喬嘉豪，石 丁，周國軍，閆克丁，廖福元，呂 昊，焦 騰，王健琪，張 楊*

（1.空軍軍醫(yī)大學(xué)軍事生物醫(yī)學(xué)工程學(xué)系，陜西省生物電磁檢測與智能感知重點實驗室，西安 710032；2.西安工業(yè)大學(xué)電子信息工程學(xué)院，西安 710021；3.海軍大連艦艇學(xué)院，遼寧大連 116018）

0 引言

心跳是人體重要的生命體征，心跳信號的特征能夠被用來進行疾病診斷和健康評估，例如心率變異性（heart rate variability，HRV）的降低與睡眠呼吸暫停[1]、急性心肌梗死[2]以及糖尿病神經(jīng)病變[3]等疾病的發(fā)生存在一定的關(guān)聯(lián)性，心臟收縮時間間隔（systolic time interval，STI）的變化與慢性肺動脈高壓等疾病相關(guān)[4]。因此，心跳信號的檢測和細節(jié)特征提取非常重要。

最常用的心跳信號測量方法是心電圖（electrocardiograph，ECG）法[5]和光電容積脈搏波描記（photoplethysmograph，PPG）法[6]。這2種方法均屬于接觸式方法，測量時需清理檢測部位并連接電極，帶來了操作上的不便，也不適用于對電極或者傳感器過敏的患者。隨著雷達技術(shù)和生物醫(yī)學(xué)工程技術(shù)的發(fā)展，二者逐漸融合形成了生物雷達技術(shù)[7-8]，該技術(shù)是將雷達技術(shù)和現(xiàn)代生物醫(yī)學(xué)信號處理技術(shù)結(jié)合，以實現(xiàn)非接觸、遠距離穿透墻壁、廢墟、木板、衣服等障礙物檢測人體心跳、呼吸等生理信號的一種新技術(shù)。因具有非接觸、可穿透的優(yōu)點，生物雷達可以用于傳染病、燒傷等不適合連接電極的患者以及地震等災(zāi)害發(fā)生后被掩埋傷員的心跳信號檢測和疾病診斷[9-11]。

生物雷達檢測心跳信號首先需要從生物雷達回波信號中分離出高質(zhì)量的心跳信號。與ECG法和PPG法等接觸式檢測方法相比，非接觸生物雷達設(shè)備檢測靈敏度不高[12-13]，成為生物雷達檢測心跳的一個難點。另外，呼吸引起的胸壁起伏和人體晃動產(chǎn)生的體動等通常大于心跳引起的起伏[14]，這些會對微弱心跳信號（亞毫米級別）的檢測造成強干擾，因此研究怎樣去除各種干擾并成功分離出心跳信號是本領(lǐng)域的一個熱點問題。

分離出心跳信號后，對信號所包含的心率[15]、心率變異性、心音[16]、IQ星座圖[17]、心臟運動編碼[18]等生物特征的提取是下一步要解決的問題，這對心臟健康狀況評估和疾病診斷具有重要意義。目前，生物雷達回波信號中的心跳信號特征提取研究大多集中在心率估計上，對心率以外其他特征的提取以及這些特征與心臟疾病的關(guān)聯(lián)性研究較少，這從一定程度上限制了該技術(shù)的實際應(yīng)用[9]。

本文對生物雷達回波信號中的心跳信號分離和特征提取方法研究現(xiàn)狀進行綜述，并對生物雷達回波信號中的心跳信號分離和特征提取技術(shù)未來的發(fā)展方向進行展望，對利用非接觸生物雷達進行心臟健康評估和疾病診斷方面的研究具有借鑒意義。

1 生物雷達檢測心跳信號原理

IQ正交生物雷達檢測心跳信號原理如圖1所示[19]，由振蕩器產(chǎn)生源信號，分束器將其分為2路，一路為發(fā)射信號，一路為本振信號。發(fā)射信號通過功率放大器和生物雷達發(fā)射天線Tx輻射出去，從人體反射回來的生物雷達波被接收天線Rx接收，經(jīng)低噪放大器放大后與本振信號混頻得到I通道輸出信號；與此同時，放大后的接收信號經(jīng)90°移相形成另一路的正交接收信號，這一路信號與本振信號混頻得到Q通道輸出信號，對I/Q通道的信號進行解調(diào)處理可獲得心跳、呼吸等信號。

圖1 IQ正交生物雷達檢測心跳信號原理圖[19]

自20世紀70年代生物雷達技術(shù)出現(xiàn)以來，基于生物雷達的心跳、呼吸分離技術(shù)獲得了長足發(fā)展，并取得較好的分離效果，但生物雷達回波信號中的心跳信號的特征提取研究較少，尤其是對生物雷達回波信號中的心跳信號細節(jié)特征提取以及這些特征與各種心臟疾病的關(guān)聯(lián)性研究還處于起步階段[9]。

2 生物雷達回波信號中的心跳信號分離方法研究

生物雷達接收的回波信號中主要包含心跳、呼吸、體動、呼吸諧波、噪聲等成分，因此首先要從中去除呼吸、體動、呼吸諧波、噪聲等干擾，分離出干凈的心跳信號。本文主要根據(jù)干擾特點不同，對基于不同尺度的幾類干擾去除方法進行綜述，包括時域的分離方法（基于自適應(yīng)濾波的分離方法）、時頻尺度分解的分離方法（基于經(jīng)驗?zāi)B(tài)分解的分離方法）和非線性分離方法[基于人工神經(jīng)網(wǎng)絡(luò)（artificial neural network，ANN）的分離方法]。

2.1 時域的分離方法

研究人員最早基于時域特性開展心跳信號分離研究。2002年，Droitcour等[20]利用1～3 Hz的帶通濾波器從生物雷達回波信號中分離得到心跳信號，但當(dāng)某些特殊情況下如心率處于濾波器帶外時，該方法失效。2003年，王海濱等[21]采用自適應(yīng)最小均方（least mean square，LMS）算法從生物雷達回波信號中分離得到心跳信號，該方法計算簡單，但對輸入信號要求高、收斂速度慢。與LMS算法相比，自適應(yīng)遞歸最小二乘（recursive least square，RLS）法可根據(jù)外部變化自動調(diào)整參數(shù)，能夠很好地處理隨機性強、非平穩(wěn)的生物醫(yī)學(xué)信號。因此，2009年，王元東[22]選用包含心跳和呼吸信號的生物雷達回波信號作為原始輸入，將屏住呼吸測得的信號（僅由心跳運動引起的信號）作為參考信號，采用RLS法成功分離出心跳信號。該方法具有較好的適應(yīng)性，但對時間尺度相近的信號無法準(zhǔn)確分離。

2.2 時頻尺度分解的分離方法

隨著信號處理技術(shù)的發(fā)展，基于時頻尺度的信號分解方法被用來分離心跳信號。2014年，胡巍[23]采用集合經(jīng)驗?zāi)B(tài)分解（ensemble empirical mode decomposition，EEMD）方法從生物雷達回波信號中分離得到心跳信號，該方法將包含了呼吸、心跳信號以及它們各次諧波的信號分解為一系列內(nèi)在模態(tài)函數(shù)，同時引入高斯白噪聲解決模態(tài)混疊問題，最終實現(xiàn)心跳信號的分離。與自適應(yīng)濾波方法相比，EEMD方法分離效果好、計算量小，但不足之處是引入了高斯白噪聲。2018年，高磊[24]針對EEMD方法中引入高斯白噪聲的問題展開研究，采用完備集合經(jīng)驗?zāi)B(tài)分解（complete ensemble empirical mode decomposition，CEEMD）方法解決了模態(tài)混疊和高斯白噪聲干擾問題，從生物雷達回波信號中較好地分離出了心跳信號和呼吸信號。以上基于時頻尺度分解的方法雖然收斂速度快且心跳信號分離效果優(yōu)于自適應(yīng)濾波方法，但在多種干擾（如系統(tǒng)噪聲干擾、環(huán)境干擾、呼吸諧波干擾等）存在的情況下，其分離效果變差。

2.3 非線性分離方法

近年來，計算機硬件運算能力大幅提升，深度學(xué)習(xí)、人工智能技術(shù)快速發(fā)展，基于ANN的處理方法逐漸被用于生物雷達回波信號中的心跳信號分離，這類方法非線性擬合能力強，無需先驗知識，可在多種干擾下取得非常好的心跳信號分離效果。目前，基于ANN的心跳信號分離方法主要包括卷積稀疏編碼、前饋人工神經(jīng)網(wǎng)絡(luò)（feed forward artificial neural network，F(xiàn)FANN）、循環(huán)神經(jīng)網(wǎng)絡(luò)（recurrent neural networks，RNN）和深度神經(jīng)網(wǎng)絡(luò)（deep neural network，DNN）。

2019年，Wang等[25]先通過能量法從生物雷達回波信號中捕獲待測目標(biāo)，再將卷積稀疏編碼用于生物雷達回波信號處理中，利用正交匹配追蹤方法加速收斂，從而得到較高精度的心率信號。該方法具有較強的魯棒性，可在強噪聲背景下分離心跳信號并提取出心跳時域信號的局部細節(jié)特征，展現(xiàn)了生物雷達技術(shù)非接觸檢測并進行心臟運動狀態(tài)評估的潛力。針對心臟跳動傳導(dǎo)到體表的微動信號非常微弱易被身體晃動干擾淹沒的難題，2019年，Gu等[26]利用DNN消除身體晃動干擾并從生物雷達回波信號中分離出高質(zhì)量的心跳信號。2020年，瑞典隆德大學(xué)的研究人員[9]將心電信號作為ANN標(biāo)簽，利用生物雷達回波信號訓(xùn)練FFANN，再經(jīng)過偽影消除、峰值檢測等步驟分離出心跳信號。利用RNN在處理時間序列上的優(yōu)勢，2020年，Ye等[27]先采用長短期記憶（long-short term memory，LSTM）網(wǎng)絡(luò)來獲取生物雷達回波時頻圖中的特征信息，再通過k均值聚類、稀疏譜重構(gòu)獲得心跳信號。

目前，基于ANN的心跳信號分離技術(shù)已經(jīng)取得較好的效果，并初步進行了應(yīng)用嘗試，但其不足之處是網(wǎng)絡(luò)訓(xùn)練需要的數(shù)據(jù)量大，且數(shù)據(jù)需具有代表性，否則會降低網(wǎng)絡(luò)的魯棒性。

3 生物雷達回波信號中的心跳信號特征提取方法研究

現(xiàn)有的有關(guān)生物雷達回波信號中的心跳信號的特征分析主要集中在心率變異性分析方面。心率變異性分析是對心動周期變異情況的常規(guī)分析，可對心血管疾病起到一定的輔助診斷作用，但心率變異性分析無法看到心臟運動過程中心房、心室體積變化情況和細節(jié)特征（主要反映心室、心房體積變化在體表產(chǎn)生的微動），這些細節(jié)特征與心臟機械運動、心電信號特征波形之間的映射關(guān)系及背后的映射機理還需要進一步研究闡明，這對于利用生物雷達回波信號中的心跳信號進行疾病診斷非常重要。針對這些問題，研究人員進行了如下研究。

2013年，Aardal等[28]利用生物雷達使用相位估計方法和直流偏移抵消方法提取了心室射血和充盈等心臟活動的細節(jié)特征，這些特征可與同步采集的ECG信號特征對應(yīng)。同年，Wang等[29]基于生物雷達通過八階中值濾波、六階多項式擬合的方法來抑制噪聲、去除干擾，再采用微分交叉相乘（differentiate and cross-multiply，DACM）算法提取到與心房和心室收縮對應(yīng)的2個幾何特征點。這些研究表明生物雷達可以實時檢測并提取心臟運動細節(jié)特征，但提取出的特征精細程度還不夠，無法與ECG信號相比擬。

2017年，Lin等[18]在研究了心臟整體運動的幾何特征后，利用不同人之間心跳特征細節(jié)的個體差異，采用自適應(yīng)噪聲消除技術(shù)抑制干擾，再采用微分反正切方法提取生物雷達回波信號中心跳信號的3個幾何特征點（分別表征心室充盈期的結(jié)束和心房收縮期的開始、心房收縮期的結(jié)束和等容性心室收縮期的開始、心房收縮期的結(jié)束和心室舒張期的開始）來分析心臟運動特點，實現(xiàn)了基于生物雷達回波信號中的心跳信號的用戶身份識別（如圖2所示）。該方法可在一定距離外非接觸、連續(xù)進行用戶的實時身份識別，可大大增強身份識別系統(tǒng)的安全性和隱蔽性。雖然該研究提取了不錯的心跳特征，但心房和心室運動之間準(zhǔn)確的時延信息無法獲取，需進一步深入研究。

圖2 非接觸式生物雷達捕捉到心臟運動并進行連續(xù)身份認證[18]

2019年，Gao等[19]采用基于半徑校正的相位解調(diào)方法提取生物雷達回波信號中的心跳信號時域特征，發(fā)現(xiàn)心臟運動過程中生物雷達回波信號的IQ星座圖是一個復(fù)雜的“開口”輪廓，而非圓弧輪廓，經(jīng)過進一步特征提取和分析發(fā)現(xiàn)產(chǎn)生這種現(xiàn)象有2個原因：一是心房、心室構(gòu)成的2個運動中心同時被生物雷達電磁波探測到；二是心房和心室的收縮和舒張之間有一定的時間延遲。該研究進一步揭示了心房、心室運動在生物雷達回波信號中的映射情況以及心房、心室兩部分運動的先后順序，證明生物雷達可以探測到心臟各部分運動時延等信息，這為生物雷達提取更多心動特征奠定了基礎(chǔ)。

2020年，Dong等[17，30]提取到生物雷達回波信號中的心跳信號特征后，對疾病診斷進行了嘗試。該研究首先采用頻率為24 GHz的高分辨生物雷達從人體背面采集多普勒心動圖（Doppler cardiogram，DCG）；隨后采用隨機樣本一致性（random sample consensus，RSC）方法去除身體和手部運動引起的干擾，分離出高精度心跳信號，體表微動檢出分辨力可達微米級別，可滿足對心臟運動細節(jié)特征提取的要求；再通過心動周期中的心房、心室容積變化曲線將DCG與心電信號中的P波、QRS波和T波相對應(yīng)，如圖3所示[30]。該研究提取了生物雷達回波信號中心跳信號的5個特征點，并明確了各特征點在心動周期中的對應(yīng)動作。這些特征點反映的是心房、心室的容積變化在胸部表面引起的起伏情況，所以DCG可以測得常規(guī)ECG無法發(fā)現(xiàn)的心臟運動相關(guān)的動力學(xué)信息，包括實時體積變化信息、速度變化信息和加速度變化信息等，豐富了心臟運動信號的細節(jié)特征種類。根據(jù)生物雷達回波信號中心跳信號的特征點隨時間的變化情況可以判斷與心室松弛相關(guān)的疾病，如法洛四聯(lián)癥等，如圖4所示[17]。該研究為利用生物雷達進行心臟疾病非接觸診斷提供了理論依據(jù)，對后續(xù)心臟疾病診斷生物雷達設(shè)備的研發(fā)奠定了技術(shù)基礎(chǔ)。

圖3 心電信號特征點與心房、心室體積變化特征點的對應(yīng)關(guān)系[30]

圖4 右心房和右心室容積隨時間的變化[17]

4 存在的不足

生物雷達回波信號中的心跳信號分離和特征提取方法是該領(lǐng)域的一個研究熱點，表現(xiàn)出很好的應(yīng)用前景，如可用于法洛四聯(lián)癥[17]、心肌炎導(dǎo)致的左心室代償性增大[31]等心臟疾病診斷，獨居老人的非接觸居家健康監(jiān)測，用戶連續(xù)身份識別等。但在展現(xiàn)出很好的應(yīng)用前景的同時，該領(lǐng)域的研究還存在以下不足。

4.1 體動信號影響心跳信號的檢出

體動信號指生物雷達檢測到的人體運動或者肢體晃動信號，該信號的特點是幅度大、頻帶寬。相比于亞毫米級的心跳幅度，體動信號多在厘米甚至米級別，極易干擾甚至淹沒心跳信號。此外，體動信號隨機性大，頻率從極低頻到幾十赫茲，其中與被測目標(biāo)心跳頻率相近的成分很難去除。

因此，運動中的人體心跳信號生物雷達檢測是一個難題，解決好了可以大大促進生物雷達技術(shù)的實用性。隨著非平穩(wěn)信號處理技術(shù)和自適應(yīng)技術(shù)的發(fā)展和成熟，越來越多的方法，如曲線擬合[32]、循環(huán)平穩(wěn)分析[33]、基于延遲窗口的閾值去除[34]等被應(yīng)用于體動干擾去除，心跳信號的分離效果將進一步得到提升。

4.2 呼吸諧波影響心跳信號的分離

正常人體的呼吸頻率范圍為0.27～0.33 Hz[35]，心跳頻率范圍為1～1.67 Hz[36]，因此，生物雷達回波信號中3～5次呼吸諧波的頻率往往與心跳頻率接近，對心跳信號的分離效果影響最大，尤其當(dāng)某一次呼吸諧波與心跳頻率非常接近時，此諧波干擾較難去除。

針對呼吸諧波的這些特點，可以考慮先通過相關(guān)性分析和遺傳算法尋優(yōu)對心跳信號定位再通過反饋陷波準(zhǔn)確去除呼吸諧波，或者采用頻域方法（如改進的EEMD）和非線性方法（如多尺度一維卷積神經(jīng)網(wǎng)絡(luò)）相結(jié)合的方法，通過一定量的樣本訓(xùn)練，去除諧波干擾分離出心跳信號。

4.3 生物雷達回波信號中心跳特征波形的物理意義不清導(dǎo)致診斷應(yīng)用受限

在心跳信號特征提取方面，隨著生物雷達硬件技術(shù)和心跳信號分離和特征提取方法的發(fā)展，生物雷達檢測的心跳信號越來越干凈，包含的心動細節(jié)信息也越來越多，但是這些信號波形包含的物理意義、特征背后對應(yīng)的心臟運動狀態(tài)和疾病情況尚不完全清楚，這使得生物雷達技術(shù)在疾病診斷等方面的應(yīng)用受到限制。

因此，生物雷達檢測的心跳信號、心臟容積變化信號、心臟電信號的特征映射關(guān)系及背后映射機理還需要進一步深入研究，這些映射關(guān)系與映射機理對特征提取研究具有指導(dǎo)作用，可為將來的心臟疾病診斷提供理論基礎(chǔ)。

5 結(jié)語

基于生物雷達的心跳信號分離和特征提取方法具有非接觸、可穿透的優(yōu)點，可從生物雷達回波信號中分離得到較干凈的心跳信號，能夠準(zhǔn)確反映心率信息。通過特征提取方法可從中提取出心率變異性、波形幾何特征點、心臟各部分運動延時等特征，這些特征可與心電信號的特征波形相對應(yīng)，有些特征還包含了比心電信號更多的信息，有望應(yīng)用于心臟疾病快速診斷、老年居家監(jiān)護、用戶身份認證等方面。

基于生物雷達的心跳信號分離和特征提取方法的深入研究和不斷完善，將大大提高非接觸心跳信號檢測方法的準(zhǔn)確性和設(shè)備的使用便利性，為燒傷患者、傳染病患者、獨居老人、災(zāi)后壓埋人員的非接觸心跳信號檢測和傷病情評估奠定理論和技術(shù)基礎(chǔ)。尤其是能夠以很低的成本實現(xiàn)非接觸、無約束、實時地人體心臟健康狀況檢測與評估，根據(jù)評估結(jié)果針對性做好疾病預(yù)防和保健工作，這對于降低心臟疾病發(fā)病率、促進國民健康水平、緩解我國因老齡化而造成的醫(yī)療資源緊張等方面具有非常重要的意義。