甘智高，岳克强，李文钧，孙洁

（杭州电子科技大学 电子信息学院，浙江杭州，310018）

0 引言

呼吸暂停综合征的症状表现为响亮的鼾声突然中断，患者强力呼吸但不起作用，完全呼吸不了，几秒甚至几十秒钟后患者醒来，大声喘息[1]。现有测量呼吸暂停的手段大多为使用PSG（多导睡眠监测仪）检测，此设备需要插入鼻腔，佩戴绑带和指夹式脉搏仪，会给患者带来一定的不适感[2]。荆西京等人提出一种毫米波信号预处理方法，分离了心跳与呼吸信号并且滤除了其他环境杂波[3]。王健琪等人使用毫米波测试了不同情况下表现的波形，证明使用毫米波测量呼吸心率可行[4]。 Tjahjo Adiprabowo 等人使用TI 公司的77GHz毫米波雷达的微小信号测量实验测量呼吸与心率[5]。Yanwen Wang 等人提出使用RFID 测量呼吸心率，将标签贴在衣物上，但是使用场景局限较大，需要贴身测量[6]。

当前毫米波雷达生命体征监测都能得到呼吸率和心率，但是大部分不能准确地恢复出呼吸心跳波形，并且成本较高。毫米波雷达系统的系统噪声会影响回波信号的质量，从而导致呼吸心跳监测准确度低。同时呼吸运动引起的胸腔微动远远大于心跳信号，时域波形图中心跳信号会被淹没在呼吸信号中，呼吸信号的高次谐波成分与心跳信号的频谱也会有重叠，并且人体本身存在心脉系统的生理耦合关系，使得能难用传统方法把心跳信号从毫米波回波信号中很好地分离出来。

由于呼吸、心跳信号具有微弱、低频特性，易受干扰的特性。所以对呼吸心率的分离以及波形还原具有一定的挑战性。我们提出使用非接触式测量方式对睡眠中的呼吸暂停进行监测，使用毫米波雷达，运用多普勒原理，分别测量出呼吸的次数、心率的次数，综合判断呼吸暂停，不需要贴身测量来判断呼吸暂停，降低了使用门槛，提升了用户使用的舒适性。

1 系统总体方案设计

如图1 所示，主控发送DAC 信号，经过一个低通滤波器，给雷达芯片的压控振荡器（Voltage-Controlled Oscillator，VCO），然后得到发射频率后通过发送天线发射。经过物体反射，接收天线反射信号，再经过一级放大；其中一路是放大80 倍通过高通滤波器直接给ADC1 接收，另一路是再经过一级放大3 倍，然后通过高通滤波后给ADC2接收。主控将接收的数据放入SD 卡，并通过串口传输给上位机，并将获取的反射信号信息通过WiFi 或4G 模块传给服务器。

图1 系统总体框图

2 系统硬件设计

■2.1 ARM 主控单元

主控采用NXP 的i.mx6ull 并采用LINUX 系统。使用SD 卡储存来自毫米波雷达的原始数据，并进行快速傅立叶变换（Fast Fourier Transformation，FFT) 以及自适应滤波算法进行解算，将得到的结果通过串口传至上位机可绘制出波形，并通过WiFi 上传至平台储存以便后续查看。

■2.2 毫米波模块及其外围电路

2.2.1 毫米波模块

毫米波模块采用RD2411A，这是一款超小尺寸的24GHz 单通道民用毫米波雷达传感器，具有尺寸小、分辨率高、经济方便等优势。模块与上位机使用串口进行通信，操作简单，便于控制。

2.2.2 DAC 转换芯片

DAC 模块采用TI 公司的DAC902，是一种提供高速数模转换的高性能芯片。VCO 产生的调频信号由于是电流源输出且存在输出电压限制，因此先使用负载电阻将电流信号转换为电压信号，再用运放进行放大。

2.2.3 毫米波接收信号滤波电路

使用Sallen-Key 二阶高通滤波器，考虑到呼吸频率在0.1Hz 以上，做以下滤波设计。电路图如图2 所示，主要由放大器和滤波电容电路构成。

图2 滤波电路图

放大倍数：

截止频率：

3 测量原理

本文采用FΜCW（调频等幅波）与CW（连续波）模式相结合的方式测量呼吸心跳。CW 雷达是连续波雷达，运用多普勒效应，通常用于测速。本文使用CW 模式雷达来测呼吸与心跳频率，使用FΜCW 雷达来精确测距，用以还原呼吸运动信号。

DAC 发送至毫米波VCO 信号以及回波信号如图3 所示。

图3 雷达采集原始信号波形图

其中实线为发送的信号，虚线为回波信号，平的直线即为CW 模式，三角波则为FΜCW 模式。设信号的开始频率为fc，调频带宽B，调频周期T。发射信号频率首先不变，然后经过一个调频周期T 从fc成比例地上升到fc+B，然后回到fc。

■3.1 CW 模式信号处理

CW 模式使用的雷达带宽远小于中心频率：

多普勒频移fd正比于径向速度，而反比于雷达工作波长λ[7]，其中ϕ为相位。由于人的呼吸心跳频率在一定范围内相对固定，所以可以通过频率特性从毫米波回波信号中恢复呼吸心跳，从而判断是否有呼吸暂停进而监测睡眠质量。

成年人呼吸心跳频率如表1 所示。

表1 呼吸心跳幅度频率表

24GHz 雷达波长：

成年人正常呼吸频率12～20 次。也就是说，目标运动频率中0-1Hz 可能为呼吸运动产生的多普勒频移。

正常睡眠心跳频率为55～65 次/分钟。而此范围和呼吸运动产生的多普勒频率会产生混叠。

如图4 所示，左边最高峰呼吸频率，右侧1.17 为心率。

图4 雷达采集信号频谱图

本文采用自适应滤波分离心跳与呼吸信号。算法结构如图5 所示。

图5 自适应滤波算法示意图

X(n)是回波原始信号，w(n)是呼吸信号，d(n)是心跳信号。需要重构一个呼吸信号w'(n)作为参考噪声信号，该信号与w(n)尽可能接近，通过一个不断迭代的过程使得它俩的误差达到最小，从而从原始信号中提取出心跳信号。初始的w'(n)选择的是原始信号通过0.3Hz 低通滤波后的信号。

实验结果如图6 所示。

图6 自适应滤波结果图

其中第一行信号为原始毫米波回波信号，由呼吸信号、心跳信号、体动以及系统噪声的叠加；第二行信号为原始毫米波信号通过0.3Hz 低通滤波器后的信号，作为参考噪声信号；第三行信号为高频的心率信号。

■3.2 FMCW 模式信号处理

本文使用DFT 相位差法对差拍信号进行估计，将长度为N 的采样序列s(n)分为两个长度相同的子序列s1(n)、s2(n)，分别对应前N/2 点与后N/2 点。分别对两个序列做DFT 变换，分别得到相位：

其中f0为频率估计值，相位估计值：

整个信号分离系统分为分解、重组、滤波、平均四个模块。首先将毫米波的回波信号通过经验模态分解成一组IΜF分量；然后按人体呼吸和心跳的频率特性进行分组相加，重组得到类呼吸信号和类心跳信号；然后将类呼吸信号作为自适应滤波的参考信号，通过对毫米波原始信号进行自适应滤波，得到一个从毫米波回波中恢复的心跳信号；最后把该信号与类心跳信号进行信号平均处理，从而得到最终的心跳信号。

4 实验和讨论

如图7 所示为测试环境的搭建，其中红圈所在位置为毫米波雷达所在处，测试者平躺在测试床上，同时开启多导睡眠监测系统PSG 与雷达，并校对时间；雷达向测试者发送CW 波，经过处理的毫米波回波信号通过串口传输实时的在上位机上显示。测试者正常呼吸，屏住呼吸模拟呼吸暂停都能在上位机的波形图上反映出来。

图7 测试环境图

PSG 对比图如图8 所示，其中第一排波形为PSG 的波形，选取了气流数据。第二排波形为从毫米波信号中还原的呼吸波形。可以看到在两条红线之间为呼吸暂停的时间，在没有呼吸气流的时候，运动幅度也几乎为0。且可以从波形的趋势上看出具有较高的相关性，可以基本判断呼吸暂停的时间。

图8 PSG 对比图

本文上位机采用QT 进行开发，可以显示呼吸波形、频谱图以及呼吸率和心率，如图9 所示。并且上位机也提供了波形的缩放控制和播放速度的选择；波形数据以CSV 文件保存。

图9 上位机界面图

在睡眠状态时，体动信号会产生较高频率的杂波，所以在判断呼吸暂停时需要去除高频杂波信号的干扰。同时心率与呼吸暂停有很高的相关性，心率可以辅助进行呼吸暂停判断。

本文还利用蓝牙心电采集模块与毫米波监测系统做了对比实验；以心电采集模块测得的心率信号为基准，验证毫米波监测系统的可行性。其中所用的心电采集模块为BΜD101 模块，这是一款穿戴式的心电采集模块，输出数据为实时波形数据和心率数据，其中频率为512Hz。

蓝牙心电采集模块与毫米波信号得到的心率对比如图10 所示，图中上半部分为毫米波信号中恢复出的心率，下半部分为心电采集模块得到的心率信号。可以看出波形基本可以对齐，误差在1～2 次每分钟。

图10 心电采集信号与毫米波信号对比图

5 结论

本文提出的基于毫米波雷达的非接触式睡眠呼吸监测系统与传统的自适应集合模态分解系统相比，在进行呼吸心跳信号分离时计算量更小，更适合部署在本地终端对信号进行实时处理；同时该系统能够较好地监测到睡眠中的呼吸暂停，且可以还原呼吸心跳波形，可以结合呼吸次数和心跳次数更好地判断呼吸暂停综合征。

同时与传统的传感器主动感知技术相比，本文提出的睡眠呼吸监测系统不要求测试者佩戴专业的传感设备，可以做到真正的非接触式感知，不会给测试者带来任何的不适。在养老院以及个人居家等环境中有一定的应用价值。