雷达式非接触检测中呼吸和心跳信号分离算法的研究

张华，孙娜娜，张鹏飞，李盛，焦腾，张杨，吕昊，于霄，

马腾1，薛慧君1，路国华1，王健琪1

1.第四军医大学生物医学工程学院 电子学教研室，陕西 西安 710032；2.第四军医大学唐都医院 信息科，陕西西安 710038

雷达式非接触检测中呼吸和心跳信号分离算法的研究

张华1，孙娜娜2，张鹏飞1，李盛1，焦腾1，张杨1，吕昊1，于霄1，

马腾1，薛慧君1，路国华1，王健琪1

1.第四军医大学生物医学工程学院 电子学教研室，陕西 西安 710032；2.第四军医大学唐都医院 信息科，陕西西安 710038

为了有效地从生物雷达的体动信号中分离出呼吸和心跳信号，实现生理特征参数（呼吸率和心率）实时监测，本文在自适应噪声抵消模型的基础上，提取呼吸信号的谐波组合作为模型的参考输入，将生物雷达检测到的体动信号作为模型的原始输入，构建了一套适用于生物雷达检测中分离呼吸、心跳信号的自适应谐波抵消算法。仿真实验结果表明，该算法简单、易于实现，能够实时地分离呼吸和心跳信号。

生物雷达；自适应噪声抵消器；实时分离；呼吸信号；心跳信号；非接触检测

生命体征主要是指心率、呼吸、脉搏、血压等，是机体内在活动的客观反映，是衡量机体健康状况的客观指标，因此测量和监测生命体征具有重要的临床和实践意义。雷达式生命体征检测技术通过雷达发射电磁波照射人体，从接收的回波信号中提取生命信息。鉴于该技术可以非接触、远距离穿透障碍物，在生命体征检测领域受到越来越多的关注[1-4]。

1976 年 5 月，Franks 等 人[5]发 表 了 题 为 非 接 触 式婴儿呼吸监测的论文，首次采用雷达来检测人体的生理参数。2004 年有研究报道，瑞士的 Florian Michahelles、Ramon Wicki等人在生物雷达检测人体生命参数方面进行 了 比 较 深 入 的 研 究[6]。 但 当 受 检 对 象 自 由 呼 吸 时 ， 该检测系统无法准确检测出心跳信号。华东师范大学信息学院的尹秋艳等人建立了用微波频谱分析仪检测人体心跳 信 号 的 雷 达 检 测 系 统[7]。 但 检 测 信 号 受 到 呼 吸 运 动 干扰，并未实现呼吸与心跳信息的分离检测，仅能在被测对象屏住呼吸的情况下对人体心跳信息进行分析。本课题组前期研究者对生物雷达回波信号进行了分析，并对检测呼吸信号与心跳信号的分离算法进行了探索。王海滨[8]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[9]采用同态滤波和小波变换进行信号处理。同态滤波时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。而小波变换更适用于时变和突变信号的消噪，但算法复杂，实时性差，滤波效果不好[10]。

基于生物雷达的非接触检测系统关注的是雷达回波信号中携带的由于呼吸、心跳等生理运动引起的胸廓微动信息，当实验对象自由呼吸时，由呼吸引起的体表微动幅度较大，信号能量较强；心跳信号引起的微动幅度较小，信号的能量相对更加微弱。通过对回波信号进行频谱分析发现，在频谱上呼吸信号和心跳信号的频率有重叠，因此很难从回波信号中简单地将呼吸和心跳信号分离开来。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，并进一步的分析心跳信号的参数特征，为临床监护提供可靠的依据。

由于自适应抵消不需要明确的信号、噪声的确定统计特性和假设的先验知识，逐渐发展成为信号成分评估的理想方法。自适应滤波依据自身输入的初试信号特性，自适应的跟随信号或噪声的特点变化输出期望的信号[11]。

本文提出了一种基于 LMS的自适应谐波抵消算法，依据非接触检测得到的回波信号，构建仿真模型。通过滤波处理，结果显示该方法能有效地分离出呼吸和心跳信号。

1 基于LMS的自适应谐波抵消算法原理与实现

1.1 自适应谐波抵消算法原理

算法原理如图 1 所示，第一路信号 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，采集到的信号与第一路信号没有相关性，但是会以某种方式与 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 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[12-13]。

图1 自适应噪声抵消器原理图

1.2 自适应谐波抵消算法组成

适应谐波抵消算法流程，见图 2.其算法说明如下 ：

（1）构造信号模型，依据课题组的先验知识设定呼吸、心跳信号的参数。

（2）通过算法以呼吸信号为基础设计得到呼吸信号谐波组合。

（3）由心跳信号、呼吸信号的谐波组合和噪声干扰叠加构造出混合的体动信号。

（4）编写基于 LMS 准则的自适应谐波抵消算法，区别与以往的 LMS自适应抵消算法。本课题将呼吸信号的谐波组合作为自适应滤波抵消器的参考输入，混合的体动信号作为原始信号输入，基于LMS准则滤波输出心跳信号。

（5）设定原始输入信号的信噪比为 SNR，经过滤波器后输出信号的信噪比为 SNR1，自适应谐波抵消算法信噪比提高为 SNRD。

图2 LMS自适应谐波抵消算法程序流程图

算法中信噪比的定义表达式，见公式 (1)～(3)。

定义输入信号信噪比 SNR 为 ：混合体动信号中，心跳信号的功率与呼吸信号谐波、噪声功率之和的比值；定义滤波输出心跳信号信噪比 SNR1为 ：输出信号中，心跳信号的功率值与输出信号总功率和心跳信号功之差的比值。信噪比变化SNRD 定义为 ：输入信噪比与输出信噪比的差值。

2 仿真实验结果

2.1 波形输出

2.1.1 构造信号模型（图3～5）

图3 呼吸谐波信号频谱图和对应的功率谱图示

图4 心跳信号频谱图和对应的功率谱图示

图5 混合体动信号频谱图和对应的功率谱图示

2.1.3 心跳信号滤波前后频谱对比分析（图6）

图6 滤波前后信号频谱图对比

2.2 仿真结果分析

从构造的信号模型可以看出，呼吸谐波信号组合包含呼吸的 15次谐波成分，且对应的功率谱中各频点能量随机分布。原始的心跳信号频率设定为 1 Hz 即心跳为 60 次 /min，对应的功率谱中该点处能量值最大。叠加了噪声和呼吸谐波组合之后的体动信号从频谱图中观察，其包含的频率成分复杂，此时心跳信号完全淹没在噪声干扰中，从频谱中无法识别。对应的功率谱也显示体动信号中各频点能量随机分布，无法分析心跳信号的能量值。由构造心跳信号、滤波前原始体动信号及滤波后输出心跳信号对比分析输出的信号频谱图所示，在 0.9962 Hz 处信号的幅值最大，即近似输出心跳信号为 60 次 /min，其余频点的信号幅值远远低于该值，明显的区别出心跳信号。从对应的功率谱分析能量，在 0.9962 Hz 处信号的能量值最大。经过滤波算法原始心跳信号与分离输出的心跳信号基本吻合。通过算法计算得到输入信号信噪比 SNR 为 -10.791dB，滤波输出心跳信号信噪比 SNR1 为 -5.448 dB，滤波前后对于心跳信号信噪比 SNRD 提高值为 5.3429 dB。

3 讨论

在非接触生物雷达监测系统中，关键问题是怎样分离呼吸和心跳信号，这将提供重要的健康信息。在良好的实验环境中，当实验对象保持静止，呼吸信号可以通过滤波处理从体动信号中分离出来。但由于呼吸和体表微动的干扰信号存在，且分析回波信号中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。

本文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，对滤波器的输入输出信号的频谱和功率谱进行对比分析，仿真结果较为理想，能够很好的从混合后受噪声干扰影响的体动信号中分离出心跳信号，可以应用于实验研究。但是由于自适应算法本身会产生噪声，所以滤波后输出心跳信号的频谱与原始输入心跳信号频谱对比，含有其他频率成分。但是这些频率成分对应的幅值和能量都远远小于心跳信号能量，且与心跳信号频谱不重叠，所以不影响心跳信号的分离识别，故该算法可行，可以应用于后续的实验研究。

[1] C G Caro,J A Bloice．Contactless apnoea detector based on radar[J]．Lancet,1971,30(2):959-961．

[2] Y Schutz,E Ravussin,R Diethelm,et al．Spontaneous physical activity measured by radar in obese and control subject studied in a respiration chamber[J]．Int J Obes,1982,(6):23-28．

[3] G Matthews,B Sudduth,M Burrow．A non-contact vital signs monitor[J]．Crit Rev Biomed Eng,2000,(28):173-178．

[4] M Uenoyama,T Matsui,K Yamada,et al．Non-contact respiratory monitoring system using a ceiling-attached microwave antenna[J]．Med Biol Eng Comput,2006,(44):835-840．

[5] C I Franks,B H Brown,D M Johnston．Contactless respiration monitoring of infants[J]．Med Bio Eng,1976,(14):306-312．

[6] Florian Michahelles,Ramon Wicki,Bernt Schiele．Less contact:heart-rate detection without even touching the user[A]．Eighth IEEE International Symposium on Wearable Computers Conference (ISWC)[C]．2004．

[7] 尹秋艳,樊明捷,黄勇．用微波频谱分析仪检测人体心动信号[A]．2003年全国微波毫米波会议论文集[C]．2003:1061-1064．

[8] 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):21-24．

[9] 杨冬．基于非接触生命参数检测系统的信号处理技术研究[D]．第四军医大学硕士学位论文,2004:38-52．

[10] 王元东．基于超宽谱生物雷达的非接触式生命特征信息提取技术研究[D]．第四军医大学硕士学位论文,2009:10-12．

[11] 张华,路国华,荆西京,王健琪,等．非接触生物雷达基于自适应滤波的心跳信号检测[J]．医疗卫生装备,2012,33(1):8-10．

[12] PAULO SR DINIZ．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] 何振亚．自适应信号处理[M]．北京:电子工业出版社,2006．

Study on the Algorithm for Separation of Heartbeat and Respiratory Signals Based on Radar Non-contact Detection

ZHANG Hua1, SUN Na-na2, ZHANG Peng-fei1, LI Sheng1, JIAO Teng1, ZHANG Yang1, LV Hao1, YU Xiao1, MA Teng1, XUE Hui-jun1, LU Guo-hua1, WANG Jian-qi1

1.Teaching and Research Section of Electronics, School of Biomedical Engineering, The Fourth Military Medical University, Xi'an Shanxi 710032, China; 2.Department of Information, Tangdu Hospital, The Fourth Military Medical University, Xi'an Shanxi 710038, China

In order to separate the breathing and heartbeat signals from biological radar effectively so that the physiological characteristic parameters (respiration rate and heart rate ) can be real-time monitored, this paper proposed a LMS adaptive harmonic cancellation algorithm by extracting the harmonic combination of the respiratory signals as reference input and the body motion signals detected by biological radar as original input based on adaptive noise canceller. Simulation results showed that breathing and heartbeat signals can be separated in real time with the proposed algorithm which is simple and easy to be implemented.

biological radar, adaptive noise canceller, real-time separation; breathing signals; heartbeat signals; non-contact detection

R318.04；R197.39

A

10.3969/j.issn.1674-1633.2013.11.003

1674-1633(2013)11-0009-03

2013-09-05

国家自然科学基金面上项目（61271102）

本文共同第一作者：张华，硕士，助理实验师；孙娜娜，在读硕士研究生。

王健琪，教授，博士研究生导师。路国华，副教授，硕士研究生导师。

作者邮箱：zhanghuajiayuan@163．com