CN113729655B - 一种分离uwb雷达传感器接收信号的方法 - Google Patents
一种分离uwb雷达传感器接收信号的方法 Download PDFInfo
- Publication number
- CN113729655B CN113729655B CN202111128252.9A CN202111128252A CN113729655B CN 113729655 B CN113729655 B CN 113729655B CN 202111128252 A CN202111128252 A CN 202111128252A CN 113729655 B CN113729655 B CN 113729655B
- Authority
- CN
- China
- Prior art keywords
- signal
- uwb radar
- radar sensor
- frequency
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 33
- 230000000241 respiratory effect Effects 0.000 claims abstract description 25
- 230000035772 mutation Effects 0.000 claims description 16
- 238000003066 decision tree Methods 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 6
- 230000010354 integration Effects 0.000 claims description 4
- 238000001914 filtration Methods 0.000 claims description 3
- 238000002360 preparation method Methods 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 claims description 2
- 238000000605 extraction Methods 0.000 abstract description 10
- 238000000354 decomposition reaction Methods 0.000 abstract description 8
- 230000029058 respiratory gaseous exchange Effects 0.000 abstract description 7
- 238000012544 monitoring process Methods 0.000 abstract description 5
- 230000000149 penetrating effect Effects 0.000 abstract description 3
- 208000015181 infectious disease Diseases 0.000 abstract description 2
- 230000002458 infectious effect Effects 0.000 abstract 1
- 238000010989 Bland-Altman Methods 0.000 description 6
- 230000036387 respiratory rate Effects 0.000 description 6
- 230000036541 health Effects 0.000 description 3
- 238000000926 separation method Methods 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- 238000010835 comparative analysis Methods 0.000 description 2
- 230000000295 complement effect Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000011897 real-time detection Methods 0.000 description 2
- 208000035473 Communicable disease Diseases 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000036772 blood pressure Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000004962 physiological condition Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000036391 respiratory frequency Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
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
- A61B5/02—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
- A61B5/05—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
- 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
- A61B5/7235—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
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Molecular Biology (AREA)
- Animal Behavior & Ethology (AREA)
- Veterinary Medicine (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Physiology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Surgery (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Cardiology (AREA)
- Signal Processing (AREA)
- Pulmonology (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Psychiatry (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)
Abstract
本发明公开了一种分离UWB雷达传感器接收信号的方法，即基于递归积分算子的零空间追踪提取单分量信号算法和置信度对UWB雷达传感器接收信号进行信号分解，提取人体的呼吸信号和心跳信号频率的方法，可应用于对传染病患者的心率等生命体征进行监测也可用于地震时探测人体体征。该方法运时间短，能够精确的提取UWB探地雷达信号中的呼吸信号和心跳信号频率，为非接触人体特征提取提供重要依据。
Description
技术领域
本发明涉及雷达信号处理领域，具体为一种基于递归积分算子的零空间追踪(Recursion Integral Null Space Pursuit：HINSP)提取单信号分量算法进行UWB雷达传感器接收信号的非接触心率和呼吸信号频率估计分量，为非接触人体特征提取提供重要依据的方法。
背景技术
随着社会的发展，尤其是科学技术的进步，大大促进了社会生产力的飞速发展，尤其是先进医疗仪器的广泛应用，不仅仅能够很好的治疗疾病，同时对于身体健康的日常保健监测也提供了重要保障。
人体生命体征主要包括呼吸、心率、脉搏、血压等；在医疗临床上，通过采集这几种生物信息来准确了解人体的生理状况，具有重要的临床意义。近年来，超宽带雷达在监测人体体征方面越来越受学者的关注，主要包括两个方面：一个是在医学重症监护和家庭健康管理方面对呼吸和心跳的连续监测；二是在自然灾害发生时可快速检测到有无生命体，来及时进行优先救援。
使用UWB雷达传感器对人体进行非接触性检测生命体征，接收到的信号是非线性非平稳信号，信号除了人体体征信号之外，还有各种杂波信号的干扰，比如基线漂移和工频干扰等等。人体正常的呼吸信号频率大致在[0.15,0.40]之间，心率大致在[0.8,1.68]之间，呼吸的谐波会很大程度上的影响心率的提取，因此有效的抑制杂波和准确地提取心率是分离UWB雷达信号的首要任务。
现有技术中，常见的信号分解的方法包括傅里叶变换、小波变换、经验模态分解(EMD)等。基于傅里叶变换的滤波器可以提取信号不同频段的信息，以此来分析信号在频域的特征。
但是傅里叶分析将原信号看作是一系列正余弦函数的线性叠加形式，对于UWB雷达传感器接收到的这类复杂的非平稳非线性信号来说，信号处理起来繁琐而又不准确；小波变换将信号分解为不同尺度(分辨率)的序列，具有同时在时域和频域表征信号局部特征的能力，但是小波变换需要根据先验知识选择母小波函数，而且与傅里叶变换一样都受测不准原理的制约，即时域和频域的分辨率不可兼得；经验模态分解可以将非平稳信号分解为多个本征模函数(IMF)，所分解出来的IMF包含了原信号的不同时间尺度的局部特征信号，经验模态分解虽然能提取信号的本征模态，但是缺乏数学理论解释，而且会出现模态混叠等现象。
因此，上述现有的分离UWB雷达信号的方法最后都需要人为的观察选择出适合的信号分量；而如何在少量或者没有人为干预的情况下选择出合适心率和呼吸信号频率是UWB雷达探测信号分解的重要急需解决的问题。
发明内容
为了克服上述现有技术存在的不足，本发明提供了一种基于递归积分算子的零空间追踪(Recursion Integral Null Space Pursuit：RINSP)提取单分量信号算法和置信度的UWB雷达传感器接收信号的非接触呼吸和心跳信号频率提取，用以解决传统在雷达信号分离上存在着的诸多弊端的分离UWB雷达传感器接收信号的方法。
本发明的目的是这样实现的：
一种分离UWB雷达传感器接收信号的方法，即基于递归积分算子的零空间追踪提取单分量信号算法和置信度对UWB雷达传感器接收信号进行信号分解，提取人体的呼吸信号和心跳信号频率的方法，包括以下步骤：
步骤(1)UWB雷达传感器信号预处理阶段：包括信号的突变点检测，若信号含有突变值，则去掉突变处的局部信号，并通过三次样条插值法补全信号，再通过带通录波器滤除杂波，并将信号归一化到[-1,1]之间；
步骤(2)利用递归积分算子的零空间追踪(Recursion Integral Null SpacePursuit：RINSP)算法分解信号，得到信号的多个不同频带的单分量信号，将这些单分量信号构成决策树；
步骤(3)为了估计能准确估计心率和呼吸信号频率，我们定义决策树分支并进行预分组，定义了分量的置信度，根据置信度提取出分量中最优的信号频率为心率和呼吸信号频率。
所述步骤(1)UWB雷达传感器信号预处理阶段具体为：
1)找出原始UWB雷达信号的局部最大值点和局部最小值点，最大值点对应的横轴为dmax，纵轴为vmax，最小值点对应的横轴为dmin，纵轴为vmin；
2)检验局部最大值之间的差值的绝对值，如其中有连续两个差值的绝对值大于50，则这三个点之间的值是为突变值，中间点视为突变点；
3)若第i个点为突变点则重新计算第i个点的横轴和纵轴，
再使用三次样条插值法对第i节点和距离第i节点最近的两个最小值点进行插值；
4)检验局部最小值方法同上1)到3)；
5)将上述补齐信号s(t)带入下步骤，如果没有突变点则将原始信号视为s(t)带入下步骤；
6)使s(t)通过带通滤波器(0.1Hz～2.5Hz)，对信号进行归一化。
所述步骤(2)具体为：
1)输入y(t)和参数λ2，选择停止阈值ε，λ0和γ0的值；
2)令j←0,γj←γ0；
3)估计
4)估计
计估计
估计γj+1：
再令j＝j+1；
5)重复4)直至
6)分离的单分量信号为剩余信号为/>
7)将剩余信号和单分量信号作为输入重复上述操作可分离出不同的单信号。
所述步骤(3)具体为：
1)为了能准确估计心率和呼吸信号频率，我们基于分量置信度估计出最优心率和呼吸信号频率；具体来说：对每个单分量信号，定义呼吸分量组，其峰值频率范围为FP(i,j)(x)∈[0.15,0.40]就归为呼吸信号预备组，其中x＝1,2,3,...,30；(i,j)为组号为下标，其中i＝1,2，3，4，5，6；j＝1,2,3,4，5，6,(i,j)∈K。
定义心跳分量组，其峰值频率在FP(i,j)(x)∈[0.8,1.68].分别将两组的各分量最大峰值频率FP(i,j)(x)与接触性传感器接收信号的最大频率FPs(x)进行对比分析。
定义分量的置信度为利用最优置信度，找出将其对应的分量作为对应分量特征。
积极有益效果：本发明公开了一种基于递归积分算子的零空间追踪(RecursionIntegral Null Space Pursuit：RINSP)提取单分量信号算法和置信度的UWB雷达传感器接收信号的非接触心率和呼吸频率估计的方法，该方法是无监督的不需要先验知识，算法简单所以可以进行实时检测；能够有效抑制杂波，减小模式混叠的影响；分离出的呼吸频率和心率置信度高，从而可以从废墟中检测生命体的是否存在，可应用于对传染病患者的心率等生命体征进行监测也可用于地震时探测人体体征。
附图说明
图1为本发明的UWB雷达传感器信号分离出呼吸和心跳信号的流程图；
图2为雷达信号分离流程图；
图3为探地雷达实测的部分人体体征混合信号图；
图4为利用本发明提取出的呼吸信号与传感器接收信号的时域对比图；其中红色的线是分离出的信号分离，蓝色的线是接触性传感器接受到的信号；
图5为用本发明提取心率与接触性传感器接收的心率做比较得到的Bland-Altman图；
图6为采用本发明提取呼吸频率和接触性传感器接收的呼吸频率做比较得到心率Bland-Altman图。
具体实施方式
下面结合附图对本发明做进一步详细的说明。
如图1-4所示，一种分离UWB雷达传感器接收信号的方法，即基于递归积分算子的零空间追踪提取单分量信号算法和置信度对UWB雷达传感器接收信号进行信号分解，提取人体的呼吸信号和心跳信号频率的方法，包括以下步骤：
步骤(1)UWB雷达传感器信号预处理阶段：包括信号的突变点检测，若信号含有突变值，则去掉突变处的局部信号，并通过三次样条插值法补全信号，再通过带通录波器滤除杂波，并将信号归一化到[-1,1]之间；
步骤(2)利用递归积分算子的零空间追踪(Recursion Integral Null SpacePursuit：RINSP)算法分解信号，得到信号的多个不同频带的单分量信号，将这些单分量信号构成决策树；
步骤(3)为了估计能准确估计心率和呼吸信号频率，我们定义决策树分支并进行预分组，定义了分量的置信度，根据置信度提取出分量中最优的信号频率为心率和呼吸信号频率；该算法运时间短，能够精确的提取UWB探地雷达信号中的呼吸信号和心跳信号频率，为非接触人体特征提取提供重要依据。
所述步骤(1)UWB雷达传感器信号预处理阶段具体为：
1)找出原始UWB雷达信号的局部最大值点和局部最小值点，最大值点对应的横轴为dmax，纵轴为vmax，最小值点对应的横轴为dmin，纵轴为vmin；
2)检验局部最大值之间的差值的绝对值，如其中有连续两个差值的绝对值大于50，则这三个点之间的值是为突变值，中间点视为突变点；
3)若第i个点为突变点则重新计算第i个点的横轴和纵轴，
再使用三次样条插值法对第i节点和距离第i节点最近的两个最小值点进行插值；
4)检验局部最小值方法同上1)到3)；
5)将上述补齐信号s(t)带入下步骤，如果没有突变点则将原始信号视为s(t)带入下步骤；
6)使s(t)通过带通滤波器(0.1Hz～2.5Hz)，对信号进行归一化。
所述步骤(2)具体为：
1)输入y(t)和参数λ2，选择停止阈值ε，λ0和γ0的值；
2)令j←0,γj←γ0；
3)估计
4)估计
计估计
估计γj+1：
再令j＝j+1；
5)重复4)直至
6)分离的单分量信号为剩余信号为/>
7)将剩余信号和单分量信号作为输入重复上述操作可分离出不同的单信号。
所述步骤(3)具体为：
1)为了能准确估计心率和呼吸信号频率，我们基于分量置信度估计出最优心率和呼吸信号频率；具体来说：对每个单分量信号，定义呼吸分量组，其峰值频率范围为FP(i,j)(x)∈[0.15,0.40]就归为呼吸信号预备组，其中x＝1,2,3,...,30；(i,j)为组号为下标，其中i＝1,2，3，4，5，6；j＝1,2,3,4，5，6,(i,j)∈K。
定义心跳分量组，其峰值频率在FP(i,j)(x)∈[0.8,1.68].分别将两组的各分量最大峰值频率FP(i,j)(x)与接触性传感器接收信号的最大频率FPs(x)进行对比分析。
定义分量的置信度为利用最优置信度，找出将其对应的分量作为对应分量特征。
使用专业用图Bland-Altman图来评判结果的好坏，如图5、图6所示，分别显示的是30组信号的心率Bland-Altman图和呼吸频率Bland-Altman图；Bland-Altman是分析确定使用两种不同方法的测量值一致限度的有效方法，该图描述了接触传感器记录的生理信号与雷达提取的生理信号之间相对于这两个信号的平均值的偏差。Bland-Altman图是一个散点图，其中X轴对应两个度量值的平均值，Y轴代表它们的差值，在散点图上也显示了95％置信协议区间。统计一致性界限是通过使用两个测量值之间的差值的平均值(MD)和标准差(SD)计算的.
本发明公开了一种基于递归积分算子的零空间追踪(Recursion Integral NullSpace Pursuit：RINSP)提取单分量信号算法和置信度的UWB雷达传感器接收信号的非接触心率和呼吸频率估计的方法，该方法是无监督的不需要先验知识，算法简单所以可以进行实时检测；能够有效抑制杂波，减小模式混叠的影响；分离出的呼吸频率和心率置信度高，从而可以从废墟中检测生命体的是否存在。
以上给出了具体的实施方式，但本发明不局限于所描述的实施方式。本发明的基本思路在于上述基本方案，对本领域普通技术人员而言，根据本发明的教导，设计出各种变形的模型、公式、参数并不需要花费创造性劳动。在不脱离本发明的原理和精神的情况下对实施方式进行的变化、修改、替换和变型仍落入本发明的保护范围内。
Claims (3)
1.一种分离UWB雷达传感器接收信号的方法，其特征在于，即基于递归积分算子的零空间追踪提取单分量信号算法和置信度对UWB雷达传感器接收信号进行信号分解，提取人体的呼吸信号和心跳信号频率的方法，包括以下步骤：
步骤（1）UWB雷达传感器信号预处理阶段：包括信号的突变点检测，若信号含有突变值，则去掉突变处的局部信号，并通过三次样条插值法补全信号，再通过带通录波器滤除杂波，并将信号归一化到[-1,1]之间；
步骤（2）利用递归积分算子的零空间追踪算法分解信号，得到信号的多个不同频带的单分量信号，将这些单分量信号构成决策树；
步骤（3）为了能准确估计心率和呼吸信号频率，我们定义决策树分支并进行预分组，定义了分量的置信度，根据置信度提取出分量中最优的信号频率为心率和呼吸信号频率；
所述步骤（1）UWB雷达传感器信号预处理阶段具体为：
1）找出原始UWB雷达信号的局部最大值点和局部最小值点，最大值点对应的横轴为，纵轴为/>，最小值点对应的横轴为/>，纵轴为/>；
2）检验局部最大值之间的差值的绝对值，如其中有连续两个差值的绝对值大于50，则这三个点之间的值视为突变值，中间点视为突变点；
3）若第个点为突变点则重新计算第/>个点的横轴和纵轴，
2.根据权利要求1所述的一种分离UWB雷达传感器接收信号的方法，其特征在于，所述步骤（2）具体为：
3.根据权利要求1所述的一种分离UWB雷达传感器接收信号的方法，其特征在于，所述步骤（3）具体为：
1）为了能准确估计心率和呼吸信号频率，我们基于分量置信度估计出最优心率和呼吸信号频率；具体来说：对每个单分量信号，定义呼吸分量组，其峰值频率范围为就归为呼吸信号预备组，其中/>为组号为下标，其中/>定义心跳分量组，其峰值频率在/>分别将两组的各分量最大峰值频率/>与接触性传感器接收信号的最大频率/>进行对比分析；定义分量的置信度为；利用最优置信度，找出/>；将其对应的分量作为对应分量特征。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111128252.9A CN113729655B (zh) | 2021-09-26 | 2021-09-26 | 一种分离uwb雷达传感器接收信号的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111128252.9A CN113729655B (zh) | 2021-09-26 | 2021-09-26 | 一种分离uwb雷达传感器接收信号的方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113729655A CN113729655A (zh) | 2021-12-03 |
| CN113729655B true CN113729655B (zh) | 2024-03-08 |
Family
ID=78740984
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111128252.9A Active CN113729655B (zh) | 2021-09-26 | 2021-09-26 | 一种分离uwb雷达传感器接收信号的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113729655B (zh) |
Citations (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103110422A (zh) * | 2012-12-18 | 2013-05-22 | 中国人民解放军第四军医大学 | 基于生物雷达检测的呼吸和心跳实时分离方法 |
| KR20160148904A (ko) * | 2015-06-17 | 2016-12-27 | 한양대학교 산학협력단 | Uwb 레이더를 이용한 생체 정보 측정 방법 및 장치 |
| CN106821347A (zh) * | 2016-12-20 | 2017-06-13 | 中国人民解放军第三军医大学 | 一种fmcw宽带生命探测雷达呼吸和心跳信号提取算法 |
| KR101895324B1 (ko) * | 2018-06-27 | 2018-09-05 | 유메인주식회사 | 초광대역 임펄스 레이더 신호를 이용한 바이탈 정보 측정 방법 |
| CN109222935A (zh) * | 2018-11-01 | 2019-01-18 | 广东工业大学 | 一种基于uwb传感器判断人体睡眠质量的方法及系统 |
| CN109875529A (zh) * | 2019-01-23 | 2019-06-14 | 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 |
| CN110192850A (zh) * | 2019-05-31 | 2019-09-03 | 湖南省顺鸿智能科技有限公司 | 基于雷达回波强噪声背景下心跳信号的提取方法及系统 |
| CN110584631A (zh) * | 2019-10-10 | 2019-12-20 | 重庆邮电大学 | 一种基于fmcw雷达的静态人体心跳和呼吸信号提取方法 |
| CN111481184A (zh) * | 2020-04-24 | 2020-08-04 | 华侨大学 | 基于毫米波雷达技术的多目标呼吸心率监测方法与系统 |
| CN111568399A (zh) * | 2020-05-15 | 2020-08-25 | 中国人民解放军陆军军医大学 | 一种基于雷达的呼吸和心跳信号检测方法及系统 |
| CN111890373A (zh) * | 2020-09-29 | 2020-11-06 | 常州唯实智能物联创新中心有限公司 | 车载机械臂的感知定位方法 |
| CN111929677A (zh) * | 2020-01-15 | 2020-11-13 | 山东普泰信息工程有限公司 | 基于眼形差分天线的多人体生命体征超宽带雷达监控仪 |
| CN112220464A (zh) * | 2020-10-27 | 2021-01-15 | 广西脉吾科技有限责任公司 | 一种基于uwb雷达的人体呼吸心跳信号检测方法和系统 |
| CN112336323A (zh) * | 2020-11-04 | 2021-02-09 | 西安宝瑞达电子科技有限责任公司 | 用于生命信息非接触检测的生物雷达、系统、方法及应用 |
| KR102247752B1 (ko) * | 2020-10-30 | 2021-05-07 | 주식회사 피플멀티 | 레이더 및 열화상 카메라를 이용한 게이트 장치 |
| KR102284466B1 (ko) * | 2020-01-29 | 2021-08-03 | 박순구 | 위급상황 대비를 위한 5세대 이동통신 기반에서의 스몰 셀 기지국의 통합 패키징 시스템 |
| CN114983359A (zh) * | 2022-06-20 | 2022-09-02 | 重庆邮电大学 | 一种基于ir-uwb雷达的生命体征检测方法 |
Family Cites Families (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7778709B2 (en) * | 2001-10-01 | 2010-08-17 | Medtronic, Inc. | Method and device for using impedance measurements based on electrical energy of the heart |
| US20040249257A1 (en) * | 2003-06-04 | 2004-12-09 | Tupin Joe Paul | Article of manufacture for extracting physiological data using ultra-wideband radar and improved signal processing techniques |
| US10401479B2 (en) * | 2014-05-16 | 2019-09-03 | University Of Ottawa | Remote sensing of human breathing at a distance |
| US20160089052A1 (en) * | 2014-09-26 | 2016-03-31 | Industry-University Cooperation Foundation Hanyang University | Method and device for measuring biometric data using uwb radar |
| US20180333103A1 (en) * | 2017-05-18 | 2018-11-22 | One Health Group, LLC | Algorithmic Approach for Estimation of Respiration and Heart Rates |
| US20210353156A1 (en) * | 2018-10-03 | 2021-11-18 | Arizona Board Of Regents On Behalf Of Arizona State University | Direct rf signal processing for heart-rate monitoring using uwb impulse radar |
-
2021
- 2021-09-26 CN CN202111128252.9A patent/CN113729655B/zh active Active
Patent Citations (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103110422A (zh) * | 2012-12-18 | 2013-05-22 | 中国人民解放军第四军医大学 | 基于生物雷达检测的呼吸和心跳实时分离方法 |
| KR20160148904A (ko) * | 2015-06-17 | 2016-12-27 | 한양대학교 산학협력단 | Uwb 레이더를 이용한 생체 정보 측정 방법 및 장치 |
| CN106821347A (zh) * | 2016-12-20 | 2017-06-13 | 中国人民解放军第三军医大学 | 一种fmcw宽带生命探测雷达呼吸和心跳信号提取算法 |
| KR101895324B1 (ko) * | 2018-06-27 | 2018-09-05 | 유메인주식회사 | 초광대역 임펄스 레이더 신호를 이용한 바이탈 정보 측정 방법 |
| CN109222935A (zh) * | 2018-11-01 | 2019-01-18 | 广东工业大学 | 一种基于uwb传感器判断人体睡眠质量的方法及系统 |
| CN109875529A (zh) * | 2019-01-23 | 2019-06-14 | 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 |
| CN110192850A (zh) * | 2019-05-31 | 2019-09-03 | 湖南省顺鸿智能科技有限公司 | 基于雷达回波强噪声背景下心跳信号的提取方法及系统 |
| CN110584631A (zh) * | 2019-10-10 | 2019-12-20 | 重庆邮电大学 | 一种基于fmcw雷达的静态人体心跳和呼吸信号提取方法 |
| CN111929677A (zh) * | 2020-01-15 | 2020-11-13 | 山东普泰信息工程有限公司 | 基于眼形差分天线的多人体生命体征超宽带雷达监控仪 |
| KR102284466B1 (ko) * | 2020-01-29 | 2021-08-03 | 박순구 | 위급상황 대비를 위한 5세대 이동통신 기반에서의 스몰 셀 기지국의 통합 패키징 시스템 |
| CN111481184A (zh) * | 2020-04-24 | 2020-08-04 | 华侨大学 | 基于毫米波雷达技术的多目标呼吸心率监测方法与系统 |
| CN111568399A (zh) * | 2020-05-15 | 2020-08-25 | 中国人民解放军陆军军医大学 | 一种基于雷达的呼吸和心跳信号检测方法及系统 |
| CN111890373A (zh) * | 2020-09-29 | 2020-11-06 | 常州唯实智能物联创新中心有限公司 | 车载机械臂的感知定位方法 |
| CN112220464A (zh) * | 2020-10-27 | 2021-01-15 | 广西脉吾科技有限责任公司 | 一种基于uwb雷达的人体呼吸心跳信号检测方法和系统 |
| KR102247752B1 (ko) * | 2020-10-30 | 2021-05-07 | 주식회사 피플멀티 | 레이더 및 열화상 카메라를 이용한 게이트 장치 |
| CN112336323A (zh) * | 2020-11-04 | 2021-02-09 | 西安宝瑞达电子科技有限责任公司 | 用于生命信息非接触检测的生物雷达、系统、方法及应用 |
| CN114983359A (zh) * | 2022-06-20 | 2022-09-02 | 重庆邮电大学 | 一种基于ir-uwb雷达的生命体征检测方法 |
Non-Patent Citations (5)
| Title |
|---|
| CFS-PML在探地雷达FDTD法模拟中应用;石明;冯德山;吴奇;;大连理工大学学报(06);4-12 * |
| Learning-refined integral null space pursuit algorithm for noncontact multisubjects vital signs measurements using SFCW-UWB and IR-UWB Radar;Qiao LH 等;《IEEE TRANSACTIONS ON INSTRUMENTATION AND MEASUREMENT》;第71卷;8506013 * |
| 人体生理信号中呼吸信号的研究发展综述;李斯农;;中国国际财经(中英文)(11);286-288 * |
| 基于UWB雷达传感器的人体体征监测;段珍珍;《中国优秀硕士学位论文全文数据库医药卫生科技辑》(第12期);E080-3 * |
| 心电R峰检测方法研究;胡帅 等;《中国优秀硕士学位论文全文数据库医药卫生科技辑》(第6期);E060-6 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113729655A (zh) | 2021-12-03 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109117730B (zh) | 心电图心房颤动实时判断方法、装置、系统及存储介质 | |
| Rooijakkers et al. | Low-complexity R-peak detection for ambulatory fetal monitoring | |
| CN105919584B (zh) | 用于可穿戴心率监测设备的心率估计方法及装置 | |
| Beyramienanlou et al. | Shannon’s energy based algorithm in ECG signal processing | |
| Wang et al. | A robust signal preprocessing framework for wrist pulse analysis | |
| EP2688468B1 (en) | Apparatus and method for measuring physiological signal quality | |
| CN109907752A (zh) | 一种去除运动伪影干扰与心电特征检测的心电诊断与监护方法及系统 | |
| Chen et al. | Region aggregation network: improving convolutional neural network for ECG characteristic detection | |
| Zhang et al. | An integrated EMD adaptive threshold denoising method for reduction of noise in ECG | |
| CN104305992B (zh) | 一种交互式胎儿心电快速自动提取方法 | |
| Desai et al. | Decision support system for arrhythmia beats using ECG signals with DCT, DWT and EMD methods: A comparative study | |
| CN111528821A (zh) | 一种脉搏波中重搏波特征点识别方法 | |
| CN112493995A (zh) | 一种适用不同年龄患者的麻醉状态评估系统及方法 | |
| CN112998704A (zh) | 一种可穿戴设备血氧饱和度计算方法 | |
| Banerjee et al. | Monte Carlo filter-based motion artifact removal from electrocardiogram signal for real-time telecardiology system | |
| Behar et al. | A Bayesian filtering framework for accurate extracting of the non-invasive FECG morphology | |
| CN111956209B (zh) | 一种基于ewt和结构特征提取的心电信号r波识别方法 | |
| CN113729655B (zh) | 一种分离uwb雷达传感器接收信号的方法 | |
| CN110881958B (zh) | 一种用于中医脉诊仪的脉搏信号非生理信号去除方法 | |
| Azami et al. | MEMD-enhanced multivariate fuzzy entropy for the evaluation of complexity in biomedical signals | |
| CN117017297A (zh) | 驾驶员疲劳的预测和识别模型建立方法及其应用 | |
| Rakshit et al. | Wavelet sub-bands features-based ECG signal quality assessment scheme for computer-aided monitoring system | |
| Suleman et al. | Respiratory Events Estimation From PPG Signals Using a Simple Peak Detection Algorithm | |
| Halder et al. | Automatic feature extraction of ECG signal based on adaptive window dependent differential histogram approach and validation with CSE database | |
| Murthy et al. | Design and implementation of hybrid techniques and DA-based reconfigurable FIR filter design for noise removal in EEG signals on FPGA |
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 |