CN111568417B - 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 - Google Patents

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 Download PDF

Info

Publication number
CN111568417B
CN111568417B CN202010486719.6A CN202010486719A CN111568417B CN 111568417 B CN111568417 B CN 111568417B CN 202010486719 A CN202010486719 A CN 202010486719A CN 111568417 B CN111568417 B CN 111568417B
Authority
CN
China
Prior art keywords
time
frequency
respiratory
index
real
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
Application number
CN202010486719.6A
Other languages
English (en)
Other versions
CN111568417A (zh
Inventor
刘涛
翟潜
韩梅梅
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhejiang Wellbeing Technology Co ltd
Zhejiang University ZJU
Original Assignee
Zhejiang Wellbeing Technology Co ltd
Zhejiang University ZJU
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Zhejiang Wellbeing Technology Co ltd, Zhejiang University ZJU filed Critical Zhejiang Wellbeing Technology Co ltd
Priority to CN202010486719.6A priority Critical patent/CN111568417B/zh
Publication of CN111568417A publication Critical patent/CN111568417A/zh
Application granted granted Critical
Publication of CN111568417B publication Critical patent/CN111568417B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • A61B5/05—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves 
    • A61B5/0507—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves  using microwaves or terahertz waves
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/08—Detecting, measuring or recording devices for evaluating the respiratory organs
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/08—Detecting, measuring or recording devices for evaluating the respiratory organs
    • A61B5/0816—Measuring devices for examining respiratory frequency
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
    • A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
    • A61B5/1113—Local tracking of patients, e.g. in a hospital or private home
    • A61B5/1115—Monitoring leaving of a patient support, e.g. a bed or a wheelchair
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/725—Details of waveform analysis using specific filters therefor, e.g. Kalman or adaptive filters
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7271—Specific aspects of physiological measurement analysis
    • A61B5/7275—Determining trends in physiological measurement data; Predicting development of a medical condition based on physiological measurements, e.g. determining a risk factor
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/74—Details of notification to user or communication with user or patient ; user input means
    • A61B5/746—Alarms related to a physiological condition, e.g. details of setting alarm thresholds or avoiding false alarms
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Public Health (AREA)
  • Medical Informatics (AREA)
  • Biomedical Technology (AREA)
  • Pathology (AREA)
  • General Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Physics & Mathematics (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Veterinary Medicine (AREA)
  • Physiology (AREA)
  • Pulmonology (AREA)
  • Psychiatry (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Signal Processing (AREA)
  • Artificial Intelligence (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Dentistry (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)

Abstract

本发明公开了一种非接触式呼吸实时监测方法，包括以下步骤：S1.利用毫米波雷达实时采集电磁回波数据，根据回波提取周围环境中物体的时间分布、空间分布；S2.根据时间差分数据判断人体所处的范围与分布，并抽取关键峰值点；S3.然后根据关键峰值点相位计算呼吸运动波形与呼吸频率，并计算异常性指标。本发明属所公开的非接触式呼吸实时监测方法，可以实时的测量并输出监测对象的呼吸生理行为，并可应用于检测用户的呼吸频率与呼吸异常监测报警。本发明安装简单、使用方便，可以实时、高精度的输出用户的呼吸波形，分析呼吸异常，拥有较高的可靠性以及较好的推广前景。

Description

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
技术领域
本发明属于非接触式传感器领域，具体涉及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。
背景技术
在老年照护中，最重要的环节之一就是对老年人生命安全的照护。如何全面地对老年人的行动安全与睡眠安全进行实时监测，是养老安全问题的关键所在。如果没有先进的、系统的、完善的测量方法来对老年人的生命体征与异常事件进行监测，就可能会错过黄金时间。目前，针对老年生命安全的监测设备相对不完善，导致对照护工作中的人力成本与人工压力较大，大大增加了照护难度与有效照护的局限性。
现有的监测方式中多使用生物电传感器、流量传感器、压力传感器、运动传感器、摄像头等进行呼吸监测，但是如专利号201310167857.8使用生物电信号的方式往往需要向被测试者身体表面贴电极，会受到传感器与电缆等的限制；如专利号201410815455.9使用流量传感器需要穿戴监测设备，容易受到漏气、舒适性与适用性等方面的限制；如专利号201480005900.3使用压力传感器往往存在蠕变、漂移或者接触摩擦等问题，长期容易影响传感器的测量精度、使用寿命与使用舒适性；如专利号200980117326.X使用惯性传感器测量呼吸运动的方式，需要被监护对象穿戴传感设备，在睡眠过程中会由于体姿变化而影响睡眠舒适性与测量效果；如专利号201610162800.2使用摄像头等视觉设备往往容易受到实际中被子等干扰因素的影响，并且可能涉及隐私问题，实际应用中也存在不小的限制。
发明内容
本发明的目的在于解决现有技术中寿命短、抗干扰性低、误报率高等缺陷，并提供一种新型的用于非接触式设备的呼吸实时监测方法及采用该方法的硬件系统。
本发明为解决技术问题，所采用的具体技术方案如下：
一种非接触式呼吸实时监测方法，包括以下步骤：
S1.利用毫米波雷达实时采集电磁回波数据，根据回波提取周围环境中物体的时间分布、空间分布；
S2.根据时间差分数据判断人体所处的范围与分布，并抽取关键峰值点；
S3.然后根据关键峰值点相位计算呼吸运动波形与呼吸频率，并计算异常性指标。
通过采用上述技术方案，采用非穿戴式、非接触式的方式可监测用户的呼吸异常性指标，不影响监测对象的生活，使用方便，易于推广。
作为本发明的进一步改进，步骤S1中，所述回波经过AD转换后为复数原始数据，每一帧的连续回波数据经过对时间轴进行快速傅里叶变换后为三维复数组s(x,y,kr,t)，其中，x为天线阵列横向索引，y为天线阵列竖向索引，kr为不同距离的索引，t为时间；然后计算各个方向的空间分布：
Figure GDA0003136749880000021
Figure GDA0003136749880000022
其中，xmax,ymax分别为天线阵列中横向天线与纵向天线个数，
Figure GDA0003136749880000023
为天线阵列横向轴与雷达-物体连线的夹角索引，kθ为天线阵列纵向轴与雷达-物体连线的夹角索引，j是指复数的虚部单位。通过采用上述技术方案，计算的
Figure GDA0003136749880000024
kθ分别为方位角和俯仰角的两个视角方向维度，便于后续步骤的运算和处理。
作为本发明的进一步改进，步骤S2中，根据时间差分数据判断人体所处的范围与分布，并抽取关键峰值点，所述时间差分数据为：
Figure GDA0003136749880000025
基于所述时间差分数据来计算能量：
Figure GDA0003136749880000026
其中，sqrt为平方根，at为权重系数，tw为时间窗口长度；
通过算法搜索能量P值最大的点所对应的方向角度分别为
Figure GDA0003136749880000027
θ0，根据确定的
Figure GDA0003136749880000028
θ0来选择关注区域：
满足P>Pthreshold的区域
Figure GDA0003136749880000029
为关注区域，Pthreshold为能量阈值，rmin、rmax分别为满足阈值要求的空间范围的最小距离与最大距离；
对于
Figure GDA0003136749880000031
方向分别计算前向差分值与后向差分值：
Figure GDA0003136749880000032
Figure GDA0003136749880000033
difforward(kr,t)为前向差分值，difbackward(kr,t)为后向差分值；
在所述关注区域内计算峰值指标ddif(kr,t)：
ddif(kr,t)＝|difbackward(kr,t)-difforward(kr,t)|
其中通过算法搜索ddif(kr,t)最大的两个值所对应的距离分别为r1(t),r2(t)。作为本发明的进一步改进，步骤S3中，计算所述r1(t),r2(t)位置的相位差，经过带通频率为0.1Hz到2Hz的带通巴特沃兹滤波器消除噪声与超低频分量，然后转化为呼吸运动波形：
Figure GDA0003136749880000034
Breathphase(t)＝Breathphase(t-1)+dphase(t)
Figure GDA0003136749880000035
其中，filter为滤波器，λ为中心频段电磁波波长，dphase(t)为相位差，Breathphase(t)为呼吸运动波形，Breathmotion(t)为呼吸运动深度；
呼吸运动信号经过频率谱分析后，最主要信号成分对应的频率即为呼吸频率。通过采用上述技术方案，基于关注区域内的峰值指标，即关键峰值点，可用于运动波形及运动频率的得出，巧妙实用，精确度高。
作为本发明的进一步改进，步骤S3中，选取多个不同长度的时间窗，所述时间窗长度包括5秒、10秒、20秒、30秒、1分钟长度，计算时间窗内的5项统计指标：方差σ、主频f、自协方差ρ、排列熵P、以及深度-频率比估计
Figure GDA0003136749880000036
根据5项统计指标参数的正常人仿真估计理论范围与日常平均值计算呼吸异常风险特征：
Figure GDA0003136749880000037
Figure GDA0003136749880000041
其中，xi,i＝1,2,3,4,5分别为所述的5项统计指标，
Figure GDA0003136749880000042
与
Figure GDA0003136749880000043
分别为所述第i指标仿真估计正常范围的最大值与最小值，
Figure GDA0003136749880000044
为所述第i指标仿真估计正常范围的均值，
Figure GDA0003136749880000045
与
Figure GDA0003136749880000046
分别为所述第i指标历史数据最大值与最小值，
Figure GDA0003136749880000047
为所述第i指标历史数据均值，然后对所述风险异常特征加权来加权计算呼吸异常风险指标，
Figure GDA0003136749880000048
其中，τ为窗口时间长度，n为前向窗口个数，an,1,an,2,a3为可调加权权重，呼吸异常风险指标R的范围为0～100％。通过采用上述技术方案，通过呼吸异常风险指标R的值，可得出呼吸异常风险的可能性，R的值越高，代表呼吸异常风险的可能性越大。
一种采用上述任一项方案所述的非接触式呼吸实时监测方法的硬件系统，其特征在于，包括毫米波雷达、wifi模块与数据存储模块，毫米波雷达、wifi模块分别通过SPI接口与数据存储模块连接进行通信，毫米波雷达与wifi模块通过串口进行通信。通过采用上述技术方案，毫米波雷达作为发射信号波形的传感器，可向环境中不断地向特定方向发射调频连续波，电磁波在到达环境中的对象后被反射，被反射的电磁波到达毫米波雷达处，接收天线产生相应的感应电信号，便于wifi模块接收和处理相应的信号，利用上述步骤和方法得出相应的呼吸异常风险指标，数据存储模块可用于对各数据的存储。
作为本发明的进一步改进，所述wifi模块接入互联网与服务器进行通信，所述的服务器在接收到wifi模块发送的报警信号后向系统绑定的报警提示手机发送报警提示。通过采用上述技术方案，使用方便，预警高效。
作为本发明的进一步改进，所述硬件系统通过可调支架安装于床尾并高于床面，可调支架与床尾连接的部位，在可调支架上设置有卡槽，所述硬件系统中传感器平面与床面形成60°的夹角。通过采用上述技术方案，安装便利，60°的夹角有利于数据的采集和精准反馈。
作为本发明的进一步改进，所述的毫米波雷达采样频率不低于20Hz。通过采用上述技术方案，有利于保证用于分析的数据包含必要的数据成分。
作为本发明的进一步改进，所述的毫米波雷达具有多发多收的贴片发射天线与接收天线，所述的发射天线发出以频率A为中心频率，且具有带宽B的调频连续波，所述的接收天线接收被监测对象反射的回波。通过采用上述技术方案，有利于数据的采集。
作为本发明的进一步改进，所述频率A为79GHz，所述带宽B为4GHz。通过采用上述技术方案，频率A及带宽B的具体取值，为本发明的一种优选方案，便于数据的高效、全面采集。
上述各优选方式中的技术特征在不相互冲突的前提下，均可进行相互组合，不构成限制。
本发明相对于现有技术而言，其有益效果是：
1)使用本发明监测用户呼吸运动的方式是一种非穿戴式非接触式的方式，不影响监测对象的生活，使用方便，易于推广。
2)使用本发明中的监测与分析方法，能够提高监测结果的准确性，降低误报率，拥有较好的应用价值以及广泛的应用范围。
3)本发明的离床监测系统具有更好的抗干扰性与环境适应性。
附图说明
图1本发明中测量原理示意图；
图2本发明中测量原理另一示意图；
图3本发明中传感器安装位置示意图；
图中：1、硬件系统；2、可调支架。
具体实施方式
下面结合附图对本发明进行进一步说明，因便于更好地理解。本发明中的技术特征在不相互冲突的前提下，均可进行相互组合，不构成限制。
图1所示，吸气后，D1为毫米波雷达所测的监测对象的胸部距毫米波雷达的距离。图2所示，呼气后，D2为毫米波雷达所测的监测对象的胸部距毫米波雷达的距离。呼吸，会引起胸部隆起或降低，利用这一特点，应用本发明的方法，可得出呼吸异常风险指标。
实施例1
本发明中的一种非接触式呼吸实时监测方法，包括以下步骤：
S1.利用毫米波雷达实时采集电磁回波数据，根据回波提取周围环境中物体的时间分布、空间分布；
S2.根据时间差分数据判断人体所处的范围与分布，并抽取关键峰值点；
S3.然后根据关键峰值点相位计算呼吸运动波形与呼吸频率，并计算异常性指标。
步骤S1中，回波经过AD转换后为复数原始数据，每一帧的连续回波数据经过对时间轴进行快速傅里叶变换后为三维复数组s(x,y,kr,t)，其中，x为天线阵列横向索引，y为天线阵列竖向索引，kr为不同距离的索引，t为时间；然后计算各个方向的空间分布：
Figure GDA0003136749880000061
Figure GDA0003136749880000062
其中，xmax,ymax分别为天线阵列中横向天线与纵向天线个数，
Figure GDA0003136749880000063
为天线阵列横向轴与雷达-物体连线的夹角索引，kθ为天线阵列纵向轴与雷达-物体连线的夹角索引，j是指复数的虚部单位。
步骤S2中，根据时间差分数据判断人体所处的范围与分布，并抽取关键峰值点，时间差分数据为：
Figure GDA0003136749880000064
基于时间差分数据来计算能量：
Figure GDA0003136749880000065
其中，sqrt为平方根，at为权重系数，tw为时间窗口长度；
通过算法搜索能量P值最大的点所对应的方向角度分别为
Figure GDA0003136749880000066
θ0，根据确定的
Figure GDA0003136749880000067
θ0来选择关注区域：
满足P>Pthreshold的区域
Figure GDA0003136749880000068
为关注区域，Pthreshold为能量阈值，rmin、rmax分别为满足阈值要求的空间范围的最小距离与最大距离；
对于
Figure GDA0003136749880000071
方向分别计算前向差分值difforward(kr,t)与后向差分值difbackward(kr,t)：
Figure GDA0003136749880000072
Figure GDA0003136749880000073
在关注区域内计算峰值指标ddif(kr,t)：
ddif(kr,t)＝|difbackward(kr,t)-difforward(kr,t)|
其中通过算法搜索ddif(kr,t)最大的两个值所对应的距离分别为r1(t),r2(t)；
ddif(kr,t)最大的两个值为第一大值和第二大值。
步骤S3中，计算r1(t),r2(t)位置的相位差，经过带通频率为0.1Hz到2Hz的带通巴特沃兹滤波器消除噪声与超低频分量，然后转化为呼吸运动波形：
Figure GDA0003136749880000074
Breathphase(t)＝Breathphase(t-1)+dphase(t)
Figure GDA0003136749880000075
其中，filter为滤波器，λ为中心频段电磁波波长，dphase(t)为相位差，Breathphase(t)为呼吸运动波形，Breathmotion(t)为呼吸运动深度；
呼吸运动信号经过频率谱分析(如FFT，快速傅里叶变换(fast Fouriertransform))后，最主要信号成分对应的频率即为呼吸频率。
步骤S3中，选取多个不同长度的时间窗，时间窗长度包括5秒、10秒、20秒、30秒、1分钟长度，计算时间窗内的5项统计指标：方差σ、主频f、自协方差ρ、排列熵P、以及深度-频率比估计
Figure GDA0003136749880000076
此处计算时间窗内的5项统计指标指的是分别计算不同长度时间窗内的5项统计指标，根据5项统计指标参数的正常人仿真估计理论范围与日常平均值计算呼吸异常风险特征：
Figure GDA0003136749880000077
Figure GDA0003136749880000081
其中，xi,i＝1,2,3,4,5分别为5项统计指标，
Figure GDA0003136749880000082
与
Figure GDA0003136749880000083
分别为第i指标仿真估计正常范围的最大值与最小值，
Figure GDA0003136749880000084
为第i指标仿真估计正常范围的均值，
Figure GDA0003136749880000085
与
Figure GDA0003136749880000086
分别为第i指标历史数据最大值与最小值，
Figure GDA0003136749880000087
为第i指标历史数据均值，然后对风险异常特征加权来加权计算呼吸异常风险指标，
Figure GDA0003136749880000088
其中，τ为窗口时间长度，n为前向窗口个数，an,1,an,2,a3为可调加权权重，呼吸异常风险指标R的范围为0～100％，代表可能性，数值越高，表示呼吸异常风险可能性越高。
实施例2
一种采用上述实施例1所述的非接触式呼吸实时监测方法的硬件系统，硬件系统1包括毫米波雷达、wifi模块与数据存储模块，毫米波雷达、wifi模块分别通过SPI接口与数据存储模块连接进行通信，毫米波雷达与wifi模块通过串口进行通信。
wifi模块接入互联网与服务器进行通信，服务器在接收到wifi模块发送的报警信号后向系统绑定的报警提示手机发送报警提示。
如图3所示，硬件系统1通过可调支架2安装于床尾并高于床面，可调支架与床尾连接的部位，在可调支架上设置有卡槽，系统中传感器平面与床面形成60°的夹角。毫米波雷达采样频率不低于20Hz。
毫米波雷达具有多发多收的贴片发射天线与接收天线，发射天线(Tx天线)发出以频率A为中心频率，且具有带宽B的调频连续波，接收天线(Rx天线)接收被监测对象反射的回波。频率A为79GHz，带宽B为4GHz。
通过外部市电转5V分别给毫米波雷达和wifi模块供电，毫米波雷达与wifi模块连接，通过比如串口等方式进行通信。系统中毫米波雷达具有MIMO(多输入多输出(MultiInput Multi Output))的贴片天线结构，Tx天线不断地向特定方向发射调频连续波，电磁波在到达环境中的对象后被反射，被反射的电磁波到达毫米波雷达处，Rx天线产生相应的感应电信号，通过AD采样电路实时采集回波信号并进行硬件层的混频、滤波等处理。为保证用于分析的数据包含必要的数据成分，对毫米波雷达的帧数提出要求，至少需要达到20Hz以上。系统中wifi模块具有板载天线与处理器，能够通过无线信号接入互联网与服务器进行通信，实施例1中所涉及的方法，可以在wifi模块中处理，也可在计算机、手机、IPAD等终端设备中处理。服务器在接收到wifi模块发送的报警信号(诸如呼吸异常风险指标)后向系统绑定的报警提示手机发送报警提示。硬件系统通过可调支架与卡槽安装于床尾，通过拧紧夹紧螺丝进行固定，可调支架具有多个可调整的关节自由度，能够调整传感器高于床面的高度、监测方向等，硬件系统中传感器平面(毫米波雷达所在平面)与床面形成约60°的夹角。
以上实施例只是本发明的一些较佳的方案，然而其并非用以限制本发明。有关技术领域的普通技术人员，在不脱离本发明的精神和范围的情况下，还可以做出各种变化和变型。
以上所述，仅是本发明的较佳实施例而已，并非对本发明作任何形式上的限制，虽然本发明已以较佳实施例揭示如上，然而并非用以限定本发明，任何本领域技术人员，在不脱离本发明技术方案范围内，当可利用上述揭示的技术内容做出些许更动或修饰为等同变化的等效实施例，但凡是未脱离本发明技术方案内容，依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与修饰，均仍属于本发明技术方案的范围内。

Claims (9)

1.一种非接触式呼吸实时监测方法，其特征在于，包括以下步骤：
S1.利用毫米波雷达实时采集电磁回波数据，根据回波提取周围环境中物体的时间分布、空间分布；
S2.根据时间差分数据判断人体所处的范围与分布，并抽取关键峰值点；
S3.然后根据关键峰值点相位计算呼吸运动波形与呼吸频率，并计算异常性指标；
步骤S1中，所述回波经过AD转换后为复数原始数据，每一帧的连续回波数据经过对时间轴进行快速傅里叶变换后为三维复数组s(x,y,kr,t)，其中，x为天线阵列横向索引，y为天线阵列竖向索引，kr为不同距离的索引，t为时间；然后计算各个方向的空间分布：
Figure FDA0003136749870000011
Figure FDA0003136749870000012
其中，xmax,ymax分别为天线阵列中横向天线与纵向天线个数，
Figure FDA0003136749870000013
为天线阵列横向轴与雷达-物体连线的夹角索引，kθ为天线阵列纵向轴与雷达-物体连线的夹角索引，j是指复数的虚部单位。
2.如权利要求1所述的一种非接触式呼吸实时监测方法，其特征在于，步骤S2中，根据时间差分数据判断人体所处的范围与分布，并抽取关键峰值点，所述时间差分数据为：
Figure FDA0003136749870000014
基于所述时间差分数据来计算能量：
Figure FDA0003136749870000015
其中，sqrt为平方根，at为权重系数，tw为时间窗口长度；
通过算法搜索能量P值最大的点所对应的方向角度分别为
Figure FDA0003136749870000016
θ0，根据确定的
Figure FDA0003136749870000017
θ0来选择关注区域：
满足P>Pthreshold的区域
Figure FDA0003136749870000018
为关注区域，
其中，Pthreshold为能量阈值，rmin、rmax分别为满足阈值要求的空间范围的最小距离与最大距离；
对于(
Figure FDA0003136749870000021
θ0)方向分别计算前向差分值与后向差分值：
Figure FDA0003136749870000022
Figure FDA0003136749870000023
difforward(kr,t)为前向差分值，difbackward(kr,t)为后向差分值；
在所述关注区域内计算峰值指标ddif(kr,t)：
ddif(kr,t)＝|difbackward(kr,t)-difforward(kr,t)|
其中通过算法搜索ddif(kr,t)最大的两个值所对应的距离分别为r1(t),r2(t)。
3.如权利要求2所述的一种非接触式呼吸实时监测方法，其特征在于，步骤S3中，计算所述r1(t),r2(t)位置的相位差，经过带通频率为0.1Hz到2Hz的带通巴特沃兹滤波器消除噪声与超低频分量，然后转化为呼吸运动波形：
Figure FDA0003136749870000024
Breathphase(t)＝Breathphase(t-1)+dphase(t)
Figure FDA0003136749870000025
其中，filter为滤波器，λ为中心频段电磁波波长，dphase(t)为相位差，Breathphase(t)为呼吸运动波形，Breathmotion(t)为呼吸运动深度；
呼吸运动信号经过频率谱分析后，最主要信号成分对应的频率即为呼吸频率。
4.如权利要求3所述的一种非接触式呼吸实时监测方法，其特征在于，步骤S3中，选取多个不同长度的时间窗，所述时间窗长度包括5秒、10秒、20秒、30秒、1分钟长度，计算时间窗内的5项统计指标：方差σ、主频f、自协方差ρ、排列熵P、以及深度-频率比估计
Figure FDA0003136749870000026
根据5项统计指标参数的正常人仿真估计理论范围与日常平均值计算呼吸异常风险特征：
Figure FDA0003136749870000027
Figure FDA0003136749870000031
其中，xi,i＝1,2,3,4,5分别为所述的5项统计指标，
Figure FDA0003136749870000032
与
Figure FDA0003136749870000033
分别为所述第i指标仿真估计正常范围的最大值与最小值，
Figure FDA0003136749870000034
为所述第i指标仿真估计正常范围的均值，
Figure FDA0003136749870000035
与
Figure FDA0003136749870000036
分别为所述第i指标历史数据最大值与最小值，
Figure FDA0003136749870000037
为所述第i指标历史数据均值，然后对所述风险异常特征加权来加权计算呼吸异常风险指标，
Figure FDA0003136749870000038
其中，τ为窗口时间长度，n为前向窗口个数，an,1,an,2,a3为可调加权权重，呼吸异常风险指标R的范围为0～100％。
5.一种采用如权利要求1-4任一项所述的非接触式呼吸实时监测方法的硬件系统，其特征在于，包括毫米波雷达、wifi模块与数据存储模块，毫米波雷达、wifi模块分别通过SPI接口与数据存储模块连接进行通信，毫米波雷达与wifi模块通过串口进行通信。
6.如权利要求5所述的硬件系统，其特征在于，所述wifi模块接入互联网与服务器进行通信，所述的服务器在接收到wifi模块发送的报警信号后向系统绑定的报警提示手机发送报警提示。
7.如权利要求5所述的硬件系统，其特征在于，所述硬件系统通过可调支架安装于床尾并高于床面，可调支架与床尾连接的部位，在可调支架上设置有卡槽，所述硬件系统中传感器平面与床面形成60°的夹角。
8.如权利要求5所述的硬件系统，其特征在于，所述的毫米波雷达采样频率不低于20Hz。
9.如权利要求5所述的硬件系统，其特征在于，所述的毫米波雷达具有多发多收的贴片发射天线与接收天线，所述的发射天线发出以频率A为中心频率，且具有带宽B的调频连续波，所述的接收天线接收被监测对象反射的回波。
CN202010486719.6A 2020-06-01 2020-06-01 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 Active CN111568417B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010486719.6A CN111568417B (zh) 2020-06-01 2020-06-01 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

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010486719.6A CN111568417B (zh) 2020-06-01 2020-06-01 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

Publications (2)

Publication Number Publication Date
CN111568417A CN111568417A (zh) 2020-08-25
CN111568417B true CN111568417B (zh) 2021-09-24

Family

ID=72109816

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010486719.6A Active CN111568417B (zh) 2020-06-01 2020-06-01 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

Country Status (1)

Country Link
CN (1) CN111568417B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112287821B (zh) * 2020-10-28 2023-08-11 业成科技（成都）有限公司 照护对象行为监测方法、装置、计算机设备和存储介质
CN113368351B (zh) * 2021-06-07 2022-08-26 中国人民解放军总医院第一医学中心 经鼻高流量呼吸频率监测方法及其呼吸支持设备
CN113876306A (zh) * 2021-10-12 2022-01-04 南昌智能新能源汽车研究院 一种基于生命特征的毫米波车内有无人监控系统及方法
CN114176564B (zh) * 2021-12-14 2023-11-24 北京中科蓝电科技有限公司 基于雷达信号提取呼吸状态的方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102512148A (zh) * 2006-03-06 2012-06-27 森赛奥泰克公司 超宽带监视系统和天线
CN105388452A (zh) * 2015-10-30 2016-03-09 北京工业大学 基于生命探测飞行器的超宽带雷达多点分布式目标定位方法
CN106901741A (zh) * 2017-03-13 2017-06-30 合肥工业大学 一种适用于昼夜环境的呼吸率检测方法
US10310073B1 (en) * 2018-02-07 2019-06-04 Infineon Technologies Ag System and method for determining engagement level of a human being using a millimeter-wave radar sensor

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP5456599B2 (ja) * 2010-06-28 2014-04-02 株式会社立山システム研究所 寝床看護システム
EP3360476B1 (en) * 2017-02-13 2020-09-30 Stichting IMEC Nederland A method and a device for detecting of a vital sign
LU100438B1 (en) * 2017-09-11 2019-03-19 Iee Sa System and Method for Breathing Monitoring using Radar-Based Sensor Systems and the Signal Autocorrelation Function
CN107595289B (zh) * 2017-09-19 2021-04-27 佛山市丈量科技有限公司 非接触式呼吸通气量检测方法、装置、介质及计算机设备
CN108392186B (zh) * 2018-04-19 2021-04-13 广西万云科技有限公司 一种非接触式睡眠呼吸暂停症检测方法及系统
CN109875529B (zh) * 2019-01-23 2020-12-04 北京邮电大学 一种基于超宽带雷达的生命体征检测方法及系统
CN110346790B (zh) * 2019-07-09 2022-01-28 长沙莫之比智能科技有限公司 一种基于毫米波雷达的非接触式生命体征监测方法、装置及系统

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102512148A (zh) * 2006-03-06 2012-06-27 森赛奥泰克公司 超宽带监视系统和天线
CN105388452A (zh) * 2015-10-30 2016-03-09 北京工业大学 基于生命探测飞行器的超宽带雷达多点分布式目标定位方法
CN106901741A (zh) * 2017-03-13 2017-06-30 合肥工业大学 一种适用于昼夜环境的呼吸率检测方法
US10310073B1 (en) * 2018-02-07 2019-06-04 Infineon Technologies Ag System and method for determining engagement level of a human being using a millimeter-wave radar sensor

Also Published As

Publication number Publication date
CN111568417A (zh) 2020-08-25

Similar Documents

Publication Publication Date Title
CN111568417B (zh) 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
CN112014837B (zh) 一种基于毫米波雷达的体征无接触式智能监测系统
CN111481184B (zh) 基于毫米波雷达技术的多目标呼吸心率监测方法与系统
CN106725488B (zh) 一种无线场强呼吸检测方法、装置及呼吸检测仪
Ravichandran et al. WiBreathe: Estimating respiration rate using wireless signals in natural settings in the home
CN111568437B (zh) 一种非接触式离床实时监测方法
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
CN108652601A (zh) 一种基于调频连续波毫米波雷达的睡眠监控方法、装置和雷达系统
CN105476602A (zh) 非接触式人体生命体征测量方法及装置
CN109711251B (zh) 一种基于商用Wi-Fi的方向独立的步态识别方法
CN112716474A (zh) 基于生物微波雷达的非接触式睡眠状态监测方法和系统
CN109431465B (zh) 一种基于射频标签技术的老年人睡眠质量监测方法
CN103690169B (zh) 呼吸信息检测方法
WO2019080728A1 (zh) 一种基于WiFi信号的心率异常检测方法
CN112617773A (zh) 一种用于健康监测的信号处理方法及信号处理装置
Liu et al. Human biometric signals monitoring based on wifi channel state information using deep learning
Wang et al. Vimo: Vital sign monitoring using commodity millimeter wave radio
Hu et al. Remote vital signs measurement of indoor walking persons using mm-Wave FMCW radar
Liu et al. Non-contact human fatigue assessment system based on millimeter wave radar
Blumrosen et al. Tremor acquisition system based on UWB Wireless Sensor Network
CN113729674A (zh) 一种呼吸检测方法及装置
CN110946555B (zh) 一种呼吸骤停检测报警系统
CN113288078B (zh) 睡眠质量监测方法、装置及系统
CN116602640A (zh) 基于自适应滤除杂波的毫米波雷达心率检测方法
Hu et al. The effect of multi-directional on remote heart rate measurement using PA-LI joint ICEEMDAN method with mm-wave FMCW 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