基于RFID标签阵列的睡眠期间呼吸量连续监测系统

徐晓翔，常相茂，陈方进

（南京航空航天大学计算机科学与技术学院，南京211106）

（∗通信作者电子邮箱xuxiaoxiang@nuaa.edu.cn）

0 引言

呼吸是衡量人体健康的一项重要指标，可用于跟踪和诊断许多医疗领域的疾病，例如睡眠、肺病学和心脏病学［1］。此外，准确的呼吸监测还可以提供有关个人心理状态和生理状况的有用线索。

睡眠场景下对人体呼吸量进行持续监测具有重要意义。呼吸量可用于推断人的睡眠状态：轻度、深度或者是快速动眼（Rapid Eye Movement，REM）睡眠，进而用于评估用户的睡眠质量，睡眠质量的优劣将直接影响到人的生产力和精神状态［1］。睡眠监测系统能够实现持续不间断的用户睡眠状态评估，并为用户提供一些隐性疾病的诊断线索与改善睡眠习惯的建议［2］。此外，诊断呼吸障碍和睡眠呼吸暂停综合症必须在睡眠期间对呼吸量进行连续监测。

传统的呼吸量监测方法需要用户穿戴呼吸带或者是鼻插管入眠，数小时佩戴这类设备会对用户造成严重干扰并且由于用户睡眠期间睡姿的切换极易发生连接线脱落、对设备造成损坏等情况。近期基于WIFI技术的睡眠监测方法［3-6］实现了在没有任何传感器的情况下对呼吸频率进行监测。其他的非接触式方法利用Kinect体感相机［7］、呼吸音频［8-9］、射频信号（Radio Frequency，RF）［1］等技术来实现对呼吸频率的监测，然而上述的非接触式方法主要针对呼吸频率的监测，并没有实现对呼吸量的监测。虽然呼吸频率也是人体的一项重要指标，但在很多应用中无法取代呼吸量的作用，如临床呼吸照护、阻塞性气道疾病（如哮喘和慢性阻塞性肺病）诊断。

近期一些关注呼吸量的研究包括：Nguyen等［10］通过分析运动引起定向无线电信号的细微相位变化，重建微小的胸部和腹部运动，基于神经网络来建立呼吸量与胸腹部运动之间的映射关系，进而评估用户的呼吸量；Oh等［11］提出了使用深度摄像机结合水平集分割法区分呼吸相关区域，再从胸壁形态变化上推算人体呼吸量的方法；Lee等［12］则评估了多普勒雷达实现呼吸量监测的可行性。然而上述文献中的方法多数需要特殊设备在严格的实验要求下进行实验，对于实验期间用户肢体的活动没有提出轻量且合理的应对措施。

本文提出了一种基于无线射频识别（Radio Frequency IDentification，RFID）标签阵列的非接触式连续监测用户睡眠状态下呼吸量的系统。如图1所示在用户胸部区域和肩膀处分别附着RFID标签阵列，用户平躺于双天线下方1～2 m处进行呼吸量监测。首先阅读器连续询问标签并获得其当前位置报告的相位值，附着在胸部的标签所反馈的相位流经过预处理后可推导出单次呼气、吸气阶段内胸部区域标签的位移量。用户肩膀处双参考标签的相位流保持相对稳定期间，胸部区域标签位移量的计算才能视为有效，即用户保持当前睡姿到切换下一睡姿的时间段内。接着利用双参考标签计算出当前睡姿维持的时间段内胸部平面和天线所在平面的夹角来还原真实的胸部标签位移。最后，利用广义回归神经网络（General Regression Neural Network，GRNN）建立胸部位移量与呼吸量之间的关系模型。

图1 实验场景设置Fig.1 Experimental scenesetting

1 相位值

RFID标签从阅读器发射的射频场中获取能量，并利用反向散射耦合方式完成从标签到阅读器的数据传输。阅读器连续询问射频区域内的标签并报告每个成功识别标签的相位值［13-14］。如图2所示，假设天线与标签之间的距离为d，无线电波在阅读器天线和标签之间来回传播时，其传播的总距离为2d。那么阅读器输出标签于当前位置的相位值如下：

其中：λ是波长；c是恒定的相位偏移，仅与天线硬件和标签电路有关；ϕT、ϕR、ϕTag分别表示由天线发射电路，天线接收电路以及标签反射特性造成的额外相位旋转。在反向散射通信的过程中，电磁波每传播λ/2的距离相位值旋转2π弧度，当阅读器成功检测到标签时会输出相应的相位估计值，具体取决于各个天线和信道。典型的超高频（Ultra High Frequency，UHF）读取器有16个信道，分别工作在920～926 MHz ISM（Industrial Scientific Medical）频段。因此，理论上相位分辨率可以达到0.001 5弧度，从而提供320 mm*0.001 5（/4×3.14）=0.038 mm 的测距分辨率［13，15］。这种超高分辨率使相位值成为测量用户睡眠过程中胸部微小位移量的绝佳指标。

图2 相位示意图Fig.2 Schematic diagram of phase

2 RF-SLEEP系统

RF-SLEEP包括阅读器和多个RFID标签阵列，标签阵列附着在用户身体表面或是衣物表面，可以有效应对睡眠场景下的弱光条件以及棉织物阻隔。本文利用RF-SLEEP中3个重要组成模块来评估用户睡眠过程中的呼吸量，即胸部位移提取、胸部位移误差消除以及广义回归神经网络。

2.1 胸部位移提取

为了提取用户睡眠期间胸部的位移量，首先对采集到的原始相位流数据进行快速傅里叶变换（Fast Fourier Transform，FFT）分析其频谱分布。图3显示了FFT后的结果，可以观察到频谱的分布主要集中在0.3 Hz附近。

图3 相位数据频谱分布Fig.3 Phase data spectrum distribution

健康人休息时的典型呼吸率约为每分钟12～20次呼吸，一般低于每分钟40次呼吸［16］。通过对原始相位数据流应用巴特沃斯5阶低通滤波器［17］，根据FFT频谱分布以及人体呼吸的先验知识将其通带频率设置为0.4 Hz，阻带设置为0.6 Hz。图4绘制了滤波前后的呼吸信号，可以观察到噪声被成功滤除，提取的信号呈现出明显的趋势。最后利用公式来计算出呼吸过程中胸部不同区域标签的位移量，具体如下：

其中：d是胸部单点的位移量，λ为波长，ϕcrest和ϕtrough分别代表数据流中相邻的波峰和波谷对应的相位值。由于人体正常呼吸过程中胸部的位移小于λ/2（约为16 cm），故ϕcrest和ϕtrough的值的范围在0～2π。

2.2 胸部位移误差消除

鉴于睡眠场景下多路径效应以及环境干扰等因素较弱，经过预处理后胸部位移估计的误差主要来自于用户睡眠期间改变睡姿后胸部平面与天线所在平面形成的夹角。具体可描述为用户在睡眠期间会无意识地改变其睡姿，这无疑会导致用户胸部平面和天线之间形成一个固定的夹角，这个夹角会对当前睡姿转换到下一个睡姿这个时间段内胸部呼吸的位移估算造成一个持续的误差，所以实时并准确地获取用户在睡眠状态下胸部平面和天线平面之间的夹角对于呼吸量的准确评估至关重要。

图4 原始和滤波后的相位数据Fig.4 Original and filtered phasedata

2.2.1 标签到达角推导

为了实现睡眠场景下对用户胸部平面和天线平面之间的夹角进行检测，首先需要利用双天线来实现对单个标签到达角的测量。如图5所示，当天线O1、O2询问标签A时可以获得两个相位值ϕ（A，O1）和ϕ（A，O2），那么由两个天线收集到的同一标签的相位差ΔϕA可以表示为：

其中Δϕ0是由于两个天线硬件引起的相位差。因为两个天线在硬件上不可能完全相同，所以Δϕ0需要进行校准。由式（1）可知天线硬件造成的相位旋转可以视为一个常量，所以校准是可行的。此外通过式（1）可知，RFID的相位值与天线和标签之间的距离呈线性比例关系，因此可以获得标签A到两个天线O1、O2的距离差Δd，其可表示为：

为了计算标签A相对O2点的到达角θa2，根据文献［18］中的分析标签A相对于两个天线的距离差Δd可以近似为O1O2即天线O1与O2中心点之间的间距与cosθa1之积，并且标签A到天线平面的垂直距离远大于MO2，可推导出θa2≈θa1，所以可以进一步推导cosθa2为：

图5 标签到达角计算Fig.5 Calculation of tagarrival angle

2.2.2 双参考标签与天线所在平面夹角

基于上述双天线测量单个标签到达角的方法，可计算出θA、θB的值即A、B标签的到达角。为了便于分析，选取其中一个天线作为基准来进行后续的推理与计算。如图6中所示A，B为附着在用户肩膀附近的两个参考标签，它们之间的距离AB为定值且已知。BD的长度可以通过如下公式求出：

其中：λ代表波长；ϕA和ϕB分别代表A、B参考标签于当前位置测量得到的相位值。AB和AD所夹的角度θ2以及双参考标签所在胸部平面和天线平面所形成的夹角θ3可以通过公式进行计算获得，具体如下：

图6 双参考标签与天线平面之间的夹角计算Fig.6 Calculation of anglebetween double referencetagsand antennaplane

2.2.3 胸部位移复原

在获取到胸部平面与天线平面所形成的夹角θ3后，选取附着在胸部的标签C且θC、θF均小于直角的情况作为分析对象，其余情况可由此类推。如图7中所示C标签的真实位移为CF，FG则为胸部位移提取阶段计算的位移量。θF、θC分别对应胸部标签于F点和C点处的到达角，可由2.2.1节中分析得到。那么由图7中的几何关系，可以推导出：

通过计算出θ0和θ1的值，可以进一步推算出胸部真实位移CF与相位流中提取的胸部位移FG之间的关系如下：

其中：ϕF、ϕC分别为标签于F点和C点时的相位值。

图7 胸部位移复原Fig.7 Recovery of chest displacement

2.3 广义回归神经网络

为了得出用户睡眠期间胸部位移量和呼吸量之间的关系，本文使用广义回归神经网络（GRNN）来建立模型，其结构如图8所示。

图8 广义回归神经网络结构Fig.8 Structure of generalized regression neural network

如图8中所示，GRNN结构分为4层：输入层、模式层、求和层以及输出层。输入层神经元数目等于输入向量X=[x1，x2，…，xm]的维数m，模式层神经元的数目等于学习样本的数量n，每个神经元都对应不同的样本记作X i，模式层中神经元传递的函数为：

其中：σ为光滑因子，它决定预测值与所有样本因变量之间的拟合程度。求和层则使用了两种类型的神经元进行求和，其传递函数分别为：

其中SD对所有模式层神经元的输出直接进行求和，而SNj则是对模式层中的神经元进行加权求和，yij为其权值。输出层中的神经元数目等于输出样本Y=[y1，y2，…，yk]的维数k，各神经元将求和层的输出相除，第j个神经元的输出yj如下：

本文随机选取实验数据集中80%的数据作为训练集，即用户睡眠期间的胸部位移数据以及呼吸量真值作为GRNN的训练输入、输出样本，剩余的20%作为验证集。为了增强模型的鲁棒性，使用K折交叉验证将训练集细分为K个不相交的子集，将每个子集分别作为一次验证子集，其余的K-1组作为训练子集。此外，交叉验证的过程中在[0.1，2]的区间内以0.1的梯度循环递增σ光滑因子，以确保求解出最佳的光滑因子使得模型在验证子集上的均方根误差（Root Mean Squared Error，RMSE）收敛到最小。得到最佳的模型后，在验证集上评估模型预测结果与实际值之间的误差比。

3 实验结果及分析

3.1 实验设置

系统原型使用商用现货（Commercial Off-The-Shelf，COTS）RFID设备实现，无需任何硬件修改。本系统原型采用配备Laird S9028PCRNF天线（9 dBi）的Impinj Speedway R420 RFID阅读器。该阅读器的工作频率范围为902.75～927.25 MHz（50个载波频率），发射功率为24 dBm，灵敏度为-80 dBm。标签的类型是Alien-9654（长96.5 mm、宽23.2 mm）。本文基于底层读写器协议（Low Level Reader Protocol，LLRP）工具包实现系统原型来配置商品读取器并读取低级数据，然后使用Java配合实现相位流的数据收集与预处理和Matlab求解信号的滤波以及呼吸量。实验中使用的计算机配备Intel Core i7-4790 CPU 3.6 GHz和12 GB内存。

为了评估系统原型的表现，实验共招募了4名志愿者，志愿者在各种织物材料中穿着较为轻薄的T恤。在实验期间，各种数量的COTS标签附着在其布料上的不同区域（主要为胸腔前部的区域以及肩膀处）。本文使用肺活量计测量得来的结果作为实验的真值，为模型预测的呼吸量提供参照标准。

3.2 实验结果分析

为了验证RF-SLEEP的性能，本文用下列公式来衡量呼吸量测量的精确度：

其中：平均绝对百分比误差（Mean Absolute Percentage Error，MAPE）是模型评估的损失函数，对于预测数据与真实数据之间的相对误差有着非常直观的解释；Ai代表呼吸量的真值；Fi则代表呼吸量的预测值。

3.2.1 呼吸量估计的总体准确性

根据随机选取的不同验证集在各自训练集经过交叉验证后所求解出的最佳模型上的性能表现进行分组。如图9所示，RF-SLEEP可以以中位数从91.43%～93.65%的精确度估计用户睡眠过程中的呼吸量。此外，在没有参考标签的情况下，由于用户睡眠期间睡姿改变引起的误差未被消除使得RF-SLEEP的预测精度下降约16%左右。

图9 不同样本组下呼吸量预测的精确度Fig.9 Accuracy of respiratory volumeprediction in different samplegroups

3.2.2 胸部平面与天线所在平面夹角的影响

图10中评估了在用户胸部平面与天线所在平面成特定角度时的准确度。可以观察到在45°～90°区间内随着角度的增加系统的预测精度会有小幅度下降，具体原因如图11所示，当用户面向天线即角度为0°的情况，标签的读取率能维持在50 Hz左右。随着角度的增加读取率下降，当用户旋转至90°时，读取率下降至10 Hz，单位时间内获取到的数据量下降导致胸部位移的相位流提供的信息完整度下降，造成系统准确度降低。

图10 不同角度下的准确度Fig.10 Accuracy at different angles

3.2.3 用户与天线之间的距离的影响

图12中展示了天线与用户之间的距离对于RF-SLEEP系统呼吸量预测精度的影响。可以观察到用户与天线之间的距离在［1 m，2.5 m］的区间范围对于系统的性能几乎没有影响，准确度均保持在91%左右。

图11 不同角度下标签的读取率Fig.11 Read rate of tags at different angles

图12 不同距离的精确度Fig.12 Accuracy of different distances

4 结语

本文提出了一种基于RFID标签阵列连续监测用户睡眠期间呼吸量的系统，并设计了从RFID标签返回信号的相位数据流中恢复用户睡眠期间胸部位移的方法。此外，本文还提出了一种在用户肩膀附近附着双参考标签，消除用户睡眠期间翻转身体后胸部平面与天线所在平面形成的夹角对胸部位移计算造成误差的方法。实验结果表明，RF-SLEEP对不同用户睡眠期间的呼吸量连续监测的平均精确度可以达到92.49%。