学习笔记（四）: S（leep）M（onitoring）A（mbient）R（adio）S（ignals）

大家好，欢迎来到IT知识分享网。

《SMARS: Sleep Monitoring via Ambient Radio Signals》读书笔记

  SMARS建模时考虑了反射和散射多径，实现了高度准确的瞬时呼吸估计。在此基础上，SMARS识别不同的睡眠阶段，包括入睡期、快速动眼期(快速眼动)和非快速眼动(NREM)，结果表明，SMARS产生的中值绝对误差为每分钟0.47次呼吸，呼吸估计的95%误差仅为每分钟2.92次呼吸，并且即使当一个人距离链接10米或在墙后时，也能鲁棒地检测到呼吸。SMARS实现了88%的睡眠分期精度。
PS：目前先学习呼吸部分，一步一步来。

Sleep Monitoring via Ambient Radio Signals

1. 课题意义、现有研究、本文目标及贡献

意义：

  睡眠质量与心血管疾病、中风、肾衰竭和糖尿病等健康风险有很大关联。现代社会许多人患有睡眠障碍。睡眠监测一方面提供对人们总体健康状况的见解，另一方面有利于管理与睡眠相关疾病相关的发病率和死亡率。

睡眠质量监测的现状：

本文目标及贡献：

1. 设计了CSI运动统计模型，研究了CSI的统计特征，为包括呼吸在内的任意运动的鲁棒检测奠定了基础。
2. SMARS利用时域自相关函数(ACF-MRC)来估计呼吸速率。实现了高精度实时估计，SMARS可以可靠地检测一个人离链路10米远或在墙后呼吸。
3. 基于提取的呼吸率和睡眠期间的运动统计，融合运动统计和呼吸频率来三阶段睡眠分级（Wake、NREM、REM）。（注意：SMARS不能没有将NREM中的浅度睡眠和深度睡眠分开）

2. SMARS

2.1 瞬时呼吸速率估计

  本部分介绍CSI模型、ACF方法、MRC。

2.1.1 CSI理论与CSI统计模型

  对于使用全向天线的无线传输对，时间 $t$ 处的多径信道的信道状态信息(CSI)通常建模为：
$$H(t,f)=\sum _{l\in \Omega }{a}_l(t)\exp \left(-j2\pi f{\tau }_l(t)\right)\text{\hspace{1em}(1)}$$其中，$a_l(t)$和${\tau }_l(t)$分别是第$l$条多径成分（MPC，multipath component）的复振幅和传播时延。$\Omega$表示MPCs的集合。传播延迟是传播距离的函数: ${\tau }_l(t)=\frac{d_l(t)}{c}$，其中c是光速，$d_l(t)$是第$l$条MPC的传播距离。$f$表示测量通道的特定频率。例如，在基于OFDM的通信系统中，如WiFi、LTE、5G等，在频率为$f$的每个子载波处测量CSI。
  CSI描述了无线电信号是如何从发射器传播到接收器，例如，被空间中的所有反射器(如墙壁、家具、人体等)反射或散射。CSI对环境扰动高度敏感，任何身体运动，包括呼吸过程中微小的胸部和腹部运动，都会改变信号传播的路径。

CSI统计模型：

2.1.2 估计呼吸频率

解决方案：

  对于$G(t,f)$有：
$${\rho }_G(\tau ,f)=\frac{g^2(f)}{g^2(f)+{\sigma }^2(f)}{\rho }_b(\tau )+\frac{{\sigma }^2(f)}{g^2(f)+{\sigma }^2(f)}\delta (\tau )$$其中${\rho }_b(\tau )$为$b(t)$的ACF，$\delta (\tau )$为狄利克雷函数。定义信道增益$k(f)\triangleq \frac{g^2(f)}{g^2(f)+{\sigma }^2(f)}$
  那么：
$$\begin{gathered} {\rho }_G(\tau ,f)=k(f){\rho }_b(\tau ) \\ \tau \ne 0 \end{gathered}$$
  实际采集到的信号中，考虑到噪声的影响，有：
$$\begin{gathered} {\hat{\rho }}_G(\tau ,f)=k(f){\rho }_b(\tau )+n(\tau ,f) \\ \tau \ne 0 \end{gathered}$$
  如下图5所示，当存在呼吸信号时，由周期性呼吸运动造成的ACF将在某一延迟处呈现确定的峰值，尽管峰值在不同的子载波（SC）上可能不同。相反，当没有呼吸时，在任何子载波上都不能观察到显著的峰值。原则上，如图6所示，稍长于一个呼吸周期的时间延迟(看纵轴大概5到7秒？) 足以获得第一呼吸速率，之后可以每一秒产生一个瞬时估计。

图五中的第一个峰值对应的时间延时称为运动统计，它反映了监控区域中存在的包括周期性和非周期性运动的总运动的强度。大的运动统计表明存在大的运动，例如行走和站立，小的运动统计接近0表明环境中没有显著的运动。 当监控区域内只有呼吸运动时，每个子载波的运动统计显示了该子载波对呼吸运动的敏感度。

呼吸检测和评估：

  根据计算出的呼吸频率，SMARS首先检测呼吸的存在/不存在，如果存在，然后估计呼吸速率。对于频率为$f$的子载波，除了运动统计之外，还从呼吸检测的局部估计散点平滑(LOESS, locally estimated scatterplot smoothing)后${\hat{\rho }}_G(\tau ,f)$中提取以下五个特征[37]:
1)峰值显著性 : 一个峰值与相邻波谷的最大高度之间的垂直距离，衡量峰值存在的可能性；
2)峰宽:相邻两个谷之间的水平距离，它也衡量一个峰存在的可能性；
3)峰值幅度 : 峰值的高度，与仅存在呼吸运动时的运动统计值相当，即呼吸信号的ACF值；
4)运动干扰比 : 运动统计量和峰值幅度之间的比率，它衡量非呼吸运动(如身体运动、行走、站立、打字键盘等)的干扰程度。
5)峰值位置 : 原点和峰值之间的水平距离(即时间滞后)，反映呼吸周期。

2.1.3 最大化呼吸信号（略过一部分，以后用到的时候细看）

   为提高呼吸信噪比，SMARS以最佳方式组合多个子载波上测量的呼吸信号。以最大比合并(MRC)这种在无线通信中成功应用的通用分集融合策略，合并多个接收信号来最大化信噪比。

2.2 睡眠监测（先略过，以后补充）

3. 实验评估

3.1 实验设备和设置

   设备配备商用Atheros WiFi芯片组, 运行3.18.71内核的Linux，使用5.8 GHz WiFi频带上的信道的114个子载波，系统由一个发送器和一个接收器组成，发送器默认以30 Hz的速率传输标准的无线数据包，Tx配备2个天线，Rx配备3个天线。代码每1秒钟生成一次运动和呼吸的新估计。

3.2 数据收集

3.3 呼吸检测性能评估

3.1.1 总体性能

准确性评估：

   在自己的测量和开放数据集上评估呼吸率估计的准确性。 如图16所示，基于我们自己数据的评估表明，SMARS达到了非常高的精度。特别是，使用30Hz的采样率，中值误差为0.47 BPM，95%的分位数误差仅为2.92 BPM。图16还显示了基于开放数据集的结果，该结果显示了类似的性能，中值误差为0.66 BPM，95%瓦片误差为3.79 BPM。由于在开放数据集中使用了9.9赫兹的较低采样率，因此精确度稍差。
   原则上接触式传感器应该更好。然而，传感器阵列容易受到睡眠位置和姿势的影响，导致睡眠期间偶尔的不可靠估计。

及时性评估：

   无论呼吸稳定还是变化，SMARS都保持一贯的高精度。虽然估计误差随着快速变化的呼吸(在快速眼动阶段)而略有增加，但中值误差低于0.7 BPM。SMARS每秒实时输出一个估计值。最大似然估计的主要计算复杂性来自于对最大似然估计的估计。算法复杂度$O\left(|\mathcal{F}|N^2\right)$，其中| F |表示可用子载波的数量，而N表示样本的数量。，在配备英特尔酷睿i7处理器和16 GB内存(Matlab版本)的笔记本电脑上处理一秒钟的数据需要0.14秒

覆盖范围评估：

   当对象在8米之外时，SMARS实现了90%以上的检测率，并且在9米和10米的距离处仍然分别保持88.7%和65%。请注意，对于大于6米的距离，受试者在另一个房间，并且对发送-接收链路没有视线。覆盖范围甚至比使用覆盖8米的FMCW雷达的系统更好。

系统鲁棒性评估：

不同的家庭场景。

3.1.2 性能影响关键参数

MRC的影响。

MRC是提高SMARS准确性、覆盖范围和鲁棒性的关键模块。与等增益合并EGC相比，在NLOS场景(图19中距离> 7米的情况)中，磁共振成像显著提高了检测率超过65%。图20进一步显示了MRC对隔夜数据带来的显著收益。具体来说，与EGC相比，使用MRC的中值精度提高了0.1 BPM。原因是，只要可以检测到呼吸，我们基于ACF的方法就会产生准确的估计。

采样率的影响。

我们研究了采样率对卫星遥感的影响。如图16所示，当采样率从30 Hz降低到10 Hz时，呼吸估计的中值精度从0.47 BPM降低到0.85 BPM。如图20所示，检测率相对于采样率没有太大变化。请注意，在9.9赫兹采样率的开放数据集上，准确性和检测率都优于我们自己收集的数据。这是因为开放数据集是在以前工作的最佳设置下收集的，即发射和接收放置得非常靠近彼此和受试者，而我们在数据收集期间以自然和舒适的方式部署设备。总之，更高的采样率将产生更好的性能，而30赫兹甚至10赫兹在实践中是足够的。

有效带宽的影响.

有效带宽$W_e\triangleq N_{s}B$，其中$N_s$为发送和接收之间的空间流数量，B表示每个流的带宽(在我们的系统中为40兆赫)。随着有效带宽的增加，中值误差和95%分位误差减小，同时检测率增加。结果表明，一个2×2的多输入多输出系统(即160兆赫的有效带宽) 足以实现一个显著的性能

3.4 睡眠监测性能评估（先略过，以后再补充）