CN113892929B - 非接触式心跳监测方法、监测系统、电子设备及存储介质 - Google Patents

非接触式心跳监测方法、监测系统、电子设备及存储介质 Download PDF

Info

Publication number
CN113892929B
CN113892929B CN202111209582.0A CN202111209582A CN113892929B CN 113892929 B CN113892929 B CN 113892929B CN 202111209582 A CN202111209582 A CN 202111209582A CN 113892929 B CN113892929 B CN 113892929B
Authority
CN
China
Prior art keywords
heartbeat
signal
body movement
heartbeat signal
time window
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
CN202111209582.0A
Other languages
English (en)
Other versions
CN113892929A (zh
Inventor
方震
简璞
赵荣建
何光强
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.)
Nanjing Runnan Medical Electronic Research Institute Co ltd
Original Assignee
Nanjing Runnan Medical Electronic Research Institute 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 Nanjing Runnan Medical Electronic Research Institute Co ltd filed Critical Nanjing Runnan Medical Electronic Research Institute Co ltd
Priority to CN202111209582.0A priority Critical patent/CN113892929B/zh
Publication of CN113892929A publication Critical patent/CN113892929A/zh
Application granted granted Critical
Publication of CN113892929B publication Critical patent/CN113892929B/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
    • A61B5/024—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
    • A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
    • A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7225—Details of analog processing, e.g. isolation amplifier, gain or sensitivity adjustment, filtering, baseline or drift compensation
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Pathology (AREA)
  • Physiology (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Medical Informatics (AREA)
  • Veterinary Medicine (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Biophysics (AREA)
  • Public Health (AREA)
  • Signal Processing (AREA)
  • Artificial Intelligence (AREA)
  • Psychiatry (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Cardiology (AREA)
  • Power Engineering (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Dentistry (AREA)
  • Evolutionary Computation (AREA)
  • Fuzzy Systems (AREA)
  • Mathematical Physics (AREA)
  • Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)

Abstract

本发明公开了一种非接触式心跳监测方法、监测系统、电子设备及存储介质，该监测方法包括：获取胸腔的雷达回波信号；对胸腔的雷达回波信号进行预处理，得到心跳信号，心跳信号为具有心跳周期的数据；用设定的时间窗口遍历心跳信号，确定获取时间窗口内的心跳信号时是否存在身体运动，基于获取时间窗口内的心跳信号时无身体运动，提取时间窗口内的心跳信号为无体动心跳信号；基于无体动心跳信号得到相似度曲线，基于相似度曲线上的正峰值得到心跳信号特征点；基于相邻的两个心跳信号特征点确定心拍间隔。该方法能够对被测者的行为动作无限制，可准确真实地反映被测者的生理变化情况。

Description

非接触式心跳监测方法、监测系统、电子设备及存储介质
技术领域
本发明涉及生理信号监测的技术领域，特别涉及一种非接触式心跳监测方法、监测系统、电子设备及存储介质。
背景技术
心跳是重要的生命体征。心跳信号是现代化医疗检测中一项重要的生理参数指标，生理参数的监测可为医生进行诊断和治疗提供可靠依据。接触式检测技术是目前生理监测设备较为普遍的使用方法，主要利用穿戴式传感器或粘贴式电极直接接触被测者达到监测心跳信号的目的，检测过程会对被测者产生心理或生理约束。临床上对心跳检测常用的方法包括触诊式心率测量法、心电、心音和光电式脉搏心率测量法等，此类检测方法监测到的心跳信号具有高质量、低噪声的优点，由于限制了被测者的行为动作，无法准确真实地反映被测者的生理变化情况，且测试电极使得系统安装复杂，可操作性差。
发明内容
本发明的目的是提供一种非接触式心跳监测方法、监测系统、电子设备及存储介质，对于被测者的个体差异，姿势与位置的改变，身体运动有很强的鲁棒性，能够长时间地监测心跳，并且对被测者的行为动作无限制，可准确真实地反映被测者的生理变化情况。
为解决上述问题，本发明的第一方面提供了一种非接触式心跳监测方法，包括：获取胸腔的雷达回波信号；对所述胸腔的雷达回波信号进行预处理，得到心跳信号，所述心跳信号为具有心跳周期的数据；用设定的时间窗口遍历所述心跳信号，判断获取时间窗口内的所述心跳信号时是否存在身体运动；基于获取所述时间窗口内的所述心跳信号时无身体运动，提取所述时间窗口内的所述心跳信号为无体动心跳信号；基于所述无体动心跳信号得到相似度曲线，基于所述相似度曲线上的正峰值得到心跳信号特征点；基于相邻的两个所述心跳信号特征点的时间间隔得到心拍间隔。
可选的，对所述胸腔的雷达回波信号进行预处理，得到心跳信号包括：对所述胸腔的雷达回波信号去除混有静态物体的反射信号，得到第一反射信号，所述第一反射信号包括幅值与相位；对所述第一反射信号的相位信号进行滤波，得到心跳信号。
可选的，用设定的时间窗口遍历所述心跳信号，判断获取时间窗口内的所述心跳信号时是否存在身体运动包括：获取设定的滑动时间窗口内的身体运动指数；计算每个设定的滑动时间窗口内的所述身体运动指数的和，得到累计身体运动指数；通过计算所有时间窗口内的所述累计身体运动指数，计算得到体动阈值；在目标时间窗口内，超过一半以上的所述距离量化单元中的所述累计身体运动指数均小于所述体动阈值，则判定所述目标时间窗口内的所述心跳信号为无体动心跳信号。
可选的，基于所述无体动心跳信号得到相似度曲线，基于所述相似度曲线上的正峰值得到心跳信号特征点包括：基于所述无体动心跳信号获取心跳数据的目标值点，并基于所述心跳数据的目标值点获取心跳信号段，构建学习模板；其中，所述心跳信号段为所述心跳数据的目标值点前后的数据集。
可选的，基于所述无体动心跳信号获取心跳数据的目标值点，并基于所述心跳数据的目标值点获取心跳信号段，构建学习模板包括：基于皮尔逊相关系数判定多个所述心跳信号段的相似度，并定义所述心跳信号段的相似度矩阵，将所述相似度矩阵作为输入，使用亲和传播聚类算法，得到样本数最多的类的聚类中心被选择作为所述学习模板。
可选的，基于所述无体动心跳信号得到相似度曲线，基于所述相似度曲线上的正峰值得到心跳信号特征点还包括：基于所述学习模板得到心跳模板，计算所述心跳模板与所述无体动心跳信号的相关系数函数；对所述相关系数函数进行希尔伯特变换，得到相似度曲线；当所述无体动心跳信号与所述心跳模板高度相似时，得到所述相似度曲线上的正峰值；对所述相似度曲线进行变换，提取所述相似度曲线中的正峰值对应的频率，得到所述平均心率估计值。
可选的，基于所述无体动心跳信号得到相似度曲线，基于所述相似度曲线上的正峰值得到心跳信号特征点还包括：通过心率变异性损失优化所述平均心率估计值，得到所述心跳信号特征点。
本发明的第二方面提供了一种非接触式心跳监测系统，包括：信号获取模块，其用于获取胸腔的雷达回波信号；预处理模块，其用于对所述胸腔的雷达回波信号进行预处理，得到心跳信号，所述心跳信号为具有心跳周期的数据；判断模块，其用设定的时间窗口遍历所述心跳信号，确定获取时间窗口内的所述心跳信号时是否存在身体运动；无体动心跳信号模块，其用于基于获取所述时间窗口内的所述心跳信号时无身体运动，提取所述时间窗口内的所述心跳信号为无体动心跳信号；心跳信号特征点模块，其用于基于所述无体动心跳信号得到相似度曲线，基于所述相似度曲线上的正峰值得到心跳信号特征点；心拍间隔模块，其用于基于相邻的两个所述心跳信号特征点确定心拍间隔。
本发明的第三方面提供了一种电子设备，包括存储器和处理器，所述存储器上存储有能够在所述处理器上运行的计算机程序，其中，所述处理器执行所述程序时实现所述心跳监测方法的步骤。
本发明的第四方面提供了一种存储介质，其上存储有计算机程序，其中，所述计算机程序被处理器执行时实现所述心跳监测方法的步骤。
本发明的上述技术方案至少具有如下有益的技术效果：
本发明的实施例通过对获取到胸腔的雷达回波信号进行预处理及分析判断，筛选得到基于人体处于静止状态下的无体动心跳信号，并对提取到的无体动心跳信号进行分析，能够准确地得到心拍间隔；该方法对于被测者的个体差异，姿势与位置的改变，身体运动有很强的鲁棒性，能够长时间地监测心跳，并且对被测者的行为动作无限制，可准确真实地反映被测者的生理变化情况。
附图说明
图1是根据本发明第一实施方式的非接触式心跳监测方法的流程图；
图2是FMCW雷达发射信号与接收信号距离测量原理示意图；
图3a示意性地示出本发明实施例中提取的相位信号；
图3b是本发明实施例的心跳信号示意图；
图4是本发明实施例的体动判断算法的示意图；
图5a是本发明实施例的相位信号的频谱示意图；
图5b是本发明实施例的相似度函数的频谱示意图；
图6a是本发明实施例的心跳模板P的示意图；
图6b是本发明实施例的IBI估计结果的示意图；
图6c是本发明实施例的相关系数函数的示意图；
图6d是本发明实施例的相似度曲线和心跳信号特征点的示意图；
图7是根据本发明第二实施方式的非接触式心跳监测系统的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明了，下面结合具体实施方式并参照附图，对本发明进一步详细说明。应该理解，这些描述只是示例性的，而并非要限制本发明的范围。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发明的概念。
显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
在本发明的描述中，需要说明的是，术语“第一”、“第二”仅用于区分目的，而不能理解为指示或暗示相对重要性。
本发明的第一方面提供了一种非接触式心跳监测方法，如图1所示，该方法包括：
步骤S10、获取胸腔的雷达回波信号；
步骤S20、对胸腔的雷达回波信号进行预处理，得到心跳信号，心跳信号为具有心跳周期的数据；
步骤S30、用设定的时间窗口遍历心跳信号，判断获取时间窗口内的心跳信号时是否存在身体运动；
步骤S40、基于获取时间窗口内的心跳信号时无身体运动，提取时间窗口内的心跳信号为无体动心跳信号；
步骤S50、基于无体动心跳信号得到相似度曲线，基于相似度曲线上的正峰值得到心跳信号特征点；
步骤S60、基于相邻的两个心跳信号特征点确定心拍间隔。心拍间隔为相邻的两个心跳信号特征点的时间间隔。
实施中，本发明通过对获取到胸腔的雷达回波信号进行预处理及分析判断，筛选得到基于人体处于静止状态下的无体动心跳信号，并对提取到的无体动心跳信号进行分析，能够准确地得到心拍间隔；该方法对于被测者的个体差异，姿势与位置的改变，身体运动有很强的鲁棒性，能够长时间地监测心跳，并且对被测者的行为动作无限制，可准确真实地反映被测者的生理变化情况。
其中，在步骤S10中，获取胸腔的雷达回波信号通过毫米波雷达结合调频连续波(FMCW)技术对不同个体的生命体征进行非接触测量。
毫米波雷达工作在毫米波段。通常毫米波是指30～300GHz频段(波长为1～10mm)。图2是FMCW雷达发射信号与接收信号距离测量原理示意图；如图2所示，sT(t)为接收信号的时频曲线，SR(t)为发射信号的时频曲线，接收到的信号是发射信号的延时版本。FMCW雷达发射多个频率随时间线性增长的信号，称为chirp(线性调频信号)，单个chirp信号的时域波形sT(t)为
其中AT是信号的幅度，B是信号的带宽，Tc是chirp的时间长度，fc是单个chirp的起始频率,C为光速。当信号遇到距离为d的单个物体被反射。接收器接收到的信号会有时间上的时延，同时由于信号的衰减，接收信号的幅度会改变。接收到的信号sR(t)为视场内多个目标反射的信号。通过与sT(t)混频，输出的中频信号sIF(t)由多个谐波组成，由下式给出：
其中，n是range bin(距离量化单元)的索引。通过FFT变换，雷达视场被分为多个range bin。设雷达与第n个range bin中的反射物距离为dn，则
fn为第n个range bin的频率,C为光速。An，φn分别是第n个range bin反射信号的幅值与相位。当第n个range bin中的反射体的位置发生微小变化，即Dn(t)＝dn+δn(t)时，则反射信号的相位φn受δn(t)调制。调制模式由下式给出：
FMCW雷达首先发射一个频率随时间线性增长的信号，然后接收到的信号是发射信号的延时版本，接收信号与发射信号这两个信号混频，如果只有一个反射物，那么混频之后的信号的频率与反射物和雷达的距离成正比，对混频之后的信号做FFT变换，就会看到在一些频率上有峰值，那么这些峰值对应的频率，换算一下就是每个反射物的距离。由于数字化后，每个频率对应一个距离范围，这个距离范围就是range bin。
在无线通讯系统中，根据频率可以分成射频(RF：Radio Frequency)、中频(IF：Intermediate Frequency)和基带(Base Band)信号。射频信号主要用于在空间的传输，基带信号是基站等数字设备可以处理的信号，中频信号是从射频信号变化到基带信号的过渡频率。以前的系统一般是从射频直接变到基带，现在的新的系统是射频->中频->基带，称为两次变频。
可选的实施例中，步骤S20对所述胸腔的雷达回波信号进行预处理，得到心跳信号包括：
步骤S21、对所述胸腔的雷达回波信号去除混有静态物体的反射信号，得到第一反射信号，所述第一反射信号包括幅值与相位；
步骤S22、对所述第一反射信号的相位信号进行滤波，得到心跳信号。
雷达信号的原始中频信号(IF信号)中混有静态物体的反射信号，需要进行静物消除。静态物体反射信号的幅值与相位不随时间的变化改变。可以通过相邻两帧IF序列相减去除静态物体的干扰。
具体实施例中，去除静物之后，选择幅值最大的range bin，设定其为r,选择r的前后N个range bin的信号，在实际应用中，可以设N＝5。对φi,i＝r-N,...,r,...,r+N，可使用8-24Hz的巴特沃斯带通滤波器对其进行滤波，以去除呼吸噪声与心跳信号的低频分量，保留心跳信号的高频分量。滤波后，得到来自多个range bin的心跳信号X＝{xr-N,...,xr,...,xr+N}。选择合适的range bin，在滤波后能够获得心跳信号，其中，每个心跳周期的信号具有一定的相似性，如图3a和图3b所示，即心跳信号为具有心跳周期的数据。
可选的实施例中，步骤S30用设定的时间窗口遍历所述心跳信号，判断获取时间窗口内的所述心跳信号时是否存在身体运动。
可选的实施例中，步骤S30基于获取所述时间窗口内的所述心跳信号时无身体运动，提取所述时间窗口内的所述心跳信号为无体动心跳信号包括：
步骤S31、获取设定的滑动时间窗口内的身体运动指数；
步骤S32、计算每个设定的滑动时间窗口内的所述身体运动指数的和，得到累计身体运动指数；
步骤S33、通过计算所有时间窗口内的所述累计身体运动指数，计算得到体动阈值；
步骤S34、在目标时间窗口内，超过一半以上的所述距离量化单元中的所述累计身体运动指数均小于所述体动阈值，则判定所述目标时间窗口内的所述心跳信号为无体动心跳信号。
具体实施例中，对于range bin的心跳信号xi,i＝r-N,...,r+N，可运用身体运动指数(BMI)基于心跳信号xi量化身体运动的幅度。设是第k个采样点附近4s的信号(采样率为250Hz,M＝500)。A[k]被定义为该段信号的绝对值的积分
身体运动指数BMI[n]为
其中，Amin[k]是A[k]在第k个采样点附近10s内的最小值。
选择一个长度为2s，步长为1s的滑动时间窗口。计算每个时间窗口内身体运动指数的和，称累计身体运动指数(ABMI)。可使用箱型图，计算所有时间窗口的ABMI的分布，提取上四分位点(Q1)与下四分位点(Q2)。基于这些值，计算体动阈值Th：
Th＝Q2+1.5×(Q2-Q1)
在某个时间窗口内，若超过半数range bin中ABMI均大于Th，则该时间窗口内，则判定该时间窗口中存在体动。
如图4所示的体动判断算法的示意图，存在身体运动的时间窗口对应的心跳信号段会被过滤掉，由此可筛选得到无体动心跳信号。
可选的实施例中，步骤S50基于所述无体动心跳信号得到相似度曲线，基于所述相似度曲线上的正峰值得到心跳信号特征点包括：
步骤S51、基于所述无体动心跳信号获取心跳数据的目标值点，并基于所述心跳数据的目标值点获取心跳信号段，构建学习模板；其中，所述心跳信号段为所述心跳数据的目标值点前后的数据集。
可选的实施例中，步骤S51基于所述无体动心跳信号获取心跳数据的目标值点，并基于所述心跳数据的目标值点获取心跳信号段，构建学习模板包括：基于皮尔逊相关系数判定多个所述心跳信号段的相似度，并定义所述心跳信号段的相似度矩阵，将所述相似度矩阵作为输入，使用亲和传播聚类算法，得到样本数最多的类的聚类中心被选择作为所述学习模板。
具体实施例中，设x是不存在体动干扰的心跳信号段。检测所有极大值点。对每个极大值点，截取其前后共0.8s的心跳信号段。这些信号段组成模板学习样本集A＝{a1,a2,...,an}。可采样皮尔逊相关系数ρ度量心跳信号段之间的相似度。基于ρ，定义相似度矩阵
s(ai,aj)＝ρ(ai,aj)-1
使用亲和传播(AP)聚类算法，将相似度矩阵S作为输入。AP聚类算法每个类的聚类中心都是某个信号片段。样本数最多的类的聚类中心被选择作为学习到的模板。
可选的实施例中，步骤S50基于所述无体动心跳信号得到相似度曲线，基于所述相似度曲线上的正峰值得到心跳信号特征点还包括：
步骤S52、基于所述学习模板得到心跳模板，计算所述心跳模板与所述无体动心跳信号的相关系数函数；
步骤S53、对所述相关系数函数进行希尔伯特变换，得到相似度曲线；
步骤S54、当所述无体动心跳信号与所述心跳模板高度相似时，得到所述相似度曲线上的正峰值；
步骤S55、对所述相似度曲线进行变换，提取所述相似度曲线中的正峰值对应的频率，得到所述平均心率估计值。
可选的实施例中，基于所述无体动心跳信号得到相似度曲线，基于所述相似度曲线上的正峰值得到心跳信号特征点还包括：
步骤S56、通过心率变异性损失优化所述平均心率估计值，得到所述心跳信号特征点。
具体实施例中，通过模板生成算法，可以获取特定于一段无体动心跳信号的心跳模板P，如图6a所示。使用与心跳模板P长度相同，以1个采样点作为步长的滑动时间窗，计算心跳模板P与相同的滑动时间窗内无体动心跳信号的相关系数函数Corr[t]，如图6c所示的相关系数函数的示意图。之后，对Corr[t]进行希尔伯特变换，得到Corr[t]的上包络e[t]，称为相似度曲线。经过上述处理，信号更加平滑。同时，相似度曲线e[t]始终为正值，当时间窗内的心跳信号与心跳模板P高度相似时，相似度曲线e[t]中总是会出现一个正峰值，如图6d所示。
基于相似度函数e[t]的幅值变化与心跳具有相同周期性这一直觉。对e[t]使用FFT变换，取频谱峰值对应的频率，作为该段信号的平均心率估计值。相对于最优range bin的幅值信号，e[t]在合理心跳频率范围内有更明显的峰值，如图4所示。设心跳信号x[t]的特征点集合为T＝{t1,t2,...,tn}，则
li＝ti+1-ti,i∈{1,2,...,n-1}
li为第i个心跳周期的长度。理论上，当心跳信号中不存在畸变时，T为e[t]的峰值点集合。同时，相邻的两个心跳周期的长度li+1与li的差值应该在合理范围内；第i个心跳周期的长度li与平均心跳周期长度(1/f0)之差也应该在合理范围内。综上所述，可定义优化模型
其中，σSDNN≈180ms，是正常情况下的每个心跳周期的时间长度(Inter-BeatInterval，简称IBI)标准差取值范围的上界。σRMSSD≈54ms，是正常情况下，相邻两个IBI差值的均方根取值范围的上界。一些实施例中，可将优化模型中的两个损失项
定义为心率变异性损失。可将超参数λ1设为2.8，λ2设为2.1。如图6b所示是对于一段心跳信号的IBI估计结果，如图6b所示的每个心跳周期的时间长度的估计结果与标准心电图的每个心跳周期的时间长度是基本相吻合。
基于同一发明构思，本发明的第二方面提供了一种非接触式心跳监测系统，用于执行上述的一种非接触式心跳监测方法，如图7所示，该系统包括：信号获取模块710，其用于获取胸腔的雷达回波信号；预处理模块720，其用于对所述胸腔的雷达回波信号进行预处理，得到心跳信号，所述心跳信号为具有心跳周期的数据；判断模块730，其用设定的时间窗口遍历所述心跳信号，判断获取时间窗口内的所述心跳信号时是否存在身体运动；无体动心跳信号模块740，其用于基于获取所述时间窗口内的所述心跳信号时无身体运动，提取所述时间窗口内的所述心跳信号为无体动心跳信号；心跳信号特征点模块750，其用于基于所述无体动心跳信号得到相似度曲线，基于所述相似度曲线上的正峰值得到心跳信号特征点；心拍间隔模块760，其用于基于相邻的两个所述心跳信号特征点确定心拍间隔。如图6d所示心拍间隔为相邻的两个心跳信号特征点的时间间隔。
其中，本发明实施例对于信号获取模块710、预处理模块720、判断模块730、无体动心跳信号模块740、心跳信号特征点模块750和心拍间隔模块760的具体形状结构不做限定，本领域技术人员可以根据其实现的功能作用对其进行任意设置，在此不再赘述；另外，本发明实施例中上述各模块所实现的操作步骤的具体实现过程以及实现效果与本发明实施例中步骤S10-步骤S60的具体实现过程以及实现效果相同，具体可参考上述陈述内容，在此不再赘述。
本发明实施例通过对获取的胸腔的雷达回波信号进行预处理，能够自适应地选择心跳引起的振动最明显的区域提取无体动心跳信号。因此当被测者处于不同的姿态与位置时，总是能够获取高质量的心跳信号。此外，为了精确地估计IBI，可使用动态规划算法扩展模板匹配算法。基于获取的无体动心跳信号，生成的心跳模板P，运用心率变异性(HRV)先检验，计算得到全局最优心拍间隔。这一设计解决了传统的模板匹配算法需要每个心跳周期的信号高度相似，对于雷达获取的心跳回波信号鲁棒性较低这一问题。由于不同个体在不同姿态及位置下测量的单个心跳周期的信号的形状不同，我们引入AP聚类算法，对每段心跳信号，生成特定于该段信号的心跳模板。
本发明的第三方面提供了一种电子设备，包括存储器和处理器，所述存储器上存储有能够在所述处理器上运行的计算机程序，其中，所述处理器执行所述程序时实现上述心跳监测方法的步骤。
本发明的第四方面提供了一种存储介质，其上存储有计算机程序，其中，所述计算机程序被处理器执行时实现上述心跳监测方法的步骤。
应当理解的是，本发明的上述具体实施方式仅仅用于示例性说明或解释本发明的原理，而不构成对本发明的限制。因此，在不偏离本发明的精神和范围的情况下所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。此外，本发明所附权利要求旨在涵盖落入所附权利要求范围和边界、或者这种范围和边界的等同形式内的全部变化和修改例。

Claims (9)

1.一种非接触式心跳监测方法，其特征在于，包括：
获取胸腔的雷达回波信号；
对所述胸腔的雷达回波信号进行预处理，得到心跳信号，所述心跳信号为具有心跳周期的数据；
用设定的时间窗口遍历所述心跳信号，判断获取时间窗口内的所述心跳信号时是否存在身体运动，包括：获取设定的滑动时间窗口内的身体运动指数；计算每个设定的滑动时间窗口内的所述身体运动指数的和，得到累计身体运动指数；通过计算所有时间窗口内的所述累计身体运动指数，计算得到体动阈值；在目标时间窗口内，超过一半以上的距离量化单元中的所述累计身体运动指数均小于所述体动阈值，则判定所述目标时间窗口内的所述心跳信号为无体动心跳信号；
所述身体运动指数是基于心跳信号xi量化的身体运动的幅度；其中，
i＝[r-N,r+N]，xi表示为位置点r的前后的N个心跳信号；
设定是第k个采样点附近4s的信号，采样率为250Hz,M＝500，则第k个采样点附近4s的信号的绝对值积分为：
所述身体运动指数表示为BMI，符合如下关系：
其中，Amin[k]是A[k]在第k个采样点附近10s内的最小值；
基于获取所述时间窗口内的所述心跳信号时无身体运动，提取所述时间窗口内的所述心跳信号为无体动心跳信号；
基于所述无体动心跳信号得到相似度曲线，基于所述相似度曲线上的正峰值得到心跳信号特征点；
基于相邻的两个所述心跳信号特征点确定心拍间隔。
2.根据权利要求1所述的心跳监测方法，其特征在于，对所述胸腔的雷达回波信号进行预处理，得到心跳信号包括：
对所述胸腔的雷达回波信号去除混有静态物体的反射信号，得到第一反射信号，所述第一反射信号包括幅值与相位；
对所述第一反射信号的相位信号进行滤波，得到心跳信号。
3.根据权利要求1所述的心跳监测方法，其特征在于，基于所述无体动心跳信号得到相似度曲线，基于所述相似度曲线上的正峰值得到心跳信号特征点包括：
基于所述无体动心跳信号获取心跳数据的目标值点，并基于所述心跳数据的目标值点获取心跳信号段，构建学习模板；其中，
所述心跳信号段为所述心跳数据的目标值点前后的数据集。
4.根据权利要求3所述的心跳监测方法，其特征在于，基于所述无体动心跳信号获取心跳数据的目标值点，并基于所述心跳数据的目标值点获取心跳信号段，构建学习模板包括：
基于皮尔逊相关系数判定多个所述心跳信号段的相似度，并定义所述心跳信号段的相似度矩阵，将所述相似度矩阵作为输入，使用亲和传播聚类算法，得到样本数最多的类的聚类中心被选择作为所述学习模板。
5.根据权利要求3所述的心跳监测方法，其特征在于，基于所述无体动心跳信号得到相似度曲线，基于所述相似度曲线上的正峰值得到心跳信号特征点还包括：
基于所述学习模板得到心跳模板，计算所述心跳模板与所述无体动心跳信号的相关系数函数；
对所述相关系数函数进行希尔伯特变换，得到相似度曲线；
当所述无体动心跳信号与所述心跳模板高度相似时，得到所述相似度曲线上的正峰值；
对所述相似度曲线进行变换，提取所述相似度曲线中的正峰值对应的频率，得到平均心率估计值。
6.根据权利要求5所述的心跳监测方法，其特征在于，基于所述无体动心跳信号得到相似度曲线，基于所述相似度曲线上的正峰值得到心跳信号特征点还包括：
通过心率变异性损失优化所述平均心率估计值，得到所述心跳信号特征点。
7.一种非接触式心跳监测系统，其特征在于，包括：
信号获取模块，其用于获取胸腔的雷达回波信号；
预处理模块，其用于对所述胸腔的雷达回波信号进行预处理，得到心跳信号，所述心跳信号为具有心跳周期的数据；
判断模块，其用设定的时间窗口遍历所述心跳信号，确定获取时间窗口内的所述心跳信号时是否存在身体运动，包括：获取设定的滑动时间窗口内的身体运动指数；计算每个设定的滑动时间窗口内的所述身体运动指数的和，得到累计身体运动指数；通过计算所有时间窗口内的所述累计身体运动指数，计算得到体动阈值；在目标时间窗口内，超过一半以上的距离量化单元中的所述累计身体运动指数均小于所述体动阈值，则判定所述目标时间窗口内的所述心跳信号为无体动心跳信号；
所述身体运动指数是基于心跳信号xi量化的身体运动的幅度；其中，
i＝[r-N,r+N]，xi表示为位置点r的前后的N个心跳信号；
设定是第k个采样点附近4s的信号，采样率为250Hz,M＝500，则第k个采样点附近4s的信号的绝对值积分为：
所述身体运动指数表示为BMI，符合如下关系：
其中，Amin[k]是A[k]在第k个采样点附近10s内的最小值；
无体动心跳信号模块，其用于基于获取所述时间窗口内的所述心跳信号时无身体运动，提取所述时间窗口内的所述心跳信号为无体动心跳信号；
心跳信号特征点模块，其用于基于所述无体动心跳信号得到相似度曲线，基于所述相似度曲线上的正峰值得到心跳信号特征点；
心拍间隔模块，其用于基于相邻的两个所述心跳信号特征点确定心拍间隔。
8.一种电子设备，包括存储器和处理器，所述存储器上存储有能够在所述处理器上运行的计算机程序，其中，所述处理器执行所述程序时实现权利要求1-6任意一项所述心跳监测方法的步骤。
9.一种存储介质，其上存储有计算机程序，其中，所述计算机程序被处理器执行时实现权利要求1-6任意一项所述心跳监测方法的步骤。
CN202111209582.0A 2021-10-18 2021-10-18 非接触式心跳监测方法、监测系统、电子设备及存储介质 Active CN113892929B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111209582.0A CN113892929B (zh) 2021-10-18 2021-10-18 非接触式心跳监测方法、监测系统、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111209582.0A CN113892929B (zh) 2021-10-18 2021-10-18 非接触式心跳监测方法、监测系统、电子设备及存储介质

Publications (2)

Publication Number Publication Date
CN113892929A CN113892929A (zh) 2022-01-07
CN113892929B true CN113892929B (zh) 2023-08-22

Family

ID=79192609

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111209582.0A Active CN113892929B (zh) 2021-10-18 2021-10-18 非接触式心跳监测方法、监测系统、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN113892929B (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1678238A (zh) * 2002-08-27 2005-10-05 大日本制药株式会社 生命特征显示装置及其方法
JP2014014708A (ja) * 2013-09-20 2014-01-30 Mitsubishi Electric Corp 生体状態取得装置、生体状態取得プログラム、生体状態取得装置を備えた機器及び空気調和機

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2265169A4 (en) * 2008-04-03 2013-01-09 Kai Medical Inc NON-CONTACT PHYSIOLOGICAL MOTION SENSORS AND METHODS OF USE
US20110021928A1 (en) * 2009-07-23 2011-01-27 The Boards Of Trustees Of The Leland Stanford Junior University Methods and system of determining cardio-respiratory parameters
US11051702B2 (en) * 2014-10-08 2021-07-06 University Of Florida Research Foundation, Inc. Method and apparatus for non-contact fast vital sign acquisition based on radar signal

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1678238A (zh) * 2002-08-27 2005-10-05 大日本制药株式会社 生命特征显示装置及其方法
JP2014014708A (ja) * 2013-09-20 2014-01-30 Mitsubishi Electric Corp 生体状態取得装置、生体状態取得プログラム、生体状態取得装置を備えた機器及び空気調和機

Also Published As

Publication number Publication date
CN113892929A (zh) 2022-01-07

Similar Documents

Publication Publication Date Title
CN109480787B (zh) 一种基于超宽带雷达的非接触式睡眠监测设备及睡眠分期方法
Jayachandran et al. Analysis of myocardial infarction using discrete wavelet transform
US5749367A (en) Heart monitoring apparatus and method
CN112754441B (zh) 一种基于毫米波的非接触式心跳检测方法
US8142361B2 (en) Method and apparatus for automatic optimization of doppler imaging parameters
CN109124610B (zh) 一种无创血压测量的抗干扰方法和装置
US20120071730A1 (en) Adaptive Processing of Ambulatory Electrocardiogram Signals
CN108523877B (zh) 一种心电信号质量辨识方法及其心电分析方法
CN103126669B (zh) 一种提高波形绘制准确度方法及应用其的绘制方法和装置
Kumar et al. Detection and classification of ECG noises using decomposition on mixed codebook for quality analysis
CN112674740A (zh) 一种基于毫米波雷达的生命体征检测方法
CN116626408B (zh) 基于机器学习的电源纹波噪声检测方法
Tang et al. ECG de-noising based on empirical mode decomposition
WO2018149147A1 (zh) 一种呼吸率提取方法及装置
KR20210001575A (ko) 잡음 환경 내 실시간 심장 박동수 탐지 장치 및 그 방법
CN110960211A (zh) 一种基于嵌入式的心电实时监测系统
CN112494001A (zh) Ppg信号质量评估方法、装置、穿戴式设备及存储介质
JP7069320B2 (ja) 制御方法、制御システム、心電信号測定装置およびコンピュータ読み取り可能な記憶媒体
KR101902760B1 (ko) 레이더를 이용한 생체 신호 측정 방법 및 장치
Edanami et al. Remote sensing of vital signs by medical radar time-series signal using cardiac peak extraction and adaptive peak detection algorithm: Performance validation on healthy adults and application to neonatal monitoring at an NICU
CN107526064A (zh) 基于二维特征的自适应lfm信号参数估计方法
CN113892929B (zh) 非接触式心跳监测方法、监测系统、电子设备及存储介质
CN105105739B (zh) 短距离无线心率及心率变异性检测方法
CN115486849A (zh) 心电信号质量评估方法、装置及设备
CN110420022B (zh) 一种基于双密度小波变换的p波检测方法

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