基于太赫兹和循环神经网络的人体呼吸和心跳检测方法

1.本发明属于人体呼吸和心跳监测领域，具体是基于太赫兹和循环神经网络的人体呼吸和心跳检测方法。


背景技术：

2.对人体心跳、呼吸的连续监测，目前采用的解决方案通常是要求用户佩戴专用的设备，如心电检测仪、智能手环或者胸带等，这些设备在检测过程中需要与人体接触，这既不方便也不是很舒适，适用的场景也比较有限；随着物联网、信号处理以及人工智能技术的发展，对人体进行生理特征检测的方法和手段也越来越多，也有一些学者提出通过电磁波对人体进行无接触的生理特征感知。
3.非接触感知的原理主要是通过人体反射的电磁波对人体的呼吸和心跳状态进行估计，通过反射的电磁波的相位、频率等发生的变化提取呼吸和心跳的频率以及其他状态的判断；目前，主要的非接触人体感知技术主要集中在低频段的微波和毫米波上(2.4ghz-70ghz)；然而，由于带宽的限制，这些频段的空间分辨率往往不足；例如，20ghz的感知系统的分辨率仅为21cm，距离分辨率为7.5cm(5米距离)；但是，呼吸的幅度通常小于12毫米，心跳的幅度通常小于1毫米，采用微波和毫米波频段进行感知不够敏感，导致难以实现精准检测；
4.太赫兹频段是频率在0.1thz-10thz的电磁波，其波长在30到3mm之间，具有可用带宽大、对人体无害等特点，能够更好地感知心跳和呼吸的细微变化，实现更加精准的检测；目前，通过太赫兹检测人体生理特征的研究并不多，并且主要集中在对心跳和呼吸频率的检测上。而心跳和呼吸的异常信息对于医学、生物等领域具有更加广泛的应用价值。然而，使用太赫兹感知人体生理特征仍然存在诸多问题；首先，太赫兹信号在空间中衰减较为严重，容易受到噪声和干扰的影响，这对提取心跳和呼吸的信号造成一定的困难，需要采用合理的降噪算法对信号进行处理；其次，太赫兹频段高、带宽大，对于提取心跳和呼吸的特征也存在一定的困难，采用人工智能技术对数据进行分析能够更好地提取相关特征；
5.现有的技术中较为简单的方法主要通过收到的太赫兹回波信号进行时频变换后获得心跳和呼吸的频率，如使用傅里叶变换等操作，但是这类方法处理比较简单，对噪声和干扰信号没有进行处理；更进一步的方法会通过滤波器或相关算法对太赫兹回波信号进行干扰的抑制，如采用小波变换等操作，但是这类方法往往会将高频信号剔除，而心跳和呼吸的异常特征往往位于高频信号中；此外，也有一些方法采用卷积神经网络对呼吸和心跳进行异常分类，但是这种方法较为适合图像处理，而不适用于时序信号的分析，并且相关的研究也没有综合利用高频信号和低频信号的优势进行处理，导致准确率不高。


技术实现要素：

6.(一)解决的技术问题
7.本发明要解决的问题是，针对太赫兹频段信号衰减严重、频率高、带宽大的特点，
提供一种基于太赫兹和循环神经网络的人体呼吸和心跳检测方法，通过太赫兹雷达信号进行人体生理感知信号的获取，采用降噪、信号分解等方式对信息进行预处理，构造一种自适应的噪声抑制方法，随后对处理好的信号数据进行标记，并通过构建的循环神经网络模型进行训练，训练之后得到相关的模型即可用于人体呼吸和心跳频率情况的检测。
8.(二)技术方案
9.为实现以上目的，本发明通过以下技术方案予以实现：
10.基于太赫兹雷达的人体呼吸和心跳异常检测方法，包括：
11.该方法通过太赫兹雷达信号进行人体生理信号的获取，采用降噪方式对信息进行预处理，随后对处理好的信号数据进行标记，并通过构建的循环神经网络模型进行训练，训练后得到相关模型。
12.进一步的，包括如下具体检测步骤：
13.步骤1：通过太赫兹信号发生装置将调制好的太赫兹信号发射到人体上，并通过接收装置采集人体发射回波信号，解调后对信息进行数字化，存储在存储器中；
14.具体的，
15.太赫兹信号接收装置可以接收单路或多路太赫兹信号，后续算法可对不同太赫兹信号进行分别处理。
16.步骤2：通过多普勒原理，利用太赫兹的发射信号和回波信号，计算得到人体胸腔因呼吸和心跳而发生的位移信号；
17.具体的，
18.以线性调频连续波雷达为例，可以通过以下公式获取发射源到胸腔的距离信息：
[0019][0020]
其中δf1和δf2分别为上升和下降沿期间的发射信号和回波的频差，kr为信号调频斜率。再根据不同时间上的距离信息简单计算可以得到因人体呼吸和心跳发生的胸腔位移信号，具体公式如下：
[0021]
δr(t)＝r(t)-r(t-1)。
[0022]
步骤3：通过小波包变换对收集到的信号进行降噪处理，得到人体生理特征信号；
[0023]
具体的，
[0024]
步骤3-1，选择合适的小波基和小波分解层数j，将计算得到的位移信号进行小波包变换，小波包分解算法如下：
[0025][0026]
其中，d表示小波包分解系数，n表示小波节点编号，j表示分解层数，h和g表示滤波器系数，l和k表示每一层小波节点的编号；根据不同的使用场景，小波基函数可以选择包括但不限于haar、daubechies、coiflets以及symlets，该小波分解层数可选择12，但不仅限于此；
[0027]
步骤3-2，对分解得到的小波系数作阈值处理，通过选择阈值选择滤除噪声；该处采用极小极大准则阈值进行选择，其定义为：
[0028][0029]
其中噪声级σ可表示为：
[0030]
σ＝middle(w
1，k
|，0≤k≤2
j-1-1)/0.6745
[0031]
其中w
1，k
为尺度为1地小波系数；
[0032]
步骤3-3，对进行阈值处理后的小波系数进行逆变换，重新获得时序信号，重构算法如下：
[0033][0034]
步骤4：对步骤3降噪处理后的信号分别加入n组正反白噪声信号，得到n组新的信号，其中每两组白噪声信号幅值相同；
[0035]
具体的，
[0036]
加入n组高斯白噪声后的信号组可以由以下公式表示：
[0037]
xj(t)＝δr(t)+(-1)jενj(t)
[0038]
其中δr(t)表示原始信号，j＝1，2，
…
n,ε为白噪声的标准表，νj为满足标准正态分布的高斯白噪声信号。
[0039]
步骤5：利用经验模态分解对步骤4中n组加入白噪声后的信号进行经验模态分解，获得n组集成的固有模态函数；
[0040]
具体的，
[0041]
在所述步骤5中，
[0042]
对n组加入高斯白噪声后的人体胸腔位移信号进行经验模态分解的步骤为：
[0043]
步骤5-1，找到信号xj(t)中所有的极值点；
[0044]
步骤5-2，获得极值点拟合的包络线，并求出平均值mj(t),通过以下公式获得信号与包络线平均值的差值
[0045][0046]
步骤5-3，判断是否满足固有模态函数的标准，满足则进行提取，记为不满足则将作为分解信号，重复上述步骤；
[0047]
步骤5-4，重复以上步骤，直到剩余信号只是单调序列或常值序列，最终将原始信号分解为多组固有模态函数的线性叠加：
[0048][0049]
其中，a表示分解的固有模态函数的个数，ra(t)为最后剩余的单调序列或常值序列。
[0050]
步骤6：对步骤6中获得的n组集成的固有模态函数求平均值，获得最终的固有模态
函数组分量，并将频率高于50hz的固有模态函数滤除；
[0051]
具体的，
[0052]
在所述步骤6中，
[0053]
所描述对n组集成的固有模态函数求平均值可用以下公式获得:
[0054][0055]
步骤7：对步骤6中获取的固有模态函数组分量按照不同的人的生理状态进行数据标记，注明不同信号的对应的人体心跳和呼吸类型。
[0056]
步骤8：将步骤7中获得的多个固有模态函数分量输入到预先搭建好的循环神经网络中进行训练，得到最终的循环神经网络模型，其中包含各个链接的权重、激活值以及特征值对应的异常类型的信息；
[0057]
具体的，
[0058]
在所述步骤8中，
[0059]
循环神经网络为多层结构，其中每一层的网络结构都由输入、隐层、输出组成，输入为每一组固有模态函数，输入与隐藏相互连接，其连接参数为w
imfc
；隐层中为各个不同神经元节点，每个神经元节点也相互连接，其连接参数为w
cc
；隐层与输出相互连接，每个神经元节点均有输出，其连接参数为在传输的过程中，随着时间的推移，隐层中神经元节点之间的信息变化过程为：
[0060]
c(t)＝g(w
cc
·
c(t-1)+w
imfc
·
imfi(t)+bc)
[0061]
而每个神经元节点的输出可以表示为：
[0062][0063]
所述步骤8中的多层循环神经网络的层数取决于分解的固有模态函数的数量，不同层之间的隐层神经元节点互相连接，其连接参数w
′
cc
，在不同层次之间神经元节点信息传递的变化为：
[0064][0065]
因此，每个神经元节点的输出可以修改为：
[0066][0067]
其中l表示不同层次的序号。即可以表示为不同异常状态的特征值。
[0068]
步骤9：使用训练好的循环神经网络模型加载到系统中，用于对不同人体的心跳和呼吸异常信息进行识别。
[0069]
具体的，
[0070]
人体呼吸和心跳的异常信息判别方法主要步骤为：
[0071]
步骤9-1，对采集到人体太赫兹回波信号重复步骤1到步骤6的工作，得到该时间段内人体胸腔位移信号的各个固有模态函数分量；
[0072]
步骤9-2，通过步骤8中得到的多层循环神经网络模型对步骤9-1中的固有模态函数分量进行运算，得到对应输出，根据输出更加接近某种异常的特征进行异常状态判断。
[0073]
(三)综上所述,本发明包括以下至少一种有益技术效果:
[0074]
本发明提供的技术方案在对太赫兹回波信号进行降噪处理的基础上，采用经验模态分解的方法，将原始信号分解为不同频率上的固有模态函数，通过设计的多层循环神经网络对数据进行学习，构建对人体心跳和呼吸信息的识别模型；
[0075]
本发明有效地除去噪声对太赫兹回波信号的影响，具有较好的鲁棒性；
[0076]
本发明通过对高频信号和低频信号进行特征融合的方式，更好地提高对该信号的检测准确率；
[0077]
本发明可以分别不同心跳和呼吸的状态，不需要进行人工判断。
附图说明
[0078]
图1是本发明的整体流程图；
[0079]
图2是本发明的太赫兹信号采集系统示意图；
[0080]
图3是本发明的经过小波变换降噪和经验模态分解后的原始信号与固有模态函数示意图；
[0081]
图4是本发明构建的多层循环神经网络结构图。
具体实施方式
[0082]
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。此外，下文为了描述方便，所引用的“上”、“下”、“左”、“右”等于附图本身的上、下、左、右等方向一致，下文中的“第一”、“第二”等为描述上加以区分，并没有其他特殊含义。
[0083]
本实例通过获取的2000组采集的人体太赫兹回波信号与对应的心跳和呼吸异常状态对本发明的技术方案进行具体阐述。
[0084]
如图1所示，基于太赫兹雷达的人体呼吸和心跳异常检测方法，包括以下步骤：
[0085]
步骤1，接收和读取太赫兹回波信号，图2为太赫兹信号采集系统示意图，主要有太赫兹信号源、太赫兹接收端、工控机组成，太赫兹信号源通过发射太赫兹信号到人体上，太赫兹接收端接收太赫兹回波信号并存储在工控机中；
[0086]
步骤2，利用太赫回波信号和发射信号，计算出发射源到人体胸腔的位移信号，以线性调频连续波雷达为例，其计算方法如下：
[0087][0088]
其中δf1和δf2分别为上升和下降沿期间的发射信号和回波的频差，kr为信号调频斜率。根据不同周期内的距离，可以得到人体胸腔因呼吸和心跳发生的位移信号：
[0089]
δr(t)＝r(t)-r(t-1)
[0090]
步骤3，通过小波包变换对每一组位移信号进行降噪处理(后续的步骤以一组位移信号为例)，其中小波基函数采用daubechies函数，小波分解层数采用12层，降噪的具体步骤为：
[0091]
步骤3-1，根据以下公式对信号进行小波包分解：
[0092][0093]
其中，d表示小波包分解系数，n表示小波节点编号，j表示分解层数，h和g表示滤波器系数，l和k表示每一层小波节点的编号。
[0094]
步骤3-2，对分解得到的小波系数做阈值处理，通过阈值选择函数进行噪声过滤，阈值选择函数定义如下：
[0095][0096]
其中噪声级σ可表示为
[0097]
σ＝middle(w
1，k
|，0≤k≤2
j-1-1)/0.6745
[0098]
其中w
1，k
为尺度为1的小波系数。
[0099]
步骤3-3，对进行阈值处理后的小波系数进行逆变换，重新获得时序信号，重构算法如下：
[0100][0101]
步骤4，对获得的重构信号加入高斯白噪声，共加入20组，其中10组负信号，10组正信号，对应一对正负信号的幅值相同，得到20组有高斯白噪声的信号，添加公式如下：
[0102]
xj(t)＝δr(t)+(-1)jεvj(t)
[0103]
其中δr(t)表示原始位移信号，j＝1，2，
…
20,ε为白噪声的标准表，vj为满足标准正态分布的高斯白噪声信号。
[0104]
步骤5，对20组加入高斯白噪声的信号进行经验模态分解，具体步骤为：
[0105]
步骤5-1，找到信号xj(t)中所有的极值点；
[0106]
步骤5-2，获得极值点拟合的包络线，并求出平均值mj(t),通过以下公式获得信号与包络线平均值的差值
[0107]hj
(t)＝xj(t)-mj(t)
[0108]
步骤5-3，判断hj(t)是否满足固有模态函数的标准，满足则进行提取，记为不满足则将hj(t)作为分解信号，重复上述步骤；
[0109]
步骤5-4，重复以上步骤，直到剩余信号只是单调序列或常值序列，最终将原始信号分解为多组固有模态函数的线性叠加：
[0110][0111]
其中，a表示分解的固有模态函数的个数，ra(t)为最后剩余的单调序列或常值序列。
[0112]
步骤6，对20组固有模态函数进行求平均，求解公式如下：
[0113][0114]
最终得到原始信号的多组固有模态函数，如图3中第一组信号为原始信号，后面10组为原始信号的固有模态函数集合。
[0115]
步骤7，对相应数据进行标记，可以直接将标记信息存放在这些固有模态函数的文件名中；
[0116]
步骤8，通过构建的多层循环神经网络模型对得到的数据进行训练，假设本实例中的原始信号经过经验模态分解后，均产生10组固有模态函数，那么构建的多层循环神经网络层数也为10，具体结构如图4所示，每个神经元节点的输入为某一时刻的固有模态函数的幅值，输入连接神经元节点，其连接参数为w
imfc
，神经元节点与输出相连，其连接参数为此外，同一层次的神经元节点按时序相连，其连接参数为w
cc
，不同层次的神经元节点也按时序相连，其连接参数为w
′
cc
。在不同层次之间神经元节点信息传递的变化为：
[0117][0118]
因此，每个神经元节点的输出可以表示为：
[0119][0120]
其中l表示不同层次的序号。根据神经网络的输出，确定为最终输出结果，以此结果通过线性分类可确定不同类型的心跳和呼吸异常。训练过程中，算法会自动对连接参数进行测试，寻找最佳的连接参数。
[0121]
本发明提供的技术方案在对人体胸腔位移信号进行降噪处理的基础上，采用经验模态分解的方法，将计算得到的位移信号分解为不同频率上的固有模态函数，通过设计的多层循环神经网络对数据进行学习，构建对人体心跳和呼吸异常信息的识别模型。
[0122]
步骤9，完成模型建立后，可以对人体进行检测，采集人体太赫兹回波信号后，按照步骤1-6得到采集信号的固有模态函数集合，将相关数据导入到训练好的多层循环神经网络中，得到输出值，并在步骤8的线性分类模型中寻找最佳匹配分类，得到检测人体的心跳和呼吸异常类型。
[0123]
本发明提供的技术方案在对人体胸腔位移信号进行降噪处理的基础上，采用经验模态分解的方法，将计算得到的位移信号分解为不同频率上的固有模态函数，通过设计的多层循环神经网络对数据进行学习，构建对人体心跳和呼吸异常信息的识别模型；
[0124]
本发明有效地除去噪声对人体胸腔位移信号的影响，具有较好的鲁棒性；
[0125]
本发明通过对高频信号和低频信号进行特征融合的方式，更好地提高对该信号的检测准确率；
[0126]
本发明可以自动分辨不同心跳和呼吸的状态，不需要进行人工判断。
[0127]
以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单推演或替换，都应当视为属于本发明的
保护范围。