CN112336322B - 一种无接触式呼吸或心跳检测方法 - Google Patents

一种无接触式呼吸或心跳检测方法 Download PDF

Info

Publication number
CN112336322B
CN112336322B CN202011218737.2A CN202011218737A CN112336322B CN 112336322 B CN112336322 B CN 112336322B CN 202011218737 A CN202011218737 A CN 202011218737A CN 112336322 B CN112336322 B CN 112336322B
Authority
CN
China
Prior art keywords
signal
wireless signal
vital sign
signals
respiration
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
CN202011218737.2A
Other languages
English (en)
Other versions
CN112336322A (zh
Inventor
杨洋
骆云龙
亚历克斯·漆
史歌
漆一宏
薛瑞尼
金荣皓
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.)
Zhuhai Haimi Software Technology Co ltd
Original Assignee
Zhuhai Haimi Software Technology Co ltd
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 Zhuhai Haimi Software Technology Co ltd filed Critical Zhuhai Haimi Software Technology Co ltd
Priority to CN202011218737.2A priority Critical patent/CN112336322B/zh
Publication of CN112336322A publication Critical patent/CN112336322A/zh
Priority to PCT/CN2021/128302 priority patent/WO2022095869A1/zh
Priority to US18/251,392 priority patent/US20230397824A1/en
Application granted granted Critical
Publication of CN112336322B publication Critical patent/CN112336322B/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
    • A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
    • A61B5/0205—Simultaneously evaluating both cardiovascular conditions and different types of body conditions, e.g. heart and respiratory condition
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/0002—Remote monitoring of patients using telemetry, e.g. transmission of vital signals via a communication network
    • A61B5/0015—Remote monitoring of patients using telemetry, e.g. transmission of vital signals via a communication network characterised by features of the telemetry system
    • A61B5/0022—Monitoring a patient using a global network, e.g. telephone networks, internet
    • 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
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7203—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal
    • 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
    • A61B5/7225—Details of analog processing, e.g. isolation amplifier, gain or sensitivity adjustment, filtering, baseline or drift compensation
    • 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
    • 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
    • A61B5/0002—Remote monitoring of patients using telemetry, e.g. transmission of vital signals via a communication network
    • A61B5/0015—Remote monitoring of patients using telemetry, e.g. transmission of vital signals via a communication network characterised by features of the telemetry system
    • A61B5/002—Monitoring the patient using a local or closed circuit, e.g. in a room or building
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
    • A61B5/024—Detecting, measuring or recording pulse rate or heart rate
    • 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
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7253—Details of waveform analysis characterised by using transforms
    • A61B5/7257—Details of waveform analysis characterised by using transforms using Fourier transforms
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D30/00—Reducing energy consumption in communication networks
    • Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Public Health (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Pathology (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Medical Informatics (AREA)
  • Physiology (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • General Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Veterinary Medicine (AREA)
  • Signal Processing (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Psychiatry (AREA)
  • Cardiology (AREA)
  • Pulmonology (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Power Engineering (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)

Abstract

本发明涉及无线感知技术领域，特别涉及一种无接触式呼吸或心跳检测方法，方法的步骤包括：S1，根据输出的无线信号和被测目标反射回来的无线信号，获取无线信号的信道状态信息；S2，从无线信号的信道状态信息中提取出生命体征波形信号；S3，对生命体征波形信号进行基于Huber‑Kalman滤波算法的滤波，得到滤波后的生命体征波形信号；S4，从滤波后的生命体征波形信号中提取出生命体征参数。本发明的方法中利用Huber目标函数对经典Kalman滤波算法进行了改进，采用Huber‑Kalman滤波算法进行滤波处理，使得人体生命体征检测方法更具有鲁棒性，提取出的生命体征参数能更准确的反应人体的生命体征。

Description

一种无接触式呼吸或心跳检测方法
技术领域
本发明涉及无线感知技术领域，特别涉及一种无接触式呼吸或心跳检测方法。
背景技术
随着人类社会生活方式的变革和科技的发展，大家对健康有了更深的关注，对无处不在的生命体体征检测产生了浓厚的兴趣。传统的生命体征监测方法都要求佩戴特殊仪器，如手环或脉搏血氧计。这些技术使用起来很不方便，也很不舒服。基于Wi-Fi无线感知、无接触、易于部署、低成本长期生命体征监测的无接触式呼吸心跳检测方案极具吸引力。无接触式呼吸心跳检测可广泛应用于家庭场景、汽车场景，有效地检测被测目标的呼吸和心跳。
现有技术中，通常基于菲涅尔区的概念，用CSI的幅度信息来进行无接触式呼吸心跳检测。作为本发明最接近的现有技术，发明专利一种基于Wi-Fi信道状态信号的人体呼吸检测方法(公开号CN109998549A)给出了一种解决方案，通过对称设置的Wi-Fi接入点和监控点，搭建信道状态信号数据采集平台，并且建立菲涅尔场区，人体位于Wi-Fi接入点和监控点之间，基于Hampel滤波算法滤除异常值，挑选出方差最大的子载波，并且使用多分辨率离散小波变换将挑选出的子载波的CSI信号分解成不同尺度下的各个分量，从中提取出人体呼吸频率。
虽然该技术实现了对人体呼吸速率的检测，部署简单，但是仍然存在一些问题，例如，上述方案中滤除异常值仅采用了常用的滤波算法，比如Hampel算法，在滤波阶段，并未考虑环境因素，也并未考虑误差的分布情况，会造成并不能滤除小误差，而只能滤除大的误差，滤波后的子载波信号仍然会存在干扰。以汽车使用场景为例，用Wi-Fi信号来检测生命体征会受到环境中动态的噪声影响。比如车在转弯的过程中，经过减速带的时候都会带来大误差，这些大误差在呼吸、心跳等生命体征的检测中，通过常规滤波算法就可以滤除，然而汽车驾驶的过程中发动机抖动或者是汽车经过小石子路时带来的微小抖动是一直存在的，这样的微小误差通过常规滤波算法的滤除效果欠佳，使得提取出的生命体征信号并不准确。因此现有技术中的方案，对环境要求较高，无法避免小误差的引入，无法适应实际的各种应用场景。
发明内容
本发明的目的在于，克服上述提到的常规滤波算法无法滤除微小误差的问题，将经典Kalman滤波算法进行改进，采用Huber目标函数(包括第一范数和第二范数)替换Kalman滤波算法中第二范数，在大误差和小误差之间做了平衡，利用Huber目标函数对经典Kalman滤波算法进行了改进，使得基于Wi-Fi信道状态信息的人体呼吸心跳检测方法更具有鲁棒性，可以应用于多种场景下。因此，提出了一种无接触式呼吸或心跳检测方法。
为了实现上述发明目的，本发明提供了以下技术方案：
一种无接触式呼吸或心跳检测方法，包括以下步骤：
S1，根据输出的无线信号和被测目标反射回来的无线信号，获取无线信号的信道状态信息；
S2，从无线信号的信道状态信息中提取出生命体征波形信号；
S3，对生命体征波形信号进行基于Huber-Kalman滤波算法的滤波，得到滤波后的生命体征波形信号，Huber-Kalman滤波算法采用Huber目标函数对Kalman滤波算法的公式进行更新；
S4，从滤波后的生命体征波形信号中提取出呼吸特征参数和/或心跳特征参数。
作为本发明的优选方案，步骤S3中，Huber-Kalman滤波算法采用Huber目标函数对Kalman滤波算法的公式进行更新，具体包括以下步骤：
通过Huber目标函数对Kalman方程的迭代计算过程进行修改，对输入的生命体征波形信号进行滤波；
Huber目标函数将误差分为两个部分，包括大误差和小误差，大误差是指偏离真实值并且大于大误差阈值的误差值，小误差是指以真实值为基准，在小误差阈值范围内波动的误差值；
迭代计算是指：当前时刻的最优估计值是由上一时刻根据Kalman更新方程计算出的最优估计值和当前时刻根据Huber目标函数计算出的观测值共同决定。
作为本发明的优选方案，步骤S3中，基于Huber目标函数的预测方程表示为：
Figure BDA0002761323270000031
Figure BDA0002761323270000032
Kalman更新方程为:
Figure BDA0002761323270000041
Figure BDA0002761323270000042
Figure BDA0002761323270000043
其中，k表示第k时刻；a表示大误差和小误差之间的阈值；
Figure BDA0002761323270000044
表k时刻的预测值，/>
Figure BDA0002761323270000045
表示k-1时刻的最优估计值；zk是输入数据；uk-1表示状态转移过程的随机噪声；vk表示测量噪声；Q表示过程噪声协方差；R表示测量噪声协方差；A表示状态转移系数；B表示控制输入系数；H表示测量系数；ek表示后验误差；/>
Figure BDA0002761323270000046
表示先验误差；/>
Figure BDA0002761323270000047
表示先验误差函数，ρa(ek)表示后验误差函数；Kk表示卡尔曼增益。
作为本发明的优选方案，步骤S3还包括，实时检测环境噪声程度，根据环境噪声程度调整大误差和小误差之间的阈值。
作为本发明的优选方案，步骤S4具体包括以下步骤：
A41，对滤波后的生命体征波形信号按照时间窗口进行分段，得到生命体征波形；
A42，提取生命体征波形的峰值之间的时间间隔，根据峰值之间的时间间隔，确定被测人体的呼吸或心跳的频率。
作为本发明的优选方案，步骤S4具体包括以下步骤：
B41，对滤波后的生命体征波形信号按照时间窗口进行分段，得到生命体征波形；
B42，对生命体征波形进行频域分析，得到生命体征波形的频谱特性；
B43，对生命体征波形的频谱特性进行低通滤波，得到被测人体的呼吸频率和/或对生命体征波形的频谱特性进行高通滤波，得到被测人体的心跳频率。
作为本发明的优选方案，当无线信号是毫米波雷达信号时，步骤S1具体包括以下步骤：
S11，输出毫米波雷达信号到被测目标，并将发射时刻的毫米波雷达信号作为参考信号；
S12，被测目标将毫米波雷达信号反射出去，形成回波信号，回波信号与参考信号解调产生中频信号；
S13，对中频信号依次进行ADC采样、FFT变换，得到被测目标的距离信息和被测目标的相位信息；
S14，毫米波雷达信号的相位信息作为毫米波雷达信号的信道状态信息。
作为本发明的优选方案，毫米波雷达信号的频率F的范围包括：23GHz≤F≤28GHz、60GHz≤F≤65GHz和76GHz≤F≤81GHz。
作为本发明的优选方案，当无线信号是Wi-Fi信号时，步骤S1具体包括以下步骤：
C11，输出的无线信号到被测目标，并同时将无线信号作为参考信号，通过有线方式进行传输；
C12，被测目标将无线信号反射出去，形成反射无线信号，将反射无线信号与参考信号做差，得到无线信号的相位差信息，无线信号的相位差信息作为无线信号的信道状态信息。
作为本发明的优选方案，步骤S2具体包括以下步骤：
S21，将相位信息进行解卷绕处理，得到预处理信号；
S22，将预处理信号进行子载波融合处理，输出呼吸特征波形信号。
作为本发明的优选方案，当无线信号为2.4G频段的Wi-Fi信号时，信道状态信息的频率带宽为20MHz或者40MHz，信道状态信息的子载波信号的频率范围为2401MHz到2483MHz；
当无线信号为5G频段的Wi-Fi信号时，信道状态信息的频率带宽为20MHz、40MHz或者80MHz，信道状态信息的子载波信号的频率范围为5150MHz到5850MHz。
基于相同的构思，本发明还提出了一种无接触式呼吸或心跳检测系统，包括无线信号发射装置、无线信号接收装置和数据处理器，
无线信号发射装置输出无线信号到被测目标；
无线信号接收装置接收被测目标反射回来的无线信号；
数据处理器根据无线信号发射装置输出的无线信号和被测目标反射回来的无线信号执行上述任一项的一种无接触式生命体征检测方法，计算出被测目标的呼吸特征参数和/或心跳特征参数。
作为本发明的优选方案，无线信号发射装置包括无线信号产生设备和发射天线，无线信号接收装置包括接收天线和无线信号接收设备；
无线信号产生设备将生成的无线信号通过发射天线辐射到被测目标；
无线信号接收设备通过接收天线接收被测目标反射回来的无线信号；
发射天线和接收天线为圆极化天线，发射天线和接收天线的极化方向相反。
作为本发明的优选方案，无线信号产生设备生成无线信号过程中所依据的时钟信号与数据处理器接收被测目标反射回来的无线信号所依据的时钟信号相同。
作为本发明的优选方案，当无线信号为Wi-Fi信号时，系统还包括功率分配器，
Wi-Fi信号产生设备将生成的Wi-Fi信号输出到功率分配器，
功率分配器将接收到的Wi-Fi信号输出到发射天线，同时将Wi-Fi信号通过同轴线缆输出到数据处理器；
数据处理器根据从同轴线缆接收到的Wi-Fi信号和被测目标反射回来的Wi-Fi信号生成Wi-Fi信号的信道状态信息。
本发明及其优选方案的有益效果：
1、本发明的方法中利用Huber目标函数对经典Kalman滤波算法进行了改进，构建了Huber-Kalman滤波算法，采用Huber-Kalman滤波算法对CSI信号进行滤波处理，使得信道状态信号的人体生命体征检测方法更具有鲁棒性，可以应用于多种场景下，滤波后的CSI信号提取出的生命体征参数能更准确的反应人体的生命体征。
2、通过改进后的Huber-Kalman滤波算法，采用包含第一范数和第二范数的Huber目标函数对Kalman滤波算法中的公式进行更新，使得算法中能同时兼顾大误差和小误差，一方面，小误差为持续性的波动(例如车辆行进中的持续性抖动)，通过第二范数对小误差进行滤除；另一方面，大误差为偶尔出现的波动(例如车辆经过减速带时的抖动)，通过第一范数对大误差进行滤除。Huber-Kalman算法的意义在于，更全面、细腻的处理各种大误差和小误差，使得滤波后得到的信号更准确地反应出呼吸和心跳的特征。
3、本发明的方法中，实时检测环境噪声程度，并根据环境噪声程度实时调整大误差和小误差之间的阈值，采用Huber-Kalman滤波算法对CSI信号进行滤波时，能根据环境中大误差和小误差的占比，动态调整滤波范围，提高了本发明方法的环境适应性。
4、本发明提供了多种滤波后提取心跳或呼吸频率的方法，包括根据单位时间内检测到峰值的个数计算生命体征的频率、根据峰值之间的时间间隔计算生命体征的频率和将信道状态信号进行频域分析后滤波获取生命体征的频率，有多种提取方法可选，使用方便灵活。
5、本发明中获取信道状态信息过程中，根据无线信号的种类，本发明给出了两种方法：第一种，将同一个无线信号分为相同的两路信号，一路用于输出到被测目标，另一路通过有线方式传输，作为参考信号，该方法主要针对类似Wi-Fi信号的无线信号，该类信号的相位信息具有随机性，所以相位信息本身没有明确的意义，因此需要获取参考信号，参考信号一般指的是发射信号，接收信号和参考信号计算得到相位差信息；第二种，输出的无线信号辐射到被测目标，获得经过反射面的反射信号的相位信息即可，该方法主要是针对类似毫米波雷达的信号。
6、基于相同的构思，本发明还公开了一种无接触式呼吸或心跳检测系统，包括无线信号发射装置、无线信号的接收装置和数据处理器。为了防止多径干扰，采集数据时，发射天线和接收天线为圆极化天线，发射天线和接收天线的极化方向相反。
7、进一步的，无线信号产生设备生成无线信号过程中所依据的时钟信号与数据处理器接收无线信号所依据的时钟信号相同。整个系统工作在同一时钟信号下，对数据的处理实现了同步，避免了由于设备时钟不同步带来的系统误差。
8、进一步的，如无线信号为Wi-Fi信号，一种无接触式生命体征检测系统中，采用功率分配器和同轴线缆传输参考相位信号，使得在相位差计算过程中，参考相位信号相对稳定，避免了因参考相位信号的偏差引入误差到Wi-Fi信号的信道状态信号中。
附图说明
图1为本发明实施例1中的一种无接触式呼吸或心跳检测方法的流程图；
图2为本发明实施例1中的汽车行驶过程中用于提取呼吸或心跳参数的生命体征波形信号图；
图3为本发明实施例1中的呼吸和心跳分离效果图；
图4为本发明实施例1中的小误差占比的趋势图；
图5为本发明实施例1中的未解绕的呼吸波形图；
图6为本发明实施例1中的解绕后的呼吸波形图；
图7为本发明实施例1中的50号子载波的波形图；
图8为本发明实施例1中的90号子载波的波形图；
图9为本发明实施例2中的雷达系统数据采集的过程原理图；
图10为本发明实施例2中生命体征检测软件流程图；
图11为本发明实施例3中的一种无接触式呼吸或心跳检测系统的结构图；
图12为本发明实施例3中包含Wi-Fi信号产生设备、发射天线、Wi-Fi信号接收设备和接收天线的无接触式呼吸或心跳检测系统的结构图；
图13为本发明实施例3中包含功率分配器的无接触式呼吸或心跳检测系统的结构图。
具体实施方式
下面结合试验例及具体实施方式对本发明作进一步的详细描述。但不应将此理解为本发明上述主题的范围仅限于以下的实施例，凡基于本发明内容所实现的技术均属于本发明的范围。
实施例1
本实施例公开了一种无接触式呼吸或心跳检测方法，其流程图如图1所示，包括以下步骤：
S1，根据输出的无线信号和被测目标反射回来的无线信号，获取无线信号的信道状态信息。
S2，从无线信号的信道状态信息中提取出生命体征波形信号。
S3，对生命体征波形信号进行基于Huber-Kalman滤波算法的滤波，得到滤波后的生命体征波形信号，Huber-Kalman滤波算法采用Huber目标函数对Kalman滤波算法的公式进行更新；
S4，从滤波后的生命体征波形信号中提取出生命体征参数，生命体征参数包括呼吸特征参数和/或心跳特征参数。
作为优选方案，步骤S4中，从滤波后的生命体征波形信号中提取出生命体征参数，提取的生命体征参数包括呼吸速率、呼吸次数、心跳次数、心跳速率等。作为具体的实施例，本发明的方法在汽车场景下使用时，汽车行驶过程中用于提取呼吸或心跳参数的生命体征波形信号如图2所示。提取呼吸次数和心跳次数的方法是在预设的一段时间内，计算生命体征波形的峰值个数，通过生命体征波形的峰值计算呼吸或心跳的次数，具体包括以下步骤：
A31，对滤波后的生命体征波形信号按照时间窗口进行分段，得到生命体征波形；
A32，在预设的一段时间内，计算生命体征波形的峰值个数，根据生命体征波形的峰值个数，确定被测人体的呼吸或心跳的次数。
提取呼吸速率或心跳速率的方法还可以是计算生命体征波形的峰值之间的时间间隔，通过时间间隔，计算呼吸速率或心跳速率。
对于呼吸速率或心跳速率的提取，还可以采用另一种方法：
首先，将滤波后的生命体征波形信号进行频域分析(例如：快速傅里叶变换(FFT))，也即是将生命体征波形信号从时域信号变换为频域信号，得到滤波后的生命体征波形信号的频谱图。
呼吸和心跳分离效果图如图3所示。BPM＝94是通过对波形图中峰值计数，计算出心跳的频率，BPM＝17是通过对波形图中峰值计数计算出的呼吸频率。
作为优选方案，步骤S3中，对生命体征波形信号进行了基于Huber-Kalman滤波算法的滤波，以滤除干扰，得到准确的滤波后的生命体征波形信号，所述Huber-Kalman滤波算法利用Huber目标函数中可以将第一范数和第二范数进行融合的优势来改进Kalman滤波算法，具体步骤包括：根据Kalman更新方程计算当前时刻的最优估计值时，该最优估计值由上一时刻的最优估计值和当前时刻根据Huber预测方程计算的观测值共同决定，通过预测方程和更新方程的反复迭代计算，对输入的生命体征波形信号进行滤波。经典的卡尔曼滤波中卡尔曼增益由第二范数(即最小二乘)决定，当测量值与真实值存在大偏差时，经典卡尔曼滤波的结果则会向偏向误差点，滤波效果较差。基于Huber的目标函数将误差分为大误差和小误差，其中大误差是指偏离真实值大于某个阈值的误差点，小误差是指围绕真实值在一定小范围内(某阈值内)上下波动的误差点。分段处理不同类型的误差，可以有效恢复原本的呼吸和心跳波形。
Huber-Kalman滤波算法中，基于Huber目标函数的预测方程表示为：
Figure BDA0002761323270000121
/>
Figure BDA0002761323270000122
Kalman更新方程为:
Figure BDA0002761323270000131
Figure BDA0002761323270000132
Figure BDA0002761323270000133
其中，k表示第k时刻；a表示大误差和小误差之间的阈值；
Figure BDA0002761323270000134
表k时刻的预测值，/>
Figure BDA0002761323270000135
表示k-1时刻的最优估计值；zk是输入数据；uk-1表示状态转移过程的随机噪声；vk表示测量噪声；Q表示过程噪声协方差；R表示测量噪声协方差；A表示状态转移系数；B表示控制输入系数；H表示测量系数；ek表示后验误差；/>
Figure BDA0002761323270000136
表示先验误差；/>
Figure BDA0002761323270000137
表示先验误差函数，ρa(ek)表示后验误差函数；Kk表示卡尔曼增益。
其中，大误差和小误差之间的阈值a用于确定滤波中大误差和小误差滤波作用的占比，阈值的选取与当前场景有关，在不同的场景下，获取参数a的取值不同。作为优选方案，实时检测环境的特征值，以确定被测人体的环境状态，根据环境的特征值实时调整所述大误差和小误差之间的阈值。例如，在汽车行驶的场景下，通过包括正常行驶的状态、快速启动的状态、刹车的状态等不同的状态，人体作为Wi-Fi信号的反射面，与Wi-Fi发射信号的相对距离不同。检测环境的特征值(例如人体与Wi-Fi发射信号的相对距离)判断汽车行驶的场景，以及被测人体处于的状态(正常行驶的状态、快速启动的状态、刹车的状态等)来确定参数a的取值，实时调整大误差或小误差的占比。检测环境的特征值还可以是环境噪声，根据环境噪声判断被测人体处于的状态(通过噪声信号的特点确定正常行驶的状态、快速启动的状态、刹车的状态等)。作为具体的例子，高速行驶情况下，小误差占比的趋势图如图4所示。在a＝15前，小误差的比例在不断增大，a>15后趋于平缓，这时选择拐点a＝15作为区分大误差和小误差的阈值，进行Huber-Kalman滤波。
步骤S1中，根据无线信号的区别，信道状态信息的获取方式不同，本实施例中以无线信号为Wi-Fi信号为例进行说明，但是并不限定只能用Wi-Fi信号，基于无线信号，采用相同的原理和步骤，同样在本发明的保护范围。
作为优选方案，当无线信号为Wi-Fi信号时，步骤S1具体包括以下步骤：
S11，将输出的Wi-Fi信号分为相同的两路Wi-Fi信号，第一Wi-Fi信号和第二Wi-Fi信号，第一Wi-Fi信号输出到人体附近，第二Wi-Fi信号作为参考Wi-Fi信号；
S12，第一Wi-Fi信号经过人体反射后形成人体反射的Wi-Fi信号，把经过人体反射的Wi-Fi信号与参考Wi-Fi信号做差，得到Wi-Fi信号的相位差信息，所述Wi-Fi信号的相位差信息作为所述Wi-Fi信号的信道状态信息。
作为优选方案，当步骤S4中提取的生命体征为呼吸特征参数时，步骤S2，对无线信号的信道状态信息进行子载波融合，获取生命体征波形信号具体包括以下步骤：
S21，将相位差信号进行解卷绕处理，得到预处理信号。要计算相频特性，就要用到反正切函数，计算机中反正切函数规定，在一、二象限中的角度为0～π，三四象限的角度为0～-π。若一个角度从0变到2π，但实际得到的结果是0～π，再由-π～0，在w＝π处发生跳变，跳变幅度为2π，这就叫相位的卷绕。在python和MATLAB里面，unwrap(w)就是解卷绕函数，使相位在π处不发生跳变，从而反应出真实的相位变化。未解绕的呼吸波形如图5所示，由于在w＝π处发生跳变，得到的波形也存在跳变而不连续，解绕后的呼吸波形如图6所示，由于相位在π处不发生跳变，从而反应出真实的相位变化，解卷绕后的呼吸波形连续，便于后续的峰值的提取。
S22，将预处理信号进行子载波融合处理，输出呼吸特征波形信号。在Wi-Fi无线感知中，由于CSI有53个子信道，每个子信道内有多个子载波，由于每个子载波的中心频率不同，每个子载波对不同速度的运动敏感程度不同，通过选择多个子载波相互补充，反应呼吸波形特征。图7中是50号子载波的波形图，图8中是90号子载波的波形图，这两个波形的特征不完全相同，因此将这两个子载波叠加，就实现了信号的互补，确保提取到的生命体征的完整性。
步骤S22具体包括以下步骤：
S221，获取预处理信号中每个信道状态信息的子载波信号，子载波信号的频率分布于信道状态信息的频率带宽中。
S222，在每个信道状态信息中，以N个频点为间隔，提取出部分子载波信号，构成预选子载波信号。例如，每隔1个频点提取子载波信号，每隔2个频点提取子载波信号，每隔3个频点提取子载波信号……，具体提取的子载波间隔多少个频点，以计算需求确定。
S223，计算预选子载波信号对应的权重值和绝对偏差值。
S224，将预选子载波信号对应的权重值和绝对偏差值相乘，计算出每个预选子载波信号的修正数据，将修正数据叠加后，输出生命体征波形信号。
步骤S223中，设定预选子载波信号子载波的原始数据为X1＝{x11,x12,…,x1n},X2＝{x21,x22,…,x2n},Xm＝{xm1,xm2,…,xmn}，即可分别计算每个子载波的绝对偏差值。计算公式为：
Figure BDA0002761323270000161
其中，n是每个所述预选子载波信号的离散处理后的采样编号，m是预选子载波信号的个数，xmi是每个所述预选子载波信号离散处理后的采样值，
Figure BDA0002761323270000162
是第m个预选子载波信号中采样值的均值。
各子载波的相应权重的计算公式为：
Figure BDA0002761323270000163
因此，步骤S224中，子载波融合的结果为
Figure BDA0002761323270000164
作为优选方案，当步骤S4中提取的生命体征为心跳特征参数时，步骤S2，对无线信号的信道状态信息进行子载波融合，获取生命体征波形信号具体包括以下步骤：
K21，对Wi-Fi信号的信道状态信号进行降采样处理，获取降采样信道状态信息。在满足能观测结果的情况下尽可能降低采样率，使得计算量减少，提高系统的实时性，作为优选方案，可以将采样率降低至8Hz，当采样率降低至8Hz是能够满足小波变换的要求。
K22，将信道状态信息进行解卷绕处理，得到预处理信号。
K23，将所述预处理信号进行子载波融合处理后，进行频域分析，输出心跳特征波形信号。
作为优选方案，当无线信号是2.4G的Wi-Fi信号时，子载波可能覆盖的频率范围为2401MHz到2483MHz。实际使用中一般选择其中一个20MHz或者40MHz的带宽中的子载波。
当无线信号是5G的Wi-Fi信号，子载波可能覆盖的频率范围为5150MHz到5850MHz。实际使用中一般选择其中一个20MHz、40MHz或者80MHz的带宽中的子载波。频率越高，Wi-Fi信号的波长越短，对于呼吸和心跳特征更加敏感。所以选择5750MHz至5850MHz这个频率范围可以得到较好的探测效果。
实施例2
实施例2与实施例1之间的区别在于，采用的无线信号不是Wi-Fi信号，而是毫米波雷达信号，毫米波雷达信号的频率F的范围包括：23GHz≤F≤28GHz、60GHz≤F≤65GHz、76GHz≤F≤81GHz。Wi-Fi信号的相位具有随机性，当接收到被测目标返回的Wi-Fi信号时，并不能知道该反射信号的相位对应的实际意义，因此，需要将发射的Wi-Fi信号作为参考信号，反射信号的相位和参考信号的相位计算得到相位差。毫米波雷达信号能分辨识别很小的目标，而且能同时识别多个目标，毫米波雷达的相位信息能直接反映反射面的微运动特征，因此，在毫米波雷达系统中不需要额外计算相位差。
作为优选方案，当无线信号为毫米波雷达信号时，步骤S1具体包括以下步骤：
S11，输出毫米波雷达信号到被测目标，并将发射时刻的毫米波雷达信号作为参考信号；
S12，被测目标将毫米波雷达信号反射出去，形成回波信号，回波信号与参考信号解调产生中频信号；
S13，对中频信号依次进行ADC采样、FFT变换，得到被测目标的距离信息和被测目标的相位信息；
S14，毫米波雷达信号的相位信息作为毫米波雷达信号的信道状态信息。
作为本发明的优选方案，步骤S11的具体步骤为：控制器控制射频前端产生需要的毫米波雷达波形并发射出去，并将发射时刻该毫米波雷达信号作为接收端的参考信号进行存储，本实施例中需要的是FMCW雷达信号；步骤S12中，射频前端接收到毫米波雷达信号经过反射面(被测目标)之后的回波信号，与参考信号解调产生中频信号(IF)。
步骤S13中，得到的中频信号就包含了反射面的信号，对中频信号经过ADC采样之后，通过FFT得到反射面的距离信息和相位信息。距离信息是通过FFT结果的不同频点来得到反射面距离雷达的距离；相位信息是指1D-FFT的相位，1D-FFT的相位信息可以反映反射面的微小的变化。毫米波雷达信号的相位信息就作为毫米波雷达信号的信道状态信息。对于毫米波雷达信号来说，其相位信息本身就携带了生命体征波形信号，步骤S2中，通过相位解卷绕就可以直接从毫米波雷达信号的相位信息中提取出生命特征波形信号，相位解卷绕的方法与实施例1中的步骤S21相同，此处不再赘述。后续步骤S3和S4与实施例1的方法相同，此处不再赘述。
雷达系统数据采集的过程原理图如图9所示。系统主要包含毫米波雷达射频前端，数字信号处理模块，主控制器，存储模块以及通信接口。毫米波雷达射频前端的功能是在主控制器的控制下产生并发射毫米波雷达信号，并且接收雷达回波信号，并且根据回波信号和参考信号得到中频信号(射频前端相当于无线信号产生设备和无线信号接收设备的集成)。数字信号处理模块的功能是对毫米波雷达信号进行ADC采样之后进行FFT计算和滤波等，计算得到距离信息、相位信息、速度信息和角度信息等信息。存储模块用来存储本发明所述的检测系统的程序和数据。通信接口是雷达系统和汽车电子系统通信的接口，接收汽车电子系统下发的指令，并将雷达系统的数据发送给汽车电子系统。
图10是生命体征检测软件流程图，获取回波信号，进而计算出相位信息后，直接将相位信息进行解卷绕就可以直接获得生命体征波形信号。对生命体征波形信号进行Huber-Kalman滤波，就能提取出生命特征参数，生命体征检测包括呼吸、心跳这两个参数。雷达回波信号的相位信息反映的是目标的微动特征，因为毫米波的波长很短，所以相位信息能够检测到零点几毫米的微动特征，可以用来检测呼吸和心跳。由于呼吸和心跳的频率不一样，所以经过频域分析之后将呼吸的特征和心跳的特征区分开，分别确定呼吸次数和心跳次数(或者分别确定呼吸频率和心跳频率)。在车内场景下，由于汽车在行驶过程的颠簸和车内人员的肢体动作会带来不同程度的误差，对测量结果带来影响。
其中，相位解卷绕和通过Huber-Kalman滤波提取出生命特征参数的方法与实施例1相同的方法(图1中的步骤S3-S4)，就能得到反应生命体征的呼吸特征参数和心跳特征参数。此处不再赘述。
实施例3
基于相同的构思，实施例3给出了一种无接触式呼吸或心跳检测系统，包括Wi-Fi信号发射装置、Wi-Fi信号的接收装置和数据处理器，一种无接触式呼吸或心跳检测系统的结构图如图11所示。
Wi-Fi信号发射装置输出Wi-Fi信号到被测目标；Wi-Fi信号的接收装置接收被测目标反射回来的Wi-Fi信号；数据处理器根据Wi-Fi信号发射装置输出的Wi-Fi信号和从Wi-Fi信号的接收天线接收的反射Wi-Fi信号生成Wi-Fi信号的信道状态信号，并对Wi-Fi信号的信道状态信号进行子载波融合，获取生命体征波形信号；
数据处理器还对生命体征波形信号进行基于Huber-Kalman滤波算法的滤波，得到滤波后的生命体征波形信号，并从滤波后的生命体征波形信号中提取出生命体征参数，生命体征参数包括呼吸特征参数和心跳特征参数；Huber-Kalman滤波算法采用Huber目标函数对Kalman函数中的第一范数和第二范数进行了融合。进一步的，Wi-Fi信号发射装置包括Wi-Fi信号产生设备和发射天线，包含Wi-Fi信号产生设备、发射天线、Wi-Fi信号接收设备和接收天线的无接触式呼吸或心跳检测系统的结构图如图12所示。
发射天线和接收天线为圆极化天线，发射天线和接收天线的极化方向相反。发射天线如果是左旋圆极化天线，则接收天线为右旋圆极化天线(或者发射天线是右旋圆极化天线，接收天线为左旋圆极化天线)，通过圆极化天线来抑制多径干扰，能够有效抑制两个天线之间的直射信号和偶次反射信号，使得Wi-Fi信号接收天线接收到的信号主要是经过一次反射的信号，并且一次反射的信号是从被测目标反射的信号。
另外，系统还包括功率分配器，包含功率分配器的无接触式呼吸或心跳检测系统如图13所示。Wi-Fi信号产生设备将生成的Wi-Fi信号输出到功率分配器，功率分配器将接收到的Wi-Fi信号输出到发射天线，同时将Wi-Fi信号通过同轴线缆输出到数据处理器；数据处理器根据从同轴线缆接收到的Wi-Fi信号和从Wi-Fi信号的接收装置接收的经过人体反射的Wi-Fi信号生成Wi-Fi信号的信道状态信号。
作为优选方案，Wi-Fi信号产生设备生成Wi-Fi信号过程中所依据的时钟信号与数据处理器所依据的时钟信号相同。避免了信号处理过程中，系统各部分时钟不同步而带来的误差，增加了信号处理中的稳定性。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (14)

1.一种无接触式呼吸或心跳检测方法，其特征在于，包括以下步骤：
S1，根据输出的无线信号和被测目标反射回来的无线信号，获取无线信号的信道状态信息；
S2，从所述无线信号的信道状态信息中提取出生命体征波形信号；
S3，对所述生命体征波形信号进行基于Huber-Kalman滤波算法的滤波，得到滤波后的生命体征波形信号，所述Huber-Kalman滤波算法采用Huber目标函数对Kalman滤波算法的公式进行更新；
S4，从所述滤波后的生命体征波形信号中提取出呼吸特征参数和/或心跳特征参数；
步骤S4具体包括以下步骤：
A41，对所述滤波后的生命体征波形信号按照时间窗口进行分段，得到生命体征波形；
A42，提取所述生命体征波形的峰值之间的时间间隔，根据所述峰值之间的时间间隔，确定被测人体的呼吸或心跳的频率。
2.如权利要求1所述的一种无接触式呼吸或心跳检测方法，其特征在于，步骤S3中，所述Huber-Kalman滤波算法采用Huber目标函数对Kalman滤波算法的公式进行更新，具体包括以下步骤：
通过Huber目标函数对Kalman滤波算法的预测方程和更新方程的迭代计算过程进行修改，对输入的生命体征波形信号进行滤波；
所述Huber目标函数将误差分为两个部分，包括大误差和小误差，所述大误差是指偏离真实值并且大于大误差阈值的误差值，所述小误差是指以真实值为基准，在小误差阈值范围内波动的误差值；
所述迭代计算是指：当前时刻的最优估计值是由上一时刻根据所述更新方程计算出的最优估计值和当前时刻根据所述预测方程计算出的观测值共同决定。
3.如权利要求2所述的一种无接触式呼吸或心跳检测方法，其特征在于，步骤S3中，所述基于Huber目标函数的Kalman预测方程表示为：
Figure FDA0004147283290000021
Figure FDA0004147283290000022
所述Kalman更新方程为:
Figure FDA0004147283290000023
Figure FDA0004147283290000024
/>
Figure FDA0004147283290000025
其中，k表示第k时刻；a表示大误差和小误差之间的阈值；
Figure FDA0004147283290000026
表k时刻的预测值，/>
Figure FDA0004147283290000027
表示k-1时刻的最优估计值；zk是输入数据；uk-1表示状态转移过程的随机噪声；vk表示测量噪声；Q表示过程噪声协方差；R表示测量噪声协方差；A表示状态转移系数；B表示控制输入系数；H表示测量系数；ek表示后验误差；/>
Figure FDA0004147283290000031
表示先验误差；/>
Figure FDA0004147283290000032
表示先验误差函数，ρa(ek)表示后验误差函数；Kk表示卡尔曼增益。
4.如权利要求3所述的一种无接触式呼吸或心跳检测方法，其特征在于，步骤S3还包括，实时检测环境噪声程度，根据所述环境噪声程度调整所述大误差和小误差之间的阈值。
5.如权利要求1所述的一种无接触式呼吸或心跳检测方法，其特征在于，步骤S4具体包括以下步骤：
B41，对所述滤波后的生命体征波形信号按照时间窗口进行分段，得到生命体征波形；
B42，对所述生命体征波形进行频域分析，得到所述生命体征波形的频谱特性；
B43，对所述生命体征波形的频谱特性进行低通滤波，得到被测人体的呼吸频率和/或对所述生命体征波形的频谱特性进行高通滤波，得到被测人体的心跳频率。
6.如权利要求1-5任一所述的一种无接触式呼吸或心跳检测方法，其特征在于，当所述无线信号是毫米波雷达信号时，步骤S1具体包括以下步骤：
S11，输出毫米波雷达信号到被测目标，并将发射时刻的毫米波雷达信号作为参考信号；
S12，被测目标将所述毫米波雷达信号反射出去，形成回波信号，所述回波信号与所述参考信号解调产生中频信号；
S13，对所述中频信号依次进行ADC采样、FFT变换，得到被测目标的距离信息和被测目标的相位信息；
S14，所述毫米波雷达信号的相位信息作为毫米波雷达信号的信道状态信息。
7.如权利要求6所述的一种无接触式呼吸或心跳检测方法，其特征在于，所述毫米波雷达信号的频率F的范围包括：23GHz≤F≤28GHz、60GHz≤F≤65GHz和76GHz≤F≤81GHz。
8.如权利要求1-5任一所述的一种无接触式呼吸或心跳检测方法，其特征在于，当所述无线信号是Wi-Fi信号时，步骤S1具体包括以下步骤：
C11，输出的无线信号到被测目标，并同时将所述无线信号作为参考信号，通过有线方式进行传输；
C12，被测目标将所述无线信号反射回去，形成反射无线信号，将所述反射无线信号与所述参考信号做差，得到无线信号的相位差信息，所述无线信号的相位差信息作为所述无线信号的信道状态信息。
9.如权利要求8所述的一种无接触式呼吸或心跳检测方法，其特征在于，步骤S2具体包括以下步骤：
S21，将相位差信号进行解卷绕处理，得到预处理信号；
S22，将预处理信号进行子载波融合处理，输出呼吸特征波形信号。
10.如权利要求9所述的一种无接触式呼吸或心跳检测方法，其特征在于，
当所述无线信号为2.4G频段的Wi-Fi信号时，所述信道状态信息的频率带宽为20MHz或者40MHz，所述信道状态信息的子载波信号的频率范围为2401MHz到2483MHz；
当所述无线信号为5G频段的Wi-Fi信号时，所述信道状态信息的频率带宽为20MHz、40MHz或者80MHz，所述信道状态信息的子载波信号的频率范围为5150MHz到5850MHz。
11.一种无接触式呼吸或心跳检测系统，其特征在于，包括无线信号发射装置、无线信号接收装置和数据处理器，
所述无线信号发射装置输出无线信号到被测目标；
所述无线信号接收装置接收被测目标反射回来的无线信号；
所述数据处理器根据所述无线信号发射装置输出的无线信号和所述被测目标反射回来的无线信号执行如权利要求1-9任一所述的一种无接触式呼吸或心跳检测方法，计算出被测目标的呼吸特征参数和/或心跳特征参数。
12.如权利要求11所述的一种无接触式呼吸或心跳检测系统，其特征在于，所述无线信号发射装置包括无线信号产生设备和发射天线，所述无线信号接收装置包括接收天线和无线信号接收设备；
所述无线信号产生设备将生成的无线信号通过所述发射天线辐射到被测目标；
所述无线信号接收设备通过所述接收天线接收被测目标反射回来的无线信号；
所述发射天线和所述接收天线为圆极化天线，所述发射天线和所述接收天线的极化方向相反。
13.如权利要求11所述的一种无接触式呼吸或心跳检测系统，其特征在于，所述无线信号产生设备生成无线信号过程中所依据的时钟信号与所述数据处理器接收被测目标反射回来的无线信号所依据的时钟信号相同。
14.如权利要求13所述的一种无接触式呼吸或心跳检测系统，其特征在于，当所述无线信号为Wi-Fi信号时，系统还包括功率分配器，
Wi-Fi信号产生设备将生成的Wi-Fi信号输出到所述功率分配器，
所述功率分配器将接收到的Wi-Fi信号输出到发射天线，同时将所述Wi-Fi信号通过同轴线缆输出到所述数据处理器；
所述数据处理器根据从所述同轴线缆接收到的Wi-Fi信号和被测目标反射回来的Wi-Fi信号生成Wi-Fi信号的信道状态信息。
CN202011218737.2A 2020-11-04 2020-11-04 一种无接触式呼吸或心跳检测方法 Active CN112336322B (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN202011218737.2A CN112336322B (zh) 2020-11-04 2020-11-04 一种无接触式呼吸或心跳检测方法
PCT/CN2021/128302 WO2022095869A1 (zh) 2020-11-04 2021-11-03 一种无接触式呼吸或心跳检测方法
US18/251,392 US20230397824A1 (en) 2020-11-04 2021-11-03 Contactless breathing or heartbeat detection method

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011218737.2A CN112336322B (zh) 2020-11-04 2020-11-04 一种无接触式呼吸或心跳检测方法

Publications (2)

Publication Number Publication Date
CN112336322A CN112336322A (zh) 2021-02-09
CN112336322B true CN112336322B (zh) 2023-05-30

Family

ID=74430046

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011218737.2A Active CN112336322B (zh) 2020-11-04 2020-11-04 一种无接触式呼吸或心跳检测方法

Country Status (3)

Country Link
US (1) US20230397824A1 (zh)
CN (1) CN112336322B (zh)
WO (1) WO2022095869A1 (zh)

Families Citing this family (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112336322B (zh) * 2020-11-04 2023-05-30 珠海市海米软件技术有限公司 一种无接触式呼吸或心跳检测方法
CN113261925A (zh) * 2021-03-11 2021-08-17 山东师范大学 一种基于毫米波雷达的人体感知方法及系统
CN113468989A (zh) * 2021-06-18 2021-10-01 南京润楠医疗电子研究院有限公司 一种使用心脏雷达信号的非接触式人员识别方法
CN114942426A (zh) * 2022-05-19 2022-08-26 西安交通大学 一种无源定位和生命体征监测方法、系统、计算机和存储介质
CN114983373B (zh) * 2022-06-02 2023-03-28 谢俊 一种检测人体心率的方法
CN117375741A (zh) * 2022-06-30 2024-01-09 华为技术有限公司 呼吸检测方法、电子设备、存储介质及程序产品
CN115913392B (zh) * 2022-10-31 2023-06-23 中国矿业大学 一种基于超声波信号的潜在尘肺病预警方法
CN116577768B (zh) * 2023-07-10 2023-09-22 厦门中为科学仪器有限公司 一种基于毫米波雷达的安检场景活体检测装置
CN117064349B (zh) * 2023-08-17 2024-02-06 德心智能科技(常州)有限公司 毫米波雷达与智能床联动的姿态控制方法及系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102215746A (zh) * 2008-09-15 2011-10-12 新加坡南洋理工大学 用于检测心跳和/或呼吸的方法
CN107808393A (zh) * 2017-09-28 2018-03-16 中冶华天南京电气工程技术有限公司 智能视频监控领域中具有抗干扰性的目标跟踪方法
CN109998549A (zh) * 2019-03-19 2019-07-12 浙江工业大学 一种基于WiFi信道状态信息的人体呼吸检测方法
CN110361122A (zh) * 2019-06-27 2019-10-22 西安理工大学 一种针对压迫治疗缠绕力动态检测方法
CN209863802U (zh) * 2019-04-03 2019-12-31 湖南省顺鸿智能科技有限公司 一种基于雷达的非接触式生命体征测量系统

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080074307A1 (en) * 2006-05-17 2008-03-27 Olga Boric-Lubecke Determining presence and/or physiological motion of one or more subjects within a doppler radar system
CN112336322B (zh) * 2020-11-04 2023-05-30 珠海市海米软件技术有限公司 一种无接触式呼吸或心跳检测方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102215746A (zh) * 2008-09-15 2011-10-12 新加坡南洋理工大学 用于检测心跳和/或呼吸的方法
CN107808393A (zh) * 2017-09-28 2018-03-16 中冶华天南京电气工程技术有限公司 智能视频监控领域中具有抗干扰性的目标跟踪方法
CN109998549A (zh) * 2019-03-19 2019-07-12 浙江工业大学 一种基于WiFi信道状态信息的人体呼吸检测方法
CN209863802U (zh) * 2019-04-03 2019-12-31 湖南省顺鸿智能科技有限公司 一种基于雷达的非接触式生命体征测量系统
CN110361122A (zh) * 2019-06-27 2019-10-22 西安理工大学 一种针对压迫治疗缠绕力动态检测方法

Also Published As

Publication number Publication date
US20230397824A1 (en) 2023-12-14
WO2022095869A1 (zh) 2022-05-12
CN112336322A (zh) 2021-02-09

Similar Documents

Publication Publication Date Title
CN112336322B (zh) 一种无接触式呼吸或心跳检测方法
CN112168153B (zh) 一种无接触式呼吸或心跳检测系统
US9921305B2 (en) Radar apparatus and object sensing method
CN107607923B (zh) 基于lfmcw雷达的振动监测系统与信号处理方法
US9713434B2 (en) Microwave contactless heart rate sensor
CN110584631A (zh) 一种基于fmcw雷达的静态人体心跳和呼吸信号提取方法
US10785083B2 (en) Method and apparatus for measuring displacement of object using multiple frequency signal
CN116068513A (zh) 数据前处理方法与运动生理感测雷达
US20220381877A1 (en) Method for removing random noise of radar collection signal in biometric signal measurement radar, and apparatus for same
Yamamoto et al. Non-contact heartbeat detection by MUSIC with discrete cosine transform-based parameter adjustment
Salman et al. Contactless vital signs tracking with mmWave RADAR in realtime
CN115969351A (zh) 一种基于毫米波雷达实时计算呼吸的方法
KR20230123699A (ko) 비접촉식 생체 신호 측정 시스템 및 방법
CN115736872A (zh) 一种基于毫米波雷达实时计算心率的方法
KR20230077607A (ko) 시간적 위상 코히어런시에 기반한 심박 측정 거리 결정 장치 및 방법
JP2019213772A (ja) 心拍計測方法および心拍計測装置
CN110604553B (zh) 非接触式生命体征检测方法、检测装置和电子设备
Shin et al. FMCW radar-based vital signal monitoring technique using adaptive range-bin selection
CN114002670A (zh) 一种微波微动传感器的信号处理方法、系统及相关组件
CN111381229B (zh) 推测方法、推测装置以及记录介质
Chen et al. Noncontact heart rate detection method based on Kalman filter
CN116840805B (zh) 基于mimo雷达与波束形成的人体生命体征检测方法
Srihari et al. Measurement and evaluation of human vital sign using 77ghz awr1642 fmcw radar sensor
Choi et al. Vital information extraction using FMCW radar
EP4290270A1 (en) Radar-based single target vital sensing

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