模拟家庭监护的非接触呼吸和心跳信号分离实验研究

张 华，荆钧尧，李 盛，张鹏飞，于 宵，吕 昊，路国华，王健琪

(1.第四军医大学 生物医学工程学院，陕西 西安710032;2.西安电子工程研究所，陕西 西安710100)

生命体征主要包括呼吸、脉搏、血压、体温，医学上称为4大体征，它们是维持机体正常活动的支柱，是生命的基础，是反映人体健康状况的重要信息。常规的检测方法有接触式和非接触式两种:接触式需要依靠电极或传感器等采集信号，对人体产生束缚，在一些特殊的应用场景使用受限;非接触式检测是指不接触机体、隔一定距离、穿透一定介质，无约束的状态下借助探测媒介，获取生命体征，近年来在生物医学工程领域生理信号采集过程中受到越来越广泛的关注［1］。

自从上世纪70年代以来，基于生物雷达的非接触检测方法在生命信息参数的检测和监测方面已受到越来越多的关注［2－6］。1996年1月，文献［7］介绍了由美国斯坦福尼亚大学Lawrence Livermore National Laboratory(LLNL)研制的微功率脉冲雷达Micropower Impulse Radar(MIR)，能够检测到人体的呼吸和心跳信号，并采用距离门技术实现最大程度地抑制外界环境的干扰。2005年Yan－ming Xiao等［8］发表文章应用Ka波段的低功率雷达系统远程检测心肺体征微动，得到呼吸和心跳信号。2009年Morgan等［9］针对雷达式心肺体征监测技术提出了自适应噪声抵消的信号处理方法，该方法能够从测量的胸廓微动中分离出呼吸和心跳信号。但文章仅限于仿真模型，没有进行实测数据的分析。

本课题组前期针对生物雷达的呼吸和心跳信号的分离提取进行了探索。王海滨［10］采用自适应的处理方法将实验中提取的呼吸信号作为噪声参考信号，回波信号作为原始输入信号进行自适应滤波，从回波信号中检测出心跳波形，但是算法对噪声信号的相关性要求较高，滤波效果不理想。杨冬［11］采用同态滤波对回波信号进行处理，由于回波信号的成分不明确，无法对复倒谱界限进行明确的分析。岳宇［12］采用小波变换，由于该算法适用于时变和突变信号的消噪，算法复杂，实时性差，滤波效果不好。

本研究基于模拟家庭监护的雷达式非接触实验平台提出了LMS自适应谐波抵消的方法，将呼吸信号的谐波组合作为自适应滤波器的参考输入，针对检测信号进行分离。

1 基于LMS自适应谐波抵消算法

1.1 自适应噪声抵消模型

如图1所示第一路信号s在采集过程中受到噪声影响，在原始信号中叠加有不相关的噪声n0，由此s+n0构成了自适应噪声抵消器的原始输入信号。另一路信号采集过程中，采集到与第一路信号没有相关性，但是以某种方式与n0相关的n1(n0和n1的相关方式未知)构成自适应噪声抵消器的参考输入信号。将噪声n1经处理得到与n0相近的估计信号输出y，将y从原始输入信号中减去，得到系统对应的输出值s+n0－y即所关心的第一路信号值［13－14］。

图1 自适应噪声抵消器原理图

1.2 改进的LMS自适应谐波抵消算法

在自适应噪声抵消器的基础上，结合课题组前期探索，改进算法将呼吸信号的谐波组合作为自适应滤波器的参考输入信号，提出了基于LMS的自适应谐波抵消算法。

因为任意的周期振动函数f(x)，将其进行谐波分析，按傅里叶级数展开为

所以构造由呼吸引起的胸廓运动的模型为:

S(x，n，ω0)即呼吸信号的谐波组合，则

其中参数:ω0为呼吸信号的基波频率，lω0为l次谐波的频率，ai为［a1，a2，…，a2l+1］T的向量，a2l代表l次谐波的相位，a2l－1代表l次谐波的幅值，a2l+1代表l次谐波的直流分量。［a1，a2，…，a2l+1］T的向量由随机函数产生。L代表呼吸的谐波次数。

图2 LMS自适应谐波抵消算法框图

心跳信号引起的胸廓运动模型为

其中参数:φ0为心跳信号的频率，bi为［b1，b2，…，b2l+1］T的向量且由先验知识呼吸和心跳引起胸廓微动的幅值大小关系设定。

随机噪声模型:产生方差为1.25的随机白噪声noise。

构造体动信号模型为

将S(x，n，ω0)呼吸信号的谐波组合作为自适应滤波器的参考输入，将D(n)混合的体动信号作为自适应滤波器的原始输入，进行自适应谐波抵消，滤波器的输出信号设为h'，则

在基于LMS准则下自适应的调整滤波器的参数，使得ε2最小，则得到最佳的滤波后心跳信号输出h'。

2 模拟家庭监护的人体坐姿实验

2.1 实验雷达硬件系统

实验中非接触式生物雷达心肺体征检测与监测系统硬件实验平台包括雷达发射与接收模块、信号预处理模块、信号采集单元、信号处理显示模块。雷达的工作频率是35 GHz，发射功率为1 mW，雷达通过双向天线阵发射微波束，系统增益为17 dB。信号采集与控制单元应用美国Biopac公司生产的多导生理记录仪。

图3 非接触式生物雷达心肺体征检测与监测系统框图

2.2 实验设计

2.2.1 实验对象

研究中16名健康男性青年参与该次实验，实验对象的平均年龄为(24±4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。

2.2.2 实验呼吸和心跳信号采集过程

实验中实验对象坐姿，距离雷达检测与信号采集系统正前方4 m处，实验过程为深呼吸方式，深呼吸在实验对象的正前方放置一个钟表，设定每10 s呼吸一次。并告知实验对象在数据采集过程中尽量避免身体的晃动。

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。

2.3 实验结果与讨论

2.3.1 采集到的滤波前体动信号

图4 滤波前体动路信号时频域分析

2.3.2 经LMS自适应谐波抵消器滤波后输出心跳信号频谱图与同步采集的心电信号时频图

图5 滤波后得到心跳信号频谱图

图6 同步采集心电信号时、频图

输入体动信号波形有毛刺，在波形中叠加有高频干扰。输入信号的频域图显示在1.124 Hz处信号幅值最大，在1 Hz和1.6 Hz的位置同样显示幅值较大，同时信号的噪声干扰主要存在于1.5～4 Hz频率范围内。

经过自适应滤波器处理，滤波后时域信号原来叠加在体动信号上的毛刺效果得到平滑，时域波形周期性特征表现规律。频谱图中显示在1.124 Hz处幅值最大，且在1 Hz和1.6 Hz位置的干扰被抑制，则1.124 Hz处的能量相对增强。1.5～4 Hz频率范围内的噪声被减弱但依然存在。

同步采集的心电信号显示该实验对象的心率值为1.19 Hz，由此可以证实在滤波后输出信号频谱中1.124 Hz处为心跳信号。则表明通过该算法可以分离出心跳信号，计算的心率与心电信号的频率一致，且心跳信号以外的频率点信号幅值被减弱，但是频谱显示噪声依然存在。心跳信号与心电信号得到的频率有误差，误差为0.066 Hz。

3 结束语

非接触生物雷达监测系统，可以非接触的检测到人体生命体征，进一步得到信号的参数特征，可以为家庭监护及疾病的预防提供重要依据，及时地判断机体有无异常，客观地反映机体健康状况。由于呼吸和体表微动的干扰信号存在，对回波信号中体动路进行频谱分析显示呼吸信号的高次谐波和心跳信号存在混叠，所以心跳信号的分离成为技术难点。在课题组前期实验研究的基础上进一步的分析雷达的回波信号，其中在时域中由呼吸信号引起的胸廓微动幅度较大，对应的呼吸信号的能量较强;在频域中心跳信号的频谱与呼吸信号的谐波成分有重叠。因此很难通过简单的滤波等方法将呼吸信号和心跳有效地分离开。所以急需研究有效的信号分离算法，在强噪声背景下提取出被呼吸运动与体表微动回波信号压制和干扰的心跳信号。

由于自适应滤波对噪声和信号的统计特性没有明确要求，依据原始输入信号的初试特性，自适应的调整滤波器的参数设置，输出期望信号。文中将呼吸信号的高次谐波作为自适应滤波器的输入信号，提出了基于LMS自适应谐波抵消算法，设计了模拟家庭监护的实验，通过对实验采集的体动路信号进行自适应谐波抵消算法的处理，得到滤波后的信号，进行频谱分析，所得结果与同步采集的心电信号的频谱对应一致，且在该频率点处信号的能量最大，充分说明滤波后得到的信号为心跳信号，由滤波后信号频谱图显示其他频率点处的能量得到抑制。通过实验说明基于LMS自适应谐波抵消算法能够从雷达式非接触检测得到的体动信号中有效的分离出心跳信号，并得到对应的参数值。

［1］ 路国华，王健琪，荆西京，等.生物雷达技术的研究现状［J］.国外医学生物医学工程分册，2004，27(6):368－383.

［2］ALEXANDER M V，VICTOR M L.Data acquisition system for doppler radar vital vital－sign monitor［C］.Lyon:Conference of the IEEE EMBS，2007:2269－2272.

［3］WANSUREE M，NOAH M H，BYUNG K P.Feasibility of heart rate variability measurement from quadrature doppler radar using arctangent demodulation with dc offset compensation［C］.Lyon:Conference of the IEEE EMBS，2007:1643－1646.

［4］DUNG N，SHUHEI Y，BYUNG K P.Noise considerations for remote detection of life signs with microwave doppler radar［C］.Lyon:Conference of the IEEE EMBS，2007:1667－1670.

［5］IGOR I，TEH H T.UWB radar for patient monitoring［J］.IEEE Areospace and Electronic Systems Magazine，2008，27(8):11－18.

［6］NOAH H，ISAR M，VICTOR M L.Non－contact cardiopulmonary sensing with a baby monitor［C］.Lyon:Conference of the IEEE EMBS，2007:2300－2302.

［7］UCRL.Micropower Impulse Radar［R］.Science and Technology Review，1996:34－35.

［8］XIAO Yanming，LIN Jenshan.A Ka－band low power doppler radar system for remote detection of cardiopulmonary motion［C］.27th Annual International Conference of the Digital Object Identifier 2005，5:7151－7154.

［9］DENNIS R M，MICHAEL G Z.Novel signal processing techniques for Doppler radar［J］.Signal Processing，2009(89):45－66.

［10］王海滨，倪安胜，王健琪，等.LMS算法在非接触生命参数信号检测中的消噪应用［J］.中国医疗器械杂志，2003，27(1):368－383.

［11］杨冬，王健琪，荆西京，等.雷达式非接触生命参数检测系统中心跳信号提取方法研究［J］.医疗卫生装备，2005，26(8):20－21.

［12］岳宇.生物雷达检测技术中呼吸和心跳信号分离技术研究［D］.西安:第四军医大学，2007.

［13］何振亚.自适应信号处理［M］.北京:电子工业出版社，2006.

［14］PAULO S R D.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.