CN107595289B - 非接触式呼吸通气量检测方法、装置、介质及计算机设备 - Google Patents
非接触式呼吸通气量检测方法、装置、介质及计算机设备 Download PDFInfo
- Publication number
- CN107595289B CN107595289B CN201710852306.3A CN201710852306A CN107595289B CN 107595289 B CN107595289 B CN 107595289B CN 201710852306 A CN201710852306 A CN 201710852306A CN 107595289 B CN107595289 B CN 107595289B
- Authority
- CN
- China
- Prior art keywords
- change data
- detected
- millimeter
- respiratory ventilation
- reflected
- 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
Landscapes
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明提供一种非接触式呼吸通气量检测方法、装置、存储介质及其计算机设备,其中方法包括:根据照射待检测对象的反射毫米波,分析反射毫米波变化数据,变化数据包括相位变化数据和信号强度变化数据两个方面,变化数据可以准确表征待检测对象胸腔状态变化数据,基于待检测对象胸腔状态变化数据,可以检测得到待检测对象呼吸通气量。整个过程中,无需与待检测对象直接接触即可便捷且准确检测待检测对象呼吸通气量。
Description
技术领域
本发明涉及检测技术领域,特别是涉及非接触式呼吸通气量检测方法、装置、介质及计算机设备。
背景技术
呼吸通气量是指人体呼吸过程中出入肺的气体量,可以反映肺的通气功能,也可用于检测一个特殊的疾病。
但是,现有的用于医疗的呼吸通气量检测技术都要求测试对象穿戴或者接触特殊的设备。这会给测试对象带来很大的不便,造成使用的局限性。
发明内容
基于此,有必要针对传统呼吸通气量检测需要接触式检测,造成使用不便的问题,提供一种非接触式呼吸通气量检测方法、装置、介质及计算机设备,给用户带来便捷。
一种非接触式呼吸通气量检测方法,包括步骤:
接收待检测对象在毫米波照射下的反射毫米波;
获取反射毫米波的变化数据,变化数据包括相位变化数据和信号强度变化数据;
根据变化数据,检测待检测对象呼吸通气量。
一种非接触式呼吸通气量检测装置,包括相互连接的主机和基带处理模块;
基带处理模块接收待检测对象在毫米波照射下的反射毫米波,主机获取反射毫米波的变化数据,并根据变化数据,检测待检测对象呼吸通气量,其中,变化数据包括相位变化数据和信号强度变化数据。
本发明非接触式呼吸通气量检测方法与装置,根据照射待检测对象的反射毫米波,分析反射毫米波变化数据,变化数据包括相位变化数据和信号强度变化数据两个方面,变化数据可以准确表征待检测对象胸腔状态变化数据,基于待检测对象胸腔状态变化数据,可以检测得到待检测对象呼吸通气量。整个过程中,无需与待检测对象直接接触即可便捷且准确检测待检测对象呼吸通气量。
另,本发明还提供一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如上述方法的步骤。
另,本发明还提供一种计算机设备,包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序,处理器执行程序时实现如上述方法的步骤。
上述计算机可读存储介质与计算机设备,其中非接触式呼吸通气量检测方法根据照射待检测对象的反射毫米波,分析反射毫米波变化数据,变化数据包括相位变化数据和信号强度变化数据两个方面,变化数据可以准确表征待检测对象胸腔状态变化数据,基于待检测对象胸腔状态变化数据,可以检测得到待检测对象呼吸通气量。整个过程中,无需与待检测对象直接接触即可便捷且准确检测待检测对象呼吸通气量。
附图说明
图1为本发明非接触式呼吸通气量检测方法第一个实施例的流程示意图;
图2为本发明非接触式呼吸通气量检测方法第二个实施例的流程示意图;
图3为本发明非接触式呼吸通气量检测装置第一个实施例的结构示意图;
图4为本发明非接触式呼吸通气量检测装置第二个实施例的结构示意图;
图5为本发明非接触式呼吸通气量检测装置其中一个应用实例的结构示意图。
具体实施方式
如图1所示,一种非接触式呼吸通气量检测方法,包括步骤:
S200:接收待检测对象在毫米波照射下的反射毫米波。
待检测对象可以人体,即本次检测到的是人体的呼吸速率和心跳速率,另外待检测对象还可以为其他动物。波长为1~10毫米的电磁波称毫米波,它位于微波与远红外波相交叠的波长范围,因而兼有两种波谱的特点,与光波相比,毫米波利用大气窗口(毫米波与亚毫米波在大气中传播时,由于气体分子谐振吸收所致的某些衰减24GHZ微波雷达传感器为极小值的频率)传播时的衰减小,受自然光和热辐射源影响小,毫米波具有以下优点:1)极宽的带宽,通常认为毫米波频率范围为26.5~300GHz,带宽高达273.5GHz,超过从直流到微波全部带宽的10倍,即使考虑大气吸收,在大气中传播时只能使用四个主要窗口,但这四个窗口的总带宽也可达135GHz,为微波以下各波段带宽之和的5倍,这在频率资源紧张的今天无疑极具吸引力;2)波束窄,在相同天线尺寸下毫米波的波束要比微波的波束窄得多,例如一个12cm的天线,在9.4GHz时波束宽度为18度,而94GHz时波速宽度仅1.8度,因此可以分辨相距更近的小目标或者更为清晰地观察目标的细节;3)与激光相比,毫米波的传播受气候的影响要小得多,可以认为具有全天候特性;4)和微波相比,毫米波元器件的尺寸要小得多,因此毫米波系统更容易小型化。
毫米波照射待检测对象,待检测对象会反射对应的毫米波,待检测对象在呼吸和心跳过程中胸腔位置会发生变化,基于反射的毫米波可以准确捕捉到这个变化的数据,在这里接收待检测对象在毫米波照射下反射的毫米波。非必要的,不同频率的毫米波有不同的特性,在这里可以基于当前应用场景选择最佳的频域的毫米波。更进一步的,继续研究发现在本发明非接触式体征检测方法中可以选择60GHz的毫米波作为照射波,这样可以达到最佳的检测效果。在实际应用中,可以选用60GHz的毫米波照射待检测对象,接收待检测对象反射的60GHz的毫米波,在反射回的毫米波中会发生相位和信号强度变化,并且相位变化和信号强度与待检测对象胸腔状态变化是正相关的。
S400:获取反射毫米波的变化数据,变化数据包括相位变化数据和信号强度变化数据。
对预设时间之内接收到的反射毫米波进一步分析即可得到反射毫米波的变化数据,变化数据包括相位变化数据和信号强度变化数据。预设时间可以基于需要进行设定,例如1分钟、3分钟或5分钟等。在这里,可以理解为采集/收集一定时间内毫米波照射待检测对象反射回的毫米波,这些反射回的毫米波中携带有待检测对象胸腔状态变化数据,我们可以对这些数据进行分析,获得表征待检测对象胸腔状态变化的相位变化数据和信号强度变化数据。非必要的,可以先对预设时间内反射的毫米波进行分析,得到其对应的信号相位变化数据和信号强度变化数据,再基于相位变化数据绘制对应的变化曲线图、基于信号强度变化数据绘制对应的变化曲线图,采用曲线图的方式准确、直观表征相位变化和信号强度变化。
S600:根据变化数据,检测待检测对象呼吸通气量。
待检测对象在呼吸过程中,其胸腔状态是会发生变化的。简单来说,这里描述的胸腔状态变化是由于胸腔外形变化带来的,即待检测对象在一呼一吸过程胸腔外形发生变化,在步骤S400基于发射的毫米波准确捕捉到这部分变化数据,在本步骤中,根据获取到的变化数据,可以准确识别出待检测对象完成一次完整的呼吸(一呼一吸)胸腔状态的变化,进而可以计算出待检测对象呼吸通气量。
本发明非接触式呼吸通气量检测方法,根据照射待检测对象的反射毫米波,分析反射毫米波变化数据,变化数据包括相位变化数据和信号强度变化数据两个方面,变化数据可以准确表征待检测对象胸腔状态变化数据,基于待检测对象胸腔状态变化数据,可以检测得到待检测对象呼吸通气量。整个过程中,无需与待检测对象直接接触即可便捷且准确检测待检测对象呼吸通气量。
在其中一个实施例中,获取反射毫米波的变化数据的步骤包括:
通过快速傅里叶变换与相位解缠算法,获取反射毫米波的变化数据。
快速傅里叶变换的基本思想是把原始的N点序列,依次分解成一系列的短序列,充分利用离散傅里叶变换计算式中指数因子所具有的对称性质和周期性质,进而求出这些短序列相应的离散傅里叶变换并进行适当组合,达到删除重复计算,减少乘法运算和简化结构的目的。一般来说相位解缠算法包括两个步骤:1)基于缠绕相位计算解缠相位的相位梯度估算值;(2)沿适当的路径完成相位积分。相位解缠算法基于这样的假设:可以求解出缠绕相位的离散偏导数,即相位像元间的相位差,并且这些相位差的绝对值小于pi。通过这些离散的偏导数可以重建解缠相位。理想状态下干涉相位呈周期性变化,由0到2pi的过程是一个渐变的过程,再由2pi迅速变为0,然后又渐变为2pi,反复出现,呈周期性,变化轮廓明显,层次均匀,突变点为相位周期分界点。因而,理想情况下可以提取离散相位偏导数,分别在水平和垂直向进行积分,即可达到解缠的目的。针对预设时间内反射的毫米波,采用快速傅里叶变换和相位解缠算法可以还原出真实的毫米波的相位变化和信号强度变化,又由于相位变化和信号强度变化与胸腔状态变化成正相关,而胸腔状态变化与呼吸通气量有直接关系,因此,在后续处理中可以基于上述参数以及历史经验数据计算出待检测对象的呼吸通气量。
在其中一个实施例中,根据变化数据,检测待检测对象呼吸通气量的步骤包括:
对变化数据进行神经网络训练和测试处理,检测待检测对象呼吸通气量。
神经网络是一种模仿动物神经网络行为特征,进行分布式并行信息处理的算法数学模型,这种网络依靠系统的复杂程度,通过调整内部大量节点之间相互连接的关系,从而达到处理信息的目的,并具有自学习和自适应的能力。正是由于神经网络具有强大的学习与自适应能力(训练),因此,可以采用已知参数对其进行多次训练,以使训练之后的神经网络模型最满足当前需求(当前应用场景)。非必要的,在这里神经网络训练可以通过预设、成熟的神经网络模型,该神经网络模型可以是由多组变化数据与对应的呼吸通气量实测值训练得到的。
在其中一个实施例中,根据变化数据,检测待检测对象呼吸通气量的步骤包括:
步骤一:分别获取变化数据的极大值和极小值;
步骤二:根据极大值和极小值,切分变化数据的信号时间,提取每次呼吸运动对应的变化数据;
步骤三:将提取的每次呼吸运动对应的变化数据输入至预设神经网络训练模型中,测试待检测对象呼吸通气量,预设神经网络训练模型与提取的每次呼吸运动对应的变化数据匹配。
在本实施例中,采用峰值检测与信号分段方式将待检测对象的呼吸运动分离,具体来说,信号分段切分数据对应的时间信号。先进行峰值检测处理,分别获取变化数据的极大值和极小值,即分别获取相位变化数据的极大值和极小值以及信号强度变化数据的极大值和极小值。变化数据的都是与时间关联的,待检测对象是在一定时间内完成一次呼吸运动,因此,切分变化数据的信号时间即可提取出每次呼吸运动对应的变化数据。在实际应用中,可以将变化数据绘制成横坐标是时间,纵坐标是具体参数值的曲线图,在曲线图中可以清楚表征极大值与极小值,基于这两个值直接切分时间信号,即切分横坐标值,提取每次呼吸运动对应的变化数据。将提取的每次呼吸运动对应的变化数据,输入至预先准备好的神经网络训练模型中,进行神经网络训练,测试待检测对象呼吸通气量,预选准备好的神经网络训练模型是与每次呼吸运动对应的变化数据匹配的,该训练模型是基于历史记录中呼吸运动对应的变化数据以及待测对象呼吸通气量实测值,采用多次训练、学习之后得到的神经网络模型,简单来说,该预先准备好的神经网络训练模型可以清楚表征呼吸运动对应的变化数据与呼吸通气量之间的对应关系。
非必要的,在分别获取变化数据的极大值和极小值的步骤之前还包括:
对变化数据进行低通滤波处理。由于人体胸腔运动的速度较低,可以通过带通滤波处理来去除高频噪声和直流噪声,提取其中的特征信息。
非必要的,将提取的每次呼吸运动对应的变化数据输入至预设神经网络训练模型中的步骤之前还包括:
获取待检测对象呼吸通气量检测实际值;
将提取的每次呼吸运动对应的变化数据作为训练值输入至初始神经网络模型中,将待检测对象呼吸通气量检测实际值作为验证集,对初始神经网络模型进行训练,得到预设神经网络训练模型。
在本实施例中,将每次呼吸运动对应的变化数据输入至初始神经网络模型中,将待检测对象呼吸通气量检测实际值作为验证集,对初始神经网络模型进行训练,经过多次训练之后,即可得到能够准确表征待检测对象每次呼吸运动对应的变化数据与呼吸通气量之间对应关系的预设神经网络训练模型。
如图2所示,在其中一个实施例中,步骤S200之前还包括:
S120:生成基带单音正弦信号,将基带单音正弦信号发送至60GHz毫米波发生器;
S140:通过60GHz毫米波发生器发射60GHz毫米波照射待检测对象。
简单来说,单音正弦信号是指单一频率的正弦信号。在实际应用中,生成基带单音正弦信号,生成的基带单音正弦信号可以发送到60GHz毫米波发生器,60GHz毫米波发生器会发射对60GHz毫米波照射待检测对象。在本实施例中,采用60GHz的毫米波作为照射波,60GHz毫米对距离变化敏感,具有方向性以及良好抗干扰性,能够获得对体征信息更加准确的测量结果。60GHz毫米波发生器中的天线可以采用60GHz相控阵天线。
如图2所示,在其中一个实施例中,步骤S140之前还包括:
S132:扫描搜索待检测对象的位置;
S134:根据待检测对象的位置,调整60GHz毫米波发生器的波束照射方向。
扫描搜索待检测对象的位置可以通过声波方式、红外感应方式等实现。在实际应用中,在获取到待检测对象的位置之后,调整60GHz毫米波发生器的波束照射方向,以使60GHz毫米波波束能够准确照射待检测对象。进一步的,待检测对象有多个时,可以扫描搜索待检测对象的位置,即获得各个待检测对象的位置,基于各个待检测对象的位置,调整60GHz毫米波发生器的波束照射方向,实现同时测量多个待检测对象的呼吸通气量。
如图3所示,本发明还提供一种非接触式呼吸通气量检测装置,包括相互连接的主机100和基带处理模块200;
基带处理模块200接收待检测对象在毫米波照射下的反射毫米波,主机100获取反射毫米波的变化数据,并根据变化数据,检测待检测对象呼吸通气量,其中,变化数据包括相位变化数据和信号强度变化数据。
基带处理模块200用于接收待检测对象在毫米波照射下的反射毫米波,具体来说,基带处理模块200可以包括FPGA(Field-Programmable Gate Array,现场可编程逻辑门阵列)和数模/模数转换器。更进一步的,基带处理模块200可以采用基于FPGA时钟的时间戳同步方案,以便使用相位变化来检测测试者胸腔状态变化。
主机100用于获取反射毫米波的变化数据,并根据变化数据,检测待检测对象呼吸通气量。具体来说,主机100用于分别获取变化数据的极大值和极小值,根据极大值和极小值,切分变化数据的信号时间,提取每次呼吸运动对应的变化数据,将提取的每次呼吸运动对应的变化数据输入至预设神经网络训练模型中,测试待检测对象呼吸通气量,预设神经网络训练模型与提取的每次呼吸运动对应的变化数据匹配。
本发明非接触式呼吸通气量检测装置,包括基带处理模块200和主机100,基带处理模块200接收待检测对象在毫米波照射下的反射毫米波,主机100根据照射待检测对象的反射毫米波,分析反射毫米波变化数据,变化数据包括相位变化数据和信号强度变化数据两个方面,变化数据可以准确表征待检测对象胸腔状态变化数据,基于待检测对象胸腔状态变化数据,可以检测得到待检测对象呼吸通气量。整个过程中,无需与待检测对象直接接触即可便捷且准确检测待检测对象呼吸通气量。
如图4所示,本发明非接触式呼吸通气量检测装置还包括60GHz毫米波发生器300,60GHz毫米波发生器300与基带处理模块200连接;
主机100还用于生成基带单音正弦信号,将基带单音正弦信号通过基带处理模块200发送至60GHz毫米波发生器300,60GHz毫米波发生器300用于根据接收到的基带单音正弦信号,发射60GHz毫米波照射待检测对象。
60GHz毫米波发生器300可以采用PEM009工具套件以及相控阵天线,可以收发60GHz频段信号并且动态调整天线波束的方向与宽度。非必要的,60GHz毫米波发生器300与主机100连接,主机100还用于扫描搜索待检测对象的位置,根据待检测对象的位置,调整60GHz毫米波发生器300的波束照射方向。在实际应用中,60GHz毫米波发生器300采用PEM009工具套件以及相控阵天线,可以收发60GHz频段信号并且动态调整天线波束的方向与宽度,主机100以每秒100次以上的速率循环收发单音信号,实现对胸腔状态的持续检测。
为更进一步详细解释本发明非接触式呼吸通气量检测方法与装置,下面将采用一具体应用实例,并结合图5详细说明整个方案。
如图5所示,在具体应用实例中,本发明非接触式体征检测装置包括主机、基带处理模块、60GHz毫米波发生器以及功分器,待检测对象为人体。
步骤一,单音信号的收发。主机生成基带单音正弦信号,通过基带处理模块发送到60GHz毫米波发生器,产生60GHz射频信号,并经过人体发射之后,通过基带处理模块返回主机。基带处理模块包括FPGA和数模/模数转换器,其可以使用Xilinx的ZYNQ系列,数模/模数转换器使用AD9361射频模块,支持单通道最大带宽56MHz。并且采用基于FPGA时钟的时间戳同步方案,以便使用相位变化来检测测试者胸腔位置。60GHz毫米波发生器采用PEM009工具套件以及相控阵天线,可以收发60GHz频段信号并且动态调整天线波束的方向与宽度。主机以每秒100次以上的速率循环收发单音信号,实现对胸腔状态的持续检测。
步骤二,获取相位变化和信号强度变化。主机采用快速傅里叶变换,相位解缠绕等信号处理算法还原出真实的相位变化,同时使用求平均的方法从接收信号中获取其信号强度变化。同时由于人体胸腔运动的速度较低,可以通过带通滤波器来去除高频噪声和直流噪声,提取其中的特征信息。
步骤三,信号分段。以每次呼运动或者吸运动为单位进行呼吸通气量检测。因此,需要根据相位变化和信号强度变化的极大值和极小值对信号时间切分,提取出每次呼吸运动的特征。
步骤四,神经网络训练。在实际测试之前,本系统按照相位和信号强度采集→低通滤波处理→峰值检测与信号分段→输入至初始神经网络模型、获取测试者呼吸通气量采集的真实值→训练得到与当前匹配的神经网络模型。
步骤五,神经网络测试。在实际测试时,将步骤三得到的提取出每次呼吸运动的特征输入到步骤四得到的训练模型中,从而得到对测试者呼吸通气量的测试结果。
本发明还提供一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如上述方法的步骤。
另,本发明还提供一种计算机设备,包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序,处理器执行程序时实现如上述方法的步骤。
上述计算机可读存储介质与计算机设备,其中非接触式呼吸通气量检测方法根据照射待检测对象的反射毫米波,分析反射毫米波变化数据,变化数据包括相位变化数据和信号强度变化数据两个方面,变化数据可以准确表征待检测对象胸腔状态变化数据,基于待检测对象胸腔状态变化数据,可以检测得到待检测对象呼吸通气量。整个过程中,无需与待检测对象直接接触即可便捷且准确检测待检测对象呼吸通气量。
以上实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种非接触式呼吸通气量检测方法,其特征在于,包括步骤:
接收待检测对象在毫米波照射下的反射毫米波;
获取所述反射毫米波的变化数据,所述反射毫米的变化数据包括相位变化数据和信号强度变化数据;
根据所述反射毫米的变化数据,检测待检测对象呼吸通气量;
所述获取所述反射毫米波的变化数据包括:分析预设时间内反射的毫米波,获取毫米波信号对应的相位变化数据和信号强度变化数据,绘制相位变化数据对应的变化曲线图以及信号强度变化数据对应的变化曲线图;
所述根据变化数据,检测待检测对象呼吸通气量包括:根据相位变化数据对应的变化曲线图以及信号强度变化数据对应的变化曲线图,检测待检测对象呼吸通气量。
2.根据权利要求1非接触式呼吸通气量检测方法,其特征在于,所述获取所述反射毫米波的变化数据的步骤包括:
通过快速傅里叶变换与相位解缠算法,获取所述反射毫米波的变化数据。
3.根据权利要求1非接触式呼吸通气量检测方法,其特征在于,所述根据所述反射毫米的变化数据,检测待检测对象呼吸通气量的步骤包括:
对所述反射毫米的变化数据进行神经网络训练和测试处理,检测待检测对象呼吸通气量。
4.根据权利要求1非接触式呼吸通气量检测方法,其特征在于,所述根据所述反射毫米的变化数据,检测待检测对象呼吸通气量的步骤包括:
分别获取所述反射毫米的变化数据的极大值和极小值;
根据所述极大值和所述极小值,切分所述反射毫米的变化数据的信号时间,提取每次呼吸运动对应的所述反射毫米的变化数据;
将提取的每次呼吸运动对应的所述反射毫米的变化数据输入至预设神经网络训练模型中,测试待检测对象呼吸通气量,所述预设神经网络训练模型与所述提取的每次呼吸运动对应的所述反射毫米的变化数据匹配。
5.根据权利要求4非接触式呼吸通气量检测方法,其特征在于,所述将提取的每次呼吸运动对应的所述反射毫米的变化数据输入至预设神经网络训练模型中的步骤之前还包括:
获取待检测对象呼吸通气量检测实际值;
将提取的每次呼吸运动对应的所述反射毫米的变化数据作为训练值输入至初始神经网络模型中,将待检测对象呼吸通气量检测实际值作为验证集,对所述初始神经网络模型进行训练,得到所述预设神经网络训练模型。
6.根据权利要求1非接触式呼吸通气量检测方法,其特征在于,所述接收待检测对象在毫米波照射下反射的毫米波的步骤之前还包括:
生成基带单音正弦信号,根据所述基带单音正弦信号,生成60GHz毫米波;
将生成的60GHz毫米波照射所述待检测对象。
7.根据权利要求6非接触式呼吸通气量检测方法,其特征在于,所述将生成的60GHz毫米波照射所述待检测对象的步骤之前还包括:
扫描搜索所述待检测对象的位置;
根据所述待检测对象的位置,调整所述生成的60GHz毫米波的波束照射方向。
8.一种非接触式呼吸通气量检测装置,其特征在于,包括相互连接的主机和基带处理模块;
所述基带处理模块接收待检测对象在毫米波照射下的反射毫米波,所述主机获取所述反射毫米波的变化数据,并根据所述反射毫米的变化数据,检测待检测对象呼吸通气量,其中,所述反射毫米的变化数据包括相位变化数据和信号强度变化数据;
所述主机获取所述反射毫米波的变化数据包括:分析预设时间内反射的毫米波,获取毫米波信号对应的相位变化数据和信号强度变化数据,绘制相位变化数据对应的变化曲线图以及信号强度变化数据对应的变化曲线图;
根据反射毫米波的变化数据,检测待检测对象呼吸通气量包括:根据相位变化数据对应的变化曲线图以及信号强度变化数据对应的变化曲线图,检测待检测对象呼吸通气量。
9.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1-7中任意一项所述方法的步骤。
10.一种计算机设备,包括存储器、处理器以及存储在存储器上并可在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程序时实现如权利要求1-7中任意一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710852306.3A CN107595289B (zh) | 2017-09-19 | 2017-09-19 | 非接触式呼吸通气量检测方法、装置、介质及计算机设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710852306.3A CN107595289B (zh) | 2017-09-19 | 2017-09-19 | 非接触式呼吸通气量检测方法、装置、介质及计算机设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107595289A CN107595289A (zh) | 2018-01-19 |
CN107595289B true CN107595289B (zh) | 2021-04-27 |
Family
ID=61061493
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710852306.3A Active CN107595289B (zh) | 2017-09-19 | 2017-09-19 | 非接触式呼吸通气量检测方法、装置、介质及计算机设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107595289B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111727377B (zh) * | 2018-02-16 | 2023-10-31 | 皇家飞利浦有限公司 | 使用多载波的改进的载波相位跟踪 |
CN110338798B (zh) * | 2019-07-15 | 2020-08-25 | 南京航空航天大学 | 基于rfid标签的人体呼吸量评估系统及方法 |
CN111568417B (zh) * | 2020-06-01 | 2021-09-24 | 浙江大学 | 一种非接触式呼吸实时监测方法及采用该方法的硬件系统 |
CN114587347B (zh) * | 2022-03-25 | 2023-04-28 | 深圳市华屹医疗科技有限公司 | 肺功能检测方法、系统、装置、计算机设备和存储介质 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2806791B1 (en) * | 2012-01-29 | 2022-10-12 | Sensible Medical Innovations Ltd. | Deriving individual thoracic parameters of a subject |
CN102961164A (zh) * | 2012-12-06 | 2013-03-13 | 中国人民解放军第四军医大学 | 一种基于毫米波雷达的非接触式听诊器 |
SG11201701074QA (en) * | 2014-08-22 | 2017-04-27 | Fujitsu Ltd | Perspiration and heart rate estimation system, perspiration and heart rate estimation device, and perspiration and heart rate estimation method |
US9618824B2 (en) * | 2014-09-27 | 2017-04-11 | Intel Corporation | Integrated Terahertz sensor |
CN106264449B (zh) * | 2015-06-29 | 2022-01-28 | 松下知识产权经营株式会社 | 人状态推定方法和人状态推定系统 |
CN106355061A (zh) * | 2015-07-13 | 2017-01-25 | 广州杰赛科技股份有限公司 | 基于毫米波的手势认证装置 |
CN105476602B (zh) * | 2015-11-25 | 2018-11-06 | 方姝阳 | 非接触式人体生命体征测量方法及装置 |
-
2017
- 2017-09-19 CN CN201710852306.3A patent/CN107595289B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN107595289A (zh) | 2018-01-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107595289B (zh) | 非接触式呼吸通气量检测方法、装置、介质及计算机设备 | |
US8050740B2 (en) | Microwave-based examination using hypothesis testing | |
US7809427B2 (en) | Time domain inverse scattering techniques for use in microwave imaging | |
Akıncı et al. | Qualitative microwave imaging with scattering parameters measurements | |
Wang et al. | Noncontact heart rate measurement based on an improved convolutional sparse coding method using IR-UWB radar | |
US20180333103A1 (en) | Algorithmic Approach for Estimation of Respiration and Heart Rates | |
CN107595260B (zh) | 非接触式体征检测方法、装置、存储介质及其计算机设备 | |
US20220137208A1 (en) | Radar-based Cross-sectional Image Reconstruction of Subject | |
CN112220464A (zh) | 一种基于uwb雷达的人体呼吸心跳信号检测方法和系统 | |
Kawasaki et al. | A TOA based positioning technique of medical implanted devices | |
Januszkiewicz | Simplified human body models for interference analysis in the cognitive radio for medical body area networks | |
Gao et al. | Contactless sensing of physiological signals using wideband RF probes | |
CN104783799A (zh) | 一种短距离非接触式单目标呼吸率和呼吸幅度检测方法 | |
Bjørnevik | Localization and tracking of intestinal paths for wireless capsule endoscopy | |
Gunasekara | Contactless estimation of breathing rate using UWB radar | |
US20220381877A1 (en) | Method for removing random noise of radar collection signal in biometric signal measurement radar, and apparatus for same | |
Zamani et al. | Microwave imaging using frequency domain method for brain stroke detection | |
JP6651012B2 (ja) | 対象体の内部構造を探査するシステムにおいてフィット状態を評価するための方法、装置、およびコンピュータ可読媒体 | |
CN113281740A (zh) | 一种超宽带多普勒雷达生命探测系统 | |
Tajik et al. | Quasi-real time reconstruction of the complex permittivity of tissue through microwave holography | |
Zhou et al. | Radar for disease detection and monitoring | |
Čuljak et al. | UWB Platform for Vital Signs Detection and Monitoring | |
TWI597052B (zh) | 微波成像系統及其控制方法 | |
Liu et al. | Gaussian Mixture Model based Convolutional Sparse Coding for Radar Heartbeat Detection | |
Wang et al. | 3D shape reconstruction method for multiple aspects using MIMO IR-UWB radar system |
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 | ||
TR01 | Transfer of patent right |
Effective date of registration: 20221125 Address after: 602, Xinaolin Building, No. 15, Gaoxin North 2nd Road, Songpingshan Community, Xili Street, Nanshan District, Shenzhen, Guangdong 518000 Patentee after: Shenzhen Feizhi Health Internet of Things Technology Co.,Ltd. Address before: 528137 Shanshui Industrial Park, Foshan City, Guangdong Province, 39 Leping Xile Avenue East Dengjun Digital City Phase II Workshop B5, Five Stories 502 Patentee before: FOSHAN MEASUREX Co.,Ltd. |
|
TR01 | Transfer of patent right |