一种基于改进BP神经网络的人体呼吸心跳检测方法

本发明涉及雷达信号处理领域，具体涉及一种基于改进bp神经网络的人体呼吸心跳检测方法。

背景技术：

1、生命体征可以指征病人的病情轻重和危急程度，对人体的生命体征进行实时检测在智能家居和智能医疗等领域意义重大。目前已有的接触式检测生命体征的设备体积大、成本高、操作复杂，而非接触式雷达检测方法除了用户友好的优点外，还为光学成像受阻的情况，例如光线不足的睡眠环境和地震灾害造成的荒地下狭窄的空间，提供了一种有效的方法。在目前主要的非接触式雷达检测技术中，超宽带脉冲雷达(ultra-wide band，uwb)的距离分辨率和探测能力较为出众，但因其结构复杂导致成本较高。连续波雷达(continuouswave，cw)无法测量距离，易受周围运动目标回波干扰。与上述雷达检测方法相比，高分辨率、高精度的调频连续波雷达(frequency modulated continuous wave，fmcw)结合了连续波和超宽带雷达的优点，具备功率低、灵敏度高、穿透性强的特点，可精确测量目标与杂波特性，还可以提供目标的距离、速度和角度等信息。

2、通过雷达得到的生命信号不仅包括体征信号同时还包括各种杂波干扰，且呼吸共振会干扰心脏的频率分量，所以心肺信号的提取和分离面临着不小的挑战。文献《基于emd和bp神经网络的雷达体征信号检测算法》提出的经验模态分解算法(empirical modedecomposition，emd)和bp神经网络的生命体征信号检测方案可以提取呼吸和心跳信号，但由于emd的分解结果存在模态混叠和端点效应，且bp神经网络容易陷入局部最小等自身局限导致最终优化重构信号的准确度不够理想。文献《a study of the characteristics ofwhite noise using the empirical mode decomposition method》采用集合经验模态分解(ensemble empirical mode decomposition，eemd)算法，虽然能有效抑制模态混叠，但存在噪声残留问题。文献《a complete ensemble empirical mode decomposition withadaptive noise》提出自适应噪声的完备集合经验模态分解(complete ensembleempirical mode decomposition with adaptive noise，ceemdan)算法有效解决了eemd的噪声残留问题，且克服了ceemd的重构误差，但在信号分解早期存在虚假分量问题。

技术实现思路

1、为解决上述问题，本发明提供了一种基于改进bp神经网络的人体呼吸心跳检测方法，该方法采用iceemdan算法有效抑制模态混叠，分解信号更彻底，效率更高，且通过遗传算法(genetic algorithm，ga)改进的bp神经网络克服局部最小，搜索全局最优解。

2、一种基于改进bp神经网络的人体呼吸心跳检测方法，包括以下步骤：

3、s1.fmcw雷达通过天线发射电磁波信号并接收被测人体胸腔表面反射的回波信号，电磁波信号与回波信号通过正交型i/q信道执行混频；

4、s2.通过低通滤波器获取混频结果中的中频信号并进行ad采样得到雷达原始数据，对雷达原始数据进行距离傅里叶变换得到距离幅度谱；

5、s3.根据距离幅度谱确认被测人体位置，提取被测人体位置所对应幅度的相位并进行相位解卷绕；

6、s4.将相位解卷绕结果进行相位差分得到雷达原始胸腔信号，并对雷达原始胸腔信号进行小波去噪处理；

7、s5.采用iceemdan对小波去噪处理后的雷达原始胸腔信号进行分解得到imf分量；

8、s6.通过ga-bp网络优化imf分量得到高精度呼吸信号和高精度心跳信号。

9、进一步的，步骤s4对雷达原始胸腔信号进行小波去噪处理的过程包括：

10、s41.使用双曲正切函数对雷达原始胸腔信号进行小波分解，得到多个不同尺度和频率的小波系数；

11、s42.计算每个小波系数的局部方差，并通过分析所有小波系数的局部方差确定去噪阈值；

12、s43.对每个小波系数进行判断，若该小波系数的绝对值小于去噪阈值，则将其置为0，否则保持不变；

13、s44.对每一个完成判断的小波系数进行快速小波变换。

14、进一步的，步骤s5采用iceemdan算法对小波去噪处理后的雷达原始胸腔信号进行分解得到imf分量的过程包括：

15、s51.在雷达原始胸腔信号中添加经过emd分解的高斯白噪声，对第一次添加结果求取局部平均和集总平均分别作为第一阶段残差信号和第一阶模态；

16、s52.在第一阶段残差信号中添加经过emd分解的高斯白噪声，对第二次添加结果求取局部平均作为第二阶段残差信号，基于第一阶段残差信号和第二阶段残差信号计算第二阶模态；

17、s53.在第k≥2阶段残差信号中添加经过emd分解的高斯白噪声，对第k+1次添加结果求取局部平均作为第k+1阶段残差信号，基于第k阶段残差信号和第k+1阶段残差信号计算第k+1阶模态；

18、s54.若第k阶段残差信号单调或不能再分解，则输出多个imf分量，否则返回步骤s53。

19、进一步的，对第k+1次添加结果求取局部平均的公式为：

20、rk+1(t)＝<m(rk(t)+βke(w(i)(t)))>

21、基于第k阶段残差信号和第k+1阶段残差信号计算第k+1阶模态的公式为：

22、imfk+1＝rk(t)-rk+1(t)

23、其中，rk+1(t)表示第k+1阶段残差信号，βk表示第k次添加的高斯白噪声的振幅系数，w(i)(t)表示高斯白噪声，m(·)表示局部平均运算，e(·)表示emd分解，<·>表示集总平均运算，imfk+1表示第k+1阶模态。

24、进一步的，针对呼吸信号和心跳信号构建并训练对应的ga-bp网络，在步骤s5中根据频谱信息划分imf分量得到呼吸imf分量和心跳imf分量，将呼吸imf分量和心跳imf分量通过对应的ga-bp网络进行处理；所述ga-bp网络均是在bp神经网络的基础上引入ga算法优化后构建的。

25、进一步的，所述ga-bp网络的训练过程包括：

26、s61.搭建bp神经网络，初始化bp神经网络的所有权值和阈值；

27、s62.对bp神经网络初始化后的所有权值和阈值进编码，并生成初始种群；

28、s63.输入imf训练数据到bp神经网络，将bp神经网络的输出误差函数作为适应性函数，通过适应性函数计算个体的适应度；

29、s64.基于适应度选取个体进行交叉变异得到新个体并计算其对应的适应度，筛选每一代的最大适应度；

30、s65.若最大适应度没有显著变化或达到种群最大进化代数，则执行步骤s66，否则返回步骤s63；

31、s66.对最优个体进行解码得到最优初始权值和最优初始阈值，并将其分配给bp神经网络得到初代bp神经网络；

32、s67.将imf训练数据输入初代bp神经网络计算输出偏差，并根据梯度下降算法更新初代bp神经网络的权值和阈值；

33、s68.若输出偏差达到预设精度或训练次数达到预设次数，则结束训练得到iga-bp网络，否则返回步骤s67。

34、进一步的，步骤s63的输出误差包括输出层误差e1、隐含层误差e2和输入层误差e3，其各自的表达式为：

35、

36、

37、

38、其中，dk表示第k个输出层神经元的期望值，ok表示第k个输出层神经元的输出值，wjk表示第j个隐含层神经元与第k个输出层神经元间的权重，yj表示第j个隐含层神经元的输入信号，vij表示第i个输入层神经元与第j个隐含层神经元间的权重，xi表示第i个输入层神经元接收的原始信号，l表示输出层的神经元个数，m表示隐含层的神经元个数，n表示输入层的神经元个数，f()表示激励函数。

39、本发明的有益效果：

40、针对调频连续波雷达(fmcw)提取人的生命体征信号易受噪声干扰且重构精度较低的问题，本发明提出一种基于改进bp神经网络的人体呼吸心跳检测方法。首先运用改进的自适应完全集成经验模态分解算法(iceemdan)分解雷达提取的胸腔信号，得到若干个具有不同空间尺度的模态函数(imf)，然后通过遗传算法(ga)改进的bp神经网络对imf分量进行端点效应的抑制并优化。仿真结果显示，本发明具有良好的噪声鲁棒性，能有效分离噪声并准确提取呼吸和心跳信号，提高体征信号的重构精度和信噪比。

41、本发明还采用小波去噪算法在执行iceemdan算法前对雷达原始胸腔信号进行处理。小波去噪算法能够自适应地选择阈值，因此可以更好地保留信号的细节信息，同时能够准确地估计噪声的方差，因此去噪效果比较好。将去噪处理后的雷达生命信号继续进行iceemdan分解以及后续优化比直接进行分离效果更好，可以在保留信号原始特性的同时降低信号本身的噪声含量，有利于提高后续分解后信号的精度和信噪比。