一种基于多源信息融合的汽车疲劳驾驶检测方法与流程
本发明涉及疲劳驾驶监控领域，尤其涉及一种基于多源信息融合的汽车疲劳驾驶检测方法。
背景技术：
疲劳驾驶是导致世界上交通事故最常见的原因之一。根据WHO(世界卫生组织)的报告，每年有超过130万的人死于交通事故，有2千万到5千万的人因为交通事故遭受非致命伤害。其中，大约有20％的致命交通事故是由疲劳驾驶引起的。因此，如果能够研发一种自动检测疲劳驾驶的系统，就可以避免大量的死亡事故。
为了防止这类事故的发生，有效的监测疲劳驾驶的系统是很有必要的，可以在事故发生前提醒驾驶员，从而可以避免或者减少此类交通事故的发生。驾驶疲劳是脑力、体力同时参与的技术性疲劳。由于驾驶人动作反复、连续，并且重复的次数太多，使其生理、心理上发生某种变化，出现驾驶机能低落的现象，主要表现为注意力分散，打瞌睡，视野变窄，信息漏看，反应判断迟钝，驾驶操作失误或完全丧失驾驶能力。
现有研究中，许多研究人员都认为以下生理信号可以用来检测疲劳，包括：脑电图(EEG)、心电图(ECG)、眼电图(EOG)、呼吸信号以及皮肤电活动(EDA)等。试验证明，使用生理信号检测驾驶员的疲劳程度的可靠性和精确度是非常高的，因为它可以真实的反映驾驶员身体内部的状况。同时，生理信号在疲劳的早期阶段就会发生变化，因此采用生理信号是检测疲劳驾驶最合适的方法而且出错率低，使用这种方法可以及时的警示驾驶员，从而减少许多道路交通事故。然而，现有技术生理检测通常采用接触式检测的方式，这些技术需要在驾驶员身上附着电极，而这通常是被驾驶员所反感的同时也是不切实际的。
为了克服上述技术缺陷，将多普勒雷达技术实现非接触式生理信号检测成为本领域研究热点。多普勒雷达，又名脉冲多普勒雷达，通常工作在脉冲触发模式，是一种利用多普勒效应来探测运动目标的位置和相对运动速度的雷达。现有技术中多普勒雷达广泛用于军事领域和民用领域，比如机载预警、导航、导弹制导、卫星跟踪、战场侦察、靶场测量、武器等军用方面，以及人体感应、门禁系统、测速测距等民用领域。然而，由于生理信号检测的特殊性，难以将现有技术通用多普勒雷达模块直接应用于生理信号检测；因为呼吸和心跳信号极其微弱，很容易淹没在雷达的噪声和杂波中，采用现有技术多普勒雷达常规应用电路无法实现对人体的呼吸和心跳等生命特征的非接触式探测。因此，本领域技术人员通常通过改进雷达的识别精度和灵敏度达到应用要求，这大大增加了实现难度，同时在成本上也大幅度的提高。
故，针对目前现有技术中存在的上述缺陷，实有必要进行研究，以提供一种方案，解决现有技术中存在的缺陷。
技术实现要素：
有鉴于此，确有必要提供一种基于多源信息融合的汽车疲劳驾驶检测方法，首次提出采用多普勒雷达实现非接触式疲劳驾驶检测，同时通过检测方向盘角度信息提高疲劳驾驶测量精度。
为了克服现有技术的缺陷，本发明的技术方案如下：
一种基于多源信息融合的汽车疲劳驾驶检测方法，包括以下步骤：
步骤S1：通过安装在驾驶室内的多普勒雷达探测单元持续对驾驶员生理信号变化进行检测并实时获取并存储生理信号；
步骤S2：获取方向盘角度信息在预设时间内的变化量，并根据该变化量启动对当前一段连续时刻内的所获取的生理信号进行数据处理；
步骤S3：根据生理信号变化判断是否出现疲劳驾驶。
优选地，在步骤S3中，采用神经网络机器学习的方式判断是否出现疲劳驾驶，其中，在神经网络机器识别模块中预先存储各种疲劳状态等级的数据模板，将采集的生理信号输入神经网络机器识别模块进行数据分析从而判断出疲劳状态等级。
优选地，神经网络机器识别模块采用极限学习机模型。
优选地，各种疲劳状态等级的数据模板通过将所获得的呼吸信号和心跳信号输入神经网络中学习基于面部视频的专家评分方法而确定。
优选地，在步骤S1中，进一步包括以下步骤：
步骤S11：通过多普勒雷达传感器向人体胸腔发射连续波雷达信号；
步骤S12：将回波信号和发射震荡频率信号进行混频处理并检波后获取反应人体呼吸和心跳变化的低频信号；
步骤S13：对多普勒雷达传感器输出端进行阻抗匹配并滤除低频信号中的直流分量；
步骤S14：将经步骤3处理后的信号进行信号放大；
步骤S15：通过0.1Hz-10Hz的带通滤波器对其输入信号进行滤波处理；
步骤S16：采用数字滤波技术奖经步骤S25处理后的信号进行频率滤波从而获取呼吸信号和心跳信号；
所述步骤S3中，根据所述呼吸信号和心跳信号的变化判断驾驶员是否处于疲劳驾驶状态。
优选地，所述步骤S15中，通过四阶巴特沃斯低通滤波器和二阶巴特沃斯高通滤波器实现带通滤波器。
优选地，所述步骤S16中，采用FIR滤波器、IIR滤波器或者零相位IIR滤波器中的任一种实现呼吸信号和心跳信号的分离。
优选地，零相位IIR滤波器的实现步骤如下：
步骤S161：根据呼吸信号和心跳信号的特征分别设计呼吸信号IIR滤波器和心跳信号IIR滤波器；
步骤S162：将输入信号进行信号采样存储为数字信号序列；
步骤S163：将该数字信号序列分别输入到呼吸信号IIR滤波器和心跳信号IIR滤波器进行第一次滤波处理；
步骤S164：将经上述第一次滤波处理输出的信号执行第一次时域翻转；
步骤S165：将步骤S64输出信号再次输入到呼吸信号IIR滤波器和心跳信号IIR滤波器进行第二次滤波处理；
步骤S166：将经上述第二次滤波处理输出的信号执行第二次时域翻转，从而得到滤波后的呼吸信号和心跳信号；
步骤S167：对滤波后的呼吸信号和心跳信号进行FFT变换后分别求出频谱从而实现呼吸信号和心跳信号的分离。
优选地，在步骤步骤S11中，所述多普勒雷达传感器采用工作频段为10.525GHz的微波多普勒雷达探测器探头传感器HB100模块。
优选地，在步骤S13中，采用电压跟随器对多普勒雷达传感器输出端进行阻抗匹配，采用通带频率为0.1Hz-150Hz的无源RC滤波器滤除低频信号中的直流分量。
与现有技术相比较，本发明的技术方案具有以下技术效果：
(1)本发明首次提出采用多普勒测量技术监测驾驶员的疲劳程度，同时通过检测方向盘角度信息，通过多源信息处理提高疲劳驾驶测量精度。
(2)将通用多普勒雷达传感器工作在连续波模式，并相应设计多级滤波电路，从而实现非接触检测人体生理信号，进而以此为依据判断疲劳驾驶。其中，有源滤波器采用巴特沃斯滤波器，巴特沃斯滤波器通频带频率响应曲线平坦，在阻频带下降缓慢，避免信号失真，在滤波的同时可实现信号的放大，提高信号的信噪比，实现信号无失真放大滤波。
(3)数字滤波器使用零相位IIR滤波器分离出呼吸和心跳信号，减少运算量的同时，消除信号的相位失真，实现患者生理变化和监测显示同步，提高监测设备的实时性。
附图说明
图1为雷达回波信号探测人体胸腔扩张模型。
图2为本发明基于多源信息融合的非接触式疲劳驾驶检测方法的流程框图。
图3为极限学习机模型图。
图4为极限学习机模型的算法流程框图。
图5为正常驾驶生理信号和方向盘信号的波形图(疲劳等级0)。
图6为驾驶预警状态下的生理信号和方向盘信号的波形图(疲劳等级1)。
图7为驾驶昏昏欲睡状态下的生理信号和方向盘信号的波形图(疲劳等级2)。
图8为驾驶显著昏昏欲睡状态下的生理信号和方向盘信号的波形图(疲劳等级3)。
图9为驾驶极度昏昏欲睡状态下的生理信号和方向盘信号的波形图(疲劳等级4)。
图10为雷达信号处理的流程框图。
图11为零相位IIR滤波器的实现流程图。
图12为实现本发明非接触式生理信号检测方法的系统框图。
图13为本发明中多普勒雷达探测单元的原理框图。
图14为电源模块中雷达电源的电路原理图。
图15为电源模块中运放电源的电路原理图。
图16为电源模块中数字电源的电路原理图。
图17为电源模块中ADC基准电源的电路原理图。
图18为本发明信号预处理模块的电路原理图。
图19为本发明差分放大器一种实施方式的电路原理图。
图20为本发明有源带通滤波器一种实施方式的电路原理图。
图21为电平搬移电路的电路原理图。
图22为模数转换器的电路原理图。
图23为FIR和IIR滤波分离呼吸信号时域对比。
图24为FIR和IIR滤波分离呼吸信号频域对比。
图25为零相位滤波呼吸信号时域图。
图26为零相位滤波心跳信号时域图。
图27呼吸信号和心跳信号分离频域图。
如下具体实施例将结合上述附图进一步说明本发明。
具体实施方式
以下将结合附图对本发明提供的基于多源信息融合的汽车疲劳驾驶检测方法作进一步说明。
研究发现，正常情况下驾驶员通常小幅度的转动方向盘来不断调整车辆的横向移动位置以保持车辆始终行驶在车道的中心。当驾驶人昏昏欲睡时，方向盘上的微修正数据会低于正常驾驶时的数据。在不考虑车道变更，仅考虑方向盘的小幅度转动(SWM，0.5-5度之间)的情况下，疲劳的驾驶员比起正常的驾驶员，转动方向盘的次数较少。所以，驾驶员的疲劳程度在一定程度上可以通过方向盘转向SWM(steering wheel movement)的角度反应出来。
同时研究还发现，人体在疲劳状态时，其呼吸和心率信号都会有所下降，因此通过呼吸和心率信号能够准确判断人体的疲劳状态。为了克服现有技术采用接触式传感器检测生理信号的技术缺陷，申请人首次提出将现有技术通用的多普勒雷达应用于非接触式疲劳驾驶检测领域。
多普勒雷达广泛用于机载预警、导航、导弹制导、卫星跟踪、战场侦察、靶场测量、武器等军事领域。其工作原理可表述如下：当雷达发射一固定频率的脉冲波对空扫描时，如遇到活动目标，回波的频率与发射波的频率出现频率差，称为多普勒频率。根据多普勒频率的大小，可测出目标对雷达的径向相对运动速度；根据发射脉冲和接收的时间差，可以测出目标的距离。因此，军用领域的多普勒雷达通常工作在脉冲模式，通过检测频率差来检测活动目标。现有技术中，多普勒雷达也有在民用领域的应用，比如，利用多普勒雷达(Doppler Radar)原理设计的微波移动物体探测器HB100微波模块，广泛应用于自动门控制开关、安全防范系统、ATM自动提款机的自动录像控制系统、火车自动信号机等场所。然而，此类多普勒雷达在民用领域中的应用时，通常是将输出信号直接放大后检测频率，然后根据频率大小获得推测人体移动速度。
多普勒雷达传感器可以在特定距离范围内消除特定介质(如布料、丝绸等)的影响，检测人体胸腔的微动变化，从中获取到生理参数信息，实现非接触式生理信号的检测。非接触式监测系统克服了传统的生理监测系统的缺点，具有非接触、远距离监测、操作简易等优点，在临床医学、灾害医学、军事医学、城市反恐等领域得到了越来越多的关注，具有广泛的应用前景。然而，本领域技术人员在研究将多普勒雷达传感器实现实现非接触式生理信号检测时，通常致力于设计高识别精度和高灵敏度的多普勒雷达传感器，极大增加了实现难度。
在现有技术的基础上，申请人通过多次理论和试验研究发现，连续波雷达以人体的胸腔作为探测目标，经胸腔运动返回的雷达发射信号会产生相位调制，接收到的雷达回波信号经相位解调，从解调信息中提取出与胸腔运动相关联的相位信息，根据相位信息的变化反映测试者的呼吸和心跳的变化情况。
参见图1，所示为雷达回波信号探测人体胸腔扩张模型，现假设雷达发射信号T(t)为
T(t)＝cos[2πf0t+Φ(t)] (1)
式中f0是雷达发射信号频率，Φ(t)为相位噪声。
设胸腔运动振幅为x(t)，雷达传感器到人体距离为d0，发射雷达信号到胸壁的距离为d(t)，则往返一次延时时间为由于胸腔运动周期则经雷达反射调制后的接收信号R(t)为：
接收回波信号R(t)和雷达发射信号T(t)相乘经过低通滤波后解调出调制信号，获取基带信号为：
式中是残余相位噪声，是雷达和人体间距决定的固有相移。当θ是的奇数倍时，x(t)＜＜λ，可得：
其中ΔΦ(t)为固定目标产生的直流分量，由式(4)可得胸腔位移x(t)与基带输出的幅值呈线性关系。由上述可知，多普勒雷达传感器可以获得人体胸腔振动的信号，信号中包含呼吸、心跳以及人体扰动干扰，通过一定的信号处理方法，可以提取人体呼吸和心跳特征信号。研究表明，驾驶人在正常驾驶和疲劳驾驶过程中，呼吸和心率等生理信号会发生明显的变化。因此，通过检测生理信号便能够准确判断疲劳驾驶。然而用雷达进行心肺信息的实时检测和处理有以下几个方面的问题：
(1)驾驶中人体的移动干扰。在正常驾驶过程中，驾驶人需要不断随时调整方向盘，此时，人体手臂等肢体也在不断的运动。由于人体在狭小的驾驶空间内，移动的范围较小，并且移动速度较慢，那么雷达检测的信号中包含人体扰动的信号的频率就很低，非常接近甚至和呼吸心率信号频率在同一个频段，这种干扰会导致呼吸和心率信号被淹没，无法检测到呼吸心率信号。
(2)处理信号时间长度存在限制。一方面，伴随着生理状态的变化，呼吸心率参数也会相应的发生变化，需要及时的检测出来这宗变化。在截取较长时间的信号进行处理时，生理参数较短的变化信息就很难被检测出来，对于实时检测以及预测疲劳驾驶很不利。另一方面根据时频分析理论，短时间的数据在频域上的分辨率必然很低，不利于呼吸和心率信号的分离。综上两方面考虑需要选取合适数据处理长度，以提高检测的实时性和提高信号频率的分辨率。
(3)雷达信号不同于常用的心电和脉搏波信号检测方法，它检测的是心跳和呼吸复合的信号。而呼吸运动在幅度上比心跳强，使得心率信号不易分离提取。而且呼吸和心跳引起的微动在体表空间会重叠，易产生频域交调。
为了解决上述技术问题，参见图2，所示为本发明一种基于多源信息融合的汽车疲劳驾驶检测方法的流程框图，包括以下步骤：
步骤S1：通过安装在驾驶室内的多普勒雷达探测单元持续对驾驶员生理信号变化进行检测并实时获取并存储生理信号；
步骤S2：获取方向盘角度信息在预设时间内的变化量，并根据该变化量启动对当前一段连续时刻内的所获取的生理信号进行数据处理；
步骤S3：根据生理信号变化判断是否出现疲劳驾驶。
采用上述技术方案，通过方向盘角度信息和驾驶员生理信号的信息融合处理，从而有效克服驾驶中人体的移动干扰；同时，通过实时存储生理信号，在进行数据分析时能够及时选取合适数据长度进行数据处理，从而提高数据处理速度。
虽然理论证明人体在疲劳状态和非疲劳状态下的呼吸信号和心跳信号具有显著差别，但在真实驾驶环境下进行疲劳驾驶判定算法的研究具有很大的挑战性，也只有识别精度高的疲劳驾驶判定算法才有实际应用价值。
现有技术中，采用基于面部视频的专家评分方法，该方法是目前最实用的驾驶人疲劳状态评价方法。该方法由一组受过训练的专家根据驾驶人的面部表情和头部姿态对其疲劳状态进行评分。具体操作步骤为：将驾驶人面部视频切分为视频片段；多名评分专家根据驾驶人揉眼、挠脸、打哈欠、闭眼时间、调整姿势等疲劳表征，按随机序列对视频片段进行打分，多名专家评分的均值作为该段视频的疲劳得分。该系统对驾驶员疲劳程度等级进行分类，具体要求如下表1所示：
表1：驾驶员疲劳程度等级划分及其描述
为了实现精确疲劳驾驶检测，本发明在采用神经网络机器识别模块，采用神经网络机器学习的方式判断是否出现疲劳驾驶，其中，在神经网络机器识别模块中预先存储各种疲劳状态等级的数据模板，将采集的生理信号输入神经网络机器识别模块进行数据分析从而判断出疲劳状态等级。神经网络机器识别模块可以设置在MCU模块或者车载电脑中。使用前，需要先将神经网络机器识别模块训练好。本发明中，首先将基于面部视频的专家评分方法分类完成的呼吸信号和心跳信号输入神经网络中学习，从而在神经网络机器识别模块确定各个疲劳等级的数据模型。从而在实际疲劳驾驶判定时，可以根据输入的呼吸信号和心跳信号判定疲劳等级。
在本发明中，神经网络机器识别模块采用极限学习机模型图，参见图3，所示为极限学习机模型图，各种疲劳状态等级的数据模板通过将所获得的呼吸信号和心跳信号输入神经网络中学习基于面部视频的专家评分方法而确定。参见图4，所示为极限学习机模型的算法流程，极限学习机模型的基本算法如下所述：
N:训练样本总数
隐藏层单元个数
n、m:输入和输出层的维度(即输入和输出向量的长度)
(xj,tj),j＝1,2,...,N：训练样本，其中，
xj＝(xj1,xj2,...,xjn)T∈Rn,tj＝(tj1,tj2,...,tjn)T∈Rm
将所有输出向量按行拼起来，可得到整体输出矩阵：
oj,j＝1,2,...,N:与标注tj相对应的实际输出向量；
输入层与隐藏层之间的权矩阵，其中W的第i行对应的向量
wi＝(wi1,wi2,...,win)T
表示连接隐藏层第i个单元与输入单元的权向量；
偏置向量，bi表示第i个隐单元的阈值；
隐藏层与输出层之间的权矩阵，其中β的第i行对应的向量βi＝(βi1,βi2,...,βim)T
表示连接隐藏层第i个单元与输出单元的权向量，矩阵β可按行写成如下分块形式：
g(x)为激活函数。
数学上，标准的SLFNs的模型为
其中wi·xj表示wi和xj的内积。
要使以上模型零误差的逼近上述N个样本，则
即存在W，β和b，使得
利用矩阵式表示，上述表达式可简化为
Hβ＝T
一般的SLFNs学习算法中，输入权值W和隐单元的偏置向量b需要通过迭代不断调整刷新，在学习算法开始时，任意给定W和b的值，用其计算出H并令其保持不变，这样，我们只需要确定参数β就可以了。因此，当W和b固定时，等价于求式等式的最小二乘解即
根据Moore-Penrose广义逆矩阵和最小范数最小二乘解的相关定理得
β＝H+T
给定训练样本集合激活函数g(x),隐单元个数
ELM算法的实现过程可以归纳为：首先，随机指定网络的输入权值和阈值；其次，计算隐含层神经元输出矩阵；最后，根据β＝H+T计算输出权值矩阵。根据以上推理过程我们可知，ELM没有在传统的神经网络计算过程中的迭代步骤，因此极大地减少了训练时间。
为了验证本发明的实际技术效果，在实验测试阶段招募了8名受试驾驶员，年龄在22-60岁之间。身体健康、听力正常、无红绿色盲。在实验之前保证充足的睡眠、实验前24小时内没有服用任何刺激性物品。每位驾驶人每天进行两次驾驶模拟实验：所有驾驶人在每天同一时间进行实验，实验前通知驾驶人准备实验，要求驾驶人在实验前24小时内禁止驾驶人饮酒、茶和咖啡。实验选择在中午12:00和晚上20:00开始进行，各持续两个小时左右，这个时间段人一般最容易处于犯困状态，因此可以在短暂的两个小时内能够观测出驾驶人从清醒到陷入疲劳整个过程。实验过程中要求保持环境安静，安装在驾驶舱内的摄像头用来记录了驾驶人面部表情信息，图像采集速率均为30Hz，试验台的数据采集系统记录驾驶人呼吸信号、心率信号、人体移动信号、方向盘小转角信号、方向盘大转角信号，采样频率均为50Hz。
视频信号和MCU采集信号同步，将采集的视频信号每段分割长度为30秒，采用专家评分标准对驾驶员的疲劳程度进行打分，作为雷达采集的生理信号评判依据。同步的生理信号按照基于面部视频专家评分标准分成五类信号，分别对应5类疲劳程度使用数字标记为0-4，每段数据长度为30秒，每种疲劳程度下的呼吸和心跳信号分别采集100组数据，提取出每段数据的呼吸信号频率均值、呼吸信号频率均方值、呼吸信号幅度均值、呼吸信号幅度均方值、心跳信号频率均值、心跳信号幅度均值、心跳信号幅度均方值作为极限学习机算法的输入样本，通过样本学习训练直到满足误差要求范围内，得到输出权值。在单片机系统对极限学习机进行算法实现，确定训练输出权值，在驾驶员测试中，采集雷达信号，进行滤波提取信号特征，通过极限学习机进行分类，针对分类结果，给驾驶员不同提示。图5至图9是采集驾驶员不同程度疲劳的呼吸和心跳信号变化图，从图中看出，通过神经网络机器识别能够很好的区分各级疲劳程度。
然而，人体正常呼吸和心跳引起的胸腔微动位移量范围仅为4-15mm，而现有技术中多普勒雷达模块在军用和民用领域的应用中，移动物体的分辨率至少为0.1米；同时，正常人的呼吸和心跳频率分别为0.15～0.4Hz和0.83～1.5Hz，频谱非常接近，在时域中很难将呼吸信号和心跳信号分辨出来。由式(4)可知，虽然人体正常呼吸和心跳引起的胸腔微动位移量范围较小，只要选取合适的多普勒雷达工作频率，能够很好的检测胸腔微动信号；虽然呼吸信号和心跳信号的频率非常接近，只要选择合适采样频率，依然能够区分呼吸信号和心跳信号，由于信号微弱且频率区分不是很明显，如何滤除干扰信号提取有用数据信号是解决本发明技术问题的关键。
为了解决上述技术问题，参见图10，所示为本发明中雷达信号处理的流程框图，包括以下步骤：
步骤S11：通过多普勒雷达传感器向人体胸腔发射连续波雷达信号；
步骤S12：将回波信号和发射震荡频率信号进行混频处理并检波后获取反应人体呼吸和心跳变化的低频信号；
步骤S13：对多普勒雷达传感器输出端进行阻抗匹配并滤除低频信号中的直流分量；
步骤S14：将经步骤S3处理后的信号进行信号放大；
步骤S15：通过0.1Hz-10Hz的带通滤波器对其输入信号进行滤波处理；
步骤S16：采用数字滤波技术将经步骤S5处理后的信号进行频率滤波从而获取呼吸信号和心跳信号。
其中，在步骤S11中，所述多普勒雷达传感器采用工作频段为10.525GHz的微波多普勒雷达探测器探头传感器HB100模块。现有技术中，多普勒雷达工作频率范围为2～75GHz，本发明结合雷达分辨率、穿透障碍物能力、体积大小以及功耗等因素，选取工作频率为10.525GHz的多普勒雷达传感器。HB100微波模块是利用多普勒雷达(Doppler Radar)原理设计的微波移动物体探测器，主要应用于自动门控制开关、安全防范系统、ATM自动提款机的自动录像控制系统、火车自动信号机等场所。HB100是标准的10.525GHz微波多普勒雷达探测器，内部由FET介质DRO微波震荡源(10.525GHz)、功率分配器、发射天线、接收天线、混频器、检波器等电路组成，其在连续直流供电模式下工作电流为35mA，总输出功率小于15mW。发射天线向外定向发射微波，遇到物体时被反射，反射波被接收天线接收，然后到混合器与振荡波混合，混合、检波后的低频信号反应了物体移动的速度。采用现有技术通用的探测模块，大大降低了成本以及开发难度。现有技术，通常采用HB100模块检测人体移动，也即对其输出的低频信号进行直接放大并检测该信号的频率，从而根据频率值计算出人体的移动速度，通常探测范围超过20米。然而，本发明的应用中，人体正常呼吸和心跳引起的胸腔微动位移量范围仅为4-15mm，各种噪声信号的强度远远超过有用信号，因此，采用传统HB100模块应用方法无法检测出生理信号。因此本发明提出了一种适用于生理信号检测的三级滤波方法，从而实现呼吸信号和心跳信号的检测，以下详细介绍该方法应用电路的设计原理。
在步骤S13中，采用通带频率为0.1Hz-150Hz的无源RC滤波器滤除低频信号中的直流分量。
在步骤S13中，采用电压跟随器对多普勒雷达传感器输出端进行阻抗匹配。电压跟随器用于对输入信号进行电压跟随，无源滤波器用于滤除输入信号中的直流分量；人体胸腔微动变化引起多普勒雷达传感器输出信号变化幅值范围1-20mV，具有幅度低、噪声大，带负载能力差等特点，对输入信号进行电压跟随消除输出阻抗影响，提高驱动能力；雷达信号为射频信号，空间的杂散信号过大，会导致后端的放大器饱和甚至损坏，为了防止由于直流分量导致放大器饱和，采用无源滤波器将直流分量滤除。
进一步的，通过有源带通滤波器对输入信号进行放大并消除差模噪声；雷达信号经过差分放大器后，共模干扰噪声能得到很好的消除。然而还有很大一部分的噪声是以差模的形式进入后级电路。这些噪声包含启动时的电源噪声、直流基线漂移噪声、以及工频干扰噪声。所以需要选择合适的滤波器对初级放大后的信号进行滤波，为了克服无源滤波电路消耗信号能量的缺点，使用由放大器和阻容网络组成的有源滤波，来提高滤波性能。相对于无源滤波而言，由于有运放的加入，有源滤波器不仅能进行功率补偿，还能在滤波的同时对信号进行放大，同时运放也能起到缓冲和隔离的效果。结合呼吸和心跳信号的频率以及人体扰动频率，本发明采用有源低通滤波器以及高通滤波器构成频率为0.1Hz-10Hz的带通滤波器。
根据滤波器幅频以及相频特性的不同，根据有源滤波器传输特性主要分为以下几类：
巴特沃斯滤波器：在通带以内幅频曲线的幅度最平坦，由通带到阻带衰减陡度较缓，相频特性是非线性的，是最平幅度滤波器。
切比雪夫滤波器：在通带内，具有相等的波纹。截频衰减陡度比同阶数的巴特沃斯特性更陡相位响应是非线性，但较之比巴特沃斯为差。
贝塞尔滤波器：延时特性最平坦，幅频特性最平坦区较小，从通带到阻带衰减缓慢。贝塞尔滤波器的幅频特性比巴特沃斯或切比雪夫滤波器都差。
椭圆函数滤波器：在通带和阻带内均出现相等的纹波。椭圆函数滤波器较其他类型的滤波器具有最陡的截频衰减陡度。但它的延时特性不如前三种好。
本发明设计要求滤波器幅频曲线在通频带尽可能平坦，并且具有良好的过渡带特性。在比较上述滤波器实际性能的基础上，最终选择，巴特沃兹滤波器是全极点滤波器，在所以n阶全极点滤波器中，当论靠近w＝0处的幅频特性，则巴特沃斯滤波器最平直，因此巴特沃斯滤波器称为最平响应滤波器具有通带内最大平坦，巴特沃斯滤波器的相位特性比同阶数的切比雪夫、反切比雪夫和椭圆函数滤波器都好相移和频率的线性关系影响的比较小，可以实现更好的信号滤波效果和更小的信号衰减，适用于雷达呼吸心跳信号中噪声的去除。
在步骤S15中，采用二阶巴特沃斯高通滤波器以及四阶巴特沃斯低通滤波器构成滤波器组对信号进行放大滤波。
在步骤S16中，采用数字滤波技术实现呼吸信号和心跳信号的分离，可以采用FIR滤波器、IIR滤波器或者零相位IIR滤波器中的任一种。FIR滤波器、IIR滤波器的设计，将在实现本发明方法的系统中详述，在此不再赘述。
为了克服FIR滤波器和IIR滤波器的缺陷，本发明提出了一种零相位IIR滤波器，参见图11，所示为零相位IIR滤波器的实现流程图，具体包括以下步骤：
步骤S161：根据呼吸信号和心跳信号的特征分别设计呼吸信号IIR滤波器和心跳信号IIR滤波器；
步骤S162：将输入信号进行信号采样存储为数字信号序列；
步骤S163：将该数字信号序列分别输入到呼吸信号IIR滤波器和心跳信号IIR滤波器进行第一次滤波处理；
步骤S164：将经上述第一次滤波处理输出的信号执行第一次时域翻转；
步骤S165：将步骤S64输出信号再次输入到呼吸信号IIR滤波器和心跳信号IIR滤波器进行第二次滤波处理；
步骤S166：将经上述第二次滤波处理输出的信号执行第二次时域翻转，从而得到滤波后的呼吸信号和心跳信号；
步骤S167：对滤波后的呼吸信号和心跳信号进行FFT变换后分别求出频谱从而实现呼吸信号和心跳信号的分离。
在一种优选实施方式中，上述采用的数字滤波器通过程序实现。
以下详细描述下实现本发明方法的系统架构，参见图12和图13，所示为实现本发明非接触式生理信号检测方法的系统框图，该系统包括多普勒雷达传感器、电源模块、信号预处理模块、差分放大器、有源带通滤波器、呼吸和心跳信号分离模块和MCU模块，其中，电源模块用于系统供电；多普勒雷达传感器用于向人体胸腔发射连续波雷达信号并接收回波信号进行处理后输出反应人体呼吸和心跳变化的低频信号，低频信号依次经信号预处理模块、差分放大器、有源带通滤波器、呼吸和心跳信号分离模块和MCU模块信号处理后，MCU模块获取人体呼吸信号和心跳信号。
为了提高系统的检测精度，在电源模块设计中需要充分考虑电压的波动性，以及起动时强大电流对系统的干扰。故需要选取宽电压输入稳压芯片，雷达信号输出很微弱，电源模块中需要特别注意电源纹波以及噪声问题，由于系统不仅包括数字电路部分，也包含A/D转换、小信号放大等模拟部分，需要隔离数字电源和模拟电源，故分别设计雷达电源、运放电源、数字电源以及ADC基准电源。
参见图14，所示为电源模块中雷达电源的电路原理图，包括第一电源接口P1、第一保险丝F1、第一瞬态二极管TVS1、第一二极管D1、第六电解电容C6、第七电容C7、第二电容C2、第五电源芯片U5、第十四电容C14、第十五钽电容C15，其中，电源接口P1的第二脚与第一保险丝F1的一端相连接，第一保险丝的另一端与第一瞬态二极管TVS1的一端和第一二极管D1的正端相连接，第一二极管D1的负端与第六电解电容C6的正端、第七电容C7的一端、第五电源芯片第五管脚、第八管脚相连，电源接口P1的第一管脚与第一瞬态二极管TVS1的另一端、第六电解电容C6的负端、第七电容C7的另一端、第五电源芯片U5的第六管脚和第七管脚以及第三管脚共同与模拟地端相连接，第二电容C2的第一管脚与第五电源芯片U5的第四管脚相连接，第二电容C2的另一端与第五电源芯片U5的第一管脚以及第二管脚相连接，第十四电容C14的第一脚与第十五钽电容C15的正端相连、第五电源芯片U5的第一管脚以及第二管脚相连接，第十四电容C14的另一端与第十五钽电容C15的负端共同与模拟地端相连接。
在上述电路中，第五电源芯片U5采样LT1763CS8-5，输出5V电源给雷达芯片供电，该芯片是一款低噪声、低压差微功率稳压器。在10Hz-100KHz输出噪声为20μVRMS，宽电压输入范围1.8V到20V，具有非常低的待机电流1μA，内部具有过流和过热保护功能，与开关电源相比，具有纹波噪声小的特点。在电源接口端采用MF-R09009对电路进行过流保护，并且端口处并联一颗TVS管，对电源过压脉冲起到很好的保护作用，电源端串联一颗二极管防止电源反接，对后级整个系统起保护作用。为减少纹波干扰，在每个电源芯片加上一颗高频去耦电容，在每个电解电容旁边加一个高频旁路电容。
由于单电源供电运放会降低低频特性，单电源放大器输入输出信号范围会缩小，放大器对内部和外部误差源变得更敏感，同时在低压单电源器件中，增益精度也会有所降低，本发明综合考虑并通过实验验证，最终采样选择双电源给运放供电。参见图15，所示为电源模块中运放电源的电路原理图，包括第十三电容C13、第三电源芯片U3、第十八电容C18、第四电阻R4、第五电阻R5、第十六电容C16、第十七电容C17、第十九电容C19、第六电阻R6、第三电阻R3、第二十电解电容C20、第二十一电容C21、第一电阻R1、第四电源芯片U4、第一电容C1、第二电感L2、第二二极管D2、第十一电解电容C11、第十二电容C12，其中，第十三电容C13一端与第三电源芯片U3的第一脚、第三脚、第五脚相连接，第十八电容的一端与第三电源芯片U3的第四脚相连接，第十六电容C16的一端与第十七电容C17的一端、第三电源芯片的第十脚、第十一脚相连接，第四电阻R4的一端与第三电源芯片的第九脚相连接，第五电阻R5的一端与第四电阻R4的另一端、第三电源芯片U3的第八脚相连接，第十三电容C13的另一端与第十八电容C18的另一端、第五电阻R5的另一端、第十六电容C16的另一端、第十七电容C17的另一端共同和模拟地相连接；第十九电容C19一端与第三电阻R3的一端、第六电阻R6的一端、第四电源芯片U4第三脚相连接，第三电阻R3的另一端与第二十电解电容C20的正端、第四电源芯片U4的第二脚相连接，第二十一电容C21的一端与第四电源芯片U4的第四脚相连接，第一电阻R1的一端与第四电源芯片U4的第八角、第一电容C1的一端相连接，第二二极管D2的正端与第四电源芯片U4的第五脚、第十一电容C11的负端、第十二电容的一端相连接，第二二极管D2的负端与第四电源芯片U4的第七脚、第二电感L2的一端相连接，第十九电容C19的另一端与第六电阻R6的另一端、第二十电解C20的负端、第二十一C21的另一端、第一电容C1的另一端、第二电感L2的另一端、第十一电容C11的正端、第十二电容C12的另一端共同与模拟地相连接。
上述电路中，第三电源芯片U3采用LP38798SDX_ADJ以及第四电源芯片U4采用TPS6735稳压芯片，从而实现输出正负5V电源供给运放，其中正5V电源同时给A/D芯片供电。LP38798SDX_ADJ是一款宽电压输入3.0V-20V，在10Hz-100KHz输出噪声为5μVRMS，TPS6735输入电压范围4V-6.2V，静态功耗达到1μA。所以可以满足运放电源精度要求。
参见图16，所示为电源模块中数字电源的电路原理图，包括第三电容C3、第一电源芯片U1、第一电感L1、第二电阻R2、第八电容C8、第九电容C9，其中，第三电容C3一端与第一电源芯片U1的第二脚、第三脚相连接，第二电阻R2一端与第一电源芯片U1的第八脚和第十脚、第一电感L1的一端、第八电容的一端、第九电容的一端相连接，第一电感L1的另一端与第一电源芯片U1的第九脚相连接，第三电容C3的另一端与第一电源芯片U1的第四脚、第九脚、第十脚、第七脚、第二电阻R2的另一端、第八电容的另一端、第九电容的另一端共同与数字地相连接。
第一电源芯片U1采用Ti芯片TPS62177DGCR芯片，给单片机以及无线模块NRF24L01供电。该芯片输入电压范围4.7V-28V，输入电流可达500mA，在睡眠模式下，静态电流仅有4.8μA，内部有过热保护、短路保护等。
参见图17，所示为电源模块中ADC基准模块的电路原理图，包括第四电容C4、第五电容C5、第二基准电源芯片U2、第十电容C10，其中，第四电容C4的一端与第五电容C5的一端、第二基准电源芯片U2第二脚相连接，第十电容C10的一端与第二基准电源芯片U2第六脚相连接，第四电容C4的另一端与第五电容C5的另一端、第二基准电源芯片U2的第四脚、第十电容的另一端共同与模拟地相连接。
第二基准电源芯片U2采用16位精度ADC转换器，数字量输出变化1LSB，对应模拟电压变化为76μV。故需要较高的基准电压源，ADR445基准电压芯片具有超低噪声、高精度和低温度漂移性能。电源变化峰峰值只有2.25μV，能满足本数据采集系统。
参见图18，所示为本发明信号预处理模块一种实施方式的电路原理图，包括：第二雷达模块P2、第十三电阻R13、第三十三电容C33、第九集成运放U9、第二十六电阻R26、第二十九电容C29、第二十五电阻R25、第十九电阻R19、第三十四电解电容C34，其中，第二雷达模块P2采用HB100模块，第二雷达模块P2的第三脚与第十三电阻R13的一端、第九集成运放U9的第二脚相连接，第二雷达模块P2的第二脚与第三十三电容C33的一端相连接，第二十六电阻一端与第九集成运放U9的第四脚相连接，第二十六电阻的另一端与第九集成运放U9的第一脚、第二十九电容C29的一端相连接，第二十九电容C29的另一端与第二十五电阻R25的一端、第十九电阻R19的一端、第三十四电解电容的正端相连接，第三雷达模块P3的第三脚与第三十三电容的另一端、第九集成运放U9的第二脚、第二十五电阻R25的另一端、第三十四电解电容的负端共同与模拟地相连接。
上述电路的原理如下，由于雷达信号输出阻抗高，带负载能力低，为了阻抗更容易匹配，前端采用TLV2631构成电压跟随器不但提供了高的输入阻抗和低的输出阻抗。同时也起到一个隔离缓冲作用，降低了信号处理对微波前端的影响，保证了输入信号的信噪比，也为后级设计的时候可以更方便的设计滤波器来抗混叠。而雷达发射电磁波到固定物体上时，电磁波回波不会产生多普勒频率，其回波信号出现在零频率处，体现在接收到的信号直流分量上，此外，雷达为射频信号，空间的杂散信号过大，会导致后端的放大器饱和甚至损坏，为了防止由于直流分量导致放大器饱和，必须将直流分量滤除。为了进一步保证信号具有高的信噪比，在跟随输出端设计频率为0.1Hz-150Hz无源RC滤波器，由于雷达呼吸心跳信号频率要高于0.1Hz，设计RC频率点要低于0.1Hz，而RC电阻的选取也需要特别注意，如果选取的输入电阻过大，那么这时候电阻的热噪声就会很大，会超过运放的输入电压噪声水平，对后级放大干扰较大，所以要尽可能选取大的输入电容，然后大的输入电容，漏电流较大，会造成后级放大电路直接饱和。所以此处电容需要选取漏电流较小的瓷片电容。
进一步的，差分放大器用于对输入信号进行放大并消除共模噪声；雷达信号经过初级放大时，中间夹杂了大量噪声。如果初级放大器放大倍数过大的话，容易造成信号的饱和。另一方面为了减少信号源的影响，必须提高放大器的输入阻抗，对于雷达信号干扰主要来源于共模干扰，初级放大器主要作用是消除共模噪声。本发明中采用差分输入方式，在实际系统中，噪声大多以共模的形式存在。对于差分输入来说，能够有效消除共模噪声，从而可以去除信号中很大一部分噪声。
对于集成运放而言，一个很重要的性能指标就是共模抑制比CMRR。其定义如下：
其中Avd和Avs分别代表运放对差模信号和共模信号的放大倍数。在本发明一种优选实施方式中，采用仪器仪表放大器。和普通的集成运放相比，仪器仪表放大器具有更高的共模抑制比。生理放大器的CMRR一般要求60dB-80dB，具体选用Analog Device公司的仪器仪表放大器AD627的CMRR达83dB。AD627提供灵活用户选择，通过一个外部电阻，就可以设置增益，最大编程增益可达到1000，是一款轨到轨低功耗仪表放大器，具有很高共模抑制比，具有很宽的供电范围(±18V)，工作在双电源时，能够满电源幅度输出，是信号放大的理想选择。在低电源电压下工作时，满电源幅度输出级使动态范围达到最大。超低的功耗，适用于便携式低功耗设备的应用场合。
参见图19，所示为本发明差分放大器一种实施方式的电路原理图，包括：第二十四电阻R24、第三十六电容C36、第三十九电容C39、第二十九电阻R29、第十二集成仪放U12、第三十七电容C37、第三十八电容C38、第十八电阻R18、第二十四电容C24、第二十五电容C25、第十八电阻R18、第三十八电容C38，其中，第二十四电阻R24一端与第三十一电容C31的一端、第十二集成仪放U12的第三脚、第三十六电容C36一端相连接，第三十六电容C36另一端与第十二集成仪放U12的第二脚、第三十九电容C39的一端、第二十九电阻的一端相连接，第十八电阻R18的一端与第十二集成仪放U12的第八脚相连接，第十八电阻R18的另一端与第十二集成仪放U12的第一脚相连接，第二十四电容C24一端与第二十五电容C25一端相连接、第十二集成仪放U12第七脚相连接，第三十七电容C37一端与第三十八电容C38一端、第十二集成仪放U12的第四脚相连接，第三十九电容C39另一端与第二十九电阻R29的另一端、第二十四电容C24的另一端、第二十五电容C25的另一端、第三十九电容C39的另一端、第三十八电容C38的另一端共同与模拟地相连接。由此，AD627输出电压公式:VO＝(5+(200KΩ/R18))Vi，实现信号放大。
参见图20，所示为本发明有源带通滤波器一种实施方式的电路原理图，包括：第二十电阻R20、第三十电阻R30、第九电阻R9、第二十七电阻R27、第十六电阻R16、第十七电阻R17、第七电阻R7、第二十一电阻R21、第二十二电阻R22、第八电阻R8、第二十六电容C26、第二十六电容C26、第二十七电容C27、第三十二电容C32、第二十二电容C22、第三十五电容C35、第二十三电容C23、第电容C、第八集成运放U8、第十集成运放U10、第十一集成运放U11，其中，第二十六电容C26一端与第二十七电容C27的一端、第九电阻R9的一端相连接，第二十七电容C27的另一端与第八集成运放U8的第三脚、第二十电阻R20的一端相连接，第九电阻R9的另一端与第八集成运放U8的第一脚、第二十七电阻R27一端、第十六电阻R16的一端相连接，第二十七电阻R27的另一端与第八集成运放U8的第四脚、第三十电阻R30的一端相连接，第十六电阻R16的另一端与第三十二电容C32一端、第七电阻R7的一端、第十七电阻R17一端相连接、第十七电阻R17与第十集成运放U10的第四脚、第二十二电容C22的一端相连接，第七电阻R7的另一端与第二十二电容C22的另一端、第十集成运放U10的第一脚、第二十一电阻R21一端相连接，第二十一电阻R21的另一端与第三十五电容C35一端、第二十二电阻R22一端、第八电阻R8的一端相连接、第二十二电阻R22的另一端与第十一集成运放U11的第四脚、第二十三电容C23的一端相连接，第八电阻R8的另一端与第二十三电容C23的另一端、第十一集成运放U11的第一脚相连接，第二十电阻R20另一端与第三十电阻另一端、第三十二电容C32另一端、第三十五电容C35另一端共同与模拟地相连接。
上述电路中，利用两个二阶多端反馈(MFB)低通滤波器级联构成四阶低通滤波器。对于单个二阶多端反馈(MFB)低通滤波器，根据基尔霍夫定理以及负反馈运放特性可得：
其中K为滤波器增益，ωc为滤波器截止频率，B和C是归一化系数。
根据无限增益多路反馈电路拓扑结构可得归一化系数B＝1.414，C＝1，由经验规则选定C32近似于10/fc，由设计指标截止频率fc＝10Hz，可得C32＝1uF，滤波器增益分别1和10，低通滤波电路器件参数如表2所示。仿真分析可得低通滤波器幅频特性响应，其3dB截频为8.237Hz，满足设计要求。具体涉及参数如下表所示。
表2低通滤波电路元器件参数选型
压控电压源高通滤波器电路设计原理为，利用RC滤波电路和同相比例放大电路组成二阶压控电压源高通滤波器，该滤波器具有输入阻抗高，输出阻抗低的特点。巴特沃斯高通滤波器的传递函数如为
其中K为滤波器增益，ωc为滤波器截止频率。
根据设计指标，截止频率fc＝0.1Hz，滤波器增益K＝10，在f＝0.1fc时，要求幅度衰减大于30dB，令R9＝R20＝R，C26＝C27＝C，fc＝1/(2πRC)。高通滤波电路元器件参数如表3所示。仿真结果为压控电压源高通滤波器的幅频响应，其3dB截频为0.099Hz，通带特性满足设计要求，具体电路器件参数如下表3所示。
表3高通滤波电路元器件参数选型
进一步的，呼吸和心跳信号分离模块包括电平搬移电路、模数转换器和数字滤波器。由于放大电路采用双电源运放，信号的摆幅变大，输出信号也出现正负电平，不可避免的为后级ADC转换器采样带来不便，所以需要通过电平搬移电路将信号电平搬移到ADC转换器允许的信号输入范围。
参见图21，所示为电平搬移电路的电路原理图，包括：第二十八电容C28、第三十电容C30、第十电阻R10、第十四电阻R14、第十二电阻R12、第二十三电阻R23、第二十八电阻R28、第十一电阻R11、第十五电阻R15、第六集成运放U6、第七集成运放U7、第三二极管D3、第四二极管D4，其中，第十电阻R10一端与第十四电阻R14的一端、第二十八电容C28的一端、第六集成运放U6的第三脚相连接，第六集成运放U6第四脚与第六集成运放U6第一脚、第十二电阻R12的一端相连接，第十二电阻R12的另一端与第十一电阻R11的一端、第七集成运放U7的第三脚相连接，第二十三电阻R23一端与第二十八电阻R28的一端、第七集成运放U7的第四脚相连接，第二十八电阻R28的另一端与第七集成运放U7的第一脚、第十五电阻R15的一端相连接，第十五电阻R15的另一端与第三十电容C30的一端、第三二极管D3的正端、第四二极管D4的负端相连接，第十四电阻R14的另一端与第二十八电容C28的另一端、第十一电阻R11的另一端、第三十电容C30的另一端、第四二极管D4的正端共同与模拟地相连接。
上述电路中，经过带通滤波器滤波后的雷达信号采样运放OPA188构成差分运算电路，在运放的正向输入端叠加恒定电压源，构成电平搬移电路，其中电压源采用运放TLV2631构成电压跟随器产生基准2.5V电压源。其中这样通过电平搬移可将输出负电平信号搬移到正电平。输出信号加上D3、D4两颗二极管，防止信号过大对运放造成损坏，也保证输出信号在ADC转换器输入电压范围内。
模数转换器用于将模拟量转换成离散的数字量，本系统设计雷达信号输出信号频率远低于20Hz，采样频率设置为50Hz，转换速度较低，可以使用普通转换速率的AD转换器。雷达信号放大输出包含呼吸和心跳信号，为保证后续数字滤波处理能够很好的分离呼吸和心跳信号，这就需要选择较高分辨率以及多通道的AD转换器。
参见图22，所示为模数转换器的电路原理图，包括：第四十三电容C43、第四十二电容C42、第四十四电容C44、第四十八电容C48、第四十九电容C49、第四十电容C40、第三十五电阻R35、第三十二电阻R32、第十三AD转换芯片U13，其中，第四十三电容C43的一端与第四十二电容C42的一端、第十三AD转换芯片U13的第九脚相连接，第四十四电容C44的一端与第十三AD转换芯片U13的第十脚相连接，第四十八电容C48一端与第四十九电容C49的一端、第三十五电阻的一端、第十三AD转换芯片U13的第十三脚相连接，第四十电容C40一端与第十三AD转换芯片U13的第十六脚相连接，第三十二电阻R32的一端与第十三AD转换芯片U13的第一脚相连接，第四十三电容C43的另一端与第四十二电容C42的另一端、第四十四电容的另一端、第十三AD转换芯片U13的第十一脚、第十二脚、第四十八电容C48的另一端、第四十九电容的另一端共同与模拟地相连接。第四十电容C40的另一端与数字地相连接。
其中，采用美信公司MAX1167模数转换器，该芯片为低功耗、多通道、16位逐次逼近型模数转换器(ADC)，在10kps时，电流仅185μA。具有内部基准以及外部基准可供选择并带有一个高速SPI/QSPI/兼容的接口。MAX1167采用单+5V模拟电源工作，且具有独立的数字电源，允许直接与+2.7V至+5.5V的数字逻辑接口。MAX1167外部参考电压源为高精度ADR445，具有很高的稳定度。MAX1167优异的动态性能及低功耗，足以满足当前系统A/D转换器的要求。
数字滤波器采用数字滤波技术在频域对呼吸信号和心跳信号进行分离。在本发明一种优选实施方式中，数字滤波器采用FIR滤波器、IIR滤波器或者零相位IIR滤波器中的任一种。下面分别详述三种数字滤波器的设计原理。
FIR(Finite Impulse Response)滤波器是有限长单位冲激响应滤波器，它可以在保证任意幅频特性的同时具有严格的线性相频特性，同时其单位抽样响应是有限长的，因而滤波器是稳定的系统。由于生理信号中的呼吸、心跳信号，能量主要集中在零频附近，采用传统的数字滤波器必须满足以下要求：
(1)呼吸、心跳信号的频带范围主要集中在0.1Hz-4Hz，因此滤波器的带宽必须非常窄，以检测能量集中在低频段的目标信号；
(2)为了滤除有用信号频带范围之外的杂波干扰与噪声，在频域，滤波器的过渡带降落速度要非常快，以获得较陡的过渡带，尽量减少滤波器的波尾。
本发明中，生理信号滤波器的设计指标如下表4所示。
表4：生理信号滤波器设计指标
FIR滤波器的两种直接设计方法是加窗傅里叶级数法和频率抽样法。在设计滤波器过程中，选定数字滤波器的类型后，接下来就要估计满足给定滤波器指标所需要的滤波器的阶数。为了降低计算的复杂度，滤波器阶数应该选为大于或等于该估计值得最小整数。
用窗函数法设计的滤波器性能取决于窗函数w(n)的类型及窗口长度N的取值。在滤波器设计过程中，选定数字滤波器的类型后，接下来就要估算满足给定滤波器指标所需要的滤波器阶数。为降低计算的复杂度，滤波器阶数应该选为大于或者等于该估计值得最小整数。一些学者提出了从下面的数字滤波器的指标直接估计滤波器阶数为N的最小方程如Kaiser方程：设归一化通带边界角频率ωp，归一化阻带边界角频率ωs，峰值通带波纹δp，以及峰值阻带波纹δs。Kaiser方程：
其中，频率ωp和ωs分别称为通带边界频率和阻带边界频率。δp和δs称为通带和阻带的误差容值即波纹峰值。
而峰值通带波纹值αp＝-20lg(1-δp)dB，最小阻带衰减αs＝-20lg(δs)dB。
设采样频率为ft，fp和fs为通带和阻带边界频率，则以弧度为单位的归一化边界角频率可以表示为：
由此可以根据Kaiser估算出实际滤波器的窗口长度，然后可以按照过渡带及阻带衰减情况，选择窗函数形式。窗函数的选取应满足：在保证阻带衰减满足要求的情况下，尽量选择主瓣窄的窗函数以获取较陡的过渡带；尽量减少窗谱最大旁瓣的相对幅度以减小波纹峰值。表5为各种窗口函数的性能指标。
表5窗函数性能指标
根据Kaiser方程可以计算出呼吸和心跳信号窗函数长度N最小整数值分别为：227和302。依据阻带最大增益可以满足接近满足的窗函数有汉宁窗和汉明窗，由于呼吸信号和心跳信号在频域的谱峰离得非常近，因此需要选取一款频率分辨率高的窗函数。汉宁窗和汉明窗都属于升余弦窗，其特点是旁瓣泄露少。二者相比较而言，汉明窗的主瓣稍窄于汉宁窗，且汉明窗的第一旁瓣衰减速度快于汉宁窗，上述两点都致使汉明窗的频率分辨率优于汉宁窗，因此选用汉明窗作为滤波器窗函数。
IIR数字滤波器称之为递归滤波器，采用递归型结构，即结构上带有反馈环路。IIR滤波器运算结构通常由延时、乘以系数和相加等基本运算组成，可以组合成直接型、正准型、级联型、并联型四种结构形式，都具有反馈回路。对于IIR数字滤波器，最常用的设计手段是将数字滤波器的设计指标转化成模拟滤波器设计指标，从而确定满足这些指标的模拟滤波器的传递函数，然后再讲它转换为所求的数字滤波器的传递函数。其优势是可以利用一些经典的模拟滤波器形式快速完成设计。常用的模拟滤波器有巴特沃斯(Butterworth)滤波器、切比雪夫(Chebyshev)滤波器、椭圆(Ellipse)滤波器、贝塞尔(Bessel)滤波器等。数字滤波器和模拟滤波器有千丝万缕的联系，它们之间的转换是s平面和z平面的转换，转换的基本方式就是冲激响应不变法和双线性变换法。椭圆滤波器，它是采用椭圆法设计出低通的模拟滤波器，然后采用变换的方法得到数字的高通、低通、带通和带阻的滤波器。在模拟滤波器的设计中，椭圆滤波器的设计是几种滤波器设计方法中最为复杂的一种方法，但是它设计出的滤波器的阶数最小，而且它的过渡带比较窄。椭圆滤波器相比其他类型的滤波器，在阶数相同的条件下有着最小的通带和阻带波动，在通带和阻带的波动相同。
采用椭圆滤波器，可以得最小的阶数，实现给定的滤波器技术指标，椭圆滤波器需要的计算量最小。基于Matlab滤波器设计工具箱FDATOOL，滤波器参数同上一节设计参数一致的情况下，提取呼吸信号的椭圆滤波器阶数最小仅需要8阶，用于提取心跳信号的椭圆滤波器阶数最小只需要14阶，可以看出运算量远远小于FIR滤波器阶数。
参见图23和图24，所示为分别采用FIR滤波器和IIR滤波器进行滤波分离呼吸信号时域和频域对比图，从实验结果来看，在时域和频域的信号对比中，FIR滤波器和IIR滤波器都可以有效的分离出呼吸信号，FIR滤波后信号相频特性好，易实现线性相位，但所需滤波器阶数高，运算存储单元多，信号延迟较大。IIR滤波器实现相同设计指标参数，具有滤波器阶数少，所需运算存储单元少，运算量少等特点，但滤波后的信号存在严重相位失真。
针对上述两种滤波方法的优缺点，本发明在IIR滤波方法基础上进行优化并改进后提出零相位IIR滤波器，从而达到完全消除信号相位失真。
零相位IIR滤波器的基本原理如下：首先根据呼吸和心跳信号分别设计IIR滤波器，然后使信号序列正向通过滤波器得到第一次滤波的输出，然后将第一次滤波的输出序列进行时域翻转，将时域翻转后的序列通过同样的滤波器进行二次滤波，二次滤波后的输出再次进行时域翻转，这样可以利用正向时间序列和翻转时间序列通过滤波器时的相移相互抵消，从而实现滤波结果的零相移。假设滤波函数为H(z)，输入序列的z变化为X(z)，那么零相位滤波过程可以表示如下：
Y1(ejω)＝X(ejω)H(ejω)；
Y2(ejω)＝e-jω(N-1)Y1(e-jω)；
Y3(ejω)＝Y2(ejω)H(ejω)；
Y4(ejω)＝e-jω(N-1)Y3(e-jω)；
有上式推导可得，最终输入输出可以表示为：
Y(ejω)＝X(ejω)|H(ejω)|2
由此可以实现零相移滤波，从公式可以看出x序列是和滤波函数的平方相乘，因此滤波器的阶数会加倍，并且因为平方相乘，相比于其他滤波相比，信号的幅度会有所降低。
参见图25和26，所示为零相位滤波后呼吸信号和心跳信号时域图，图27为呼吸信号和心跳信号分离频域图，从图中可以看出，零相位滤波一方面信号幅度比原始信号有部分衰减，另一方面滤波器的阶数也会加倍，然而相对于FIR滤波计算阶数的几百阶而言，阶数还是很小的，计算量会显著减小，再者由于滤波时对信号时域截断，会导致信号边界失真，对于呼吸信号而言使用8阶滤波器后，再使用零相位滤波阶数会增加到16阶，信号两边信号失真，各损失16点数据。但总的来说幅度衰减不是很明显，两边信号边界损失对整个信号影响不是很大，对呼吸幅度频率的提取没有很大影响，能够有效的提取信号特征。
在一种优选实施方式中，数字滤波器通过所述MCU模块中的程序实现。
以上实施例的说明只是用于帮助理解本发明的方法及其核心思想。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以对本发明进行若干改进和修饰，这些改进和修饰也落入本发明权利要求的保护范围内。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
在一种优选实施方式中，还包括将所获取的呼吸信号和心跳信号发送到车载电脑的步骤，通过无线通讯模块以无线的方式将获取人体呼吸信号和心跳信号发送到车载电脑。无线通讯模块与所述MCU模块相连接，用于将所述MCU模块获取人体呼吸信号和心跳信号发送到车载电脑，进一步的，无线通讯模块采用2.4G无线模块NRF24L01。通过车载电脑存储和处理患者呼吸和心跳变化的情况，借助车载电脑大数据处理和存储的功能提高生理信号的检测精度，并能够实时显示。
以上实施例的说明只是用于帮助理解本发明的方法及其核心思想。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以对本发明进行若干改进和修饰，这些改进和修饰也落入本发明权利要求的保护范围内。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
- 还没有人留言评论。精彩留言会获得点赞！