可穿戴生理信号监测是实现医疗监护的重要手段,连续动态的心电（electrocardiogram,ECG）和呼吸信号监测可以实现对心血管疾病和呼吸系统疾病的早期预警和意外的风险评估。然而,通过移动方式采集的信号易受到环境噪声和身体运动等干扰,导致采集的信号质量参差不齐。如果直接丢弃受干扰的信号,会增加重复采集的工作量。如果不对信号进行处理而直接进行数据分析,会增加医务人员工作负担,降低诊断的准确率,甚至造成误诊。因此,为了有效利用可穿戴设备采集的生理信号,提出适用的信号处理算法和具有更强抗干扰能力的参数提取方法是十分必要的。本文针对现有心率检测算法抗干扰能力的不足、多分类时心电信号质量评估算法的分类准确率还不够高等主要问题,开展了心率检测和信号质量评估算法的研究。利用加速度信号（Acceleration,ACC）开展了运动状态识别算法的研究。同时,还开展了ECG运动伪迹抑制算法和呼吸率检测算法的研究。此外,为方便使用者随时查看生理信号和生理参数,我们设计了一款能实时查看生理信号和心率的手机应用程序。为开展这些算法的研究,本文主要完成了以下工作:1.不同运动状态下生理信号的采集和标注本文使用可穿戴设备采集了29名健康男性志愿者在静息和不同运动状态下的ECG和ACC信号。对信号进行截取,总共产生了7133个4s段。对信号进行标注后,建立了运动状态识别数据集（7133个）,心率数据集（7016个）和信号质量评估数据集（7133个）。运动状态识别数据集包含静息、慢走、快走、慢跑和快跑5种状态。信号质量评估数据集包含质量良好、可接受和不可接受三类。运动状态与ECG信号质量之间存在一定的相关性（R=0.61）,能将运动状态作为判断信号质量的辅助指标。2.算法研究首先,完成了基于ACC信号的人体运动状态识别算法。本文选择了均值、偏度、FFT最大系数对应的频率、四分位距和时域积分作为运动状态识别的指标。利用支持向量机对人体的运动状态进行自动识别。实验结果表明,算法的准确率为97.62%。其次,设计了一种抗运动干扰的心率检测算法。该算法首先对ECG信号预处理以滤除基线漂移和高频干扰,然后通过自适应峰值膨胀和波形重构技术对信号进行粗粒化处理,最后利用快速傅里叶变换对信号的频谱进行分析并计算心率值。为避免运动干扰对心率检测准确率的影响,加入了基于高幅度干扰抑制的抗干扰策略,该策略通过设置阈值和压缩信号的方法对运动相关的高幅度干扰进行定位和抑制。结果表明,本算法计算的心率值与真实值之间的相关系数为0.999。无论是在静息（99.94%vs.99.10%,P<0.01）,步行（100%vs.97.25%,P<0.01）还是跑步（100%vs.90.89%,P<0.01）时,本算法的准确率均显著高于小波变换法。在跑步时,本算法的绝对误差[0(0,1vs.1（0,1）,P<0.01]和相对误差[0(0,0.59vs.0.52（0,0.72）,P<0.01]均显著低于小波变换法。此外,根据连续心率变化特点,本文提出了一种基于时序特征的抗干扰策略,以实现运动状态下实时连续的心率监测。然后,设计了一种ECG信号质量评估算法。该算法提出了5个有效的指标,包括基于幅值分布的指标（adSQI1,adSQI2）,基于能量占比的指标（ptSQI）和基于心率的指标（tHR,rHR）。通过反向传播神经网络将信号分为质量良好,可接受和不可接受的ECG。为验证算法的有效性,提出了一种基于ECG信号质量评估的参数提取方法,根据分类结果检测R或T波。结果显示,该算法的分类准确率为96.74%,R波和T波的检测准确率分别为99.95%和99.57%。这种方法在提高信号利用率的同时保证了诊断的准确率。接着,结合ACC信号设计了一种递归最小二乘陷波滤波器,以抑制信号质量不可接受的ECG信号中的运动伪迹。结果显示,滤波后的指标adSQI1相对于滤波前提高了21.73%。该信号滤波方法能有效抑制ECG信号中的运动伪迹,对信号质量有改善作用。最后,设计了一种呼吸率检测算法。该算法利用呼吸信号和ACC信号在频域上提取呼吸率。结果表明,算法的准确率为91.84%,最大绝对误差在6次/分以内,可实现低强度活动下的呼吸率检测。3.基于智能手机的应用程序设计本文设计了一款能实时查看生理信号和参数的应用程序（Application,APP）,完成了APP的用户界面设计,实现了蓝牙通信,信号实时显示以及部分参数的显示。本文完成的人体运动状态识别算法、心率检测算法、ECG信号质量评估算法、ECG运动伪迹抑制算法、呼吸率检测算法可确保在活动状态下的生理参数的准确分析。基于Android系统的APP软件方便使用者随时查看自己的生理信号和参数。整个系统有望应用于可穿戴生理信号监测,并为健康监护以及疾病的早期诊断和预警提供技术支持。