CN112998689B - 非接触式多人实时呼吸状况评估系统、设备和存储介质 - Google Patents

Abstract

本发明公开了非接触式多人实时呼吸状况评估系统、设备和存储介质，所述系统包括呼吸信号采集模块；基于MIMO‑FMCW雷达获取多个对象的呼吸信号；呼吸信号处理模块；对所述呼吸信号进行信号处理，提取特征参数，用于呼吸模式判定；呼吸状态追踪模块；根据一个或多个特征参数的组合与呼吸模式对应特征参数数值范围的映射关系确定对象当前的呼吸模式；呼吸状态评估模块；记录不同呼吸模式出现的频次，根据一个或多个呼吸模式的组合与不同健康风险对应的呼吸模式频次阈值形成的映射关系评估对象的健康风险。本发明的系统能够实时监测多名患者呼吸模式的变化，并针对呼吸模式的变化提供相应的健康风险评估。

Description

非接触式多人实时呼吸状况评估系统、设备和存储介质

技术领域

本发明涉及生命体征监测领域，特别涉及一种非接触式多人实时呼吸状况评估系统、计算机设备和存储介质。

背景技术

传统的呼吸检测设备多为接触式设备，要求被检测者穿戴上才能进行检测，对于一些不方便穿戴或者需要避免接触的被检测者，接触式设备有极大的局限性。例如大面积烧伤患者，使用接触式设备不仅会增加患者的痛苦，还可能造成二次感染；对于行动不便的老人，接触式设备的佩戴十分困难。

因此，非接触式呼吸信号检测技术成为解决上述问题的关键。FMCW雷达可以远距离长时间监测呼吸信号，同时能够完成多人的呼吸信号监测，与传统的接触式设备相比，非接触式方式使患者感到更加舒适轻松。

但是目前的非接触式呼吸检测技术①通常只能获取呼吸信号或计算呼吸速率，无法全面评估患者的呼吸状况；②仅评估患者的常见呼吸问题，如呼吸暂停、呼吸过缓、呼吸过速，并未考虑各种呼吸问题下可能隐含的健康风险。

发明内容

本发明的目的在于针对上述现有技术存在的问题，提供一种非接触式多人实时呼吸状况评估系统。

为实现上述目的，本发明采用如下技术方案：

非接触式多人实时呼吸状况评估系统，所述系统包括：

呼吸信号采集模块；基于MIMO-FMCW雷达实时采集多个对象的呼吸信号；

呼吸信号处理模块；对所述呼吸信号进行信号处理，提取特征参数，用于呼吸模式判定；

呼吸状态追踪模块；根据一个或多个特征参数的组合与呼吸模式对应特征参数数值范围的映射关系确定对象当前的呼吸模式；

呼吸状态评估模块；记录不同呼吸模式出现的频次，根据一个或多个呼吸模式的组合与不同健康风险对应的呼吸模式频次数值范围形成的映射关系评估对象的健康风险。

作为本发明的进一步改进，所述雷达为24GHz频段的MIMO-FMCW雷达；其体积小、功率低且便于安装。

作为本发明的进一步改进，所述呼吸信号采集模块包括：

雷达信号采集单元；将雷达回波信号与发射信号混频获得差拍信号；

呼吸信号定位单元；对差拍信号进行频域变换，得到距离矩阵；对距离矩阵按帧累积并计算协方差矩阵，通过协方差矩阵与天线阵列的导向矢量构建距离角度矩阵，获得不同对象的距离和角度；

呼吸信号提取单元；根据对象的距离和角度信息获取生命体征信号，并通过滤波提取呼吸信号。

作为本发明的进一步改进，所述呼吸信号定位单元在距离角度矩阵上进行恒虚警检测，通过自适应门限判决，获得不同对象相对于雷达的距离和角度。

所述呼吸信号处理模块在提取特征参数前，对所述呼吸信号进行噪声移除。

进一步的，所述噪声移除包括：

生成固定长度的随机点与稳定正弦呼吸波叠加形成训练数据；

利用深度神经网络训练所述训练数据，得到稳定呼吸的预测模型；

选取一个时间段的呼吸信号，输入预测模型得到稳定的呼吸信号。所述噪声移除方法无需体动噪声的先验信息也能够预测稳定的呼吸信号，不需要任何硬件修改或增加额外的硬件复杂性。

作为本发明的进一步改进，所述特征参数包括呼吸周期强度；所述呼吸周期强度为呼吸信号的自相关曲线的第一峰值幅度与第一相关面积的乘积，其中第一相关面积表示第一峰值点和自相关曲线起始点所构成直线与自相关曲线之间的归一化平方面积。

作为本发明的进一步改进，所述特征参数还包括瞬时频率的统计参数、呼吸深度的统计参数、呼吸波形波峰的统计参数、呼/吸气速度的统计参数、呼吸信号短时过零率的统计参数、归一化短时能量的统计参数、肺活量比率平均值中的一个或多个。

作为本发明的进一步改进，所述特征参数还包括呼吸波形波峰的统计参数、瞬时频率的统计参数或呼/吸气速度的统计参数、呼吸信号短时过零率的统计参数和肺活量比率平均值；

所述一个或多个特征参数的组合与呼吸模式对应特征参数数值范围的映射关系包括：

基于呼吸波形波峰的统计参数、瞬时频率的统计参数或呼/吸气速度的统计参数、呼吸信号短时过零率的统计参数、呼吸周期强度和肺活量比率平均值确定的节律障碍型呼吸；及，

基于瞬时频率的统计参数或呼/吸气速度的统计参数、呼吸波形波峰的统计参数、呼吸周期强度和呼吸信号短时过零率的统计参数确定的潮式呼吸。

节律障碍型呼吸和潮式呼吸在波峰方差、瞬时频率方差、短时过零率和肺活量比率都有相似的变化趋势，这两种呼吸容易存在误判，而潮式呼吸的呼吸周期强度大于节律障碍型呼吸，引入呼吸周期强度可以减少误判，更容易准确分辨出潮式呼吸和节律障碍型呼吸。

作为本发明的进一步改进，所述一个或多个特征参数的组合与呼吸模式对应特征参数数值范围的映射关系包括：

基于瞬时频率的统计参数或呼/吸气速度的统计参数确定的呼吸过速、呼吸过缓；

和/或基于呼吸波形波峰的统计参数、呼吸深度的统计参数或归一化短时能量的统计参数确定的深呼吸、浅呼吸；

和/或基于呼吸波形波峰的统计参数、瞬时频率的统计参数或呼/吸气速度的统计参数、呼吸信号短时过零率的统计参数确定的潮式变体呼吸；

和/或基于呼吸波形波峰的统计参数、归一化短时能量的统计参数或呼吸深度的统计参数确定的呼吸暂停。

作为本发明的进一步改进，所述呼吸状态追踪模块以可视化的形式实时展示呼吸状态随时间的演变趋势。

作为本发明的进一步改进，所述呼吸状态追踪模块在对象出现异常呼吸时发出示警。

本发明的另一目的在于提供一种计算机设备，其包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序以实现上述系统每一个模块的功能。

本发明的再一目的在于提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述系统每一个模块的功能。

本发明的方法具有如下有益效果：

1)本发明可以实现非接触呼吸监测，能够穿透衣物与被褥等障碍物，与传统的接触式相比，操作更便利，能减少人体的不适感；

2)使用24GHz频段的MIMO-FMCW雷达，体积小、功率低、便于安装；

3)实时获得多名患者的呼吸信号，并通过提取特征参数实时判定患者的呼吸状态；

4)可基于提取的多个特征参数获取多种呼吸模式，建立的特征参数与呼吸模式的映射关系能够准确的分辨出不同呼吸模式，降低误判；并能够实时追踪呼吸状态的演变趋势；

5)将一种或多种呼吸模式的频次与不同健康风险形成映射，对对象存在的健康风险进行评估和预警情况；

6)系统简单有效，性能可靠，便于实施。

附图说明

图1为一个实施例非接触式多人实时呼吸状况评估系统的原理示意图。

图2为呼吸周期强度定义示意图。

图3为正常呼吸模式时域波形示意图。

图4为正常呼吸模式时域自相关曲线示意图。

图5为潮式呼吸模式时域波形示意图。

图6为潮式呼吸模式时域自相关曲线示意图。

图7为节律障碍型呼吸模式时域波形示意图。

图8为节律障碍型呼吸模式时域自相关曲线示意图。

具体实施方式

为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。

在一个实施例中，结合图1，提供了一种非接触式多人实时呼吸状况评估系统，所述系统包括：

呼吸信号采集模块，基于24GHz MIMO-FMCW雷达获取多个对象的呼吸信号；

呼吸信号处理模块；对所述呼吸信号进行信号处理，提取特征参数，用于呼吸模式判定；

呼吸状态追踪模块；根据一个或多个特征参数的组合与呼吸模式对应特征参数数值范围的映射关系确定对象当前的呼吸模式；

呼吸状态评估模块；记录不同呼吸模式出现的频次，根据一个或多个呼吸模式的组合与不同健康风险对应的呼吸模式频次数值范围形成的映射关系评估对象的健康风险。

呼吸信号采集模块采集MIMO-FMCW雷达的发射信号和回波信号，实现多名对象的定位，并获取不同对象的呼吸信号，包括：

雷达信号采集单元，每隔t₀毫秒采集一帧雷达回波信号r_m(t,α)，m为接收信号的通道(m≤M)，M为发射天线个数与接收天线个数的乘积，α为第α帧回波信号；对回波信号r_m(t,α)进行混频得到差拍信号x_m(t,α)；

呼吸信号定位单元，对差拍信号x_m(t,α)做FFT，得到X_m(f,α)，对L帧的数据进行排列，得到X(f)，如下：

天线阵列的导向矢量为：

其中，d为阵元间距，λ为波长，计算距离角度矩阵Y(f,ω)：

R_X＝X(f)·X^H(f)

对Y(f,ω)进行恒虚警检测，确定自适应归一化门限，进行门限判决，获得不同对象的f和ω，进而计算出距离和角度；

呼吸信号提取单元，根据f和ω获取生命体征信号，计算如下：

Z(α)＝[S^H(ω)·X(f,α)]

引入带通滤波器h₁(n)，对所述生命体征信号Z进行带通滤波以滤除杂波和噪声得到不同患者的呼吸信号，其中h₁(n)的频率范围为0.15～0.4Hz，该频率范围为基本呼吸频段。

呼吸信号处理模块对提取的呼吸信号进行处理，提取特征参数，用于呼吸模式判定；具体的，呼吸信号处理模块在提取特征参数前，对所述呼吸信号进行噪声移除，用于消除体动。

本实施例采用深度神经网络(DNN)实现噪声移除。稳定的呼吸波形可以看作正弦波，模型训练阶段生成固定长度的随机点，并与正弦呼吸相加得到训练数据；

合成大量的训练数据归一化后送入DNN模型中，DNN模型包括一个输入层、一个输出层和K个隐藏层，代价函数为最小均方误差，通过梯度下降法优化代价函数，得到预测模型；

选取一定时长的呼吸信号，经过训练好的DNN模型得到稳定的呼吸信号。

特征提取单元，对去除体动干扰后的呼吸信号提取有利于判决不同呼吸模式的特征参数，选择时长t₁秒的呼吸信号，提取如下特征参数：

(1)瞬时频率平均值

即为f(t)的平均值；

s(t)＝x(t)+jH[x(t)]

其中，f(t)为瞬时频率，x(t)为呼吸信号，s(t)为希尔伯特变换后的复信号，H[]表示希尔伯特变换；

(2)瞬时频率方差σ_f：表示频率的离散程度，反应信号频率的稳定性，计算如下：

式中N为t₁秒内总采样点数，f(i)是第i个采样点的瞬时频率。σ_f越小，呼吸频率越稳定；

(3)呼吸信号短时过零率最小值min_zero_crossing，计算如下：

式中sgn为符号函数；

(4)呼吸波形波峰平均值

t₁秒内呼吸信号上波峰的平均值，波峰集合为：

P＝[p₁ p₂ p₃ p₄ … … p_Np]，其中N_p为波峰总点数，则均值为：

(5)呼吸波形波峰方差σ_p：表示呼吸阶段的呼吸离散程度，计算公式如下：

(6)平均呼吸深度

t₁秒内呼吸信号波谷集合为：

Va＝[va₁ va₂ va₃ va₄ … … va_Np]，

平均呼吸深度计算如下：

(7)呼吸深度方差σ_d：计算公式如下

(8)平均呼气速度

相邻波峰与波谷的幅度差与时间差的比值，计算如下：

式中，v_exi表示第i次呼吸的呼气速度，tp_i表示第i个波峰的时间，tva_i表示第i个波谷的时间；

(9)呼气速度方差σ_vex：计算如下：

(10)平均吸气速度

相邻波谷与波峰的幅度差与时间差的比值，计算如下：

式中，v_ini表示第i次呼吸的吸气速度，tp_i+1表示第i+1个波峰的时间，tva_i表示第i个波谷的时间；

(11)吸气速度方差σ_vin：计算如下：

(12)归一化短时能量的平均值

计算公式如下：

式中E(i)为第i个采样点的呼吸信号的短时能量，N_win为窗长，w(n)为窗函数；

(13)归一化短时能量的方差σ_E：表示呼吸信号随时间变化的短时能量的离散程度，计算公式如下：

(14)肺活量比率平均值：t₁秒内呼吸信号呼气-吸气面积A_ex_i与吸气-呼气面积A_in_i的比值的平均值，其中A_ex_i为呼吸信号曲线与第i个波谷和第i+1个波谷连线之间的面积，A_in_i为呼吸信号曲线与第i+1个波峰和第i+2个波峰连线之间的面积。

(15)呼吸周期强度R_I：t₁秒内呼吸信号的自相关函数曲线R(τ)的第一峰值幅度R(τ_p)与第一相关面积Area的乘积，表示呼吸信号的周期性，呼吸越规律呼吸周期强度越大。

R_I＝R(τ_p)×Area

其中，τ_p表示第一峰值点对应的时刻；Area表示第一峰值点和自相关曲线起始点所构成直线与自相关曲线之间的归一化平方面积，如图2所示，计算如下：

其中，a表示自相关曲线起始点与第一峰值点连线的斜率。

呼吸状态追踪模块，根据特征参数与呼吸模式对应特征参数数值范围的映射关系得到当前的呼吸状态，并以可视化的形式实时展示呼吸状态随时间的演变趋势，当监测对象呼吸状态由正常呼吸向异常呼吸演变时，则发出示警，特征参数与呼吸模式对应特征参数数值范围的映射关系示意如下：

A、呼吸过速：瞬时频率平均值或呼/吸气平均速度中的任一参数高于某一个阈值时；

B、呼吸过缓：瞬时频率平均值或呼/吸气平均速度中的任一参数低于某一个阈值时；

C、浅呼吸：呼吸波形波峰平均值、平均呼吸深度或归一化短时能量的平均值中的任一参数低于某一个阈值时；

D、深呼吸：呼吸波形波峰平均值、平均呼吸深度或归一化短时能量的平均值中的任一参数高于某一个阈值时；

E、潮式呼吸：瞬时频率方差或呼/吸气速度方差高于某个阈值，呼吸波形波峰方差高于某个阈值，呼吸周期强度高于某个阈值，呼吸信号短时过零率最小值非0；

F、潮式变体呼吸：呼吸波形波峰方差高于某个阈值，瞬时频率方差或呼/吸气速度方差低于某个阈值，呼吸信号短时过零率最小值非0；

G、节律障碍型呼吸：呼吸波形波峰方差高于某个阈值，瞬时频率方差或呼/吸气速度方差过大，呼吸周期强度低于某个阈值，肺活量比率平均值高于某个阈值，呼吸信号短时过零率最小值非0；

H、正常呼吸：各个特征参数都在正常指标范围内；

I、呼吸暂停：呼吸波形波峰平均值、归一化短时能量的平均值或呼吸深度平均值中的任一参数过低时。

本实施例中，24GHz MIMO-FMCW雷达架设于病房中央房顶处，天线波束可覆盖多名患者，以3名患者为例，采用前述方法同时采集并分离其60秒长度的呼吸信号，计算特征参数，根据前述映射关系；

患者A分离出的呼吸信号模式为正常呼吸，其呼吸信号时域波形图如图3所示，计算瞬时频率方差和波形波峰方差分别为0.009和0.002，自相关函数曲线及第一相关面积如图4所示，计算呼吸周期强度为2.587；

患者B分离出的呼吸信号模式为潮式呼吸，其呼吸信号时域波形图如图5所示，计算瞬时频率方差和波形波峰方差分别为0.184和0.093，自相关函数曲线及第一相关面积如图6所示，计算呼吸周期强度为1.938；

患者C分离出的呼吸信号模式为节律障碍，其呼吸信号时域波形图如图7所示，计算瞬时频率方差和波形波峰方差分别为0.185和0.034，自相关函数曲线及第一相关面积如图8所示，计算呼吸周期强度为0.067；

对比可以发现，正常呼吸的瞬时频率方差和波形波峰方差远小于潮式呼吸和节律障碍型呼吸；潮式呼吸和节律障碍型呼吸的瞬时频率方差和波形波峰方差相近，无法通过瞬时频率方差和波形波峰方差区分潮式呼吸和节律障碍性呼吸；正常呼吸的呼吸周期强度最大，略大于潮式呼吸的呼吸周期强度；潮式呼吸的呼吸周期强度远大于节律障碍型呼吸的呼吸周期强度，可以通过呼吸周期强度有效的区分潮式呼吸和节律障碍型呼吸。

呼吸状态评估模块记录不同呼吸模式出现的频次，根据一个或多个呼吸模式的组合与不同健康风险对应的呼吸模式频次数值范围形成的映射关系评估对象的健康风险。

具体而言，所述不同健康风险对应的呼吸模式频次阈值指，不同呼吸模式对应的疾病指征。例如狂犬病、扩张型心肌病等疾病容易出现潮式呼吸的指征，针对不同疾病设置对应呼吸模式指征的频次，与一个或多个呼吸模式的组合形成映射，在出现相应的健康风险时系统提供风险评估，由医生进一步结合临床诊断对存在的健康风险进行确认。

Claims (11)

1.非接触式多人实时呼吸状况评估系统，其特征在于，所述系统包括：

呼吸信号采集模块；基于MIMO-FMCW雷达实时采集多个对象的呼吸信号；

呼吸信号处理模块；对所述呼吸信号进行信号处理，提取特征参数，用于呼吸模式判定；所述特征参数包括呼吸周期强度、呼吸波形波峰的统计参数、瞬时频率的统计参数或呼/吸气速度的统计参数、呼吸信号短时过零率的统计参数和肺活量比率平均值；所述呼吸周期强度为呼吸信号的自相关曲线的第一峰值幅度与第一相关面积的乘积，其中第一相关面积表示第一峰值点和自相关曲线起始点所构成直线与自相关曲线之间的归一化平方面积；

呼吸状态追踪模块；根据一个或多个特征参数的组合与呼吸模式对应特征参数数值范围的映射关系确定对象当前的呼吸模式；

所述一个或多个特征参数的组合与呼吸模式对应特征参数数值范围的映射关系包括：

基于呼吸波形波峰的统计参数、瞬时频率的统计参数或呼/吸气速度的统计参数、呼吸信号短时过零率的统计参数、呼吸周期强度和肺活量比率平均值确定的节律障碍型呼吸；及，

基于瞬时频率的统计参数或呼/吸气速度的统计参数、呼吸波形波峰的统计参数、呼吸周期强度和呼吸信号短时过零率的统计参数确定的潮式呼吸；

呼吸状态评估模块；记录不同呼吸模式出现的频次，根据一个或多个呼吸模式的组合与不同健康风险对应的呼吸模式频次数值范围形成的映射关系评估对象的健康风险。

2.根据权利要求1所述的系统，其特征在于，所述雷达为24GHz频段的MIMO-FMCW雷达。

3.根据权利要求1所述的系统，其特征在于，所述呼吸信号采集模块包括：

雷达信号采集单元；将雷达回波信号与发射信号混频获得差拍信号；

呼吸信号定位单元；对差拍信号进行频域变换，得到距离矩阵；对距离矩阵按帧累积并计算协方差矩阵，通过协方差矩阵与天线阵列的导向矢量构建距离角度矩阵，获得不同对象的距离和角度；

呼吸信号提取单元；根据对象的距离和角度信息获取生命体征信号，并通过滤波提取呼吸信号。

4.根据权利要求3所述的系统，其特征在于，所述呼吸信号定位单元在距离角度矩阵上进行恒虚警检测，通过自适应门限判决，获得不同对象相对于雷达的距离和角度。

5.根据权利要求1所述的系统，其特征在于，所述呼吸信号处理模块在提取特征参数前，对所述呼吸信号进行噪声移除；

优选的，所述噪声移除包括：

生成固定长度的随机点与稳定正弦呼吸波叠加形成训练数据；

利用深度神经网络训练所述训练数据，得到稳定呼吸的预测模型；

选取一个时间段的呼吸信号，输入预测模型得到稳定的呼吸信号。

6.根据权利要求1所述的系统，其特征在于，所述特征参数还包括瞬时频率的统计参数、呼吸深度的统计参数、呼吸波形波峰的统计参数、呼/吸气速度的统计参数、呼吸信号短时过零率的统计参数、归一化短时能量的统计参数、肺活量比率平均值中的一个或多个。

7.根据权利要求6所述的系统，其特征在于，所述一个或多个特征参数的组合与呼吸模式对应特征参数数值范围的映射关系包括：

基于瞬时频率的统计参数或呼/吸气速度的统计参数确定的呼吸过速、呼吸过缓；

和/或基于呼吸波形波峰的统计参数、呼吸深度的统计参数或归一化短时能量的统计参数确定的深呼吸、浅呼吸；

和/或基于呼吸波形波峰的统计参数、瞬时频率的统计参数或呼/吸气速度的统计参数、呼吸信号短时过零率的统计参数确定的潮式变体呼吸；

和/或基于呼吸波形波峰的统计参数、归一化短时能量的统计参数或呼吸深度的统计参数确定的呼吸暂停。

8.根据权利要求1所述的系统，其特征在于，所述呼吸状态追踪模块以可视化的形式实时展示呼吸状态随时间的演变趋势。

9.根据权利要求1或8所述的系统，其特征在于，所述呼吸状态追踪模块在对象出现异常呼吸时发出示警。

10.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序以实现权利要求1~9中任一项所述系统模块的功能。

11.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，计算机处理器执行所述计算机程序以实现权利要求1~9中任一项所述系统模块的功能。

Images