基于時頻信息融合網絡的非干擾呼吸檢測方法①

沈建飛 陳益強 谷 洋

(*移動計算與新型終端北京市重點實驗室 北京 100190)(**中國科學院計算技術研究所 北京 100190)(***中國科學院大學 北京 100049)

0 引 言

針對生理信號的非干擾感知研究，受到越來越多的重視，因為其可以在不對用戶產生任何干擾的前提下，進行基本的生理信號采集。同時，非干擾感知的方法對于特定場景，如睡眠監(jiān)測等方面有特殊的優(yōu)勢。

呼吸是較常用的生理信號，目前呼吸的傳統(tǒng)檢測方式有阻抗式、光電容積脈搏波描記、呼吸感應體積描記、心電信號提取法等方法。這些方法雖然測量結果較準確，但是都需要與用戶有直接的身體接觸，將傳感器或面罩緊貼皮膚進行檢測[1]，大幅降低了用戶在檢測過程中的舒適度，只適用于短時間內的檢測，無法滿足用戶對生理信息的長期監(jiān)測需求。尤其是對睡眠中的呼吸檢測和燒傷病人、部分皮膚病人的生理數(shù)據檢測，接觸式的方法都會對用戶造成一定的負面影響，甚至二次傷害[2-6]。

非干擾的呼吸檢測，目前的研究主要集中于使用視頻[7]、熱力圖[8]、超聲波[9]、WiFi[10,11]、雷達[12-14]等方式來實現(xiàn)對用戶生理參數(shù)的收集，再通過信號處理、信號識別等技術提取周期信息，實現(xiàn)呼吸頻率的實時檢測。其中，通過雷達方式進行呼吸檢測的方法，在用戶相對靜止的情況下有更好的識別效果，因電磁波能夠穿透衣物、被褥，直接傳播到人體表面[15]，因此其能夠更直接地檢測到人體胸腔的振動，計算得到更準確的呼吸信息[16]。通過雷達檢測呼吸的方法，根據其信號發(fā)射和接收方式的不同又可進行細分，比較主流的方式為如下幾種：多普勒雷達(Doppler radar)[17-19]，它通過發(fā)射和接收連續(xù)的定頻電磁波，利用多普勒效應來進行檢測；調頻連續(xù)波雷達(frequency modulated continuous wave radar，F(xiàn)MCW Radar)[20,21]，通過發(fā)射和接收持續(xù)調頻的連續(xù)電磁波，分析接收信號頻率的變化來實現(xiàn)檢測；超寬帶雷達(ultra-wideband radar，UWB Radar)[22,23]通過發(fā)出超寬帶脈沖電磁波來進行呼吸檢測。其中，由于對周期信號有很好的識別效果，多普勒雷達是非干擾呼吸檢測中使用較多的檢測方案。

基于多普勒雷達的呼吸檢測方法，利用電磁波信號被用戶身體反射時產生的多普勒效應(Doppler effect)，來提取出用戶的呼吸信息[24]。目前國內外的研究多從數(shù)字信號處理角度進行分析，通過線性、非線性解調雷達信號后，結合呼吸頻率的先驗信息進行呼吸的檢測[25]。但環(huán)境干擾是影響識別精度的重要因素，傳統(tǒng)的信號處理方法，在實際環(huán)境中很難保證呼吸的精準魯棒識別。

目前，在模式識別領域，機器學習方法已經得到了廣泛的應用，其在圖像識別[26-28]、數(shù)據分析[29,30]等方面已經實現(xiàn)很好的識別結果。在基于雷達的呼吸檢測領域，已有的研究主要集中在通過信號處理方法識別到呼吸頻率后，結合機器學習方法進一步對用戶的睡眠、情緒等狀態(tài)進行分類[31,32]研究。而本文針對雷達識別過程中的環(huán)境干擾問題，結合機器學習的回歸模型，提出了使用時頻融合網絡模型直接對呼吸頻率進行識別的方法。

本文的主要創(chuàng)新點和貢獻歸納如下。

(1) 針對多普勒雷達的呼吸信號檢測，提出了基于神經網絡直接獲得用戶呼吸頻率的識別模型。

(2) 提出了通過長短期記憶網絡(long short-term memory，LSTM)提取時域信息，使用選帶傅里葉變換(zoom fast Fourier transform，ZoomFFT)提取精細化頻域信息，然后融合神經網絡模型，來對呼吸頻率進行識別的方法。

(3) 提出了使用局部加權回歸平滑(locally weighted scatterplot smoothing，Lowess)的后處理算法來對模型的輸出進行濾波，得到穩(wěn)定魯棒的呼吸頻率識別結果。

(4) 采集真實雷達數(shù)據，對時頻融合網絡模型進行了多角度的實驗測試，實驗結果表明該模型對于不同距離、不同朝向和不同個體的呼吸都可以進行有效的識別。

1 基于多普勒雷達的呼吸信號檢測原理

基于多普勒雷達的呼吸信號檢測方法，主要通過連續(xù)波(continue wave，CW)雷達發(fā)射模塊和正交接收器來完成雷達信號的發(fā)射和接收，正交接收器的使用是為了去除NULL點問題(NULL點會導致信號變化幅度過小，不利于對信號進行分析)[33]，其整體原理如圖1所示。由圖可知，系統(tǒng)通過信號源產生定頻電磁波信號，經由發(fā)射器持續(xù)發(fā)射，當電磁波傳播到達人體表面后，會有部分的電磁波被人體吸收，但是大部分的信號會被人體的皮膚和組織反射回來，最終被雷達的接收器接收。

圖1 多普勒雷達測量原理圖

在本文中，設定信號源的發(fā)射頻率為f，波長為λ=c/f，其中c為光速，同時考慮發(fā)生元器件產生的噪聲φ(t)，則發(fā)射信號T(t)可以用如下公式表示：

T(t)=cos(2πft+φ(t))

(1)

當電磁波信號T(t)傳播距離d0到達人體表面后，經由人體表面反射，部分信號被接收器接收。在此將由于呼吸和心跳引起的胸腔位移定義為xr(t)，由心跳引起的胸腔位移定義為xh(t)，則最終的胸腔位移為兩者的疊加x(t)=xr(t)+xh(t)。因此，接收到的信號可以近似表示為

(2)

從上式可以看出R(t)為一個增加了延時和幅值減小版本的T(t)，其中Ar為幅度減少的系數(shù)。胸腔運動x(t)與d0、延時后的相位噪聲φ(t-2d0/c)共同構成R(t)的相位信息。雷達接收到的信號將通過一個前置放大器(low noise amplifier，LNA)對信號進行放大，并通過混頻器將接收到的信號與發(fā)射信號混頻，混頻器的輸出端，使用低通濾波器去除載波信號2πft和因混頻產生的高頻信號，只剩下中頻信號，該信號即包含了由x(t)引起的相位變化。

由于本文使用了正交接收器，R(t)被分成2個分量，其中一個分量與發(fā)射信號混頻，另外一個分量與相位延遲90 °的發(fā)射信號進行混頻。最終得到一對標準正交的基帶信號Bi(t)和Bq(t)，分別表示為

(3)

(4)

式中θ=4πd0/λ+θ0，包含了目標和雷達的距離d0及初始相位θ0，Δφ(t)表示剩余的振蕩器相位噪聲。由式(3)和式(4)可知Bi(t)和Bq(t)有90 °相位差別，保證接收到的信號至少有一個基帶信號在非NULL點上。接下來將對I和Q通道的信號進行分析，得到呼吸的頻率xr(t)。

實際環(huán)境中噪聲Δφ(t)的影響往往會很大，如圖2(a)所示，當有低頻干擾時，傳統(tǒng)快速傅里葉變換(fast Fourier transform，F(xiàn)FT)方法和峰值檢測法會導致呼吸率識別出錯。以往規(guī)避這種風險的方式是采用帶通濾波或加入上下限，但當?shù)皖l噪聲較高時，問題依然無法避免。如圖2(b)中所示，在對傳統(tǒng)頻域信號使用峰值檢測時，預期的識別呼吸頻率為實線所圈出的頻率，但識別結果很容易被虛線圈出的低頻區(qū)域所影響，導致識別結果如圖2(c)所示，出現(xiàn)大的偏差。

圖2 基于多普勒雷達的傳統(tǒng)呼吸識別方法

因此本文中將使用時頻信息融合網絡實現(xiàn)對I和Q通道信號的分析，使用LSTM網絡來對時序信號中的周期信息進行提取，使用ZoomFFT來提取頻域信息，通過融合時頻域信息來增強呼吸率的識別精度。

2 LSTM網絡

LSTM網絡是一種特殊的循環(huán)神經網絡(recurrent neural networks，RNN)。LSTM網絡的提出，是為了解決普通RNN網絡在訓練中出現(xiàn)的梯度消失和梯度爆炸問題，通過引入門邏輯，識別輸入信號中時間間隔較長或者延遲較長的信息。因此該種網絡對于時序信號處理有很好的效果，其在包括自然語言處理、視頻處理、手寫識別等場景中都獲得了很好的識別效果[34]。也正因其對于周期信號的有效識別，本文引入LSTM網絡來對呼吸這種明確的周期信號進行識別。

LSTM網絡由Hochreiter和Schmidhuber[35]在1997年提出，通過不斷演進，分別增加了遺忘門[36]和窺視孔連接[37]。本文中將使用演進后的LSTM網絡進行模型構建，單個的LSTM單元[38]如圖3所示。從圖中可以看到，LSTM模型包含3個門邏輯即輸入門(input gate)、遺忘門(forget gate)、輸出門(output gate)，輸入，細胞(Cell)，輸出激活模塊，以及窺視孔連接(peephole connection)，單元的輸出同時返回連接到輸入和各個門，實現(xiàn)一個循環(huán)網絡。針對神經網絡中一個LSTM層，假設其xt為在t時刻的輸入向量，N為LSTM單元的數(shù)量，M為輸入信號的數(shù)量，那么LSTM層將會產生如下的權重。

輸入權重：Wz,Wi,Wf,Wo∈RN×M

循環(huán)權重：Rz,Ri,Rf,Ro∈RN×N

窺視孔權重：pi,pf,po∈RN

偏差權重：bz,bi,bf,bo∈RN

針對t時刻LSTM單元，其各節(jié)點的矢量計算公式如下。

輸入：zt=g(Wzxt+Rzyt-1+bz)

輸入門：

it=σ(Wixt+Riyt-1+pi⊙ct-1+bi)

遺忘門：

ft=σ(Wfxt+Rfyt-1+pf⊙ct-1+bf)

細胞：ct=zt⊙it+ct-1⊙ft

輸出門：

ot=σ(Woxt+Royt-1+po⊙ct-1+bo)

輸出：yt=h(ct)⊙ot

其中σ、g、h分別為逐點運算的非線性激活函數(shù)，通常門邏輯的激活函數(shù)為邏輯回歸函數(shù)(logistic sigmoid)，輸入輸出激活函數(shù)為反余切函數(shù)(hyperbolictangent)。同時在LSTM層中使用了逐點乘積運算，在式中表示為⊙[38]。

圖3 LSTM網絡單元[38]

從以上LSTM的流程可以看出，通過門邏輯和細胞狀態(tài)的存儲，以及上一時刻狀態(tài)的加入，即可以實現(xiàn)循環(huán)網絡的功能。在網絡訓練過程中，反向傳播需要對各個門邏輯和輸入輸出的傳遞誤差都進行分析，因此其需要確定的參數(shù)較多，訓練時間較長，具體過程在此不做贅述，可參考文獻[34,38]。

3 時頻信息融合網絡方法

3.1 信號預處理

雷達接收到經過混頻的I和Q通道模擬信號，將接入模擬到數(shù)字信號轉換模塊(analog to digital，AD)，實現(xiàn)模擬信號到數(shù)字信號的轉換。但是由于實際使用中的I和Q通道信號非常微弱，因此通常的方法是在AD轉換模塊前置1個信號放大器，這樣可以增加有效信號的幅值，降低外部信號的干擾。

(1) 模擬信號預處理

針對雷達I和Q通道信號的前置放大器在本文中為2級放大電路。第1級放大電路放大10倍，選擇該放大倍數(shù)是由于經過混頻后的信號會有一定的直流偏置，導致信號的基準電壓偏高，需要控制放大倍數(shù)保證信號電壓幅值在放大器上下限范圍內。第1級放大電路和第2級放大電路使用電容連接，濾除直流偏置，只保留更關心的交變信號。第2級放大電路將交變信號放大，由于通過多普勒效應產生的低頻信號有比較強的周期性的，因此對于這部分周期信號的放大顯得尤為重要。經過2級模擬放大后的信號將進入AD轉換器，實現(xiàn)模擬到數(shù)字的轉換，并通過USB線連接到個人電腦(PC)進行數(shù)據采集。整體流程如圖4所示。

(2) 數(shù)字信號預處理

針對I和Q通道的數(shù)據，首先使用常見的濾波方法來進行信號處理，濾除噪聲。由于I和Q通道信號的主要成分是人體的胸腔振動(呼吸和心跳)信息。而人的呼吸頻率在每分鐘10～30次，其對應的頻率比較低，因此對于信號首先進行一次低通濾波，濾除高頻噪聲，降低噪聲影響，然后將數(shù)據輸入識別模型進行呼吸頻率的識別。

圖4 模擬信號預處理

3.2 基于時頻信息融合網絡的識別模型

I和Q通道的數(shù)據，在本模型中將從時域角度和頻域角度分別進行分析，并最終融合進行呼吸頻率識別，網絡模型結構見圖5。

圖5 時頻信息融合網絡結構

(1) 時域信息提取

將預處理后的I和Q通道數(shù)據，作為2個維度信號輸入到LSTM網絡，從時域角度提取周期信息。為了降低網絡復雜度和噪聲信號的影響，增強呼吸信號的識別，需要將原始高采樣率的信號降采樣。呼吸信號主要包含在頻率為3 Hz以下的信號中，由奈奎斯特采樣定律可知，只需要保證采樣頻率高于6 Hz即可保留相關的低頻信息，但為了同時保證能更好地提取細節(jié)信息，經過多次實驗，降采樣的采樣頻率在本實驗中設定為20 Hz。I和Q通道的時域數(shù)據，經過設定窗口時間的截取，形成固定長度的數(shù)據，輸入LSTM網絡層，然后接入全連接層，進行時域信息的提取，成為融合的第1個輸入，見圖5中左邊部分。

(2) 頻域信息提取

針對頻域信息，將I和Q通道的時域信號轉換到頻域，作為融合的第2個輸入，從頻域角度識別呼吸的頻率信息。常見的頻域信號提取方法為快速傅里葉變換(FFT)，但是其在低頻部分的分辨率很低，因此本文中使用ZoomFFT方法來對呼吸時序信號進行處理，將呼吸對應的頻率范圍細化，得到更關心的呼吸頻率范圍內信息。

ZoomFFT方法的基本原理是將初始信號進行復調制，將時序序列轉變?yōu)閺托蛄?，利用傅里葉變換的頻移性質把選頻段的中心頻率移至0頻，再通過低通抗混疊濾波和整數(shù)倍抽取，最后對抽取后的信號做FFT分析和頻率調整，即得到選頻段的細化頻譜[39]。通過ZoomFFT獲得的I和Q雙通道的頻域數(shù)據將經過卷積神經網絡(convolutional neural network，CNN)進行特征提取，通過全連接層連接，最終成為融合的第2個輸入，見圖5中右邊部分。

(3) 信息融合

時域信息和頻域信息將在最后進行融合，獲取對應的周期和頻率信息，融合提取有效特征，相互印證和補充，最終實現(xiàn)呼吸頻率的準確識別。

3.3 魯棒呼吸頻率檢測方法

通過基于時頻信息融合網絡的呼吸識別實驗(見4.3節(jié))可知，時頻信息融合網絡模型對個別用戶的識別效果不佳，可能會在一定時間內產生波動。因此本節(jié)基于局部加權回歸平滑法(Lowess)，提出了一種魯棒呼吸頻率檢測方法。該方法基于時頻信息融合網絡模型的識別結果，通過局部加權回歸平滑法來過濾模型的輸出，實現(xiàn)魯棒平穩(wěn)的呼吸率檢測。

局部加權回歸平滑方法(Lowess)具體如下。

一般的線性回歸，是對離散輸入x(i)和輸出y(i)選取合適的加權參數(shù)θ，使得損失函數(shù)最?。?/p>

(5)

而局部加權回歸平滑法，不關注所有的數(shù)據，而是關注當前預測點相鄰數(shù)據的分布，減少了較遠數(shù)據的干擾。具體的為損失函數(shù)增加權值ω(i)，使得優(yōu)化的目標變?yōu)?/p>

(6)

經典地定義權重參數(shù)ω(i)：

(7)

可以看到，ω(i)為一個鐘形函數(shù)，其中x(i)為當前點的向量，x為其他點的向量，σ為設定的方差。x(i)距離x越近，其權值越接近于1，距離越遠越接近于0，進而實現(xiàn)對數(shù)據的局部加權回歸[40,41]。呼吸頻率的變化非常符合這種局部特性，因此在時頻信息融合網絡模型后加入局部加權回歸平滑，可以有效地降低識別誤差，提高識別精度。

3.4 與傳統(tǒng)方法對比

采用時頻信息融合網絡模型對雷達數(shù)據進行分析，是從時域角度提取周期信息，從頻域角度獲取頻率信息，最終融合2種信息進行最終的結果識別。這種方法的信息維度比采用單一的傳統(tǒng)信號處理更多，有助于提取隱層信息，防止因為噪聲干擾導致的識別偏差，而實驗結果也驗證了這一點。

對比經典的頻域處理方法，使用神經網絡模型進行回歸分析，能夠更好地實現(xiàn)復雜非線性信號的分析。而且可以從多個特征維度，對信號進行分析，更加全面地應對不同距離、不同角度導致的信號變化。從實驗結果也可以看出，對比其他信號處理方法，使用時頻信息融合網絡模型的識別結果精度更高、更穩(wěn)定。

4 實驗結果及分析

4.1 數(shù)據采集

針對本文的實驗，采集了7名志愿者(6名男性，1名女性)的220 min有效數(shù)據，分別對坐姿靜止狀態(tài)下不同朝向(前后左右)、不同距離(0.5 m、1 m、2 m、3 m)進行了多場景的雷達數(shù)據采集，如圖6所示。雷達采集方案是使用RFbeam公司的ST200實驗平臺和K-MC1商用微型雷達模塊來進行數(shù)據采集[42]。該模塊包含1個發(fā)射天線和1個接收天線，發(fā)射頻率為24 GHz，輸出I和Q共2通道信號。ST200平臺通過USB連接至PC端，采用LabVIEW[43]環(huán)境進行實時數(shù)據采集和保存。

參考的呼吸信號，采用Vernier公司的LabQuest 2[44]平臺進行采集，使用了呼吸計傳感器獲取呼吸的原始數(shù)據。

(a) 實驗場景設定

(b) 數(shù)據采集現(xiàn)場

4.2 呼吸頻率識別效果

本節(jié)針對時頻信息融合網絡對呼吸頻率識別效果進行實驗。實驗使用志愿者在靜止時的數(shù)據，包含不同朝向和不同距離。由于本文的學習方法不同于直接進行信號處理的方法，需要將整體數(shù)據進行劃分，將所有數(shù)據隨機劃分為測試集和驗證集，進行交叉驗證，本實驗使用10折交叉驗證(10 fold cross validation)來對模型的效果進行驗證。

針對雷達接收到的連續(xù)數(shù)據，首先對其進行分幀，即按照固定窗口大小來進行截斷，構成多個幀，再進行驗證。在本實驗中，根據呼吸周期的特點和經驗，將窗口大小設置為35 s，并采用滑動窗口的方式分幀，滑動步長設置為3 s。對比方法有FFT方法、ZoomFFT方法、CZT(chirp z-transform)方法和小波變換方法將時域信號轉變成頻域信息，再通過峰值檢測構成的傳統(tǒng)頻域測量方法；用自相關方法，從時域信號角度進行呼吸識別的傳統(tǒng)方法；使用Bootstrip[45]，增加隨機噪聲重構信號，來識別呼吸的方法。對比指標為常用的平均誤差(mean absolute error，MAE)和均方根誤差(root mean square error，RMSE)，具體結果見表1。

通過表1可知，對比傳統(tǒng)方法，基于時頻信息融合網絡的識別誤差最小、識別效果最好，詳見“時頻信息融合網絡模型(10折交叉驗證)”項。同時，為了考量模型的泛化能力，繼續(xù)采用留一法(leave one subject out, LOSO)進行驗證，結果詳見表1“時頻信息融合網絡模型(LOSO)”項?？芍捎昧粢环ㄗR別結果雖有所降低，但依然有最好的識別效果，識別精度高于其他方式，平均誤差和均方根誤差都最小。

4.3 不同個體的呼吸識別

為了進一步驗證模型的普適性，本節(jié)采用留一法(LOSO)來對模型進行驗證，通過對采集到的7個人數(shù)據進行逐次詳細分析，檢驗模型的泛化能力。該方法為取其中一個志愿者的數(shù)據進行模型測試，其他志愿者數(shù)據進行模型訓練，以模擬在現(xiàn)實生活中，將設備和模型應用于一個新用戶時的識別效果。

在實驗中使用了最常見的FFT方法，以及在前面測試中表現(xiàn)較好的小波變換方法作為對比，使用識別呼吸頻率的RMSE值進行判斷。最終實驗結果如圖7所示，通過該圖可知雖然每個不同的個體都有差異，但是基于時頻信息融合網絡識別的結果，在所有方法中均有較低的平均識別誤差，且有最小的標準差。

表1 不同方法的模型識別結果(次/min)

圖7 針對不同個體、不同方法的呼吸頻率識別效果

志愿者7和志愿者1是識別精度最高和最差的2個志愿者，進一步對2者數(shù)據提取和分析，見圖8。通過該圖可知對于志愿者7，呼吸識別效果最好，基本逼近參考呼吸頻率，大部分呼吸頻率在20次/min附近。對于志愿者1，識別模型結果變化較大，體現(xiàn)出模型對特定狀態(tài)下的識別結果有一定偏差，但是整體形勢趨于穩(wěn)定，后續(xù)將通過基于局部加權回歸平滑法的魯棒識別模型進行優(yōu)化，具體實驗結果見4.6節(jié)。

(a) 志愿者7的模型識別結果

(b) 志愿者1的模型識別結果

4.4 距離對模型識別的影響

雷達發(fā)射的無線電信號，由于距離越遠，其在傳播時的衰減也就越大，尤其對于24 GHz的無線電波，其在空間內傳輸?shù)乃p比低頻信號更大。因此，雷達距離人體的距離，將嚴重地影響雷達接收到的回波信號的強度，也對識別模型增加了更高的識別挑戰(zhàn)。在本實驗中，雷達至人體的距離被分別設定為0.5 m、1 m、2 m、3 m，以驗證不同距離對于模型識別結果的影響，識別結果如表2所示。

表2 距離對模型識別結果的影響(次/min)

通過實驗結果可知，對于1～2 m范圍內模型識別效果最好，當距離過近時身體各個部位都會出現(xiàn)比較強的反射，很有可能會導致不同相位信號相互疊加干擾，因而導致在過近距離識別效果不佳。當識別距離變得更遠時，接收到信號的強度會隨著雷達到人體的距離增加而快速降低，而且由于其接受的是人體反射信號，因此將以2倍的距離降低，最終導致雷達接收到的有效信號泯滅在噪聲信號中，導致識別結果誤差變大。

4.5 朝向對模型識別的影響

人體在呼吸過程中會產生胸腔的位移變化，但是胸腔的位移在不同的方向上會有很大的區(qū)別，比如在呼吸過程中，人胸腔的前向位移變化最大，左右朝向的位移變化次之，背部朝向的位移最弱，這是由于胸腔本身的組織結構決定的。因此，對于雷達從不同朝向進行呼吸檢測識別十分有必要。

所以在本實驗中，分析了雷達放置在不同的方位，距離1 m朝向實驗者時的識別效果。實驗采用留一法(LOSO)進行驗證，即將特定朝向的數(shù)據作為測試數(shù)據，其他數(shù)據作為訓練數(shù)據，進行訓練和測試。實驗結果如表3所示。

表3 朝向對模型識別結果的影響(次/min)

通過識別結果可以看到對于正后方的識別準確度更高，誤差更小，具體原因可能由于在1m距離，正后方的胸腔運動更加趨近于平面的往復運動，而且腹部運動的反射會更小，胸腔發(fā)射信號更明顯，因此其識別效果會更好。

4.6 魯棒呼吸檢測方法的識別效果

魯棒呼吸檢測方法，適用于對獨立個體進行分別識別的情況，因此使用留一法(LOSO)進行數(shù)據分析。具體的實驗結果如表4所示，通過該表可知，基于局部加權回歸平滑法(Lowess)的魯棒呼吸檢測模型能夠提高最終的呼吸頻率識別精度，降低誤差。

表4 魯棒檢測方法的識別效果(次/min)

通過對每個人的識別精度進行逐個分析(見圖9，虛線為僅基于時頻信息融合網絡的識別結果作為對比)，可見對于本身誤差較大的個體，魯棒檢測方法能夠有效降低其識別誤差。但是對于誤差較小的用戶，識別精度有所下降，原因可能在于通過加權回歸后，由于部分準確識別點會受相鄰不準確點的干擾，產生錯誤偏移。但該影響有限，從模型的整體識別誤差變化看，可以明顯看出基于局部加權回歸平滑后的識別結果更佳。特別的，針對志愿者1的呼吸頻率識別(見圖10)，對比圖8(b)可知魯棒檢測方法的加入，使其識別呼吸頻率的波動明顯降低，整體呼吸頻率的識別精度進而提高。

圖9 不同個體使用魯棒檢測方法的識別效果

圖10 志愿者1使用魯棒檢測方法的識別結果

4.7 不足和展望

基于時頻信息融合的識別模型在沒有使用任何先驗知識，即沒有個性化的數(shù)據參與訓練時，對新用戶的呼吸識別效果有可能較差。后續(xù)將針對用戶個性化數(shù)據在線更新展開研究，對識別模型架構進行更多的探索。同時，未來將基于目前的研究成果，設計和實現(xiàn)基于雷達的呼吸頻率實時檢測系統(tǒng)，并將其與睡眠、異常檢測等事件結合，實現(xiàn)對用戶健康的全面感知。

5 結 論

本文提出了基于時頻信息融合網絡非干擾呼吸檢測方法，該方法通過雷達采集用戶胸腔信號，融合I和Q通道信號的時域特性和頻域特性，結合Lowess方法，實現(xiàn)對呼吸頻率的精準、魯棒檢測。該方法對比其他常用信號處理方法的識別效果更好，有較強的泛化能力，對于不同距離、不同朝向和不同個體的呼吸都可以進行有效的識別。