CN110693454B - 基于雷达的睡眠特征事件检测方法、装置及存储介质 - Google Patents
基于雷达的睡眠特征事件检测方法、装置及存储介质 Download PDFInfo
- Publication number
- CN110693454B CN110693454B CN201910786146.6A CN201910786146A CN110693454B CN 110693454 B CN110693454 B CN 110693454B CN 201910786146 A CN201910786146 A CN 201910786146A CN 110693454 B CN110693454 B CN 110693454B
- Authority
- CN
- China
- Prior art keywords
- event
- sleep
- radar
- detection
- threshold
- 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
- A61B5/48—Other medical applications
- A61B5/4806—Sleep evaluation
- A61B5/4809—Sleep detection, i.e. determining whether a subject is asleep or not
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/88—Radar or analogous systems specially adapted for specific applications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
- G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Molecular Biology (AREA)
- Veterinary Medicine (AREA)
- Heart & Thoracic Surgery (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- Pathology (AREA)
- Biophysics (AREA)
- Anesthesiology (AREA)
- Electromagnetism (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种基于雷达的睡眠特征事件检测方法、装置及存储介质,所述方法包括:步骤S10:通过雷达向其检测范围内的睡眠者发射波形并接收目标回波信号,建立回波信号模型;步骤S20:通过对接收的回波信号进行预处理,以获取抑制后的回波信号。本发明提出的基于雷达的睡眠特征事件检测方法,通过分析睡眠特征事件和睡眠事件的能量爆发曲线分布,对睡眠事件和睡眠特征事件的能量爆发曲线的分布通过matlab进行拟合,判断P(Z|H1)和P(Z|H0)的分布是否服从对数正态分布,然后对能量爆发曲线的数值通过自适应对数双门限恒虚警检测器进行检测;通过本发明的技术方案,可以确定能量爆发曲线特征在取对数值后符合正态分布,并以此设计了一款自适应对数双门限恒虚警检测器用于检测睡眠特征事件。
Description
技术领域
本发明涉及睡眠监测技术领域,尤其涉及一种基于雷达的睡眠特征事件检测方法、装置及存储介质。
背景技术
随着人们对健康问题的关注,越来越多的医用检测设备都更加小型化,便携化。但是最为重要的睡眠质量监测设备主要还是由利用光电容积描记(Photoplethysmography)医用技术占主流;根据医学研究表明,人体睡眠质量好坏和人体健康的程度有关,而睡眠质量的好坏和睡眠中人体特征事件(翻身,离床和离床后上床躺着)发生的次数有一定关系,所以如何检人体睡眠特征事件成为了睡眠监测中较为重要的一件事。
现如今市场能够进行睡眠质量监测的设备主要分为接触式和非接触两种,其中接触式的主要有:医用的PPG设备,具有不便携带,以及佩戴不便的缺陷;手环类的设备只能依据体动次数,或者结合心率来对睡眠质量进行分类,但是其中的心率测量部分是通过发光二极管发出的绿光来检测的误差较大。对于非接触式的睡眠监测设备而言主要有:摄像头传感器,非接触式的电容传感器,超声波传感器以及雷达传感器。其中利用摄像头作为睡眠监测传感器时,其运算复杂度高,且容易侵犯个人隐私;非接触式的电容传感器在远离人体50mm的时候效果不佳;而超声波传感器,容易受到环境影响,存在三角形误差,镜面反射误差和多次反射误差从而导致性能下降。
现有的研究中有研究者假设能量爆发曲线(PowerBurstCurve)服从的高斯正态分布,继而通过计算一段时间PBC的均值和方差来设定检测器的阈值,从而用于监测睡眠;因此,如何通过确定PBC服从高斯正态分布是我们当下应当解决的问题。
发明内容
本发明提供一种基于雷达的睡眠特征事件检测方法、装置及存储介质,其主要目的在于提供一种能够确定能量爆发曲线符合高斯正态分布的睡眠特征事件检测方法。
为实现上述目的,本发明采用如下技术方案:
一种基于雷达的睡眠特征事件检测方法包括以下步骤:
步骤S10:通过雷达向其检测范围内的睡眠者发射波形并接收目标回波信号,建立回波信号模型;
步骤S20:通过对接收的回波信号进行预处理,以获取抑制后的回波信号;
步骤S30:对抑制后的回波信号进行时频变换,获取能量爆发曲线;
步骤S40:对能量爆发曲线进行滤波,通过滤波后的能量爆发曲线检测睡眠者的睡眠状态,所述睡眠状态包括第一事件和第二事件;
步骤S50:构造二元假设,降低第一事件检测的虚警率,提高第二事件的检测概率;
步骤S60:对第一事件和第二事件的能量爆发曲线进行变换,确定第一事件和第二事件的条件概率密度分布,并通过matlab(matrix laboratory,矩阵实验室)对数据进行拟合;其中,第一事件的条件概率密度函数分别表示为P(Z|H1),第二事件的条件概率密度函数表示为P(Z|H0),H0为第一事件,H1为第二事件;
步骤S70:对能量爆发曲线的数值进行恒虚警检测。
可选地,所述步骤S70中对能量爆发曲线的数值进行恒虚警检测方式选用自适应对数双门限恒虚警检测器检测,具体步骤如下:
步骤S71:自适应估计能量爆发曲线的均值和方差;其中自适应估计能量爆发曲线的均值和方差包括:
步骤S711:对Z(n)取以自然数为底的对数,如下公式(10)表示:
Z′(n)=ln|Z(n)| (10)
其中Z(n)是第n个能量爆发曲线元素的值;
步骤S712:通过自适应高斯均值算法得到第n个对数能量爆发曲线元素的均值和方差,均值μ(n)如下公式(11)表示;方差σ2(n)如下公式(12)表示:
μ(n)=W·μ(n-1)+(1-W)(βμ(n-1)+(1-β)Z′(n)) (11)
σ2(n)=W·σ2(n-1)+(1-W)(βσ(n-1)2+(1-β)(Z′(n)-μ(n))2) (12)
其中μ(n-1),σ2(n-1)分别是上一次计算出的均值和方差,β是权重,作为稳定性和快速更新之间的权衡,W是二进制值,睡眠特征事件发生时W的值为1,睡眠事件发生时W的值为0。
可选地,在所述步骤S712之后,所述步骤S70还包括:
步骤S72:一次阈值的检测,所述一次阈值的检测用于判断检测器检测到的是第一事件或者第二事件;
其中,所述一次阈值的检测包括:
步骤S721:设置第一阈值γ以检查每个能量爆发曲线元素的值是否符合以下公式:
其中第一阈值γ表示自适应对数双门限恒虚警检测器的阈值;表示,当Z′(n)-μ(n)大于γσ(n)时,检测到第二事件,所述第二事件为睡眠特征事件;当Z′(n)-μ(n)小于或等于γσ(n)时,检测到第一事件,所述第一事件为睡眠事件;n为帧数。
可选地,在所述步骤S721之后,所述步骤S70还包括:
步骤S73:持续时间二次阈值的检测,所述二次阈值检测用于降低所述一次阈值检测的虚警值;
其中,所述持续时间二次阈值检测包括:
步骤S731:设定第二阈值T,一次阈值检测中第一次检测到睡眠特征元素时记为t1,持续时间记为t,将检测结果记为nt,并将睡眠特征元素记为1,将睡眠元素记为0,t1+t时间段内的n的数值求和为T1与第二阈值T进行比较,T1≥T时,睡眠特征事件发生;T1<T时,睡眠事件发生。
可选地,所述步骤S10中回波信号为射频信号,所述雷达射频信号模型如下公式(14)表示:
R′(m,n)=R′t(m,n)+R′u(m,n)+R′ω(m,n) (16)。
可选地,所述步骤S30具体为:
所述时频变换采用短时傅里叶变换,如下公式(17)表示:
其中W(n)是窗口函数,fn是雷达的中心频率,exp是以自然数为底的指数单位。
可选地,所述步骤S40中:
所述对能量爆发曲线进行滤波的步骤包括:设定第三阈值,对时频分析获得的结果按照频率大小提取能量爆发曲线,即将频率f大于第三阈值的所有频率分量的能量进行取模叠加;具体为:
对能量爆发曲线进具体行以下计算,得出结果值Z(n)如下公式(18)表示:
设置第三阈值为η,根据在睡眠状态中,人体生命运动引起的微多普勒频率主要集中在±0.2Hz-±0.5Hz之间,可取η的大小为0.5Hz。
可选地,所述步骤S50的具体步骤为:
构建了一个二元假设检验,将假设H0与假设H1区分开来,二元假设分别如下公式(19)和公式(20)表示:
H0:Z(n)=ωe(n) (19)
H1:Z(n)=he(n)+ωe(n) (20)
睡眠状态中的Z(n)由杂波能量残差以及生命运动引起的微多普勒能量ωe(n)构成,而睡眠特征事件Z(n)由ωe(n)和he(n)组成,其中he(n)是由目标活动引起的微多普勒能量;由于P(Z|H1)和P(Z|H0)是在H1和H0下的条件概率密度函数,P(Z|H1)和P(Z|H0)之间的比值为似然比,并与第二阈值γ作比较,如下公式(21)表示:
为实现上述目的,本发明还提供一种基于雷达的睡眠质量监测装置,所述装置包括存储器和处理器,所述存储器上存储有可在所述处理器上运行的基于雷达的睡眠质量监测程序,所述基于雷达的睡眠质量监测程序被所述处理器执行时实现上述基于雷达的睡眠特征事件检测方法的步骤。
为实现上述目的,本发明还提供一种存储介质,所述存储介质上存储有基于雷达的睡眠质量监测程序,所述基于雷达的睡眠质量监测程序可被一个或者多个处理器执行,以实现上述基于雷达的睡眠特征事件检测方法的步骤。
本发明提出的基于雷达的睡眠特征事件检测方法,通过构建了一个二元假设检验,H0:Z(n)=ωe(n)、H1:Z(n)=he(n)+ωe(n)、通过H0和H1获得检测器的似然比;通过分析睡眠特征事件和睡眠事件的能量爆发曲线分布,对睡眠事件和睡眠特征事件的能量爆发曲线的分布通过matlab进行拟合,判断P(Z|H1)和P(Z|H0)的分布是否服从对数正态分布,然后对能量爆发曲线的数值通过自适应对数双门限恒虚警检测器进行检测;通过本发明的技术方案,可以确定能量爆发曲线特征在取对数值后符合正态分布,并以此设计了一款自适应对数双门限恒虚警检测器用于检测睡眠特征事件。
附图说明
图1为本发明一实施例提供的基于雷达的睡眠特征事件检测方法的流程示意图。
图2为图1中的睡眠事件的能量爆发曲线的分布示意图。
图3为图1中的睡眠特征事件的能量爆发曲线的分布示意图。
图4为图1中步骤S60中睡眠特征事件的能量爆发曲线的拟合示意图。
图5为图1中步骤S60中睡眠事件的能量爆发曲线的拟合示意图。
图6为图1中步骤S70的自适应对数双门限恒虚警(ADT-CFAR)检测器的算法框图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
请参看图1,本发明提供一种基于雷达的睡眠特征事件检测方法,所述基于雷达的睡眠特征事件检测方法包括以下步骤:
步骤S10:通过雷达向其检测范围内的睡眠者发射波形并接收目标回波信号,建立回波信号模型;
具体地,雷达发射的信号碰到周围物体后反射回来,被雷达接收机接收,如下公式(10)所示,RF(射频)回波模型可描述为:
R′(m,n)=R′t(m,n)+R′u(m,n)+R′ω(m,n) (12)
步骤S20:通过对接收的回波信号进行预处理,以获取抑制后的回波信号;
具体地,信号预处理主要包括杂波抑制和目标检测。
由于接收信号中存在杂波,我们通过减少杂波来改善信号的信杂比;可以通过使用传统杂波抑制方法来实现,可选地,选用线性相位有限冲激响应(FIR)滤波或自适应平均杂波抑制方法;
人体目标检测通过使用传统的恒虚警检测器来实现,可选地,选用单元平均恒虚警检测器。
步骤S30:对抑制后的回波信号进行时频变换,获取能量爆发曲线;
具体地,通过常见的时频变换方法将每个距离单元的I、Q慢时间复信号变换到频域-慢时间域,可选地,采用经典的短时傅里叶变换,如下式(13)所示:
其中W(n)是窗口函数,fn为雷达的中心频率,exp为以自然数为底的指数单位。
步骤S40:对能量爆发曲线进行滤波,通过滤波后的能量爆发曲线检测睡眠者的睡眠状态,所述睡眠状态包括第一事件和第二事件;
具体地,所述对能量爆发曲线进行滤波的步骤包括:设定第三阈值η,对时频分析获得的结果按照频率大小提取能量爆发曲线,即将频率f大于第三阈值η的所有频率分量的能量进行取模叠加;具体为:
对能量爆发曲线进具体行以下计算,得出结果值Z(n)如下公式(14)表示:
其中η是一个阈值;f为PBC的微多普勒频率数值,设置阈值为η,该值的选取规则为:考虑在睡眠状态中,人体生命运动(例如心跳频率和呼吸频率)引起的微多普勒频率主要集中在±0.2Hz-±0.5Hz之间,可取η的大小为0.5Hz。
步骤S50:构造二元假设,降低第一事件检测的虚警率,提高第二事件的检测概率;假设H0为第一事件,假设H1为第二事件,P(Z|H1)和P(Z|H0)为H1和H0下的条件概率密度函数,通过P(Z|H1)和P(Z|H0)的比值获得似然比,并设第二阈值γ,当似然比大于第二阈值γ时,表示检测到第一事件,似然比小于或者等于第二阈值γ时,表示检测到第二事件;所述第二事件为睡眠特征事件;所述第一事件为睡眠事件;
具体地,构建了一个二元假设检验,将假设H0与假设H1区分开来,二元假设分别如下公式(15)和公式(16)表示:
H0:Z(n)=ωe(n) (15)
H1:Z(n)=he(n)+ωe(n) (16)
假设H0是睡眠状态(仅由生命运动引起的微多普勒频率和残余背景杂波构成),假设H1是睡眠特征事件(例如起床,坐起和翻身);应该注意的是,睡眠状态中的Z(n)仅由杂波能量残差以及生命运动引起的微多普勒能量ωe(n)构成,而睡眠特征事件Z(n)由ωe(n)和he(n)组成,其中he(n)是由目标活动引起的微多普勒能量。
请参看图2和图3,图2和图3分别为睡眠事件和睡眠特征事件的能量爆发曲线的分布示意图,图2和图3的横坐标表示能量,纵坐标表示数量;通过图2和图3可以直观的看出能量爆发曲线的分布状态;
下面具体描述步骤S60中是如何通过第一事件和第二事件的条件概率密度函数确定能量爆发曲线的分布状态的。具体地,步骤S60:对第一事件和第二事件的能量爆发曲线进行变换,在这里我们采用的是对能量爆发曲线的数值取对数,然后通过该对数值是否符合正态分布函数,进而确定第一事件和第二事件的条件概率密度分布是符合对数正态分布曲线的,并通过matlab(matrix laboratory,矩阵实验室)对数据进行拟合;其中,第一事件的条件概率密度函数分别表示为P(Z|H1),第二事件的条件概率密度函数表示为P(Z|H0),H0为第一事件,H1为第二事件;然后执行步骤S70;
步骤S70:对能量爆发曲线的数值进行恒虚警检测。
另外应当指出的是,在进行的500组实验中,每组实验中的P(Z|H1)和P(Z|H0)均服从正态分布,因此该能量爆发曲线均符合对数正态分布;
再请参看图4和图5,图4和图5的横坐标表示能量,纵坐标表示数量;通过图4和图5可直观的看出,睡眠特征事件和睡眠事件均服从对数高斯分布,且可以发现睡眠特征事件和睡眠事件的均值和方差有较大的差异,由此通过自适应阈值的方法对睡眠特征事件进行检测。
具体地,通过实验分析睡眠特征事件和睡眠事件的PBC分布,如图2和图3所示,并对能量爆发曲线的数值取对数,如图4和图5,确定睡眠特征事件和睡眠事件均服从正态分布,再通过matlab中cftool进行拟合,步骤S70中对能量爆发曲线的数值进行恒虚警检测采用对能量爆发曲线的数值进行自适应对数双门限恒虚警检测器的检测;
具体地,自适应对数双门限恒虚警检测器的似然比,由下式(17)表示:
其中,P(Z|H1)和P(Z|H0)分别是H1和H0下的条件概率密度函数,并且阈值γ的设定主要是用于平衡虚警率和漏警率,因为Λ表示,当Λ大于γ时,表示检测器检测到了H1事件,Λ小于和等于γ的时候表示检测到了H0事件。
P(Z|H1)和P(Z|H0)的均值和方差存在差异,因此,我们将基于对数正态分布来设计检测器。
请参看图6,图6为步骤S70的自适应对数双门限恒虚警(ADT-CFAR)检测器的算法整体框图,通过该算法自适应估计能量爆发曲线的均值和方差;
步骤S71:自适应估计能量爆发曲线的均值和方差;其中自适应估计能量爆发曲线的均值和方差包括:
步骤S711:对Z(n)取以自然数为底的对数,如下公式(18)表示:
Z′(n)=ln|Z(n)| (18)
其中Z(n)是第n个能量爆发曲线元素的值;
步骤S712:通过自适应高斯均值算法得到第n个对数能量爆发曲线元素的均值和方差,均值μ(n)如下公式(19)表示;方差σ2(n)如下公式(20)表示:
μ(n)=W·μ(n-1)+(1-W)(βμ(n-1)+(1-β)Z′(n)) (19)
σ2(n)=W·σ2(n-1)+(1-W)(βσ(n-1)2+(1-β)(Z′(n)-μ(n))2) (20)
其中μ(n-1),σ2(n-1)分别是上一次计算出的均值和方差,β是权重,作为稳定性和快速更新之间的权衡,W是二进制值,睡眠特征事件发生时W的值为1,睡眠事件发生时W的值为0;通过W来选择性地更新μ(n)和σ2(n)。
在所述步骤S712之后,所述步骤S70还包括:
步骤S72:一次阈值的检测,所述一次阈值的检测用于判断检测器检测到的是第一事件或者第二事件;
其中,所述一次阈值的检测包括:
步骤S721:设置第二阈值γ以检查每个能量爆发曲线元素的值是否符合如下公式(21):
其中,第二阈值γ的设定用于平衡虚警率和漏警率,表示,当Z′(n)-μ(n)大于γσ(n)时,检测到第二事件,即睡眠特征事件;当Z′(n)-μ(n)小于或等于γσ(n)时,检测到第一事件,即睡眠事件;n为帧数。
步骤S73:持续时间二次阈值的检测,所述二次阈值检测用于降低所述一次阈值检测的虚警值;
其中,所述持续时间二次阈值检测包括:
步骤S731:设定二次阈值T,一次阈值检测中第一次检测到睡眠特征元素的时间记为t1,持续时间记为t,将检测结果记为nt,并将睡眠特征元素的结果记为1,将睡眠元素的结果记为0,t1+t时间段内的n的数值求和为T1与二次阈值T进行比较,T1≥T时,睡眠特征事件发生;T1<T时,睡眠事件发生。具体地,当能量爆发曲线的数值超过一次阈值时,表示第一次检测到睡眠特征元素,将该时间记为t1,继续进行一次检测,从第一次检测到睡眠特征元素开始起算,当检测到睡眠元素时,该事件记为t2,t1和t2之间的持续时间为t,当时间段t内对nt进行求和得出结果T1,T1≥T时,输出结果为睡眠特征事件发生;T1<T时,输出结果为睡眠事件发生。
下面具体描述基于雷达的睡眠特征事件检测方法,具体地,基于雷达的睡眠特征事件检测方法为基于雷达的自适应对数双门限睡眠特征事件检测方法(简记为ADT-CFAR),ADT-CFAR检测器性能与传统的单元平均恒虚警检测器(CA-CFAR),基于高斯分布的自适应双门限检测器(GSWSD)以及基于对数正态分布的自适应门限无二次检测的检测器(LWSD)进行比较。雷达的参数如表1所示。在实验中,雷达放置在睡眠者的右侧,雷达天线垂直于地面,距离1.5米。人体周围有一些静态杂波,如床,桌子,椅子,地面和支撑架。
首先我们评估睡眠特征事件中的翻身进行检测器性能评估,在进行的500组实验中,每组实验检测器均至少检测200次;下面描述其中一组实验的过程,睡眠者首先平躺30秒,然后向左翻身或者向右翻身,最后保持此状态30秒。四个检测器检测翻身的结果如表2所示。
参数 | 数值 |
中心频率(fc) | 7.29GHz |
采样频率 | 23.328GHz |
脉冲重复频率 | 17Hz |
带宽 | 1.5GHz |
测量范围L | 0.45m≤L≤9.9m |
测量角度A | -65°≤A≤+65° |
表1
检测器 | <![CDATA[检测概率(P<sub>d</sub>)]]> | <![CDATA[虚警概率(P<sub>fa</sub>)]]> |
CA-CFAR | 98.3703% | 3.1128% |
GSWSD | 98.9678 | 4.5759% |
LWSD | 99.7284% | 5.7602% |
ADT-CFAR | 99.5654% | 1.0032% |
表2
检测器 | <![CDATA[检测概率(P<sub>d</sub>)]]> | <![CDATA[虚警概率(P<sub>fa</sub>)]]> |
CA-CFAR | 98.1895% | 2.9042% |
GSWSD | 98.8501% | 4.1267% |
LWSD | 99.8043% | 6.0457% |
ADT-CFAR | 99.6575% | 2.2224% |
表3
从表2可以看出,与CA-CFAR和GSWSD相比,ADT-CFAR检测器在虚警率足够低的情况下表现出更好的检测概率;与LWSD相比,ADT-CFAR检测器的检测概率仅比它低0.15%,但虚警率仅为其中的五分之一;最后,表3显示了三个睡眠特征事件的四个检测器结果。从结果来看,可以得到相同的结论,即ADT-CFAR检测器在相同虚警率下的检测概率优于传统的检测器。
本发明还公开一种基于雷达的睡眠质量监测装置,所述装置包括存储器和处理器,所述存储器上存储有可在所述处理器上运行的基于雷达的睡眠质量监测程序,所述基于雷达的睡眠质量监测程序被所述处理器执行时实现上述基于雷达的睡眠特征事件检测方法的步骤。
本发明还公开一种存储介质,所述存储介质上存储有基于雷达的睡眠质量监测程序,所述基于雷达的睡眠质量监测程序可被一个或者多个处理器执行,以实现上述基于雷达的睡眠特征事件检测方法的步骤。
需要说明的是,上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。并且本文中的术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、装置、物品或者方法不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、装置、物品或者方法所固有的要素。在没有更多限制的情况下,由语句“包括一……”限定的要素,并不排除在包括该要素的过程、装置、物品或者方法中还存在另外的相同要素。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种基于雷达的睡眠特征事件检测方法,其特征在于:所述方法包括:
步骤S10:通过雷达向其检测范围内的睡眠者发射波形并接收目标回波信号,建立回波信号模型;
步骤S20:通过对接收的回波信号进行预处理,以获取抑制后的回波信号;
步骤S30:对抑制后的回波信号进行时频变换,获取能量爆发曲线;
步骤S40:对能量爆发曲线进行滤波,通过滤波后的能量爆发曲线检测睡眠者的睡眠状态,所述睡眠状态包括第一事件和第二事件;
步骤S50:构造二元假设,降低第一事件检测的虚警率,提高第二事件的检测概率;
步骤S60:对第一事件和第二事件的能量爆发曲线进行变换,确定第一事件和第二事件的条件概率密度分布,并通过matlab(matrix laboratory,矩阵实验室)对数据进行拟合;其中,第一事件的条件概率密度函数分别表示为P(Z|H1),第二事件的条件概率密度函数表示为P(Z|H0),H0为第一事件,H1为第二事件;
步骤S70:对能量爆发曲线的数值进行恒虚警检测;
所述第一事件为睡眠事件,所述第二事件为睡眠特征事件。
2.如权利要求1所述的基于雷达的睡眠特征事件检测方法,其特征在于:所述步骤S70中对能量爆发曲线的数值进行恒虚警检测方式选用自适应对数双门限恒虚警检测器检测,具体步骤如下:
步骤S71:自适应估计能量爆发曲线的均值和方差;其中自适应估计能量爆发曲线的均值和方差包括:
步骤S711:对Z(n)取以自然数为底的对数,如下公式(10)表示:
Z′(n)=ln|Z(n)| (10)
其中Z(n)是第n个能量爆发曲线元素的值;
步骤S712:通过自适应高斯均值算法得到第n个对数能量爆发曲线元素的均值和方差,均值μ(n)如下公式(11)表示;方差σ2(n)如下公式(12)表示:
μ(n)=W·μ(n-1)+(1-W)(βμ(n-1)+(1-β)Z′(n)) (11)
σ2(n)=W·σ2(n-1)+(1-W)(βσ(n-1)2+(1-β)(Z′(n)-μ(n))2) (12)
其中μ(n-1),σ2(n-1)分别是上一次计算出的均值和方差,β是权重,作为稳定性和快速更新之间的权衡,W是二进制值,睡眠特征事件发生时W的值为1,睡眠事件发生时W的值为0。
8.如权利要求1所述的基于雷达的睡眠特征事件检测方法,其特征在于:所述步骤S50的具体步骤为:
构建了一个二元假设检验,将假设H0与假设H1区分开来,二元假设分别如下公式(19)和公式(20)表示:
H0:Z(n)=ωe(n)(19)
H1:Z(n)=he(n)+ωe(n)(20)
睡眠状态中的Z(n)由杂波能量残差以及生命运动引起的微多普勒能量ωe(n)构成,而睡眠特征事件Z(n)由ωe(n)和he(n)组成,其中he(n)是由目标活动引起的微多普勒能量;由于P(Z|H1)和P(Z|H0)是在H1和H0下的条件概率密度函数,P(Z|H1)和P(Z|H0)之间的比值为似然比,并与第二阈值γ作比较,如下公式(21)表示:
9.一种基于雷达的睡眠质量监测装置,其特征在于,所述装置包括存储器和处理器,所述存储器上存储有可在所述处理器上运行的基于雷达的睡眠质量监测程序,所述基于雷达的睡眠质量监测程序被所述处理器执行时实现如权利要求1至8中任一项所述的基于雷达的睡眠特征事件检测方法的步骤。
10.一种存储介质,其特征在于,所述存储介质上存储有基于雷达的睡眠质量监测程序,所述基于雷达的睡眠质量监测程序可被一个或者多个处理器执行,以实现如权利要求1至8中任一项所述的基于雷达的睡眠特征事件检测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910786146.6A CN110693454B (zh) | 2019-08-23 | 2019-08-23 | 基于雷达的睡眠特征事件检测方法、装置及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910786146.6A CN110693454B (zh) | 2019-08-23 | 2019-08-23 | 基于雷达的睡眠特征事件检测方法、装置及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110693454A CN110693454A (zh) | 2020-01-17 |
CN110693454B true CN110693454B (zh) | 2023-04-25 |
Family
ID=69193456
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910786146.6A Active CN110693454B (zh) | 2019-08-23 | 2019-08-23 | 基于雷达的睡眠特征事件检测方法、装置及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110693454B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111374641B (zh) * | 2020-03-09 | 2023-12-19 | 深圳大学 | 睡眠特征事件的识别方法、装置、计算机设备和存储介质 |
CN113208566B (zh) * | 2021-05-17 | 2023-06-23 | 深圳大学 | 一种数据处理方法、装置、电子设备及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106501785A (zh) * | 2016-09-13 | 2017-03-15 | 深圳大学 | 一种基于交替方向乘子法的稳健稀疏恢复stap方法及其系统 |
CN108388912A (zh) * | 2018-02-08 | 2018-08-10 | 南京理工大学 | 基于多传感器特征优化算法的睡眠分期方法 |
CN108416367A (zh) * | 2018-02-08 | 2018-08-17 | 南京理工大学 | 基于多传感器数据决策级融合的睡眠分期方法 |
CN109480787A (zh) * | 2018-12-29 | 2019-03-19 | 中国科学院合肥物质科学研究院 | 一种基于超宽带雷达的非接触式睡眠监测设备及睡眠分期方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180353138A1 (en) * | 2015-12-08 | 2018-12-13 | Resmed Limited | Non-contact diagnosis and monitoring of sleep disorders |
-
2019
- 2019-08-23 CN CN201910786146.6A patent/CN110693454B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106501785A (zh) * | 2016-09-13 | 2017-03-15 | 深圳大学 | 一种基于交替方向乘子法的稳健稀疏恢复stap方法及其系统 |
CN108388912A (zh) * | 2018-02-08 | 2018-08-10 | 南京理工大学 | 基于多传感器特征优化算法的睡眠分期方法 |
CN108416367A (zh) * | 2018-02-08 | 2018-08-17 | 南京理工大学 | 基于多传感器数据决策级融合的睡眠分期方法 |
CN109480787A (zh) * | 2018-12-29 | 2019-03-19 | 中国科学院合肥物质科学研究院 | 一种基于超宽带雷达的非接触式睡眠监测设备及睡眠分期方法 |
Non-Patent Citations (1)
Title |
---|
基于体动射频信号的睡眠分期;徐礼胜等;《东北大学学报(自然科学版)》;20160831;第37卷(第08期);第1079-1083页 * |
Also Published As
Publication number | Publication date |
---|---|
CN110693454A (zh) | 2020-01-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Immoreev et al. | UWB radar for patient monitoring | |
US10401479B2 (en) | Remote sensing of human breathing at a distance | |
Kaltiokallio et al. | Non-invasive respiration rate monitoring using a single COTS TX-RX pair | |
US20140378809A1 (en) | Systems and methods for extracting physiological characteristics using frequency harmonics | |
CN106821347A (zh) | 一种fmcw宽带生命探测雷达呼吸和心跳信号提取算法 | |
US20210353156A1 (en) | Direct rf signal processing for heart-rate monitoring using uwb impulse radar | |
CN110693454B (zh) | 基于雷达的睡眠特征事件检测方法、装置及存储介质 | |
US10561358B2 (en) | Biometric device and biometric method | |
JP6222454B2 (ja) | 生体情報測定装置及び生体情報測定方法 | |
US11525889B2 (en) | Non-contact method for detectiing and distinguishing human and animal based on IR-UWB bio-radar signal | |
CN110879388B (zh) | 基于ir-uwb生物雷达信号的人与动物非接触探测区分方法 | |
CN112244794B (zh) | 基于周期性特征的生命体征检测方法、装置和存储介质 | |
TW201225912A (en) | Method for measuring physiological parameters | |
Uysal et al. | RF-based noncontact respiratory rate monitoring with parametric spectral estimation | |
CN114305355B (zh) | 基于毫米波雷达的呼吸心跳检测方法、系统及装置 | |
CN114509749A (zh) | 一种室内定位检测系统及方法 | |
Liu et al. | mmRH: Noncontact vital sign detection with an FMCW mm-wave radar | |
CN114442079A (zh) | 目标对象的跌倒检测方法及装置 | |
Uysal et al. | A new RF sensing framework for human detection through the wall | |
Acar et al. | Wavelet based denoising of the simulated chest wall motion detected by SFCW radar | |
Hellicar et al. | An algorithm for the automatic analysis of signals from an oyster heart rate sensor | |
Yang et al. | A method of UWB radar vital detection based on P time extraction of strong vital signs | |
CN110269642A (zh) | 基于分数阶傅里叶变换和小波变换的多普勒心率估计方法 | |
Chen et al. | A Novel Scheme for Suppression of Human Motion Effects in Non-Contact Heart Rate Detection | |
Zhou et al. | A modified two-dimension EEMD method for breathing and heart rates monitoring via through-wall IR-UWB radar |
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 |