CN112711979A - 基于生物雷达的慢速随机运动下非接触生命体征监测 - Google Patents
基于生物雷达的慢速随机运动下非接触生命体征监测 Download PDFInfo
- Publication number
- CN112711979A CN112711979A CN202011294879.7A CN202011294879A CN112711979A CN 112711979 A CN112711979 A CN 112711979A CN 202011294879 A CN202011294879 A CN 202011294879A CN 112711979 A CN112711979 A CN 112711979A
- Authority
- CN
- China
- Prior art keywords
- radar
- target
- motion
- vital sign
- echo
- 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.)
- Pending
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 21
- 238000001514 detection method Methods 0.000 claims abstract description 24
- 238000000034 method Methods 0.000 claims abstract description 13
- 238000011084 recovery Methods 0.000 claims abstract description 4
- 238000010586 diagram Methods 0.000 claims description 7
- 238000012706 support-vector machine Methods 0.000 claims description 7
- 230000008859 change Effects 0.000 claims description 6
- 238000002592 echocardiography Methods 0.000 claims description 6
- 238000000354 decomposition reaction Methods 0.000 claims description 5
- 238000013507 mapping Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 5
- 238000012937 correction Methods 0.000 claims description 4
- 238000001914 filtration Methods 0.000 claims description 4
- 230000036387 respiratory rate Effects 0.000 claims description 4
- 108010076504 Protein Sorting Signals Proteins 0.000 claims description 3
- 238000009499 grossing Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 abstract description 5
- 238000010801 machine learning Methods 0.000 abstract description 3
- 230000036541 health Effects 0.000 abstract description 2
- 230000007774 longterm Effects 0.000 abstract description 2
- 210000000038 chest Anatomy 0.000 description 40
- 238000005516 engineering process Methods 0.000 description 7
- 239000000284 extract Substances 0.000 description 3
- 238000006073 displacement reaction Methods 0.000 description 2
- 230000007340 echolocation Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 210000000115 thoracic cavity Anatomy 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000036391 respiratory frequency Effects 0.000 description 1
- 210000004243 sweat Anatomy 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- 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
- A61B5/72—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
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/88—Radar or analogous systems specially adapted for specific applications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Theoretical Computer Science (AREA)
- Signal Processing (AREA)
- Medical Informatics (AREA)
- General Physics & Mathematics (AREA)
- Physiology (AREA)
- Pathology (AREA)
- Animal Behavior & Ethology (AREA)
- Evolutionary Computation (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Veterinary Medicine (AREA)
- Biophysics (AREA)
- Data Mining & Analysis (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- General Engineering & Computer Science (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Psychiatry (AREA)
- Cardiology (AREA)
- Mathematical Physics (AREA)
- Pulmonology (AREA)
- Computing Systems (AREA)
- Evolutionary Biology (AREA)
- Electromagnetism (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Networks & Wireless Communication (AREA)
- Fuzzy Systems (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明涉及生命体征检测领域，提出一种基于生物雷达的慢速随机运动下非接触生命体征监测方法。该方法首先同步采集调频连续波雷达和脉冲超宽带雷达数据；之后基于调频连续波雷达回波信号，利用机器学习实现目标检测、运动模式预分类和身体朝向分类。在此基础上，基于身体朝向实现胸腔回波位置的估测，并以此辅助修正脉冲超宽带雷达探测得到的生命体征信号，进一步采用心跳估测和恢复算法实现生命体征提取。本发明提出的检测方法能够精准检测慢速随机运动下的目标生命体征，为进一步实现运动状态下长时、鲁棒、全面的生命体征监测，探究运动对人体生理健康的影响提供可能。
Description
技术领域
本发明涉及生命体征检测领域，特别是指一种基于生物雷达的慢速随机运动下非接触生命体征监测方法。
背景技术
太极、瑜伽这类相对和缓且能强身健体的运动受到各年龄人群的关注和喜爱。在运动过程中，实时监控人体的心跳、呼吸等生命体征可以帮助人们调整运动强度，从而达到最佳健身效果。传统的生命体征检测方式大多需要佩戴接触式设备，这会给运动者带来不适感，并且汗液还会影响设备的检测准确度。针对太极、瑜伽这类运动速度相对缓慢、运动随机性强且存在多方向转动的慢速随机运动形式，如何摆脱接触式设备的限制，在运动中非接触地进行生命体征检测是一个关键问题。
非接触式生命体征监测技术主要包括视频监测技术和生物雷达监测技术。相较于视频监测，诸如脉冲超宽带雷达、调频连续波雷达的生物雷达探测精度高，穿透性强，使用时不受光线限制，也不会带来隐私问题，成为非接触式生命体征监测领域一大研究热点。
目前运动情况下基于生物雷达的非接触式生命体征检测技术大多针对大幅度行走位移或身体微动的运动场景，人体运动模式相对固定，因此，此类技术方案主要通过补偿躯干位移或去除身体运动相关频率的方式减小身体体动对生命体征检测的影响。然而，对于存在躯干随机扭动或四肢大幅度摆动情况，由于身体朝向不固定且四肢干扰严重，仅仅通过现有技术方案难以准确提取生命体征信号。
针对目前运动情况下生命体征监测存在的技术问题，本发明提出基于生物雷达的慢速随机运动下非接触生命体征监测技术。
发明内容
为解决上述技术问题，本发明提出一种基于生物雷达的慢速随机运动下非接触生命体征监测方法，包括步骤：
步骤1，将调频连续波雷达和脉冲超宽带雷达部署在场景内同一位置，同步采集原始回波信号。
步骤2，目标检测、运动模式预分类和身体朝向分类。基于步骤1得到的调频连续波雷达信号进行目标检测。并提取目标运动的特征，基于支持向量机实现基于运动剧烈程度的运动模式预分类；在此基础上，针对目标运动剧烈程度较低的运动模式，利用多层感知机实现目标身体朝向分类。
步骤3，结合身体朝向的胸腔回波位置估测和生命体征信号修正。结合步骤2中得到身体朝向和目标位置，实现目标胸膛回波位置的估测。提取脉冲超宽带雷达对应的回波信号，即为生命体征信号。
步骤4，生命体征提取。利用HEAR(Heartbeat Estimation And Recovery，心跳估测和恢复)算法，构建步骤3所得到的生命体征信号幅度与雷达回波快时间之间的映射关系，并基于变分非线性模态分解对修正后的生命体征信号进行分解，提取对应频率范围内的呼吸率、心率。
可选的，步骤2包括：
步骤2-1，目标检测。对步骤1采集的调频连续波雷达回波信号，采用三维傅里叶变换生成“距离-多普勒-角度”热点图。基于单元平均恒虚警检测目标各个身体部位回波的集合；在此基础上，基于聚类算法得到回波集合的聚类中心，即为当前时刻目标距雷达的平均距离l、平均速度v和平均角度α，可计算得到目标位置；计算回波集合的平均能量值，即为当前时刻目标回波的平均能量e。
步骤2-2，运动模式预分类。在一定时间窗口范围T1，对每一帧“距离-多普勒-角度”热点图按照步骤2-1进行数据处理，得到目标距雷达的平均距离、平均速度、平均能量的变化序列，即为动态距离特征，动态速度特征，动态能量特征；分别计算平均距离、平均速度变化序列对应的方差和均值即可为距离分布特征和速度分布特征。基于这些特征，采用支持向量机实现高强度运动模式和低强度运动模式二分类。
步骤2-3，身体朝向分类。针对低强度运动模式，基于步骤2-1中得到的目标各个身体部位回波的集合以及平均距离、平均速度、平均角度、平均能量作为特征，将其输入多层感知机分类器进行身体朝向分类。
可选的，步骤3包括：
步骤3-1，将人体胸膛的横截面建模为一个椭圆，长轴对应胸腔宽度2a，短轴对应胸腔厚度2b。设生物雷达位于二维坐标平面原点位置，根据步骤1中得到的目标位置，由目标到雷达的距离l计算得到雷达到胸膛的实际距离d
胸膛回波位置(xd，yd)为
(xd，yd)＝(dsinφ，dcosφ)
其中
步骤3-2，对时间窗口T2每一帧信号按照步骤3-1处理，得到胸膛距雷达的实际位置序列；在此基础上，应用卡尔曼滤波器对胸腔回波位置进行进一步平滑和优化，并计算得到雷达到胸膛的距离序列。
步骤3-3，对脉冲超宽带雷达回波信号进行预处理，包括去除直流分量、带通滤波、滑动平均去除杂波干扰。根据步骤3-2中得到的雷达到胸膛的距离序列，提取对应距离上脉冲超宽带雷达的回波信号序列，即构成生命体征回波信号。
本发明考虑到身体扭动对提取生命体征带来的干扰，创新性地提出基于身体朝向的胸腔回波位置估测修正技术，基于调频连续波雷达热点图实现目标检测、运动模式分类和身体朝向分类的基础上，将人体胸腔的横截面建模为一个椭圆，基于几何关系估测胸膛回波位置。
在此基础上，考虑到慢速随机运动随机性强、四肢摆动幅度大的特点，本发明综合多种生物雷达回波信息，创新性地提出生命体征信号修正技术。综合调频连续波雷达可采集到目标距离、速度、方位角等丰富的运动信息，而脉冲超宽带雷达距离分辨率更高的特点，基于调频连续波雷达热点图得出胸膛回波位置的辅助下，相应地提取脉冲超宽带雷达对应距离的回波信息，从而实现生命体征信号的修正，进一步实现生命体征提取。
本发明提出的基于生物雷达的慢速随机运动下非接触生命体征监测方法，可以准确监测运动状态下的目标生命体征，为进一步实现运动状态下长时、鲁棒、全面的生命体征监测，探究运动对人体生理健康的影响提供可能。
附图说明
图1为本发明监测方法的整体流程图；
图2为本发明目标检测、运动模式预分类和身体朝向分类的整体流程图；
图3为本发明结合身体朝向的胸腔回波位置估测和生命体征信号修正的整体流程图；
图4为本发明结合身体朝向的胸腔位置图；
具体实施方式
为使本发明提出的技术方案更加明晰，以下为本发明作进一步详细说明。
结合图1，本发明提出一种基于生物雷达的慢速随机运动下非接触生命体征监测方法，包括以下步骤：
步骤S101：将调频连续波雷达和脉冲超宽带雷达部署在场景内同一位置，同步采集原始回波信号。
步骤S102：目标检测、运动模式预分类和身体朝向分类。考虑到调频连续波雷达可采集到目标距离、速度、方位角等丰富的运动信息，本发明首先基于调频连续波雷达回波信号得到的“距离-多普勒-时间”热点图实现目标检测，并且提取目标运动的特征，使用支持向量机实现基于运动剧烈程度的运动模式预分类；在此基础上，针对目标运动剧烈程度较低的运动模式，利用多层感知机实现身体朝向的分类。
步骤S103：基于身体朝向的胸腔回波位置估测和生命体征信号修正。将人体胸腔的截面建模为一个椭圆，结合身体朝向以及雷达与胸腔之间的几何关系实现胸膛回波位置的估测，并采用二维卡尔曼滤波进一步调整胸膛回波位置。考虑到脉冲超宽带雷达距离分辨率更高的特点，提取脉冲超宽带雷达对应胸腔回波位置的回波信号，消除身体大幅度体动给生命体征检测带来的运动干扰。
步骤S104：生命体征提取。基于HEAR算法，构建生命体征信号幅度与距离之间的映射，并基于变分非线性模态分解对修正后的生命体征信号进行分解，提取对应频率范围内的呼吸率、心率。
结合图2，进一步地，步骤S102具体为：
步骤S201：对步骤S101采集的调频连续波雷达回波信号，采用三维傅里叶变换生成“距离-多普勒-角度”热点图。首先进行目标检测。考虑到雷达可能检测到目标身体多个部位的回波信号，基于单元平均恒虚警检测目标各个身体部位回波的集合；在此基础上，基于聚类算法得到回波集合的聚类中心，即为当前时刻目标距雷达的平均距离l、平均速度v和平均角度α，可计算得到目标位置；计算回波集合的平均能量值，即为当前时刻目标回波的平均能量e。
步骤S202：为去除运动强度过高的情况，需要根据运动强度对运动模式进行预分类。首先提取动态距离特征，动态速度特征，动态能量特征，距离分布特征和速度分布特征。下面介绍特征提取方法。在一定时间窗口范围T1，对每一帧“距离-多普勒-角度”热点图按照步骤S201进行数据处理，即可得到在该时间窗口范围内目标距雷达的平均距离、平均速度、平均能量的变化序列，即为动态距离特征，动态速度特征，动态能量特征；分别计算平均距离、平均速度变化序列对应的方差和均值即可为距离分布特征和速度分布特征。基于这些特征，本发明采用支持向量机实现高强度运动模式和低强度运动模式二分类。其中，为保证分类准确性，可选取T1＝1s；另外，可采用多种机器学习分类器完成分类任务。
步骤S203：本发明对低强度运动模式进一步进行身体朝向分类。为进一步估测胸膛回波位置，需要对身体朝向进行分类，从而确定胸膛是否在雷达可探测范围内。考虑目标上半身直立且胸膛面向雷达的情况，设胸膛朝向为θ，将目标胸膛朝向分为类别A-F，具体为：
A：-15°＜θ＜15°
B：-45°＜θ≤-15°
C：15°≤θ＜45°
D：-95°＜θ≤-45°
E：45°≤θ＜90°
F：不直接面向雷达(考虑手臂遮挡胸膛的情况)。
基于步骤S201中得到的目标各个身体部位回波的集合以及l、v、α、e作为特征进行身体朝向分类。可采用多种类别的神经网络分类器或机器学习分类器完成分类任务。本发明采用多层感知机完成身体朝向分类任务。
结合图3，进一步地，步骤S103具体为：
步骤S301：本发明考虑类别A、B、C的生命体征信号可探测。为进一步去除四肢运动对胸膛运动信号提取带来的干扰，需要更精确地提取胸膛的回波位置。将人体胸膛的横截面建模为一个椭圆，长轴对应胸腔宽度2a，短轴对应胸腔厚度2b。设生物雷达位于二维坐标平面原点位置，根据步骤S201中得到的目标距雷达的距离l和角度α，计算得到目标在二维坐标平面内的坐标(x0，y0)。结合步骤S203中得到的身体朝向角度θ，结合图4，在直角坐标系下对人体胸腔建模。d即为雷达到胸膛的实际距离
其中，为便于计算，对于类别A，θ＝0°；对于类别B，θ＝-30°；对于类别C，θ＝30°。
依据几何关系可得胸膛实际回波位置为(xd，yd)。
(xd，yd)＝(dsinφ，dcosφ) (1)
其中
步骤S302：对时间窗口T2每一帧信号按照步骤S301处理，得到胸膛距雷达的实际位置序列；在此基础上，应用卡尔曼滤波器对胸腔回波位置进行进一步平滑和优化，并计算得到雷达到胸膛的距离序列。其中，为实现较为精准的生命体征监测，可选取T2＝10s。
步骤303：考虑到脉冲超宽带雷达距离分辨率比调频连续波雷达更高的特点，本发明考虑在胸腔位置辅助下，提取脉冲超宽带雷达探测的生命体征回波信号。对脉冲超宽带雷达回波信号进行预处理，包括去除直流分量、带通滤波、滑动平均去除杂波干扰。根据步骤302中得到的雷达到胸膛的距离序列，提取对应距离上脉冲超宽带雷达的回波信号序列，即构成生命体征回波信号s(t，τ)。
进一步地，步骤S104具体为：
考虑到在运动干扰存在的情况下，生命体征回波信号可能存在一定程度的失真。针对这一问题，应用HEAR算法实现大幅度运动干扰的补偿和生命体征信号恢复。首先，构建生命体征信号幅度与雷达快时间之间的映射关系如下：
其中a1、a2为某一时刻生命体征回波信号的幅度，τ1、τ2是对应的快时间，τ0(t)即为生命体征信号幅度和雷达快时间之间的转化函数。根据这一映射关系，选择生命体征信号中幅值最大的点s(tm，τm)作为参照，即a2(t，τ2)＝am(tm，τm)，即可依据上式计算得到τ0(t)，身体运动带来的大幅度体动信号τd(t)表示为
τd(ti)＝τm-τ0(ti)
依据上述关系，可将生命体征信号转化为一个时变的距离序列，通过减去大幅度体动信号来实现运动干扰补偿，得到优化后的生命体征信号。在此基础上，使用短时傅里叶变换获取初始分解频率，进而使用变分非线性模态分解对优化后的生命体征信号进行分解。人体呼吸频率范围0.1-0.5Hz，心跳频率范围1-2Hz，选取有效范围的信号分量得到呼吸率、心率。
Claims (3)
1.一种基于生物雷达的慢速随机运动下非接触生命体征监测方法，其特征在于，包括以下步骤：
步骤1，将调频连续波雷达和脉冲超宽带雷达部署在场景内同一位置，同步采集原始回波信号；
步骤2，目标检测、运动模式预分类和身体朝向分类：基于步骤1得到的调频连续波雷达信号进行目标检测并提取目标运动的特征，基于支持向量机实现基于运动剧烈程度的运动模式预分类；在此基础上，针对目标运动剧烈程度较低的运动模式，利用多层感知机实现目标身体朝向分类；
步骤3，结合身体朝向的胸腔回波位置估测和生命体征信号修正：结合步骤2中得到身体朝向，实现目标胸膛回波位置的估测；提取脉冲超宽带雷达对应的回波信号，即为生命体征信号；
步骤4，生命体征提取：利用HEAR(Heartbeat Estimation And Recovery，心跳估测和恢复)算法构建步骤3所得到的生命体征信号幅度与距离之间的映射，并基于变分非线性模态分解对修正后的生命体征信号进行分解，提取对应频率范围内的呼吸率、心率。
2.根据权利要求1所述的基于生物雷达的慢速随机运动下非接触生命体征监测方法，其特征在于，步骤2中目标检测、运动模式预分类和身体朝向分类；基于步骤1得到的调频连续波雷达信号进行目标检测，并提取目标运动的特征，基于支持向量机实现基于运动剧烈程度的运动模式预分类；在此基础上，针对目标运动剧烈程度较低的运动模式，利用多层感知机实现目标身体朝向分类，具体包括：
步骤2-1，目标检测：对步骤1采集的调频连续波雷达回波信号，采用三维傅里叶变换生成“距离-多普勒-角度”热点图；基于单元平均恒虚警检测目标各个身体部位回波的集合；在此基础上，基于聚类算法得到回波集合的聚类中心，即为当前时刻目标距雷达的平均距离l、平均速度v和平均角度α，可计算得到目标位置；计算回波集合的平均能量值，即为当前时刻目标回波的平均能量e；
步骤2-2，运动模式预分类：在一定时间窗口范围T1，对每一帧“距离-多普勒-角度”热点图按照步骤2-1进行数据处理，得到目标距雷达的平均距离、平均速度、平均能量的变化序列，即为动态距离特征，动态速度特征，动态能量特征；分别计算平均距离、平均速度变化序列对应的方差和均值即可为距离分布特征和速度分布特征；基于这些特征，采用支持向量机实现高强度运动模式和低强度运动模式二分类；
步骤2-3，身体朝向分类：针对低强度运动模式，基于步骤2-1中得到的目标各个身体部位回波的集合以及平均距离、平均速度、平均角度、平均能量作为特征，将其输入多层感知机分类器进行身体朝向分类。
3.根据权利要求1所述的基于生物雷达的慢速随机运动下非接触生命体征监测方法，其特征在于，步骤3中结合身体朝向的胸腔回波位置估测和生命体征信号修正；结合步骤2中得到身体朝向，实现目标胸膛回波位置的估测；提取脉冲超宽带雷达对应的回波信号，即为生命体征信号；具体包括：
步骤3-1，将人体胸膛的横截面建模为一个椭圆，长轴对应胸腔宽度2a，短轴对应胸腔厚度2b；设生物雷达位于二维坐标平面原点位置，根据步骤1中得到的目标位置，由目标到雷达的距离l计算得到雷达到胸膛的实际距离d
胸膛回波位置(xd，yd)为
(xd，yd)＝(dsinφ，dcosφ)
其中
步骤3-2，对窗口T的每一帧信号按照步骤2-1处理，得到胸膛距雷达的实际位置序列；在此基础上，应用卡尔曼滤波器对胸腔回波位置进行进一步平滑和优化，并计算得到雷达到胸膛的距离序列；
步骤3-3，对脉冲超宽带雷达回波信号进行预处理，包括去除直流分量、带通滤波、滑动平均去除杂波干扰；根据步骤3-2中得到的雷达到胸膛的距离序列，提取对应距离上脉冲超宽带雷达的回波信号序列，即构成生命体征回波信号。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011294879.7A CN112711979A (zh) | 2020-11-18 | 2020-11-18 | 基于生物雷达的慢速随机运动下非接触生命体征监测 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011294879.7A CN112711979A (zh) | 2020-11-18 | 2020-11-18 | 基于生物雷达的慢速随机运动下非接触生命体征监测 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112711979A true CN112711979A (zh) | 2021-04-27 |
Family
ID=75541830
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011294879.7A Pending CN112711979A (zh) | 2020-11-18 | 2020-11-18 | 基于生物雷达的慢速随机运动下非接触生命体征监测 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112711979A (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113640792A (zh) * | 2021-07-06 | 2021-11-12 | 南京理工大学 | 一种基于机器学习的车内生命体毫米波雷达检测方法 |
| CN113702968A (zh) * | 2021-08-03 | 2021-11-26 | 煤炭科学研究总院 | 生命探测方法及其装置 |
| CN113920580A (zh) * | 2021-09-18 | 2022-01-11 | 特斯联科技集团有限公司 | 一种基于物联网、无感识别、ai识别智慧健身方法和系统 |
| CN114019496A (zh) * | 2022-01-05 | 2022-02-08 | 北京邮电大学 | 一种管道内液体流速非接触测量方法及装置 |
| CN114870364A (zh) * | 2022-04-19 | 2022-08-09 | 深圳市华屹医疗科技有限公司 | 健身器械控制方法、健身器械及存储介质 |
| CN115599006A (zh) * | 2021-06-28 | 2023-01-13 | 青岛海尔多媒体有限公司（Cn） | 智能设备的控制方法、装置及智能设备 |
-
2020
- 2020-11-18 CN CN202011294879.7A patent/CN112711979A/zh active Pending
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115599006A (zh) * | 2021-06-28 | 2023-01-13 | 青岛海尔多媒体有限公司（Cn） | 智能设备的控制方法、装置及智能设备 |
| CN113640792A (zh) * | 2021-07-06 | 2021-11-12 | 南京理工大学 | 一种基于机器学习的车内生命体毫米波雷达检测方法 |
| CN113640792B (zh) * | 2021-07-06 | 2024-02-13 | 南京理工大学 | 一种基于机器学习的车内生命体毫米波雷达检测方法 |
| CN113702968A (zh) * | 2021-08-03 | 2021-11-26 | 煤炭科学研究总院 | 生命探测方法及其装置 |
| CN113920580A (zh) * | 2021-09-18 | 2022-01-11 | 特斯联科技集团有限公司 | 一种基于物联网、无感识别、ai识别智慧健身方法和系统 |
| CN114019496A (zh) * | 2022-01-05 | 2022-02-08 | 北京邮电大学 | 一种管道内液体流速非接触测量方法及装置 |
| CN114019496B (zh) * | 2022-01-05 | 2022-03-08 | 北京邮电大学 | 一种管道内液体流速非接触测量方法及装置 |
| CN114870364A (zh) * | 2022-04-19 | 2022-08-09 | 深圳市华屹医疗科技有限公司 | 健身器械控制方法、健身器械及存储介质 |
| CN114870364B (zh) * | 2022-04-19 | 2023-12-19 | 深圳市华屹医疗科技有限公司 | 健身器械控制方法、健身器械及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112711979A (zh) | 基于生物雷达的慢速随机运动下非接触生命体征监测 | |
| Espinosa et al. | A vision-based approach for fall detection using multiple cameras and convolutional neural networks: A case study using the UP-Fall detection dataset | |
| Hsu et al. | Deep learning with time-frequency representation for pulse estimation from facial videos | |
| Piriyajitakonkij et al. | SleepPoseNet: Multi-view learning for sleep postural transition recognition using UWB | |
| CN105286853B (zh) | 基于可穿戴设备的疾病检测方法及装置、可穿戴设备 | |
| CN103679171B (zh) | 基于人体重心轨迹分析的步态特征提取方法 | |
| CN101558996B (zh) | 基于人体运动结构正投影三维重建的步态识别方法 | |
| CN102512157B (zh) | 基于模型的动态心电图t波交替定量分析方法 | |
| CN109247923A (zh) | 基于视频的非接触式脉搏实时估计方法及设备 | |
| CN109009125B (zh) | 基于移动终端音频的驾驶员细粒度呼吸监测方法及系统 | |
| CN111505632A (zh) | 基于功率谱和多普勒特征的超宽带雷达动作姿态识别方法 | |
| CN105631899A (zh) | 一种基于灰度纹理特征的超声图像运动目标跟踪方法 | |
| CN103824057A (zh) | 一种基于面积特征算子的猪的呼吸频率检测方法 | |
| Tan et al. | Lightweight video-based respiration rate detection algorithm: An application case on intensive care | |
| Kim et al. | Physiology-based augmented deep neural network frameworks for ECG biometrics with short ECG pulses considering varying heart rates | |
| Liu et al. | Human body fall detection based on the Kinect sensor | |
| Gurbuz et al. | Continuous human activity recognition and step-time variability analysis with FMCW radar | |
| CN114140496A (zh) | 一种非接触式呼吸检测方法和装置 | |
| CN111580640B (zh) | 一种基于电荷感应的两方向手势追踪装置及方法 | |
| Zhu et al. | A kalman filter based approach for markerless pose tracking and assessment | |
| CN116250832A (zh) | 一种基于目标跟随毫米波雷达的跌倒检测方法 | |
| CN115390058B (zh) | 基于微多普勒特征的单通道超宽带雷达人体姿态估计方法 | |
| Raeis et al. | InARMS: Individual activity recognition of multiple subjects with FMCW radar | |
| CN215820931U (zh) | 一种基于毫米波雷达的生命体征检测与身份识别系统 | |
| Hadjipanayi et al. | Remote Gait Analysis Using Ultra-Wideband Radar Technology Based on Joint Range-Doppler-Time Representation |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20210427 |
|
| WD01 | Invention patent application deemed withdrawn after publication |