基于毫米波雷达的心率变异性检测方法

倪杰¹，王勇¹，杨小龙¹，聂伟¹，张茜²，罗朗娟³

（1.重庆邮电大学通信与信息工程学院，重庆 400065；

2.重庆邮电大学光电工程学院，重庆 400065；

3.重庆邮电大学校医院，重庆 400065）

【摘  要】心率变异性是评估心血管功能和自主神经系统状态的重要指标。准确地估计心率变异性是毫米波雷达在非接触式生命体征检测领域的研究热点。为此，提出了一种基于毫米波雷达的心率变异性检测方法。首先，对调频连续波雷达回波信号进行预处理，利用奇异谱分析对信号进行降噪重构；然后，基于模态选取准则的变分模态分解算法自适应地提取心跳信号并计算心率。最后，通过检测心跳信号的峰值来估计心跳的具体时间，进而获得心跳间期以计算心率变异性的时频域特征。实验结果表明，该方法在心率变异性估计中具有较高的准确性和鲁棒性。

【关键词】毫米波雷达；心率变异性；奇异谱分析；变分模态分解

doi:10.3969/j.issn.1006-1010.20241024-0001

中图分类号：TN959.6          文献标志码：A

文章编号：1006-1010(2024)12-0103-13

引用格式：倪杰,王勇,杨小龙,等. 基于毫米波雷达的心率变异性检测方法[J]. 移动通信, 2024,48(12): 103-115.

NI Jie, WANG Yong, YANG Xiaolong, et al. Heart Rate Variability Detection Method Based on Millimeter Wave Radar[J]. Mobile Communications, 2024,48(12): 103-115.

0   引言

心率（HR, Heart Rate）是每分钟的心跳次数，健康的心跳并不是像节拍器一样有规律的跳动，而是每次跳动会有微小的差异性，心率变异性（HRV, Heart Rate Variability）就反映了相邻心跳之间时间间隔的差异，称为心跳间隔（IBI, Interbeat Interval）^[1]。HRV已被证明是评估整体心脏健康和负责调节心脏活动的自主神经系统（ANS, Autonomic Nervous System）状态的重要指标^[2]。此外，HRV检测已被应用在睡眠监测^[3]、压力检测^[4]、情绪识别^[5]等领域。

传统的HRV是通过接触式设备获得心电图（ECG, electrocardiogram）和光电容积图（PPG,photoplethysmogram）连续测量IBI来估计的。虽然接触式检测具有较高的稳定性和精度，但长时间与皮肤接触会降低用户的舒适度并带来不便，尤其是对于烧伤患者、婴儿等特殊群体。因此，非接触式检测技术方式变得尤为重要。在非接触式检测领域，相比于Wi-Fi、视频设备等无线设备，调频连续波（FMCW, Frequency Modulated Continuous Wave）雷达因具备合适的距离分辨率、微多普勒探测能力、简单的系统结构以及良好的抗干扰能力，更适合用于生命体征检测^[6]。

基于FMCW雷达的心率估计，文献[7]使用带通滤波器估计心跳，但呼吸和心跳频率相近，所以该方法并不能有效消除噪声和呼吸谐波对心跳信号的干扰。文献[8]提出了基于正交匹配追踪的压缩感知（CS-OMP, Compressed Sensing Orthogonal Matching Pursuit）方法分离并重构心跳信号，有效提高了心跳信号的检测精度。另一方面，基于盲源分离的模态分解方法包括经验模态分解（EMD, Empirical Mode Decomposition）^[9]、集合经验模态分解（EEMD, Ensemble Empirical Mode Decomposition）^[10]、自适应噪声完备集合经验模态分解（CEEMDAN, Complete Ensemble Empirical Mode Decomposition with Adaptive Noise）^[11]等，分解方法将信号分解成不同的模态分量，进而提取出心跳信号。然而，上述研究大多只关注心率的估计，即一段时间的平均心率。准确估计HRV比仅仅估计HR更具挑战性，因为它需要精确获取心跳波形以便计算每个心跳周期的时间长度。基于此，文献[12]使用变分模态分解（VMD, Variational Mode Decomposition）提取心跳信号，并对心跳波进行峰值检测估计IBI，IBI误差中位数为28 ms。文献[13]利用卷积算法去除呼吸干扰，并使用导数函数来检测最陡峭的斜率峰值从而获得HRV。文献[14]在文献[13]的基础上加入刺激，分析在运动或咖啡因摄入等因素导致心率加快的情况下的HRV。但是，以上研究并没有评估心率以及HRV的频域特征。

近年来，随着机器学习技术的发展，越来越多的研究开始结合深度学习、多模态融合等方法进行心率及HRV检测。文献[15]提出了一种基于深度神经网络的心跳信号重建方法，以提高信号质量。文献[16]使用人工神经网络与雷达耦合的方法进行实时心率估计，但该方法在HRV的估计上精度并不高。文献[17]、[18]结合摄像头和雷达提出了一种多模态融合方案实时检测心跳，通过融合视觉与无线传感器数据，提升复杂环境下的检测准确性。文献[19]使用过零技术和机器学习方法进行HRV提取和睡眠呼吸暂停事件。文献[20]使用深度神经网络对反射信号和心跳的时空关系进行建模，以实现HRV的监测。文献[21]提出频率和残差模块集成的新型网络，追踪时间序列以进行HRV检测。这些方法的缺点在于神经网络训练需要大量的数据以及较长的计算时间。

基于此，本文提出了一种毫米波雷达的HRV估计方法。利用FMCW雷达的距离分辨特性对人体进行定位，对回波信号中存在的噪声和干扰进行预处理，利用奇异谱分析（SSA, Singular Spectrum Analysis）对信号进行降噪重构。然后，采用基于模态选取准则的心跳提取VMD算法提取心跳信号并计算心率。最后，提取心跳波峰值所对应的时间参数，进一步得到IBI，通过IBI计算HRV的时频域特征。

1   雷达信号模型及预处理

1.1  信号模型

1.2  雷达信号预处理

2   心跳信号提取与HRV估计

2.1  心跳提取算法与心率估计

2.2  HRV估计

3   结果与分析

3.1  实验设置

本文使用的实验仪器是德州仪器公司的TI AWR1642雷达传感器以及DCA1000数据采集卡，如图3（a）和（b）所示，AWR1642具有2发4收的天线阵列，本文设置两个发射天线依次发射的chirp信号起始频率为77 GHz，频率随时间的斜率为70 MHz/μs，每个chirp持续57 μs，在此期间采样200个点，快时间轴采样频率为4 MHz，慢时间轴采样率为20 Hz，DCA1000 EVM用于雷达数据采样。

本次实验的实验场景如图3（c）所示，被测人体静坐在雷达板前方。并且为了获得真实的心跳信号和IBI序列，实验期间使用力康公司生产的Prince 180B心电检测仪采集参考的心率和ECG信号，如图3（d）。

本文召集了一共20位年龄在20至38岁的参与者（11男9女）在图3（c）的场景下进行实验，对于每位参与者，本次实验收集了10组30 s的数据，共100组数据。除了真实的ECG信号对比外，为了进一步评估本文所使用方法的性能，本文选择BPF方法和mmHRV^[12]作为参考方法进行比较分析。

3.2  实验结果与分析

（1）信号预处理分析

1）目标检测及预处理

按照图3（c）的实验场景采集完数据后，首先对人体目标进行定位，对雷达的每个数据进行距离-FFT，得到的距离-时间热力图如图4（a），此次测量人体位于雷达约60 cm处。提取的相位信号如图4（b）所示，从图中可以看出，相位信号存在相位模糊问题。经过扩展DACM后的相位信号消除了模糊现象，经过相位差分不仅增强了心跳信号，还有效抑制了相位漂移，结果如图4（c）所示。

2）基于SSA的噪声抑制性能分析

得到相位信号之后，信号波形中存在很多噪声，因此本文采用SSA算法对相位信号进行分解与重构，以提高信号的质量。由于本文采集的数据时长为30 s，且SSA算法原理可知，选择的窗口大小不能超过15 s。为了选取最好的窗口大小，本文从1 s开始遍历至15 s，并分别计算每个窗口大小对应的信噪比（SNR, Signal-to-Noise Ratio）和均方误差（MSE, Mean Squared Error），在此过程中，通过比较不同窗口大小下的SNR和MSE值，确定最适合的窗口大小。

结果如图5（a）所示，综合考虑SNR和MSE，本文最终选择窗口大小为10 s。经SSA分解后的奇异值分布如图5（b）所示，从图中可以看到，第一个奇异值和第二个奇异值远大于其他奇异值，其对应的特征向量包含所需信号成分。为了滤除大部分噪声并尽可能保留有效信息，本文根据能量集中性原则^[26]，选择降序排列的特征值及其对应的特征向量，直到其累积能量达到95%，用于重构相位信号，结果如图5（c），从图中可以看出，该方法可以有效的去除噪声成分。

进一步，为了验证SSA的降噪效果，本文选择将SSA方法与传统低通滤波器（截止频率为2 Hz）、主成分分析（PCA, Principal Component Analysis）^[27]的传统分解降噪方法进行比较，计算出各自的SNR进行比较分析。由表1可知，本文提出的SSA方法效果更好，为后续心跳信号的提取和HRV的计算提供了更加精确和鲁棒的信号处理方法。

（2）心率与IBI估计性能

1）心率估计性能

VMD算法将生命特征信号分解成不同的模态分量，根据经验，本文设定惩罚因子a=5000，对于模态数量的选取，模态数量k=3。通过VMD方法能有效地分离生命体征信号，如图6（a）和（b）所示。结合模态选取准则可以自适应地提取出准确的心跳信号如图6（c）和（d）。

为了进一步验证本文估计心率的准确性，本文给出了测量的20组心率值，如表2所示。从表中看出，本文估计心率的绝对误差均值为1.95BPM，相对误差在2.34%。其中，最大的误差出现在第11位参与者，其绝对误差达到7.5 BPM，相对误差为8.3%，这是因为参与者11在实验过程中有轻微的动作、姿势改变，从而导致了测量误差的增加。

2）IBI估计性能

图7给出了估计IBI和真实ECG的变化趋势以及三种方法IBI估计的绝对误差。图7（a）证明估计的IBI趋势与真实的HRV具有较高的相似性。

从图7（b）可以观察到，BPF、mmHRV和本文的方法绝对IBI误差中位数分别为45 ms、31 ms、21.5 ms。根据绝对误差来看，BPF方法误差值分布较为分散，存在较多高误差点。相比之下，mmHRV方法的误差波动范围明显缩小，且误差值更加集中。而本文使用了SSA方法进行降噪处理，并且提出模态选取准则自适应地提取准确的心跳信号，所以在IBI误差上的表现更好，波动范围也更小，显示出较高的精确度。

（3）HRV时域特征估计性能

1）误差估计

为了更全面地评估IBI的估计准确性，本文计算和评估了共20位参与者的IBI时域特征及误差情况，其中用户和雷达之间的距离约为60 cm。本文画出了HRV各时域特征的箱线图和每个时域特征在不同方法下的误差对比图，如图8所示。

如图8（a）所示，针对HRV各个时域特征的整体误差，本文的方法相较于BPF和mmHRV表现更好，且误差分布更为集中。同时，图8（b）至图8（f）更加直观地展示了本文方法的误差值及波动性，从图中可以看出，三种方法在不同参与者上的误差表现趋势基本一致，这进一步验证了本文方法的有效性和可行性。在各个HRV时域特征中，本文方法在RMSSD的误差分布较为集中，显示出较小的变异性，表明本文方法在该指标上的表现更为稳定。具体而言，BPF、mmHRV和本文方法的RMSSD误差中位数分别为29.06 ms、19.25 ms和10.37 ms，而RMSSD是评估副交感神经系统活动的重要指标，因此本文方法能够更精准地捕捉IBI的变化情况。对于SDRR，BPF、mmHRV和本文方法的误差中位数分别为37.53 ms、11.86 ms和6.37 ms，精度差异明显，表明本文方法在SDRR的估算上更为准确，能够更好地反映心脏的整体波动和自主神经系统的功能。此外，在pNN50的整体误差上本文方法优于BPF和mmHRV，但第13个参与者的pNN50误差值大于mmHRV，这可能与个体差异或数据异常有关。

总体而言，BPF方法的误差较大，主要原因在于其无法完全分离心跳信号和呼吸谐波以及其他噪声，导致测量误差增加。而mmHRV系统由于使用VMD分解技术有效分离了心跳信号与其他干扰信号，从而能够更准确地提取心跳波，用于HRV估计，误差相对较小。相比之下，本文提出的方法误差更小、精确度更高。这是因为本文使用了SSA方法有效地去除了噪声，提取出了更纯净的信号，且提出的模态选取准则能够自适应地提取出准确的心跳信号，从而进一步提高了精度。

2）不同个体HRV时域特征分析

不同个体之间的HRV存在显著差异，因此其时域特征也会表现出相应的差异。基于误差分析，本文结合每位参与者的心率以及个体差异，针对不同参与者的时域特征进行了深入分析。图9中展示的是各参与者的心率值图和HRV时域特征的具体数值图。需要特别指出的是，在图9（b）至（f）中，为了便于分析个体的HRV时域特征与心率间的关系，本文将心率根据不同的ECG数值进行缩放处理，最终得到图中的“心率!”表示。因此，图中的“心率!”并非每个个体的实际心率，而是根据ECG数据调整后的心跳数据。

结合图9的各个子图可以得到：个体的心率与HRV时域特征值之间存在明显的关联，不同个体的心率存在差异，这也导致HRV时域特征值的不同。心率的变化与不同HRV指标（如RMSSD、SDRR等）的波动性呈现出一定的规律性。例如，对于RMSSD，当心率较高时，RMSSD的值通常较低。这是因为心率较高时，心跳节奏加快，心跳间期的差异变小，从而导致RMSSD值的下降，反之，当心率较低时，心跳间期的差异增大，RMSSD值则相应较高。

具体而言，对于本实验，女性参与者（2、3、5、9、10、11、13、14、16）的心率通常在80 BPM及以上，而男性参与者（1、4、6、7、8、12、15、17、18、19、20）的心率通常在60 BPM至80 BPM之间，相应的，由图可知，女性的HRV时域特征会更低，男性则更高，这是因为心率越高，每分钟心跳次数越快，使得IBI更短，导致HRV时域特征值降低，这也和文献[28]的研究证明相符合。其次，参与者8和参与者18的心率分别为72和64。而参与者8和参与者18是经常并有长期运动习惯的男性。相比之下，二者的心率较其他参与者更低，这使得他们的HRV时域特征值（如MEAN、RMSSD、SDRR等）相对较高。这表明，个体运动习惯对心率及HRV值有着显著的影响^[29]。

（4）HRV频域特征估计性能

表3列出了10位参与者的HRV频域估计特征。本文对心跳信号进行了Welch功率谱估计，滑动窗口大小设置为4，各窗口重叠为50%，FFT点数为1024。

本文方法所得到的HRV频域特征LF、HF、LF/HF的误差均值分别在117.13 ms2、242.78 ms2、0.011。其中，LF功率与交感神经活动密切相关，HF功率则主要反映副交感神经活动，LF/HF比值通常被用来衡量交感和副交感神经系统的平衡状态。本文的平均误差较低，证明了本研究方法在区分和评估交感、副交感神经系统活动方面的有效性和可靠性，并可以将进一步用于睡眠质量、睡眠呼吸暂停评估等应用场景。具体而言，在本实验中，由于测量时间较短，HRV频域指标的变化并未表现出显著差异。然而，女性参与者相较于男性，其LF（例如74.43 ms2、79.81 ms2等）成分较低，而HF成分则相对较高。这一差异可能与女性通常表现出较强的副交感神经活动有关，导致HF功率较高。相反，男性则表现出较高的LF成分，表明其交感神经活动相对较强。但是对于参与者1，LF成分也比较低，该参与者为38岁的男性，这可能与这位参与者的年龄有关，年龄的增长通常会导致交感神经和副交感神经的平衡发生变化，从而影响HRV的频谱成分^[30]。

（5）不同场景下的HRV估计性能

1）不同距离的HRV

在本节中，本文讨论了人体距离雷达之间的距离的影响。参与者面向雷达分别在60至100 cm的距离进行测量，如图10（a）所示。实验的结果直方图如图10（b）所示，当人体距雷达60 cm、80 cm、100 cm时的IBI的误差均值分别为21.52 ms、39.58 ms、68.65 ms，这表明了随着雷达与人体之间距离的增加，IBI误差均值逐渐增大。这一现象可以归因于随着距离增大，雷达信号的强度减弱，同时信号可能受到更多噪声的干扰，从而导致测量误差增大。

2）平躺姿态下的HRV

参与者平躺在折叠床上，使用支架将雷达固定在参与者的胸部正上方约60 cm处，场景如图11（a）所示。本文将平躺姿态下得到的数据与面向雷达坐着的数据进行对比，得到的结果图如图11（b）所示。可以观察到，平躺姿态下的IBI值略高于面向雷达坐姿下的IBI值。这是因为平躺时，身体处于放松状态，心率较低，导致心跳频率较慢，从而使得IBI间隔时间较长。而在坐姿状态下，直立背部并没有平躺时放松，这使得心率略增，因此IBI间隔时间较短，导致IBI个数相对较多。

通过不同场景下的HRV估计，证明了本文方法的可行性，进一步验证了其在不同环境和姿态下的适用性。

4   结束语

本文提出了一种基于毫米波雷达的HRV检测方法。首先，对雷达回波信号进行预处理，利用奇异谱分析对信号进行降噪重构。然后，采用VMD算法结合所提出的模态选取准则自适应地提取心跳信号并计算心率。最后，提取心跳信号的峰值对应的时间参数，进一步得到IBI，通过IBI计算HRV的时频域特征。实验结果表明，本文所提出的方法能够获得较高精度的HRV估计结果，其中，IBI估计误差为19.5 ms，HRV时域特征MEAN、RMSSD、SDRR、pNN50、SDSD误差均值分别为11.40 ms、9.19 ms、5.38 ms、8.05 ms、10.86 ms，频域特征LF、HF、LF/HF的误差均值分别在117.13 ms2、242.78 ms2、0.011，同时本文验证了不同距离、不同姿态下的HRV估计性能，证明了本文方法的可行性。在未来，将本文提出的算法应用于压力检测、睡眠监测等领域，帮助用户实时监测自身生理状态，并进一步为医疗健康服务提供数据支持，从而预防潜在健康问题的发生。