CN113288114A - 一种基于无线信号的多人混合呼吸信号提取方法 - Google Patents
一种基于无线信号的多人混合呼吸信号提取方法 Download PDFInfo
- Publication number
- CN113288114A CN113288114A CN202110594092.0A CN202110594092A CN113288114A CN 113288114 A CN113288114 A CN 113288114A CN 202110594092 A CN202110594092 A CN 202110594092A CN 113288114 A CN113288114 A CN 113288114A
- Authority
- CN
- China
- Prior art keywords
- signal
- ica
- component analysis
- independent component
- respiratory
- 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
- 230000029058 respiratory gaseous exchange Effects 0.000 title claims abstract description 59
- 238000000605 extraction Methods 0.000 title claims abstract description 8
- 230000033001 locomotion Effects 0.000 claims abstract description 48
- 230000000241 respiratory effect Effects 0.000 claims abstract description 48
- 238000000034 method Methods 0.000 claims abstract description 30
- 238000000926 separation method Methods 0.000 claims abstract description 11
- 238000001914 filtration Methods 0.000 claims abstract description 4
- 238000012880 independent component analysis Methods 0.000 claims description 126
- 238000013527 convolutional neural network Methods 0.000 claims description 25
- 239000011159 matrix material Substances 0.000 claims description 19
- 238000002156 mixing Methods 0.000 claims description 15
- 230000004044 response Effects 0.000 claims description 13
- 238000001514 detection method Methods 0.000 claims description 12
- 238000005457 optimization Methods 0.000 claims description 10
- 230000006641 stabilisation Effects 0.000 claims description 10
- 238000011105 stabilization Methods 0.000 claims description 10
- 239000013598 vector Substances 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 9
- 230000007774 longterm Effects 0.000 claims description 6
- 230000000694 effects Effects 0.000 claims description 4
- 241000282412 Homo Species 0.000 claims description 3
- 230000005540 biological transmission Effects 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000005316 response function Methods 0.000 claims description 2
- 238000012544 monitoring process Methods 0.000 description 6
- 230000007958 sleep Effects 0.000 description 5
- 230000003860 sleep quality Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000036387 respiratory rate Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/48—Other medical applications
- A61B5/4806—Sleep evaluation
-
- 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
- A61B5/7253—Details of waveform analysis characterised by using transforms
- A61B5/7257—Details of waveform analysis characterised by using transforms using Fourier transforms
-
- 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
- A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Veterinary Medicine (AREA)
- Public Health (AREA)
- Animal Behavior & Ethology (AREA)
- Surgery (AREA)
- Molecular Biology (AREA)
- Medical Informatics (AREA)
- Artificial Intelligence (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Signal Processing (AREA)
- Physiology (AREA)
- Psychiatry (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Pulmonology (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明提出一种基于无线信号的多人混合呼吸信号提取方法,包括以下步骤:S1:通过无线设备发射低功率信号,接收来自周围环境的反射信号,得到原始混合呼吸信号;S2:将混合呼吸信号建模为盲源分离问题,使用ICA来进行盲源分离;S3:当人体有较大的运动导致ICA不再适用时,建立一个运动检测器来检测人体的运动;S4:将整个夜晚的时间划分为若干稳定时间段,并滤除噪声,在每个稳定时间段内应用ICA分量进行呼吸信号的分离;S5:将每个稳定时间段的独立分量分配到不同的用户,进行匹配,获得每个用户的完整呼吸信号。该方法能够在混合射频反射信号中分离每个个体的呼吸信号,得到近距离接触的每个用户的整夜呼吸信号。
Description
技术领域
本发明涉及生理信号检测技术领域,具体涉及一种基于无线信号的多人混合呼吸信号提取方法。
背景技术
呼吸信号作为一项重要的健康指标,对评估睡眠质量,跟踪许多领域的疾病都有重要作用。传统的呼吸监测方法一般要求用户佩戴呼吸带睡觉,这在一定程度上会影响用户的睡眠质量。而基于射频的传感技术可以在用户不佩戴任何传感器的条件下实现呼吸监测。基本原理是系统发射低功率射频信号,信号在环境中包括人体上产生反射,然后系统通过捕捉反射信号来提取用户的呼吸信号。
但是现有的射频呼吸监测系统要求受试者之间相隔一定的最小距离,如果人们近距离接触时,来自多个受试者的射频反射信号相互叠加,会干扰接收器,这就限制了共同睡眠的夫妇或者亲子的使用。
发明内容
为克服现有技术的不足,本发明提出一种基于无线信号的多人混合呼吸信号提取方法,能够在混合射频反射信号中分离每个个体的呼吸信号,得到近距离接触的每个用户的整夜呼吸信号。
为实现上述目的,本发明的一种基于无线信号的多人混合呼吸信号提取方法,包括以下步骤:
S1:提取观测信号,通过无线设备发射低功率信号,然后接收来自周围环境的反射信号,得到原始混合呼吸信号;
S2:对混合呼吸信号建模,将从多个人的混合呼吸信号中识别单个呼吸信号建模为盲源分离问题,在信号源是独立、非高斯、线性组合的情况下,使用独立分量分析(ICA)来进行盲源分离;
S3:运动检测,当人体有较大的运动导致独立分量分析(ICA)不再适用时,建立一个运动检测器来检测人体的运动;
S4:呼吸信号分离,运动检测之后将整个夜晚的时间划分为若干稳定时间段,并滤除噪声,在每个稳定时间段内应用独立分量分析(ICA)分量进行呼吸信号的分离;
S5:身份匹配,将每个稳定时间段的独立分量分配到不同的用户,进行匹配,获得每个用户的完整呼吸信号。
进一步地,在步骤S2中,将独立分量分析(ICA)定义为:
独立分量分析(ICA)的目的是仅根据观测值X来恢复源S和混合矩阵W。
进一步地,在步骤S2中,假设反射物在无线设备的每次扫描中不会移动,则具有单个反射物的系统在第t次扫描周期内接收到的信号的时域表达为:
距离d(t)处的反射物在载波频率f处的频率响应为:
频率响应为:
所有N个反射物的总频率响应可以写成:
其中第一项是所有时间的平均频率响应,从信号中减去不会影响呼吸信号的估计;
定义独立分量分析(ICA)的观测信号为:
进一步地,在步骤S3中,定义固定持续时间的观测中的一小段为短观测,短观测的周期性代表信号质量,短观测呼吸噪声比(s-BNR)为短观测内呼吸能量与总能量的比值,的计算方法为:对短观测信号进行快速傅立叶变换(FFT),找出在人类呼吸范围内能量最大的快速傅立叶变换(FFT)频段,为该频段的能量与所有快速傅立叶变换(FFT)频段的能量和之间的比率,使用15秒作为短观测的默认持续时间,将10-30次/分钟作为人类的呼吸范围,短观测呼吸噪声比(s-BNR)越大,短观测的周期性越强,包含良好呼吸信号的可能性越大。
得到运动图像后,训练基于卷积神经网络(CNN)的分类器来检测人体运动,卷积神经网络(CNN)采用经典的VGG16架构,对运动图像中的每一列进行分类,向卷积神经网络(CNN)提供的图像是包括所有行和第i-k到第i+k列的小图像[i-k , i+k],其中k是一个自定义的较小的数字,卷积神经网络(CNN)输出“1”表示人体运动,否则输出“0”。
进一步地,在步骤S4中,利用多路径传输现象扩大观测空间范围,增加收集信号的数量,定义长期呼吸噪声比 (l-BNR)为构成长观测的一系列短观测的s-BNR的平均值,高质量的呼吸信号应该有较高的值,过滤掉低的长期呼吸噪声比 (l-BNR)观测值以排除噪声信号的影响。
进一步地,在步骤S5中,定义一致性度量为两个独立分量分析(ICA)分量表示同一人的呼吸信号的可能性,将身份匹配问题描述为最大化一致性度量的优化问题,使用动态规划来解决优化问题,具体地,步骤S5还包括以下步骤:
S502:引入稳定时段的独立分量分析(ICA)分量分配,视其为独立分量分析(ICA)分量的排序,表示独立分量分析(ICA)分量在中被分配为的呼吸分量,通过计算分配给同一个人的独立分量分析(ICA)分量之间的一致性来计算两个分配的一致性,如下所示:
因为一致性度量I只在很短的一段时间内有效,故目标函数简单地将所有独立分量分析(ICA)分配的身份一致性在两个接近的稳定时段相加(默认h=12);
在步骤S5中,各变量的定义如下:
本发明的一种基于无线信号的多人混合呼吸信号提取方法能够在混合射频反射信号中分离每个个体的呼吸信号,得到近距离接触的每个用户的整夜呼吸信号,降低了呼吸监测过程对睡眠场景的要求,提升了睡眠呼吸监测的实用性,改善用户体验。
附图说明
下面结合附图对本发明作进一步描写和阐述。
图1是本发明首选实施方式的一种基于无线信号的多人混合呼吸信号提取方法的系统流程图。
具体实施方式
下面将结合附图、通过对本发明的优选实施方式的描述,更加清楚、完整地阐述本发明的技术方案。
如图1所示,本发明首选实施方式的一种基于无线信号的多人混合呼吸信号提取方法,包括以下步骤:
S1:提取观测信号,通过无线设备发射低功率信号,然后接收来自周围环境的反射信号,得到原始混合呼吸信号;
S2:对混合呼吸信号建模,将从多个人的混合呼吸信号中识别单个呼吸信号建模为盲源分离问题,在信号源是独立、非高斯、线性组合的情况下,使用独立分量分析(ICA)来进行盲源分离;
S3:运动检测,当人体有较大的运动导致独立分量分析(ICA)不再适用时,建立一个运动检测器来只检测人体的运动;
S4:呼吸信号分离,运动检测之后将整个夜晚的时间划分为若干稳定时间段,并滤除噪声,在每个稳定时间段内应用独立分量分析(ICA)分量进行呼吸信号的分离;
S5:身份匹配,将每个稳定时间段的独立分量分配到不同的用户,进行匹配,获得每个用户的完整呼吸信号。
具体地,在步骤S1中,无线设备发射低功率信号,接收来自周围环境的反射信号。无线设备可以捕获空间中多个位置的反射信号,每个信号对应于空间中特定物体反射。当多人躺在床上,利用这一特性捕获来自床内和床周围物体的无线信号,得到原始呼吸信号的混合,称这种混合信号为“观测”。
在步骤S2中,从多个人的混合呼吸信号中识别单个呼吸信号可以建模为盲源分离问题,在信号源是独立、非高斯、线性组合的情况下,可以使用独立分量分析(ICA)技术来进行盲源分离。
独立分量分析(ICA)的定义为:
独立分量分析(ICA)的目的是仅根据观测值X来恢复源S和混合矩阵W。
从人体反射的射频信号在无线介质中是线性叠加的,不同用户的呼吸信号是独立的,分布不是高斯的。但是,当人呼吸时,躯体发生运动,混合矩阵W不是恒定的,所以需要对混合信号进行建模以满足ICA的使用要求。
由于无线设备通过发送扫描序列来工作,每次扫描的持续时间通常很短(约为0.1ms),所以假设反射物在无线设备的每次扫描中不会移动,则具有单个反射物的系统在第t次扫描周期内接收到的信号的时域表达为:
距离d(t)处的反射物在载波频率f处的频率响应为:
频率响应为:
可以看出,频率响应并不是N个独立源的线性和的形式,我们希望得到的形式是:
为了描述为以上多个源的线性组合的形式,只考虑与呼吸有关的微小线性运动来创造这样的分解。具体做法是:将写成,其中是反射物的平均位置(呼吸期间胸部的平均位置),是对应于呼吸的微小时变运动。使用泰勒级数展开到一阶项,该函数可以近似为:。所有N个反射物的总频率响应可以写成:
其中第一项是所有时间的平均频率响应,从信号中减去不会影响呼吸信号的估计;
定义独立分量分析(ICA)的观测信号为:
在步骤S3中,当人体有较大的动作时,由于观测值之间不再是线性相关的且信号混合模式改变,ICA不再适用。因此,需要一个运动检测器,它只检测人体的运动而忽略环境中其它运动源。
假设人的呼吸频率在短时间内是恒定的,那么短观测的周期性可以代表其信号质量。故定义固定持续时间的观测中的一小段为短观测,通过短观测的周期性代表信号质量,短观测呼吸噪声比(s-BNR)为短观测内呼吸能量与总能量的比值。的计算方法为:对短观测信号进行快速傅立叶变换(FFT),找出在人类呼吸范围内能量最大的快速傅立叶变换(FFT)频段,为该频段的能量与所有快速傅立叶变换(FFT)频段的能量和之间的比率,使用15秒作为短观测的默认持续时间,将10-30次/分钟作为人类的呼吸范围,短观测呼吸噪声比(s-BNR)越大,短观测的周期性越强,包含良好呼吸信号的可能性越大。
采用检测运动图像的方法实现运动检测,运动图像是一个矩阵,行表示位置,列表示离散时间点,单元(i,j)表示第j个位置在第i个时间点的短观测,其值是该短观测的呼吸噪声比(s-BNR);人体运动通常导致所有的短观测都有较低的s-BNR,而环境运动对s-BNR的影响不大。
得到运动图像后,训练基于卷积神经网络(CNN)的分类器来检测人体运动,卷积神经网络(CNN)采用经典的VGG16架构,对运动图像中的每一列进行分类,向卷积神经网络(CNN)提供的图像是包括所有行和第i-k到第i+k列的小图像[i-k , i+k],其中k是一个自定义的较小的数字,卷积神经网络(CNN)输出“1”表示人体运动,否则输出“0”。
在步骤S4中,利用多路径传输现象扩大观测空间范围,增加收集信号的数量,定义长期呼吸噪声比 (l-BNR)为构成长观测的一系列短观测的s-BNR的平均值,高质量的呼吸信号应该有较高的值,过滤掉低的长期呼吸噪声比 (l-BNR)观测值以排除噪声信号的影响。
在步骤S5中,应用ICA之后,在每个稳定周期内都得到了几个ICA分量,要获得每个用户的完整呼吸信号,需要将每个周期内的分量匹配到不同的用户。为了解决这个问题,定义一致性度量为两个ICA分量表示同一人的呼吸信号的可能性,将身份匹配问题描述为最大化一致性度量的优化问题,使用动态规划来解决这个优化问题。具体做法如下:
首先定义变量
具体步骤:
S502:引入稳定时段的独立分量分析(ICA)分量分配,视其为独立分量分析(ICA)分量的排序,表示独立分量分析(ICA)分量在中被分配为的呼吸分量,通过计算分配给同一个人的独立分量分析(ICA)分量之间的一致性来计算两个分配的一致性,如下所示:
因为一致性度量I只在很短的一段时间内有效,故目标函数简单地将所有独立分量分析(ICA)分配的身份一致性在两个接近的稳定时段相加(默认h=12);
本发明的一种基于无线信号的多人混合呼吸信号提取方法的基本原理是:首先使用卷积神经网络检测受试者的运动状态,剔除运动时间段,留下呼吸稳定的时间段,并在稳定的时间段内运行呼吸分离模块。呼吸分离模块使用独立分量分析技术将混合射频信号分解,得到单独的原始呼吸信号。接着,将每个稳定时间段的呼吸信号分量匹配到不同的用户,将匹配问题描述为一个最优化问题,使用动态规划的方法来解决这个问题。最终得到近距离接触的每个用户的整夜呼吸信号。从而,能够在混合射频反射信号中分离每个个体的呼吸信号,降低了呼吸监测过程对睡眠场景的要求。
上述具体实施方式仅仅对本发明的优选实施方式进行描述,而并非对本发明的保护范围进行限定。在不脱离本发明设计构思和精神范畴的前提下,本领域的普通技术人员根据本发明所提供的文字描述、附图对本发明的技术方案所作出的各种变形、替代和改进,均应属于本发明的保护范畴。本发明的保护范围由权利要求确定。
Claims (8)
1.一种基于无线信号的多人混合呼吸信号提取方法,其特征在于,包括以下步骤:
S1:提取观测信号,通过无线设备发射低功率信号,然后接收来自周围环境的反射信号,得到原始混合呼吸信号;
S2:对混合呼吸信号建模,将从多个人的混合呼吸信号中识别单个呼吸信号建模为盲源分离问题,在信号源是独立、非高斯、线性组合的情况下,使用独立分量分析(ICA)来进行盲源分离;
S3:运动检测,当人体有较大的运动导致独立分量分析(ICA)不再适用时,建立一个运动检测器来检测人体的运动;
S4:呼吸信号分离,运动检测之后将整个夜晚的时间划分为若干稳定时间段,并滤除噪声,在每个稳定时间段内应用独立分量分析(ICA)分量进行呼吸信号的分离;
S5:身份匹配,将每个稳定时间段的独立分量分配到不同的用户,进行匹配,获得每个用户的完整呼吸信号。
6.根据权利要求5所述的一种基于无线信号的多人混合呼吸信号提取方法,其特征在于,在步骤S3中,采用检测运动图像实现运动检测,所述运动图像是一个矩阵,行表示位置,列表示离散时间点,单元(i,j)表示第j个位置在第i个时间点的短观测,其值是该短观测的呼吸噪声比(s-BNR);
得到运动图像后,训练基于卷积神经网络(CNN)的分类器来检测人体运动,卷积神经网络(CNN)采用经典的VGG16架构,对运动图像中的每一列进行分类,向卷积神经网络(CNN)提供的图像是包括所有行和第i-k到第i+k列的小图像[i-k , i+k],其中k是一个自定义的较小的数字,卷积神经网络(CNN)输出“1”表示人体运动,否则输出“0”。
8.根据权利要求1所述的一种基于无线信号的多人混合呼吸信号提取方法,其特征在于,在步骤S5中,定义一致性度量为两个独立分量分析(ICA)分量表示同一人的呼吸信号的可能性,将身份匹配问题描述为最大化一致性度量的优化问题,使用动态规划来解决优化问题,具体地,步骤S5还包括以下步骤:
S502:引入稳定时段的独立分量分析(ICA)分量分配,视其为独立分量分析(ICA)分量的排序,表示独立分量分析(ICA)分量在中被分配为的呼吸分量,通过计算分配给同一个人的独立分量分析(ICA)分量之间的一致性来计算两个分配的一致性,如下所示:
因为一致性度量I只在很短的一段时间内有效,故目标函数简单地将所有独立分量分析(ICA)分配的身份一致性在两个接近的稳定时段相加(默认h=12);
在步骤S5中,各变量的定义如下:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110594092.0A CN113288114A (zh) | 2021-05-28 | 2021-05-28 | 一种基于无线信号的多人混合呼吸信号提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110594092.0A CN113288114A (zh) | 2021-05-28 | 2021-05-28 | 一种基于无线信号的多人混合呼吸信号提取方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113288114A true CN113288114A (zh) | 2021-08-24 |
Family
ID=77325989
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110594092.0A Pending CN113288114A (zh) | 2021-05-28 | 2021-05-28 | 一种基于无线信号的多人混合呼吸信号提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113288114A (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102499664A (zh) * | 2011-10-24 | 2012-06-20 | 西双版纳大渡云海生物科技发展有限公司 | 基于视频图像的非接触式生命体征的检测方法及检测系统 |
CN103945762A (zh) * | 2011-11-24 | 2014-07-23 | 欧姆龙健康医疗事业株式会社 | 睡眠评价装置 |
CN108474841A (zh) * | 2015-04-20 | 2018-08-31 | 瑞思迈传感器技术有限公司 | 由特征信号对人类的检测和识别 |
CN109730659A (zh) * | 2018-12-29 | 2019-05-10 | 广东三水合肥工业大学研究院 | 一种基于微波信号监测的智能床垫 |
CN110710954A (zh) * | 2019-09-20 | 2020-01-21 | 长沙友记互娱网络信息有限公司 | 一种通过声音采集检测睡眠质量的方法 |
CN111568425A (zh) * | 2020-06-08 | 2020-08-25 | 北京大学 | 一种非接触式的多人呼吸检测方法 |
CN111938650A (zh) * | 2020-07-03 | 2020-11-17 | 上海诺斯清生物科技有限公司 | 监测睡眠时呼吸暂停的方法及装置 |
-
2021
- 2021-05-28 CN CN202110594092.0A patent/CN113288114A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102499664A (zh) * | 2011-10-24 | 2012-06-20 | 西双版纳大渡云海生物科技发展有限公司 | 基于视频图像的非接触式生命体征的检测方法及检测系统 |
CN103945762A (zh) * | 2011-11-24 | 2014-07-23 | 欧姆龙健康医疗事业株式会社 | 睡眠评价装置 |
CN108474841A (zh) * | 2015-04-20 | 2018-08-31 | 瑞思迈传感器技术有限公司 | 由特征信号对人类的检测和识别 |
CN109730659A (zh) * | 2018-12-29 | 2019-05-10 | 广东三水合肥工业大学研究院 | 一种基于微波信号监测的智能床垫 |
CN110710954A (zh) * | 2019-09-20 | 2020-01-21 | 长沙友记互娱网络信息有限公司 | 一种通过声音采集检测睡眠质量的方法 |
CN111568425A (zh) * | 2020-06-08 | 2020-08-25 | 北京大学 | 一种非接触式的多人呼吸检测方法 |
CN111938650A (zh) * | 2020-07-03 | 2020-11-17 | 上海诺斯清生物科技有限公司 | 监测睡眠时呼吸暂停的方法及装置 |
Non-Patent Citations (1)
Title |
---|
SHICHAO YUE ET AL: "Extracting Multi-Person Respiration from Entangled RF Signals", 《PROCEEDINGS OF THE ACM ON INTERACTIVE,MOBILE,WEARABLE AND UBIQUITOUS TECHNOLOGIES》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhang et al. | Driver drowsiness detection using multi-channel second order blind identifications | |
CN108553108B (zh) | 一种基于Wi-Fi中CSI信号的人体动作与呼吸的检测方法和系统 | |
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 | |
US20220280087A1 (en) | Visual Perception-Based Emotion Recognition Method | |
Monkaresi et al. | A machine learning approach to improve contactless heart rate monitoring using a webcam | |
Alvarez et al. | Behavior analysis through multimodal sensing for care of Parkinson’s and Alzheimer’s patients | |
Janssen et al. | Video-based respiration monitoring with automatic region of interest detection | |
Khan et al. | A deep learning framework using passive WiFi sensing for respiration monitoring | |
JP6521845B2 (ja) | 心拍に連動する周期的変動の計測装置及び計測方法 | |
Sikder et al. | Log-sum distance measures and its application to human-activity monitoring and recognition using data from motion sensors | |
Gupta et al. | Automatic contact-less monitoring of breathing rate and heart rate utilizing the fusion of mmWave radar and camera steering system | |
CN114219853A (zh) | 一种基于无线信号的多人三维姿态估计方法 | |
Hu et al. | rPPG-based heart rate estimation using spatial-temporal attention network | |
Kabir et al. | CSI-IANet: An inception attention network for human-human interaction recognition based on CSI signal | |
CN116311497A (zh) | 一种基于机器视觉的隧道工人异常行为检测方法及系统 | |
Bastwesy et al. | Wi-nod: Head nodding recognition by wi-fi csi toward communicative support for quadriplegics | |
Slapnicar et al. | Contact-free monitoring of physiological parameters in people with profound intellectual and multiple disabilities | |
CN113288114A (zh) | 一种基于无线信号的多人混合呼吸信号提取方法 | |
CN109948481B (zh) | 一种基于窄带射频链路采样的无源人体识别方法 | |
Almasi | Human movement analysis from the egocentric camera view | |
Macwan et al. | Parameter-free adaptive step-size multiobjective optimization applied to remote photoplethysmography | |
Biradar et al. | Heart Rate Estimation from Facial Video Sequences using Fast Independent Component Analysis | |
Pavan et al. | On-device subject recognition in UWB-radar data with Tiny Machine Learning | |
Wang et al. | Supervised Image Decomposition for Human Heart Rate Measurement Under Low Light Environments | |
Thakur | Vital sign monitoring based on remote PPG and WiFi |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210824 |