不同身体姿势对雷达式生命体征监测系统的影响

张华，祁富贵，王帅杰，李钊，路国华，王健琪

第四军医大学 生物医学工程学院，陕西 西安 710032

不同身体姿势对雷达式生命体征监测系统的影响

张华，祁富贵，王帅杰，李钊，路国华，王健琪

第四军医大学 生物医学工程学院，陕西 西安 710032

目的 研究在生物雷达监护系统中，不同的身体姿势对雷达回波信号提取生命体征参数的影响。方法 设计实验采用监护过程中最常见的平躺和坐姿两种姿势，研究上述姿势的生物雷达回波信号分析方法，提出改进自适应对消滤波算法。结果 两种姿势下，自适应抵消器输出滤波信号的中心频率与同步监测的心跳信号频率一致，且位于该点的信号能量最强。结论 运用改进的自适应对消滤波算法能够在不同的姿势状态下，得到有效的生命体征参数呼吸和心跳信号。

生物雷达；自适应对消；身体姿势；回波信号；监测系统

引言

在生命体健康监护的系统中，常规的生命体征监测方法，如：心电图（Electrocardiograph，ECG），呼吸式绑带，脉搏式压敏传感器等，大多配置有传感器，需要与人体进行接触。一些特殊的应用场景，烧伤、婴幼儿、睡眠状态监测等，接触式的监测方法受到限制[1-3]。连续波生物雷达发射电磁波，接收回波信号，通过后续的信号处理方法得到监测对象的生命体征参数，属于一种新的生命信息监测手段。其在非接触、可穿透方面具有显著优势，且可脱离医院的固定场所实时动态的得到监测对象的生命特征呼吸和心跳的参数。在健康监护和家庭医疗领域有很好的应用潜力。

本文旨在研究雷达式生命参数监护系统中，不同身体姿势对雷达回波信号影响；应用改进的信号处理算法，针对不同状态得到的回波信号进行分析，得到相应的呼吸和心跳信号特征参数和波形。设计了基于雷达式生命参数监测系统的模拟监护的人体平躺实验和人体坐姿实验。

1 实验设计

1.1 实验对象

本研究4名男性、3名女性参与该次实验，实验对象的平均年龄为（25±2）岁，身体状况良好、呼吸和心跳自感无任何异常，无既往病史。在实验开始前实验对象对基于雷达式非接触检测生命体征系统工作中实验信号的采集方式、雷达工作模式都了解，实验前知情同意。

1.2 仪器与设备

实验平台采用连续波雷达（3 mm波，频率为94 GHz），雷达的发射端和接收端分开，最大的辐射功率为10 mW，雷达天线据实验对象正上方3 m的高度；雷达的回波信号经过模拟预处理对信号放大和滤波，输出的信号通过多导生理监测仪PowerLab（ADI公司，澳大利亚）采集，LabChart为配套的信号采集软件（ADI公司，澳大利亚）[4-5]。为了比较监测的心跳信号准确性，同步采集心电信号作为对照，电极拾取心电信号由导线通过多导生理参数记录仪的ECG 100C心电放大器输入分析软件系统。

1.3 实验要求

首先打开雷达，在无实验对象时空采，记录系统和通道的系统噪声。进入实验对象，同步采集并记录心电信号。雷达采集的呼吸和体动数据及心电放大器同步采集的心电信号由16通道多导生理参数记录仪的A/D采集卡输入计算机，记录并进行后续的信号处理。多导生理参数记录仪呼吸、体动信号采集参数设置为：采样频率200 Hz，采样时间为4 min连续采样，并自动存储数据。

1.4 实验过程

本文实验设计选择两个人体主要的姿势进行监测，模拟监护对象平躺实验和坐姿实验[6-9]。在平躺实验过程中监护对象取平躺，正常自由呼吸模式，雷达位于监护对象正上方3 m处。在坐姿实验过程中监护对象取坐姿，平静自由呼吸模式，雷达和数据采集系统位于监护对象正前方3 m处。在数据采集过程中告知实验对象尽量避免身体的晃动，减少干扰。雷达的回波信号经过模拟预处理对信号放大和滤波，输出的信号通过多导生理监测仪PowerLab采集，LabChart为配套的信号采集软件。为了比较监测得到的心跳信号准确性，同步采集心电信号作为对照，电极拾取心电信号由导线通过多导生理参数记录仪的ECG 100C心电放大器输入分析软件系统。

2 改进自适应噪声抵消算法

2.1 自适应噪声抵消算法

自适应噪声抵消技术的基本原理是将含有噪声的原始信号与参考信号进行抵消运算，以此消除带噪信号中的噪声[10-17]。其实质上是一种维纳滤波器，是可以自动调节滤波参数的特殊维纳滤波器。滤波器设计事先不需要知道关于输入信号和噪声的统计特性的，滤波器在工作过程中逐渐了解或估计出信号的统计特性，并自适应的调整滤波器参数以达到最佳滤波效果。算法原理，见图1。

其中一路信号s受到噪声的影响，回波信号中叠加有噪声n0，两者不相关，将s+n0作为自适应噪声抵消器的原始信号输入。另一路信号n1作为自适应抵消器的参考输入信号，与s没有相关性，但存在与n0某种相关性（n0和n1两者相关方式未知）。经过滤波器处理n1得到与n0相近的估计y，原始输入信号减去y，得到抵消器的输出值s+n0-y即为期望得到的信号值。

图1 自适应噪声抵消算法

2.2 改进自适应噪声抵消算法

改进自适应噪声抵消算法设置呼吸信号的谐波组合为滤波器的参考输入信号，体动路的信号为原始输入信号，通过自适应噪声抵消器，得到分离的滤波后信号，即监测的心跳信号。算法的实现框图，见图2。

图2 自适应谐波抵消算法框图

算法在基于LMS准则下自适应的调整滤波器的系数，得到最佳的滤波后输出为心跳信号。LMS自适应算法是使得期望信号与滤波器的输出信号之间产生的误差，差值的均方最小为准则。由输入信号估计梯度矢量，在迭代的过程中自适应的更新权值，以达到最优的迭代算法[7-10]。

3 结果与讨论

3.1 模拟平躺实验

平躺实验，平躺原始信号图，见图3。经滤波器输出信号频谱图，见图4，显示在1.098 Hz处的能量值最大，且周围的频率点能量值远低于该点。通过与同步监测的心电信号对比分析，心电图显示实验对象的心率为1.078 Hz，所以可以证实滤波后输出的波形中，1.098 Hz处对应的即为心跳信号，但是由于干扰等原因存在误差。所以当实验对象平躺时，基于LMS改进的自适应噪声抵消算法可以从体动路混合信号中得到心跳信号，对噪声有一定的抑制效果，但是对噪声的抑制效果不是很理想。同时输出的心跳信号频率与心电信号的频率值存在误差。

3.2 模拟坐姿实验

坐姿实验中，采集原始信号波形，见图5。该信号经自适应滤波器，输出信号的频谱，见图6。显示在1.584 Hz处的信号幅值最大，其他频率点的幅值较小能量被抑制，则1.584 Hz处的幅值相对被增强效果显著。同步测量心电信号该实验对象的心电频率为1.312 Hz，则说明在滤波输出信号频谱中1.584 Hz处的信号为心跳信号，由此说明通过基于LMS改进的自适应噪声抵消算法可以在实验对象坐姿的状态下从体动信号中分离出心跳信号，对其他频率成分有一定的抑制效果。但是由于输入体动信号中叠加的噪声干扰与心跳信号频率很接近，所以给分离带来了困难，分离后得到的心率与心电信号对应的心率存在误差较大，两者频率值相差为0.27 Hz。在后续的信号分离算法中要进一步的研究作为参考信号输入的呼吸信号谐波怎样构造。

图3 平躺原始信号图

图4 平躺滤波后信号频谱图

图5 坐姿原始信号波形图

4 结论

实验结果表明，平躺时心电记录仪检测的心电信号和滤波后心跳信号的心率值误差为0.02 Hz，坐姿实验中的心率误差为0.252 Hz。所以当实验对象平躺时监测得到的心跳信号心率的准确性要远高于坐姿状态下的对应值。

图6 坐姿滤波后信号频谱图

生物雷达具有非接触、可穿透的优点，广泛用于家庭、医院等健康监护场景，通过本文的实验研究，当检测对象处于平躺姿势，在监护过程中得到的心跳信号的特征参数准确性要高于坐姿状态。因此，在生物雷达监护系统中，被监护对象采用平躺的姿势得到的心跳信号特征参数与该对象的心电信号相一致，误差较小，更真实的反映监护对象的生命体征状态。

[1] Li C,Xiao Y,Lin J.Experiment and spectral analysis of a lowpower-band heartbeat detector measuring from four sides of a human body[J].IEEE T Microw Theory,2006,54(12):4464-4471.

[2] Li P,Wang DC.A quadrature Doppler radar system for sensing human respiration and heart rates[A].International Conference on Signal Processing Proceedings[C].New York:IEEE,2010: 2235-2238.

[3] Kiriazi JE,Boric-Lubecke O,Lubecke VM.Dual-frequency technique for assessment of cardiopulmonary effective RCS and displacement[J].IEEE Sens J,2012,12(3):574-582.

[4] 王曦泽,胡巍,王云峰,等.非接触式体征监测及智能移动终端算法的实现[J].北京生物医学工程,2014,33(6):258-263.

[5] 杨芳,张华,李盛,等.生物雷达检测中呼吸和心跳实时分离技术的研究[J].医疗卫生装备,2014,35(7):28-30.

[6] Droitcour AD,Boric-Lubecke O,Lubecke VM,et al.0.25/spl mu/m CMOS and BiCMOS single-chip direct-conversion Doppler radars for remote sensing of vital signs[A].Solid-State Circuits Conference,2002 Digest of Technical Papers[C].New York:IEEE,2002:348-349.

[7] Droitcour AD,Boric-Lubecke O,Lubecke VM,et al.Range correlation effect on ISM band I/Q CMOS radar for non-contact vital signs sensing[A].Microwave Symposium Digest,2003 IEEE MTT-S International[C].New York:IEEE,2003:1945-1948.

[8] Immoreev I,Tao TH.UWB radar for patient monitoring[J].IEEE Aero El Sys Mag,2008,23(11):11-18.

[9] Vergara AM,Lubecke VM.Data Acquisition system for doppler radar vital-sign monitor[A].Engineering in Medicine and Biology Society[C].New York:IEEE,2007:2269-2272.

[10] 张兰勇,周俊成,李冰,等.自适应噪声谱估计抵消技术及其应用[J].哈尔滨工业大学学报,2015,47(9):31-35.

[11] 何振亚.自适应信号处理[M].北京:电子工业出版社,2006.

[12] Diniz PSR,自适应滤波算法与实现[M].刘郁林,景晓军,谭刚兵,等,译.北京:电子工业出版社,2004:121-135.

[13] Morgan DR,Zierdt MG.Novel signal processing techniques for Doppler radar cardiopulmonary sensing[J].IEEE T Signal Proces,2009,89(1):45-66.

[14] 汪潮,单家方.一种新的变步长LMS自适应滤波算法仿真及性能分析[J].科技通报,2015,31(1):87-89.

[15] 张红梅, 韩万刚.一种新的变步长LMS自适应滤波算法研究及其应用[J].仪器仪表学报,2015,36(8):1822-1830.

[16] 王瑜琳,田学隆,高雪利.自适应语音滤波增强算法改进及其DSP实现[J].计算机工程与应用,2015,52(1):208-212.

[17] 孟晋丽,傅有光,陈翼,等.基于自适应滤波的雷达目标-干扰分离技术[J].现代雷达,2015,37(4):39-42.

本文编辑 袁隽玲

Effect of Different Body Posture on the Bio-radar Signal Monitoring System

ZHANG Hua, QI Fu-gui, WANG Shuai-jie, LI Zhao, LU Guo-hua, WANG Jian-qi
School of Biomedical Engineering, the Fourth Military Medical University, Xi’an Shaanxi 710032, China

Objective The present study was to perform research on the effect of different body posture on the radar echo signal to extract the vital signs parameters in the biological radar monitoring system. Methods The most common two positions lie on your back and sit were taken as the posture in the monitoring processing. The pose of radar echo signal analysis method was studied, and an improved adaptive cancellation filter algorithm was put forward. Results The center of the adaptive canceller output filtering signal frequency and synchronous monitoring heartbeat signal frequency was consistent under these two postures, and the strongest signal energy point was located in the center of the adaptive canceller output. Conclusion Effective vital signs parameters of breathing and heartbeat signals could be gained via using the improved adaptive cancellation filter algorithm under different postures.

bio-radar; adaptive cancellation filter; body posture; echo signal; monitoring system

TN959

A

10.3969/j.issn.1674-1633.2017.06.008

1674-1633(2017)06-0028-04

2016-11-18

2017-04-11

国家科技支撑计划（2014BAK12B01）。

路国华，副教授，主要研究方向为基于生物雷达的信号处理。

通讯作者邮箱：lugh1976@fmmu.edu.cn