基于雷达信号的心跳时序状态检测方法

1.本发明涉及非接触式雷达检测体征技术领域，尤其是一种基于雷达信号的心跳时序状态检测方法。


背景技术：

2.非接触式雷达检测体征技术，由于不会给身体带来束缚感，适合有睡眠障碍、皮肤接触问题或婴幼儿的体征检测。基于雷达检测到的人体体征信号主要包含心跳信号和呼吸信号，由于心脏引起的胸腔起伏相较于呼吸运动变化较弱，心跳信号分量的分离容易受到呼吸信号分量的干扰。
3.现有技术中，专利(cn113440120a)公开了一种基于毫米波雷达的人员呼吸心跳检测方法，包括给出具体的雷达信号预处理方法和呼吸心跳的波形重建方法，波形重建的计算过程复杂，也无法实现对心跳时序状态的检测。专利(cn113951856a)公开了一种基于多普勒雷达的非接触式精确心跳检测方法，提取到的雷达信号经过马勒特算法和匹配算法滤波分离提取心脏信号，再经过ftpr-twv算法得到心跳频谱结果，但是没有给出减弱呼吸运动对心脏信号分离提取的方案，没有也提供具体有效的心脏时序状态和心跳间隔变化的估测方法。


技术实现要素：

4.针对现有技术的不足，本发明提供一种基于雷达信号的心跳时序状态检测方法，目的是实现雷达心跳信号精确分离，根据获得的心跳信号对心脏时序变化状态进行检测。
5.本发明采用的技术方案如下：
6.一种基于雷达信号的心跳时序状态检测方法，包括：
7.获取检测对象的包含有心跳信号和呼吸信号的基带i/q正交信号，同步采集检测对象的心电信号；
8.以心跳数学模型为依据对基带i/q正交信号进行处理，获得三条心跳信号特征波，所述心跳数学模型用于表征包含收缩和舒张两个主要谐波的只受心跳影响的雷达相位信号，所述三条心跳信号特征波可分别代表所述两个主要谐波及所述两个主要谐波的叠加波；
9.以所述三条心跳信号特征波为输入，以同步采集的心电信号的“q-r-s-t”波的波峰位置作为标签，训练循环神经网络学习模型，利用训练好的循环神经网络学习模型对无标签的雷达心跳信号特征波进行时序划分，实现心跳时序状态检测。
10.进一步技术方案为：
11.所述心跳数学模型根据雷达发射的高斯脉冲信号与雷达接收的只受心跳影响的雷达相位信号的心跳谐波相互调制而构建，数学表达式为：
12.13.式中，xh(t)是只受心跳影响的雷达相位信号，a1和a2分别是收缩和舒张两个主要谐波的主峰的幅值，和分别两个主峰的频率；和分别是两个主峰的相移；t为时间，b和c是常数。
14.所述以心跳数学模型为依据对基带i/q正交信号进行处理，获得三条心跳信号特征波，包括：
15.s1、对基带i/q正交信号进行预处理，获得心跳信号分量增强的相位差分信号；
16.s2、选取特定频率范围内的所述心跳信号分量增强的相位差分信号，对其采用双峰高斯模型计算滑动窗内的高斯加权平均值进行频谱拟合，每个滑动窗内拟合出两个中心频率，用于实现对所述两个主要谐波的主峰频率的拟合；
17.s3、以拟合所得频谱中的一系列谐波的频率为中心，对s1获得的所述心跳信号分量增强的相位差分信号进行滤波处理，得到一系列雷达相位分量信号，再将所述雷达相位分量信号进行归一化并计算香农熵，得到一系列香农熵信号；
18.s4、对所述一系列香农熵信号进行滤波处理，得到一系列心跳谐波增强的脉冲信号；
19.s5、对所述一系列心跳谐波增强的脉冲信号采用k均值聚类算法进行聚类，输出三个聚类中心即为所述三条心跳信号特征波。
20.以拟合所得频谱中的一系列谐波的频率为中心，对s1获得的所述心跳信号分量增强的相位差分信号进行滤波处理，包括：
21.采用零相带通滤波方法进行滤波，滤波范围为[w
c-δw，wc δw]，wc为所述一系列谐波的频率，δw为滤波范围半径。
[0022]
对所述一系列香农熵信号进行滤波处理，包括：
[0023]
分别使用矩形脉冲窗长度为t1和t2的零相滤波对香农熵信号进行平滑后再相减，t1和t2分别为根据一个心跳周期和一个呼吸周期得到的经验值。
[0024]
对基带i/q正交信号进行预处理，获得心跳信号分量增强的相位差分信号，包括：
[0025]
使用扩展微分交叉相乘算法计算所述基带i/q正交信号。
[0026]
所述特定频率范围远离心跳基础频率。
[0027]
所述基于雷达信号的心跳时序状态检测方法，还包括：检测所述三条心跳信号特征波的波峰位置，计算峰峰间隔，得到心跳间隔时间信息，获得心率的估测值。
[0028]
本发明的有益效果如下：
[0029]
本发明可采用提取的心跳信号基于机器学习方法进行心率和心脏状态变化的预测，以实现对心脏健康状况的准确评估。
[0030]
本发明在信号处理时以心跳数学模型为依据，通过双峰高斯拟合，可准确分离雷达心跳信号的谐波分量，从而精准提取心脏周期运动特征。
[0031]
本发明提出的心跳数学模型，准确描述了只受心跳影响的雷达信号中心脏规律性收缩和舒张运动信息，为针对呼吸加心跳影响的雷达信号的处理和心跳信号的分离提供了参处理依据。并且广泛适用于通过回波反射和相位调制检测人体心跳信号的非接触式雷达传感器及雷达信号类型。
[0032]
本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。
附图说明
[0033]
图1为本发明实施例的基于雷达信号的心跳时序状态检测方法的流程示意图。
[0034]
图2为本发明实施例的以心跳数学模型为依据对基带i/q正交信号进行处理获得三条心跳信号特征波的流程示意图。
[0035]
图3为本发明实施例的雷达检测人体体征的原理示意图。
[0036]
图4为本发明实施例所获得的三条心跳信号特征波示意图。
[0037]
图5为本发明实施例以三条心跳信号特征波作为输入的lstm模型预测示意图。
具体实施方式
[0038]
以下结合附图说明本发明的具体实施方式。
[0039]
参见图1，本实施例的一种基于雷达信号的心跳时序状态检测方法，包括：
[0040]
获取检测对象的包含有心跳信号和呼吸信号的基带i/q正交信号，同步采集检测对象的心电信号；
[0041]
以心跳数学模型为依据对基带i/q正交信号进行处理，获得三条心跳信号特征波，所述心跳数学模型用于表征包含有收缩和舒张两个主要谐波的只受心跳影响的雷达相位信号，所述三条心跳信号特征波可分别代表所述两个主要谐波及所述两个主要谐波的叠加波；
[0042]
以所述三条心跳信号特征波为输入，以同步采集的心电信号的“q-r-s-t”波的波峰位置作为标签，训练循环神经网络学习模型，利用训练好的循环神经网络学习模型对无标签的雷达心跳信号特征波进行时序划分，实现心跳时序状态检测；
[0043]
参见图2，所述以心跳数学模型为依据对基带i/q正交信号进行处理，获得三条心跳信号特征波，包括：
[0044]
s1、对基带i/q正交信号进行预处理，获得心跳信号分量增强的相位差分信号；
[0045]
s2、选取特定频率范围内的所述心跳信号分量增强的相位差分信号，对其采用双峰高斯模型计算滑动窗内的高斯加权平均值进行频谱拟合，每个滑动窗内拟合出两个中心频率，用于实现对所述两个主要谐波的主峰频率的拟合；
[0046]
s3、以拟合所得频谱中的一系列谐波的频率为中心，对s1获得的所述心跳信号分量增强的相位差分信号进行滤波处理，得到一系列(将会包含可能的心跳谐波信号)雷达相位分量信号，再将所述雷达相位分量信号进行归一化并计算香农熵，得到一系列香农熵信号；
[0047]
s4、对所述一系列香农熵信号进行滤波处理，得到一系列心跳谐波增强的脉冲信号；
[0048]
s5、对所述一系列心跳谐波增强的脉冲信号采用k均值聚类算法进行聚类，输出三个聚类中心即为所述三条心跳信号特征波。
[0049]
上述实施例中，所述心跳数学模型根据雷达发射的高斯脉冲信号与雷达接收的只受心跳影响的雷达相位信号的心跳谐波相互调制而构建，数学表达式为：
[0050]
[0051]
上式中，t为时间，xh(t)是只受心跳影响的雷达相位信号，f0是心率；k只受心跳影响的雷达相位信号的心跳谐波次数；k
min
、k
max
分别是3-40hz的频率范围内的最小和最大谐波等级，ak和θk分别是心跳谐波分量的幅值和相移，b和c是常数。
[0052]
根据香农熵计算分析，心跳谐波分量包含收缩和舒张两个主峰，上式可进一步简化为：
[0053][0054]
上式中，a1和a2分别是收缩和舒张两个主要谐波的主峰的幅值，和分别两个主峰的频率，和分别是两个主峰的相移。
[0055]
本实施例的心跳数学模型是根据理想情况下只受心跳运动影响的雷达相位信号进行分析而获得，通过对两个主峰的频率、相移和幅值进行描述，可准确反应出心脏一个周期由心房和心室的规律性收缩和舒张运动。该心跳数学模型可广泛适用于对通过回波反射和相位调制检测人体心跳信号的非接触式雷达传感器获得的信号进行描述。
[0056]
在对如图3所示的实际情况下同时受心跳运动和呼吸运动影响的雷达相位信号进行处理时，将呼吸信号分离后，根据心跳数学模型的描述，通过步骤s2对剩余信号进行有目的频谱拟合，将其向着每周期包含两个谐波主峰的形式去拟合，以期后续能准确筛选出与数学模型对应的两个主峰频率。用拟合获得的中心频率对步骤s1获得的心跳信号分量增强的相位差分信号进行滤波，并通过步骤s3归一化和香农熵计算即基本将呼吸运动等干扰信号进行了去除，较准确地分离出了心跳信号。为了获得完整的可作为机器学习模型输入数据的心跳律动特征，通过步骤s4将信号处理成脉冲形式，通过步骤s5将这些脉冲信号进行聚类。本领域技术人员可以理解，具有同频特征的脉冲信号被划分为一类，由于经过了步骤s2的处理，脉冲信号当中靠近所述两个主要谐波主峰对应的频率的信号会分别以该主峰频率为中心聚类，剩余的信号则会以两个主要谐波叠加信号的主频为中心聚类，即聚类算法可根据波形的频率和波峰位置将所有脉冲信号分为三类进而获得三条心跳信号特征波，如图4所示。
[0057]
由于人体的心电信号呈现出“q-r-s-t”波的特征，将获得的三条心跳信号特征波与同步采集的心电信号的对比可以发现，三条心跳信号特征波的波峰位置与“q-r-s-t”波中“r峰”、“t峰”、以及“t波结束”的位置基本上相对应，说明本实施例处理获得的心跳信号是比较准确的。
[0058]
如上述实施例所述，以三条心跳信号特征波为输入，以同步采集的心电信号的“q-r-s-t”波的波峰位置(即“r峰”、“t峰”、以及“t波结束”)作为标签，训练循环神经网络学习模型，将无标签的雷达心跳信号特征波输入训练好的循环神经网络学习模型中，输出打标签的(标记波峰位置及记录了舒张和收缩周期)的心跳特征波，即获得对无标签的雷达心跳信号特征波的时序划分，从而实现心跳时序状态检测。
[0059]
上述实施例一种基于雷达信号的心跳时序状态检测方法，可无监督学习提取心跳间隔变化，包括：检测所述三条心跳信号特征波的波峰位置，计算峰峰间隔，得到心跳间隔时间信息，获得心率的估测值。
[0060]
具体的，通过计算每次心跳发生的峰值位置，并进行差分得到两次心跳峰值的间隔，依据心跳间隔，实现心率估测。
[0061]
上述实施例中，步骤s1优选采用扩展微分交叉相乘算法对基带i/q正交信号进行预处理，获得包含心跳和呼吸信息的、心跳信号分量增强的相位差分信号。
[0062]
一般来说，由心跳和呼吸运动引起的胸腔位移与雷达相位变化成正比。虽然可通过反正切计算i/q正交信号得到相位信号，但是通过扩展微分交叉相乘算法计算相位差分信号可进一步突出心跳运动变化的细节，并减少呼吸信号的干扰。
[0063]
上述实施例中，步骤s2中所述的特定频率范围远离心跳基础频率。
[0064]
由于心跳基础频率(1hz～2.5hz)容易受呼吸信号基频及其谐波的干扰，无法准确分离。因此选择3hz～40hz的特定频率范围内的相位差分信号进行单边谱分析。使用双峰高斯模型拟合滑动窗内的频谱信号，滑动窗的窗长优选为5hz，步长为2hz。
[0065]
上述实施例中，步骤s3中以拟合所得频谱中的一系列谐波的频率为中心，具体采用零相带通滤波方法对s1获得的所述心跳信号分量增强的相位差分信号进行滤波处理，滤波范围为[w
c-δw，wc δw]，wc为所述一系列谐波的频率，δw为滤波范围半径。
[0066]
因为谐波频率一般是基础频率的整数倍，因此本实施例的滤波范围半径δw取值范围约为一个心跳基础频率，根据经验法可取值为1.2hz再进行微调。
[0067]
上述实施例中，步骤s4中对所述一系列香农熵信号进行滤波处理，包括：分别使用矩形脉冲窗长度为t1和t2的零相滤波对香农熵信号进行平滑后再相减，t1和t2分别为根据一个心跳周期和一个呼吸周期得到的经验值。
[0068]
本实施例t1和t2具体可分别取0.4s和1.5s。
[0069]
上述实施例中，步骤s5中聚类距离为pearson相关系数。
[0070]
上述实施例中，循环神经网络具体可采用lstm模型。
[0071]
如图5所示，为使用lstm模型进行训练的示意图的，通过聚类得到的三个心跳信号波作为输入特征，使用同步采集的心电信号的波峰位置作为标签。标签可表征心脏周期舒张和收缩。图中x
1，tn
、x
2，tn
、x
3，tn
分别表示三个心跳信号波对应时间节点n的信号值。
[0072]
进行循环神经网络学习模型训练时，学习率最初设置为0.01，每两个epoch更新一次。所有模型都有30个训练迭代。可根据信号采样频率设置容差窗口长度。对于同一个受试者，训练集与测试集的比例为7：3。若受试者收集到的训练数据量较少，可在其他受试者的模型基础上进行微调训练，再用于后续的心脏周期状态检测。
[0073]
本发明可采用提取的心跳信号基于机器学习方法进行心率和心脏状态变化的预测，可实现对心脏健康状况的准确评估。
[0074]
本领域普通技术人员可以理解：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。