徐曉翔，常相茂，陳方進(jìn)

（南京航空航天大學(xué)計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院，南京211106）

（?通信作者電子郵箱xuxiaoxiang@nuaa.edu.cn）

0 引言

呼吸是衡量人體健康的一項(xiàng)重要指標(biāo)，可用于跟蹤和診斷許多醫(yī)療領(lǐng)域的疾病，例如睡眠、肺病學(xué)和心臟病學(xué)［1］。此外，準(zhǔn)確的呼吸監(jiān)測(cè)還可以提供有關(guān)個(gè)人心理狀態(tài)和生理狀況的有用線索。

睡眠場(chǎng)景下對(duì)人體呼吸量進(jìn)行持續(xù)監(jiān)測(cè)具有重要意義。呼吸量可用于推斷人的睡眠狀態(tài)：輕度、深度或者是快速動(dòng)眼（Rapid Eye Movement，REM）睡眠，進(jìn)而用于評(píng)估用戶的睡眠質(zhì)量，睡眠質(zhì)量的優(yōu)劣將直接影響到人的生產(chǎn)力和精神狀態(tài)［1］。睡眠監(jiān)測(cè)系統(tǒng)能夠?qū)崿F(xiàn)持續(xù)不間斷的用戶睡眠狀態(tài)評(píng)估，并為用戶提供一些隱性疾病的診斷線索與改善睡眠習(xí)慣的建議［2］。此外，診斷呼吸障礙和睡眠呼吸暫停綜合癥必須在睡眠期間對(duì)呼吸量進(jìn)行連續(xù)監(jiān)測(cè)。

傳統(tǒng)的呼吸量監(jiān)測(cè)方法需要用戶穿戴呼吸帶或者是鼻插管入眠，數(shù)小時(shí)佩戴這類設(shè)備會(huì)對(duì)用戶造成嚴(yán)重干擾并且由于用戶睡眠期間睡姿的切換極易發(fā)生連接線脫落、對(duì)設(shè)備造成損壞等情況。近期基于WIFI技術(shù)的睡眠監(jiān)測(cè)方法［3-6］實(shí)現(xiàn)了在沒有任何傳感器的情況下對(duì)呼吸頻率進(jìn)行監(jiān)測(cè)。其他的非接觸式方法利用Kinect體感相機(jī)［7］、呼吸音頻［8-9］、射頻信號(hào)（Radio Frequency，RF）［1］等技術(shù)來實(shí)現(xiàn)對(duì)呼吸頻率的監(jiān)測(cè)，然而上述的非接觸式方法主要針對(duì)呼吸頻率的監(jiān)測(cè)，并沒有實(shí)現(xiàn)對(duì)呼吸量的監(jiān)測(cè)。雖然呼吸頻率也是人體的一項(xiàng)重要指標(biāo)，但在很多應(yīng)用中無法取代呼吸量的作用，如臨床呼吸照護(hù)、阻塞性氣道疾?。ㄈ缦吐宰枞苑尾。┰\斷。

近期一些關(guān)注呼吸量的研究包括：Nguyen等［10］通過分析運(yùn)動(dòng)引起定向無線電信號(hào)的細(xì)微相位變化，重建微小的胸部和腹部運(yùn)動(dòng)，基于神經(jīng)網(wǎng)絡(luò)來建立呼吸量與胸腹部運(yùn)動(dòng)之間的映射關(guān)系，進(jìn)而評(píng)估用戶的呼吸量；Oh等［11］提出了使用深度攝像機(jī)結(jié)合水平集分割法區(qū)分呼吸相關(guān)區(qū)域，再?gòu)男乇谛螒B(tài)變化上推算人體呼吸量的方法；Lee等［12］則評(píng)估了多普勒雷達(dá)實(shí)現(xiàn)呼吸量監(jiān)測(cè)的可行性。然而上述文獻(xiàn)中的方法多數(shù)需要特殊設(shè)備在嚴(yán)格的實(shí)驗(yàn)要求下進(jìn)行實(shí)驗(yàn)，對(duì)于實(shí)驗(yàn)期間用戶肢體的活動(dòng)沒有提出輕量且合理的應(yīng)對(duì)措施。

本文提出了一種基于無線射頻識(shí)別（Radio Frequency IDentification，RFID）標(biāo)簽陣列的非接觸式連續(xù)監(jiān)測(cè)用戶睡眠狀態(tài)下呼吸量的系統(tǒng)。如圖1所示在用戶胸部區(qū)域和肩膀處分別附著RFID標(biāo)簽陣列，用戶平躺于雙天線下方1～2 m處進(jìn)行呼吸量監(jiān)測(cè)。首先閱讀器連續(xù)詢問標(biāo)簽并獲得其當(dāng)前位置報(bào)告的相位值，附著在胸部的標(biāo)簽所反饋的相位流經(jīng)過預(yù)處理后可推導(dǎo)出單次呼氣、吸氣階段內(nèi)胸部區(qū)域標(biāo)簽的位移量。用戶肩膀處雙參考標(biāo)簽的相位流保持相對(duì)穩(wěn)定期間，胸部區(qū)域標(biāo)簽位移量的計(jì)算才能視為有效，即用戶保持當(dāng)前睡姿到切換下一睡姿的時(shí)間段內(nèi)。接著利用雙參考標(biāo)簽計(jì)算出當(dāng)前睡姿維持的時(shí)間段內(nèi)胸部平面和天線所在平面的夾角來還原真實(shí)的胸部標(biāo)簽位移。最后，利用廣義回歸神經(jīng)網(wǎng)絡(luò)（General Regression Neural Network，GRNN）建立胸部位移量與呼吸量之間的關(guān)系模型。

圖1 實(shí)驗(yàn)場(chǎng)景設(shè)置Fig.1 Experimental scenesetting

1 相位值

RFID標(biāo)簽從閱讀器發(fā)射的射頻場(chǎng)中獲取能量，并利用反向散射耦合方式完成從標(biāo)簽到閱讀器的數(shù)據(jù)傳輸。閱讀器連續(xù)詢問射頻區(qū)域內(nèi)的標(biāo)簽并報(bào)告每個(gè)成功識(shí)別標(biāo)簽的相位值［13-14］。如圖2所示，假設(shè)天線與標(biāo)簽之間的距離為d，無線電波在閱讀器天線和標(biāo)簽之間來回傳播時(shí)，其傳播的總距離為2d。那么閱讀器輸出標(biāo)簽于當(dāng)前位置的相位值如下：

其中：λ是波長(zhǎng)；c是恒定的相位偏移，僅與天線硬件和標(biāo)簽電路有關(guān)；?T、?R、?Tag分別表示由天線發(fā)射電路，天線接收電路以及標(biāo)簽反射特性造成的額外相位旋轉(zhuǎn)。在反向散射通信的過程中，電磁波每傳播λ/2的距離相位值旋轉(zhuǎn)2π弧度，當(dāng)閱讀器成功檢測(cè)到標(biāo)簽時(shí)會(huì)輸出相應(yīng)的相位估計(jì)值，具體取決于各個(gè)天線和信道。典型的超高頻（Ultra High Frequency，UHF）讀取器有16個(gè)信道，分別工作在920～926 MHz ISM（Industrial Scientific Medical）頻段。因此，理論上相位分辨率可以達(dá)到0.001 5弧度，從而提供320 mm*0.001 5（/4×3.14）=0.038 mm 的測(cè)距分辨率［13，15］。這種超高分辨率使相位值成為測(cè)量用戶睡眠過程中胸部微小位移量的絕佳指標(biāo)。

圖2 相位示意圖Fig.2 Schematic diagram of phase

2 RF-SLEEP系統(tǒng)

RF-SLEEP包括閱讀器和多個(gè)RFID標(biāo)簽陣列，標(biāo)簽陣列附著在用戶身體表面或是衣物表面，可以有效應(yīng)對(duì)睡眠場(chǎng)景下的弱光條件以及棉織物阻隔。本文利用RF-SLEEP中3個(gè)重要組成模塊來評(píng)估用戶睡眠過程中的呼吸量，即胸部位移提取、胸部位移誤差消除以及廣義回歸神經(jīng)網(wǎng)絡(luò)。

2.1 胸部位移提取

為了提取用戶睡眠期間胸部的位移量，首先對(duì)采集到的原始相位流數(shù)據(jù)進(jìn)行快速傅里葉變換（Fast Fourier Transform，F(xiàn)FT）分析其頻譜分布。圖3顯示了FFT后的結(jié)果，可以觀察到頻譜的分布主要集中在0.3 Hz附近。

圖3 相位數(shù)據(jù)頻譜分布Fig.3 Phase data spectrum distribution

健康人休息時(shí)的典型呼吸率約為每分鐘12～20次呼吸，一般低于每分鐘40次呼吸［16］。通過對(duì)原始相位數(shù)據(jù)流應(yīng)用巴特沃斯5階低通濾波器［17］，根據(jù)FFT頻譜分布以及人體呼吸的先驗(yàn)知識(shí)將其通帶頻率設(shè)置為0.4 Hz，阻帶設(shè)置為0.6 Hz。圖4繪制了濾波前后的呼吸信號(hào)，可以觀察到噪聲被成功濾除，提取的信號(hào)呈現(xiàn)出明顯的趨勢(shì)。最后利用公式來計(jì)算出呼吸過程中胸部不同區(qū)域標(biāo)簽的位移量，具體如下：

其中：d是胸部單點(diǎn)的位移量，λ為波長(zhǎng)，?crest和?trough分別代表數(shù)據(jù)流中相鄰的波峰和波谷對(duì)應(yīng)的相位值。由于人體正常呼吸過程中胸部的位移小于λ/2（約為16 cm），故?crest和?trough的值的范圍在0～2π。

2.2 胸部位移誤差消除

鑒于睡眠場(chǎng)景下多路徑效應(yīng)以及環(huán)境干擾等因素較弱，經(jīng)過預(yù)處理后胸部位移估計(jì)的誤差主要來自于用戶睡眠期間改變睡姿后胸部平面與天線所在平面形成的夾角。具體可描述為用戶在睡眠期間會(huì)無意識(shí)地改變其睡姿，這無疑會(huì)導(dǎo)致用戶胸部平面和天線之間形成一個(gè)固定的夾角，這個(gè)夾角會(huì)對(duì)當(dāng)前睡姿轉(zhuǎn)換到下一個(gè)睡姿這個(gè)時(shí)間段內(nèi)胸部呼吸的位移估算造成一個(gè)持續(xù)的誤差，所以實(shí)時(shí)并準(zhǔn)確地獲取用戶在睡眠狀態(tài)下胸部平面和天線平面之間的夾角對(duì)于呼吸量的準(zhǔn)確評(píng)估至關(guān)重要。

圖4 原始和濾波后的相位數(shù)據(jù)Fig.4 Original and filtered phasedata

2.2.1 標(biāo)簽到達(dá)角推導(dǎo)

為了實(shí)現(xiàn)睡眠場(chǎng)景下對(duì)用戶胸部平面和天線平面之間的夾角進(jìn)行檢測(cè)，首先需要利用雙天線來實(shí)現(xiàn)對(duì)單個(gè)標(biāo)簽到達(dá)角的測(cè)量。如圖5所示，當(dāng)天線O1、O2詢問標(biāo)簽A時(shí)可以獲得兩個(gè)相位值?（A，O1）和?（A，O2），那么由兩個(gè)天線收集到的同一標(biāo)簽的相位差Δ?A可以表示為：

其中Δ?0是由于兩個(gè)天線硬件引起的相位差。因?yàn)閮蓚€(gè)天線在硬件上不可能完全相同，所以Δ?0需要進(jìn)行校準(zhǔn)。由式（1）可知天線硬件造成的相位旋轉(zhuǎn)可以視為一個(gè)常量，所以校準(zhǔn)是可行的。此外通過式（1）可知，RFID的相位值與天線和標(biāo)簽之間的距離呈線性比例關(guān)系，因此可以獲得標(biāo)簽A到兩個(gè)天線O1、O2的距離差Δd，其可表示為：

為了計(jì)算標(biāo)簽A相對(duì)O2點(diǎn)的到達(dá)角θa2，根據(jù)文獻(xiàn)［18］中的分析標(biāo)簽A相對(duì)于兩個(gè)天線的距離差Δd可以近似為O1O2即天線O1與O2中心點(diǎn)之間的間距與cosθa1之積，并且標(biāo)簽A到天線平面的垂直距離遠(yuǎn)大于MO2，可推導(dǎo)出θa2≈θa1，所以可以進(jìn)一步推導(dǎo)cosθa2為：

圖5 標(biāo)簽到達(dá)角計(jì)算Fig.5 Calculation of tagarrival angle

2.2.2 雙參考標(biāo)簽與天線所在平面夾角

基于上述雙天線測(cè)量單個(gè)標(biāo)簽到達(dá)角的方法，可計(jì)算出θA、θB的值即A、B標(biāo)簽的到達(dá)角。為了便于分析，選取其中一個(gè)天線作為基準(zhǔn)來進(jìn)行后續(xù)的推理與計(jì)算。如圖6中所示A，B為附著在用戶肩膀附近的兩個(gè)參考標(biāo)簽，它們之間的距離AB為定值且已知。BD的長(zhǎng)度可以通過如下公式求出：

其中：λ代表波長(zhǎng)；?A和?B分別代表A、B參考標(biāo)簽于當(dāng)前位置測(cè)量得到的相位值。AB和AD所夾的角度θ2以及雙參考標(biāo)簽所在胸部平面和天線平面所形成的夾角θ3可以通過公式進(jìn)行計(jì)算獲得，具體如下：

圖6 雙參考標(biāo)簽與天線平面之間的夾角計(jì)算Fig.6 Calculation of anglebetween double referencetagsand antennaplane

2.2.3 胸部位移復(fù)原

在獲取到胸部平面與天線平面所形成的夾角θ3后，選取附著在胸部的標(biāo)簽C且θC、θF均小于直角的情況作為分析對(duì)象，其余情況可由此類推。如圖7中所示C標(biāo)簽的真實(shí)位移為CF，F(xiàn)G則為胸部位移提取階段計(jì)算的位移量。θF、θC分別對(duì)應(yīng)胸部標(biāo)簽于F點(diǎn)和C點(diǎn)處的到達(dá)角，可由2.2.1節(jié)中分析得到。那么由圖7中的幾何關(guān)系，可以推導(dǎo)出：

通過計(jì)算出θ0和θ1的值，可以進(jìn)一步推算出胸部真實(shí)位移CF與相位流中提取的胸部位移FG之間的關(guān)系如下：

其中：?F、?C分別為標(biāo)簽于F點(diǎn)和C點(diǎn)時(shí)的相位值。

圖7 胸部位移復(fù)原Fig.7 Recovery of chest displacement

2.3 廣義回歸神經(jīng)網(wǎng)絡(luò)

為了得出用戶睡眠期間胸部位移量和呼吸量之間的關(guān)系，本文使用廣義回歸神經(jīng)網(wǎng)絡(luò)（GRNN）來建立模型，其結(jié)構(gòu)如圖8所示。

圖8 廣義回歸神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)Fig.8 Structure of generalized regression neural network

如圖8中所示，GRNN結(jié)構(gòu)分為4層：輸入層、模式層、求和層以及輸出層。輸入層神經(jīng)元數(shù)目等于輸入向量X=[x1，x2，…，xm]的維數(shù)m，模式層神經(jīng)元的數(shù)目等于學(xué)習(xí)樣本的數(shù)量n，每個(gè)神經(jīng)元都對(duì)應(yīng)不同的樣本記作X i，模式層中神經(jīng)元傳遞的函數(shù)為：

其中：σ為光滑因子，它決定預(yù)測(cè)值與所有樣本因變量之間的擬合程度。求和層則使用了兩種類型的神經(jīng)元進(jìn)行求和，其傳遞函數(shù)分別為：

其中SD對(duì)所有模式層神經(jīng)元的輸出直接進(jìn)行求和，而SNj則是對(duì)模式層中的神經(jīng)元進(jìn)行加權(quán)求和，yij為其權(quán)值。輸出層中的神經(jīng)元數(shù)目等于輸出樣本Y=[y1，y2，…，yk]的維數(shù)k，各神經(jīng)元將求和層的輸出相除，第j個(gè)神經(jīng)元的輸出yj如下：

本文隨機(jī)選取實(shí)驗(yàn)數(shù)據(jù)集中80%的數(shù)據(jù)作為訓(xùn)練集，即用戶睡眠期間的胸部位移數(shù)據(jù)以及呼吸量真值作為GRNN的訓(xùn)練輸入、輸出樣本，剩余的20%作為驗(yàn)證集。為了增強(qiáng)模型的魯棒性，使用K折交叉驗(yàn)證將訓(xùn)練集細(xì)分為K個(gè)不相交的子集，將每個(gè)子集分別作為一次驗(yàn)證子集，其余的K-1組作為訓(xùn)練子集。此外，交叉驗(yàn)證的過程中在[0.1，2]的區(qū)間內(nèi)以0.1的梯度循環(huán)遞增σ光滑因子，以確保求解出最佳的光滑因子使得模型在驗(yàn)證子集上的均方根誤差（Root Mean Squared Error，RMSE）收斂到最小。得到最佳的模型后，在驗(yàn)證集上評(píng)估模型預(yù)測(cè)結(jié)果與實(shí)際值之間的誤差比。

3 實(shí)驗(yàn)結(jié)果及分析

3.1 實(shí)驗(yàn)設(shè)置

系統(tǒng)原型使用商用現(xiàn)貨（Commercial Off-The-Shelf，COTS）RFID設(shè)備實(shí)現(xiàn)，無需任何硬件修改。本系統(tǒng)原型采用配備Laird S9028PCRNF天線（9 dBi）的Impinj Speedway R420 RFID閱讀器。該閱讀器的工作頻率范圍為902.75～927.25 MHz（50個(gè)載波頻率），發(fā)射功率為24 dBm，靈敏度為-80 dBm。標(biāo)簽的類型是Alien-9654（長(zhǎng)96.5 mm、寬23.2 mm）。本文基于底層讀寫器協(xié)議（Low Level Reader Protocol，LLRP）工具包實(shí)現(xiàn)系統(tǒng)原型來配置商品讀取器并讀取低級(jí)數(shù)據(jù)，然后使用Java配合實(shí)現(xiàn)相位流的數(shù)據(jù)收集與預(yù)處理和Matlab求解信號(hào)的濾波以及呼吸量。實(shí)驗(yàn)中使用的計(jì)算機(jī)配備Intel Core i7-4790 CPU 3.6 GHz和12 GB內(nèi)存。

為了評(píng)估系統(tǒng)原型的表現(xiàn)，實(shí)驗(yàn)共招募了4名志愿者，志愿者在各種織物材料中穿著較為輕薄的T恤。在實(shí)驗(yàn)期間，各種數(shù)量的COTS標(biāo)簽附著在其布料上的不同區(qū)域（主要為胸腔前部的區(qū)域以及肩膀處）。本文使用肺活量計(jì)測(cè)量得來的結(jié)果作為實(shí)驗(yàn)的真值，為模型預(yù)測(cè)的呼吸量提供參照標(biāo)準(zhǔn)。

3.2 實(shí)驗(yàn)結(jié)果分析

為了驗(yàn)證RF-SLEEP的性能，本文用下列公式來衡量呼吸量測(cè)量的精確度：

其中：平均絕對(duì)百分比誤差（Mean Absolute Percentage Error，MAPE）是模型評(píng)估的損失函數(shù)，對(duì)于預(yù)測(cè)數(shù)據(jù)與真實(shí)數(shù)據(jù)之間的相對(duì)誤差有著非常直觀的解釋；Ai代表呼吸量的真值；Fi則代表呼吸量的預(yù)測(cè)值。

3.2.1 呼吸量估計(jì)的總體準(zhǔn)確性

根據(jù)隨機(jī)選取的不同驗(yàn)證集在各自訓(xùn)練集經(jīng)過交叉驗(yàn)證后所求解出的最佳模型上的性能表現(xiàn)進(jìn)行分組。如圖9所示，RF-SLEEP可以以中位數(shù)從91.43%～93.65%的精確度估計(jì)用戶睡眠過程中的呼吸量。此外，在沒有參考標(biāo)簽的情況下，由于用戶睡眠期間睡姿改變引起的誤差未被消除使得RF-SLEEP的預(yù)測(cè)精度下降約16%左右。

圖9 不同樣本組下呼吸量預(yù)測(cè)的精確度Fig.9 Accuracy of respiratory volumeprediction in different samplegroups

3.2.2 胸部平面與天線所在平面夾角的影響

圖10中評(píng)估了在用戶胸部平面與天線所在平面成特定角度時(shí)的準(zhǔn)確度?？梢杂^察到在45°～90°區(qū)間內(nèi)隨著角度的增加系統(tǒng)的預(yù)測(cè)精度會(huì)有小幅度下降，具體原因如圖11所示，當(dāng)用戶面向天線即角度為0°的情況，標(biāo)簽的讀取率能維持在50 Hz左右。隨著角度的增加讀取率下降，當(dāng)用戶旋轉(zhuǎn)至90°時(shí)，讀取率下降至10 Hz，單位時(shí)間內(nèi)獲取到的數(shù)據(jù)量下降導(dǎo)致胸部位移的相位流提供的信息完整度下降，造成系統(tǒng)準(zhǔn)確度降低。

圖10 不同角度下的準(zhǔn)確度Fig.10 Accuracy at different angles

3.2.3 用戶與天線之間的距離的影響

圖12中展示了天線與用戶之間的距離對(duì)于RF-SLEEP系統(tǒng)呼吸量預(yù)測(cè)精度的影響?？梢杂^察到用戶與天線之間的距離在［1 m，2.5 m］的區(qū)間范圍對(duì)于系統(tǒng)的性能幾乎沒有影響，準(zhǔn)確度均保持在91%左右。

圖11 不同角度下標(biāo)簽的讀取率Fig.11 Read rate of tags at different angles

圖12 不同距離的精確度Fig.12 Accuracy of different distances

4 結(jié)語

本文提出了一種基于RFID標(biāo)簽陣列連續(xù)監(jiān)測(cè)用戶睡眠期間呼吸量的系統(tǒng)，并設(shè)計(jì)了從RFID標(biāo)簽返回信號(hào)的相位數(shù)據(jù)流中恢復(fù)用戶睡眠期間胸部位移的方法。此外，本文還提出了一種在用戶肩膀附近附著雙參考標(biāo)簽，消除用戶睡眠期間翻轉(zhuǎn)身體后胸部平面與天線所在平面形成的夾角對(duì)胸部位移計(jì)算造成誤差的方法。實(shí)驗(yàn)結(jié)果表明，RF-SLEEP對(duì)不同用戶睡眠期間的呼吸量連續(xù)監(jiān)測(cè)的平均精確度可以達(dá)到92.49%。