劉影，董升華

(遼寧工程技術(shù)大學(xué) 電子與信息工程學(xué)院，遼寧 葫蘆島 125105)

近年來(lái)，隨著社會(huì)經(jīng)濟(jì)的發(fā)展和人們生活水平的提高，人們對(duì)自身身體健康的關(guān)注度也越來(lái)越高.大多數(shù)傳統(tǒng)的生命體征監(jiān)測(cè)方法需要使用接觸式設(shè)備，如呼吸監(jiān)測(cè)帶記錄器、指夾式血氧檢測(cè)儀、貼片式心率儀等，這些方式需要貼身穿戴，給用戶帶來(lái)諸多不便.

隨著無(wú)線通信技術(shù)的發(fā)展，非接觸式生命體征監(jiān)測(cè)技術(shù)逐漸成為研究熱點(diǎn).目前已有基于多普勒雷達(dá)[1]、調(diào)頻連續(xù)波 (Frequency Modulated Continuous Wave,FMCW) 雷達(dá)[2-3]和超寬帶雷達(dá)[4]的研究方案.但這些系統(tǒng)存在一系列缺點(diǎn).多普勒雷達(dá)容易受到雜波噪聲和多徑反射的影響，而調(diào)頻連續(xù)波雷達(dá)和超寬帶雷達(dá)的成本相對(duì)較高，且增加了系統(tǒng)的硬件要求和復(fù)雜性.以上這些方式都需要持有專(zhuān)用的無(wú)線設(shè)備來(lái)進(jìn)行檢測(cè)，不方便廣泛部署.

早期研究人員采用信號(hào)接收強(qiáng)度(Received Signal Strength,RSS)來(lái)進(jìn)行呼吸監(jiān)測(cè)，但是RSS 信號(hào)易受環(huán)境變化和多徑效應(yīng)的影響，導(dǎo)致RSS 信號(hào)可能會(huì)產(chǎn)生波動(dòng)效應(yīng)，引起算法監(jiān)測(cè)性能的下降.與RSS 信號(hào)不同，信道狀態(tài)信息(Channal State Information,CSI)是比RSS 更細(xì)粒度的信號(hào)，位于無(wú)線通信協(xié)議的物理層，可以反映小尺度衰落和微運(yùn)動(dòng)引起地多徑效應(yīng)，對(duì)環(huán)境噪聲更具抗干擾性，因此CSI 在生命體征監(jiān)測(cè)、動(dòng)作識(shí)別[5]、跌倒檢測(cè)[6]等領(lǐng)域得到了廣泛應(yīng)用.Liu等[7]第一次使用CSI振幅信息監(jiān)測(cè)睡眠時(shí)的生命體征，證明了可以通過(guò)分析CSI 振幅的功率譜密度監(jiān)測(cè)人的心率.Wang等[8]利用相位差消除相位偏移和噪聲，從而獲得更加穩(wěn)定的相位信息監(jiān)測(cè)生命體征.戴歡等[9]利用線性變換消除相位偏移和噪聲，線性變換不僅可以消除相位偏移和噪聲，還能進(jìn)一步消除恒定相位誤差，獲得更加真實(shí)的相位波動(dòng)情況以監(jiān)測(cè)生命體征.張大慶等[10]將菲涅爾區(qū)理論引入基于Wi-Fi 的CSI信號(hào)的呼吸檢測(cè)中，為無(wú)線感知技術(shù)研究提供了新的視角和理論依據(jù).

文獻(xiàn)[11-12]根據(jù)菲涅爾區(qū)衍射模型指出基于Wi-Fi 的小尺度識(shí)別活動(dòng)中存在感知盲區(qū).現(xiàn)有的解決方法主要有利用幅度與相位的互補(bǔ)性和利用多載波菲涅爾區(qū)的互補(bǔ)性.馬程程等[13]提出利用幅度和相位的互補(bǔ)性解決感知盲區(qū)問(wèn)題，但是相位信息由于存在相位偏移且易受噪聲影響需要線性變換，這極大增加了系統(tǒng)的運(yùn)行時(shí)間和計(jì)算量.因此探索一種單純使用CSI 幅度信息方法對(duì)解決小尺度活動(dòng)識(shí)別中的感知盲區(qū)具有重要意義.

復(fù)雜網(wǎng)絡(luò)已經(jīng)廣泛應(yīng)用于物理學(xué)、數(shù)學(xué)、生物學(xué)、社會(huì)學(xué)等一系列學(xué)科中，在信息傳播預(yù)測(cè)[14]、大氣污染物研究[15]和方位檢測(cè)[16]等領(lǐng)域得到了廣泛應(yīng)用.上述的研究工作表明，將時(shí)間序列數(shù)據(jù)轉(zhuǎn)換為復(fù)雜網(wǎng)絡(luò)可以揭示數(shù)據(jù)之間的內(nèi)在聯(lián)系，更有效地分析數(shù)據(jù)，提高算法的性能.

綜上分析，本文提出了一種基于可視圖法的多載波生命體征監(jiān)測(cè)算法.該算法將網(wǎng)絡(luò)分析方法應(yīng)用于基于CSI 的生命體征監(jiān)測(cè)中，充分利用子載波之間的相關(guān)性，構(gòu)建高感知性能的生命體征的特征模型.該算法首先采用Hampel 濾波器，濾除直流分量和異常點(diǎn)；然后對(duì)每個(gè)數(shù)據(jù)包所包含的子載波的CSI 數(shù)據(jù)構(gòu)建一個(gè)復(fù)雜網(wǎng)絡(luò)，利用可視圖法提取出合適的網(wǎng)絡(luò)特征參數(shù)，得到由網(wǎng)絡(luò)特征參數(shù)構(gòu)成的數(shù)據(jù)；最后對(duì)該數(shù)據(jù)進(jìn)行離散小波變換提取正常呼吸和心跳頻率范圍內(nèi)的生命體征信息，呼吸頻率估計(jì)采用峰值檢測(cè)算法，可以有效去除假峰并估計(jì)出的呼吸頻率.而心跳頻率估計(jì)采用快速傅里葉算法，在頻域中通過(guò)定位峰值所對(duì)應(yīng)的頻率來(lái)估計(jì)心率.通過(guò)實(shí)驗(yàn)分析，本文所提算法與使用單個(gè)子載波或者其他算法相比具有更好的監(jiān)測(cè)性能.

1 復(fù)雜網(wǎng)絡(luò)與可視圖

復(fù)雜網(wǎng)絡(luò)是具有自組織、自相似、吸引子、小世界、無(wú)標(biāo)度中部分或全部性質(zhì)的網(wǎng)絡(luò).可視圖(Visibility Graph,VG)作為一種構(gòu)建復(fù)雜網(wǎng)絡(luò)的新興算法，可以有效地將時(shí)間序列數(shù)據(jù)轉(zhuǎn)化為復(fù)雜網(wǎng)絡(luò)，用來(lái)解決自然界中復(fù)雜系統(tǒng)的數(shù)據(jù)挖掘問(wèn)題.

具體來(lái)說(shuō)，首先根據(jù)時(shí)間順序?qū)?shù)據(jù)進(jìn)行排序，然后將每個(gè)時(shí)間點(diǎn)視為網(wǎng)絡(luò)中的一個(gè)節(jié)點(diǎn)，根據(jù)可視性規(guī)則將各個(gè)節(jié)點(diǎn)進(jìn)行連接組成一個(gè)復(fù)雜網(wǎng)絡(luò).圖1（a）表示一個(gè)時(shí)間序列，將每個(gè)時(shí)間點(diǎn)視為網(wǎng)絡(luò)中的一個(gè)節(jié)點(diǎn)，根據(jù)可視性規(guī)則將各個(gè)節(jié)點(diǎn)進(jìn)行連接，各個(gè)節(jié)點(diǎn)連接完成之后組成如圖1（b）的網(wǎng)絡(luò).可視圖算法規(guī)則如下：

圖1 VG 分析示例圖Fig.1 Example of VG analysis

式中，a ＜ b ＜ c，如果兩個(gè)節(jié)點(diǎn)滿足上述關(guān)系，則兩個(gè)節(jié)點(diǎn)被認(rèn)為是相互可視的.換句話說(shuō)，當(dāng)兩個(gè)節(jié)點(diǎn)彼此可視時(shí)，兩個(gè)節(jié)點(diǎn)頂部的連線不與任何其他節(jié)點(diǎn)相交.如節(jié)點(diǎn)1 與節(jié)點(diǎn)4 頂部的連線不與其他節(jié)點(diǎn)相交，所以它們彼此之間是可視的，而節(jié)點(diǎn)2和節(jié)點(diǎn)4 頂部的連線與節(jié)點(diǎn)3 相交，這兩個(gè)頂點(diǎn)彼此是不可視的.

2 基于VG 的生命體征監(jiān)測(cè)算法

2.1 系統(tǒng)構(gòu)架本文提出了基于VG 的多載波生命體征監(jiān)測(cè)算法，利用傳統(tǒng)的CSI 幅度數(shù)據(jù)與使用可視圖法提取出的網(wǎng)絡(luò)特征信號(hào)結(jié)合進(jìn)行生命體征監(jiān)測(cè).系統(tǒng)架構(gòu)如圖2 所示，主要包括4 部分：數(shù)據(jù)采集、預(yù)處理、呼吸頻率估計(jì)和心率估計(jì).使用路由器和連著接收天線的臺(tái)式機(jī)采集CSI 數(shù)據(jù).預(yù)處理部分主要包括數(shù)據(jù)校準(zhǔn)、可視圖法提取網(wǎng)絡(luò)特征參數(shù)和離散小波變換.呼吸頻率估計(jì)部分主要有峰值檢測(cè)、假峰去除.心率估計(jì)部分采用了基于快速傅里葉變換（(Fast Fourier Transform，F(xiàn)FT)）的方法.

圖2 生命體征監(jiān)測(cè)系統(tǒng)流程圖Fig.2 Flow chart of vital signs monitoring system

2.2 數(shù)據(jù)校準(zhǔn)為了獲得更魯棒的CSI 數(shù)據(jù)，本文采用數(shù)據(jù)校準(zhǔn)去除直流分量和異常點(diǎn).使用Hampel 濾波去除直流分量，直流分量影響峰值檢測(cè)和FFT 頻率估計(jì).與傳統(tǒng)的僅去除高頻噪聲的數(shù)據(jù)校準(zhǔn)方法不同，本文使用Hampel 濾波器對(duì)原始CSI 數(shù)據(jù)進(jìn)行去趨勢(shì)化.利用Hampel 濾波器獲得原始數(shù)據(jù)的基本趨勢(shì)，數(shù)據(jù)預(yù)處理過(guò)程如圖3 所示，首先設(shè)置Hampel 濾波器的滑動(dòng)窗口為1 000，閾值為0.01，得到原信號(hào)x1的基本趨勢(shì)信號(hào)x2.然后從原信號(hào)中減去基本趨勢(shì)信號(hào)，得到去趨勢(shì)信號(hào)x3.最后，設(shè)置滑動(dòng)窗口為500，閾值為3，去除異常值和高頻噪聲，得到去噪后的信號(hào)x4.

圖3 數(shù)據(jù)預(yù)處理過(guò)程對(duì)比圖Fig.3 Comparison chart of data preprocessing process

2.3 可視圖法提取網(wǎng)絡(luò)特征參數(shù)

2.3.1 算法原理 為了構(gòu)建VG 算法需要的時(shí)間序列，本文將收集到的CSI 信息從時(shí)域擴(kuò)展到頻域，對(duì)子載波的中心頻率進(jìn)行排序，將排序后的頻率作為VG 的時(shí)間序列，然后將可視圖法應(yīng)用于已排序的子載波.因此，本文研究的是相鄰子載波之間的相關(guān)性，而不是時(shí)間序列的相關(guān)性.如圖4（a）所示的30 個(gè)子載波.每個(gè)子載波對(duì)應(yīng)于網(wǎng)絡(luò)中的一個(gè)節(jié)點(diǎn).根據(jù)可視性規(guī)則將這些節(jié)點(diǎn)進(jìn)行連接，得到一個(gè)復(fù)雜的網(wǎng)絡(luò).如圖4（b）所示.

圖4 CSI 數(shù)據(jù)的VG 分析示例Fig.4 Example of VG analysis for CSI data

在基于VG 得出復(fù)雜網(wǎng)絡(luò)后，需要提取出具有代表性的網(wǎng)絡(luò)參數(shù)，本文選取平均聚類(lèi)系數(shù)作為網(wǎng)絡(luò)參數(shù).聚類(lèi)系數(shù)的定義如下所示：

式中，Ci是節(jié)點(diǎn)i的聚類(lèi)系數(shù)，τi,Δ是以節(jié)點(diǎn)i為中心的閉合三元組的數(shù)量，τi是網(wǎng)絡(luò)中三元組的總數(shù).因此，平均聚類(lèi)系數(shù)的定義為：

式中，N是網(wǎng)絡(luò)中的節(jié)點(diǎn)總數(shù).在提取出每個(gè)數(shù)據(jù)包的網(wǎng)絡(luò)參數(shù)后，得到一個(gè)有網(wǎng)絡(luò)參數(shù)構(gòu)成的信號(hào).

2.3.2 算法優(yōu)勢(shì) 由于呼吸和心跳活動(dòng)的幅度往往只有毫米級(jí)或厘米級(jí)，無(wú)法穿越一個(gè)完整的菲涅爾區(qū)，使得接收到信號(hào)的波形只是一個(gè)片段，該信號(hào)的模式與被感知目標(biāo)所處的位置有關(guān).如圖5所示，被感知目標(biāo)在位置a、b、c、d 處運(yùn)動(dòng)時(shí)，波動(dòng)模式是不同的，在位置a、c 對(duì)應(yīng)的片段信號(hào)波動(dòng)大，而位置b、d 對(duì)應(yīng)的片段信號(hào)波動(dòng)小而容易被噪聲淹沒(méi)，因此位置b、d 既菲涅爾邊界處為生命體征監(jiān)測(cè)的感知盲區(qū).

圖5 感知盲區(qū)Fig.5 Perception of blind area

不同的子載波的中心頻率是不同的，從而導(dǎo)致所對(duì)應(yīng)的波長(zhǎng)會(huì)有稍微不同，由菲涅爾半徑公式可知波長(zhǎng)λ會(huì)影響菲涅爾半徑的大小，所以不同子載波的菲涅爾半徑的大小也會(huì)有稍微不同.載波中心頻率相差越大，所對(duì)應(yīng)的菲涅爾半徑相差也就越大，菲涅爾半徑計(jì)算公式如下：

式中，k為菲涅爾區(qū)序號(hào)，d1、d2分別為發(fā)射端和接收端到視距路徑中點(diǎn)的距離，λ為載波中心頻率對(duì)應(yīng)的波長(zhǎng).

如圖6 所示，當(dāng)感知目標(biāo)位于一個(gè)菲涅爾區(qū)的感知盲區(qū)時(shí)，可能位于另一個(gè)子載波的非感知盲區(qū).因此可以利用多載波菲涅爾區(qū)解決感知盲區(qū)問(wèn)題.目前基于802.11n 協(xié)議的Wi-Fi 技術(shù)使用了56個(gè)子載波，而我們利用Daniel Halperin 提供的CSITools 工具軟件只可以獲取其中的30 個(gè)子載波.由式(4)可知載波中心頻率相差越大，菲涅爾半徑相差也就越大.為了盡可能地使感知目標(biāo)位于某一菲涅爾區(qū)的非感知盲區(qū)，本文利用了可以獲取到的30 個(gè)子載波之間的相關(guān)性進(jìn)行建模，所提取出的網(wǎng)絡(luò)參數(shù)包含了30 個(gè)子載波的信息，可以有效解決由于菲涅爾相位的存在導(dǎo)致的單個(gè)子載波存在感知盲區(qū)問(wèn)題.

圖6 多載波菲涅爾區(qū)Fig.6 Multicarrier wave Fresnel region

采用幅度與相位結(jié)合[17]的方法雖然可以有效避免位置依賴性和感知盲區(qū)問(wèn)題，但CSI 相位信息存在相位偏移，且易受到環(huán)境中的噪聲影響，現(xiàn)有的解決方法主要有相位差和線性變換.然而，相位差只能去除相位的定時(shí)偏移和噪聲，無(wú)法去除恒定相位誤差[13].線性變換雖然可以去除恒定相位誤差，但是極大地增加了系統(tǒng)的運(yùn)行時(shí)間和計(jì)算量.

2.4 基于離散小波變換的生命體征信息提取通過(guò)2.3 節(jié)方法得到去除了噪聲和異常點(diǎn)的時(shí)域信號(hào)，接下來(lái)利用離散小波變換(Discrete Wavelet Transform,DWT)提取出正常呼吸和心跳頻率范圍內(nèi)的信號(hào).DWT 可以實(shí)現(xiàn)數(shù)據(jù)的時(shí)-頻域表示，不僅可以在時(shí)域和頻域提供最佳分辨率，而且可以對(duì)數(shù)據(jù)進(jìn)行多尺度分析.使用DWT 后的數(shù)據(jù)可以分解為不同尺度下的近似系數(shù)分量和細(xì)節(jié)系數(shù)分量，如圖7 所示.

圖7 離散小波變換結(jié)果圖Fig.7 Result graph of discrete wavelet transform

由于呼吸和心跳都屬于小尺度運(yùn)動(dòng)，易受環(huán)境噪聲干擾，較低的采樣頻率并不能有效地監(jiān)測(cè)呼吸和心跳，因此本文根據(jù)呼吸和心跳的頻率特點(diǎn)選擇采樣頻率為480 Hz，進(jìn)行9 次離散小波變換后，細(xì)節(jié)系數(shù)d8 的頻率范圍為0.937 5～1.875 Hz，近似系數(shù)a9 的頻率范圍為0～0.468 75 Hz.由于正常人的呼吸頻率范圍為0.2～0.4 Hz，心率范圍為1～1.66 Hz，所以本文使用細(xì)節(jié)系數(shù)d8 表征心跳信息，近似系數(shù)a9 表征呼吸信息.提取出呼吸和心跳信號(hào)后，根據(jù)它們的特點(diǎn)分別使用不用的方法進(jìn)行估計(jì)，由于使用FFT 的方法估計(jì)呼吸頻率的精度不高，而心跳信號(hào)的小峰值幾乎不可見(jiàn)，使用峰值檢測(cè)的方法無(wú)法有效提取出心跳信號(hào).所以本文使用峰值檢測(cè)的方法估計(jì)呼吸頻率，使用FFT 的方法估計(jì)心率.

2.5 呼吸頻率估計(jì)正常人的呼吸頻率范圍為0.2～0.4 Hz，所以本文對(duì)離散小波變換后近似系數(shù)分量a9 進(jìn)行峰值檢測(cè)，對(duì)所有峰-峰間隔進(jìn)行平均，得到平均呼吸周期，最后求出呼吸頻率.

在峰值檢測(cè)過(guò)程中會(huì)出現(xiàn)很多假峰.為了濾除假峰.本文根據(jù)最小呼吸周期原則檢測(cè)每個(gè)峰的半寬以去除假峰.如圖8 所示，具體來(lái)說(shuō)，人的呼吸范圍為10～37 次/min，以最大呼吸頻率對(duì)應(yīng)的最小呼吸周期t作為閾值，當(dāng)峰的半寬小于t/2時(shí)，就被判定為假峰.t的計(jì)算公式可表示為：

式中，f為信號(hào)采樣頻率.如圖8 中P2、P4 的半寬小于所設(shè)定的閾值，所以被判定為假峰.而P1、P3、P5、P6、P7、P8 等的半寬大于閾值t，被判定為真峰.

圖8 峰值檢測(cè)后的呼吸信號(hào)Fig.8 Respiratory signal after peak detection

2.6 心率估計(jì)正常人的心率范圍為1～1.66 Hz.本文對(duì)離散小波變換后的細(xì)節(jié)系數(shù)d8(0.937 5～1.875 Hz)進(jìn)行FFT 變換，然后找出頻率范圍內(nèi)最大的峰值，該峰值對(duì)應(yīng)的頻率即為心跳頻率，如圖9 中的心率估計(jì)為1.244 Hz.

圖9 基于FFT 算法的心率估計(jì)Fig.9 Heart rate estimation based on FFT algorithm

3 實(shí)驗(yàn)及分析

3.1 實(shí)驗(yàn)設(shè)置實(shí)驗(yàn)階段，使用連接著3 根全向接收天線的臺(tái)式機(jī)作為接收端，臺(tái)式機(jī)配備有Intel 5300 網(wǎng)卡和開(kāi)源工具CSI-Tools[18]，發(fā)送端使用商用TP-Link 無(wú)線路由器，實(shí)驗(yàn)環(huán)境如圖10 所示，在不同環(huán)境(走廊、實(shí)驗(yàn)室和會(huì)議室)、不同收發(fā)距離與不同人體姿態(tài)等條件下進(jìn)行對(duì)比實(shí)驗(yàn)，實(shí)驗(yàn)由3 名志愿者在一個(gè)月內(nèi)完成，采樣率設(shè)置為480 Hz，使用醫(yī)用多參數(shù)監(jiān)護(hù)儀記錄心率和呼吸的真實(shí)值.

3.2 結(jié)果及分析

3.2.1 評(píng)價(jià)指標(biāo) 本文采用錯(cuò)誤率[19]衡量算法的性能，錯(cuò)誤率是使用最廣泛的分類(lèi)指標(biāo)，其計(jì)算的公式為：

3.2.2 參數(shù)設(shè)置

3.2.2.1 不同天線的影響 接收端采用的是3 根全向接收天線，由于接收設(shè)備的差異和擺放位置的不同，不同的天線對(duì)呼吸和心跳信號(hào)的敏感度不同，本文根據(jù)不同天線的平均方差的大小選擇合適的天線.選擇平均方差最大的天線.本文中，選擇第三根接收天線.圖11 為在實(shí)驗(yàn)室環(huán)境下，收發(fā)距離為1 m，坐在視距路徑中間時(shí)不同天線的監(jiān)測(cè)結(jié)果，所選天線的錯(cuò)誤率最低，證明了本文所選擇天線的方法的合理性.

圖11 不同接收天線的監(jiān)測(cè)性能Fig.11 Monitoring performance of different receiving antennas

3.2.2.2 不同小波函數(shù)的影響 在使用離散小波變換時(shí)，需要選擇合適的小波函數(shù).圖12 顯示了在實(shí)驗(yàn)室環(huán)境下，收發(fā)距離為1 m，坐在視距路徑中間時(shí)不同的小波函數(shù)對(duì)檢測(cè)性能的影響.我們發(fā)現(xiàn)當(dāng)采用小波函數(shù)db1、db2、db3 時(shí)的平均錯(cuò)誤率較高，這說(shuō)明這些小波函數(shù)不適合用來(lái)進(jìn)行呼吸心跳信號(hào)的分解.而采用db4、db5、db8、db9 時(shí)的平均錯(cuò)誤率比較低，其中采用db8 時(shí)的平均錯(cuò)誤率最低.因此，本文采用小波函數(shù)db8 來(lái)進(jìn)行離散小波變換.

圖12 不同小波函數(shù)的監(jiān)測(cè)性能Fig.12 Monitoring performance of different wavelet functions

3.2.3 算法性能分析

3.2.3.1 呼吸 為了驗(yàn)證本文算法的性能，實(shí)驗(yàn)過(guò)程中，收發(fā)距離為1 m，測(cè)試人員坐在胸腔距離地面1 m處，分別在垂直距離視距路徑中點(diǎn)0.5 m和1 m 位置分別進(jìn)行多次實(shí)驗(yàn).其中呼吸監(jiān)測(cè)的性能如圖13 所示.

圖13 呼吸頻率估計(jì)性能分析Fig.13 Analysis of breathing rate estimation performance

從圖13 可以看出，隨著距離的增加，錯(cuò)誤率會(huì)上升.而本文方法的監(jiān)測(cè)性能仍然優(yōu)于僅使用VG的方法和使用單個(gè)子載波的方法.如在垂直距離LOS 路徑中點(diǎn)0.5 m處，使用單個(gè)子載波的方法的呼吸頻率平均錯(cuò)誤率為9.98%，使用VG 的方法的呼吸頻率平均錯(cuò)誤率為7.71%，使用單子載波加VG 的方法的呼吸頻率平均錯(cuò)誤率為6.92%，比使用單個(gè)子載波的方法錯(cuò)誤率降低了3.06%.

3.2.3.2 心跳 心率檢測(cè)的性能如圖14 所示.本文算法的性能與僅使用VG 的方法和使用單個(gè)子載波的方法相比更加穩(wěn)定和優(yōu)異.如在垂直距離視距路徑(Line Of Sight，LOS)路徑中點(diǎn)1 m處，使用單個(gè)子載波的方法的心率平均錯(cuò)誤率為11.66%，使用VG 的方法的心率平均錯(cuò)誤率為10.48%，使用單子載波加VG 的方法的心率平均錯(cuò)誤率為9.4%，比使用單個(gè)子載波的方法錯(cuò)誤率降低了2.26%.

圖14 心率估計(jì)性能分析Fig.14 Analysis of heart rate estimation performance

3.2.3.3 不同收發(fā)距離對(duì)算法性能的影響 圖15顯示了在大教室的環(huán)境中，人坐在視距路徑中間，不同收發(fā)距離（1、2、3、4、5 m）下的呼吸頻率和心率的錯(cuò)誤率.由圖15 可知，隨著收發(fā)距離的不斷增加，平均錯(cuò)誤率也在不斷增加.其中呼吸的平均錯(cuò)誤率由5.44%上升到10.85%，而心率平均錯(cuò)誤率由8.22%上升到11.67%.這是因?yàn)殡S著收發(fā)距離的增加，反射信號(hào)會(huì)減弱，從而影響了監(jiān)測(cè)的性能.

圖15 不同收發(fā)距離對(duì)實(shí)驗(yàn)的影響Fig.15 The influence of different distance between the transmitter and receiver on experiment

3.2.3.4 不同場(chǎng)景對(duì)算法性能的影響 圖16 顯示了在不同的環(huán)境中，收發(fā)距離為1 m，人坐在視距路徑中下的呼吸頻率和心率的錯(cuò)誤率.根據(jù)測(cè)試結(jié)果可以看出，在走廊的環(huán)境下，由于多徑效應(yīng)且反射路徑復(fù)雜，對(duì)信號(hào)的干擾也就較大，導(dǎo)致監(jiān)測(cè)性能較差.而在小教室和實(shí)驗(yàn)室中相對(duì)比較空曠，監(jiān)測(cè)性能較好.

圖16 不同環(huán)境對(duì)實(shí)驗(yàn)的影響Fig.16 The influence of different environment on the experiment

3.2.3.5 不同測(cè)試方位對(duì)算法性能的影響 圖17顯示在大教室環(huán)境中不同的測(cè)試姿勢(shì)對(duì)測(cè)試性能的影響.我們考慮3 種典型常見(jiàn)的姿勢(shì)，坐著、站著和躺著.實(shí)驗(yàn)過(guò)程中，測(cè)試人員位于視距路徑中間，收發(fā)距離為1 m.結(jié)果如圖17 顯示，站著的時(shí)候，呼吸和心跳平均錯(cuò)誤率相比于坐著和躺著的時(shí)候，平均錯(cuò)誤率更高.這是因?yàn)楫?dāng)人站立的時(shí)候身體會(huì)出現(xiàn)抖動(dòng)，而且胸部對(duì)信號(hào)的反射相對(duì)較弱.

圖17 不同姿勢(shì)對(duì)實(shí)驗(yàn)的影響Fig.17 The influence of different posture on the experiment

3.3 本文方法與幅度相位結(jié)合方法的比較通過(guò)2.3.2 節(jié)分析可知，目前針對(duì)感知盲區(qū)的解決方法主要有利用幅度與相位的互補(bǔ)性和利用多載波菲涅爾區(qū)的互補(bǔ)性，本文提出的利用可視圖法的多載波生命體征檢測(cè)算法利用了多載波菲涅爾區(qū)的互補(bǔ)性，在實(shí)驗(yàn)室環(huán)境下，坐在距離LOS 路徑中點(diǎn)1 m處采集30 次數(shù)據(jù)，每次數(shù)據(jù)時(shí)長(zhǎng)30 s，對(duì)兩種解決方法的性能進(jìn)行對(duì)比，結(jié)果如表1 所示.

表1 兩種解決方法錯(cuò)誤率和運(yùn)行時(shí)間比較Tab.1 Comparison of error rate and running time of the two solutions

雖然本文方法的心率錯(cuò)誤率略高于采用幅度于相位結(jié)合的方法，但是呼吸率錯(cuò)誤率低于幅度于相位結(jié)合的方法，且每次的運(yùn)行時(shí)間不到幅度與相位結(jié)合方法的一半.

3.4 不同文獻(xiàn)算法的比較基于上述實(shí)驗(yàn)，利用本文的實(shí)驗(yàn)環(huán)境下采集的數(shù)據(jù)，將本文所提算法與使用CSI 幅度的算法[8]MVSP、使用CSI 相位的算法[11]VSMPC 和使用相位差的算法Phase Beat[10]進(jìn)行比較.呼吸頻率估計(jì)誤差的累計(jì)分布函數(shù)（Cumulative Distribution Function，CDF）結(jié)果如圖18（a）所示，本文算法91%的測(cè)試數(shù)據(jù)的估計(jì)誤差小于3 beat/min，MVSP、VSMPC 和Phase Beat 分別有64%、60%和66%的測(cè)試數(shù)據(jù)的估計(jì)誤差小于3 beat/min.心率估計(jì)誤差的累計(jì)分布函數(shù)如圖18（b）所示，本文算法92%的測(cè)試數(shù)據(jù)的估計(jì)誤差小于3 beat/min，MVSP 和VSMPC 分別有90%、76%和76%的測(cè)試數(shù)據(jù)的估計(jì)誤差小于15 beat/min.本文算法在呼吸頻率估計(jì)和心率估計(jì)中的性能都優(yōu)于MVSP、VSMPC 和Phase Beat.

圖18 不同算法估計(jì)誤差對(duì)比Fig.18 Comparison of estimation errors between different algorithms

4 結(jié)束語(yǔ)

本文提出了一種基于VG 的多載波生命體征監(jiān)測(cè)算法，解決了使用單個(gè)子載波的幅度或相位信息進(jìn)行生命體征監(jiān)測(cè)時(shí)存在感知盲區(qū)問(wèn)題.該算法利用子載波之間的相關(guān)性進(jìn)行建模，利用可視圖法構(gòu)建子載間高感知性能的復(fù)雜網(wǎng)絡(luò)，采用網(wǎng)絡(luò)分析方法提取出網(wǎng)絡(luò)特征參數(shù)，并設(shè)計(jì)用于表示、構(gòu)造多載波信息的網(wǎng)絡(luò)特征信息.在不同環(huán)境、不同收發(fā)距離、不同人體姿態(tài)等條件下進(jìn)行大量實(shí)驗(yàn)，實(shí)驗(yàn)結(jié)果表明，本文所提算法能夠有效監(jiān)測(cè)人體生命體征，與傳統(tǒng)的采用單子載波方法相比錯(cuò)誤率降低了3%左右，具有更好的檢測(cè)性能.此外，本文主要針對(duì)單人的呼吸和心跳頻率進(jìn)行監(jiān)測(cè)，后續(xù)的工作將研究在多人的情況下進(jìn)行生命體征監(jiān)測(cè).