基于毫米波雷达和轻量级神经网络的呼吸心跳监测系统

摘要

本发明公开了基于毫米波雷达和轻量级神经网络的呼吸心跳监测系统，包括雷达生命信号提取模块、生命体征分离模块、呼吸心跳分类模块、呼吸心跳监测模块。雷达生命信号提取模块，用于对雷达回波原始信号进行预处理，滤除杂波干扰，准确提取出含有被测人体生命体征的雷达生命信号；生命体征分离模块，用于采用LMS自适应算法，实现对生命体征呼吸信号和心跳信号快速有效分离；呼吸心跳分类模块，用于训练轻量级神经网络MobileNetV2网络，分别对正常/异常呼吸信号和正常/异常心跳信号进行特征提取和分类；呼吸心跳监测模块，用于对被测人体呼吸心跳是否异常进行实时监测。

说明书

技术领域

本发明涉及雷达信号处理及呼吸心跳检测技术领域，尤其是涉及一种基于毫米波雷达和轻量级神经网络的呼吸心跳监测系统。

背景技术

人体的生命健康状态往往需要通过大量的生理数据来判断，因此呼吸、心跳、体温、血压等生理参数在生物医学领域起着至关重要的作用。呼吸和心跳参数是人体心肺活动是否正常的重要判断依据，人体的心肺活动直接影响各个器官和肌肉的活动，很多突发疾病的发生通常会导致人体的心肺活动发生异常，所以对人体呼吸和心跳参数的监测在医学监护等领域具有非常重要的意义。

传统的呼吸心跳检测方法基本多为接触式测量法，需要通过电极、传感器等和被测量者接触，在很多场合这些接触式的测量方法并不适用。非接触式生命信号检测技术可以在不接触检测目标的情况下实现远距离的生命信号检测，也可以穿过一些特定的障碍物实施检测，为一些特殊场景的生命信号检测提供了方便、快捷的手段。随着生物医学工程技术的发展，雷达技术开始应用于生命信号检测领域。基于雷达的非接触式生命信号检测技术具有很强的穿透能力和抗干扰能力，并可以做到全天24小时不间断地工作。基于雷达的生命信号检测技术的基本原理为：雷达发射特定波形的电磁波，照射到运动的胸腔壁后产生回波，经过人体胸腔壁调制后的回波包含有胸腔的位移信息，而人体的呼吸和心跳活动会导致胸腔有规律地的运动，所以对雷达混频后的中频信号进行相应的处理便能够得到目标人体的呼吸和心跳信号。

智能医疗系统对被测人体呼吸和心跳信号进行有效分离后，还需对呼吸心跳是否异常进行判断，以便及时发现危险和疾病。而目前深度学习已在各大热门领域得到广泛应用，尤其是在图像识别方面有突出的贡献，例如图像分类、目标检测、语义分割及实例分割等，都已出现大量优秀的网络来对目标作相应的处理。因此可以结合深度学习的优势，对人体呼吸心跳是否异常进行分类识别。在深度学习中典型的卷积神经网络为AlexNet、ResNet、GoogLeNet等，这些网络通常应用在高速的设备上，而呼吸心跳的检测设备通常较小，便于随身携带，例如移动设备或嵌入式设备等，这些设备无法支持大型网络的运行，而近年来随着移动设备的广泛使用，轻量级卷积神经网络相对上述网络来说规模小，同时在小型设备上还能保持和大型网络同样的检测精度，因此，轻量级卷积神经网络为智能医疗系统提供了一种新方法。MobileNetV2网络是2018年Google公司推出的第二代轻量级卷积神经网络，相比于第一代网络，该网络提出了一种线性残差模块，该模块对输入的数据先进行升维，做完卷积后再对数据进行降维，充分利用了内存，进一步减少内存占用，在速度和精度的权衡方面达到了当前最优水平。

发明内容

为解决现有技术的不足，实现通过毫米波雷达和轻量级神经网络对呼吸心跳进行监测的目的，本发明采用如下的技术方案：

基于毫米波雷达和轻量级神经网络的呼吸心跳监测系统，包括依次连接的雷达生命信号提取模块、生命体征分离模块、呼吸心跳分类模块和呼吸心跳监测模块；

所述雷达生命信号提取模块，用于对雷达回波信号进行预处理，得到距离信息去除目标距离单元以外的杂波干扰，提取雷达生命信号；

所述生命体征分离模块，用于使用最小均方(Least Mean Square，LMS)自适应算法，实现对雷达生命信号中呼吸信号和心跳信号快速有效分离；

所述呼吸心跳分类模块，用于使用轻量级神经网络训练参数，提取输入数据的特征并对正常/异常呼吸或心跳进行分类识别；

所述呼吸心跳监测模块，用于利用训练好的网络模型对被检测人体呼吸和心跳信号进行监测，在分类结果显示异常时给出反馈。

系统充分排除噪声干扰，利用LMS自适应算法快速有效分离雷达生命信号中的呼吸信号和心跳信号，并用轻量级神经网络识别生命体征是否异常，具有实时性强、准确度高、方便小型设备硬件实现的优点。

进一步的，所述雷达生命信号提取模块，通过对接收到的雷达中频信号进行快速傅里叶变换，得到每个距离点上时间信号的频谱，找到频谱中的最大幅值点，所述最大幅值点即为被测目标所在的距离单元，计算最大幅值点处的相位，并用所述相位减去上一个锯齿波的相位得到相位差，即可获得雷达生命信号。

进一步的，所述生命体征分离模块，雷达生命信号为信号源s(n)＝h(n)+x(n)，其中h(n)为呼吸及其谐波的复合信号，x(n)表示心跳信号，经过如下步骤来分离呼吸、心跳信号：

S11，将提取到的雷达生命信号输入到截止频率为0.2-0.9Hz的带通滤波器中(人体的呼吸频率约在0.2-0.9Hz)；

S12，对滤波器处理后的信号进行快速傅里叶变换，得到呼吸信号的频谱，从频谱中找到幅值最大的频点作为呼吸频率；

S13，根据呼吸频率重构出包含呼吸频率及其谐波频率的混合信号；

S14，将雷达生命信号s(n)作为自适应滤波器的输入信号，重构得到的混合信号作为自适应滤波器的参考信号，进行自适应滤波处理；

S15，根据雷达生命信号中呼吸频率的变化更新参考信号；

S16，重复步骤S11-S15，直到信号处理完毕；

S17，自适应滤波器的输出结果和雷达生命信号s(n)相减，便能得到心跳信号，实现呼吸信号和心跳信号的有效分离。

进一步的，所述呼吸心跳分类模块，具体通过如下步骤对正常/异常呼吸或心跳进行分类识别：

S21，训练集中包含从不同人的雷达生命信号中有效分离出来的正常/异常心跳信号和正常/异常呼吸信号，将这些数据转换成二维图像，分别作为呼吸监测网络和心跳监测网络的输入；

S22，选用TensorFlow架构运行MobileNetV2网络，在MobileNetV2网络中，利用Pointwise卷积和Depthwise卷积，即PW卷积和DW卷积来提取高维特征。第一次PW主要用来提升下一个DW的输入通道数，DW用来提取特征，均使用非线性激活函数ReLU6，公式为：

ReLU6＝min(6,max(0,x))

其中，x表示第一次PW或DW卷积层的输出，这样可以实现小型设备在float16低精度时也能有很好的数值分辨率，第二次PW的主要功能就是降维，不采用非线性激活，保留线性特性，这样可以防止激活函数在低维空间破坏特征，网络还在经过第一次PW扩张、一次DW特征提取和第二次PW压缩后加入残差连接，即将第一次PW的输入和第二次PW输出直接进行相加作为输出，这样可以使网络在较深的时候依旧可以进行训练；

S23，分别保存训练好的呼吸监测网络模型和心跳监测网络模型。

进一步的，所述呼吸心跳监测模块，使用训练好的呼吸监测网络对被测人体的呼吸信号进行实时分类，判断是否异常；使用保存好的心跳监测网络对被测人体的心跳信号进行实时分类，判断是否异常，在网络得到任意异常分类结果时，给出警告反馈。

本发明的优势和有益效果在于：

本发明能充分排除噪声干扰，利用LMS自适应算法快速有效分离雷达生命信号中的呼吸信号和心跳信号，并用轻量级神经网络识别生命体征是否异常，具有实时性强、准确度高、方便小型设备硬件实现的优点。

附图说明

图1是本发明的统结构示意。

图2是本发明中LMS自适应分离算法结构图。

图3是本发明中轻量级神经网络MobileNetV2微结构图。

具体实施方式

以下结合附图对本发明的具体实施方式进行详细说明。应当理解的是，此处所描述的具体实施方式仅用于说明和解释本发明，并不用于限制本发明。

本发明利用毫米波雷达检测人体胸腔运动，提取出含有人体生命体征的雷达生命信号，利用LMS自适应算法分离雷达生命信号中的呼吸、心跳信号，通过轻量级神经网络对呼吸、心跳两类信号进行特征提取和分类，实时监测人体呼吸心跳是否异常。

如图1所示，基于毫米波雷达和轻量级神经网络的呼吸心跳监测系统，包括依次连接的雷达生命信号提取模块、生命体征分离模块、呼吸心分类模块、呼吸心跳监测模块。

雷达生命信号提取模块，用于对接收到的雷达中频信号进行快速傅里叶变换，得到每个距离点上时间信号的频谱，找到频谱中的最大幅值点，该处即为被测目标所在的距离单元，计算最大幅值点处的相位，并用该点相位减去上一个锯齿波的相位得到相位差，即可获得所需雷达生命信号。只需将毫米波雷达设备放置在被测人体所在空间，系统就会实时收集雷达回波信号进行处理。

生命体征分离模块，用于使用LMS自适应算法快速实现对雷达生命信号中呼吸信号和心跳信号的分离，如图2所示，算法实现包括如下步骤：

1、将提取到的雷达生命信号输入到截止频率为0.2-0.9Hz的带通滤波器中(人体的呼吸频率约在0.2-0.9Hz)；

2、对滤波器处理后的信号进行快速傅里叶变换，点数配置为512，得到呼吸信号的频谱，从频谱中找到幅值最大的频点作为呼吸频率f

3、根据呼吸频率重构出包含呼吸频率及其谐波频率的混合信号；

4、将雷达生命信号s(n)作为自适应滤波器的输入信号，重构得到的混合信号作为自适应滤波器的参考信号h′(n)，进行自适应滤波处理；

5、根据雷达生命信号中呼吸频率的变化更新参考信号；

6、重复步骤1-5，直到信号处理完毕；

7、自适应滤波器的输出结果y(n)和雷达生命信号s(n)相减，便能得到心跳信号，实现呼吸信号和心跳信号的有效分离。

所述呼吸心跳信号分类模块，用于使用轻量级神经网络MobileNetV2网络训练参数，训练数据中包含600段不同人的正常/异常呼吸信号和600段不同人的正常/异常心跳信号，将这些数据转换成二维图像，分别作为呼吸监测网络和心跳监测网络的输入；选用TensorFlow架构运行MobileNetV2网络，如图3所示，在MobileNetV2网络中，利用Pointwise(PW)卷积和Depthwise(DW)卷积来提取高维特征，第一次PW主要用来提升下一个DW的输入通道数，DW用来提取特征，均使用非线性激活函数ReLU6，公式为

ReLU6＝min(6,max(0,x))

其中，x表示第一次PW或DW卷积层的输出，这样可以实现小型设备在float16低精度时也能有很好的数值分辨率。第二次PW的主要功能就是降维，不采用非线性激活，保留线性特性，这样可以防止激活函数在低维空间破坏特征。网络还在经过第一次PW扩张、一次DW特征提取和第二次PW压缩后加入残差连接，即将第一次PW的输入和第二次PW输出直接进行相加作为输出，这样可以使网络在较深的时候依旧可以进行训练。训练结束后分别保存好呼吸监测网络模型和心跳监测网络模型。

所述呼吸心跳监测模块，用于使用训练好的呼吸监测网络对被测人体的呼吸信号进行实时分类，判断是否异常；使用保存好的心跳监测网络对被测人体的心跳信号进行实时分类，判断是否异常，在网络得到任意异常分类结果时，给出警告反馈。

本系统利用毫米波雷达对被测人体生命体征信号实时采集，经过LMS自适应算法快速分离呼吸、心跳信号，对MobileNetV2网络进行4000次以上的训练，训练时间大约为10s左右，经过数据检测，MobileNetV2网络模型对呼吸正常/异常以及心跳正常/异常有着较好的识别率，可以在小型设备上实时显示被测人体的呼吸心跳次数，并在分类为异常时报警。

以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的范围。