CN110353649B - 一种心率检测方法 - Google Patents
一种心率检测方法 Download PDFInfo
- Publication number
- CN110353649B CN110353649B CN201910596367.7A CN201910596367A CN110353649B CN 110353649 B CN110353649 B CN 110353649B CN 201910596367 A CN201910596367 A CN 201910596367A CN 110353649 B CN110353649 B CN 110353649B
- Authority
- CN
- China
- Prior art keywords
- heart rate
- wifi
- wifi csi
- singular
- rate detection
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 58
- 238000001228 spectrum Methods 0.000 claims abstract description 24
- 238000000034 method Methods 0.000 claims abstract description 20
- 238000010183 spectrum analysis Methods 0.000 claims abstract description 19
- 230000003044 adaptive effect Effects 0.000 claims abstract description 18
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 16
- 238000012545 processing Methods 0.000 claims abstract description 11
- 239000011159 matrix material Substances 0.000 claims description 40
- 238000005070 sampling Methods 0.000 claims description 22
- 239000013598 vector Substances 0.000 claims description 21
- 238000001914 filtration Methods 0.000 claims description 10
- 238000013507 mapping Methods 0.000 claims description 4
- 230000017105 transposition Effects 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 2
- 230000003595 spectral effect Effects 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 8
- 230000033001 locomotion Effects 0.000 description 7
- 230000029058 respiratory gaseous exchange Effects 0.000 description 7
- 230000000694 effects Effects 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 4
- 230000000737 periodic effect Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000006399 behavior Effects 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 208000024172 Cardiovascular disease Diseases 0.000 description 2
- 206010008479 Chest Pain Diseases 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000010009 beating Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 208000019622 heart disease Diseases 0.000 description 2
- 230000008376 long-term health Effects 0.000 description 2
- 238000013186 photoplethysmography Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000000284 resting effect Effects 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 229910004498 HfIn Inorganic materials 0.000 description 1
- 206010033557 Palpitations Diseases 0.000 description 1
- 208000006011 Stroke Diseases 0.000 description 1
- 206010042434 Sudden death Diseases 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 210000005252 bulbus oculi Anatomy 0.000 description 1
- 239000000969 carrier Substances 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000002301 combined effect Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 230000009429 distress Effects 0.000 description 1
- 208000002173 dizziness Diseases 0.000 description 1
- 230000005672 electromagnetic field Effects 0.000 description 1
- 230000002996 emotional effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 210000003128 head Anatomy 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000001121 heart beat frequency Effects 0.000 description 1
- 238000009532 heart rate measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 208000010125 myocardial infarction Diseases 0.000 description 1
- 230000008452 non REM sleep Effects 0.000 description 1
- 238000011369 optimal treatment Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000010355 oscillation Effects 0.000 description 1
- 230000036385 rapid eye movement (rem) sleep Effects 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000033764 rhythmic process Effects 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 230000007958 sleep Effects 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 206010042772 syncope Diseases 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000011282 treatment Methods 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/0002—Remote monitoring of patients using telemetry, e.g. transmission of vital signals via a communication network
- A61B5/0015—Remote monitoring of patients using telemetry, e.g. transmission of vital signals via a communication network characterised by features of the telemetry system
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/02—Detecting, measuring or recording for evaluating the cardiovascular system, e.g. pulse, heart rate, blood pressure or blood flow
- A61B5/024—Measuring pulse rate or heart rate
- A61B5/0245—Measuring pulse rate or heart rate by using sensing means generating electric signals, i.e. ECG signals
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Molecular Biology (AREA)
- Animal Behavior & Ethology (AREA)
- Physics & Mathematics (AREA)
- Veterinary Medicine (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Surgery (AREA)
- General Health & Medical Sciences (AREA)
- Physiology (AREA)
- Signal Processing (AREA)
- Cardiology (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Psychiatry (AREA)
- Computer Networks & Wireless Communication (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
- Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)
Abstract
本发明提供一种心率检测方法，能够准确检测出人体心率。所述方法包括：采集包含心率信号的WiFi CSI数据进行处理，选取用于心率检测的子载波，其中，WiFi CSI表示无线保真的信道状态信息；利用奇异谱分析对选取的用于心率检测的子载波对应的WiFi CSI数据进行分解，得到多组WiFi CSI分量；对分解得到的各组WiFi CSI分量分别进行一阶时间差操作，得到多组一阶时间差信号；利用引入零吸引子的最小均方自适应滤波器的奇异稀疏重构方法，对得到的各组一阶时间差信号分别进行稀疏表示；对稀疏表示后的信号进行频谱峰值查询，确定人体心率。本发明涉及生物识别技术领域。
Description
技术领域
本发明涉及生物识别技术领域，特别是指一种心率检测方法。
背景技术
通过对人体的生命体征进行检测，可以得知人体的健康状况。心率是每个人身体状况的重要指标，其重要性体现在以下几个场景，例如人体在非快速眼动睡眠状态时，心率相对稳定，而在快速眼动睡眠状态时，心率的波动则明显，又比如人体在情绪变化或者剧烈运动时，呼吸和心率的变化则显著。
2017年6月，《中国循环杂志》刊登了《中国心血管病报告2016》概要。报告指出，心血管病死亡占城乡居民总死亡原因的首位，农村为45.01％，城市为42.61％。然而很多人对心脏病的认识往往不足，以为是猝死、中风等都是突发急症。其实，大部分的早期心脏病发作和中风都是可以预防的。除了保证良好的生活习惯，最关键的就是早发现早治疗。心慌、胸闷、胸痛、头昏或晕厥这些看似不起眼的症状，很有可能都是心脏发出的求救信号，而大部分人都因为大意错过了最佳治疗时机。因此，对于室内环境中长期健康监测的需求不断增加。
当前在对人体心率检测大多采用接触式可穿戴设备，需要在人体的身上穿戴一个接触式设备，如基于心电图(ECG)和光电容积描记(PPG)的手环、心率带、电极贴等设备，并且需要同肌肤相接触，由于其与身体接触的硬性需求，在长期健康监测的需求下存在着诸多不便。而非接触式的检测人们也进行了很多探索，尤其在毫米波雷达的研究上有了诸多成果。但毫米波雷达价格昂贵，且其检测距离有限。
无线保真(Wireless Fidelity，WiFi)是生活中常见的设备，人的行为会影响WiFi信号，而WiFi的信道状态信息(Channel State Information，CSI)可以反应这种影响，因此基于WiFi CSI的人体活动识别越来越受到关注。CSI包含每个子载波的相位信息和幅度信息，具有极强的多径分辨能力，能够在非视距范围内将信号的微小变化感知出来，有高灵敏度和感知区域广的特点。据浦项工科大学的Sangyoun Lee介绍，WiFi信号在室内环境中传播时，会由于环境构造多个多径效应，而人体的心跳、呼吸、体动这些微妙的运动又会进一步破环并且创造新的多径，WiFi CSI数据具有很高的灵敏度，而且它的感知区域广，这些微妙的运动就能在WiFi的信道状态信息中得到体现。
近几年，许多研究者对基于WiFi CSI数据的人体体征检测做了很多研究，其中，在呼吸上的研究取得了一定的成果，但是，但是在心率上无较大突破，这是由于采集到的WiFiCSI数据中的心率信号要比呼吸信号微弱很多，因此，难于准确地检测出心率值。
发明内容
本发明要解决的技术问题是提供一种心率检测方法，以解决现有技术所存在的心率信号微弱，难于通过采集到WiFi CSI数据准确检测出心率值的问题。
为解决上述技术问题，本发明实施例提供一种心率检测方法，包括：
采集包含心率信号的WiFi CSI数据进行处理，选取用于心率检测的子载波，其中，WiFi CSI表示无线保真的信道状态信息；
利用奇异谱分析对选取的用于心率检测的子载波对应的WiFi CSI数据进行分解，得到多组WiFi CSI分量；
对分解得到的各组WiFi CSI分量分别进行一阶时间差操作，得到多组一阶时间差信号；
利用引入零吸引子的最小均方自适应滤波器的奇异稀疏重构方法，对得到的各组一阶时间差信号分别进行稀疏表示；
对稀疏表示后的信号进行频谱峰值查询，确定人体心率。
进一步地，采用采样频率超过预设的采样阈值的采集设备采集WiFi CSI数据。
进一步地，所述采集包含心率信号的WiFi CSI数据进行处理，选取用于心率检测的子载波包括：
截取时间窗T内的WiFi CSI数据，其中，T表示时间窗的时间；
选取当前时间窗内WiFi CSI数据的方差与上一时间窗内WiFi CSI数据的方差的差最大的子载波作为心率检测的子载波。
进一步地，在利用奇异谱分析对选取的用于心率检测的子载波对应的WiFi CSI数据进行分解之前，所述方法还包括：
对选取的用于心率检测的子载波对应的时间窗T内的WiFi CSI数据进行降采样和带通滤波处理，得到时间序列ycsi＝[y1,…,yN]T；其中，上标T表示矩阵转置；N表示选取的用于心率检测的子载波对应的时间窗T内的WiFi CSI数据经过降采样和带通滤波处理后，时间窗T内的WiFi CSI数据量。
进一步地，所述利用奇异谱分析对选取的用于心率检测的子载波对应的WiFi CSI数据进行分解包括：
将时间序列ycsi＝[y1,…,yN]T映射到L×K的轨迹矩阵X上；
对轨迹矩阵X进行奇异值分解，得到若干个奇异值，其中，得到的所有奇异值组成奇异向量，其中，在奇异向量中奇异值从大到小排列；
选择奇异向量中的前r个奇异值最大的分量进行分组重建轨迹矩阵X，得到r组WiFi CSI分量。
进一步地，在奇异向量中，选择贡献率之和大于预设的奇异值阈值的前r个奇异值重建轨迹矩阵X。
进一步地，稀疏表示的表达式为：
x(j+1)＝x(j)+μφ(j)sgn(e(j))-μωφ(j)
其中，x(j)表示自适应滤波器的系数，即为稀疏表示后的信号；μ表示梯度下降中的迭代步长；φ(j)表示感知矩阵的第j列；sgn()表示符号函数；e(j)表示误差；ω表示零吸引子。
进一步地，e(j)表示为：
e(j)＝diffj-φ(j)x(j)
其中，diffj为一阶时间差信号中第j个数据。
进一步地，所述对稀疏表示后的信号进行频谱峰值查询，确定人体心率包括：
对稀疏表示的各组稀疏信号进行功率谱分析，选取功率谱峰值最大的一组稀疏信号进行峰值查询，确定人体心率。
本发明的上述技术方案的有益效果如下：
上述方案中，采集包含心率信号的WiFi CSI数据进行处理，选取用于心率检测的子载波，其中，WiFi CSI表示无线保真的信道状态信息；利用奇异谱分析对选取的用于心率检测的子载波对应的WiFi CSI数据进行分解，得到多组WiFi CSI分量；对分解得到的各组WiFi CSI分量分别进行一阶时间差操作，得到多组一阶时间差信号；利用引入零吸引子的最小均方自适应滤波器的奇异稀疏重构方法，对得到的各组一阶时间差信号分别进行稀疏表示；对稀疏表示后的信号进行频谱峰值查询，确定人体心率。这样，通过合理选取WiFiCSI子载波，并且利用奇异谱分析对WiFi CSI子载波信号进行分解去噪，还采用引入零吸引子的最小均方自适应滤波器的奇异稀疏重构增加信号稀疏性，并对稀疏表示后的信号进行频谱峰值查询提取出心率成分，从而准确检测出人体心率。
附图说明
图1为本发明实施例提供的心率检测方法的流程示意图；
图2为本发明实施例提供的实验环境示意图；
图3为本发明实施例提供的选取的子载波对应的WiFi CSI数据通过带通滤波前后的对比示意图；
图4为本发明实施例提供的L＝400的WiFi CSI数据奇异值衰减示意；
图5为本发明实施例提供的一个时间窗T内的WiFi CSI数据一阶时间差分前后对比示意图；
图6为本发明实施例提供的自适应滤波器的结构示意图；
图7为本发明实施例提供的采用LMS-SSR稀疏后的信号频谱和仅采用功率谱(periodogram)分析后的信号频谱对比示意图；
图8为本发明实施例提供的心率带佩戴示意图示意图。
具体实施方式
为使本发明要解决的技术问题、技术方案和优点更加清楚，下面将结合附图及具体实施例进行详细描述。
本发明针对现有的心率信号微弱，难于通过采集到WiFi CSI数据准确检测出心率值的问题，提供一种心率检测方法。
为了更好地理解本实施例，先对信道状态信息进行简要说明：
信道状态信息是描述信号如何从发射器传播到接收器，它能够揭示出综合效果通道状态，采用正交频分复用(Orthogonal Frequency Division Multiplexing，OFDM)的方法可以充分利用信道的带宽。OFDM将总频谱划分为多个正交子载波，这使得人们从硬件设备中获得CSI有了可能。
实施例一
如图1所示，本发明实施例提供的心率检测方法，包括：
S101，采集包含心率信号的WiFi CSI数据进行处理，选取用于心率检测的子载波，其中，WiFi CSI表示无线保真的信道状态信息；
S102，利用奇异谱分析(Singular Spectrum Analysis，SSA)对选取的用于心率检测的子载波对应的WiFi CSI数据进行分解，得到多组WiFi CSI分量；
S103，对分解得到的各组WiFi CSI分量分别进行一阶时间差操作，得到多组一阶时间差信号；
S104，利用引入零吸引子的最小均方(Least Mean Square,LMS)自适应滤波器的奇异稀疏重构(SSR,Singular Sparse reconstruction)方法，对得到的各组一阶时间差信号分别进行稀疏表示；
S105，对稀疏表示后的信号进行频谱峰值查询，确定人体心率。
本发明实施例所述的心率检测方法，采集包含心率信号的WiFi CSI数据进行处理，选取用于心率检测的子载波，其中，WiFi CSI表示无线保真的信道状态信息；利用奇异谱分析对选取的用于心率检测的子载波对应的WiFi CSI数据进行分解，得到多组WiFi CSI分量；对分解得到的各组WiFi CSI分量分别进行一阶时间差操作，得到多组一阶时间差信号；利用引入零吸引子的最小均方自适应滤波器的奇异稀疏重构方法，对得到的各组一阶时间差信号分别进行稀疏表示；对稀疏表示后的信号进行频谱峰值查询，确定人体心率。这样，通过合理选取WiFi CSI子载波，并且利用奇异谱分析对WiFi CSI子载波信号进行分解去噪，还采用引入零吸引子的最小均方自适应滤波器的奇异稀疏重构增加信号稀疏性，并对稀疏表示后的信号进行频谱峰值查询提取出心率成分，从而准确检测出人体心率。
本实施例所述的心率检测方法是一种利用WiFi进行非接触式人体心率检测的方法，能够在不影响人体正常生活的情况下获取人体的心率信息。
为了更好地理解本发明实施例所述的心率检测方法，对其进行详细说明：
A1，采集包含心率信号的WiFi CSI数据。
本实施例中，为了使得采集到的WiFi CSI数据具备良好的心率信号分辨率，可以使用具有较高的采样频率(其中，较高的采样频率是指采样频率超过预设的采样阈值)的采集设备来采集WiFi CSI数据。
例如，可以采用Intel 5300网卡搭配mini-pc进行WiFi CSI数据的采集，由于需要用到较高的采样频率，所以本实施例中采用monitor模式，采样频率为1000hz。发射端网卡1号天线接出，接收端3根天线均接出。接收天线从左到右分别为1、3、2号，其中，3号接收天线和1号发送天线并列，1号、2号天线在3号天线同一平行线上的左右各一米的位置上，如图2所示。
本实施例中，所述Intel 5300网卡能提供30个子载波，子载波i的信道状态信息CSIi是一个复数值，可以表示为：
CSIi＝Ii+jQi
其中，Ii和Qi分别表示子载波i的信道状态信息的同相分量和正交分量。
本实施例中，WiFi CSI能够提供每个子载波上的相位和幅度信息，这些信息里就包含了人体行为信息，例如，呼吸、心率以及一些环境噪声。
A2，对采集的包含心率信号的WiFi CSI数据进行处理，选取用于心率检测的子载波。
本实施例中，每条天线携带有30个子载波的数据，每次仅需一个子载波的WiFiCSI数据进行心率估计，因此本实施例提出动态最大方差子载波选择法以确定对心率检测最理想的子载波。
本实施例中，认为衡量某个子载波对心率信号是否敏感，主要从数据的离散程度进行评估。因此，需要对采集到的WiFi CSI数据进行滑窗估计，当数据从一个时间窗到下一个时间窗时，心脏的跳动会影响所有子载波的信号，认为每个时间窗内方差的差最能体现出某一条子载波对于这种跳动的敏感度。
因此，本实施例中，在子载波选择上，先截取时间窗T内的WiFi CSI数据；然后，选取当前时间窗内WiFi CSI数据的方差与上一时间窗内WiFi CSI数据的方差的差最大的子载波作为心率检测的子载波，至此，获得了一条可用于心率估计的WiFi CSI数据。
A3，对选取的用于心率检测的子载波对应的时间窗T内的WiFi CSI数据进行预处理，包括：降采样和带通滤波，得到时间序列ycsi＝[y1,…,yN]T，其中，上标T表示矩阵转置；N表示选取的用于心率检测的子载波对应的时间窗T内的WiFi CSI数据经过降采样和带通滤波处理后，时间窗T内的WiFi CSI数据量。
本实施例中，通常所获取到的WiFi CSI数据中包含了大量的环境噪声以及由于多径长延迟带来的延迟信号分量和其他与人体心率无关的身体运动伪影，需要对WiFi CSI数据进行带通滤波，并且为了降低计算量，在带通滤波之前要对WiFi CSI数据进行降采样处理，具体的：
例如，T秒的时间窗在WiFi CSI数据上滑动，第二次滑动的初始时间比第一次滑动的初始时间增加t秒，并且t≤T/2，在本实施例中，T取8秒，t取2秒，信号采样频率使用1000Hz，通过降采样到125Hz，因此每个用于估计心率的时间窗内的8000个数据在降采样后只有1000个，大大降低了计算数据的大小。
由于人体正常安静状态下的心率是60～100BPM，运动员会偏慢为50BPM左右，而超过160BPM或者低于40BPM的心跳节拍，大多见于心脏病患者。因此，本实施例选取带通滤波器的截至频率为0.5Hz和3Hz(即30BPM-180BPM)，其中，选取的子载波对应的WiFi CSI数据通过带通滤波前后的对比示意图，如图3所示。
A4，利用奇异谱分析(SSA)对选取的用于心率检测的子载波对应的WiFiCSI数据进行分解。
本实施例中，由于要提取的心率信号是一种周期性信号，而奇异谱分析(SSA)是一种特别适合于研究周期振荡行为的分析方法，研究结果显示SSA对于去除噪声信号效果优于经验模态分解和小波分解。因此，本实施例，利用奇异谱分析(SSA)对WiFi CSI数据进行分解去噪，具体可以包括以下步骤：
A41，嵌入
将步骤A3得到的时间序列ycsi＝[y1,…,yN]T映射到L×K(L是根据经验假设的，但是N＝K+L-1)(本实施例中，L＝400、K＝601)的轨迹矩阵X上，得到：
A42，奇异值分解
首先计算轨迹矩阵X的协方差矩阵C＝XXT，然后对轨迹矩阵X进行奇异值分解X＝UΣVT，得到若干个奇异值：
Cvi＝λivi
其中，U是m×m维正交矩阵；Σ是m×n维对角阵(m、n分别是轨迹矩阵X的行数和列数，m＝L，n＝K)；V是n×n维正交矩阵；vi为奇异值分解后的右奇异向量；λi表示特征值；σi为奇异值，σi跟特征值类似，得到的所有奇异值组成奇异向量，在奇异向量中奇异值从大到小排列；ui为左奇异向量。
本实施例中，可以选取轨迹矩阵X的L＝400，将一个时间窗T内的1000个WiFi CSI数据(一个时间窗T内是8000个原始数据，降采样后为1000个)：ycsi＝[y1,…,y1000]T映射到L×K的轨迹矩阵X上，经过奇异值分解，得到L(400)个奇异值。
本实施例中，由于奇异值σi衰减特别快，在多数情况下，前10％甚至1％的奇异值的和就占了全部奇异值之和的99％以上，如图4所示，也就是说可以筛除奇异值所占分量不大的分量，只用奇异向量中的前r个奇异值来近似描述轨迹矩阵X：
Xm×n≈Um×rΣr×rVT r×n
这样可以大大降低后续计算内存，其中，r<<m、n且r越接近于n，则相乘的结果越接近于A。
A43，分组、重建
本实施例中，可以选择奇异向量中的前r个奇异值最大的分量进行分组重建轨迹矩阵X，得到r组WiFi CSI分量。例如，在奇异向量中，可以选择奇异值贡献率之和大于预设的奇异值阈值(例如，99.9％)的前r个奇异值重建轨迹矩阵X，即：
本实施例中，通常通过对角平均进行离散时间序列的重构，具体的：将重构前的矩阵
中的元素表示为zij(其中，zij表示重构前的矩阵X中i行j列的数，比如z12表示y2)，其中，1≤j≤K。设L*＝min(L，K)，K*＝max(L，K)，N＝K+L-1，若L<K，令z* ij＝zij，否则z* ij＝Zji，则重建后的轨迹矩阵X＝[z1,z2,…zN]可以表示为：
其中，yk是步骤A3得到的时间序列ycsi＝[y1,…,yN]T中的第k个取值,z* ij表示重构后的矩阵X中i行j列的数。
本实施例中，通过SSA，可以将一个时间窗T内的1000个WiFi CSI数据的时间序列分解成为一个1000×r的矩阵，并且每1000×1个向量代表了一种信号分量(即：每1000×1个向量表示一组WiFi CSI分量，1000×r的矩阵表示r组WiFi CSI分量)，到这里，就完成了对整个WiFi CSI数据的分解和对心跳信息的提取。
本实施例中，将每组WiFi CSI分量表示为：ycsif＝[y1,…,yN]T。
本实施例中的奇异谱分析在WiFi信号心率检测中应用于分离信号中的呼吸和运动噪声，以此达到提取心跳分量的目的。
A5，一阶时间差操作。
由于心跳是具有周期性的，在利用WiFi构建的电磁场进行WiFi CSI采集时，环境中所有微小的动作(包括身体的移动、眼球的移动和头部的转动等)都会包含到采集到的WiFi CSI数据中。一阶时间差操作可以让心跳基波和谐波频谱峰值更突出，消除其余波动并且使数据趋于平稳。
对于每组WiFi CSI分量ycsif＝[y1,…,yN]T这个周期时间序列，其一阶时间差可进行以下计算获得：
·······
本实施例中，可以令diff表示信号长度为N的WiFi CSI分量对应的一阶时间差信号，
diff的信号长度为N-1。
本实施例中，一共有r组WiFi CSI分量，则一共有r个diff。
图5为一个时间窗T内的WiFi CSI数据一阶时间差分前后对比示意图，从图5中可以看出，差分后的心跳的基频更加突出，数据更加趋于平稳。
A6，利用引入零吸引子的最小均方自适应滤波器的奇异稀疏重构方法，对分解后的WiFi CSI数据进行稀疏表示。
稀疏信号重构是压缩感知里面的一部分内容，压缩感知理论近年来得到了广泛的关注，通过压缩感知理论，在进行信号采集时，可以大大减少采样数，减少信号在采集、传输和处理过程中的数据和计算量，并且通过压缩感知理论的稀疏信号重构，能够实现采样信号的有效恢复。
本实施例中，每个diff(l)为信号长度为N的WiFi CSI分量对应的一阶时间差信号，其为压缩信号，通过压缩感知可以将其恢复为长度为P(稀疏后信号是频域，这一步类似FFT操作，一般是2的n次方取值，这里根据经验取P＝4096)的稀疏信号x(是一个P*1的矩阵)，其中P>>N，例如，本实施例中，N可以是1000，则l的最大取值为1000-1，P是4096，而diff和x的关系可以表示为：
diff＝φx+v
其中，φ是感知矩阵，v是未知的噪声向量，x是未知的稀疏信号解向量，其中大多数元素为0或者接近0，称x是稀疏的，并且其向量大小是P×1，diff其向量大小为(N-1)×1，适用于频谱估计的SSR中的感知矩阵φ可按照下式给定：
其中，φ是大小为999×4096的感知矩阵φ(N-1,P)。
在本实施例中，SSR问题的本质是对WiFi CSI信号进行稀疏表示，即采集到的原始WiFi CSI信号ycsi经过SSA信号分解后，并且通过一阶时间差表示后的信号diff通过压缩感知理论的稀疏信号重构，计算出具有稀疏性的稀疏信号x，使其有效地发展信号的稀疏性，增加频率仓的倍数，消除频谱中幅度小的噪声分量，促进主导心跳分量的重建，以此来获得高分辨率的心率估计，而解出x的方法便可通过解决以下优化问题来完成：
其中，λ是正则化参数；g(x)是惩罚函数，其可以鼓励解的稀疏性，常用的惩罚函数是1范数函数。
本实施例中，可以通过自适应算法解决,最小均方自适应滤波器可以解决SSR问题，并且可以有效地抑制来自呼吸和身体运动的噪声，自适应滤波器的框架如图6所示。
图6中，利用φ(j)＝φ(j，P)表示感知矩阵的第j行(每行有P个数据)，对应于自适应滤波器的训练序列，x(j)为对应的自适应滤波器的系数(x(j)是一个P*1的矩阵)，在本实施例中即为要求解的稀疏后的稀疏信号x，令diffj为输入的diff(l)中的第j个数据。
将该稀疏信号重构的问题映射到LMS算法中，其误差为e(j)＝diffj-φ(j)x(j)；所以其梯度下降方向为
其中e(j)2即为均方误差，但由于标准的LMS算法不能直接生成稀疏解，因此在损失函数中，需要引入稀疏惩罚函数g(x)，通常引入x(j)的1范数||x(j)||1，可以达到对梯度下降的稀疏惩罚，即其损失函数Loss＝e(j)2+ω||x(j)||1，其中，ω表示零吸引子，因此其梯度下降方向变为
其迭代方向为负梯度下降方向，即：
其中，μ为梯度下降中的迭代步长。
采用随机梯度下降的最小均根算法进行WiFi CSI信号稀疏表示的完整表达式如下：
x(j+1)＝x(j)+μφ(j)e(j)-μωφ(j)
而μω则起到了平衡估计误差和稀疏零吸引子的作用。而此种方法在进行心跳检测的过程中，由于一部分噪声会带来脉冲干扰，在光谱重建的过程中这些干扰有可能会降低心跳检测的性能，因此在梯度下降的过程中，将符号函数sgn()应用于递归误差中可以有效地限制其错误的更新界限，即：
x(j+1)＝x(j)+μφ(j)sgn(e(j))-μωφ(j)
通过设定合适的迭代步长μ和零吸引子ω，可以获得输入信号diff的稀疏表示x，其对应的频谱为便是具有高稀疏性的心跳频谱。
本实施例中，选择N＝1000，即
它是一个8s长的时间窗内降采样到125Hz后，经过SSA、一阶时间差操作后的一阶时间差信号，而稀疏后的信号维度为4096，即P＝4096，φ是大小为999×4096的感知矩阵φ(N-1,P)，其将整个频谱[0,fs]分成P个相等的频率区间，其中ki∈[1,2,····,P]，频率处的频率为
(fs为降采样后的频率125Hz)，稀疏重构后的信号如图7所示。由图7可以看出，经过稀疏后的信号比未经过稀疏后的信号具有更高的分辨率，到此，便可以对其进行峰值追踪以获得WiFiCSI信号中包含的心跳信息。
A7，对稀疏表示后的信号进行频谱峰值查询，确定人体心率。
本实施例中，在得到稀疏信号之后，要对稀疏信号进行选择。本实施例中采用功率谱分析，选取功率谱峰值最大的一组稀疏信号进行合理的峰值查询。首先初始化20BPM的频率搜索范围，选择正常人体心跳频率覆盖范围内(人体正常安静状态下的心率是60～100BPM，及1～1.6Hz)具有最大功率峰值的频率作为估计的心率值Hf，在进行第二次搜索时，以之前估计的心率Hf为中心左右各δBPM展开搜索，即搜索范围变为[Hf-δ,Hf+δ]，由于人体在连续两个时间窗(每个时间窗数据为T秒，第二个时间窗与第一个时间窗重叠T-t秒，为第一个时间窗向后滑动t秒形成)之间心率的变化不会太大，故限定当前搜索和上一次搜索结果之间的差值不能超过6BPM，并且认为超过6BPM即此次搜索结果无效，并且将上一次搜索结果Hf直接作为此次搜索结果，按照上述方法继续确定下一次检测时，人体的心率值。
为了评估本实施例所述的非接触式心率检测方法的可行性与准确性，心率检测模块：polar H10心率带进行实验评估，它是polar公司心率检测设备中最为准确的一款，也是目前市面上非常准确的一款接触式实时心率监测设备，将心率带如图8所示佩戴于胸前，并且在采集WiFi-CSI数据的同时使用心率带进行人体心率的采集，然后通过蓝牙将心率带的数据传输到计算机，计算机上的接收程序对心率带检测出来的人体真实心率值进行读取和存储，以此知道被测对象的真实心率值是多少，并且作为本实施例的实验参考值，加以两种设备所携带的时间戳信息，便可以将接触式心率带采集出来的心率和本实施例所述方法计算出来的心率进行有效对比。
本实施例中，还引入平均绝对误差(AAE)和平均绝对误差百分比(AverageAbsolute Error Percentage，AAEP)作为基于上述WiFi CSI测量心率方法的性能评估标准。
本实施例中，五个被测对象的预测值与真实值的平均绝对误差百分比如表1所示。
表1
| Object1 | Object2 | Object3 | Object4 | Object5 | |
| AAE | 2.6 | 3.89 | 4.2 | 3.4 | 4.25 |
| AAEP | 3.00％ | 4.13％ | 4.82％ | 3.78％ | 4.65％ |
表1是采用WiFi CSI对五个被测对象的心率进行估计后的平均绝对误差百分比数据，从表1可以看出，WiFi CSI进行人体心率的精确估计是可行的。
综上，通过对WiFi CSI数据的子载波进行动态选取和预处理，通过SSA对WiFi信号进行分解获得了与人体心率相关的分量，然后利用基于LMS的自适应滤波器对信号进行稀疏重构，使其具有稀疏性；最后，成功利用WiFi CSI数据非接触地计算出人体心率，并且其与商业的接触式心率带对比，AAEP在5％以内，在5个测试对象中最低达3％。实验结果表明，本发明实施例所述的心率检测方法性能良好，可以满足居家环境的、便宜的、易实现的非接触式人体心率检测，可用于人体睡眠心率监测等场景。
以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明所述原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。
Claims (7)
1.一种心率检测方法，其特征在于，包括：
采集包含心率信号的WiFi CSI数据进行处理，选取用于心率检测的子载波，其中，WiFiCSI表示无线保真的信道状态信息；
利用奇异谱分析对选取的用于心率检测的子载波对应的WiFi CSI数据进行分解，得到多组WiFi CSI分量；
对分解得到的各组WiFi CSI分量分别进行一阶时间差操作，得到多组一阶时间差信号；
利用引入零吸引子的最小均方自适应滤波器的奇异稀疏重构方法，对得到的各组一阶时间差信号分别进行稀疏表示；
对稀疏表示后的信号进行频谱峰值查询，确定人体心率；
在利用奇异谱分析对选取的用于心率检测的子载波对应的WiFi CSI数据进行分解之前，所述方法还包括：
对选取的用于心率检测的子载波对应的时间窗T内的WiFi CSI数据进行降采样和带通滤波处理，得到时间序列ycsi＝[y1,···,yN]T；其中，上标T表示矩阵转置；N表示选取的用于心率检测的子载波对应的时间窗T内的WiFi CSI数据经过降采样和带通滤波处理后，时间窗T内的WiFi CSI数据量；
所述利用奇异谱分析对选取的用于心率检测的子载波对应的WiFi CSI数据进行分解包括：
将时间序列ycsi＝[y1,···,yN]T映射到L×K的轨迹矩阵X上；
对轨迹矩阵X进行奇异值分解，得到若干个奇异值，其中，得到的所有奇异值组成奇异向量，其中，在奇异向量中奇异值从大到小排列；
选择奇异向量中的前r个奇异值最大的分量进行分组重建轨迹矩阵X，得到r组WiFiCSI分量；
将每组WiFi CSI分量表示为：ycsif＝[y1,···,yN]T；
对于每组WiFi CSI分量ycsif＝[y1,···,yN]T，其一阶时间差通过以下计算获得：
其中，diff表示信号长度为N的WiFi CSI分量对应的一阶时间差信号，
diff的信号长度为N-1。
2.根据权利要求1所述的心率检测方法，其特征在于，采用采样频率超过预设的采样阈值的采集设备采集WiFi CSI数据。
3.根据权利要求1所述的心率检测方法，其特征在于，所述采集包含心率信号的WiFiCSI数据进行处理，选取用于心率检测的子载波包括：
截取时间窗T内的WiFi CSI数据，其中，T表示时间窗的时间；
选取当前时间窗内WiFi CSI数据的方差与上一时间窗内WiFi CSI数据的方差的差最大的子载波作为心率检测的子载波。
4.根据权利要求1所述的心率检测方法，其特征在于，在奇异向量中，选择贡献率之和大于预设的奇异值阈值的前r个奇异值重建轨迹矩阵X。
5.根据权利要求1所述的心率检测方法，其特征在于，稀疏表示的表达式为：
x(j+1)＝x(j)+μφ(j)sgn(e(j))-μωφ(j)
其中，x(j)表示自适应滤波器的系数，即为稀疏表示后的信号；μ表示梯度下降中的迭代步长；φ(j)表示感知矩阵的第j列；sgn()表示符号函数；e(j)表示误差；ω表示零吸引子。
6.根据权利要求5所述的心率检测方法，其特征在于，e(j)表示为：
e(j)＝diffj-φ(j)x(j)
其中，diffj为一阶时间差信号中第j个数据。
7.根据权利要求1所述的心率检测方法，其特征在于，所述对稀疏表示后的信号进行频谱峰值查询，确定人体心率包括：
对稀疏表示的各组稀疏信号进行功率谱分析，选取功率谱峰值最大的一组稀疏信号进行峰值查询，确定人体心率。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910596367.7A CN110353649B (zh) | 2019-07-03 | 2019-07-03 | 一种心率检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910596367.7A CN110353649B (zh) | 2019-07-03 | 2019-07-03 | 一种心率检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110353649A CN110353649A (zh) | 2019-10-22 |
| CN110353649B true CN110353649B (zh) | 2020-11-13 |
Family
ID=68218059
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910596367.7A Expired - Fee Related CN110353649B (zh) | 2019-07-03 | 2019-07-03 | 一种心率检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110353649B (zh) |
Families Citing this family (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110974196A (zh) * | 2019-12-13 | 2020-04-10 | 福州大学 | 一种运动状态下非接触式的呼吸和心率检测方法 |
| CN110935159B (zh) * | 2019-12-25 | 2021-08-03 | 青岛英派斯健康科技股份有限公司 | 一种健身器材心率显示方法、装置、设备及存储介质 |
| CN112132328A (zh) * | 2020-09-04 | 2020-12-25 | 国网上海市电力公司 | 一种光伏输出功率超短期局域情绪重构神经网络预测方法 |
| CN112494008B (zh) * | 2020-10-29 | 2024-10-25 | 深圳市奋达智能技术有限公司 | 基于ppg信号的呼吸率测量方法及装置 |
| CN114305355B (zh) * | 2022-01-05 | 2023-08-22 | 北京科技大学 | 基于毫米波雷达的呼吸心跳检测方法、系统及装置 |
| CN115040092B (zh) * | 2022-06-13 | 2024-06-14 | 天津大学 | 基于信道状态信息的心率监测方法及呼吸事件检测方法 |
| CN114983359A (zh) * | 2022-06-20 | 2022-09-02 | 重庆邮电大学 | 一种基于ir-uwb雷达的生命体征检测方法 |
| CN117540193A (zh) * | 2024-01-10 | 2024-02-09 | 飞特质科(北京)计量检测技术有限公司 | 一种风机传导干扰测试曲线特征数据的提取方法 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104545870B (zh) * | 2015-01-23 | 2017-01-11 | 苏州本草芙源医疗设备有限公司 | 用于心率检测的床垫和心率检测方法 |
| CN106691425B (zh) * | 2016-12-30 | 2019-06-21 | 北京工业大学 | 一种运动手环的腕部心率监测方法 |
| CN106901695B (zh) * | 2017-02-22 | 2019-08-23 | 北京理工大学 | 一种生命信号提取方法及装置 |
| CN107822617B (zh) * | 2017-10-23 | 2020-10-16 | 上海百芝龙网络科技有限公司 | 一种基于WiFi信号的心率异常检测方法 |
-
2019
- 2019-07-03 CN CN201910596367.7A patent/CN110353649B/zh not_active Expired - Fee Related
Also Published As
| Publication number | Publication date |
|---|---|
| CN110353649A (zh) | 2019-10-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110353649B (zh) | 一种心率检测方法 | |
| Raj | An efficient IoT-based platform for remote real-time cardiac activity monitoring | |
| Chawla | A comparative analysis of principal component and independent component techniques for electrocardiograms | |
| Sultan Qurraie et al. | ECG arrhythmia classification using time frequency distribution techniques | |
| Chen et al. | Self-organized neural network for the quality control of 12-lead ECG signals | |
| Lal et al. | Compressed sensing approach for physiological signals: A review | |
| Xu et al. | Cardiacwave: A mmwave-based scheme of non-contact and high-definition heart activity computing | |
| Kumar et al. | Efficient QRS complex detection algorithm based on Fast Fourier Transform | |
| US20160100803A1 (en) | Method and system for measuring beat parameters | |
| CN112842271B (zh) | 基于光纤传感的生理信号分离提取系统及方法 | |
| CN107822617B (zh) | 一种基于WiFi信号的心率异常检测方法 | |
| CN110960211A (zh) | 一种基于嵌入式的心电实时监测系统 | |
| Motin et al. | Photoplethysmographic-based automated sleep–wake classification using a support vector machine | |
| Iadarola et al. | A new method for sEMG envelope detection from reduced measurements | |
| CN115474901A (zh) | 基于无线射频信号的非接触式起居状态监测方法及系统 | |
| Zhang | An improved QRS wave group detection algorithm and matlab implementation | |
| Martis et al. | An integrated ECG feature extraction scheme using PCA and wavelet transform | |
| Lim et al. | Enhanced wavelet transformation for feature extraction in highly variated ECG signal | |
| Sá et al. | Heart disease detection architecture for lead I off-the-person ECG monitoring devices | |
| Muppalla et al. | Implementation of an Arrhythmia detection scheme with cellular based alert framework | |
| CN113115247B (zh) | 一种信号处理方法、装置和设备 | |
| CN114983359A (zh) | 一种基于ir-uwb雷达的生命体征检测方法 | |
| Liu et al. | A signal quality analysis method for electrocardiosignals in the CS domain | |
| Rakshit et al. | Wavelet sub-bands features-based ECG signal quality assessment scheme for computer-aided monitoring system | |
| Orhan et al. | Heart rate detection on single-arm ECG by using dual-median approach |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20201113 |
|
| CF01 | Termination of patent right due to non-payment of annual fee |