CN108852313A - 基于雷达的非干扰智能感知方法和系统 - Google Patents

Abstract

本发明涉及一种基于雷达的非干扰智能感知方法，包括：采集步骤，通过雷达采集用户的生理数据；预处理步骤，对该生理数据进行预处理以滤除干扰得到过滤数据；处理步骤，提取该过滤数据的特征数据，通过机器学习算法对该特征数据进行处理以获得该用户的生理信息，并以极速学习机作为识别分类器识别该用户的生理状态。

Description

基于雷达的非干扰智能感知方法和系统

技术领域

本发明涉及本发明涉及普适计算、健康监护等领域，具体涉及通过多普勒效应实时监测人的行为以及利用机器学习方法推测人的睡眠情况并依据睡眠情况给出反馈，以提升用户睡眠质量。

背景技术

当今社会飞速发展，个体承受着各个方面而来的较大压力，使得很多人都处于亚健康状态。因此，如何用科技辅助用户变得更健康，一直是科技的发展方向。而睡眠占据人生命近1/3的时间，对人体健康影响重大；良好的睡眠是健康的基础。因此，已有专利对人体睡眠情况进行检测，以及解决睡眠中呼吸暂停的问题。

现有专利对于睡眠的检测很多都是接触式的。中国发明专利“睡眠监测装置及其检测、辅助睡眠的方法”，申请号CN102247122A，利用电极直接与脑部相接处获取脑电波信号，利用加速度计获取人体运动的加速度信号，并将这两种信号传送到CPU以判断人体的睡眠情况，并依据睡眠情况调整音频(催眠音乐、催眠语音等)辅助人的睡眠。中国发明专利“腕带式睡眠监测系统”，申请号CN103892786A，通过佩戴腕带检测用户的心率等人体生理体征信息，可以实现对用户睡眠层次的判断。中国发明专利“睡眠监测保健床垫”，申请号CN204427352A，公开了一种新的床垫，通过床垫中震动传感器感知胸腔的震动，同时采集心率，呼吸率，翻床，离床等信息，然后根据得到的睡眠情况和健康情况进行远红外线温灸，以提升用户健康水平。中国发明专利“眼罩、睡眠监测转置及方法”，申请号CN104546285A，通过可穿戴式眼罩获取使用者睡眠状态的眼部活动参数，来判断使用者当前睡眠状态，并分析睡眠质量。但以上接触式的检测方法在一定程度上给用户带来干扰和影响，具有侵入性，因此非接触式的检测方法和装置逐渐被提出。

中国发明专利“使用非干扰性音频分析来生成信息的睡眠呼吸暂停诊断系统和方法”，申请号CN104853671A，通过麦克风阵列检测用户声音，并将其转换为音频信号，并利用音频信息生成头部移动信息，以诊断用户睡眠呼吸暂停。中国发明专利“一种睡眠监测保健器”，申请号CN104545934A，通过麦克风检测睡眠声音，利用摄像头捕捉睡眠动作，然后睡眠质量检测模块可以根据睡眠质量调整灯光、音乐、香薰等，以有效提高睡眠质量。中国发明专利“基于非接触生命体征信息检测及监护的睡眠传感装置”，申请号CN201521133987.0，提出了利用非接触生物雷达对人体睡眠情况进行监测。中国发明专利“一种非接触式睡眠仪”，申请号CN201620097399.4，通过非接触式的监测人体的生理参数和身体动作，如呼吸、心跳和体动等等进行睡眠分析，通过计算处理模块及时地分析这些生理参数，对身体状态进行分析，判断受测者目前的是否入睡，睡眠的程度和质量等等。中国发明专利“非接触式睡眠分期方法”，申请号CN201610270933.1，对雷达感知的生理信号和计算得到的体动信号进行聚类分析，再结合声音信号和视频信号实现对睡眠状态的划分。中国发明专利“一种监测睡眠呼吸状态的睡眠仪”，申请号CN203029237U，利用雷达对睡眠进行监测，并可以对各种睡眠状态(浅睡眠，深睡眠等)进行检测，但以上方法无法根据睡眠状态进行反馈调节。

如上所述，迫切需要一种无干扰的、便捷的感知系统，可以在对用户干扰最小的情况下，对用户的睡眠情况进行监测，并根据监测结果给出行之有效的反馈，以提升用户的睡眠质量，进而保证用户的健康。

发明内容

针对上述问题，本发明提出一种基于雷达的非干扰智能感知方法，包括：模型构建步骤，采集该用户在睡眠状态的生理数据和非睡眠状态的生理数据以构建睡眠识别模型；采集步骤，通过雷达采集用户的生理数据；预处理步骤，对该生理数据进行预处理以滤除干扰得到过滤数据；处理步骤，提取该过滤数据的特征数据，通过机器学习算法对该特征数据进行处理以获得该用户的生理信息，并以极速学习机作为识别分类器对该用户的生理状态进行识别。

本发明所述的非干扰智能感知方法，其中该处理步骤具体包括：生理信息获取步骤，通过滑动平均滤波法，将该生理数据在时域上进行平滑，以获得该初始数据，采用带通滤波器对该初始数据提取信号，时频转换后将获得信号在每个频段的成分含量，其频谱值最大的频率值即为该帧信号的响应频率，以得到心率和呼吸频率；生理状态识别步骤，以该心率和呼吸频率通过该睡眠识别模型对该用户的睡眠状态和快速眼动进行识别。

本发明所述的非干扰智能感知方法，其中所述预处理步骤具体包括：预滤波步骤，对该雷达的发射信号和接收信号进行求差处理以得到第一预处理值，对该第一预处理值进行滤波处理以减小该第一预处理值的干扰信号；放大步骤，对该第一预处理值进行放大处理以得到第二预处理值；模数转换步骤，对该第二预处理值进行模数转换以得到该过滤数据。

本发明所述的非干扰智能感知方法，其中该采集步骤的该雷达为K波段雷达，该雷达采集的该生理数据包括该用户的心跳数据和呼吸数据。

本发明还涉及一种基于雷达的非干扰智能感知系统，包括：模型构建模块，用于采集该用户在睡眠状态的生理数据和非睡眠状态的生理数据以构建睡眠识别模型；采集模块，用于通过雷达采集用户的生理数据；预处理模块，用于对该生理数据进行预处理以滤除干扰得到过滤数据；处理模块，用于提取该过滤数据的特征数据，通过机器学习算法对该特征数据进行处理以获得该用户的生理信息，并以极速学习机作为识别分类器对该用户的生理状态进行识别。

本发明所述的非干扰智能感知系统，其中该处理模块具体包括：生理信息获取模块，用于通过滑动平均滤波法，将该生理数据在时域上进行平滑，以获得该初始数据，采用带通滤波器对该初始数据提取信号，时频转换后将获得信号在每个频段的成分含量，其频谱值最大的频率值即为该帧信号的响应频率，以得到心率和呼吸频率；生理状态识别模块，用于以该心率和呼吸频率通过该睡眠识别模型对该用户的睡眠状态和快速眼动进行识别。

本发明所述的非干扰智能感知系统，其中所述预处理模块具体包括：预滤波模块，用于对该雷达的发射信号和接收信号进行求差处理以得到第一预处理值，对该第一预处理值进行滤波处理以减小该第一预处理值的干扰信号；放大模块，用于对该第一预处理值进行放大处理以得到第二预处理值；模数转换模块，用于对该第二预处理值进行模数转换以得到该过滤数据。

本发明所述的非干扰智能感知系统，其中该雷达为K波段雷达，该雷达采集的该生理数据包括该用户的心跳数据和呼吸数据。

本发明仅使用雷达信号，利用机器学习方法实现无扰、快速、高精度的睡眠感知，并根据感知结果进行反馈调节。比传统的通过呼吸和心率简单计算得到的睡眠状态结果更为快速、可靠。同时，相比于使用运动传感器、音频、视频等分析睡眠状态的方法更为无扰、实用性强。

附图说明

图1是本发明的非干扰智能感知系统结构示意图。

图2是本发明的非干扰智能感知方法流程图。

图3是本发明的非干扰智能感知方法的生理指标计算算法图。

图4是本发明的非干扰智能感知方法的使用分类器网络构成图。

其中，附图标记为：

1：采集模块 2：预处理模块 3：处理模块

4：模型构建模块 5：数据传输及反馈模块

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图，对本发明提出的一种基于雷达(RADAR)的非干扰智能感知方法和系统进一步详细说明。应当理解，此处所描述的具体实施方法仅仅用以解释本发明，并不用于限定本发明。

本发明提供一种基于雷达(RADAR)的非干扰智能感知系统，利用多普勒效应获取用户行为带来的信号变化，并结合机器学习方法感知用户的睡眠情况，进而反馈调节智能设备，使用户可以拥有更好的睡眠，保证个人健康。

可穿戴设备的发展，给用户的生活带来了一定的便捷。但是，对于睡眠监测，可穿戴的，接触式的方式仍然不是用户体验感最好的。因此，本发明提出了非干扰的，非接触的智能感知系统，在不对用户造成侵入性的干扰的情况下，监测睡眠情况，并根据分析结果给出反馈调节，以提升用户睡眠质量。

图1是本发明的非干扰智能感知系统结构示意图。本发明的非干扰智能感知系统如图1所示，包括：采集模块1，预处理模块2，处理模块3，模型构建模块4。各模块功能如下：

采集模块1，用于产生24G的K波段雷达波，由于K波段雷达波有很强的定向性，所以对雷达正前方的物体反映敏感；雷达波在经过前向发射后，通过接收装置进行收集，并将信号传输至预处理模块。由于多普勒效应，当雷达朝向方向内有细微运动时，将会对最终的差值产生影响，产生信号波动，进而可以用于心跳检测、呼吸检测等。

预处理模块2，通过硬件电路来对发出雷达信号和接收到的雷达信号进行的差值，得到的差值信号包含比较多的噪声信号，所以进行预滤波处理；同时由于信号电压值比较小，所以需要对信号进行放大处理；放大后的信号进行拟信号到数字信号的转换，进而可以进行更复杂的算法运算，最后将此数字信号输入处理模块。

处理模块3，本模块是整个系统的核心部分，主要负责将采集到的数字信号进行数字滤波处理，滤除无用信号，提取出与心跳、呼吸相关的信号，然后针对此信号进行特征提取，最后通过机器学习算法来对特征数据进行处理分析，最终获得用户的心跳、呼吸等信息。

模型构建模块4，本模块采用与处理模块相同的技术手段，不同之处在于本模块将已知状态下采集到的雷达信号进行处理后获得用户在睡眠状态和非睡眠状态下的心跳、呼吸等信息，并以此建立睡眠识别模型。

本发明的非干扰智能感知系统还可以包括数据传输及反馈模块5，本模块主要负责对处理后数据进行传输，同时负责对控制数据进行传输，将控制数据传送至各个反馈模块，来实现对环境的调节，最终实现显示和反馈的功能；向用户显示所测得参数，并对用户的多次数据进行记录，方便用户查询；同时实现反馈调节用户服务，对环境中的光照、空调、加热器等设备进行调节，以为用户提供最舒适的睡眠环境，提升用户睡眠质量。

图2是本发明的非干扰智能感知方法流程图。如图2所示，根据本发明的一个方面，本发明提供一种非干扰智能感知方法，包括：

步骤S1，采集步骤，通过雷达采集用户的生理数据；

步骤S2，预处理步骤，对生理数据进行预处理以滤除干扰得到过滤数据；

步骤S3，处理步骤，提取该过滤数据的特征数据，通过机器学习算法对该特征数据进行处理以获得该用户的生理信息，并以极速学习机作为识别分类器对该用户的生理状态进行识别；

步骤S4，模型构建步骤，采集该用户在睡眠状态的生理数据和非睡眠状态的生理数据以构建睡眠识别模型；

步骤S5，数据传输及反馈步骤，对处理后数据进行传输，同时对控制数据进行传输，将控制数据传送至反馈模块；向用户显示所测得参数，并对用户的多次数据进行记录，方便用户查询；调节用户服务，对环境中的光照、空调、加热器等设备进行调节，以为用户提供最舒适的睡眠环境，提升用户睡眠质量。

本发明利用无线信号收发过程的相位的变化，计算用户的生理指标：心率、呼吸率。同时，通过机器学习方法识别用户行为和非用户行为，识别睡眠状态和非睡眠状态，以及识别快速眼动(Rapid Eye Movement：REM)和非快速眼动。通过识别结果进一步分析数据，得到用户的睡眠质量，以出发反馈调节。具体各部分方法如下：

用户行为和非用户行为识别：对于用户行为和非用户行为的识别，主要干扰来源于环境中的噪声，如其他高频信号的影响。因此，为了去除环境噪声的干扰，例如风扇、空调等，采用低通滤波器去除高频噪声；低通滤波器的带宽则由实验设置经验值而确定。

生理指标计算：用户的心脏跳动和呼吸会使身体躯干产生微小的收缩与膨胀，导致雷达波出现多普勒效应。因此，借助多普勒效应计算用户的心率和呼吸频率这两个生理指标，图3是本发明的非干扰智能感知方法的生理指标计算算法图，如4是本发明的非干扰智能感知方法的使用分类器网络构成图。生理指标检测过程如图3所示，即先将获取的时域数据进行平滑，然后使用带通滤波器进行滤波，最后通过离散傅里叶变换得到心率和呼吸频率。具体计算过程如图4所示。

首先采用滑动平均滤波法(MovingAverage Filter)，将采集的雷达信号在时域上进行平滑，其输出函数如(1)所示。

其中，x(t)为获取的雷达输入信号，X(t)为平滑后的输出信号，M表示用来做平均的点数。

由于心率和呼吸频率的范围不同，因此采用不同频率响应范围的带通滤波器(本发明中使用Butterworth滤波器)进行信号提取。由于心率与呼吸频率描述的是信号的频率特征，因此将提取的信号进行时频转换。采用傅立叶变换方法进行转换，其转换函数如(2)所示，其中N是做傅里叶变换的点数。

其中X(n)为经过滤波后得到时域信号，y(n)为转换后的傅里叶幅度时频转换后将获得信号在每个频段的成分含量，其频谱值最大的频率值即为该帧信号的响应频率，以此得到心率和呼吸频率。

睡眠状态和非睡眠状态识别：使用一段时间t内的呼吸率和心率作为输入数据(特征)，将其输入到状态识别分类器中。在本发明中使用极速学习机(Extreme LearningMachine:ELM)作为识别分类器。该机器学习方法是一种前向单隐层学习网络SLFN(Singlehidden LayerFeedforwardNeuralNetwork)。对于一个输入特征向量具有L个隐藏节点的单隐层神经网络如5所示，其输出可以表示为：

其中β_i＝[β_i1,β_i2,……,β_in]^T表示连接第i个隐藏节点与输出节点的权重，a_i、b_i表示隐藏节点的学习参数，G(a_i,b_i,x)表示第i个隐藏节点的输出。如果隐藏节点的激活函数为g(x)，则隐藏节点输出为：

G(a_i,b_i,x)＝g(a_i·x+b_i) (4)

当有N个输入样本数据集{(x_i,t_i)}|i＝1,2,……,N|时，该网络可以表示为：Hβ＝T。其中：

网络参数a_i和b_i在学习过程中不需要调整，在初始阶段随机赋值即可。因此H与T已知，β为待学习参数，经由最小二乘求解，可以表示为：

β＝H+T＝(H^TH)^-1H^TT (6)

本发明中利用睡眠(Sleep)状态下数据和非睡眠(Wake)状态下数据计算得到的生理参数等作为网络的输入训练模型，输入数据特征为F_sleep/wake，识别模型为M_sleep/wake＝f(F_sleep/wake)，由此实现睡眠状态和非睡眠状态的识别。

快速眼动和非快速眼动识别：在识别出睡眠状态的情况下，为了进一步分析用户睡眠质量，还需要在睡眠状态下有效的识别快速眼动和非快速眼动。在该识别中，使用与“睡眠状态和非睡眠状态识别”中相同的输入数据(特征)获取方法，因为该识别相当于对“睡眠状态和非睡眠状态识别”进行了细化。“睡眠状态和非睡眠状态识别”是两类识别问题，而睡眠状态在该发明中被分为：快速眼动和非快速眼动。因此相比于“睡眠状态和非睡眠状态识别”而言，只是训练数据发生了变化，其他过程完全一致。

Claims (10)

1.一种基于雷达的非干扰智能感知方法，其特征在于，包括：

采集步骤，通过雷达采集用户的生理数据；

预处理步骤，对该生理数据进行预处理以滤除干扰得到过滤数据；

处理步骤，提取该过滤数据的特征数据，通过机器学习算法对该特征数据进行处理以获得该用户的生理信息，并以极速学习机作为识别分类器识别该用户的生理状态。

2.如权利要求1所述的非干扰智能感知方法，其特征在于，还包括：

模型构建步骤，通过采集该用户在睡眠状态的生理数据和非睡眠状态的生理数据以构建睡眠识别模型。

3.如权利要求2所述的非干扰智能感知方法，其特征在于，该处理步骤具体包括：

生理信息获取步骤，通过滑动平均滤波法，将该生理数据在时域上进行平滑，以获得该初始数据，采用带通滤波器对该初始数据提取信号，时频转换后将获得信号在每个频段的成分含量，其频谱值最大的频率值即为该帧信号的响应频率，以得到该生理信息，其中该生理信息包括心率和呼吸频率；

生理状态识别步骤，以该心率和呼吸频率通过该睡眠识别模型识别该用户的生理状态，该生理状态包括该用户的睡眠状态和快速眼动情况。

4.如权利要求1所述的非干扰智能感知方法，其特征在于，所述预处理步骤具体包括：

预滤波步骤，对该雷达的发射信号和接收信号进行求差处理以得到第一预处理值，对该第一预处理值进行滤波处理以减小该第一预处理值的干扰信号；

放大步骤，对该第一预处理值进行放大处理以得到第二预处理值；

模数转换步骤，对该第二预处理值进行模数转换以得到该过滤数据。

5.如权利要求1所述的非干扰智能感知方法，其特征在于，该采集步骤的该雷达为K波段雷达，该雷达采集的该生理数据包括该用户的心跳数据和呼吸数据。

6.一种基于雷达的非干扰智能感知系统，其特征在于，包括：

采集模块，用于通过雷达采集用户的生理数据；

预处理模块，用于对该生理数据进行预处理以滤除干扰得到过滤数据；

处理模块，用于提取该过滤数据的特征数据，通过机器学习算法对该特征数据进行处理以获得该用户的生理信息，并以极速学习机作为识别分类器对该用户的生理状态进行识别。

7.如权利要求6所述的非干扰智能感知系统，其特征在于，还包括：

模型构建模块，用于采集该用户在睡眠状态的生理数据和非睡眠状态的生理数据以构建睡眠识别模型。

8.如权利要求7所述的非干扰智能感知系统，其特征在于，该处理模块具体包括：

生理信息获取模块，用于通过滑动平均滤波法，将该生理数据在时域上进行平滑，以获得该初始数据，采用带通滤波器对该初始数据提取信号，时频转换后将获得信号在每个频段的成分含量，其频谱值最大的频率值即为该帧信号的响应频率，以得到该生理信息，其中该生理信息包括心率和呼吸频率；

生理状态识别模块，用于以该心率和呼吸频率通过该睡眠识别模型识别该用户的生理状态，该生理状态包括该用户的睡眠状态和快速眼动情况。

9.如权利要求6所述的非干扰智能感知系统，其特征在于，所述预处理模块具体包括：

预滤波模块，用于对该雷达的发射信号和接收信号进行求差处理以得到第一预处理值，对该第一预处理值进行滤波处理以减小该第一预处理值的干扰信号；

放大模块，用于对该第一预处理值进行放大处理以得到第二预处理值；

模数转换模块，用于对该第二预处理值进行模数转换以得到该过滤数据。

10.如权利要求6所述的非干扰智能感知系统，其特征在于，该雷达为K波段雷达，该雷达采集的该生理数据包括该用户的心跳数据和呼吸数据。