信道状态信息的生命体征检测算法

代婉婉，张 雷，薛 潘，史新国，梁 逍，丁恩杰

(1.中国矿业大学 a.信息与控制工程学院；b.物联网(感知矿山)研究中心，江苏 徐州 221008；2.徐州工程学院 信息工程学院(大数据学院)，江苏 徐州 221008；3.山东能源淄博矿业集团有限公司 信息中心，山东 淄博 225100)

0 引言

当前主流的临床医学检测方法包括肺活量计、二氧化碳测定法和阻抗呼吸描记法，但这些接触式检测方式很容易因设备滑落而导致测量误差。非接触式呼吸测量法可分为3类：基于雷达多普勒效应法[1]、热成像技术法[2]、机器视觉检测法[3]。但这3种方法分别会受环境频段、温度以及隐私性等限制，无法大范围使用。因此，急需研究一种非接触式的呼吸检测方式来弥补传统检测手段的不足，实现非侵入式生命体征检测。

在无线通信技术飞速发展的现代社会，人们开始关注无线通信的应用领域，并成功地将无线技术从通信领域转入感知领域，实现了基于无线感知的生命体征检测。2015年，文献[4]开发的UbiBreathe系统实现了利用无线保真(wireless fidelity，Wi-Fi)信号中的接收信号强度指示(received signal strength indication, RSSI)进行人体生命体征的检测。但是RSSI多为粗粒度信息，不够精确。而信道状态信息(channel state information, CSI)包含了更多细粒度信息，如CSI数据的幅值与相位信息，同时其对环境敏感度更高，适合呼吸检测[5]。文献[6]中Wi-Sleep利用CSI振幅信息，衡量睡眠状态下的人体呼吸状态，文献[7]进一步添加了对睡眠姿势的识别检测模块。文献[8]中WiRelax能够提供实时呼吸信息，并深入研究了呼吸持续的时间与深度。

虽然上述检测系统解决了环境敏感度高、鲁棒性低、隐私性等问题，但人体呼吸具有复杂性和多样性，不同病症的呼吸状态各有不同。因此，本文在研究呼吸频率检测算法的基础上进一步实现了呼吸状态的分类，对离群值滤除、改进阈值去噪以及去直流等预处理操作后的子载波进行挑选，通过交叉平移点算法提取呼吸频率。使用k邻近(k-nearest neighbor, KNN)、支持向量机(support vector machine, SVM)、反向传播(back propagation, BP)、卷积神经网络(convolutional neural network, CNN)实现呼吸状态分类，不仅解决了接触式检测方式的不适性问题，降低了成本，还提高了呼吸频率的识别精度，有助于高效而准确的医护救援。

1 信道状态信息

CSI是信号传输链路的信道描述，包括在通信链路中的信号衰减、散射等。在窄带平坦衰落信道[9]中，CSI的频域表示方式为：

y=Hx+n,

(1)

其中：x和y分别为传输和接收时的向量表示；H为信道矩阵；n为信道中的随机噪声。本文使用IEEE02.11.n标准协议和Intel 5300网卡[10]，并采用数字多载波调制方案正交频分复用(orthogonal frequency division multiplexing, OFDM)技术，以30个正交子载波携带信号的振幅与相位信息。

通过观察人体呼吸运动发现，整个呼吸过程由胸腔周期性的前后位移组成，扩张与收缩分别对应吸气和呼气阶段。在正常呼吸情况下，胸腔位移为4.2～12.0 mm。在本文中，通过将人体胸腔建模为前后收缩的半椭圆来表现CSI信号传输与人体呼吸之间的关系。如图1所示，CSI信号在从发射端到接收端的传输过程中，经人体胸腔反射造成了接收端接收信号的动态变化。在此过程中，胸腔前后位移Δd引起的信号反射路径最大不超过2Δd。

图1 无线信号与胸腔变化

文献[11]首次引入菲涅尔区模型作为无线电传播理论，开发了微小胸部位移技术。菲涅尔区几何示意图如图2所示，该模型是指以收发器为焦点的同心椭圆，假设P1、P2是两个具有一定高度的收发装置，对于给定的无线电波长λ，则对于椭圆上任意一点Q，均有式(2)所示关系：

图2 菲涅尔区几何示意图

|P1Qn|+|QnP2|-|P1P2|=nλ/2，

(2)

其中：n为菲涅尔区的个数。文献[11]指出超过70%的呼吸信号能量通过第一菲涅尔区域传输。

2 方法设计

本文设计的基于信道状态信息的生命体征检测算法主要由数据采集、信号预处理、呼吸频率提取和呼吸状态分类组成。图3为系统框图。通过使用商用Wi-Fi设备实现数据采集，并将微调驱动的通信主机装上Intel 5300网卡构成基于Wi-Fi的检测系统。由于直接采集到的CSI数据包含大量的环境噪声，无法直接进行数据分析，因此首先进行信号预处理获得较为清晰的CSI振幅信息。随后，挑选方差最大的子载波进行交叉平移点算法处理提取其呼吸频率。最后，通过对子载波进行特征提取并构建特征矩阵，用机器学习、深度学习算法实现3种呼吸状态分类。

图3 系统框图

2.1 信号预处理

2.1.1 离群值滤波

CSI信号在通信链路中由于环境、设备等复杂因素而产生信号的衰落[12]，使得振幅信息包含大量毛刺噪声即异常值，因此预处理的第一步为离群值滤波。本文采用Hampel滤波器[13]。该滤波器能够将落在闭合区间[μ-γσ,μ+γσ]之外的点自动识别为异常值并进行有效地去除。其中，μ为中值，σ为中值绝对偏差。根据实验应用设置，本文将γ设置为3。

2.1.2 去噪

滤除离群值后的信号仍含有因外界环境影响及自身个体差异所产生的噪声，且呼吸运动并非平稳信号，传统的时域或频域分析无法完全消除信号中的高频噪声，因此本文通过实验反复调节小波去噪的接近速度系数，使小波系数估计值无限接近真实值，从而实现传统阈值去噪算法的改进。该改进算法不仅滤除了无关噪声，且具有平滑信号的效果，还很好地保留了波峰波谷，这对于呼吸频率的提取至关重要。

在阈值去噪法[14]中，阈值函数关系着重构信号的连续性与精度，直接影响去噪效果。硬阈值函数在-λ和λ处是不连续的，因此容易出现伪吉布斯现象。软阈值是将低于某个阈值的特征值置零，虽然解决了硬阈值产生跳跃点、不具备平滑性等缺点，但是由于信号压缩而产生偏差，直接影响了信号重构后的效果。因此均不适用于本文系统。

为使阈值函数具有灵活性，本文采用开方法阈值函数。先考虑djk>0的情况，设

(3)

(4)

对于一般情况，有：

(5)

因此，该方法的函数表达式为：

(6)

(7)

其中：N为相应层小波系数的个数；σ为噪声方差。

实验设置数据的采集频率为100 Hz。已知正常人体的呼吸频率为0.167～0.667 Hz。在小波分解的过程中，分解层数与信噪分离效果、重构信号有密切的关系，根据奈奎斯特采样定理可得第8阶细节系数频段为0.19～0.38 Hz，符合常规的呼吸频段。因此本实验设置分解层数为8。

图4为原始信号去噪过程图，为了更加清晰地表现去噪效果，选取呼吸特征最明显的第25号子载波进行去噪处理，原始信号因采样频率误差、包边界检测误差、中心频率误差等因素呈现出嘈杂的特征，如图4a所示。经Hampel滤波器处理后，明显去除掉异常值，减小了环境及各种衰落造成的影响，如图4b所示。随后对信号进行小波阈值去噪处理，采用开方法阈值函数对信号进行8层分解与重构，明显去除掉高频噪声，并很好地保留了波峰波谷，呈现出周期性呼吸特征，如图4c所示。

图4 第25号子载波依次处理的振幅信息

2.1.3 去直流

去噪后的CSI 数据反映出呼吸引起的周期性波动，但仍包含大量的直流分量。本文选用最小二乘法去除直流分量。最小二乘法是一种数据处理工具，用于估计信号误差以及数据预测等操作。去除直流分量后的信号在计算呼吸频率时更易检测出信号的主频，且信号处理前后波形不变，仅在纵轴上进行上下平移。

2.2 呼吸频率提取

2.2.1 子载波选择

在数据传输时，每个数据流中包含30个子载波，每个子载波因含有不同噪声而呈现出各不相同的波形，为了减少数据处理的冗余度，本文通过挑选携带呼吸特征最多、噪声影响最小、呼吸周期性最明显的子载波来表征呼吸状态。通过计算子载波方差反映数据的差异程度，选择方差最大的子载波表征呼吸信号。图5表示了某数据包中30个子载波的方差，从图5中可得：第25号子载波的方差最大，因此在该数据包的分析中以第25号子载波信息来表征人体呼吸信息。

图5 子载波方差

2.2.2 交叉平移点算法

本文将处理后的子载波通过交叉平移点算法[16]进行呼吸频率估计。算法步骤如下：

步骤3：呼吸频率由数据长度与Cw计算而得：

(8)

其中：RR为呼吸频率(每分钟呼吸的次数)，bpm；Cw为信号平移前后的交叉点数；N为数据长度；Fs为采样频率，Hz。

图6 交叉平移点算法

2.3 呼吸状态分类

上述呼吸频率估计方法虽然具有一定优越性，但仍然存在以下2个缺点：

(Ⅰ)当出现短时间窒息等异常呼吸时，呼吸频率估计方法的性能会受到很大影响。

(Ⅱ)呼吸频率仅反映呼吸速度，不能具体、全面地描述呼吸状态。

基于上述缺陷，本文进一步以正常呼吸、异常呼吸、深呼吸3种呼吸状态进行分类，这3种呼吸状态对应于日常呼吸性疾病哮喘、阻塞性呼吸暂停等症状。

本文进一步针对挑选的子载波进行特征提取，包括信号熵、中值绝对偏差等多个统计特性，构建特征矩阵。呼吸特征向量如表1所示。同时比较了KNN、SVM、BP以及CNN[17]这4种分类算法的分类性能。特征矩阵将作为机器学习、深度学习[18-20]算法输入，从而实现不同呼吸状态的分类。

表1 呼吸特征向量

3 实验设置与结果分析

3.1 实验设置

为验证系统可行性，模拟封闭空间进行实验，呼吸检测实验部署如图7所示。其中，图7a为会议室，内设桌椅及电子设备，静态环境适中；图7b为实验室，内设多张书桌及台式笔记本、绿植、沙发等，环境复杂；图7c为物联网中心走廊，空旷安静，无明显障碍物，环境简单。AP为无线接入点(access point)，即信号发射端，MP为无线汇合点(merge point)，即信号接收端。

(a) 会议室

本实验数据发射端使用商用Wi-Fi路由器(D-Link DIR-859)作为无线AP，有3根天线。数据采集设备为微调驱动后的笔记本，笔记本需要配备英特尔无线网卡(Intel-5300)和3根接收天线，在Ubuntu 14.04的操作系统下，调整频段为5 GHz，采样频率为100 Hz，进行人体呼吸信号的捕捉。根据菲涅尔区模型，始终将胸腔位移处在第一菲涅尔区域中。实验通过采集3位志愿者的呼吸信号，每人每种呼吸状态20组，每组30 s，每组包含30个子载波，3位志愿者分别满足不同的性别、年龄以及身材。实验采集的70%数据作为训练集，30%数据作为测试集。本文分别研究了算法、环境、滑动窗和距离对呼吸检测效果的影响。

3.2 结果分析

3.2.1 分类算法的影响

为比较算法识别效果，本文引入4个评价指标，准确度(accuracy)、精确度(precision)、召回率(recall)和F度量(F-measure)，其中，准确度是度量正确分类的实例比例。公式如下：

(9)

其中：Tn(true negatives，真阴性)是对阴性示例的正确分类；Tp(true positives，真阳性)是对阳性示例的正确分类；Fn(false negatives，假阴性)是不正确地划分为阴性的正例；Fp(false positive，假阳性)是不正确地划分为阳性的负例。

精确度是与某一类相关的真实分类的比例。召回率是已检索到的相关实例占相关实例总数比例。F度量是精确度和召回率的调和平均值，分别定义如：

(10)

(11)

(12)

表2为不同算法评价指标对比。由表2可得：KNN、SVM、BP以及CNN分类准确率分别为80.7%，84.4%，92.5%，80.6%。此外，F度量综合模型中的精确率和召回率，F度量值与分类模型精度呈现正相关。数据结果显示基于BP神经网络的分类准确率最高。BP神经网络是一个基于阈值特征值预测新样本姿态类的分类器，具有高度自学习和自适应能力，适用于本文的分类需求。其次，SVM分类器是主要针对小样本的训练，摆脱了从归纳到演绎的繁琐过程，能够很好地平衡模型的复杂度与泛化能力，并对泛化能力有所提升，但是，SVM对于非线性问题没有通用的解决方案。而KNN和CNN分类算法在本文中表现较差，因为KNN算法根据训练数据构造分类模型，因此计算时产生较大的计算负载，不适合轻量级需求。在使用CNN算法进行分类时，由于数据具有较强的连续性，因此，在层层池化计算后特征点变少，网络越深导致识别精度越小。

表2 不同算法评价指标对比

3.2.2 不同环境的影响

本文分析了不同实验环境对识别精度的影响。如图8所示，在障碍物较少的会议室和走廊，识别精度均在0.9附近，而对于环境最复杂的实验室，识别精度则略有下降。其次，由于深呼吸呈现出较高的呼吸频率和较大的胸腔位移，因此深呼吸的分类精度高于异常呼吸和正常呼吸。

图8 不同环境对识别精度的影响

3.2.3 不同滑动窗的影响

图9为不同滑动窗口尺寸在不同环境下对识别精度的影响。实验保持收发端距离为1.5 m，采样频率100 Hz。由图9可知：在3种不同的实验环境下，识别精度和滑动窗尺寸呈现正相关。随着窗口尺寸的增大，在时间维上得到的特征样本越多，可以减小时间方差的影响，分类精度越高。然而，窗口长度存在一定的阈值，当窗口尺寸增加到25时，即使继续增加尺寸也不能提升识别准确率。在本文中，设置滑动窗尺寸为最大阈值25。

图9 不同滑动窗尺寸对识别精度的影响

3.2.4 不同距离的影响

本实验研究不同距离对于呼吸识别精度的影响。由于人体呼吸为弱信号，较远的距离将无法收取到呼吸信号，因此设置收发装置视距长度分别为1.0 m、1.5 m、2.0 m、2.5 m。为尽可能地提高呼吸信号的提取精度，每次实验时，都令被测者胸腔移动位于第一菲涅区的中心位置。图10为不同距离对于呼吸识别精度的影响。其中，距离越近，识别精度越高。当距离大于2.0 m时，识别精度呈现迟缓下降的态势。

图10 不同距离的影响

4 结束语

本文设计了Wi-Fi信道状态信息的生命体征检测算法，解决了接触式传感器不便性、易脱落等问题。依据菲涅尔区模型，通过采用一系列预处理算法实现对提取CSI振幅信息的过滤。此外，本文通过改变阈值函数及阈值选取方法实现了传统阈值算法的改进，从而完成了呼吸频率的准确提取。通过机器学习、深度学习算法实现了正常、异常和暂停3种不同呼吸状态的分类，精度可达92.5%，全面反映了被检测人员的呼吸运动，对临床医学进行准确治疗具有重大意义。

但是，本系统局限在检测环境空旷且动态障碍物较少的场景下，未来会进一步研究动态人员干扰下的呼吸检测。