CN111142102A - 一种呼吸数据计算方法以及相关设备 - Google Patents
一种呼吸数据计算方法以及相关设备 Download PDFInfo
- Publication number
- CN111142102A CN111142102A CN201911371118.4A CN201911371118A CN111142102A CN 111142102 A CN111142102 A CN 111142102A CN 201911371118 A CN201911371118 A CN 201911371118A CN 111142102 A CN111142102 A CN 111142102A
- Authority
- CN
- China
- Prior art keywords
- respiratory
- distance
- point data
- signal
- value
- 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
Images
Classifications
-
- 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
-
- 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
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Medical Informatics (AREA)
- Physiology (AREA)
- Pulmonology (AREA)
- Electromagnetism (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- General Physics & Mathematics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本申请实施例公开一种呼吸数据获取方法,应用于呼吸检测技术,包括发送雷达信号;接收所述雷达信号的反射信号;根据所述反射信号计算距离傅里叶谱以及多个幅度数据;从所述一个或多个反射强度峰值中获取与目标对象对应的反射强度峰值,所述反射强度峰值对应于目标距离值;从所述多个距离值中确定多个第一距离值,并基于所述多个第一距离值对应的幅度数据计算所述目标对象的呼吸采样点数据,其中每个第一距离值与所述目标距离值之间的距离小于第一预设值。通过上述方式,在反射强度波峰附近的多个第一距离值上提取幅度数据,并基于获取到的多个幅度数据来计算目标对象的呼吸采样点数据,增加了呼吸信号提取的稳定性。
Description
技术领域
本申请涉及人工智能领域,尤其涉及一种呼吸数据计算方法以及相关设备。
背景技术
呼吸是实现人体内部与外部气体交换的唯一方式,是人体重要的生命体征,异常呼吸往往暗示身体某些部位出现了问题,严重的呼吸异常如呼吸暂停危及生命。
睡眠中的异常呼吸常常不容易被发现,有些呼吸异常甚至只在睡眠时发生,清醒时不发生,睡眠时人体意识薄弱,异常发生时人往往察觉不到,从而错过发现身体问题的机会。目前主流的呼吸检测方法包括接触式测量和非接触式测量,接触式测量即使用检测工具接触人体的测量方式,包括呼吸带、手环、手表等,适合家居使用,但是舒适感差,非接触式异常呼吸检测,舒适度高,可以长时间检测,不会干扰人身体状态,能记录最真实的呼吸情况。
非接触式的测量方式目前主要采用微波雷达呼吸监测,呼吸时胸腹部的微动会作用于雷达反射信号,通过解析雷达发射信号和反射信号来提取呼吸信号,Range-bin位置提取呼吸信号,若是该位置不准确,则可能提取不到呼吸信号或是呼吸信号幅度过低,易受到噪声的干扰。
由于硬件算力、天线形态、价格等原因,基于FMCW的雷达呼吸监测法其距离、角度分辨率不能无限制提高,再加上反射、折射、多径叠加等效应,较难准确的定位测量人体呼吸信号所对应的Range-FFT频点位置,频点位置不准确,则会影响呼吸信号的获取。现有技术基于单一的频点Range-bin位置提取呼吸信号,若是该频点Range-bin位置不准确,则可能提取不到呼吸信号或是呼吸信号幅度过低。
发明内容
第一方面,本申请提供了一种呼吸数据获取方法,所述方法包括:
发送雷达信号;接收所述雷达信号的反射信号;根据所述反射信号计算距离傅里叶谱以及多个幅度数据;其中,所述距离傅里叶谱包括多个距离值以及每个距离值对应的信号反射强度,每个幅度数据对应于一个距离值,所述幅度数据用于表示对应的距离值的运动幅度,所述距离傅里叶谱包括一个或多个反射强度峰值;从所述一个或多个反射强度峰值中获取与目标对象对应的反射强度峰值,所述反射强度峰值对应于目标距离值;从所述多个距离值中确定多个第一距离值,并基于所述多个第一距离值对应的幅度数据计算所述目标对象的呼吸采样点数据,其中每个第一距离值与所述目标距离值之间的距离小于第一预设值。本实施例中,在上述第一反射强度波峰附近的多个第一距离值上提取幅度数据,并基于获取到的多个幅度数据来计算目标对象的呼吸采样点数据,增加了呼吸信号提取的稳定性。
可选的,在第一方面的一种可选设计中,所述目标对象的呼吸采样点数据为所述多个幅度数据的加权平均值。
可选的,在第一方面的一种可选设计中,所述从所述一个或多个反射强度峰值中获取与目标对象对应的反射强度峰值,包括:
计算所述反射信号的距离多普勒谱;
根据所述距离多普勒谱得到多个距离速率谱点云数据,每个距离速率谱点云数据包括一个距离值以及对应的多普勒速率;
基于距离值和多普勒速率,通过聚类算法对所述多个点云数据进行聚类,得到目标对象对应的多个点云数据;
根据所述目标对象对应的多个点云数据获取所述目标对象对应的第二距离值,所述第二距离值与所述目标对象对应的多个点云数据包括的多个距离值有关,所述与目标对象对应的反射强度峰值为所述目标距离值对应的反射强度峰值,所述第二距离值与所述目标距离值的差值的绝对值小于第二预设值。
可选的,在第一方面的一种可选设计中,所述第二距离值为所述目标对象对应的多个点云数据包括的多个距离值的加权平均值。
可选的,在第一方面的一种可选设计中,所述从所述一个或多个反射强度峰值中获取与目标对象对应的反射强度峰值,包括:
计算所述第一反射信号的距离多普勒谱,根据所述距离多普勒谱得到多个位置速率谱点云数据,每个位置速率谱点云数据包括一个位置坐标以及对应的多普勒速率;
基于位置坐标和多普勒速率,通过聚类算法对所述多个点云数据进行聚类,得到目标对象对应的多个点云数据;
根据所述目标对象对应的多个点云数据获取所述目标对象对应的第二距离值,所述第二距离值与所述目标对象对应的多个点云数据包括的多个位置坐标有关,所述与目标对象对应的反射强度峰值为所述目标距离值对应的反射强度峰值,所述第二距离值与所述目标距离值的差值的绝对值小于第二预设值。
可选的,在第一方面的一种可选设计中,所述第二距离值为与所述目标对象对应的多个点云数据包括的多个位置坐标的中心位置的距离值。
可选的,在第一方面的一种可选设计中,所述一个或多个反射强度峰值包括第二反射强度峰值,所述第二反射强度峰值对应于第三距离值,所述第二距离值与所述目标距离值的差值绝对值为第一差值绝对值,所述第三距离值与所述第二距离值的差值绝对值为第二差值绝对值,所述第一差值绝对值小于所述第二差值绝对值。
可选的,在第一方面的一种可选设计中,所述第二反射强度峰值和所述反射强度峰值大于目标阈值。
可选的,在第一方面的一种可选设计中,每个点云数据还包括信噪比,目标对象对应的多个点云数据中的每个点云数据至少满足如下条件中的一个:
包括的多普勒速率大于或等于第一阈值;或
包括的信噪比小于或等于第二阈值。
第二方面,本申请提供了一种呼吸信号获取方法,所述方法包括:
发送多个雷达信号;
接收所述多个雷达信号的多个反射信号;
根据所述多个反射信号计算每个反射信号的距离傅里叶谱以及多个幅度数据;其中,所述距离傅里叶谱包括多个距离值以及每个距离值对应的信号反射强度,每个幅度数据对应于一个距离值,所述幅度数据用于表示对应的距离值的运动幅度,所述距离傅里叶谱包括一个或多个反射强度峰值;
从每个距离傅里叶谱包括的一个或多个反射强度峰值中获取与目标对象对应的反射强度峰值,所述反射强度峰值对应于目标距离值;
从每个距离傅里叶谱包括的多个距离值中确定多个第一距离值,并基于所述多个第一距离值对应的幅度数据计算所述目标对象的呼吸采样点数据,其中每个第一距离值与所述目标距离值之间的距离小于第一预设值,每个距离傅里叶谱对应一个呼吸采样点数据;
基于获取到的多个呼吸采样点数据计算目标对象的呼吸信号,所述呼吸信号包括在时间上排列的多个呼吸采样点数据。
可选的,在第二方面的一种可选设计中,所述多个呼吸采样点数据包括多个第一呼吸采样点数据以及第二呼吸采样点数据,其中,所述第二呼吸采样点数据大于每个第一呼吸采样点数据,所述方法还包括:
基于标准值对所述多个第一呼吸采样点数据以及第二呼吸采样点数据进行归一化处理,其中,所述标准值为对所述多个第一呼吸采样点数据进行统计运算得到的。
可选的,在第二方面的一种可选设计中,所述多个呼吸采样点数据包括多个第一呼吸采样点数据以及第三呼吸采样点数据,其中,所述第三呼吸采样点数据的幅值小于第三预设值,所述方法还包括:
对所述多个第一呼吸采样点数据以及第三呼吸采样点数据进行归一化处理,得到归一化处理后的第三呼吸采样点数据,所述归一化处理后的第三呼吸采样点数据与所述第三呼吸采样点数据的幅值的差值小于第四预设值。
可选的,在第二方面的一种可选设计中,所述方法还包括:
按照第一时间窗提取所述呼吸信号的第一呼吸特征,所述第一窗表示通过多个时间间隔;
以所述第一呼吸特征作为输入特征,通过呼吸分类模型得到所述目标对象的第一呼吸类型。
可选的,在第二方面的一种可选设计中,所述方法还包括:
按照第二时间窗提取所述呼吸信号的第二呼吸特征,所述第二时间窗表示通过至少一个时间间隔;
以所述第二呼吸特征作为输入特征,通过呼吸分类模型得到所述目标对象的第二呼吸类型,其中,所述第二呼吸类型对应于目标置信度;
基于所述目标置信度小于预设置信度,通过第三时间窗提取所述呼吸信号的第三呼吸特征,所述第三时间窗表示通过至少一个时间间隔,且所述第二时间窗与所述第三时间窗为不同的时间窗;
以所述第三呼吸特征作为输入特征,通过呼吸分类模型确定所述目标对象的第三呼吸类型。
第三方面,本申请提供了一种呼吸数据获取装置,包括:
发送模块,用于发送雷达信号;
接收模块,用于接收所述雷达信号的反射信号;
处理模块,用于根据所述反射信号计算距离傅里叶谱以及多个幅度数据;其中,所述距离傅里叶谱包括多个距离值以及每个距离值对应的信号反射强度,每个幅度数据对应于一个距离值,所述幅度数据用于表示对应的距离值的运动幅度,所述距离傅里叶谱包括一个或多个反射强度峰值;
从所述一个或多个反射强度峰值中获取与目标对象对应的反射强度峰值,所述反射强度峰值对应于目标距离值;
从所述多个距离值中确定多个第一距离值,并基于所述多个第一距离值对应的幅度数据计算所述目标对象的呼吸采样点数据,其中每个第一距离值与所述目标距离值之间的距离小于第一预设值。
可选的,在第三方面的一种可选设计中,所述目标对象的呼吸采样点数据为所述多个幅度数据的加权平均值。
可选的,在第三方面的一种可选设计中,所述处理模块,具体用于:
计算所述反射信号的距离多普勒谱;
根据所述距离多普勒谱得到多个距离速率谱点云数据,每个距离速率谱点云数据包括一个距离值以及对应的多普勒速率;
基于距离值和多普勒速率,通过聚类算法对所述多个点云数据进行聚类,得到目标对象对应的多个点云数据;
根据所述目标对象对应的多个点云数据获取所述目标对象对应的第二距离值,所述第二距离值与所述目标对象对应的多个点云数据包括的多个距离值有关,所述与目标对象对应的反射强度峰值为所述目标距离值对应的反射强度峰值,所述第二距离值与所述目标距离值的差值的绝对值小于第二预设值。
可选的,在第三方面的一种可选设计中,所述第二距离值为所述目标对象对应的多个点云数据包括的多个距离值的加权平均值。
可选的,在第三方面的一种可选设计中,所述处理模块,具体用于:
计算所述第一反射信号的距离多普勒谱,根据所述距离多普勒谱得到多个位置速率谱点云数据,每个位置速率谱点云数据包括一个位置坐标以及对应的多普勒速率;
基于位置坐标和多普勒速率,通过聚类算法对所述多个点云数据进行聚类,得到目标对象对应的多个点云数据;
根据所述目标对象对应的多个点云数据获取所述目标对象对应的第二距离值,所述第二距离值与所述目标对象对应的多个点云数据包括的多个位置坐标有关,所述与目标对象对应的反射强度峰值为所述目标距离值对应的反射强度峰值,所述第二距离值与所述目标距离值的差值的绝对值小于第二预设值。
可选的,在第三方面的一种可选设计中,所述第二距离值为与所述目标对象对应的多个点云数据包括的多个位置坐标的中心位置的距离值。
可选的,在第三方面的一种可选设计中,所述一个或多个反射强度峰值包括第二反射强度峰值,所述第二反射强度峰值对应于第三距离值,所述第二距离值与所述目标距离值的差值绝对值为第一差值绝对值,所述第三距离值与所述第二距离值的差值绝对值为第二差值绝对值,所述第一差值绝对值小于所述第二差值绝对值。
可选的,在第三方面的一种可选设计中,所述第二反射强度峰值和所述反射强度峰值大于目标阈值。
可选的,在第三方面的一种可选设计中,每个点云数据还包括信噪比,目标对象对应的多个点云数据中的每个点云数据至少满足如下条件中的一个:
包括的多普勒速率大于或等于第一阈值;或
包括的信噪比小于或等于第二阈值。
第四方面,本申请提供了一种呼吸信号获取装置,包括:
发送模块,用于发送多个雷达信号;
接收模块,用于接收所述多个雷达信号的多个反射信号;
处理模块,用于根据所述多个反射信号计算每个反射信号的距离傅里叶谱以及多个幅度数据;其中,所述距离傅里叶谱包括多个距离值以及每个距离值对应的信号反射强度,每个幅度数据对应于一个距离值,所述幅度数据用于表示对应的距离值的运动幅度,所述距离傅里叶谱包括一个或多个反射强度峰值;
从每个距离傅里叶谱包括的一个或多个反射强度峰值中获取与目标对象对应的反射强度峰值,所述反射强度峰值对应于目标距离值;
从每个距离傅里叶谱包括的多个距离值中确定多个第一距离值,并基于所述多个第一距离值对应的幅度数据计算所述目标对象的呼吸采样点数据,其中每个第一距离值与所述目标距离值之间的距离小于第一预设值,每个距离傅里叶谱对应一个呼吸采样点数据;
基于获取到的多个呼吸采样点数据计算目标对象的呼吸信号,所述呼吸信号包括在时间上排列的多个呼吸采样点数据。
可选的,在第四方面的一种可选设计中,所述多个呼吸采样点数据包括多个第一呼吸采样点数据以及第二呼吸采样点数据,其中,所述第二呼吸采样点数据大于每个第一呼吸采样点数据,所述处理模块还用于:
基于标准值对所述多个第一呼吸采样点数据以及第二呼吸采样点数据进行归一化处理,其中,所述标准值为对所述多个第一呼吸采样点数据进行统计运算得到的。
可选的,在第四方面的一种可选设计中,所述多个呼吸采样点数据包括多个第一呼吸采样点数据以及第三呼吸采样点数据,其中,所述第三呼吸采样点数据的幅值小于第三预设值,所述处理模块还用于:
对所述多个第一呼吸采样点数据以及第三呼吸采样点数据进行归一化处理,得到归一化处理后的第三呼吸采样点数据,所述归一化处理后的第三呼吸采样点数据与所述第三呼吸采样点数据的幅值的差值小于第四预设值。
可选的,在第四方面的一种可选设计中,所述处理模块还用于:
按照第一时间窗提取所述呼吸信号的第一呼吸特征,所述第一窗表示通过多个时间间隔;
以所述第一呼吸特征作为输入特征,通过呼吸分类模型得到所述目标对象的第一呼吸类型。
可选的,在第四方面的一种可选设计中,所述处理模块还用于:
按照第二时间窗提取所述呼吸信号的第二呼吸特征,所述第二时间窗表示通过至少一个时间间隔;
以所述第二呼吸特征作为输入特征,通过呼吸分类模型得到所述目标对象的第二呼吸类型,其中,所述第二呼吸类型对应于目标置信度;
基于所述目标置信度小于预设置信度,通过第三时间窗提取所述呼吸信号的第三呼吸特征,所述第三时间窗表示通过至少一个时间间隔,且所述第二时间窗与所述第三时间窗为不同的时间窗;
以所述第三呼吸特征作为输入特征,通过呼吸分类模型确定所述目标对象的第三呼吸类型。
第五方面,本申请提供了一种微波雷达装置,包括雷达天线和处理器,所述处理器与所述雷达天线通信连接,所述雷达天线,用于发送雷达信号,接收所述雷达信号的反射信号,并将所述反射信号输送至所述处理器;
所述处理器,用于根据所述反射信号计算距离傅里叶谱以及多个幅度数据;其中,所述距离傅里叶谱包括多个距离值以及每个距离值对应的信号反射强度,每个幅度数据对应于一个距离值,所述幅度数据用于表示对应的距离值的运动幅度,所述距离傅里叶谱包括一个或多个反射强度峰值;从所述一个或多个反射强度峰值中获取与目标对象对应的反射强度峰值,所述反射强度峰值对应于目标距离值;从所述多个距离值中确定多个第一距离值,并基于所述多个第一距离值对应的幅度数据计算所述目标对象的呼吸采样点数据,其中每个第一距离值与所述目标距离值之间的距离小于第一预设值。
可选的,在第五方面的一种可选设计中,所述目标对象的呼吸采样点数据为所述多个幅度数据的加权平均值。
可选的,在第五方面的一种可选设计中,所述处理器,具体用于:
计算所述反射信号的距离多普勒谱;
根据所述距离多普勒谱得到多个距离速率谱点云数据,每个距离速率谱点云数据包括一个距离值以及对应的多普勒速率;
基于距离值和多普勒速率,通过聚类算法对所述多个点云数据进行聚类,得到目标对象对应的多个点云数据;
根据所述目标对象对应的多个点云数据获取所述目标对象对应的第二距离值,所述第二距离值与所述目标对象对应的多个点云数据包括的多个距离值有关,所述与目标对象对应的反射强度峰值为所述目标距离值对应的反射强度峰值,所述第二距离值与所述目标距离值的差值的绝对值小于第二预设值。
可选的,在第五方面的一种可选设计中,所述第二距离值为所述目标对象对应的多个点云数据包括的多个距离值的加权平均值。
可选的,在第五方面的一种可选设计中,所述处理器,具体用于:
计算所述第一反射信号的距离多普勒谱,根据所述距离多普勒谱得到多个位置速率谱点云数据,每个位置速率谱点云数据包括一个位置坐标以及对应的多普勒速率;
基于位置坐标和多普勒速率,通过聚类算法对所述多个点云数据进行聚类,得到目标对象对应的多个点云数据;
根据所述目标对象对应的多个点云数据获取所述目标对象对应的第二距离值,所述第二距离值与所述目标对象对应的多个点云数据包括的多个位置坐标有关,所述与目标对象对应的反射强度峰值为所述目标距离值对应的反射强度峰值,所述第二距离值与所述目标距离值的差值的绝对值小于第二预设值。
可选的,在第五方面的一种可选设计中,所述第二距离值为与所述目标对象对应的多个点云数据包括的多个位置坐标的中心位置的距离值。
可选的,在第五方面的一种可选设计中,所述一个或多个反射强度峰值包括第二反射强度峰值,所述第二反射强度峰值对应于第三距离值,所述第二距离值与所述目标距离值的差值绝对值为第一差值绝对值,所述第三距离值与所述第二距离值的差值绝对值为第二差值绝对值,所述第一差值绝对值小于所述第二差值绝对值。
可选的,在第五方面的一种可选设计中,所述第二反射强度峰值和所述反射强度峰值大于目标阈值。
可选的,在第五方面的一种可选设计中,每个点云数据还包括信噪比,目标对象对应的多个点云数据中的每个点云数据至少满足如下条件中的一个:
包括的多普勒速率大于或等于第一阈值;或
包括的信噪比小于或等于第二阈值。
第六方面,本申请提供了一种微波雷达装置,包括雷达天线和处理器,所述处理器与所述雷达天线通信连接,所述雷达天线,用于发送多个雷达信号,接收所述多个雷达信号的多个反射信号,并将所述多个反射信号输送至所述处理器;
所述处理器,用于根据所述多个反射信号计算每个反射信号的距离傅里叶谱以及多个幅度数据;其中,所述距离傅里叶谱包括多个距离值以及每个距离值对应的信号反射强度,每个幅度数据对应于一个距离值,所述幅度数据用于表示对应的距离值的运动幅度,所述距离傅里叶谱包括一个或多个反射强度峰值;从每个距离傅里叶谱包括的一个或多个反射强度峰值中获取与目标对象对应的反射强度峰值,所述反射强度峰值对应于目标距离值;从每个距离傅里叶谱包括的多个距离值中确定多个第一距离值,并基于所述多个第一距离值对应的幅度数据计算所述目标对象的呼吸采样点数据,其中每个第一距离值与所述目标距离值之间的距离小于第一预设值,每个距离傅里叶谱对应一个呼吸采样点数据;基于获取到的多个呼吸采样点数据计算目标对象的呼吸信号,所述呼吸信号包括在时间上排列的多个呼吸采样点数据。
可选的,在第六方面的一种可选设计中,所述多个呼吸采样点数据包括多个第一呼吸采样点数据以及第二呼吸采样点数据,其中,所述第二呼吸采样点数据大于每个第一呼吸采样点数据,所述处理器还用于:
基于标准值对所述多个第一呼吸采样点数据以及第二呼吸采样点数据进行归一化处理,其中,所述标准值为对所述多个第一呼吸采样点数据进行统计运算得到的。
可选的,在第六方面的一种可选设计中,所述多个呼吸采样点数据包括多个第一呼吸采样点数据以及第三呼吸采样点数据,其中,所述第三呼吸采样点数据的幅值小于第三预设值,所述处理器还用于:
对所述多个第一呼吸采样点数据以及第三呼吸采样点数据进行归一化处理,得到归一化处理后的第三呼吸采样点数据,所述归一化处理后的第三呼吸采样点数据与所述第三呼吸采样点数据的幅值的差值小于第四预设值。
可选的,在第六方面的一种可选设计中,所述处理器还用于:
按照第一时间窗提取所述呼吸信号的第一呼吸特征,所述第一窗表示通过多个时间间隔;
以所述第一呼吸特征作为输入特征,通过呼吸分类模型得到所述目标对象的第一呼吸类型。
可选的,在第六方面的一种可选设计中,所述处理器还用于:
按照第二时间窗提取所述呼吸信号的第二呼吸特征,所述第二时间窗表示通过至少一个时间间隔;
以所述第二呼吸特征作为输入特征,通过呼吸分类模型得到所述目标对象的第二呼吸类型,其中,所述第二呼吸类型对应于目标置信度;
基于所述目标置信度小于预设置信度,通过第三时间窗提取所述呼吸信号的第三呼吸特征,所述第三时间窗表示通过至少一个时间间隔,且所述第二时间窗与所述第三时间窗为不同的时间窗;
以所述第三呼吸特征作为输入特征,通过呼吸分类模型确定所述目标对象的第三呼吸类型。
可选的,在第六方面的一种可选设计中,所述目标对象的呼吸数据为所述多个幅度数据的加权平均值。
可选的,在第六方面的一种可选设计中,所述从所述多个反射强度峰值中获取与目标对象对应的反射强度峰值,包括:
计算所述反射信号的距离多普勒谱;
根据所述距离多普勒谱得到多个距离速率谱点云数据,每个距离速率谱点云数据包括一个距离值以及对应的多普勒速率;
基于距离值和多普勒速率,通过聚类算法对所述多个点云数据进行聚类,得到目标对象对应的多个点云数据;
根据所述目标对象对应的多个点云数据获取所述目标对象对应的第二距离值,所述第二距离值与所述目标对象对应的多个点云数据包括的多个距离值有关,所述与目标对象对应的反射强度峰值为所述目标距离值对应的反射强度峰值,所述第二距离值与所述目标距离值的差值的绝对值小于第二预设值。
可选的,在第六方面的一种可选设计中,所述第二距离值为所述目标对象对应的多个点云数据包括的多个距离值的加权平均值。
可选的,在第六方面的一种可选设计中,所述从所述多个反射强度峰值中获取与目标对象对应的反射强度峰值,包括:
计算所述第一反射信号的距离多普勒谱,根据所述距离多普勒谱得到多个位置速率谱点云数据,每个位置速率谱点云数据包括一个位置坐标以及对应的多普勒速率;
基于位置坐标和多普勒速率,通过聚类算法对所述多个点云数据进行聚类,得到目标对象对应的多个点云数据;
根据所述目标对象对应的多个点云数据获取所述目标对象对应的第二距离值,所述第二距离值与所述目标对象对应的多个点云数据包括的多个位置坐标有关,所述与目标对象对应的反射强度峰值为所述目标距离值对应的反射强度峰值,所述第二距离值与所述目标距离值的差值的绝对值小于第二预设值。
可选的,在第六方面的一种可选设计中,所述第二距离值为所述目标对象对应的多个点云数据包括的多个位置坐标的加权平均值。
可选的,在第六方面的一种可选设计中,所述距离傅里叶谱包括反射强度峰值和与目标对象对应的反射强度峰值,所述反射强度峰值对应于第三距离值,所述第二距离值与所述目标距离值的差值绝对值为第一差值绝对值,所述第二距离值与所述反射强度峰值的差值绝对值为第二差值绝对值,所述第一差值绝对值小于所述第二差值绝对值。
可选的,在第六方面的一种可选设计中,每个点云数据还包括信噪比,目标对象对应的多个点云数据中的每个点云数据至少满足如下条件中的一个:
包括的多普勒速率大于或等于第一阈值;或
包括的信噪比小于或等于第二阈值。
第七方面,本申请提供了一种呼吸信号获取方法,所述方法包括:
获取目标对象的呼吸信号,所述呼吸信号包括在时间上排列的多个呼吸采样点数据,所述多个呼吸采样点数据包括多个第一呼吸采样点数据以及第二呼吸采样点数据,其中,所述第二呼吸采样点数据大于每个第一呼吸采样点数据;
基于标准值对所述多个第一呼吸采样点数据以及第二呼吸采样点数据进行归一化处理,其中,所述标准值为对所述多个第一呼吸采样点数据进行统计运算得到的。
第八方面,本申请提供了一种呼吸信号获取装置,包括:
处理模块,用于获取目标对象的呼吸信号,所述呼吸信号包括在时间上排列的多个呼吸采样点数据,所述多个呼吸采样点数据包括多个第一呼吸采样点数据以及第二呼吸采样点数据,其中,所述第二呼吸采样点数据大于每个第一呼吸采样点数据;基于标准值对所述多个第一呼吸采样点数据以及第二呼吸采样点数据进行归一化处理,其中,所述标准值为对所述多个第一呼吸采样点数据进行统计运算得到的。
第九方面,本申请提供了一种呼吸信号获取方法,所述方法包括:
获取目标对象的呼吸信号,所述呼吸信号包括在时间上排列的多个呼吸采样点数据,所述多个呼吸采样点数据包括多个第一呼吸采样点数据以及第三呼吸采样点数据,其中,所述第三呼吸采样点数据的幅值小于第三预设值;
对所述多个第一呼吸采样点数据以及第三呼吸采样点数据进行归一化处理,得到归一化处理后的第三呼吸采样点数据,所述归一化处理后的第三呼吸采样点数据与所述第三呼吸采样点数据的幅值的差值小于第四预设值。
第十方面,本申请提供了一种呼吸信号获取装置,包括:
处理模块,用于获取目标对象的呼吸信号,所述呼吸信号包括在时间上排列的多个呼吸采样点数据,所述多个呼吸采样点数据包括多个第一呼吸采样点数据以及第三呼吸采样点数据,其中,所述第三呼吸采样点数据的幅值小于第三预设值;对所述多个第一呼吸采样点数据以及第三呼吸采样点数据进行归一化处理,得到归一化处理后的第三呼吸采样点数据,所述归一化处理后的第三呼吸采样点数据与所述第三呼吸采样点数据的幅值的差值小于第四预设值。
第十一方面,本申请提供了一种呼吸信号获取方法,所述方法包括:
获取目标对象的呼吸信号,所述呼吸信号包括在时间上排列的多个呼吸采样点数据,按照第一时间窗提取所述呼吸信号的第一呼吸特征,所述第一窗表示通过多个时间间隔;以所述第一呼吸特征作为输入特征,通过呼吸分类模型得到所述目标对象的第一呼吸类型。
可选的,在第十一方面的一种可选设计中,所述第一呼吸特征至少包括如下特征的一种:
呼吸信号峰值的个数、多个呼吸采样点数据的方差、多个呼吸采样点数据的均值、呼吸信号的过零点次数、呼吸信号峰值的偏度、呼吸信号峰值的峰度。
可选的,在第十一方面的一种可选设计中,所述呼吸类型至少为如下类型的一种:
正常呼吸、潮式呼吸、潮式变体呼吸、比奥式呼吸、节律障碍呼吸或过速呼吸。
第十二方面,本申请提供了一种呼吸信号获取装置,包括:
处理模块,用于获取目标对象的呼吸信号,所述呼吸信号包括在时间上排列的多个呼吸采样点数据,按照第一时间窗提取所述呼吸信号的第一呼吸特征,所述第一窗表示通过多个时间间隔;以所述第一呼吸特征作为输入特征,通过呼吸分类模型得到所述目标对象的第一呼吸类型。
可选的,在第十二方面的一种可选设计中,所述第一呼吸特征至少包括如下特征的一种:
呼吸信号峰值的个数、多个呼吸采样点数据的方差、多个呼吸采样点数据的均值、呼吸信号的过零点次数、呼吸信号峰值的偏度、呼吸信号峰值的峰度。
可选的,在第十二方面的一种可选设计中,所述呼吸类型至少为如下类型的一种:
正常呼吸、潮式呼吸、潮式变体呼吸、比奥式呼吸、节律障碍呼吸或过速呼吸。
第十三方面,本申请提供了一种呼吸信号获取方法,所述方法包括:
获取目标对象的呼吸信号,所述呼吸信号包括在时间上排列的多个呼吸采样点数据,按照第二时间窗提取所述呼吸信号的第二呼吸特征,所述第二时间窗表示通过至少一个时间间隔;
以所述第二呼吸特征作为输入特征,通过呼吸分类模型得到所述目标对象的第二呼吸类型,其中,所述第二呼吸类型对应于目标置信度;
基于所述目标置信度小于预设置信度,通过第三时间窗提取所述呼吸信号的第三呼吸特征,所述第三时间窗表示通过至少一个时间间隔,且所述第二时间窗与所述第三时间窗为不同的时间窗;
以所述第三呼吸特征作为输入特征,通过呼吸分类模型确定所述目标对象的第三呼吸类型。
可选的,在第十三方面的一种可选设计中,所述第一呼吸特征、所述第二呼吸特征和所述第三呼吸特征至少包括如下特征的一种:
呼吸信号峰值的个数、多个呼吸采样点数据的方差、多个呼吸采样点数据的均值、呼吸信号的过零点次数、呼吸信号峰值的偏度、呼吸信号峰值的峰度。
可选的,在第十三方面的一种可选设计中,所述呼吸类型至少为如下类型的一种:
正常呼吸、潮式呼吸、潮式变体呼吸、比奥式呼吸、节律障碍呼吸或过速呼吸。
第十四方面,本申请提供了一种呼吸信号获取装置,包括:
处理模块,用于获取目标对象的呼吸信号,所述呼吸信号包括在时间上排列的多个呼吸采样点数据,按照第二时间窗提取所述呼吸信号的第二呼吸特征,所述第二时间窗表示通过至少一个时间间隔;以所述第二呼吸特征作为输入特征,通过呼吸分类模型得到所述目标对象的第二呼吸类型,其中,所述第二呼吸类型对应于目标置信度;基于所述目标置信度小于预设置信度,通过第三时间窗提取所述呼吸信号的第三呼吸特征,所述第三时间窗表示通过至少一个时间间隔,且所述第二时间窗与所述第三时间窗为不同的时间窗;以所述第三呼吸特征作为输入特征,通过呼吸分类模型确定所述目标对象的第三呼吸类型。
可选的,在第十四方面的一种可选设计中,所述第一呼吸特征、所述第二呼吸特征和所述第三呼吸特征至少包括如下特征的一种:
呼吸信号峰值的个数、多个呼吸采样点数据的方差、多个呼吸采样点数据的均值、呼吸信号的过零点次数、呼吸信号峰值的偏度、呼吸信号峰值的峰度。
可选的,在第十四方面的一种可选设计中,所述呼吸类型至少为如下类型的一种:
正常呼吸、潮式呼吸、潮式变体呼吸、比奥式呼吸、节律障碍呼吸或过速呼吸。
第十五方面,本申请提供了一种计算机可读存储介质,包括程序,当其在计算机上运行时,使得计算机执行如上述第一方面、第二方面、第七方面、第九方面、第十一方面、第十三方面中任一方面所述的方法。
第十六方面,一种执行设备,包括处理器和存储器,所述处理器与所述存储器耦合,其特征在于,所述存储器,用于存储程序;所述处理器,用于执行所述存储器中的程序,使得所述执行设备执行第一方面、第二方面、第七方面、第九方面、第十一方面、第十三方面中任一方面所述的方法。
本申请实施例中,微波雷达装置发送雷达信号;微波雷达装置接收所述雷达信号的反射信号;微波雷达装置根据所述反射信号计算距离傅里叶谱以及多个幅度数据;其中,所述距离傅里叶谱包括多个距离值以及每个距离值对应的信号反射强度,每个幅度数据对应于一个距离值,所述幅度数据用于表示对应的距离值的运动幅度,所述距离傅里叶谱包括一个或多个反射强度峰值;微波雷达装置从所述一个或多个反射强度峰值中获取与目标对象对应的反射强度峰值,所述反射强度峰值对应于目标距离值;微波雷达装置从所述多个距离值中确定多个第一距离值,并基于所述多个第一距离值对应的幅度数据计算所述目标对象的呼吸采样点数据,其中每个第一距离值与所述目标距离值之间的距离小于第一预设值。通过上述方式,在上述第一反射强度波峰附近的多个第一距离值上提取幅度数据,并基于获取到的多个幅度数据来计算目标对象的呼吸采样点数据,增加了呼吸信号提取的稳定性,解决了现有技术中,由于计算得到的频点Range-bin位置不准确,而导致的提取不到呼吸信号或是呼吸信号幅度过低的技术问题。
附图说明
图1为本申请实施例提供的场景示意;
图2为本申请实施例提供的一种微波雷达装置的架构示意图;
图3为本申请实施例提供的一种呼吸数据获取方法的实施例示意图;
图4为本申请实施例提供的一种距离傅里叶谱的示意;
图5为本申请实施例提供的一种距离傅里叶谱的示意;
图6a至图6c为本申请实施例提供的一种距离多普勒谱生成流程示意;
图7为本申请实施例提供的一种距离傅里叶谱的示意;
图8为本申请实施例提供的一种距离傅里叶谱的示意;
图9为本申请实施例提供的一种呼吸信号获取方法的实施例示意;
图10a为chirp信号时域幅值变化的示意;
图10b为chirp信号的频率在时域上线性变化的示意;
图10c为一帧信号包括K个chirp信号的示意;
图11为一种潮式呼吸的呼吸信号的示意;
图12为一种呼吸信号归一化处理的示意;
图13为一种呼吸特征提取的示意;
图14为一种呼吸特征提取的示意;
图15为本申请提供的一种呼吸信号处理方法的示意;
图16为本申请提供的一种呼吸信号处理方法的示意;
图17为本申请提供的一种呼吸信号处理方法的示意;
图18为本申请提供的一种呼吸信号处理方法的示意;
图19为本申请提供的一种呼吸数据获取装置的结构示意;
图20为本申请实施例提供的微波雷达装置的一种结构示意图;
图21是本申请实施例提供的服务器的一种结构示意图;
图22为本申请实施例提供的芯片的一种结构示意图。
具体实施方式
下面结合本发明实施例中的附图对本发明实施例进行描述。本发明的实施方式部分使用的术语仅用于对本发明的具体实施例进行解释,而非旨在限定本发明。
呼吸是实现人体内部与外部气体交换的唯一方式,是人体重要的生命体征,异常呼吸往往暗示身体某些部位出现了问题,严重的呼吸异常如呼吸暂停危及生命。
睡眠中的异常呼吸常常不容易被发现,有些呼吸异常甚至只在睡眠时发生,清醒时不发生。睡眠时人体意识薄弱,异常发生时人往往察觉不到,从而错过发现身体问题的机会;部分人察觉到夜间呼吸异常,但是却不清楚是何种异常;呼吸异常严重时,人体容易发生意外。关注呼吸健康,有助于尽早、尽快发现身体问题,及时介入治疗。
目前主流的呼吸检测方法包括接触式测量和非接触式测量,接触式测量即使用检测工具接触人体的测量方式,包括呼吸带、手环、手表等,适合家居使用,但是舒适感差,非接触式异常呼吸检测,舒适度高,可以长时间检测,不会干扰人身体状态,能记录最真实的呼吸情况。
非接触式的测量方式目前主要有床垫式呼吸监测、微波雷达呼吸监测等。
其中,床垫式呼吸监测采用压力传感器测量人体的呼吸、心跳以及体动情况,由此识别各类呼吸障碍。该方法为非接触式方法,测试者的体验舒适,适合家居使用,但是其作用范围小,可靠性受温度和湿度的影响。
微波雷达呼吸监测:呼吸时胸腹部的微动会作用于雷达回波信号,通过解析雷达发射信号和回波信号来提取呼吸信号,结果准确度高;使用时将微波雷达装置置于床头或者床边等距离人体有一定垂直高度的地方,无需和人接触,可以穿透被子、衣物等,作用范围大,测量精度可以达到毫米级。微波雷达法在保有舒适感的同时,测量精度和准确率要优于床垫式呼吸检测,是非接触式测量呼吸类型的优选方法。
然而,由于硬件算力、天线形态、价格等原因,雷达呼吸监测法其距离、角度分辨率不能无限制提高,再加上反射、折射、多径叠加等效应,较难准确的定位测量人体呼吸信号所对应的Range-FFT频点位置,频点位置不准确,则会影响呼吸信号的获取。
具体的,现有技术中可以基于对微波信号的反射信号进行一维快速傅里叶和二维快速傅里叶变换,得到距离傅里叶谱,然后在距离傅里叶谱中和人体对应的反射强度峰值处提取呼吸信号,然而基于单一的位置(反射强度峰值)提取呼吸信号,若是该位置不准确,则可能提取不到呼吸信号或是呼吸信号幅度过低,易受到噪声的干扰。
基于此,本申请提供了一种呼吸信号获取方法来解决上述问题,接下来进行详细的说明。
参照图1,图1为本申请实施例提供的场景示意,如图1示出的那样,微波雷达装置100可以置于床头、床边等距离人体有一定垂直高度的地方,微波雷达装置可以是独立的检测装置,也可以集成在其他产品(例如床头灯等),目标对象200为人物对象,在图1示出的场景中,目标对象处于睡眠状态,人体的状态近似处于静止,只有胸腹部区域在进行上下起伏的活动,微波雷达装置100可以向目标对象发射雷达信号,并接收到雷达信号的反射信号,并基于反射信号来获取目标对象的胸腹起伏信息,胸腹起伏信息可以表示目标对象的呼吸信号。
需要说明的是,图1示出的场景仅为一种示意,在其它场景中,只要是用户活动不频繁的场景中,微波雷达装置都可实现对人体的呼吸雷达监测,这里并不限定。
接下来介绍一个本申请实施例中的微波雷达装置的架构,参照图2,图2为本申请实施例提供的一种微波雷达装置100的架构示意图。其中,微波雷达装置100可以生成雷达信号并将雷达信号发射到微波雷达装置100正在监视的区域中。信号的生成和发射可以由RF信号发生器12、雷达发射电路14和发射天线32来实现。雷达发射电路14通常包括生成经由发射天线32发射的信号所需的任何电路,例如脉冲整形电路、发射触发电路、RF开关电路或由微波雷达装置100使用的任何其他适当的发射电路。RF信号发生器12和雷达发射电路14可经由处理器20来得以控制,该处理器经由控制线34发出命令和控制信号,使得在发射天线32处发射具有期望的配置和信号参数的期望的RF信号。
微波雷达装置100还经由接收天线30在雷达接收和模拟处理电路16处接收返回的雷达信号,此返回的雷达信号在本文中可以称为“回波”或“回波信号”或“反射信号”。雷达接收和模拟处理电路16通常包括处理经由接收天线30接收的信号(例如信号分离、混合、外差和/或零差转换、放大、滤波、接收信号触发、信号切换和路由,以及/或者由微波雷达装置100执行的任何其他适当的雷达信号接收功能)所需的任何电路。因此,雷达接收和模拟处理电路16生成由微波雷达装置100处理的一个或多个模拟信号,例如同相(I)模拟信号和正交(Q)模拟信号。所得到的模拟信号被发射到模数转换器电路(analog-to-digitalconverter,ADC)18并由该电路数字化。然后,数字化的信号被转发到处理器20以进行反射信号处理。
处理器20可以是实现下述功能的各种类型的处理器中的一种:其能够对数字化的接收信号进行处理并且控制RF信号发生器12和雷达发射电路14以提供微波雷达装置100的雷达操作和功能。因此,处理器20可以是数字信号处理器(digital signal processor,DSP)、微处理器、微控制器或其他此类设备。为了执行微波雷达装置100的雷达操作和功能,处理器20经由系统总线22与一个或多个其他所需电路(例如由一种或多种类型的存储器组成的一个或多个存储器设备24、任何所需的外围电路26标识以及任何所需的输入/输出电路28对接。
如上所述,处理器20可以经由控制线34对接RF信号发生器12和雷达发射电路14。在替代实施例中,RF信号发生器12和/或雷达发射电路14可连接到总线22,使得它们可经由总线22与处理器20、存储器设备24、外围电路26和输入/输出电路28中的一者或多者通信。
下面结合本发明实施例中的附图对本发明实施例进行描述。本发明的实施方式部分使用的术语仅用于对本发明的具体实施例进行解释,而非旨在限定本发明。
参照图3,图3为本申请实施例提供的一种呼吸数据获取方法的实施例示意图,如图3示出的那样,呼吸数据获取方法包括:
301、发送雷达信号。
本申请实施例中,微波雷达装置可以发射雷达信号,雷达信号的种类可以至少包括两种:连续波(continuous wave,CW)信号和chirp信号。
其中,chirp信号是频率随时间变化的电磁信号。通常,上升chirp信号的频率随时间推移增大,而下降chirp信号的频率随时间推移减小。chirp信号的频率变化可以呈现许多不同的形式。例如,线性调频(LFM)信号的频率线性地变化。chirp信号中的其他形式的频率变化包括指数变化。
除了其中频率根据某些预定函数(即线性函数或指数函数)连续变化的这些后一类型的chirp信号之外,还可以生成步进chirp信号形式的chirp信号,其中频率步进变化。也就是说,典型的步进chirp信号包括多个频率步进,其中频率在每个步进处在某个预定持续时间内恒定。步进chirp信号还可脉冲式开启和关闭,其中所述脉冲在chirp扫描的各个步进期间的某个预定时间段期间开启。
本申请实施例中,微波雷达装置可以发射chirp信号,其中chirp信号数学表达式可以为:
本申请实施例中,微波雷达装置100生成雷达信号并将雷达信号通过发射器发射到微波雷达装置100正在监视的区域中。信号的生成和发射可以由图2中的RF信号发生器12、雷达发射电路14和发射天线32来实现。
302、接收所述雷达信号的反射信号。
本申请实施例中,微波雷达装置的发射器发射雷达信号,微波雷达装置的接收器可以接收来自远程物体的回波信号或反射信号。所述回波信号或反射信号是发射的雷达信号撞击所述远程物体并被该物体反射的信号。
具体的,微波雷达装置100可以经由图2所示的接收天线30在雷达接收和模拟处理电路16处接收反射的雷达信号,此反射的雷达信号在本文中可以称为“回波”或“回波信号”或“反射信号”。雷达接收和模拟处理电路16可以包括处理经由接收天线30接收的信号(例如信号分离、混合、外差和/或零差转换、放大、滤波、接收信号触发、信号切换和路由,以及/或者由微波雷达装置100执行的任何其他适当的雷达信号接收功能)所需的任何电路。雷达接收和模拟处理电路16可以基于反射信号生成一个或多个模拟信号,例如同相(I)模拟信号和正交(Q)模拟信号。所得到的模拟信号被发射到模数转换器电路(ADC)18并由该电路数字化(例如可以得到解调后的基带离散采样信号)。然后,数字化的信号(基带离散采样信号)被转发到处理器20以进行信号处理。
303、根据所述雷达信号和所述反射信号计算距离傅里叶谱以及多个幅度数据,所述距离傅里叶谱包括多个距离值以及每个距离值对应的信号反射强度,每个幅度数据对应于一个距离值,所述幅度数据用于表示对应的距离值的运动幅度,其中,所述距离傅里叶谱包括多个反射强度峰值。
本申请实施例中,处理器20可以根据所述反射信号计算距离傅里叶谱以及多个幅度数据。具体的,反射信号可以包括多个chirp信号,处理器20可以对每个chirp信号进行处理,得到对应的距离傅里叶谱以及多个幅度数据。
本申请实施例中,若r(n)为接收天线接收的反射信号(chirp信号)进行接收解调后的基带离散采样信号,其中n为单个chirp信号周期内采样数,对r(n)做N1点快速傅里叶变换(fast fourier transformation,FFT)计算,得到R(k):
R(k)=FFT(r(n),N1),N1≥n;
即对天线接收的反射信号(chirp信号)进行接收解调后的基带离散采样信号进行一维快速傅里叶1D-FFT计算,得到对应的距离傅里叶频谱Range-FFT,其中距离傅里叶频谱Range-FFT由多个频点Range-bin组成,频点Range-bin可以表示为频点αi为R(k)正频域复数值的模值,可以定义单个频点Range-bin对应的距离为距离分辨率dres,则距离值di=αi×dres,最大探测距离为进一步的,可以得到距离傅里叶谱Range-FFT,其中,距离傅里叶谱Range-FFT的纵轴表示每个距离值对应的信号反射强度,信号反射强度可以定义为复数信号的模值(例如,若复数信号为a+bj,则信号反射强度可以表示为),距离傅里叶谱Range-FFT可以包括N1/2个距离值,以及每个距离值对应的信号反射强度。
示例性的,可以参照图4,图4为本申请实施例提供的一种距离傅里叶谱Range-FFT的示意,如图4示出的那样,距离傅里叶谱Range-FFT的横坐标为距离值d(包括纵轴表示反射信号强度,需要说明的是,图4示出的距离傅里叶谱Range-FFT由离散数据组成,其可以包括多个反射强度峰值,如图4示出的反射强度峰值401和反射强度峰值402。
本申请实施例中,在计算出一个chirp信号的距离傅里叶谱之后,类似的,处理器可以对一帧内所有K个chirp信号进行1D-FFT处理,得到K个距离傅里叶谱Range-FFT,参照图5,图5为本申请实施例提供的一种距离傅里叶谱Range-FFT的示意,图5示出了K个chirp信号对应的K个距离傅里叶谱Range-FFT。
本申请实施例中,处理器还可以根据所述反射信号计算多个幅度数据,其中,每个幅度数据对应于一个距离值,所述幅度数据用于表示对应的距离值的运动幅度,示例性的,幅度数据可以定义为对复数信号进行反正切解调得到的(例如,若复数信号为a+bj,则幅度数据可以表示为arctan)。
304、从所述多个反射强度峰值中获取与目标对象对应的反射强度峰值。
本申请实施例中,处理器根据所述反射信号计算得到的距离傅里叶谱包括多个反射强度峰值,其中,每个反射强度峰值可以表示相应的距离值存在障碍物,因此,多个反射强度峰值中有一个反射强度峰值对应于目标对象,目标对象可以是人物对象,接下来描述如何从多个反射强度峰值中获取与目标对象对应的反射强度峰值。
在一种实施例中,处理器可以根据所述反射信号计算距离多普勒谱,根据所述距离多普勒谱可以得到多个点云数据,称为距离速率谱点云。每个点云数据包括一个距离值、对应的多普勒速率以及相应的信噪比(signal noise radio,SNR)。
具体的,处理器可以对一帧内对所有K个chirp进行1D-FFT计算得到K个R(k)序列,并对每一个R(k)序列同一个Range-bin上的K个值构成的序列再进行一次FFT计算,即第二维度的FFT计算(可以称为2D-FFT),得到距离多普勒谱Range-Doppler。如图6a至图6c所示,图6a至图6c为本申请实施例提供的一种距离多普勒谱生成流程示意,如图6a至图6c示出的那样,首先对K个chirp信号进行1D-FFT计算,得到K个1D-FFT结果(Range-FFT)(如图6a示出的那样),然后将K个1D-FFT结果(Range-FFT)按行排列得到复值矩阵(如图6b示出的那样),其中,复值矩阵的横轴为Range-bin序列,表示距离,然后可以对每一列再做一次N2点FFT计算,即2D-FFT计算,得到图6c所示的距离多普勒谱Range-Doppler,其中横轴为Range-bin,纵轴为多普勒速率值,距离多普勒谱Range-Doppler中的每个方格对应所在的距离值与多普勒速率的信息,颜色深浅还可以表示相应的信噪比大小,示例性的,颜色越深表示信噪比越大。
本申请实施例中,根据距离多普勒谱Range-Doppler可以得到多个点云数据,其中每个点云数据可以包括一个距离值以及对应的多普勒速率,特别的,每个点云数据还可以包括信噪比,该信噪比表示对应的距离值以及多普勒速率的信噪比。即,距离多普勒谱Range-Doppler中每个方格可以构成一个点云数据,点云数据格式可以示例性的定义为α=[r,v,s],其中r为距离值,v为多普勒速率的模值,s为信噪比。
在一种实施例中,处理器可以根据所述反射信号计算所述反射信号的距离多普勒谱,根据所述距离多普勒谱可以得到多个点云数据,称为位置速率谱点云。每个点云数据包括一个位置坐标、对应的多普勒速率以及相应的信噪比。
具体的,处理器可以对一帧内对所有K个chirp进行1D-FFT计算得到K个R(k)序列,并对每一个R(k)序列同一个Range-bin上的K个值构成的序列再进行一次FFT计算,即第二维度的FFT计算(可以称为2D-FFT),得到距离多普勒谱。如图6a至图6c所示,图6a至图6c为本申请实施例提供的一种位置多普勒谱生成流程示意,如图6a至图6c示出的那样,首先对K个chirp信号进行1D-FFT计算,得到K个1D-FFT结果(Range-FFT)(如图6a示出的那样),然后将K个1D-FFT结果(Range-FFT)按行排列得到复值矩阵(如图6b示出的那样),其中,复值矩阵的横轴为Range-bin序列,表示距离值,然后可以对每一列再做一次N2点FFT计算,即2D-FFT计算,得到图6c所示的距离多普勒谱,其中横轴为距离值,纵轴为多普勒速率值,位置多普勒谱中的每个方格对应所在的位置坐标与多普勒速率的信息,颜色深浅还可以表示相应的信噪比大小,示例性的,颜色越深表示信噪比越大。
本申请实施例中,当微波雷达装置具有多输入多输出(multiple-inputmultiple-output,MIMO)天线阵列时,比如3个发射天线,4个接收天线,则为3*4MIMO天线阵列,此时微波雷达装置可进行反射信号的角度估计,根据估计的水平方位角可估算出位置多普勒谱中各个方格对应的水平二维坐标,当天线阵列同时具备垂直方位角估计时,可估算出位置多普勒谱中每个方格对应的三维坐标。以二维坐标为例,位置速率谱点云数据格式可以示例性的定义为α=[x,y,v,s],其中x,y为水平坐标位置,y轴为微波雷达装置的水平径向,x轴为微波雷达装置的水平切向;以三维坐标为例,位置速率谱点云数据格式可以示例性的定义为α=[x,y,z,v,s],其中,z为微波雷达装置的。
针对于处理器计算得到距离多普勒谱Range-Doppler的实施例,处理器可以基于距离速率谱点云包括的多个点云数据的距离值和多普勒速率,通过聚类算法对所述多个点云数据进行聚类,得到目标对象对应的多个点云数据;处理器可以根据所述目标对象对应的多个点云数据获取所述目标对象对应的第二距离值。
本申请实施例中,处理器可以从多个点云数据中提取各点云数据特征量(包括距离值和多普勒速率)进行聚类,即从距离速率谱的点云数据中提取[r,v]作为单个点云数据的特征量,并基于该特征量进行聚类,将距离值和多普勒速率都接近的点云数据聚为一类。具体的,本申请实施例中,当人物对象处于运动状态时,位于人物对象附近的区域的多普勒速率是大于零的,且如果针对于某一个人物对象,其附近的区域的多普勒速率是近似一致的,且其附近的区域在距离多普勒谱Range-Doppler中对应的多个距离值之间也是近似一致的,因此通过基于距离速率谱点云包括的多个点云数据的距离值和多普勒速率,通过聚类算法对所述多个点云数据进行聚类,可以得到一个或多个人物对象对应的点云数据。其中,若在微波雷达装置的探测范围内,若存在多个正在移动的人物对象,则可以获取到多个人物对象(包括目标对象)对应的点云数据。其中,若在微波雷达装置的探测范围内,若存在一个正在移动的人物对象(目标对象),则可以直接获取到目标对象对应的点云数据。这里需要说明的是,“目标对象”仅仅是指一个人物对象,并不是指获取到特定的人物对象,而是指多个人物对象中的一个,并没有对人物的身份特征有特别的指向性和限定性。
本申请实施例中,处理器在获取到目标对象对应的多个点云数据之后,可以根据所述目标对象对应的多个点云数据获取所述目标对象对应的第二距离值,其中,由于目标对象对应的多个点云数据包括的距离值可以表示目标对象上移动的位置和微波雷达装置之间的距离,由于人物对象是具有一定厚度和宽度的实体,目标对象上移动的位置可以和微波雷达装置之间具有多个距离值,因此需要综合考虑多个点云数据包括的距离值来确定目标对象与微波雷达装置之间的第二距离。
在一种实施例中,第二距离可以是多个点云数据包括的多个距离值的加权平均值。
例如,第二距离可以是多个点云数据包括的多个距离值的平均值,示例性的,若与目标对象A对应的点云数据包括的多个距离值分别为12cm、12.5cm、12.7cm、12.9cm、13.2cm、13.4cm、13.5cm,则近似表示目标对象与微波雷达之间距离的第二距离值可以为:
特别的,目标对象处于移动状态,此时,微波雷达装置可以获取到在时间维度上排列的多个反射信号,并获取到每个时间点上,和目标对象相对应的多个点云数据(即和目标对象相对应的点云数据是实时变化的),由于当目标对象处于运动状态(或者是非睡眠状态)时,基于其相对应的多个点云数据计算出的第二距离值可以是不断变化的,而若要获取目标对象的呼吸信号,需要在目标对象处于相对静止的状态(例如睡眠状态)时获取(因为,若呼吸信号是基于目标对象胸腹部的起伏运动获取到的,如果目标对象处于运动状态,目标对象胸腹部的起伏运动相对于身体的整体运动是很微弱的,此时很难获取到目标对象的呼吸信号),因此,本实施例中需要获取到目标对象处于静止状态时,表示与微波雷达装置之间距离的第二距离值。在一种实施例中,处理器可以获取到在时间维度上变化的多个第二距离值,当第二距离值在一定时间段内的变化幅度小于一定的预设值时,处理器可以认为目标对象处于静止状态,此时,处理器可以获取到目标对象处于静止状态时的第二距离值。需要说明的是,本申请实施例并不限定,处理器如何获取到目标对象处于静止状态时的第二距离值。
针对于处理器计算得到距离多普勒谱并进一步得到位置速率谱点云的实施例,处理器可以基于位置坐标和多普勒速率,通过聚类算法对所述多个点云数据进行聚类,得到目标对象对应的多个点云数据;处理器可以根据所述目标对象对应的多个点云数据获取所述目标对象对应的第二距离值。
本申请实施例中,处理器可以从多个点云数据中提取各点云数据特征量(包括位置坐标和多普勒速率)进行聚类,即从位置速率谱的点云数据中提取[x,y,v]或[x,y,z,v]作为单个点云数据的特征量,并基于该特征量进行聚类,将位置坐标和多普勒速率都接近的点云数据聚为一类。具体的,本申请实施例中,当人物对象处于运动状态时,位于人物对象附近的区域的多普勒速率是大于零的,且如果针对于某一个人物对象,其附近的区域的多普勒速率是近似一致的,且其附近的区域在距离多普勒谱中对应的多个位置坐标之间也是近似一致的,因为通过基于距离多普勒谱包括的多个点云数据的位置坐标和多普勒速率,通过聚类算法对所述多个点云数据进行聚类,可以得到一个或多个人物对象对应的点云数据。其中,若在微波雷达装置的探测范围内,若存在多个正在移动的人物对象,则可以获取到多个人物对象(包括目标对象)对应的点云数据。其中,若在微波雷达装置的探测范围内,若存在一个正在移动的人物对象(目标对象),则可以直接获取到目标对象对应的点云数据。这里需要说明的是,“目标对象”仅仅是指一个人物对象,并不是指获取到特定的人物对象,而是指多个人物对象中的一个,并没有对人物的身份特征有特别的指向性和限定性。
本申请实施例中,处理器在获取到目标对象对应的多个点云数据之后,可以根据所述目标对象对应的多个点云数据获取所述目标对象对应的第二距离值,其中,由于目标对象对应的多个点云数据包括的位置坐标可以表示目标对象上移动的位置和微波雷达装置之间的相对位置关系,由于人物对象是具有一定厚度和宽度的实体,目标对象上可以具有多个位置坐标处于移动状态,因此需要综合考虑多个点云数据包括的位置坐标来确定目标对象与微波雷达装置之间的相对位置关系。
可选地,所述第二距离值为与所述目标对象对应的多个点云数据包括的多个位置坐标的中心位置的距离值。例如,若目标对象对应的多个点云数据为:
示例性的,若与目标对象A对应的点云数据包括的多个位置坐标分别为(12.1,3.3)、(12.3,3.5)、(12.3,3.6)、(12.4,3.6)、(12.4,3.8)、(12.4,3.9),则多个位置坐标的中心位置可以为:
需要说明的是,上述计算第二距离值的方法仅为一种示意,本申请并不限定。
特别的,目标对象处于移动状态,此时,微波雷达装置可以获取到在时间维度上排列的多个反射信号,并获取到每个时间点上,和目标对象相对应的多个点云数据(即和目标对象相对应的点云数据是实时变化的),由于当目标对象处于运动状态(或者是非睡眠状态)时,基于其相对应的多个点云数据计算出的第二距离值可以是不断变化的,而若要获取目标对象的呼吸信号,需要在目标对象处于相对静止的状态(例如睡眠状态)时获取(因为,若呼吸信号是基于目标对象胸腹部的起伏运动获取到的,如果目标对象处于运动状态,目标对象胸腹部的起伏运动相对于身体的整体运动是很微弱的,此时很难获取到目标对象的呼吸信号),因此,本实施例中需要获取到目标对象处于静止状态时,表示与微波雷达装置之间距离的第二距离值。在一种实施例中,处理器可以获取到在时间维度上变化的多个第二距离值,当第二距离值在一定时间段内的变化幅度小于一定的预设值时,处理器可以认为目标对象处于静止状态,此时,处理器可以获取到目标对象处于静止状态时的第二距离值。需要说明的是,本申请实施例并不限定,处理器如何获取到目标对象处于静止状态时的第二距离值。
可选地,本申请实施例中的聚类算法可以是例如K-平均聚类方法(K-Means聚类算法)、具有噪声的基于密度的聚类(density-based spatial clustering of applicationswith noise,DBSCAN)算法、利用层次方法的平衡迭代规约和聚类(balanced iterativereducing and clustering using hierarchies,BIRCH)算法、STING算法模型等,本申请实施例对此不做任何限制。特别的,针对于DBSCAN聚类算法,其中设置该算法的关键参数E领域值ε可以等于1.0,核心对象样本点最小数MinPts可以等于10,当场景中存在多个人物对象,且其相互距离较大时,聚类算法可以感知多个人物对象(包括目标对象)。
本申请实施例中,在获取到所述目标对象对应的第二距离值之后,可以根据所述目标对象对应的第二距离值确定所述目标对象对应的反射强度峰值,其中,所述与目标对象对应的反射强度峰值为所述目标距离值对应的反射强度峰值,所述第二距离值与所述目标距离值的差值的绝对值小于第二预设值。
可选地,在一种实施例中,处理器在根据所述目标对象对应的多个点云数据获取所述目标对象对应的第二距离值之前,可以先对目标对象对应的多个点云数据进行去噪处理,具体的,目标对象对应的多个点云数据中的每个点云数据还可以包括信噪比,目标对象对应的多个点云数据中的每个点云数据至少满足如下条件中的一个:包括的多普勒速率大于或等于第一阈值;或包括的信噪比小于或等于第二阈值。
即,本申请实施例中,处理器为了获得目标对象的大致位置,可以先对点云数据进行去噪处理,然而通过去噪后的点云数据进行聚类确定目标对象的大致位置。
本申请实施例中,微波雷达装置可识别微小震动的障碍物反射体,比如空调、暖气通风管道的微震动,身体静态下躯干的微震动,而此类震动物体形成的点云数据会对呼吸信号的获取造成干扰,因而需要被滤除。本申请实施例中,可以采用速率门限及信噪比门限来滤除噪声与干扰,即可以采用如下任一种方式对目标对象对应的多个点云数据去噪:
本申请实施例中,示例性的,第一阈值vth可以但不限于为0.16m/s,第二阈值sth与微波雷达装置的发射功率有关,可根据微波雷达装置的发射功率的不同而设置不同的第二阈值sth,本申请并不限定。
接下来描述,处理器如何基于计算到的第二距离值,从距离傅里叶谱中确定与所述目标对象对应的信号幅值波峰:
可选的,在本申请实施例中,在获取到第二距离值之后,可以基于获取到的第二距离值在距离傅里叶谱中确定与目标对象对应的反射强度峰值,具体的,本实施例中,可以在第二距离值附近的一定的预设范围内寻找峰值最大的反射强度波峰,并将该峰值最大的反射强度波峰确定为与目标对象对应的第一反射强度波峰。示例性的,预设范围可以是在第二距离值d的前后0.5m范围内寻找峰值最大的反射强度波峰,并将该峰值最大的反射强度波峰确定为与目标对象对应的第一反射强度波峰。
可选的,在本申请实施例中,在获取到第二距离值之后,可以基于获取到的第二距离值在距离傅里叶谱中确定与目标对象对应的反射强度峰值,具体的,本实施例中,距离傅里叶谱Range-FFT可以包括多个反射强度峰值,其中,第二距离值相邻的两个反射强度峰值包括反射强度峰值和第二反射强度峰值,反射强度峰值对应于目标距离值,第二反射强度峰值对应于第三距离值,目标距离值小于第二距离值,第二距离值小于第三距离值。示例性的,参照图7,图7为本申请实施例提供的一种距离傅里叶谱Range-FFT的示意,如图7示出的那样,距离傅里叶谱Range-FFT包括反射强度峰值701和第二反射强度峰值702,反射强度峰值701对应于目标距离值d0,第二反射强度峰值702对应于第三距离值d1,目标距离值d0小于第二距离值d,第二距离值d小于第三距离值d1。需要说明的是,所述第二反射强度峰值和所述反射强度峰值可以为大于目标阈值的反射强度峰值。
可选的,在本申请实施例中,在获取到第二距离值之后,可以基于获取到的第二距离值在距离傅里叶谱中确定与目标对象对应的反射强度峰值,具体的,本申请实施例中,所述距离傅里叶谱包括第二反射强度峰值和与目标对象对应的反射强度峰值,所述反射强度峰值对应于目标距离值,所述第二距离值与所述目标距离值的差值绝对值为第一差值绝对值,所述第三距离值与所述第二距离值的差值绝对值为第二差值绝对值,所述第一差值绝对值小于所述第二差值绝对值。本实施例中,距离傅里叶谱Range-FFT可以包括多个反射强度峰值,第二距离值相邻的两个反射强度峰值包括反射强度峰值和第二反射强度峰值,反射强度峰值对应于目标距离值,第二反射强度峰值对应于第三距离值,所述第二距离值与所述目标距离值的差值绝对值为第一差值绝对值,所述第三距离值与所述目标距离值的差值绝对值为第二差值绝对值,所述第一差值绝对值小于所述第二差值绝对值。示例性的,参照图7,图7为本申请实施例提供的一种距离傅里叶谱Range-FFT的示意,如图7示出的那样,距离傅里叶谱Range-FFT包括反射强度峰值701和第二反射强度峰值702,反射强度峰值701对应于目标距离值d0,第二反射强度峰值702对应于第三距离值d1,由于目标距离值d0与第二距离值d之间的距离小于第三距离值d1与第二距离值d之间的距离,即所述第二距离值d与所述目标距离值的差值绝对值为第一差值绝对值,所述第三距离值与所述第二距离值d的差值绝对值为第二差值绝对值,所述第一差值绝对值小于所述第二差值绝对值,则可以确定反射强度峰值701为与目标对象对应的反射强度峰值。需要说明的是,所述第二反射强度峰值和所述反射强度峰值可以为大于目标阈值的反射强度峰值。
305、从所述多个距离值中确定多个第一距离值,并基于所述多个第一距离值对应的幅度数据计算所述目标对象的呼吸采样点数据,其中每个第一距离值与所述目标距离值之间的距离小于第一预设值。
本申请实施例中,基于点云数据获取到的聚类中心位置(第二距离值)是由运动的目标对象的反射的所有点云数据通过滤波和聚类计算得到的,其只能反映目标对象的大致位置,还需要根据距离傅里叶谱来确定具体的位置,进一步地,确定提取呼吸信号所对应的频点位置。具体的,目标对象等人物对象的存在会使得距离傅里叶谱Range-FFT产生一个或多个反射强度波峰。根据点云聚类中心位置(第二距离值),可以在其前后一定距离内寻找与目标对象对应的反射强度波峰,确定该反射强度波峰对应的距离傅里叶谱Range-FFT上的位置即频点Range-bin(该频点Range-bin对应于目标距离值,即该频点Range-bin乘以距离分辨率可以换算为目标距离值)。基于该频点Range-bin,可以获得该频点Range-bin的相位变化信息(幅度数据),其中,幅度数据可以表示目标对象的呼吸运动,具体的,每个幅度数据对应于一个距离值(由于距离值和频点之间有唯一对应关系,因此,频点Range-bin与幅度数据之间的对应关系可以转换为距离值与幅度数据之间的对应关系),所述幅度数据用于表示对应的距离值的运动幅度,示例性的,幅度数据可以定义为对复数信号进行反正切解调得到的(例如,若复数信号为a+bj,则幅度数据可以表示为arctan)。
然而,由于该位置(目标距离值对应的频点Range-bin)不一定是提取呼吸信号的最佳频点位置。基于该位置提取到的呼吸信号不总是幅度最大,有时波形幅度较低的时候容易受到噪声干扰,波形不稳定。在观察该点前后多个Range-bin提取到的呼吸信号后发现,最佳呼吸信号提取的位置较难确定。因此,本申请实施例中,在上述第一反射强度波峰附近的多个频点上提取幅度数据,并基于获取到的多个幅度数据来计算目标对象的呼吸采样点数据,以此来增加呼吸信号提取的稳定性。在一种实施例中,所述目标对象的呼吸采样点数据为所述多个幅度数据的加权平均值。
本申请实施例中,处理器可以从所述多个距离值中确定多个第一距离值,并基于所述多个第一距离值对应的幅度数据计算所述目标对象的呼吸采样点数据,其中每个第一距离值与所述目标距离值之间的距离小于第一预设值,例如,目标距离值对应于A频点,为了获取A频点附近的其他频点,可以获取目标距离值附近的多个第一距离值,相应的,多个第一距离值对应的多个频点可以认为是A频点附近的频点,处理器可以基于所述多个第一距离值对应的幅度数据计算所述目标对象的呼吸采样点数据。参照图8,图8为本申请实施例提供的一种距离傅里叶谱Range-FFT的示意,如图8示出的那样,目标距离值d0附近的多个第一距离值可以包括第一距离值d2、第一距离值d3、第一距离值d4和第一距离值d5,因此,获取到目标距离值d0对应的幅度数据a1、第一距离值d2对应的幅度数据a2、第一距离值d3对应的幅度数据a3、第一距离值d4对应的幅度数据a4和第一距离值d5对应的幅度数据a5,并基于对目标距离值d0对应的幅度数据a1、第一距离值d2对应的幅度数据a2、第一距离值d3对应的幅度数据a3、第一距离值d4对应的幅度数据a4和第一距离值d5对应的幅度数据a5做加权平均,得到呼吸采样点数据。
示例性的,假设雷达信号垂直照射人体,考虑回波信号来自于整个胸腹部区域,则区域与雷达的距离范围可按如下方式大致计算得到:假设雷达装置与人胸腹部中心的垂直距离为100cm,人的宽度为50cm,该区域与雷达的最大距离为即约等于103cm,因此可以在第一反射强度波峰相邻15cm内所有距离值的幅度数据,并做加权平均,得到目标对象的呼吸采样点数据,通过上述方式,可以避免最佳频点位置确定不准确而导致的呼吸采样点数据提取失败或者幅度较低易受干扰的情况。需要说明的是,本申请实施例中,各个频点位置的加权系数之间可以相等,也可以根据实际情况,有偏重的确定各个频点位置的系数,如反射强度峰值的频点位置的加权系数为0.5,其他频点位置的加权系数则按剩余0.5进行平均。
本申请实施例中,通过对一帧内的多个chirp信号进行上述步骤301至305的处理可以得到目标对象的多个呼吸采样点数据,处理器可以基于获取到的多个呼吸采样点数据计算目标对象的呼吸信号,其中,呼吸信号可以包括在时间上排列的多个呼吸采样点数据。
本申请实施例中,微波雷达装置发送雷达信号;微波雷达装置接收所述雷达信号的反射信号;微波雷达装置根据所述反射信号计算距离傅里叶谱以及多个幅度数据;其中,所述距离傅里叶谱包括多个距离值以及每个距离值对应的信号反射强度,每个幅度数据对应于一个距离值,所述幅度数据用于表示对应的距离值的运动幅度,所述距离傅里叶谱包括一个或多个反射强度峰值;微波雷达装置从所述一个或多个反射强度峰值中获取与目标对象对应的反射强度峰值,所述反射强度峰值对应于目标距离值;微波雷达装置从所述多个距离值中确定多个第一距离值,并基于所述多个第一距离值对应的幅度数据计算所述目标对象的呼吸采样点数据,其中每个第一距离值与所述目标距离值之间的距离小于第一预设值。通过上述方式,在上述第一反射强度波峰附近的多个第一距离值上提取幅度数据,并基于获取到的多个幅度数据来计算目标对象的呼吸采样点数据,增加了呼吸信号提取的稳定性,解决了现有技术中,由于计算得到的频点Range-bin位置不准确,而导致的提取不到呼吸信号或是呼吸信号幅度过低的技术问题。
参照图9,图9为本申请实施例提供的一种呼吸信号获取方法的实施例示意,如图9示出的那样,本申请实施例提供的呼吸信号获取方法,包括:
901、发送多个雷达信号。
本申请实施例中,微波雷达装置可以发射雷达信号,雷达信号的种类可以至少包括两种:连续波(continuous wave,CW)信号和chirp信号。
其中,chirp信号是频率随时间变化的电磁信号。通常,上升chirp信号的频率随时间推移增大,而下降chirp信号的频率随时间推移减小。chirp信号的频率变化可以呈现许多不同的形式。例如,线性调频(LFM)信号的频率线性地变化。chirp信号中的其他形式的频率变化包括指数变化。
除了其中频率根据某些预定函数(即线性函数或指数函数)连续变化的这些后一类型的chirp信号之外,还可以生成步进chirp信号形式的chirp信号,其中频率步进变化。也就是说,典型的步进chirp信号包括多个频率步进,其中频率在每个步进处在某个预定持续时间内恒定。步进chirp信号还可脉冲式开启和关闭,其中所述脉冲在chirp扫描的各个步进期间的某个预定时间段期间开启。
本申请实施例中,微波雷达装置可以在一帧时间内周期性发射K个chirp信号,帧周期可以设置为50至100ms,chirp信号数学表达式为:
其中B为带宽,为固定初始相位,tc为Chirp信号周期,A为幅值,f0为起始频率。如图10a、图10b和图10c所示,其中,图10a为chirp信号时域幅值变化,图10b表示chirp信号的频率在时域上线性变化,图10c表示一帧信号包括K个chirp信号。
本申请实施例中,微波雷达装置100生成雷达信号并将雷达信号通过发射器发射到微波雷达装置100正在监视的区域中。信号的生成和发射可以由图2中的RF信号发生器12、雷达发射电路14和发射天线32来实现。
902、接收所述多个雷达信号的多个反射信号。
本申请实施例中,微波雷达装置的发射器发射多个雷达信号,微波雷达装置的接收器可以接收来自远程物体的多个回波信号或反射信号。所述多个回波信号或反射信号是发射的雷达信号撞击所述远程物体并被该物体反射的信号。
具体的,微波雷达装置100可以经由图2所示的接收天线30在雷达接收和模拟处理电路16处接收反射的雷达信号,此反射的雷达信号在本文中可以称为“回波”或“回波信号”或“反射信号”。雷达接收和模拟处理电路16可以包括处理经由接收天线30接收的信号(例如信号分离、混合、外差和/或零差转换、放大、滤波、接收信号触发、信号切换和路由,以及/或者由微波雷达装置100执行的任何其他适当的雷达信号接收功能)所需的任何电路。雷达接收和模拟处理电路16可以基于反射信号生成一个或多个模拟信号,例如同相(I)模拟信号和正交(Q)模拟信号。所得到的模拟信号被发射到模数转换器电路(ADC)18并由该电路数字化(例如可以得到解调后的基带离散采样信号)。然后,数字化的信号(基带离散采样信号)被转发到处理器20以进行信号处理。
903、根据所述多个反射信号计算每个反射信号的距离傅里叶谱以及多个幅度数据;其中,所述距离傅里叶谱包括多个距离值以及每个距离值对应的信号反射强度,每个幅度数据对应于一个距离值,所述幅度数据用于表示对应的距离值的运动幅度,所述距离傅里叶谱包括一个或多个反射强度峰值。
本申请实施例中,步骤903的具体描述可以参照上述实施例中图3对应的步骤303的描述,这里不再赘述。
904、从每个距离傅里叶谱包括的一个或多个反射强度峰值中获取与目标对象对应的反射强度峰值,所述反射强度峰值对应于目标距离值。
本申请实施例中,步骤904的具体描述可以参照上述实施例中图3对应的步骤304的描述,这里不再赘述。
905、从每个距离傅里叶谱包括的多个距离值中确定多个第一距离值,并基于所述多个第一距离值对应的幅度数据计算所述目标对象的呼吸采样点数据,其中每个第一距离值与所述目标距离值之间的距离小于第一预设值,每个距离傅里叶谱对应一个呼吸采样点数据。
本申请实施例中,步骤905的具体描述可以参照上述实施例中图3对应的步骤305的描述,这里不再赘述。
906、基于获取到的多个呼吸采样点数据计算目标对象的呼吸信号,所述呼吸信号包括在时间上排列的多个呼吸采样点数据。
本申请实施例中,通过对一个chirp信号进行上述步骤301至305的处理,可以得到目标对象的一个呼吸采样点数据,通过对多个chirp信号进行上述步骤901至905的处理可以得到目标对象的多个呼吸采样点数据,处理器可以基于获取到的多个呼吸采样点数据计算目标对象的呼吸信号,其中,呼吸信号可以包括在时间上排列的多个呼吸采样点数据。
可选的,本申请实施例中,考虑到不同人物对象之间的差异性,以及相同人物对象在不同睡姿下呼吸信号幅度的差异,处理器在获取到目标对象的呼吸信号之后,可以对获取到的呼吸信号进行归一化。
本申请实施例中,由于呼吸信号具有随机性,呼吸过程中可能出现的一些特殊的情况,比如目标对象突然的深呼吸会使得呼吸信号的幅值突然变大,如果在进行归一化时不考虑这种幅值突然变大的情况,而是直接将呼吸信号归一化至某一个区间(例如[-1,1]之间),会导致正常状态下的呼吸信号被严重压缩,并被误识别为其他类型的呼吸。
其次,针对一些特殊的呼吸类型例如潮式、潮式变体、比奥式呼吸,其呼吸过程中会出现低通气或者呼吸暂停等低幅值信号的情况,如图11所示,图11为一种潮式呼吸的呼吸信号的示意,图中呼吸信号的头尾部幅值较低,为低通气阶段,中间部分信号的波峰幅值越来越高,我们需要保留上述这种低幅值现象,如在归一化时,很容易使得这部分信号被拉伸为正常信号的幅度,影响呼吸信号特征的提取。因此,在归一化呼吸信号时要充分考虑呼吸信号的波动特点,本申请提出的动态归一化方法如下:
一、所述多个呼吸采样点数据包括多个第一呼吸采样点数据以及第二呼吸采样点数据,其中,所述第二呼吸采样点数据大于每个第一呼吸采样点数据,处理器可以基于标准值对所述多个第一呼吸采样点数据以及第二呼吸采样点数据进行归一化处理,其中,所述标准值为对所述多个第一呼吸采样点数据进行统计运算得到的。
本申请实施例中,针对呼吸信号中信号幅度过大的问题,可以对信号的绝对幅值按升序进行排序,并只考虑将幅值排序靠前的信号采样点进行统计运算作为后续归一化的标准值,以消除幅值过大的信号采样点对归一化的影响。即,针对于幅值比较大的呼吸采样点数据(例如第二呼吸采样点数据),在对多个第一呼吸采样点数据以及第二呼吸采样点数据进行归一化处理时,可以不将第二呼吸采样点数据作为归一化标准值的计算依据。在进行归一化时,需要确定出一个用于衡量其他值大小的基础值,该基础值可以认为是上述标准值,标准值是需要根据待归一化数据进行统计运算得到的,例如,在对多个数据进行归一化处理时,标准值可以是多个数据中最大数据和最小数据的差值,也可以是多个数据的平均值,可以理解,针对于不同的归一化方式,标准值的确定方法不同,这里并不限定。
二、所述多个呼吸采样点数据包括多个第一呼吸采样点数据以及第三呼吸采样点数据,其中,所述第三呼吸采样点数据的幅值小于第三预设值,处理器可以对所述多个第一呼吸采样点数据以及第三呼吸采样点数据进行归一化处理,得到归一化处理后的第三呼吸采样点数据,所述归一化处理后的第三呼吸采样点数据与所述第三呼吸采样点数据的幅值的差值小于第四预设值。
本申请实施例中,针对保留低幅值信号的问题,可以根据幅值的均值或者极值特点,设定相应的保留阈值,不进行归一化或者进行特殊的归一化方式,使得归一化前后的呼吸信号的幅值变化在一定范围内。示例性的,处理器对幅值在某个区间(例如50%-95%)的采样信号求均值,确定呼吸信号幅值的大致情况,结合当前区间幅值最大值与某个固定值(视情况而定,例如可以选择1,以下均以1来描述)的关系来判断是否对其进行归一化,当区间内呼吸信号幅值均值以及最大幅值均小于1时,则决定保留原呼吸信号,不做归一化处理。否则按如下方式进行归一化:区间幅值均值大于1时,原呼吸信号除以该均值作为归一化的输出,当区间均值小于1,且该区间最大值大于1时,原呼吸信号除以区间最大值为归一化的输出。以归一化到[-1,1]为例,参照图12,图12为一种呼吸信号归一化处理的示意,如图12中示出的那样,红线框出来的部分为深呼吸信号,原始信号中深呼吸波峰幅度达到了5,深呼吸的幅度被压缩到了1,正常呼吸的波峰幅度被压缩到了与低通气类似的幅度。采用本申请提出的归一化方法,深呼吸的波峰幅值压缩到了2.5,正常呼吸的波峰幅度在1附近。
本申请实施例中,处理器可以按照第一时间窗提取所述呼吸信号的第一呼吸特征,所述第一窗表示通过多个时间间隔;以所述第一呼吸特征作为输入特征,通过呼吸分类模型得到所述目标对象的第一呼吸类型。
现有技术中,异常呼吸检测通常以一个固定的时间间隔作为时间窗来提取呼吸信号的特征,例如以30s为时间间隔,然而,异常呼吸持续的时间不一定是整个时间窗包括的时间段,可能小于时间窗,甚至时间长度不到时间窗的一半,也可能介于一个时间窗与两个时间窗之间。因此,可以采用混合窗的形式提取呼吸信号的特征,可以更好的匹配不同持续时间的异常呼吸信号,混合窗的各个子窗口信号时间长度视情况而定。
具体的,处理器可以按照第一时间窗提取所述呼吸信号的第一呼吸特征,所述第一窗表示通过多个时间间隔,假设以30s为一个检测单元,则可以以5s、10s、15s、30s的时间间隔作为窗口进行特征提取,如图13和14所示。
按上述方式,每个时间间隔可以得到一个呼吸特征,可以对同一长度窗口(时间间隔)下的特征按照升序进行排序,组成第一呼吸特征。以5s时间窗特征的计算为例,一个30s呼吸检测单元包含6个5s时间窗,假设5s时间窗下计算M个特征,则特征m下的6个窗口数据可以表示为Xm=(x1m,x2m,…,x6m),m=1,2,…,M,对Xm按照升序进行排序,形成新的向量依次对M个特征进行上述操作,拼接成新的向量 依次对10s、15s、30s时间窗按照上述方式操作,最后的向量组成为X(X5s,X10s,X15s,X30s)。
可选的,本申请实施例中,处理器还可以按照第二时间窗提取所述呼吸信号的第二呼吸特征,所述第二时间窗表示通过至少一个时间间隔;以所述第二呼吸特征作为输入特征,通过呼吸分类模型得到所述目标对象的第二呼吸类型,其中,所述第二呼吸类型对应于目标置信度;基于所述目标置信度小于预设置信度,通过第三时间窗提取所述呼吸信号的第三呼吸特征,所述第三时间窗表示通过至少一个时间间隔,且所述第二时间窗与所述第三时间窗为不同的时间窗;以所述第三呼吸特征作为输入特征,通过呼吸分类模型确定所述目标对象的第三呼吸类型。
具体的,本申请实施例中,处理器可以按照某一种时间窗(第二时间窗)进行特征提取,基于第二时间窗提取的特征确定的呼吸类型的置信度比较低时,换一种时间窗(第三时间窗)进行特征提取,示例性的,可以以5s、10s、15s、20s、30s的时间间隔作为窗口进行特征提取,得到目标对象对应的第二呼吸类型,然而第二呼吸类型的置信度比较低,此时,可以以10s、20s、30s、60s的时间间隔作为窗口进行特征提取,得到目标对象对应的第三呼吸类型,第三呼吸类型的置信度满足条件(大于预设置信度),此时,处理器可以确定目标对象对应的呼吸类型为第三呼吸类型。
本申请实施例中,可选的,所述第一呼吸特征、第二呼吸特征以及第三呼吸特征至少包括如下特征的一种:呼吸信号峰值的个数、多个呼吸采样点数据的方差、多个呼吸采样点数据的均值、呼吸信号的过零点次数、呼吸信号峰值的偏度、呼吸信号峰值的峰度。本申请并不限定第一呼吸特征、第二呼吸特征以及第三呼吸特征的具体类型。
本申请实施例中,可选的,所述第一呼吸类型、第二呼吸类型和第三呼吸类型至少为如下类型的一种:正常呼吸、潮式呼吸、潮式变体呼吸、比奥式呼吸、节律障碍呼吸或过速呼吸。本申请并不限定第一呼吸类型、第二呼吸类型和第三呼吸类型的具体类型。
需要说明的是,本申请并不限定呼吸分类模型的具体类型,例如呼吸分类模型可以采用随机森林以及梯度提升迭代决策树(gradient boosting decision tree,GBDT)算法,示例性的,针对于六种呼吸类型即正常呼吸、潮式呼吸、潮式变体呼吸、比奥式呼吸、节律障碍、呼吸过速的信号,按前述过程得到一组特征,采用机器学习或者深度学习的方法构建呼吸分类模型,利用该模型可以根据未知呼吸类型的呼吸信号特征预测其对应的呼吸类型,实现呼吸异常的检测,首先采用随机森林、GBDT算法分别基于不同的模型参数(模型参数可以随机选)组合构建至少一个单模型,本实施例中以每种模型构建三个分类单模型为例,得到R1、R2、R3、G1、G2、G3个模型,再采用投票方式进行表决,得票数最多的呼吸类型为模型输出,比如R1、R2、R3、G1对某一组特征的分类结果为正常呼吸,G2、G3对该组特征的分类结果为呼吸过速,则正常呼吸这一类别得票数为四票,呼吸过速这一类别得票数为两票,则最终分类结果为正常呼吸。
参照图15,图15为本申请提供的一种呼吸信号处理方法,所述方法包括:
1501、获取目标对象的呼吸信号,所述呼吸信号包括在时间上排列的多个呼吸采样点数据,所述多个呼吸采样点数据包括多个第一呼吸采样点数据以及第二呼吸采样点数据,其中,所述第二呼吸采样点数据大于每个第一呼吸采样点数据;
1502、基于标准值对所述多个第一呼吸采样点数据以及第二呼吸采样点数据进行归一化处理,其中,所述标准值为对所述多个第一呼吸采样点数据进行统计运算得到的。
本申请实施例中,处理器获取目标对象的呼吸信号,所述呼吸信号包括在时间上排列的多个呼吸采样点数据,所述多个呼吸采样点数据包括多个第一呼吸采样点数据以及第二呼吸采样点数据,其中,所述第二呼吸采样点数据大于每个第一呼吸采样点数据;基于标准值对所述多个第一呼吸采样点数据以及第二呼吸采样点数据进行归一化处理,其中,所述标准值为对所述多个第一呼吸采样点数据进行统计运算得到的。本申请实施例中,由于呼吸信号具有随机性,呼吸过程中可能出现的一些特殊的情况,比如目标对象突然的深呼吸会使得呼吸信号的幅值突然变大,如果在进行归一化时不考虑这种幅值突然变大的情况,而是直接将呼吸信号归一化至某一个区间,会导致正常状态下的呼吸信号被严重压缩,并被误识别为其他类型的呼吸。本申请实施例中,针对呼吸信号中信号幅度过大的问题,可以对信号的绝对幅值按升序进行排序,并只考虑将幅值排序靠前的信号采样点进行统计运算作为后续归一化的标准值,消除了幅值过大的信号采样点对归一化的影响。
参照图16,图16为本申请提供的一种呼吸信号处理方法,所述方法包括:
1601、获取目标对象的呼吸信号,所述呼吸信号包括在时间上排列的多个呼吸采样点数据,所述多个呼吸采样点数据包括多个第一呼吸采样点数据以及第三呼吸采样点数据,其中,所述第三呼吸采样点数据的幅值小于第三预设值。
1602、对所述多个第一呼吸采样点数据以及第三呼吸采样点数据进行归一化处理,得到归一化处理后的第三呼吸采样点数据,所述归一化处理后的第三呼吸采样点数据与所述第三呼吸采样点数据的幅值的差值小于第四预设值。
本申请实施例中,获取目标对象的呼吸信号,所述呼吸信号包括在时间上排列的多个呼吸采样点数据,所述多个呼吸采样点数据包括多个第一呼吸采样点数据以及第三呼吸采样点数据,其中,所述第三呼吸采样点数据的幅值小于第三预设值;对所述多个第一呼吸采样点数据以及第三呼吸采样点数据进行归一化处理,得到归一化处理后的第三呼吸采样点数据,所述归一化处理后的第三呼吸采样点数据与所述第三呼吸采样点数据的幅值的差值小于第四预设值。针对一些特殊的呼吸类型例如潮式、潮式变体、比奥式呼吸,其呼吸过程中会出现低通气或者呼吸暂停等低幅值信号的情况,我们需要保留上述这种低幅值现象,在归一化时,很容易使得这部分信号被拉伸为正常信号的幅度,影响呼吸信号特征的提取,本实施例中,针对保留低幅值信号的问题,可以根据幅值的均值或者极值特点,设定相应的保留阈值,不进行归一化或者进行特殊的归一化方式,使得归一化前后的呼吸信号的幅值变化在一定范围内。
参照图17,图17为本申请提供的一种呼吸信号处理方法,所述方法包括:
1701、获取目标对象的呼吸信号,所述呼吸信号包括在时间上排列的多个呼吸采样点数据,按照第一时间窗提取所述呼吸信号的第一呼吸特征,所述第一窗表示通过多个时间间隔;以所述第一呼吸特征作为输入特征,通过呼吸分类模型得到所述目标对象的第一呼吸类型。
本申请实施例中,处理器获取目标对象的呼吸信号,所述呼吸信号包括在时间上排列的多个呼吸采样点数据,按照第一时间窗提取所述呼吸信号的第一呼吸特征,所述第一窗表示通过多个时间间隔;以所述第一呼吸特征作为输入特征,通过呼吸分类模型得到所述目标对象的第一呼吸类型。现有技术中,异常呼吸检测通常以一个固定的时间间隔作为时间窗来提取呼吸信号的特征,然而,异常呼吸持续的时间不一定是整个时间窗包括的时间段,可能小于时间窗,甚至时间长度不到时间窗的一半,也可能介于一个时间窗与两个时间窗之间。因此,可以采用混合窗的形式提取呼吸信号的特征,可以更好的匹配不同持续时间的异常呼吸信号。
本申请实施例中,可选的,所述第一呼吸特征、第二呼吸特征以及第三呼吸特征至少包括如下特征的一种:呼吸信号峰值的个数、多个呼吸采样点数据的方差、多个呼吸采样点数据的均值、呼吸信号的过零点次数、呼吸信号峰值的偏度、呼吸信号峰值的峰度。本申请并不限定第一呼吸特征、第二呼吸特征以及第三呼吸特征的具体类型。
本申请实施例中,可选的,所述第一呼吸类型、第二呼吸类型和第三呼吸类型至少为如下类型的一种:正常呼吸、潮式呼吸、潮式变体呼吸、比奥式呼吸、节律障碍呼吸或过速呼吸。本申请并不限定第一呼吸类型、第二呼吸类型和第三呼吸类型的具体类型。
参照图18,图18为本申请提供的一种呼吸信号处理方法,所述方法包括:
1801、获取目标对象的呼吸信号,所述呼吸信号包括在时间上排列的多个呼吸采样点数据,按照第二时间窗提取所述呼吸信号的第二呼吸特征,所述第二时间窗表示通过至少一个时间间隔。
1802、以所述第二呼吸特征作为输入特征,通过呼吸分类模型得到所述目标对象的第二呼吸类型,其中,所述第二呼吸类型对应于目标置信度。
1803、基于所述目标置信度小于预设置信度,通过第三时间窗提取所述呼吸信号的第三呼吸特征,所述第三时间窗表示通过至少一个时间间隔,且所述第二时间窗与所述第三时间窗为不同的时间窗。
1804、以所述第三呼吸特征作为输入特征,通过呼吸分类模型确定所述目标对象的第三呼吸类型。
本申请实施例中,获取目标对象的呼吸信号,所述呼吸信号包括在时间上排列的多个呼吸采样点数据,按照第二时间窗提取所述呼吸信号的第二呼吸特征,所述第二时间窗表示通过至少一个时间间隔,以所述第二呼吸特征作为输入特征,通过呼吸分类模型得到所述目标对象的第二呼吸类型,其中,所述第二呼吸类型对应于目标置信度,基于所述目标置信度小于预设置信度,通过第三时间窗提取所述呼吸信号的第三呼吸特征,所述第三时间窗表示通过至少一个时间间隔,且所述第二时间窗与所述第三时间窗为不同的时间窗,以所述第三呼吸特征作为输入特征,通过呼吸分类模型确定所述目标对象的第三呼吸类型。现有技术中,异常呼吸检测通常以一个固定的时间间隔作为时间窗来提取呼吸信号的特征,例如以30s为时间间隔,然而,异常呼吸持续的时间不一定是整个时间窗包括的时间段,可能小于时间窗,甚至时间长度不到时间窗的一半,也可能介于一个时间窗与两个时间窗之间。因此,可以采用混合窗的形式提取呼吸信号的特征,可以更好的匹配不同持续时间的异常呼吸信号。
本申请实施例中,可选的,所述第一呼吸特征、第二呼吸特征以及第三呼吸特征至少包括如下特征的一种:呼吸信号峰值的个数、多个呼吸采样点数据的方差、多个呼吸采样点数据的均值、呼吸信号的过零点次数、呼吸信号峰值的偏度、呼吸信号峰值的峰度。本申请并不限定第一呼吸特征、第二呼吸特征以及第三呼吸特征的具体类型。
本申请实施例中,可选的,所述第一呼吸类型、第二呼吸类型和第三呼吸类型至少为如下类型的一种:正常呼吸、潮式呼吸、潮式变体呼吸、比奥式呼吸、节律障碍呼吸或过速呼吸。本申请并不限定第一呼吸类型、第二呼吸类型和第三呼吸类型的具体类型。
参照图19,图19为本申请提供的一种呼吸数据获取装置的结构示意,如图19中示出的那样,呼吸数据获取装置包括:
发送模块1901,用于发送雷达信号;
接收模块1902,用于接收所述雷达信号的反射信号;
处理模块1903,用于根据所述反射信号计算距离傅里叶谱以及多个幅度数据;其中,所述距离傅里叶谱包括多个距离值以及每个距离值对应的信号反射强度,每个幅度数据对应于一个距离值,所述幅度数据用于表示对应的距离值的运动幅度,所述距离傅里叶谱包括一个或多个反射强度峰值;
从所述一个或多个反射强度峰值中获取与目标对象对应的反射强度峰值,所述反射强度峰值对应于目标距离值;
从所述多个距离值中确定多个第一距离值,并基于所述多个第一距离值对应的幅度数据计算所述目标对象的呼吸采样点数据,其中每个第一距离值与所述目标距离值之间的距离小于第一预设值。
可选的,所述目标对象的呼吸采样点数据为所述多个幅度数据的加权平均值。
可选的,所述处理模块1903,具体用于:
根据所述距离多普勒谱得到多个距离速率谱点云数据,每个距离速率谱点云数据包括一个距离值以及对应的多普勒速率;
基于距离值和多普勒速率,通过聚类算法对所述多个点云数据进行聚类,得到目标对象对应的多个点云数据;
根据所述目标对象对应的多个点云数据获取所述目标对象对应的第二距离值,所述第二距离值与所述目标对象对应的多个点云数据包括的多个距离值有关,所述与目标对象对应的反射强度峰值为所述目标距离值对应的反射强度峰值,所述第二距离值与所述目标距离值的差值的绝对值小于第二预设值。
可选的,所述第二距离值为所述目标对象对应的多个点云数据包括的多个距离值的加权平均值。
可选的,所述处理模块1903,具体用于:
计算所述第一反射信号的距离多普勒谱,根据所述距离多普勒谱得到多个位置速率谱点云数据,每个位置速率谱点云数据包括一个位置坐标以及对应的多普勒速率;
基于位置坐标和多普勒速率,通过聚类算法对所述多个点云数据进行聚类,得到目标对象对应的多个点云数据;
根据所述目标对象对应的多个点云数据获取所述目标对象对应的第二距离值,所述第二距离值与所述目标对象对应的多个点云数据包括的多个位置坐标有关,所述与目标对象对应的反射强度峰值为所述目标距离值对应的反射强度峰值,所述第二距离值与所述目标距离值的差值的绝对值小于第二预设值。
可选的,所述第二距离值为与所述目标对象对应的多个点云数据包括的多个位置坐标的中心位置的距离值。
可选的,所述一个或多个反射强度峰值包括第二反射强度峰值,所述第二反射强度峰值对应于第三距离值,所述第二距离值与所述目标距离值的差值绝对值为第一差值绝对值,所述第三距离值与所述第二距离值的差值绝对值为第二差值绝对值,所述第一差值绝对值小于所述第二差值绝对值。
可选的,所述第二反射强度峰值和所述反射强度峰值大于目标阈值。
可选的,每个点云数据还包括信噪比,目标对象对应的多个点云数据中的每个点云数据至少满足如下条件中的一个:
包括的多普勒速率大于或等于第一阈值;或
包括的信噪比小于或等于第二阈值。
本申请还提供了一种呼吸信号获取装置,包括:
发送模块1901,用于发送多个雷达信号;
接收模块1902,用于接收所述多个雷达信号的多个反射信号;
处理模块1903,用于根据所述多个反射信号计算每个反射信号的距离傅里叶谱以及多个幅度数据;其中,所述距离傅里叶谱包括多个距离值以及每个距离值对应的信号反射强度,每个幅度数据对应于一个距离值,所述幅度数据用于表示对应的距离值的运动幅度,所述距离傅里叶谱包括一个或多个反射强度峰值;
从每个距离傅里叶谱包括的一个或多个反射强度峰值中获取与目标对象对应的反射强度峰值,所述反射强度峰值对应于目标距离值;
从每个距离傅里叶谱包括的多个距离值中确定多个第一距离值,并基于所述多个第一距离值对应的幅度数据计算所述目标对象的呼吸采样点数据,其中每个第一距离值与所述目标距离值之间的距离小于第一预设值,每个距离傅里叶谱对应一个呼吸采样点数据;
基于获取到的多个呼吸采样点数据计算目标对象的呼吸信号,所述呼吸信号包括在时间上排列的多个呼吸采样点数据。
可选的,所述多个呼吸采样点数据包括多个第一呼吸采样点数据以及第二呼吸采样点数据,其中,所述第二呼吸采样点数据大于每个第一呼吸采样点数据,所述处理模块还用于:
基于标准值对所述多个第一呼吸采样点数据以及第二呼吸采样点数据进行归一化处理,其中,所述标准值为对所述多个第一呼吸采样点数据进行统计运算得到的。
可选的,所述多个呼吸采样点数据包括多个第一呼吸采样点数据以及第三呼吸采样点数据,其中,所述第三呼吸采样点数据的幅值小于第三预设值,所述处理模块还用于:
对所述多个第一呼吸采样点数据以及第三呼吸采样点数据进行归一化处理,得到归一化处理后的第三呼吸采样点数据,所述归一化处理后的第三呼吸采样点数据与所述第三呼吸采样点数据的幅值的差值小于第四预设值。
可选的,所述处理模块1903还用于:
按照第一时间窗提取所述呼吸信号的第一呼吸特征,所述第一窗表示通过多个时间间隔;
以所述第一呼吸特征作为输入特征,通过呼吸分类模型得到所述目标对象的第一呼吸类型。
可选的,在第四方面的一种可选设计中,所述处理模块1903还用于:
按照第二时间窗提取所述呼吸信号的第二呼吸特征,所述第二时间窗表示通过至少一个时间间隔;
以所述第二呼吸特征作为输入特征,通过呼吸分类模型得到所述目标对象的第二呼吸类型,其中,所述第二呼吸类型对应于目标置信度;
基于所述目标置信度小于预设置信度,通过第三时间窗提取所述呼吸信号的第三呼吸特征,所述第三时间窗表示通过至少一个时间间隔,且所述第二时间窗与所述第三时间窗为不同的时间窗;
以所述第三呼吸特征作为输入特征,通过呼吸分类模型确定所述目标对象的第三呼吸类型。
本申请还提供的一种微波雷达装置,包括雷达天线和处理器,所述处理器与所述雷达天线通信连接,所述雷达天线,用于发送雷达信号,接收所述雷达信号的反射信号,并将所述反射信号输送至所述处理器;
所述处理器,用于根据所述反射信号计算距离傅里叶谱以及多个幅度数据;其中,所述距离傅里叶谱包括多个距离值以及每个距离值对应的信号反射强度,每个幅度数据对应于一个距离值,所述幅度数据用于表示对应的距离值的运动幅度,所述距离傅里叶谱包括一个或多个反射强度峰值;从所述一个或多个反射强度峰值中获取与目标对象对应的反射强度峰值,所述反射强度峰值对应于目标距离值;从所述多个距离值中确定多个第一距离值,并基于所述多个第一距离值对应的幅度数据计算所述目标对象的呼吸采样点数据,其中每个第一距离值与所述目标距离值之间的距离小于第一预设值。
可选的,所述目标对象的呼吸采样点数据为所述多个幅度数据的加权平均值。
可选的,所述处理器,具体用于:
计算所述第一反射信号的距离多普勒谱,根据所述距离多普勒谱得到多个距离速率谱点云数据,每个距离速率谱点云数据包括一个距离值以及对应的多普勒速率;
基于距离值和多普勒速率,通过聚类算法对所述多个点云数据进行聚类,得到目标对象对应的多个点云数据;
根据所述目标对象对应的多个点云数据获取所述目标对象对应的第二距离值,所述第二距离值与所述目标对象对应的多个点云数据包括的多个距离值有关,所述与目标对象对应的反射强度峰值为所述目标距离值对应的反射强度峰值,所述第二距离值与所述目标距离值的差值的绝对值小于第二预设值。
可选的,所述第二距离值为所述目标对象对应的多个点云数据包括的多个距离值的加权平均值。
可选的,所述处理器,具体用于:
计算所述第一反射信号的距离多普勒谱,根据所述距离多普勒谱得到多个位置速率谱点云数据,每个位置速率谱点云数据包括一个位置坐标以及对应的多普勒速率;
基于位置坐标和多普勒速率,通过聚类算法对所述多个点云数据进行聚类,得到目标对象对应的多个点云数据;
根据所述目标对象对应的多个点云数据获取所述目标对象对应的第二距离值,所述第二距离值与所述目标对象对应的多个点云数据包括的多个位置坐标有关,所述与目标对象对应的反射强度峰值为所述目标距离值对应的反射强度峰值,所述第二距离值与所述目标距离值的差值的绝对值小于第二预设值。
可选的,所述第二距离值为与所述目标对象对应的多个点云数据包括的多个位置坐标的中心位置的距离值。
可选的,所述一个或多个反射强度峰值包括第二反射强度峰值,所述第二反射强度峰值对应于第三距离值,所述第二距离值与所述目标距离值的差值绝对值为第一差值绝对值,所述第三距离值与所述第二距离值的差值绝对值为第二差值绝对值,所述第一差值绝对值小于所述第二差值绝对值。
可选的,所述第二反射强度峰值和所述反射强度峰值大于目标阈值。
可选的,每个点云数据还包括信噪比,目标对象对应的多个点云数据中的每个点云数据至少满足如下条件中的一个:
包括的多普勒速率大于或等于第一阈值;或
包括的信噪比小于或等于第二阈值。
本申请提供了一种微波雷达装置,包括雷达天线和处理器,所述处理器与所述雷达天线通信连接,所述雷达天线,用于发送多个雷达信号,接收所述多个雷达信号的多个反射信号,并将所述多个反射信号输送至所述处理器;
所述处理器,用于根据所述多个反射信号计算每个反射信号的距离傅里叶谱以及多个幅度数据;其中,所述距离傅里叶谱包括多个距离值以及每个距离值对应的信号反射强度,每个幅度数据对应于一个距离值,所述幅度数据用于表示对应的距离值的运动幅度,所述距离傅里叶谱包括一个或多个反射强度峰值;从每个距离傅里叶谱包括的一个或多个反射强度峰值中获取与目标对象对应的反射强度峰值,所述反射强度峰值对应于目标距离值;从每个距离傅里叶谱包括的多个距离值中确定多个第一距离值,并基于所述多个第一距离值对应的幅度数据计算所述目标对象的呼吸采样点数据,其中每个第一距离值与所述目标距离值之间的距离小于第一预设值,每个距离傅里叶谱对应一个呼吸采样点数据;基于获取到的多个呼吸采样点数据计算目标对象的呼吸信号,所述呼吸信号包括在时间上排列的多个呼吸采样点数据。
可选的,所述多个呼吸采样点数据包括多个第一呼吸采样点数据以及第二呼吸采样点数据,其中,所述第二呼吸采样点数据大于每个第一呼吸采样点数据,所述处理器还用于:
基于标准值对所述多个第一呼吸采样点数据以及第二呼吸采样点数据进行归一化处理,其中,所述标准值为对所述多个第一呼吸采样点数据进行统计运算得到的。
可选的,所述多个呼吸采样点数据包括多个第一呼吸采样点数据以及第三呼吸采样点数据,其中,所述第三呼吸采样点数据的幅值小于第三预设值,所述处理器还用于:
对所述多个第一呼吸采样点数据以及第三呼吸采样点数据进行归一化处理,得到归一化处理后的第三呼吸采样点数据,所述归一化处理后的第三呼吸采样点数据与所述第三呼吸采样点数据的幅值的差值小于第四预设值。
可选的,所述处理器还用于:
按照第一时间窗提取所述呼吸信号的第一呼吸特征,所述第一窗表示通过多个时间间隔;
以所述第一呼吸特征作为输入特征,通过呼吸分类模型得到所述目标对象的第一呼吸类型。
可选的,所述处理器还用于:
按照第二时间窗提取所述呼吸信号的第二呼吸特征,所述第二时间窗表示通过至少一个时间间隔;
以所述第二呼吸特征作为输入特征,通过呼吸分类模型得到所述目标对象的第二呼吸类型,其中,所述第二呼吸类型对应于目标置信度;
基于所述目标置信度小于预设置信度,通过第三时间窗提取所述呼吸信号的第三呼吸特征,所述第三时间窗表示通过至少一个时间间隔,且所述第二时间窗与所述第三时间窗为不同的时间窗;
以所述第三呼吸特征作为输入特征,通过呼吸分类模型确定所述目标对象的第三呼吸类型。
可选的,所述目标对象的呼吸数据为所述多个幅度数据的加权平均值。
可选的,所述从所述多个反射强度峰值中获取与目标对象对应的反射强度峰值,包括:
计算所述第一反射信号的距离多普勒谱,根据所述距离多普勒谱得到多个距离速率谱点云数据所述距离多普勒谱包括多个点云数据,每个点云数据包括一个距离值以及对应的多普勒速率;
基于距离值和多普勒速率,通过聚类算法对所述多个点云数据进行聚类,得到目标对象对应的多个点云数据;
根据所述目标对象对应的多个点云数据获取所述目标对象对应的第二距离值,所述第二距离值与所述目标对象对应的多个点云数据包括的多个距离值有关,所述与目标对象对应的反射强度峰值为所述目标距离值对应的反射强度峰值,所述第二距离值与所述目标距离值的差值的绝对值小于第二预设值。
可选的,所述第二距离值为所述目标对象对应的多个点云数据包括的多个距离值的加权平均值。
可选的,所述从所述多个反射强度峰值中获取与目标对象对应的反射强度峰值,包括:
计算所述第一反射信号的位置距离多普勒谱,根据所述距离多普勒谱得到多个位置速率谱点云数据所述位置多普勒谱包括多个点云数据,每个点云数据包括一个位置坐标以及对应的多普勒速率;
基于位置坐标和多普勒速率,通过聚类算法对所述多个点云数据进行聚类,得到目标对象对应的多个点云数据;
根据所述目标对象对应的多个点云数据获取所述目标对象对应的第二距离值,所述第二距离值与所述目标对象对应的多个点云数据包括的多个位置坐标有关,所述与目标对象对应的反射强度峰值为所述目标距离值对应的反射强度峰值,所述第二距离值与所述目标距离值的差值的绝对值小于第二预设值。
可选的,所述第二距离值为所述目标对象对应的多个点云数据包括的多个位置坐标的加权平均值。
可选的,所述距离傅里叶谱包括反射强度峰值和与目标对象对应的反射强度峰值,所述反射强度峰值对应于第三距离值,所述第二距离值与所述目标距离值的差值绝对值为第一差值绝对值,所述第二距离值与所述反射强度峰值的差值绝对值为第二差值绝对值,所述第一差值绝对值小于所述第二差值绝对值。
可选的,每个点云数据还包括信噪比,目标对象对应的多个点云数据中的每个点云数据至少满足如下条件中的一个:
包括的多普勒速率大于或等于第一阈值;或
包括的信噪比小于或等于第二阈值。
本申请还提供了一种呼吸信号获取装置,包括:
处理模块,用于获取目标对象的呼吸信号,所述呼吸信号包括在时间上排列的多个呼吸采样点数据,所述多个呼吸采样点数据包括多个第一呼吸采样点数据以及第二呼吸采样点数据,其中,所述第二呼吸采样点数据大于每个第一呼吸采样点数据;基于标准值对所述多个第一呼吸采样点数据以及第二呼吸采样点数据进行归一化处理,其中,所述标准值为对所述多个第一呼吸采样点数据进行统计运算得到的。
本申请还提供了一种呼吸信号获取装置,包括:
处理模块,用于获取目标对象的呼吸信号,所述呼吸信号包括在时间上排列的多个呼吸采样点数据,所述多个呼吸采样点数据包括多个第一呼吸采样点数据以及第三呼吸采样点数据,其中,所述第三呼吸采样点数据的幅值小于第三预设值;对所述多个第一呼吸采样点数据以及第三呼吸采样点数据进行归一化处理,得到归一化处理后的第三呼吸采样点数据,所述归一化处理后的第三呼吸采样点数据与所述第三呼吸采样点数据的幅值的差值小于第四预设值。
本申请还提供了一种呼吸信号获取装置,包括:
处理模块,用于获取目标对象的呼吸信号,所述呼吸信号包括在时间上排列的多个呼吸采样点数据,按照第一时间窗提取所述呼吸信号的第一呼吸特征,所述第一窗表示通过多个时间间隔;以所述第一呼吸特征作为输入特征,通过呼吸分类模型得到所述目标对象的第一呼吸类型。
可选的,所述第一呼吸特征至少包括如下特征的一种:
呼吸信号峰值的个数、多个呼吸采样点数据的方差、多个呼吸采样点数据的均值、呼吸信号的过零点次数、呼吸信号峰值的偏度、呼吸信号峰值的峰度。
可选的,所述呼吸类型至少为如下类型的一种:
正常呼吸、潮式呼吸、潮式变体呼吸、比奥式呼吸、节律障碍呼吸或过速呼吸。
本申请还提供了一种呼吸信号获取装置,包括:
处理模块,用于获取目标对象的呼吸信号,所述呼吸信号包括在时间上排列的多个呼吸采样点数据,按照第二时间窗提取所述呼吸信号的第二呼吸特征,所述第二时间窗表示通过至少一个时间间隔;以所述第二呼吸特征作为输入特征,通过呼吸分类模型得到所述目标对象的第二呼吸类型,其中,所述第二呼吸类型对应于目标置信度;基于所述目标置信度小于预设置信度,通过第三时间窗提取所述呼吸信号的第三呼吸特征,所述第三时间窗表示通过至少一个时间间隔,且所述第二时间窗与所述第三时间窗为不同的时间窗;以所述第三呼吸特征作为输入特征,通过呼吸分类模型确定所述目标对象的第三呼吸类型。
可选的,所述第一呼吸特征、所述第二呼吸特征和所述第三呼吸特征至少包括如下特征的一种:
呼吸信号峰值的个数、多个呼吸采样点数据的方差、多个呼吸采样点数据的均值、呼吸信号的过零点次数、呼吸信号峰值的偏度、呼吸信号峰值的峰度。
可选的,所述呼吸类型至少为如下类型的一种:
正常呼吸、潮式呼吸、潮式变体呼吸、比奥式呼吸、节律障碍呼吸或过速呼吸。
接下来介绍本申请实施例提供的一种微波雷达装置,请参阅图20,图20为本申请实施例提供的微波雷达装置的一种结构示意图。具体的,微波雷达装置2000包括:接收器2001、发射器2002、处理器2003和存储器2004(其中微波雷达装置2000中的处理器2003的数量可以一个或多个,图20中以一个处理器为例),其中,处理器2003可以包括应用处理器20031和通信处理器20032。在本申请的一些实施例中,接收器2001、发射器2002、处理器2003和存储器2004可通过总线或其它方式连接。
存储器2004可以包括只读存储器和随机存取存储器,并向处理器2003提供指令和数据。存储器2004的一部分还可以包括非易失性随机存取存储器(non-volatile randomaccess memory,NVRAM)。存储器2004存储有处理器和操作指令、可执行模块或者数据结构,或者它们的子集,或者它们的扩展集,其中,操作指令可包括各种操作指令,用于实现各种操作。
处理器2003控制微波雷达装置的操作。具体的应用中,微波雷达装置的各个组件通过总线系统耦合在一起,其中总线系统除包括数据总线之外,还可以包括电源总线、控制总线和状态信号总线等。但是为了清楚说明起见,在图中将各种总线都称为总线系统。
上述本申请实施例揭示的方法可以应用于处理器2003中,或者由处理器2003实现。处理器2003可以是一种集成电路芯片,具有信号的处理能力。在实现过程中,上述方法的各步骤可以通过处理器2003中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器2003可以是通用处理器、数字信号处理器(digital signal processing,DSP)、微处理器或微控制器,还可进一步包括专用集成电路(application specific integratedcircuit,ASIC)、现场可编程门阵列(field-programmable gate array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。该处理器2003可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本申请实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成,或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器,闪存、只读存储器,可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器2004,处理器2003读取存储器2004中的信息,结合其硬件完成上述方法的步骤。
接收器2001可用于接收输入的数字或字符信息,以及产生与微波雷达装置的相关设置以及功能控制有关的信号输入。发射器2002可用于通过第一接口输出数字或字符信息;发射器2002还可用于通过第一接口向磁盘组发送指令,以修改磁盘组中的数据。
本申请实施例还提供了一种服务器,请参阅图21,图21是本申请实施例提供的服务器的一种结构示意图,服务器可因配置或性能不同而产生比较大的差异,可以包括一个或一个以上中央处理器(central processing units,CPU)2122(例如,一个或一个以上处理器)和存储器2132,一个或一个以上存储应用程序2142或数据2144的存储介质2130(例如一个或一个以上海量存储设备)。其中,存储器2132和存储介质2130可以是短暂存储或持久存储。存储在存储介质2130的程序可以包括一个或一个以上模块(图示没标出),每个模块可以包括对训练设备中的一系列指令操作。更进一步地,中央处理器2122可以设置为与存储介质2130通信,在服务器2100上执行存储介质2130中的一系列指令操作。
服务器2100还可以包括一个或一个以上电源2126,一个或一个以上有线或无线网络接口2150,一个或一个以上输入输出接口2158,和/或,一个或一个以上操作系统2141,例如Windows ServerTM,Mac OS XTM,UnixTM,LinuxTM,FreeBSDTM等等。
本申请实施例中,中央处理器2122,用于执行上述实施例中描述的呼吸数据获取方法以及呼吸信号获取方法中与呼吸类型确定相关的步骤。
本申请实施例中还提供一种包括计算机程序产品,当其在计算机上运行时,使得计算机执行呼吸数据获取方法以及呼吸信号获取方法中与呼吸类型确定相关的步骤。
本申请实施例中还提供一种计算机可读存储介质,该计算机可读存储介质中存储有用于进行信号处理的程序,当其在计算机上运行时,使得计算机执行如前述实施例描述的方法中呼吸数据获取方法以及呼吸信号获取方法中与呼吸类型确定相关的步骤。
本申请实施例提供的执行设备和训练设备具体可以为芯片,芯片包括:处理单元和通信单元,所述处理单元例如可以是处理器,所述通信单元例如可以是输入/输出接口、管脚或电路等。该处理单元可执行存储单元存储的计算机执行指令,以使执行设备内的芯片执行上述实施例描述的图像增强方法,或者,以使训练设备内的芯片执行上述实施例描述的图像增强方法。可选地,所述存储单元为所述芯片内的存储单元,如寄存器、缓存等,所述存储单元还可以是所述无线接入设备端内的位于所述芯片外部的存储单元,如只读存储器(read-only memory,ROM)或可存储静态信息和指令的其他类型的静态存储设备,随机存取存储器(random access memory,RAM)等。
具体的,请参阅图22,图22为本申请实施例提供的芯片的一种结构示意图,所述芯片可以表现为神经网络处理器NPU220,NPU 220作为协处理器挂载到主CPU(Host CPU)上,由Host CPU分配任务。NPU的核心部分为运算电路2203,通过控制器2204控制运算电路2203提取存储器中的矩阵数据并进行乘法运算。
在一些实现中,运算电路2203内部包括多个处理单元(Process Engine,PE)。在一些实现中,运算电路2203是二维脉动阵列。运算电路2203还可以是一维脉动阵列或者能够执行例如乘法和加法这样的数学运算的其它电子线路。在一些实现中,运算电路2203是通用的矩阵处理器。
举例来说,假设有输入矩阵A,权重矩阵B,输出矩阵C。运算电路从权重存储器2202中取矩阵B相应的数据,并缓存在运算电路中每一个PE上。运算电路从输入存储器2201中取矩阵A数据与矩阵B进行矩阵运算,得到的矩阵的部分结果或最终结果,保存在累加器(accumulator)2208中。
统一存储器2206用于存放输入数据以及输出数据。权重数据直接通过存储单元访问控制器(direct memory access controller,DMAC)2205,DMAC被搬运到权重存储器2202中。输入数据也通过DMAC被搬运到统一存储器2206中。
BIU为Bus Interface Unit即,总线接口单元2210,用于AXI总线与DMAC和取指存储器(Instruction Fetch Buffer,IFB)2209的交互。
总线接口单元2210(Bus Interface Unit,简称BIU),用于取指存储器2209从外部存储器获取指令,还用于存储单元访问控制器2205从外部存储器获取输入矩阵A或者权重矩阵B的原数据。
DMAC主要用于将外部存储器DDR中的输入数据搬运到统一存储器2206或将权重数据搬运到权重存储器2202中或将输入数据数据搬运到输入存储器2201中。
向量计算单元2207包括多个运算处理单元,在需要的情况下,对运算电路的输出做进一步处理,如向量乘,向量加,指数运算,对数运算,大小比较等等。主要用于神经网络中非卷积/全连接层网络计算,如Batch Normalization(批归一化),像素级求和,对特征平面进行上采样等。
在一些实现中,向量计算单元2207能将经处理的输出的向量存储到统一存储器2206。例如,向量计算单元2207可以将线性函数和/或非线性函数应用到运算电路2203的输出,例如对卷积层提取的特征平面进行线性插值,再例如累加值的向量,用以生成激活值。在一些实现中,向量计算单元2207生成归一化的值、像素级求和的值,或二者均有。在一些实现中,处理过的输出的向量能够用作到运算电路2203的激活输入,例如用于在神经网络中的后续层中的使用。
控制器2204连接的取指存储器(instruction fetch buffer)2209,用于存储控制器2204使用的指令;
统一存储器2206,输入存储器2201,权重存储器2202以及取指存储器2209均为On-Chip存储器。外部存储器私有于该NPU硬件架构。
其中,上述任一处提到的处理器,可以是一个通用中央处理器,微处理器,ASIC,或一个或多个用于控制上述呼吸数据获取方法以及呼吸信号获取方法中与呼吸类型确定相关步骤的程序执行的集成电路。
另外需说明的是,以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。另外,本申请提供的装置实施例附图中,模块之间的连接关系表示它们之间具有通信连接,具体可以实现为一条或多条通信总线或信号线。
通过以上的实施方式的描述,所属领域的技术人员可以清楚地了解到本申请可借助软件加必需的通用硬件的方式来实现,当然也可以通过专用硬件包括专用集成电路、专用CPU、专用存储器、专用元器件等来实现。一般情况下,凡由计算机程序完成的功能都可以很容易地用相应的硬件来实现,而且,用来实现同一功能的具体硬件结构也可以是多种多样的,例如模拟电路、数字电路或专用电路等。但是,对本申请而言更多情况下软件程序实现是更佳的实施方式。基于这样的理解,本申请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可读取的存储介质中,如计算机的软盘、U盘、移动硬盘、ROM、RAM、磁碟或者光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,训练设备,或者网络设备等)执行本申请各个实施例所述的方法。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。
所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时,全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、训练设备或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、训练设备或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存储的任何可用介质或者是包含一个或多个可用介质集成的训练设备、数据中心等数据存储设备。所述可用介质可以是磁性介质,(例如,软盘、硬盘、磁带)、光介质(例如,DVD)、或者半导体介质(例如固态硬盘(Solid State Disk,SSD))等。
Claims (21)
1.一种呼吸数据获取方法,其特征在于,所述方法包括:
发送雷达信号;
接收所述雷达信号的反射信号;
根据所述反射信号计算距离傅里叶谱以及多个幅度数据;其中,所述距离傅里叶谱包括多个距离值以及每个距离值对应的信号反射强度,每个幅度数据对应于一个距离值,所述幅度数据用于表示对应的距离值的运动幅度,所述距离傅里叶谱包括一个或多个反射强度峰值;
从所述一个或多个反射强度峰值中获取与目标对象对应的反射强度峰值,所述反射强度峰值对应于目标距离值;
从所述多个距离值中确定多个第一距离值,并基于所述多个第一距离值对应的幅度数据计算所述目标对象的呼吸采样点数据,其中每个第一距离值与所述目标距离值之间的距离小于第一预设值。
2.根据权利要求1所述的方法,其特征在于,所述目标对象的呼吸采样点数据为所述多个幅度数据的加权平均值。
3.一种呼吸信号获取方法,其特征在于,所述方法包括:
发送多个雷达信号;
接收所述多个雷达信号的多个反射信号;
根据所述多个反射信号计算每个反射信号的距离傅里叶谱以及多个幅度数据;其中,所述距离傅里叶谱包括多个距离值以及每个距离值对应的信号反射强度,每个幅度数据对应于一个距离值,所述幅度数据用于表示对应的距离值的运动幅度,所述距离傅里叶谱包括一个或多个反射强度峰值;
从每个距离傅里叶谱包括的一个或多个反射强度峰值中获取与目标对象对应的反射强度峰值,所述反射强度峰值对应于目标距离值;
从每个距离傅里叶谱包括的多个距离值中确定多个第一距离值,并基于所述多个第一距离值对应的幅度数据计算所述目标对象的呼吸采样点数据,其中每个第一距离值与所述目标距离值之间的距离小于第一预设值,每个距离傅里叶谱对应一个呼吸采样点数据;
基于获取到的多个呼吸采样点数据计算目标对象的呼吸信号,所述呼吸信号包括在时间上排列的多个呼吸采样点数据。
4.根据权利要求3所述的方法,其特征在于,所述多个呼吸采样点数据包括多个第一呼吸采样点数据以及第二呼吸采样点数据,其中,所述第二呼吸采样点数据大于每个第一呼吸采样点数据,所述方法还包括:
基于标准值对所述多个第一呼吸采样点数据以及第二呼吸采样点数据进行归一化处理,其中,所述标准值为对所述多个第一呼吸采样点数据进行统计运算得到的。
5.根据权利要求3所述的方法,其特征在于,所述多个呼吸采样点数据包括多个第一呼吸采样点数据以及第三呼吸采样点数据,其中,所述第三呼吸采样点数据的幅值小于第三预设值,所述方法还包括:
对所述多个第一呼吸采样点数据以及第三呼吸采样点数据进行归一化处理,得到归一化处理后的第三呼吸采样点数据,所述归一化处理后的第三呼吸采样点数据与所述第三呼吸采样点数据的幅值的差值小于第四预设值。
6.根据权利要求3至5任一所述的方法,其特征在于,所述方法还包括:
按照第一时间窗提取所述呼吸信号的第一呼吸特征,所述第一窗表示通过多个时间间隔;
以所述第一呼吸特征作为输入特征,通过呼吸分类模型得到所述目标对象的第一呼吸类型。
7.根据权利要求3至5任一所述的方法,其特征在于,所述方法还包括:
按照第二时间窗提取所述呼吸信号的第二呼吸特征,所述第二时间窗表示通过至少一个时间间隔;
以所述第二呼吸特征作为输入特征,通过呼吸分类模型得到所述目标对象的第二呼吸类型,其中,所述第二呼吸类型对应于目标置信度;
基于所述目标置信度小于预设置信度,通过第三时间窗提取所述呼吸信号的第三呼吸特征,所述第三时间窗表示通过至少一个时间间隔,且所述第二时间窗与所述第三时间窗为不同的时间窗;
以所述第三呼吸特征作为输入特征,通过呼吸分类模型确定所述目标对象的第三呼吸类型。
8.一种呼吸数据获取装置,其特征在于,包括:
发送模块,用于发送雷达信号;
接收模块,用于接收所述雷达信号的反射信号;
处理模块,用于根据所述反射信号计算距离傅里叶谱以及多个幅度数据;其中,所述距离傅里叶谱包括多个距离值以及每个距离值对应的信号反射强度,每个幅度数据对应于一个距离值,所述幅度数据用于表示对应的距离值的运动幅度,所述距离傅里叶谱包括一个或多个反射强度峰值;
从所述一个或多个反射强度峰值中获取与目标对象对应的反射强度峰值,所述反射强度峰值对应于目标距离值;
从所述多个距离值中确定多个第一距离值,并基于所述多个第一距离值对应的幅度数据计算所述目标对象的呼吸采样点数据,其中每个第一距离值与所述目标距离值之间的距离小于第一预设值。
9.根据权利要求8所述的装置,其特征在于,所述目标对象的呼吸采样点数据为所述多个幅度数据的加权平均值。
10.一种呼吸信号获取装置,其特征在于,包括:
发送模块,用于发送多个雷达信号;
接收模块,用于接收所述多个雷达信号的多个反射信号;
处理模块,用于根据所述多个反射信号计算每个反射信号的距离傅里叶谱以及多个幅度数据;其中,所述距离傅里叶谱包括多个距离值以及每个距离值对应的信号反射强度,每个幅度数据对应于一个距离值,所述幅度数据用于表示对应的距离值的运动幅度,所述距离傅里叶谱包括一个或多个反射强度峰值;
从每个距离傅里叶谱包括的一个或多个反射强度峰值中获取与目标对象对应的反射强度峰值,所述反射强度峰值对应于目标距离值;
从每个距离傅里叶谱包括的多个距离值中确定多个第一距离值,并基于所述多个第一距离值对应的幅度数据计算所述目标对象的呼吸采样点数据,其中每个第一距离值与所述目标距离值之间的距离小于第一预设值,每个距离傅里叶谱对应一个呼吸采样点数据;
基于获取到的多个呼吸采样点数据计算目标对象的呼吸信号,所述呼吸信号包括在时间上排列的多个呼吸采样点数据。
11.根据权利要求10所述的装置,其特征在于,所述多个呼吸采样点数据包括多个第一呼吸采样点数据以及第二呼吸采样点数据,其中,所述第二呼吸采样点数据大于每个第一呼吸采样点数据,所述处理模块还用于:
基于标准值对所述多个第一呼吸采样点数据以及第二呼吸采样点数据进行归一化处理,其中,所述标准值为对所述多个第一呼吸采样点数据进行统计运算得到的。
12.根据权利要求10所述的装置,其特征在于,所述多个呼吸采样点数据包括多个第一呼吸采样点数据以及第三呼吸采样点数据,其中,所述第三呼吸采样点数据的幅值小于第三预设值,所述处理模块还用于:
对所述多个第一呼吸采样点数据以及第三呼吸采样点数据进行归一化处理,得到归一化处理后的第三呼吸采样点数据,所述归一化处理后的第三呼吸采样点数据与所述第三呼吸采样点数据的幅值的差值小于第四预设值。
13.根据权利要求10至12任一所述的装置,其特征在于,所述处理模块还用于:
按照第一时间窗提取所述呼吸信号的第一呼吸特征,所述第一窗表示通过多个时间间隔;
以所述第一呼吸特征作为输入特征,通过呼吸分类模型得到所述目标对象的第一呼吸类型。
14.根据权利要求10至12任一所述的装置,其特征在于,所述处理模块还用于:
按照第二时间窗提取所述呼吸信号的第二呼吸特征,所述第二时间窗表示通过至少一个时间间隔;
以所述第二呼吸特征作为输入特征,通过呼吸分类模型得到所述目标对象的第二呼吸类型,其中,所述第二呼吸类型对应于目标置信度;
基于所述目标置信度小于预设置信度,通过第三时间窗提取所述呼吸信号的第三呼吸特征,所述第三时间窗表示通过至少一个时间间隔,且所述第二时间窗与所述第三时间窗为不同的时间窗;
以所述第三呼吸特征作为输入特征,通过呼吸分类模型确定所述目标对象的第三呼吸类型。
15.一种微波雷达装置,包括雷达天线和处理器,所述处理器与所述雷达天线通信连接,其特征在于,
所述雷达天线,用于发送雷达信号,接收所述雷达信号的反射信号,并将所述反射信号输送至所述处理器;
所述处理器,用于根据所述反射信号计算距离傅里叶谱以及多个幅度数据;其中,所述距离傅里叶谱包括多个距离值以及每个距离值对应的信号反射强度,每个幅度数据对应于一个距离值,所述幅度数据用于表示对应的距离值的运动幅度,所述距离傅里叶谱包括一个或多个反射强度峰值;从所述一个或多个反射强度峰值中获取与目标对象对应的反射强度峰值,所述反射强度峰值对应于目标距离值;从所述多个距离值中确定多个第一距离值,并基于所述多个第一距离值对应的幅度数据计算所述目标对象的呼吸采样点数据,其中每个第一距离值与所述目标距离值之间的距离小于第一预设值。
16.根据权利要求15所述的装置,其特征在于,所述目标对象的呼吸采样点数据为所述多个幅度数据的加权平均值。
17.一种微波雷达装置,包括雷达天线和处理器,所述处理器与所述雷达天线通信连接,其特征在于,
所述雷达天线,用于发送多个雷达信号,接收所述多个雷达信号的多个反射信号,并将所述多个反射信号输送至所述处理器;
所述处理器,用于根据所述多个反射信号计算每个反射信号的距离傅里叶谱以及多个幅度数据;其中,所述距离傅里叶谱包括多个距离值以及每个距离值对应的信号反射强度,每个幅度数据对应于一个距离值,所述幅度数据用于表示对应的距离值的运动幅度,所述距离傅里叶谱包括一个或多个反射强度峰值;从每个距离傅里叶谱包括的一个或多个反射强度峰值中获取与目标对象对应的反射强度峰值,所述反射强度峰值对应于目标距离值;从每个距离傅里叶谱包括的多个距离值中确定多个第一距离值,并基于所述多个第一距离值对应的幅度数据计算所述目标对象的呼吸采样点数据,其中每个第一距离值与所述目标距离值之间的距离小于第一预设值,每个距离傅里叶谱对应一个呼吸采样点数据;基于获取到的多个呼吸采样点数据计算目标对象的呼吸信号,所述呼吸信号包括在时间上排列的多个呼吸采样点数据。
18.根据权利要求17所述的装置,其特征在于,所述多个呼吸采样点数据包括多个第一呼吸采样点数据以及第二呼吸采样点数据,其中,所述第二呼吸采样点数据大于每个第一呼吸采样点数据,所述处理器还用于:
基于标准值对所述多个第一呼吸采样点数据以及第二呼吸采样点数据进行归一化处理,其中,所述标准值为对所述多个第一呼吸采样点数据进行统计运算得到的。
19.根据权利要求17所述的装置,其特征在于,所述多个呼吸采样点数据包括多个第一呼吸采样点数据以及第三呼吸采样点数据,其中,所述第三呼吸采样点数据的幅值小于第三预设值,所述处理器还用于:
对所述多个第一呼吸采样点数据以及第三呼吸采样点数据进行归一化处理,得到归一化处理后的第三呼吸采样点数据,所述归一化处理后的第三呼吸采样点数据与所述第三呼吸采样点数据的幅值的差值小于第四预设值。
20.根据权利要求17至19任一所述的装置,其特征在于,所述处理器还用于:
按照第一时间窗提取所述呼吸信号的第一呼吸特征,所述第一窗表示通过多个时间间隔;
以所述第一呼吸特征作为输入特征,通过呼吸分类模型得到所述目标对象的第一呼吸类型。
21.根据权利要求17至19任一所述的装置,其特征在于,所述处理器还用于:
按照第二时间窗提取所述呼吸信号的第二呼吸特征,所述第二时间窗表示通过至少一个时间间隔;
以所述第二呼吸特征作为输入特征,通过呼吸分类模型得到所述目标对象的第二呼吸类型,其中,所述第二呼吸类型对应于目标置信度;
基于所述目标置信度小于预设置信度,通过第三时间窗提取所述呼吸信号的第三呼吸特征,所述第三时间窗表示通过至少一个时间间隔,且所述第二时间窗与所述第三时间窗为不同的时间窗;
以所述第三呼吸特征作为输入特征,通过呼吸分类模型确定所述目标对象的第三呼吸类型。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210743253.2A CN115308734A (zh) | 2019-12-26 | 2019-12-26 | 一种呼吸数据计算方法以及相关设备 |
CN201911371118.4A CN111142102B (zh) | 2019-12-26 | 2019-12-26 | 一种呼吸数据计算方法以及相关设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911371118.4A CN111142102B (zh) | 2019-12-26 | 2019-12-26 | 一种呼吸数据计算方法以及相关设备 |
Related Child Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210743253.2A Division CN115308734A (zh) | 2019-12-26 | 2019-12-26 | 一种呼吸数据计算方法以及相关设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111142102A true CN111142102A (zh) | 2020-05-12 |
CN111142102B CN111142102B (zh) | 2022-07-19 |
Family
ID=70520723
Family Applications (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911371118.4A Active CN111142102B (zh) | 2019-12-26 | 2019-12-26 | 一种呼吸数据计算方法以及相关设备 |
CN202210743253.2A Pending CN115308734A (zh) | 2019-12-26 | 2019-12-26 | 一种呼吸数据计算方法以及相关设备 |
Family Applications After (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210743253.2A Pending CN115308734A (zh) | 2019-12-26 | 2019-12-26 | 一种呼吸数据计算方法以及相关设备 |
Country Status (1)
Country | Link |
---|---|
CN (2) | CN111142102B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112137620A (zh) * | 2020-08-27 | 2020-12-29 | 广东省地震局 | 一种基于超宽带雷达的人体微弱呼吸信号检测方法 |
CN112401856A (zh) * | 2020-11-16 | 2021-02-26 | 武汉烽火凯卓科技有限公司 | 一种基于毫米波雷达的疗养院监护方法及系统 |
JP7001244B1 (ja) | 2020-07-22 | 2022-01-19 | サクラテック株式会社 | 非接触生体信号検出装置 |
CN114244907A (zh) * | 2021-11-23 | 2022-03-25 | 华为技术有限公司 | 雷达数据的压缩方法和装置 |
GB2600975A (en) * | 2020-11-13 | 2022-05-18 | Elotec As | Optimization of dataset |
WO2023275865A1 (en) * | 2021-06-29 | 2023-01-05 | Neteera Technologies Ltd | Radar based range determination and validation |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103336275A (zh) * | 2013-06-18 | 2013-10-02 | 东南大学 | 一种步进频率脉冲雷达信号微动检测的解模糊方法 |
CN104360336A (zh) * | 2014-11-24 | 2015-02-18 | 电子科技大学 | 一种自适应提取雷达目标微动周期的新方法 |
CN105229431A (zh) * | 2013-05-16 | 2016-01-06 | 恩德莱斯和豪瑟尔两合公司 | 具有改进的距离确定的料位测量 |
US20160379462A1 (en) * | 2015-06-29 | 2016-12-29 | Echocare Technologies Ltd. | Human respiration feature extraction in personal emergency response systems and methods |
CN106821347A (zh) * | 2016-12-20 | 2017-06-13 | 中国人民解放军第三军医大学 | 一种fmcw宽带生命探测雷达呼吸和心跳信号提取算法 |
WO2018037937A1 (ja) * | 2016-08-24 | 2018-03-01 | 株式会社Cq-Sネット | 定在波レーダーによる位置検知装置 |
US20190183352A1 (en) * | 2016-05-09 | 2019-06-20 | Essence Smartcare Ltd. | System and method for estimating vital signs |
CN109975779A (zh) * | 2019-04-16 | 2019-07-05 | 西安电子工程研究所 | 基于局部能量和最大的步进频雷达目标抽取算法 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP4154804A1 (en) * | 2012-05-30 | 2023-03-29 | ResMed Sensor Technologies Limited | Apparatus for monitoring cardio-pulmonary health |
WO2018071416A1 (en) * | 2016-10-11 | 2018-04-19 | Kaarta, Inc. | Laser scanner with real-time, online ego-motion estimation |
EP3641649B1 (en) * | 2017-06-22 | 2023-11-29 | IEE International Electronics & Engineering S.A. | System and method for breathing monitoring using radar-based sensor systems and the signal autocorrelation function |
CN110118966B (zh) * | 2019-05-28 | 2020-10-13 | 长沙莫之比智能科技有限公司 | 基于毫米波雷达的人员检测与计数系统 |
CN110458055B (zh) * | 2019-07-29 | 2021-10-15 | 江苏必得科技股份有限公司 | 一种障碍物检测方法及系统 |
CN110584631B (zh) * | 2019-10-10 | 2022-03-25 | 重庆邮电大学 | 一种基于fmcw雷达的静态人体心跳和呼吸信号提取方法 |
-
2019
- 2019-12-26 CN CN201911371118.4A patent/CN111142102B/zh active Active
- 2019-12-26 CN CN202210743253.2A patent/CN115308734A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105229431A (zh) * | 2013-05-16 | 2016-01-06 | 恩德莱斯和豪瑟尔两合公司 | 具有改进的距离确定的料位测量 |
CN103336275A (zh) * | 2013-06-18 | 2013-10-02 | 东南大学 | 一种步进频率脉冲雷达信号微动检测的解模糊方法 |
CN104360336A (zh) * | 2014-11-24 | 2015-02-18 | 电子科技大学 | 一种自适应提取雷达目标微动周期的新方法 |
US20160379462A1 (en) * | 2015-06-29 | 2016-12-29 | Echocare Technologies Ltd. | Human respiration feature extraction in personal emergency response systems and methods |
US20190183352A1 (en) * | 2016-05-09 | 2019-06-20 | Essence Smartcare Ltd. | System and method for estimating vital signs |
WO2018037937A1 (ja) * | 2016-08-24 | 2018-03-01 | 株式会社Cq-Sネット | 定在波レーダーによる位置検知装置 |
CN106821347A (zh) * | 2016-12-20 | 2017-06-13 | 中国人民解放军第三军医大学 | 一种fmcw宽带生命探测雷达呼吸和心跳信号提取算法 |
CN109975779A (zh) * | 2019-04-16 | 2019-07-05 | 西安电子工程研究所 | 基于局部能量和最大的步进频雷达目标抽取算法 |
Non-Patent Citations (2)
Title |
---|
FUGUI QI 等: "Detection and Classification of Finer-Grained Human Activities Based on Stepped-Frequency Continuous-Wave Through-Wall Radar", 《SENSORS》 * |
唐良勇等: "基于WA-EMD算法的脉冲式超宽带雷达多目标生命体征检测", 《南京理工大学学报》 * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP7001244B1 (ja) | 2020-07-22 | 2022-01-19 | サクラテック株式会社 | 非接触生体信号検出装置 |
JP2022021422A (ja) * | 2020-07-22 | 2022-02-03 | サクラテック株式会社 | 非接触生体信号検出装置 |
CN112137620A (zh) * | 2020-08-27 | 2020-12-29 | 广东省地震局 | 一种基于超宽带雷达的人体微弱呼吸信号检测方法 |
GB2600975A (en) * | 2020-11-13 | 2022-05-18 | Elotec As | Optimization of dataset |
WO2022101390A2 (en) | 2020-11-13 | 2022-05-19 | Elotec As | Optimization of dataset |
WO2022101390A3 (en) * | 2020-11-13 | 2022-07-07 | Elotec As | Optimization of dataset |
CN112401856A (zh) * | 2020-11-16 | 2021-02-26 | 武汉烽火凯卓科技有限公司 | 一种基于毫米波雷达的疗养院监护方法及系统 |
CN112401856B (zh) * | 2020-11-16 | 2022-07-08 | 武汉烽火凯卓科技有限公司 | 一种基于毫米波雷达的疗养院监护方法及系统 |
WO2023275865A1 (en) * | 2021-06-29 | 2023-01-05 | Neteera Technologies Ltd | Radar based range determination and validation |
CN114244907A (zh) * | 2021-11-23 | 2022-03-25 | 华为技术有限公司 | 雷达数据的压缩方法和装置 |
CN114244907B (zh) * | 2021-11-23 | 2024-01-16 | 华为技术有限公司 | 雷达数据的压缩方法和装置 |
Also Published As
Publication number | Publication date |
---|---|
CN115308734A (zh) | 2022-11-08 |
CN111142102B (zh) | 2022-07-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111142102B (zh) | 一种呼吸数据计算方法以及相关设备 | |
US11573311B2 (en) | Smart-device-based radar system performing angular estimation using machine learning | |
WO2021218753A1 (zh) | 一种手势识别方法以及相关装置 | |
He et al. | WiFi vision: Sensing, recognition, and detection with commodity MIMO-OFDM WiFi | |
CN112401856B (zh) | 一种基于毫米波雷达的疗养院监护方法及系统 | |
CN112998701A (zh) | 基于毫米波雷达的生命体征检测与身份识别系统和方法 | |
WO2021121361A1 (zh) | 距离测量方法和距离测量装置 | |
Yang et al. | Unsupervised detection of apnea using commodity RFID tags with a recurrent variational autoencoder | |
Zhu et al. | NotiFi: A ubiquitous WiFi-based abnormal activity detection system | |
CN114002656A (zh) | 超宽带连续波生物雷达数据杂波抑制方法及系统 | |
Uysal et al. | RF-Wri: An efficient framework for RF-based device-free air-writing recognition | |
CN113064483A (zh) | 一种手势识别方法以及相关装置 | |
CN114305355B (zh) | 基于毫米波雷达的呼吸心跳检测方法、系统及装置 | |
Chen et al. | A three-stage low-complexity human fall detection method using IR-UWB radar | |
CN112198507B (zh) | 人体跌倒特征的检测方法及装置 | |
JP2019152441A (ja) | バイタルセンサ | |
Hayajneh et al. | Channel state information based device free wireless sensing for iot devices employing tinyml | |
Uysal et al. | A new RF sensing framework for human detection through the wall | |
Cao et al. | Robust device-free fall detection using fine-grained Wi-Fi signatures | |
WO2022101390A2 (en) | Optimization of dataset | |
Du et al. | 77GHz Millimeter-Wave Radar Vital Signs Detection Based on GA-VMD Algorithm | |
Huang et al. | RPCRS: Human Activity Recognition Using Millimeter Wave Radar | |
Gao et al. | Hand tremor recognition based on RFID doppler frequency shift signal | |
CN113288078B (zh) | 睡眠质量监测方法、装置及系统 | |
CN114098645B (zh) | 一种睡眠分期方法及装置 |
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 |