生物雷达回波信号中的心跳信号分离和特征提取方法研究综述

乔嘉豪，石 丁，周国军，闫克丁，廖福元，吕 昊，焦 腾，王健琪，张 杨*

（1.空军军医大学军事生物医学工程学系，陕西省生物电磁检测与智能感知重点实验室，西安 710032；2.西安工业大学电子信息工程学院，西安 710021；3.海军大连舰艇学院，辽宁大连 116018）

0 引言

心跳是人体重要的生命体征，心跳信号的特征能够被用来进行疾病诊断和健康评估，例如心率变异性（heart rate variability，HRV）的降低与睡眠呼吸暂停[1]、急性心肌梗死[2]以及糖尿病神经病变[3]等疾病的发生存在一定的关联性，心脏收缩时间间隔（systolic time interval，STI）的变化与慢性肺动脉高压等疾病相关[4]。因此，心跳信号的检测和细节特征提取非常重要。

最常用的心跳信号测量方法是心电图（electrocardiograph，ECG）法[5]和光电容积脉搏波描记（photoplethysmograph，PPG）法[6]。这2种方法均属于接触式方法，测量时需清理检测部位并连接电极，带来了操作上的不便，也不适用于对电极或者传感器过敏的患者。随着雷达技术和生物医学工程技术的发展，二者逐渐融合形成了生物雷达技术[7-8]，该技术是将雷达技术和现代生物医学信号处理技术结合，以实现非接触、远距离穿透墙壁、废墟、木板、衣服等障碍物检测人体心跳、呼吸等生理信号的一种新技术。因具有非接触、可穿透的优点，生物雷达可以用于传染病、烧伤等不适合连接电极的患者以及地震等灾害发生后被掩埋伤员的心跳信号检测和疾病诊断[9-11]。

生物雷达检测心跳信号首先需要从生物雷达回波信号中分离出高质量的心跳信号。与ECG法和PPG法等接触式检测方法相比，非接触生物雷达设备检测灵敏度不高[12-13]，成为生物雷达检测心跳的一个难点。另外，呼吸引起的胸壁起伏和人体晃动产生的体动等通常大于心跳引起的起伏[14]，这些会对微弱心跳信号（亚毫米级别）的检测造成强干扰，因此研究怎样去除各种干扰并成功分离出心跳信号是本领域的一个热点问题。

分离出心跳信号后，对信号所包含的心率[15]、心率变异性、心音[16]、IQ星座图[17]、心脏运动编码[18]等生物特征的提取是下一步要解决的问题，这对心脏健康状况评估和疾病诊断具有重要意义。目前，生物雷达回波信号中的心跳信号特征提取研究大多集中在心率估计上，对心率以外其他特征的提取以及这些特征与心脏疾病的关联性研究较少，这从一定程度上限制了该技术的实际应用[9]。

本文对生物雷达回波信号中的心跳信号分离和特征提取方法研究现状进行综述，并对生物雷达回波信号中的心跳信号分离和特征提取技术未来的发展方向进行展望，对利用非接触生物雷达进行心脏健康评估和疾病诊断方面的研究具有借鉴意义。

1 生物雷达检测心跳信号原理

IQ正交生物雷达检测心跳信号原理如图1所示[19]，由振荡器产生源信号，分束器将其分为2路，一路为发射信号，一路为本振信号。发射信号通过功率放大器和生物雷达发射天线Tx辐射出去，从人体反射回来的生物雷达波被接收天线Rx接收，经低噪放大器放大后与本振信号混频得到I通道输出信号；与此同时，放大后的接收信号经90°移相形成另一路的正交接收信号，这一路信号与本振信号混频得到Q通道输出信号，对I/Q通道的信号进行解调处理可获得心跳、呼吸等信号。

图1 IQ正交生物雷达检测心跳信号原理图[19]

自20世纪70年代生物雷达技术出现以来，基于生物雷达的心跳、呼吸分离技术获得了长足发展，并取得较好的分离效果，但生物雷达回波信号中的心跳信号的特征提取研究较少，尤其是对生物雷达回波信号中的心跳信号细节特征提取以及这些特征与各种心脏疾病的关联性研究还处于起步阶段[9]。

2 生物雷达回波信号中的心跳信号分离方法研究

生物雷达接收的回波信号中主要包含心跳、呼吸、体动、呼吸谐波、噪声等成分，因此首先要从中去除呼吸、体动、呼吸谐波、噪声等干扰，分离出干净的心跳信号。本文主要根据干扰特点不同，对基于不同尺度的几类干扰去除方法进行综述，包括时域的分离方法（基于自适应滤波的分离方法）、时频尺度分解的分离方法（基于经验模态分解的分离方法）和非线性分离方法[基于人工神经网络（artificial neural network，ANN）的分离方法]。

2.1 时域的分离方法

研究人员最早基于时域特性开展心跳信号分离研究。2002年，Droitcour等[20]利用1～3 Hz的带通滤波器从生物雷达回波信号中分离得到心跳信号，但当某些特殊情况下如心率处于滤波器带外时，该方法失效。2003年，王海滨等[21]采用自适应最小均方（least mean square，LMS）算法从生物雷达回波信号中分离得到心跳信号，该方法计算简单，但对输入信号要求高、收敛速度慢。与LMS算法相比，自适应递归最小二乘（recursive least square，RLS）法可根据外部变化自动调整参数，能够很好地处理随机性强、非平稳的生物医学信号。因此，2009年，王元东[22]选用包含心跳和呼吸信号的生物雷达回波信号作为原始输入，将屏住呼吸测得的信号（仅由心跳运动引起的信号）作为参考信号，采用RLS法成功分离出心跳信号。该方法具有较好的适应性，但对时间尺度相近的信号无法准确分离。

2.2 时频尺度分解的分离方法

随着信号处理技术的发展，基于时频尺度的信号分解方法被用来分离心跳信号。2014年，胡巍[23]采用集合经验模态分解（ensemble empirical mode decomposition，EEMD）方法从生物雷达回波信号中分离得到心跳信号，该方法将包含了呼吸、心跳信号以及它们各次谐波的信号分解为一系列内在模态函数，同时引入高斯白噪声解决模态混叠问题，最终实现心跳信号的分离。与自适应滤波方法相比，EEMD方法分离效果好、计算量小，但不足之处是引入了高斯白噪声。2018年，高磊[24]针对EEMD方法中引入高斯白噪声的问题展开研究，采用完备集合经验模态分解（complete ensemble empirical mode decomposition，CEEMD）方法解决了模态混叠和高斯白噪声干扰问题，从生物雷达回波信号中较好地分离出了心跳信号和呼吸信号。以上基于时频尺度分解的方法虽然收敛速度快且心跳信号分离效果优于自适应滤波方法，但在多种干扰（如系统噪声干扰、环境干扰、呼吸谐波干扰等）存在的情况下，其分离效果变差。

2.3 非线性分离方法

近年来，计算机硬件运算能力大幅提升，深度学习、人工智能技术快速发展，基于ANN的处理方法逐渐被用于生物雷达回波信号中的心跳信号分离，这类方法非线性拟合能力强，无需先验知识，可在多种干扰下取得非常好的心跳信号分离效果。目前，基于ANN的心跳信号分离方法主要包括卷积稀疏编码、前馈人工神经网络（feed forward artificial neural network，FFANN）、循环神经网络（recurrent neural networks，RNN）和深度神经网络（deep neural network，DNN）。

2019年，Wang等[25]先通过能量法从生物雷达回波信号中捕获待测目标，再将卷积稀疏编码用于生物雷达回波信号处理中，利用正交匹配追踪方法加速收敛，从而得到较高精度的心率信号。该方法具有较强的鲁棒性，可在强噪声背景下分离心跳信号并提取出心跳时域信号的局部细节特征，展现了生物雷达技术非接触检测并进行心脏运动状态评估的潜力。针对心脏跳动传导到体表的微动信号非常微弱易被身体晃动干扰淹没的难题，2019年，Gu等[26]利用DNN消除身体晃动干扰并从生物雷达回波信号中分离出高质量的心跳信号。2020年，瑞典隆德大学的研究人员[9]将心电信号作为ANN标签，利用生物雷达回波信号训练FFANN，再经过伪影消除、峰值检测等步骤分离出心跳信号。利用RNN在处理时间序列上的优势，2020年，Ye等[27]先采用长短期记忆（long-short term memory，LSTM）网络来获取生物雷达回波时频图中的特征信息，再通过k均值聚类、稀疏谱重构获得心跳信号。

目前，基于ANN的心跳信号分离技术已经取得较好的效果，并初步进行了应用尝试，但其不足之处是网络训练需要的数据量大，且数据需具有代表性，否则会降低网络的鲁棒性。

3 生物雷达回波信号中的心跳信号特征提取方法研究

现有的有关生物雷达回波信号中的心跳信号的特征分析主要集中在心率变异性分析方面。心率变异性分析是对心动周期变异情况的常规分析，可对心血管疾病起到一定的辅助诊断作用，但心率变异性分析无法看到心脏运动过程中心房、心室体积变化情况和细节特征（主要反映心室、心房体积变化在体表产生的微动），这些细节特征与心脏机械运动、心电信号特征波形之间的映射关系及背后的映射机理还需要进一步研究阐明，这对于利用生物雷达回波信号中的心跳信号进行疾病诊断非常重要。针对这些问题，研究人员进行了如下研究。

2013年，Aardal等[28]利用生物雷达使用相位估计方法和直流偏移抵消方法提取了心室射血和充盈等心脏活动的细节特征，这些特征可与同步采集的ECG信号特征对应。同年，Wang等[29]基于生物雷达通过八阶中值滤波、六阶多项式拟合的方法来抑制噪声、去除干扰，再采用微分交叉相乘（differentiate and cross-multiply，DACM）算法提取到与心房和心室收缩对应的2个几何特征点。这些研究表明生物雷达可以实时检测并提取心脏运动细节特征，但提取出的特征精细程度还不够，无法与ECG信号相比拟。

2017年，Lin等[18]在研究了心脏整体运动的几何特征后，利用不同人之间心跳特征细节的个体差异，采用自适应噪声消除技术抑制干扰，再采用微分反正切方法提取生物雷达回波信号中心跳信号的3个几何特征点（分别表征心室充盈期的结束和心房收缩期的开始、心房收缩期的结束和等容性心室收缩期的开始、心房收缩期的结束和心室舒张期的开始）来分析心脏运动特点，实现了基于生物雷达回波信号中的心跳信号的用户身份识别（如图2所示）。该方法可在一定距离外非接触、连续进行用户的实时身份识别，可大大增强身份识别系统的安全性和隐蔽性。虽然该研究提取了不错的心跳特征，但心房和心室运动之间准确的时延信息无法获取，需进一步深入研究。

图2 非接触式生物雷达捕捉到心脏运动并进行连续身份认证[18]

2019年，Gao等[19]采用基于半径校正的相位解调方法提取生物雷达回波信号中的心跳信号时域特征，发现心脏运动过程中生物雷达回波信号的IQ星座图是一个复杂的“开口”轮廓，而非圆弧轮廓，经过进一步特征提取和分析发现产生这种现象有2个原因：一是心房、心室构成的2个运动中心同时被生物雷达电磁波探测到；二是心房和心室的收缩和舒张之间有一定的时间延迟。该研究进一步揭示了心房、心室运动在生物雷达回波信号中的映射情况以及心房、心室两部分运动的先后顺序，证明生物雷达可以探测到心脏各部分运动时延等信息，这为生物雷达提取更多心动特征奠定了基础。

2020年，Dong等[17，30]提取到生物雷达回波信号中的心跳信号特征后，对疾病诊断进行了尝试。该研究首先采用频率为24 GHz的高分辨生物雷达从人体背面采集多普勒心动图（Doppler cardiogram，DCG）；随后采用随机样本一致性（random sample consensus，RSC）方法去除身体和手部运动引起的干扰，分离出高精度心跳信号，体表微动检出分辨力可达微米级别，可满足对心脏运动细节特征提取的要求；再通过心动周期中的心房、心室容积变化曲线将DCG与心电信号中的P波、QRS波和T波相对应，如图3所示[30]。该研究提取了生物雷达回波信号中心跳信号的5个特征点，并明确了各特征点在心动周期中的对应动作。这些特征点反映的是心房、心室的容积变化在胸部表面引起的起伏情况，所以DCG可以测得常规ECG无法发现的心脏运动相关的动力学信息，包括实时体积变化信息、速度变化信息和加速度变化信息等，丰富了心脏运动信号的细节特征种类。根据生物雷达回波信号中心跳信号的特征点随时间的变化情况可以判断与心室松弛相关的疾病，如法洛四联症等，如图4所示[17]。该研究为利用生物雷达进行心脏疾病非接触诊断提供了理论依据，对后续心脏疾病诊断生物雷达设备的研发奠定了技术基础。

图3 心电信号特征点与心房、心室体积变化特征点的对应关系[30]

图4 右心房和右心室容积随时间的变化[17]

4 存在的不足

生物雷达回波信号中的心跳信号分离和特征提取方法是该领域的一个研究热点，表现出很好的应用前景，如可用于法洛四联症[17]、心肌炎导致的左心室代偿性增大[31]等心脏疾病诊断，独居老人的非接触居家健康监测，用户连续身份识别等。但在展现出很好的应用前景的同时，该领域的研究还存在以下不足。

4.1 体动信号影响心跳信号的检出

体动信号指生物雷达检测到的人体运动或者肢体晃动信号，该信号的特点是幅度大、频带宽。相比于亚毫米级的心跳幅度，体动信号多在厘米甚至米级别，极易干扰甚至淹没心跳信号。此外，体动信号随机性大，频率从极低频到几十赫兹，其中与被测目标心跳频率相近的成分很难去除。

因此，运动中的人体心跳信号生物雷达检测是一个难题，解决好了可以大大促进生物雷达技术的实用性。随着非平稳信号处理技术和自适应技术的发展和成熟，越来越多的方法，如曲线拟合[32]、循环平稳分析[33]、基于延迟窗口的阈值去除[34]等被应用于体动干扰去除，心跳信号的分离效果将进一步得到提升。

4.2 呼吸谐波影响心跳信号的分离

正常人体的呼吸频率范围为0.27～0.33 Hz[35]，心跳频率范围为1～1.67 Hz[36]，因此，生物雷达回波信号中3～5次呼吸谐波的频率往往与心跳频率接近，对心跳信号的分离效果影响最大，尤其当某一次呼吸谐波与心跳频率非常接近时，此谐波干扰较难去除。

针对呼吸谐波的这些特点，可以考虑先通过相关性分析和遗传算法寻优对心跳信号定位再通过反馈陷波准确去除呼吸谐波，或者采用频域方法（如改进的EEMD）和非线性方法（如多尺度一维卷积神经网络）相结合的方法，通过一定量的样本训练，去除谐波干扰分离出心跳信号。

4.3 生物雷达回波信号中心跳特征波形的物理意义不清导致诊断应用受限

在心跳信号特征提取方面，随着生物雷达硬件技术和心跳信号分离和特征提取方法的发展，生物雷达检测的心跳信号越来越干净，包含的心动细节信息也越来越多，但是这些信号波形包含的物理意义、特征背后对应的心脏运动状态和疾病情况尚不完全清楚，这使得生物雷达技术在疾病诊断等方面的应用受到限制。

因此，生物雷达检测的心跳信号、心脏容积变化信号、心脏电信号的特征映射关系及背后映射机理还需要进一步深入研究，这些映射关系与映射机理对特征提取研究具有指导作用，可为将来的心脏疾病诊断提供理论基础。

5 结语

基于生物雷达的心跳信号分离和特征提取方法具有非接触、可穿透的优点，可从生物雷达回波信号中分离得到较干净的心跳信号，能够准确反映心率信息。通过特征提取方法可从中提取出心率变异性、波形几何特征点、心脏各部分运动延时等特征，这些特征可与心电信号的特征波形相对应，有些特征还包含了比心电信号更多的信息，有望应用于心脏疾病快速诊断、老年居家监护、用户身份认证等方面。

基于生物雷达的心跳信号分离和特征提取方法的深入研究和不断完善，将大大提高非接触心跳信号检测方法的准确性和设备的使用便利性，为烧伤患者、传染病患者、独居老人、灾后压埋人员的非接触心跳信号检测和伤病情评估奠定理论和技术基础。尤其是能够以很低的成本实现非接触、无约束、实时地人体心脏健康状况检测与评估，根据评估结果针对性做好疾病预防和保健工作，这对于降低心脏疾病发病率、促进国民健康水平、缓解我国因老龄化而造成的医疗资源紧张等方面具有非常重要的意义。