CN115590489B - 一种基于调频连续波雷达的无接触血压监测方法 - Google Patents
一种基于调频连续波雷达的无接触血压监测方法 Download PDFInfo
- Publication number
- CN115590489B CN115590489B CN202211194352.6A CN202211194352A CN115590489B CN 115590489 B CN115590489 B CN 115590489B CN 202211194352 A CN202211194352 A CN 202211194352A CN 115590489 B CN115590489 B CN 115590489B
- Authority
- CN
- China
- Prior art keywords
- signal
- blood pressure
- frequency
- radar
- heart rate
- 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.)
- Active
Links
- 230000036772 blood pressure Effects 0.000 title claims abstract description 58
- 238000012544 monitoring process Methods 0.000 title claims abstract description 30
- 238000000034 method Methods 0.000 title claims abstract description 27
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 22
- 230000033001 locomotion Effects 0.000 claims abstract description 12
- 230000029058 respiratory gaseous exchange Effects 0.000 claims abstract description 11
- 238000000605 extraction Methods 0.000 claims abstract description 7
- 230000010247 heart contraction Effects 0.000 claims abstract description 7
- 238000001514 detection method Methods 0.000 claims abstract description 6
- 230000035487 diastolic blood pressure Effects 0.000 claims description 20
- 230000035488 systolic blood pressure Effects 0.000 claims description 19
- 238000001228 spectrum Methods 0.000 claims description 13
- 238000012216 screening Methods 0.000 claims description 10
- 238000010586 diagram Methods 0.000 claims description 9
- 230000001121 heart beat frequency Effects 0.000 claims description 7
- 238000010009 beating Methods 0.000 claims description 4
- 230000035485 pulse pressure Effects 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 2
- 230000007774 longterm Effects 0.000 abstract description 4
- 238000004422 calculation algorithm Methods 0.000 abstract description 2
- 238000011084 recovery Methods 0.000 abstract description 2
- 238000009530 blood pressure measurement Methods 0.000 description 4
- 238000005259 measurement Methods 0.000 description 4
- 238000010989 Bland-Altman Methods 0.000 description 3
- 206010020772 Hypertension Diseases 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 238000001914 filtration Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 230000008602 contraction Effects 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 238000009795 derivation Methods 0.000 description 2
- 230000003205 diastolic effect Effects 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 238000002156 mixing Methods 0.000 description 2
- 230000000241 respiratory effect Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 230000001131 transforming effect Effects 0.000 description 2
- 208000017667 Chronic Disease Diseases 0.000 description 1
- 241001203771 Eudonia echo Species 0.000 description 1
- 210000000709 aorta Anatomy 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 210000003414 extremity Anatomy 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 208000019622 heart disease Diseases 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000000284 resting effect Effects 0.000 description 1
- 210000000707 wrist Anatomy 0.000 description 1
Classifications
-
- 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 pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
- A61B5/021—Measuring pressure in heart or blood vessels
- A61B5/02108—Measuring pressure in heart or blood vessels from analysis of pulse wave characteristics
- A61B5/02125—Measuring pressure in heart or blood vessels from analysis of pulse wave characteristics of pulse wave propagation time
-
- 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 pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
- A61B5/021—Measuring pressure in heart or blood vessels
- A61B5/02108—Measuring pressure in heart or blood vessels from analysis of pulse wave characteristics
- A61B5/02116—Measuring pressure in heart or blood vessels from analysis of pulse wave characteristics of pulse wave amplitude
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/05—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves
-
- 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
- A61B5/7203—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal
-
- 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
-
- 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
- A61B5/7271—Specific aspects of physiological measurement analysis
- A61B5/7275—Determining trends in physiological measurement data; Predicting development of a medical condition based on physiological measurements, e.g. determining a risk factor
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Molecular Biology (AREA)
- Animal Behavior & Ethology (AREA)
- Veterinary Medicine (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Public Health (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Surgery (AREA)
- Physics & Mathematics (AREA)
- Physiology (AREA)
- Cardiology (AREA)
- Signal Processing (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Psychiatry (AREA)
- Vascular Medicine (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)
Abstract
本发明提出一种基于调频连续波雷达的无接触血压监测方法,属于非接触生命体征检测领域,具体为:首先,调频连续波雷达采集来自待测人体胸膛的回波信号,随后经变分模态分解探测人体目标的心率值,以基于心率引导的脉搏波提取方法在区间内进行重定位,获得干扰较小的脉搏波信号,再通过VMD分解将不同模态以心率为标准筛选后相加,去除呼吸、身体轻微运动对脉搏波信号带来的干扰,基于心率恢复获取较为纯净的有效脉搏波信号波形,之后从中提取血压相关的时间特征,构建血压估测模型,提取心脏收缩与扩张的周期进行血压预测。本发明所提出的无接触连续性血压监测算法能精准鲁棒地实现血压估测,为实现长期实时无接触血压监测提供了可能。
Description
技术领域
本发明属于非接触生命体征检测领域,具体涉及一种基于调频连续波雷达(FMCW)的无接触血压监测方法。
背景技术
高血压是最常见的慢性病,据统计,中国约有2.45亿高血压患者。因此,在日常生活中对血压进行长期连续监测对保障身体健康,早期疾病预警具有重要意义。传统血压检测方法主要以袖带式血压计为主,也有研究在人体表面贴附电极实现血压监测[1]-[3]。这些需要将传感器贴附于人体表面,易给受测者带来不适感,难以实现长时血压测量。
调频连续波(FMCW)雷达能获取高精度的距离、角度和信号相位等信息,已有基于FMCW雷达的无接触呼吸心跳监测研究[4]-[6]。
目前,有一些基于接触式与无接触传感器结合的研究。Makiko等用多普勒雷达和压电手指脉冲传感器之间的时延计算脉搏波速度[7]。Tang等用单频连续波雷达探测心跳胸部运动和手腕脉搏信号,探究两者峰值时间差的相关性[8]。
无接触血压测量也愈发引人注意。
Zhao等用数字中频连续波多普勒雷达获取由中央主动脉引起的体表微小形变估算血压[9]。Tomoyuki等用多普勒雷达获取心脏扩张与收缩周期推导血压值[10]。Marie等使用连续波雷达建立了数据集[11]。Shuzo等基于长短期记忆网络模型探究血压监测[12]。
但是,由于呼吸和其他微小的肢体运动可能会给雷达探测脉搏波带来畸变,影响血压精度和连续性。
[1]Buxi D,RedoutéJ-M,Yuce M R.Blood pressure estimation using pulsetransit time from bioimpedance and continuous wave radar[J].T-BME,2017,64(4):917-927.
[2]Ebrahim M P,Heydari F,Walker K,et al.Systolic blood pressureestimation using wearable radar and photoplethysmogram signals[C].2019IEEEInternational Conference on SMC,2019:3878-3882.
[3]Ganti V G,Carek A M,Nevius B N,et al.Wearable cuff-less bloodpressure estimation at home via pulse transit time[J].IEEE J Biomed HealthInform,2021,25(6):1926-1937.
[4]Cardillo E,Caddemi A.Radar range-breathing separation for theautomatic detection of humans in cluttered environments[J].IEEE Sens J,2021,21(13):14043-14050
[5]Choi H I,Song W J,Song H,et al.Selecting target range withaccurate vital sign using spatial phase coherency of FMCW radar[J].Appl.Sci,2021,11(10).
[6]Turppa E,Kortelainen J M,Antropov O,et al.Vital sign monitoringusing FMCW radar in various sleeping scenarios[J].Sensors 2020,20(22).
[7]Kuwahara M,Yavari E,Boric-Lubecke O.Non-invasive,continuous,pulsepressure monitoring method[C].2019 41st Annual International Conference ofthe IEEE EMBC,2019:6574-6577.
[8]Tang M,Liao C,Wang F,Horng T.Noncontact pulse transit timemeasurement using asingle-frequency continuous-wave radar[C].2018IEEE/MTT-SIMS,PA,2018:1409-1412.
[9]Zhao H,Gu X,Hong H,et al.Non-contact beat-to-beat blood pressuremeasurement using continuous wave doppler radar[C].2018IEEE/MTT-S IMS,2018:1413-1415.
[10]Ohata T,Ishibashi K,Sun G.Non-contact blood pressure measurementscheme using doppler radar[C].2019 41st Annual International Conference ofthe IEEE EMBC,2019:778-781.
[11]Jung M,Caris M,Stanko S.Non-contact blood pressure estimationusing a 300GHz continuous wave radar and machine learning models[C].2021IEEEInternational Symposium on MeMeA,2021:1-6.
[12]Ishizaka S,Yamamoto K,Ohtsuki T.Non-contact blood pressuremeasurement using doppler radar based on wave form analysis by LSTM[C].ICC2021,2021:1-6.
发明内容
针对无接触血压测量中存在微动干扰,影响血压精度等问题,本发明提出了一种基于调频连续波雷达的无接触血压监测方法,可以精准鲁棒地进行血压监测,为实现长期实时无接触血压监测提供了可能。
所述基于调频连续波雷达的无接触血压监测方法,具体步骤如下:
步骤一、针对待测人体,FMCW雷达发射频率随时间线性增加的信号进行目标探测,并计算接收信号;
其发射信号xT(τ)表示为:
其中,A为雷达发射信号的幅度,fc为发射信号的起始频率,B为发射信号的带宽,Tc为发射信号的持续时间,φ(t)为相位噪声。
雷达接收信号表示为:
其中,α表示缩放系数,表示发射信号飞行时间,d为待测人体到雷达天线的距离,c为光速。
步骤二、将发射信号与接收信号经I/Q路混合,并滤波后得到信号y(t):
其中A′为接收信号的幅度,λ为接收信号的波长。
步骤三、基于心率引导,对信号y(t)进行重定位,在距离维度和虚拟天线维度进行快速傅里叶变换,得到距离-方位角图M[r,a,t];
FMCW雷达装配多根发射和接收天线,形成虚拟天线组;经采样量化的波束成形后,接收三维数组信号,进行快速傅里叶变换后,用距离-方位角图M[r,a,t]表示;r,a,t分别为信号y(t)传输的距离、信号y(t)的方位角和信号y(t)的时间维度。
步骤四、针对距离-方位角图每一个距离和方位角形成的单元,计算各单元中信号的能量,选取具有最大能量的单元(r0,a0)所对应的相位信号即为来自人体胸膛的生命体征信号;
(r0,a0)为最大能量单元的距离和方位角。
每个单元中信号能量通过平方和的形式计算,即xi为雷达采样的接收信号值,n为信号长度。
步骤五、以能量最大单元(r0,a0)为中心,划定胸膛回波的有效区域RoI,满足条件:
Δr表示人体胸膛厚度的一半值,Δa表示方位角限定范围,根据雷达摆放位置确定。
步骤六、对区域RoI内每条模态信号分别进行快速傅里叶变换,得到各自对应的频谱,并计算各心跳频率所占能量占频谱总能量的比值ratio,选取比值ratio最大的模态信号,即为人体脉搏波信号。
针对第i条模态信号si,为该模态信号频谱中对应的心跳频率所占能量;/>为该模态信号频谱的总能量;则比值ratio为:
步骤七、对生命体征的相位信号做变分模态分解,获得具有不同中心频率的模态信号;
如下所示:
其中,{μi}对应变分模态分解后随时间变化的第i个模态信号分量,{ωi}对应分解后随时间变化的第i个模态信号中心频率,γ为随时间变化的拉格朗日乘数算子,β为二次惩罚因子,δ(t)为狄拉克函数,f(t)为人体脉搏波信号。
步骤八、对中心频率落在正常心率范围内的模态信号进行快速傅里叶变换,得到目标心率fhr;
步骤九、基于心率辅助,通过变分模态分解将人体脉搏波信号的不同模态信号,以目标心率fhr为标准筛选后叠加,去除呼吸、身体轻微运动带来的干扰,获取较为纯净的脉搏波形;
将重定位得到的人体脉搏波信号进行变分模态分解,并以目标心率fhr为标准筛选后叠加,如下式所示:
其中,sp为纯净脉搏波形,u(i)为分解后得到的第i个子模态信号,fi为第i个子信号的中心频率;Δf为频率筛选范围。
步骤十、基于纯净脉搏波形,计算心脏收缩周期和跳动周期,预测舒张压与收缩压,进行血压预测。
舒张压和收缩压表示为:
其中,DBPes、PPes、SBPes分别为舒张压、脉压和收缩压的预测值。
β为预设参数,可根据结果调优,DBP0、PP0、τf0和T0为个性化参数,τf为脉搏波形中波峰到波谷的时差的平均值,T为波峰到波峰的时差的平均值。
本发明的优点在于:
1)、一种基于调频连续波雷达的无接触血压监测方法,通过FMCW雷达,实现非接触血压监测,避免了传感器接触皮肤的不便,为长时连续健康监测系统提供了可能。
2)、一种基于调频连续波雷达的无接触血压监测方法,通过心率重定位,在距离-方位角维度获得了来自心跳的更精确的脉搏波信号。
3)、一种基于调频连续波雷达的无接触血压监测方法,通过基于心率辅助的干扰去除方法,减少了身体微动和呼吸等干扰,避免了在血压测量过程中测试人员需屏住呼吸等繁琐要求,获得了较为纯净的脉搏波信号,为后续血压预测确立基础。
附图说明
图1是本发明一种基于调频连续波雷达的无接触血压监测方法原理图;
图2是本发明一种基于调频连续波雷达的无接触血压监测方法流程图;
图3是本发明实施例中FMCW(IWR1843BOOST)雷达对受试者进行数据采集的示意图;
图4是本发明用以血压计舒张压和预测舒张压、血压计收缩压和预测收缩压绘制的Bland-Altman图;
具体实施方式
为了便于本领域普通技术人员理解和实施本发明,下面结合附图和实施例对本发明作进一步详细介绍。
无接触连续性血压监测是生命体征监测领域的研究热点,调频连续波(FMCW)雷达适用于无接触提取脉搏波信号,基于此本发明提出了一种基于调频连续波雷达的无接触血压监测方法,如图1所示。考虑到特定个体血压变化与心跳频率密切相关,首先,FMCW雷达采集来自待测人体胸膛的回波信号,提取距离、方位角和时间信息,随后经变分模态分解(VMD)探测人体目标的心率值,以基于心率引导的脉搏波提取方法在区间内进行重定位,获得干扰较小的脉搏波信号,再通过VMD分解将不同模态以心率为标准筛选后相加,去除呼吸、身体轻微运动对脉搏波信号带来的干扰,基于心率恢复获取较为纯净的有效脉搏波信号波形,之后从中提取血压相关的时间特征,构建血压估测模型,提取心脏收缩与扩张的周期进行血压预测。通过在自然静坐场景下对15名受试者进行测试,平均舒张压准确率为94.3%,平均收缩压准确率为94.4%;可知,本发明所提出的无接触连续性血压监测算法能精准鲁棒地实现血压估测,为实现长期实时无接触血压监测提供了可能。
所述基于调频连续波雷达的无接触血压监测方法,如图2所示,具体步骤如下:
步骤一、针对待测人体,FMCW雷达发射频率随时间线性增加的信号进行目标探测,并计算接收信号;
其发射信号xT(τ)表示为:
其中,A为雷达发射信号的幅度,fc为线性调频信号的起始频率,B为发射信号的带宽,Tc为发射信号的持续时间,φ(t)为相位噪声。
雷达接收信号即回波信号,表示为发射信号的移位和缩放,表示为:
其中,α表示缩放系数,表示发射信号飞行时间,d为人体到雷达天线的距离,c为光速。
步骤二、将发射信号与接收信号经I/Q路混合,并滤波后得到信号y(t):
其中A′为接收信号的幅度,λ为发射信号或接收信号的波长。
步骤三、基于心率引导,对信号y(t)进行重定位,在距离维度和虚拟天线维度进行快速傅里叶变换,得到距离-方位角图M[r,a,t];
实际应用中,FMCW雷达装配多根发射和接收天线,形成虚拟天线组,来探测角度信息;经采样量化的波束成形后,接收三维数组信号,进行快速傅里叶变换后,用距离-方位角图M[r,a,t]表示;
r,a,t分别为信号y(t)传输的距离、信号y(t)的方位角和信号y(t)的时间维度。
距离和方位角都是一定范围,例如0-3米,以雷达为中心正负60度,30秒的数据。
步骤四、针对距离-方位角图每一个距离和方位角形成的单元,计算各单元中信号的能量,选取具有最大能量的单元(r0,a0)所对应的相位信号即为来自人体胸膛的生命体征信号;
(r0,a0)为最大能量单元的距离和方位角。
每个单元只对应一个信号,信号能量通过平方和的形式计算,即xi为雷达采样的接收信号值,n为信号长度。
步骤五、以能量最大单元(r0,a0)为中心,划定胸膛回波的有效区域RoI,满足条件:
Δr表示人体胸膛厚度的一半值,Δa表示方位角限定范围,根据雷达摆放位置确定。
人体的前胸宽度约50cm,厚度约10-15cm。因此选取Δr=7.5cm,Δa=60°。
步骤六、对区域RoI内每条模态信号分别进行快速傅里叶变换,得到各自对应的频谱,并计算各心跳频率所占能量占频谱总能量的比值ratio,选取比值ratio最大的模态信号,即为人体脉搏波信号。
针对第i条模态信号si,为该模态信号频谱中对应的心跳频率所占能量;/>为该模态信号频谱的总能量;则比值ratio为:
步骤七、对生命体征的相位信号做变分模态分解,获得具有不同中心频率的模态信号;
为进一步分离呼吸、心跳信号,对该相位信号做变分模态分解,获得具有不同中心频率的模态信号,如下所示:
其中,{μi}对应变分模态分解后随时间变化的第i个模态信号分量,{ωi}对应分解后随时间变化的第i个模态信号中心频率,γ为随时间变化的拉格朗日乘数算子,β为二次惩罚因子,δ(t)为狄拉克函数,f(t)为人体脉搏波信号,为对t求偏导。
步骤八、对中心频率落在正常心率范围内的模态信号进行快速傅里叶变换,得到目标心率fhr;
步骤九、基于心率辅助,通过变分模态分解将目标脉搏波信号的不同模态信号,以目标心率fhr为标准筛选后叠加,去除呼吸、身体轻微运动带来的干扰,获取较为纯净的脉搏波形;
将重定位得到的目标脉搏波信号进行变分模态分解,并以目标心率fhr为标准筛选后叠加,如下式所示:
其中,sp为纯净脉搏波形,u(i)为分解后得到的第i个子模态信号,fi为第i个子信号的中心频率,为了尽可能提取到心跳相关的全部子信号,选取Δf=0.5Hz;Δf为频率筛选范围,以尽可能提取到与血压相关的全部子信号,并区分呼吸、身体微动等频率干扰。由此可得到纯净的脉搏波信号,基于信号的波形特征,实现血压监测。。
步骤十、基于纯净脉搏波形,计算心脏收缩周期和跳动周期,预测舒张压与收缩压,进行血压预测。
根据Tomoyuki等人的推导,舒张压和收缩压表示为:
其中,DBPes、PPes、SBPes分别为舒张压、脉压和收缩压的预测值。
β为预设参数,可根据结果调优,DBP0、PP0、τf0和T0为个性化参数,τf为脉搏波形中波峰到波谷的时差的平均值,T为波峰到波峰的时差的平均值。
当胸部靠近雷达时,心脏扩张,雷达信号的相位增加;当胸部远离雷达时,心脏收缩,雷达信号的相位减少,则τf为心跳信号相位减少,即心脏收缩周期,T为心脏跳动周期。基于纯净脉搏波信号,计算收缩周期τf和跳动周期T,代入上式即可预测舒张压与收缩压。
实施例:
1.1FMCW雷达基本原理
首先,FMCW雷达发射信号的频率随时间线性增长,设从发射到接收信号间隔时间为τ0
τ0=2d/c
其中,d为雷达与人体的距离,c为光速;根据相似关系可知:
其中fb为发射与反射频率之差,B为线性调频脉冲带宽,τs为调频脉冲周期的一半,可有:
人体到每根接收天线的差分距离Δd导致信号的快速傅里叶变换(FFT)峰值发生相位变化,其关系为
其中,为相位变化量,λ为波长。若接收天线间的距离为D,则Δd=D sinθ,可推导出方位角为
胸部运动主要取决于心跳和呼吸:
其中,d1为天线到胸部的距离,f1为呼吸频率,表示胸部呼吸的相位,ρh(t)表示心脏振动脉冲信号,/>和/>表示振动幅度。
1.2基于心率引导的脉搏波提取
首先,在距离和方位角确定的区域内发现雷达采集范围能量最大的人体心跳信号;对该信号做VMD分解,以正常人心率范围构建带通滤波器,模态信号经滤波后提取到目标的心率值,如下所示:
s.t.∑kμk=f
其中,{μk}和{ωk}分别对应分解后的第k个模态分量和中心频率,δ(t)为狄拉克函数。
但是,人体轻微运动和呼吸导致的胸膛起伏,使得能量最大的信号可能是受到污染的,所以本实施例选取了该条信号的周围区域,由心跳引起的心率所占能量占该条信号总能量的比值,重定位选出占比最大的一条,视作污染最小的的心跳信号:
其中,Ehr为心率所占能量,Esignal为该条信号总能量,目标心率由VMD分解后获得。
1.3基于心率辅助的运动干扰消除
重定位心跳波形后,仍存在部分微动干扰,将其再进行VMD分解,如下所示:
其中,pureheartwave为纯净波形,u(i)为VMD分解后得到的第i个子模态信号,fu(i)为第i个子模态信号FFT变换后峰值对应的频率,hr为此前的目标心率。
将每个子模态信号做FFT变换,记录峰值对应的频率,与目标心率进行比较,选定以其为中心的一定区间,将峰值所对应频率落在该区间内的子模态信号叠加,作为最终心跳周期的纯净波形。
1.4基于波形特征的血压映射
舒张压和收缩压可以表示为[11]
其中,DBPes、PPes、SBPes分别为舒张压、脉压和收缩压的预测值。可以认为当胸部靠近雷达时,心脏扩张,雷达信号的相位增加,当胸部远离雷达时,心脏收缩,雷达信号的相位减少,则τf为心跳信号相位减少,即心脏收缩周期,T为波峰间的时差,即心脏跳动周期,β为系数,DBP0、PP0、τf0和T0为个性化参数。
本实验测试场景如图3所示,使用FMCW(IWR1843BOOST)雷达采集数据;受试者坐在椅子上并平稳呼吸,雷达放置在胸前约15厘米处,与胸口齐平。受试者左臂有袖带式血压计作为结果对比和个性化参数设置,右手手指夹有美国FDA认证的血氧仪,作为心率参考值。15位20-50岁的受试者参与实验。每位分别进行10次数据采集,每次30秒,以5秒为滑动窗口切分为三组15秒的数据,即每位有30组数据。血压计起始测量时间与信号采集开始时间一致。DBP0、PP0、τf0和T0分别取后十组测量的平均值,T和τf取15秒内的均值,预测前二十组数据的血压值。
采用准确率和数据一致性分析两种评价指标。准确率计算公式为
其中BPes为预测血压值,BPre为血压计示数。
通过统计受试者经平滑处理的心率值,与血氧仪的心率值对比,准确率为94.47%,可见基于心率的波形优化方法和运动干扰消除是可信的。15位受试者的平均舒张压预测准确率为94.3%,平均收缩压预测准确率为94.4%。与文献[11]相比,舒张压和收缩压预测准确率分别提高了2.5%和3.2%。
针对所有受试者数据,分别以血压计舒张压和预测舒张压、血压计收缩压和预测收缩压绘制了Bland-Altman图,如图4所示。横轴为两种方法血压的平均值,纵轴为两种方法血压的差值,平均值即为差值的均值,±1.96SD所表示的虚线涵盖的区间即为95%一致性界限,SD为差值的标准差,当绝大多数差值落在95%一致性界限内,且其平均值接近于0时,即认为两种方法具有较好的一致性。图中,上方舒张压图的95%一致性界限为[-10.5,10.3],血压计舒张压与预测舒张压差值的绝大多数散点都落在该区间内,且均值为-0.1,下方收缩压图同理,说明该文所提方法与血压计测量具有较高的一致性。
本实施例在15名受试者的数据实验中,平均收缩压和舒张压预测准确率分别为94.4%和94.3%。经Bland-Altman图分析,与血压计测量方法具有较高的一致性。未来将进一步修正测量精度,并在高血压心脏病人群进行测试推广。
Claims (4)
1.一种基于调频连续波雷达的无接触血压监测系统,包括信号提取模块,信号处理模块,脉搏波形获取模块,以及血压预测模块;其特征在于,具体步骤如下:
利用信号提取模块提取人体的生命体征信号输入到信号处理模块,对生命体征信号进行处理,得到脉搏波信号输入到脉搏波形获取模块,用于获取较为纯净的脉搏波形;最后血压预测模块利用较为纯净的脉搏波形进行血压预测;
所述信号提取模块具体为:当调频连续波雷达采集来自待测人体胸膛的回波信号后,对距离、方位角和时间信息进行提取,经过系列处理得到距离-方位角图M[r,a,t];针对距离-方位角图中每个单元,计算各单元中信号的能量,选取具有最大能量的单元(r0,a0)所对应的相位信号作为人体的生命体征信号;
所述得到距离-方位角图的具体过程为:
首先、针对待测人体,调频连续波雷达发射频率随时间线性增加的信号进行目标探测,并计算接收信号;
其发射信号xT(τ)表示为:
其中,A为雷达发射信号的幅度,fc为发射信号的起始频率,B为发射信号的带宽,Tc为发射信号的持续时间,φ(t)为相位噪声;
雷达接收信号表示为:
其中,α表示缩放系数,表示发射信号飞行时间,d为待测人体到雷达天线的距离,c为光速;
然后、将发射信号与接收信号经I/Q路混合,并滤波后得到信号y(t):
其中A′为接收信号的幅度,λ为接收信号的波长;
最后、基于心率引导,对信号y(t)进行重定位,在距离维度和虚拟天线维度进行快速傅里叶变换,得到距离-方位角图M[r,a,t];
r,a,t分别为信号y(t)传输的距离、信号y(t)的方位角和信号y(t)的时间维度;
所述信号处理模块具体为:对作为生命体征的相位信号做变分模态分解,获得具有不同中心频率的模态信号;筛选出中心频率落在正常心率范围内的模态信号进行快速傅里叶变换,得到目标心率fhr;
同时,以能量最大单元(r0,a0)为中心,划定回波的有效区域RoI;对区域RoI内每条模态信号分别进行快速傅里叶变换,得到各自对应的频谱,通过计算各心跳频率所占能量占频谱总能量的比值ratio,选取最大比值的模态信号,作为人体脉搏波信号;
对生命体征的相位信号做变分模态分解,获得具有不同中心频率的模态信号;
如下所示:
其中,{μi}对应变分模态分解后随时间变化的第i个模态信号分量,{ωi}对应分解后随时间变化的第i个模态信号中心频率,γ为随时间变化的拉格朗日乘数算子,β为二次惩罚因子,δ(t)为狄拉克函数,f(t)为人体脉搏波信号;为对t求偏导;
所述脉搏波形获取模块具体为:基于心率辅助,通过变分模态分解将人体脉搏波信号的不同模态信号,以目标心率fhr为标准筛选后叠加,去除呼吸、身体轻微运动带来的干扰,获取较为纯净的脉搏波形;
对人体脉搏波信号进行变分模态分解,并以目标心率fhr为标准筛选后叠加,如下式所示:
fhr-Δf<fi<fhr+Δf
其中,sp为纯净脉搏波形,u(i)为分解后得到的第i个子模态信号,fi为第i个子信号的中心频率;Δf为频率筛选范围;
所述血压预测模块具体为:基于纯净脉搏波形,计算心脏收缩周期和跳动周期,预测舒张压与收缩压,进行血压预测;
舒张压和收缩压表示为:
其中,DBPes、PPes、SBPes分别为舒张压、脉压和收缩压的预测值;
β为预设参数,根据结果调优;DBP0、PP0、τf0和T0为个性化参数,τf为脉搏波形中波峰到波谷的时差的平均值,T为波峰到波峰的时差的平均值。
2.如权利要求1所述的一种基于调频连续波雷达的无接触血压监测系统,其特征在于,所述计算距离-方位角图中各单元信号的能量,通过平方和的形式得到:即xi为雷达采样的接收信号值,n为信号长度。
3.如权利要求1所述的一种基于调频连续波雷达的无接触血压监测系统,其特征在于,所述信号处理模块中,划定回波的有效区域RoI,满足条件:
Δr表示人体胸膛厚度的一半值,Δa表示方位角限定范围,根据雷达摆放位置确定。
4.如权利要求1所述的一种基于调频连续波雷达的无接触血压监测系统,其特征在于,所述信号处理模块中,计算比值ratio公式如下:
针对第i条模态信号si,为该模态信号频谱中对应的心跳频率所占能量;/>为该模态信号频谱的总能量;则比值ratio为:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211194352.6A CN115590489B (zh) | 2022-09-28 | 2022-09-28 | 一种基于调频连续波雷达的无接触血压监测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211194352.6A CN115590489B (zh) | 2022-09-28 | 2022-09-28 | 一种基于调频连续波雷达的无接触血压监测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115590489A CN115590489A (zh) | 2023-01-13 |
CN115590489B true CN115590489B (zh) | 2024-01-23 |
Family
ID=84844556
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211194352.6A Active CN115590489B (zh) | 2022-09-28 | 2022-09-28 | 一种基于调频连续波雷达的无接触血压监测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115590489B (zh) |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2009124297A1 (en) * | 2008-04-03 | 2009-10-08 | Kai Sensors, Inc. | Non-contact physiologic motion sensors and methods for use |
CN108478203A (zh) * | 2018-02-08 | 2018-09-04 | 南京理工大学 | 一种基于单生命体征监测雷达的血压测量方法 |
CN110309817A (zh) * | 2019-07-19 | 2019-10-08 | 北京理工大学 | 一种参数自适应优化vmd的脉搏波运动伪影去除方法 |
CN110507293A (zh) * | 2019-07-26 | 2019-11-29 | 中国电子科技集团公司第三十八研究所 | 一种超宽带穿墙雷达人体呼吸及心跳检测方法及系统 |
EP3649928A2 (en) * | 2018-11-12 | 2020-05-13 | Samsung Electronics Co., Ltd. | Blood pressure measurement |
CN111856455A (zh) * | 2020-09-04 | 2020-10-30 | 四川长虹电器股份有限公司 | 匹配不同雷达带宽的多目标心率呼吸测量方法及系统 |
KR20210001217A (ko) * | 2019-06-27 | 2021-01-07 | 포항공과대학교 산학협력단 | 신호 분리 기반의 잡음 환경 내 실시간 생체 신호 탐지 장치 및 그 방법 |
CN113009584A (zh) * | 2021-02-06 | 2021-06-22 | 中国人民解放军国防科技大学 | 一种超宽带mimo雷达生命体征探测定位方法 |
WO2021165873A1 (en) * | 2020-02-18 | 2021-08-26 | Vayyar Imaging Ltd. | Systems and methods for remotely tracking life signs with a millimeter-wave radar |
CN114052693A (zh) * | 2021-10-26 | 2022-02-18 | 珠海脉动时代健康科技有限公司 | 心率分析方法、装置及设备 |
CN114305364A (zh) * | 2022-01-05 | 2022-04-12 | 北京科技大学 | 基于毫米波雷达的血压检测方法、系统及设备 |
WO2022104868A1 (zh) * | 2020-11-19 | 2022-05-27 | 华中师范大学 | 一种基于毫米波雷达的非接触式实时生命体征监测系统及方法 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2011143631A2 (en) * | 2010-05-14 | 2011-11-17 | Kai Medical, Inc. | Systems and methods for non-contact multiparameter vital signs monitoring, apnea therapy, sway cancellation, patient identification, and subject monitoring sensors |
EP2417908A1 (en) * | 2010-08-12 | 2012-02-15 | Philips Intellectual Property & Standards GmbH | Device, system and method for measuring vital signs |
WO2016057781A1 (en) * | 2014-10-08 | 2016-04-14 | The University Of Florida Research Foundation, Inc. | Method and apparatus for non-contact fast vital sign acquisition based on radar signal |
EP3430991A1 (en) * | 2017-07-21 | 2019-01-23 | Koninklijke Philips N.V. | Apparatus and method for determining blood pressure of a subject |
US11653848B2 (en) * | 2019-01-29 | 2023-05-23 | Welch Allyn, Inc. | Vital sign detection and measurement |
US11877844B2 (en) * | 2020-02-19 | 2024-01-23 | Hill-Rom Services, Inc. | Respiration detection using radar |
TWI750889B (zh) * | 2020-11-11 | 2021-12-21 | 國立臺灣科技大學 | 非接觸式血壓測量系統及其非接觸式血壓值計算之方法 |
-
2022
- 2022-09-28 CN CN202211194352.6A patent/CN115590489B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2009124297A1 (en) * | 2008-04-03 | 2009-10-08 | Kai Sensors, Inc. | Non-contact physiologic motion sensors and methods for use |
CN108478203A (zh) * | 2018-02-08 | 2018-09-04 | 南京理工大学 | 一种基于单生命体征监测雷达的血压测量方法 |
EP3649928A2 (en) * | 2018-11-12 | 2020-05-13 | Samsung Electronics Co., Ltd. | Blood pressure measurement |
KR20210001217A (ko) * | 2019-06-27 | 2021-01-07 | 포항공과대학교 산학협력단 | 신호 분리 기반의 잡음 환경 내 실시간 생체 신호 탐지 장치 및 그 방법 |
CN110309817A (zh) * | 2019-07-19 | 2019-10-08 | 北京理工大学 | 一种参数自适应优化vmd的脉搏波运动伪影去除方法 |
CN110507293A (zh) * | 2019-07-26 | 2019-11-29 | 中国电子科技集团公司第三十八研究所 | 一种超宽带穿墙雷达人体呼吸及心跳检测方法及系统 |
WO2021165873A1 (en) * | 2020-02-18 | 2021-08-26 | Vayyar Imaging Ltd. | Systems and methods for remotely tracking life signs with a millimeter-wave radar |
CN111856455A (zh) * | 2020-09-04 | 2020-10-30 | 四川长虹电器股份有限公司 | 匹配不同雷达带宽的多目标心率呼吸测量方法及系统 |
WO2022104868A1 (zh) * | 2020-11-19 | 2022-05-27 | 华中师范大学 | 一种基于毫米波雷达的非接触式实时生命体征监测系统及方法 |
CN113009584A (zh) * | 2021-02-06 | 2021-06-22 | 中国人民解放军国防科技大学 | 一种超宽带mimo雷达生命体征探测定位方法 |
CN114052693A (zh) * | 2021-10-26 | 2022-02-18 | 珠海脉动时代健康科技有限公司 | 心率分析方法、装置及设备 |
CN114305364A (zh) * | 2022-01-05 | 2022-04-12 | 北京科技大学 | 基于毫米波雷达的血压检测方法、系统及设备 |
Non-Patent Citations (5)
Title |
---|
基于EMD和BP神经网络的雷达体征信号检测算法;崔丽辉;赵安兴;宁方正;;计算机系统应用(08);第219-224页 * |
基于射频信号的非接触式血压监测系统;田泽懿;单新治;高秀敏;;光学仪器(03);第84-90页 * |
基于经验模态分解的生命信号提取算法;冯久超;潘水洋;;华南理工大学学报(自然科学版)(10);第5-10页 * |
基于调频连续波雷达的无接触血压监测方法的研究与实现;张金辉等;《中国医疗器械杂志》 * |
非接触人体体征信号提取及分离方法研究;高磊;非接触人体体征信号提取及分离方法研究;第E080-74页 * |
Also Published As
Publication number | Publication date |
---|---|
CN115590489A (zh) | 2023-01-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Yamamoto et al. | ECG signal reconstruction via Doppler sensor by hybrid deep learning model with CNN and LSTM | |
CN111938613B (zh) | 基于毫米波雷达的健康监测装置及方法 | |
CN111856452B (zh) | 基于omp的静态人体心跳和呼吸信号分离重构方法 | |
CN103385702B (zh) | 一种无创血压连续检测装置及方法 | |
Toda et al. | ECG signal reconstruction using FMCW radar and convolutional neural network | |
Yamamoto et al. | Non-contact heartbeat detection by heartbeat signal reconstruction based on spectrogram analysis with convolutional LSTM | |
CN113854992A (zh) | 基于77GHz毫米雷达的非接触式精确心率检测方法 | |
CN103690169A (zh) | 呼吸信息检测方法及系统 | |
CN116172539A (zh) | 基于机器学习的生命体征检测方法、系统、设备及介质 | |
CN113951856A (zh) | 一种基于多普勒雷达心跳检测的频谱估计方法 | |
CN115251866A (zh) | 一种采用毫米波雷达的连续血压检测方法、检测系统及可穿戴装置 | |
CN111685760B (zh) | 一种基于雷达测量的人体呼吸频率计算方法 | |
Yen et al. | Non-contact estimation of cardiac inter-beat interval and heart rate variability using time-frequency domain analysis for cw radar | |
CN112450900B (zh) | 一种基于智能音箱的非接触式心跳检测方法 | |
CN115590489B (zh) | 一种基于调频连续波雷达的无接触血压监测方法 | |
Toda et al. | ECG signal reconstruction using FMCW radar and a convolutional neural network for contactless vital-sign sensing | |
Vasu et al. | Signal processing methods for non-contact cardiac detection using Doppler radar | |
CN116725507A (zh) | 基于拟合匹配滤波与Double-CZT的雷达高精度心率检测方法 | |
Pan et al. | A spectrum estimation approach for accurate heartbeat detection using Doppler radar based on combination of FTPR and TWV | |
Srihari et al. | Measurement and evaluation of human vital sign using 77ghz awr1642 fmcw radar sensor | |
Lu et al. | Accurate heart beat detection with Doppler radar using bidirectional GRU network | |
Song et al. | A Robust and Efficient Algorithm for St–T Complex Detection in Electrocardiograms | |
Thirion et al. | BCG-VARS: BallistoCardioGraphy vital algorithms for real-time systems | |
Erdoğan et al. | Microwave noncontact vital sign measurements for medical applications | |
CN112043256A (zh) | 一种基于雷达的多目标心率实时测量方法 |
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 |