CN113288114A - 一种基于无线信号的多人混合呼吸信号提取方法 - Google Patents

一种基于无线信号的多人混合呼吸信号提取方法 Download PDF

Info

Publication number
CN113288114A
CN113288114A CN202110594092.0A CN202110594092A CN113288114A CN 113288114 A CN113288114 A CN 113288114A CN 202110594092 A CN202110594092 A CN 202110594092A CN 113288114 A CN113288114 A CN 113288114A
Authority
CN
China
Prior art keywords
signal
ica
component analysis
independent component
respiratory
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.)
Pending
Application number
CN202110594092.0A
Other languages
English (en)
Inventor
方震
耿芳琳
赵荣建
何光强
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Feiyoutour Technology Nanjing Co ltd
Nanjing Runnan Medical Electronic Research Institute Co ltd
Original Assignee
Feiyoutour Technology Nanjing Co ltd
Nanjing Runnan Medical Electronic Research Institute Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Feiyoutour Technology Nanjing Co ltd, Nanjing Runnan Medical Electronic Research Institute Co ltd filed Critical Feiyoutour Technology Nanjing Co ltd
Priority to CN202110594092.0A priority Critical patent/CN113288114A/zh
Publication of CN113288114A publication Critical patent/CN113288114A/zh
Pending legal-status Critical Current

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
    • A61B5/08—Detecting, measuring or recording devices for evaluating the respiratory organs
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/48—Other medical applications
    • A61B5/4806—Sleep evaluation
    • 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
    • A61B5/7203—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal
    • 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
    • A61B5/7253—Details of waveform analysis characterised by using transforms
    • A61B5/7257—Details of waveform analysis characterised by using transforms using Fourier transforms
    • 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

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Biophysics (AREA)
  • General Health & Medical Sciences (AREA)
  • Veterinary Medicine (AREA)
  • Public Health (AREA)
  • Animal Behavior & Ethology (AREA)
  • Surgery (AREA)
  • Molecular Biology (AREA)
  • Medical Informatics (AREA)
  • Artificial Intelligence (AREA)
  • Pathology (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Signal Processing (AREA)
  • Physiology (AREA)
  • Psychiatry (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Computation (AREA)
  • Fuzzy Systems (AREA)
  • Pulmonology (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)

Abstract

本发明提出一种基于无线信号的多人混合呼吸信号提取方法，包括以下步骤：S1：通过无线设备发射低功率信号，接收来自周围环境的反射信号，得到原始混合呼吸信号；S2：将混合呼吸信号建模为盲源分离问题，使用ICA来进行盲源分离；S3：当人体有较大的运动导致ICA不再适用时，建立一个运动检测器来检测人体的运动；S4：将整个夜晚的时间划分为若干稳定时间段，并滤除噪声，在每个稳定时间段内应用ICA分量进行呼吸信号的分离；S5：将每个稳定时间段的独立分量分配到不同的用户，进行匹配，获得每个用户的完整呼吸信号。该方法能够在混合射频反射信号中分离每个个体的呼吸信号，得到近距离接触的每个用户的整夜呼吸信号。

Description

一种基于无线信号的多人混合呼吸信号提取方法
技术领域
本发明涉及生理信号检测技术领域，具体涉及一种基于无线信号的多人混合呼吸信号提取方法。
背景技术
呼吸信号作为一项重要的健康指标，对评估睡眠质量，跟踪许多领域的疾病都有重要作用。传统的呼吸监测方法一般要求用户佩戴呼吸带睡觉，这在一定程度上会影响用户的睡眠质量。而基于射频的传感技术可以在用户不佩戴任何传感器的条件下实现呼吸监测。基本原理是系统发射低功率射频信号，信号在环境中包括人体上产生反射，然后系统通过捕捉反射信号来提取用户的呼吸信号。
但是现有的射频呼吸监测系统要求受试者之间相隔一定的最小距离，如果人们近距离接触时，来自多个受试者的射频反射信号相互叠加，会干扰接收器，这就限制了共同睡眠的夫妇或者亲子的使用。
发明内容
为克服现有技术的不足，本发明提出一种基于无线信号的多人混合呼吸信号提取方法，能够在混合射频反射信号中分离每个个体的呼吸信号，得到近距离接触的每个用户的整夜呼吸信号。
为实现上述目的，本发明的一种基于无线信号的多人混合呼吸信号提取方法，包括以下步骤：
S1：提取观测信号，通过无线设备发射低功率信号，然后接收来自周围环境的反射信号，得到原始混合呼吸信号；
S2：对混合呼吸信号建模，将从多个人的混合呼吸信号中识别单个呼吸信号建模为盲源分离问题，在信号源是独立、非高斯、线性组合的情况下，使用独立分量分析（ICA）来进行盲源分离；
S3：运动检测，当人体有较大的运动导致独立分量分析（ICA）不再适用时，建立一个运动检测器来检测人体的运动；
S4：呼吸信号分离，运动检测之后将整个夜晚的时间划分为若干稳定时间段，并滤除噪声，在每个稳定时间段内应用独立分量分析（ICA）分量进行呼吸信号的分离；
S5：身份匹配，将每个稳定时间段的独立分量分配到不同的用户，进行匹配，获得每个用户的完整呼吸信号。
进一步地，在步骤S2中，将独立分量分析（ICA）定义为：
设有N个独立的时变源，
Figure 352644DEST_PATH_IMAGE001
和M个不同的观测结果
Figure 634721DEST_PATH_IMAGE002
，将源信号定义为N×T矩阵，观测结果为M×T矩阵，如下：
Figure DEST_PATH_IMAGE003
Figure 677239DEST_PATH_IMAGE004
观测值X是由源S通过混合矩阵
Figure DEST_PATH_IMAGE005
组合而产生的，可以写为：
Figure 573520DEST_PATH_IMAGE006
独立分量分析（ICA）的目的是仅根据观测值X来恢复源S和混合矩阵W。
进一步地，在步骤S2中，假设反射物在无线设备的每次扫描中不会移动，则具有单个反射物的系统在第t次扫描周期内接收到的信号的时域表达为：
Figure 524158DEST_PATH_IMAGE007
其中A是接收信号的幅度，
Figure 344347DEST_PATH_IMAGE008
是扫描的最小频率，
Figure 696830DEST_PATH_IMAGE009
是扫描周期，
Figure 639379DEST_PATH_IMAGE010
是扫频率，d(t)是反射物的距离,
Figure 77313DEST_PATH_IMAGE011
是信号的传输时间，C是光速；
距离d(t)处的反射物在载波频率f处的频率响应为：
Figure 950460DEST_PATH_IMAGE012
考虑多个反射物的情况，假设在距离
Figure 95134DEST_PATH_IMAGE013
处有反射物
Figure 208583DEST_PATH_IMAGE014
，则N个反射物的总反射信号是对应的时域信号的和：
Figure 320765DEST_PATH_IMAGE015
频率响应为：
Figure 604460DEST_PATH_IMAGE016
。
进一步地，将
Figure 931536DEST_PATH_IMAGE017
写成
Figure 74941DEST_PATH_IMAGE018
，其中
Figure 487468DEST_PATH_IMAGE019
是反射物的平均位置（呼吸期间胸部的平均位置），
Figure 515467DEST_PATH_IMAGE020
是对应于呼吸的微小时变运动，使用泰勒级数展开到一阶项，频率响应函数可以近似为：
Figure 884000DEST_PATH_IMAGE021
所有N个反射物的总频率响应可以写成：
Figure 339252DEST_PATH_IMAGE022
其中第一项是所有时间的平均频率响应，从信号中减去不会影响呼吸信号的估计；
定义独立分量分析（ICA）的观测信号为：
Figure 973496DEST_PATH_IMAGE023
其中导数项对应于独立分量分析（ICA）的混合系数，
Figure 477290DEST_PATH_IMAGE024
对应于与呼吸运动相关的时变源，则观测信号是源信号的线性组合。
进一步地，在步骤S3中，定义固定持续时间的观测中的一小段为短观测，短观测的周期性代表信号质量，短观测呼吸噪声比
Figure 778958DEST_PATH_IMAGE025
(s-BNR)为短观测内呼吸能量与总能量的比值，
Figure 592062DEST_PATH_IMAGE025
的计算方法为：对短观测信号进行快速傅立叶变换(FFT)，找出在人类呼吸范围内能量最大的快速傅立叶变换(FFT)频段，
Figure 713602DEST_PATH_IMAGE025
为该频段的能量与所有快速傅立叶变换(FFT)频段的能量和之间的比率，使用15秒作为短观测的默认持续时间，将10-30次/分钟作为人类的呼吸范围，短观测呼吸噪声比
Figure 83403DEST_PATH_IMAGE025
(s-BNR)越大，短观测的周期性越强，包含良好呼吸信号的可能性越大。
进一步地，在步骤S3中，采用检测运动图像实现运动检测，运动图像是一个矩阵，行表示位置，列表示离散时间点，单元(i，j)表示第j个位置在第i个时间点的短观测，其值是该短观测的呼吸噪声比
Figure 177261DEST_PATH_IMAGE025
(s-BNR)；
得到运动图像后，训练基于卷积神经网络(CNN)的分类器来检测人体运动，卷积神经网络(CNN)采用经典的VGG16架构，对运动图像中的每一列进行分类，向卷积神经网络(CNN)提供的图像是包括所有行和第i-k到第i+k列的小图像[i-k , i+k]，其中k是一个自定义的较小的数字，卷积神经网络(CNN)输出“1”表示人体运动，否则输出“0”。
进一步地，在步骤S4中，利用多路径传输现象扩大观测空间范围，增加收集信号的数量，定义长期呼吸噪声比
Figure 974316DEST_PATH_IMAGE026
(l-BNR)为构成长观测的一系列短观测的s-BNR的平均值，高质量的呼吸信号应该有较高的
Figure 583152DEST_PATH_IMAGE026
值，过滤掉低的长期呼吸噪声比
Figure 680945DEST_PATH_IMAGE026
(l-BNR)观测值以排除噪声信号的影响。
进一步地，在步骤S5中，定义一致性度量为两个独立分量分析（ICA）分量表示同一人的呼吸信号的可能性，将身份匹配问题描述为最大化一致性度量的优化问题，使用动态规划来解决优化问题，具体地，步骤S5还包括以下步骤：
S501：以两个独立分量分析（ICA）分量
Figure DEST_PATH_IMAGE027
(来自不同的稳定时段)作为输入，并给出一致性指标
Figure 691627DEST_PATH_IMAGE028
作为输出，身份一致性度量I定义为：
Figure DEST_PATH_IMAGE029
其中混合矢量
Figure 597266DEST_PATH_IMAGE030
是对应于独立分量分析（ICA）分量c的混合矩阵W的一列，其长度是原始观测分量的数目；
S502：引入稳定时段
Figure DEST_PATH_IMAGE031
的独立分量分析（ICA）分量分配
Figure 942665DEST_PATH_IMAGE032
，视其为独立分量分析（ICA）分量的排序，
Figure 654269DEST_PATH_IMAGE033
表示独立分量分析（ICA）分量
Figure 519457DEST_PATH_IMAGE034
在
Figure 658315DEST_PATH_IMAGE032
中被分配为
Figure 428693DEST_PATH_IMAGE035
的呼吸分量，通过计算分配给同一个人的独立分量分析（ICA）分量之间的一致性来计算两个分配的一致性，如下所示：
Figure 943988DEST_PATH_IMAGE036
S503：找到每个稳定时段的分配
Figure 933458DEST_PATH_IMAGE032
，使得重新排序后在所有时段中具有相同顺序的独立分量分析（ICA）分量是同一个人的呼吸信号，因此定义目标函数J：
Figure 243217DEST_PATH_IMAGE037
因为一致性度量I只在很短的一段时间内有效，故目标函数简单地将所有独立分量分析（ICA）分配的身份一致性在两个接近的稳定时段相加（默认h=12）；
S504：最优分配集可以表示为：
Figure 313941DEST_PATH_IMAGE038
，为了解决这个优化问题，设计了动态规划算法：分为前向和后向过程，在前向过程中，有初始条件
Figure 367347DEST_PATH_IMAGE039
和DP方程
Figure 456395DEST_PATH_IMAGE040
：
Figure 937055DEST_PATH_IMAGE041
Figure 495075DEST_PATH_IMAGE042
Figure 24277DEST_PATH_IMAGE043
Figure 718563DEST_PATH_IMAGE042
在后向过程中，根据在前向过程中计算的DP-函数，以逆序得到最优解
Figure 635704DEST_PATH_IMAGE044
：
Figure 605321DEST_PATH_IMAGE045
Figure 530DEST_PATH_IMAGE046
在步骤S5中，各变量的定义如下：
Figure 814903DEST_PATH_IMAGE035
：第n个人，n=1,2,…,N
Figure 886633DEST_PATH_IMAGE031
：第m个稳定时间段，m=1,2,…,M
Figure 153666DEST_PATH_IMAGE047
：第m个稳定周期中的第k个独立分量分析（ICA）分量
Figure 290249DEST_PATH_IMAGE048
：独立分量分析（ICA）分量
Figure 959128DEST_PATH_IMAGE049
的混合向量
Figure 952492DEST_PATH_IMAGE050
：向量
Figure 706821DEST_PATH_IMAGE048
中的第i个分量
Figure 630784DEST_PATH_IMAGE051
：两个独立分量分析（ICA）分量的身份一致性度量
Figure 154169DEST_PATH_IMAGE052
：两个独立分量分析（ICA）分配的身份一致性度量。
本发明的一种基于无线信号的多人混合呼吸信号提取方法能够在混合射频反射信号中分离每个个体的呼吸信号，得到近距离接触的每个用户的整夜呼吸信号，降低了呼吸监测过程对睡眠场景的要求，提升了睡眠呼吸监测的实用性，改善用户体验。
附图说明
下面结合附图对本发明作进一步描写和阐述。
图1是本发明首选实施方式的一种基于无线信号的多人混合呼吸信号提取方法的系统流程图。
具体实施方式
下面将结合附图、通过对本发明的优选实施方式的描述，更加清楚、完整地阐述本发明的技术方案。
如图1所示，本发明首选实施方式的一种基于无线信号的多人混合呼吸信号提取方法，包括以下步骤：
S1：提取观测信号，通过无线设备发射低功率信号，然后接收来自周围环境的反射信号，得到原始混合呼吸信号；
S2：对混合呼吸信号建模，将从多个人的混合呼吸信号中识别单个呼吸信号建模为盲源分离问题，在信号源是独立、非高斯、线性组合的情况下，使用独立分量分析（ICA）来进行盲源分离；
S3：运动检测，当人体有较大的运动导致独立分量分析（ICA）不再适用时，建立一个运动检测器来只检测人体的运动；
S4：呼吸信号分离，运动检测之后将整个夜晚的时间划分为若干稳定时间段，并滤除噪声，在每个稳定时间段内应用独立分量分析（ICA）分量进行呼吸信号的分离；
S5：身份匹配，将每个稳定时间段的独立分量分配到不同的用户，进行匹配，获得每个用户的完整呼吸信号。
具体地，在步骤S1中，无线设备发射低功率信号，接收来自周围环境的反射信号。无线设备可以捕获空间中多个位置的反射信号，每个信号对应于空间中特定物体反射。当多人躺在床上，利用这一特性捕获来自床内和床周围物体的无线信号，得到原始呼吸信号的混合，称这种混合信号为“观测”。
在步骤S2中，从多个人的混合呼吸信号中识别单个呼吸信号可以建模为盲源分离问题，在信号源是独立、非高斯、线性组合的情况下，可以使用独立分量分析（ICA）技术来进行盲源分离。
独立分量分析（ICA）的定义为：
设有N个独立的时变源，
Figure 521696DEST_PATH_IMAGE001
和M个不同的观测结果
Figure 885026DEST_PATH_IMAGE002
，将源信号定义为N×T矩阵，观测结果为M×T矩阵，如下：
Figure 284783DEST_PATH_IMAGE003
Figure 239839DEST_PATH_IMAGE004
观测值X是由源S通过混合矩阵
Figure 512688DEST_PATH_IMAGE005
组合而产生的，可以写为：
Figure 241610DEST_PATH_IMAGE006
独立分量分析（ICA）的目的是仅根据观测值X来恢复源S和混合矩阵W。
从人体反射的射频信号在无线介质中是线性叠加的，不同用户的呼吸信号是独立的，分布不是高斯的。但是，当人呼吸时，躯体发生运动，混合矩阵W不是恒定的，所以需要对混合信号进行建模以满足ICA的使用要求。
由于无线设备通过发送扫描序列来工作，每次扫描的持续时间通常很短(约为0.1ms)，所以假设反射物在无线设备的每次扫描中不会移动，则具有单个反射物的系统在第t次扫描周期内接收到的信号的时域表达为：
Figure 320424DEST_PATH_IMAGE007
其中A是接收信号的幅度，
Figure 818402DEST_PATH_IMAGE008
是扫描的最小频率，
Figure 779929DEST_PATH_IMAGE009
是扫描周期，
Figure 730568DEST_PATH_IMAGE010
是扫频率，d(t)是反射物的距离,
Figure 550756DEST_PATH_IMAGE011
是信号的传输时间，C是光速；
距离d(t)处的反射物在载波频率f处的频率响应为：
Figure 903240DEST_PATH_IMAGE012
考虑多个反射物的情况，假设在距离
Figure 296655DEST_PATH_IMAGE013
处有反射物
Figure 734589DEST_PATH_IMAGE014
，则N个反射物的总反射信号是对应的时域信号的和：
Figure 155206DEST_PATH_IMAGE015
频率响应为：
Figure 627776DEST_PATH_IMAGE016
。
可以看出，频率响应并不是N个独立源的线性和的形式，我们希望得到的形式是：
Figure DEST_PATH_IMAGE053
其中，对于特定的频率
Figure 678909DEST_PATH_IMAGE054
，
Figure DEST_PATH_IMAGE055
是保持恒定的混合系数。
为了描述为以上多个源的线性组合的形式，只考虑与呼吸有关的微小线性运动来创造这样的分解。具体做法是：将
Figure 788160DEST_PATH_IMAGE017
写成
Figure 383440DEST_PATH_IMAGE018
，其中
Figure 382620DEST_PATH_IMAGE019
是反射物的平均位置（呼吸期间胸部的平均位置），
Figure 666971DEST_PATH_IMAGE020
是对应于呼吸的微小时变运动。使用泰勒级数展开到一阶项，该函数可以近似为：
Figure 269378DEST_PATH_IMAGE056
。所有N个反射物的总频率响应可以写成：
Figure 297377DEST_PATH_IMAGE022
其中第一项是所有时间的平均频率响应，从信号中减去不会影响呼吸信号的估计；
定义独立分量分析（ICA）的观测信号为：
Figure 478960DEST_PATH_IMAGE023
其中导数项对应于独立分量分析（ICA）的混合系数，
Figure 668632DEST_PATH_IMAGE024
对应于与呼吸运动相关的时变源，则观测信号是源信号的线性组合。因此，可以使用ICA来分离源信号。
在步骤S3中，当人体有较大的动作时，由于观测值之间不再是线性相关的且信号混合模式改变，ICA不再适用。因此，需要一个运动检测器，它只检测人体的运动而忽略环境中其它运动源。
假设人的呼吸频率在短时间内是恒定的，那么短观测的周期性可以代表其信号质量。故定义固定持续时间的观测中的一小段为短观测，通过短观测的周期性代表信号质量，短观测呼吸噪声比
Figure 506138DEST_PATH_IMAGE025
(s-BNR)为短观测内呼吸能量与总能量的比值。
Figure 72249DEST_PATH_IMAGE025
的计算方法为：对短观测信号进行快速傅立叶变换(FFT)，找出在人类呼吸范围内能量最大的快速傅立叶变换(FFT)频段，
Figure 373917DEST_PATH_IMAGE025
为该频段的能量与所有快速傅立叶变换(FFT)频段的能量和之间的比率，使用15秒作为短观测的默认持续时间，将10-30次/分钟作为人类的呼吸范围，短观测呼吸噪声比
Figure 734491DEST_PATH_IMAGE025
(s-BNR)越大，短观测的周期性越强，包含良好呼吸信号的可能性越大。
采用检测运动图像的方法实现运动检测，运动图像是一个矩阵，行表示位置，列表示离散时间点，单元(i，j)表示第j个位置在第i个时间点的短观测，其值是该短观测的呼吸噪声比
Figure 308561DEST_PATH_IMAGE025
(s-BNR)；人体运动通常导致所有的短观测都有较低的s-BNR，而环境运动对s-BNR的影响不大。
得到运动图像后，训练基于卷积神经网络(CNN)的分类器来检测人体运动，卷积神经网络(CNN)采用经典的VGG16架构，对运动图像中的每一列进行分类，向卷积神经网络(CNN)提供的图像是包括所有行和第i-k到第i+k列的小图像[i-k , i+k]，其中k是一个自定义的较小的数字，卷积神经网络(CNN)输出“1”表示人体运动，否则输出“0”。
在步骤S4中，利用多路径传输现象扩大观测空间范围，增加收集信号的数量，定义长期呼吸噪声比
Figure 423236DEST_PATH_IMAGE026
(l-BNR)为构成长观测的一系列短观测的s-BNR的平均值，高质量的呼吸信号应该有较高的
Figure 251514DEST_PATH_IMAGE026
值，过滤掉低的长期呼吸噪声比
Figure 48569DEST_PATH_IMAGE026
(l-BNR)观测值以排除噪声信号的影响。
在步骤S5中，应用ICA之后，在每个稳定周期内都得到了几个ICA分量，要获得每个用户的完整呼吸信号，需要将每个周期内的分量匹配到不同的用户。为了解决这个问题，定义一致性度量为两个ICA分量表示同一人的呼吸信号的可能性，将身份匹配问题描述为最大化一致性度量的优化问题，使用动态规划来解决这个优化问题。具体做法如下：
首先定义变量
Figure 657405DEST_PATH_IMAGE035
：第n个人，n=1,2,…,N
Figure 20778DEST_PATH_IMAGE031
：第m个稳定时间段，m=1,2,…,M
Figure 31459DEST_PATH_IMAGE047
：第m个稳定周期中的第k个独立分量分析（ICA）分量
Figure 999415DEST_PATH_IMAGE048
：独立分量分析（ICA）分量
Figure 95547DEST_PATH_IMAGE049
的混合向量
Figure 744834DEST_PATH_IMAGE050
：向量
Figure 610022DEST_PATH_IMAGE048
中的第i个分量
Figure 748879DEST_PATH_IMAGE051
：两个独立分量分析（ICA）分量的身份一致性度量
Figure 519258DEST_PATH_IMAGE052
：两个独立分量分析（ICA）分配的身份一致性度量。
具体步骤：
S501：首先定义身份一致性度量I，以两个ICA分量
Figure 412651DEST_PATH_IMAGE027
(来自不同的稳定时段)作为输入，并给出一致性指标
Figure 335607DEST_PATH_IMAGE028
作为输出。一致性指标
Figure 645366DEST_PATH_IMAGE028
越高，ICA分量
Figure 716090DEST_PATH_IMAGE027
越有可能是同一人在两个稳定时段的呼吸。身份一致性度量定义为：
Figure 21694DEST_PATH_IMAGE029
其中混合矢量
Figure 861474DEST_PATH_IMAGE030
是对应于独立分量分析（ICA）分量c的混合矩阵W的一列，其长度是原始观测分量的数目；具有相似混合矢量的两个ICA分量意味着它们对观测信号的贡献相似，因此，它们更有可能代表相同的源信号。
S502：引入稳定时段
Figure 529085DEST_PATH_IMAGE031
的独立分量分析（ICA）分量分配
Figure 821526DEST_PATH_IMAGE032
，视其为独立分量分析（ICA）分量的排序，
Figure 678623DEST_PATH_IMAGE033
表示独立分量分析（ICA）分量
Figure 372910DEST_PATH_IMAGE034
在
Figure 962154DEST_PATH_IMAGE032
中被分配为
Figure 7470DEST_PATH_IMAGE035
的呼吸分量，通过计算分配给同一个人的独立分量分析（ICA）分量之间的一致性来计算两个分配的一致性，如下所示：
Figure 275116DEST_PATH_IMAGE036
S503：目标是找到每个稳定时段的分配
Figure 10860DEST_PATH_IMAGE032
，使得重新排序后在所有时段中具有相同顺序的独立分量分析（ICA）分量是同一个人的呼吸信号，因此定义目标函数J：
Figure 98902DEST_PATH_IMAGE037
因为一致性度量I只在很短的一段时间内有效，故目标函数简单地将所有独立分量分析（ICA）分配的身份一致性在两个接近的稳定时段相加（默认h=12）；
S504：最优分配集可以表示为：
Figure 365935DEST_PATH_IMAGE038
，为了解决这个优化问题，设计了动态规划算法：分为前向和后向过程，在前向过程中，有初始条件
Figure 502518DEST_PATH_IMAGE039
和DP方程
Figure 905818DEST_PATH_IMAGE040
：
Figure 164761DEST_PATH_IMAGE041
Figure 919090DEST_PATH_IMAGE042
Figure 967686DEST_PATH_IMAGE043
Figure 491072DEST_PATH_IMAGE042
在后向过程中，根据在前向过程中计算的DP-函数，以逆序得到最优解
Figure 920916DEST_PATH_IMAGE044
：
Figure 896962DEST_PATH_IMAGE045
Figure DEST_PATH_IMAGE057
。
本发明的一种基于无线信号的多人混合呼吸信号提取方法的基本原理是：首先使用卷积神经网络检测受试者的运动状态，剔除运动时间段，留下呼吸稳定的时间段，并在稳定的时间段内运行呼吸分离模块。呼吸分离模块使用独立分量分析技术将混合射频信号分解，得到单独的原始呼吸信号。接着，将每个稳定时间段的呼吸信号分量匹配到不同的用户，将匹配问题描述为一个最优化问题，使用动态规划的方法来解决这个问题。最终得到近距离接触的每个用户的整夜呼吸信号。从而，能够在混合射频反射信号中分离每个个体的呼吸信号，降低了呼吸监测过程对睡眠场景的要求。
上述具体实施方式仅仅对本发明的优选实施方式进行描述，而并非对本发明的保护范围进行限定。在不脱离本发明设计构思和精神范畴的前提下，本领域的普通技术人员根据本发明所提供的文字描述、附图对本发明的技术方案所作出的各种变形、替代和改进，均应属于本发明的保护范畴。本发明的保护范围由权利要求确定。

Claims (8)

1.一种基于无线信号的多人混合呼吸信号提取方法，其特征在于，包括以下步骤：
S1：提取观测信号，通过无线设备发射低功率信号，然后接收来自周围环境的反射信号，得到原始混合呼吸信号；
S2：对混合呼吸信号建模，将从多个人的混合呼吸信号中识别单个呼吸信号建模为盲源分离问题，在信号源是独立、非高斯、线性组合的情况下，使用独立分量分析（ICA）来进行盲源分离；
S3：运动检测，当人体有较大的运动导致独立分量分析（ICA）不再适用时，建立一个运动检测器来检测人体的运动；
S4：呼吸信号分离，运动检测之后将整个夜晚的时间划分为若干稳定时间段，并滤除噪声，在每个稳定时间段内应用独立分量分析（ICA）分量进行呼吸信号的分离；
S5：身份匹配，将每个稳定时间段的独立分量分配到不同的用户，进行匹配，获得每个用户的完整呼吸信号。
2.根据权利要求1所述的一种基于无线信号的多人混合呼吸信号提取方法，其特征在于，在步骤S2中，将独立分量分析（ICA）定义为：
设有N个独立的时变源，
Figure DEST_PATH_IMAGE001
和M个不同的观测结果
Figure 588707DEST_PATH_IMAGE002
，将源信号定义为N×T矩阵，观测结果为M×T矩阵，如下：
Figure 197543DEST_PATH_IMAGE004
Figure 292407DEST_PATH_IMAGE006
观测值X是由源S通过混合矩阵
Figure DEST_PATH_IMAGE007
组合而产生的，可以写为：
Figure DEST_PATH_IMAGE009
独立分量分析（ICA）的目的是仅根据观测值X来恢复源S和混合矩阵W。
3.根据权利要求2所述的一种基于无线信号的多人混合呼吸信号提取方法，其特征在于，在步骤S2中，假设反射物在无线设备的每次扫描中不会移动，则具有单个反射物的系统在第t次扫描周期内接收到的信号的时域表达为：
Figure DEST_PATH_IMAGE011
其中A是接收信号的幅度，
Figure 427722DEST_PATH_IMAGE012
是扫描的最小频率，
Figure DEST_PATH_IMAGE013
是扫描周期，
Figure 333361DEST_PATH_IMAGE014
是扫频率，d(t)是反射物的距离,
Figure DEST_PATH_IMAGE015
是信号的传输时间，C是光速；
距离d(t)处的反射物在载波频率f处的频率响应为：
Figure DEST_PATH_IMAGE017
考虑多个反射物的情况，假设在距离
Figure 616444DEST_PATH_IMAGE018
处有反射物
Figure DEST_PATH_IMAGE019
，则N个反射物的总反射信号是对应的时域信号的和：
Figure DEST_PATH_IMAGE021
频率响应为：
Figure 265731DEST_PATH_IMAGE022
。
4.根据权利要求3所述的一种基于无线信号的多人混合呼吸信号提取方法，其特征在于，将
Figure DEST_PATH_IMAGE023
写成
Figure 396498DEST_PATH_IMAGE024
，其中
Figure DEST_PATH_IMAGE025
是反射物的平均位置（呼吸期间胸部的平均位置），
Figure 725236DEST_PATH_IMAGE026
是对应于呼吸的微小时变运动，使用泰勒级数展开到一阶项，频率响应函数可以近似为：
Figure 43085DEST_PATH_IMAGE028
所有N个反射物的总频率响应可以写成：
Figure 496063DEST_PATH_IMAGE030
其中第一项是所有时间的平均频率响应，从信号中减去不会影响呼吸信号的估计；
定义独立分量分析（ICA）的观测信号为：
Figure 481336DEST_PATH_IMAGE032
其中导数项对应于独立分量分析（ICA）的混合系数，
Figure DEST_PATH_IMAGE033
对应于与呼吸运动相关的时变源，则观测信号是源信号的线性组合。
5.根据权利要求1所述的一种基于无线信号的多人混合呼吸信号提取方法，其特征在于，在步骤S3中，定义固定持续时间的观测中的一小段为短观测，短观测的周期性代表信号质量，短观测呼吸噪声比
Figure 791095DEST_PATH_IMAGE034
(s-BNR)为短观测内呼吸能量与总能量的比值，
Figure 783191DEST_PATH_IMAGE034
的计算方法为：对短观测信号进行快速傅立叶变换(FFT)，找出在人类呼吸范围内能量最大的快速傅立叶变换(FFT)频段，
Figure 836597DEST_PATH_IMAGE034
为该频段的能量与所有快速傅立叶变换(FFT)频段的能量和之间的比率，使用15秒作为短观测的默认持续时间，将10-30次/分钟作为人类的呼吸范围，短观测呼吸噪声比
Figure 676377DEST_PATH_IMAGE034
(s-BNR)越大，短观测的周期性越强，包含良好呼吸信号的可能性越大。
6.根据权利要求5所述的一种基于无线信号的多人混合呼吸信号提取方法，其特征在于，在步骤S3中，采用检测运动图像实现运动检测，所述运动图像是一个矩阵，行表示位置，列表示离散时间点，单元(i，j)表示第j个位置在第i个时间点的短观测，其值是该短观测的呼吸噪声比
Figure 94720DEST_PATH_IMAGE034
(s-BNR)；
得到运动图像后，训练基于卷积神经网络(CNN)的分类器来检测人体运动，卷积神经网络(CNN)采用经典的VGG16架构，对运动图像中的每一列进行分类，向卷积神经网络(CNN)提供的图像是包括所有行和第i-k到第i+k列的小图像[i-k , i+k]，其中k是一个自定义的较小的数字，卷积神经网络(CNN)输出“1”表示人体运动，否则输出“0”。
7. 根据权利要求1所述的一种基于无线信号的多人混合呼吸信号提取方法，其特征在于，在步骤S4中，利用多路径传输现象扩大观测空间范围，增加收集信号的数量，定义长期呼吸噪声比
Figure DEST_PATH_IMAGE035
(l-BNR)为构成长观测的一系列短观测的s-BNR的平均值，高质量的呼吸信号应该有较高的
Figure 652741DEST_PATH_IMAGE035
值，过滤掉低的长期呼吸噪声比
Figure 431210DEST_PATH_IMAGE035
(l-BNR)观测值以排除噪声信号的影响。
8.根据权利要求1所述的一种基于无线信号的多人混合呼吸信号提取方法，其特征在于，在步骤S5中，定义一致性度量为两个独立分量分析（ICA）分量表示同一人的呼吸信号的可能性，将身份匹配问题描述为最大化一致性度量的优化问题，使用动态规划来解决优化问题，具体地，步骤S5还包括以下步骤：
S501：以两个独立分量分析（ICA）分量
Figure 391075DEST_PATH_IMAGE036
(来自不同的稳定时段)作为输入，并给出一致性指标
Figure DEST_PATH_IMAGE037
作为输出，身份一致性度量I定义为：
Figure DEST_PATH_IMAGE039
其中混合矢量
Figure 980320DEST_PATH_IMAGE040
是对应于独立分量分析（ICA）分量c的混合矩阵W的一列，其长度是原始观测分量的数目；
S502：引入稳定时段
Figure DEST_PATH_IMAGE041
的独立分量分析（ICA）分量分配
Figure 947007DEST_PATH_IMAGE042
，视其为独立分量分析（ICA）分量的排序，
Figure DEST_PATH_IMAGE043
表示独立分量分析（ICA）分量
Figure 279900DEST_PATH_IMAGE044
在
Figure 94272DEST_PATH_IMAGE042
中被分配为
Figure DEST_PATH_IMAGE045
的呼吸分量，通过计算分配给同一个人的独立分量分析（ICA）分量之间的一致性来计算两个分配的一致性，如下所示：
Figure DEST_PATH_IMAGE047
S503：找到每个稳定时段的分配
Figure 124193DEST_PATH_IMAGE042
，使得重新排序后在所有时段中具有相同顺序的独立分量分析（ICA）分量是同一个人的呼吸信号，因此定义目标函数J：
Figure DEST_PATH_IMAGE049
因为一致性度量I只在很短的一段时间内有效，故目标函数简单地将所有独立分量分析（ICA）分配的身份一致性在两个接近的稳定时段相加（默认h=12）；
S504：最优分配集可以表示为：
Figure 328909DEST_PATH_IMAGE050
，为了解决这个优化问题，设计了动态规划算法：分为前向和后向过程，在前向过程中，有初始条件
Figure DEST_PATH_IMAGE051
和DP方程
Figure 527810DEST_PATH_IMAGE052
：
Figure 383639DEST_PATH_IMAGE054
Figure 377003DEST_PATH_IMAGE056
Figure 131332DEST_PATH_IMAGE058
Figure 71606DEST_PATH_IMAGE056
在后向过程中，根据在前向过程中计算的DP-函数，以逆序得到最优解
Figure DEST_PATH_IMAGE059
：
Figure DEST_PATH_IMAGE061
Figure DEST_PATH_IMAGE063
在步骤S5中，各变量的定义如下：
Figure 781942DEST_PATH_IMAGE045
：第n个人，n=1,2,…,N
Figure 883891DEST_PATH_IMAGE041
：第m个稳定时间段，m=1,2,…,M
Figure 125516DEST_PATH_IMAGE064
：第m个稳定周期中的第k个独立分量分析（ICA）分量
Figure DEST_PATH_IMAGE065
：独立分量分析（ICA）分量
Figure 666219DEST_PATH_IMAGE066
的混合向量
Figure DEST_PATH_IMAGE067
：向量
Figure 231061DEST_PATH_IMAGE065
中的第i个分量
Figure 831807DEST_PATH_IMAGE068
：两个独立分量分析（ICA）分量的身份一致性度量
Figure DEST_PATH_IMAGE069
：两个独立分量分析（ICA）分配的身份一致性度量。
CN202110594092.0A 2021-05-28 2021-05-28 一种基于无线信号的多人混合呼吸信号提取方法 Pending CN113288114A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110594092.0A CN113288114A (zh) 2021-05-28 2021-05-28 一种基于无线信号的多人混合呼吸信号提取方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110594092.0A CN113288114A (zh) 2021-05-28 2021-05-28 一种基于无线信号的多人混合呼吸信号提取方法

Publications (1)

Publication Number Publication Date
CN113288114A true CN113288114A (zh) 2021-08-24

Family

ID=77325989

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110594092.0A Pending CN113288114A (zh) 2021-05-28 2021-05-28 一种基于无线信号的多人混合呼吸信号提取方法

Country Status (1)

Country Link
CN (1) CN113288114A (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102499664A (zh) * 2011-10-24 2012-06-20 西双版纳大渡云海生物科技发展有限公司 基于视频图像的非接触式生命体征的检测方法及检测系统
CN103945762A (zh) * 2011-11-24 2014-07-23 欧姆龙健康医疗事业株式会社 睡眠评价装置
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
CN109730659A (zh) * 2018-12-29 2019-05-10 广东三水合肥工业大学研究院 一种基于微波信号监测的智能床垫
CN110710954A (zh) * 2019-09-20 2020-01-21 长沙友记互娱网络信息有限公司 一种通过声音采集检测睡眠质量的方法
CN111568425A (zh) * 2020-06-08 2020-08-25 北京大学 一种非接触式的多人呼吸检测方法
CN111938650A (zh) * 2020-07-03 2020-11-17 上海诺斯清生物科技有限公司 监测睡眠时呼吸暂停的方法及装置

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102499664A (zh) * 2011-10-24 2012-06-20 西双版纳大渡云海生物科技发展有限公司 基于视频图像的非接触式生命体征的检测方法及检测系统
CN103945762A (zh) * 2011-11-24 2014-07-23 欧姆龙健康医疗事业株式会社 睡眠评价装置
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
CN109730659A (zh) * 2018-12-29 2019-05-10 广东三水合肥工业大学研究院 一种基于微波信号监测的智能床垫
CN110710954A (zh) * 2019-09-20 2020-01-21 长沙友记互娱网络信息有限公司 一种通过声音采集检测睡眠质量的方法
CN111568425A (zh) * 2020-06-08 2020-08-25 北京大学 一种非接触式的多人呼吸检测方法
CN111938650A (zh) * 2020-07-03 2020-11-17 上海诺斯清生物科技有限公司 监测睡眠时呼吸暂停的方法及装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
SHICHAO YUE ET AL: "Extracting Multi-Person Respiration from Entangled RF Signals", 《PROCEEDINGS OF THE ACM ON INTERACTIVE,MOBILE,WEARABLE AND UBIQUITOUS TECHNOLOGIES》 *

Similar Documents

Publication Publication Date Title
Zhang et al. Driver drowsiness detection using multi-channel second order blind identifications
CN108553108B (zh) 一种基于Wi-Fi中CSI信号的人体动作与呼吸的检测方法和系统
Piriyajitakonkij et al. SleepPoseNet: Multi-view learning for sleep postural transition recognition using UWB
Monkaresi et al. A machine learning approach to improve contactless heart rate monitoring using a webcam
Janssen et al. Video-based respiration monitoring with automatic region of interest detection
Alvarez et al. Behavior analysis through multimodal sensing for care of Parkinson’s and Alzheimer’s patients
Khan et al. A deep learning framework using passive WiFi sensing for respiration monitoring
US20220280087A1 (en) Visual Perception-Based Emotion Recognition Method
Sikder et al. Log-sum distance measures and its application to human-activity monitoring and recognition using data from motion sensors
US20200341115A1 (en) Subject identification in behavioral sensing systems
CN105869144A (zh) 一种基于深度图像数据的非接触式呼吸监测方法
CN114219853A (zh) 一种基于无线信号的多人三维姿态估计方法
Gupta et al. Automatic contact-less monitoring of breathing rate and heart rate utilizing the fusion of mmWave radar and camera steering system
Kabir et al. CSI-IANet: An inception attention network for human-human interaction recognition based on CSI signal
Ammae et al. Unobtrusive detection of body movements during sleep using Wi-Fi received signal strength with model adaptation technique
Javeed et al. Deep activity recognition based on patterns discovery for healthcare monitoring
Bastwesy et al. Wi-nod: Head nodding recognition by wi-fi csi toward communicative support for quadriplegics
Hu et al. rPPG-based heart rate estimation using spatial-temporal attention network
Eyobu et al. A real-time sleeping position recognition system using IMU sensor motion data
CN113288114A (zh) 一种基于无线信号的多人混合呼吸信号提取方法
Ramadoss et al. Computer Vision for Human‐Computer Interaction Using Noninvasive Technology
Pathan et al. A machine learning based human activity recognition during physical exercise using wavelet packet transform of ppg and inertial sensors data
CN112716468A (zh) 基于三维卷积网络的非接触心率测量方法及装置
Slapnicar et al. Contact-free monitoring of physiological parameters in people with profound intellectual and multiple disabilities
CN116311497A (zh) 一种基于机器视觉的隧道工人异常行为检测方法及系统

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20210824