非接触式UWB传感的生命体征检测分析

陈华颖，张珣

（杭州电子科技大学现代电路与智能信息研究所，浙江杭州 310018）

0 引言

随着现代社会的不断发展，越来越多的人们注重身体健康的维持与监控。生命体征是评估身体健康的重要指标，主要包括体温、脉搏、呼吸和血压等。目前临床主要采用接触式检测技术监测生命体征，如监护仪、心电图等，原理是通过传感器或电极片采集生理信息。然而在实际生活中，接触式检测技术的应用具有一定局限性。首先，直接使用电极或传感器接触受试者可能会导致其产生生理或心理异常反应，使测量结果产生误差；其次，当受试者大面积皮肤受损时，接触式检测技术很难获取有效的生理信号。因此，非接触式生命体征检测技术应运而生。

基于雷达信号的非接触式生命体征检测技术是一项跨领域的融合技术。在地震灾害中，该技术可以检测废墟下是否有幸存人员及其生理状况；在家庭健康领域中，该技术可远程监测家中老幼的身体健康情况。目前，基于雷达信号的非接触式生命体征检测技术可分为连续波雷达监测技术和超宽带（Ultra Wide Band，UWB）雷达监测技术两种。本文选择UWB雷达信号进行深入研究，其相比连续波雷达有许多优势，可分离呼吸和心脏运动相关信号与评估参数。

在实际检测中，心调信号强度远小于呼吸信号强度，且心跳基波与高次呼吸谐波处于同一频段，给心跳信号的提取造成了困难。此外，雷达接收到的信号不仅包括目标回波，还包括高斯噪声等静态干扰。为此，Li等利用经验模态分解（Empirical Mode Decomposition，EMD）算法对预处理后的信号进行分解，得到呼吸和心跳信号；Liang等在UWB的基础上改进了体征检测系统，该系统可以对信号进行短时傅里叶变换，然后通过聚类经验模态分解（Ensemble Empirical Mode Decomposition，EEMD）提高提取准确度；Lazaro等利用动目标检测法（Moving Targets Detection，MTD）对信号进行降噪处理，有效抑制了呼吸谐波干扰。

为在低信噪比的情况下，准确地提取呼吸、心跳信号，本文提出一种UWB雷达结合EEMD的生命体征检测模型，结合遗传算法（Genetic Algorithm，GA）贝叶斯正则化反向传播（Back Propagation，BP）神经网络对EEMD分解后的固有模态函数（Intrinsic Mode Functions，IMF）分量进行特征训练，保留了原始信号的频率特性。将重构后的心肺信号与原始EEMD重构信号进行对比实验，实验结果表明，改良后的模型可实现被检测者心肺信号的有效分离。

1 UWB雷达传感器检测系统设计

UWB雷达传感器检测系统的实现原理是通过UWB雷达发射脉冲信号，对含有体征信息的回波信号进行预处理，系统框架如图1所示。为避免在检测过程中产生一些不必要的杂波，被检测者应尽可能地保持静止不动。首先由发射模块发射UWB雷达产生的脉冲信号，由于人体表面的振动，发射信号产生了相位和频率调制；然后处理由接收模块接收到的回波信号；最后将数据发送至电脑端，通过生命体征检测算法实现呼吸和心跳信号的有效分离。

Fig.1 UWB radar sensor detection system frame图1 UWB雷达传感器检测系统框架

2 算法原理

2.1 EEMD算法

EEMD是一种在回波信号中加入白噪声的信号处理算法。该算法的实现原理是在采集的原始信号中添加一些随机无序的高斯白噪声，如果白噪声均匀分布在所有时频范围内，则滤波器会将这个范围划分为不同尺度的分量。当加入一个白噪声时，通过雷达采集的一个回波信号中不同频率的分量就会被直接映射出来，然后利用整个信号的总体平均运算方法进行多次检测，逐渐滤除整个信号传输过程中的白噪声，在IMF分量中提取和重构呼吸与心跳信号。EEMD算法分解流程如图2所示。

Fig.2 EEMD decomposition flow图2 EEMD分解流程

EEMD算法可以根据信号的特点将其分解为若干个IMF分量，然后判断出含噪声较多的IMF分量并对其进行去噪处理，最后进行信号重构。首先利用MATLAB计算出信号S_n(t)的上下包络线，分别为

e

(

t

)、

e

(

t

)，并计算两个包络线的均值，表示为：

原始信号与所得均值相减可得到一个序列式，表示为：

如果序列

h

(

t

)没有达到IMF分量要求的条件，则继续重复上述步骤。重复第k次后，原信号

S_n

(t)的一阶分量表示为：

将原信号S_n(t)减去一阶分量

c

(

t

)，得到：

按照相同方法继续对

r

(

t

)进行分解，得到第二阶分量

c

(

t

)，继续分解得到第n阶分量

c

(

t

)。最终，原信号

S_n

(t)经EMD分解后得到：

为使迭代次数比较合理，通常当

h

(

t

)满足式（6）时，就认为IMF包络线的均值满足为零的条件。

2.2 BP神经网络

BP神经网络由输入层、隐含层和输出层构成，输入层的数据是处理过的IMF特征向量，可将特性信息传递到下一层，实现心肺信号的重构。BP神经网络的结构如图3所示。

Fig.3 BPneural network structure图3 BP神经网络结构

权重初始化为随机数，预处理输入数据，通过神经网络得到输出值，每次训练都对输出值和预期值进行比较，计算误差。采用梯度下降的方法更新权重值，反复训练以使误差变小。

损失函数表示为：

采用批量梯度下降法进行模型训练时，损失函数表示为：

式中右侧第一项用于判断预测结果好坏；第二项为规则化项，将权重添加到损失函数中，梯度下降时便会将权重降为比较小的数，避免了因样本数据少而产生的过拟合现象。

输出层单元

i

的残差表示为：

第

l

层第

i

个单元的残差表示为：

根据以上公式得到：

按照以上公式顺序逐次向后求导，计算

L

(

W

，

b

)对

W

和

b

的偏导式，表示为：

最后对

W

和

b

进行更新，表示为：

式中，α为学习速率。

2.3 GA算法

GA是一种基于自然选择的数学算法，其采用概率自动优化方法，无需自行设置概率规则即可轻松实现自动概率确定和实时管理概率优化，且用户可自动调整数据搜索的移动方向。GA流程如图4所示。

Fig.4 Flow of genetic algorithm图4 GA流程

3 生命体征检测模型建立

3.1 信号检测与EEMD处理

在提取信号时，回波信号信噪比会受到周围环境的干扰。使用原始EEMD分解的本征函数并不能完全去除杂波，分解重构的呼吸、心跳信号中谐波信号占比依然很高。为提高重构信号的信噪比，本文提出一种基于EEMD结合BP改进策略的生命体征检测算法，流程如图5所示，具体步骤为：①采用动目标检测法滤除回波信号中的背景杂波；②选择最大能量距离门提取出带有呼吸和心跳频率信息的人体体表振动信号；③对提取的信号进行EEMD分解，得到IMF分量；④分别对呼吸和心跳信号分量进行GA-BP神经网络处理，重构呼吸和心跳信号。

3.2 BP神经网络重构IMF分量

3.2.1 贝叶斯正则化

贝叶斯正则化是深度学习领域中减小泛化误差的一种方法，其通过在误差函数中添加正则项进行参数修正，改进算法权重值。本文选择贝叶斯正则化作为BP神经网络的训练函数，以获得最佳适应度值。

Fig.5 Flow of vital sign detection algorithm图5 生命体征检测算法流程

假设[

B

，

B

，…，

B

]为样本空间S的一个划分，A为某个事件，则贝叶斯公式为：

均方误差（MSE）用于衡量神经网络的损失函数，表示为：

式中，

Y

为期望输出，

y

为实际值，

n

为样本个数。

利用贝叶斯框架计算时，权重参数为随机变量，且其与网络训练集的先验分布服从高斯分布，需要选取能够最大化条件概率的权值。

采用贝叶斯法计算概率函数，表示为：

3.2.2 GA-贝叶斯正则化BP模型

采用GA对BP进行优化，以泛化局部特征从而增强其全局搜索能力，最终得到最优网络初始权值和网络赋值。GA-BP神经网络模型流程如图6所示。

将待优化的权值划分为若干个部分，在匹配池中设定群体进化代数，通过两两竞争策略将最优个体或达到了设定进化代数的个体留在子代，迭代整个过程，直至输出最优值。

Fig.6 GA-BPneural network model flow图6 GA-BP神经网络模型流程

IMF分量可由预处理后的体表振动信号分解得出，沿时间轴将各个IMF分量的信号包络分为m段，表示为：

式中，

i

=1、2、L、m；k=1、2、L、n；t1、t2分别为第i段的起止时间点。

对各分段能量进行归一化处理，表示为：

信号

X

(

t

)的EEMD—特征熵表示为：

最终得到EEMD特征向量，表示为：

EEMD分解后的心跳和呼吸IMF分量在转换为特征向量后进入GA-BP神经网络，然后分别训练并叠加以获取心跳信号的预测值。假设EEMD分解后的分量为

IMF

(

t

)，

i=

1，2

，…N

，对应的训练值为

BIMF

(

t

)，心跳信号包含在（

n

-

n

+1）个IMF分量中，呼吸信号包含在（

n

-

n

+1）个分量中，则训练后的呼吸信号

X

和心跳信号

X

分别表示为：

4 模型评估

4.1 信号采集

被测人员与雷达天线距离2m并保持在水平基准线上，同时面对雷达保持静止。

4.2 训练过程

使用Tensor Flow框架Keras快速搭建并训练GA-BP神经网络模型，初始权值、阈值及网络训练选择贝叶斯正则化法。BP神经网络学习速率

α

为0.1，训练次数设置为1万次。将特征向量按照7∶2∶1的比例分为训练集、测试集和验证集。同时设置100代遗传种群，交叉概率设置为0.7，变异概率设置为0.08。

4.3 训练比较

将原始EEMD与GA-BP神经网络模型结合EEMD提取重构的生命体征信号进行比较，考察新模型在处理信号时的泛化误差以及获取全局最优的准确性和鲁棒性。

4.4 训练结果分析

对静止人体目标的生命体征信号进行分离，准确提取出呼吸和心跳信号。通过UWB雷达采集到的生命体征经过预处理得到的信号时域波形如图7第一行所示。

Fig.7 Original human signal and IMF component diagram（1～6）图7 人体原始信号与IMF分量图（1～6）

预处理后的信号通过EEMD分解得到的分量如图7和图8所示，其中4th IMF、8th IMF、9th IMF和10th IMF为生命体征信号的本征模态函数，心跳信号的分量为4th IMF，呼吸信号的谐波分量为7th IMF，呼吸信号分量为8th IMF、9th IMF、10th IMF。由分量图可以发现，EEMD分解不仅能分离呼吸和心跳信号，还能达到滤除杂波的效果。

经EEMD分解后的IMF分量直接重构得到的呼吸和心跳信号如图9、图10所示。

改进后的BP神经网络重构得到的呼吸心跳信号如图11和图12所示，可以看到噪声成分明显减少。人体轻微幅度变化会导致心肺信号在提取过程中存在误差，通过新模型重构的体征信号性能整体优于原始EEMD分解的提取方法，可以清晰地显示出呼吸信号和心跳信号之间特性。实验结果表明，本文模型能准确地提取出呼吸心跳信号。

Fig.8 IMF component diagram（7～13）图8 IMF分量图（7～13）

Fig.9 EEMD reconstructed heartbeat signal图9 EEMD重构的心跳信号

Fig.10 EEMD reconstructed respiratory signal图10 EEMD重构的呼吸信号

Fig.11 Heartbeat signal reconstructed by GA-BPmodel图11 GA-BP模型重构的心跳信号

Fig.12 Respiratory signal reconstructed by GA-BPmodel图12 GA-BP模型重构的呼吸信号

5 结语

本文提出一种GA-BP神经网络模型，将GA的全局搜索特点与贝叶斯正则化的BP神经网络相结合，能使模型最优解趋近于全局最优，获得最佳适应度值，并重构信噪比更高的人体生命体征信号。验证试验结果表明，该模型能有效地将噪声与体征信号分离开来，信噪比明显提升，且预测结果稳定，能够基本满足后续对体征信号进一步研究的需求。然而，波形中仍含有少量噪声，若使用深度信念网络或卷积神经网络模型可能效果更佳，但与此同时带来的是模型响应时间增加，而这种代价在探测自然灾害环境下的生命体征时是不允许的，后续需根据具体应用场景选择最优模型。