基于多尺度残差收缩网络的多普勒雷达心跳检测方法

技术领域

本发明属于基于多普勒雷达信号进行心跳检测技术领域，具体涉及一种基于多尺度残差收缩网络的多普勒雷达心跳检测方法。该方法从一维雷达信号中提取心跳信号，是一种基于深度学习框架的雷达信号重构方法。

背景技术

传统接触式的心跳检测方法可以准确地测量出心率，但是也存在一些特殊情况下不适用、不方便的问题，如皮肤烧伤、敏感等，于是非接触式心跳检测被广泛研究。相较于基于红外传感器、基于相机的视觉传感器的非接触式检测方法，基于雷达的方法不受温度、光照等环境因素的影响且具有较强的穿透性，还可以更好地保护测试者的隐私。同时，在众多雷达体制中，连续波多普勒雷达因为具有结构简单、功耗低、探测精度高、低频谱占用等优势，所以成为现在监测生命体征最常用的雷达体制之一。

呼吸和心跳会导致胸腔壁的位移，所以连续波多普勒雷达通过捕获胸腔壁的前后位移信息来获取生理信号，呼吸和心跳导致的位移幅度很小，属于微位移信号，所以采集的雷达信号中常常包含身体晃动以及环境带来的噪声，严重影响心跳检测的效果，另外，呼吸产生的胸腔壁位移远大于心跳产生的胸腔壁位移，所以并不能从采集的雷达信号中直接观察到心跳信号，且呼吸谐波容易与心跳混在一起，不易区分，低信噪比也是基于雷达信号进行心跳检测的难点。

得益于机器学习的发展，神经网络模型被引入基于连续波多普勒雷达信号进行心跳检测的领域，

综上所述，近年来使用神经网络从雷达信号中提取心跳信号的网络模型主要有ANN、CNN、RNN等。但是上述方法并没有考虑心跳信号低信噪比的问题，若不对雷达数据进行合理地去噪，会影响心跳检测的准确率。

因此，亟需一种能针对雷达信号进行更准确心跳检测的方法。

发明内容

针对现有技术存在的缺陷，本发明提出了一种基于多尺度残差收缩网络的多普勒雷达心跳检测方法，以深度残差收缩网络为基础，通过添加多尺度处理模块，获取不同时间尺度上的信息，同时将希尔伯特-黄变换融入网络学习中，以获取时频信息，从而进一步提高基于连续波多普勒雷达的心跳检测准确率。

本发明的目的是通过以下技术方案实现的：

一种基于多尺度残差收缩网络的多普勒雷达心跳检测方法，该方法包括以下步骤：

步骤1：使用连续波多普勒雷达来捕获胸腔壁位移信息，获取不同测试者的多组连续雷达信号；采集与雷达信号相同采样频率的对应心电图数据，获得EEG信号，设定一次心跳事件的持续时间，对应一次心跳事件的时间的ECG标签值设为1，其余所有时间ECG的标签值均为0，保存采集时间、ECG标签值；以多组连续雷达信号以及对应的ECG标签值构成数据集；

步骤2：将数据集划分为训练集和测试集；

步骤3：构建多尺度残差收缩网络：

所述多尺度残差收缩网络包括N层堆叠的多尺度残差收缩模块和N个希尔伯特-黄滤波模块，前N-1个多尺度残差收缩模块的输出分别连接一个希尔伯特-黄滤波模块，

以雷达信号作为输入，输入信号分别进入第一个多尺度残差收缩模块和一个希尔伯特-黄滤波模块，且N层堆叠的多尺度残差收缩模块依次串联的输出与每个希尔伯特-黄滤波模块的输出进行特征融合，特征融合的结果经全连接层后输出重构雷达信号；

所述希尔伯特-黄滤波模块的具体流程是：首先经过经验模态分解在不同时间尺度上将雷达信号分解为多个内涵模态分量，然后经过希尔伯特变换得到各个分量的解析信号，解析信号是一个复数信号，复数的模和幅角代表了信号的幅度和相位，其中实部表示原始信号，虚部表示希尔伯特变换信号，之后交由滤波层进行特征提取，滤波层由卷积层、BN层以及ReLU激活函数组成，进一步对希尔伯特-黄变换后得到的信息进行特征提取；之后将滤波层输出的特征再进行三次希尔伯特变换实现希尔伯特逆变换获得特征提取后的模态分量，再将特征提取后的模态分量进行经验模态叠加，获得处理后的雷达信号特征；

步骤4：利用数据集训练多尺度残差收缩网络，以训练好的多尺度残差收缩网络获得重构后的雷达信号，根据重构后的雷达信号进行心跳检测。

所述雷达信号的采集使用24GHz连续波多普勒雷达来捕获胸腔壁位移信息，测试者静坐在距离雷达60cm处，采样频率设为100Hz，并且设有两个通道I和Q，电压范围设置为-3.3V-3V，使用LabVIEW执行操作，并将雷达数据写入Excel表格；通过测试不同的测试者，获得多组数据，每组数据包含300s连续雷达信号；

使用心电监测仪采集对应心电图数据，通过导联线测量法在胸前的三处贴上心电电极，通过对应软件ECGDM获得可视化的心电图，以10s为单位对可视化的心电图进行截取，对截取的心电图进行采样，采样频率为100Hz，获得采样后的ECG信号，对其进行R波检测，检测到R波位置之后，设定200ms的延迟，之后连续400ms设定为一次心跳事件的持续时间，对应一次心跳事件的持续时间的ECG标签值设为1，其余所有时间ECG的标签值均为0，然后将数据存入Excel表格中，将雷达数据和ECG标签值按照采集时间进行对应；

将每组的数据按5：1的比例划分训练集和测试集，分别对应250s和50s数据，数据加载时，以5s的雷达数据为多尺度残差收缩网络的输入，对应500个值。

所述多尺度残差收缩模块包括两个串联的多尺度特征提取模块、软阈值化模块、残差连接；所述多尺度特征提取模块，使用一维空洞卷积对雷达信号提取多尺度特征，其中包括三个分支，每一条分支均选用大小为3*1的一维卷积核，空洞率从左到右分别取1、2、5，直接把每个分支的特征在通道的维度上拼在一起，从而获得多尺度特征，每个分支通过padding操作，保证经过多尺度特征提取后输入输出的维度不变，只改变通道数；

所述软阈值化模块用于获得阈值，在两个串联的多尺度特征提取模块输出的多尺度特征后添加软阈值化的激活函数获得去噪特征，去噪特征与多尺度残差收缩模块的输入进行残差连接，获得多尺度残差收缩模块的输出。

根据重构后的雷达信号进行心跳检测的过程是：直接对重构后的雷达信号进行R波检测实现心跳检测或者对重构的雷达信号进行一个带通滤波器处理之后再进行R波检测实现心跳检测；所述带通滤波器的频率范围为0.8Hz-2Hz。

与现有技术相比，本发明的有益效果是：

本发明考虑时域上的连续波雷达信号在不同时间尺度上表现不同，较小的时间尺度上反映雷达信号的瞬时变化，较大的时间尺度可以反应雷达信号变化趋势，从而提出多尺度时域特征提取模块，并将其置于残差收缩网络结构中，构成多尺度残差收缩模块，残差收缩网络使用软阈值作为非线性转换层，可以有效地排除干扰心跳检测的相关噪声。

另外，对不同尺度下的雷达信号进行希尔伯特-黄变换，得到的结果反映的是信号的时频特征，进一步对变换后的信号进行特征提取，有利于将心跳相关特征从复杂的混合信号中分离出来。

最后，对多尺度残差收缩模块输出以及希尔伯特-黄滤波模块的输出进行特征融合，有效地减少了原始雷达信号中的噪声干扰，根据此特征可以重构出高质量的雷达信号，从而提高心跳检测准确率。

本发明检测方法能够同时实现快速、实时的性能和高精度的心跳检测估计，鲁棒性好。

附图说明

图1本发明基于多尺度残差收缩网络的多普勒雷达心跳检测方法的整体流程图。

图2多尺度特征提取模块的结构示意图。

图3多尺度残差收缩模块的结构示意图。

图4希尔伯特-黄滤波模块的结构示意图。

图5多尺度残差收缩网络的结构示意图。

图6原始雷达信号(左)与重构的雷达信号(右)对比图。

图7滤波器处理后的重构雷达信号与ECG标签对比图。

具体实施方式

为了使本发明的技术方案更加清楚，下面结合附图对本发明做进一步的阐述，但并不以此作为对本申请保护范围的限定。

本发明基于多尺度残差收缩网络的多普勒雷达心跳检测方法，该检测方法包括以下步骤：

第一步：采集数据，并对数据进行数据预处理，构建数据集。

雷达信号的采集使用24GHz连续波多普勒雷达来捕获胸腔壁位移信息，测试者静坐在距离雷达60cm处，采样频率设为100Hz,并且设有两个通道I和Q，电压范围设置为-3.3V-3V，使用LabVIEW执行操作，并将雷达数据写入Excel表格。共测量了11组数据，每组数据包含300s连续雷达信号。

对应心电图数据的采集使用Heal Force 180B心电监测仪，通过导联线测量法在胸前的三处贴上心电电极，获得较为准确的数据，数据的接收和可视化通过对应软件ECGDM实现。之后要导出数据需要对可视化的心电图进行截取，以10s为单位获取心电图，然后对心电图进行采样，采样频率为100HZ，心电图采样后获得的离散值即为原始ECG信号，基于原始ECG信号直接进行R波检测，检测到R波位置之后，设定200ms的延迟，之后连续400ms设定为一次心跳事件的持续时间，对应时间的ECG标签值设为1，其余所有时间ECG的标签值均为0，然后将数据存入Excel表格中，内容包括采集时间、ECG采样值以及ECG标签值。

第二步：数据集划分以及数据加载。

将每组的数据按5：1的比例划分训练集和测试集，分别对应250s和50s数据。数据加载时，以5s为网络模型输入，对应500个值。

第三步：构建多尺度残差收缩网络并训练。

多尺度残差收缩网络(参见图5)包括N层堆叠的多尺度残差收缩模块和N个希尔伯特-黄滤波模块，前N-1个多尺度残差收缩模块的输出分别连接一个希尔伯特-黄滤波模块，N为大于2的整数，

以雷达信号作为输入，输入信号分别进入第一个多尺度残差收缩模块和一个希尔伯特-黄滤波模块，且N层堆叠的多尺度残差收缩模块依次串联的输出与每个希尔伯特-黄滤波模块的输出进行特征融合，特征融合的结果经全连接层后输出重构雷达信号。

首先是多尺度特征提取模块(参照图2)，使用一维空洞卷积对雷达信号提取多尺度特征。其中包括三个分支，每一条分支均选用大小为3*1的一维卷积核，空洞率从左到右分别取1、2、5，这样得到的感受野分别是3、5、11。通过不同空洞率的卷积提取的特征图大小一致，在不做pooling操作损失信息的情况下，加大了感受野。最后的相加操作，直接把每个分支的特征在通道的维度上拼在一起，从而获得多尺度特征。每个分支通过padding操作，保证经过多尺度特征提取后输入输出的维度不变，只改变通道数。

多尺度残差收缩模块(参照图3)以深度残差收缩模块为基础，将原始的普通卷积层替换为多尺度特征提取模块，用以在原网络基础上增加多尺度特征提取能力。其之所以能去除噪声，是因为软阈值化部分起到一个滤波器的作用，深度残差收缩网络使用软阈值化作为非线性层，利用训练过程中学习到的阈值来处理雷达信号中的噪声干扰，以筛选得到心跳相关特征。软阈值化的函数表示如下：

其中x代表输入特征，y代表输出特征，τ是阈值。和ReLU激活函数将负特征设为0不同，软阈值化的作用是将绝对值低于某个阈值的特征值置为0，其他特征也向着0进行调整，是一种信号降噪方法，其作用可以根据上述公式看出。具体的阈值的获得方法是，先将多尺度特征提取模块输出的多尺度特征取绝对值，然后使用全局平均池化得到一个一维向量，然后将该一维向量输入到一个两层的全连接网络中，得到一个收缩参数，然后使用sigmoid函数确保该参数的取值在0到1之间。将得到的收缩参数与全局平均池化得到一维向量相乘，得到阈值τ，最后去噪特征是由两个多尺度特征提取模块的输出多尺度特征经过软阈值化激活函数得到的，公式如上，多尺度特征为x，去噪特征为y；去噪特征与多尺度残差收缩模块的输入进行残差连接，获得多尺度残差收缩模块的输出。

希尔伯特-黄滤波模块，希尔伯特-黄变换的步骤由经验模态分解和希尔伯特变换组成，首先经过经验模态分解在不同时间尺度上将雷达信号分解为多个内涵模态分量，然后经过希尔伯特变换得到各个分量的解析信号，解析信号是一个复数信号，复数的模和幅角代表了信号的幅度和相位，其中实部表示原始信号，虚部表示希尔伯特变换信号，之后交由滤波层进行特征提取，滤波层由卷积层、BN层以及ReLU激活函数组成，卷积层为二维卷积，卷积核为3*3。进一步对希尔伯特-黄变换后得到的信息进行提取。之后将滤波后的特征再进行三次希尔伯特变换实现希尔伯特逆变换获得特征提取后的模态分量，再将逆变换得到的模态分量进行经验模态叠加，即可获得处理后的雷达信号特征。

最后，将多层堆叠的多尺度残差收缩模块提取的特征与所有希尔伯特-黄滤波模块输出的特征进行融合，然后通过全连接层，将融合特征映射为重构雷达信号；重构信号进行R波检测获得心跳事件。

第四步：利用构建的数据集对多尺度残差收缩网络进行训练，使用均方误差损失，反向传播获得训练后的多尺度残差收缩网络，即为雷达信号重构网络，将雷达信号重构网络用于基于连续波多普勒雷达的心跳检测中。

基于多普勒雷达信号进行心跳检测的整体流程如图1所示，首先是数据的采集，分为ECG信号采集和连续波多普勒雷达信号采集，使用心电监测仪获取心电图，然后心电图经过截取、采样得到离散值，即为原始ECG信号。根据原始ECG信号，通过局部峰值的查找实现R波检测，检测到R波位置之后，设定200ms的延迟，之后连续400ms设定为一次心跳事件的持续时间，对应持续时间的ECG标签值设为1，其余所有时间ECG的标签值均为0，实现ECG信号的标签化。使用连续波多普勒雷达获得雷达信号，获得的离散信号包括I/Q两条通道中的值，从中选取一条峰-峰值大的通道信号作为原始雷达信号。之后，以该原始雷达信号作为多尺度残差收缩网络的输入，经过该网络的重构获得重构雷达信号，ECG标签用于重构信号利用均方误差进行损失计算，并根据该损失反向传播训练网络。最终得到高质量的重构雷达信号，再对重构后的雷达信号进行R波检测以实现心跳检测。

原始雷达信号与重构的雷达信号对比如图6所示，两张图显示的为相同时间的20s时长的雷达信号，从图中可以看出原始雷达信号是无法直观的识别出心跳的，其显示的波形主要是由呼吸导致的，而重构后的雷达信号的每一个明显的波峰都代表着一次心跳，可以直接使用R波检测检测出心跳。

为了使重构的雷达信号看起来更明显，对重构的雷达信号进行一个带通滤波器(设置0.8Hz-2Hz，对应心跳1分钟48次-120次)处理，滤波器处理后的重构的雷达信号与ECG标签对比图如图7所示，其中方波信号代表ECG标签，曲线代表重构的雷达信号经过一个简单的带通滤波器所呈现的波形，不进行滤波器处理不影响心跳检测。

本发明未述及之处适用于现有技术。