CN105962914A - 基于盲源分离的呼吸与心跳信号的分离方法及装置 - Google Patents
基于盲源分离的呼吸与心跳信号的分离方法及装置 Download PDFInfo
- Publication number
- CN105962914A CN105962914A CN201610350383.4A CN201610350383A CN105962914A CN 105962914 A CN105962914 A CN 105962914A CN 201610350383 A CN201610350383 A CN 201610350383A CN 105962914 A CN105962914 A CN 105962914A
- Authority
- CN
- China
- Prior art keywords
- signal
- frequency
- time
- target
- breathing
- 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.)
- Granted
Links
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
- A61B5/02—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
- A61B5/024—Detecting, measuring or recording pulse rate or heart rate
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/05—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves
- A61B5/0507—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves using microwaves or terahertz waves
-
- 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
- A61B5/0816—Measuring devices for examining respiratory frequency
-
- 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
- A61B5/7225—Details of analog processing, e.g. isolation amplifier, gain or sensitivity adjustment, filtering, baseline or drift compensation
-
- 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
- A61B5/725—Details of waveform analysis using specific filters therefor, e.g. Kalman or adaptive filters
-
- 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
-
- 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
- A61B5/7271—Specific aspects of physiological measurement analysis
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Public Health (AREA)
- Molecular Biology (AREA)
- Veterinary Medicine (AREA)
- General Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Animal Behavior & Ethology (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Physiology (AREA)
- Surgery (AREA)
- Signal Processing (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Psychiatry (AREA)
- Cardiology (AREA)
- Pulmonology (AREA)
- Power Engineering (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明提供了一种基于盲源分离的呼吸与心跳信号的分离方法及装置,其中,所述方法包括:S1:通过对各生物雷达回波信号进行时频域分析,获得对应于各所述目标的生物雷达回波的时频分布信号;S2:基于所述时频分布信号获得各所述生物雷达回波的频谱质心曲线;S3:以各所述频谱质心曲线为观测信号,进行盲源分离操作获得对应各所述目标的微动变化信号;S4:对所述微动变化信号滤波,获得对应于各所述目标的呼吸时变信号和心跳时变信号。本发明能够对两个目标人体的生物雷达回波信号进行处理,以分离出对于各个目标的呼吸和心跳信号。
Description
技术领域
本发明涉及生物医学信号处理领域,尤其涉及一种基于盲源分离的呼吸与心跳信号分离方法及装置。
背景技术
人体的呼吸与心跳等生命参数是疾病诊断和人体健康状况监控的重点测量对象。目前,对呼吸和心跳生命参数的测量已从传统的心电图、呼吸带等接触式测量手段发展至基于生物雷达的非接触式探测方法。生物雷达发射微波或太赫兹波段的电磁波,其回波被人体呼吸、心跳等生命活动引起的体表微动所调制,回波信号被接收后经信号处理可实现呼吸与心跳等生命参数的实时精确测量。
当前国内外研究的生物雷达多针对单人人体目标,而实际在家庭健康监护中,探测目标常常不仅局限在单个个人,例如,对老年人夫妻睡眠时的呼吸和心跳情况进行实时监测和预警,若采用常规生物雷达的呼吸与心跳信号处理方法,则会由于两人的呼吸信号处于相近的频率且两人的心跳信号处于相近的频率而混合在一起,从而导致无法对每个人体目标的呼吸与心跳信号进行有效地分离。
发明内容
本发明提供了一种能够对两个目标人体的生物雷达回波信号进行处理,以分离出对于各个目标的呼吸和心跳信号的基于盲源分离的呼吸与心跳信号的分离方法和装置。
为了解决上述技术问题,本发明提供了如下的技术方案:
一种基于盲源分离的呼吸与心跳信号的分离方法,其用于通过从双人目标的生物雷达回波信号中分离出对应于各目标的呼吸与心跳信号,所述方法包括以下步骤:
S1:通过对各生物雷达回波信号进行时频域分析,获得对应于各所述目标的生物雷达回波的时频分布信号;
S2:基于所述时频分布信号获得各所述生物雷达回波的频谱质心曲线;
S3:以各所述频谱质心曲线为观测信号,进行盲源分离操作获得对应各所述目标的微动变化信号;
S4:对所述微动变化信号滤波,获得对应于所述目标的呼吸时变信号和心跳时变信号。
作为优选,所述步骤S1中,通过对各所述生物雷达回波信号进行短时傅里叶变换处理,获得各所述时频分布信号。
作为优选,所述步骤S2中,对所述时频分布信号沿频率向执行频谱加权平均操作,以获得各所述频谱质心曲线。
作为优选,所述步骤S2中按照以下公式对每个雷达回波的时频分布信号沿频率向进行频谱加权平均操作;
其中,STFTi(t,f)表示第i个雷达回波的短时傅里叶变换时频分布信号,t表示时间,f表示频率,分子和分母中的积分区间[F1,F2]表示该时频分布信号的频率起始和终止范围,gi(t)表示沿频率向加权平均后得到的第i个雷达回波的频谱质心变化曲线,i=1表示第1个生物雷达,i=2表示第2个生物雷达;
作为优选,所述步骤S3包括:
S31:建立Y(t)=WX(t)的盲源分离模型,
其中,X(t)=[g1(t),g2(t)]T表示观测信号矩阵,W表示2×2阶分离矩阵,Y(t)=[p1(t),p2(t)]T表示源信号矩阵估计值,g1(t)和g2(t)分别为所述步骤S2中获得的所述雷达回波的频谱质心变化曲线,p1(t)和p2(t)分别表示两个不同的源信号;
S32:基于自然梯度寻优对迭代求解直到收敛到预设精度η,得到分离矩阵的估计值
S33:通过矩阵相乘运算Y(t)=WX(t)的求解得到源信号矩阵估计值Y(t)=[p1(t),p2(t)]T,从而得到盲源分离后的两个不同的源信号p1(t)和p2(t),作为各所述目标的微动变化信号。
作为优选,所述步骤S4中获得所述呼吸时变信号的方法包括:对步骤S3中获得的对应于各目标的微动变化信号,通过低通-高通滤波器组滤波,以获得到各所述目标的呼吸时变信号,其中,所述低通-高通滤波器组包括低通滤波器和高通滤波器。
作为优选,所述低通滤波器是具有通带截止频率为0.6Hz、阻带截止频率为0.9Hz、通带波纹为0.1dB、阻带衰减为80dB的9阶无限冲激响应低通数字滤波器,所述高通滤波器是具有通带截止频率为0.15Hz、阻带截止频率为0.02Hz、通带波纹为0.1dB、阻带衰减为80dB的4阶无限冲激响应高通数字滤波器。
作为优选,所述步骤S4中获得所述心跳时变信号的方法包括:对步骤S3中获得的对应于各目标的微动变化信号,进行带通滤波器进行信号滤波操作,以获得各所述目标的心跳时变信号。
作为优选,所述带通滤波器为具有上通带截止频率为2.2Hz、上阻带截止频率为2.5Hz、下通带截止频率为0.7Hz、下阻带截止频率为0.5Hz、通带波纹为0.1dB、阻带衰减为80dB的6阶无限冲激响应带通数字滤波器。
本发明还提供了一种基于盲源分离的呼吸与心跳信号的分离装置,其应用如上所述的基于盲源分离的呼吸与心跳信号的分离方法,至少包括滤波单元,配置为对所述微动变化信号滤波,获得对应于各所述目标的呼吸时变信号和心跳时变信号。其中,滤波单元可以为低通-高通滤波器组或者带通滤波器。
与现有技术相比,本发明的有益效果在于:
(1)通过本发明技术方案,生物雷达一次测量的回波同时包含了两个人体目标的包括呼吸和心跳均在内的信号,与传统的心电图、呼吸带方式相比,不仅是非接触式的,而且更为高效;
(2)本发明技术方案使用盲源分离技术分离混合在一起的双人人体生命参数信号,解决了常规生物雷达只能探测单个人体目标生命参数的问题,更适合家庭健康监护。
附图说明
图1为本发明实施例生物雷达测量双人呼吸与心跳示意图;
图2为本发明实施例中的一种基于盲源分离的双人目标呼吸与心跳信号的分离方法的流程图;
图3为本发明实施例中的获得微动变化信号的方法的流程图;
图4为本发明实施例中的基于盲源分离的双人目标呼吸与心跳信号的分离装置的原理框图。
具体实施方式
下面,结合附图对本发明的实施例进行详细的描述,但不作为本发明的限定。
本发明所提供的基于盲源分离的双人目标呼吸与心跳信号的分离方法,为基于盲源分离(Blind Source Separation)实施的。在详细介绍本发明的实施方式的细节之前,先简单描述盲源分离的一些概念和步骤。
盲源分离属于盲信号处理的一种,是指从传输信道未知或不可预测时,从观测到的混合信号中分离出信号源信号,实现对信号源的最佳估计。
以列向量S(t)=[s1(t),s2(t),...sN(t)]T表示N个未知信号源的信号si(t),i=1,2,...,N,以X(t)=[x1(t),x2(t),...xM(t)]T表示M个传感器获得的观测信号xk(t),k=1,2,...,N,为表达简便,暂忽略噪声影响,则观测模型可表达为矩阵形式
X(t)=A S(t),
其中,A表示M×N阶混合矩阵,盲源分离则是在A和S(t)都未知的情况下,对X(t)进行分离变换,得到S(t)的估计值Y(t),如下式
Y(t)=W X(t),
其中,W表示N×M阶分离矩阵,Y(t)表示源信号的估计值。在信号源数据和传感器数据相同时,W是非奇异方阵,上式存在唯一解。假设信号源相互独立,利用一个独立性测度推导代价函数,再使用寻优算法使代价函数达到极值,则得到W的最优估计。
一种基于信息论的盲源分离算法是使用盲源分离之后分离变量Y的联合概率密度函数pY(Y,W),以及其各个分量相互独立时的联合概率密度函数之间的Kullback-Leibler散度作为代价函数:
其中,H(X)表示X的熵,与代价函数优化无关,det表示行列式计算算子,E[]表示数学期望算子。为使上述代价函数最下化,可使用最陡梯度寻优,Amari等人在欧式空间中引入黎曼度量,同时证明在欧式空间中最陡下降方向是黎曼梯度的方向,这样,分离矩阵W的变化量为
其中,f(Y)=[f1(y1),f2(y2),…fN(yN)]T是非线性激活函数,其第i个分量fi(yi)在信号源为亚高斯分布时通常选为因此,分离矩阵W的在线估计值为
其中,μ(t)是步长因子,可在迭代过程中调整。
下面,对本发明实施例进行说明;图1为本发明实施例的生物雷达测量双人呼吸与心跳示意图。两生物雷达工作在不同的工作频率以保持频率分集和相互独立,两生物雷达的发射和接收天线波束照射相同的双人人体目标。由于人体呼吸及心跳微动均是近周期的变化,呼吸通过胸腔的收缩和扩张完成,可以近似为正弦波振动模型,心跳信号类似心电图中信号一样,可近似为脉冲模型。由于两人的呼吸信号处于相近的频率且两人的心跳信号处于相近的频率而混合在一起,从而导致无法对每个人体目标的呼吸与心跳信号进行有效地分离。本发明实施例可以根据盲源分离原理,对双人信号进行有效地分离,需要两部生物雷达作为传感器共同工作,记两部雷达分别为雷达1和雷达2,其工作频率分别为f1和f2(分别对应波长λ1和λ2),两个人体目标分别为人体1和人体2,两人体相距较近,可认为两人体目标距雷达1距离相同,均为R1,两人体目标距雷达2距离也相同,均为R2,则雷达1和雷达2对双人目标的回波经正交解调后分别为
和
其中A1和A2分别为两雷达回波信号幅度,a1和a2分别为人体1的呼吸起伏和心跳振动幅度,fb1和fh1分别为人体1的呼吸起伏和心跳振动的频率,b1和b2分别为人体2的呼吸起伏和心跳振动幅度,fb2和fh2分别为人体2的呼吸起伏和心跳振动的频率,表示基于正弦波模型的以a为幅度、为频率的呼吸运动,表示基于脉冲振动模型的以b为幅度、为频率的心跳振动。则双人呼吸与心跳信号分离就是从上述解调后雷达1和雷达2的回波中分离出每个人各自的呼吸信号与心跳信号,为后续每人的呼吸信号与心跳信号处理与分析做准备。
图2为本发明实施例的双人目标的呼吸与心跳信号分离方法的流程图。该方法可以包括以下步骤:
S1:对于同时照射双人目标的两部生物雷达回波进行时域分析,以获得对应于各目标的生物雷达回波的时频分布信号;优选的,本实施例中可以对各生物雷达回波信号采用短时傅里叶变换时频分析,以得到两个回波的时频分布信号;
S2:对于步骤S1中得到每个雷达回波的时频分布信号沿频率向进行频谱加权平均操作,得到该时频分布的频谱质心变化曲线,本实施例中共得到两个雷达回波的频谱质心曲线;
其中,按照下式对每个雷达回波的时频分布信号沿频率向进行频谱加权平均操作;
其中,STFTi(t,f)表示第i个雷达回波的短时傅里叶变换时频分布信号,t表示时间,f表示频率,分子和分母中的积分区间[F1,F2]表示该时频分布信号的频率起始和终止范围,gi(t)表示沿频率向加权平均后得到的第i个雷达回波的频谱质心变化曲线,i=1表示第1个生物雷达,i=2表示第2个生物雷达;
S3:以步骤S2得到的两个雷达回波的频谱质心曲线为观测信号,进行盲源分离操作,分离得到不同人体目标各自的微动变化信号;其中,可以进行基于自然梯度的盲源分离操作。
S4:对步骤S3中获得的微动变化信号滤波,获得对应于各所述目标的呼吸时变信号和心跳时变信号。
通过上述实施例,本发明提供了一种基于盲源分离的生物雷达双人呼吸与心跳信号分离方法,可分离混合在一起的双人人体呼吸与心跳生命参数信号,解决了常规生物雷达只能探测单个人体目标生命参数的问题。
另外,如图3所示为本发明实施例中的获得微动变化信号的方法的流程图,即本实施例中的步骤S3可以包括以下步骤:
S31:建立Y(t)=W X(t)的盲源分离模型,
其中,X(t)=[g1(t),g2(t)]T表示观测信号矩阵,W表示2×2阶分离矩阵,Y(t)=[p1(t),p2(t)]T表示源信号矩阵估计值,g1(t)和g2(t)分别为所述步骤S2中获得的所述雷达回波的频谱质心变化曲线,p1(t)和p2(t)分别表示两个不同的源信号;
S32:基于自然梯度寻优对迭代求解直到收敛到预设精度η,得到分离矩阵的估计值
S33:通过矩阵相乘运算Y(t)=W X(t)的求解得到源信号矩阵估计值Y(t)=[p1(t),p2(t)]T,从而得到盲源分离后的两个不同的源信号p1(t)和p2(t),作为各所述目标的微动变化信号。
通过上述可以获得对于各目标的微动变化信号,以便执行下述的滤波操作。
进一步的,本发明的步骤S4中获得呼吸时变信号的方法包括:对步骤S3中获得的对应于各目标的微动变化信号,通过低通-高通滤波器组滤波,以获得到各所述目标的呼吸时变信号,其中,所述低通-高通滤波器组包括低通滤波器和高通滤波器。
其中,低通滤波器是具有通带截止频率为0.6Hz、阻带截止频率为0.9Hz、通带波纹为0.1dB、阻带衰减为80dB的9阶无限冲激响应低通数字滤波器,所述高通滤波器是具有通带截止频率为0.15Hz、阻带截止频率为0.02Hz、通带波纹为0.1dB、阻带衰减为80dB的4阶无限冲激响应高通数字滤波器。
另外,所述步骤S4中获得心跳时变信号的方法包括:对步骤S3中获得的对应于各目标的微动变化信号,进行带通滤波器进行信号滤波操作,以获得各所述目标的心跳时变信号。
其中,所述带通滤波器为具有上通带截止频率为2.2Hz、上阻带截止频率为2.5Hz、下通带截止频率为0.7Hz、下阻带截止频率为0.5Hz、通带波纹为0.1dB、阻带衰减为80dB的6阶无限冲激响应带通数字滤波器。
另外,如图4所示,为本发明实施例中双人目标的呼吸和心跳信号的分离装置的原理结构图;其中可以应用上述的方法,本发明的装置可以包括:分析单元100、加权单元200、分离单元300和滤波单元400。
分析单元100,其接收对应于各目标的雷达回波信号,并通过对各生物雷达回波信号进行时频域分析,获得对应于各所述目标的生物雷达回波的时频分布信号;本实施例中可以对各生物雷达回波信号采用短时傅里叶变换时频分析,以得到两个回波的时频分布信号。
加权单元200,其可以基于分析单元100得到的时频分布信号获得各所述生物雷达回波的频谱质心曲线;其中,按照下式对每个雷达回波的时频分布信号沿频率向进行频谱加权平均操作;
其中STFTi(t,f)表示第i个雷达回波的短时傅里叶变换时频分布信号,t表示时间,f表示频率,gi(t)表示沿频率向加权平均后得到的第i个雷达回波的频谱质心变化曲线,i=1表示第1个生物雷达,i=2表示第2个生物雷达。
分离单元300,其配置为以各所述频谱质心曲线为观测信号,进行盲源分离操作获得对应各所述目标的微动变化信号,具体可以加权单元200得到的两个雷达回波的频谱质心曲线为观测信号,进行盲源分离操作,分离得到不同人体目标各自的微动变化信号;其中,可以进行基于自然梯度的盲源分离操作。
本实施例中的分离单元300可以进一步的包括:建立Y(t)=WX(t)的盲源分离模型的建模模块,其中,X(t)=[g1(t),g2(t)]T表示观测信号矩阵,W表示2×2阶分离矩阵,Y(t)=[p1(t),p2(t)]T表示源信号矩阵估计值,g1(t)和g2(t)分别为所述步骤S2中获得的所述雷达回波的频谱质心变化曲线,p1(t)和p2(t)分别表示两个不同的源信号;估计模块,其基于自然梯度寻优对迭代求解直到收敛到预设精度η,得到分离矩阵的估计值以及运算模块,其通过矩阵相乘运算Y(t)=W X(t)的求解得到源信号矩阵估计值Y(t)=[p1(t),p2(t)]T,从而得到盲源分离后的两个不同的源信号p1(t)和p2(t),作为各所述目标的微动变化信号。
滤波单元400对所述微动变化信号滤波,获得对应于所述目标的呼吸时变信号和心跳时变信号。
其中,本发明的滤波单元400包括:低通-高通滤波器组和带通滤波器,其中通过低通-高通滤波器组对分离单元300获得的对应于各目标的微动变化信号进行滤波,以获得到各所述目标的呼吸时变信号,其中,所述低通-高通滤波器组包括低通滤波器和高通滤波器。
其中,低通滤波器是具有通带截止频率为0.6Hz、阻带截止频率为0.9Hz、通带波纹为0.1dB、阻带衰减为80dB的9阶无限冲激响应低通数字滤波器,所述高通滤波器是具有通带截止频率为0.15Hz、阻带截止频率为0.02Hz、通带波纹为0.1dB、阻带衰减为80dB的4阶无限冲激响应高通数字滤波器。
另外,带通滤波器对分离单元300中获得的对应于各目标的微动变化信号进行滤波操作,以获得各所述目标的心跳时变信号。
其中,所述带通滤波器为具有上通带截止频率为2.2Hz、上阻带截止频率为2.5Hz、下通带截止频率为0.7Hz、下阻带截止频率为0.5Hz、通带波纹为0.1dB、阻带衰减为80dB的6阶无限冲激响应带通数字滤波器。
综上所述,1)、、通过本发明技术方案,生物雷达一次测量的回波同时包含了两个人体目标的包括呼吸和心跳均在内的信号,与传统的心电图、呼吸带方式相比,不仅是非接触式的,而且更为高效;另外,本发明技术方案使用盲源分离技术分离混合在一起的双人人体生命参数信号,解决了常规生物雷达只能探测单个人体目标生命参数的问题,更适合家庭健康监护。
以上所述的具体实施例,对本发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本发明的具体实施例而已,并不用于限制本发明,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于盲源分离的呼吸与心跳信号的分离方法,其特征在于,所述方法基于盲源分离从双人目标的生物雷达回波信号中分离出对应于各目标的呼吸与心跳信号,所述方法包括以下步骤:
S1:通过对各生物雷达回波信号进行时频域分析,获得对应于各所述目标的生物雷达回波的时频分布信号;
S2:基于所述时频分布信号获得各所述生物雷达回波的频谱质心曲线;
S3:以各所述频谱质心曲线为观测信号,进行盲源分离操作获得对应各所述目标的微动变化信号;
S4:对所述微动变化信号滤波,获得对应于各所述目标的呼吸时变信号和心跳时变信号。
2.根据权利要求1所述的方法,其特征在于,所述步骤S1中,通过对各所述生物雷达回波信号进行短时傅里叶变换处理,获得各所述时频分布信号。
3.根据权利要求1所述的方法,其特征在于,所述步骤S2中,对所述时频分布信号沿频率向执行频谱加权平均操作,以获得各所述频谱质心曲线。
4.根据权利要求3所述的方法,其特征在于,所述步骤S2中按照以下公式对每个雷达回波的时频分布信号沿频率向进行频谱加权平均操作;
其中,STFTi(t,f)表示第i个雷达回波的短时傅里叶变换时频分布信号,t表示时间,f表示频率,分子和分母中的积分区间[F1,F2]表示该时频分布信号的频率起始和终止范围,gi(t)表示沿频率向加权平均后得到的第i个雷达回波的频谱质心变化曲线,i=1表示第1个生物雷达,i=2表示第2个生物雷达。
5.根据权利要求1所述的方法,其特征在于,所述步骤S3包括:
S31:建立Y(t)=WX(t)的盲源分离模型,
其中,X(t)=[g1(t),g2(t)]T表示观测信号矩阵,W表示2×2阶分离矩阵,Y(t)=[p1(t),p2(t)]T表示源信号矩阵估计值,g1(t)和g2(t)分别为所述步骤S2中 获得的所述雷达回波的频谱质心变化曲线,p1(t)和p2(t)分别表示两个不同的源信号;
S32:基于自然梯度寻优对迭代求解直到收敛到预设精度,以得到分离矩阵的估计值
S33:通过矩阵相乘运算Y(t)=W X(t)的求解得到源信号矩阵估计值Y(t)=[p1(t),p2(t)]T,从而得到盲源分离后的两个不同的源信号p1(t)和p2(t),以作为各所述目标的微动变化信号。
6.根据权利要求1所述的方法,其特征在于,所述步骤S4中获得所述呼吸时变信号的方法包括:对步骤S3中获得的对应于各目标的微动变化信号,通过低通-高通滤波方式滤波,以获得到各所述目标的呼吸时变信号。
7.根据权利要求1所述的方法,其特征在于,所述步骤S4中获得所述心跳时变信号的方法包括:对步骤S3中获得的对应于各目标的微动变化信号,进行带通滤波方式进行信号滤波操作,以获得各所述目标的心跳时变信号。
8.一种基于盲源分离的呼吸与心跳信号的分离装置,其特征在于,应用如权利要求1所述的基于盲源分离的呼吸与心跳信号的分离方法;所述分离装置至少包括:
滤波单元,配置为对所述微动变化信号滤波,获得对应于各所述目标的呼吸时变信号和心跳时变信号。
9.根据权利要求8所述的装置,其特征在于,所述滤波单元包括低通滤波器和高通滤波器。
10.根据权利要求8所述的装置,其特征在于,所述滤波单元包括带通滤波器。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610350383.4A CN105962914B (zh) | 2016-05-24 | 2016-05-24 | 基于盲源分离的呼吸与心跳信号的分离方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610350383.4A CN105962914B (zh) | 2016-05-24 | 2016-05-24 | 基于盲源分离的呼吸与心跳信号的分离方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105962914A true CN105962914A (zh) | 2016-09-28 |
CN105962914B CN105962914B (zh) | 2019-08-27 |
Family
ID=56956988
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610350383.4A Active CN105962914B (zh) | 2016-05-24 | 2016-05-24 | 基于盲源分离的呼吸与心跳信号的分离方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105962914B (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108574525A (zh) * | 2018-04-16 | 2018-09-25 | 南京理工大学 | 一种基于适应性矩估计的星载ais碰撞信号分离方法 |
CN109086686A (zh) * | 2018-07-12 | 2018-12-25 | 西安电子科技大学 | 基于自适应动量因子的时变信道下的盲源分离方法 |
CN110088635A (zh) * | 2017-01-18 | 2019-08-02 | 赫尔实验室有限公司 | 用于同时去噪和盲源分离的认知信号处理器 |
CN111345802A (zh) * | 2020-03-16 | 2020-06-30 | 南京润楠医疗电子研究院有限公司 | 一种基于心冲击信号获取双人心跳频率的装置及方法 |
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 |
CN111650571A (zh) * | 2020-04-12 | 2020-09-11 | 南京理工大学 | 基于微动周期的空间微动群目标单通道盲源分离方法 |
CN112654288A (zh) * | 2018-07-09 | 2021-04-13 | 纳特拉技术公司 | 用于生理参数检测的亚thz和thz系统及其方法 |
CN113017649A (zh) * | 2021-02-25 | 2021-06-25 | 北京智源人工智能研究院 | 脑电活动识别方法、装置、电子设备及介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080077015A1 (en) * | 2006-05-17 | 2008-03-27 | Olga Boric-Lubecke | Determining presence and/or physiological motion of one or more subjects with multiple receiver Doppler radar systems |
WO2010132850A1 (en) * | 2009-05-15 | 2010-11-18 | Kai Medical, Inc. | Non-contact physiologic motion sensors and methods for use |
CN103110422A (zh) * | 2012-12-18 | 2013-05-22 | 中国人民解放军第四军医大学 | 基于生物雷达检测的呼吸和心跳实时分离方法 |
WO2015022358A1 (en) * | 2013-08-14 | 2015-02-19 | Iee International Electronics & Engineering S.A. | Radar sensing of vehicle occupancy |
-
2016
- 2016-05-24 CN CN201610350383.4A patent/CN105962914B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080077015A1 (en) * | 2006-05-17 | 2008-03-27 | Olga Boric-Lubecke | Determining presence and/or physiological motion of one or more subjects with multiple receiver Doppler radar systems |
WO2010132850A1 (en) * | 2009-05-15 | 2010-11-18 | Kai Medical, Inc. | Non-contact physiologic motion sensors and methods for use |
CN103110422A (zh) * | 2012-12-18 | 2013-05-22 | 中国人民解放军第四军医大学 | 基于生物雷达检测的呼吸和心跳实时分离方法 |
WO2015022358A1 (en) * | 2013-08-14 | 2015-02-19 | Iee International Electronics & Engineering S.A. | Radar sensing of vehicle occupancy |
Non-Patent Citations (2)
Title |
---|
SI AMARI等: "Stability analysis of learning algorithms for blind source separation", 《NEURAL NETWORKS》 * |
ZHENGWU XU等: "Time-frequency analysis of terahertz radar signal for vital signs sensing based on radar sensor", 《SENSOR NETWORKS》 * |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110088635A (zh) * | 2017-01-18 | 2019-08-02 | 赫尔实验室有限公司 | 用于同时去噪和盲源分离的认知信号处理器 |
CN110088635B (zh) * | 2017-01-18 | 2022-09-20 | 赫尔实验室有限公司 | 用于去噪和盲源分离的认知信号处理器、方法与介质 |
CN108574525A (zh) * | 2018-04-16 | 2018-09-25 | 南京理工大学 | 一种基于适应性矩估计的星载ais碰撞信号分离方法 |
CN108574525B (zh) * | 2018-04-16 | 2020-07-07 | 南京理工大学 | 一种基于适应性矩估计的星载ais碰撞信号分离方法 |
CN112654288A (zh) * | 2018-07-09 | 2021-04-13 | 纳特拉技术公司 | 用于生理参数检测的亚thz和thz系统及其方法 |
CN112654288B (zh) * | 2018-07-09 | 2024-04-26 | 纳特拉技术公司 | 用于生理参数检测的亚thz和thz系统及其方法 |
CN109086686A (zh) * | 2018-07-12 | 2018-12-25 | 西安电子科技大学 | 基于自适应动量因子的时变信道下的盲源分离方法 |
CN111345802A (zh) * | 2020-03-16 | 2020-06-30 | 南京润楠医疗电子研究院有限公司 | 一种基于心冲击信号获取双人心跳频率的装置及方法 |
CN111650571A (zh) * | 2020-04-12 | 2020-09-11 | 南京理工大学 | 基于微动周期的空间微动群目标单通道盲源分离方法 |
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 |
CN111568425B (zh) * | 2020-06-08 | 2021-08-03 | 北京大学 | 一种非接触式的多人呼吸检测方法 |
CN113017649A (zh) * | 2021-02-25 | 2021-06-25 | 北京智源人工智能研究院 | 脑电活动识别方法、装置、电子设备及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN105962914B (zh) | 2019-08-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105962914A (zh) | 基于盲源分离的呼吸与心跳信号的分离方法及装置 | |
CN107949321B (zh) | 时域干扰去除和改进的心率测量跟踪机理 | |
JP5980720B2 (ja) | 呼吸速度推定のためのビデオプロセッシング | |
US8597196B2 (en) | Cardiac signal processing apparatus and cardiac signal processing method | |
CN109522826B (zh) | 一种基于fmcw毫米波雷达的生命信号检测方法和系统 | |
CN104644142B (zh) | 一种非接触式生命体征监护的信号处理算法 | |
CN105232026A (zh) | 一种非接触式生命体征检测系统的心跳频率检测算法 | |
CN102018503A (zh) | 生命探测雷达中的呼吸与心跳信号的提取方法及装置 | |
CN105232022A (zh) | 基于WiFi中CSI信号强度的非侵入式呼吸心跳检测实现方法 | |
EP3177936A1 (en) | Tracking slow varying frequency in a noisy environment and applications in healthcare | |
CN105956388A (zh) | 基于vmd的人体生命体征信号分离方法 | |
CN104605831A (zh) | 非接触式生命体征监护系统的呼吸与心跳信号分离算法 | |
CN108272447A (zh) | 一种基于uwb技术的呼吸和心跳速率检测系统 | |
Vetter et al. | Integration of an electromagnetic coupled sensor into a driver seat for vital sign monitoring: Initial insight | |
JP2015217143A (ja) | 心拍計測装置 | |
TW201438669A (zh) | 血氧飽和度檢測方法及裝置 | |
CN113854992A (zh) | 基于77GHz毫米雷达的非接触式精确心率检测方法 | |
Lee et al. | Doppler radar in respiratory monitoring: Detection and analysis | |
CN105919568A (zh) | 基于伽柏变换的呼吸与心跳信号的提取分析方法和装置 | |
Erfianto et al. | IMU‐Based Respiratory Signal Processing Using Cascade Complementary Filter Method | |
CN105852863A (zh) | 一种呼吸率测量方法及装置 | |
CN109473166A (zh) | 一种基于多网融合的智能远程医疗护理系统及方法 | |
CN106510716B (zh) | 一种基于心电信号计算呼吸率的方法及装置 | |
JP2019013479A (ja) | 心拍・呼吸計測システム及び心拍・呼吸計測方法 | |
Will et al. | Intelligent signal processing routine for instantaneous heart rate detection using a Six-Port microwave interferometer |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |