基于RFID標簽陣列的睡眠期間呼吸量連續監測系統

徐曉翔，常相茂，陳方進

（南京航空航天大學計算機科學與技術學院，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重要指標，可用于跟蹤和診斷許多醫療領域的疾病，例如睡眠、肺病學和心臟病學［1］。此外，準確的呼吸監測還可以提供有關個人心理狀態和生理狀況的有用線索。

睡眠場景下對人體呼吸量進行持續監測具有重要意義。呼吸量可用于推斷人的睡眠狀態：輕度、深度或者是快速動眼（Rapid Eye Movement，REM）睡眠，進而用于評估用戶的睡眠質量，睡眠質量的優劣將直接影響到人的生產力和精神狀態［1］。睡眠監測系統能夠實現持續不間斷的用戶睡眠狀態評估，并為用戶提供一些隱性疾病的診斷線索與改善睡眠習慣的建議［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呼吸量進行連續監測。

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

近期一些關注呼吸量的研究包括：Nguyen等［10］通過分析運動引起定向無線電信號的細微相位變化，重建微小的胸部和腹部運動，基于神經網絡來建立呼吸量與胸腹部運動之間的映射關系，進而評估用戶的呼吸量；Oh等［11］提出了使用深度攝像機結合水平集分割法區分呼吸相關區域，再從胸壁形態變化上推算人體呼吸量的方法；Lee等［12］則評估了多普勒雷達實現呼吸量監測的可行性。然而上述文獻中的方法多數需要特殊設備在嚴格的實驗要求下進行實驗，對于實驗期間用戶肢體的活動沒有提出輕量且合理的應對措施。

本文提出了一種基于無線射頻識別（Radio Frequency IDentification，RFID）標簽陣列的非接觸式連續監測用戶睡眠狀態下呼吸量的系統。如圖1所示在用戶胸部區域和肩膀處分別附著RFID標簽陣列，用戶平躺于雙天線下方1～2 m處進行呼吸量監測。首先閱讀器連續詢問標簽并獲得其當前位置報告的相位值，附著在胸部的標簽所反饋的相位流經過預處理后可推導出單次呼氣、吸氣階段內胸部區域標簽的位移量。用戶肩膀處雙參考標簽的相位流保持相對穩定期間，胸部區域標簽位移量的計算才能視為有效，即用戶保持當前睡姿到切換下一睡姿的時間段內。接著利用雙參考標簽計算出當前睡姿維持的時間段內胸部平面和天線所在平面的夾角來還原真實的胸部標簽位移。最后，利用廣義回歸神經網絡（General Regression Neural Network，GRNN）建立胸部位移量與呼吸量之間的關系模型。

圖1 實驗場景設置Fig.1 Experimental scenesetting

1 相位值

RFID標簽從閱讀器發射的射頻場中獲取能量，并利用反向散射耦合方式完成從標簽到閱讀器的數據傳輸。閱讀器連續詢問射頻區域內的標簽并報告每個成功識別標簽的相位值［13-14］。如圖2所示，假設天線與標簽之間的距離為d，無線電波在閱讀器天線和標簽之間來回傳播時，其傳播的總距離為2d。那么閱讀器輸出標簽于當前位置的相位值如下：

其中：λ是波長；c是恒定的相位偏移，僅與天線硬件和標簽電路有關；?T、?R、?Tag分別表示由天線發射電路，天線接收電路以及標簽反射特性造成的額外相位旋轉。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2π弧度，當閱讀器成功檢測到標簽時會輸出相應的相位估計值，具體取決于各個天線和信道。典型的超高頻（Ultra High Frequency，UHF）讀取器有16個信道，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到0.001 5弧度，從而提供320 mm*0.001 5（/4×3.14）=0.038 mm 的測距分辨率［13，15］。這種超高分辨率使相位值成為測量用戶睡眠過程中胸部微小位移量的絕佳指標。

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

2 RF-SLEEP系統

RF-SLEEP包括閱讀器和多個RFID標簽陣列，標簽陣列附著在用戶身體表面或是衣物表面，可以有效應對睡眠場景下的弱光條件以及棉織物阻隔。本文利用RF-SLEEP中3個重要組成模塊來評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網絡。

2.1 胸部位移提取

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

圖3 相位數據頻譜分布Fig.3 Phase data spectrum distribution

健康人休息時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］。通過對原始相位數據流應用巴特沃斯5階低通濾波器［17］，根據FFT頻譜分布以及人體呼吸的先驗知識將其通帶頻率設置為0.4 Hz，阻帶設置為0.6 Hz。圖4繪制了濾波前后的呼吸信號，可以觀察到噪聲被成功濾除，提取的信號呈現出明顯的趨勢。最后利用公式來計算出呼吸過程中胸部不同區域標簽的位移量，具體如下：

其中：d是胸部單點的位移量，λ為波長，?crest和?trough分別代表數據流中相鄰的波峰和波谷對應的相位值。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

鑒于睡眠場景下多路徑效應以及環境干擾等因素較弱，經過預處理后胸部位移估計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無意識地改變其睡姿，這無疑會導致用戶胸部平面和天線之間形成一個固定的夾角，這個夾角會對當前睡姿轉換到下一個睡姿這個時間段內胸部呼吸的位移估算造成一個持續的誤差，所以實時并準確地獲取用戶在睡眠狀態下胸部平面和天線平面之間的夾角對于呼吸量的準確評估至關重要。

圖4 原始和濾波后的相位數據Fig.4 Original and filtered phasedata

2.2.1 標簽到達角推導

為了實現睡眠場景下對用戶胸部平面和天線平面之間的夾角進行檢測，首先需要利用雙天線來實現對單個標簽到達角的測量。如圖5所示，當天線O1、O2詢問標簽A時可以獲得兩個相位值?（A，O1）和?（A，O2），那么由兩個天線收集到的同一標簽的相位差Δ?A可以表示為：

其中Δ?0是由于兩個天線硬件引起的相位差。因為兩個天線在硬件上不可能完全相同，所以Δ?0需要進行校準。由式（1）可知天線硬件造成的相位旋轉可以視為一個常量，所以校準是可行的。此外通過式（1）可知，RFID的相位值與天線和標簽之間的距離呈線性比例關系，因此可以獲得標簽A到兩個天線O1、O2的距離差Δd，其可表示為：

為了計算標簽A相對O2點的到達角θa2，根據文獻［18］中的分析標簽A相對于兩個天線的距離差Δd可以近似為O1O2即天線O1與O2中心點之間的間距與cosθa1之積，并且標簽A到天線平面的垂直距離遠大于MO2，可推導出θa2≈θa1，所以可以進一步推導cosθa2為：

圖5 標簽到達角計算Fig.5 Calculation of tagarrival angle

2.2.2 雙參考標簽與天線所在平面夾角

基于上述雙天線測量單個標簽到達角的方法，可計算出θA、θB的值即A、B標簽的到達角。為了便于分析，選取其中一個天線作為基準來進行后續的推理與計算。如圖6中所示A，B為附著在用戶肩膀附近的兩個參考標簽，它們之間的距離AB為定值且已知。BD的長度可以通過如下公式求出：

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

圖6 雙參考標簽與天線平面之間的夾角計算Fig.6 Calculation of anglebetween double referencetagsand antennaplane

2.2.3 胸部位移復原

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簽C且θC、θF均小于直角的情況作為分析對象，其余情況可由此類推。如圖7中所示C標簽的真實位移為CF，FG則為胸部位移提取階段計算的位移量。θF、θC分別對應胸部標簽于F點和C點處的到達角，可由2.2.1節中分析得到。那么由圖7中的幾何關系，可以推導出：

通過計算出θ0和θ1的值，可以進一步推算出胸部真實位移CF與相位流中提取的胸部位移FG之間的關系如下：

其中：?F、?C分別為標簽于F點和C點時的相位值。

圖7 胸部位移復原Fig.7 Recovery of chest displacement

2.3 廣義回歸神經網絡

為了得出用戶睡眠期間胸部位移量和呼吸量之間的關系，本文使用廣義回歸神經網絡（GRNN）來建立模型，其結構如圖8所示。

圖8 廣義回歸神經網絡結構Fig.8 Structure of generalized regression neural network

如圖8中所示，GRNN結構分為4層：輸入層、模式層、求和層以及輸出層。輸入層神經元數目等于輸入向量X=[x1，x2，…，xm]的維數m，模式層神經元的數目等于學習樣本的數量n，每個神經元都對應不同的樣本記作X i，模式層中神經元傳遞的函數為：

其中：σ為光滑因子，它決定預測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元進行求和，其傳遞函數分別為：

其中SD對所有模式層神經元的輸出直接進行求和，而SNj則是對模式層中的神經元進行加權求和，yij為其權值。輸出層中的神經元數目等于輸出樣本Y=[y1，y2，…，yk]的維數k，各神經元將求和層的輸出相除，第j個神經元的輸出yj如下：

本文隨機選取實驗數據集中80%的數據作為訓練集，即用戶睡眠期間的胸部位移數據以及呼吸量真值作為GRNN的訓練輸入、輸出樣本，剩余的20%作為驗證集。為了增強模型的魯棒性，使用K折交叉驗證將訓練集細分為K個不相交的子集，將每個子集分別作為一次驗證子集，其余的K-1組作為訓練子集。此外，交叉驗證的過程中在[0.1，2]的區間內以0.1的梯度循環遞增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，在驗證集上評估模型預測結果與實際值之間的誤差比。

3 實驗結果及分析

3.1 實驗設置

系統原型使用商用現貨（Commercial Off-The-Shelf，COTS）RFID設備實現，無需任何硬件修改。本系統原型采用配備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個載波頻率），發射功率為24 dBm，靈敏度為-80 dBm。標簽的類型是Alien-9654（長96.5 mm、寬23.2 mm）。本文基于底層讀寫器協議（Low Level Reader Protocol，LLRP）工具包實現系統原型來配置商品讀取器并讀取低級數據，然后使用Java配合實現相位流的數據收集與預處理和Matlab求解信號的濾波以及呼吸量。實驗中使用的計算機配備Intel Core i7-4790 CPU 3.6 GHz和12 GB內存。

為了評估系統原型的表現，實驗共招募了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。在實驗期間，各種數量的COTS標簽附著在其布料上的不同區域（主要為胸腔前部的區域以及肩膀處）。本文使用肺活量計測量得來的結果作為實驗的真值，為模型預測的呼吸量提供參照標準。

3.2 實驗結果分析

為了驗證RF-SLEEP的性能，本文用下列公式來衡量呼吸量測量的精確度：

其中：平均絕對百分比誤差（Mean Absolute Percentage Error，MAPE）是模型評估的損失函數，對于預測數據與真實數據之間的相對誤差有著非常直觀的解釋；Ai代表呼吸量的真值；Fi則代表呼吸量的預測值。

3.2.1 呼吸量估計的總體準確性

根據隨機選取的不同驗證集在各自訓練集經過交叉驗證后所求解出的最佳模型上的性能表現進行分組。如圖9所示，RF-SLEEP可以以中位數從91.43%～93.65%的精確度估計用戶睡眠過程中的呼吸量。此外，在沒有參考標簽的情況下，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的預測精度下降約16%左右。

圖9 不同樣本組下呼吸量預測的精確度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中評估了在用戶胸部平面與天線所在平面成特定角度時的準確度。可以觀察到在45°～90°區間內隨著角度的增加系統的預測精度會有小幅度下降，具體原因如圖11所示，當用戶面向天線即角度為0°的情況，標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，當用戶旋轉至90°時，讀取率下降至10 Hz，單位時間內獲取到的數據量下降導致胸部位移的相位流提供的信息完整度下降，造成系統準確度降低。

圖10 不同角度下的準確度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于RF-SLEEP系統呼吸量預測精度的影響?？梢杂^察到用戶與天線之間的距離在［1 m，2.5 m］的區間范圍對于系統的性能幾乎沒有影響，準確度均保持在91%左右。

圖11 不同角度下標簽的讀取率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 結語

本文提出了一種基于RFID標簽陣列連續監測用戶睡眠期間呼吸量的系統，并設計了從RFID標簽返回信號的相位數據流中恢復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簽，消除用戶睡眠期間翻轉身體后胸部平面與天線所在平面形成的夾角對胸部位移計算造成誤差的方法。實驗結果表明，RF-SLEEP對不同用戶睡眠期間的呼吸量連續監測的平均精確度可以達到92.49%。