基于生物雷达检测的呼吸和心跳实时分离方法

1.一种基于生物雷达检测的呼吸和心跳实时分离方法，其特征在于，包括下述步骤：
(1)对生物雷达检测到的呼吸信号和体动信号分别进行预处理，呼吸和体动信号的频率范围限定在5Hz以内，信号的幅度限定在-1V至+1V，预处理包括数字滤波及归一化处理；
(2)预处理后的呼吸信号经过呼吸谐波检测模块，从中提取出呼吸信号的二次以上的高次谐波，包括呼吸信号基波估计和呼吸信号谐波合成，其中，呼吸信号基波估计采用自相关算法求解基波频率；呼吸信号谐波合成采用高斯-牛顿算法；
(3)将呼吸谐波检测模块的输出送入自适应谐波抵消模块并作为其参考输入信号；预处理后的体动信号送入自适应谐波抵消模块并作为其原始输入信号，通过自适应算法不断调整和更新自适应滤波器的参数，当体动信号中的呼吸成分与参考输入的呼吸信号的谐波成分的差值的平方最小时，此时自适应滤波器的输出就是心跳信号。
2.如权利要求1所述的基于生物雷达检测的呼吸和心跳实时分离方法，其特征在于，步骤(1)所述归一化处理按以下公式进行：y＝(x-Min)/(Max-Min)，其中x为数字滤波后的呼吸信号或体动信号，y为归一化后信号，Max和Min分别表示滤波后呼吸或体动信号的最大值和最小值。
3.如权利要求1所述的基于生物雷达检测的呼吸和心跳实时分离方法，其特征在于，步骤(2)所述呼吸谐波检测的具体流程如下：
第一步：求解呼吸信号的基波频率
选取合适的窗函数对呼吸信号进行分段处理，对每个数据段内求自相关函数，然后对自相关函数进行功率谱估计，功率谱能量的最大值所对应的频率点为呼吸信号的基波频率f0，然后从前至后，依次对呼吸信号进行加窗、自相关、求功率谱处理，对f0进行不断的更新；
第二步：构建呼吸信号高次谐波数学模型
将呼吸运动引起的胸廓运动的模型定义为：
式中：a表示呼吸信号，n表示采样时刻，ω0为呼吸信号的基波角频率，f0表示呼吸信号的基波频率，fs表示采样频率，lω0为l次谐波的频率，ai为T
[a1,a2,.......a2l+1] 的向量，i＝1,2,…,2l+1，a2l代表l次谐波的相位，a2l-1代表l次谐波的幅值，a2l+1代表l次谐波的直流分量；
第三步：利用高斯-牛顿算法求解第二步数学模型中ai的值，不断将更新过的f0值进行迭代运算，当满足高斯-牛顿的最优解时，得到合成的呼吸信号的高次谐波函数。
4.如权利要求1所述的基于生物雷达检测的呼吸和心跳实时分离方法，其特征在于，步骤(3)所述的自适应算法采用LMS算法，步长μ＝0.00002,滤波器的阶数取20.具体计算步骤如下：
定义时间n＝0的滤波系数矢量为起始值W(0)，然后进行迭代：
a、由当前时刻n的滤波器滤波系数矢量的估计值，输入呼吸信号谐波矢量x(n)和体动信号d(n)，计算误差信号：
b、再通过递归法计算滤波器系数矢量的更新估值：
c、将时间指数n增加1，再开始步骤a，重复上述计算，一直到达稳态算法停止。

基于生物雷达检测的呼吸和心跳实时分离方法\n技术领域\n[0001] 本发明涉及一种利用生物雷达检测技术在人体生理信号非接触检测中，将呼吸和心跳进行实时分离的方法。\n背景技术\n[0002] 随着生物医学工程、雷达、电子、计算机技术以及军事、医学、社会发展的需要，许多国内外学者提出一种生理信号探测技术新的概念——生物雷达(Bioradar)。该技术融合雷达技术、生物医学工程技术于一体，可穿透非金属介质（衣服、医用纱布等），不需要任何电极或传感器接触生命体，可在较远的距离内探测到人体的生理信号（如呼吸、体动等），实现生理信号的非接触检测。因此，该技术可被广泛应用于临床监护、家庭健康监护等场合。\n[0003] 生物雷达一般包括前端、天线、信号调理硬件和后端信号处理软件部分，在前端、信号调理器等硬件性能指标最优的前提下，如何在后端信号处理中能够实时分离呼吸和心跳信号，对生物雷达在临床生理信号或家庭健康监护中的推广应用具有决定性的作用，因此受到世界各国高度的重视，研究人员提出了不同的方法用于生物雷达检测中呼吸和心跳的实时分离。根据所采用的方法主要可分为：（1）时域数字滤波法；（2）频域滤波法；（3）小波分解与重构法。其中，时域滤波方法是采用FIR（有限冲激响应）数字滤波器将体动信号直接设置两个数字滤波器，呼吸通道对应的数字低通滤波器的截止频率为0.5Hz，心跳通道对应的数字带通滤波器下限截止频率为0.6Hz和上限截止频率为3.3Hz。该方法的优点是算法简单、易于实现，但是存在两个缺陷：第一是瞬时心跳信号不能实时得到，主要原因是FIR滤波器在设计时存在着一定的信号时延；第二是将导致心跳信号的部分信息丢失，主要原因是接近滤波器截止频率的心跳信号的也将被滤除；以上两个缺陷使得FIR数字滤波方法分离出的呼吸和心跳信号，不能应用于临床生理信号监护的要求（要求生理参数实时性和准确性）。频域滤波方法是将生物雷达检测到的呼吸和体动信号进行FFT（快速傅里叶变换）计算，然后根据呼吸的频谱宽度设置频域滤波器对体动信号的频谱进行滤波，从中分离出心跳信号的频谱，最后再经过逆FFT变换从中提取出心跳信号的时域波形。该方法的优点是能够准确地从体动信号中分离出心跳信号，并直接得到瞬时心率值。但是也存在两个问题：第一，为满足快速计算FFT正变换和逆变换，需要人为补零或减少数据长度，容易产生数据冗余而增加运算量，从而降低呼吸和心跳信号分离的实时性；第二：当呼吸的高次谐波与心跳信号的基波频率重叠时，无法从体动频谱中有效滤除呼吸信号，这种情况在临床心血管患者中非常多，因此该方法也不能满足临床生理信号的监测要求。小波方法是根据呼吸信号的频带，将体动信号选择合适的小波包进行时域分解，然后将呼吸频带内的信号置零，并将剩余其他信号成分进行小波重构，最终合成心跳信号。该方法的优点是抗干扰能力强，并能将心跳信号的所有信息完整地重构，但是小波分解时很难选择小波包，而且算法复杂、运算量大，不能实现呼吸和心跳信号的实时分离。因此，该方法也不满足临床生理信号的监测要求。\n发明内容\n[0004] 本发明的目的是在人体生理信号非接触检测，特别是利用生物雷达检测的过程中，提供一种算法简单的呼吸和心跳的实时分离方法，可从体动信号中实时分离出呼吸和心跳信号，从而满足临床病人（烧伤、传染）、家庭老人以及其他慢性病患者的生理信号实时监测的要求。\n[0005] 为达到以上目的，本发明是采取如下技术方案予以实现的：\n[0006] 一种基于生物雷达检测的呼吸和心跳实时分离方法，其特征在于，包括下述步骤：\n[0007] （1）对生物雷达检测到的呼吸信号和体动信号分别进行预处理，呼吸和体动信号的频率范围限定在5Hz以内，信号的幅度限定在-1V至+1V，预处理包括数字滤波及归一化处理；\n[0008] （2）预处理后的呼吸信号经过呼吸谐波检测模块，从中提取出呼吸信号的二次以上的高次谐波，包括呼吸信号基波估计和呼吸信号谐波合成，其中，呼吸信号基波估计采用自相关算法求解基波频率；呼吸信号谐波合成采用高斯-牛顿算法；\n[0009] （3）将呼吸谐波检测模块的输出送入自适应谐波抵消模块并作为其参考输入信号；预处理后的体动信号送入自适应谐波抵消模块并作为其原始输入信号，通过自适应算法不断调整和更新自适应滤波器的参数，当体动信号中的呼吸成分与参考输入的呼吸信号的谐波成分的差值的平方最小时，此时自适应滤波器的输出就是心跳信号。\n[0010] 上述方法中，步骤（1）所述数字滤波采用巴特沃斯IIR滤波器；归一化处理按以下公式进行：y=(x-Min)/(Max-Min)，其中x为数字滤波后的呼吸信号，y为归一化后信号，Max和Min分别表示滤波后呼吸和体动信号的最大值和最小值。\n[0011] 步骤（2）所述呼吸谐波检测的具体流程如下：\n[0012] 第一步：求解呼吸信号的基波频率\n[0013] 选取合适的窗函数对呼吸信号进行分段处理，对每个数据段内求自相关函数，然后对自相关函数进行功率谱估计，功率谱能量的最大值所对应的频率点为呼吸信号的基波频率f0，然后从前至后，依次对呼吸信号进行加窗、自相关、求功率谱等处理，对f0进行不断的更新；\n[0014] 第二步：构建呼吸信号高次谐波数学模型\n[0015] 将呼吸运动引起的胸廓运动的模型定义为：\n[0016] \n[0017] 式中：a表示呼吸信号，n表示采样时刻，ω0为呼吸信号的基波角频率，f0表示呼吸信号的基波频率，fs表示采样频率，lω0为l次谐波的频率，ai为T\n[a1,a2,.......a2l+1] 的向量，a2l代表l次谐波的相位，a2l-1代表l次谐波的幅值，a2l+1代表l次谐波的直流分量；\n[0018] 第三步：利用高斯-牛顿算法求解第二步数学模型中ai的值，不断将更新过的f0值进行迭代运算，当满足高斯-牛顿的最优解时，得到合成的呼吸信号的高次谐波函数。\n[0019] 步骤（3）所述的自适应算法采用LMS算法，步长μ=0.00002,滤波器的阶数取\n20.具体计算步骤如下：\n[0020] 定义时间n=0的滤波系数矢量为起始值W(0)，然后进行迭代：\n[0021] a、由当前时刻n的滤波器滤波系数矢量的估计值，输入呼吸信号谐波矢量x(n)和体动信号d(n)，计算误差信号：\n[0022] \n[0023] b、再通过递归法计算滤波器系数矢量的更新估值：\n[0024] \n[0025] c、将时间指数n增加1，再开始步骤a，重复上述计算，一直到达稳态算法停止。\n[0026] 与现有非接触检测的呼吸和心跳分离方法相比，本发明具有以下优点：\n[0027] 1、实时性好：在呼吸和心跳信号的分离过程，没有信号的时延，呼吸和心跳的实时性均优于频域滤波和小波分解重构方法。\n[0028] 2、适用性强：无论体动信号中包含的心跳信号频率是否是呼吸信号高次谐波的叠加，均能有效地从体动信号中分离出心跳信号，适用性均优于时域滤波、频域滤波和小波分解重构方法。\n附图说明\n[0029] 以下结合附图与具体实施方式对本发明作进一步的详细说明。\n[0030] 图1为本发明生物雷达检测中呼吸和心跳实时分离方法的功能结构框图。图中：\n输入信号为生物雷达检测到人体的呼吸信号和体动信号，输出信号为从体动信号中分离出的心跳信号。\n[0031] 图2为图1自适应谐波抵消模块的功能结构图。\n[0032] 图3为采用本发明方法提取的人体心跳信号以及与之相比较的心电信号。其中(a)图为呼吸信号，（b）图为体动信号，（c）图为分离出的心跳信号，（d）图为同时监测的心电信号，(e)-（h）分别为呼吸信号、体动信号、分离出的心跳信号和心电信号所对应的频谱。\n[0033] 图4为16名实验对象的心率计算结果比较。其中，虚线表示从本发明方法提取的人体心跳信号计算的心率；实线表示从同时监测的心电信号计算的心率。\n具体实施方式\n[0034] 如图1所示，一种利用生物雷达检测的呼吸和心跳的实时分离方法，包括两路预处理模块（呼吸信号预处理、体动信号预处理）、一个呼吸谐波检测模块和一个自适应谐波抵消模块。预处理模块将生物雷达非接触检测到的呼吸和体动信号进行预处理；预处理后的呼吸信号经过呼吸谐波检测模块，从中提取出呼吸信号的二次以上的谐波，直接送入自适应谐波抵消模块并作为其参考输入信号；预处理后的体动信号直接送入自适应谐波抵消模块并作为其原始输入信号，其输出信号为心跳信号，实现从体动信号中分离出呼吸信号。\n[0035] 其中，预处理模块包括数字滤波和归一化处理，能将呼吸和体动信号的频率范围限定在5Hz以内，信号的幅度限定在-1V至+1V。数字滤波采用巴特沃斯IIR滤波器，滤波器的具体参数采用Matlab软件进行计算；归一化处理将呼吸和体动信号的幅值按比例缩放到[-1,1]的区间，归一化处理按照以下公式进行：y=(x-Min)/(Max-Min)，其中x为数字滤波后的呼吸信号，y为归一化后信号，Max和Min分别表示滤波后呼吸和体动信号的最大值和最小值。\n[0036] 呼吸谐波检测模块由呼吸信号基波估计和呼吸信号谐波合成组成，呼吸信号基波估计采用自相关技术，呼吸信号谐波合成采用高斯-牛顿方法。呼吸信号谐波检测的过程如下：\n[0037] 第一步：求解呼吸信号的基波频率。\n[0038] 选取合适的窗函数对呼吸信号进行分段处理，对每个数据段内求自相关函数，然后对自相关函数进行功率谱估计，功率谱能量的最大值所对应的频率点为呼吸信号的基波频率f0。然后从前至后，依次对呼吸信号进行加窗、自相关、求功率谱等处理，对f0进行不断的更新。\n[0039] 第二步：构建呼吸信号高次谐波的数学模型。\n[0040] 将呼吸运动引起的胸廓运动的模型定义为：\n[0041] \n[0042] 式中：a表示呼吸信号，n表示采样时刻，ω0为呼吸信号的基波角频率（ f0表示呼吸信号的基波频率，fs表示采样频率），lω0为l次谐波的频率，ai为[a1,a2,.......a2l+1]T的向量，a2l代表l次谐波的相位，a2l-1代表l次谐波的幅值，a2l+1代表l次谐波的直流分量。\n[0043] 第三步：利用高斯-牛顿方法合成呼吸信号高次谐波。\n[0044] 采用高斯-牛顿方法求解上述数学模型中ai的值，不断将更新过的f0值进行迭代运算，当满足高斯-牛顿的最优解时，得到合成的呼吸信号的高次谐波函数。\n[0045] 参考图2，自适应谐波抵消模块将呼吸谐波检测模块的输出作为自适应滤波器（噪声抵消器）的参考输入，将预处理后的体动信号作为自适应滤波器的原始输入，通过自适应算法不断调整和更新自适应滤波器的参数，但体动信号中的呼吸成分与参考输入的呼吸信号的谐波成分的差值的平方最小时，此时自适应滤波器的输出就是心跳信号。自适应算法采用简单易行的LMS（最小均方误差）算法，步长μ=0.00002,滤波器的阶数取20.其计算步骤如下：定义时间n=0的滤波系数矢量为起始值W(0)，然后进行迭代：\n[0046] （1）由当前时刻n的滤波器滤波系数矢量的估计值，输入呼吸信号谐波矢量x(n)和体动信号d(n)，计算误差信号：\n[0047] \n[0048] 式中：表示滤波器的权系数，T表示对信号组成的矩阵进行转置运算。\n[0049] （2）再通过递归法计算滤波器系数矢量的更新估值：\n[0050] \n[0051] 式中：μ表示自适应更新滤波器权系数的时间步长。\n[0052] （3）将时间指数n增加1，再开始步骤(1)，重复上述计算，一直到达稳态算法停止。\n[0053] 如图3所示，从频谱中可以看出，呼吸信号功率谱中对应的峰值频率为0.2188Hz，此时对应呼吸率为13次/分钟；心跳信号功率谱中对应的峰值频率为1.0Hz,此时对应的心率为60次/分钟；心电信号功率谱中对应的峰值频率为1.02Hz，此时对应的心率为61次/分钟。从结果中可以看出，本发明提供的分离方法获得心率与从心电信号获得的心率误差非常小。\n[0054] 如图4所示，从图中可以看出16名实验对象的心率非常相似。实验结果表明，本发明提供的呼吸和心跳实时分离方法完全是有效、可行的。