非接觸式UWB傳感的生命體征檢測分析

陳華穎，張珣

（杭州電子科技大學現代電路與智能信息研究所，浙江杭州 310018）

0 引言

隨著現代社會的不斷發展，越來越多的人們注重身體健康的維持與監控。生命體征是評估身體健康的重要指標，主要包括體溫、脈搏、呼吸和血壓等。目前臨床主要采用接觸式檢測技術監測生命體征，如監護儀、心電圖等，原理是通過傳感器或電極片采集生理信息。然而在實際生活中，接觸式檢測技術的應用具有一定局限性。首先，直接使用電極或傳感器接觸受試者可能會導致其產生生理或心理異常反應，使測量結果產生誤差；其次，當受試者大面積皮膚受損時，接觸式檢測技術很難獲取有效的生理信號。因此，非接觸式生命體征檢測技術應運而生。

基于雷達信號的非接觸式生命體征檢測技術是一項跨領域的融合技術。在地震災害中，該技術可以檢測廢墟下是否有幸存人員及其生理狀況；在家庭健康領域中，該技術可遠程監測家中老幼的身體健康情況。目前，基于雷達信號的非接觸式生命體征檢測技術可分為連續波雷達監測技術和超寬帶（Ultra Wide Band，UWB）雷達監測技術兩種。本文選擇UWB雷達信號進行深入研究，其相比連續波雷達有許多優勢，可分離呼吸和心臟運動相關信號與評估參數。

在實際檢測中，心調信號強度遠小于呼吸信號強度，且心跳基波與高次呼吸諧波處于同一頻段，給心跳信號的提取造成了困難。此外，雷達接收到的信號不僅包括目標回波，還包括高斯噪聲等靜態干擾。為此，Li等利用經驗模態分解（Empirical Mode Decomposition，EMD）算法對預處理后的信號進行分解，得到呼吸和心跳信號；Liang等在UWB的基礎上改進了體征檢測系統，該系統可以對信號進行短時傅里葉變換，然后通過聚類經驗模態分解（Ensemble Empirical Mode Decomposition，EEMD）提高提取準確度；Lazaro等利用動目標檢測法（Moving Targets Detection，MTD）對信號進行降噪處理，有效抑制了呼吸諧波干擾。

為在低信噪比的情況下，準確地提取呼吸、心跳信號，本文提出一種UWB雷達結合EEMD的生命體征檢測模型，結合遺傳算法（Genetic Algorithm，GA）貝葉斯正則化反向傳播（Back Propagation，BP）神經網絡對EEMD分解后的固有模態函數（Intrinsic Mode Functions，IMF）分量進行特征訓練，保留了原始信號的頻率特性。將重構后的心肺信號與原始EEMD重構信號進行對比實驗，實驗結果表明，改良后的模型可實現被檢測者心肺信號的有效分離。

1 UWB雷達傳感器檢測系統設計

UWB雷達傳感器檢測系統的實現原理是通過UWB雷達發射脈沖信號，對含有體征信息的回波信號進行預處理，系統框架如圖1所示。為避免在檢測過程中產生一些不必要的雜波，被檢測者應盡可能地保持靜止不動。首先由發射模塊發射UWB雷達產生的脈沖信號，由于人體表面的振動，發射信號產生了相位和頻率調制；然后處理由接收模塊接收到的回波信號；最后將數據發送至電腦端，通過生命體征檢測算法實現呼吸和心跳信號的有效分離。

Fig.1 UWB radar sensor detection system frame圖1 UWB雷達傳感器檢測系統框架

2 算法原理

2.1 EEMD算法

EEMD是一種在回波信號中加入白噪聲的信號處理算法。該算法的實現原理是在采集的原始信號中添加一些隨機無序的高斯白噪聲，如果白噪聲均勻分布在所有時頻范圍內，則濾波器會將這個范圍劃分為不同尺度的分量。當加入一個白噪聲時，通過雷達采集的一個回波信號中不同頻率的分量就會被直接映射出來，然后利用整個信號的總體平均運算方法進行多次檢測，逐漸濾除整個信號傳輸過程中的白噪聲，在IMF分量中提取和重構呼吸與心跳信號。EEMD算法分解流程如圖2所示。

Fig.2 EEMD decomposition flow圖2 EEMD分解流程

EEMD算法可以根據信號的特點將其分解為若干個IMF分量，然后判斷出含噪聲較多的IMF分量并對其進行去噪處理，最后進行信號重構。首先利用MATLAB計算出信號S_n(t)的上下包絡線，分別為

e

(

t

)、

e

(

t

)，并計算兩個包絡線的均值，表示為：

原始信號與所得均值相減可得到一個序列式，表示為：

如果序列

h

(

t

)沒有達到IMF分量要求的條件，則繼續重復上述步驟。重復第k次后，原信號

S_n

(t)的一階分量表示為：

將原信號S_n(t)減去一階分量

c

(

t

)，得到：

按照相同方法繼續對

r

(

t

)進行分解，得到第二階分量

c

(

t

)，繼續分解得到第n階分量

c

(

t

)。最終，原信號

S_n

(t)經EMD分解后得到：

為使迭代次數比較合理，通常當

h

(

t

)滿足式（6）時，就認為IMF包絡線的均值滿足為零的條件。

2.2 BP神經網絡

BP神經網絡由輸入層、隱含層和輸出層構成，輸入層的數據是處理過的IMF特征向量，可將特性信息傳遞到下一層，實現心肺信號的重構。BP神經網絡的結構如圖3所示。

Fig.3 BPneural network structure圖3 BP神經網絡結構

權重初始化為隨機數，預處理輸入數據，通過神經網絡得到輸出值，每次訓練都對輸出值和預期值進行比較，計算誤差。采用梯度下降的方法更新權重值，反復訓練以使誤差變小。

損失函數表示為：

采用批量梯度下降法進行模型訓練時，損失函數表示為：

式中右側第一項用于判斷預測結果好壞；第二項為規則化項，將權重添加到損失函數中，梯度下降時便會將權重降為比較小的數，避免了因樣本數據少而產生的過擬合現象。

輸出層單元

i

的殘差表示為：

第

l

層第

i

個單元的殘差表示為：

根據以上公式得到：

按照以上公式順序逐次向后求導，計算

L

(

W

，

b

)對

W

和

b

的偏導式，表示為：

最后對

W

和

b

進行更新，表示為：

式中，α為學習速率。

2.3 GA算法

GA是一種基于自然選擇的數學算法，其采用概率自動優化方法，無需自行設置概率規則即可輕松實現自動概率確定和實時管理概率優化，且用戶可自動調整數據搜索的移動方向。GA流程如圖4所示。

Fig.4 Flow of genetic algorithm圖4 GA流程

3 生命體征檢測模型建立

3.1 信號檢測與EEMD處理

在提取信號時，回波信號信噪比會受到周圍環境的干擾。使用原始EEMD分解的本征函數并不能完全去除雜波，分解重構的呼吸、心跳信號中諧波信號占比依然很高。為提高重構信號的信噪比，本文提出一種基于EEMD結合BP改進策略的生命體征檢測算法，流程如圖5所示，具體步驟為：①采用動目標檢測法濾除回波信號中的背景雜波；②選擇最大能量距離門提取出帶有呼吸和心跳頻率信息的人體體表振動信號；③對提取的信號進行EEMD分解，得到IMF分量；④分別對呼吸和心跳信號分量進行GA-BP神經網絡處理，重構呼吸和心跳信號。

3.2 BP神經網絡重構IMF分量

3.2.1 貝葉斯正則化

貝葉斯正則化是深度學習領域中減小泛化誤差的一種方法，其通過在誤差函數中添加正則項進行參數修正，改進算法權重值。本文選擇貝葉斯正則化作為BP神經網絡的訓練函數，以獲得最佳適應度值。

Fig.5 Flow of vital sign detection algorithm圖5 生命體征檢測算法流程

假設[

B

，

B

，…，

B

]為樣本空間S的一個劃分，A為某個事件，則貝葉斯公式為：

均方誤差（MSE）用于衡量神經網絡的損失函數，表示為：

式中，

Y

為期望輸出，

y

為實際值，

n

為樣本個數。

利用貝葉斯框架計算時，權重參數為隨機變量，且其與網絡訓練集的先驗分布服從高斯分布，需要選取能夠最大化條件概率的權值。

采用貝葉斯法計算概率函數，表示為：

3.2.2 GA-貝葉斯正則化BP模型

采用GA對BP進行優化，以泛化局部特征從而增強其全局搜索能力，最終得到最優網絡初始權值和網絡賦值。GA-BP神經網絡模型流程如圖6所示。

將待優化的權值劃分為若干個部分，在匹配池中設定群體進化代數，通過兩兩競爭策略將最優個體或達到了設定進化代數的個體留在子代，迭代整個過程，直至輸出最優值。

Fig.6 GA-BPneural network model flow圖6 GA-BP神經網絡模型流程

IMF分量可由預處理后的體表振動信號分解得出，沿時間軸將各個IMF分量的信號包絡分為m段，表示為：

式中，

i

=1、2、L、m；k=1、2、L、n；t1、t2分別為第i段的起止時間點。

對各分段能量進行歸一化處理，表示為：

信號

X

(

t

)的EEMD—特征熵表示為：

最終得到EEMD特征向量，表示為：

EEMD分解后的心跳和呼吸IMF分量在轉換為特征向量后進入GA-BP神經網絡，然后分別訓練并疊加以獲取心跳信號的預測值。假設EEMD分解后的分量為

IMF

(

t

)，

i=

1，2

，…N

，對應的訓練值為

BIMF

(

t

)，心跳信號包含在（

n

-

n

+1）個IMF分量中，呼吸信號包含在（

n

-

n

+1）個分量中，則訓練后的呼吸信號

X

和心跳信號

X

分別表示為：

4 模型評估

4.1 信號采集

被測人員與雷達天線距離2m并保持在水平基準線上，同時面對雷達保持靜止。

4.2 訓練過程

使用Tensor Flow框架Keras快速搭建并訓練GA-BP神經網絡模型，初始權值、閾值及網絡訓練選擇貝葉斯正則化法。BP神經網絡學習速率

α

為0.1，訓練次數設置為1萬次。將特征向量按照7∶2∶1的比例分為訓練集、測試集和驗證集。同時設置100代遺傳種群，交叉概率設置為0.7，變異概率設置為0.08。

4.3 訓練比較

將原始EEMD與GA-BP神經網絡模型結合EEMD提取重構的生命體征信號進行比較，考察新模型在處理信號時的泛化誤差以及獲取全局最優的準確性和魯棒性。

4.4 訓練結果分析

對靜止人體目標的生命體征信號進行分離，準確提取出呼吸和心跳信號。通過UWB雷達采集到的生命體征經過預處理得到的信號時域波形如圖7第一行所示。

Fig.7 Original human signal and IMF component diagram（1～6）圖7 人體原始信號與IMF分量圖（1～6）

預處理后的信號通過EEMD分解得到的分量如圖7和圖8所示，其中4th IMF、8th IMF、9th IMF和10th IMF為生命體征信號的本征模態函數，心跳信號的分量為4th IMF，呼吸信號的諧波分量為7th IMF，呼吸信號分量為8th IMF、9th IMF、10th IMF。由分量圖可以發現，EEMD分解不僅能分離呼吸和心跳信號，還能達到濾除雜波的效果。

經EEMD分解后的IMF分量直接重構得到的呼吸和心跳信號如圖9、圖10所示。

改進后的BP神經網絡重構得到的呼吸心跳信號如圖11和圖12所示，可以看到噪聲成分明顯減少。人體輕微幅度變化會導致心肺信號在提取過程中存在誤差，通過新模型重構的體征信號性能整體優于原始EEMD分解的提取方法，可以清晰地顯示出呼吸信號和心跳信號之間特性。實驗結果表明，本文模型能準確地提取出呼吸心跳信號。

Fig.8 IMF component diagram（7～13）圖8 IMF分量圖（7～13）

Fig.9 EEMD reconstructed heartbeat signal圖9 EEMD重構的心跳信號

Fig.10 EEMD reconstructed respiratory signal圖10 EEMD重構的呼吸信號

Fig.11 Heartbeat signal reconstructed by GA-BPmodel圖11 GA-BP模型重構的心跳信號

Fig.12 Respiratory signal reconstructed by GA-BPmodel圖12 GA-BP模型重構的呼吸信號

5 結語

本文提出一種GA-BP神經網絡模型，將GA的全局搜索特點與貝葉斯正則化的BP神經網絡相結合，能使模型最優解趨近于全局最優，獲得最佳適應度值，并重構信噪比更高的人體生命體征信號。驗證試驗結果表明，該模型能有效地將噪聲與體征信號分離開來，信噪比明顯提升，且預測結果穩定，能夠基本滿足后續對體征信號進一步研究的需求。然而，波形中仍含有少量噪聲，若使用深度信念網絡或卷積神經網絡模型可能效果更佳，但與此同時帶來的是模型響應時間增加，而這種代價在探測自然災害環境下的生命體征時是不允許的，后續需根據具體應用場景選擇最優模型。