CN112401856B - 一种基于毫米波雷达的疗养院监护方法及系统 - Google Patents
一种基于毫米波雷达的疗养院监护方法及系统 Download PDFInfo
- Publication number
- CN112401856B CN112401856B CN202011281220.8A CN202011281220A CN112401856B CN 112401856 B CN112401856 B CN 112401856B CN 202011281220 A CN202011281220 A CN 202011281220A CN 112401856 B CN112401856 B CN 112401856B
- Authority
- CN
- China
- Prior art keywords
- target
- information
- signal
- respiratory
- heart rate
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
- A61B5/0205—Simultaneously evaluating both cardiovascular conditions and different types of body conditions, e.g. heart and respiratory condition
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
- A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/74—Details of notification to user or communication with user or patient ; user input means
- A61B5/746—Alarms related to a physiological condition, e.g. details of setting alarm thresholds or avoiding false alarms
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B2503/00—Evaluating a particular growth phase or type of persons or animals
- A61B2503/08—Elderly
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physiology (AREA)
- Physics & Mathematics (AREA)
- Animal Behavior & Ethology (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Pathology (AREA)
- Cardiology (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Psychiatry (AREA)
- Signal Processing (AREA)
- Pulmonology (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明提供一种基于毫米波雷达的疗养院监护方法及装置,该方法包括:根据毫米波雷达的反射信号获取各目标距离、速度及角度信息;对目标进行识别定位,判断预定监测范围内是否存在目标;若监测范围内存在目标,则获取目标的呼吸速率和心率;根据监测目标的呼吸速率、心率及呼吸能量、心跳能量,通过神经网络模型进行目标分类。从而可以实现非接触下多目标呼吸速率和心率的监测,提升用户使用体验,并能区分人类和动物,避免动物误触,方便及时发现老人健康异常,为疗养院老人的健康安全提供保障。
Description
技术领域
本发明涉及电子信息技术领域,尤其涉及一种基于毫米波雷达的疗养院监护方法及系统。
背景技术
随着电子硬件技术、网络通信技术以及软件工程技术的高速发展,监测心跳和呼吸信号等生命参数为现代医疗保健和疗养院监护提供了可靠的诊断、治疗依据和安全保障。传统的生命体征检测方法主要使用接触式可穿戴传感器或粘性电极直接监测心跳和呼吸信号,基于传感器的可穿戴式方法和基于粘性电极的方法都会因为有线线路限制了用户的行为,监测结果无法真实地反映用户无意识运动时生命机能参数的变化,而且接触式传感器通常操作复杂,使用户不舒服。
相较于接触式可穿戴传感器或粘性电极的方法,非接触式雷达检测技术可以在没有电极或传感器的情况下远距离监视心跳和呼吸信号,从而使用户带来更舒适,更快的体验,因此,非接触式雷达探测技术已逐渐成为新兴应用领域的研究热点。
然而,目前已有的非接触式监测方法的监测条件非常苛刻,例如:需要用户保持静止状态,胸腔正对设备,仅支持一人监测等,可监测目标数量有限,且难以区分人类和动物。
发明内容
有鉴于此,本发明实施例提供了一种基于毫米波雷达的疗养院监护方法及系统,以解决现有非接触方监护法可监测数量有限,且难以区分人类和动物的问题。
在本发明实施例的第一方面,提供了一种基于毫米波雷达的疗养院监护方法,包括:
根据毫米波雷达的反射信号获取各目标距离、速度及角度信息;
对目标进行识别定位,判断预定监测范围内是否存在目标;
若监测范围内存在目标,则获取目标的呼吸速率和心率;
根据监测目标的呼吸速率、心率及呼吸能量、心跳能量,通过神经网络模型进行目标分类。
在本发明实施例的第二方面,提供了一种基于毫米波雷达的疗养院监护系统,包括:
信号处理模块,用于根据毫米波雷达的反射信号获取各目标距离、速度及角度信息;
目标识别模块,用于对目标进行识别定位,判断预定监测范围内是否存在目标;
监测模块,用于若监测范围内存在目标,则获取目标的呼吸速率和心率;
目标分类模块,用于根据监测目标的呼吸速率、心率及呼吸能量、心跳能量,通过神经网络模型判断目标进行分类。
在本发明实施例的第三方面,提供了一种电子设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器运行的计算机程序,所述处理器执行所述计算机程序时实现如本发明实施例第一方面所述方法的步骤。
在本发明实施例的第四方面,提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现本发明实施例第一方面提供的所述方法的步骤。
本发明实施例中,通过信号处理技术,目标检测技术,呼吸速率和心率检测以及深度学习技术结合算法应用,判断监测范围内是否有目标存在;当判断出范围内有目标存在时,则进行呼吸速率和心率检测,根据检测的结果来区分目标。实现特定范围内多人员、多目标在动态场景下的呼吸和心跳监测,有效区分人类和动物,避免动物干扰,提升使用体验,可以为养老院老人的健康安全提供保障。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单介绍,显而易见地,下面描述的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获取其他附图。
图1为本发明的一个实施例提供的一种基于毫米波雷达的疗养院监护方法的流程示意图;
图2为本发明的一个实施例提供的目标识别定位过程的流程示意图;
图3为本发明的一个实施例提供的呼吸速率和心率检测过程的流程示意图;
图4为本发明的一个实施例提供的用于基于毫米波雷达的疗养院监护的系统的结构示意图。
具体实施方式
为使得本发明的发明目的、特征、优点能够更加的明显和易懂,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,下面所描述的实施例仅仅是本发明一部分实施例,而非全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围以下结合附图对本发明的原理和特征进行描述,所举实例只用于解释本发明,并非用于限定本发明的范围。
本发明的说明书或权利要求书及上述附图中的术语“包括”以及其他相近意思表述,意指覆盖不排他的包含,如包含一系列步骤或单元的过程、方法或系统、设备没有限定于已列出的步骤或单元。
请参阅图1,图1为本发明实施例提供的一种基于毫米波雷达的疗养院监护方法的流程示意图,包括:
S101、根据毫米波雷达的反射信号获取各目标距离、速度及角度信息;
在原始雷达数据对应的目标信号中包含有目标呼吸胸腔运动信息。通过毫米波雷达来采集预设监测范围内的反射信号,且采集设备实时接收反射信号,并可以设定时间段存储采集数据。优选的,设置较短的时间周期定时采集反射信号,这样能避免实时采集出现数据量过大的问题,也能避免时间周期过长导致的结果不太准确的问题。
对采集得到的反射信号,经过静态杂波抑制,滤除环境噪声的影响,避免对假目标的识别,例如风扇,空调等影响。再对数据进行快速傅里叶变换,得到距离维度信息,基于Chirp信号之间的多普勒信息,得到速度信息。
S102、对目标进行识别定位,判断预定监测范围内是否存在目标;
具体的,如图2所示,对每根接收天线接收的反射信号经快速傅里叶变换后得到一维FFT距离信息,数据格式维度为:NF×NC×NR,其中,NF为快速傅里叶变换维度,NC为一帧数据中Chirp脉冲信号数量,NR为接受信号天线数。
s.t.a(θ)∈[-θmax,θmax];
QN=[qM+1 qM+2 qM+3…qN],N<M;
R=E[XXH];
其中,X表示输入的ADC信号,其维度为NF×NR,R表示X的相关系数维度为M×M的矩阵,M表示接收天线数量,N表示信号种类数量,qi表示R的特征向量,QN表示R的特征值从大到小排序后,对应的后M-N个特征向量,a(θ)表示-θmax到θmax的旋转矩阵,p(θ)表示对应角度θi的能量值。
基于一维FFT距离数据和各角度信号能量值得到角度-距离的热图,其维度为NF×NA,NF表示快速傅里叶变换维度,NA表示角度维度。
通过阈值检测方法对反射信号及噪声进行判断,确定目标信号是否存在,并从角度-距离的热图中检测出目标信号,得到对应的点云信息,每个点其中包含距离、角度、信噪比。根据所述点云信息,对一维信号Ni×NC做二次快速傅里叶变换得到速度信息,Ni表示第i类信号,NC为一帧数据中Chirp脉冲信号数量。对所得到的点云信息利用聚类算法,得到目标位置信息。
此处,采用阈值检测,保留所有超过阈值的信号,即得到的点云信息。通常人的反射面积大,目标反射得到的是多个点,根据每个点的距离、角度、速度、信噪比信息进行聚类分析得到目标的空间位置,可以实现准确地目标定位和追踪。
S103、若监测范围内存在目标,则获取目标的呼吸速率和心率;
在监测范围内,检测到一个目标或两个及以上目标时,根据步骤S102得到的位置信息,找到距离FFT结果中对应的峰值位置信息。
具体的,如图3所示,获取目标位置信息,从反射信号中提取目标呼吸信息和心跳信息;从邻近区间获取多个采样值,设置采样间隔得到采样块,通过主成分分析得到多个主成分;对包含信息最大的主成分进行相位展开,经过信号滤除后,通过低通滤波与高通滤波级联的带通滤波器进行滤波处理,得到呼吸信号和心率信号;对包含呼吸信号的数据和包含心率信号的数据分别进行快速傅里叶变换,对变换结果进行峰值检测,得到呼吸频率和心率。
所述目标呼吸和心跳信息包括多个目标静止或移动状态下的呼吸和心跳信息。
可以理解的是,所述多个采样值、多个主成分数量可以为一个或多个,具体根据实际需要选取采样值,并经主成分分析生成对应数量的主成分。
虽然距离FFT结果中的峰值包含目标的胸腔变化信息,即呼吸和心跳信息,但不一定是最强的,因为目标反射面可能会很大,比如人的肩膀和手臂在某些情况下会比反射更强。对于这样的情况使用独立成分分析(PCA)算法,从距离FFT选取峰值附近固定窗口大小的数据进行处理,得到多个主成分:
hi=H×qi
s.t.i∈[1,N];
R=E[HHH];
q=eig(R);
其中,hi表示第i个主成分,H表示为N×W维度的输入信号,N为邻近区间采样值数,W为采样窗口长度,R表示H的相关性矩阵,q表示R的特征向量。
选取包含信息最大的主成分hi,进行相位展开,将处理后的数据进行信号滤波,分别通过由低通数字滤波器和高通数字滤波器级联的带通滤波器,设置两种不同的频率范围分别得到包含呼吸信号的数据和包含心率信号的数据。对包含呼吸信号的数据和包含心率信号的数据分别进行频谱分析,得到的结果实现峰值检测,得到呼吸频率和心率。
需要说明的是,本实施中由于测量的是移动中的目标,包含体征信号量最大点(胸腔位置)往往不一定是峰值或目标所在点,所以根据目标定位锁定后得到的距离和角度信息,以该位置为中心进行邻近区间采样,同时在时间维度上也进行间隔采样,得到一个采样块矩阵,然后使用独立成分分析算法(PCA)得到多个主成分,选取包含信息最大的主成分来提取体征信号,减少移动中目标位置不固定的影响。
S104、根据监测目标的呼吸速率、心率及呼吸能量、心跳能量,通过神经网络模型进行目标分类。
所述神经网络模型的数据输入为呼吸速率、心率、呼吸能量和心跳能量,输入数据分为人类和动物,通过深度学习训练,神经网络模型输出判断为人类或非人类,其中,呼吸能量和心跳能量分别定义为:
Eb=∑t(sb(t))2
Eh=∑t(sh(t))2
式中,Eb表示呼吸能量,Eh表示心跳能量,sb(t)表示呼吸信号,sh(t)表示心跳信号,t表示时间。
可选的,在目标进入监测范围内后,当检测目标为人类时,开启呼吸和心跳信息监测,当检测目标动物时,则不监测对应目标生命体征信息。
本实施例中,借助物联网和信号高效处理,实现对人员轨迹追踪和呼吸速率和心率监测。通过多种算法结合,支持多目标动态场景监测,对传统监测苛刻的条件进行改进,支持更多的场景应用。基于神经网络模型区分人类和非人类,排除动物的干扰。进一步的,可以结合物联网、信号处理、深度学习等技术,实现非接触式的呼吸和心率监测、目标识别轨迹追踪、目标分类等,方便复杂场景的应用,提升用户体验。
需要说明的是,上述目标可能是一个目标,也可以存在两个或两个以上的目标,且目标不一定处于静止状态,也有可能处于移动状态。当出现多个目标时,则需要分别计算每个目标的位置信息。此外,该位置信息一般指的是目标相对于传感器的坐标距离,以传感器的位置为坐标原点(0,0,0)。
监测目标呼吸速率和心率时不需要目标保持静止或者某些特定的姿势。通常人体在呼吸时导致的胸腔运动一般在12mm左右。
还需要说明的是,获取的相位信息一般需要进行相位展开处理,对其进行修正,然后会对获取的相位信息进行滤波处理,提取出感兴趣的信息。通常,人体呼吸频率大约为0.1-0.5Hz,心跳的频率大约为0.8-2Hz,为去除无关数据,设置带通滤波器0.1-0.6HZ和0.8-4Hz为并对滤波之后的输出结果进行频谱分析,确定出呼吸和心跳的频率。
应理解,上述实施例中各步骤的序号大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本发明实施例的实施过程构成任何限定。
图4为本发明实施例提供的一种基于毫米波雷达的疗养院监护系统的结构示意图,该装置包括:
信号处理模块410,用于根据毫米波雷达的反射信号获取各目标距离、速度及角度信息;
目标识别模块420,用于对目标进行识别定位,判断预定监测范围内是否存在目标;
具体的,所述对目标进行识别定位包括:
将接收到的反射信号经快速傅里叶变换得到一维FFT距离数据;
通过多信号分类算法计算每个角度的能量值;
基于一维FFT距离数据和各角度信号能量值得到角度-距离的热图;
通过阈值检测方法对反射信号及噪声进行判断,确定目标信号是否存在,并从角度-距离的热图中检测出目标信号,得到对应的点云信息;
根据所述点云信息,对一维信号Ni×NC做二次快速傅里叶变换得到速度信息;其中,Ni表示第i类信号,NC为一帧数据中Chirp脉冲信号数量;
对所述点云信息利用聚类算法得到目标位置信息。
监测模块430,用于若监测范围内存在目标,则获取目标的呼吸速率和心率;
具体的,所述若监测范围内存在目标,则获取目标的呼吸速率和心率包括:
获取目标位置,从反射信号中提取目标呼吸信息和心跳信息;
从邻近区间获取多个采样值,设置采样间隔得到采样块,通过主成分分析得到多个主成分;
对包含信息最大的主成分进行相位展开,进过信号滤除后,通过低通滤波、高通滤波级联的带通滤波器,得到呼吸信号和心率信号;
对包含呼吸信号的数据和包含心率信号的数据分别进行快速傅里叶变换,对得到的结果进行峰值检测,得到呼吸频率和心率。
目标分类模块440,用于根据监测目标的呼吸速率、心率及呼吸能量、心跳能量,通过神经网络模型判断目标进行分类。
可选的,在目标进入监测范围内后,当检测目标为人类时,开启呼吸和心跳信息监测,当检测目标动物时,则不监测对应目标生命体征信息。
需要说明的是,所述疗养院监护系统对应监测侧装在墙壁上,与墙壁之间的形成10°-15°的夹角,在疗养院场景中排除动物的干扰,对老人进行轨迹追踪和生命体征监测,能够获取老人位置,及时发现老人进入危险位置,且心率出现异常及时定位救援等,同时能够对目标轨迹和生命体征数据进行存储,保留记录。
可以理解的是,在一个实施例中,所述电子设备包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现步骤S101至S104以实现养老院老人生命体征监测。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成,所述的程序可以存储于一计算机可读取存储介质中,该程序在执行时,包括步骤S101至S104,所述的存储介质包括如:ROM/RAM、磁碟、光盘等。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。
以上所述,以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (6)
1.一种基于毫米波雷达的疗养院监护方法,其特征在于,包括:
根据毫米波雷达的反射信号获取各目标距离、速度及角度信息;
对目标进行识别定位,判断预定监测范围内是否存在目标;
其中,所述对目标进行识别定位包括:
将接收到的反射信号经快速傅里叶变换得到一维FFT距离数据;
通过多信号分类算法计算每个角度的能量值;
基于一维FFT距离数据和各角度信号能量值得到角度-距离的热图;
通过阈值检测方法对反射信号及噪声进行判断,确定目标信号是否存在,并从角度-距离的热图中检测出目标信号,得到对应的点云信息;
根据所述点云信息,对一维信号Ni×NC做二次快速傅里叶变换得到速度信息;其中,Ni表示第i类信号,NC为一帧数据中Chirp脉冲信号数量;
对所述点云信息利用聚类算法得到目标位置信息;
若监测范围内存在目标,则获取目标的呼吸速率和心率;
其中,所述若监测范围内存在目标,则获取目标的呼吸速率和心率包括;
获取目标位置信息,从反射信号中提取目标呼吸信息和心跳信息;
从邻近区间获取多个采样值,设置采样间隔得到采样块,通过主成分分析得到多个主成分;
对包含信息最大的主成分进行相位展开,经过信号滤除后,通过低通滤波与高通滤波级联的带通滤波器进行滤波处理,得到呼吸信号和心率信号;
对包含呼吸信号的数据和包含心率信号的数据分别进行快速傅里叶变换,对变换结果进行峰值检测,得到呼吸频率和心率;
根据监测目标的呼吸速率、心率及呼吸能量、心跳能量,通过神经网络模型进行目标分类。
2.根据权利要求1所述的方法,其特征在于,所述神经网络模型的数据输入为呼吸速率、心率、呼吸能量和心跳能量,输入数据类别分为人类和动物,通过深度学习训练,神经网络模型输出判断结果为人类或非人类,其中,呼吸能量和心跳能量分别定义为:
Eb=∑t(sb(t))2
Eh=∑t(sh(t))2
式中,Eb表示呼吸能量,Eh表示心跳能量,sb(t)表示呼吸信号,sh(t)表示心跳信号,t表示时间。
3.根据权利要求1所述的方法,其特征在于,所述通过神经网络模型进行目标分类还包括:
在目标进入监测范围内后,当检测目标为人类时,开启呼吸和心跳信息监测,当检测目标动物时,则不监测对应目标生命体征信息。
4.一种基于毫米波雷达的疗养院监护系统,其特征在于,包括:
信号处理模块,用于根据毫米波雷达的反射信号获取各目标距离、速度及角度信息;
目标识别模块,用于对目标进行识别定位,判断预定监测范围内是否存在目标;
其中,所述对目标进行识别定位包括:
将接收到的反射信号经快速傅里叶变换得到一维FFT距离数据;
通过多信号分类算法计算每个角度的能量值;
基于一维FFT距离数据和各角度信号能量值得到角度-距离的热图;
通过阈值检测方法对反射信号及噪声进行判断,确定目标信号是否存在,并从角度-距离的热图中检测出目标信号,得到对应的点云信息;
根据所述点云信息,对一维信号Ni×NC做二次快速傅里叶变换得到速度信息;其中,Ni表示第i类信号,NC为一帧数据中Chirp脉冲信号数量;
对所述点云信息利用聚类算法得到目标位置信息;
监测模块,用于若监测范围内存在目标,则获取目标的呼吸速率和心率;
其中,所述若监测范围内存在目标,则获取目标的呼吸速率和心率包括;
获取目标位置,从反射信号中提取目标呼吸信息和心跳信息;
从邻近区间获取多个采样值,设置采样间隔得到采样块,通过主成分分析得到多个主成分;
对包含信息最大的主成分进行相位展开,进过信号滤除后,通过低通滤波、高通滤波级联的带通滤波器,得到呼吸信号和心率信号;
对包含呼吸信号的数据和包含心率信号的数据分别进行快速傅里叶变换,对得到的结果进行峰值检测,得到呼吸频率和心率;
目标分类模块,用于根据监测目标的呼吸速率、心率及呼吸能量、心跳能量,通过神经网络模型判断目标进行分类。
5.一种电子设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至3中任一项所述基于毫米波雷达的疗养院监护方法的步骤。
6.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至3任一项所述基于毫米波雷达的疗养院监护方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011281220.8A CN112401856B (zh) | 2020-11-16 | 2020-11-16 | 一种基于毫米波雷达的疗养院监护方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011281220.8A CN112401856B (zh) | 2020-11-16 | 2020-11-16 | 一种基于毫米波雷达的疗养院监护方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112401856A CN112401856A (zh) | 2021-02-26 |
CN112401856B true CN112401856B (zh) | 2022-07-08 |
Family
ID=74831392
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011281220.8A Active CN112401856B (zh) | 2020-11-16 | 2020-11-16 | 一种基于毫米波雷达的疗养院监护方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112401856B (zh) |
Families Citing this family (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP7199673B2 (ja) * | 2021-03-31 | 2023-01-06 | 艾陽科技股▲分▼有限公司 | レーダ心拍検知方法及びそのシステム |
CN113377845B (zh) * | 2021-08-12 | 2021-10-29 | 成都天府市民云服务有限公司 | 基于大数据的智慧养老数据处理方法及系统 |
JP2023026955A (ja) * | 2021-08-16 | 2023-03-01 | 京セラ株式会社 | 電子機器、電子機器の制御方法、及びプログラム |
CN114052709B (zh) * | 2021-12-02 | 2024-03-15 | 中国电子科技南湖研究院 | 一种稳健的毫米波雷达生命体征测量方法 |
CN114366052A (zh) * | 2021-12-21 | 2022-04-19 | 山东师范大学 | 一种基于毫米波雷达的养老院智能监护系统及方法 |
CN116359908A (zh) * | 2021-12-27 | 2023-06-30 | 北京万集科技股份有限公司 | 点云数据增强方法、装置、计算机设备、系统及存储介质 |
CN114403848A (zh) * | 2022-01-05 | 2022-04-29 | 河南牧原智能科技有限公司 | 一种动物群体呼吸频率检测的方法、系统及存储介质 |
CN114403820A (zh) * | 2022-01-13 | 2022-04-29 | 武汉烽火凯卓科技有限公司 | 一种移动目标的生命体征检测方法及系统 |
CN114732384B (zh) * | 2022-06-14 | 2022-09-02 | 亿慧云智能科技(深圳)股份有限公司 | 基于微波雷达的心脏健康数据监测方法、装置、存储介质 |
CN115295161B (zh) * | 2022-08-18 | 2024-02-06 | 亿慧云智能科技(深圳)股份有限公司 | 一种基于毫米波雷达的疗养监护方法及系统 |
WO2024058225A1 (ja) * | 2022-09-16 | 2024-03-21 | 京セラ株式会社 | 電子機器、電子機器の制御方法、及びプログラム |
WO2024058226A1 (ja) * | 2022-09-16 | 2024-03-21 | 京セラ株式会社 | 電子機器、電子機器の制御方法、及びプログラム |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108474841A (zh) * | 2015-04-20 | 2018-08-31 | 瑞思迈传感器技术有限公司 | 由特征信号对人类的检测和识别 |
CN111142102A (zh) * | 2019-12-26 | 2020-05-12 | 华为技术有限公司 | 一种呼吸数据计算方法以及相关设备 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10495725B2 (en) * | 2012-12-05 | 2019-12-03 | Origin Wireless, Inc. | Method, apparatus, server and system for real-time vital sign detection and monitoring |
CA2891839C (en) * | 2014-05-16 | 2023-02-14 | Mohamed Mabrouk | Remote sensing of human breathing at a distance |
US11096630B2 (en) * | 2017-06-08 | 2021-08-24 | Siemens Healthcare Gmbh | Generating a movement signal of a part of the human or animal body |
WO2020223689A1 (en) * | 2019-05-01 | 2020-11-05 | The Regents Of The University Of California | Wireless device localization |
-
2020
- 2020-11-16 CN CN202011281220.8A patent/CN112401856B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108474841A (zh) * | 2015-04-20 | 2018-08-31 | 瑞思迈传感器技术有限公司 | 由特征信号对人类的检测和识别 |
CN111142102A (zh) * | 2019-12-26 | 2020-05-12 | 华为技术有限公司 | 一种呼吸数据计算方法以及相关设备 |
Also Published As
Publication number | Publication date |
---|---|
CN112401856A (zh) | 2021-02-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112401856B (zh) | 一种基于毫米波雷达的疗养院监护方法及系统 | |
CN110007366B (zh) | 一种基于多传感器融合的生命搜寻方法以及系统 | |
CN111142102B (zh) | 一种呼吸数据计算方法以及相关设备 | |
CN112998701A (zh) | 基于毫米波雷达的生命体征检测与身份识别系统和方法 | |
JP6135280B2 (ja) | 特徴量算出装置、特徴量算出方法およびプログラム | |
Rivera et al. | Radar-based fall detection exploiting time-frequency features | |
CN115345908B (zh) | 一种基于毫米波雷达的人体姿态识别方法 | |
CN109589101A (zh) | 一种基于视频的非接触式生理参数获取方法与装置 | |
CN110673135A (zh) | 传感器、推定装置、推定方法和程序记录介质 | |
Goldfine et al. | Respiratory rate monitoring in clinical environments with a contactless ultra-wideband impulse radar-based sensor system | |
KR20210001575A (ko) | 잡음 환경 내 실시간 심장 박동수 탐지 장치 및 그 방법 | |
CN113453180B (zh) | 一种人体摔倒智能检测方法、系统、信息数据处理终端 | |
Liang et al. | Passive fetal movement recognition approaches using hyperparameter tuned lightgbm model and bayesian optimization | |
Ghahjaverestan et al. | Switching Kalman filter based methods for apnea bradycardia detection from ECG signals | |
CN112380903B (zh) | 一种基于WiFi-CSI信号增强的人体活动识别方法 | |
CN115015867B (zh) | 一种基于超宽带雷达的身份识别和跌倒检测方法 | |
Raeis et al. | InARMS: Individual activity recognition of multiple subjects with FMCW radar | |
CN114764580A (zh) | 一种基于无穿戴设备的实时人体手势识别方法 | |
JP7377494B2 (ja) | 属性の識別装置および識別方法 | |
CN116933002A (zh) | 一种动作检测方法、装置、终端设备和存储介质 | |
KR20180128634A (ko) | 휴대용 생체정보 측정 단말기를 이용한 R-peak 검출 방법 및 시스템 | |
Chen et al. | Non-contact Monitoring of Fatigue Driving Using FMCW Millimeter Wave Radar | |
Dhage et al. | An automated methodology for FECG extraction and fetal heart rate monitoring using independent component analysis | |
KR101727388B1 (ko) | 생체신호 검출 장치 및 방법 | |
CN111766442B (zh) | 一种人体呼吸波形确定方法、装置、设备及可读存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |