一种基于不可听声音调频连续波的呼吸监测方法与流程

1.本发明涉及医疗设备技术领域，尤其涉及一种基于不可听声音调频连续波的呼吸监测方法。


背景技术：

2.随着移动终端设备的应用和普及，移动通信产业将进入真正的移动信息时代。移动终端不仅具有通信能力，而且已经变成一个综合信息处理平台，越来越智能化。智能手机就是移动终端的一种。它相当于一台微型的计算机，集成了中央处理器、内存以及固化存储介质、输入设备和输出设备。这些输入输出设备其中包含了各种传感器和一些功能性的硬件设备，智能手机内置的传感器可以接收到很多外界的信息并完成对这些信息的处理，以提取出更多有用的信息，以此进行更加智能的交互。在本文中就利用智能手机中的扬声器发射调制的声音信号并通过麦克风接收回声信号，因为人体的呼吸会引起胸腔的起伏，而这种运动会影响发射信号，改变信号的传播路径，我们通过对接收到的回声信号分析处理，通过分析传播路径的改变与呼吸模型的对应关系，最终提取呼吸信号，完成对人类呼吸的感知。
3.利用智能终端设备感知呼吸，首先要了解呼吸的机制。机体在新陈代谢过程中，需要不断地从外界吸取氧气排出二氧化碳，这种机体和环境间的气体交换称呼吸。呼吸可以告知人体的健康状况，是人体最重要的生命体征之一。疾病、毒物或药物的影响，可使呼吸的频率、节律和深浅发生变化。成年人呼吸每分钟超过24次，称为呼吸增快或气促；每分钟呼吸次数低于10次，称为呼吸减慢。例如心源性呼吸频率异常、风湿性心脏瓣膜病(二尖瓣狭窄及关闭不全、主动脉瓣狭窄以关闭不全等)、高血压、心脏病、气管炎等一系列疾病都会引起呼吸频率异常，影响到人们的生活，甚至是威胁生命。所以呼吸频率至关重要，可以作为反映人体健康状况和安全问题的一种标志。我们可以通过呼吸速率，判断受试者的身体是否处于健康的状态，是否受到疾病的威胁。而老年人作为这些疾病的高发病人群，更加需要家人的照顾。尤其是独居老人，在睡觉期间发病，倘若不能被即时发现和救治，将会产生无法挽回的结果。所以本文研究的主要内容聚焦于使用智能手机在室内实现呼吸监测。


技术实现要素：

4.针对上述缺陷或不足，本发明的目的在于提供一种基于不可听声音调频连续波的呼吸监测方法。
5.为达到以上目的，本发明的技术方案为：
6.一种基于不可听声音调频连续波的呼吸监测方法，包括：
7.1)、在人体监测范围内发射经调制的发射信号，使得发射信号能够通过胸腔反射；
8.2)、接收经过反射后的接收信号，并且对接收信号和发射进行预处理，得到消除噪音后的接收信号和发射信号；
9.3)、将预处理后的接收信号与发射信号进行混合处理，得到差频信号；
10.4)、对差频信号进行信号处理，从差频信号的变化中提取呼吸信号，进行人体呼吸监测。
11.所述发射信号为18khz
‑
20khz的高频chirp信号。
12.所述步骤2)对对接收信号和发射进行预处理，得到消除噪音后的接收信号和发射信号，具体包括：
13.2.1、对所述接收信号进行短时傅里叶变换，得到接收信号的时频序列；
14.2.2、遍历整个时频序列，直至找到序列中第一个频率不等于0的点，记为锚点；
15.2.3、遍历结束，得到预处理后的接收信号；
16.2.4、对发射信号预处理，通过短时傅里叶变换，得到发射信号的时频序列；遍历整个时频序列，直至找到序列中第一个频率不等于0的点，记为锚点；
17.2.5、遍历结束，得到预处理后的发射信号。
18.所述步骤3)将预处理信号与发射信号进行混合处理，得到差频信号具体包括：
19.3.1、将预处理后的发射信号和接收信号自锚点之后直至信号结束点之间的数据进行混合，得到混合信号；
20.3.2、选择截止频率为1khz的巴特沃斯低通滤波器消除混合信号中的高频分量，实现低通滤波处理；
21.3.3、计算低通滤波处理后的发射信号与接收信号之间的频率差，得到差频信号。
22.所述步骤4)对差频信号进行信号处理，从差频信号的变化中提取呼吸信号，具体包括：
23.4.1、计算基于差频信号的psd信号：
24.p＝k|s(f)|2，其中，
25.公式中，s(f)为差频信号，s(t)短时傅里叶变换后的序列，k为是实值的标量，其中fs为采样频率，w(n)为窗口函数，l为s(t)实现短时傅里叶变换时设置的窗口数量；
26.4.2、对psd信号进行除燥处理；
27.4.3、对除燥处理后的psd信号进行分割，然后，输入到慢特征分析算法中，从环境背景中提取呼吸信号；
28.4.4、利用峰值监测算法检测呼吸信号中呼吸波形的峰值个数，计算呼吸速率，实现人体呼吸监测。
29.所述对psd信号进行除燥处理具体包括：
30.通过自适应的信号规整算法，消除由于差频信号自身干扰导致的psd信号的噪音。具体过程如下：
31.(1)设置了一个长度为l的滑动窗口计算差频信号的标准差，的得到一个标准差序列s_std＝{s_std1,s_std2,
……
,s_stdn}。l的长度小于chirp信号的一个扫频周期，此操作的目的是体现无效信号对psd信号造成的波动性；
32.(2)然后，遍历std序列，采用动态阈值的方法识别无效信号的起始点和结束点。经过多次实验：最终选择设置一个长度为l1的滑动窗口，计算基于滑动窗口信号的均值为动态阈值实现无效信号的识别和消除。
33.(3)确定阈值之后，紧接着识别无效信号的起始点和结束点。首先，确定无效信号的起始点。
34.所述除燥处理后的psd信号进行分割，然后，输入到慢特征分析算法中，从环境背景中提取呼吸信号，具体包括：
35.4.3.1、将输入的psd信号分割若干个长度为n个采样点的等长片段，完成第一次分割；
36.4.3.2、对每个等长的片段使用基于延时的分割方法再次分片，对每个等长的片段递增式增加单位延时，且每个再次分片有重叠部分；
37.4.3.3、最终将一列δ维的psd数据n，分割为c列m维的psd矩阵m；n，m表示为：
[0038][0039]
其中，δ表示延迟δ个采样点。
[0040]
4.3.4、将矩阵作为输入信号输入到慢特征分析算法中，提取呼吸信号。
[0041]
所述将矩阵作为输入信号输入到慢特征分析算法中，提取呼吸信号，其原理为：
[0042]
慢特征分析算法分为学习过程(或称为训练过程)和测试过程。而在本文中，实现学习过程，从接收到的回声信号中提取出缓慢变化的呼吸信号。在慢特征分析的学习过程中，假设输入信号和输出信号分别是x(t)和y(t)。假设输入信号为x(t)＝[x1(t),......,x
i
(t)]
t
，输出信号y(t)＝[y1(t),......,y
j
(t)]
t
。目的是找到一个输入
‑
输出函数g(x)＝[g1(x),......,g
j
(x)]
t
，生成j维的输出信号。输出信号y(t)是一个矩阵，需要从这个序列中筛选出最优的结果，假设最优结果为y(t)中的第j个分量y
j
(t)。则y
j
(t)满足：δ(y
j
(t))＝<y
′
j(t)>2最小，y
′
j
(t)为y(t)的一阶导数。确定该目标表达式后，为该表达式添加约束条件，如式(2
‑
7)
‑
式(2
‑
9)。
[0043]
<y
j
>＝0
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2
‑
7)
[0044][0045][0046]
式(2
‑
7)～式(2
‑
9)中约束条件(2
‑
7)是为了满足约束条件(2
‑
8)和约束条件(2
‑
9)的要求；约束条件(2
‑
7)的作用是保证输出信号携带有用信息，避免一些简单的解决方案使得输出信号变成常数；约束条件(2
‑
9)表示去相关，使得各分量承载的信息互相不重叠。经过计算，输出信号的每一维y
j
都表示信号中不同类型的信息，同时，约束条件(2
‑
8)也使得输出信号中y1是变化最缓慢的，y2的变化缓慢的程度其次，y3更次之，依次类推。
[0047]
具体包括：
[0048]
将矩阵的数据输入sfa中，得到输出信号y(t)，y(t)中的结果按照δ(y
j
(t))从小到大的顺序排列，选取y(t)第一列作为最优解；如果y(t)中的最优解不能达到预期的要求，
则将y(t)为作为输入函数x(t)，然后重复上述的步骤，直至两次δ(y
j
(t))的差值小于0.01。所述利用峰值监测算法检测呼吸信号中呼吸波形的峰值个数，计算呼吸速率，具体包括：
[0049]
4.4.1、设置滑动窗口长度wn、后窗口长度wnb、以及呼吸信号序列b(t)，4.4.2、计算滑动窗口的最大值为p，后窗口的最大值为s。
[0050]
4.4.3、判断两个窗口中是否出现异常值，若出现异常值，则消除异常值。若无异常值，则继续。
[0051]
4.4.4、如果p的峰值小于s的峰值且两点之间的间距小于一个呼吸间隔，则认为s是一个呼吸波峰。如果两点之间的间距大于一个呼吸间隔，则认为p为一个呼吸波峰，则s视为p，进行4.4.3步骤。如果p的峰值大于s，则窗口向后移动，继续进行4.4.3步骤。
[0052]
4.4.5、进行二次扫描，将不在阈值区间[thr1,thr2]的波峰值删除。thr1＝μ
result
‑
σ
res
；thr2＝μ
result
σ
result
//μ
result
为result均值，δ
result
为result标准差。
[0053]
4.4.6、得到呼吸信号中的准确的峰值数量bn。
[0054]
所述计算呼吸速率为：
[0055]
峰值数量n即为呼吸个数，通过呼吸个数n与第一次等长分割的数据长度fn关系，计算呼吸速率v
b
：
[0056][0057]
其中，fs为采样频率。v
b
表示分钟的呼吸速率，单位为bpm。bpm表示每分钟呼吸的次数；根据呼吸速率v
b
公式,计算出每分钟的呼吸个数，即呼吸速率，判断是否存在呼吸异常的情况。
[0058]
与现有技术比较，本发明的有益效果为：
[0059]
本发明提供了一种基于不可听声音调频连续波的呼吸监测方法，在无需额外硬件配置，仅仅利用智能手机内置的扬声器和麦克风，使用人耳感知不到的高频声音信号，利用声音信号回波完成人体呼吸监测，相对于发射信号来说，人体的呼吸是一种缓慢变化的特征。根据这一特点，引入非监督的慢特征分析算法从快速变化的信号中提取出相对微尺度的呼吸信号，达到通过使用智能手机在室内实现呼吸监测的目的。
[0060]
进一步地，本发明提出了自适应的信号规整算法消除差频信号的自身干扰，减少呼吸信号提取过程中的误差。
[0061]
进一步地，本发明使用的不可听的声音信号的频率远大于人体的呼吸频率，相对于发射信号来说，人体的呼吸是一种缓慢变化的特征。根据这一特点，引入非监督的慢特征分析算法从快速变化的信号中提取出相对微尺度的呼吸信号。
[0062]
进一步地，根据慢特征分析算法提取出的呼吸信号由峰值变化体现呼吸变化的特点，设计一种峰值检测算法，减少错误峰值的出现，提高呼吸监测结果的准确性。
附图说明
[0063]
图1是本发明基于不可听声音调频连续波的呼吸监测方法流程图；
[0064]
图2是本发明调频连续波差频信号图；其中(a)是发射信号和接收信号图，(b)是差频信号图；
[0065]
图3是本发明除燥前差频信号图；
[0066]
图4是本发明基于差频信号的psd信号图；
[0067]
图5是本发明噪声起始点和结束点识别示意图；
[0068]
图6是本发明延时分割图；
[0069]
图7是本发明特征提取过程图；
[0070]
图8是标准峰值检测结果图；
[0071]
图9是本发明峰值检测结果图；
[0072]
图10是本发明不同距离的影响检测结果图；
[0073]
图11是本发明不同角度的影响检测结果图；
[0074]
图12是本发明不同环境的影响检测结果图；
[0075]
图13是本发明不同用户的影响检测结果图。
具体实施方式
[0076]
下面将结合附图对本发明做详细描述，显然，所描述的实施例仅仅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，都属于本发明的保护范围。
[0077]
针对不同场景、不同人群的呼吸监测。除了复杂或特殊场景的工作外，普通室内环境的呼吸监测的挑战一般有以下几点：
[0078]
呼吸是微小运动。本发明是根据呼吸会引起胸腔起伏这一直观表现实现非接触式的呼吸监测的相关研究。但是胸腔起伏的幅度与其他身体活动相比幅度小，大约1cm
‑
2cm，这就给呼吸信号的提取带来了巨大的挑战。
[0079]
准确性。因为呼吸是反应人体健康状况和安全问题的最终要的生物性标志之一，有关健康和安全的问题是人们关注的焦点之一。所以，呼吸信号提取和呼吸速率计算的准确性同样是呼吸监测相关工作追求的目标。在不同的环境中实现呼吸监测具有鲁棒性。本发明的目标就是使用商用的声学设备实现呼吸频率的准确监测。采用基于声音信号的fmcw技术，发射18khz
‑
20khz的高频chirp信号。这个频段的信号，只有极少数人才能听的到，不会给被监测这带来不适感。
[0080]
具体地，如图1所示，本发明提供了一种基于不可听声音调频连续波的呼吸监测方法，包括：
[0081]
1)、在人体监测范围内发射经调制的发射信号，使得发射信号能够通过胸腔反射；
[0082]
本发明主要采集三种数据：发射信号、接收信号和真实数据。在进行呼吸监测时，用户手持手机在距离胸腔一定的距离的位置上进行监测，利用手机app控制手机内置的扬声器和麦克风，将发射信号和麦克风记录的接收信号保存为pcm文件。同时，使用3导联心电监护仪heal force pc
‑
80b作为真实数据。
[0083]
另外，采用基于声音信号的fmcw技术，发射18khz
‑
20khz的高频chirp信号，扫频周期为0.08s。这个频段的信号，只有极少数人才能听的到，不会给被监测这带来不适感。
[0084]
2)接收经过反射后的接收信号，并且对接收信号和发射进行预处理，得到消除噪音后的接收信号和发射信号；
[0085]
2.1、对所述接收信号进行短时傅里叶变换，得到接收信号的时频序列；
[0086]
2.2、遍历整个时频序列，直至找到序列中第一个频率不等于0的点，记为锚点；
[0087]
2.3、遍历结束，得到预处理后的接收信号；
[0088]
2.4、对发射信号预处理，通过短时傅里叶变换，得到发射信号的时频序列；遍历整个时频序列，直至找到序列中第一个频率不等于0的点，记为锚点；
[0089]
2.5、遍历结束，得到预处理后的发射信号。
[0090]
使用程序控制扬声器和麦克风的打开和关闭，由于程序控制麦克风启动时，麦克风不会立即开始采集数据，而是需要经过一段很短的延迟。本节中使用一种朴素的频率检测的方法消除因延迟而产生的空数据。具体过程如下：首先通过短时傅里叶变换(short
‑
time fourier transform,stft)得到接收信号的时频序列，然后遍历整个时频序列，直至找到序列中第一个频率不等于0的点，记为锚点，遍历结束。之后同样对发射信号应用stft，将发射信号和接收信号从第一个采样点到锚点之间的数据删除，将发射信号和接收信号自锚点之后直至信号结束点的之间的数据输入到下一步骤中，进行混合。
[0091]
3)、将预处理后的接收信号与发射信号进行混合处理，得到差频信号；
[0092]
3.1、将预处理后的发射信号和接收信号自锚点之后直至信号结束点之间的数据进行混合，得到混合信号；
[0093]
3.2、选择截止频率为1khz的巴特沃斯低通滤波器消除混合信号中的高频分量，实现低通滤波处理；
[0094]
3.3、计算低通滤波处理后的发射信号与接收信号之间的频率差，得到差频信号。
[0095]
所述差频信号包含有效信号s
e
和无效信号s
i
两部分，通过公式计算发射信号从第一个扫频周期t起的差频信号f
b
：
[0096][0097]
其中，n表示为发射信号的第n个扫频周期，n＝1，2，3，
……
，t为扫频周期，v为声音速度，d为设备到反射物之间的距离。
[0098]
呼吸在人体上最直观的表现就是胸腔的起伏。当用户手持手机在距离胸腔的某个位置进行呼吸监测时，手机通过扬声器发射调制的chirp信号，如图2(a)所示，第一条为发射信号的频率，信号通过胸腔反射后，由麦克风采集。因此，可以追踪因呼吸引起的胸腔起伏导致信号路径发生的变化，并根据该变化提取呼吸信号。信号路径发生改变即发射信号与接收信号的频率差发生变化，从频率差的变化进行中提取呼吸信号。
[0099]
根据c
‑
fmcw[1]推导的距离与差频信号关系公式，
[0100][0101]
可知发射信号和接收信号的频率差与胸腔到智能手机之间的距离呈正比关系。因此，通过追踪发射信号和接收信号差频信号的方式可以达到监测呼吸的目的，称这种频率差为差频信号。
[0102]
距离与差频信号呈正比关系，不需要估算胸腔和智能手机之间真实的距离，而是通过追踪差频信号的变化，从差频信号的变化中提取呼吸信号。本发明中使用基于差频信号的能量谱密度信号捕捉差频信号频率的变化。虽然可以通过能量谱密度信号捕捉差频信
号频率的变化，但是差频信号自身存在干扰，会对后续使用慢特征分析算法提取的呼吸信号造成干扰。所以，接下来通过模拟数据分析差频信因呼吸引起的胸腔起伏导致信号路径发生的变化，并根据该变化提取呼吸信号。
[0103]
观察图2(b)所示的差频信号(下方线条表示距离较近反射物计算的差频信号的频率，上方线条表示距离较远的反射物计算的差频信号的频率)，图2(b)中黑框中的信号在本文中被视为“噪声”，即差频信号的自身干扰。“噪声”与距离的关系与模型的表示相反。“噪声”不会用于呼吸信号的提取。经过多次的模拟实验，发现不同距离物体的反射的信号得到的差频信号都存在这种“噪声”，而且无法通过滤波器滤除。所以，本发明提出一种信号规整算法对信号进一步的噪声消除。差频信号中去除“噪声”后，计算psd信号，并将psd信号作为慢特征分析算法输入数据提取呼吸信号。
[0104]
4)、对差频信号进行信号处理，从差频信号的变化中提取呼吸信号，进行人体呼吸监测。
[0105]
具体包括：
[0106]
4.1、计算基于差频信号的psd信号：
[0107]
p＝k|s(f)|2，其中，
[0108]
公式中，s(f)为差频信号，s(t)短时傅里叶变换后的序列，k为是实值的标量，其中fs为采样频率，w(n)为窗口函数，l为s(t)实现短时傅里叶变换时设置的窗口数量；
[0109]
4.2、对psd信号进行除燥处理；
[0110]
在真实的室内环境下采集的数据，计算psd信号如图3所示。经过多次实验后，每次实验中绘制的差频信号的频谱图和psd信号的波形图都出现了这种信号周期性凹陷的情况，根据chirp信号参数和图形数值对比，可以确定凹下去的这部分信号，上述的“噪声”，即差频信号自身干扰。为消除这种干扰，本发明提出一种自适应的信号规整算法，消除由于差频信号自身干扰导致的psd信号的“噪声”。
[0111]
由图3所示，“噪声”有规律的分布在差频信号中，并且psd幅值低于有效部分，也就是在处理到“噪声”的时候，信号有明显的波动，因此，本文采用基于信号标准差的方法实现“噪声”的识别和减除。算法具体实现过程：
[0112]
(1)设置了一个长度为l的滑动窗口计算差频信号的标准差，的得到一个标准差序列s_std＝{s_std1,s_std2,
……
,s_stdn}。l的长度小于chirp信号的一个扫频周期，此操作的目的是体现无效信号对psd信号造成的波动性；
[0113]
(2)然后，遍历std序列，采用动态阈值的方法识别无效信号的起始点和结束点。经过多次实验：最终选择设置一个长度为l1的滑动窗口，计算基于滑动窗口信号的均值为动态阈值实现无效信号的识别和消除。
[0114]
(3)确定阈值之后，紧接着识别无效信号的起始点和结束点。首先，确定无效信号的起始点。
[0115]
(4)最后一步确定无效信号的结束点，观察图5中的d点为标准差序列中符合无效信号结束位置的一个判定点，与实际无效信号的结束点的e点位置同样存在差距。为了能够最大限度的将“噪声”识别，所以，将d点的位置加上误差经验值η的位置判定为“噪声”的结
束点e点。确定起始点和结束点，直接在遍历的过程中将无效信号减除。
[0116]
信号规整算法消除差频信号中的“噪声”，差频信号的长度减小，由于后续峰值检测算法使用呼吸间隔的长度作为阈值检测呼吸波峰，因此采用插值算法对psd信号进行差值。将差值生成的数据输入到下一步骤中。
[0117]
4.3、对除燥处理后的psd信号进行分割，然后，输入到慢特征分析算法中，从环境背景中提取呼吸信号；
[0118]
对用户实现长时间的呼吸监测，而且手机中声学设备的采样率为48khz，处理的数据量非常大。所以需要对输入数据实现分割，这样做既可以减少计算的开销提高计算速度、对硬件的要求也相对较低。在图像处理中，会将输入到sfa算法中的数据使用帧差法将视频数据实现分割。本发明中使用一种基于psd信号分割方法。这种分割算法主要分为等长分割和延时分割两个步骤。
[0119]
所述除燥处理后的psd信号进行分割，然后，输入到慢特征分析算法中，从环境背景中提取呼吸信号，具体包括：
[0120]
4.3.1、将输入的psd信号分割若干个长度为n个采样点的等长片段，完成第一次分割；
[0121]
4.3.2、对每个等长的片段使用基于延时的分割方法再次分片，对每个等长的片段递增式增加单位延时，且每个再次分片有重叠部分；具体分割过程如图6所示：
[0122]
4.3.3、最终将一列δ维的psd数据n，分割为c列m维的psd矩阵m；n，m表示为：
[0123][0124]
其中，δ表示延迟δ个采样点。
[0125]
4.3.4、将矩阵作为输入信号输入到慢特征分析算法中，提取呼吸信号。
[0126]
所述将矩阵作为输入信号输入到慢特征分析算法中，提取呼吸信号，具体包括：
[0127]
将矩阵的数据输入sfa中，得到输出信号y(t)，y(t)中的结果按照δ(y
j
(t))从小到大的顺序排列，选取y(t)第一列作为最优解；如果y(t)中的最优解不能达到预期的要求，则将y(t)为作为输入函数x(t)，然后重复上述的步骤，直至两次δ(y
j
(t))的差值小于0.01。
[0128]
慢特征分析算法分为学习过程(或称为训练过程)和测试过程。而在本文中，实现学习过程，从接收到的回声信号中提取出缓慢变化的呼吸信号。在慢特征分析的学习过程中，假设输入信号和输出信号分别是x(t)和y(t)。假设输入信号为x(t)＝[x1(t),......,x
i
(t)]
t
，输出信号y(t)＝[y1(t),......,y
j
(t)]
t
。目的是找到一个输入
‑
输出函数g(x)＝[g1(x),......,g
j
(x)]
t
，生成j维的输出信号。输出信号y(t)是一个矩阵，需要从这个序列中筛选出最优的结果，假设最优结果为y(t)中的第j个分量y
j
(t)。则y
j
(t)满足：δ(y
j
(t))＝<y
′
j
(t)>2最小，y
′
j
(t)为y(t)的一阶导数。确定该目标表达式后，为该表达式添加约束条件，如下式：
[0129]
<y
j
>＝0
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2
‑
7)
[0130][0131][0132]
其中，约束条件(2
‑
7)是为了满足约束条件(2
‑
8)和约束条件(2
‑
9)的要求；约束条件(2
‑
7)的作用是保证输出信号携带有用信息，避免一些简单的解决方案使得输出信号变成常数；约束条件(2
‑
9)表示去相关，使得各分量承载的信息互相不重叠。经过计算，输出信号的每一维yj都表示信号中不同类型的信息，同时，约束条件(2
‑
8)也使得输出信号中y1是变化最缓慢的，y2的变化缓慢的程度其次，y3更次之，依次类推。
[0133]
对psd序列进行上述分割，将矩阵作为输入信号输入到慢特征分析算法中。如图7所示，是呼吸信号的提取过程。使用慢特征分析算法提取呼吸信号由以下两个原因：第一，慢特征分析算法将呼吸信号和背景实现区分。在呼吸信号提取过程中，呼吸信号除了有周期性这一优势外，也存在运动幅度小、反射能量弱等劣势，对提取呼吸信号带来很大的挑战。利用慢特征分析算法就可以将周期性的呼吸信号与背景进行区分。使用无监督的慢特征分析算法从背景中提取人体的活动，缺点是各种动作的区分效果不理想，但是不会对本系统造成影响，因为本发明旨在提取出呼吸一种信号。第二，无监督的慢特征分析算法不需要预先提取呼吸特征，建立呼吸特征数据库。这种方案不需要离线采集特征，减少人力开销。
[0134]
4.4、利用峰值监测算法检测呼吸信号中呼吸波形的峰值个数，计算呼吸速率，实现人体呼吸监测。
[0135]
标准的峰值检测算法可确定信号从上升趋势到下降趋势的转变点。但是，这会导致呼吸引起的胸腔运动信号出现很多错误的峰值，如图6所示，检测许多意外的峰值。所以，提出一种峰值检测算法，它的目标有两个：第一，减少检测过程中出现错误的峰值；第二，可以准确的检测峰值。
[0136]
所述利用峰值监测算法检测呼吸信号中呼吸波形的峰值个数，计算呼吸速率，具体包括：
[0137]
4.4.1、设置滑动窗口长度wn、后窗口长度wnb、以及呼吸信号序列b(t)，
[0138]
4.4.2、计算滑动窗口的最大值为p，后窗口的最大值为s。
[0139]
4.4.3、判断两个窗口中是否出现异常值，若出现异常值，则消除异常值，若无异常值，则继续；
[0140]
4.4.4、如果p的峰值小于s的峰值且两点之间的间距小于一个呼吸间隔，则认为s是一个呼吸波峰，如果两点之间的间距大于一个呼吸间隔，则认为p为一个呼吸波峰，则s视为p，进行4.4.3步骤。如果p的峰值大于s，则窗口向后移动，继续进行4.4.3步骤。
[0141]
4.4.5、进行二次扫描，将不在阈值区间[thr1,thr2]的波峰值删除；其中，。thr1＝μ
result
‑
σ
result
；thr2＝μ
result
σ
result
//μ
result
为result均值，δ
result
为result标准差。
[0142]
4.4.6、得到呼吸信号中的准确的峰值数量bn。
[0143]
所述计算呼吸速率为：
[0144]
通过上述峰值检测算法计算出呼吸信号序列的呼吸波形峰值个数。检测结果如图
7所示。提取呼吸信号后，通过峰值检测算法对慢特征分析算法提取出的呼吸信号实现峰值检测，峰值数量n即为呼吸个数，通过呼吸个数n与第一次等长分割的数据长度fn关系，计算呼吸速率v
b
：
[0145][0146]
其中，fs为采样频率。v
b
表示分钟的呼吸速率，单位为bpm。bpm表示每分钟呼吸的次数；根据呼吸速率v
b
公式,计算出每分钟的呼吸个数，即呼吸速率，判断是否存在呼吸异常的情况。通过实验结果最终估算呼吸速率为17.39bpm，为呼吸正常。当呼吸速率小于10bpm，视为呼吸缓慢；当呼吸速率超过24bpm，视为呼吸急促。呼吸缓慢和呼吸急促均判定为呼吸异常。
[0147]
本发明首先，提出一种基于不可听声音的非监督呼吸监测系统。该系统无需额外硬件配置，仅仅利用智能手机内置的扬声器和麦克风，使用人耳感知不到的高频声音信号，利用声音信号回波完成人体呼吸监测。
[0148]
其次，提出一种基于信号规整的差频信号自干扰消除方法。利用差频信号中低频到高频的跳变特性，消除差频信号中高频率噪声。
[0149]
再次，提出基于慢特征分析的非监督呼吸信号特征提取方法。将基于差频信号的一维能量谱密度信号进行等长分割和延时分割操作后，作为慢特征分析算法的输入数据，最终提取出呼吸信号。
[0150]
最后，在三种室内环境中对12名志愿者进行呼吸监测以评价系统性能。实验结果表明，提出的方法实现了低于2次/分钟的中值误差。该方法对于不同用户、环境噪声、位置(0.4m以内)可以实现有效的呼吸监测。
[0151]
本发明在初步的验证实验中发现，差频信号中存在一种较高频率的分量，这种高频率分量的信号不会被真正用于提取呼吸信号，即差频信号自身存在呼吸信号提取过程中的干扰。因此，本文提出了自适应的信号规整算法消除差频信号的自身干扰，减少呼吸信号提取过程中的误差。
[0152]
本发明使用的不可听的声音信号的频率远大于人体的呼吸频率，相对于发射信号来说，人体的呼吸是一种缓慢变化的特征。根据这一特点，本文引入非监督的慢特征分析算法从快速变化的信号中提取出相对微尺度的呼吸信号。
[0153]
根据慢特征分析算法提取出的呼吸信号由峰值变化体现呼吸变化的特点，设计一种峰值检测算法，减少错误峰值的出现，提高呼吸监测结果的准确性。
[0154]
本发明的效果：
[0155]
(1)在初步的验证实验中发现，差频信号中存在一种较高频率的分量，这种高频率分量的信号不会被真正用于提取呼吸信号，即差频信号自身存在呼吸信号提取过程中的干扰。因此，本发明提出了自适应的信号规整算法消除差频信号的自身干扰，减少呼吸信号提取过程中的误差。
[0156]
(2)本文使用的不可听的声音信号的频率远大于人体的呼吸频率，相对于发射信号来说，人体的呼吸是一种缓慢变化的特征。根据这一特点，本文引入非监督的慢特征分析算法从快速变化的信号中提取出相对微尺度的呼吸信号。
[0157]
(3)根据慢特征分析算法提取出的呼吸信号由峰值变化体现呼吸变化的特点，设
计一种峰值检测算法，减少错误峰值的出现，提高呼吸监测结果的准确性
[0158]
实验结果：
[0159]
为验证基于不可听声音调频连续波的呼吸监测方法的可行性、鲁棒性，本发明制定并实施了大量的实验。有12位受试者参与了该实验，其中包括20至30岁的男性和女性，身高在164cm至191cm之间。本文使用3导联心电监护仪heal force pc
‑
80b作为真实数据。此ecg监护仪的采样率为150hz。本文使用ecg检测到心跳速率，并使用呼吸速率为心跳速率的四分之一作为实验评估的真实数据。
[0160]
1、相对位置的影响：
[0161]
在整个实验过程中，发现人体与智能手机的相对位置，对实验结果同样也会造成不同程度的影响，接下来通过实验量观察不同位置对呼吸监测的影响。本发明中的位置通过目标监测者的与智能之间的距离和角度来表示。
[0162]
所以，接下来分别对距离和角度两个方面进行实验，通过实验结果了解不同的距离和不同角度与呼吸率估计误差的关系。首先，对不同距离进行实验评估。用户在与人体垂直的方向上不同距离的实验。实验结果如图10所示。
[0163]
通过观察得出：呼吸率估计误差随着目标监测对象和智能手机之间的距离增加而增加，当距离为10cm及10cm以内时，平均呼吸误差中值小于0.25bpm。当距离增加至30cm时，呼吸率估计误差中值大于3bpm，呼吸率估计误差增加速率加快。acouradar提出虚拟声波束形成模型(virtual acoustic beamforming model,vabm)。由该模型可以得出，距离与声音强度呈反比，当距离较小时，声音强度的减弱速率较快，随着时间的增加，声音强度的减弱速率会逐渐缓慢。与本文中距离与呼吸率估算误差的关系相同。
[0164]
接下来，通过实验观察角度与呼吸率估计估计误差的关系。本发明分别对三个角度进行测试。当智能手机表表面朝上时，底部扬声器正对目标监测者胸腔的位置表示为90度，实验中，手机沿逆时针方向转动，然后监测70度和35度两个角度的呼吸率估计误差。结果如图11所示。
[0165]
实验结果表明，当智能手机与目标监测者的角度逐渐增大时，呼吸率估计在角度大于70度时，平均呼吸率估计误差不超过1.5bpm，但是当角度再次增加时，智能手机在采集回声信号时，大部分信号被反射，无法被麦克风接收，所以呼吸率估计误差会变大，波动明显，误差较大。
[0166]
2、相对位置的影响：
[0167]
室内陈设和人类活动可能会影响用户行为和信号变化，因此，可能会影响本文提出的呼吸监测方法的性能。本发明中分别分析了从不同的室内环境的采集的用户的呼吸数据。厨房、卧室、客厅三种室内环境：厨房中存在人类活动，但是空间内的陈设较少；卧室内除了被监测的用户，不存在其他的人类活动；而客厅是最为复杂的环境，室内陈设较多各种家具，家用电器；除被监测的用户外，还有其他家庭成员的活动，是一个噪声较为复杂的室内环境。
[0168]
图12为不同室内环境的呼吸率估计误差，实验结果表明：当用户处于人类活动较少的室内环境(卧室)时，虽然呼吸率估计误差的结果波动较大，但是中位数为0.45bpm。相对于另外两个有人类活动的环境，准确率较高。从整体的对比结果来看，在较为复杂的室内环境中，人类活动比室内的环境噪声对本文中提出的呼吸监测方法的影响程度更大。所以，
在其他人类活动较少，或者其他用户距离被监测用户稍远时，本文提出的方法可以有效的估算呼吸速率。
[0169]
3、不同用户的影响：
[0170]
除了上述影响外，还应该考虑不同用户的影响。上述每组对比实验中，均为同一用户进行呼吸监测时的呼吸率估计误差结果。在日常生活中，人们穿着的衣服各有不同，所处的室内环境不同，呼吸特点也存在着较大的差异，为进一步验证本文提出的呼吸监测方法的鲁棒性，本文对不同的用户的呼吸率估计误差进行对比。
[0171]
共有12名志愿者参与实验，每名志愿者穿着不同的衣服随机选择不同的实验环境(客厅、厨房和卧室)完成实验。本节中随机选择其中7名志愿者的实验数据，绘制实验结果如图11所示。
[0172]
通过观察图11，发现用户5的呼吸率估计误差最大，并且结果的波动范围最广。本发明提出的方法无法正确监测其呼吸情况。这是由于，在实验过程中，用户的情绪波动很大，导致其心跳速率的的变化范围为30bpm，呼吸速率和心跳速率的关系不再是线性关系。除了人体本身的影响外，用户的衣服种类对结果也会造成一定的影响。如用户3和用户4在实验时，穿着较厚的毛衣和卫衣，这些衣服不仅减小监测呼吸时胸腔起伏的位移，并且存在一定的吸音效果，减弱信号的能量。所以呼吸率估计误差为4bpm左右。实验结果表明：心跳速率对本文提出的方法影响最大，在用户心情起伏较小时，依旧可以捕获用户的呼吸，计算呼吸速率。
[0173]
对于本领域技术人员而言，显然能了解到上述具体事实例只是本发明的优选方案，因此本领域的技术人员对本发明中的某些部分所可能作出的改进、变动，体现的仍是本发明的原理，实现的仍是本发明的目的，均属于本发明所保护的范围。