不同呼吸模式对雷达信号分离影响实验研究

张 静，刘 倩，张 华，路国华，王健琪

不同呼吸模式对雷达信号分离影响实验研究

张 静，刘 倩，张 华，路国华，王健琪

目的：研究生物雷达监护过程中，不同呼吸模式对雷达信号分离提取的影响。方法：在不同呼吸模式下，获取雷达式生命参数监护系统的回波信号，应用改进的信号分离算法，分离出呼吸和心跳信号，并提取对应信号的参数特征。结果：2种呼吸模式下，自适应滤波器输出的信号中心频率与心跳信号频率一致，且其余频点信号得到有效抑制。结论：该算法可以有效地分离出心跳信号，同时有效抑制其他干扰信号。

呼吸模式；生物雷达；自适应滤波；信号分离

0 引言

连续波生物雷达属于一种新的生命信息检测手段，通过接收装置检测发射电磁波的雷达回波信号，进行相关处理后获取人体呼吸和心跳信号，具有非接触、可穿透的优势，现已广泛应用于地震灾害救援、反恐防爆等领域，且在健康监护和医疗诊断等领域具有很好的应用潜力。在生理学方面，人体的呼吸和心跳等心肺活动会引起人体表面胸廓的微动，通过检测和监测这些微动信息可以反映人体的某项生理状况[1]。

近年来，生物雷达应用于生命体征的检测和监测受到广泛关注[2-4]。XIAO等[5]将微功率雷达应用于人体心肺活动检测。Morgan等[6]提出了基于自适应滤波器的生命体征信号处理方法，未见实测数据的分析。

本课题组多年来一直致力于生物雷达的相关研究，对信号分离更有效的方法进行积极探索。目前，比较常用的2种方式分别为自适应滤波和同态滤波。前者由于参考信号与噪声信号的相关性不高，滤波效果不理想。后者回波信号的成分不明确，信号分离效果差。小波变换算法不适用于雷达信号的消噪，效果不好[7-8]。

本文旨在研究不同呼吸模式下获取雷达式生命参数监护系统的回波信号，应用改进的信号分离算法分离出呼吸和心跳信号，并提取对应信号的参数特征。

1 基于最小均方算法（least mean square，LMS）自适应谐波抵消算法

1.1 LMS自适应算法

基于LMS最小均方算法的自适应滤波器用于自适应调节非递归型（finite impulse response，FIR）滤波器的系数，滤波器的输入信号、噪声的特性未知或随时间变化，但是变化信号的统计特性未知，得到输入信号和期望信号的最小均方误差滤波效果。自适应滤波器的一般结构如图1所示，x（n）为信号输入，通过自适应调节FIR滤波器的系数得到输出信号y（n），e（n）是输出信号y（n）与期望信号d（n）比较得到的误差信号。e（n）和x（n）通过自适应算法对滤波器的系数进行调整，调整的目的是使误差信号e（n）最小[9-10]。

1.2 改进的LMS自适应谐波抵消算法

将原始信号的谐波组合设置为滤波器的输入信号，改进自适应滤波算法，具体的实现框图如图2所示。图2中，自适应滤波器的参考输入为S（x，n，ω0）呼吸信号的谐波组合，H为参考的心跳信号，自适应滤波器的原始输入为D（n），将混合的体动信号滤波器的输出信号设为h′，则

误差为

在LMS准则下的自适应调整滤波器的系数若为最小，那么在得到最佳滤波后输出的信号即为心跳信号。

图1 自适应滤波器的一般结构

图2 LMS自适应谐波抵消算法框图

2 家庭监护的实验场景

2.1 雷达实验系统

该系统硬件平台主要有4个模块，分别是雷达发射与接收、信号采集单元、信号预处理以及信号处理显示模块。该系统工作参数的频率为35 GHz，发射功率为1mW，采取双向天线阵列，系统增益17 dB。信号采集与控制单元为多导生理记录仪，由美国BIOPAC公司生产。

2.2 实验设计

2.2.1 实验对象

16名平均年龄为（24±2）岁的男性青年，健康状况良好，实验开始前相关事宜知情同意。

以上结果表明,在冷水年,前期暖池热含量异常偏低通过引起冷SSTA,维持并加强了菲律宾反气旋环流,增强了其西侧向江南地区的水汽输送;异常的Walker环流通过引起异常经圈环流的作用,以及副热带西风急流轴南压引起的高空强辐散都有利于上升运动和对流活动在江南地区发展,最终导致JRS降水显著增多;暖水年则情况相反。

2.2.2 实验方法

实验对象距实验信号采集系统正前方4 m处，取坐姿，实验过程分为平静呼吸和深呼吸2种模式。平静呼吸不加任何限制，实验对象正常自由呼吸状态；深呼吸设置时间限制为10 s/次。实验开始后，应尽量避免实验对象的身体出现晃动，以减少数据采集过程中的干扰信号。

由多导生理参数记录仪完成实验数据采集，得到实验对象的呼吸和体动信号，且同步采集心电放大器输出的心电信号。对实验数据统一进行后续的信号处理。

2.3 实验结果与讨论

2.3.1 深呼吸模式

图3为深呼吸模式下被测对象原始体动信号和滤波后体动信号的频谱分析图。

图3 深呼吸模式下滤波前后信号频谱图

如图3（a）所示，滤波前信号的频域图中1.124 Hz处出现幅值最大信号，且干扰信号的频率主要集中在1.5～4 Hz频率内。在自适应滤波器处理，滤波后的波形表现为图3（b）：滤波后信号的时域波形光滑，周期性重复。频域中显示幅值最大信号在1.124 Hz处，且位于1和1.6Hz频点的干扰有效抑制，1.124Hz处的能量相对增强，1.5～4 Hz频带内的噪声削弱。滤波后频谱中1.124 Hz信号能量最强，而同步得到实验对象的心率值为1.19 Hz，因此证实滤波输出信号为心跳信号。统计分析16名实验对象滤波后输出信号的中心频率与其同步得到的心电信号频率一致，且中心频率信号以外的频点信号幅值被减弱，表明该算法有效实现了信号分离得到心跳信号。

2.3.2 平静自由正常呼吸模式

图4为平静自由呼吸模式下被测对象原始体动信号和滤波后体动信号的频谱分析图。

图4 平静自由呼吸模式下滤波前后信号频谱图

如图4（a）所示，滤波前最大幅值为1.417 Hz处，而其有较大幅值的干扰处则在1、2、2.5 Hz频率点附近。其中，噪声信号主要集中在0.7～2.8 Hz。如图4（b）所示，滤波后输出信号的波形平滑，周期性重复。频域中信号最大幅值在1.584 Hz处，其他幅值较小的频率点受到抑制，那么1.584 Hz处的幅值相对会被显著增强。同步记录实验对象的心率1.312 Hz，输出频谱中1.584 Hz的信号能量最强，说明为心跳信号。统计分析16名实验对象滤波后的中心频率与其心率一致，且中心频率以外频点信号幅值被减弱，说明通过该算法可以分离出心跳信号，同时有效抑制其他干扰信号。

实验结果表明，通过LMS自适应谐波抵消器对体动信号处理后可以分离出心跳信号，而对其他频率的信号则会发挥一定的抑制作用。

3 结论

该实验结果充分表明，当实验体在深呼吸时，由心电记录仪检测的心电信号和滤波后的心跳信号二者之间的心率值误差为0.066 Hz；当实验体在平静呼吸时，其心率误差仅为0.27 Hz。因此，实验对象深呼吸时检测分离出的心跳信号心率相较于其平静呼吸时分离出的心跳信号心率有着更高的准确性。

然而由于机体在深呼吸时主要采取的是腹式呼吸，依靠膈肌上下运动来控制肺通气，而胸部保持不动；机体在平静呼吸时主要进行的是胸式呼吸，依靠胸廓和肋骨运动为主导，而腹部则保持不动。而基于雷达式的生命检测系统主要是检测胸廓的体表微动，因此当机体平静呼吸时，其胸廓运动的幅度加大，导致叠加在体动信号的干扰变大，这样就给信号分离带来了很大困难，分离结果也会存在较大误差。因此，在下一步的研究中，还需对自适应谐波抵消参考输入信号的设置进行深入改进，从而使分离效果达到更好。

[1]胡巍，王云峰，赵章琰，等.连续波生物雷达体征检测装置与实验研究[J].中国医疗器械杂志，2014，38（2）：102-106.

[2]Brink M，Muller C H，Schierz C.Contact-free measurement of heart rate，respiration rate，and body movements during sleep[J].Behav Res Methods，2006，38（3）：511-521.

[3]Corbishley P，Rodriguez-Villegas E.Breathing detection：towards a miniaturized，wearable，battery-operated monitoring system[J].IEEE Trans Biomed Eng，2008，55（1）：196-204.

[4]Immoreev I，Tao T H.UWB radar for patient monitoring[J].IEEE Areosp Electron Syst Mag，2008，27（8）：11-18.

[5]XIAO Y M，LIN J S.A ka-band low power doppler radar system for remote detection of cardiopulmonary motion[J].Conf Proc IEEE Eng Med Biol Soc，2005，7：7 151-7 154.

[6]Morgan D R，Zierdt M G.Novel signal processing techniques for Doppler radar[J].IEEE Signal Process，2009，89：45-66.

[7]杨冬，王健琪，荆西京，等.雷达式非接触生命参数检测系统中心跳信号提取方法研究[J].医疗卫生装备，2005，26（8）：20-21.

[8]岳宇.生物雷达检测技术中呼吸和心跳信号分离技术研究[D].西安：第四军医大学，2007.

[9]何振亚.自适应信号处理[M].北京：电子工业出版社，2006.

[10]Diniz P S R.自适应滤波算法与实现[M].2版.刘郁林，景晓军，谭刚兵，等，译.北京：电子工业出版社，2004：121-135.

（收稿：2014-10-25 修回：2015-05-22）

《医疗卫生装备》杂志“研究与设计”栏目征稿

本刊“研究与设计”栏目主要报道生物医学工程领域最新的科研理论及成果，重点报道该领域中前沿的基础研究及其应用，尤其是获得国家、省部级课题资助的项目。为了保障该栏目文稿的水平和质量，更好地服务广大读作者，特面向全国征稿。论文格式参照本刊稿约，请保证文章版权的独立性，严禁抄袭，文责自负，勿一稿多投。欢迎向该栏目投稿，优秀稿件的出版周期将大大缩短。

注：凡来稿请务必在稿件开头注明作者通讯地址、邮编以及联系电话和E-mail，以便我们及时与您联系。

（本刊编辑部）

Experimental study on effects of different breathing modes on separation of bioradar signals

ZHANG Jing1,LIU Qian2,ZHANG Hua1,LU Guo-hua1,WANG Jian-qi1
（1.School of Biomedical Engineering,the Fourth Military Medical University,Xi'an 710032,China; 2.Department of Radiology,Xi'an Central Hospital,Xi'an 710002,China）

ObjectiveTo separate the biological radar echo signals in different breathing modes.MethodsEcho signals of bioradar-based vital signs monitoring system were acquired in different breathing modes,and an improved signal separation algorithm was used to obtain respiratory and heartbeat signals as well as their parameters.ResultsUnder two breathing modes,the center frequencies of the signals from the self-adaptive filter were kept consistent with those of heartbeat signals,and the signals with other frequencies were suppressed effectively.ConclusionThe algorithm can be used to separate heartbeat signals while suppress other interference signals effectively.ZHANG Jing and LIU Qian are the first authors who contributed equally to the article.[Chinese Medical Equipment Journal，2015，36（9）：38-40]

breathing mode;bioradar;self-adaptive filtering;signal separation

R318；TN911.7

A

1003-8868（2015）09-0038-03

10.7687/J.ISSN1003-8868.2015.09.038

国家自然科学基金面上项目（61271102）

张 静（1984—），女，助教，主要从事生物医学工程方面的研究工作，E-mail：bme395@fmmu.edu.cn；刘 倩（1984—），女，助理工程师，主要从事生物医学工程信号处理方面的研究工作，E-mail：648295424 @qq.com。

710032西安，第四军医大学生物医学工程系（张 静，张 华，路国华，王健琪）；710002西安，西安市中心医院放射科（刘 倩）

共同第一作者：张 静，刘 倩

王健琪，E-mail：wangjq@fmmu.edu.cn；路国华，E-mail：lugh1976 @fmmu.edu.cn