论文部分内容阅读
呼吸监测已被广泛用于评估一般人的健康状况，提供慢性疾病线索，并跟踪患者康复的进展情况。连续且准确的呼吸量测量可以为疾病的进展提供快速有效的诊断线索，例如阻塞性气道疾病哮喘、慢性阻塞性肺病（Chronic Obstructive Pulmonary Disease, COPD）以及睡眠期间常见的阻塞性睡眠呼吸暂停（Obstructive Sleep Apnea, OSA）等。传统的呼吸量监测方法需要用户穿戴呼吸力带、鼻插管或特定的可穿戴式传感设备入眠，数小时佩戴此类设备会对用户造成严重干扰。现有的非干扰式呼吸监测相关工作主要针对呼吸频率进行感知和监测，缺乏轻量、便捷且具备高环境适用度的呼吸量连续监测解决方案。无线射频识别（Radio Frequency Identifi-cation, RFID）作为一种非接触式的自动识别技术，因其低成本、高精度、性能可靠、易于部署等特性在人体生理信息监测方向上有着广泛的应用譬如手势识别、肢体姿态检测、心率变异性（Heart Rate Variablity, HRV）估算等。因此，结合上述问题以及RFID相关特性本文提出了一种基于 RFID 标签阵列实现呼吸量连续监测的方法，并针对坐立、睡眠这两类场景下呼吸量监测时数据特征、误差来源的差异分别提出了对应的方法及模型设计。
具体内容包括如下两个方面：
（1）结合人体呼吸模型的分析，提出了一种基于RFID标签阵列连续监测用户处于坐立状态下呼吸量的方法。该方法首先通过商用 RFID 阅读器从附着于用户胸部区域的标签处连续收集 RFID 信号的相位及时间戳信息，以计算由呼吸引起的胸部位移。接着利用用户脖子下方的参考标签消除呼吸过程中上半身的轻微移动所引起的噪音。最后根据坐立场景下相位数据的特征，训练胸部位移与呼吸量之间的神经网络模型，从而实现对用户呼吸量的评估。实验结果表明，该方法可以连续监测不同身高、体重、胸围的用户坐立状态下的呼吸量，其中位数精度为88.4％至92.1％。
（2）在上述研究基础之上，进一步提出了睡眠场景下连续监测用户呼吸量的方法。由于用户在睡眠期间切换睡姿会导致胸部位移方向不正交于 RFID 天线所在平面，对胸部呼吸引起的位移量计算造成误差，因此坐立时胸部位移计算方法无法适用于睡眠场景。本文提出了一种通过于用户肩膀处附着双参考标签以计算出用户胸部平面和天线所在平面的夹角来还原真实的胸部标签位移的算法，成功消除由于用户睡眠期间切换睡姿所造成的误差，并根据睡眠场景下相位数据特征结合广义回归神经网络实现了从用户胸部位移到呼吸量的关系构建。实验结果表明该方法可以以92.49%的平均准确度连续监测用户睡眠状态下呼吸量的变化情况。
具体内容包括如下两个方面：
（1）结合人体呼吸模型的分析，提出了一种基于RFID标签阵列连续监测用户处于坐立状态下呼吸量的方法。该方法首先通过商用 RFID 阅读器从附着于用户胸部区域的标签处连续收集 RFID 信号的相位及时间戳信息，以计算由呼吸引起的胸部位移。接着利用用户脖子下方的参考标签消除呼吸过程中上半身的轻微移动所引起的噪音。最后根据坐立场景下相位数据的特征，训练胸部位移与呼吸量之间的神经网络模型，从而实现对用户呼吸量的评估。实验结果表明，该方法可以连续监测不同身高、体重、胸围的用户坐立状态下的呼吸量，其中位数精度为88.4％至92.1％。
（2）在上述研究基础之上，进一步提出了睡眠场景下连续监测用户呼吸量的方法。由于用户在睡眠期间切换睡姿会导致胸部位移方向不正交于 RFID 天线所在平面，对胸部呼吸引起的位移量计算造成误差，因此坐立时胸部位移计算方法无法适用于睡眠场景。本文提出了一种通过于用户肩膀处附着双参考标签以计算出用户胸部平面和天线所在平面的夹角来还原真实的胸部标签位移的算法，成功消除由于用户睡眠期间切换睡姿所造成的误差，并根据睡眠场景下相位数据特征结合广义回归神经网络实现了从用户胸部位移到呼吸量的关系构建。实验结果表明该方法可以以92.49%的平均准确度连续监测用户睡眠状态下呼吸量的变化情况。