《Sensors》:Smartphone-Based Acoustic Sensing for Breathing and Heartbeat Detection via AoA Clustering in Indoor Environments
编辑推荐:
智能手机集成了声学组件,包括一个扬声器和多个麦克风,可作为低成本的、非接触式生命体征监测平台。然而,在室内环境中,从智能手机声学反射中提取呼吸率(BR)和心率(HR)仍然具有挑战性,因为胸腔反射信号较弱,且常与静态杂波、手部运动、环境多径及其他动态源混合。在这
智能手机集成了声学组件,包括一个扬声器和多个麦克风,可作为低成本的、非接触式生命体征监测平台。然而,在室内环境中,从智能手机声学反射中提取呼吸率(BR)和心率(HR)仍然具有挑战性,因为胸腔反射信号较弱,且常与静态杂波、手部运动、环境多径及其他动态源混合。在这项工作中,研究人员提出了一种基于智能手机的调频连续波(FMCW)声学传感系统,利用集成扬声器和两个物理麦克风实现BR和HR的同时估计。该方法并非将接收信号作为单一混合信号处理,而是利用FMCW拍频的距离信息和由双麦克风及虚拟孔径处理导出的角度相位索引(AoA信息),将移动反射体组织成联合距离-角度-时间表示。然后对该表示应用3D-DBSCAN聚类模块,以从静态和多径分量中分离候选动态源,而无需预设源数量。为了进一步处理检测到多个候选动态源的模糊情况,引入了一个孪生相似度网络作为条件第二阶段源关联模块。该孪生模型比较候选胸腔波形,并估计多个检测到的分量是否可能源自同一物理源或不同源,从而在不依赖经典盲源分离的情况下改进源选择。该系统在两种室内环境(实验室和卧室)中,使用三款消费级智能手机和一台心电图(ECG)参考设备,对20名参与者进行了评估。在仅智能手机的盲配置中,该处理流程对HR的MAE为2.312 bpm,对BR的MAE为1.394 bpm。在ECG辅助的校准配置中(用于评估生理一致性,而非可部署的仅智能手机性能),误差降低至HR为0.462 bpm,BR为0.091 bpm。这些结果表明,空间聚类和条件孪生源配对提高了智能手机在室内环境中进行声学生命体征检测的鲁棒性。
**研究背景与问题:**
非接触式监测呼吸率(BR)和心率(HR)在移动健康、睡眠监测、人机交互等领域具有重要意义。智能手机集成了扬声器和多个麦克风,可作为低成本、非接触式的生命体征传感平台。然而,在室内环境中,从智能手机声学回波中可靠提取生命体征仍面临挑战:胸腔反射信号微弱、非平稳,且常与静态杂波、手部运动、环境多径及其他动态源混合。现有方法大多将接收信号视为单一混合信号,缺乏空间线索来解析源模糊性,尤其对于心跳检测,其胸腔位移远小于呼吸位移,易被非生理成分掩盖。因此,需要一种结合空间信息的源选择和关联方法。
**研究开展与结论:**
研究人员提出了一种基于智能手机的FMCW(调频连续波)声学传感系统,用于室内环境中的BR和HR估计。该系统利用FMCW拍频提供距离信息,并通过双麦克风及虚拟孔径处理导出角度相位索引(AoA信息),将反射体组织成联合距离-角度-时间表示。随后应用3D-DBSCAN(基于密度的空间聚类算法)进行候选源发现,无需预设源数量;再通过生理评分、自适应维纳滤波和变分模态分解(VMD)提取呼吸和心脏分量。对于检测到多个动态候选源的模糊情况,引入条件孪生(Siamese)相似度网络作为第二阶段的源关联模块。系统在实验室和卧室两种环境中,对20名参与者(12男8女,22-40岁)使用三款消费级智能手机(Galaxy S9、Nexus 6P、OnePlus 6T)和ECG参考设备进行了评估。在仅智能手机的盲配置下,BR和HR的MAE分别为1.394 bpm和2.312 bpm;在ECG辅助校准配置下,误差降至0.091 bpm和0.462 bpm。结果表明,空间聚类和条件孪生源配对显著提高了声学生命体征检测的鲁棒性。该论文发表在《Sensors》。
**关键技术方法(不超过250字):**
研究人员主要采用以下方法:1)FMCW声学探测:发射17-19 kHz的线性调频信号,通过拍频估计目标距离;2)双麦克风相位差与虚拟孔径:利用两个物理麦克风及慢时循环移位构建虚拟孔径,提取角度相位索引(AoA代理)作为空间特征;3)MTI滤波:沿慢时维抑制静态杂波;4)3D-DBSCAN聚类:在距离-慢时-AoA三维空间中对反射点进行密度聚类,动态源发现;5)自适应维纳滤波:降低残留干扰;6)VMD分解:分离呼吸和心脏分量;7)条件孪生网络:在多个候选动态源时,通过对比学习比较候选波形,改善源关联。样本队列来源:20名参与者(12男8女,22-40岁),采样于实验室和卧室环境,共约50个录音文件。
**研究结果(保留每个小标题):**
- **4.2.1 生理频带SNR估计**:所有录音经源选择和滤波后,生理频带(呼吸0.10-0.50 Hz,心脏0.80-2.50 Hz)信噪比(SNR)均为正,平均约21 dB,表明所选胸腔候选者包含清晰生理能量。
- **4.2.2 所选胸腔AoA代理/角度线索推导**:所选胸腔角度线索范围从-40°到70°,说明胸腔候选者不总出现在同一角度方向,该角度线索作为空间特征帮助聚类。
- **4.2.3 3D-DBSCAN模块检测的动态声源数量**:检测到的动态源数量主要为1-3个,表明室内声场景稀疏,但存在多路径或非胸腔动态反射。
- **4.2.4 所选胸腔与智能手机的估计距离**:大多数候选者距离在75-85 cm,符合预期的人体工学传感范围,少数在35-55 cm或接近120 cm,说明距离结合其他特征的重要性。
- **4.2.5 HR和BR绝对误差的分布**:在智能手机盲配置下,HR误差分布较宽(部分接近6 bpm),BR误差较小但仍有分散;经ECG辅助校准后,HR和BR误差均大幅压缩,中位数接近零。
- **4.2.6 BR估计的累积分布函数**:校准后的BR曲线与参考曲线高度重合,智能手机盲配置BR曲线也大致跟随,但偏差稍大。
- **4.2.7 HR估计的累积分布函数**:参考、校准和智能手机盲配置的HR曲线在大部分范围接近,智能手机盲配置在高端略有偏离。
- **4.2.8 相对于ECG/EDR推导参考的绝对BR误差**:校准后BR的MAE为0.091 bpm,大部分误差低于0.15 bpm,最大约0.31 bpm,表明所选声学呼吸分量与参考高度一致。
- **4.2.9 相对于ECG参考的绝对HR误差**:校准后HR的MAE为0.462 bpm,大部分低于1 bpm,最大约1.2 bpm,验证了心脏分量的一致性。
- **4.2.10 距离的影响**:在10、30、60、90 cm四个距离上,BR和HR估计值稳定,标准偏差低,表明系统在90 cm内性能可靠。
- **4.2.11 与最新方法的比较**:与AcHand、LoEar、AcBreath、Sonarbeat等方法相比,该方法融合FMCW、AoA聚类和孪生网络,在室内实现BR MAE 1.39 bpm、HR MAE 2.312 bpm,展示了多路径抑制优势。
- **4.2.12 环境设置的影响**:卧室环境中BR误差中位数(0.33 bpm)低于实验室(0.42 bpm),差异显著(p<0.05);HR误差在两环境间无显著差异,中位数约0.70-0.85 bpm。
- **4.2.13 消融研究**:移除MTI滤波导致HR MAE从2.411 bpm增至6.19 bpm;移除AoA聚类使BR MAE从1.40 bpm增至2.84 bpm;移除维纳滤波影响较小,但均贡献于最终性能。
- **4.2.14 用户变异对BR和HR的影响**:女性用户BR和HR误差略低于男性,且用户间变异更小,所有用户BR误差低于1 bpm,HR误差低于5 bpm(ANSI/AAMI标准)。
- **4.2.15 计算复杂度与处理延迟**:处理65秒录音需4.31秒(实时比1:15),其中AoA波束形成占93.9%,通过降低角度网格分辨率可缩短至约1:5。
**总结讨论与结论翻译:**
讨论部分指出,实验验证了所提出的基于AoA的声学模型的有效性,并展示了一个定性双人场景,表明系统能在距离-角度-时间空间中区分同时存在的源,但需定量评估。局限性包括:虚拟孔径角度分辨率有限,两个角度相近的源无法分离;强多径反射可能导致角度线索接近,需依赖其他特征。未来工作将开展多用户定量评估、改进波束形成和虚拟孔径设计。
结论部分(翻译):本文提出了一种基于智能手机的FMCW声学传感系统,用于室内环境中的非接触式BR和HR估计。该框架结合了距离估计、相位角度线索提取、MTI滤波、3D-DBSCAN源发现、自适应维纳滤波、VMD生理分离和条件孪生源关联。不同于传统的非空间声学方法,该方法将生命体征提取视为空间约束的源选择问题,而非简单的单通道去噪任务。在实验室和卧室环境中的实验表明,该系统仅利用消费级智能手机的内置扬声器和麦克风,即可从静态杂波和多径分量中分离出动态胸腔反射。在仅智能手机盲配置下,BR和HR的MAE分别为1.394 bpm和2.312 bpm。这些结果证实了利用空间声学线索提高智能手机生理监测鲁棒性的可行性。孪生源关联模块应被解释为解决模糊多候选情况的初步辅助组件,其当前验证在候选对层面进行,而非严格受试者独立分割,未来将在更大数据集和受试者独立协议下评估,并扩展至受控多用户场景和更多样化人群。