1. 项目概述:Python + BLE 实现HRV实时监测系统
作为一名长期从事心理生理学研究的开发者,我深知HRV(心率变异性)监测在认知研究中的重要性。传统商业设备动辄数万元的价格和封闭的系统架构,让很多研究者望而却步。这正是我们团队决定开发这个开源HRV监测系统的初衷——用Python和蓝牙低功耗(BLE)技术打造一个可定制、高精度的研究工具。
这个系统实现了三大核心功能:
- 通过标准BLE协议实时采集心率带数据,计算RMSSD等HRV指标
- 内置Stroop测试和心算测试两种标准化认知评估任务
- 提供从数据采集到统计分析的完整工作流
提示:系统兼容所有符合Heart Rate Profile标准的BLE设备,实测在Polar H10、KYTO HRV等设备上运行稳定,采样率可达1Hz。
需要模型API调用? 免费领10W Token,多模型网关一键接入 Claude、DeepSeek 等主流模型。
2. 技术架构与实现原理
2.1 硬件交互层设计
系统通过BLE GATT协议与心率带通信,关键参数如下:
python复制HRV_CHARACTERISTIC_UUID = "00002a37-0000-1000-8000-00805f9b34fb" # 标准心率特征UUID
SCAN_TIMEOUT = 10.0 # 蓝牙扫描超时(秒)
RECONNECT_ATTEMPTS = 3 # 断连重试次数
数据包解析采用小端字节序:
python复制def parse_hrv_data(data):
"""解析BLE心率数据包结构
字节0: 标志位
字节1: 心率值(bpm)
字节2-: RR间隔(ms)"""
flags = data[0]
hr_format = (flags & 0x01) # 心率值格式位
rr_present = (flags & 0x10) # RR间隔存在位
heart_rate = data[1] if not hr_format else struct.unpack('<H', data[1:3])[0]
rr_intervals = []
if rr_present:
offset = 3 if hr_format else 2
while offset + 2 <= len(data):
rr_intervals.append(struct.unpack('<H', data[offset:offset+2])[0])
offset += 2
return heart_rate, rr_intervals
2.2 实时HRV计算算法
系统采用滑动窗口计算RMSSD(相邻RR间期差值的均方根),这是最常用的时域HRV指标:
python复制def calculate_rmssd(rr_intervals, window_size=30):
"""滑动窗口RMSSD计算
参数:
rr_intervals: RR间期列表(ms)
window_size: 滑动窗口大小(秒)
返回:
(timestamp, rmssd)元组列表"""
if len(rr_intervals) < 2:
return []
# 转换为时间序列
timestamps = np.cumsum(rr_intervals) / 1000 # 转换为秒
total_duration = timestamps[-1]
results = []
for end_time in np.arange(window_size, total_duration, 1.0): # 每秒更新
start_time = end_time - window_size
mask = (timestamps >= start_time) & (timestamps <= end_time)
window_rr = np.array(rr_intervals)[mask[:-1]] # 排除最后一个不完整区间
if len(window_rr) >= 2:
diff_rr = np.diff(window_rr)
rmssd = np.sqrt(np.mean(diff_rr**2))
results.append((end_time, rmssd))
return results
注意:窗口大小设置为30秒是遵循Task For
