CN107822617A - 一种基于WiFi信号的心率异常检测方法 - Google Patents

Abstract

一种基于Wi‑Fi信号的心率异常检测方法，步骤有：A1，接收室内WiFi路由器发出的无线信号；A2，从WiFi无线信号提取出CSI信号；A3，对CSI信号数据预处理、建模，提取心率曲线特征；A4，从经过步骤A3处理的CSI信号数据中转化出心室曲线和心房曲线；A5，将步骤A4中获得的曲线数据与心率失常数据比对、建模；A6，建立心率失常指标，A7，进行实时的心率异常检测，判断是否有失常情况发生，提醒用户，同时保持数据记录；根据测试结果不断优化模型的特征数据。

Description

一种基于WiFi信号的心率异常检测方法

技术领域

本发明属于健康检测技术领域，特别涉及一种基于Wi-Fi信号的心率异常检测方法。

背景技术

近些年，各类无线电波被运用到智能硬件设备，用来采集用户的健康、健身数据等等。在智能家居生活中，用户更希望不需要携带任何电子感知设备就能够获取自己的健康数据，这样的一种非侵入式方案正在被更多的开发。另一发面，基于WiFi中CSI(ChannelState Information，信道状态信息)信号的室内定位、指纹识别等技术在逐渐被人们所接受。通过对一些CSI信号数据分析，可以得出CSI能够将子载波信息展示的非常丰富，并展示出比较高的多径分辨能力，尤其是对非视距范围内信号微小的变化具有很高的捕获能力，CSI数据具有高灵敏度和感知区域广等特性。

在无线通信领域，CSI(Channel State Information,信道状态信息)，是通信链路的信道属性，描述了信号在每条传输路径上的衰弱因子，比如信号散射，环境衰弱，距离衰减等信息。基于802.11n协议的WiFi技术采用MIMO-OFDM系统，利用华盛顿大学的DanielHalperin提供的工具软件，可以获取一个无线通信信道中的30个子载波；最后可以得到规范化的CSI矩阵H——n*m*30的复数矩阵，其中n表示发射天线个数，m表示接受天线个数，30是子载波信息个数。

一个2*3*30的信道信息的模矩阵如下所示：

发明内容

本发明提供了一种基于Wi-Fi信号的心率异常检测方法，通过WiFi路由器能够将用户的心率数据提取出来，并建立相关的评估指标，能够尽早让用户发现自己的心率异常情况，减少用户因为心脏突发带来的风险事故。

一种基于WiFi信号的心率异常检测方法，该方法包括以下步骤：

A1，接收室内WiFi路由器发出的无线信号；

A2，从WiFi无线信号提取出CSI(Channel State Information的缩写，信道状态信息)信号；

A3，对CSI信号数据预处理、建模，提取心率曲线特征；

A4，从经过步骤A3处理的CSI信号数据中转化出心室曲线和心房曲线；

A5，将步骤A4中获得的曲线数据与心率失常数据比对、建模；

A6，建立心率失常指标，

其中，步骤A3从CSI信号数据提取心率曲线的过程包括：

B1，数据预处理，包括：

针对心率变动是微小变动的低频数据，使用带通滤波过滤高频数据；

对于不同WiFi设备发送信号对CSI数据的影响，对WiFi信号数据进行归一化处理；

B2，去除环境噪声，包括：

多径抑制，即，将CSI从频域变换到时域(IFFT)，再通过移除与心率不相关的长时延的信号成分，以减轻环境变化和人体移动引起的多径变化；

小波滤波，即，利用离散小波变换去除高频噪声；

B3，去除个体因素差异，包括：

为了在训练样本中的数据排除个体性差异，进行数据采集之前先获取基本生理数据，包括不同的体态、身高、体重、性别、年龄、情绪和体力活动差异，并且去除差异数据；

心率使用常规标准仪器测试得到，记录处理用户静止时候，睡觉时候的心率信号，不同的数据之间会做差异化检验，确保数据关于心率的特征来自同一个大的总样本；

使用t检验方法；

B4，心率数据特征提取，包括：

采用机器学习方法对训练数据关于心率变动频域数据做出特征提取，先从CSI信号中提取出和心率变动强相关的信道数据特征，排除呼吸相关的微小变化，提取心率变动这一规律性变化数据，并做F检验；

B5，信号转换，包括：

在将与心跳信号强相关的信道数据提取之后，再对该频域信号进行快速傅里叶反变换，将心房信号，心室信号的时域信息提取出来，并给出可视化展现；

B6，数据匹配，包括：

将数据与MIT的心率失常数据进行曲线比对，分析差异，区分心室、心房的起搏、感知、不适应感、PVAB指标数据，建立相关的模式匹配；

A7，进行实时的心率异常检测，具体步骤包括：

重复步骤A1～A4，计算心率失常评估指标，判断是否有失常情况发生，提醒用户，同时保持数据记录；

根据测试结果不断优化模型的特征数据。

本发明利用普通无线设备实现心率曲线识别，心率曲线建模，在装有WiFi路由器的房间中，对于人的心房心室收缩等微小的变化，通过提取上传的CSI数据，能够得到一些有规律的波动曲线信息，并发现一些心率异常数据，提醒用户。用户不需要每天穿戴心率检测设备检测数据，能够一天24小时实时检测用户的心率变动情况，只要用户在WiFi路由器一定的联网范围内。

本发明可以解决用户在不穿戴任何硬件产品的情况下，记录用户每日的心率数据，对异常数据预警，帮助用户尽早发现心脏病症，尽早治疗，让用户有一个更健康的生活。

与现有技术相比，本发明的技术方案具有以下效果：

1)灵敏性。本发明采用的CSI信号精度远远高于RSSI信号，CSI可以检测到心率等更加微小的波动，能够达到毫米级别水平。可以分析每一个CSI数据包中的至少30个信道状态波动，由于多径抑制，可以就从数据中提取出和心率波动相关的特征数据；

2)准确性。本发明在进行数据处理时，排除了个体性，体态，活动量，情绪状态等差异性，并且过滤了不必要的噪声干扰，提取强相关的特征数据，转化成心房曲线，心室曲线，并且和标准的心率数据库匹配，多维度测试分析，确保模型的准确性；

3)方便高效。本发明只需要一个CPU和WiFi路由器即可实现，主要依赖数据收集，数据特征提取，算法实现，来检测用户心率。相比于平时需要穿戴常规心率检测仪器进行检测，用户不再需要花时间穿戴设备检测，每天都能够实时检测，方便，省时，高效。

附图说明

通过参考附图阅读下文的详细描述，本发明示例性实施方式的上述以及其他目的、特征和优点将变得易于理解。在附图中，以示例性而非限制性的方式示出了本发明的若干实施方式，其中：

图1是本发明实施例中建立心率失常指标的流程图。

图2是本发明实施例中心率异常检测的基本流程图。

图3是本发明实施例中CSI信号数据转换成心率曲线的流程图。

具体实施方式

如图1所示，基于WiFi中的CSI信号做的心率监测方案，涉及的硬件设备简单，难点在于提取和心室，心房变动曲线的特征。这个过程主要包括如下步骤：1.接收室内WiFi路由器发出的无线信号；2.从累积接收的不同家庭的无线信号中提取出CSI信号；3.对CSI信号数据预处理，建模，提取心率曲线特征；4.从CSI数据中提取出心室曲线，心房曲线；5.将结果数据与心率失常数据比对，建模；6.建立心率失常等指标；

其中，如图3所示，对于CSI信号数据转换成心率曲线的步骤有：

1.数据预处理

由于心率变动是更加微小的变动，分析低频数据，使用带通滤波过滤高频数据；使用2阶butterworth filter；由于不同WiFi设备发送功率对CSI数据有一定影响，需要对数据进行归一化处理；

2.环境噪声去除

多径抑制：将CSI从频域变换到时域(IFFT)，再通过移除与心率不相关的长时延的信号成分，以减轻环境变化和人体移动引起的多径变化；

小波滤波：利用离散小波变换去除高频噪声，其中threshholding部分采用动态阈值，4层Symlet小波；

3.个体因素差异去除

训练样本中的数据会排除个体性差异，采集胖中瘦三类人群的数据分析；进行数据采集之前先获取一些基本生理数据，包括用户一些常见的生理指标，身高，体重，性别，年龄等，用户的心率会使用常规仪器测试得到；进行系统测试时，记录处理用户静止时候，睡觉时候的心率信号，不同的数据之间会做差异化检验，确保数据关于心率的特征来自同一个大的总样本；使用t检验方法；

4.心率数据特征提取

采用机器学习方法对训练数据关于心率变动频域数据做出特征提取，先从CSI信号中提取出和心率变动强相关的信道数据特征，排除呼吸相关的微小变化，提取心率变动这一规律性变化数据，并做F检验；非正常心率数据，做同样的处理；

5.信号转换

在将与心跳信号强相关的信道数据提取之后，再对该频域信号进行快速傅里叶反变换，将心房信号，心室信号的时域信息提取出来，并给出可视化展现；

6.数据匹配

再将数据与MIT的心率失常数据进行曲线比对，分析差异，区分心室，心房的起搏，感知，不适应感，PVAB等指标数据，建立相关的模式匹配；

如图2所示，异常数据监测方法是，心率曲线模型训练之后，再放到实际环境应用与测试，并且借助实际测试结果检测模型的准确率，优化模型的一些参数，优化模型的特征数据等等。WiFi设备安装在房间之后，具体的CSI信号分析与心率异常检测的过程见图2。

值得说明的是，虽然前述内容已经参考若干具体实施方式描述了本发明创造的精神和原理，但是应该理解，本发明并不限于所公开的具体实施方式，对各方面的划分也不意味着这些方面中的特征不能组合，这种划分仅是为了表述的方便。本发明旨在涵盖所附权利要求的精神和范围内所包括的各种修改和等同布置。

Claims (1)

1.一种基于WiFi信号的心率异常检测方法，其特征在于，该方法包括以下步骤：

A1，接收室内WiFi路由器发出的无线信号；

A2，从WiFi无线信号提取出CSI(Channel State Information的缩写，信道状态信息)信号；

A3，对CSI信号数据预处理、建模，提取心率曲线特征；

A4，从经过步骤A3处理的CSI信号数据中转化出心室曲线和心房曲线；

A5，将步骤A4中获得的曲线数据与心率失常数据比对、建模；

A6，建立心率失常指标，

其中，步骤A3从CSI信号数据提取心率曲线的过程包括：

B1，数据预处理，包括：

针对心率变动是微小变动的低频数据，使用带通滤波过滤高频数据；

对于不同WiFi设备发送信号对CSI数据的影响，对WiFi信号数据进行归一化处理；

B2，去除环境噪声，包括：

多径抑制，即，将CSI从频域变换到时域(IFFT)，再通过移除与心率不相关的长时延的信号成分，以减轻环境变化和人体移动引起的多径变化；

小波滤波，即，利用离散小波变换去除高频噪声；

B3，去除个体因素差异，包括：

为了在训练样本中的数据排除个体性差异，进行数据采集之前先获取基本生理数据，包括不同的体态、身高、体重、性别、年龄、情绪和体力活动差异，并且去除差异数据；

心率使用常规标准仪器测试得到，记录处理用户静止时候，睡觉时候的心率信号，不同的数据之间会做差异化检验，确保数据关于心率的特征来自同一个大的总样本；

使用t检验方法；

B4，心率数据特征提取，包括：

采用机器学习方法对训练数据关于心率变动频域数据做出特征提取，先从CSI信号中提取出和心率变动强相关的信道数据特征，排除呼吸相关的微小变化，提取心率变动这一规律性变化数据，并做F检验；

B5，信号转换，包括：

在将与心跳信号强相关的信道数据提取之后，再对该频域信号进行快速傅里叶反变换，将心房信号，心室信号的时域信息提取出来，并给出可视化展现；

B6，数据匹配，包括：

将数据与MIT的心率失常数据进行曲线比对，分析差异，区分心室、

心房的起搏、感知、不适应感、PVAB指标数据，建立相关的模式匹配；A7，进行实时的心率异常检测，具体步骤包括：

重复步骤A1～A4，计算心率失常评估指标，判断是否有失常情况发生，提醒用户，同时保持数据记录；

根据测试结果不断优化模型的特征数据。