CN113261942B - 一种非接触式人体呼吸参数实时测量方法及系统 - Google Patents

一种非接触式人体呼吸参数实时测量方法及系统 Download PDF

Info

Publication number
CN113261942B
CN113261942B CN202110360849.XA CN202110360849A CN113261942B CN 113261942 B CN113261942 B CN 113261942B CN 202110360849 A CN202110360849 A CN 202110360849A CN 113261942 B CN113261942 B CN 113261942B
Authority
CN
China
Prior art keywords
channel
csi
sequence
respiratory
time
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
CN202110360849.XA
Other languages
English (en)
Other versions
CN113261942A (zh
Inventor
邱杰凡
郑攀
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 University of Technology ZJUT
Original Assignee
Zhejiang University of Technology ZJUT
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 University of Technology ZJUT filed Critical Zhejiang University of Technology ZJUT
Priority to CN202110360849.XA priority Critical patent/CN113261942B/zh
Publication of CN113261942A publication Critical patent/CN113261942A/zh
Application granted granted Critical
Publication of CN113261942B publication Critical patent/CN113261942B/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
    • A61B5/08—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
    • A61B5/7203—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
    • A61B5/7253—Details of waveform analysis characterised by using transforms

Landscapes

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

Abstract

一种非接触式人体呼吸参数实时测量方法，搭建信道状态信息CSI数据采集硬件平台；Wi‑Fi收发端同步切换信道，合并多个WiFi信道下采集的CSI数据；以有线直连方式WDC构建新信道，并将新构建的信道作为参考信道，对合并信道的CSI数据降噪；使用降噪后的CSI数据求解功率时延谱；由功率时延谱的多次采样获得时域谱图，从时域谱图中识别出呼吸引起的多径对应的信号幅值序列；测量呼吸引起的多径对应的信号幅值序列中的呼吸参数。以及提供一种非接触式人体呼吸参数实时测量系统。本发明通过合并多个Wi‑Fi信道以扩展信号带宽，在更加精细的时域谱中识别出呼吸引起的多径和其它运动引起的多径，通过非接触方式检测动静态环境下静止目标的呼吸参数。

Description

一种非接触式人体呼吸参数实时测量方法及系统
技术领域
本发明属于射频感知的技术领域，具体涉及到一种面向动静态环境下的非接触式人体呼 吸参数实时测量方法及系统。
背景技术
睡眠呼吸检测是一项重要的医学检测手段，可用于评估睡眠质量、预防呼吸阻塞等。现 有的呼吸检测方法，有些需要在人的身体部位，如手腕，胸部安装特定类型传感器。这类方 法会让用户身心感到不适。另外有些方法是采用红外摄像头捕获用户的面部或胸腔图像，通 过图像处理技术测量人体呼吸参数。这类方法存在用户隐私泄露的隐患，给用户使用带来不 安。还有些方法是使用电磁波测量人体胸腔的位置变化来测量人体呼吸参数。这类方法的硬 件成本较高，难以普及使用。近年来，人们开始研究利用Wi-Fi信号来感知人体呼吸。但现 有方法面向的是一种信道条件变化较慢的环境，而对于信道条件变化较快的环境，如非目标 人员在当前检测环境下快步行走，现有方法的测量准确度就会大大下降。
发明内容
为了克服现有呼吸检测方法缺乏舒适度，存在隐私安全隐患，价格昂贵的不足，本发明 提供了一种面向动静态环境下的非接触式人体呼吸参数实时测量方法及系统，在现有的Wi-Fi 感知系统中引入了免受无线环境变化影响的有线直连(Wire DirectConnection，WDC)信道； 本发明通过合并多个Wi-Fi信道以扩展信号带宽，在更加精细的时域谱中识别出呼吸引起的 多径和其它运动引起的多径，通过非接触方式检测动静态环境下静止目标的呼吸参数。
为实现上述的目标，本发明采用的技术方案为：
一种非接触式人体呼吸参数实时测量方法，包括以下步骤：
(1).搭建信道状态信息(Channel State Information,CSI)数据采集硬件平台；
(2).Wi-Fi收发端同步切换信道，合并多个WiFi信道下采集的CSI数据；
(3).以有线直连方式(Wire Direct Connection,WDC)构建新信道，并将新构建的信道作 为参考信道，对合并信道的CSI数据降噪；
(4).使用降噪后的CSI数据求解功率时延谱；
(5).重复步骤(2)-(4)，由功率时延谱的多次采样获得时域谱图。从时域谱图中识别 出呼吸引起的多径对应的信号幅值序列；
(6).测量呼吸引起的多径对应的信号幅值序列中的呼吸参数。
进一步，所述步骤(6)中，测量呼吸引起的多径对应的信号幅值序列中的呼吸参数的具 体实现方式为：首先使用Hampel滤波，滑动均值滤波，小波变换去除序列中包含的离群点， 瞬时冲激和高频噪声；然后搜索滤波后序列中的峰值点并移除伪峰，得到真实峰点对应的时 间戳序列C＝{c1,c2,…,cM},M为峰值点个数，进而计算该序列所包含的呼吸频率：
Figure BDA0003005468440000011
再进一步，移除伪峰的实现方式为：根据人类可能的最大呼吸频率fmax，设置相邻峰值 点之间的最小间隔为
Figure BDA0003005468440000012
,Ts为功率时延谱的采样周期，若|ci+1-ci|<D,则移除ci+1。
更进一步，所述步骤(5)中，从时域谱图中识别出呼吸引起的多径对应的信号幅值序列 的实现方式为：时域谱图P(t,τ)是由功率时延谱P(tn,τ)多次采样得到的，其中， t＝{0,Ts,2Ts,……,NTs}且tn∈t,τ＝{0,1/B,2/B,……,K/B}，N为功率时延谱的采样次数，B为合并 信道的带宽，K为多径数量；对于时域谱图P(t,τ)中不同时延处的幅值序列，计算其周期性并 选择周期性最大的序列作为呼吸引起的多径对应的信号幅值序列。
序列周期性计算的实现方式为：对于任一时延处的幅值序列P(t,τk),τk∈τ，将信号转换到 频域Y(w,τk)＝abs(FFT(P(t,τk)))，在呼吸的频率区间查找最大值对应的索引为j，序列周期性为:
Figure BDA0003005468440000021
其中，L为频谱的长度。
所述步骤(4)的实现方式为：结合降噪后的合并信道数据H和傅里叶变换矩阵F，将复 数域下的矩阵方程H＝Fa中a的求解问题定义为如下的优化问题：
S(a)＝(H-Fa)T(H-Fa)
Figure BDA0003005468440000022
优选地，傅里叶变换矩阵F的实现方式为：根据时延序列τ和多个信道下每条子载波的 中心频率，构建傅里叶变换矩阵F，F的矩阵项可表示为：
Figure BDA0003005468440000023
其中，
Figure RE-GDA0003132584710000024
表示信道#i下的载波#j的中心频率，τm表示第m条路径的传播时延且τm∈τ。
合并信道H中子载波的频率是非均匀分布的，IFFT算法不适合处理此类数据，通过复数 域下的最小二乘估计求解a的最优解，进而得到tn时刻的信道的功率时延谱P(tn,τ)。
复数域下的最小二乘估计的实现方式为：将复数域下的矩阵方程H＝Fa中求解a的最优 问题，转化为实数域下等价的矩阵方程：
Figure BDA0003005468440000025
其中，HRe,HIm分别表示H的实部和虚部数据，对F,a的运算也是如此。
根据实数域下最小二乘估计公式：
Figure BDA0003005468440000026
则tn时刻的功率时延谱P(tn,τ)＝|aRe+i*aIm|,i为虚数单位。
进一步地，所述步骤(3)的实现方式为：WDC信道的CSI测量中包含了与无线信道近似的时变噪声，多个WiFi信道下的子载波由WDC信道传输时具有近似的衰减和延时，以 WDC信道作为参考信道，计算无线信道和WDC信道的CSI比值来去除存在于无线信道CSI 测量值中的包检测延时(Packet Detection Delay,PDD)，采样频率偏移(Sampling FrequencyOffset,SFO)，中心频率偏移(Central Frequency Offset,CFO)时变噪声。
进一步地，所述步骤(2)的实现方式为：发送设备定期发送数据并切换信道，接收设备 接收数据，采集当前信道下Wi-Fi信号中的CSI数据并切换信道。
一种面向动静态环境下的非接触式人体呼吸参数实时测量系统，包括多信道数据采集单 元、CSI降噪单元、功率时延谱计算单元以及呼吸引起多径识别和呼吸参数提取单元，其中，
所述多信道数据采集单元，用于在人体附近产生Wi-Fi信号，同时采集多个信道下Wi-Fi 信号中的CSI；
所述CSI降噪单元，用于对采集的无线信道CSI数据进行降噪；
所述功率时延谱计算单元，用于将降噪后的多信道CSI频域数据转化为时域下的功率时 延谱；
所述呼吸引起多径识别和呼吸参数提取单元，用于在时域谱图中识别呼吸引起的多径对 应的信号幅值序列，进而提取该序列中的呼吸参数。
进一步地，所述呼吸引起多径识别和呼吸参数提取单元包括：
序列周期性评估子模块，用于量化序列的周期性程度，序列的周期性越大，受噪声的影 响越低，更容易分析出序列中主导的呼吸频率成分；
呼吸参数提取子模块，通过搜索序列中的峰值点位置，并计算峰值点的平均间隔来估计 呼吸周期，进而提取呼吸频率。
进一步地，所述功率时延谱计算单元用于将多信道的CSI数据从频域表示转换到时域表 示，如果多信道数据的信号带宽为B，则获得的时域表示时延间隔为1/B。
进一步地，所述CSI降噪单元用于去除存在于无线信道CSI测量值中的包检测延时(Packet Detection Delay,PDD)，采样频率偏移(Sampling Frequency Offset,SFO)，中心频 率偏移(Central Frequency Offset,CFO)时变噪声。
进一步地，所述多信道数据采集单元包括：Wi-Fi路由器，用于在人体附近产生Wi-Fi 信号；接收器，用于采集Wi-Fi信号中的CSI；信道同步子模块，用于同步路由器和接收器的信道切换过程。
总体而言，通过本发明所构思的以上技术方案与现有技术相比，有益效果为：通过合并 多个Wi-Fi信道的CSI数据并计算时域谱，提高了Wi-Fi信号的时间解析能力，提升了非接 触式呼吸检测在动态环境下测量的准确度。并且系统部署简单，价格低廉。
附图说明
图1为人体呼吸检测平台硬件系统结构示意图；
图2为人体呼吸检测平台软件系统结构示意图；
图3为本发明的实施示意图；
图4为功率时延谱600次采样后获得的部分时域谱图P(t,τ)；
图5为从时域谱图中识别出的呼吸多径对应的信号幅值序列。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发 明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于 限定本发明。
为了便于对本发明的理解，首先对本发明涉及的术语进行解释：
WDC(Wire Direct Connection)是指有线直连。具体来说就是，通过有线传输媒体连接 发送端和接收端的无线端口，使WiFi信号在媒体内部传输，免受无线环境变化的影响。
参照图1～图5，一种面向动静态环境下的非接触式人体呼吸参数实时测量方法，包括以 下步骤：
步骤1：用有线传输媒体(如同轴电缆，双绞线或或光纤)连接发送端网卡的端口z到 17db增益功率放大器的输入，放大器的输出端连接到1分2路功分器,功分器的一个输出端 口连接到无线天线，另一个端口经由60db衰减器连接到接收端网卡的的端口x，接收端网卡 上的端口y连接到无线天线；
步骤2：系统启动后，收发设备的初始信道都设置在#102，发送设备随后发送一包数据， 切换到信道#110并启动定时器，接收设备接收数据并采集信道#102下的CSI，同时切换到信 道#110；每次发送端的定时器到期后，收发设备就重复上述过程以完成对信道#102，#110， #118，#126，#134下的CSI采样；
步骤3：当完成一轮多信道采样后，计算端口y与端口x的CSI比值，记为H，同时根据时延序列和各信道下每条子载波的中心频率，构建傅里叶变换矩阵F，F的矩阵项表示为：
Figure BDA0003005468440000031
其中，
Figure RE-GDA0003132584710000032
表示信道#i下的载波#j的中心频率，τm表示第m条路径的传播时延且τm∈τ， 将复数域下的矩阵方程H＝Fa中求解a的最优问题，转化为实数域下等价的矩阵方程：
Figure BDA0003005468440000033
根据实数域下最小二乘估计公式：
Figure BDA0003005468440000041
计算功率时延谱P(tn,τ)＝|aRe+i*aIm|,i为虚数单位；
步骤4：重复步骤2和步骤3，由功率时延谱的600次采样获得时域谱图P(t,τ)，对于时 域谱图中任一时延处的序列P(t,τk)，将其变换到频域Y(w,τk)＝abs(FFT(P(t,τk)))，在呼吸的频率 区间查找最大值对应的索引为j并计算序列周期性为：
Figure BDA0003005468440000042
其中，L为频谱长度；
计算所有时延处序列的周期性并选择周期性最大的序列作为呼吸引起的多径对应的信号 幅值序列S；
步骤5：使用Hampel滤波，滑动均值滤波，小波变换滤除序列S中存在的离群点，瞬时 冲激和高频噪声；然后搜索滤波后序列中的峰值点并根据人类可能的最大呼吸频率移除伪峰， 得到真实峰点对应的时间戳序列C＝{c1,c2,…,cM},M为峰值点个数，进而计算该序列所包含的 呼吸频率：
Figure BDA0003005468440000043
一种面向动静态环境下的非接触式人体呼吸参数实时测量系统，包括多信道数据采集单 元、CSI降噪单元、功率时延谱计算单元以及呼吸引起多径识别和呼吸参数提取单元，其中，
所述多信道数据采集单元，用于在人体附近产生Wi-Fi信号，同时采集多个信道下Wi-Fi 信号中的CSI；
所述CSI降噪单元，用于对采集的无线信道CSI数据进行降噪；
所述功率时延谱计算单元，用于将降噪后的多信道CSI频域数据转化为时域下的功率时 延谱；
所述呼吸引起多径识别和呼吸参数提取单元，用于在时域谱图中识别呼吸引起的多径对 应的信号幅值序列，进而提取该序列中的呼吸参数。
进一步地，所述呼吸引起多径识别和呼吸参数提取单元包括：
序列周期性评估子模块，用于量化序列的周期性程度，序列的周期性越大，受噪声的影 响越低，更容易分析出序列中主导的呼吸频率成分；
呼吸参数提取子模块，通过搜索序列中的峰值点位置，并计算峰值点的平均间隔来估计 呼吸周期，进而提取呼吸频率。
进一步地，所述功率时延谱计算单元用于将多信道的CSI数据从频域表示转换到时域表 示，如果多信道数据的信号带宽为B，则获得的时域表示时延间隔为1/B。
进一步地，所述CSI降噪单元用于去除存在于无线信道CSI测量值中的包检测延时(Packet Detection Delay,PDD)，采样频率偏移(Sampling Frequency Offset,SFO)，中心频 率偏移(Central Frequency Offset,CFO)时变噪声。
进一步地，所述多信道数据采集单元包括：Wi-Fi路由器，用于在人体附近产生Wi-Fi 信号；接收器，用于采集Wi-Fi信号中的CSI；信道同步子模块，用于同步路由器和接收器的信道切换过程。
本实施例中，实验平台主要由一对用于采集CSI数据的无线收发设备组成。我们使用有 线传输媒体依次经过功率放大器，功分器和衰减器连接发送设备的端口z和接收设备的端口x 构建免受无线环境影响的WDC信道并将其作为参考信道对无线信道的CSI数据降噪。如图3 所示的实施示意图，P1距离收发设备较近并保持静止，为我们的待检测目标。P2、P3距离 收发设备稍远并处于活动状态，会对P1呼吸参数的测量产生干扰。收发设备执行一轮信道扫 描并采集各信道下的CSI数据后，计算无线信道和WDC信道的CSI比，并用商值构成一个 列向量，根据复数域下的最小二乘估计计算多信道CSI数据的功率时延谱。重复多信道CSI 采样和功率时延谱的计算过程600次后得到时域谱图P(t,τ)。对于时域谱图中各时延处的序列， 计算其周期性并选择周期性最大的序列作为呼吸引起的多径对应的信号幅值序列，搜索滤波 后序列中的峰值点并移除伪峰，计算真实峰点的平均间隔即为呼吸周期，进而得到待检测目 标的呼吸速率。
本说明书的实施例所述的内容仅仅是对发明构思的实现形式的列举，仅作说明用途。 本发明的保护范围不应当被视为仅限于本实施例所陈述的具体形式，本发明的保护范围也及 于本领域的普通技术人员根据本发明构思所能想到的等同技术手段。

Claims (5)

1.一种非接触式人体呼吸参数实时测量方法，其特征在于，所述方法包括以下步骤：
(1)搭建信道状态信息CSI数据采集硬件平台；
(2)Wi-Fi收发端同步切换信道，合并多个WiFi信道下采集的CSI数据；
(3)以有线直连方式WDC构建新信道，并将新构建的信道作为参考信道，对合并信道CSI数据降噪；
(4)当完成一轮多信道采样后，计算端口y与端口x的CSI比值，记为H，同时根据时延序列和各信道下每条子载波的中心频率，构建傅里叶变换矩阵F，F的矩阵项表示为：
Figure FDA0003574628220000011
其中，
Figure DEST_PATH_IMAGE002
表示信道#i下的载波#j的中心频率，τm表示第m条路径的传播时延且τm∈τ，将复数域下的矩阵方程H＝Fa中求解a的最优问题，转化为实数域下等价的矩阵方程：
Figure FDA0003574628220000012
根据实数域下最小二乘估计公式：
Figure FDA0003574628220000013
计算功率时延谱P(tn,τ)＝|aRe+i*aIm|,i为虚数单位；
(5)由功率时延谱的600次采样获得时域谱图P(t,τ)，对于时域谱图中任一时延处的序列P(t,τk)，将其变换到频域Y(w,τk)＝abs(FFT(P(t,τk)))，在呼吸的频率区间查找最大值对应的索引为j并计算序列周期性为：
Figure FDA0003574628220000014
其中，L为频谱长度；
计算所有时延处序列的周期性并选择周期性最大的序列作为呼吸引起的多径对应的信号幅值序列S；
(6)使用Hampel滤波，滑动均值滤波，小波变换滤除序列S中存在的离群点，瞬时冲激和高频噪声；然后搜索滤波后序列中的峰值点并根据人类可能的最大呼吸频率移除伪峰，得到真实峰点对应的时间戳序列C＝{c1,c2,…,cM},M为峰值点个数，进而计算该序列所包含的呼吸频率：
Figure FDA0003574628220000015
2.根据权利要求1所述的一种非接触式人体呼吸参数实时测量方法，其特征在于，所述步骤(2)中，合并多个信道下采集的CSI数据的实现方式为：发送设备定期发送数据并切换信道，接收设备接收数据，采集当前信道下Wi-Fi信号中的CSI数据并切换信道。
3.根据权利要求1所述的一种非接触式人体呼吸参数实时测量方法，其特征在于，所述步骤(3)的实现方式为：WDC信道的CSI测量中包含了与无线信道近似的时变噪声，多个WiFi信道下的子载波由WDC信道传输时具有近似的衰减和延时； 以WDC信道作为参考信道，计算无线信道和WDC信道的CSI比值来去除存在于无线信道CSI测量值中的包检测延时PDD，采样频率偏移SFO，中心频率偏移CFO时变噪声。
4.根据权利要求1所述的一种非接触式人体呼吸参数实时测量方法实现的系统，其特征在于，所述系统包括多信道数据采集单元、CSI降噪单元、功率时延谱计算单元以及呼吸引起多径识别和呼吸参数提取单元，其中，
所述多信道数据采集单元，用于在人体附近产生Wi-Fi信号，同时采集多个信道下Wi-Fi信号中的CSI；
所述CSI降噪单元，用于对采集的无线信道CSI数据进行降噪；
所述功率时延谱计算单元，用于将降噪后的多信道CSI频域数据转化为时域下的功率时延谱；
所述呼吸引起多径识别和呼吸参数提取单元，用于在时域谱图中识别呼吸引起的多径对应的信号幅值序列，进而提取该序列中的呼吸参数。
5.根据权利要求4所述的系统，其特征在于，所述呼吸引起多径识别和呼吸参数提取单元包括：
序列周期性评估子模块，用于量化序列的周期性程度，序列的周期性越大，受噪声的影响越低，更容易分析出序列中主导的呼吸频率成分；
呼吸参数提取子模块，通过搜索序列中的峰值点位置，并计算峰值点的平均间隔来估计呼吸周期，进而提取呼吸频率；
所述功率时延谱计算单元用于将多信道的CSI数据从频域表示转换到时域表示，如果多信道数据的信号带宽为B，则获得的时域表示时延间隔为1/B；
所述CSI降噪单元用于去除存在于无线信道CSI测量值中的包检测延时PDD，采样频率偏移SFO，中心频率偏移CFO时变噪声；
所述多信道数据采集单元包括：Wi-Fi路由器，用于在人体附近产生Wi-Fi信号；接收器，用于采集Wi-Fi信号中的CSI；信道同步子模块，用于同步路由器和接收器的信道切换过程。
CN202110360849.XA 2021-04-02 2021-04-02 一种非接触式人体呼吸参数实时测量方法及系统 Active CN113261942B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110360849.XA CN113261942B (zh) 2021-04-02 2021-04-02 一种非接触式人体呼吸参数实时测量方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110360849.XA CN113261942B (zh) 2021-04-02 2021-04-02 一种非接触式人体呼吸参数实时测量方法及系统

Publications (2)

Publication Number Publication Date
CN113261942A CN113261942A (zh) 2021-08-17
CN113261942B true CN113261942B (zh) 2022-07-15

Family

ID=77228423

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110360849.XA Active CN113261942B (zh) 2021-04-02 2021-04-02 一种非接触式人体呼吸参数实时测量方法及系统

Country Status (1)

Country Link
CN (1) CN113261942B (zh)

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101068429A (zh) * 2007-05-24 2007-11-07 上海大学 移动通信系统模拟测试方法及小尺度模拟测试平台
CN105409187A (zh) * 2013-05-23 2016-03-16 三星电子株式会社 支持通用即插即用协议的通信系统中执行无线对接操作的设备和方法
CN106108904A (zh) * 2016-06-23 2016-11-16 华中科技大学 一种非接触式的人体呼吸参数实时测量方法及系统
WO2017180698A1 (en) * 2016-04-14 2017-10-19 Origin Wireless, Inc. Methods, apparatus, servers, and systems for object tracking
CN109330597A (zh) * 2018-08-30 2019-02-15 电子科技大学 一种基于信道状态信息的人体呼吸追踪方法
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
CN110301917A (zh) * 2019-06-14 2019-10-08 北京大学 一种无接触呼吸检测方法及装置
CN110381814A (zh) * 2017-05-01 2019-10-25 赫尔实验室有限公司 用于神经刺激干预到神经生理活动的低延迟自动化闭环同步的方法
CN111246414A (zh) * 2020-01-02 2020-06-05 浙江工业大学 面向超市的商品交易智能服务系统
EP3692898A1 (en) * 2019-02-11 2020-08-12 Nokia Technologies Oy Sleep/motion determination based on wi-fi signals
CN111839520A (zh) * 2020-06-11 2020-10-30 华中科技大学 基于csi信号功率响应自相关的人呼吸监测方法和装置
EP3739356A1 (en) * 2019-05-12 2020-11-18 Origin Wireless, Inc. Method, apparatus, and system for wireless tracking, scanning and monitoring

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10270642B2 (en) * 2012-12-05 2019-04-23 Origin Wireless, Inc. Method, apparatus, and system for object tracking and navigation
CN105933080B (zh) * 2016-01-20 2020-11-03 北京大学 一种跌倒检测方法和系统
TWI722347B (zh) * 2018-12-11 2021-03-21 財團法人工業技術研究院 基於通道狀態資訊量測生理狀態資訊的方法、裝置及其系統

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101068429A (zh) * 2007-05-24 2007-11-07 上海大学 移动通信系统模拟测试方法及小尺度模拟测试平台
CN105409187A (zh) * 2013-05-23 2016-03-16 三星电子株式会社 支持通用即插即用协议的通信系统中执行无线对接操作的设备和方法
WO2017180698A1 (en) * 2016-04-14 2017-10-19 Origin Wireless, Inc. Methods, apparatus, servers, and systems for object tracking
CN106108904A (zh) * 2016-06-23 2016-11-16 华中科技大学 一种非接触式的人体呼吸参数实时测量方法及系统
CN110381814A (zh) * 2017-05-01 2019-10-25 赫尔实验室有限公司 用于神经刺激干预到神经生理活动的低延迟自动化闭环同步的方法
CN109330597A (zh) * 2018-08-30 2019-02-15 电子科技大学 一种基于信道状态信息的人体呼吸追踪方法
EP3692898A1 (en) * 2019-02-11 2020-08-12 Nokia Technologies Oy Sleep/motion determination based on wi-fi signals
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
EP3739356A1 (en) * 2019-05-12 2020-11-18 Origin Wireless, Inc. Method, apparatus, and system for wireless tracking, scanning and monitoring
CN110301917A (zh) * 2019-06-14 2019-10-08 北京大学 一种无接触呼吸检测方法及装置
CN111246414A (zh) * 2020-01-02 2020-06-05 浙江工业大学 面向超市的商品交易智能服务系统
CN111839520A (zh) * 2020-06-11 2020-10-30 华中科技大学 基于csi信号功率响应自相关的人呼吸监测方法和装置

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Yushi Liu 等.Channel state information-based device-free stationary human detection with estimating respiratory frequency.《2019 IEEE 4th Advanced Information Technology, Electronic and Automation Control Conference (IAEAC)》.2020,第1111-1117页. *
樊豆.无线体域网小尺度变化检测及应用研究.《中国优秀硕士学位论文全文数据库 医药卫生科技辑》.2020,E080-79. *
邱杰凡 等.面向物联网的可见光近场通信方法研究.《传感技术学报》.2019,第32卷(第6期),第872-880页. *

Also Published As

Publication number Publication date
CN113261942A (zh) 2021-08-17

Similar Documents

Publication Publication Date Title
CN106725488B (zh) 一种无线场强呼吸检测方法、装置及呼吸检测仪
CN110584631B (zh) 一种基于fmcw雷达的静态人体心跳和呼吸信号提取方法
CN106108904B (zh) 一种非接触式的人体呼吸参数实时测量方法及系统
CN110301917B (zh) 一种无接触呼吸检测方法及装置
CN112386236A (zh) 一种基于信道状态相位信息的生命体征监测方法
Cho et al. Detection of heart rate through a wall using UWB impulse radar
CN109947238B (zh) 一种基于wifi的非合作式手势识别的方法
CN110673129B (zh) 推定装置及推定方法
CN105249925B (zh) 一种中医脉象采集装置及降噪系统和降噪方法
CN111568425A (zh) 一种非接触式的多人呼吸检测方法
KR101902760B1 (ko) 레이더를 이용한 생체 신호 측정 방법 및 장치
CN114767087B (zh) 一种多目标呼吸频率估计方法、装置、设备和存储介质
CN107595289A (zh) 非接触式呼吸通气量检测方法、装置、介质及计算机设备
Muaaz et al. WiHAR: From Wi-Fi channel state information to unobtrusive human activity recognition
CN111839520A (zh) 基于csi信号功率响应自相关的人呼吸监测方法和装置
Shirakami et al. Heart rate variability extraction using commodity Wi-Fi devices via time domain signal processing
Hu et al. The effect of multi-directional on remote heart rate measurement using PA-LI joint ICEEMDAN method with mm-wave FMCW radar
CN113261942B (zh) 一种非接触式人体呼吸参数实时测量方法及系统
KR101517988B1 (ko) 심전도 검출 방법 및 그 장치
CN113708784A (zh) 一种远距离非接触式的呼吸率估计方法、系统和存储介质
CN109190605A (zh) 一种基于csi的人体连续动作计数方法
Uysal et al. Contactless respiration rate estimation using MUSIC algorithm
JP2022530001A (ja) 胎児超音波処理ユニット
Čuljak et al. A data-fusion algorithm for respiration rate extraction based on UWB transversal propagation method
EP4426192A2 (en) Vital information acquisition apparatus and method

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