（三十三）基于Huber-Kalman 和自相关算法的快速、准确的非接触式驾驶员HRV检测

科技 2024-08-25 13:16 江苏

点击下方卡片，关注“调皮连续波”

一起学习和科普雷达技术！

【正文】

编辑|雷达小助理审核|调皮哥

每周学术论文，阅读习惯养成！这是《毫米波雷达 | 论文品读专栏》的第33篇文章，全文1.1W字，专栏合集已达33.4W字。每期的论文原文在文末给出查看方式，便于读者查找阅读。

专栏合集部分历史文章：

(三十一)最先进的远程人体跌倒检测雷达技术的趋势和挑战（第一部分）

(三十二)最先进的远程人体跌倒检测雷达技术的趋势和挑战（第二部分）

摘要

在传统驾驶和自动驾驶环境中，通过监测驾驶员的身体状况来增强道路安全至关重要。我们的研究重点是无线智能传感器系统，该系统利用毫米波 (mmWave) 雷达监测驾驶员的心率变异性 (HRV)。通过评估 HRV，该系统可以检测困倦的早期迹象和突发医疗紧急情况（例如心脏病发作），从而防止事故发生。这对于全自动驾驶 (FSD) 系统尤其重要，因为它可以确保控制权不会转移给受损的驾驶员。所提议的系统采用放置在驾驶员座椅后面的 60 GHz 调频连续波 (FMCW) 雷达，本文主要介绍先进的信号处理方法，包括 Huber-Kalman 滤波算法，用于减轻呼吸对心率检测的影响。此外，自相关算法可以快速检测生命体征。多次的实验证明了该系统在准确监测 HRV 方面的有效性，突显了其在传统和自动驾驶环境中增强安全性和可靠性的潜力。

一、概述

1.1 持续驾驶员健康监测的重要性

监测驾驶员的身体状况对于增强正常驾驶和自动驾驶场景中的道路安全至关重要。通过持续评估驾驶员的健康状况，该系统可以防止因困倦和心脏病等突发医疗紧急情况等因素引起的事故。对于完全自动驾驶 (FSD) 系统，这种监控可确保控制权由有能力的驾驶员掌控，从而保持安全 [ 1 , 2 ]。

随着汽车公司开始将 FSD 功能商业化并考虑提供保险服务，这项技术变得越来越重要。确保驾驶员适合驾驶不仅可以提高安全性，还可以减少责任和保险成本[ 3 ]，为公司和消费者提供全面的安全网和经济利益。

除了紧急健康状况外，驾驶员因疲劳、饮酒和某些物质而犯困也可能导致车辆失控。心率变异性 ( HRV ) 是检测困倦和健康相关紧急情况的关键指标[ 4,5,6 ]。通过监测 HRV，该系统可以识别驾驶员损伤的早期迹象，并采取先发制人的行动来防止事故发生，从而提高整体道路安全和 FSD 系统的可靠性。

HRV定义：心率变异性(HRV)是指逐次心跳周期差异的变化情况，它含有神经体液因素对心血管系统调节的信息，从而判断其对心血管等疾病的病情及预防，可能是预测心脏性猝死和心律失常性事件的一个有价值的指标。HRV降低为交感神经张力增高，可降低室颤阈，属不利因素；HRV升高为副交感神经张力增高，提高室颤阈，属保护因素。大多数人认为SDNN、SDANN、SDNNIndex等时域指标小于50ms，为HRV显著减低，病死率大大增高。

1.2. HRV 监测技术和方法

HRV 监测技术和方法在确保在动态驾驶环境的挑战中有效监测驾驶员健康方面发挥着关键作用。射频 (RF) 技术，例如基于 Wi-Fi 的通道状态指示器 (CSI) 和基于雷达的毫米波 (mmWave) 传感器，可用于精确的 HRV 测量 [ 7 , 8 ]。毫米波雷达工作频率为60 GHz，采用驾驶员座椅后面的调频连续波 (FMCW) 技术，已成为非接触式生命体征监测的首选传感器[ 9,10,11 ]。

在驾驶过程中持续监测驾驶员的健康状况面临着众多挑战。这些挑战包括HRV位移信号与呼吸信号混合 [ 12 ]，这需要创新的方法来有效分离HRV信号 [ 13,14,15,16,17,18 ]。动态驾驶条件，例如道路颠簸和驾驶员操纵，也会造成相对于传感器不可预测的身体运动，从而带来挑战[ 13,19,20,21,22 ]。

在汽车停车或启动阶段进行准静态心率（HR）监测，可以显著降低行驶过程中遇到的噪音。此类噪声包括道路状况、驾驶操作、车辆不稳定和机械振动。由于车辆的准静态状态通常持续不到 30 秒，因此需要一种快速算法来检测驾驶员的心率，以对其状态进行初步评估。此初步评估还可以帮助识别驾驶阶段 HRV 监测期间的误报。

为了应对这些挑战，本文提出了先进的信号处理方法，结合自相关算法和Huber-Kalman算法来快速准确地获取HR和HRV。引入 Huber-Kalman 滤波方法可有效分离 HRV 和呼吸 [ 23 , 24]，构成车辆静止时 HRV 测量的基础。这是 Huber-Kalman 方法在非接触式 HRV 监测中的首次应用。此外，还采用自相关算法来确定 HR，提高了 HRV 检测的准确性并滤除 Huber-Kalman 算法检测到的异常。这些方法使用位于驾驶员座椅后面的 60 GHz FMCW 雷达进行了验证，证明了它们在停车期间（例如，在交通灯处）和平稳驾驶条件（例如，在高速公路上）获得可靠 HRV 测量的功效。

论文结构如下：

第 2 节讨论 HRV 监测的生理基础和重要性，提供对 HRV 的理解、自主神经系统 (ANS) 的调节及其在检测压力、疲劳和心血管健康方面的意义。

第 3 节探讨了 FMCW 雷达的技术原理和应用，重点关注其在非接触式 HRV 监测中的应用。

第 4 节深入研究了先进的信号处理方法，包括噪声分类、Huber-Kalman 滤波方法和短窗自相关算法。

第5节介绍实验和结果，描述实验设置、数据分析以及 HR 和 HRV 测量的准确性评估。

最后，第 6 节总结并讨论了研究结果及其对改善道路安全的影响。

二、 HRV监测的生理基础和重要性

本节探讨 HRV 的生理机制及其意义。我们将定义 HRV，讨论 ANS 对其的调节，并强调其在检测压力、疲劳和心血管健康方面的重要性。了解这些方面强调了 HRV 监测在确保驾驶员安全方面的关键作用。

2.1.了解 HRV：定义和机制

HRV 表示连续心跳之间的间隔波动。这些时间间隔通常在心电图 (ECG) 上测量为 RR 间隔 (RRI)。RRI 是两个连续 R 波之间的时间，R 波是代表心室（心脏的主要泵室）去极化的峰值。这个间隔至关重要，因为它反映了心脏对各种生理条件（包括压力、运动和休息）做出反应的能力。

ANS 在调节 HRV 方面发挥着重要作用。ANS 由两个主要分支组成：交感神经系统和副交感神经系统。交感神经分支负责身体的运动或逃跑反应，导致心率和能量调动增加以应对压力或危险。另一方面，副交感神经分支控制休息和消化功能，通过降低心率来促进放松和恢复。

2.2. HRV 的临床和实际重要性

HRV的重要性在于它能够作为人体心血管健康和自主神经功能的综合指标。较高的 HRV 通常与更强的压力适应能力和更好的心血管健康相关，表明 ANS 功能良好。相反，较低的 HRV 可能表明压力、疲劳或潜在的健康问题，例如心血管疾病。

压力和疲劳监测：HRV 监测有助于识别个人的压力和疲劳水平。例如，HRV 的显著降低可能是精神或身体压力的早期指标。这对于驾驶员来说特别有用，因为高压力或疲劳会导致驾驶表现受损并增加事故风险。

心血管健康：HRV 是评估心血管疾病风险的重要标志。研究表明，HRV 持续较低的个体患高血压、心力衰竭和心肌梗塞等疾病的风险较高。持续 HRV 监测有助于及早发现和预防此类疾病。

睡意检测：在驾驶场景中，睡意检测对于预防事故至关重要。HRV 可以实时洞察驾驶员的警觉程度。HRV 下降可能表明困倦的开始，从而促使及时采取干预措施，例如警报或自动驾驶辅助。

三. FMCW雷达技术原理及应用

基于前面讨论的HRV的生理重要性和监测意义，本节探讨了HRV检测的技术方法。我们专注于 FMCW 雷达技术，这是一种在毫米波频率下运行的非接触式高灵敏度解决方案。通过了解毫米波雷达的工作原理及其与车辆的集成，我们可以了解其通过准确的 HRV 监测在增强驾驶员安全方面的关键作用。

3.1.毫米波雷达概述

毫米波雷达工作频率极高，通常在 30 GHz 至 300 GHz 之间，因此能够实现高分辨率和灵敏度。这些特性使毫米波雷达非常适合检测微小的运动，例如由人类呼吸和心跳引起的运动。毫米波雷达的短波长使其能够检测非常精细的运动，例如由心跳和呼吸引起的微小胸部位移，使其成为非侵入式、非接触式 HRV 监测的理想系统。此外，毫米波雷达可以在黑暗、透过衣服等各种环境条件下有效工作，保证在多种场景下的可靠性能，特别适合汽车应用。

毫米波雷达的紧凑尺寸和多功能性使其非常适合集成到车辆中。通常，雷达传感器安装在驾驶员座椅后面，天线阵列瞄准驾驶员的背部，特别是心脏区域。这种安装布局具有多种优势：它确保靠近心脏以进行精确检测，提供非接触式方法以进行连续健康监测而不影响驾驶员的舒适度，并利用稳定的安装表面最大限度地减少振动和运动对雷达精度的影响。此设置如图1所示。

图1：安装位置（靠近心脏位置，未考虑心脏长在左边情况）

3.2. FMCW 雷达：基本工作原理

FMCW 雷达是一种发射连续信号的雷达系统，其频率随时间进行调制。该信号通常称为线性调频脉冲，其频率在指定周期内线性增加。FMCW 雷达的基本工作原理包括距离测量、速度检测和生命体征监测。

该项目选择的硬件是德州仪器公司（美国德克萨斯州达拉斯）AWR6843AOP，这是一款单芯片 60 GHz 毫米波传感器 [ 25 ]。该传感器专为低功耗、高精度应用而设计，例如驾驶员生命体征监测。60 GHz频段在包括美国和欧洲在内的许多地区获得合法授权。

线性调频信号传输：FMCW 雷达发射在一定频率范围内线性扫描的线性调频信号。当该信号遇到物体时，它会反射回雷达系统。

时延测量：图2所示连续调频波的传输信号表达式如下[ 26 ]。

图2：发送和接收的调频信号

延迟一段时间后𝑇𝑑，从物体反射的信号被捕获。接收信号表示为：

𝛽表示信号在传播过程中遇到的衰减因子。因此，可以通过发射信号和接收信号之间的时间差来计算物体与雷达之间的距离。然而，直接获取时间延迟是很困难的。因此，我们通过发射信号和接收信号之间的频率差来计算时间。

频差计算：通过将接收到的信号与发射信号的一部分混合，生成中频（IF）信号。该 IF 信号的频率表示物体的范围。对 IF 信号应用快速傅立叶变换 (FFT) 使系统能够准确确定物体的范围。混频器后的信号公式为[ 26 ]：

第一个余弦函数表示高频分量，通过低通滤波器进行滤波，第二个余弦函数是低频分量，描述固定频率下的中频信号。在Td = 2R/c中，R表示雷达到目标的距离。

数据采集：数据采集过程涉及捕获驾驶员背部反射的雷达信号。这些信号包含有关心跳和呼吸引起的胸部运动的信息。雷达传感器连续发射 FMCW 信号并记录由发射信号和接收信号混合产生的 IF 信号。

目标检测：信号处理工作流程的第一步是检测目标（即驾驶员的背部）是否存在，这是利用雷达测量距离和检测预定范围内的运动的能力来实现的。

距离测量：一旦检测到目标，雷达就会通过分析 IF 信号的频率来测量到目标的距离。频率差𝑓𝐼𝐹发射信号和接收信号之间的距离d直接相关：

其中S是频率调制斜率，并且𝑇𝑑是时间延迟。然后可以使用以下公式计算距离d ：

其中c表示光速。上述介绍了 FMCW 雷达的基本原理后，我们现在可以深入研究其在生命体征监测方面的具体应用，重点关注它如何检测由呼吸和心跳引起的微小胸部位移。

3.3. FMCW 雷达生命体征监测原理

对于生命体征监测，FMCW 雷达可检测呼吸和心跳引起的微小胸部位移。这些位移导致反射信号的相位变化。图3描述了使用 FMCW 雷达进行生命体征监测的整体系统工作流程。工作流程包括 FMCW 信号的发射、反射信号的接收和处理以及心率和呼吸频率等生命体征的提取。

图3：整体系统工作流程

相位变化分析：雷达连续监测反射信号的相位。相位变化与胸部的位移直接相关，使雷达能够捕捉呼吸模式和心跳。多个反射信号的 IF 信号由 [ 26 ]描述：

其中k表示接收器捕获的不同反射信号，𝐴𝑘表示每个目标的反射能量水平，并且𝜙𝑘是发射信号和接收信号之间的相位差。雷达持续监测中频信号的相位变化。接收信号的相位phi由下式给出：

其中λ是雷达信号的波长，d ( t ) 表示胸部随时间的位移。对时域 IF 信号应用 1D-FFT，以从信号中提取相位信息。然后使用 1D-FFT 信号的同相 (I) 和正交 (Q) 部分来解调相位信息：

相位展开：相位展开解决了由于相位信号的周期性而产生的相位模糊度[ 23 ]。每当检测到比 π 更显著的相位不连续性时，它就会通过添加或减去 2π 来确保连续的相位信号。这个过程对于准确跟踪一段时间内的胸部运动至关重要。相位展开非常重要，因为雷达信号的相位是周期性的，并且可能会卷绕，导致相位值突然跳跃。如果不加以纠正，这些不连续性可能会导致测量胸部位移以及心率变异性时出现错误。

相位特征提取：获得正确的相位信息后，提取以下特征：呼吸速率：相位信号的低频分量（对应于更慢、更显着的运动）决定了呼吸速率。可以通过识别这些成分的周期性来提取呼吸模式；

HR：为了检测HR，与快速、小幅运动相对应的相位信号的高频分量被隔离。这是通过滤除呼吸信号并关注与心跳相对应的微小幅度变化来实现的；

HRV：HRV是通过分析连续心跳之间的时间间隔的变化来计算的。这些间隔源自解调的相位信号，可深入了解 ANS 对心脏的调节。

按照详细的信号处理工作流程，系统可以准确监测驾驶员的生命体征，通过持续的健康监测为增强道路安全提供关键信息。

四、先进的信号处理方法

基于第 3节中讨论的 FMCW 雷达技术的原理和应用，本文深入研究了快速、准确的 HRV 监测所必需的先进信号处理方法。HRV检测的有效性不仅依赖于毫米波雷达的高灵敏度，还依赖于复杂的算法来滤除噪声并准确提取生命信号。在这里，我们将探讨噪声分类、Huber-Kalman 滤波方法和短窗自相关算法，所有这些对于提高现实条件下 HRV 监测的可靠性和准确性都发挥着关键作用。

4.1.噪音和挑战的分类

4.1.1.呼吸信号的干扰

呼吸信号对使用毫米波雷达准确检测 HR 和 HRV 提出了重大挑战。主要问题在于呼吸引起的胸部运动比心跳引起的胸部运动大得多。呼吸通常会导致胸部位移约 5 毫米，而心跳会导致平均约 0.5 毫米的位移。

由于与心跳相关的位移相对较小，HRV 信号很快就会被呼吸引起的更明显的运动所掩盖。这种重叠可能会导致难以将 HRV 信号与呼吸信号分离。先进的信号处理技术（例如 Huber-Kalman 滤波器）对于区分这两种类型的位移是必要的。该过滤器有效地将较小的 HRV 相关运动与较大的呼吸引起的位移分开。

4.1.2.驾驶环境中的动态噪声

使用毫米波雷达进行 HRV 监测的另一个重要噪声源来自驾驶过程中经历的动态条件。车辆的运动会引入各种类型的噪声，这些噪声可能会干扰 HRV 的准确检测。其中包括以下内容：

路况：颠簸、碎石、坑洼会引起驾驶员身体相对于传感器的突然移动，产生毫米到几十厘米的显著位移；

驾驶员的动作：手部动作、调整姿势和其他身体动作等动作也会产生噪音，使 HRV 信号检测变得复杂；

车辆动力学：加速、减速和转弯运动进一步影响驾驶员身体和传感器之间的位移。这些运动通常是随机且不可预测的，因此有效滤除噪音具有挑战性。

这些因素的综合影响导致了复杂且不可预测的噪声环境，可能会掩盖 HRV 信号。尽管努力应用先进的滤波技术，例如Huber-Kalman滤波器和短窗自相关方法，但由于驾驶引起的运动固有的可变性和随机性，挑战仍然很大。

鉴于这些挑战，建议主要在车辆稳定时（例如在维护良好的道路上停车或平稳行驶时）监测 HR 和 HRV。在颠簸或不规则的道路条件下，由于上述因素引入的过多噪音，获得准确的 HRV 测量变得极其困难。因此，确保在稳定的驾驶条件下进行HRV检测将提高所收集数据的可靠性和准确性。

4.2.Huber-Kalman滤波方法

卡尔曼滤波器算法对于过滤相位信号以检测生命体征非常有效[ 23 , 27 ]。然而，在行驶过程中，由于车辆运动而产生更显著的扰动，这就需要对卡尔曼滤波器进行优化。这就是 Huber 算法发挥作用的地方，它通过处理异常值并减少重大干扰的影响来增强卡尔曼滤波器的鲁棒性。这种优化方法在应用于基于 Wi-Fi 的驾驶员呼吸检测时已被证明是有效的[ 23 ]。当适用于毫米波雷达时，卡尔曼和 Huber 滤波的组合可提供卓越的性能，从而产生更准确的 HR 和 HRV 测量。

4.2.1.算法原理

卡尔曼滤波器是一种高效的数据处理工具，以其实时功能、准确性和速度而闻名。它特别擅长减少测量误差和管理系统内的随机噪声。卡尔曼滤波器广泛应用于各种信号处理和控制领域，包括导航、跟踪和通信。作为一种递归算法，卡尔曼滤波器不需要存储所有过去的测量数据；它仅使用当前数据进行计算，使其对于实时应用程序非常高效。然而，卡尔曼滤波器对测量数据中的异常值很敏感，这会增加估计误差并可能导致滤波器发散。

引入 Huber-Kalman 滤波器是为了解决卡尔曼滤波器对异常值的敏感性。Huber-Kalman 滤波器将 Huber 损失函数的鲁棒性融入到卡尔曼滤波器框架中，增强了其对异常值的抵抗力。Huber 损失函数的行为类似于小误差的平方损失。尽管如此，当误差超过一定阈值时，它会转变为线性增长，从而减少异常值对估计结果的影响。

具体来说，Huber-Kalman 滤波器在状态更新阶段重新加权误差，减少重大误差（潜在异常值）的权重，并减轻它们对状态估计的不利影响。从而减少异常值对估计结果的影响。

设 a 为定义显著误差与次要误差之间边界的正常数，设 f 为误差函数。通过调整 a，可以控制处理误差函数时范数 ℓ1 或 ℓ2 之间的平衡。当 a 较大时，优化问题与传统的最小二乘方法一致。相反，当 a 趋近于零时，优化问题转向第一个基于范数的方法。

先验估计误差 $e_k^{-}$ 和后验估计误差 $e_k$ 分别表示先前估计之间的差异 $\tilde{\mathcal{x}}_k^{-}$ ，最优估计 $\tilde{\mathcal{x}}_k$ ，和实际值 $x_k$ 。这些估计误差的协方差由以下函数描述：

卡尔曼滤波器的估计方法旨在最小化状态估计函数中的误差以紧密匹配实际值。对式（13）对卡尔曼增益系数求偏导数𝐾结果是：

将式（14）中的偏导数设为零，我们得到：

很明显，

P_k^{-}

可以用表示

𝑃_{𝑘- 1}

如下：

图 4显示了 Huber-Kalman 滤波器的预测更新模型。该模型说明了 Huber-Kalman 滤波器如何通过合并 Huber 损失函数来改进传统卡尔曼滤波器，从而增强了滤波器针对异常值和重大干扰的鲁棒性。该模型概述了状态预测和校正过程，强调了 Huber 加权的集成，以减轻测量误差的影响并确保动态环境中更准确的状态估计。

图4：Huber–Kalman 滤波器预测更新模型

4.2.2.通过 Huber–Kalman 滤波器进行 HRV 测量

如上所述，FMCW雷达的中频信号相位反映了胸部的位移。这种位移包括呼吸运动和心跳运动。心跳引起的位移明显小于呼吸引起的位移。心跳引起的胸部运动通常范围为 0.2 毫米至 0.6 毫米，而呼吸运动可导致胸部位移 4 毫米至 12 毫米。心跳引起的胸部位移幅度明显弱于呼吸运动，这增加了分离呼吸和心跳信号的难度。

然而，呼吸和心跳表现出不同的模式。呼吸运动的特征是平滑、有节奏的模式；相反，心跳运动很快，并且遵循突然的运动模式，每次心跳都会引起快速、急剧的位移，然后是短暂的停顿。呼吸的这种周期性性质与心跳引起的胸部运动的间歇性突然运动形成鲜明对比。鉴于相位和胸部位移之间的直接相关性，相位的导数可用于确定胸部位移的速度。通过计算速度，可以增强心跳信号，从而有利于HRV的准确计算。

我们可以利用 Huber-Kalman 滤波器开发一个模型来估计胸部位移的速度。Huber-Kalman 滤波器在处理非高斯噪声和异常值方面特别有效，可增强状态估计的鲁棒性和准确性。通过应用此滤波器，我们可以准确确定胸部运动的速度，从而改善心跳信号。检测 HRV 需要准确的 RRI，这比常规 HR 检测更具挑战性。带通滤波或频谱分析等标准方法不适用于 HRV 检测。由于带通滤波器会平滑波形，因此无法获得准确的 RRI。Huber-Kalman算法增强了R波的特性，显著提高了HRV检测的准确性。它有效地将 HRV 信号与呼吸信号分开。这一改进对于 HRV 的精确计算至关重要。

我们首先建立物理模型。在该模型中，观察变量是胸部位移z，状态变量包括位移 $\stackrel{\sim}{x}_{k}$ 和速度 $\tilde{v}_{k}$ 。该系统可以使用以下状态空间方程进行描述：

状态方程：描述系统状态随时间的演变。对于位移和速度，状态转换模型由下式给出。

这里， $\tilde{x}_k$ 表示时间 k 时的位移， $\tilde{v}_{k}$ 表示胸部运动的速度，∆t 表示时间步长，uk 表示加速度，ωk 表示过程噪声。

观测方程：将观测到的位移与状态变量联系起来。

这里，zk表示观测到的位移，nk表示测量噪声。通过合并这些方程，卡尔曼滤波器可以迭代地估计状态向量 $\begin{pmatrix}\tilde{x}_k\\\tilde{v}_k\end{pmatrix}$ ，即使存在噪声也能提供可靠的速度估计。该模型为进一步应用奠定了基础，例如增强心跳信号检测和 HRV 分析。

图5：卡尔曼滤波器和 Huber-Kalman 滤波器的比较

图 5说明了身体运动对雷达相位信号的影响，并比较了卡尔曼滤波器和 Huber-Kalman 滤波器在减轻这些影响方面的性能。顶部子图显示了原始雷达相位信号，其中有由有意的身体运动引起的明显干扰，以红色框突出显示。这些身体运动是在静止且关闭的车辆中模拟的，雷达安装在汽车座椅后面（如图1所示））。底部子图比较了使用 Polar H10（参考设备）、卡尔曼和 Huber-Kalman 滤波器计算的 RRI。与卡尔曼滤波器（蓝线）相比，Huber-Kalman 滤波器（红线）提供了更加一致和准确的 RRI 测量，与参考数据（绿线）紧密匹配，从而证明了其在处理噪声和身体运动方面的有效性，以实现可靠的 HRV监控。

图6：Huber-Kalman 滤波器在心跳信号提取中的有效性

从图6，图中的三个子图分别显示了原始雷达相位信号、Huber-Kalman滤波后的心跳信号以及Huber-Kalman滤波器计算出的连续心跳间隔（RRI）与参考设备Polar H10的比较，这是可穿戴的黄金标准。第二个子图显示了经过 Huber-Kalman 滤波器处理后的信号。该过滤后的信号突出显示了心跳位置（以红色标记）。与第一个子图中的原始雷达相位相比，处理后的信号清楚地显示了心跳位置，有助于准确提取心跳信号。第三个子图比较了 Huber-Kalman 滤波后雷达计算的 RRI 与参考设备 Polar H10 测量的 RRI。该图表明，从 Huber-Kalman 滤波信号中获得的 RRI 趋势与 Polar H10 的测量值非常匹配，表现出高度一致性。

总之，很明显，在该模型中应用 Huber-Kalman 滤波器后，心跳引起的速度变化显著放大，产生明显的峰值。这些峰值能够有效捕获心跳时间戳，从而计算 RRI 和 HRV。

4.3.短窗自相关算法

虽然 Huber-Kalman 算法很有效，但它有时只能确保准确的 HRV 结果，特别是当相位信号质量受到影响时，例如在崎岖不平的道路上。此外，Huber-Kalman 算法不评估 HRV 结果的可靠性。因此，需要额外的算法来进行后处理分析。

短窗自相关算法对于利用生理信号的周期性特征快速提取心率至关重要。通过实现移动自相关滑动窗口，该算法可以估计心跳的周期性，从而实现连续且不引人注目的心脏监测。此功能在快速可靠的心脏监测场景中非常宝贵。

自相关函数测量信号与其自身的延迟版本在不同时间间隔内的相似性，识别与心跳相对应的周期性模式。该方法对于短期心率估计是有效的，因为它可以在短观察窗口内快速确定心跳信号的基频，从而提供实时且稳健的心率测量。

自相关函数𝑟𝑘对于选定的雷达相位时间序列y滞后k的计算如下：

其中 T 是时间序列数据点的总数， $\bar{y}$ 表示 y 的平均值，c0 是 y 的样本方差。然后通过在此范围内找到最大值 rk 来确定与 0.6–2 Hz 频率范围相对应的周期滞后 $k_m$ 。此步骤可以直接实施。因此，HR 可以估算如下：

输入3 s的雷达相位数据，如果自相关结果𝑟𝑘显示一个突出的峰值，表明当前 HR 的置信水平较高。相反，不太明显的峰值表明存在明显干扰，并且当前 HR 不应用于消除异常 RRI。当存在高置信度 HR 时，RRI 的可接受范围应计算为60,000/𝐻𝑅± 200ms 。任何超出此范围的 RRI 都应被丢弃。

图7：基于自相关算法的快速 HR 检测：( a ) 来自雷达的原始生命体征数据；( b ) 3 秒原始数据段；( c ) 带通滤波的 3 秒数据；( d ) 使用自相关进行 HR 计算；( e ) 使用 FFT 进行 HR 计算。

如图7所示，选择3 s的时间窗口，并通过带通滤波器进行处理，以仅保留高频微观特征。然后应用自相关算法，产生 70 bpm 的 HR 结果，而参考设备显示的实际 HR 为 71 bpm。自相关与FFT结果的比较表明，自相关结果更接近准确值。因为FFT的频谱分辨率有限，需要更长的采样周期才能获得准确的结果。然而，自相关算法被证明对于短期 HR 检测和跟踪 HR 变化更为有效。

此外，自相关结果可用于评估信号质量。当信号质量良好时，自相关的 HR 结果很突出。相反，当信号质量较差时，HR 结果可能会更加突出且更容易获得。如果无法获得HR结果，就无法确定HRV。

五、实验和结果

基于前面几节讨论的理论基础和先进信号处理方法，本节深入研究所提出的无线智能传感器系统的实际应用和评估。我们进行了实验来评估系统在现实场景中的性能。本节将描述实验设置、展示收集的数据并分析结果，以证明系统在监测驾驶员 HRV 方面的有效性和准确性。

5.1.实验装置

实验由五名参与者进行，旨在评估所提出的用于监测驾驶员 HRV 的无线智能传感器系统的性能。这些参与者在两种车型上进行了测试：模式 V 和模式 S。

图 8显示了驾驶员座椅后面安装的 60 GHz FMCW 雷达系统。这种安装布局通过为驾驶员胸部区域提供稳定、无障碍的视线，确保对驾驶员心率和呼吸的最佳检测，从而提高健康监测系统在现实驾驶条件下的准确性和可靠性。

5.2.数据结果分析

数据分析的重点是评估各种条件下 HR 和 HRV 测量的准确性。表1总结了从不同车型和测试人员获得的结果，包括平均值和HRV误差。

表1总结了使用所提出的无线智能传感器系统的车辆模型和测试对象的 HR 和 HRV 测量误差。该系统的 HRV 检测采用 60 GHz FMCW 雷达和先进的信号处理算法。结果显示，所有参与者的平均 HR 误差约为 0.34 bpm，平均 HRV（平均 RRI）误差约为 2.21 ms。这些低误差范围证明了系统在现实条件下的高精度和可靠性。

Huber-Kalman 滤波和自相关算法的有效性是显而易见的，因为它们成功地减轻了噪声并准确捕获 HR 和 HRV 数据。经过彻底的测试，我们确认车辆类型对实验结果没有显著影响。我们的系统在不同车型上表现出一致的性能。根据欧洲心脏病学会和北美起搏与电生理学会工作组的说法，HRV 标准规定，SDNN 和 RMSSD 等时域方法的测量误差小于 5% 是可以接受的。28 ]。这些指南得到了广泛认可，并作为 HRV 监测系统的基准。我们系统的HRV测试误差小于5%。

通过分析特定的 HRV 指标，例如 SDNN（NN 间隔的标准偏差）[ 5 , 9 ] 和 RMSSD（连续差异均方根）[ 2 , 5 ]，进一步支持 HRV 测量的准确性]。SDNN 和 RMSSD 是 HRV 分析中的关键指标。SDNN 测量给定时期内 RRI 之间时间间隔的变化，提供 ANS 活动的整体评估并反映交感神经系统和副交感神经系统输入之间的平衡。另一方面，RMSSD 通过计算相邻 RRI 之间的连续差值平方均值的平方根来关注 HRV 的短期成分。该指标对高频心率变化特别敏感，主要受副交感神经活动的影响。SDNN 和 RMSSD 共同提供对心血管健康、压力水平和自主调节的全面见解，这使得它们对于评估 HRV 监测系统的有效性至关重要。

表 2比较了雷达系统和参考设备 Polar H10 之间的 HRV 时域结果。该表包括不同测试参与者的关键指标，例如平均 RRI、平均 HR、最小 HR、最大 HR、SDNN 和 RMSSD。与 Polar H10 相比，雷达系统的 SDNN 值显示平均误差范围为 0.6 毫秒至 4.2 毫秒。RMSSD 通过计算相邻 NN 间隔之间的连续差值平方均值的平方根来关注短期 HRV。与 Polar H10 相比，雷达系统的 RMSSD 值的平均误差范围为 1.9 毫秒至 12.6 毫秒。这种对短期 HRV 变化的较高敏感性有利于检测 HR 的快速波动，从而表明副交感神经系统的活动。

六、结论

在这项研究中，我们解决了与非接触式 HRV 监测相关的几个具有挑战性的问题，特别是快速准确检测的需求。传统方法通常需要 30 秒或更长时间才能实现可靠的测量，这对于实时驾驶员监控来说是不切实际的，因为长时间内数据质量可能会发生变化。快速检测在驾驶员监控场景中至关重要，因为无法保证数据质量长期保持合理良好。

我们对解决这些问题的原创性贡献如下：

（1）我们可以说这是第一次将Huber-Kalman算法应用于HRV监测；

（2）利用自相关算法在3秒内快速确定HR，并根据自相关结果中峰值的突出程度来评估信号质量；

（3）Huber-Kalman 方法可能包含一些错误的 RRI 结果，但可以使用自相关分析获得的 HR 结果将其过滤掉。因此，通过结合Huber-Kalman和自相关算法，我们实现了快速、准确的HRV监测；

(4)结果精度较高，SDNN误差在5 ms以内，RMSSD误差在13 ms以内，Mean RRI误差在11 ms以内。

尽管取得了这些进步，未来的研究仍然面临一些挑战。在车辆运动过程中实现稳定的HRV监测尚未完全实现，需要进一步研究。确保动态驾驶条件下可靠的 HRV 测量对于增强我们系统在实际场景中的稳健性和适用性至关重要。未来的工作将集中于优化信号处理算法，以提高在更加动态和嘈杂的环境中的性能。最终目标是将我们的 HRV 监测系统无缝集成到驾驶员辅助技术中，从而增强道路安全和健康监测。

原文：https://www.mdpi.com/2313-7673/9/8/481

【本期结束】

http://mp.weixin.qq.com/s?__biz=MzkxMTMwMTg4Mg==&mid=2247492303&idx=1&sn=7bc2979ba0e5a7288e9c62efac93757b

调皮连续波

做好雷达科普，与大家一起成长！