CN114224387A - 基于超声多径信道特征参数感知的体脂率测量方法 - Google Patents

基于超声多径信道特征参数感知的体脂率测量方法 Download PDF

Info

Publication number
CN114224387A
CN114224387A CN202111286434.9A CN202111286434A CN114224387A CN 114224387 A CN114224387 A CN 114224387A CN 202111286434 A CN202111286434 A CN 202111286434A CN 114224387 A CN114224387 A CN 114224387A
Authority
CN
China
Prior art keywords
characteristic parameters
channel
body fat
multipath
path
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.)
Granted
Application number
CN202111286434.9A
Other languages
English (en)
Other versions
CN114224387B (zh
Inventor
刘娇蛟
陈阿粤
马碧云
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
South China University of Technology SCUT
Original Assignee
South China University of Technology SCUT
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by South China University of Technology SCUT filed Critical South China University of Technology SCUT
Priority to CN202111286434.9A priority Critical patent/CN114224387B/zh
Publication of CN114224387A publication Critical patent/CN114224387A/zh
Application granted granted Critical
Publication of CN114224387B publication Critical patent/CN114224387B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
    • A61B8/08—Detecting organic movements or changes, e.g. tumours, cysts, swellings
    • A61B8/0833—Detecting organic movements or changes, e.g. tumours, cysts, swellings involving detecting or locating foreign bodies or organic structures
    • A61B8/085—Detecting organic movements or changes, e.g. tumours, cysts, swellings involving detecting or locating foreign bodies or organic structures for locating body or organic structures, e.g. tumours, calculi, blood vessels, nodules
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
    • A61B8/52—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves
    • A61B8/5215—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves involving processing of medical diagnostic data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Pathology (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Medical Informatics (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Public Health (AREA)
  • Veterinary Medicine (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Vascular Medicine (AREA)
  • Ultra Sonic Daignosis Equipment (AREA)

Abstract

本发明公开了一种基于超声多径信道特征参数感知的体脂率测量方法，该方法包括以下步骤：发送节点对信源信息进行直接序列扩频，利用脉冲形成器发射超宽带声波脉冲信号；超宽带声波脉冲信号经体内信道的传播得到相应的冲激响应，提取多径信道特征参数中的多径信道时频特征参数，并对其中的多径时延分布进行拟合，拟合结果与其他多径信道时频特征参数共同作为前馈神经网络的输入，经训练后得到的输出即为体脂率的检测结果。本发明在超声人体通信的过程中，利用多径信道时频特征参数作为体脂率检测的重要指标，无需额外操作，在人体生理数据采集的过程中同步实现。

Description

基于超声多径信道特征参数感知的体脂率测量方法
技术领域
本发明涉及超声人体多径信道参数估计技术领域，具体涉及一种基于超声多径信道特征参数感知的体脂率测量方法。
背景技术
市面上存在的主流体脂率测量方式共有四种。第一种方法采用体脂秤或手持仪器，通过测量人体电阻输出体脂率测量结果。这种方法操作最简单，但是测量结果非常不准确，测试时间段的不同，测量结果会有极大的差异。第二种方法采用体脂钳测量，是市面上最常见的方法。体脂钳的精度比前一种更高，相应的操作也更复杂，但过厚的脂肪层会降低测量结果的准确度。第三种方法采用水底称量法，在实验室使用特制器材，利用阿基米德原理先计算人体密度，再通过公式计算出脂肪比例。尽管测量结果非常准确，但它需要精密的仪器和极长的测量时间，难以普及。第四种方法采用双能量X射线吸收测量法(DEXA)，通过增强式X光测量肌肉及脂肪量，尽管测量结果非常准确，但是高昂的测量费用和复杂的测量工序也让这种方法难以普及。
随着人体通信技术的发展，借助可穿戴式和植入式传感器可以实现周期性的生理指标监测，比如血糖、血压和心电监测等，传感器采集的生理数据可采用电磁波或者超声波通信的方法传送到体表汇聚节点。基于各种人体组织的密度及其分布不同，接收信号是直达波、反射波、折射波和散射波混合而成，它们到达接收节点的时间和信号强度不尽相同，其中的时延取决于不同路径的长度，信号强度则与人体组织(如脂肪层)的厚度和密度有关。因此，在周期性体内生理数据采集的同时对接收到的多径信号进行信道特征参数分析，可以对信道的组织特性进行定性和定量判断。如果把植入式节点置于皮下层，就可以在血糖信息采集的同时对脂肪层的厚度、分布和位置进行分析，达到体脂率检测的目的。如果是穿戴式设备，利用超声波在表皮组织传播的回波信号，分析表皮组织的损伤或者恢复情况，可以应用于皮肤癌患者和烧伤患者。其优点在于，在周期性生理数据采集的同时对多径信道特征参数进行感知，不需要额外的测量仪器和测量工序，利用多径信道时频特征参数对体脂率进行测量，并在体脂率过高时给出预警。不仅如此，采用超声波进行通信，避免了电磁波辐射对体内外植入式设备的电磁干扰。
发明内容
本发明的目的是为了解决现有技术中的上述缺陷，提供一种基于超声多径信道特征参数感知的体脂率测量方法。
本发明的目的可以通过采取如下技术方案达到：
一种基于超声多径信道特征参数感知的体脂率测量方法，所述体脂率测量方法包括以下步骤：
S1、设置发送节点：在人体腹部皮下脂肪层设置植入式设备采集完信息并作为信息发送节点；
S2、信息编码：对采集信息通过基带编码调制，进行信源编码；
S3、直接序列扩频：对信源编码后的采集信息进行直接序列扩频；
S4、脉冲信号调制：直接序列扩频后的信号经脉冲生成器后输出超宽带声波脉冲信号，通过发送节点发送，经过人体信道得到人体信道的冲激响应h(t)；
S5、去噪：采用基于经验模态分解的去噪算法对经过人体信道的含有噪声的冲激响应h(t)进行处理，得到去除噪声的体内多径信道的冲激响应h(t)；
S6、信息恢复：先通过分集接收机接收多径信号中的各路信号，并还原出数字序列，实现解调的功能，解调后恢复出原始信息；
S7、输出测量结果：根据多径信道特征参数推测人体信道的物理环境，多径信道特征参数包括多径信道时频特征参数，而人体信道的物理环境参数包括脂肪的厚度、密度。将多径信道时频特征参数与拟合的时延分布参数作为前馈神经网络的输入，前馈神经网络输出体脂率。
进一步地，所述步骤S3过程如下：
对信源编码后的采集信息进行重复编码，将每个要发送的符号重复NS次；
对重复编码后的序列进行双极性转换，重复编码后序列中的符号“1”调制为“1”，符号“0”调制为“-1”；
重复编码后得到的序列与双极性的伪随机码相乘，得到扩频码；
将扩频码通过脉冲编码调制器进行调制，脉冲载波的幅度根据码元符号变化，符号“1”为正电平，符号“-1”为负电平。
进一步地，所述步骤S5过程如下：
找出经过人体信道的含噪冲激响应h(t)的所有极大值与极小值；
对经过人体信道的含噪冲激响应h(t)进行拟合，得到拟合函数的上包络fup(t)和下包络fdown(t)，根据
Figure BDA0003333072850000031
求得上下包络的平均值fmean(t)；
令f1(t)＝ftemp1(t)＝h(t)-fmean(t)，再有f2(t)＝ftemp2(t)＝h(t)-ftemp1(t)，把每一步得到的ftemp(t)视为下一步的fmean(t)，从而得到所有的fi(t)，重复上述操作得到h(t)的所有本征模态函数，本征模态函数简称IMF；
含噪冲激响应的表达式由前P阶IMF与残余函数组成，等于Q(Q＞P)阶IMF的和，即
Figure BDA0003333072850000032
分别计算各个IMF分量的自相关函数，即：Rff(ρ)＝E(fi(t)fi(t+ρ))；
根据信号和自相关函数之间的差异性，找到分界点k，减去前k阶的IMF即为去噪后的信号，即去噪冲激响应h′(t)：
Figure BDA0003333072850000041
进一步地，所述步骤S6过程如下：
先通过分集接收机接收多径信号中的各路信号，通过多个相关检测器接收多径信号中的各路信号，并把各路信号合并在一起，还原出数字序列，实现解扩的功能。
进一步地，去噪冲激响应h′(t)包含了多径信道特征参数的相关信息。多径信道时频特征参数则是多径信道特征参数中最能够反映信道多径特征的参数，故将其作为前馈神经网络的输入。多径信道时频特征参数包括多径时域特征参数与多径频域特征参数，所述多径时域特征参数包括时延间隔、最大时延扩展、平均附加时延、RMS(Root Mean Square，均方根)时延扩展和时延分布参数，其中时延分布参数是指时延间隔的概率密度分布函数的拟合结果表达式中的参数。
进一步地，所述多径频域特征参数包括：相干带宽。
进一步地，所述步骤S7中，前馈神经网络根据多径信道时频特征参数输出并训练得到体脂率结果的过程如下：
前馈神经网络包括级联的输入层、隐藏层、输出层，其中，输入层包括N个输入，隐藏层由M个神经元组成，输出层包括一个神经元Y，用于输出体脂率结果，多径信道时频特征参数进入输入层，在隐藏层中多次训练，最后在输出层显示体脂率结果；
前馈神经网络的第n个输入xn(n＝1，2，…，N)是多径信道时频特征参数，多径信道时频特征参数矩阵记作X＝[x1，x2，…，xn，…，xN]；
设置路径权重：wnm表示输入层的第n输入xn到第m个隐藏层神经元的路径的权重，用矩阵W表示：
Figure BDA0003333072850000051
计算隐藏层净输入：隐藏层中每个神经元对不同的多径信道时频特征参数进行处理，通过不同的路径权重区别输入的多径信道时频特征参数，将隐藏层的净输入写成矩阵的形式如下：
Figure BDA0003333072850000052
其中，隐藏层第m个神经元的净输入为
Figure BDA0003333072850000053
计算净输入激活函数值：选择激活函数S(x)，将净输入zm代入激活函数中，计算结果为
S＝[S1，S2，…，Sm，…，SM]＝[S(z1)，S(z2)，…，S(zm)，…S(zM)]；
计算输出：输出层的神经元输出体脂率结果，隐藏层与输出层的不同路径之间有不同的权重am，对任意一个输出层的神经元，其权值由下式计算：
Figure BDA0003333072850000054
神经网络训练：采用其他方法测量，得到一个体脂率的准确值T和误差门限ε，如果||Y-T||≤ε，训练结束，||·||表示求绝对值；反之，改变隐藏层与输出层之间的路径权重am，再次计算Y的值，经过多次训练调整权重，直到||Y-T||≤ε，最后输出体脂率结果。
本发明相对于现有技术具有如下的优点及效果：
1)本发明采用超宽带声波脉冲信号作为探测信号，抗干扰性能强，且发射功率低，带宽极宽使之能够与其他体内可能存在的窄带通信设备同时工作而互不干扰。
2)本发明实现了通信与感知过程的一体化，不需要考虑资源的分配问题，不需要考虑感知信息和通信信息的分离，直接采用一路信号，在进行通信的同时对脂肪的厚度进行感知。
3)本发明巧妙利用了多径效应，将多径信道时频特征参数作为前馈神经网络的输入，经过训练后输出体脂率测量结果。
4)本发明测量准确率高，能够与其他植入设备联动，具有较好的参考性、可行性、可移植性。
附图说明
图1是通信信号在人体内传播的示意图；
图2是本发明公开的一种基于超声多径信道特征参数感知的体脂率测量方法的流程图；
图3是直接序列扩频的流程图；
图4是本发明发送脉冲信号示例图；
图5是本发明公开的一种基于超声多径信道特征参数感知的体脂率测量方法中基于经验模态分解的去噪算法框图；
图6是人体信道的CIR示例图；
图7是本发明实施例中采用的前馈神经网络结构图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
实施例一
本实施例鉴于人体通信中信道多径特性与信道物理特征的相关性，提出了一种基于超声多径信道特征参数感知的体脂率测量方法。此方法在周期性人体生理数据采集的同时实现对信道特征参数的感知，皮下植入式节点发出的信号在体内传播时会经过脂肪层，而体内的多径信道特征参数与脂肪层的密度、厚度和分布有着密切关系，选取多径信道时频特征参数作为神经网络的输入，体脂率作为神经网络的输出，通过充分训练后可实现体脂率的测量，在体脂率过高时可以进行健康预警。
该基于超声多径信道特征参数感知的体脂率测量方法，包括一对发送节点与接收节点，以在信道内传输的超宽带声波信号作为感知的载体，信号在体内传输时经过脂肪层，接收端通过多径信道特征参数的变化感知信道的物理参数，如脂肪壁的厚度等。
因为超宽带具有抗干扰能力强、功率谱密度小的特性，在发送节点选择发送超宽带声波脉冲信号。发送节点对信源信息进行编码，提高通信有效性。发送的超宽带声波脉冲信号在体内经过一系列反射和折射，将沿着不同的路径传播，各路径分量到达接收节点的时间不同，按各自相位叠加形成多径，这个多径信道冲激响应的时频特征反映了信道中人体组织的特征，如脂肪层的厚度和密度，据此可以估算体脂率。通过多次实验得到多组冲激响应的相关参数，将采集的数据与神经网络相结合，输出体脂率测量结果。
发送节点对信源信号编码后，再进行直接序列扩频，扩频后的信号经脉冲生成器后输出超宽带声波脉冲信号，即高斯脉冲的二阶导数，且其功率满足植入式医疗设备的限制。由于目前探头功率的限制，发送节点的探头中心频率最大应为5MHz。
为了降低码间干扰的影响，作为发送信号的超宽带声波脉冲信号的脉冲宽度不应超过500ns，发送信号应为宽频信号，中心频率由探头决定。超宽带声波脉冲信号进入体内，对人体信道进行感知。由于体内介质的密度差异，信号在传播的过程中会产生折射、反射、散射等现象。脂肪厚度的不同，将会影响折射、反射、散射现象的角度，在各路分量叠加之后，产生多径效应。
通过测量得到的冲激响应中可能会包含噪声，在提取多径信道时频特征参数前需要先采用基于经验模态分解(Empirical Mode Decomposition，EMD)的去噪算法对噪声进行处理。去噪算法可以由以下步骤实现：
找出人体信道的含噪冲激响应h(t)的所有极大值与极小值；
对经过人体信道的含噪冲激响应h(t)进行拟合，得到拟合函数的上包络fup(t)和下包络fdown(t)，根据
Figure BDA0003333072850000081
求得上下包络的平均值fmean(t)。
令f1(t)＝ftemp1(t)＝h(t)-fmean(t)，再有f2(t)＝ftemp2(t)＝h(t)-ftemp1(t)，即把每一步得到的ftemp(t)视为下一步的fmean(t)，从而得到所有的fi(t)，重复上述步骤便能得到h(t)的所有本征模态函数(Intrinsic Mode Function，IMF)。
含噪冲激响应h(t)的表达式由前P阶IMF和残余函数rresidual(t)组成，等于Q(Q＞P)阶的IMF，即
Figure BDA0003333072850000082
分别计算各个IMF分量的自相关函数，即：Rff(ρ)＝E(fi(t)fi(t+ρ))。
根据信号和自相关函数之间的差异性，找到分界点k，减去前k阶的IMF即为去噪冲激响应，即：
Figure BDA0003333072850000083
原本的冲激响应可能含有噪声的影响，经过EMD算法处理后的输出为去噪冲激响应h′(t)，即去噪后的体内多径信道的冲激响应(Channel Impulse Response，CIR)。
去噪冲激响应h′(t)经过分集接收后再解调恢复信号。
建立人体信道的模型需要用到：相干带宽、RMS时延扩展、平均附加时延、最大时延扩展。这些参数将用于描述人体多径信道的时频色散特性。对这些时延参数进行分析，得到时延的概率密度分布，进而对该分布进行数学拟合，得到近似的分布函数。
把测量得到的多径信道时频特征参数作为前馈神经网络(Front NeuralNetwork，FNN)的输入，采集不同时刻的多组数据后，分成训练集和验证集，输出即为体脂率的结果，实现体脂率测量。
实施例二
本实施例设置了一对发送节点和接收节点。如图1所示，发送节点位于腹部脂肪层下方，向位于体表的接收节点发送信息。图1还给出了发送信号到达接收节点的路径示例，其中实线为信号的直达路径，较为稀疏的虚线则为信号经过腹腔壁的反射路径，双点划线表示信号经过腹腔壁的折射，到达接收点，较为密集的虚线则表示信号经过腹腔壁的衍射被分成了多条路径被接收点接收。可见，收发两节点之间进行通信的同时，信号在脂肪层内的传输会产生反射、折射、衍射的物理现象，会导致信号的时频色散，产生多径效应。因此，多径信道特征参数中的多径信道时频特征参数如最大时延扩展、平均附加时延、时延间隔和相干带宽等表征了体表脂肪层的厚度、密度和位置等信息。如流程图2所示，超宽带声波脉冲信号经过信道后，提取冲激响应的多径信道时频特征参数作为神经网络的输入，从而生成体脂率的检测结果。下面将介绍本方法的具体步骤：
T1：设置发送节点。以人体腹部皮下脂肪层植入式通信设备为例，该设备与胰岛素泵一同植入人体。在血糖浓度监测过程中，该节点每隔半小时采集体液中的葡萄糖浓度，即体内节点开始进行通信。
T2：信息编码。T1中采集得到的数据信息采用哈夫曼编码的方式进行信源编码，提高通信的有效性。
T3：直接序列扩频。为了降低经信源编码后的数据信息在体内传输的误码率，对编码后的信号进行直接序列扩频，按图3所示的框图，可以由以下步骤实现：
对步骤T2中的编码首先进行重复编码，将每个要发送的符号重复Ns次后进入下一步；
由于码元为二进制，需要对重复编码后的序列进行双极性转换。重复编码后序列中的符号“1”调制为“1”，符号“0”调制为“-1”。
重复编码后得到的序列与双极性的伪随机码相乘，得到扩频码，扩频码也为双极性码；
扩频序列进入PAM调制器，脉冲载波的幅度根据码元符号变化，符号“1”为正电平，符号“-1”为负电平。
T4：脉冲信号调制。PAM调制器输出的信号进入脉冲形成器，脉冲形成器生成的是高斯脉冲的二阶导数，如图4所示。调制后的脉冲信号进入人体信道。
T5：信号传输与去噪。信号在人体内传播时，会产生反射、折射和衍射的效应。由于信号在人体内传播并不是沿着直线传播，而是分成了许多路径，每一路信号的到达时间和相位不同，这些信号的叠加导致了多径效应。
提取多径信道特征参数前需要对接收信号的时域波形去除噪声，将信道的噪声对后续的信道建模的影响降到最低。
具体地，去噪采用EMD算法，EMD算法的步骤如图5所示。
发射的混合信号经过人体信道后到达接收端，接收信号即为人体信道的含噪冲激响应h(t)。
先找出信号h(t)所有的极大值与极小值点；
利用上一步的极大值与极小值点，对人体信道的含噪冲激响应h(t)进行拟合，得到拟合函数的上包络线fup(t)和下包络线fdown(t)的表达式，根据
Figure BDA0003333072850000101
求得上下包络的平均值fmean(t)；
令第一阶本征模态函数f1(t)＝ftemp1(t)＝h(t)-fmean(t)，对于第二阶本征模态函数又有f2(t)＝ftemp2(t)＝h(t)-ftemp1(t)，把每一步得到的ftemp(t)视为下一步的fmean(t)，从而得到所有的fi(t)，重复上述操作得到h(t)的所有本征模态函数，本征模态函数简称IMF；
引入残余函数rresidual(t)，最后得到的含噪冲激响应是前P阶本IMF与残余函数的和，等于Q(Q＞P)阶IMF的和，即
Figure BDA0003333072850000111
Figure BDA0003333072850000112
分别计算各个IMF分量的自相关函数，即：Rff(ρ)＝E(fi(t)fi(t+ρ))
根据信号和噪声自相关函数之间的差异性，找到区分他们的分界点k；
令h(t)减去前k阶的IMF即为去噪后的信号，即：
Figure BDA0003333072850000113
得到的h′(t)即为信道的去噪冲激响应。
T6：信息恢复。分集接收机采用Rake接收机，用于实现分集接收。去噪冲激响应h′(t)进入Rake接收机，通过多个相关检测器接收多径信号中的各路信号，并把它们合并在一起，还原出数据信息，实现解扩的功能。解调后恢复出原始信息。如果血糖浓度发生异常变化，体表的接收节点可以唤醒体内胰岛素泵，进行药液释放。
T7：输出测量结果。信号传输到接收节点的过程中，在脂肪层内经过反射、折射，在提取出的信道冲激响应中包含了当前信道的多径信息，根据多径信道时频特征参数推测出信道的物理环境，比如脂肪的厚度、密度等。超声多径信道特征参数，包括时延特征参数、频域特征参数(如相干带宽)，将多径信道时频特征参数作为前馈神经网络的输入，采集不同时刻的多组数据后，分成训练集和验证集，前馈神经网络的输出为体脂率。
具体地，能够反映多径时延特征的主要有以下参数：
最大时延扩展为直达径与最后到达接收节点的一路信号的到达时间差，以图6为例，最大时延扩展为50μs。
平均时延为各个时延信号的数学期望，即每一路多径信号的到达时间减去直达径的到达时间除以多径个数。
RMS时延扩展是各时延信号的均方值，也就是每一路的时延减去平均时延的均方根。
时延分布参数是表征多径时延间隔分布的主要参数。以脂肪层为例，将多径的时延间隔拟合为瑞利分布，瑞利分布的表达式为
Figure BDA0003333072850000121
σ为表征瑞利分布的主要参数，脂肪的厚度发生改变时，σ也不同。
具体地，前馈神经网络的结构如图7所示，前馈神经网络包括级联的输入层、隐藏层、输出层，其中，输入层含有N个输入，隐藏层由M个神经元组成，输出层由1个神经元输出体脂率结果，输入层的任何一个输入都与隐藏层的M个神经元连接，隐藏层的任何一个神经元都与输出层的神经元连接；为了便于更好地说明实施例，选用了前馈神经网络结构中的一条路径作为示例，并且标注序号。
前馈神经网络的第n个输入xn(n＝1，2，…，N)，表示多径信道时频特征参数，多径信道时频特征参数记作X＝[x1，…，xn，…，xN]。
wn表示不同输入到同一个隐藏层神经元的路径的权重。如图7所示，第n个输入到隐藏层第一个神经元的路径权重为wn1，对于隐藏层第一个神经元，权重可以表示为W＝[w11，…，wn1，…，wN1]。其他神经元也可以用类似的方法表示。zm表示隐藏层的第m个神经元的净输入。净输入的值是与它相连的所有输入乘以各自路径权重的加权和。
以图7中隐藏层的第一个神经元为例，令净输入z1表示一个神经元所获得的输入信号xn的加权和，即：
Figure BDA0003333072850000122
按照同样的方式可以求出所有神经元净输入Z＝[z1，z2，…，zm，…，zM]。
净输入z1在经过激活函数后，得到神经元的活性值，选用Sigmoid函数作为激活函数，Sigmoid函数的表达式为：
Figure BDA0003333072850000131
将Z＝[z1，z2，…，zm，…，zM]，分别代入Sigmoid函数的表达式，得到
Figure BDA0003333072850000132
如图7所示，am表示不同的隐藏层神经元到同一输出层的路径权重，同样有A＝[a1，a2，…，am，…，aM]。输出结果为：
Figure BDA0003333072850000133
采用其他方法测量得到体脂率的一个准确值T和误差门限ε，如果||Y-T||≤ε，训练结束。反之，改变隐藏层与输出层之间的路径权重am，再次计算Y的值，经过多次训练调整权重，直到||Y-T||≤ε，最后输出体脂率结果。
至此，经过上述处理步骤，实现了感知的功能。当探测到血糖浓度的变化，发送节点能够给接收节点发送变化信息，信号在体内的传播经过脂肪时，接收节点处的冲激响应是原信号受到多径效应影响后形成的波形，其包含的信息含有体内超声多径信道特征参数，因此实现了对体内信道特征的感知。最后将多径信道时频特征参数作为前馈神经网络的输入实现对体脂进行检测。
上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。

Claims (7)

1.一种基于超声多径信道特征参数感知的体脂率测量方法，其特征在于，在通信的同时对信道特征进行感知，利用超声多径信道特征参数实现体脂率测量，所述体脂率测量方法包括以下步骤：
S1、设置发送节点：在人体腹部皮下脂肪层设置植入式设备采集信息并作为信息发送节点；
S2、信息编码：对采集信息通过基带编码调制，进行信源编码；
S3、直接序列扩频：对信源编码后的采集信息进行直接序列扩频；
S4、脉冲信号调制：直接序列扩频后的信号经脉冲信号调制后输出超宽带脉冲信号，通过发送节点发送，经过人体信道后得到人体信道的含噪冲激响应h(t)；
S5、去噪：采用基于经验模态分解的去噪算法对经过人体信道的含噪冲激响应h(t)进行处理，得到体内多径信道的去噪冲激响应h′(t)；
S6、信息恢复：先通过分集接收机接收多径信号中的各路信号，并还原出数字序列，实现解调的功能，解调后恢复出原始信息；
S7、输出测量结果：根据多径信道时频特征参数推测人体信道的物理环境，人体信道的物理环境包括脂肪的厚度、密度，将多径信道时频特征中的多径时域特征参数与多径频域特征参数作为前馈神经网络的输入，前馈神经网络输出体脂率。
2.根据权利要求1所述的一种基于超声多径信道特征参数感知的体脂率测量方法，其特征在于，所述步骤S3过程如下：
对信源编码后的采集信息进行重复编码，将每个要发送的符号重复Ns次；
对重复编码后的序列进行双极性转换，重复编码后序列中的符号“1”调制为“1”，符号“0”调制为“-1”；
重复编码后得到的序列与双极性的伪随机码相乘，得到扩频码；
将扩频码通过脉冲编码调制器进行调制，脉冲载波的幅度根据码元符号变化，符号“1”为正电平，符号“-1”为负电平。
3.根据权利要求1所述的一种基于超声多径信道特征参数感知的体脂率测量方法，其特征在于，所述步骤S5过程如下：
找出经过人体信道的含噪冲激响应h(t)的所有极大值与极小值；
对经过人体信道的含噪冲激响应h(t)进行拟合，得到拟合函数的上包络fup(t)和下包络fdown(t)，根据
Figure FDA0003333072840000021
求得上下包络的平均值fmean(t)；
令f1(t)＝ftemp1(t)＝h(t)-fmean(t)，再有f2(t)＝ftemp2(t)＝h′(t)-ftemp1(t)，把每一步得到的ftemp(t)视为下一步的fmean(t)，从而得到所有的fi(t)，重复上述操作得到h(t)的所有本征模态函数，本征模态函数简称IMF；
含噪冲激响应h(t)的表达式视为前P阶IMF与残余函数rresidual(t)的和，等于Q阶IMF的和，即
Figure FDA0003333072840000022
其中，Q＞P；
分别计算各个IMF分量的自相关函数，即：Rff(ρ)＝E(fi(t)fi(t+ρ))；
根据信号和自相关函数之间的差异性，找到分界点k，减去前k阶的IMF即为去噪后的信号，即去噪冲激响应h′(t)：
Figure FDA0003333072840000023
4.根据权利要求1所述的一种基于超声多径信道特征参数感知的体脂率测量方法，其特征在于，所述步骤S6过程如下：
分集接收机接收多径信号中的各路信号，再通过分集接收机内部的多个相关检测器接收多径信号中的各路信号，并把各路信号合并在一起，还原出数字序列，实现解扩的功能。
5.根据权利要求1所述的一种基于超声多径信道特征参数感知的体脂率测量方法，其特征在于，所述多径信道时频特征参数分为多径信道时域特征参数和多径信道频域特征参数，其中多径信道时域特征参数包括时延间隔、最大时延扩展、平均附加时延、RMS时延扩展和时延分布参数，其中，时延分布参数是指时延间隔的概率密度分布函数的拟合结果表达式中的参数。
6.根据权利要求1所述的一种基于超声多径信道特征参数感知的体脂率测量方法，其特征在于，所述多径频域特征参数包括：相干带宽。
7.根据权利要求1所述的一种基于超声多径信道特征参数感知的体脂率测量方法，其特征在于，所述步骤S7中，前馈神经网络根据多径信道时频特征参数训练得到体脂率的过程如下：
前馈神经网络包括级联的输入层、隐藏层、输出层，其中，输入层包括N个输入，隐藏层由M个神经元组成，输出层包括一个神经元Y，用于输出体脂率结果，多径信道时频特征参数进入输入层，在隐藏层中多次训练，最后在输出层显示体脂率结果；
前馈神经网络的第n个输入xn，n＝1，2，…，N是多径信道时频特征参数，多径信道时频特征参数矩阵记作X＝[x1，x2，…，xn，…，xN]；
设置路径权重：wnm表示输入层的第n输入xn到第m个隐藏层神经元的路径的权重，用矩阵W表示：
Figure FDA0003333072840000031
计算隐藏层净输入：隐藏层中每个神经元对不同的多径信道时频特征参数进行处理，通过不同的路径权重区别输入的多径信道时频特征参数，将隐藏层的净输入写成矩阵的形式如下：
Figure FDA0003333072840000041
其中，隐藏层第m个神经元的净输入为
Figure FDA0003333072840000042
计算净输入激活函数值：选择激活函数S(x)，将净输入zm代入激活函数中，计算结果为
S＝[S1，S2，…，Sm，…，SM]＝[S(z1)，S(z2)，…，S(zm)，…S(zM)]；
计算输出：输出层的神经元输出体脂率结果，隐藏层与输出层的不同路径之间有不同的权重am，对任意一个输出层的神经元，其输出由下式计算：
Figure FDA0003333072840000043
神经网络训练：采用其他方法测量，得到一个体脂率的准确值T和误差门限ε，如果||Y-T||≤ε，训练结束||·||表示求绝对值；反之，改变隐藏层与输出层之间的路径权重am，再次计算Y的值，经过多次训练调整权重，直到||Y-T||≤ε，最后输出体脂率结果。
CN202111286434.9A 2021-11-02 2021-11-02 基于超声多径信道特征参数感知的体脂率测量方法 Active CN114224387B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111286434.9A CN114224387B (zh) 2021-11-02 2021-11-02 基于超声多径信道特征参数感知的体脂率测量方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111286434.9A CN114224387B (zh) 2021-11-02 2021-11-02 基于超声多径信道特征参数感知的体脂率测量方法

Publications (2)

Publication Number Publication Date
CN114224387A true CN114224387A (zh) 2022-03-25
CN114224387B CN114224387B (zh) 2023-09-29

Family

ID=80743507

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111286434.9A Active CN114224387B (zh) 2021-11-02 2021-11-02 基于超声多径信道特征参数感知的体脂率测量方法

Country Status (1)

Country Link
CN (1) CN114224387B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115458143A (zh) * 2022-09-16 2022-12-09 兰州大学 基于神经网络的无源植入式医疗器械射频发热评估方法
WO2024012269A1 (zh) * 2022-07-12 2024-01-18 蔚来汽车科技(安徽)有限公司 通信环境判定方法、数据处理装置、车辆和存储介质

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20040179580A1 (en) * 2003-03-10 2004-09-16 Hirohisa Yamaguchi Spreading code structure for ultra wide band communications
US20040179582A1 (en) * 2003-01-15 2004-09-16 Sony Corporation Communication apparatus and communication method
CN101345564A (zh) * 2007-07-10 2009-01-14 哈尔滨工业大学深圳研究生院 脉冲超宽带信号在非视距无线信道环境下传播的建模方法
CN108234367A (zh) * 2018-01-10 2018-06-29 福建师范大学 消除多径无噪声信道超宽带信号符号间干扰的系统及方法
CN112697887A (zh) * 2020-12-08 2021-04-23 江苏科技大学 基于神经网络的超声检测缺陷定性识别方法
US11108429B1 (en) * 2020-06-01 2021-08-31 Raytheon Company Covert acoustic communications through solid propagation channels using spread spectrum coding and adaptive channel pre-distortion
CN113572708A (zh) * 2021-06-30 2021-10-29 西安电子科技大学 一种dft信道估计改进方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20040179582A1 (en) * 2003-01-15 2004-09-16 Sony Corporation Communication apparatus and communication method
US20040179580A1 (en) * 2003-03-10 2004-09-16 Hirohisa Yamaguchi Spreading code structure for ultra wide band communications
CN101345564A (zh) * 2007-07-10 2009-01-14 哈尔滨工业大学深圳研究生院 脉冲超宽带信号在非视距无线信道环境下传播的建模方法
CN108234367A (zh) * 2018-01-10 2018-06-29 福建师范大学 消除多径无噪声信道超宽带信号符号间干扰的系统及方法
US11108429B1 (en) * 2020-06-01 2021-08-31 Raytheon Company Covert acoustic communications through solid propagation channels using spread spectrum coding and adaptive channel pre-distortion
CN112697887A (zh) * 2020-12-08 2021-04-23 江苏科技大学 基于神经网络的超声检测缺陷定性识别方法
CN113572708A (zh) * 2021-06-30 2021-10-29 西安电子科技大学 一种dft信道估计改进方法

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2024012269A1 (zh) * 2022-07-12 2024-01-18 蔚来汽车科技(安徽)有限公司 通信环境判定方法、数据处理装置、车辆和存储介质
CN115458143A (zh) * 2022-09-16 2022-12-09 兰州大学 基于神经网络的无源植入式医疗器械射频发热评估方法
CN115458143B (zh) * 2022-09-16 2023-05-23 兰州大学 基于神经网络的无源植入式医疗器械射频发热评估方法

Also Published As

Publication number Publication date
CN114224387B (zh) 2023-09-29

Similar Documents

Publication Publication Date Title
CN114224387B (zh) 基于超声多径信道特征参数感知的体脂率测量方法
CN205083467U (zh) 估计心率的设备和系统
US5651363A (en) Ultrasonic bone assessment method and apparatus
CN113440120B (zh) 一种基于毫米波雷达的人员呼吸心跳检测方法
Ibrahim et al. Cuffless blood pressure monitoring from a wristband with calibration-free algorithms for sensing location based on bio-impedance sensor array and autoencoder
CN111157960A (zh) 基于毫米波雷达的生命体征信号增强方法及设备、提取方法及设备
US20150018676A1 (en) Microwave contactless heart rate sensor
González-Izal et al. sEMG wavelet-based indices predicts muscle power loss during dynamic contractions
JPH06500163A (ja) 体積流量を連続的に測定する装置
CN104644143A (zh) 一种非接触式生命体征监护系统
Yılmaz et al. Analysis of the Doppler signals using largest Lyapunov exponent and correlation dimension in healthy and stenosed internal carotid artery patients
Wu et al. A non-contact vital signs detection in a multi-channel 77GHz LFMCW radar system
CN109363652B (zh) 基于深度学习的ppg信号重构方法及设备
CN101282685B (zh) 用于脉搏测氧法的信号处理
Le et al. Multivariate singular spectral analysis for heartbeat extraction in remote sensing of uwb impulse radar
Kutay et al. On modeling biomedical ultrasound RF echoes using a power-law shot-noise model
Biswal et al. Comparison of time-frequency methods for analyzing stimulus frequency otoacoustic emissions
CN113708784A (zh) 一种远距离非接触式的呼吸率估计方法、系统和存储介质
US20200225347A1 (en) Fine-tuning the h-scan for visualizing types of tissue scatterers
EP1661050A2 (en) Apparatus and method for performing time delay estimation of signals propagating through an environment
Acar et al. Wavelet based denoising of the simulated chest wall motion detected by SFCW radar
CN117333569A (zh) 一种光散射乳腺诊断系统
CN103142216B (zh) 一种基于光声成像技术的多层介质声速计算的方法
CN114145730B (zh) 基于深度学习与射频感知的生命体征监测动作去除方法
CN109009050A (zh) 一种基于光学方法的抗运动干扰反射式脉率信号检测装置

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