本文已参与「新人创作礼」活动，一起开启掘金创作之路。
论文阅读：Smartphone Sonar-Based Contact-Free Respiration Rate Monitoring
1、摘要
生命体征(如呼吸频率)监测变得越来越重要，因为它为睡眠障碍等医疗状况提供了有用的线索。医疗保健领域迫切需要能够在较长时间内实现无接触和简单部署生命体征监测的技术。本文提出了一种声拍系统，利用智能手机基于相位的主动声纳来监测呼吸频率。提供了声纳相位分析，并讨论了利用听不清的声音信号估计呼吸速率的技术挑战。在此基础上，设计并实现了基于Android智能手机的声拍系统，包括信号生成、数据提取、接收信号预处理、呼吸频率估计等。我们广泛的实验结果验证了SonarBeat在不同的室内环境设置优越的性能。
2、背景介绍
随着移动技术的快速发展和生活水平的提高，医疗保健已成为物联网(IoT)的主要应用领域之一。其主要结构如下：
--医疗保健非常需要能够实现无接触、易于部署和长期生命体征监测的技术。
--现有的生命信号监测系统主要集中在基于射频(RF)的技术，利用射频信号捕捉呼吸和心脏运动等。尽管基于射频技术的工作距离相对较长，但它们可能容易受到环境变化的影响，例如附近其他人的移动。 --针对这种现象，智能手机可以利用其内置的传感器，如加速度计、陀螺仪和麦克风等作为信号检测的优秀平台。一般情况下，智能手机应该放在身体附近，或者人们需要佩戴连接智能手机的特殊传感器。而无设备和无接触监测技术旨在减轻附加传感器的负担。本文使用声纳相位数据与智能手机执行来监测由胸部上升和下降(即吸气和呼气)引起的周期性信号。声纳相位信息可以有效地跟踪呼吸频率的周期信号，并且具有较高的精度。与其他现有系统如多普勒频移和FMCW [Nandakumar et al. 2015]相比，声纳基于相位的方案具有更低的延迟和复杂性。此外，声纳相位数据对不同的方向、距离和不同的人的呼吸频率具有很强的鲁棒性。 首先，我们对声纳相位进行了严格的分析，证明了声纳相位信息可以准确地捕捉相同频率的呼吸频率。在分析的基础上，我们设计了一种基于智能手机的主动声呐相位呼吸频率监测系统SonarBeat。该名称还表示用于检测周期性胸部运动(如心跳)以估算呼吸率的声拍设计。声拍系统包括信号生成、数据提取、接收信号预处理和呼吸频率估计四个模块。首先，它从智能手机扬声器发射18至22千赫的听不见的声音信号，作为连续波雷达。然后，过同一智能手机的麦克风接收被监测对象的胸部。接收到的信号随后被校准，呼吸信号将被恢复。我们在Android智能手机上实现了SonarBeat，并通过在三个不同的环境(包括办公室场景、卧室场景和电影院场景)中为期3个月的涉及5人的广泛实验来验证其性能。实验结果表明，SonarBeat能够实现较低的估计误差，在大多数实验中平均误差为0.2次/分(bpm)。我们还发现SonarBeat对不同的实验参数和设置具有高度的鲁棒性。
3、声纳相位分析与技术挑战
3.1声纳相位分析 本文采用智能手机的扬声器和麦克风模拟主动声纳系统，其中扬声器发射的是18 ~ 22 KHz范围内的听不见的声音信号，其形式为连续波信号，然后信号被受试者的胸部反射，并被麦克风接收。基于智能手机的设计的一个独特优势是，由于扬声器和麦克风使用相同的频率，发送方和接收方之间没有载波频率偏移(CFO)错误。因此，我们可以利用接收到的听不清信号的相位来准确估计生命体征。
在声拍系统中，我们主要利用从基带信号的i分量和q分量中提取的相位信息，从而捕获胸腔运动引起的周期信号，如吸气和呼气。（文中有详细的相位分析过程）
3.2技术挑战 3.2.1减轻静态矢量效应 减轻静态矢量效应。利用相位调制数据进行呼吸监测的主要挑战是如何缓解静态矢量效应，后者直接影响相位数据的灵敏度和正确性。平稳分量越大，提取的相位数据误差越大。这是因为当有一个大的静态分量时，接收机的信噪比会变得很低，使得很难解调相位数据。Wang等[2016]采用局部极值检测(LEVD)去除手部跟踪的固定部件。然而，这种方法可能不适用于呼吸监测，因为LEVD方法需要为每个不同的环境设置一个经验阈值。在本文中，我们提出了一种自适应中值滤波方法来应对这一挑战，该方法被证明在不同的场景下能够有效地去除平稳分量。
3.2.2适应身体运动和环境噪声。跟踪呼吸信号的第二个挑战是适应身体运动和环境噪声。在监测阶段，身体运动是不可避免的(例如，在睡眠时)，它的影响应该被减轻。Nandakumar等人[2015]的基于fmcw的方案要求在呼吸监测之前估计智能手机和胸部之间的距离。当物体突然移动时，系统需要寻找新的距离，导致时间复杂度大。所提出的基于声纳相位的方法能够有效地适应人体运动。例如，图4说明了通过消除声纳拍中的静态矢量来适应身体运动的想法。当出现意外小的身体运动时，呼吸信号的幅度变大，导致信噪比变小。在消除静态矢量后，我们可以减轻身体运动的影响，仍然可以得到整洁的呼吸信号，如图4的下方所示。此外，考虑在测试环境中多人的情况。他们的动作不仅会干扰反射的呼吸信号，而且背景噪音也可能很高(比如他们说话时)。我们在声拍中采用相干I/Q解调来消除外部声源的环境噪声。
3.2.3实时监控，延时小。为了使生命体征监测系统真正有用，它应该实时工作，并与用户进行良好的交互。实时监控具有挑战性，因为大多数智能手机都有48khz的高采样率，这导致相干检测器每秒要进行9.6万次乘法运算，将接收到的声音信号降至基带。为了解决这一难题，我们对I/Q解调进行了降采样，这可以在捕捉呼吸频率的同时降低计算复杂度。为了更好地与用户交互，SonarBeat分三个阶段进行操作。在15秒的第一阶段，无需基于fft的呼吸频率估计，即可实时进行呼吸监测。在15秒的第二阶段，SonarBeat分析在15秒滑动窗口中收集的数据，提取呼吸信号，并在屏幕上绘制呼吸信号，给用户一些初步的测试结果。在最后阶段，30秒后，SonarBeat将FFT应用于所有捕获的相位数据，以实现准确的呼吸速率估计。
4、声拍系统
4.1声拍系统结构
根据声纳相位分析，SonarBeat可以有效地利用声纳相位信息监测呼吸信号。首先，相位信息能够准确跟踪周期性的呼吸频率，并且对呼吸引起的胸部小运动非常敏感。其次，与其他传统方法相比，如多普勒频移和FMCW [Adib et al. 2015]，基于相位的方法具有更低的延迟和复杂性。最后，声纳相位数据对不同的方向、不同的距离不同的布料厚度，不同的人有不同的呼吸频率具有鲁棒性。该算法对较大的身体运动具有较强的鲁棒性，只会导致相位数据的平稳分量发生变化，可以通过自适应中值滤波方法有效去除。
图5给出了声拍系统架构，包括四个基本模块:(1)信号生成，(2)数据提取，(3)接收信号预处理，(4)呼吸频率估计。信号产生模块主要实现对听不清信号的脉冲编码调制(PCM)，利用PCM技术产生并调制18khz ~ 22khz的连续波信号。数据提取模块对音频信号进行检测，采用短时傅立叶变换(STFT)对音频信号进行检测。提出了一种基于阈值的检测接收到的听不清信号起始部分的方法。接收信号预处理模块包括:(1)I/Q解调，实现降采样，然后是相干鉴相器;(2)消除静态矢量效应，采用自适应中值滤波方法去除同相正交信号的静态矢量;(3)相位提取，对声纳相位信息进行提取和标定;(4)数据校准，其中一个中值滤波器作为一个简单的低通有限脉冲响应(FIR)滤波器来去除噪声。呼吸频率估计模块采用基于fft的方法估计呼吸频率。
4.2信号产生模块
使用智能手机的一个扬声器作为发射器，产生听不清的信号。我们在Android平台上实现了基于pcm的信号生成模块。具体来说，扬声器以连续波信号的形式产生18 ~ 22 KHz的听不见的声音信号，即C(t) = Acos(2πft)。我们产生采样模拟信号，然后用PCM对采样后的连续波信号进行数字表示。为了产生PCM流，对模拟连续波信号的幅度进行采样，在统一的时间间隔内，每个采样值都被量化。利用AudioTrack类实现了基于pcm的听不清信号调制。
4.3数据提取
我们使用智能手机的扬声器在18khz到22khz传输CW听不清信号，不包含任何用户信息(只是余弦波)。智能手机的麦克风是用来接收从胸部反射的听不清信号，采样率为48khz。麦克风还可以记录周围环境不同频率的其他信号。虽然在原始声音信号中，人声和其他可听到的声音都被麦克风捕获，但这些可听到的信号被认为是噪声，并被低通滤波器过滤掉，如图1所示。因此，用户的隐私得到了很好的保护，因为系统没有记录任何可听的声音。我们实现一种音频信号检测方法来识别所需信号的开始，如下所示。本文提出的音频信号检测方法是基于短时傅立叶变换的。在信号开始时，载波频率处的功率将急剧增加。一种基于阈值的方法用于检测听不清信号的开始。图6给出了基于stft的音频信号检测方法，载波频率为20khz。我们可以看到，在0.25秒之前，麦克风只接收周围环境的音频。0.25秒后，麦克风检测到听不见的信号，因为20千赫频谱的幅度变得比其他音频频率强得多(见亮黄色，水平条带在20千赫)。我们在STFT中采用512的窗口大小来估计频谱。此外，我们将功率变化的阈值设置为200，以检测听不清信号的开始。事实上，如果我们用阈值法检测功率变化，可以将听不清信号的开始设置为STFT啁啾的结束
4.4接收信号预处理
本节介绍接收信号预处理模块的四个组成部分，包括I/Q解调、静态矢量效应抑制、相位提取和数据校准。
4.5呼吸频率估计
SonarBeat分三个阶段进行呼吸监测，以更好地与用户进行交互。在15秒的第一阶段，我们不能有效地估计呼吸频率，只能记录提取的呼吸信号，因为一个窗口中的相位数据可以在新数据到达时不断变化。在15秒的第二阶段，我们在一个15秒的滑动窗口中分析收集到的相位数据，以提取呼吸信号并将其绘制在智能手机屏幕上。在最后阶段，在30秒后，我们使用收集到的所有相位数据进行FFT呼吸速率估计，这样可以达到更高的估计精度(因为现在有更多的数据可用)。事实上，频率分辨率取决于FFT的窗口大小。如果窗口尺寸越大，估计精度越高，但是窗口尺寸越大，时域分辨率越低。因此，对于在线呼吸率估计，我们使用与基于stft的方法相同的窗口大小。它平衡了频域分辨率和时域分辨率之间的权衡。图12说明了基于fft的呼吸速率估计。可以看出，估计的呼吸频率为0.23 Hz，与实验中神经呼吸监测皮带记录仪传感器测量到的真实呼吸频率大致相同。在我们的实验中，没有涉及胸部呼吸(即在腹部不运动时仅由胸部进行呼吸)，因此，神经带捕捉到的腹部运动可以作为系统评估的准确ground truth。
5、实验研究与讨论
5.1实验设置
我们使用Java和Android SDK在Android平台上构建了SonarBeat系统的原型，将其作为智能手机应用程序。SonarBeat的第一版使用Android 5.1.1最小版本(API 21)操作系统实现。因此，它适用于所有最新的Android系统，如Android 6.0和Android 7.0。该应用通过三星Galaxy S6和三星Galaxy S7 Edge智能手机进行评估。对于呼吸监测，我们使用一个扬声器和一个麦克风分别传输和接收听不清的音频数据，麦克风和扬声器固定在智能手机的底部。此外，我们使用AudioTrack类来播放听不清的声音，使用AudioRecord类来录制声音。记录线程的缓冲区设置为1920点，采样率为48 KHz。因此，我们将实时信号处理单元设置为1920点，约为40ms。我们使用SonarBeat与五个人进行了为期3个月的广泛实验。所有受试者的特征见表1。测试场景包括办公室、卧室和电影院，分别如图13、14和nd 15所示。办公室是一个4.5 × 8.8平方米的房间，里面摆满了桌子和电脑，形成了一个复杂的传播环境。在这个办公环境中，我们在不同的参数设置下测试SonarBeat。第二个环境是3.9 × 6平方米的卧室，我们在这里测试一个人的呼吸监测。第三个设置是一个27 × 40平方米的大电影院，在这里很多人在看电影，电影和其他人的音频干扰很强。与电影影院相比，办公室和卧室场景的执行时间更长，在不同的日子里执行多次，而电影影院是在1小时内观看电影的测试。在此期间，进行多次实验，每次持续30秒。在每个实验中，人们要么把智能手机拿在手里，要么把它放在一个桌子上，扬声器和麦克风面对被试者。此外，该系统主要侧重于估计一个人的呼吸频率，我们认为其他人与智能手机的距离在60厘米以上。为了便于比较，我们使用神经呼吸监测皮带记录仪传感器来记录呼吸率的真实情况(见图16)。对于每次的呼吸频率估计，我们使用所有收集到的数据进行30秒的FFT呼吸频率估计。在每个实验中，我们通过与地面真实值的比较来测量呼吸频率在bpm中的误差。此外，我们使用呼吸误差的累积分布函数(CDF)作为测量指标，可以用来解释测量中的随机因素。我们还将平均估计误差作为衡量各种环境因素的影响和各种系统参数的影响的另一个评价指标。
5.2呼吸频率估计的性能
图17给出了声拍呼吸频率估计误差的CDFs。此外，我们还将我们的SonarBeat系统与基于LEVD的系统进行了比较[Wang et al. 2016]，其中LEVD方法用于估计静态矢量，其他所有信号处理方法与SonarBeat相同。结果表明，SonarBeat和基于levd的方法的中值误差分别为0.2 bpm和0.3 bpm。这说明两个系统可以有效地估计呼吸速率。但是值得注意的是，对于SonarBeat, 95%的测试结果都在0.5 bpm以下，而基于levd的方法，只有60%的测试结果在0.5 bpm以下。SonarBeat和基于levd的方法的最大估计误差分别为2.4 bpm和5 bpm。这是因为基于levd的方法需要根据静态环境中基带信号的标准差来设置经验阈值。它在不同的环境中不是很健壮，因为相同的阈值不起作用。而声拍中使用的自适应中值滤波方法对环境干扰具有更强的鲁棒性，比基于levd的基线方案具有更高、更稳定的呼吸率估计精度。图18给出了三种不同场景的平均估计误差，分别为0.22 bpm、0.11 bpm和0.33 bpm，分别是办公室、卧室和电影院场景。我们将95%的置信区间绘制为误差条。卧室情况的平均估计误差最小，因为卧室环境较好，噪音较小，没有来自他人的声音干扰。这表明SonarBeat适用于睡眠期间的呼吸监测，有助于检测呼吸暂停或其他睡眠问题。在办公室进行呼吸监测，表现比在卧室还差。这是因为传播环境比较复杂，有来自他人的干扰。此外，来自计算机、空调和实验室其他设备的较高噪音也会影响接收到的听不清信号。电影院测试由于环境更复杂，噪声更强，平均误差和方差最大。事实上，考虑到极端恶劣的环境，在剧院的呼吸监测仍然是相当准确的。这些实验验证了SonarBeat在不同场景下的准确性和鲁棒性。
5.3各种环境因素的影响
如图19所示为不同人在办公场景下的影响。在实验中，我们测试了5个人，包括3名男性和2名女性。目的是显示不同主题对声拍性能的影响。图中的每一个结果都是用不同的实验得出的。每个志愿者都戴着神经呼吸装置来记录地面真实的呼吸数据。从图19可以看出，3号和5号的平均误差相对较低。这是因为他们经常锻炼，有更强的呼吸，导致更强的呼吸信号。另一方面，另外三个人的呼吸强度较弱，但他们的估计误差仍然在0.5 bpm以下，这是可以接受的。因此，我们可以看到声拍是适应不同的人。
图20显示了不同呼吸频率在办公场景下的影响。在实验中，被试将自己的呼吸频率控制在慢呼吸频率~ 10bpm、正常呼吸频率~ 18bpm、快呼吸频率，分别为6bpm ~ 10bpm、13bpm ~ 18bpm、30bpm以上。值得注意的是，随着呼吸频率的增加，平均估计误差会增大。原因是呼吸频率越高，呼吸信号的稳定性越弱。换句话说，在快速呼吸时，胸部运动更加不规则，导致捕捉到的呼吸曲线有很大的变化。此外，我们采用了基于fft的呼吸估计。当捕获的呼吸信号中包含多个呼吸频率时，FFT不能产生良好的频率估计。尽管如此，在快速呼吸的情况下，SonarBeat仍然可以有效地捕捉不同的呼吸频率，平均误差略高于0.4 bpm。
图21说明了胸部和智能手机之间的距离的影响。当距离增大时，呼吸估计的准确性降低。特别地，我们可以看到，在距离为55 cm时，平均估计误差变为1 bpm，且方差较大。在本实验中，我们发现超声波在18khz到22khz之间衰减很大，当距离增加到50cm以上时，麦克风从胸部反射得到的功率会降低。此外，用声拍估计呼吸率取决于I/Q解调。距离增大，I/Q分量的大小变弱导致误差变大。为了提高测量覆盖率，我们利用低通滤波器的参数共振来增强在截止频率附近的听不清信号的幅度，从而提高I/Q分量的幅度。在实验中，我们将截止频率设置为40hz，采样率为48khz。我们可以看到，在50 cm以下，所提出的系统可以达到非常高的精度。该系统的有效范围意味着，只要智能手机靠近受试者的上半身，该系统就可以有效捕捉胸部和腹部。因此，无论受试者是腹式呼吸还是胸腔呼吸，声纳节拍都能很好地工作。
图22显示了手持智能手机或放在桌子上时的呼吸频率错误。我们发现，这两种情况下的误差都很低，手持智能手机的误差为0.22 bpm，放在桌子上的误差为0.16 bpm。手持智能手机对呼吸率估计误差的方差更大。这是因为手部的小动作会影响反射信号。手的小运动虽然不影响基本的估计精度，但仍然会造成较大的估计误差方差。另一方面，由于我们使用自适应中值滤波器有效地去除静态向量，平均呼吸频率估计结果在两种情况下都能得到保证。
图23显示了布料厚度的影响。在实验中，被试穿着不同类型和厚度的衣服。用户与智能手机的距离保持在10 - 15厘米之间。注意到，随着布料厚度的增加，平均误差增大。这是因为当衣服变厚时，18千赫到22千赫的超声波衰减更大，这导致接收到的呼吸信号更小，信噪比更低。事实上，在本实验中，最大呼吸估计误差约为0.37 bpm，仍然是可以接受的。
图24显示了在办公场景下胸部朝向相对于智能手机的影响，我们考虑了三种情况下的0◦，4 5◦，n d 9 0◦。在0◦相对于智能手机的正面方向，我们可以得到最小的平均估计误差，约为0.22 bpm。在90◦方向，最大平均估计误差成为0.39 bpm。当人们面对智能手机扬声器时，接收到的听不清信号是最强的。
图25展示了不同姿势的影响，包括坐、站和睡觉，在卧室场景。对于坐式，将智能手机放在书桌上，智能手机与胸部的距离约为15厘米。站立式的情况下，人们拿着智能手机的距离是一样的。在睡眠案例中，穿着睡衣的人躺在床上，以同样的距离面对桌上的智能手机。我们可以看到，对于坐着和站着的姿势，平均估计误差小于不同姿势的影响。图26。两种不同智能手机平台的估计误差结果。睡觉的姿势。这是因为在睡眠场景中接收到的信号强度比其他两种情况要小。
5.4各系统参数的影响本节对各系统参数的影响进行评估。图26给出了三星Galaxy S6搭载安卓6.0和三星Galaxy S7 Edge搭载最新版本安卓7.0时的估算误差。扬声器和麦克风都在两款智能手机的底部。我们可以看到，三星Galaxy S7 Edge的性能与三星Galaxy S6相似，平均误差分别为0.21 bpm和0.22 bpm。我们发现三星Galaxy S7 Edge具有更强的处理能力，因此可以获得比三星Galaxy S6更好的实时性。
图27显示了不同频率对CW信号的影响，包括18 KHz、20 KHz和22 KHz。随着频率的增加，平均误差也略有增大。最大平均估计误差为0.22 bpm，最小平均估计误差为0.17 bpm。这表明声拍对不同的频率是稳健的。另一方面，我们也知道，对于在同一传输介质中传播的超声信号，信号频率越高，功率衰减越大，从而导致接收到的呼吸信号的信噪比越小。因此，频率越高，平均呼吸率估计误差越大。
图28显示了不同降采样率的影响。当降采样率从60增加到100时，平均呼吸率估计误差将从0.19 bpm增加到0.23 bpm，增幅较小。因此，我们为声拍选择100的下采样率。由于SonarBeat使用的采样频率为48khz，我们可以通过100的降采样率将其降低到480hz。如前所示，降采样操作不影响嵌入相位调制信号中的呼吸速率。因此，对I-和q分量进行100次的降采样，不仅可以降低智能手机实时呼吸监测的计算复杂度，而且可以达到较高的精度。
图29为自适应中值滤波器在不同窗口大小下的结果。回忆一下，窗口大小是在静态矢量效应缓解阶段使用的。声纳拍呼吸速率估计主要依赖于减少静态矢量效应。所提出的自适应中值滤波方法的唯一参数是窗口大小，对于不同的测试应该是鲁棒的。从图29中可以看出，当窗口尺寸从7400增加到7700时，平均呼吸率估计误差仅从0.21 bpm增加到0.26 bpm。此外，从7400到7700的较大窗口大小几乎是信号点的一半，这对于去除静态向量是有效的。因此，我们为SonarBeat选择7500的窗口大小，这样可以达到最好的呼吸估计精度。
图30显示了不同中值滤波窗口大小对平均误差的影响，用于SonarBeat的数据校准阶段。我们发现，当中值滤波窗口大小设置为100或300时，平均误差为0.21 bpm。另一方面，当中值滤波窗口大小从600增加到1000时，平均估计误差从0.25 bpm增加到0.38 bpm。这是因为较小的窗口尺寸可以处理局部呼吸曲线，从而有效去除环境噪声。另一方面，较大的中值滤波窗宽会忽略局部呼吸噪声，造成较大的误差。在此实验的基础上，我们将中值滤波窗口大小设置为300，这样不仅可以获得更高的呼吸估计精度，而且可以得到更好的实时呼吸监测曲线。
5.5讨论
在本节中，我们将讨论SonarBeat的局限性，以及潜在的解决方案方向。首先，由于声音信号衰减很大，SonarBeat在胸部和智能手机之间的距离小于50厘米时工作得很好。第二，SonarBeat可以很好地工作于一个人，但不适合同时监测多个对象。从图21可以看出，当被测者与智能手机的距离超过50厘米时，呼吸信号会非常微弱，无法提取。因此，测试对象应该距离被监控的智能手机50厘米以内。对日常生活来说，距离太近/不太可能。第三,当受试者睡觉时盖上毯子，声纳拍就不能很好地工作，这将大大降低接收信号的信噪比。这些局限性主要是由于超声波在18khz到22khz时衰减较大，当距离较大或有障碍物时，麦克风从胸部反射接收到的功率较低。请注意，SonarBeat使用现成的智能手机系统，具有固定的发射功率和最大频率。如果可以提高信号的发射功率或频率，则可以显著提高性能。此外,SonarBeat的性能很大程度上取决于静态向量的影响减轻在多径环境中(见图4)。这是因为静态矢量远远强于动态诱导的小胸部运动,和静态组件从扬声器麦克风将大大影响接收信号的信噪比。当物体运动时，静止部件会受到人体运动造成的相当大的干扰。目前的中值滤波方法不能有效地处理不稳定的静态分量，因此很难直接从连续运动的物体中检测出微弱的呼吸信号。为了进一步提高SonarBeat的性能，我们将在未来的工作中考虑三种方案。首先，提出一种新的静态矢量去除算法。例如，我们可以使用两个麦克风并利用其差值来消除自干扰。第二种方案是考虑调制信号，如FMCW和OFDM。最后，需要考虑信号分解技术，如张量分解[Wang et . 2017c]和独立分量分析(ICA)。这些技术有助于从接收到的信号中分离小信号，如心跳信号。此外，他们也可以用来估计呼吸频率为多个主题。
6、结论
在这篇文章中，我们介绍了SonarBeat，一个利用基于相位的声纳监测智能手机呼吸频率的系统。首先对声纳进行了严格的相位分析，证明了基于声纳相位的方法可以获取呼吸信号。此外，我们还讨论了基于主动声呐信号的呼吸估计的技术挑战，包括消除静态矢量效应，适应身体运动和环境噪声，以及低延迟在线呼吸监测。然后详细描述了声拍的设计，包括信号的产生、数据提取、接收信号的预处理和呼吸频率的估计。最后，我们在两款不同的智能手机上执行了SonarBeat，并在三种设置下进行了广泛的实验研究。实验结果验证了SonarBeat对不同因素和参数的呼吸速率估计有较好的效果。
