CN113786180B - 基于毫米波雷达信号的人体血压检测装置 - Google Patents

基于毫米波雷达信号的人体血压检测装置 Download PDF

Info

Publication number
CN113786180B
CN113786180B CN202111244372.5A CN202111244372A CN113786180B CN 113786180 B CN113786180 B CN 113786180B CN 202111244372 A CN202111244372 A CN 202111244372A CN 113786180 B CN113786180 B CN 113786180B
Authority
CN
China
Prior art keywords
neural network
training
blood pressure
signal
target
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
CN202111244372.5A
Other languages
English (en)
Other versions
CN113786180A (zh
Inventor
陈彦
冉有
张东恒
张冬
孙启彬
吴曼青
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.)
University of Science and Technology of China USTC
Original Assignee
University of Science and Technology of China USTC
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 University of Science and Technology of China USTC filed Critical University of Science and Technology of China USTC
Priority to CN202111244372.5A priority Critical patent/CN113786180B/zh
Publication of CN113786180A publication Critical patent/CN113786180A/zh
Application granted granted Critical
Publication of CN113786180B publication Critical patent/CN113786180B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • A61B5/021—Measuring pressure in heart or blood vessels
    • 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
    • A61B5/72—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
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Public Health (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Pathology (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Theoretical Computer Science (AREA)
  • Veterinary Medicine (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Mathematical Physics (AREA)
  • Physiology (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Fuzzy Systems (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Psychiatry (AREA)
  • Signal Processing (AREA)
  • Cardiology (AREA)
  • General Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Vascular Medicine (AREA)
  • Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)

Abstract

本公开实施例提供了一种基于毫米波雷达信号的人体血压检测装置，该装置对应的方法包括：在距离人体手腕处预设高度的位置采集毫米波雷达信号，其中，毫米波雷达信号包括多个接收信号；对多个接收信号进行波束成形处理，分离不同距离和角度的接收信号，得到目标二维网格，其中，目标二维网格包括多个不同距离‑角度的接收信号；利用第一神经网络从目标二维网格的多个不同距离‑角度的接收信号中确定目标接收信号，其中，第一神经网络是利用第一训练样本数据集对第一初始神经网络进行训练得到的；将目标接收信号输入第二神经网络，输出预测血压信息，其中，第二神经网络是利用第二训练样本数据集对第二初始神经网络进行训练得到的。

Description

基于毫米波雷达信号的人体血压检测装置
技术领域
本公开涉及信号处理技术领域，更具体地，涉及一种基于毫米波雷达信号的人体血压检测装置。
背景技术
血压是心血管疾病的重要诊断治疗指标。对于血压的长时间监测对于临床医疗和疾病预防都有重要意义。现有的血压测量手段大部分要求与患者有直接接触，例如可以通过佩戴袖带或各种传感器对血压进行检测。
在实现本公开构思的过程中，发明人发现相关技术中至少存在如下问题：相关技术中的血压检测方法会给用户造成不适感，从而较难进行血压的实时监测。
发明内容
有鉴于此，本公开实施例的提供了一种基于毫米波雷达信号的人体血压检测方法，包括：
在距离人体手腕处预设高度的位置采集毫米波雷达信号，其中，上述毫米波雷达信号包括多个接收信号；
对多个上述接收信号进行波束成形处理，分离不同距离和角度的接收信号，得到目标二维网格，其中，上述目标二维网格包括多个不同距离-角度的接收信号；
利用第一神经网络从上述目标二维网格的多个上述不同距离-角度的接收信号中确定目标接收信号，其中，上述第一神经网络是利用第一训练样本数据集对第一初始神经网络进行训练得到的；
将上述目标接收信号输入第二神经网络，输出预测血压信息，其中，上述第二神经网络是利用第二训练样本数据集对第二初始神经网络进行训练得到的。
根据本公开的实施例，上述不同距离-角度的接收信号包括多个信号片段；
其中，上述利用第一神经网络从上述目标二维网格的多个上述不同距离-角度的接收信号中确定目标接收信号，包括：
将每个上述不同距离-角度的接收信号的多个上述信号片段依次输入上述第一神经网络，输出多个不相似值；
在多个上述不相似值满足预设阈值的情况下，将多个上述不相似值中数值最小的上述不相似值确定为目标不相似值；
将与上述目标不相似值对应的上述不同距离-角度的接收信号确定为上述目标接收信号。
根据本公开的实施例，上述将与上述目标不相似值对应的上述不同距离-角度的接收信号确定为上述目标接收信号，包括：
将与上述目标不相似值对应的上述不同距离-角度的接收信号确定为第一信号；
在上述第一信号满足预设条件的情况下，对上述第一信号和在上述目标二维网格中与上述第一信号相关联的信号进行加权处理，得到加权信号；
将上述加权信号确定为上述目标接收信号。
根据本公开的实施例，上述第一神经网络是利用第一训练样本数据集对第一初始神经网络进行训练得到的，包括：
获取上述第一训练样本数据集，其中，上述第一训练样本数据集中的第一训练样本包括二维训练网格以及上述二维训练网格的标签数据，上述二维训练网格包括多个上述训练信号的信号片段；
将上述二维训练网格输入上述第一初始神经网络，输出不相似结果；
将上述不相似结果和上述标签数据输入第一损失函数，得到第一损失结果；以及
根据上述第一损失结果迭代地调整上述第一初始神经网络的网络参数，生成经训练的上述第一神经网络。
根据本公开的实施例，上述第一损失函数Loss1的表达式如下所示：
其中，k表征第一初始神经网络的卷积核，L2表征L2范数，N表征每个训练信号的信号片段的数量，conv(Di，k)表征卷积核k在信号片段Di上的卷积结果。
根据本公开的实施例，上述将上述目标接收信号输入第二神经网络，输出预测血压信息，包括：
过滤上述目标接收信号中的失真信号，得到过滤后的目标接收信号；
利用编码器处理上述过滤后的目标接收信号，得到编码信号，
利用第一解码器处理上述编码信号，得到解码后的目标接收信号；
将上述解码后的目标接收信号输入上述第二神经网络，输出上述预测血压信息。
根据本公开的实施例，上述人体血压检测方法还包括：
利用第三神经网络对上述预测血压信息进行压缩处理，生成预测血压，其中，上述第三神经网络是利用第三训练样本数据集对第三初始神经网络进行训练得到的；
其中，上述第三神经网络是利用第三训练样本数据集对第三初始神经网络进行训练得到的，包括：
获取上述第三训练样本数据集，其中，上述第三训练样本数据集中的第三训练样本包括训练血压信息以及与上述训练血压信息对应的训练血压值；
将上述训练血压信息输入上述第三初始神经网络，输出第一预测结果；
将上述第一预测结果和上述训练血压值输入第二损失函数，得到第二损失结果；以及
根据上述第二损失结果迭代地调整上述第三初始神经网络的网络参数，生成经训练的上述第三神经网络。
根据本公开的实施例，上述训练血压值包括训练收缩压和训练舒张压，上述第一预测结果包括第一预测血压，上述第一预测血压包括第一预测收缩压和第一预测舒张压；上述第二损失函数Loss2的表达式如下所示：
Loss2＝(bps-pres)2+(bpd-pred)2
其中，bps表征训练收缩压，pres表征第一预测收缩压，bpd表征训练收缩压，pred表征第一预测舒张压。
根据本公开的实施例，上述第二神经网络是利用第二训练样本数据集对第二初始神经网络进行训练得到的，包括：
获取多个上述训练人体不同时刻下的第二真实血压信息以及与上述第二真实血压信息对应的上述训练人体的手腕处的毫米波雷达训练信号，其中，上述毫米波雷达训练信号包括接收到的多个第二训练信号；
对多个上述第二训练信号进行过滤，得到目标第二训练信号；
将上述目标第二训练信号输入上述第二初始神经网络，输出第二预测结果，上述第二预测结果包括第二预测血压；
根据上述第二预测结果和上述第二真实血压信息计算第三损失函数，得到第三损失结果；以及
根据上述第三损失结果迭代地调整上述第二初始神经网络的网络参数，生成经训练的上述第二神经网络；
其中，上述第三损失函数Loss3的表达式如下所示：
其中，S表征目标第二训练信号的长度，j表征目标第二训练信号的幅度，prei(j)表征目标第二训练信号中第i时刻取值为j的可能性，R表征目标第二训练信号的取值范围，在目标第二训练信号中第i时刻取值为j的情况下api(j)＝1，在目标第二训练信号中第i时刻取值不为j的情况下api(j)＝0。
根据本公开的实施例，上述对多个上述接收信号进行波束成形处理，分离不同距离和角度的接收信号，得到目标二维网格，包括：
对多个上述接收信号进行波束成形处理，得到多个第二信号；
利用预设相位偏移条件分离不同距离和角度的多个上述第二信号，得到多个上述不同距离-角度的接收信号；
按照预设映射规则，将多个上述不同距离-角度的接收信号映射于初始二维网格中，得到上述目标二维网格。
根据本公开的实施例，对采集到的人体手腕处预设高度的位置地毫米波雷达信号进行波束成形处理以及对接收信号分离不同距离和角度后得到的目标二维网格，利用第一神经网络处理目标二维网格以确定目标接收信号，利用第二神经网络处理目标接收信号以预测血压信息，由于从人体手腕处预设高度处采集毫米波雷达信号，因此能够避免与人体直接接触测量血压的方式造成的不便于实时监测的问题以及避免对人体造成不适的问题，进而达到提高人体舒适度以及便于对人体血压进行实时监测的技术效果。
附图说明
通过以下参照附图对本公开实施例的描述，本公开的上述以及其他目的、特征和优点将更为清楚，在附图中：
图1示意性示出了根据本公开实施例的可以应用基于毫米波雷达信号的人体血压检测方法的示例性系统架构；
图2示意性示出了根据本公开实施例的基于毫米波雷达信号的人体血压检测方法的流程图；
图3示意性示出了根据本公开实施例的人体血压检测方法的使用场景示意图；
图4示意性示出了根据本公开实施例的确定目标接收信号的场景示意图；
图5示意性示出了根据本公开实施例的预测血压的示意图；
图6示意性示出了根据本公开实施例的获取毫米波雷达训练信号的场景示意图；
图7示意性示出了根据本公开实施例的对接收信号进行过滤的场景示意图；
图8示意性示出了根据本公开的实施例的人体血压检测装置的框图；以及
图9示意性示出了根据本公开实施例的实现人体血压方法的电子设备的框图。
具体实施方式
以下，将参照附图来描述本公开的实施例。但是应该理解，这些描述只是示例性的，而并非要限制本公开的范围。在下面的详细描述中，为便于解释，阐述了许多具体的细节以提供对本公开实施例的全面理解。然而，明显地，一个或多个实施例在没有这些具体细节的情况下也可以被实施。此外，在以下说明中，省略了对公知结构和技术的描述，以避免不必要地混淆本公开的概念。
在此使用的术语仅仅是为了描述具体实施例，而并非意在限制本公开。在此使用的术语“包括”、“包含”等表明了所述特征、步骤、操作和/或部件的存在，但是并不排除存在或添加一个或多个其他特征、步骤、操作或部件。
在此使用的所有术语(包括技术和科学术语)具有本领域技术人员通常所理解的含义，除非另外定义。应注意，这里使用的术语应解释为具有与本说明书的上下文相一致的含义，而不应以理想化或过于刻板的方式来解释。
在使用类似于“A、B和C等中至少一个”这样的表述的情况下，一般来说应该按照本领域技术人员通常理解该表述的含义来予以解释(例如，“具有A、B和C中至少一个的系统”应包括但不限于单独具有A、单独具有B、单独具有C、具有A和B、具有A和C、具有B和C、和/或具有A、B、C的系统等)。
脉搏是是人体表面的动脉血管的搏动，是由心跳活动引起并受到血液和各级血管的影响。人体的脉搏具有丰富的心血管信息，通过分析脉搏波形可以预估人体的血压。
相关技术中较为常见的通过脉搏波形预估人体血压的方法是柯氏音听诊法，该方法需要手动操作血压计测量人体的血压，不仅操作繁琐，而且需要操作者具有一定的经验。
然而这种与人体直接接触测量血压的方法在测量的过程中，会给人体造成一定的不适感。而且，该方法不适用于某些身体皮肤大面积烧伤或者具有较为严重的传染性疾病的人群。
有鉴于此，发明人发现，可以使用毫米波雷达进行非接触式的脉搏追踪采集并分析脉搏波形数据，实现对血压的长时间监测。同时由于毫米波雷达采集到的是三维空间中的接收信号，该接收信号中脉搏信号和环境噪声混杂在一起，因此，可以利用波束成形处理接收信号，以避免接收信号中脉搏信号等生理信息被其他的信息淹没，同时利用第一神经网络定位并跟踪能够表征脉搏波形的目标接受信号，并利用第二神经网络处理该目标接收信号以得到对应的预测血压信息。
本公开的实施例提供了一种基于毫米波雷达信号的人体血压检测方法，该方法包括：在距离人体手腕处预设高度的位置采集毫米波雷达信号，其中，毫米波雷达信号包括多个接收信号；对多个接收信号进行波束成形处理，分离不同距离和角度的接收信号，得到目标二维网格，其中，目标二维网格包括多个不同距离-角度的接收信号；利用第一神经网络从目标二维网格的多个不同距离-角度的接收信号中确定目标接收信号，其中，第一神经网络是利用第一训练样本数据集对第一初始神经网络进行训练得到的；将目标接收信号输入第二神经网络，输出预测血压信息，其中，第二神经网络是利用第二训练样本数据集对第二初始神经网络进行训练得到的。
图1示意性示出了根据本公开实施例的可以应用基于毫米波雷达信号的人体血压检测方法的示例性系统架构100。需要注意的是，图1所示仅为可以应用本公开实施例的系统架构的示例，以帮助本领域技术人员理解本公开的技术内容，但并不意味着本公开实施例不可以用于其他设备、系统、环境或场景。
如图1所示，根据该实施例的系统架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线和/或无线通信链路等。
用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103上可以安装有各种客户端应用，例如血压监测类应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端和/或社交平台软件等(仅为示例)。
终端设备101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备，包括但不限于血压检测装置等。
服务器105可以是提供各种服务的服务器，例如对用户利用终端设备101、102、103所浏览的网站提供支持的后台管理服务器(仅为示例)。后台管理服务器可以对接收到的用户请求等数据进行分析等处理，并将处理结果(例如根据用户请求获取或生成的网页、信息、或数据等)反馈给终端设备。
需要说明的是，本公开实施例所提供的人体血压检测方法可以由终端设备101、102、或103执行，或者也可以由不同于终端设备101、102、或103的其他终端设备执行。相应地，本公开实施例所提供的人体血压检测装置也可以设置于终端设备101、102、或103中，或设置于不同于终端设备101、102、或103的其他终端设备中。
应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。
图2示意性示出了根据本公开实施例的基于毫米波雷达信号的人体血压检测方法的流程图。
如图2所示，该方法可以包括操作S210～S240。
在操作S210，在距离人体手腕处预设高度的位置采集毫米波雷达信号，其中，毫米波雷达信号包括多个接收信号；
在操作S220，对多个接收信号进行波束成形处理，分离不同距离和角度的接收信号，得到目标二维网格，其中，目标二维网格包括多个不同距离-角度的接收信号；
在操作S230，利用第一神经网络从目标二维网格的多个不同距离-角度的接收信号中确定目标接收信号，其中，第一神经网络是利用第一训练样本数据集对第一初始神经网络进行训练得到的；
在操作S240，将目标接收信号输入第二神经网络，输出预测血压信息，其中，第二神经网络是利用第二训练样本数据集对第二初始神经网络进行训练得到的。
根据本公开的实施例，预设高度可以根据实际情况具体设定。较为优选地，可以将采集毫米波雷达信号的毫米波雷达设定在距离人体手腕处30厘米处的位置，从而避免与人体直接接触造成的不适感。其中，毫米波雷达采用可以具有三个发射端和四个接收端的线性调频连续波雷达。
根据本公开的实施例，波束成形可以指通过对多个接收端接收到的多个信号进行加权合成，以形成所需的信号。
根据本公开的实施例，第一神经网络和第二神经网络均可以包括经训练的卷积神经网络。
根据本公开的实施例，血压信息可以指能够表征血压数值的数据。
图3示意性示出了根据本公开实施例的人体血压检测方法的使用场景示意图。
如图3所示，将采集到的多个毫米波雷达信号进行波束成形以及分离处理后，得到多个不同距离-角度的接收信号，不同距离-角度的接收信号的数量D＝N×M，其中，N表征处理后的信号的角度种类的数量，M表征处理后的信号的距离种类的数量。再将D个不同距离-角度的接收信号按照一定规则映射于二维网格中，以得到目标二维网格。
根据本公开的实施例，由于目标二维网格的不同距离-角度的接收信号中存在其他不能用于检测血压信息的信号，因此，可以利用训练好的第一神经网络从目标二维网格的多个不同距离-角度的接收信号中确定能够用于检测出血压信息的目标接收信号，从而利用第二神经网络处理目标信号以得到预测血压信息。
根据本公开的实施例，对采集到的人体手腕处预设高度的位置地毫米波雷达信号进行波束成形处理以及对接收信号分离不同距离和角度后得到的目标二维网格，利用第一神经网络处理目标二维网格以确定目标接收信号，利用第二神经网络处理目标接收信号以预测血压信息，由于从人体手腕处预设高度处采集毫米波雷达信号，因此能够避免与人体直接接触测量血压的方式造成的不便于实时监测的问题以及避免对人体造成不适的问题，进而达到提高人体舒适度以及便于对人体血压进行实时监测的技术效果。
根据本公开的实施例，不同距离-角度的接收信号包括多个信号片段。
其中，利用第一神经网络从目标二维网格的多个不同距离-角度的接收信号中确定目标接收信号，包括：
将每个不同距离-角度的接收信号的多个信号片段依次输入第一神经网络，输出多个不相似值；
在多个不相似值满足预设阈值的情况下，将多个不相似值中数值最小的不相似值确定为目标不相似值；
将与目标不相似值对应的距离-角度的接收信号确定为目标接收信号。
根据本公开的实施例，不相似值E(i)的表达式如下所示：
E(i)＝|Di-T|2＝|Di|2+|T|2-2|Di*T|
其中，Di表征第i个信号片段，T表征第一神经网络的卷积核，Di*T表征卷积核和第i个信号片段的卷积输出。
根据本公开的实施例，将每个距离-角度的接收信号对应的多个信号片段输入至第一神经网络，对应输出多个不相似值。不相似值越大表征信号片段与第一神经网络的卷积核越不相似，因此，可以设置一个预设阈值对多个不相似值进行初步筛选，在初步筛选后的不相似值中选择数值最小的作为目标不相似值，从而将该目标不相似值对应的接收信号确定为目标接收信号。卷积核中包括预先设置的模板，该模板可以包括多个表征人体脉搏信息的心跳信号。
图4示意性示出了根据本公开实施例的确定目标接收信号的场景示意图。
如图4所示，在第一神经网络处理接收信号的多个信号片段的过程中，通过提取信号片段中相邻的两个波峰之间的时间间隔确定该信号片段对应的心跳信息，心跳信息包括心跳时间的间隔和频次。统计每个接收信号对应的多个信号片段对应的多个心跳信息，将多个心跳信息中心跳时间间隔集中分布的心跳时间间隔作为目标心跳信息，由于该目标心跳信息出现的波峰与卷积核中的模板较为接近，而其他非脉搏信号的接收信号通常不存在能够表示心跳的波峰，因此，该目标心跳信息的不相似值一般为多个不相似值中最小的，从而可以将该目标心跳信息对应的距离-角度的接收信号确定为目标接收信号。
根据本公开的实施例，将与目标不相似值对应的不同距离-角度的接收信号确定为目标接收信号，可以包括如下操作。
将与目标不相似值对应的不同距离-角度的接收信号确定为第一信号。
在第一信号满足预设条件的情况下，对第一信号和在目标二维网格中与第一信号相关联的信号进行加权处理，得到加权信号；
将加权信号确定为目标接收信号。
根据本公开的实施例，预设条件可以包括心率和心跳时间间隔的条件。号满足预设条件的第一信号表征根据该第一信号提取的心率较为接近卷积核中模板的心率。
根据本公开的实施例，将该第一信号与第一信号相关联的信号进行加权处理的过程中，目标二维网格的网格数为d＝n×m，其中，n表征横向网格数，m表征纵向网格数，在将不同距离-角度的接收信号输入第一神经网络时，仅对目标二维网格的(n-2)×(m-2)个网格中的不同距离-角度的接收信号进行处理，其原因在于便于后续对确定的第一信号与第一信号相关联的信号进行加权处理，加权处理可以指将第一信号对应的3×3个网格中的不同距离-角度的接收信号及逆行加权平均，以得到加权信号，从而将该加权信号确定为目标接收信号。
根据本公开的实施例，通过对第一信号和在目标二维网格中与第一信号相关联的信号进行加权处理，可以避免在毫米波雷达采集毫米波雷达信号时人体手腕发生移动造成的信号的丢失。
根据本公开的实施例，第一神经网络是利用第一训练样本数据集对第一初始神经网络进行训练得到的，包括：
获取第一训练样本数据集，其中，第一训练样本数据集中的第一训练样本包括二维训练网格以及二维训练网格的标签数据，二维训练网格包括多个训练信号的信号片段；
将二维训练网格输入第一初始神经网络，输出不相似结果；
将不相似结果和标签数据输入第一损失函数，得到第一损失结果；以及
根据第一损失结果迭代地调整第一初始神经网络的网络参数，生成经训练的第一神经网络。
根据本公开的实施例，第一损失函数Loss1的表达式如下式(一)所示：
其中，k表征第一初始神经网络的卷积核，L2表征L2范数，N表征每个训练信号的信号片段的数量，conv(Di,k)表征卷积核k在信号片段Di上的卷积结果。
根据本公开的实施例，训练信号可以包括对毫米波雷达采集的初始信号进行波束成形和分离处理后得到的信号。其中该初始信号可以使用可穿戴式的脉搏波传感器在提供训练信号的人体的手腕处采集，以尽可能采集到较为准确地可以表征真实脉搏的训练信号。
根据本公开的实施例，将目标接收信号输入第二神经网络，输出预测血压信息，包括：
过滤目标接收信号中的失真信号，得到过滤后的目标接收信号；
利用编码器处理过滤后的目标接收信号，得到编码信号，利用第一解码器处理编码信号，得到解码后的目标接收信号；
将解码后的目标接收信号输入第二神经网络，输出预测血压信息。
根据本公开的实施例，可以使用但不限于transformer神经网络对目标接收信号中的失真信号进行过滤，并利用编码器进行编码以得到编码信息。利用第一解码器对编码信息进行解码以得到解码后的目标接收信号，并利用第二神经网络处理解码后的目标接收信号，从而得到预测血压信息。
图5示意性示出了根据本公开实施例的预测血压的示意图。
根据本公开的实施例，上述人体血压检测方法还包括：
利用第三神经网络对预测血压信息进行压缩处理，生成预测血压，其中，第三神经网络是利用第三训练样本数据集对第三初始神经网络进行训练得到的；
其中，第三神经网络是利用第三训练样本数据集对第三初始神经网络进行训练得到的，包括：
获取第三训练样本数据集，其中，第三训练样本数据集中的第三训练样本包括训练血压信息以及与训练血压信息对应的训练血压值；
将训练血压信息输入第三初始神经网络，输出第一预测结果；
将第一预测结果和训练血压值输入第二损失函数，得到第二损失结果；以及
根据第二损失结果迭代地调整第三初始神经网络的网络参数，生成经训练的第三神经网络。
根据本公开的实施例，第三神经网络可以包括卷积神经网络(ConvolutionalNeural Network，CNN)。训练血压值可以利用电子血压计进行采集。
根据本公开的实施例，经训练的第三神经网络可以将血压信息压缩处理为如图5所示的便于读取的预测血压，预测血压可以包括常规的血压数值，例如收缩压120mm/Hg，舒张压90mm/Hg。其中，图5中参考血压可以指利用血压计测量的人体血压。根据本公开的实施例，训练血压值包括训练收缩压和训练舒张压，第一预测结果包括第一预测血压，第一预测血压包括第一预测收缩压和第一预测舒张压；第二损失函数Loss2的表达式如下式(二)所示：
Loss2＝(bps-pres)2+(bpd-pred)2(二)
其中，bps表征训练收缩压，pres表征第一预测收缩压，bpd表征训练收缩压，pred表征第一预测舒张压。
根据本公开的实施例，第二神经网络是利用第二训练样本数据集对第二初始神经网络进行训练得到的，包括：
获取多个训练人体不同时刻下的第二真实血压信息以及与第二真实血压信息对应的训练人体的手腕处的毫米波雷达训练信号，其中，毫米波雷达训练信号包括接收到的多个第二训练信号；第二训练信号包括脉搏训练信号。
对多个第二训练信号进行过滤，得到目标第二训练信号；
将目标第二训练信号输入第二初始神经网络，输出第二预测结果，第二预测结果包括第二预测血压；
根据第二预测结果和第二真实血压信息计算第三损失函数，得到第三损失结果；以及
根据第三损失结果迭代地调整第二初始神经网络的网络参数，生成经训练的第二神经网络；
其中，第三损失函数Loss3的表达式如下式(三)所示：
其中，S表征目标第二训练信号的长度，j表征目标第二训练信号的幅度，prei(j)表征目标第二训练信号中第i时刻取值为j的可能性，R表征目标第二训练信号的取值范围，在目标第二训练信号中第i时刻取值为j的情况下api(j)＝1，在目标第二训练信号中第i时刻取值不为j的情况下api(j)＝0。
根据本公开的实施例，R的取值范围为[0，255]，其中，[0，255]是将信号的相位范围[-π，π]等比例映射于256个数值区间得到的。
图6示意性示出了根据本公开实施例的获取毫米波雷达训练信号的场景示意图。
如图6所示，毫米波雷达训练信号可以利用车载毫米波雷达进行采集，其中，在采集信号的过程中，可以在训练人体的手腕处粘贴锡箔纸以增强毫米波雷达训练信号的反射强度，并可以使用吸波材料屏蔽训练人体其他部位的噪声，从而可以得到质量较好的第二训练信号。
根据本公开的实施例，对多个接收信号进行波束成形处理，分离不同距离和角度的接收信号，得到目标二维网格，包括：
对多个接收信号进行波束成形处理，得到多个第二信号；
利用预设相位偏移条件分离不同距离和角度的多个第二信号，得到多个不同距离-角度的接收信号；
按照预设映射规则，将多个不同距离-角度的接收信号映射于初始二维网格中，得到目标二维网格。
根据本公开的实施例，为了获得较为理想的第二信号，可以对接收信号进行波束成形处理，例如对多个接收端接收到的多个信号进行加权合成。
根据本公开的实施例，预设相位偏移条件可以包括传播时间(Time of Flight，TOF)τ造成的相位偏移Φ(τ)和第二信号到达毫米波雷达接收端的到达角(Angle ofArrival，AOA)θ的信号的相位偏移Φ(θ)。其中，相位偏移Φ(τ)和相位偏移为Φ(θ)如以下公式(四)和(五)所示：
Φ(τ)＝e-j2πkτ(四)
其中，j表征常数，其值等于-1的开方，λ表征θ角度下第二信号的波长，k为第二信号的斜率，d表征第二信号的传输距离。
根据本公开的实施例，通过分离得到的多个不同距离-角度的接收信号按照预设映射规则映射于初始二维网格中，从而可以得到目标二维网格。其中，在映射的过程中，可以将特定传输方向和传输距离的第二信号进行相干叠加，同时抑制其他位置的信号，进而能够将多个不同距离-角度的接收信号映射于初始二维网格中形成目标二维网格。
图7示意性示出了根据本公开实施例的对接收信号进行过滤的场景示意图。
如图7所示，在将每个不同距离-角度的接收信号的多个信号片段输入第一神经网络之前，还可以对接收信号中低于预设频率阈值的信号进行滤除，以及去除离群值，其中，预设阈值可以根据具体情况进行设定，其进行过滤的主要原因在于本申请通过脉搏信号测量的血压信息，而采集的接收信号中包括大量的容易辨别的非脉搏信号，例如低于0.5Hz的信号。
图8示意性示出了根据本公开的实施例的人体血压检测装置的框图。
如图8所示，人体血压检测装置800包括采集模块810、处理模块820、确定模块830和预测模块840。
采集模块810用于在距离人体手腕处预设高度的位置采集毫米波雷达信号，其中，毫米波雷达信号包括多个接收信号。
处理模块820用于对多个接收信号进行波束成形处理，分离不同距离和角度的接收信号，得到目标二维网格，其中，目标二维网格包括多个不同距离-角度的接收信号。
确定模块830用于利用第一神经网络从目标二维网格的多个不同距离-角度的接收信号中确定目标接收信号，其中，第一神经网络是利用第一训练样本数据集对第一初始神经网络进行训练得到的。
预测模块840用于将目标接收信号输入第二神经网络，输出预测血压信息，其中，第二神经网络是利用第二训练样本数据集对第二初始神经网络进行训练得到的。
根据本公开的实施例，对采集到的人体手腕处预设高度的位置地毫米波雷达信号进行波束成形处理以及对接收信号分离不同距离和角度后得到的目标二维网格，利用第一神经网络处理目标二维网格以确定目标接收信号，利用第二神经网络处理目标接收信号以预测血压信息，由于从人体手腕处预设高度处采集毫米波雷达信号，因此能够避免与人体直接接触测量血压的方式造成的不便于实时监测的问题以及避免对人体造成不适的问题，进而达到提高人体舒适度以及便于对人体血压进行实时监测的技术效果。
根据本公开的实施例，不同距离-角度的接收信号包括多个信号片段。
根据本公开的实施例，确定模块830可以包括第一处理单元、第一确定单元和第二确定单元。
第一处理单元用于将每个不同距离-角度的接收信号的多个信号片段依次输入第一神经网络，输出多个不相似值。
第一确定单元用于在多个不相似值满足预设阈值的情况下，将多个不相似值中数值最小的不相似值确定为目标不相似值。
第二确定单元用于将与目标不相似值对应的不同距离-角度的接收信号确定为目标接收信号。
根据本公开的实施例，第二确定单元可以包括第一确定子单元、加权子单元和第二确定子单元。
第一确定子单元用于将与目标不相似值对应的不同距离-角度的接收信号确定为第一信号。
加权子单元用于在第一信号满足预设条件的情况下，对第一信号和在目标二维网格中与第一信号相关联的信号进行加权处理，得到加权信号。
第二确定子单元用于将加权信号确定为目标接收信号。
根据本公开的实施例，第一神经网络是利用第一训练样本数据集对第一初始神经网络进行训练得到的，可以包括如下操作。
获取第一训练样本数据集，其中，第一训练样本数据集中的第一训练样本包括二维训练网格以及二维训练网格的标签数据，二维训练网格包括多个训练信号的信号片段。
将二维训练网格输入第一初始神经网络，输出不相似结果。
将不相似结果和标签数据输入第一损失函数，得到第一损失结果。
根据第一损失结果迭代地调整第一初始神经网络的网络参数，生成经训练的第一神经网络。
根据本公开的实施例，预测模块840可以包括过滤单元、第一处理单元、第二处理单元和第三处理单元。
过滤单元用于过滤目标接收信号中的失真信号，得到过滤后的目标接收信号。
第一处理单元用于利用编码器处理过滤后的目标接收信号，得到编码信号，
第二处理单元用于利用第一解码器处理编码信号，得到解码后的目标接收信号。
第三处理单元用于将解码后的目标接收信号输入第二神经网络，输出预测血压信息。
根据本公开的实施例，人体血压检测装置800还可以包括压缩模块。
压缩模块用于利用第三神经网络对预测血压信息进行压缩处理，生成预测血压，其中，第三神经网络是利用第三训练样本数据集对第三初始神经网络进行训练得到的。
其中，第三神经网络是利用第三训练样本数据集对第三初始神经网络进行训练得到的，可以包括如下操作。
获取第三训练样本数据集，其中，第三训练样本数据集中的第三训练样本包括训练血压信息以及与训练血压信息对应的训练血压值。
将训练血压信息输入第三初始神经网络，输出第一预测结果；
将第一预测结果和训练血压值输入第二损失函数，得到第二损失结果。
根据第二损失结果迭代地调整第三初始神经网络的网络参数，生成经训练的第三神经网络。
根据本公开的实施例，第二神经网络是利用第二训练样本数据集对第二初始神经网络进行训练得到的，可以包括如下操作。
获取多个训练人体不同时刻下的第二真实血压信息以及与第二真实血压信息对应的训练人体的手腕处的毫米波雷达训练信号，其中，毫米波雷达训练信号包括接收到的多个第二训练信号。
对多个第二训练信号进行过滤，得到目标第二训练信号。
将目标第二训练信号输入第二初始神经网络，输出第二预测结果，第二预测结果包括第二预测血压。
根据第二预测结果和第二真实血压信息计算第三损失函数，得到第三损失结果。
根据第三损失结果迭代地调整第二初始神经网络的网络参数，生成经训练的第二神经网络。
根据本公开的实施例，处理模块可以包括第四处理单元、分离单元和映射单元。
第四处理单元用于对多个接收信号进行波束成形处理，得到多个第二信号。
分离单元用于利用预设相位偏移条件分离不同距离和角度的多个第二信号，得到多个不同距离-角度的接收信号。
映射单元用于按照预设映射规则，将多个不同距离-角度的接收信号映射于初始二维网格中，得到目标二维网格。
根据本公开的实施例的模块、单元、子单元中的任意多个、或其中任意多个的至少部分功能可以在一个模块中实现。根据本公开实施例的模块、单元、子单元中的任意一个或多个可以被拆分成多个模块来实现。根据本公开实施例的模块、单元、子单元中的任意一个或多个可以至少被部分地实现为硬件电路，例如现场可编程门阵列(Field ProgrammableGate Array，FPGA)、可编程逻辑阵列(Programmable Logic Arrays，PLA)、片上系统、基板上的系统、封装上的系统、专用集成电路(Application Specific Integrated Circuit，ASIC)，或可以通过对电路进行集成或封装的任何其他的合理方式的硬件或固件来实现，或以软件、硬件以及固件三种实现方式中任意一种或以其中任意几种的适当组合来实现。或者，根据本公开实施例的模块、单元、子单元中的一个或多个可以至少被部分地实现为计算机程序模块，当该计算机程序模块被运行时，可以执行相应的功能。
例如，采集模块810、处理模块820、确定模块830和预测模块840中的任意多个可以合并在一个模块/单元/子单元中实现，或者其中的任意一个模块/单元/子单元可以被拆分成多个模块/单元/子单元。或者，这些模块/单元/子单元中的一个或多个模块/单元/子单元的至少部分功能可以与其他模块/单元/子单元的至少部分功能相结合，并在一个模块/单元/子单元中实现。根据本公开的实施例，采集模块810、处理模块820、确定模块830和预测模块840中的至少一个可以至少被部分地实现为硬件电路，例如现场可编程门阵列(FPGA)、可编程逻辑阵列(PLA)、片上系统、基板上的系统、封装上的系统、专用集成电路(ASIC)，或可以通过对电路进行集成或封装的任何其他的合理方式等硬件或固件来实现，或以软件、硬件以及固件三种实现方式中任意一种或以其中任意几种的适当组合来实现。或者，采集模块810、处理模块820、确定模块830和预测模块840中的至少一个可以至少被部分地实现为计算机程序模块，当该计算机程序模块被运行时，可以执行相应的功能。
需要说明的是，本公开的实施例中人体血压检测装置部分与本公开的实施例中人体血压检测方法部分是相对应的，人体血压检测装置部分的描述具体参考人体血压检测方法部分，在此不再赘述。
图9示意性示出了根据本公开实施例的适于实现上文描述的方法的电子设备的框图。图9示出的电子设备仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。
如图9所示，根据本公开实施例的电子设备900包括处理器901，其可以根据存储在只读存储器(Read-Only Memory，ROM)902中的程序或者从存储部分908加载到随机访问存储器(Random Access Memory，RAM)903中的程序而执行各种适当的动作和处理。处理器901例如可以包括通用微处理器(例如CPU)、指令集处理器和/或相关芯片组和/或专用微处理器(例如，专用集成电路(ASIC))，等等。处理器901还可以包括用于缓存用途的板载存储器。处理器901可以包括用于执行根据本公开实施例的方法流程的不同动作的单一处理单元或者是多个处理单元。
在RAM 903中，存储有电子设备900操作所需的各种程序和数据。处理器901、ROM902以及RAM 903通过总线904彼此相连。处理器901通过执行ROM 902和/或RAM 903中的程序来执行根据本公开实施例的方法流程的各种操作。需要注意，所述程序也可以存储在除ROM 902和RAM 903以外的一个或多个存储器中。处理器901也可以通过执行存储在所述一个或多个存储器中的程序来执行根据本公开实施例的方法流程的各种操作。
根据本公开的实施例，电子设备900还可以包括输入/输出(I/O)接口905，输入/输出(I/O)接口905也连接至总线904。系统900还可以包括连接至I/O接口905的以下部件中的一项或多项：包括键盘、鼠标等的输入部分906；包括诸如阴极射线管(CRT)、液晶显示器(Liquid Crystal Display，LCD)等以及扬声器等的输出部分907；包括硬盘等的存储部分908；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分909。通信部分909经由诸如因特网的网络执行通信处理。驱动器910也根据需要连接至I/O接口905。可拆卸介质911，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器910上，以便于从其上读出的计算机程序根据需要被安装入存储部分908。
根据本公开的实施例，根据本公开实施例的方法流程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读存储介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分909从网络上被下载和安装，和/或从可拆卸介质911被安装。在该计算机程序被处理器901执行时，执行本公开实施例的系统中限定的上述功能。根据本公开的实施例，上文描述的系统、设备、装置、模块、单元等可以通过计算机程序模块来实现。
本公开还提供了一种计算机可读存储介质，该计算机可读存储介质可以是上述实施例中描述的设备/装置/系统中所包含的；也可以是单独存在，而未装配入该设备/装置/系统中。上述计算机可读存储介质承载有一个或者多个程序，当上述一个或者多个程序被执行时，实现根据本公开实施例的方法。
根据本公开的实施例，计算机可读存储介质可以是非易失性的计算机可读存储介质。例如可以包括但不限于：便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM(Erasable Programmable Read Only Memory，EPROM)或闪存)、便携式紧凑磁盘只读存储器(Computer Disc Read-Only Memory，CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
例如，根据本公开的实施例，计算机可读存储介质可以包括上文描述的ROM 902和/或RAM 903和/或ROM 902和RAM 903以外的一个或多个存储器。
本公开的实施例还包括一种计算机程序产品，其包括计算机程序，该计算机程序包含用于执行本公开实施例所提供的方法的程序代码，当计算机程序产品在电子设备上运行时，该程序代码用于使电子设备实现本公开实施例所提供的人体血压检测方法。
在该计算机程序被处理器901执行时，执行本公开实施例的系统/装置中限定的上述功能。根据本公开的实施例，上文描述的系统、装置、模块、单元等可以通过计算机程序模块来实现。
在一种实施例中，该计算机程序可以依托于光存储器件、磁存储器件等有形存储介质。在另一种实施例中，该计算机程序也可以在网络介质上以信号的形式进行传输、分发，并通过通信部分909被下载和安装，和/或从可拆卸介质911被安装。该计算机程序包含的程序代码可以用任何适当的网络介质传输，包括但不限于：无线、有线等等，或者上述的任意合适的组合。
根据本公开的实施例，可以以一种或多种程序设计语言的任意组合来编写用于执行本公开实施例提供的计算机程序的程序代码，具体地，可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。程序设计语言包括但不限于诸如Java，C++，python，“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图或流程图中的每个方框、以及框图或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。本领域技术人员可以理解，本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合和/或结合，即使这样的组合或结合没有明确记载于本公开中。特别地，在不脱离本公开精神和教导的情况下，本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合和/或结合。所有这些组合和/或结合均落入本公开的范围。
以上对本公开的实施例进行了描述。但是，这些实施例仅仅是为了说明的目的，而并非为了限制本公开的范围。尽管在以上分别描述了各实施例，但是这并不意味着各个实施例中的措施不能有利地结合使用。本公开的范围由所附权利要求及其等同物限定。不脱离本公开的范围，本领域技术人员可以做出多种替代和修改，这些替代和修改都应落在本公开的范围之内。

Claims (8)

1.一种人体血压检测装置，包括：
采集模块，用于在距离人体手腕处预设高度的位置采集毫米波雷达信号，其中，毫米波雷达信号包括多个接收信号；
处理模块，用于对多个接收信号进行波束成形处理，分离不同距离和角度的接收信号，得到目标二维网格，其中，目标二维网格包括多个不同距离-角度的接收信号；
确定模块，用于利用第一神经网络从目标二维网格的多个不同距离-角度的接收信号中确定目标接收信号，其中，第一神经网络是利用第一训练样本数据集对第一初始神经网络进行训练得到的；
预测模块，用于将目标接收信号输入第二神经网络，输出预测血压信息，以便于对所述预测血压信息进行压缩处理得到预测血压，其中，所述预测血压信息表征预测的血压数值的数据，第二神经网络是利用第二训练样本数据集对第二初始神经网络进行训练得到的；
其中，不同距离-角度的接收信号包括多个信号片段；
其中，所述确定模块包括：
第一处理单元，用于将每个不同距离-角度的接收信号的多个信号片段依次输入第一神经网络，输出多个不相似值；
第一确定单元，用于在多个不相似值满足预设阈值的情况下，将多个不相似值中数值最小的不相似值确定为目标不相似值；
第二确定单元，用于将与目标不相似值对应的不同距离-角度的接收信号确定为目标接收信号；
其中，不相似值E(i)的表达式如下所示：
E(i)＝|Di-T|2＝|Di|2+|T|2-2|Di*T|
其中，Di表征第i个信号片段，T表征第一神经网络的卷积核，Di*T表征卷积核和第i个信号片段的卷积输出。
2.根据权利要求1所述的装置，其中，所述第二确定单元包括：
第一确定子单元，用于将与目标不相似值对应的不同距离-角度的接收信号确定为第一信号；
加权子单元，用于在第一信号满足预设条件的情况下，对第一信号和在目标二维网格中与第一信号相关联的信号进行加权处理，得到加权信号；
第二确定子单元，用于将加权信号确定为目标接收信号。
3.根据权利要求1所述的装置，其中，第一神经网络是利用第一训练样本数据集对第一初始神经网络进行训练得到的，包括：
获取第一训练样本数据集，其中，第一训练样本数据集中的第一训练样本包括二维训练网格以及二维训练网格的标签数据，二维训练网格包括多个训练信号的信号片段；
将二维训练网格输入第一初始神经网络，输出不相似结果；
将不相似结果和标签数据输入第一损失函数，得到第一损失结果；
根据第一损失结果迭代地调整第一初始神经网络的网络参数，生成经训练的第一神经网络。
4.根据权利要求1所述的装置，其中，所述预测模块包括：
过滤单元，用于过滤目标接收信号中的失真信号，得到过滤后的目标接收信号；
第一处理单元，用于利用编码器处理过滤后的目标接收信号，得到编码信号；
第二处理单元，用于利用第一解码器处理编码信号，得到解码后的目标接收信号；
第三处理单元，用于将解码后的目标接收信号输入第二神经网络，输出预测血压信息。
5.根据权利要求1所述的装置，人体血压检测装置还包括：
压缩模块，用于利用第三神经网络对预测血压信息进行压缩处理，生成预测血压，其中，第三神经网络是利用第三训练样本数据集对第三初始神经网络进行训练得到的。
6.根据权利要求5所述的装置，其中，第三神经网络是利用第三训练样本数据集对第三初始神经网络进行训练得到的，包括：
获取第三训练样本数据集，其中，第三训练样本数据集中的第三训练样本包括训练血压信息以及与训练血压信息对应的训练血压值；
将训练血压信息输入第三初始神经网络，输出第一预测结果；
将第一预测结果和训练血压值输入第二损失函数，得到第二损失结果；
根据第二损失结果迭代地调整第三初始神经网络的网络参数，生成经训练的第三神经网络。
7.根据权利要求1所述的装置，其中，第二神经网络是利用第二训练样本数据集对第二初始神经网络进行训练得到的，包括：
获取多个训练人体不同时刻下的第二真实血压信息以及与第二真实血压信息对应的训练人体的手腕处的毫米波雷达训练信号，其中，毫米波雷达训练信号包括接收到的多个第二训练信号；
对多个第二训练信号进行过滤，得到目标第二训练信号；
将目标第二训练信号输入第二初始神经网络，输出第二预测结果，第二预测结果包括第二预测血压；
根据第二预测结果和第二真实血压信息计算第三损失函数，得到第三损失结果；
根据第三损失结果迭代地调整第二初始神经网络的网络参数，生成经训练的第二神经网络。
8.根据权利要求1所述的装置，其中，所述处理模块包括：
第四处理单元，用于对多个接收信号进行波束成形处理，得到多个第二信号；
分离单元，用于利用预设相位偏移条件分离不同距离和角度的多个第二信号，得到多个不同距离-角度的接收信号；
映射单元，用于按照预设映射规则，将多个不同距离-角度的接收信号映射于初始二维网格中，得到目标二维网格。
CN202111244372.5A 2021-10-25 2021-10-25 基于毫米波雷达信号的人体血压检测装置 Active CN113786180B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111244372.5A CN113786180B (zh) 2021-10-25 2021-10-25 基于毫米波雷达信号的人体血压检测装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111244372.5A CN113786180B (zh) 2021-10-25 2021-10-25 基于毫米波雷达信号的人体血压检测装置

Publications (2)

Publication Number Publication Date
CN113786180A CN113786180A (zh) 2021-12-14
CN113786180B true CN113786180B (zh) 2023-10-20

Family

ID=78878189

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111244372.5A Active CN113786180B (zh) 2021-10-25 2021-10-25 基于毫米波雷达信号的人体血压检测装置

Country Status (1)

Country Link
CN (1) CN113786180B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117158940A (zh) * 2022-09-01 2023-12-05 亿慧云智能科技（深圳）股份有限公司 一种采用毫米波雷达的心率数据监测方法、检测系统及可穿戴装置

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108478203A (zh) * 2018-02-08 2018-09-04 南京理工大学 一种基于单生命体征监测雷达的血压测量方法
CN111166312A (zh) * 2018-11-12 2020-05-19 三星电子株式会社 血压测量设备
CN112190245A (zh) * 2020-11-06 2021-01-08 深圳市汇顶科技股份有限公司 血压测量装置及血压测量方法
CN112438712A (zh) * 2019-08-30 2021-03-05 南京理工大学 非接触式血压变异性实时测量系统、计算机设备和存储介质
CN112731380A (zh) * 2020-12-16 2021-04-30 路晟悠拜(重庆)科技有限公司 一种基于毫米波的人体智能监测方法及监测设备
CN112739255A (zh) * 2018-05-25 2021-04-30 精准医电科技股份有限公司 血压测量设备

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11367525B2 (en) * 2019-12-20 2022-06-21 Covidien Lp Calibration for continuous non-invasive blood pressure monitoring using artificial intelligence

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108478203A (zh) * 2018-02-08 2018-09-04 南京理工大学 一种基于单生命体征监测雷达的血压测量方法
CN112739255A (zh) * 2018-05-25 2021-04-30 精准医电科技股份有限公司 血压测量设备
CN111166312A (zh) * 2018-11-12 2020-05-19 三星电子株式会社 血压测量设备
CN112438712A (zh) * 2019-08-30 2021-03-05 南京理工大学 非接触式血压变异性实时测量系统、计算机设备和存储介质
CN112190245A (zh) * 2020-11-06 2021-01-08 深圳市汇顶科技股份有限公司 血压测量装置及血压测量方法
CN112731380A (zh) * 2020-12-16 2021-04-30 路晟悠拜(重庆)科技有限公司 一种基于毫米波的人体智能监测方法及监测设备

Also Published As

Publication number Publication date
CN113786180A (zh) 2021-12-14

Similar Documents

Publication Publication Date Title
Van Gent et al. Analysing noisy driver physiology real-time using off-the-shelf sensors: Heart rate analysis software from the taking the fast lane project
Gao et al. Motion tracking of the carotid artery wall from ultrasound image sequences: a nonlinear state-space approach
US10869607B2 (en) Apparatus and method for determining a blood pressure of a subject
CN105792734B (zh) 用于获得远程光体积描记波形的改进的信号选择
Jezewski et al. A novel technique for fetal heart rate estimation from Doppler ultrasound signal
US10058253B2 (en) System, method, and article for heart rate variability monitoring
CA3069891A1 (en) Discovering novel features to use in machine learning techniques, such as machine learning techniques for diagnosing medical conditions
EP3363366B1 (en) A device that detects vascular condition based on point fluctuation conduction characteristics of the heart
CN114732384B (zh) 基于微波雷达的心脏健康数据监测方法、装置、存储介质
CN113786180B (zh) 基于毫米波雷达信号的人体血压检测装置
CN115715170A (zh) 用于估计血液动力学参数的方法
JP7039191B2 (ja) 超音波診断装置及び計測プログラム
KR102492317B1 (ko) 합성곱·양방향 장단기 기억 순환신경망을 활용한 광전용적맥파 기반 실시간 혈압 모니터링 시스템 및 이를 이용한 실시간 혈압 모니터링 방법
Jana et al. Smartphone-based point-of-care system using continuous-wave portable Doppler
US20160354061A1 (en) Method And Apparatus For Ultrasonic Analysis Of Brain Activity In Stroke Patients
CN116096299A (zh) 结合生理信号的超声成像方法和电子设备
Azhim et al. Exercise improved age-associated changes in the carotid blood velocity waveforms
US20150206323A1 (en) Method and apparatus for displaying medical image
KR101453644B1 (ko) 피크 검출 방법, 피크 검출 장치 및 태아 심박 검출 장치
WO2020257609A1 (en) Diagnostics and treatments for cardiac disease
JP7468201B2 (ja) 生体検出装置、方法及びシステム
JP2020188963A (ja) 心電波形推定装置
CN106659470B (zh) 超声波诊断装置
Hassanuzzaman et al. End to end solution for continuous monitoring and real-time analysis of vital signs from ecg signal
Yousefi Rizi et al. Study of the effects of age and body mass index on the carotid wall vibration: Extraction methodology and analysis

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