CN111856452A - 基于omp的静态人体心跳和呼吸信号分离重构方法 - Google Patents

Abstract

本发明提出了一种基于OMP的静态人体心跳和呼吸信号分离重构方法。首先，根据实际人体目标检测数据分析计算，得到人体目标的距离信息，构建距离时间图。然后对I/Q两路信号进行直流偏移校正，通过反正切函数计算出相位信息。接着对检测到的待测人体目标基于求导运算的扩展DACM算法进行相位展开，解决相位模糊问题，相位差分增强心跳信号。使用两个二阶级联的四阶IIR带通滤波器将心跳和呼吸信号分离，最后通过压缩感知理论和OMP算法完成对呼吸和心跳信号的分离重构。本发明创新地提出了种基于正交匹配追踪的静态人体心跳和呼吸信号分离重构方法，有效的减小谐波、噪声对心率和呼吸频率估计的影响，使得最终心跳和呼吸频率估计的准确性大大提高。

Description

基于OMP的静态人体心跳和呼吸信号分离重构方法

技术领域

本发明主要用于生命信号检测，特别涉及一种基于OMP的静态人体心跳和呼吸信号分离重构方法。

背景技术

传统生命信号检测方法有压力传感器法、心电图法等方法。然而，这些方法通过直接接触身体达到监测心跳和呼吸信号的目地，使得被测量者感到不适甚至无法进行检测。同时，由于人体各种生理活动引起体表微动，接触式方法的检测结果会受体表微动的干扰。非接触式生命信号探测技术可以在不接触身体的情况下，实现呼吸和心跳信号检测，能够给人体提供更加轻松和舒适的体验。EarlySense推出的非接触式监护传感器，通过监测患者的心率、呼吸等数据进行新冠肺炎(COVID-19)患者的筛查。因此，随着现代社会对健康医疗的重视，非接触式生命信号探测技术日益成为最吸引人的技术之一。

基于此，线性调频连续波(frequency modulated continuous wave，FMCW)非接触式生命监测雷达是非接触式生命特征监测技术领域的研究热点。FMCW雷达不仅能通过多普勒检测获得目标的位移运动，还能通过距离测量算法得到目标的绝对距离。FMCW雷达传感器通过向人体发射特定波形的电磁波，对回波信号的相位进行提取和处理，进而检测人体呼吸和心跳的运动特征。雷迖生命信号检测技术除了直接监测呼吸心跳信号，在抢险救援、睡眠监测、跌倒检测等领域有着广阔的应用需求。

由于生命信号是呼吸和心跳的复合信号，虽然心跳和呼吸信号是周期性的，但当谐波频率和噪声频率存在时，使得主要的呼吸信号并不是理想的周期性正弦波，心跳和呼吸频率很容易被淹没在谐波或噪声中。特别是心跳频率，即使差分后使得心跳频率更明显，当主要的呼吸信号不是周期性时，容易出现大于心跳频率峰值的谐波峰值，使得频域1D-FFT方法和时域自相关方法估计错误，必须先分离心跳和呼吸信号。已有研究根据呼吸与心跳频率范围不同，设计两个带通滤波器完成呼吸和心跳信号分离。然而，由于呼吸运动造成的胸腔位移远大于心跳，生命信号中呼吸信号幅度远大于心跳信号，因此呼吸信号的高次谐波幅度可能超过心跳信号幅度，对心跳信号的提取造成很大的干扰。当信号和噪声的频谱重叠时，呼吸和心跳信号估计准确率严重下降，甚至无法恢复。值得注意的是，有研究者提出经验模态分解实现呼吸和心跳信号的分离，但其计算开销非常大。

因此，本发明利用正交匹配追踪法(Orthogonal Matching Pursuit,OMP)对心跳和呼吸信号进行分离重构，提高心率和呼吸率检测的准确率。

发明内容

基于上述现有呼吸和心跳信号分离方法的缺陷和不足，本发明提供了一种基于OMP的静态人体心跳和呼吸信号分离重构方法。本发明首先根据人体目标的雷达回波信号获取距离信息构建距离-时间图(Range-Time-Map,RTM)，以确定待检测人体目标所在位置。然后进行I/Q两路直流偏移校正，利用扩展的微分交叉乘法(extended differentiate andcross multiply,DACM)算法对非线性解调相位进行展开，同时采用差分相位对心跳信号进行增强以进一步提取由呼吸和胸腔位移运动引起的准确的相位变化信息。最后采用正交匹配追踪法对心跳和呼吸信号进行分离重构，有效的减小谐波、噪声对心率和呼吸频率估计的影响。

本发明所采用的技术方案为：基于OMP的静态人体心跳和呼吸信号分离重构方法。具体包括以下步骤：

1)利用FMCW雷达采集人体目标信息得到雷达中频信号，对单帧中频信号做快速傅里叶变化得到距离向量矩阵R_m，再通过时间进行多帧累积，将n帧距离向量以列形式构建距离-时间矩阵R_T＝[R₁,R₂,…R_m]_m×n，从而得到距离-时间图(Range-Time-Map,RTM)，进而通过不同距离区间的最大平均功率来确定待检测目标。

2)将待检测的人体目标信号B(t)进行正交下变换，并用差分放大器进行直流校正，得到I(t)和Q(t)两路信号组成的复数信号I(t)+j·Q(t)。使用非线性反正切解调得到呼吸心跳信号相位值

接着使用DACM算法将反正切三角函数计算变为求导运算

其中Q(t)′和I(t)′分别是Q(t)和I(t)的微分形式。最后在离散形式下，通过时间累加还原出

3)采用正交匹配追踪法(Orthogonal Matching Pursuit,OMP)算法对呼吸和心跳信号进行分离重构，其具体步骤如下：

3a)心跳频率区间为[0.8Hz-2Hz]，呼吸频率区间为[0.1Hz-0.5Hz]。设计两个二阶级联的四阶IIR带通滤波器将心跳和呼吸信号分离；其采样率为20Hz。将差分信号分别经过设计的两个带通滤波器，分离出心跳和呼吸信号。

3b)心跳和呼吸信号的稀疏表示x＝ψ(α+w)，其中Ψ＝{ψ₁，ψ₂，ψ₃，…，ψ_N}为频域正交变换基，α为N×1的权重系数，w为噪声。将原始信号投影到M×N测量矩阵Φ上得到x的非自适投影值y＝Φx＝ΦΨ(α+w)＝A_CSα+Z，分别保留y中k＝1个重要分量。

3c)求解L1范数最优值，

得到权重系数α，由x＝ψα重构出原始信号x。

3d)当重构信号频谱峰值等于原始信号频谱峰值时，输出重构信号

3e)找出重构信号频谱所有峰值并保留在[0.8Hz-2Hz]频谱区间的峰，利用差分法去除呼吸谐波峰，统计重构信号峰值对应频率出现的次数N，定义一个频率权重系数

k代表重构对应频率出现次数，计算其心跳频率为

其中f_i是每组重构信号的峰值频率呼吸率由快速傅里叶变化获得。

本发明具有以下优点：对比传统的技术方法，本发明通过FMCW雷达实现非接触式检测人体生命特征信号，使得应用范围更加广泛，使用条件更加宽松。避免传统接触式检测设备带给患者的束缚和不舒适感。基于现有的技术问题，提供了一种基于正交匹配追踪法的静态人体心跳和呼吸信号分离重构方法。它有效地减小谐波、噪声对心率和呼吸频率估计的影响，并大大提高呼吸率和心率的检测准确率。

附图说明

图1人体心跳和呼吸信号检测流程图

图2RTM构建流程图

图3呼吸滤波器幅频响应图

图4心跳滤波器幅频响应图

图5心跳和呼吸波形及其频谱图

图6 OMP重构心跳和呼吸信号及其频谱图

具体实施方式

下面结合附图对本发明作进一步详细描述：

本发明所采用的技术方案为：一种基于OMP的静态人体心跳和呼吸信号分离重构方法，其主要包括以下步骤：

1)FMCW雷达信号调制方式有两种，分别是锯齿波和三角波，本发明中采用锯齿波调制方式。雷达***的发射信号在传播过程中遇到物体发生反射，经过时延t_d后雷达接收到回波信号，FMCW雷达的发射信号为可表示为：

其中，

是线性调频信号的斜率，代表频率的变化率，f_c是线性调频信号起始频率，B是带宽，A_TX是发射信号的幅值，T_c是线性调频信号脉宽，

为相位噪声。

假设R(t)是胸腔运动位移，雷达传感器到人体距离为d₀，则胸腔到雷达的距离x(t)＝R(t)+d₀，时延

可以得到接收信号：

回波信号和发送信号通过I/Q两路正交混合后，再经过低通滤波器得到中频信号S_IF(t)：

2)根据步骤1)FMCW雷达的目标距离计算为：

其中F_s是采样率，c是光速，S是锯齿波扫频的斜率。在A/D后获取的单帧拍频信号为快采样和慢采样组成的二维矩阵，纵轴对应扫频数构建的慢时间轴，横轴为快时间采样点数M_samples。为抑制旁瓣泄露，加汉明窗滤波，同时对快时间采样点进行FFT获取距离-FFT向量进而得到对应雷达视场距离分布。采用多扫频方式，利用二维矩阵中N个扫频按列计算获得均值距离谱。基于多扫频相干累积得到的距离谱构建距离-时间图，具体地构建流程如图2所示。

3)根据2)所确定的距离区间来提取相位信息。对检测到的目标经过干扰消除后，然后将该帧数据进行距离-FFT，从识别的距离区间提取相位值进行生命特征估计。在步骤1)中的(3)式中，对于单个目标检测，其信号表达形式：

B(t)＝cos(2πf_bnT_m+ψ_l) (6)

4)I/Q两路解调信号表示为:

B_I(t)＝A_Icos(2πf_bnT_m+ψ_l)+DC_I (7)

B_Q(t)＝A_Qsin(2πf_bnT_m+ψ_l)+DC_Q (8)

式中A_I/A_Q是I/Q两路通道的幅值，DC_I/DC_Q分别是其两路的直流偏置。直流偏移主要受到电路元件缺陷的影响，因此需校正干扰的直流分量获取

采用圆中心动态直流偏移跟踪，该方法使用高效的梯度下降算法可以实现动态直流偏移跟踪，然后进行直流偏移校正。对I/Q两路进行直流偏移校正，令A_I＝A_Q＝A_R，得：

|B_I(t)-DC_I|²+|B_Q(t)-DC_Q|²＝A_R ² (9)

采用梯度下降算法，最小化以下优化函数：

当上式取得最小值时，将取得最优结果。

5)使用扩展的微分交叉乘法算法。令

该算法可以自动进行相位补偿和解决相位模糊的问题。DACM算法将反正切函数变为求导运算，则：

式中Q(t)′与I(t)′分别是Q(t)和I(t)的微分形式。将该式用离散形式表示并将积分变为累加得：

6)采用OMP算法对呼吸和心跳信号进行分离重构，其具体步骤如下：

6a)心跳频率区间为[0.8Hz-2Hz]，呼吸频率区间为[0.1Hz-0.5Hz]。设计两个二阶级联的四阶IIR带通滤波器将心跳和呼吸信号分离；其采样率为20Hz。呼吸和心跳信号滤波幅频响应如图3和图4所示。将差分信号分别经过设计的两个带通滤波器，分离出心跳和呼吸信号，如图5所示。

6b)心跳信号和呼吸信号具有稀疏性，心跳和呼吸信号的稀疏表示：

x＝ψ(α+w) (13)

其中Ψ＝{ψ₁，ψ₂，ψ₃，…，ψ_N}频域正交变换基，α为N×1的权重系数，w为噪声。保留非自适应线性投影值y中K个重要特征分量，将原始信号投影到M×N的测量矩阵Φ＝[φ₁,φ₂,φ₃,…,φ_N]上，则信号x的自适应投影值

y＝Φx＝ΦΨ(α+w)＝A_CSα+Z (14)

其中，A_CS＝ΦΨ为感知矩阵，Z＝ΦΨw为噪声的投影值。

6c)测量矩阵M＜＜N，y中重构x是一个不适定问题，故方程(14)是一个欠定方程。Φ与Ψ^H极端极端不相似，所以用L1范数求出最优值，即：

其中

是

的L1范数，ε是噪声边界。求出α后由式(13)重构信号x。分别保留y中k＝1个重要分量，用来获得无噪的心跳或呼吸信号。

6d)为保证所重构出来的信号为去噪后的心跳或呼吸信号，设置限制条件，当重构信号频谱峰值等于原始信号频谱峰值时才输出重构信号，结果见图6。

6e)呼吸率由快速傅里叶变换获得。对于心跳频谱来说，其最大峰值可能不一定与心率相对应。为此找出重构信号频谱所有峰并保留在[0.8Hz-2HZ]频谱区间的峰，利用差分法去除呼吸谐波峰，统计重构信号峰值对应频率出现的次数，定义一个频率权重系数

其中k代表重构对应频率出现次数，N代表重构次数,则心跳频率为：

Claims (3)

1.基于OMP的静态人体心跳和呼吸信号分离重构方法，具体包括以下步骤：

1)利用FMCW(frequency modulated continuous wave，FMCW)雷达采集人体目标信息得到雷达中频信号，对单帧中频信号做快速傅里叶变化得到距离向量矩阵R_m，再通过时间进行多帧累积，将n帧距离向量以列形式构建距离-时间矩阵R_T＝[R₁,R₂,…R_m]_m×n，从而得到距离-时间图(Range-Time-Map，RTM)，进而通过不同距离区间的最大平均功率来确定待检测目标。

2)将待检测的人体目标信号B(t)进行正交下变换，并用差分放大器进行直流校正，得到I(t)和Q(t)两路信号组成的复数信号I(t)+j·Q(t)。使用非线性反正切解调得到呼吸心跳信号相位值

接着使用DACM算法将反正切三角函数计算变为求导运算

其中Q(t)′和I(t)′分别是Q(t)和I(t)的微分形式。最后在离散形式下，通过时间累加还原出

3)采用正交匹配追踪法(Orthogonal Matching Pursuit，OMP)算法对呼吸和心跳信号进行分离重构，其具体步骤如下：

3a)心跳频率区间为[0.8Hz-2Hz]，呼吸频率区间为[0.1Hz-0.5Hz]。设计两个二阶级联的四阶IIR带通滤波器将心跳和呼吸信号分离；其采样率为20Hz。将差分信号分别经过设计的两个带通滤波器，分离出心跳和呼吸信号。

3b)心跳和呼吸信号的稀疏表示x＝ψ(α+w)，其中Ψ＝{ψ₁，ψ₂，ψ₃，…，ψ_N}为频域正交变换基，α为N×1的权重系数，w为噪声。将原始信号投影到M×N测量矩阵Φ上得到x的非自适投影值y＝Φx＝ΦΨ(α+w)＝A_CSα+Z，分别保留y中k＝1个重要分量。

3c)求解L1范数最优值，

得到权重系数α，由x＝ψα重构出原始信号x。

3d)当重构信号频谱峰值等于原始信号频谱峰值时，输出重构信号

3e)找出重构信号频谱所有峰值并保留在[0.8Hz-2Hz]频谱区间的峰，利用差分法去除呼吸谐波峰，统计重构信号峰值对应频率出现的次数N，定义一个频率权重系数

k代表重构对应频率出现次数，计算其心跳频率为

其中f_i是每组重构信号的峰值频率，呼吸率由快速傅里叶变化获得。

2.基于权利要求1所述的基于OMP的静态人体心跳和呼吸信号分离重构方法，其特征在于提出基于OMP的静态人体心跳和呼吸信号分离重构方法的优化过程。

3.基于权利要求1所述的基于OMP的静态人体心跳和呼吸信号分离重构方法，其特征在于步骤3)中所述的基于OMP算法对呼吸和心跳信号进行分离重构的方法。

Images