一种基于脉冲超宽带雷达的非接触血压测量方法与流程

1.本发明属于非接触生命体征检测领域，具体涉及一种基于脉冲超宽带雷达的非接触式血压测量方法。


背景技术：

2.高血压是最常见的慢性病之一，据统计，中国约有四分之一的人都患有高血压，它会诱发很多心脑血管疾病。所以，血压监测对于疾病的预防具有重大意义。目前常用的血压计大多是袖带式，需要紧绑在被测者的胳膊上，这对于胳膊受伤不适宜进行皮肤接触的患者来说并不适用，袖带也给测量增加了不便。
3.非接触式测量为长期血压监测提供了便利，超宽带雷达具有功耗低、抗干扰能力强以及穿透力强等优势，已经存在许多使用超宽带雷达进行非接触生命体征监测的研究，随着技术的发展，基于雷达的非接触式血压测量方法逐渐出现，具有良好的发展前景。
4.目前基于雷达的血压测量方法有使用心电图或光电容积图与雷达结合的方式，这类方法同样需要传感器附着身体，由此带来不便。仅使用雷达的方法一般是：通过获取心脏或颈动脉和腕部桡动脉的跳动波形，根据波形的某些特征，例如收缩周期、幅值、斜率等参数，计算脉搏波传输时间，根据线性回归拟合血压的表达式。但这些方法通常需要被试者在测量时平躺，保持完全静止甚至屏住呼吸，然而当伴随身体微动时，噪声干扰较大，脉搏波会存在失真，难以直接提取出血压相关的特征，拟合度较差。
5.现有技术中，如文献1：cn202111244372.5提供了一种基于毫米波雷达信号的人体血压检测方法，在距离人体手腕处预设高度的位置采集毫米波雷达信号，通过三部分神经网络生成预测血压。该方法需要对三部分神经网络分别进行训练，操作较为繁琐，不利于此后长期实时化的监测，且神经网络的泛化能力较弱，全部依赖于神经网络进行数据处理与预测，在真实场景中的鲁棒性也可能会有所不足。文献2：cn202210010289.x也提供了一种基于毫米波雷达的血压检测方法，利用小波包分解重构脉搏波信号，并对其进行特征点检测，根据特征点数据进行回归分析，获得血压检测结果，但在实际场景中往往波形存在畸变，特征点数据会模糊甚至异常，无法良好地拟合与血压的关系。


技术实现要素：

6.有鉴于此，本发明提出一种基于脉冲超宽带雷达的非接触血压测量方法，利用神经网络，能够自动捕捉脉搏波信号的深层时序特征，准确且便捷地进行血压监测。
7.所述基于脉冲超宽带雷达的非接触血压测量方法，具体步骤如下：
8.步骤一、超宽带雷达持续发射脉冲信号，经有效探测区域内人体、墙体以及地面反射后，被接收天线接收，逐行堆叠累积，形成二维雷达信号矩阵m1；
9.二维雷达回波信号矩阵记为：
10.其中行向量表示快时间维度，与探测距离呈正相关；列向量表示慢时间维度，与数据累计时间呈正相关，矩阵各元素x
ij
代表雷达信号采样值。
11.步骤二、对雷达信号矩阵m1进行预处理操作，去除直流分量，进行带通滤波和去杂波，得到预处理后的雷达信号矩阵m。
12.步骤三、从雷达信号矩阵m中按列计算各列的能量值，选择最大的一列信号，视为生命体征信号s1；
13.步骤四、通过变分模态分解算法对生命体征信号s1消除运动和呼吸干扰，获得心跳信号s2和脉搏波信号s3。
14.首先，对生命体征信号s1，通过变分模态分解获得具有不同中心频率的模态信号，进行快速傅里叶变换计算其频率，选择标准心率值；
15.变分模态分解的公式为：
[0016][0017]
其中{μi}和{ωi}分别对应分解后的第i个模态分量和中心频率，δ(t)为狄拉克函数，β为二次惩罚因子，γ为拉格朗日乘数算子，f(t)为原始信号。
[0018]
然后，选取中心频率为标准心率值的模态信号作为心跳信号s2。
[0019]
最后，除了能量最小的模态信号外，选取心跳信号及能量小于心跳信号的模态信号叠加，视为脉搏波信号s3。
[0020]
步骤五、根据心跳信号s2和脉搏波信号s3的周期及相关性，提取单拍脉搏波信号s4；
[0021]
单拍脉搏波提取包括：
[0022]
首先，以心跳信号极小值点为分割点，切分单拍心跳信号。
[0023]
然后，以最接近心跳信号极小值点的脉搏波信号极小值点为分割点，切分单拍脉搏波信号。
[0024]
最后，计算单拍心跳信号与单拍脉搏波信号之间的相关系数，选取相关系数大于0.6的单拍脉搏波信号s4；
[0025]
相关系数计算公式为：
[0026]
其中g
p
为单拍脉搏波信号，gh为单拍心跳信号，cov()为协方差公式，σ2()为方差公式。
[0027]
步骤六、设置血压预测神经网络，将单拍脉搏波信号s4标准化后输入血压预测神经网络进行训练。
[0028]
步骤七、针对新的受试者，重复上述步骤一到五，得到单拍脉搏波信号s4，标准化后输入进训练好的血压预测神经网络，直接得到血压结果。
[0029]
本发明的优点在于：
[0030]
本发明一种基于脉冲超宽带雷达的非接触式血压测量方法，无需接触皮肤，能够方便且准确地进行血压测量。与基于信号处理的方法不同，本发明不仅使用超宽带雷达提取出与血压相关的脉搏波信号，还通过神经网络自适应地分析信号的时序特征，根据特征映射为血压结果进行输出。
附图说明
[0031]
图1为本发明一种基于脉冲超宽带雷达的非接触式血压测量方法的流程图。
[0032]
图2为本发明经预处理后的雷达信号矩阵示意图。
[0033]
图3为本发明提取的生命体征信号示意图。
[0034]
图4为本发明提取的脉搏波信号示意图。
[0035]
图5为本发明提取的单拍脉搏波示意图。
[0036]
图6为本发明血压预测神经网络结构示意图。
具体实施方式
[0037]
下面结合实施例和附图对本发明做进一步详细解释说明。下面描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。
[0038]
本发明一种基于脉冲超宽带雷达的非接触式血压测量方法，利用神经网络，能够自动捕捉脉搏波信号的深层时序特征，准确且便捷地进行血压监测；具体分为以下步骤：
[0039]
步骤1：雷达信号获取。超宽带雷达持续发射脉冲信号，信号经有效探测区域内物体、墙体以及地面反射后，被接收天线接收，逐行堆叠累积，形成二维雷达信号矩阵m1；
[0040]
步骤2：雷达信号预处理。去除直流分量，进行带通滤波和去杂波。
[0041]
步骤3：生命体征信号提取。对预处理后的雷达信号矩阵m，在快时间维度挑选能量最大的一列信号，视为生命体征信号s1，每列信号的能量可以通过计算其方差的形式来表示。
[0042]
步骤4：运动和呼吸干扰消除。通过变分模态分解(variational mode decomposition,vmd)，对生命体征信号s1消除运动和呼吸干扰，获得心跳信号s2和脉搏波信号s3。
[0043]
步骤5：单拍脉搏波提取。根据心跳信号s2和脉搏波信号s3的周期及相关性，提取单拍脉搏波信号s4，标准化后作为血压预测神经网络的输入。
[0044]
步骤6：设置血压预测神经网络。
[0045]
步骤7：划分训练集、验证集和测试集，对神经网络进行训练。
[0046]
步骤8：通过训练后的血压预测神经网络对受试者进行血压预测。
[0047]
如图1所示，具体步骤如下：
[0048]
步骤一、超宽带雷达持续发射脉冲信号，经有效探测区域内人体、墙体以及地面反射后，被接收天线接收，逐行堆叠累积，形成二维雷达信号矩阵m1；
[0049]
二维雷达回波信号矩阵记为：
[0050]
其中行向量表示快时间维度，与探测距离呈正相关；列向量表示慢时间维度，与数据累计时间呈正相关，矩阵各元素x
ij
代表雷达信号采样值。
[0051]
步骤二、对雷达信号矩阵m1进行预处理操作，去除直流分量，进行带通滤波和去杂波，得到预处理后的雷达信号矩阵m。
[0052]
预处理操作包括：首先，对雷达信号矩阵m1的每行根据特定应用场景进行分段，每段取平均值，各段减去其对应的平均值，去除直流分量。
[0053]
本实施例选择每行以156列数据分段；
[0054]
然后，对去除直流分量的雷达信号矩阵，使用通带为6.5ghz-8ghz的带通滤波器对每一行数据进行滤波。
[0055]
最后，对带通滤波后的雷达信号矩阵，通过滑动平均算法去除静态杂波，得到雷达信号矩阵m；
[0056]
每行的静态杂波为前一行静态杂波与本行数据的加权和，表示为：
[0057]
c(t,τ)＝a
·
c(t-1,τ)+(1-a)
·
x(t,τ)
[0058]
其中c(t,τ)为本行的静态杂波，a为权重，在本实施例中设置为0.9，c(t-1,τ)为前一行静态杂波，x(t,τ)为本行数据，初始化时第一行的静态杂波为0.1
·
x(1,τ)。
[0059]
步骤三、从雷达信号矩阵m中按列计算各列的能量值，选择最大的一列信号，视为生命体征信号s1；
[0060]
每列信号的能量通过计算其平方和的形式来表示，第j列信号的能量计算公式为：
[0061][0062]
其中m为信号长度。
[0063]
步骤四、通过变分模态分解算法对生命体征信号s1消除运动和呼吸干扰，获得心跳信号s2和脉搏波信号s3。
[0064]
首先，对生命体征信号s1，通过变分模态分解获得具有不同中心频率的模态信号，进行快速傅里叶变换计算其频率，选择标准心率值；
[0065]
正常人心率范围为0.8-2hz，即每分钟50-120次，所以选取落在0.8-2hz的频率为心率值。
[0066]
变分模态分解的公式为：
[0067][0068]
其中{μi}和{ωi}分别对应分解后的第i个模态分量和中心频率，δ(t)为狄拉克函数，β为二次惩罚因子，γ为拉格朗日乘数算子，f(t)为原始信号。
[0069]
然后，选取中心频率为标准心率值的模态信号作为心跳信号s2。
[0070]
最后，除了能量最小的模态信号外，选取心跳信号及能量小于心跳信号的模态信号叠加，视为脉搏波信号s3。
[0071]
步骤五、根据心跳信号s2和脉搏波信号s3的周期及相关性，提取单拍脉搏波信号s4；
[0072]
单拍脉搏波提取包括：
[0073]
首先，以心跳信号极小值点为分割点，切分单拍心跳信号。
[0074]
然后，以最接近心跳信号极小值点的脉搏波信号极小值点为分割点，切分单拍脉搏波信号。
[0075]
最后，计算单拍心跳信号与单拍脉搏波信号之间的相关系数，选取相关系数大于0.6的单拍脉搏波信号s4；
[0076]
相关系数计算公式为：
[0077]
其中g
p
为单拍脉搏波信号，gh为单拍心跳信号，cov()为协方差公式，σ2()为方差公式。
[0078]
步骤六、设置血压预测神经网络，将单拍脉搏波信号s4标准化后输入血压预测神经网络进行训练。
[0079]
血压预测神经网络包括以下结构：
[0080]
首先，将标准化后的单拍脉搏波信号s4作为样本，输入两个分支进行不同尺度的卷积；
[0081]
第一分支的结构依次为5
×
1一维卷积层，bn层，最大池化层，5
×
1一维卷积层，bn层，5
×
1一维卷积层，bn层，1
×
1一维卷积层，最大池化层；第二分支的结构依次为3
×
1一维卷积层，bn层，最大池化层，3
×
1一维卷积层，bn层，3
×
1一维卷积层，bn层，1
×
1一维卷积层，最大池化层。
[0082]
然后，将两个分支卷积得到的特征图拼接，依次经过dropout层，两层门控循环单元(gated recurrent unit,gru)，多头注意力模块，dropout层和两层全连接层，输出预测结果；
[0083]
其中dropout层用于防止过拟合，门控循环单元和多头注意力模块能捕获信号的深层时序特征，全连接层能将特征映射为输出的血压值。
[0084]
步骤七、针对新的受试者，重复上述步骤一到五，得到单拍脉搏波信号s4，标准化后输入进训练好的血压预测神经网络，直接得到血压结果。
[0085]
实施例：
[0086]
本实例中将脉冲超宽带雷达安装在距离受试者胸部60厘米左右的支架上，被检测的人员为一名成年男性，年龄为23岁，体重为65kg，身高为180cm。
[0087]
处理流程的步骤如下：
[0088]
步骤1：使用脉冲超宽带雷达获取雷达信号，脉冲超宽带雷达对测试场地持续地发送脉冲信号，经测试场地内的待测试人体以及地面的反射后，被雷达接收天线接收，接收信号以二维矩阵的数据形式进行储存和进一步分析；
[0089]
其中，该二维矩阵的行向量表示脉冲超宽带雷达快时间维度，与探测距离呈正相关，探测距离在本实例中设置为3米，即本实例中二维矩阵的每一个行向量拥有437列的固
定长度；列向量表示慢时间维度，与数据累计时间呈正相关，雷达采样帧率被设置为20帧每秒，即本实例中二维矩阵的列向量长度每秒钟增加20行。每组采集10秒数据，即形成200*437的二维矩阵m1，代表实数域。
[0090]
步骤2：对雷达信号矩阵m1进行预处理操作，去除直流分量、进行带通滤波和去杂波；得到预处理后的雷达信号矩阵m
[0091]
预处理后的雷达信号矩阵如图2所示；
[0092]
步骤3：生命体征信号提取。在静止环境下，由胸膛振动引起的起伏占据最大能量，所以对预处理后的雷达信号矩阵在快时间维度挑选能量最大的一列信号，视为生命体征信号s1，每列信号的能量可以通过计算其方差的形式来表示，生命体征信号如图3所示。
[0093]
步骤4：运动和呼吸干扰消除。通过变分模态分解，对生命体征信号s1消除运动和呼吸干扰，获得心跳信号和脉搏波信号脉搏波信号如图4所示；
[0094]
具体步骤包括：
[0095]
步骤4-1：对生命体征信号s1，通过变分模态分解获得具有不同中心频率的模态信号，进行快速傅里叶变换(fast fourier transform，fft)计算其频率，正常人心率范围为0.8-2hz，所以选取落在0.8-2hz的频率为心率值。
[0096]
步骤4-2：以心率值为标准，选取中心频率最接近心率的模态信号作为心跳信号s2。
[0097]
步骤4-3：因为环境噪声通常占据最小的能量，为了恢复出具有较多血压相关信息的波形，所以除了能量最小的模态信号外，选取心跳信号及能量小于心跳信号的模态信号叠加，视为脉搏波信号s3。
[0098]
步骤5：单拍脉搏波提取。根据心跳信号s2和脉搏波信号s3的周期及相关性，提取单拍脉搏波信号标准化后作为神经网络的输入，如图5所示，具体步骤包括：
[0099]
步骤5-1：以心跳信号极小值点为分割点切分单拍心跳信号。
[0100]
步骤5-2：以最接近心跳信号极小值点的脉搏波信号极小值点为分割点切分单拍脉搏波信号。
[0101]
步骤5-3：计算单拍心跳信号与单拍脉搏波信号之间的相关系数，选取相关系数大于0.6的单拍脉搏波信号，因为脉搏波信号的周期一般不大于1.5秒，所以对单拍脉搏波以1.5秒即30个采样点进行截取或补零操作，标准化后作为神经网络的输入。
[0102]
步骤6：设置血压预测神经网络，网络结构如图6所示，包括：
[0103]
首先通过两个分支进行不同尺度的卷积，结构依次为一维卷积层，bn层，最大池化层，一维卷积层，bn层，一维卷积层，bn层，1
×
1一维卷积层，最大池化层，其中两个分支的前三个卷积层的卷积核大小不同，分别为5和3，其余层相同。
[0104]
不同尺度的卷积能提取波形的不同特征，1
×
1卷积核用于升维，bn层用于防止梯度爆炸，最大池化层用于减少计算量，增加鲁棒性。
[0105]
接着，将两个分支得到的特征图拼接，经过dropout层，两层门控循环单元，多头注意力模块，dropout层，两层全连接层，输出预测结果。dropout层用于防止过拟合，gru网络
能获取序列的时序特征，多头注意力模块能捕捉序列的深层时序关系。
[0106]
步骤7：基于单拍脉搏波信号和其对应标签，对神经网络进行训练，其中标签为血压计测得的真实血压值。损失函数采用均方根误差(mean square error,mse)，激活函数为relu，优化器为adam，批量大小为32，共进行50轮训练。
[0107]
步骤8：通过训练后的血压预测神经网络对被试者进行血压预测。
[0108]
显然，本领域的技术人员可以对本技术进行各种改动和变型而不脱离本技术的精神和范围。这样，倘若本技术的这些修改和变型属于本技术权利要求及其等同技术的范围之内，则本技术也意图包含这些改动和变型在内。