医学信息学：基于医用雷达和FPGA的非接触式感染筛查系统的实现

医学信息学解锁16（2019）100225基于医用雷达和LinuX嵌入式FPGA的非接触式感染筛查系统的实现与初步验证Cuong V. Nguyena，Truong Le Quang a，Trung Nguyen Vub， c，Hoi Le Thi b，Kinh Nguyen Van b，Thanh Han Tronga，Tuan Do Trong a，Guanghao Sund，e，*，Koichiro Ishibashi da河内科技大学电子和电信学院，河内，100000，越南b越南河内国立热带病医院c河内医科大学，越南河内，越南河内d电子通信大学信息学与工程研究生院，东京，182-8585，日本电子通信大学神经科学和生物医学工程中心，东京，182-8585，日本A R T I C L EI N FO保留字：感染筛查嵌入式系统数字信号处理机器学习A B S T R A C T目的：在这项研究中，一个感染筛查系统的开发，以检测患有传染病的病人。此外，该系统还旨在处理年龄和性别的变化，这将影响检测的准确性。此外，为了实现低成本、非接触式和嵌入式系统，测量了来自医疗雷达的多个生命体征，并在名为PYNQ-Z1的现场可编程门阵列上实现了所有算法。方法：该系统包括两个主要阶段：数字信号处理和数据分类。在前一阶段，Butterworth滤波器，具有灵活的截止频率取决于年龄和性别，和时域峰值检测算法被部署来计算三个生命体征，即心率，呼吸率和心跳间隔的标准差。对于分类问题，实现了支持向量机和二次判别分析两种机器学习模型。结果：学生同时，大约98.0%的f1分数代表了我们提出的机器学习方法的高灵敏度和特异性结论：本研究概述了感染筛查系统的实施，取得了合格的性能。该系统可能有助于在欠发达地区的公共卫生中心快速筛查受感染的患者，那里的人们几乎没有机会获得医疗保健。1. 介绍近年来，随着流感[1]、中东呼吸综合征（MERS）[2]或埃博拉出血热[3]的广泛流行，在人群聚集的地方诊断感染的存在势在必行我们先前的研究集中在非接触式登革热检测系统的基础上，使用医疗雷达和热成像的多个生命体征。例如，[4-然而，这些研究使用具有固定参数的内置算法，而不管受试者的年龄和性别，这可能会降低系统的准确性。关于区分传染病患者的任务，[6]在18个样本的小数据集上采用了线性判别分析方法，达到了88.9%的无差别准确率。此外，[8然而，这种方法需要高计算复杂度来训练神经网络，部分原因是它对年龄和性别的变化在这项研究中，几个信号处理和机器学习分类算法，以提高这两个任务的性能。为了测量生命体征，部署了数字巴特沃兹滤波器[11]和简单的时域峰值检测算法来处理从医疗雷达获取的信号来处理* 通讯作者。日本东京电子通信大学信息学与工程研究生院电子邮件地址：guanghao. uec.ac.jp（G.Sun）。https://doi.org/10.1016/j.imu.2019.100225在线预订2019年2352-9148/© 2019由Elsevier Ltd.发布这是一篇基于CC BY-NC-ND许可证的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。可在ScienceDirect上获得目录列表医学信息学期刊主页：http://www.elsevier.com/locate/imuC.V. Nguyen等人医学信息学解锁16（2019）1002252HR [12]和RR [13，14]取决于年龄和性别，而不是参考文献中使用的僵化方法。[4-7 ]，设计了截止频率灵活的滤波器。对于分类问题，使用了两种机器学习模型，即支持向量机（SVM）[15]和二次判别分析（QDA）[16]，其数据集为101个样本，远大于参考文献[6]中的18个样本数据集，以提高分类精度。此外，这些算法是在现场可编程门阵列（FPGA）上实现的，因为本研究的长期目标之一是实现低成本，便携式和独立的系统，这将有利于欠发达地区的公共卫生中心，那里的人们很少获得医疗保健，因此他们死于传染病的风险更高。FPGA由于其灵活和可重构的结构，已广泛用于多种信号处理问题，特别是滤波[17，18]。此外，专注于机器学习问题（如分类）的FPGA实现的研究近年来一直在蓬勃发展[19-21 ]，因为FPGA的灵活性，并行性和能效有利于加速复杂的工作。在这项研究中，FPGA称为PYNQ-Z1被用来实现所有的信号处理和分类算法。2. 材料和方法2.1. PYNQ-Z1板PYNQ-Z1板[22]被设计用于PYNQ开源框架，如图1所示。该框架使嵌入式程序员能够部署全可编程片上系统（APSoC）平台，而无需使用Verilog等硬件描述语言来设计组合或时序逻辑电路。在硬件层面，FPGA的可编程逻辑电路被呈现为称为覆盖的库。这些覆盖层类似于软件库，可以通过应用程序编程接口（API）访问。另一方面，关于软件级别，高级编程语言Py- thon，具有Linux笔记本设计环境[23]，以及LinuX操作系统的内核，可以部署用于高性能嵌入式应用程序。PYNQ-Z1板结合了软件和硬件级别的所有上述元素，以简化和改进APSoC设计。在这项研究中，PYNQ-Z1的能力被利用，实现低成本和便携式平台。具体而言，该板的软件级别支持在Python中实现信号处理和分类任务的所有算法。代替计算机软件上不灵活的内置算法[4过滤器是用SciPy [24]设计的，SciPy是一个用于数学，科学和工程的Python库。 此外，SVM和QDA分类器也可以取代复杂的Fig. 1. PYNQ框架概述。神经网络[8这两个分类器是使用scikit-learn [25]在电路板上实现的，scikit-learn是一个支持许多机器学习算法的框架。2.2. 嵌入式筛选系统图2提供了关于系统的总体信息。医用雷达（NJR 4262J，日本），其频率范围从24.05到24.25 GHz将微波发射到人监测信号30秒，然后将其转移到板上进行处理。通过数字带通滤波器从信号中提取心脏频率成分，然后采用峰值检测算法获得心率和心跳间期标准差（SDHI）。类似地，通过数字低通滤波器提取呼吸分量，然后传递到峰值检测算法以计算RR。从机器学习的角度来看，信号处理阶段执行特征提取过程[26]，将原始数据转换为包含原始相关信息的精简特征集。因此，该过程降低了以下分类算法的复杂性，这些算法将相关特征的小集合作为输入。在这项研究中，每个数字信号处理生成3个特征，这是HR，SDHI和RR。然后，将这3个特征传递给分类算法。由于特征数量如此之少，基于机器学习的算法（如SVM和QDA）可以表现良好，并且它们不应劣于深度学习复杂结构（如神经网络）。因此，在这项研究中，SVM和QDA分类器的选择和实施。还评估了系统的性能时间，包括在PYNQ-Z1板上运行算法所需的所有时间。在医用雷达记录30秒后测量性能时间。评估执行时间对于实际目的来说应该是至关重要的，因为如果可以忽略不计，受试者的筛查结果可以迅速显示;因此可以启用实时平台。2.3. 数据采集机器学习算法通常需要一个大型数据集进行训练，这取决于问题的复杂性、类的数量和输入特征。数据集中每个类的大小应该相似。在这项研究中，在河内科技大学（HUST）的本科生中进行了实验，41名男性和13名女性，年龄从18岁到22岁，在测量期间没有任何疾病，并收集了54个健康班级的样本。对于感染组，2017年7月31日至8月2日在越南河内国家热带病医院（NHTD）测量了47名登革热患者的3项生命体征，其中26名男性和21名女性，年龄从15岁到77岁。总的来说，该数据集有101个健康和感染类的样本，远远大于参考文献[6]中使用的18个样本数据集。这项联合研究2.4. 数字信号处理该系统包括两个主要阶段：数字信号处理和数据分类。第一级包括带通和低通两种形式的数字滤波器和时域峰值检测算法，用于从雷达信号中计算出人体的HR、SDHI、RR三个生命C.V. Nguyen等人医学信息学解锁16（2019）1002253¼100�P于我��HCPs2.4.1. 数字巴特沃斯滤波器图二、系统框图。分钟（bmp）[29]，而患有登革出血性医用雷达记录的信号包含心脏、呼吸信息和高频噪声[6]。我们滤波方法的主要目的是消除不需要的频率分量。心跳的频率大于呼吸的频率[27]，低于噪音[6];因此，采用带通滤波器计算HR。同样，采用低通滤波器进行RR测量，以去除心脏和噪声频率范围。数字滤波器需要归一化频率fn[28]的参数，该参数与模拟频率相关fa[Hz]和采样率fs¼100 [样本/秒]，公式（1）。归一化频率fn的单位是半周期/发烧时心率更高[30]。此外，心率范围也根据该问题而变化，因为不存在对于所有人类情况都是最佳的参数。在本研究中，为了解决该问题，针对四个年龄组按性别设计了具有不同截止频率范围的带通滤波器，并将心率范围扩大至覆盖感染病例，如表1所示。在采样率fs100 [周期/样本]的情况下，计算带通滤波器的归一化的较高和较低截止频率，如等式（2）和（3）所示。例如，心率范围为[50，140] [bpm]，相当于每秒[0.83，2.33]次：样品（六氯苯酚）。fafLn1/2零点八十三分�100¼0： 017 hhcpspussy（2）在PYNQ-Z1板上实现了三阶带通和五阶低通Butterworth滤波器。通过比较不同滤波阶数计算的HR和RR结果与参考方法计算的结果，三阶和五阶滤波器产生的HR和RR结果与参考方法计算的结果相比，三阶和五阶滤波器产生的HR和RR结果与参考方法计算的HR和RR结果相比，三阶滤波器产生的HR和RR结果更接近。2019- 02-1200：00：00对滤波后的信号应用峰值检测算法，可以通过以下方式获得HR：最可靠的HR和RR结果。2.4.2. 时域峰值检测算法人力资源部n个峰值tm � 60次/分（4）下一步是检测滤波信号中的所有峰。设计了一种低复杂度的算法，该算法能够找到滤波后信号中与相邻两个波谷之差大于阈值的所有局部极大值。详细的程序在Al-出租1中描述。算法1.时域峰值检测。在等式（4）中，n峰是检测到的峰的总数，tm是以秒为单位的测量时间。2.4.4. 心搏间期标准差标准差是一种统计度量，表示数据集中的变异量。心跳间间隔是连续心跳之间的时间，其可以被测量为经滤波的信号中的连续峰值之间根据参考文献[31]，由于呼吸性窦性心律失常（RSA）现象，正常人的SDHI应高于感染患者[32]。因此，SDHI应该是一个有益的功能，以提高诊断的准确性。从统计学上讲，它是通过以下公式计算的：表1按年龄和性别列出的心率范围和标准化截止频率2.4.3. 心率测量一个人[bpm]）雄性（临界值[hcps]）女性（HR范围[bpm]）雌性（临界值[hcps]）（一性别10–2930–4950–6970–99男性（HR范围50–14045–13045–12540–120C.V. Nguyen等人医学信息学解锁16（2019）10022540.017电话：+86-10 - 8888888传真：+86-10 - 888888880.018C.V. Nguyen等人医学信息学解锁16（2019）1002255�PP100KMKtm100Mfg-Kn-ÞQDA的最基本概念之一是每个类的二次判别函数，其对于类k被定义为：intervals，xi[s]是第i次心跳间间期，即日X公司简介kx-μk-日志SDHIsffi1ffififfiffiXffiffinffififfififfiffixffififfififfiiffiμffififfiffiffi2ffi“s#（5）1/1矩阵P1和P-1，以及不同的平均值μ1和μ-1。一在等式（5）中，n1/4（n个峰-1）是心跳到心跳的次数，�Σ1�X-1战斗机！1�X2在两个连续的峰值ith和（i1）之间，μ[s]是k的平均值在带通滤波信号中的所有心跳到心跳间隔xi2.4.5. 呼吸率测量呼吸频率范围根据年龄而显著变化，特别是从出生到18岁[13]。儿童和青少年的范围从每分钟18到30次呼吸[BPM]，往往高于成人的范围，从12到20 [BPM] [14]。因此，在参考文献中使用的不灵活的方法。[4在这项研究中，为了测量受试者如算法2所述，训练阶段的目的是计算所有协方差矩阵k的平均值μk和πk，标记的数据集，从而可以计算未知点x关于类k的二次判别函数δk。项πk是类k对整个数据集的先验概率算法2.QDA培训阶段输入：数据矩阵X，包含n维向量的m更准确地说，低通滤波器被设计为具有不同的截止频率：如果受试者年龄较大，则为30 [BPM]（每秒0.5次呼吸18或以上，否则为20 [BPM]（每秒0.33次呼吸）。与HR计算方法类似，低通滤波器与归一化截止频率fCn 1和fCn 2，通过下式获得输出：所有类别的协方差矩阵和平均值：k;μk，k¼1，2，1 计算每个类的平均值粤ICP备05011501号-1Hcps（六）1Xxi; 8xi2类mk是数据集中k类样本的数量fCn1<$2�0： 5< $0： 01hcps（7）在峰值检测阶段之后，通过等式（8）计算RR：RR¼npeaks-60kHzBPM峰值（8）带通和低通滤波器的频率响应，归一化截止频率为[0.017，0.047]和0.01 [hcps]，2 计算每个类别的先验概率：πk¼mk3 计算每个的协方差矩阵X 分类：X¼1Xxi-μxi-μT8xi2类KK如图3所示，分别为红色实线和蓝色虚线曲线。两种滤波器的归一化截止频率以薄kmk在测试阶段，给定未知的n维数据x，通过也有垂直的虚线2.5. 数据分类本文提出的两种分类算法是SVM和QDA。本节简要介绍这些方法的数学概念。2.5.1. 二次判别分析QDA算法[16]假设数据集遵循高斯分布X~N<$μk;Pk<$，每个类具有不同的协方差应用（9），得到关于两个类的x的判别函数δ1;δ1分类规则将未知的基于以下分类规则，将数据x分配给具有更大判别函数的类-yxargmaxδkx（ 10）2.5.2. 支持向量机SVM算法[15]的思想是找到一个优化的分类器，使决策边界和两个类别之间的几何边缘最大化。决策边界上的所有点x必须满足等式（11）：ωTxωb¼0（11）在（11）中，是通过训练阶段获得的参数。在等式（12）中定义了决策边界相对于训练集中的样本的几何裕度γi：γy。我的天啊！（十二）iijjω jji¼δkx-μkjlogπk（C.V. Nguyen等人医学信息学解锁16（2019）1002256γ;ω;b2ðÞ�� �图三. Butterworth滤波器的频率响应。最大化几何裕度的需要导致（13）中所示的约束优化问题：min1 ω j2;服从：ωTx i b1 8x i2 X（13）上述问题可以通过拉格朗日对偶来解决[33]，序列最小优化问题（SMO）[34]，获得ω的最优值;b.然后，在测试阶段，SVM分类未知样本xC.V. Nguyen等人医学信息学解锁16（2019）1002257X¼PR¼¼¼ ¼¼基于假设函数：�1;if：ωTx�b� 0子集（k- 1）个子集用于训练，剩余的子集用于测试，这也被称为保持交叉验证hω;b x-1;否则集该模型对保留集中的所有样本进行了预测，并通过将这些样本与真实类别标签进行比较，所有评估都符合-（14）中的标签1和-1分别表示健康和感染的类别。另一方面，训练阶段产生一组最接近决策边界的点，称为支持向量。这些支持向量的好处是，当预测新点x的标签时，遵循拉格朗日对偶的性质M收集了训练准确度、精确度、召回率和f1分数等rics [41]。该过程重复k次，这意味着每个子集被用作保持集1次，并且用于训练阶段（k查准率（P）和查全率（R）定义为：PTrue Positive（16）真阳性与假阳性ωTxbaiyix;xi（15）1/1真阳性R¼真阳性假阴性（十七）数据集中所有点xi的所有拉格朗日乘子αi都为零，除了支持向量。因此，等式（15）中的许多项为零，并且计算成本显著降低。2.5.3. 超参数优化在机器学习中，超参数[35]是在学习过程开始之前设置的参数。它们不同于在学习过程之后生成的模型的参数。不同的算法需要不同的超参数。超参数优化，或超参数调整[35]，是为学习算法选择最佳超参数的过程，以产生特定问题的最佳模型。有几种优化方法，如网格搜索和随机搜索[36]。网格搜索发现的 最优 选择 通过 选择 详尽 从 一 设置 的hyper-精确度分数测量机器学习模型在假阳性情况方面的准确性，即，预计健康的受感染患者的数量。假阳性率越低，模型的精度越高。同时，召回分数给出了关于假阴性病例的信息，这是一个人患有传染病但实际上是健康的预测数量。在疾病筛查的背景下，忽视感染者似乎比误诊健康人要严重得多;因此，在评估模型方面，精确度比召回度更有意义。f1-score是一个综合的统计度量，它结合并平衡了查准率和查全率值;因此，它是模型评估的最合适的度量。参数;因此它保证将找到集合中的最佳超参数。然而，它的缺点是，当模型需要一个f1½2 �PR（十八）超参数的数量，优化过程可能非常耗时。另一方面，随机搜索随机搜索给定的集合，忽略一定数量的值;因此它耗时少得多，但不能保证结果是超参数的最佳组合。QDA算法不需要任何超参数，因为其训练和测试阶段可以通过代数运算顺序完成，而SVM通常具有误差项的惩罚超参数C [15]。由于只有一个超参数需要优化，因此在这项研究中采用网格搜索来找到SVM模型的C2.6. 评估方法首先，为了评估我们提出的方法在测量生命体征方面的准确性，同时独立地进行参考测量以进行比较。具体而言，我们的方法计算的所有101名受试者的心率进行了比较，从光电容积脉搏波（PPG）传感器获得的。PPG信号由心率分析工具包[37]处理，以测量参考心率。对于呼吸频率，通过手动计数受试者在30秒监测期间胸部上升的次数来测量参考值。三名工作人员分别进行了清点，以获得可靠的参考资料。我们的滤波方法，与不同阶数的带通和低通巴特沃兹滤波器，即第二，第三，第四，第五和第六，与参考措施进行了比较。采用Student检验表明两个样本的平均值是否彼此不同，以及基于统计计算的差异有多显著。在这项研究中，为了评估信号处理阶段的性能，t检验应用于通过我们提出的方法和参考方法获得的生命体征。其次，为了评估两种分类测量的准确性，采用了k折交叉验证方法[40]。整个数据集被随机打乱，并分成k个大小相似的不相交数据集。在这项研究中，选择了4倍交叉验证（k 4），这意味着每个子集占整个数据集的25%。为了对分类器的鲁棒性进行可靠的评估，特别是当在分裂之前对数据集进行洗牌时，重复进行10次4重交叉验证以获得评估指标的平均和标准偏差（STD）。然而，交叉验证方法没有被用来测量两个分类器的训练和测试时间，因为这种方法减少了用于训练的数据集的大小。相反，包含101个对象的3个生命体征的整个数据集用于训练，并且仅使用一个测试用例进行测试。3. 结果图4示出了数字信号处理阶段的结果以及如何计算三个生命体征。在第二子图中，通过带通滤波器，消除原始信号中的所有高频噪声和呼吸信息，以从提取的心脏频率分量产生HR。第三子曲线图示了由PPG传感器与雷达信号同时监测的参考心脏信号的波形。同时，第四子图示出了低通滤波信号，其包含用于计算RR的信息。所有红点表示通过应用算法1滤波后在两个信号中检测到的峰值。然后使用（4）、（5）和（8），测量时间tm30s，心脏中有32个峰，呼吸过滤信号中有8个峰，获得3个生命体征：HR64 [bpm]，SDHI 0.21 [s]，RR 16 [BPM]。表2和表3显示了我们的信号处理方法，分别与PPG传感器和HR和RR手动计数的参考方法进行比较。进行t检验，零假设为两个结果彼此不同。t值和p值是检验的两个度量。t值的绝对值越低，两种方法的结果之间的相似性越大。同时，如果从0到1的p值小于阈值，通常为0.05，则可以拒绝两种方法之间没有显著差异的零假设。 在（十C.V. Nguyen等人医学信息学解锁16（2019）1002258¼¼¼¼心率测量评估。如表2所示，三阶滤波器产生了心率测量的最佳性能，t值为0.11，p值为0.03。同样，表3表明，第5个（t值0.09和p值0.03）是计算呼吸频率的最适当顺序。此外，还使用参考方法通过t检验评估了从数字雷达信号测量生命体征的三种先前方法，即自相关[4]、FFT [5，6]和MUSIC [7]这些措施是在我们的101名受试者的数据集上进行的。表2和表3表明，我们提出的滤波方法的性能应该优于这三种方法，因为[6]采用了这三种方法作为刚性表4板上的数字信号处理时间（ms）生命体征滤波峰值检测计算总数内置算法，具有固定参数，更容易受到人类病例变化的表4根据从医用雷达在30秒内记录的信号获得三个生命体征所花费的平均时间量比较了3个信号处理阶段。可见，峰值检测过程所占的比例最高，约占总量的80%。同时，由于HR和SDHI的计算需要带通滤波和峰值检测两个相同的步骤，这两个特征的总处理时间减少到大约35.87ms。总的来说，板上的信号处理阶段花费了大约70 ms。图 5可视化了从信号处理阶段计算的所有健康和感染者的3个生命体征HR、SDHI和RR的配对。很明显，普通的HR和RR人似乎低于那些不健康的，而HR 5.7 29.6 0.07 35.37SDHI 5.7 29.6 35.80经常资源在SDHI中可以看到相反的情况。采用网格搜索的方法对支持向量机表2见图4。 原始、滤波和参考信号。第二次第3第四次第五次第六次自相关FFT音乐t值0.210.110.13 0.22 0.290.210.190.16p值0.160.030.11 0.18 0.230.190.150.10表3呼吸频率测量的评估。度量第2第3月4月5月6自相关FFT音乐t值p值0.590.380.310.250.240.190.090.03-0.460.360.270.210.220.180.180.14C.V. Nguyen等人医学信息学解锁16（2019）1002259图五. 数据可视化。表5对两种分类算法的评估。模型训练时间（ms）训练精度预测时间（ms）精度召回f1分数QDA4.63百分之九十八点五1.63百分之九十八点一百分之九十八百分之九十八点一STD百分之零点一百分之零点一0.090.013%0.012%0.014%SVM403百分之九十八点八1.04百分之九十八百分之九十七点八百分之九十七点九STD百分之零点一二百分之零点一0.06百分之零点六百分之零点六百分之零点六模型，范围从1到100，评估指标为f1-score。结果表明，值C1/ 45似乎是最佳的，利用该值，SVM模型实现了97.9%的最高f1分数绿色实线和紫色虚线分别表示QDA和SVM算法的线性核SVM [42]的决策边界是直线，而QDA算法的决策边界是抛物线。可以看出，这两个分类器区分2类相当分开，和随后的结果定量表明，无论是支持向量机和QDA措施取得了较高的精度，召回率和f1分数。表5比较了SVM和QDA模型的性能。 在训练阶段，SVM模型比QDA产生更高的准确性。相比之下，QDA测试阶段的所有指标都略高。QDA算法对一个测试用例的平均预测时间约为1.63 ms，显著高于SVM的1.04 ms这些结果可以归因于（9）和（15），这表明QDA需要对协方差矩阵进行更复杂的运算，例如行列式和逆，而不是SVM的单纯点积相比之下，SVM需要403 ms来训练模型，几乎是QDA训练时间的90倍这可能是因为SVM包括迭代过程来解决约束优化问题，而训练QDA分类器仅需要固定数量的基本矩阵运算步骤。在实际应用中，所有机器学习模型都可以在测试之前进行训练;因此预测时间似乎超过了训练时间。因此，在平衡时，SVM模型的性能似乎更优越。4. 讨论4.1. 主要结论在表2和表3中，分别约为0.10和0.03的小的绝对t值和p值表明，我们提出的使用Butterworth滤波器的灵活截止频率的方法很好地应对了取决于年龄和性别的生命体征的可变性。因此，心率和呼吸率的测量更准确。表5示出了SVM和关于精确度、召回率和f1分数的QDA模型.总体而言，两个分类器相当准确地区分了健康和感染类别，因为它们都达到了约98.0%的f1分数，显著高于参考文献[6]中线性判别分析的88.9%的准确度。这些模型也不逊色于文献中使用的复杂神经网络。[8，10]，其准确度为97.1%和98.0%。此外，所有指标的低标准差表明这两个分类器是鲁棒的，不易受到过拟合的影响[43]。此外，与参考文献[6]中的18个样本的数据集相比，101个样本的更大数据集有助于我们方法的鲁棒性。此外，在前一信号处理阶段中减轻人类病例中的变异性的影响也有利于两个模型的性能。4.2. 限制PYNQ-Z1板上的总性能时间接近72 ms，包括70 ms的信号处理和约2ms的二进制预测，与通过医疗雷达监测信号的30 s相比可以忽略不计。一方面，测量时间越长，对生命体征的估计越好，因为（4）和（8）中的HR和RR两者对雷达信号被监测多久敏感。另一方面，30秒对于实际应用来说是相当长的。此外，101名受试者的数据集每个样本只有3个特征，以及健康组的年龄范围较窄，可能是我们研究的其他限制。5. 结论在本研究中，我们开发了嵌入式感染筛查系统，利用PYNQ-Z1板的功能。具体而言，实现了用于数字信号处理和数据分类的算法。Butterworth滤波器的灵活参数减轻了人体病例变化的影响，从而提高了测量生命体征的准确性两个机器学习模型，SVM和QDA，也提出了分类，以增加系统的灵敏度和特异性。实验结果表明，所提算法取得了较好的性能.低成本的嵌入式系统具有相当大的潜力，C.V. Nguyen等人医学信息学解锁16（2019）10022510实用目的。在未来的工作中，我们打算测量更多的生命体征，如血压和氧饱和度，并增加参与我们研究的不同年龄组的人数，以及减少系统的监测时间，同时保持称职和强大的性能。资金由日本文部科学省资助的科学研究补助金（B）（补助金编号19H02385）资助的研究。作者贡献概念化，CVN，K.I. G. S.;方法学，C.V.N.，朗格问：T.H.T.和T.D.T.;软件，C.V.N.，G.S.和T.L.Q;验证，G.S.和K.I.;形式分析法调查T.L.Q.H.L. T KNV和T. N. V.;资源，G.S.和K.I.;数据管理，G. S.，奇H.L. T K.N.V. 和T. N. V.;写作-原稿准备和T.L.Q.;写作审查和编辑，T.D.T.，T.H.T.G.S.和K.I.;可视化，C.V.N.;监督，T.D.T.，T.H.T. G. S.;项目管理，K.I.;资金收购，G. S。和K.I.伦理声明本研究获得了国立热带病医院（越南）、河内科技大学（越南）和电子通信大学（日本）伦理委员会的批准。利益冲突作者声明无利益冲突致谢作者感谢HUST和UEC两所大学以及参与这项联合研究的NHTD医院的支持。引用[1] 西浦宏，神谷和子。日本成田国际机场流感（h1n1-2009）大流行期间的发热筛查。BMC Infect Dis 2011;11（1）：111.[2] 松山修德。日本中东呼吸综合征冠状病毒的诊断。兽医流行病学杂志062016;20：S18-9。[3] Trevor R Shoemaker，Stephen Balinandi，Tumusiime Alex，NyakarahukaLuke，Lutwama Julius，MbiddeEdward，KofmanAaron，KlenaJohnD，Stro€herUte，Rollin Pierre E，Nichol Stuart T.加强病毒性出血热监测对乌干达疫情发现和应对的影响。柳叶刀感染疾病2018年4月;18（4）：373-5。[4] 孙广浩松井武见利用时域自相关模型从多普勒雷达信号中快速稳定地测量呼吸频率。2015年第37届IEEE医学与生物工程学会（EMBC）国际年会。IEEE; 2015年。p. 5985- 8[5] 孙G，Vinh NQ，Matsuoka A，Miyata K，Chen C，Ueda A，Kim S，Hakozaki Y，Abe S，Takei O，Matsui T. 设计一个易于使用的感染筛查系统，用于非接触式监测生命体征，以防止大流行性疾病的传播。在：2014年第36届IEEE医学和生物学工程国际年会; 2014年8月。p. 4811- 4[6] 杨晓峰、石桥浩一郎、根岸俊明、桐本哲夫、孙广浩。多普勒雷达短时间非接触式病毒感染鉴别系统。在：第12届生物启发计算国际会议：理论与应用，第11卷; 2017年。p. 263比73[7] 根岸俊明，孙广浩，佐藤正平，刘鹤，松井武见，阿部茂人，西村秀一，木本哲夫。采用红外热像仪和ccd摄像机的感染筛查系统，通过特征匹配和music算法实现非接触生命体征测量，具有良好的稳定性和快速性。第41届IEEE医学与生物工程学会（EMBC）国际年会。IEEE;2019.[8] 孙广浩、松井武见、箱崎幸也、阿部茂人。一个传染病/发烧筛查雷达系统，用神经网络和模糊分组法进行了10秒的实验。 J Infect 2014;70：12.[9] 杨志，杨文.基于神经网络-增广卡尔曼滤波器的生物信号在线状态空间滤波。在：2017年第10届生物医学工程国际会议（BMEiCON）; 2017年8月。p. 1比5。[10] 杨晓峰，熊谷光树，孙光浩，石桥光一郎，阮武忠，阮文景，等。应用非接触式微波雷达和机器学习技术进行登革热的生命体征筛查。在：2019 IEEE传感器应用研讨会（SAS）。IEEE; 2019.p. 1比6[11] 塞莱斯尼克·伊万伯勒斯·查尔斯广义数字巴特沃斯滤波器设计。In：IEEEtransactio-ns on signal processing.第46卷; 1998年第5期。[12] 梅谷健，歌手唐纳德H，麦克维罗林，阿特金森迈克。24小时动态心率变异性和心率：90年来与年龄和性别的关系 美国心脏病学杂志1998;31（3）：593-601.[13] Fleming Susannah，Thompson Matthew，Stevens Richard，Heneghan Carl，Plüddemann Annette，Maconochie Ian，Tarassenko Lionel，Mant David.出生至18岁儿童心率和呼吸频率的正常范围：一项观察性研究的系统综述TheLancet2011;377（9770）：1011-8.[14] 黄明春，徐文尧，刘杰森，萨米劳伦，瓦吉德阿米尔，阿尔舒拉法纳比尔，萨拉夫扎德马吉德。不显眼的床上呼吸频率监测。在：第六届国际会议上的侵入性技术相关的辅助环境。ACM; 2013年。p. 十八岁[15] 主教克里斯托弗M.模式识别和机器学习。信息科学与统计学; 2006年1月。[16] 塔瓦特·阿拉线性与二次判别分析分类器：教程。 Int JAppl Pattern Recognit01 2016;3（145）.[17] 德国人-萨洛·佐尔坦使用fpga结构进行信号处理。Procedia Technol2014;12：112-8.[18] Jinalkumari K Dhobi，Shukla DYB，Bhatt DKR. Fpga实现fir滤波器的各种算法：回顾。 Int J Res Comput Sci 2014;4（2）：19-24.[19] Ahmad Shawahna，M Sait Sadiq，El-Maleh Aiman.用于学习和分类的基于fpga的深度学习网络加速器。IEEE Access 2018;7：7823-59.[20] Liu Xu，Ounifi Hibat Allah，Gherbi Abdelouahed，Lemieu X Yves，Li Wubin.基于gpu-fpga的机器学习混合计算平台。Procedia Comput Sci2018;141：104-11.[21] 林安德鲁，安德森杰森。FPGA在深度学习中的作用。在：FPGA 2017-Proce-dings of the 2017 ACM/SIGDA international symposium onfield-programmablegate arrays; 2017.[22] Pynq - python productivity for zynq（存档于04/02/2019），http：//webcitation.org/77K5UFLoz.[23] KluyverThomas，Ragan-KelleyBenjamin，PéerezFernando，GrangerBrian，Bussonnier Matthias，Frederic Jonathan，Kelley Kyle，Hamrick Jessica，GroutJason，CorlaySylvain，IvanovPaul，AvilaDami�an，AbdallaSafia，愿意卡罗尔。可复制的计算工作流的发布格式。In：Loizides F，Schmidt B，editors.学术出版的定位与权力：参与者、代理人与议程。北京：清华大学出版社，2016. p. 87比90[24] Jones Eric，Oliphant Travis，Peterson Pearu等人，SciPy：Python的开源科学工具。2001年[在线;今天访问<>]。[25] Buitinck Lars，Louppe Gilles，Blondel Mathieu，Pedregosa Fabian，MuellerAndreas，Grisel Olivier，Vlad Niculae，Peter Prettenhofer，GramfortAlexandre，Grobler Jaques，Layton Robert，VanderPlas Jake，Joly Arnaud，Holt Brian，VaroquauXG a€el. 机器学习软件的API设计：scikit-learn项目的经验。在：ECMLPKDD研讨会：用于数据挖掘和机器学习的语言; 2013年。p. 108比22[26] Guyon Isabelle，Gunn Steve，Nikravesh Masoud，Zadeh Lofti A.特征提取：基础与应用，第207卷。Springer; 2008.[27] 放大图片创作者：Garde Ainara，Walter Karlen，AnserminoJ.从光电容积描记图的相关熵谱密度估计呼吸率和心率。PLoS One2014;9（1）：e86427.[28] 卡尔森·戈登信号与线性系统分析NJ：John WileyHoboken;1998.[29] 何塞·安东尼D，科里森D。人类固有心率的正常范围和决定因素。1970;4（2）：160-7.[30] 作者：Robert III Carter，Hinojosa-Cristo de Carmen，Convertino Victor A.登革热病毒感染患者的心率变异性：心率数学校正的新见解。《前线生理学》2014;5：46。[31] 杨晓峰，石桥浩一郎，黎海，武忠阮，阮文庆，孙广浩。使用非接触式多普勒雷达数据峰值检测的登革热检测系统07 2018;2018：542-5.[32] 安间文彦，早野润一郎。呼吸性窦性心律不齐：为什么心跳与呼吸节律同步？ 胸科2004;125（2）：683-90。[33] RaduBo Bohnac，GradSorin-Mihai，WankaGert. 关于强和全Lagrange对偶凸优化问题。数学分析应用杂志01 2008;337：1315-25.[34] 普拉特·约翰序贯最小优化：训练支持向量机的快速算法。在：核方法支持向量学习的进展，第208卷; 1998年7月。[35] Probst Philipp，Bis