[發明專利]基于超聲多徑信道特征參數感知的體脂率測量方法

有效

• 申請號: 202111286434.9
• 申請日: 2021-11-02
• 公開（公告）號: CN114224387B
• 公開（公告）日: 2023-09-29
• 發明（設計）人: 劉嬌蛟;陳阿粵;馬碧云
• 申請（專利權）人: 華南理工大學
• 主分類號: A61B8/08
• 分類號: A61B8/08;G06N3/0499;G06N3/048;G06N3/08
• 代理公司: 廣州市華學知識產權代理有限公司 44245
• 代理人: 黃衛萍

1.一種基于超聲多徑信道特征參數感知的體脂率測量方法，其特征在于，在通信的同時對信道特征進行感知，利用超聲多徑信道特征參數實現體脂率測量，所述體脂率測量方法包括以下步驟：

S1、設置發送節點：在人體腹部皮下脂肪層設置植入式設備采集信息并作為信息發送節點；

S2、信息編碼：對采集信息通過基帶編碼調制，進行信源編碼；

S3、直接序列擴頻：對信源編碼后的采集信息進行直接序列擴頻，過程如下：

對信源編碼后的采集信息進行重復編碼，將每個要發送的符號重復N_s次；

對重復編碼后的序列進行雙極性轉換，重復編碼后序列中的符號“1”調制為“1”，符號“0”調制為“-1”；

重復編碼后得到的序列與雙極性的偽隨機碼相乘，得到擴頻碼；

將擴頻碼通過脈沖編碼調制器進行調制，脈沖載波的幅度根據碼元符號變化，符號“1”為正電平，符號“-1”為負電平；

S4、脈沖信號調制：直接序列擴頻后的信號經脈沖信號調制后輸出超寬帶脈沖信號，通過發送節點發送，經過人體信道后得到人體信道的含噪沖激響應h(t)；

S5、去噪：采用基于經驗模態分解的去噪算法對經過人體信道的含噪沖激響應h(t)進行處理，得到體內多徑信道的去噪沖激響應h′(t)，過程如下：

找出經過人體信道的含噪沖激響應h(t)的所有極大值與極小值；

對經過人體信道的含噪沖激響應h(t)進行擬合，得到擬合函數的上包絡f_up(t)和下包絡f_down(t)，根據求得上下包絡的平均值f_mean(t)；

令f₁(t)＝f_temp1(t)＝h(t)-f_mean(t)，再有f₂(t)＝f_temp2(t)＝h′(t)-f_temp1(t)，把每一步得到的f_temp(t)視為下一步的f_mean(t)，從而得到所有的f_i(t)，重復上述操作得到h(t)的所有本征模態函數，本征模態函數簡稱IMF；

含噪沖激響應h(t)的表達式視為前P階IMF與殘余函數r_residual(t)的和，等于Q階IMF的和，即其中，QP；

分別計算各個IMF分量的自相關函數，即：R_ff(ρ)＝E(f_i(t)f_i(t+ρ))；

根據信號和自相關函數之間的差異性，找到分界點k，減去前k階的IMF即為去噪后的信號，即去噪沖激響應h′(t)：

S6、信息恢復：先通過分集接收機接收多徑信號中的各路信號，并還原出數字序列，實現解調的功能，解調后恢復出原始信息；

S7、輸出測量結果：根據多徑信道時頻特征參數推測人體信道的物理環境，人體信道的物理環境包括脂肪的厚度、密度，將多徑信道時頻特征中的多徑時域特征參數與多徑頻域特征參數作為前饋神經網絡的輸入，前饋神經網絡輸出體脂率。

2.根據權利要求1所述的一種基于超聲多徑信道特征參數感知的體脂率測量方法，其特征在于，所述步驟S6過程如下：

分集接收機接收多徑信號中的各路信號，再通過分集接收機內部的多個相關檢測器接收多徑信號中的各路信號，并把各路信號合并在一起，還原出數字序列，實現解擴的功能。

3.根據權利要求1所述的一種基于超聲多徑信道特征參數感知的體脂率測量方法，其特征在于，所述多徑信道時頻特征參數分為多徑信道時域特征參數和多徑信道頻域特征參數，其中多徑信道時域特征參數包括時延間隔、最大時延擴展、平均附加時延、RMS時延擴展和時延分布參數，其中，時延分布參數是指時延間隔的概率密度分布函數的擬合結果表達式中的參數。

4.根據權利要求1所述的一種基于超聲多徑信道特征參數感知的體脂率測量方法，其特征在于，所述多徑頻域特征參數包括：相干帶寬。

5.根據權利要求1所述的一種基于超聲多徑信道特征參數感知的體脂率測量方法，其特征在于，所述步驟S7中，前饋神經網絡根據多徑信道時頻特征參數訓練得到體脂率的過程如下：

前饋神經網絡包括級聯的輸入層、隱藏層、輸出層，其中，輸入層包括N個輸入，隱藏層由M個神經元組成，輸出層包括一個神經元Y，用于輸出體脂率結果，多徑信道時頻特征參數進入輸入層，在隱藏層中多次訓練，最后在輸出層顯示體脂率結果；

前饋神經網絡的第n個輸入x_n，n＝1，2，…，N是多徑信道時頻特征參數，多徑信道時頻特征參數矩陣記作X＝[x₁，x₂，…，x_n，…，x_N]；

設置路徑權重：w_nm表示輸入層的第n輸入x_n到第m個隱藏層神經元的路徑的權重，用矩陣W表示：

計算隱藏層凈輸入：隱藏層中每個神經元對不同的多徑信道時頻特征參數進行處理，通過不同的路徑權重區別輸入的多徑信道時頻特征參數，將隱藏層的凈輸入寫成矩陣的形式如下：

其中，隱藏層第m個神經元的凈輸入為

計算凈輸入激活函數值：選擇激活函數S(x)，將凈輸入z_m代入激活函數中，計算結果為

S＝[S₁，S₂，…，S_m，…，S_M]＝[S(z₁)，S(z₂)，…，S(z_m)，…S(z_M)]；

計算輸出：輸出層的神經元輸出體脂率結果，隱藏層與輸出層的不同路徑之間有不同的權重a_m，對任意一個輸出層的神經元，其輸出由下式計算：

神經網絡訓練：采用其他方法測量，得到一個體脂率的準確值T和誤差門限ε，如果||Y-T||≤ε，訓練結束||·||表示求絕對值；反之，改變隱藏層與輸出層之間的路徑權重a_m，再次計算Y的值，經過多次訓練調整權重，直到||Y-T||≤ε，最后輸出體脂率結果。