文摘

呼吸监测有助于疾病预防和诊断。传统的呼吸监测需要用户在他们的身体穿设备,这是不方便。在本文中,我们的目标是设计一个非接触呼吸率检测系统利用现成的智能手机。我们作为媒体利用单频超声检测呼吸活动。通过分析接收到的超声波信号的内置麦克风传感器在智能手机,我们的系统可以获得用户的呼吸率。我们的方法的优点是传输信号容易产生和信号分析很简单,更低的能耗,因此在日常生活中适用于长期监测。实验结果表明,我们的系统可以实现准确的呼吸率估算在不同场景。

1。介绍

呼吸是一种人类最重要的生命体征。许多慢性疾病可以通过呼吸检测监控,如哮喘和慢性阻塞性肺疾病(1,2]。呼吸监测也可以反映出用户的睡眠和情绪状态。呼吸率的检测是一个关键的功能呼吸监测(3]。大多数现有的可穿戴呼吸率检测设备,例如,呼吸带(4),口鼻气流米(5]。用户需要穿这些设备在呼吸监测胸或脸上,这是极其不方便。因此,这些设备主要适用于医学检查疾病诊断,但不适合长期的日常监控。

克服的缺点可穿戴设备,最近,研究人员开始调查无触点呼吸监测方法。一些作品使用无线信号来检测呼吸率。例如,Abdelnasser等人利用了WiFi信号(6- - - - - -10),拉萨罗等人使用了超宽频信号(11,12],拉赫曼等人用微波雷达检测呼吸(13- - - - - -15]。这些系统需要部署额外的无线接收器传输和接收无线信号,这使得系统昂贵。而不是专门部署无线收发器,一些研究人员提议使用智能手机检测生命体征,在日常生活中更容易访问。一些作品使用内置的惯性传感器在智能手机监测生命体征16- - - - - -19),而另一些人则利用超声波信号进行睡眠呼吸检测和监控(20.,21];他们利用内置扬声器和麦克风在智能手机玩和记录超声波信号,提取有用的信息从他们(如呼吸模式22]。还在我们的论文中,我们将使用超声波作为媒体检测呼吸率。实际上,生命体征检测超声波是一个适当的媒介,因为它可以很容易地生成的智能手机,这是被人沿着时间和适合长期监测。此外,超声波是一种机械波;因此,用户不需要担心电磁辐射长期监测。由于上述优点,超声也被认为是用于其他应用程序,比如活动识别和人机交互23- - - - - -25]。然而,在现有ultrasound-based监测系统、复杂信号如调频连续波(FMCW)或正交频分复用(OFDM)作为载体来进行目标检测,需要复杂的调制和解调信号处理模块。信号的生成和信号处理的复杂性导致功耗大,不适合限制功率智能手机等移动设备。

在本文中,为了克服上述限制现有的解决方案,我们提出一个分享服务呼吸率检测系统使用单频超声信号,使简单的信号处理和低功耗。我们观察到,当一个单频余弦超声信号传播和扬声器的信号反映人类收集使用内置的麦克风,接收到的信号的信号强度可以反映呼吸模式的人被发现。原因是,接收到的信号是反射信号的组合和视距信号。的胸部运动呼吸活动改变扬声器和麦克风之间的距离,因此,反射信号的相位变化,最终导致总接收信号的振幅变化的周期性。通过分析接收信号的振幅,呼吸率可以正确地检测到。在我们提出的系统,检测呼吸速率,我们只需要计算信号的振幅,没有复杂的频域分析。我们的方法保证了检测精度高,同时保持分析相对简单。

我们的论文的贡献如下。首先,我们进行观察时,接收到的信号强度的单频超声信号可以反映用户的呼吸模式,通过理论分析。其次,我们提出一个分享服务呼吸率检测系统利用单频超声信号。我们也设计一个率检测算法来估计呼吸率基于接收信号的振幅。第三,我们实现系统Android智能手机上,实验结果表明,我们的系统可以实现准确的呼吸率估计结果在不同测试场景。

2。超声信号分析

在本节中,我们将分析接收到的超声波信号的特点,当一个单频信号是通过扬声器和反映在测试人员。分析结果表明,接收信号的强度反映了呼吸率;因此,通过检测信号强度、呼吸率可以被估计。

2.1。概述

在本文中,我们使用智能手机的内置扬声器产生单频超声20 kHz。最现成的智能手机可以产生声音22 kHz使用内置扬声器(20.,21]。智能手机是放在前面的测试人员。超声波信号反映的人体和捕捉到智能手机的内置麦克风。接收到的信号主要是由两部分组成的。一个是直接传播从扬声器麦克风信号。另一部分是反映在用户的移动的胸部。这两个信号叠加在接收端。因为呼吸时胸部的运动,接收到的信号变化。在以下小节中,我们将获得由信号的接收到的信号强度。我们观察到的信号强度随着呼吸而异。 From the amplitude of the received signal, we can extract the respiration waveform and estimate the respiration rate.

2.2。接收信号分析

在我们的系统中,我们使用智能手机的扬声器和麦克风传送和接收超声波信号。在发射端,扬声器发出一个单频余弦信号 在哪里振幅,是产生的超声波的频率信号。

接收到的信号是叠加的两个组成部分:静态信号传播直接从麦克风和扬声器是由静态反射镜反射和动态测试仪是由运动引起的的胸部。

对于静态组件,它包含视距信号直接从扬声器麦克风和传输信号反映在静态对象。静态反射只改变信号的相位不改变其频率;因此,静态组件,静态射线的总和,可以编写如下: 在哪里 声音信号的振幅和频率,分别和是一个常数相位变化。

对于动态组件,胸部的周期性运动引起期刊智能手机和胸部之间的距离变化。因此,传播延迟各不相同,因为胸部运动。因此,定期阶段也在改变。因此,动态组件可以写成: 在哪里 声音信号的振幅和频率。是期刊相变引起的胸部运动,写成是哪一个 在哪里是该恒定距离的传播路径,和胸部运动的振幅和频率,而呼吸,然后呢是声音的速度。在这里, 是智能手机和胸部之间的距离而呼吸,然后呢传播延迟。

在接收端,接收到的信号是静态部分和动态部分的叠加: 在哪里 把(4)(6),我们有

在上面的表达式 , 随在一个频率 ,呼吸频率。所以,接收信号的振幅在同一频率不同定期与呼吸。因此,信号强度、振幅的平方,遵循相同的模式变化。因此,通过检测接收到的信号强度,我们可以估计一个人的胸部运动。

3所示。呼吸率估计算法

在本节中,我们提出我们的呼吸率估计算法基于单频超声信号。我们的目标是运行我们的算法,使其适用于智能手机。考虑到有限的资源和供电的智能手机,我们尽力降低算法的复杂性。我们正试图找到最有效的方法,而不是最准确的信号处理。我们的系统由四个阶段组成:信号提取、信号强度计算、动态阈值估计,和呼吸率估计,如图1。

在第一阶段,智能手机产生一个听不清20 kHz超声波信号,用内置的扬声器,并使用麦克风记录信号。记录过程是样品接收到的声音信号与采样率 ,实现了一个离散信号:

在第二阶段,我们计算接收到的信号强度。从分析部分2我们知道,接收到的信号强度变化在同一频率的呼吸。我们可以估计基于接收信号强度的呼吸率 。虽然音频文件高采样频率采样 ,接收到的信号强度可以计算以相对较低的频率 ,在哪里 和系数是用来降低信号强度的采样率。信号强度可以被定义为信号强度的平均值样品在 :

然后,我们顺利接收到的信号强度使用移动平均滤波器的窗口大小点。平滑信号强度是由 图2显示了平滑接收信号强度以及地面实况通过呼吸带SCHUHFRIED生物反馈爱视宝(26]。结果表明,平滑信号强度与地面实况。

估计呼吸波形,我们可以推出测试人员的呼吸率。为了简化算法,频域分析,而是我们想要使用简单的时域分析来检测的呼吸率计算的高峰和低谷的信号强度。准确地计算高峰和低谷,需要一个阈值,并通过比较信号强度阈值,我们可以得到呼吸和呼吸率。然而,在某些情况下,信号强度可能会有严重的由于环境的变化,就像图3所示。为了解决这个问题,我们进行动态阈值估计在第三阶段计算呼吸率在第四阶段。我们计算的动态阈值通过平均连续的点 。 动态阈值不同信号强度的变化。

在最后阶段,我们使用平滑信号强度和动态阈值估算测试人员的呼吸率。我们记录时间,估计呼吸波形经过阈值,然后我们得到的呼吸。使用最近几期的平均价值,我们可以估计的呼吸率。使用该算法,我们得到图4。这个数字表明,我们的算法是有效的和得到的平均估计误差0.32 bpm在这个例子。我们也测试的情况下深呼吸;该算法仍然执行图5所示。深呼吸下的平均估计误差是0.35 bpm。

4所示。系统评价

4.1。系统实现和评价设置

我们开发一个Android应用程序实现算法在智能手机和评估各种场景下的性能。我们进行实验两个智能手机,小米军情五处和三星Galaxy S4,这都是基于Android操作系统。我们的应用程序开发,最低版本的Android 4.0.4智能手机和它的工作原理。在我们的系统中,产生超声波,我们首先生成一个声音文件在脉冲编码调制(PCM)格式,然后我们在Android使用AudioTrack生成的声音文件。智能手机的主要发言人是用来传输超声波信号。在接收端,我们使用一个麦克风接收反射信号,工作在mono记录模式而不是立体声模式来降低计算的复杂性。超声波信号在20 kHz的频率。麦克风是48 kHz的采样率的最大采样率,大多数智能手机可以支持。实现地面真理,我们使用SCHUHFRIED生物反馈爱视宝(26监控测试人员的呼吸率。图6显示了实验场景在办公室环境。

在本节的其余部分,没有特定的指令,参数设置如下:采样率的智能手机 kHz和系数K= 2400。因此,采样率的频率是 赫兹。移动平均滤波器的窗口大小 。动态阈值估计的窗口大小 。

4.2。评价结果

我们评估系统的整体性能和计算估计错误的累积分布函数(CDF)呼吸率,当智能手机和测试人员之间的距离是15厘米。如图7结果显示,超过90%的有估计误差在0.8 bpm。中估计误差是0.2101 bpm时估计误差是0.4137 bpm。传统医学呼吸监测设备通常允许误差为5%,考虑到一个正常的呼吸速率通常是15 - 20 bpm,和我们的估计误差小于4%,这是准确的足够日常使用。

图8展示了一个测试的呼吸率比较,持续30分钟。从这个图中,我们发现,估计呼吸频率跟随地面真理。由于智能手机的便利,他们是适合我们的算法进行长期监测。

相比之下,王等人的工作(21),我们得到了类似的结果与一个更简单的算法估计误差。他们使用声纳数据阶段的呼吸速率,导致算法的高复杂度。在他们的工作,估计误差在10厘米的距离大约是0.3 bpm,这是非常接近我们的结果,但是我们使用更简单的算法达到类似的结果。

4.3。不同因素的影响

距离的影响。图9显示麦克风间距的影响和人们的胸部。距离变长时,平均误差变大。随着距离的增加,信号衰减严重,反映超声信号的数量变得更少。因此,反射的超声波信号引起的能量变化变得更加显眼;因此,估计精度将降低。我们可以看到,我们的算法在40厘米的距离。的平均估计误差大约是0.5 bpm在30厘米的距离和日常使用是可以接受的。40厘米的距离时,均值估计误差几乎是1 bpm。

取向的影响。表1显示了如何取向的平均估计误差的影响。在这个实验中,我们的距离保持在10厘米和控制智能手机之间的角度和试验机如图10所示。我们考虑三种情况时,角等于0,45岁和90度。在0度,直接面临着智能手机的人,我们获得最佳性能bpm 0.39的平均估计误差。在45度,胸部运动变得不那么清晰而0度。因此,我们得到一个糟糕的平均估计误差在0.50 bpm。在90度,bpm 0.62的估计误差是最严重的由于最小的胸部运动这三种情况。尽管比智能手机面临的情况更糟,结果在90度还是可以接受的。系统可以工作在所有的方向,因为在呼吸,胸口在前部和侧方向移动。然而,性能测试人员直接面临着智能手机时是最优的。

结果在不同的人。表2显示了估计误差测试仪是否影响很大。在实验中,我们测试三个人(两男一女)如表所示3。实验是在办公室在10厘米距离。我们可以看到,不同的人之间存在微小的差异。这些小差异可能是由于环境噪声,不同的胸部运动长度,和实验误差。这三个人的平均估计误差都在0.4和0.5之间的bpm,这是一个可以接受的结果。因此,我们的算法在不同的人。

影响不同的智能手机。在这个实验中,我们使用两个智能手机,小米军情五处和三星Galaxy S4。从表4,我们可以看到,军情五处的平均估计误差小于S4。这是因为这两个智能手机的结构略有不同。军情五处的扬声器和麦克风都是底部的电话。这意味着,当你把它放在桌子上,扬声器和麦克风直接指向人的胸部。相比之下,演讲者的S4背上,麦克风是在底部。因此,当我们把桌子上的S4,量可能会减少由于扬声器的位置。所以,军情五处接收到的信号比S4和军情五处达到一个更好的性能实验。我们现在知道,扬声器和麦克风的位置很重要。智能手机的扬声器和麦克风底部通常产生一个更好的结果。然而,即使演讲者是在相对糟糕的位置,性能仍然是可接受的。

不同的测试场景的影响。表5显示不同的场景的影响。我们测试四个场景包括办公室、宿舍、图书馆、办公室和播放音乐。他们取得的平均估计误差是0.48,0.43,0.31,和0.78 bpm,分别。我们得到最低的意思估计误差在图书馆,在图书馆,因为它是安静,周围有几个对象,其结果的最小影响环境,从而达到最低意味着估计误差。在宿舍和办公室,情况是相似的:拥挤的房间里有电脑和空调运行,甚至有些人与他人交谈。机器和人产生的噪音影响我们的性能实验。因为我们的算法是基于信号的能量,一声巨响可以覆盖我们希望的信号,导致糟糕的性能。我们进一步用音乐来验证运行实验在办公室噪声的影响。的平均估计误差与音乐是bpm 0.78,远远大于概况。这表明,一声巨响使表现更糟。 Furthermore, the music has a more severe impact than people’s talking. That is because the frequency domain of music is relatively higher than people’s voice; therefore, music has a higher influence on the 20 kHz signal that we use to monitor the breath. We did not test our system under the scenario when the tester is running, because all existing works [17,21)在一个稳定的情况下进行实验。实验验证,即使在嘈杂的场景中,我们可以得到意味着估计误差小于1的bpm。在一般情况下,均值估计误差大约是0.5 bpm,这是准确的足够日常使用。

不同参数的影响。数据11和12显示的原因我们选择采样频率的信号强度等于20赫兹和移动窗口大小等于100分在我们的算法。我们尝试不同的参数算法。的采样率 ,我们得到了最小均在20 Hz估计误差。虽然可以从5赫兹到50 Hz,我们选择20 Hz因为医疗设备SCHUHFRIED生物反馈爱视宝(26),我们使用我们的地面真理,也在20赫兹的采样率。和窗口大小动态阈值的估计,得到了估计误差最小 100点。

5。结论

在本文中,我们提出了一个分享服务呼吸率根据单频超声信号检测系统。该系统可以跟踪的运动人体胸部通过观察记录超声波的信号强度数据。我们实现了我们的系统Android智能手机上并进行了广泛的实验显示我们的系统的可行性和准确性。结果表明,该系统可以实现准确的呼吸率估算在不同场景。

的利益冲突

作者宣称没有利益冲突有关的出版。

确认

这项工作是支持部分由中国国家自然科学基金批准号61701216,由广东创新和创业研究团队项目号合同下。由深圳2016 zt06g587,科学、技术和创新委员会基础研究项目资助下JCYJ 20160531190935987号和JCYJ 20160531191011045。