心动信号。
呼吸信号呈现周期的波峰波谷形态，可以采用自动多尺度峰值查找算法确定信号峰值位置，如图A.3
所示，从而计算出时间窗内呼吸相关参数。
T/CCSCIOT 0007—2023
7
图A.3 呼吸信号波峰标定
实际的心跳信号呈现周期性的BCG信号形态，可以采用IJK波群标定算法确定IJK三个点位置，如图
A.5所示，从而计算出TII、TJJ、TKK、SIJ、SJK序列。
图A.5 心跳信号IJK 点标定
应根据心率变异性理论，将TJJ序列截取成多段5分钟序列，可得到下述的特征值序列，作为特征值
供机器学习模块使用。SDNN是心跳间期标准差，RMSSD是相邻两个心跳间期的平方差值的平方根，PNN50
是相邻两个心跳间期的差值＞50ms的比例，三个时域指标都反映了心脏自主性调节的能力；频域的指标
LF是由迷走神经介导，HF是由交感和迷走神经共同介导的，LF/HF表示交感迷走神经的均衡性。移动滑
动窗口，再次计算下一个5分钟时间窗的SDNN、RMSSD、PNN50、LFN、HF、LF/HF数值组成序列，作为特
征值输入已训练好机器学习模型。上述所有的特征值均需要存入数据库。
T/CCSCIOT 0007—2023
8
参考文献
[1] GB 40165-2021 固定式电子设备用锂离子电池和电池组安全技术规范
[2] GB/T 13869-2017 用电安全导则
[3] GB/T 33213-2016 无损检测基于光纤传感技术的应力监测方法
[4] GB/T 37733.1-2019 传感器网络个人健康状态远程监测第1部分：总体技术要求
[5] GB/T 33750-2017 物联网标准化工作指南
[6] GB/T 39223.4-2020 健康家居的人类工效学要求第4部分：儿童桌椅
[7] GB/T 42574-2023 信息安全技术个人信息处理中告知和同意的实施指南
[8] Scholkmann, F.; Boss, J.; Wolf, M. An Efficient Algorithm for Automatic Peak Detection
in Noisy Periodic and Quasi-Periodic Signals. Algorithms 2012, 5, 588-603. https://doi.org/
10.3390/a5040588
[9] A. Suliman, C. Carlson, C. J. Ade, S. Warren and D. E. Thompson, "Performance
Comparison for Ballistocardiogram Peak Detection Methods," in IEEE Access, vol. 7, pp.
53945-53955, 2019, doi: 10.1109/ACCESS.2019.2912650.
[10] Gernot Ernst,张树龙等译.心率变异性[M].上海：科学出版社，2023.05
[11] 周志华.机器学习[M].北京：清华大学出版社，2016.01