CN111568425A - 一种非接触式的多人呼吸检测方法 - Google Patents

Abstract

本发明公布了一种非接触式的多人呼吸检测方法，利用来自多根天线的经过预处理的WiFi CSI信号，将多人呼吸检测建模为盲源分离模型BSS；WiFi CSI是从WiFi设备上获得的复数值的信道状态信息；再使用独立成分分析方法分离出每个人体对应的呼吸信号，并进一步提取到实数值的呼吸模式，由此实现多人呼吸检测。本发明以非接触的方式，通过监测一个区域环境中人附近WiFi信号的信道状态信息，提取出每个人的呼吸模式；可搭载在现有无线通讯设备上，在通讯的过程中实现自然连续的感知，无需产生并发出专门用于感知的无线电射频信号，无需使用专用硬件或传感器，不存在检测“盲区”问题。

Description

一种非接触式的多人呼吸检测方法

技术领域

本发明属于信号处理技术领域，更具体地，涉及一种非接触式的多人呼吸检测方法。

背景技术

人体的呼吸状态是人体健康状态的一项重要指标，对疾病诊断、人体异常状态监控有着重要意义。两种与呼吸有关的信息被广泛使用。一种是时域的呼吸模式，它描绘了随着时间的推移人体吸气和呼气的详细过程。另一个重要信息是呼吸率，它是一段时间内呼吸的频率，可以从呼吸模式中提取出来。显然，详细的呼吸模式可以提供有关呼吸过程的详细信息，而不仅仅是呼吸率，例如，什么时间段内发生了呼吸暂停事件。

现有传统的呼吸检测方法，大多需要在人体的一些部位，如手腕、胸部或咽喉等处安装特定的传感器，这大大降低了被监测者的舒适度，无法进行长时间的监测。相比于这些接触式的呼吸检测方法，非接触式的呼吸检测方法具有非侵扰性、方便的优点。近年来，人们开始研究运用无处不在的WiFi信号来实现非接触式的人体呼吸检测。从WiFi CSI(即从WiFi设备上获得的复数值的信道状态信息(Channel State Information))描述了WiFi信号在传播过程中经历的衰减和相移。人体呼吸导致的胸腔起伏会使得CSI的测量值呈现准周期的变化，这为利用CSI对人体呼吸进行检测提供了可能。

现有的人体呼吸检测方法大多针对单人场景，而在多人场景中无法提取呼吸模式，因为在多人场景中，CSI同时受到多人胸部运动的影响。现有检测多个人呼吸的方法主要依赖于对WiFi CSI振幅或相位差进行频谱分析，这导致了多方面的局限，包括：(1)当多个人表现出明显不同的呼吸率时，频谱分析会起作用，但是，当多个人表现出相似的呼吸率时，它会失效；(2)频谱分析只能获得一段时间内的平均呼吸率，无法捕获随时间变化的详细呼吸波形(这对检测异常呼吸更加重要)；(3)当目标位于所谓的“盲区”时，即使目标靠近WiFi设备，它们也无法有效地检测呼吸。

发明内容

为了克服上述现有技术的不足，本发明提供了一种非接触式的多人呼吸检测方法，其目的在于，以非接触的方式，通过监测一个区域环境中人附近WiFi信号的信道状态信息，提取出每个人的呼吸模式。本发明可搭载在现有无线通讯设备上，在通讯的过程中实现自然连续的感知，无需产生并发出专门用于感知的无线电射频(Radio Frequency,RF)信号，无需使用专用硬件或传感器。

本发明的原理是：人体呼吸导致的胸腔起伏对WiFi信号造成影响。通过对多个人体呼吸对WiFi CSI影响的理论分析，证实了经由多个人反射的WiFi信号在接收器的每根天线处线性混合。同时，如今的商用WiFi设备通常配备多根天线。因此，本发明将多人呼吸检测问题建模为盲源分离(Blind Source Separation,BSS)问题，从给定的混合信号中恢复各个源信号，而无需知道它们如何混合在一起。一方面，由于发射机和接收机硬件时钟的载波频率不完全同步，CSI中存在时变相位偏移。另一方面，接收器接收到的信号不仅包括从多个目标反射的信号，还包括从非目标静态对象(例如：墙壁)反射的信号和收发器之间的直接路径信号，即静态背景信号。因此，从BSS领域无法直接获取检测多人呼吸的解决方案。为了解决这个问题，我们提出一种新的信号预处理方法，在保证不影响多人呼吸信号线性叠加的前提条件下，消除时变相位偏移和静态背景信号。利用来自多根天线的经过预处理的WiFi CSI，将多人呼吸检测建模为BSS问题，并使用独立成分分析(IndependentComponent Analysis,ICA)方法解决该问题，以此分离出每个人对应的复数值的呼吸信号，并进一步提取每个目标的实数值的呼吸模式。

本发明的技术方案是：

一种非接触式的多人呼吸检测方法，利用来自多根天线的经过预处理的WiFiCSI，将多人呼吸检测建模为盲源分离模型BSS，再使用独立成分分析方法分离出每个人对应的呼吸信号，并进一步提取到实数值的呼吸模式，实现多人呼吸检测；包括如下步骤：

1)数据采集：

在固定位置放置一个信号发送设备Tx(例如：WiFi无线路由器)和一个信号接收设备Rx(例如：PC个人电脑、智能手机等)，所述信号发送设备Tx和信号接收设备Rx各有两根或更多根接收天线；信号发送设备Tx发射WiFi信号，信号接收设备Rx接收WiFi信号并采集CSI信息；对于OFDM(Orthogonal Frequency Division Multiplication,正交频分复用)编码的通讯系统，CSI信息包括OFDM每个子载波的传输特性信息(用单个复数描述)；完整的CSI信息还包括采集时的发送天线编号、接收天线编号和采集时刻的时间戳；

2)数据预处理：

2a)累积一段时间窗口内信号接收设备Rx的多根天线上采集到的上述CSI信号，形成不同天线对的CSI信号时间序列X_i，记为X_i＝[x_i(t₁) x_i(t₂) … x_i(t_j) … x_i(t_W)]，其中i指的是第i个天线对，W为时间窗口的大小；x_i(t_j)为时间戳t_j对应采集时刻的第i个天线对的复数值CSI；t₁～t_W为时间窗口内的W个不同时间戳；

2b)对所有天线对的CSI信号时间序列进行线性组合叠加，构建CSI加权和时间序列，表示为

其中M为所有天线对的数量，X_i为第i个天线对的CSI信号时间序列，g_i为线性组合叠加的复数值的权重；定义G＝[g₁ g₂ … g_i … g_M]；

2c)搜索使得CSI加权和时间序列X_sum的振幅的方差最小时的权重，记为最佳权重G_opt＝[g_opt,1 g_opt,2 … g_opt,i … g_opt,M]，此时的X_sum取得最佳目标值X_opt＝[x_opt(t₁) x_opt(t₂) … x_opt(t_j) … x_opt(t_W)]，其中W为时间窗口的大小；

为时间戳t_j对应采集时刻的CSI加权和的最佳目标值；g_opt,i为线性组合叠加的复数值的最佳权重；x_i(t_j)为时间戳t_j对应采集时刻的第i个天线对的复数值CSI；

2d)对每一个天线对的CSI信号时间序列X_i，构造新的没有时变相位偏移的CSI信号时间序列，即复数值CSI信号时间序列Y_i＝[y_i(t₁) y_i(t₂) … y_i(t_W)]，其中W为时间窗口的大小；

x_i(t_j)为时间戳t_j对应采集时刻的第i个天线对的复数值CSI；x_opt(t_j)为时间戳t_j对应采集时刻的CSI加权和的最佳目标值；

2e)当环境中没有被监测呼吸的目标时，采集一段时间窗口内静态环境的CSI信号时间序列，记为X′_i＝[x′_i(t₁) x′_i(t₂) … x′_i(t_j) … x′_i(t_W)]，其中W为时间窗口的大小；x′_i(t_j)为静态环境中时间戳t_j对应采集时刻的第i个天线对的复数值CSI；

2f)对静态环境中所有天线对的CSI信号时间序列进行线性组合叠加，得到

然后对Y′_i求时间窗口内的平均值，得到静态背景信号估计值

其中W为时间窗口的大小；g_opt,i为线性组合叠加的复数值的最佳权重；X′_i为静态环境中第i个天线对的CSI信号时间序列；

为静态环境中时间戳t_j对应采集时刻的第i个天线对的复数值CSI；

2g)用2d)中构造的复数值CSI信号时间序列减去2f)中计算得到的静态背景信号估计值，得到预处理后的CSI信号时间序列，表示为Z_i＝[y_i(t₁)-y_static y_i(t₂)-y_static … y_i(t_W)-y_static]；

3)通过独立成分分析，对多人呼吸信号进行分离；

3a)设被监测呼吸的人数为N(N<M)，从所有天线对的预处理后的CSI信号时间序列中任意挑选N对作为独立成分分析算法的输入，输出为分别对应于N个人的N个复数值的呼吸信号时间序列；

3b)将3a)中得到的每个复数值的呼吸信号时间序列进行滤波(应用Savitzky-Golay滤波)，以去除噪音并平滑，得到复平面上多段平滑的圆弧，每段圆弧对应一次吸气和呼气过程，即得到经过滤波处理后的每个人的呼吸信号；

3c)对3b)中经过滤波处理后的每个人的呼吸信号，取其实部和虚部构建W×2的实数矩阵，W为时间窗口的大小；对上述矩阵应用主成分分析(Principle ComponentAnalysis,PCA)，选择第一个主成分波形(W×1实数值向量)作为每个人的呼吸模式。

与现有技术相比，本发明的有益效果是：

本发明提供一种非接触式的多人呼吸检测方法，利用WiFi信号同时对多个目标进行呼吸检测。通过对原始的CSI信号进行精心的预处理，将多人呼吸检测建模成BSS问题，并使用ICA方法解决该问题来分离多人的呼吸信号，以此恢复出每个人的呼吸模式。通过本发明技术方案，无需专用传感器，即可实现基于已有通讯设备信号传输时的无线信道变化检测多人呼吸。利用已有的无线通讯设备上采集的信道CSI数值，无需额外硬件设备，无需在无线收发设备上进行硬件改动，节约成本；无线设备发送设备和接收设备之间无需时钟同步，能够使用大多数常见的通讯设备(如WiFi，LTE)进行感知，适用范围广。此外，本发明提供的技术方案除可应用于检测多人呼吸外，也适用于对多个动物的呼吸以及多个周期性运动物体的检测。

基于盲源分离，只要多个源信号相互独立，本发明提供的技术方案就可以有效地分离多个人的呼吸信号。即使两个人的呼吸率相似，这种情况也适用。这是因为呼吸是自然的身体活动，而且两个人的呼吸过程几乎不可能随时间完全同步(相同的频率，并且在同一时间出现峰值)。现有的方法只能显示平均呼吸率，但本发明提供的技术方案可以恢复每个人的详细的随时间变化的呼吸模式，这可用于检测异常呼吸，例如呼吸急促、呼吸短促和呼吸暂停。现有的方案因为只使用CSI振幅或相位差，因此存在所谓的“盲区”问题，而本发明提供的技术方案综合利用了正交互补的振幅、相位信息，故而不存在“盲区”问题。

附图说明

通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：

图1为本发明实施例中的WiFi设备放置示意图；

其中，Tx为信号发送设备；Rx为信号接收设备；Tx和Rx设备均安装至少两根天线。

图2为本发明实施例中的多人呼吸检测方法的流程框图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，下面结合附图，通过实施例进一步描述本发明。应当理解，此处所描述的具体实施例仅用以解释本发明，但不用于限定本发明。

本发明提供一种非接触式的多人呼吸检测方法，利用WiFi信号同时对多个目标进行呼吸检测。通过对原始的CSI信号进行精心的预处理，将多人呼吸检测建模成BSS问题，并使用ICA方法解决该问题来分离多人的呼吸信号，以此恢复出每个人的呼吸模式。

本发明在实施时，需要在房间内放置一个固定位置的信号发送设备Tx(例如：WiFi无线路由器或无线接入点AP、LTE室内信号发送基站)、一个固定位置的信号接收设备Rx(例如：PC个人电脑、智能手机等)。当人躺着、坐着或站着时，设备可以上下摆放，使胸口起伏方向垂直于收发设备天线的放置方向。信号采用OFDM调制技术，且能够通过测量CSI信息获取信号强度和相位变化的信息。人的身上不需要携带任何设备。图1为本发明实施例中的WiFi设备放置示意图；本实施例中的无线电设备包括一台信号发送设备Tx和一台信号接收设备Rx。图2为本发明实施例中的多人呼吸检测方法的计算流程框图。本发明的具体实施方式如下：

1)获取信道状态信息CSI；

a)在信号接收设备Rx上配置Linux 802.11n CSI Tool工具包，通过修改Intel5300NIC网卡驱动来获取物理层CSI信息。该工具包获取到的CSI信号是以矩阵的形式表示单个发射-接收天线对之间的信号强度和相位信息，其中矩阵的每一个元素都是一个复数。假设发送天线数量为M_T，接收天线数量为M_R，那么接收器和发射器之间存在M_T×M_R个流。假设被监测呼吸目标的数量为N，发送和接收天线数量关系需满足：M_T×M_R>N。

b)在WiFi路由器端产生适量的数据通讯，达到大约200Hz的CSI采样率，以保证准确地检测多人呼吸。CSI信息的采集是伴随设备正常通讯的过程同步完成的。一般在每次通讯传输前，测量一次CSI数值。

c)CSI随着时间不断采样，形成时间序列。

2)消除CSI信号中的时变相位偏移和静态背景信号；

a)对所有天线对的CSI信号时间序列进行线性组合叠加，构建CSI加权和时间序列，表示为

其中M为所有天线对的数量，G＝[g₁ g₂ … g_M]为线性组合叠加的复数值的权重。

b)使用遗传算法搜索使得CSI加权和时间序列X_sum的振幅的方差最小时的权重，记为最佳权重G_opt，此时的X_sum取得最佳目标值X_opt＝[x_opt(t₁) x_opt(t₂) … x_opt(t_W)]。

c)对每一个天线对的CSI信号时间序列X_i，构造新的复数值CSI信号时间序列Y_i＝[y_i(t₁) y_i(t₂) … y_i(t_W)]，其中

通过此步可以消除时变相位偏移，并且不影响多人呼吸信号的线性叠加性质。

d)当环境中没有被监测呼吸的目标时，采集一段时间窗口内静态环境的CSI信号时间序列，记为x′_i＝[x′_i(t₁) x′_i(t₂) … x′_i(t_W)]。对所有天线对的静态环境的CSI信号时间序列进行线性组合叠加，得到

然后对Y′_i求时间窗口内的平均值，得到静态背景信号估计值

这一步只需要在系统启动阶段执行一次，后续可以直接使用此静态背景信号估计值y_static。

e)用c)中构造的没有时变相位偏移的CSI信号时间序列减去d)中计算的静态背景信号，得到预处理后的CSI信号时间序列，表示为Z_i＝[y_i(t₁)-y_static y_i(t₂)-y_static … y_i(t_W)-y_static]。

3)多人呼吸分离

a)设被监测呼吸的人数为N，从所有天线对的预处理后的CSI信号时间序列中任意挑选N对作为独立成分分析算法(例如，本发明使用的是RobustICA算法)的输入，输出为分别对应于N个人的N个复数值的呼吸信号时间序列。

b)使用Savitzky-Golay平滑方法对a)步产生的每个复数值的呼吸信号时间序列波形进行降噪，Savitzky-Golay降噪的参数选择为：选择二次多项式，窗口大小为CSI信号采样率的1.5倍。分别应用若干次Savitaky-Golay平滑处理，以得到较平滑曲线。

c)对b)中经过滤波处理后的每个人的呼吸信号，取其实部和虚部构建W×2的实数矩阵，W为时间窗口的大小；对上述矩阵应用主成分分析(Principle Component Analysis,PCA)，选择第一个主成分波形(W×1实数值向量)作为每个人的呼吸模式。

需要注意的是，公布实施例的目的在于帮助进一步理解本发明，但是本领域的技术人员可以理解：在不脱离本发明及所附权利要求的精神和范围内，各种替换和修改都是可能的。因此，本发明不应局限于实施例所公开的内容，本发明要求保护的范围以权利要求书界定的范围为准。

Claims (9)

1.一种非接触式的多人呼吸检测方法，其特征是：

利用来自多根天线的经过预处理的WiFiCSI信号，将多人呼吸检测建模为盲源分离模型BSS；所述WiFi CSI是从WiFi设备上获得的复数值的信道状态信息；再使用独立成分分析方法分离出每个人体对应的呼吸信号，并进一步提取到实数值的呼吸模式，由此实现多人呼吸检测；包括如下步骤：

1)采集得到WiFi CSI信号；CSI信号包括OFDM每个子载波的传输特性信息，还包括采集时的发送天线编号、接收天线编号和采集时刻的时间戳；

2)形成不同天线对的CSI信号时间序列，并进行数据预处理，得到预处理后的CSI信号时间序列；包括如下过程：

2a)累积多根天线上采集到的CSI信号，形成不同天线对的CSI信号时间序列，记为X_i；其中i是第i个天线对；

2b)对所有天线对的CSI信号时间序列进行线性组合叠加，构建CSI加权和时间序列X_sum；

2c)搜索使得X_sum的振幅的方差最小时的权重，记为最佳权重G_opt，此时的X_sum取得最佳目标值X_opt；

2d)对每一个天线对的CSI信号时间序列X_i，构造新的没有时变相位偏移的CSI信号时间序列，即复数值CSI信号时间序列Y_i；

2e)当环境中没有被监测呼吸的目标时，采集一段时间窗口内静态环境的CSI信号时间序列，记为X′_i；

2f)对所有天线对的静态环境的CSI信号时间序列进行线性组合叠加，得到Y′_i；

然后对Y′_i求时间窗口内的平均值，得到静态背景信号估计值y_static；

2g)用步骤2d)中构造的复数值CSI信号时间序列减去步骤2f)中计算得到的静态背景信号估计值，得到预处理后的CSI信号时间序列Z_i；

3)通过成分分析，对多人呼吸信号进行分离；

3a)设被监测呼吸的人数为N，N<M，M为所有天线对的数量；从所有天线对的预处理后的CSI信号时间序列中任意挑选N对作为输入，通过成分分析，输出为分别对应于N个人体的N个复数值的呼吸信号时间序列；

3b)将3a)中得到的每个复数值的呼吸信号时间序列进行滤波，得到复平面上多段平滑的圆弧，每段圆弧对应一次吸气和呼气过程，即得到经过滤波处理后的每个人体的呼吸信号；

3c)取3b)中得到的经过滤波处理后的每个人体的呼吸信号的实部和虚部，构建W×2的实数矩阵，W为时间窗口的大小；对上述矩阵进行主成分分析，选择第一个主成分波形作为每个人体的呼吸模式；

通过上述步骤，即实现非接触式的多人呼吸检测。

2.如权利要求1所述非接触式的多人呼吸检测方法，其特征是，步骤1)对于正交频分复用OFDM编码的通讯系统，采用如下方法采集得到WiFi CSI信息，包括：

在固定位置放置一个信号发送设备Tx和一个信号接收设备Rx；所述信号发送设备Tx和信号接收设备Rx各有两根或更多根接收天线；

信号发送设备Tx发射WiFi信号，信号接收设备Rx接收WiFi信号并采集CSI信息。

3.如权利要求2所述非接触式的多人呼吸检测方法，其特征是，所述信号发送设备Tx采用WiFi无线路由器；和/或，所述信号接收设备Rx包括PC个人电脑、智能手机；和/或，OFDM每个子载波的传输特性信息描述为单个复数。

4.如权利要求1所述非接触式的多人呼吸检测方法，其特征是，步骤2a)中，具体将累积一段时间窗口内信号接收设备Rx的多根天线上采集到的上述CSI信号，形成不同天线对的CSI信号时间序列，记为X_i＝[x_i(t₁) x_i(t₂) … x_i(t_j) … x_i(t_W)]，W为时间窗口的大小；x_i(t_j)为时间戳t_j对应采集时刻的第i个天线对的复数值CSI；t₁～t_W为时间窗口内的W个不同时间戳。

5.如权利要求4所述非接触式的多人呼吸检测方法，其特征是，步骤2b)构建的CSI加权和时间序列X_sum，表示为

其中M为所有天线对的数量，X_i为第i个天线对的CSI信号时间序列，g_i为线性组合叠加的复数值的权重；定义G＝[g₁ g₂ … g_i … g_M]。

6.如权利要求5所述非接触式的多人呼吸检测方法，其特征是，步骤2c)中取得最佳目标值X_opt，表示为：

X_opt＝[x_opt(t₁) x_opt(t₂) … x_opt(t_W)]；

步骤2d)得到的复数值CSI信号时间序列Y_i表示为：

Y_i＝[y_i(t₁) y_i(t₂) … y_i(t_W)]，

其中，

7.如权利要求6所述非接触式的多人呼吸检测方法，其特征是，步骤2e)中，一段时间窗口内静态环境的CSI信号时间序列X′_i表示为：

X′_i＝[x′_i(t₁) x′_i(t₂) … x′_i(t_W)]；

步骤2f)中，进行线性组合叠加得到线性组合叠加后的CSI信号时间序列，表示为：

所述静态背景信号估计值y_static表示为：

步骤2g)中，预处理后的CSI信号时间序列Z_i表示为：

Z_i＝[y_i(t₁)-y_static y_i(t₂)-y_static … y_i(t_W)-y_static]。

8.如权利要求1所述非接触式的多人呼吸检测方法，其特征是，步骤3b)所述滤波具体应用Savitzky-Golay滤波。

9.如权利要求1所述非接触式的多人呼吸检测方法，其特征是，步骤3c)中，第一个主成分波形为W×1实数值向量。

Images