一种多普勒雷达生理信号检测用信号分离去噪方法及系统

摘要

本发明公开了一种多普勒雷达生理信号检测用信号分离去噪方法及系统，利用ICEEMDAN将含噪雷达信号分解成一系列固有模态函数；其次，通过SampEn对每个IMF进行分析，找出包含噪声的前几个IMF，并通过小波阈值对这些IMF进行去噪；最后，为了提取准确的呼吸信号和心跳信号，对所有的IMF进行频谱分析和KL散度计算，选择合适的IMF重构呼吸信号和心跳信号。此外，通过实验验证了该算法的有效性。结果表明，该算法具有比其他现有技术更好的降噪性能且误差值最低。有效的解决了在噪声条件下的生理信号分离困难的问题，较好的体现了生理信号的细节特征和非平稳特性，最大程度地保留信号的细节。可以用于多普勒雷达生理信号检测的信号分离和去噪。

说明书

技术领域

本发明属于技术领域，具体涉及一种多普勒雷达生理信号检测用信号分离去噪方法及系统。

背景技术

近年来，基于多普勒雷达的非接触式生理信号检测引起了广泛关注。基于多普勒雷达的非接触心肺信号检测技术不仅拥有接触式测量的诸多优点，而且具备了特别的能力，即可在一定距离内不与受试者直接接触且受试者未察觉的情况下进行非接触检测。这种检测方式不易受到环境因素的影响，例如温度、湿度、天气状况等，不会受到衣物等非金属物体的遮挡。对于特殊场合的长期生理监测具有重要意义。特别是在健康监测和睡眠监测领域，雷达发挥着重要的作用。在雷达结构方面，典型的雷达系统目前包括未调制雷达、FMCW雷达和混合模式雷达。雷达系统中的模拟电路虽然可以去除一部分噪声，但在相近的距离内，仍然会接收到其他物体和人体自身抖动造成的干扰信号。此外，心跳信号很可能淹没在呼吸谐波中，这使得很难提取心跳信号。因此，需要一种合适的去噪算法来去除含噪雷达信号中的噪声干扰，提取出纯净的呼吸和心跳信号。

传统的雷达生理信号处理方法大多采用滤波来达到去除噪声、分离呼吸和心跳信号的目的。然而，由于通带范围的限制，只能去除重要信号频带之外的噪声。无法去除带内噪声和呼吸谐波干扰，并且由于阻带的衰减，无法获得相对准确的生理信号。其他一些常用方法为：自适应噪声抵消算法，峰值检测算法和小波去噪。用自适应噪声抵消算法从不规则噪声信号中提取周期性生理信号时，由于参考信号输入的限制，自适应信号滤波需要两个信号输入，即两个雷达，给实验操作带来困难，降低了精度；用峰值检测算法来提取生理信号时，由于雷达的工作特性，雷达传感器获得的生命体征不像传统的心电信号那样明显，即使这种算法可以获得心率信息，但由于算法本身的限制，无法进行时频域分析，所以它不能反映生理信号的时变特征和其他细节特征；在去噪问题上，一些研究应用小波去噪来模拟胸壁运动，通过仿真添加不同的噪声信号对雷达信号进行去噪，以增强算法的适应性，然而，仍不能分离心跳信号中的噪声，并且不能在不同的时间尺度上处理该信号。

虽然还有一些其他的方法用于环境、系统去噪和杂波抑制，但对呼吸信号谐波问题和心跳信号去噪效果都不理想。

发明内容

本发明所要解决的技术问题在于针对上述现有技术中的不足，提供一种多普勒雷达生理信号检测用信号分离去噪方法及系统，有效地解决了从含噪雷达信号中提取准确的呼吸和心跳信号的问题，能够在不同的时间尺度上分别对信号进行去噪，最大程度地保留信号的细节。

本发明采用以下技术方案：

一种多普勒雷达生理信号检测用信号分离去噪方法，包括以下步骤：

S1、采集雷达原始信号；

S2、对步骤S1采集的雷达原始信号进行预处理；

S3、采用ICEEMDAN方法对步骤S2预处理后的雷达原始信号进行分解，得到n个模态分量IMF；

S4、计算步骤S3得到的每个模态分量IMF的样本熵，识别含噪模态分量 IMF和真实模态分量IMF；

S5、利用改进的小波阈值对步骤S4识别的含噪模态分量IMF进行去噪，同时依据频率挑选出潜在的呼吸信号和心跳信号；

S6、计算步骤S5中潜在呼吸信号和心跳信号的KL散度值，根据KL散度值选择一个或两个IMF

具体的，步骤S2中，预处理具体为：

移除原始雷达信号的基线。

具体的，步骤S3具体为：

S301、使用EMD分解雷达原始信号，获取第一个残余分量和第一个模态分量；

S302、将第一个残余分量的局部平均值作为第二个残余分量，获取第二个模态分量；

S303、依次计算第k个残余分量，获取第k个模态分量，完成n个模态分量 IMF提取。

进一步的，步骤S301中，IMF

IMF

其中，x为雷达信号，r

进一步的，第k阶残余分量IMF

IMF

其中，r

具体的，步骤S4中，每个IMF的样本熵SampEn(m,r,N)具体为：

其中，B

进一步的，将SampEn(m,r,N)大于0.5的IMF分量作为含噪IMF分量。

具体的，步骤S5中，小波阈值进行去噪时的小波基函数为sym6和sym4；选择频率为0.2～0.6Hz和0.9～1.5Hz的IMF

具体的，步骤S6中，选择散度值最小的一个或两个IMF

其中，p(x)和q(x)分别表示每个IMF的概率分布和原始信号的概率分布。

第二方面，本发明实施例提供了一种多普勒雷达生理信号检测用信号分离去噪系统，包括：

采集模块，采集雷达原始信号，并对雷达原始信号进行预处理；

分解模块，采用ICEEMDAN方法对采集模块预处理后的雷达原始信号进行分解，得到n个模态分量IMF；

识别模块，计算分解模块得到的每个模态分量IMF的样本熵，识别含噪模态分量IMF和真实模态分量IMF；

挑选模块，利用改进的小波阈值对识别模块识别的含噪模态分量IMF进行去噪，同时依据频率挑选出潜在的呼吸信号和心跳信号；

分离模块，计算挑选模块中潜在呼吸信号和心跳信号的KL散度值，根据 KL散度值选择一个或两个IMF

与现有技术相比，本发明至少具有以下有益效果：

本发明一种多普勒雷达生理信号检测用信号分离去噪方法，针对噪声条件下微弱的生理信号提取，提出了一套基于ICEEMDAN-SampEn-IWT的非平稳生理信号去噪提取算法，最大程度还原信号的细节特征和非平稳、非线性特性，基于ICEEMDAN、样本熵和改进小波阈值对雷达生理信号进行分离的去噪，具有更好的去噪性能；有效解决从含噪雷达信号中提取准确的呼吸和心跳信号的问题，特别是对于心跳信号，不容易从呼吸谐波和噪声中提取出来；通过仿真分析和实际实验验证，并利用量化参数SNR和MSE与现存算法进行对比，同时比较了呼吸率和心率的提取准确率，结果表明本发明方法比其他现有技术具有更好的去噪性能，具有一定的优势。

进一步的，在步骤S2中，多普勒雷达检测生理信号的实验环境一般为室内环境，在检测过程中存在的噪声干扰包括背景中人体的低频移动和电路中本身存在的直流偏移，因此原始雷达信号的基线主要由这两部分组成。考虑到算法的可复制性以及对不同检测场合的适应性。

进一步的，步骤S3中的ICEEMDAN具有更好的分解性能，有效解决了模式混合、不同噪声的IMF数不一致以及部分残留噪声的问题；ICEEMDAN适合分解非线性、非平稳信号；ICEEMDAN算法是自适应的，可以根据信号的特征从不同的时间尺度进行分解，而不需要基函数。ICEEMDAN作为EMD、 EEMD和CEEMDAN的改进方法，有效解决了其他方法的缺点，特别适合分析生物信号。

进一步的，经过预处理后的原始雷达信号通过EMD算法分解为第一个模态分量IMF

进一步的，通过对上一步中r

进一步的，步骤S4中的样本熵(SampEn)是近似熵(ApEn)的一种改进方法，可通过测量信号中新模式的大小来分析时间序列的复杂性。

进一步的，请根据权利要求7的内容补充说明将SampEn(m,r,N)大于0.5的IMF 分量作为含噪IMF分量设置的目的或好处，给出原理分析。

进一步的，步骤S5中改进的小波阈值去噪方法可以看作是软阈值和硬阈值方法的折衷，可以通过分析拖尾和误差来选择合适的值，以满足雷达信号的去噪要求。

进一步的，步骤S6中KL散度值衡量了两个随机分布之间的距离，当两个随机分布相同时，它们的相对熵为零；当两个随机分布之间的差异增加时，它们的相对熵也增加。因此，可以通过计算每个IMF和原始信号之间的KL散度值来辨别呼吸和心跳信号

综上所述，本发明方法有效的解决了在噪声条件下的生理信号分离困难的问题，较好的体现了生理信号的细节特征和非平稳特性。

下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。

附图说明

图1为多普勒雷达生理信号检测的信号分离和去噪方法流程示意图；

图2为使用三种算法处理后的呼吸波形和频谱图；

图3为使用三种算法处理后的心跳波形和频谱图；

图4为受试者在不同降噪算法下的呼吸性能指标变化趋势图；

图5为受试者在不同降噪算法下的心跳性能指标变化趋势图；

图6是本发明一实施例提供的计算机设备的示意图。

具体实施方式

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。

在本发明的描述中，需要理解的是，术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。

还应当理解，在本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。

还应当进一步理解，在本发明说明书和所附权利要求书中使用的术语“和/ 或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。

应当理解，尽管在本发明实施例中可能采用术语第一、第二、第三等来描述预设范围等，但这些预设范围不应限于这些术语。这些术语仅用来将预设范围彼此区分开。例如，在不脱离本发明实施例范围的情况下，第一预设范围也可以被称为第二预设范围，类似地，第二预设范围也可以被称为第一预设范围。

取决于语境，如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”或“响应于检测”。类似地，取决于语境，短语“如果确定”或“如果检测(陈述的条件或事件)”可以被解释成为“当确定时”或“响应于确定”或“当检测(陈述的条件或事件)时”或“响应于检测(陈述的条件或事件)”。

在附图中示出了根据本发明公开实施例的各种结构示意图。这些图并非是按比例绘制的，其中为了清楚表达的目的，放大了某些细节，并且可能省略了某些细节。图中所示出的各种区域、层的形状及它们之间的相对大小、位置关系仅是示例性的，实际中可能由于制造公差或技术限制而有所偏差，并且本领域技术人员根据实际所需可以另外设计具有不同形状、大小、相对位置的区域 /层。

本发明提供了一种多普勒雷达生理信号检测用信号分离去噪方法，利用ICEEMDAN将含噪雷达信号分解成一系列固有模态函数；通过SampEn对每个 IMF进行分析，找出包含噪声的前几个IMF，并通过小波阈值对这些IMF进行去噪；为了提取准确的呼吸信号和心跳信号，对所有的IMF进行频谱分析和 KL散度计算，选择合适的IMF重构呼吸信号和心跳信号。此外，通过实验验证了本发明的有效性。结果表明，本发明具有比其他现有技术更好的降噪性能且误差值最低；有效的解决了在噪声条件下的生理信号分离困难的问题，较好的体现了生理信号的细节特征和非平稳特性，最大程度地保留信号的细节，可以用于多普勒雷达生理信号检测的信号分离和去噪。

多普勒雷达采集系统硬件模块包括雷达传感器模块、模拟滤波放大信号处理(ASP)模块、模数转换(ADC)模块以及外围软件平台。雷达传感器模块选用X波段频率为10.525Ghz的CW雷达，HB100。模拟滤波放大信号处理 (ASP)模块包括电压跟随模块、增益放大模块、滤波放大模块、直流偏置与电源模块。模数转换(ADC)模块选择Arduino自带的ADC转换器件进行模数转换。

请参阅图1，本发明一种多普勒雷达生理信号检测用信号分离去噪方法，包括以下步骤：

S1、使用连续波多普勒雷达信号采集模块采集一定时长的雷达原始信号，测量时雷达安置在距离待测物0.5～0.8m范围内，正对待测物上半部；

S2、对步骤S1中所得的原始雷达信号进行预处理；

原始雷达信号的预处理过程包括：

移除原始雷达信号的基线。

1)假设信号x(n)其中n＝0,1,2...N-1；

2)定义长度为L＝2M+1(M为整数)的滤波窗口，当时刻为n时，在滤波窗口中可得到目标信号的采样点为x(n-M),...x(n),...x(n+M)；

3)中值滤波的输出为y(n)＝med{x(n-M)...x(n),...x(n+M)}。

med的运算过程为先对滤波窗口中的所有采样点依据从小到大的顺序排列，在进行中值运算。可以看出中值滤波的两个关键步骤为排序和取中值，这也决定了整个算法的运行速度。

S3、对步骤S2中预处理后的雷达信号采用ICEEMDAN进行分解，得到包含含噪的IMFs和真实的IMFs，得到n个模态分量IMF；

S301、使用EMD分解雷达原始信号x(i)＝x+β

r

IMF

S302、将第一个残余分量r

第二个模态分量IMF

IMF

S303、依次计算第k个残余分量r

第k个模态分量IMF

IMF

r

其中，k＝3,4,...,n。

如果IMF分量的样本熵值大于0.5，则为含噪IMF分量；否则，则认为是真实IMF分量；阈值0.5是一个经验值，IMF

S4、计算步骤S3中所得的每个IMF的样本熵，识别包含噪声的IMF；

当时间序列的长度为N时，样本熵的估计值为：

其中，B

S5、利用改进的小波阈值对步骤S4中含噪的IMF进行去噪，同时依据频率挑选出潜在的呼吸信号和心跳信号；

小波阈值进行去噪时小波基函数为sym6和sym4；选择频率范围为 0.2～0.6Hz和0.9～1.5Hz的IMF

S6、计算步骤S5中潜在呼吸信号和心跳信号的KL散度值，根据KL散度值选择一个或两个IMF

计算每个IMF与原始信号之间的KL散度值来区分噪声成分与呼吸和心跳信号，KL散度计算如下：

其中，p(x)和q(x)分别表示每个IMF的概率分布和原始信号的概率分布。选择散度值最小的一个或两个IMF

S7、使用心电记录传感器和带式呼吸监测记录传感器同步采集和步骤S1中相同时长的参考心电信号和参考呼吸信号；将参考心电信号和参考呼吸信号与步骤S6中得到的呼吸信号和心跳信号进行对比分析，验证本发明方法的有效性和可用性。

雷达检测的呼吸和心跳频率和参考值相差小于0.05的时间段，则检测结果准确；同时，为了量化该算法的优越性，将信噪比(SNR)和均方误差(MSE) 用作降噪性能的指标，SNR反映信噪比，MSE定义噪声信号的能量。

本发明再一个实施例中，提供一种多普勒雷达生理信号检测用信号分离去噪系统，该系统能够用于实现上述多普勒雷达生理信号检测用信号分离去噪方法，具体的，该多普勒雷达生理信号检测用信号分离去噪系统包括采集模块、分解模块、识别模块、挑选模块以及分离模块。

其中，采集模块，采集雷达原始信号，并对雷达原始信号进行预处理；

分解模块，采用ICEEMDAN方法对采集模块预处理后的雷达原始信号进行分解，得到n个模态分量IMF；

识别模块，计算分解模块得到的每个模态分量IMF的样本熵，识别含噪模态分量IMF和真实模态分量IMF；

挑选模块，利用改进的小波阈值对识别模块识别的含噪模态分量IMF进行去噪，同时依据频率挑选出潜在的呼吸信号和心跳信号；

分离模块，计算挑选模块中潜在呼吸信号和心跳信号的KL散度值，根据KL散度值选择一个或两个IMF

请参阅图6，该实施例的计算机设备60包括：处理器61、存储器62以及存储在存储器62中并可在处理器61上运行的计算机程序63，该计算机程序63 被处理器61执行时实现实施例中的多普勒雷达生理信号检测用信号分离去噪方法，为避免重复，此处不一一赘述。或者，该计算机程序63被处理器61执行时实现实施例多普勒雷达生理信号检测用信号分离去噪系统中各模型/单元的功能，为避免重复，此处不一一赘述。

计算机设备60可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。计算机设备60可包括，但不仅限于，处理器61、存储器62。本领域技术人员可以理解，图6仅仅是计算机设备60的示例，并不构成对计算机设备 60的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如计算机设备还可以包括输入输出设备、网络接入设备、总线等。

所称处理器61可以是中央处理单元(Central Processing Unit，CPU)，还可以是其它通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其它可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

存储器62可以是计算机设备60的内部存储单元，例如计算机设备60的硬盘或内存。存储器62也可以是计算机设备60的外部存储设备，例如计算机设备60上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字 (Secure Digital,SD)卡，闪存卡(Flash Card)等。

进一步地，存储器62还可以既包括计算机设备60的内部存储单元也包括外部存储设备。存储器62用于存储计算机程序以及计算机设备所需的其它程序和数据。存储器62还可以用于暂时地存储已经输出或者将要输出的数据。

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。通常在此处附图中的描述和所示的本发明实施例的组件可以通过各种不同的配置来布置和设计。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有作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。

请参阅图2，为使用三种方法处理后的呼吸波形和频谱图，可以看出使用本发明所提出的ICEMDAN-SampEn-IWT的分离降噪方法具有最集中的频谱峰，并且在频谱中包含较少的噪声，尽管带通滤波表现更为突出，但是本发明提出的方法保留了更多的细节信息，例如呼气和吸气过程的差异。

请参阅图3，为使用三种方法处理后的心跳波形和频谱图，可以看出使用本发明所提出的ICEMDAN-SampEn-IWT的分离降噪方法具有最集中的频谱峰，并且在频谱中包含较少的噪声。

请参阅图4，为受试者在不同降噪算法下的呼吸性能指标变化趋势图。比较了雷达信号经过三种不同方法处理后呼吸信号SNR值和MSE值的变化趋势，从图中可以看出，ICEEMDAN-SampEn-IWT算法处理后的结果具有较高SNR 值和最低的MSE值，在保证信号质量的前提下，最大限度保留了信号的细节形状特征；带通滤波同样具有较高的SNR值，但MSE值普遍很高；EEMD-SampEn 算法降噪能力较差。

请参阅图5，为受试者在不同降噪算法下的心跳性能指标变化趋势图。心跳信号中本文所提出的算法具有明显的优势，且实测信号结果与仿真结果趋势相似，具有一致性。

通过对实验数据分析可知，本发明具有比其他现有技术更好的降噪性能且误差值最低。本发明作为一种新的降噪方法，能够有效解决在噪声条件下的生理信号分离困难的问题，尤其是对于不容易从呼吸谐波和噪声中提取的心跳信号。

综上所述，本发明一种多普勒雷达生理信号检测用信号分离去噪方法及系统，有效地解决了在噪声条件下的生理信号分离困难的问题，能够在不同的时间尺度上分别对信号进行去噪，最大程度地保留信号的细节。可以用于多普勒雷达生理信号检测的信号分离和去噪。

本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、 CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/ 或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

以上内容仅为说明本发明的技术思想，不能以此限定本发明的保护范围，凡是按照本发明提出的技术思想，在技术方案基础上所做的任何改动，均落入本发明权利要求书的保护范围之内。