基于调频连续波雷达的无接触血压监测方法的研究与实现

【作 者】 张金辉，张欣悦，穆文遥，姜夕康，央妮，李蕾

1 解放军总医院 服务保障中心，北京市，100853

2 北京邮电大学 人工智能学院，北京市，100876

0 引言

高血压是最常见的慢性病，据统计，中国约有2.45亿高血压患者[1]。因此，在日常生活中对血压进行长期连续监测对保障身体健康、早期疾病预警具有重要意义。传统血压检测方法主要以袖带式血压计为主，也有在人体表面贴附电极实现血压监测的形式[2-4]。这需要贴附传感器于人体表面，易给受测者带来不适感，难以实现长时间血压测量。调频连续波（frequency modulated continuous wave,FMCW）雷达能获取高精度的距离、角度、信号相位等信息，已有基于FMCW雷达的无接触呼吸心跳监测研究论文发表[5-7]。

目前，一些基于接触式与无接触传感器结合的研究论文已发表，例如：KUWAHARA等[8]用多普勒雷达和压电手指脉冲传感器之间的时延计算脉搏波速度；TANG等[9]用单频连续波雷达探测心跳胸部运动和手腕脉搏信号，探究两者峰值时间差的相关性。无接触血压测量也愈发引人注意，例如：ZHAO等[10]用数字中频连续波多普勒雷达获取由中央主动脉引起的体表微小形变估算血压；TOMOYUKI等[11]用多普勒雷达获取心脏扩张与收缩周期推导血压值；MARIE等[12]使用连续波雷达建立了数据集；SHUZO等[13]基于长短期记忆网络模型探究血压监测。

由于呼吸和其他微小的肢体运动可能会给雷达探测脉搏波带来畸变，影响血压精度和连续性，因此，本研究基于FMCW雷达提出了一种心跳信号引导的血压监测算法。

考虑到特定个体血压变化与心跳频率密切相关，首先基于FMCW回波信号提取胸膛信号，用变分模态分解（variational mode decomposition,VMD）检测目标心率，去除人体呼吸和轻微体动干扰，基于心率恢复有效脉搏波信号。之后从中提取血压相关的时间特征，构建血压估测模型。实验表明，本算法可以精准、鲁棒地进行血压监测，为实现长期实时无接触血压监测提供了可能。

1 方法

本研究提出的方法流程如图1所示。首先，FMCW雷达采集来自人体胸膛的回波信号，提取距离、方位角和时间信息；随后，经VMD分解探测心率值，以基于心率引导的脉搏波提取方法在区间内进行重定位，获得干扰较小的脉搏波，再通过VMD分解将不同模态以心率为标准筛选后相加，去除呼吸、身体轻微运动带来的干扰，获取较为纯净的波形；最后，提取心脏收缩与扩张的周期进行血压预测。

1.1 FMCW雷达基本原理

FMCW雷达发射信号的频率随时间线性增长。设从发射到接收信号间隔时间为τ0，那么：

其中，d为雷达与物体的距离；c为光速。根据相似关系可知：

式中，fb为发射与反射频率之差；B为线性调频脉冲带宽；τs为调频脉冲周期的一半，可推出：

目标到每根接收天线的差分距离Δd导致信号的快速傅里叶变换（fast Fourier transform，FFT）峰值发生相位变化，其关系为：

式中，Δφ为相位变化量；λ为波长。若接收天线间的距离为D，则Δd=Dsinθ，根据式(4)可推导出方位角为：

胸部运动主要取决于心跳和呼吸：

其中，d1表示天线到胸部的距离；f1表示呼吸频率；φb1表示胸部呼吸的相位；ρh(t)表示心脏振动脉冲信号；表示振动幅度。

1.2 基于心率引导的脉搏波提取

对接收到的FMCW雷达信号，在距离维度和虚拟天线维度进行快速傅里叶变换（fast Fourier transform,FFT），得到距离-方位角图。提取距离-方位角图中能量最大单元(r0,a0)所对应的相位信号即为来自目标胸膛的生命体征信号。为进一步分离呼吸、心跳信号，对该信号做VMD分解。VMD分解是一种自适应的信号处理方法，核心是构建与求解变分问题，具体如式(7)所示：

在此基础上，由于难以直接确定更精确的脉搏波信号所在位置，以(r0,a0)为中心，划定胸膛回波的有效区域（region of interests,RoI），满足条件：

人体的前胸宽度约50cm，厚度约10～15 cm，为覆盖人体厚度，并考虑雷达放置在人体前约15 cm，因此选取在此基础上，以心跳占比为依据提取目标脉搏波波形。对RoI内每条相位信号做FFT，得到对应频谱，并计算心跳频率所占能量占频谱总能量的比值ratio，即为：

在呼吸、身体微动的干扰下，所提取的脉搏波信号可能依然存在部分畸变，因此，在进行血压估测前，需要进行运动干扰消除和环境杂波抑制。

1.3 基于心率辅助的运动干扰消除方法

如1.2节所述，VMD分解可将混叠信号分解为不同中心频率的子模态信号，因此，对所提取的脉搏波信号再进行VMD分解，得到一系列子信号。子信号包括心跳振动信号及其谐波，以及残余的呼吸振动信号、身体运动干扰。

在此基础上，以目标心率为依据，对得到的子信号进行筛选，对脉搏波进行恢复和优化，可以表示为：

式中，sp为纯净波形，u(i)为VMD分解后得到的第i个子模态信号，fi为第i个子信号的中心频率，fhr为目标心率。为了尽可能提取到心跳相关的全部子信号，选取=0.5 Hz。由此可得到纯净的脉搏波信号，基于血压数学模型，进一步提取波形特征，即可实现血压监测。

1.4 基于波形特征的血压映射

舒张压和收缩压可以表示为[11]：

式中，DBPes、PPes、SBPes分别为舒张压、脉压和收缩压的预测值。可以认为当胸部靠近雷达时，心脏扩张，雷达信号的相位增加；当胸部远离雷达时，心脏收缩，雷达信号的相位减少。则τf为心跳信号相位减少，即心脏收缩周期，T为波峰间的时差，即心脏跳动周期，β为系数，DBP0、PP0、τf0和T0为个性化参数。

2 结果

2.1 实验设置与评价指标

本实验测试场景如图2所示。使用FMCW（IWR1843BOOST）雷达采集数据。受试者坐在椅子上并平稳呼吸，雷达放置在胸前约15 cm处，与胸口齐平。受试者左臂有袖带式血压计作为结果对比和个性化参数设置，右手手指夹有美国食品和药物管理局（Food and Drug Administration,FDA）认证的血氧仪，作为心率参考值。15位20～50岁的受试者参与实验。每位分别进行10次数据采集，每次30 s，以长度为15 s，步进为5 s 的滑动窗口，将数据切分为3组，即每位有30组数据。血压计起始测量时间与信号采集开始时间一致。DBP0、PP0、τf0和T0分别取后10组测量的平均值，T和τf取15 s内的均值，预测前20组数据的血压值。

采用准确率和数据一致性分析两种评价指标。准确率计算式为：

式中，BPes为预测血压值；BPre为血压计示数。使用Bland-Altman图[14]分析方法是否具有一致性或可替代性。

2.2 实验结果与分析

我们统计了受试者经平滑处理的心率值，与血氧仪的心率值对比，准确率为94.47%，可见基于心率的波形优化方法和运动干扰消除是可信的。15位受试者的平均舒张压预测准确率为94.3%，平均收缩压预测准确率为94.4%。与文献[11]相比，舒张压和收缩压预测准确率分别提高了2.5%和3.2%。

针对所有受试者数据，我们分别以血压计测量出的舒张压和预测舒张压、血压计收缩压和预测收缩压绘制了Bland-Altman图，如图3所示。横轴为两种方法血压的平均值，纵轴为两种方法血压的差值，平均值即为差值的均值，±1.96SD所表示的虚线涵盖的区间即为95%一致性界限，SD为差值的标准差，当绝大多数差值落在95%一致性界限内，且其平均值接近于0时，即认为两种方法具有较好的一致性。在图3(a)中，舒张压图的95%一致性界限为[-10.5，10.3]，血压计舒张压与预测舒张压差值的绝大多数散点都落在该区间内，且均值为-0.1，图3(b)收缩压的Bland-Altman图同理，说明本研究所提方法与血压计测量具有较高的一致性。

3 结论

本研究提出了一种基于FMCW雷达的无接触血压测量方法，在15名受试者的数据实验中，平均收缩压和舒张压预测准确率分别为94.4%和94.3%。经Bland-Altman图分析，与血压计测量方法具有较高的一致性。未来将进一步修正测量精度，并在高血压心脏患者群进行测试推广。