CN113885021B - 基于毫米波信号的心跳检测方法及系统 - Google Patents

基于毫米波信号的心跳检测方法及系统 Download PDF

Info

Publication number
CN113885021B
CN113885021B CN202111102918.3A CN202111102918A CN113885021B CN 113885021 B CN113885021 B CN 113885021B CN 202111102918 A CN202111102918 A CN 202111102918A CN 113885021 B CN113885021 B CN 113885021B
Authority
CN
China
Prior art keywords
signal
modal decomposition
millimeter wave
heartbeat
layer
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
CN202111102918.3A
Other languages
English (en)
Other versions
CN113885021A (zh
Inventor
李默
马晨光
续立军
李亮
俞嘉地
徐翔宇
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.)
Alipay Hangzhou Information Technology Co Ltd
Original Assignee
Alipay Hangzhou Information Technology Co Ltd
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 Alipay Hangzhou Information Technology Co Ltd filed Critical Alipay Hangzhou Information Technology Co Ltd
Priority to CN202111102918.3A priority Critical patent/CN113885021B/zh
Publication of CN113885021A publication Critical patent/CN113885021A/zh
Application granted granted Critical
Publication of CN113885021B publication Critical patent/CN113885021B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • 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
    • 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
    • G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
    • G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
    • G01S7/40—Means for monitoring or calibrating
    • G01S7/4052—Means for monitoring or calibrating by simulation of echoes
    • G01S7/4056—Means for monitoring or calibrating by simulation of echoes specially adapted to FMCW

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Pathology (AREA)
  • Medical Informatics (AREA)
  • Cardiology (AREA)
  • Veterinary Medicine (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Biophysics (AREA)
  • Public Health (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • General Physics & Mathematics (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • General Health & Medical Sciences (AREA)
  • Electromagnetism (AREA)
  • Radiology & Medical Imaging (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Physiology (AREA)
  • Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)

Abstract

本说明书提供的基于毫米波信号的心跳检测方法及系统，利用毫米波传感器向目标用户发射连续调频波信号并接收回波信号，得到中频信号，并从中频信号中提取相位信号，利用相位信号对目标用户因心跳运动引起的胸腔微小振动进行捕捉。所述方法和系统可以基于层次变分模态分解模型对相位信号进行至少一次模态分解，以去除干扰信号对心跳信号的影响，从而获取细粒度的心跳信息。每一次变分模态分解的输入信号是上一次变分模态分解的输出信号。在每一次变分模态分解的过程中，所述方法和系统基于当前变分模态分解的输入信号计算出对应的初始参数，从而使优化结果更准确、收敛速度更快，提高变分模态分解的精确度，进一步提高心率检测的精度。

Description

基于毫米波信号的心跳检测方法及系统
技术领域
本说明书涉及心跳感知技术领域，尤其涉及一种基于毫米波信号的心跳检测方法及系统。
背景技术
作为关键的心跳，心率是人们健康状况的重要指标，心率的变化可以反映人心肺健康状况。随着人们生活水平的提高，无接触式的健康检测的需求也越来越大。毫米波雷达以其结构简单、成本低、功耗低、具有高距离分辨率和高速度分辨率，可检测出毫米级微动信号的检测优势，广泛用于生命信号(呼吸及心跳信号)的检测。由于毫米波信号的灵敏度较高，用户的其他行为以及环境干扰都会对心率检测结果造成影响。而目前的毫米波雷达检测心率的技术只能在相对静止的环境下得到粗略的心率信息。
因此，需要提供一种精度更高的基于毫米波信号的心跳检测方法及系统，以对心率进行细粒度检测。
发明内容
本说明书提供一种精度更高的基于毫米波信号的心跳检测方法及系统，以对心率进行细粒度检测。
第一方面，本说明书提供一种基于毫米波信号的心跳检测方法，包括：获取毫米波传感器采集的目标用户的目标信号，所述毫米波传感器被配置为发射由调频连续波信号构成的发射信号，并接收所述目标用户反射回的回波信号，所述目标信号包括所述发射信号和所述回波信号混频后得到的中频信号；对所述目标信号进行频谱分析，确定所述目标信号的相位信号；将所述相位信号输入层次变分模态分解模型中进行至少一次变分模态分解，将所述相位信号中的干扰信号与所述目标用户的心跳信号分离，所述层次变分模态分解模型包括串联连接的至少一层变分模态分解层，所述至少一层变分模态分解层中的每层变分模态分解层的输入信号为相邻的上一层变分模态分解层的输出信号，所述每层变分模态分解层的初始参数是基于当前变分模态分解层的输入信号得到的；以及输出所述心跳信号。
在一些实施例中，所述对所述目标信号进行频谱分析，确定所述目标信号的相位信号，包括：对所述目标信号进行傅里叶变换，得到频域信号；以及基于所述频域信号的实部和虚部，确定所述相位信号。
在一些实施例中，所述初始参数包括初始频率中心以及初始带宽限制，所述初始频率中心是基于所述当前变分模态分解层的输入信号的频率得到的，所述初始带宽限制是通过预先训练好的分类模型对所述当前变分模态分解层的输入信号计算得到的。
在一些实施例中，所述分类模型是基于多个样本用户的样本相位信号对应的样本特征数据以及带宽标签训练得到的，所述样本特征数据包括最大值、最小值、方差、标准差、信号能量、峰值位置中的至少一个。
在一些实施例中，所述每层变分模态分解层包括参数生成模型以及变分模态分解模型，所述参数生成模型被配置为基于所在的变分模态分解层的输入信号生成对应的所述初始参数，所述参数生成模型的输入信号为所在的变分模态分解层的输入信号，所述参数生成模型的输出信号为所在的变分模态分解层对应的所述初始参数；以及所述变分模态分解模型被配置为基于所述参数生成模型的输出信号，对所在的变分模态分解层的输入信号进行变分模态分解，所述变分模态分解模型的输入信号为所在的变分模态分解层的输入信号以及所述参数生成模型的输出信号。
在一些实施例中，所述变分模态分解模型分解的模态分量为2，分别为包括所述心跳信号的第一信号以及不包括所述心跳信号的第二信号，所述变分模态分解模型的输出信号为所述第一信号，所述干扰信号包括所述第二信号。
在一些实施例中，所述参数生成模型包括初始频率中心生成模型以及初始带宽限制生成模型，所述初始频率中心生成模型被配置为对所述参数生成模型的输入信号进行傅里叶变换获取对应的频率分布，并将所述频率分布中最大的信号幅度对应的频率作为所述第一信号的所述初始频率中心，所述初始频率中心生成模型的输入信号为所述参数生成模型的输入信号，所述初始频率中心生成模型的输出信号为所述第一信号的所述初始频率中心；以及所述初始带宽限制生成模型被配置为对所述参数生成模型的输入信号进行特征提取，获取对应的特征数据，并将所述特征数据输入所述分类模型，将所述分类模型的输出信号作为所述第一信号的所述初始带宽限制，所述初始带宽限制生成模型的输入信号为所述参数生成模型的输入信号，所述初始带宽限制生成模型的输出信号为所述第一信号的所述初始带宽限制。
在一些实施例中，所述特征数据包括最大值、最小值、方差、标准差、信号能量、峰值位置中的至少一个。
在一些实施例中，所述基于毫米波信号的心跳检测方法，还包括：对所述心跳信号进行分割，确定所述心跳运动的循环周期。
第二方面，本说明书还提供一种基于毫米波信号的心跳检测系统，包括毫米波传感器以及计算装置，所述毫米波传感器被配置为发射由调频连续波信号构成的发射信号，并接收目标用户反射回的回波信号；以及所述计算装置与所述毫米波传感器通信连接，接收所述发射信号以及所述回波信号，并基于所述发射信号以及所述回波信号对所述目标用户进行心跳检测，所述计算装置包括至少一个存储介质以及至少一个处理器，所述至少一个存储介质存储有至少一个指令集，用于基于毫米波信号进行心跳检测；所述至少一个处理器，同所述至少一个存储介质以及所述毫米波传感器通信连接，其中，当所述基于毫米波信号的心跳检测系统运行时，所述至少一个处理器读取所述至少一个指令集，并且根据所述至少一个指令集的指示执行本说明书第一方面所述的基于毫米波信号的心跳检测方法。
由以上技术方案可知，本说明书提供的基于毫米波信号的心跳检测方法及系统，利用毫米波传感器向被测的目标用户发射连续调频波信号，并接收目标用户反射回的回波信号，从而得到发射信号与回波信号混频后的中频信号。所述方法和系统可以从中频信号中提取相位信号，利用相位信号对目标用户因心跳运动引起的胸腔微小振动进行捕捉。所述方法和系统可以基于层次变分模态分解模型对相位信号进行至少一次模态分解，以去除干扰信号对心跳信号的影响，从而获取细粒度的心跳信息。所述方法和系统可以对相位信号进行一次或多次变分模态分解。变分模态分解的次数越多，得到的心跳信息的精度就越高。每一次变分模态分解的输入信号是上一次变分模态分解的输出信号。在每一次变分模态分解的过程中，所述方法和系统可以基于当前变分模态分解的输入信号计算出对应的初始参数，从而使每一次变分模态分解过程中的优化结果更准确、收敛速度更快，从而提高变分模态分解的精确度，进一步提高心率检测的精度和鲁棒性。
本说明书提供的基于毫米波信号的心跳检测方法及系统的其他功能将在以下说明中部分列出。根描述，以下数字和示例介绍的内容将对那些本领域的普通技术人员显而易见。本说明书提供的基于毫米波信号的心跳检测方法及系统的创造性方面可以通过实践或使用下面详细示例中所述的方法、装置和组合得到充分解释。
附图说明
为了更清楚地说明本说明书实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本说明书的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1示出了根据本说明书的实施例提供的一种基于毫米波信号的心跳检测方法及系统的应用环境图；
图2示出了根据本说明书的实施例提供的一种计算装置的硬件结构图；
图3示出了根据本说明书的实施例提供的一种基于毫米波信号的心跳检测方法流程图；
图4示出了根据本说明书的实施例提供的一种获取目标信号的方法流程图；
图5示出了根据本说明书的实施例提供的一种层次结构的变分模态分解的结构图；以及
图6示出了根据本说明书的实施例提供的一种参数生成模型的结构图。
具体实施方式
以下描述提供了本说明书的特定应用场景和要求，目的是使本领域技术人员能够制造和使用本说明书中的内容。对于本领域技术人员来说，对所公开的实施例的各种局部修改是显而易见的，并且在不脱离本说明书的精神和范围的情况下，可以将这里定义的一般原理应用于其他实施例和应用。因此，本说明书不限于所示的实施例，而是与权利要求一致的最宽范围。
这里使用的术语仅用于描述特定示例实施例的目的，而不是限制性的。比如，除非上下文另有明确说明，这里所使用的，单数形式“一”，“一个”和“该”也可以包括复数形式。当在本说明书中使用时，术语“包括”、“包含”和/或“含有”意思是指所关联的整数，步骤、操作、元素和/或组件存在，但不排除一个或多个其他特征、整数、步骤、操作、元素、组件和/或组的存在或在该系统/方法中可以添加其他特征、整数、步骤、操作、元素、组件和/或组。
考虑到以下描述，本说明书的这些特征和其他特征、以及结构的相关元件的操作和功能、以及部件的组合和制造的经济性可以得到明显提高。参考附图，所有这些形成本说明书的一部分。然而，应该清楚地理解，附图仅用于说明和描述的目的，并不旨在限制本说明书的范围。还应理解，附图未按比例绘制。
本说明书中使用的流程图示出了根据本说明书中的一些实施例的系统实现的操作。应该清楚地理解，流程图的操作可以不按顺序实现。相反，操作可以以反转顺序或同时实现。此外，可以向流程图添加一个或多个其他操作。可以从流程图中移除一个或多个操作。
为了方便展示，在开始描述之前，我们将对后面的描述中将会引用的术语进行如下解释：
调频连续波((Frequency Modulated Continuous Wave，FMCW)：雷达信号设计的常用技术，在扫频周期内发射频率随时间线性变化的连续波，被目标物体反射后的回波信号与发射信号有一定的频率差，通过测量频率差可以获得目标与信号收发端之间的距离信息，从而可以捕获目标的运动变化。相较于原始信号，差频信号频率较低，因此硬件处理相对简单、适合数据采集并进行数字信号处理。
变分模态分解(Variational mode decomposition，VMD)：在信号处理中，变分模态分解是一种自适应、完全非递归的模态变分和信号处理的信号分解估计方法。该技术具有可以确定模态分解个数的优点。其自适应性表现在根据实际情况确定所给序列的模态分解个数。变分模态分解方法在随后的获取分解分量的搜索和求解过程中，可以通过迭代搜寻变分模型最优解自适应地匹配每种模态分量的最佳中心频率和有限带宽，从而能够自适应地实现信号的频域剖分及各分量的有效分离。
图1示出了根据本说明书的实施例提供的一种基于毫米波信号的心跳检测系统001的应用环境图。基于毫米波信号的心跳检测系统001(以下简称系统001)不仅可以应用于医疗护理、健康监测等领域的心跳的检测，还可以应用于远距离人体探测以及目标搜寻等领域。为了方便展示，我们将以系统001应用于心跳的检测为例进行描述。系统001可以用户检测目标用户003的心跳运动，比如心率、心跳运动循环周期，等等。目标用户003可以是任意的有生命的用户，比如，人体。在一些实施例中，目标用户003还可以是宠物，等等。系统001不仅可以用于医院等医疗场所的心跳的检测和监测，还可以应用于日常生活中的心跳的检测和监测。系统001还可以应用于其他任何需要进行心跳检测的场景，比如，应用于智能驾驶场景中以检测驾驶员的心跳，避免事故发生。如图1所示，系统001可以包括毫米波传感器200和计算装置400。
毫米波传感器200可以被配置为发射由调频连续波(FMCW)信号构成的发射信号，并接收被目标用户003反射回的回波信号。采用毫米波传感器200探测人体，具有成本低，距离远和不易受环境影响的优势。由于目标用户003的心跳运动(心房和心室周期性地收缩和舒张)会引起胸腔的微小振动。由毫米波传感器200发射的调频连续波(FMCW)的发射信号以及接收的被目标用户003发射的回波信号之间的差频信号的相位变化可以捕获心跳运动引起的胸腔的微小振动，从而实现对目标用户003的细粒度心跳运动循环的监测。如图1所示，毫米波传感器200可以包括发射端210和接收端220。发射端210可以向目标用户003周期性地发射调频连续波(FMCW)信号，即所述发射信号。接收端220可以接收目标用户003反射回的所述回波信号。
计算装置400可以与毫米波传感器200通信连接以进行数据传输。所述通信连接是指能够直接地或者间接地接收信息的任何形式的连接。比如，计算装置400可以与毫米波传感器200通过无线通讯建立无线连接来彼此传递数据；计算装置400也可以与毫米波传感器200通过电线直接连接来彼此传递数据；计算装置400也可以通过电线同其他电路直接连接来建立同毫米波传感器200的间接连接，从而实现彼此传递数据。计算装置400可以基于所述通信连接控制毫米波传感器200运行，即控制毫米波传感器200向外发射所述发射信号并从毫米波传感器200中获取所述回波信号。
计算装置400可以存储有执行本说明书描述的基于毫米波信号的心跳检测方法的数据或指令，并可以执行或用于执行所述数据和/或指令。计算装置400可以从毫米波传感器200中获取所述发射信号以及所述回波信号，并基于所述发射信号以及所述回波信号对目标用户003进行心跳检测。计算装置400可以包括具有数据信息处理功能的硬件设备和驱动该硬件设备工作所需必要的程序。当然，计算装置400也可以仅为具有数据处理能力的硬件设备，或者，仅为运行在硬件设备中的程序。在一些实施例中，计算装置400可以包括移动设备、平板电脑、笔记本电脑、机动车辆的内置设备或类似内容，或其任意组合。
图2示出了根据本说明书的实施例提供的一种计算装置400的硬件结构图。计算装置400可以执行本说明书描述的基于毫米波信号的心跳检测方法。所述基于毫米波信号的心跳检测方法将在后面的描述中详细介绍。计算装置400可以包括至少一个处理器420和至少一个存储介质430。
存储介质430可以包括数据存储装置。所述数据存储装置可以是非暂时性存储介质，也可以是暂时性存储介质。比如，所述数据存储装置可以包括磁盘、只读存储介质(ROM)或随机存取存储介质(RAM)中的一种或多种。存储介质430还包括存储在所述数据存储装置中的至少一个指令集。所述指令是计算机程序代码，所述计算机程序代码可以包括执行本说明书提供的基于毫米波信号的心跳检测方法的程序、例程、对象、组件、数据结构、过程、模块等等。
至少一个处理器420可以同至少一个存储介质430以及毫米波传感器200通信连接。至少一个处理器420用以执行上述至少一个指令集。当计算装置400运行时，至少一个处理器420读取所述至少一个指令集，并且根据所述至少一个指令集的指示执行本说明书提供的基于毫米波信号的心跳检测方法。处理器420可以执行基于毫米波信号的心跳检测方法包含的所有步骤。处理器420可以是一个或多个处理器的形式，在一些实施例中，处理器420可以包括一个或多个硬件处理器，例如微控制器，微处理器，精简指令集计算机(RISC)，专用集成电路(ASIC)，特定于应用的指令集处理器(ASIP)，中央处理单元(CPU)，图形处理单元(GPU)，物理处理单元(PPU)，微控制器单元，数字信号处理器(DSP)，现场可编程门阵列(FPGA)，高级RISC机器(ARM)，可编程逻辑器件(PLD)，能够执行一个或多个功能的任何电路或处理器等，或其任何组合。仅仅为了说明问题，在本说明书中计算装置400中仅描述了一个处理器420。然而，应当注意，本说明书中计算装置400还可以包括多个处理器420，因此，本说明书中披露的操作和/或方法步骤可以如本说明书所述的由一个处理器执行，也可以由多个处理器联合执行。例如，如果在本说明书中计算装置400的处理器420执行步骤A和步骤B，则应该理解，步骤A和步骤B也可以由两个不同处理器420联合或分开执行(例如，第一处理器执行步骤A，第二处理器执行步骤B，或者第一和第二处理器共同执行步骤A和B)。
图3示出了根据本说明书的实施例提供的一种基于毫米波信号的心跳检测方法P100的流程图。如前所述，计算装置400可以执行本说明书所述的基于毫米波信号的心跳检测方法P100。具体地，处理器420可以读取存储在其本地存储介质中的指令集，然后根据所述指令集的规定，执行本说明书所述的基于毫米波信号的心跳检测方法P100。在一些实施例中，所述方法P100可以包括：
S120：获取毫米波传感器200采集的目标用户003的目标信号。
图4示出了根据本说明书的实施例提供的一种获取目标信号的方法流程图。图4所示的方法对应的是步骤S120。如图4所示，步骤S120可以包括：
S122：控制毫米波传感器200向目标用户003发射所述发射信号。
如前所述，所述发射信号为调频连续波(FMCW)信号。当需要对目标用户003进行心跳检测时，计算装置400可以控制毫米波传感器200向目标用户003发射所述发射信号。在一些实施例中，比如在监测场景中，系统001处于时刻运行状态，当系统001开机或启动时，计算装置400即控制毫米波传感器200运行，并向目标用户003发射所述发射信号。在一些实施例中，计算装置400可以在启动指令的控制下控制毫米波传感器200运行，并向目标用户003发射所述发射信号。比如，系统001上可以设置有启动装置，当所述启动装置被触发时，所述启动装置可以向计算装置400发送启动指令；计算装置400在接收到所述启动指令后控制毫米波传感器200运行，并向目标用户003发射所述发射信号。
在一些实施例中，在步骤S122之前，需要设计所述发射信号，即所述调频连续波(FMCW)信号。如前所述，毫米波传感器200可以周期性地向外发射FMCW信号。每个周期可以包括至少一个FMCW信号。所述FMCW信号可以是锯齿波调制信号，也可以是三角波调制信号。在本说明书中，所述FMCW信号可以是锯齿波调制信号。FMCW信号中两个关键参数，即每个FMCW信号的调频周期T和带宽B。调频周期T可以是所述FMCW信号的持续时间。带宽B可以是所述FMCW信号的频率的变化范围。调频周期T和带宽B会直接影响毫米波传感器200的时间分辨率和距离分辨率。其中，距离分辨率R可以表示为以下公式：
其中，c表示的是信号的传播速度。由于所述FMCW信号为电磁波信号，因此，c＝3×108m/s。
调频斜率K可以表示为以下公式：
由于系统001旨在捕捉心跳运动循环信息，需要尽可能高的时间分辨率。因此，所述FMCW信号中每个调频周期T需要尽可能小。本说明书中调频周期T可以是100μs～200μs。为了保证达到毫米级的距离分辨率R，B需要尽可能大。本说明书中带宽B可以是2.5GHz～4GHz。当然，本领域技术人员应当明白更小的调频周期T以及更大的带宽B都在本说明书的保护范围内。
S124：获取毫米波传感器200发射的所述发射信号以及目标用户003反射回的所述回波信号。
所述发射信号与所述回波信号的波形一致，且所述发射信号与所述回波信号之间存在时间差td和频率差fd。时间差td与目标用户0003与毫米波传感器200之间的目标距离D有关。时间差td可以表示为以下公式：
频率差fd可以表示为以下公式：
fd＝Ktd 公式(4)
通过测量频率差fd可以获得目标用户003与毫米波传感器200之间的目标距离D，从而可以捕获目标用户003的运动变化。
S126：将所述发射信号与所述回波信号混频，得到所述目标信号。
所述目标信号可以包括毫米波传感器200发射的所述发射信号以及接收的所述回波信号混频后得到的中频信号。如前所述，通过测量频率差fd可以获得目标用户003与毫米波传感器200之间的目标距离D，从而可以捕获目标用户003的运动变化。所述发射信号与所述回波信号在频域上相当于在时域上相乘。因此，将所述发射信号与所述回波信号在时域上相乘可以得到所述目标信号s(t)，即所述中频信号s(t)。所述目标信号s(t)可以表示为以下公式：
其中，fc可以是FMCW信号的初始频率，即最小频率。
如图3所示，所述方法P100还可以包括：
S140：对所述目标信号s(t)进行频谱分析，确定所述目标信号s(t)的相位信号。
步骤S140可以包括：对所述目标信号s(t)进行傅里叶变换，得到频域信号S(f)；以及基于所述频域信号S(f)的实部和虚部，确定所述相位信号。为了消除时间的影响，计算装置400可以对所述目标信号s(t)进行快速傅里叶变换操作，得到所述频域信号S(f)。在所述频域信号S(f)中，其不同的频率部分对应不同的目标距离D。在所述频域信号S(f)中，频峰对应的频率即为频率差fd，其对应的目标距离D即为目标用户003与毫米波传感器200之间的目标距离D。所述频峰可以是所述频域信号S(f)中，信号幅度最高的频率。
由于心跳运动引起胸腔的微小振动很小，并且相邻周期的FMCW信号的时间间隔很短，因此，由于心跳运动引起胸腔的微小振动很难引起目标距离D的变化。由于FMCW信号的相位信号非常敏感，因此，计算装置400可以利用相位信号/>的变化对目标用户003心跳运动引起的胸腔微小振动进行捕捉。计算装置400可以进一步求取频峰对应的频率信号的目标频域信号Sd(f)的相位信号/>所述相位信号/>可以表示为以下公式：
其中，i(Sd)和r(Sd)分别为目标频域信号Sd(f)的虚部和实部。
如图3所示，所述方法P100还可以包括：
S160：将所述相位信号输入层次变分模态分解模型中进行至少一次变分模态分解，将所述相位信号/>中的干扰信号与所述目标用户003的心跳信号分离。
由于FMCW信号的相位信号对目标用户003的行为以及环境的干扰非常敏感，因此，相位信号/>中不仅包括了系统001需要检测的目标用户003的心跳信号之外，还包括了目标用户003的其他行为以及环境的干扰引起的干扰信号。在一些实施例中，所述干扰信号可以包括目标用户003的行为干扰信号。在一些实施例中，所述干扰信号可以包括环境干扰信号。在一些实施例中，所述干扰信号还可以包括其他干扰信号。
为了获取细粒度的心跳信号，即高精度的心跳信号，计算装置400需将所述干扰信号与所述心跳信号分离。本说明书中，计算装置400可以采用层次变分模态分解模型自适应地将所述干扰信号与所述心跳信号分离，从而滤除干扰信号，以获取细粒度的心跳信号。图5示出了根据本说明书的实施例提供的一种层次变分模态分解模型600的结构图。所述层次变分模态分解模型600可以至少一层变分模态分解层620。至少一层变分模态分解层620可以串联连接。为了方便描述，将至少一层变分模态分解层620的层数标记为L，其中L≥1。则至少一层变分模态分解层620分别标记为第1层变分模态分解层620、第2层子变分模态分解层620、第3层变分模态分解层620、……、第l层变分模态分解层620、……、第L层变分模态分解层620。其中，l≤L。为了方便描述，将第l层变分模态分解层620的输出信号标记为yl，如图5所示。至少一层变分模态分解层620中的每层变分模态分解层620的输入信号为相邻的上一层变分模态分解层620的输出信号。即第l层变分模态分解层620的输入信号为l-1层变分模态分解层620的输出信号yl-1。其中，第1层变分模态分解层620的输入信号为所述相位信号
每一层变分模态分解层620(第l层)可以用于对输入信号yl-1进行一次变分模态分解，并输出输出信号yl。将相位信号输入至层次变分模态分解模型600可以依次对相位信号/>进行至少一次变分模态分解。每层变分模态分解层620(第l层)在对输入信号yl-1进行变分模态分解时的模态分量的数量都为2。即每层变分模态分解层620(第l层)可以将输入信号yl-1分解为2个模态分量。所述2个模态分量分别是包含有所述心跳信号的第一信号以及不包含所述心跳信号的第二信号。所述干扰信号包括所述第二信号。所述层次变分模态分解模型600的目的是获取细粒度的心跳信号，因此，每层变分模态分解层620(第l层)的输出信号yl为所述第一信号。为了方便描述，我们将变分模态分解层620(第l层)分离出的第二信号定义为zl。也就是说，在每一层变分模态分解层620的变分模态分解中，计算装置400都可以将一部分干扰信号从相位信号/>中分解出来。比如，在第1层变分模态分解层620对应的变分模态分解中，计算装置400可以将目标用户003的行为干扰信号分离，输出分离了行为干扰信号的第一信号y1。在第2层变分模态分解层620对应的变分模态分解中，计算装置400可以将环境中的高频微小振动引起的环境干扰信号分离，输出分离了行为干扰信号和环境干扰信号的第一信号y2。在第3层变分模态分解层620对应的变分模态分解中，计算装置400可以将其他干扰信号分离，输出心跳信号y3。
在一些实施例中，所述层次变分模态分解模型600可以包括一层变分模态分解层620。在一些实施例中，所述层次变分模态分解模型600可以包括多层变分模态分解层620。变分模态分解层620的层数越多，所得到的心跳信号的精度越高，干扰信号越少。图5所示的层次变分模态分解模型600中包含2层变分模态分解层620，对所述相位信号依次进行了2次变分模态分解。即所述至少一次变分模态分解包括2次变分模态分解。本领域技术人员应当明白，层次变分模态分解模型600包括1层变分模态分解层620，甚至是更多层变分模态分解层620，比如3层、4层、5层，均在本说明书的保护范围内。
如图5所示，所述每层变分模态分解层620可以包括参数生成模型622和变分模态分解模型624。其中，参数生成模型622可以被配置为生成参数生成模型622所在的变分模态分解层620在进行变分模态分解计算时所需的初始参数P0。为了方便描述，我们将第l层变分模态分解层620对应的参数生成模型622生成的初始参数定义为如前所述，在每一层变分模态分解层620的变分模态分解中，模态分量的数量都为2，分别是包含有心跳信号的第一信号以及不包含心跳信号的第二信号。变分模态分解是一种迭代优化的方法。在开始迭代之前，需要对优化参数进行初始化，即为优化参数设定初始值，即初始参数/>在一些实施例中，在每一次变分模态分解中，所述初始参数/>可以是随机设定的任意值。在一些实施例中，为了提高迭代优化的速度和准确性，计算装置400可以基于每一层变分模态分解层620(第l层)的输入信号yl-1计算确定当前变分模态分解层620(第l层)对应的所述初始参数从而将心跳信号与干扰信号准确分离，提高心跳信号的精确度和鲁棒性。在每一次变分模态分解中，我们关心的是包含有心跳信号的第一信号。因此，在每一次变分模态分解中，计算装置400可以基于每一层变分模态分解层620(第l层)的输入信号yl-1，通过参数生成模型622生成当前变分模态分解层620(第l层)中第一信号的分量对应的所述初始参数/>对于所述第二信号对应的初始参数可以是随机设定的任意值。
综上所述，参数生成模型622可以基于所在的变分模态分解层620(第l层)的输入信号yl-1生成对应的所述初始参数因此，参数生成模型622的输入信号为所在的当前变分模态分解层620(第l层)的输入信号yl-1。参数生成模型622的输出信号为所在的变分模态分解层620(第l层)中第一信号的分量对应的所述初始参数/>
图6示出了根据本说明书的实施例提供的一种参数生成模型622的结构图。图6所示的参数生成模型622为第l层变分模态分解层620中的参数生成模型622。如前所述，变分模态分解可以通过迭代搜寻变分模型最优解自适应地匹配每种模态分量的最佳中心频率和有限带宽，从而能够自适应地实现信号的频域剖分及各分量的有效分离。也就是说，所述变分模态分解在迭代搜索过程中的优化参数是频率中心f0和带宽α。也就是说，初始参数P0可以包括初始频率中心f00以及初始带宽限制α1。为了方便描述，我们将第l层变分模态分解层620中第一信号的分量对应的初始参数定义为初始频率中心/>以及初始带宽限制/>在每一层变分模态分解层620(第l层)的变分模态分解中，计算装置400都能够以对应的初始频率中心/>以及初始带宽限制/>作为迭代优化的初始参数/>
如图6所示，所述参数生成模型622可以包括初始频率中心生成模型622-1和初始带宽限制生成模型622-2。
第l层变分模态分解层620对应的所述初始频率中心可以是基于所述当前变分模态分解层620(第l层)的输入信号yl-1的频率得到的。初始频率中心生成模型622-1可以被配置为基于初始频率中心生成模型622-1的输入信号，计算生成初始频率中心/>所述初始频率中心生成模型622-1的输入信号可以是参数生成模型622的输入信号，即参数生成模型622所在的变分模态分解层620(第l层)的输入信号yl-1。所述初始频率中心生成模型622-1的输出信号可以是参数生成模型622所在的变分模态分解层变分模态分解层620(第l层)对应的所述第一信号分量的所述初始频率中心/>如图6所示，第l层变分模态分解层620中的初始频率中心生成模型622-1可以被配置为对参数生成模型622的输入信号yl-1进行傅里叶变换获取对应的频率分布，并根据所述频率分布对应的信号幅度，将所述频率分布中最大的信号幅度对应的频率作为所述第一信号分量的所述初始频率中心/>
第l层变分模态分解层620对应的所述初始带宽限制可以是通过预先训练好的分类模型622-3对所述当前变分模态分解层620(第l层)的输入信号yl-1计算得到的。初始带宽限制生成模型622-2可以被配置为基于初始带宽限制生成模型622-2的输入信号，计算生成初始带宽限制/>初始带宽限制生成模型622-2的输入信号可以是参数生成模型622的输入信号，即参数生成模型622所在的变分模态分解层620(第l层)的输入信号yl-1。初始带宽限制生成模型622-2的输出信号可以是参数生成模型622所在的变分模态分解层变分模态分解层620(第l层)对应的所述第一信号分量的初始带宽限制/>如图6所示，第l层变分模态分解层620中的初始带宽限制生成模型622-2可以被配置为对参数生成模型622的输入信号yl-1进行特征提取，获取对应的特征数据CDl，并将所述特征数据CDl输入分类模型622-3，将所述分类模型622-3的输出信号作为所述第一信号分量的所述初始带宽限制/>所述特征数据CDl可以是关于输入信号yl-1的统计学特征数据，可以包括最大值、最小值、方差、标准差、信号能量、峰值位置中的至少一个。
分类模型622-3可以是一个预先训练好的分类模型。分类模型622-3可以是向量机模型，也可以是神经网络模型，还可以是其他分类模型。分类模型622-3可以是基于多个样本用户的样本相位信号对应的样本特征数据以及带宽标签训练得到的。所述样本用户可以是与目标用户003同类型的用户。所述样本用户的数量可以是任意多个，比如3个、5个、010个，甚至更多。样本用户的数量越多，分类模型622-3的训练效果越好。所述样本相位信号可以是通过毫米波传感器200采集的目标用户003的目标信号中的相位信号。所述样本用户对应的所述样本特征数据可以是每个样本用户对应的样本相位信号的最大值、最小值、方差、标准差、信号能量、峰值位置中的至少一个。所述样本用户对应的所述带宽标签可以是对每个样本用户使用心电图(ECG)传感器获取的样本用户的心跳信号的带宽。
如图5所示，每一层变分模态分解层620可以包括变分模态分解模型624。变分模态分解模型624可以被配置为基于参数生成模型622的输出信号，作为初始参数对输入信号进行变分模态分解，以获取包含心跳信号的第一信号。第l层变分模态分解层620对应的变分模态分解模型624的输入信号为所在的第l层变分模态分解层620的输入信号yl-1以及所在的第l层变分模态分解层620对应的参数生成模型622的输出信号初始参数/>第l层变分模态分解层620对应的变分模态分解模型624的输出信号为去除干扰信号的所述第一信号分量yl。
如图3所示，所述方法P100还可以包括：
S170：输出所述心跳信号。
所述心跳信号可以是层次变分模态分解模型600的最终的输出信号。
如图3所示，在一些实施例中，所述方法P100还可以包括：
S180：对所述心跳信号进行分割，确定所述心跳运动的循环周期。
在获取所述心跳信号后，计算装置400可以进一步对所述心跳信号进行分割，以获取心跳运动循环周期。由于心跳运动在每个周期内的运动模式基本相似，计算装置400可以基于优化方法对所述心跳信号进行分割。所述心跳信号可以包括由于心跳运动引起的目标用户003表面的微小振动。因此，所述心跳信号可以是胸腔位移的变化。为了方便描述，我们将层次变分模态分解模型输出的心跳信号定义为d＝{d1,d2,d3,…,dm}。
步骤S180可以包括：
计算装置400基于特征点将所述心跳信号d＝{d1,d2,d3,…,dm}划分为n个集合，即d＝{ad1,ad2,ad3,…,adn}，其中，n≤m，每个集合的长度为{|ad1|,|ad2|,|ad3|,…,|adn|，所述特征点可以是心跳信号d＝{d1,d2,d3,…,dm}中特征发生变化的点，比如，正负发生变转换的点，递增和递减发生转换的点，等等；
计算装置400以每个集合的长度的相似性最大为优化目标，对d＝{ad1,ad2,ad3,…,adn}进行优化，以获取每个心跳运动循环周期的长度。这个优化问题可以表示为以下公式：
arg maxd∑adicor(adi,ω(μ,|adi|)) 公式(7)
其中，μ为带分割片段的模板，ω(μ,|adi|)将μ自适应到片段adi相同的长度，cor则计算片段adi和模板μ的相似度。该优化问题可通过动态规划进行求解，最终根据每个集合对应的时间，获取每个心跳运动循环周期的长度。
如图3所示，在一些实施例中，所述方法P100还可以包括：
S190：计算装置400还可以基于心跳运动的循环周期的长度，确定目标用户003的心率。
综上所述，本说明书提供的基于毫米波信号的心跳检测方法P100以及系统001，能够在普适场景下得到用户的细粒度心跳运作循环信息。所述方法P100以及系统001，构建了一个基于毫米波传感器200的心跳循环运动监测系统，利用毫米波传感器200向被测的目标用户003发射连续调频波信号，并接收目标用户003反射回的回波信号，从而得到发射信号与回波信号混频后的中频信号。所述方法P100以及系统001可以从中频信号中提取相位信号利用相位信号/>对目标用户003因心跳运动引起的胸腔微小振动进行捕捉。所述方法P100以及系统001可以基于层次变分模态分解模型600对相位信号/>进行至少一次模态分解，以去除干扰信号对心跳信号的影响，从而获取细粒度的心跳信息，并进一步对每个心跳循环加以分割，实现细粒度的心跳循环运动监测。所述方法P100以及系统001可以对相位信号/>进行一次或多次变分模态分解。变分模态分解的次数越多，得到的心跳信息的精度就越高。在每一次变分模态分解的过程中，所述方法P100以及系统001可以基于当前变分模态分解的输入信号计算出对应的初始参数/>从而使每一次变分模态分解过程中的优化结果更准确、收敛速度更快，从而提高变分模态分解的精确度，进一步提高心率检测的精度和鲁棒性。本说明书提供的基于毫米波信号的心跳检测方法P100以及系统001，在不依赖专用设备且与目标用户003保持非接触的条件下，能够得到鲁棒且细粒度的心跳循环运动监测结果。
本说明书另一方面提供一种非暂时性存储介质，存储有至少一组用来基于毫米波信号的心跳检测的可执行指令。当所述可执行指令被处理器执行时，所述可执行指令指导所述处理器实施本说明书所述的基于毫米波信号的心跳检测方法P100的步骤。在一些可能的实施方式中，本说明书的各个方面还可以实现为一种程序产品的形式，其包括程序代码。当所述程序产品在计算设备(比如计算装置400)上运行时，所述程序代码用于使计算设备执行本说明书描述的基于毫米波信号的心跳检测方法P100的步骤。用于实现上述方法的程序产品可以采用便携式紧凑盘只读存储器(CD-ROM)包括程序代码，并可以在计算设备上运行。然而，本说明书的程序产品不限于此，在本说明书中，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使用或者与其结合使用。所述程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。所述计算机可读存储介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了可读程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。可读存储介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。可读存储介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、有线、光缆、RF等等，或者上述的任意合适的组合。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说明书操作的程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、C++等，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在计算设备上执行、部分地在计算设备上执行、作为一个独立的软件包执行、部分在计算设备上部分在远程计算设备上执行、或者完全在远程计算设备上执行。
上述对本说明书特定实施例进行了描述。其他实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者是可能有利的。
综上所述，在阅读本详细公开内容之后，本领域技术人员可以明白，前述详细公开内容可以仅以示例的方式呈现，并且可以不是限制性的。尽管这里没有明确说明，本领域技术人员可以理解本说明书需求囊括对实施例的各种合理改变，改进和修改。这些改变，改进和修改旨在由本说明书提出，并且在本说明书的示例性实施例的精神和范围内。
此外，本说明书中的某些术语已被用于描述本说明书的实施例。例如，“一个实施例”，“实施例”和/或“一些实施例”意味着结合该实施例描述的特定特征，结构或特性可以包括在本说明书的至少一个实施例中。因此，可以强调并且应当理解，在本说明书的各个部分中对“实施例”或“一个实施例”或“替代实施例”的两个或更多个引用不一定都指代相同的实施例。此外，特定特征，结构或特性可以在本说明书的一个或多个实施例中适当地组合。
应当理解，在本说明书的实施例的前述描述中，为了帮助理解一个特征，出于简化本说明书的目的，本说明书将各种特征组合在单个实施例、附图或其描述中。然而，这并不是说这些特征的组合是必须的，本领域技术人员在阅读本说明书的时候完全有可能将其中一部分设备标注出来作为单独的实施例来理解。也就是说，本说明书中的实施例也可以理解为多个次级实施例的整合。而每个次级实施例的内容在于少于单个前述公开实施例的所有特征的时候也是成立的。
本文引用的每个专利，专利申请，专利申请的出版物和其他材料，例如文章，书籍，说明书，出版物，文件，物品等，可以通过引用结合于此。用于所有目的的全部内容，除了与其相关的任何起诉文件历史，可能与本文件不一致或相冲突的任何相同的，或者任何可能对权利要求的最宽范围具有限制性影响的任何相同的起诉文件历史。现在或以后与本文件相关联。举例来说，如果在与任何所包含的材料相关联的术语的描述、定义和/或使用与本文档相关的术语、描述、定义和/或之间存在任何不一致或冲突时，使用本文件中的术语为准。
最后，应理解，本文公开的申请的实施方案是对本说明书的实施方案的原理的说明。其他修改后的实施例也在本说明书的范围内。因此，本说明书披露的实施例仅仅作为示例而非限制。本领域技术人员可以根据本说明书中的实施例采取替代配置来实现本说明书中的申请。因此，本说明书的实施例不限于申请中被精确地描述过的实施例。

Claims (10)

1.一种基于毫米波信号的心跳检测方法，包括：
获取毫米波传感器采集的目标用户的目标信号，所述毫米波传感器被配置为发射由调频连续波信号构成的发射信号，并接收所述目标用户反射回的回波信号，所述目标信号包括所述发射信号和所述回波信号混频后得到的中频信号；
对所述目标信号进行频谱分析，确定所述目标信号的相位信号；
将所述相位信号输入层次变分模态分解模型中进行至少一次变分模态分解，将所述相位信号中的干扰信号与所述目标用户的心跳信号分离，所述层次变分模态分解模型包括串联连接的至少一层变分模态分解层，所述至少一层变分模态分解层中的每层变分模态分解层的输入信号为相邻的上一层变分模态分解层的输出信号，所述每层变分模态分解层的初始参数是基于当前变分模态分解层的输入信号得到的；以及
输出所述心跳信号。
2.如权利要求1所述的基于毫米波信号的心跳检测方法，其中，所述对所述目标信号进行频谱分析，确定所述目标信号的相位信号，包括：
对所述目标信号进行傅里叶变换，得到频域信号；以及
基于所述频域信号的实部和虚部，确定所述相位信号。
3.如权利要求1所述的基于毫米波信号的心跳检测方法，其中，所述初始参数包括初始频率中心以及初始带宽限制，所述初始频率中心是基于所述当前变分模态分解层的输入信号的频率得到的，所述初始带宽限制是通过预先训练好的分类模型对所述当前变分模态分解层的输入信号计算得到的。
4.如权利要求3所述的基于毫米波信号的心跳检测方法，其中，所述分类模型是基于多个样本用户的样本相位信号对应的样本特征数据以及带宽标签训练得到的，所述样本特征数据包括最大值、最小值、方差、标准差、信号能量、峰值位置中的至少一个。
5.如权利要求3所述的基于毫米波信号的心跳检测方法，其中，所述每层变分模态分解层包括：
参数生成模型，被配置为基于所在的变分模态分解层的输入信号生成对应的所述初始参数，所述参数生成模型的输入信号为所在的变分模态分解层的输入信号，所述参数生成模型的输出信号为所在的变分模态分解层对应的所述初始参数；以及
变分模态分解模型，被配置为基于所述参数生成模型的输出信号，对所在的变分模态分解层的输入信号进行变分模态分解，所述变分模态分解模型的输入信号为所在的变分模态分解层的输入信号以及所述参数生成模型的输出信号。
6.如权利要求5所述的基于毫米波信号的心跳检测方法，其中，所述变分模态分解模型分解的模态分量为2，分别为包括所述心跳信号的第一信号以及不包括所述心跳信号的第二信号，所述变分模态分解模型的输出信号为所述第一信号，所述干扰信号包括所述第二信号。
7.如权利要求6所述的基于毫米波信号的心跳检测方法，其中，所述参数生成模型包括：
初始频率中心生成模型，被配置为对所述参数生成模型的输入信号进行傅里叶变换获取对应的频率分布，并将所述频率分布中最大的信号幅度对应的频率作为所述第一信号的所述初始频率中心，所述初始频率中心生成模型的输入信号为所述参数生成模型的输入信号，所述初始频率中心生成模型的输出信号为所述第一信号的所述初始频率中心；以及
初始带宽限制生成模型，被配置为对所述参数生成模型的输入信号进行特征提取，获取对应的特征数据，并将所述特征数据输入所述分类模型，将所述分类模型的输出信号作为所述第一信号的所述初始带宽限制，所述初始带宽限制生成模型的输入信号为所述参数生成模型的输入信号，所述初始带宽限制生成模型的输出信号为所述第一信号的所述初始带宽限制。
8.如权利要求7所述的基于毫米波信号的心跳检测方法，其中，所述特征数据包括最大值、最小值、方差、标准差、信号能量、峰值位置中的至少一个。
9.如权利要求1所述的基于毫米波信号的心跳检测方法，其中，还包括：
对所述心跳信号进行分割，确定所述心跳运动的循环周期。
10.一种基于毫米波信号的心跳检测系统，包括：
毫米波传感器，被配置为发射由调频连续波信号构成的发射信号，并接收目标用户反射回的回波信号；以及
计算装置，与所述毫米波传感器通信连接，接收所述发射信号以及所述回波信号，并基于所述发射信号以及所述回波信号对所述目标用户进行心跳检测，包括：
至少一个存储介质，存储有至少一个指令集，用于基于毫米波信号进行心跳检测；以及
至少一个处理器，同所述至少一个存储介质以及所述毫米波传感器通信连接，
其中，当所述基于毫米波信号的心跳检测系统运行时，所述至少一个处理器读取所述至少一个指令集，并且根据所述至少一个指令集的指示执行权利要求1-9中任一项所述的基于毫米波信号的心跳检测方法。
CN202111102918.3A 2021-09-17 2021-09-17 基于毫米波信号的心跳检测方法及系统 Active CN113885021B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111102918.3A CN113885021B (zh) 2021-09-17 2021-09-17 基于毫米波信号的心跳检测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111102918.3A CN113885021B (zh) 2021-09-17 2021-09-17 基于毫米波信号的心跳检测方法及系统

Publications (2)

Publication Number Publication Date
CN113885021A CN113885021A (zh) 2022-01-04
CN113885021B true CN113885021B (zh) 2024-04-26

Family

ID=79010129

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111102918.3A Active CN113885021B (zh) 2021-09-17 2021-09-17 基于毫米波信号的心跳检测方法及系统

Country Status (1)

Country Link
CN (1) CN113885021B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112674740A (zh) * 2020-12-22 2021-04-20 北京工业大学 一种基于毫米波雷达的生命体征检测方法
CN112754441A (zh) * 2021-01-08 2021-05-07 杭州环木信息科技有限责任公司 一种基于毫米波的非接触式心跳检测方法
WO2021109526A1 (zh) * 2019-12-03 2021-06-10 南京汇君半导体科技有限公司 基于毫米波雷达的生命体征信号增强方法及设备、提取方法及设备
CN113261925A (zh) * 2021-03-11 2021-08-17 山东师范大学 一种基于毫米波雷达的人体感知方法及系统

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150223701A1 (en) * 2014-02-10 2015-08-13 California Institute Of Technology Breathing and heartbeat feature extraction and victim detection
TWI712392B (zh) * 2019-02-27 2020-12-11 和碩聯合科技股份有限公司 多目標生命徵象偵測系統及方法
US20210055386A1 (en) * 2019-08-22 2021-02-25 Qualcomm Incorporated Wireless communication with enhanced maximum permissible exposure (mpe) compliance based on vital signs detection

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021109526A1 (zh) * 2019-12-03 2021-06-10 南京汇君半导体科技有限公司 基于毫米波雷达的生命体征信号增强方法及设备、提取方法及设备
CN112674740A (zh) * 2020-12-22 2021-04-20 北京工业大学 一种基于毫米波雷达的生命体征检测方法
CN112754441A (zh) * 2021-01-08 2021-05-07 杭州环木信息科技有限责任公司 一种基于毫米波的非接触式心跳检测方法
CN113261925A (zh) * 2021-03-11 2021-08-17 山东师范大学 一种基于毫米波雷达的人体感知方法及系统

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
ECG feature extraction based on the bandwidth properties of variational mode decomposition;Duan, ZZ 等;PHYSIOLOGICAL MEASUREMENT;20210228;第37卷(第4期);第530-543页 *
基于经验模态分解的生命信号提取算法;冯久超 等;华南理工大学学报(自然科学版);20101031;第38卷(第10期);第1-6页 *
静息态下基于变分模态分解的生命体征检测;安美晨 等;计算机工程与应用;20210430;第第58卷卷(第第09期期);第288-293页 *

Also Published As

Publication number Publication date
CN113885021A (zh) 2022-01-04

Similar Documents

Publication Publication Date Title
Scherer et al. Tinyradarnn: Combining spatial and temporal convolutional neural networks for embedded gesture recognition with short range radars
US9164167B2 (en) Personal electronic device with a micro-impulse radar
EP4131064A1 (en) Gesture recognition method and related apparatus
US20200341114A1 (en) Identification system for subject or activity identification using range and velocity data
Du et al. Segmented convolutional gated recurrent neural networks for human activity recognition in ultra-wideband radar
CN111166312A (zh) 血压测量设备
US11301672B2 (en) Radar-based methods and apparatus for communication and interpretation of sign languages
Zhang et al. u-DeepHand: FMCW radar-based unsupervised hand gesture feature learning using deep convolutional auto-encoder network
EP4286996A2 (en) Detecting a frame-of-reference change in a smart-device-based radar system
Berenguer et al. GestureVLAD: Combining unsupervised features representation and spatio-temporal aggregation for Doppler-radar gesture recognition
US20220326367A1 (en) Smart-Device-Based Radar System Performing Gesture Recognition Using a Space Time Neural Network
CN115244586A (zh) 微波识别方法及系统
US11923090B2 (en) Early skin condition diagnostics using sonic sensors
Thanarajan et al. Improved wolf swarm optimization with deep-learning-based movement analysis and self-regulated human activity recognition
US11747442B2 (en) Method and apparatus with radar data recognition
Li et al. Log-likelihood clustering-enabled passive RF sensing for residential activity recognition
Kim et al. Radar-based human activity recognition combining range–time–Doppler maps and range-distributed-convolutional neural networks
Eggimann et al. Low power embedded gesture recognition using novel short-range radar sensors
Mauro et al. Few-shot user-definable radar-based hand gesture recognition at the edge
Niazi et al. Radar-based efficient gait classification using Gaussian prototypical networks
Mafukidze et al. Scattering centers to point clouds: A review of mmWave radars for non-radar-engineers
Senigagliesi et al. Classification of human activities based on automotive radar spectral images using machine learning techniques: a case study
CN113885021B (zh) 基于毫米波信号的心跳检测方法及系统
Hayajneh et al. Channel state information based device free wireless sensing for iot devices employing tinyml
Alkasimi et al. Geolocation tracking for human identification and activity recognition using radar deep transfer learning

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