CN113892931A - 一种基于深度学习的fmcw雷达提取分析腹内压力方法 - Google Patents

Abstract

本发明涉及生命体特征采集计算领域，尤其涉及一种基于深度学习的FMCW雷达提取分析腹内压力方法，通过FMCW雷达来采集测试对象含腹部呼吸信号的生命体特征信号，将该信号进行特征提取，而后输入至预先搭建好的神经网络中进行计算，通过引入注意力机制，对多通道的腹部呼吸信号进行重要性计算，从不同重要性的通道自适应的提取出不同量的特征，并与通过离散小波变换所提取出的隐藏特征相结合，提高该神经网络算法的能力，获取更多的腹部呼吸信号中的时域信息，将时域信息与测试对象身体腹内压力相关联，从而推算出测试对象身体的腹内压力；相对与传统侵入式或接触式的测量腹内压力的方法，该方法是一种全新的无接触式的测量腹内压力的方法。

Description

一种基于深度学习的FMCW雷达提取分析腹内压力方法

技术领域

发明涉及生命体特征采集计算领域，尤其涉及一种基于深度学习的FMCW雷达提取分析腹内压力方法。

背景技术

现有的腹内压力在临床上有两种测量方式：

1.直接测压，置管于腹腔内，然后连接压力传感器或者腹腔镜手术中通过自动气腹机对压力进行连续监测，直接腹腔内穿刺测压是将针头刺入或导管置入腹腔，接生理盐水并将通过三通与换能器或输液器连接，测量时以腋中线为零点测压。或是通过微导管测压，采用尖端带有微电极的导管置入腹腔内，连接监测仪进行测压，但是这些方法由于是直接测压，采用了侵入式的测压方法，会有一定的创伤，导管易堵塞和有腹腔感染的风险；

2.间接测压，通过测量下腔静脉压力，膀胱压力及胃内压力间接反映腹腔内压力，可以经过股静脉置管测定下腔静脉压力，其与腹内压力变化有较好的相关性，放置股静脉时导管尖端达腹腔下腔静脉位置，通过三通连接股静脉置管和压力换能器进行测压。经膀胱测压在危重病人置有尿管时，不需要重新置尿管，通过连接测压管或者传感器，通过水柱或者传感器的监护仪数据测量膀胱内压，通过已经研究发现的相关性可以推出腹内压。同样也是侵入式，当不是危重患者时，无法插入尿管至膀胱进行测量，并且测量膀胱内压，对病人测量时的舒适度会有很大的影响。

发明内容

针对现有技术中所存在的不足，发明提供了一种基于深度学习的FMCW雷达提取分析腹内压力方法，通过该方法可以避免现有临床上的接触式测压方法，提升患者在采集腹内压力时的舒适度以及避免采集时意外症状的发生。

根据发明的实施例，一种基于深度学习的FMCW雷达提取分析腹内压力方法，包括下述步骤：

S1:将FMCW毫米波雷达系统，放置在观测对象旁边，朝向观测对象腹部位置发射毫米级别的线性调频连续波信号，采集得到从观测对象腹部反射回来的雷达波；将反射回来的雷达波与原始发射信号相混频得到原始数据信号；

S2：所述原始数据信号通过快速傅里叶变换提取出包含有观测对象腹部呼吸信号的生命体征信号，再通过巴特沃斯滤波器滤去噪声；

S3：将包含有观测对象腹部呼吸信号的生命体征信号输入搭建好的神经网络中，对包含有观测对象腹部呼吸信号的生命体征信号进行特征提取，并通过回归分析与腹内压力进行关联，进而分析出腹内压力。

进一步的，在S2中，将取得的原始数据信号定义为X₁(t)，对X₁(t)进行相位特征

的提取，将X₁(t)的相位

定义为：X₁(t)的虚部I与实部R之比；拟出公式(1)：

原始数据信号X₁(t)可以被分解为原始信号实部R(t)，原始信号虚部I(t),原始数据信号 X₁(t)还包含有实部的直流信号dc_r，虚部的直流信号dc_i；将原始信号实部R(t)，原始信号虚部I(t)、实部的直流信号dc_r、虚部的直流信号dc_i代入公式(1),可以得到相位特征

的计算公式(2)：

进一步的，在S2中，将得到的

重新定义为：包含有腹部呼吸的时域信号X₂(t)；而后通过快速傅里叶变换将X₂(t)变换为腹部呼吸的频域信号X₃(k)，对X₂(t)的频域进行分析；计算公式为：

式(3)中：k＝0,1,......N-1；

得到包含有腹部呼吸的频域信号X₃(k)后，由于实际腹部呼吸信号频率范围为0.2Hz～0.4Hz，在X₃(k)中观察到符合实际范围的腹部呼吸频域信号X₄(k)，将X₃(k)与设计的巴特沃斯滤波器频域相乘，对X₄(k)进行滤噪；

巴特沃斯滤波器公式为：

|H_a(jω)|²＝1/1+(ω/ω_c)^2N (4)

式(4)中：N-滤波器阶数，ω_c-滤波器的截止频率,H_a(jω)-设计的滤波器幅频响应；

滤噪腹部呼吸频域信号X₄(k)计算公式为:

X₄(k)＝X₃(k)*H_a(jω) (5)

式(5)中：H_a(jω)-设计的巴特沃斯滤波器幅频响应；

再通过快速傅里叶逆变换将滤噪后的腹部呼吸频域信号X₄(k)变换为腹部呼吸时域信号X₄(t)；

计算公式为：

式(6)中：k＝0,1,......N-1；

进一步的，在S3中：将获取的腹部时域呼吸信号X₄(t)输入到预先搭建的深度学习神经网络，进行进一步的特征提取以及信号映射到腹内压力的分析，其具体步骤为：

S3.1:将腹部时域呼吸信号X₄(t)通过卷积神经网络进行一次特征提取,得到提取的特征定义为信号X₅(t)；X₄(t)为输入的四通道二维矩阵，设进行卷积提取特征的卷积核矩阵为 k，阶矩阵为n×n；

提取特征X₅(t)的计算公式为：

式(7)中：

k_i,j-卷积核；

S3.2:再通过线性整流函数加入非线性因素，增强模型表达力，

线性整流函数公式为：

X₆(t)＝max(0,X₅(t)) (8)

S3.3:对S3.1中的卷积神经网络以及S3.2的线性整流函数进行五层堆叠计算(即将式 (7)与式(8)堆叠计算5次)，目的是提取四个通道的数据特征，之后引入非线性因素，得到特征信号X₇(t)；此时，设X₇(t)中大小为H*W的矩阵为C个；加入压缩-激活神经网络，引入注意力机制，对每个通道进行特征权重的计算，其具体步骤为：

S3.3.1:压缩-激活神经网络首先需要进行对C个特征图进行压缩操作，获取上述提取特征图的全局信息；

计算公式为：

式(9)中：W-特征矩阵的宽，H-特征矩阵的高；

S3.3.2:之后进行激活操作,计算每个特征图的重要性，通过全连接层和非线性层计算得到C个特征图的重要性，计算公式为：

S＝F_ex(Z,W)＝sigmoid(W₂×relu(W₁×Z)) (10)

式(10)中：W₁，W₂-进行全连接操作的隐藏层矩阵；Z-式(9)中提取的全局信息；

S3.3.3:得到重要性权重S，将权重乘回特征图可得到学习到重要性的特征信息X₈(t)；

X₈(t)＝S×X₇(t) (11)

S3.4：通过批归一化层将X₈(t)进行归一化处理，得到X₉(t)，使X₉(t)符合标准正态分布，均值为0，标准差为1，加快收敛速度，防止梯度消失；

批归一化层的计算公式为：

式(12)中：γ,β-两个可学习重构参数；μ-均值；(σ)²+ε-方差；

S3.5：通过长短记忆神经网络对X₉(t)进行时间序列数据关联；

计算公式为：

X₁₀(t)＝sigmoid(W×X₉(t)+V×h(t-1)+U×c(t-1) (13)

式(13)中：h(t)-计算的传递状态；c(t)-选择记忆的状态；W，V，U-计算系数；

S3.6：最后使用多层感知机对进行X₁₀(t)回归计算，得到腹内压力的数据y，

计算公式为：

y＝W₃×{W₂×(W₁×X₁₀(t)+B₁)+B₂}+B₃ (14)

式(14)中：W₁,W₂,W₃,-计算系数；B₁，B₂，B₃-计算偏置。

相比于现有技术，发明具有如下有益效果：

与传统的临床采用的接触式不同，毫米波雷达可不接触测试对象身体，隔一定距离探测，避免了穿刺测量导致的感染风险，并且提升了采集时的舒适性；本发明的关键点在于：使用雷达进行无接触式的生命体特征信号收集，对采集的生命体特征信号使用基于深度学习的神经网络进行计算，通过引入注意力机制，对多通道的腹部呼吸信号进行重要性计算，从不同重要性的通道自适应的提取出不同量的特征，提高该神经网络算法的能力，获取更多的腹部呼吸信号中的时域信息，将时域信息与测试对象身体腹内压力相关联，从而推算出测试对象身体的腹内压力；相对与传统侵入式或接触式的测量腹内压力的方法，该方法是一种全新的无接触式的测量腹内压力的方法。

附图说明

图1为发明实施例的逻辑路线示意图；

图2为发明实施例的实验数据图。

具体实施方式

下面结合附图及实施例对发明中的技术方案进一步说明。

一种基于深度学习的FMCW雷达提取分析腹内压力方法，包括下述步骤：

S1:将FMCW毫米波雷达系统(具有发射天线(TX)，接收天线(RX))，放置在观测对象旁边，朝向观测对象腹部位置发射毫米级别的线性调频连续波信号，采集得到从观测对象腹部反射回来的雷达波；将反射回来的雷达波与原始发射信号相混频得到原始数据信号；

S2：所述原始数据信号通过快速傅里叶变换提取出包含有观测对象腹部呼吸信号的生命体征信号，再通过巴特沃斯滤波器滤去噪声；

S3：将包含有观测对象腹部呼吸信号的生命体征信号输入搭建好的神经网络中，对包含有观测对象腹部呼吸信号的生命体征信号进行特征提取，并通过回归分析与腹内压力进行关联，进而分析出腹内压力。

在S2中，将取得的原始数据信号定义为X₁(t)，对X₁(t)进行相位特征

的提取，将X₁(t) 的相位

定义为：X₁(t)的虚部I与实部R之比；拟出公式(1)：

原始数据信号X₁(t)可以被分解为原始信号实部R(t)，原始信号虚部I(t),原始数据信号 X₁(t)还包含有实部的直流信号dc_r，虚部的直流信号dc_i；将原始信号实部R(t)，原始信号虚部I(t)、实部的直流信号dc_r、虚部的直流信号dc_i代入公式(1),可以得到相位特征

的计算公式(2)：

在S2中，将得到的

重新定义为：包含腹部呼吸的时域信号X₂(t)，而后通过快速傅里叶变换将X₂(t)变换为包含腹部呼吸的频域信号X₃(k)，对X₂(t)的频域进行分析，计算公式为：

式(3)中：k＝0,1,......N-1；

得到包含腹部呼吸的频域信号X₃(k)后，(X₃(k)在率噪前还含有许多噪声)由于实际腹部呼吸信号频率范围为0.2Hz～0.4Hz，在X₃(k)中观察到符合实际范围的腹部呼吸频域信号X₄(k)，此时要对X₄(k)进行滤噪，具体做法为：将X₃(k)与设计的巴特沃斯滤波器频域相乘，X₄(k)进行滤噪；

巴特沃斯滤波器公式为：

|H_a(jω)|²＝1/1+(ω/ω_c)^2N (4)

式(4)中：N-滤波器阶数，ω_c-滤波器的截止频率,H_a(jω)-设计的滤波器幅频响应；

滤噪腹部呼吸频域信号X₄(k)计算公式为:

X₄(k)＝X₃(k)*H_a(jω) (5)

式(5)中：H_a(jω)-设计的巴特沃斯滤波器幅频响应；

滤噪后的X₄(k)即为纯净的腹部呼吸频域信号，再通过快速傅里叶逆变换将滤噪后的腹部呼吸频域信号X₄(k)变换为腹部呼吸时域信号X₄(t)(X₄(t)为四通道信号)；

计算公式为：

式(6)中：k＝0,1,......N-1；

在S3中：将获取的腹部时域呼吸信号X₄(t)输入到预先搭建的深度学习神经网络(具体为卷积神经网络(CNN))，进行进一步的特征提取以及信号映射到腹内压力的分析，其具体步骤为：

S3.1:将腹部时域呼吸信号X₄(t)通过卷积神经网络进行一次特征提取,得到提取的特征定义为信号X₅(t)；X₄(t)为四通道二维矩阵，设进行卷积提取特征的卷积核矩阵为k，阶矩阵为n×n；

提取特征X₅(t)的计算公式为：

式(7)中：

k_i,j-卷积核；

S3.2:再通过线性整流函数加入非线性因素，增强模型的表达力，如果没有该函数，每层的神经网络计算都相当于矩阵相乘，都为原数据的线性组合，无法表征出比较复杂的情况，而复杂的模型都为非线性的，加入了非线性因素使的神经网络能更好的逼近实际的模型；

线性整流函数公式为：

X₆(t)＝max(0,X₅(t)) (8)

S3.3:对S3.1中的卷积神经网络以及S3.2的线性整流函数进行五层堆叠计算(即将式 (7)与式(8)堆叠计算5次)，目的是提取四个通道的数据特征，之后引入非线性因素，得到特征信号X₇(t)；此时，设X₇(t)中大小为H*W的矩阵为C个；加入压缩-激活神经网络(squeeze and excitation networks)引入注意力机制，进行对每个通道的特征权重计算操作，依照计算的重要程度去提升有用的特征并抑制对当前任务用处不大的特征；压缩-激活神经网络首先需要进行对C个特征图进行压缩操作，获取上述提取特征图的全局信息，其具体步骤为：

S3.3.1:压缩-激活神经网络首先需要进行对C个特征图进行压缩操作，获取上述提取特征图的全局信息；

计算公式为：

式(9)中：W-特征矩阵的宽，H-特征矩阵的高；

S3.3.2:之后进行激活操作,计算每个特征图的重要性，通过全连接层和非线性层计算得到C个特征图的重要性，计算公式为：

S＝F_ex(Z,W)＝sigmoid(W₂×relu(W₁×Z)) (10)

式(10)中：W₁，W₂-进行全连接操作的隐藏层矩阵；Z-式(9)中提取的全局信息；

S3.3.3:得到重要性权重S，将权重乘回特征图可得到学习到重要性的特征信息X₈(t)；

X₈(t)＝S×X₇(t) (11)

S3.4：通过批归一化层将X₈(t)进行归一化处理，得到X₉(t)，使X₉(t)符合标准正态分布，均值为0，标准差为1，加快收敛速度，防止梯度消失，当数据输出较大时，学习梯度很小，浅层网络基本不学习，只有较后层的网络表征整个网络，失去了深度的意义，而加入了批归一化层后，网络输出不会很大，即梯度不会很小；

批归一化层的计算公式为：

式(12)中：γ,β-两个可学习重构参数；μ-均值；(σ)²+ε-方差；

S3.5：通过长短记忆神经网络对X₉(t)进行时间序列数据关联；

计算公式为：

X₁₀(t)＝sigmoid(W×X₉(t)+V×h(t-1)+U×c(t-1) (13)

式(13)中：h(t)-计算的传递状态；c(t)-选择记忆的状态；W，V，U-计算系数；

S3.6：最后使用多层感知机对进行X₁₀(t)回归计算，得到腹内压力的数据y，

计算公式为：

y＝W₃×{W₂×(W₁×X₁₀(t)+B₁)+B₂}+B₃ (14)

式(14)中：W₁,W₂,W₃-计算系数；B₁，B₂，B₃-计算偏置；

接下来对照实验组进一步说明本发明的实际效果：

参数设定：

雷达频率：60-64ghz；

每次测量时间：1min；

雷达测量位置：测试对象的腹部；

雷达放置距离：垂直距离测量对象位置50cm；

雷达天线数量：4根接收(RX)天线，3根发射(TX)天线；

雷达扫描范围：120°方位角视野，30°仰角视野；

对照组测量方式：直接测压(将传感器插入测量对象膀胱)

折线图中，横坐标为时间h，纵坐标为腹压cmH2O，▲：雷达测量后的计算值；●：雷达测量后的计算值的平均值；▼：临床测量值；

正三角形的标点为对一次测量的数据所进行分段处理得到的预测值，由于腹部压力会随着呼吸而变换，临床(选用侵入式)测量的时间为一次呼吸的末尾，本发明测量的一次数据为1分钟，由于不知道1分钟内的何时为呼吸末尾，因此将1分钟数据分为多段进行数据预测，并将多次预测的值求计算后的平均值作为预测值，即圆形标点折线，临床测量值折线为倒三角形标点折线；

由图(2)可以看出，随着时间的推移，1h后，测试对象腹部会出现明显感染导致腹压升高，预测值折线与临床测量值折线升高趋势一致，两者最高相差大约1cm，逐渐趋近。

最后说明的是，以上实施例仅用以说明发明的技术方案而非限制，尽管参照较佳实施例对发明进行了详细说明，本领域的普通技术人员应当理解，可以对发明的技术方案进行修改或者等同替换，而不脱离发明技术方案的宗旨和范围，其均应涵盖在发明的权利要求范围当中。

Claims (4)

1.一种基于深度学习的FMCW雷达提取分析腹内压力方法，其特征在于，包括下述步骤：

S1：将FMCW毫米波雷达系统，放置在观测对象旁边，朝向观测对象腹部位置发射毫米级别的线性调频连续波信号，采集得到从观测对象腹部反射回来的雷达波；将反射回来的雷达波与原始发射信号相混频得到原始数据信号；

S2：所述原始数据信号通过快速傅里叶变换提取出包含有观测对象腹部呼吸信号的生命体征信号，再通过巴特沃斯滤波器滤去噪声；

S3：将包含有观测对象腹部呼吸信号的生命体征信号输入搭建好的神经网络中，对包含有观测对象腹部呼吸信号的生命体征信号进行特征提取，并通过回归分析与腹内压力进行关联，进而分析出腹内压力。

2.如权利要求1所述的一种基于深度学习的FMCW雷达提取分析腹内压力方法，其特征在于，在S2中，将取得的原始数据信号定义为X₁(t)，对X₁(t)进行相位特征

的提取，将X₁(t)的相位

定义为：X₁(t)的虚部I与实部R之比；拟出公式(1)：

原始数据信号X₁(t)可以被分解为原始信号实部R(t)，原始信号虚部I(t)，原始数据信号X₁(t)还包含有实部的直流信号dc_r，虚部的直流信号dc_i；将原始信号实部R(t)，原始信号虚部I(t)、实部的直流信号dc_r、虚部的直流信号dc_i代入公式(1)，可以得到相位特征

的计算公式(2)：

3.如权利要求2所述的一种基于深度学习的FMCW雷达提取分析腹内压力方法，其特征在于，在S2中，将得到的

重新定义为：包含有腹部呼吸的时域信号X₂(t)；而后通过快速傅里叶变换将X₂(t)变换为腹部呼吸的频域信号X₃(k)，对X₂(t)的频域进行分析；计算公式为：

式(3)中：k＝0，1，......N-1；

得到包含有腹部呼吸的频域信号X₃(k)后，由于实际腹部呼吸信号频率范围为0.2Hz~0.4Hz，在X₃(k)中观察到符合实际范围的腹部呼吸频域信号X₄(k)，将X₃(k)与设计的巴特沃斯滤波器频域相乘，对X₄(k)进行滤噪；

巴特沃斯滤波器公式为：

|H_a(jω)|²＝1/1+(ω/ω_c)^2N (4)

式(4)中：N-滤波器阶数，ω_c-滤波器的截止频率，H_a(jω)-设计的滤波器幅频响应；

滤噪腹部呼吸频域信号X₄(k)计算公式为：

X₄(k)＝X₃(k)*H_a(jω) (5)

式(5)中：H_a(jω)-设计的巴特沃斯滤波器幅频响应；

再通过快速傅里叶逆变换将滤噪后的腹部呼吸频域信号X₄(k)变换为腹部呼吸时域信号X₄(t)；

计算公式为：

式(6)中：k＝0，1，......N-1；

4.如权利要求3所述的一种基于深度学习的FMCW雷达提取分析腹内压力方法，其特征在于，在S3中：将获取的腹部时域呼吸信号X₄(t)输入到预先搭建的深度学习神经网络，进行进一步的特征提取以及信号映射到腹内压力的分析，其具体步骤为：

S3.1：将腹部时域呼吸信号X₄(t)通过卷积神经网络进行一次特征提取，得到提取的特征定义为信号X₅(t)；X₄(t)为输入的四通道二维矩阵，设进行卷积提取特征的卷积核矩阵为k，阶矩阵为n×n；

提取特征X₅(t)的计算公式为：

式(7)中：

k_i，j-卷积核；

S3.2：再通过线性整流函数加入非线性因素，增强模型表达力，

线性整流函数公式为：

X₆(t)＝max(0，X₅(t)) (8)

S3.3：对S3.1中的卷积神经网络以及S3.2的线性整流函数进行五层堆叠计算，目的是提取四个通道的数据特征，之后引入非线性因素，得到特征信号X₇(t)；此时，设X₇(t)中大小为H*W的矩阵为C个；加入压缩-激活神经网络，引入注意力机制，对每个通道进行特征权重的计算，其具体步骤为：

S3.3.1：压缩-激活神经网络首先需要进行对C个特征图进行压缩操作，获取上述提取特征图的全局信息；

计算公式为：

式(9)中：W-特征矩阵的宽，H-特征矩阵的高；

S3.3.2：之后进行激活操作，计算每个特征图的重要性，通过全连接层和非线性层计算得到C个特征图的重要性，计算公式为：

S＝F_ex(Z，W)＝sigmoid(W₂×relu(W₁×Z)) (10)

式(10)中：W₁，W₂-进行全连接操作的隐藏层矩阵；Z-式(9)中提取的全局信息；

S3.3.3：得到重要性权重S，将权重乘回特征图可得到学习到重要性的特征信息X₈(t)；

X₈(t)＝S×X₇(t) (11)

S3.4：通过批归一化层将X₈(t)进行归一化处理，得到X₉(t)，使X₉(t)符合标准正态分布，均值为0，标准差为1，加快收敛速度，防止梯度消失；

批归一化层的计算公式为：

式(12)中：γ，β-两个可学习重构参数；μ-均值；(σ)²+ε-方差；

S3.5：通过长短记忆神经网络对X₉(t)进行时间序列数据关联；

计算公式为：

X₁₀(t)＝sigmoid(W×X₉(t)+V×h(t-1)+U×c(t-1) (13)

式(13)中：h(t)-计算的传递状态；c(t)-选择记忆的状态；W，V，U-计算系数；

S3.6：最后使用多层感知机对进行X₁₀(t)回归计算，得到腹内压力的数据y，

计算公式为：

y＝W₃×{W₂×(W₁×x₁₀(t)+B₁)+B₂}+B₃ (14)

式(14)中：W₁，W₂，W₃-计算系数；B₁，B₂，B₃-计算偏置。

Images