CN113907743A - Cgan和多尺度卷积神经网络实现呼吸检测的方法及系统 - Google Patents

Cgan和多尺度卷积神经网络实现呼吸检测的方法及系统 Download PDF

Info

Publication number
CN113907743A
CN113907743A CN202111331440.1A CN202111331440A CN113907743A CN 113907743 A CN113907743 A CN 113907743A CN 202111331440 A CN202111331440 A CN 202111331440A CN 113907743 A CN113907743 A CN 113907743A
Authority
CN
China
Prior art keywords
breathing
scale
path
convolution
layers
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.)
Granted
Application number
CN202111331440.1A
Other languages
English (en)
Other versions
CN113907743B (zh
Inventor
魏骁勇
吴柳繁
张栩禄
杨震群
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.)
Sichuan University
Original Assignee
Sichuan University
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 Sichuan University filed Critical Sichuan University
Priority to CN202111331440.1A priority Critical patent/CN113907743B/zh
Publication of CN113907743A publication Critical patent/CN113907743A/zh
Application granted granted Critical
Publication of CN113907743B publication Critical patent/CN113907743B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/08—Detecting, measuring or recording devices for evaluating the respiratory organs
    • 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
    • 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)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Theoretical Computer Science (AREA)
  • Public Health (AREA)
  • Signal Processing (AREA)
  • Evolutionary Computation (AREA)
  • Animal Behavior & Ethology (AREA)
  • Surgery (AREA)
  • Mathematical Physics (AREA)
  • Medical Informatics (AREA)
  • Veterinary Medicine (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Pathology (AREA)
  • Physiology (AREA)
  • Data Mining & Analysis (AREA)
  • Psychiatry (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Software Systems (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Pulmonology (AREA)
  • Fuzzy Systems (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)

Abstract

本发明公开了一种CGAN和多尺度卷积神经网络实现呼吸检测的方法及系统，属于医疗健康领域和深度学习领域，解决现有检测受环境噪声干扰大，从而使得检测精度低的问题。本发明包括：1)带有呼吸冲击的CSI数据获取；2)生成无噪声功率谱图；3)信道CSI数据降噪处理；4)建立人体呼吸CSI模型；5)多尺度神经网络提取CSI周期变化角速度；6)根据周期变化角速度估计呼吸速率。本发明用于人体呼吸检测。

Description

CGAN和多尺度卷积神经网络实现呼吸检测的方法及系统
技术领域
一种CGAN和多尺度卷积神经网络实现呼吸检测的方法及系统，用于人体呼吸检测，属 于医疗健康领域和深度学习领域。
背景技术
呼吸是人类最重要的生命活动之一，呼吸频率是一项评判人体健康的重要指标和生理恶 化的早期表现，对呼吸频率进行实时检测能及时有效地反馈人体的健康状况，预防疾病的 发生，特别是对于一些患有呼吸疾病的人来说，实时检测呼吸状况是必要的。获取人体的呼 吸信息以预防危险情况的发生往往需要专业的呼吸检测设备。在过去，呼吸检测设备一般应 用于对患者进行实时呼吸监测，例如，医院对重症病人的呼吸情况进行实时监测了解他们的 生命体征，提供给医生一定的病情判断，确保治疗方案更有效的开展。因此，人体呼吸检测 一直是社会发展的重要研究课题。
随着时代的发展与进步，人民生活水平日益提高，人们的自我防范意识也逐渐加强，呼 吸检测不在仅仅局限于医院、疗养所这些地方，更多的人希望能在家庭等环境中对呼吸等生 理参数进行实时监测。但是，由于存在专用呼吸机一般价格昂贵、体积庞大、操作不易等问 题，导致家庭等公共环境实时呼吸检测依然是一个挑战。
传统的呼吸检测主要是以佩戴传感器为主的接触式方法。检测器监测由于人体呼吸运动 引起的胸腹部压力、呼吸音、气流、温度、胸部阻抗等各种生理参数的变化。该种方式虽能 提供较好的检测效果，但是需要将传感器直接连接身体而影响人体的正常活动，而且可能在 检测过程中由于人体的随机活动导致传感器接触不良或出现脱落等现象，所以接触式检测法 使用场景具有局限性。非接触式检测方法按照检测方法的特性可分为电磁波检测法、涡流检 测法、谐振电路调频法、红外热成像检测法和机器视觉检测法等几类。其中电磁波检测方法 在呼吸信号检测方面具有独特的优势，既不会受到周围环境温度、光照条件的影响，又有一 定的穿透能力。同时它又是一种非接触式检测法，被测者的舒适度较高。
很多现有的呼吸检测大多是基于模型的方式，该种方法对于适用环境有很大的限制，而 且受到噪声的干扰较大。也有少量基于神经网络的识别方法，但都采用了传统的滤波方法比 如小波分析等进行数据预处理，这样无法完全滤除环境噪声，不能保证神经网络的输入信息 是纯呼吸信号，检测精度得不到保证。在提取信号周期时，现有方法主要使用数学计算、机 器学习或普通神经网络来，其中数学计算法过程复杂且往往无法解释看不见的信号路径；机 器学习方法需要手工提取信号特征，很难适用于实时呼吸监测；普通神经网络的方法很难设 置合适的网络参数来获得足够的信号信息。在本发明中，使用条件生成对抗网络对CSI信号 进行去噪，可以最大程度除去环境噪声，再通过多尺度卷积神经网络的方法进行呼吸检测， 可以提取到不同尺度下的信号信息，在扩大检测方法适用范围的同时也提高了检测的精度。
发明内容
针对上述研究的问题，本发明的目的在于提供一种CGAN和多尺度卷积神经网络实现呼 吸检测的方法及系统，解决现有检测受环境噪声干扰大，从而使得检测精度低的问题。
为了达到上述目的，本发明采用如下技术方案：
一种CGAN和多尺度卷积神经网络实现呼吸检测的方法，包括：
步骤1：获取一定量级的成年人不同频率呼吸的信道CSI数据，其中，信道CSI数据包 括正常的呼吸频率和异常呼吸频率；
步骤2：基于信道CSI数据生成干净不带噪声的信号，并用于训练条件训练对抗网络 CGAN，得到训练好的CGAN模型；
步骤3：基于训练好的CGAN模型对信道CSI数据进行去噪处理；
步骤4：基于去噪后的信道CSI数据建模，得到带有呼吸冲击的CSI模型；
步骤5：对去噪后的信道CSI数据使用多尺度卷积神经网络捕获其变化的周期角速度；
步骤6：基于周期角速度计算呼吸频率。
进一步，所述步骤1中基于Wi-Fi设备采集12000组以上的成年人不同频率呼吸的信道 CSI数据；其中，信道CSI数据包括4000组以上正常的呼吸频率和8000组以上异常呼吸频 率，正常的呼吸频率为每分钟16-20次的呼吸频率，异常呼吸频率包括4000组以上每分钟 低于10次的呼吸频率和4000组以上每分钟高于30次的呼吸频率；
进一步，所述步骤4得到的带有呼吸冲击的第k条路径随时间变化的增益ξk(t)具体为：
Figure BDA0003349033570000021
其中，ξk是无呼吸时路径k的增益，τk是路径k的信号时延，即发送端到接收端需要的时 间，Δτk是由于呼吸引起的k条路径的附加时延，
Figure BDA0003349033570000022
是路径损耗指数，b为人体呼吸频率，即 检测人体每分钟的呼吸次数，φ是呼吸的初始相位，当τk＞＞Δτk时，ξk(t)就近似等于时不变 的ξk，即ξk(t)为常数，不随时间的变化而变化，t表示t时刻；
呼吸运动改变路径长度从而使得路径的信号时延发生变化，第k条路径的t时刻的信号时 延表达式为：
Figure BDA0003349033570000031
在典型的室内环境中，信号不仅沿直线传播，还会被环境中的物体影响，发生反射、折 射，因此CSI模型是所有路径信号增益的叠加形式，其表达式Hn(t)为：
Figure BDA0003349033570000032
其中，n∈N，N表示可用子载波集，L是室内多路径的总数，fn是第n个子载波的载波频率，en(t)是第n个子载波在t时刻的白噪声，τk(t)表示t时刻路径k的信号时延；
将第k条路径的t时刻的信号时延表达式代入Hn(t)，最终得到Hn(t)为：
Figure BDA0003349033570000033
进一步，所述步骤5中的多尺度卷积神经网络的结构为：依次由1个卷积层、5个串行 的多尺度模块、3个串行的池化层和2个全连接组成；
卷积层的卷积核大小为5,步长为2,包含64个卷积核；
多尺度模块由4个并行的卷积层组成，卷积层的卷积核大小分别为3、5、7、9,步长都 为1；
第1个多尺度模块的4个卷积层分别包含16个卷积核，第2、3个多尺度模块的4个卷积层分别包含32个卷积核，第4、5个多尺度模块的4个卷积层分别包含64个卷积核；
3个池化层的池化窗口和步长都为3；
多尺度卷积层经过池化层提取的特征，依次经过2个全连接层处理，得到相应的类别， 其中，第1个全连接层的神经元个数为32，第2个全连接，即Softmax层，神经元个数为2。
进一步，所述步骤6中基于周期角速度计算呼吸频率的公式为：
Figure BDA0003349033570000034
其中，ω表示角速度，
Figure BDA0003349033570000035
表示呼吸频率的估计值。
一种CGAN和多尺度卷积神经网络实现呼吸检测的系统，包括：
Wi-Fi设备：获取一定量级的成年人不同频率呼吸的信道CSI数据，其中，信道CSI数 据包括正常的呼吸频率和异常呼吸频率；
训练模块：基于信道CSI数据生成干净不带噪声的信号，并用于训练条件训练对抗网络 CGAN，得到训练好的CGAN模型；
去噪模块：基于训练好的CGAN模型对信道CSI数据进行去噪处理；
模型构建模块：基于去噪后的信道CSI数据建模，得到带有呼吸冲击的CSI模型；
捕获模块：对去噪后的信道CSI数据使用多尺度卷积神经网络捕获其变化的周期角速 度；
计算模块：基于周期角速度计算呼吸频率。
进一步，所述Wi-Fi设备采集12000组以上的成年人不同频率呼吸的信道CSI数据；其 中，信道CSI数据包括4000组以上正常的呼吸频率和8000组以上异常呼吸频率，正常的呼 吸频率为每分钟16-20次的呼吸频率，异常呼吸频率包括4000组以上每分钟低于10次的呼 吸频率和4000组以上每分钟高于30次的呼吸频率；
进一步，所述模型构建模块得到的带有呼吸冲击的第k条路径随时间变化的增益ξk(t)具 体为：
Figure BDA0003349033570000041
其中，ξk是无呼吸时路径k的增益，τk是路径k的信号时延，即发送端到接收端需要的时 间，Δτk是由于呼吸引起的k条路径的附加时延，
Figure BDA0003349033570000042
是路径损耗指数，b为人体呼吸频率，即 检测人体每分钟的呼吸次数，φ是呼吸的初始相位，当τk＞＞Δτk时，ξk(t)就近似等于时不变 的ξk，t表示t时刻；
呼吸运动改变路径长度从而使得路径的信号时延发生变化，第k条路径的t时刻的信号时 延表达式为：
Figure BDA0003349033570000043
在典型的室内环境中，信号不仅沿直线传播，还会被环境中的物体影响，发生反射、折 射，因此CSI模型是所有路径信号增益的叠加形式，其表达式Hn(t)为：
Figure BDA0003349033570000044
其中，n∈N，N表示可用子载波集，L是室内多路径的总数，fn是第n个子载波的载波频率，en(t)是第n个子载波在t时刻的白噪声，τk(t)表示t时刻路径k的信号时延；
将第k条路径的t时刻的信号时延表达式代入Hn(t)，最终得到Hn(t)为：
Figure BDA0003349033570000051
进一步，所述捕获模块中的多尺度卷积神经网络的结构为：依次由1个卷积层、5个串 行的多尺度模块、3个串行的池化层和2个全连接组成；
卷积层的卷积核大小为5,步长为2,包含64个卷积核；
多尺度模块由4个并行的卷积层组成，卷积层的卷积核大小分别为3、5、7、9,步长都 为1；
第1个多尺度模块的4个卷积层分别包含16个卷积核，第2、3个多尺度模块的4个卷积层分别包含32个卷积核，第4、5个多尺度模块的4个卷积层分别包含64个卷积核；
3个池化层的池化窗口和步长都为3；
多尺度卷积层经过池化层提取的特征，依次经过2个全连接层处理，得到相应的类别， 其中，第1个全连接层的神经元个数为32，第2个全连接，即Softmax层，神经元个数为2。
进一步，所述计算模块中基于周期角速度计算呼吸频率的公式为：
Figure BDA0003349033570000052
其中，ω表示角速度，
Figure BDA0003349033570000053
表示呼吸频率的估计值。
本发明同现有技术相比，其有益效果表现在：
一、本发明采用CSI代替传统的RSSI数据进行细粒度的分析，能够更全面地描述呼吸 检测过程中实际传输环境中的多径效应，考虑了环境对于检测精度的影响，深入探索基于 Wi-Fi信号的呼吸检测原理；解释了人体呼吸对传播信号的影响，实现人体呼吸频率的检 测；
二、本发明使用CGAN模型的对抗生成机制对采集的含噪的CSI数据进行降噪处理，相 比于传统的滤波法降噪，CGAN降噪模型(模型)能使含噪数据分布规律最接近无噪声数据 的分布规律，保证了数据的干净程度；
三、本发明在计算CSI的周期变化角速度采用改进后的多尺度卷积神经网络，与常规的 卷积神经网络相比，多尺度卷积神经网络利用多个卷积核替代单个卷积核。其背后的机理 是，在深度神经网络中，不同尺度的卷积可以获得不同抽象程度的特征信息尺度越小，所表 征的目标细节越明显；而尺度越大，网络越深，获得的特征就越抽象，将不同尺度的卷积核 进行组合可以同时保留细节和抽象信息；
四、本发明不要求检测到具体的呼吸速率值，而是通过多尺度神经网络检测是否是异常 呼吸，即检测每分钟呼吸次数是否小于10次或大于30次，因此对于检测精度的要求相对较 低，计算量小容易实现实时呼吸检测。
附图说明
图1为本无人呼吸时CSI信号经过多尺度卷积神经网络后的角速度变化曲线；
图2为本发明中有人呼吸时CSI信号经过多尺度卷积神经网络后的角速度变化曲线；
图3为本发明中多尺度卷积神经网络的结构示意图，其中，Conv1表示卷积层，Filter＝64表示有64个卷积核，卷积核大小Size＝5,步长Stride＝2；MSC表示多尺度模块，由四个并行的卷积层组成，卷积核数都为32，大小分别为3、5、7、9，步长都为1，具体 结构见图3虚线框部分；MP表示池化层，共有三个串行的最大池化层；最后接两个全连接 层输出。
具体实施方式
下面将结合附图及具体实施方式对本发明作进一步的描述。
本发明提出了一种基于普通Wi-Fi设备采集的带有人体呼吸冲击的CSI信号，通过CGAN对CSI进行去噪处理，再使用多尺度卷积神经网络提取信号周期进行人体呼吸检测，同时能够进行异常呼吸实时监测，可以大量使用于家庭医院等环境。
本发明的主要流程包括：1)带有呼吸冲击的CSI数据获取；2)生成无噪声功率谱图； 3)信道CSI数据降噪处理；4)建立人体呼吸CSI模型；5)多尺度神经网络提取CSI周期变化角速度；6)根据周期变化角速度估计呼吸速率。具体实现步骤如下：
一、带有呼吸冲击的CSI数据获取，即成年人不同频率呼吸的信道CSI数据
获取由Wi-Fi设备采集的大量成年人不同频率呼吸的信道CSI数据，数据由正常每分钟 16-20次，异常低于每分钟10次和高于每分钟30次组成，信号数量通常需要达到一定量 级，以保证神经网络在训练过程中能够收敛；一定量级是指基于Wi-Fi设备采集12000组以 上的成年人不同频率呼吸的信道CSI数据；其中，信道CSI数据包括4000组以上正常的呼吸频率和8000组以上异常呼吸频率，正常的呼吸频率为每分钟16-20次的呼吸频率，异常呼吸频率包括4000组以上每分钟低于10次的呼吸频率和4000组以上每分钟高于30次的呼吸频率。
二、生成无噪声功率谱图，即生成干净不带噪声的信号
基于信道CSI数据生成干净不带噪声的信号，即根据正常的呼吸频率和异常呼吸频率两 种呼吸类型，使用软件生成对应的功率谱图，达到一定的数量级，用于训练条件生成对抗 (CGAN)网络，得到训练好的CGAN模型，训练方式为现有的；
三、信道CSI数据降噪处理
对步骤1采集的人体呼吸CSI数据(信道CSI数据)进行降噪处理，原始CSI信号由于采集环境的影响而携带噪声，使用条件生成对抗网络(CGAN)进行去噪处理,具体过程如下：
CGAN模型降噪包括网络训练和测试两个过程，训练CGAN模型由生成器G和鉴别器D完成，测试CGAN模型由生成器G实现。
训练过程：生成器G对步骤1的含噪图像(信道CSI数据)进行维度压缩等去除原始信 号中的冗余信息，然后将输出的图像和步骤2的不含噪图像(即干净不带噪声的信号)依次 送入判别器D进行判别。
上述过程中，生成器G不断学习步骤2无噪声功率谱图像的分布规律，逐步将输入数据 映射到步骤2无噪声数据的分布，不断提高步骤1数据和步骤2数据分布相似度。判别器D 鉴别数据是否来自步骤2的无噪声图像还是来自生成器G输出的含噪图像。通过二者不断地 相互对抗训练，生成器G的生成能力和判别器D的鉴别能力都大大提高，生成器G输出的降 噪图像将最大化地逼近步骤2的不含噪图像，从而达到对步骤1含噪数据的降噪处理。
测试过程中，将测试用的步骤1含噪图像输入训练好的生成器G中，实现对含噪图像的 有效降噪，生成降噪后的图像用于多尺度卷积神经网络的输入。
四、建立人体呼吸CSI模型，即带有呼吸冲击的CSI模型
带有呼吸冲击的第k条路径随时间变化的增益ξk(t)具体为：
Figure BDA0003349033570000071
其中，ξk是无呼吸时路径k的增益，τk是路径k的信号时延，即发送端到接收端需要的时 间，Δτk是由于呼吸引起的k条路径的附加时延，
Figure BDA0003349033570000072
是路径损耗指数，b为人体呼吸频率，即 检测人体每分钟的呼吸次数，φ是呼吸的初始相位，当τk＞＞Δτk时，ξk(t)就近似等于时不变 的ξk，即ξk(t)为常数，不随时间的变化而变化，t表示t时刻；
呼吸运动改变路径长度从而使得路径的信号时延发生变化，第k条路径的t时刻的信号时 延表达式为：
Figure BDA0003349033570000073
在典型的室内环境中，信号不仅沿直线传播，还会被环境中的物体影响，发生反射、折 射，因此CSI模型是所有路径信号增益的叠加形式，其表达式Hn(t)为：
Figure BDA0003349033570000074
其中，n∈N，N表示可用子载波集，L是室内多路径的总数，fn是第n个子载波的载波频率，en(t)是第n个子载波在t时刻的白噪声，τk(t)表示t时刻路径k的信号时延；
将第k条路径的t时刻的信号时延表达式代入Hn(t)，最终得到Hn(t)为：
Figure BDA0003349033570000081
对步骤3建立了CSI模型的呼吸数据使用多尺度卷积神经网络捕获CSI信号变化的周期 角速度，当反射路径中只存在一个人时，由于人体呼吸频率在短时间内是相对稳定的，因 此，当目标进行呼吸时，路径时延周期变化的角速度短时间内可视为常数。除了被人体呼吸 影响的路径之外，其他未受影响的路径不会引起CSI信号的相位发生周期变化；
五、多尺度卷积神经网络提取CSI周期变化角速度，即周期角速度
使用的多尺度卷积神经网络由1个卷积层、5个串行的多尺度模块、3个串行的池化层 和2个全连接组成。卷积层的卷积核大小为5,步长为2,包含64个卷积核。多尺度模块由4个并行的卷积层组成，卷积层的卷积核大小分别为3、5、7、9,步长都为1。其中第1个多 尺度模块的4个卷积层分别包含16个卷积核，第2、3个多尺度模块的4个卷积层分别包含 32个卷积核，第4、5个多尺度模块的4个卷积层分别包含64个卷积核。对于3个池化 层，池化窗口和步长都为3。多尺度卷积层提取的特征，经过全连接层和Softmax层处理， 得到相应的类别。其中，第1个全连接层的神经元个数为32。第2个全连接，即Softmax 层，神经元个数为2。
六、根据周期变化角速度估计呼吸速
根据周期角速度计算呼吸频率。若网路输出的时延周期变化的角速度ωk不为零，则该 路径信号为动态路径信号也就是携带人体呼吸的有效信号，输出角速度
Figure RE-GDA0003404317210000081
为对应路径 的CSI相位随时间恒定的周期性变化。通过修改ω变化范围来估计由信号导致的角速度变 化，在这里谱峰的搜索范围应该限制在正常人类呼吸频率范围内，因此角速度ω的搜索范围 应该设置在0.2π到π之间，对应于6到30bpm之间的呼吸速率。呼吸频率的估计值
Figure RE-GDA0003404317210000082
可以 由ω表示为：
Figure BDA0003349033570000084
其中，ω表示角速度，
Figure BDA0003349033570000085
表示呼吸频率的估计值。
综上所述，与传统呼吸检测方法相比，本发明采用了非接触式检测方式，提高检测精度 的同时满足了用户舒适度；同时与基于模型的方式相比，本发明基于深度学习，提高了检测 的速度和精度，能达到呼吸的实时检测。
以上仅是本发明众多具体应用范围中的代表性实施例，对本发明的保护范围不构成任何 限制。凡采用变换或是等效替换而形成的技术方案，均落在本发明权利保护范围之内。

Claims (10)

1.一种CGAN和多尺度卷积神经网络实现呼吸检测的方法，其特征在于，包括：
步骤1：获取一定量级的成年人不同频率呼吸的信道CSI数据，其中，信道CSI数据包括正常的呼吸频率和异常呼吸频率；
步骤2：基于信道CSI数据生成干净不带噪声的信号，并用于训练条件训练对抗网络CGAN，得到训练好的CGAN模型；
步骤3：基于训练好的CGAN模型对信道CSI数据进行去噪处理；
步骤4：基于去噪后的信道CSI数据建模，得到带有呼吸冲击的CSI模型；
步骤5：对去噪后的信道CSI数据使用多尺度卷积神经网络捕获其变化的周期角速度；
步骤6：基于周期角速度计算呼吸频率。
2.根据权利要求1所述的一种CGAN和多尺度卷积神经网络实现呼吸检测的方法，其特征在于，所述步骤1中基于Wi-Fi设备采集12000组以上的成年人不同频率呼吸的信道CSI数据；其中，信道CSI数据包括4000组以上正常的呼吸频率和8000组以上异常呼吸频率，正常的呼吸频率为每分钟16-20次的呼吸频率，异常呼吸频率包括4000组以上每分钟低于10次的呼吸频率和4000组以上每分钟高于30次的呼吸频率。
3.根据权利要求2所述的一种CGAN和多尺度卷积神经网络实现呼吸检测的方法，其特征在于，所述步骤4得到的带有呼吸冲击的第k条路径随时间变化的增益ξk(t)具体为：
Figure FDA0003349033560000011
其中，ξk是无呼吸时路径k的增益，τk是路径k的信号时延，即发送端到接收端需要的时间，Δτk是由于呼吸引起的k条路径的附加时延，
Figure FDA0003349033560000012
是路径损耗指数，b为人体呼吸频率，即检测人体每分钟的呼吸次数，φ是呼吸的初始相位，当τk＞＞Δtk时，ξk(t)就近似等于时不变的ξk，即ξk(t)为常数，不随时间的变化而变化，t表示t时刻；
呼吸运动改变路径长度从而使得路径的信号时延发生变化，第k条路径的t时刻的信号时延表达式为：
Figure FDA0003349033560000013
在典型的室内环境中，信号不仅沿直线传播，还会被环境中的物体影响，发生反射、折射，因此CSI模型是所有路径信号增益的叠加形式，其表达式Hn(t)为：
Figure FDA0003349033560000021
其中，n∈N，N表示可用子载波集，L是室内多路径的总数，fn是第n个子载波的载波频率，en(t)是第n个子载波在t时刻的白噪声，τk(t)表示t时刻路径k的信号时延；
将第k条路径的t时刻的信号时延表达式代入Hn(t)，最终得到Hn(t)为：
Figure FDA0003349033560000022
4.根据权利要求3所述的一种CGAN和多尺度卷积神经网络实现呼吸检测的方法，其特征在于，所述步骤5中的多尺度卷积神经网络的结构为：依次由1个卷积层、5个串行的多尺度模块、3个串行的池化层和2个全连接组成；
卷积层的卷积核大小为5，步长为2，包含64个卷积核；
多尺度模块由4个并行的卷积层组成，卷积层的卷积核大小分别为3、5、7、9，步长都为1；
第1个多尺度模块的4个卷积层分别包含16个卷积核，第2、3个多尺度模块的4个卷积层分别包含32个卷积核，第4、5个多尺度模块的4个卷积层分别包含64个卷积核；
3个池化层的池化窗口和步长都为3；
多尺度卷积层经过池化层提取的特征，依次经过2个全连接层处理，得到相应的类别，其中，第1个全连接层的神经元个数为32，第2个全连接，即Softmax层，神经元个数为2。
5.根据权利要求4所述的一种CGAN和多尺度卷积神经网络实现呼吸检测的方法，其特征在于，所述步骤6中基于周期角速度计算呼吸频率的公式为：
Figure FDA0003349033560000023
其中，ω表示角速度，
Figure FDA0003349033560000024
表示呼吸频率的估计值。
6.一种CGAN和多尺度卷积神经网络实现呼吸检测的系统，其特征在于，包括：
Wi-Fi设备：获取一定量级的成年人不同频率呼吸的信道CSI数据，其中，信道CSI数据包括正常的呼吸频率和异常呼吸频率；
训练模块：基于信道CSI数据生成干净不带噪声的信号，并用于训练条件训练对抗网络CGAN，得到训练好的CGAN模型；
去噪模块：基于训练好的CGAN模型对信道CSI数据进行去噪处理；
模型构建模块：基于去噪后的信道CSI数据建模，得到带有呼吸冲击的CSI模型；
捕获模块：对去噪后的信道CSI数据使用多尺度卷积神经网络捕获其变化的周期角速度；
计算模块：基于周期角速度计算呼吸频率。
7.根据权利要求6所述的一种CGAN和多尺度卷积神经网络实现呼吸检测的系统，其特征在于，所述Wi-Fi设备采集12000组以上的成年人不同频率呼吸的信道CSI数据；其中，信道CSI数据包括4000组以上正常的呼吸频率和8000组以上异常呼吸频率，正常的呼吸频率为每分钟16-20次的呼吸频率，异常呼吸频率包括4000组以上每分钟低于10次的呼吸频率和4000组以上每分钟高于30次的呼吸频率。
8.根据权利要求7所述的一种CGAN和多尺度卷积神经网络实现呼吸检测的系统，其特征在于，所述模型构建模块得到的带有呼吸冲击的第k条路径随时间变化的增益ξk(t)具体为：
Figure FDA0003349033560000031
其中，ξk是无呼吸时路径k的增益，τk是路径k的信号时延，即发送端到接收端需要的时间，Δτk是由于呼吸引起的k条路径的附加时延，
Figure FDA0003349033560000032
是路径损耗指数，b为人体呼吸频率，即检测人体每分钟的呼吸次数，φ是呼吸的初始相位，当τk＞＞Δτk时，ξk(t)就近似等于时不变的ξk，t表示t时刻；
呼吸运动改变路径长度从而使得路径的信号时延发生变化，第k条路径的t时刻的信号时延表达式为：
Figure FDA0003349033560000033
在典型的室内环境中，信号不仅沿直线传播，还会被环境中的物体影响，发生反射、折射，因此CSI模型是所有路径信号增益的叠加形式，其表达式Hn(t)为：
Figure FDA0003349033560000034
其中，n∈N，N表示可用子载波集，L是室内多路径的总数，fn是第n个子载波的载波频率，en(t)是第n个子载波在t时刻的白噪声，τk(t)表示t时刻路径k的信号时延；
将第k条路径的t时刻的信号时延表达式代入Hn(t)，最终得到Hn(t)为：
Figure FDA0003349033560000041
9.根据权利要求8所述的一种CGAN和多尺度卷积神经网络实现呼吸检测的系统，其特征在于，所述捕获模块中的多尺度卷积神经网络的结构为：依次由1个卷积层、5个串行的多尺度模块、3个串行的池化层和2个全连接组成；
卷积层的卷积核大小为5，步长为2，包含64个卷积核；
多尺度模块由4个并行的卷积层组成，卷积层的卷积核大小分别为3、5、7、9，步长都为1；
第1个多尺度模块的4个卷积层分别包含16个卷积核，第2、3个多尺度模块的4个卷积层分别包含32个卷积核，第4、5个多尺度模块的4个卷积层分别包含64个卷积核；
3个池化层的池化窗口和步长都为3；
多尺度卷积层经过池化层提取的特征，依次经过2个全连接层处理，得到相应的类别，其中，第1个全连接层的神经元个数为32，第2个全连接，即Softmax层，神经元个数为2。
10.根据权利要求9所述的一种CGAN和多尺度卷积神经网络实现呼吸检测的系统，其特征在于，所述计算模块中基于周期角速度计算呼吸频率的公式为：
Figure FDA0003349033560000042
其中，ω表示角速度，
Figure FDA0003349033560000043
表示呼吸频率的估计值。
CN202111331440.1A 2021-11-11 2021-11-11 Cgan和多尺度卷积神经网络实现呼吸检测的方法及系统 Active CN113907743B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111331440.1A CN113907743B (zh) 2021-11-11 2021-11-11 Cgan和多尺度卷积神经网络实现呼吸检测的方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111331440.1A CN113907743B (zh) 2021-11-11 2021-11-11 Cgan和多尺度卷积神经网络实现呼吸检测的方法及系统

Publications (2)

Publication Number Publication Date
CN113907743A true CN113907743A (zh) 2022-01-11
CN113907743B CN113907743B (zh) 2022-06-17

Family

ID=79245940

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111331440.1A Active CN113907743B (zh) 2021-11-11 2021-11-11 Cgan和多尺度卷积神经网络实现呼吸检测的方法及系统

Country Status (1)

Country Link
CN (1) CN113907743B (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108553108A (zh) * 2018-03-05 2018-09-21 叶伟 一种基于Wi-Fi中CSI信号的人体动作与呼吸的检测方法和系统
WO2020006939A1 (zh) * 2018-07-06 2020-01-09 苏州大学张家港工业技术研究院 基于生成式对抗网络的心电图生成及分类方法
CN111461295A (zh) * 2020-03-20 2020-07-28 南京理工大学 基于多尺度生成对抗神经网络的单帧条纹分析方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108553108A (zh) * 2018-03-05 2018-09-21 叶伟 一种基于Wi-Fi中CSI信号的人体动作与呼吸的检测方法和系统
WO2020006939A1 (zh) * 2018-07-06 2020-01-09 苏州大学张家港工业技术研究院 基于生成式对抗网络的心电图生成及分类方法
CN111461295A (zh) * 2020-03-20 2020-07-28 南京理工大学 基于多尺度生成对抗神经网络的单帧条纹分析方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
S. JAYALAKSHMY等: "Conditional GAN based augmentation for predictive modeling of respiratory signals", 《COMPUTERS IN BIOLOGY AND MEDICINE 》 *
WENTAO XIE等: "Noncontact Respiration Detection Leveraging Music and Broadcast Signals", 《IEEE INTERNET OF THINGS JOURNAL》 *
管华林: "基于CSI的人体呼吸检测与分类技术的研究", 《中国优秀博硕士学位论文全文数据库(硕士)医药卫生科技辑》 *

Also Published As

Publication number Publication date
CN113907743B (zh) 2022-06-17

Similar Documents

Publication Publication Date Title
Chelli et al. A machine learning approach for fall detection and daily living activity recognition
Su et al. Doppler radar fall activity detection using the wavelet transform
CN108553108B (zh) 一种基于Wi-Fi中CSI信号的人体动作与呼吸的检测方法和系统
Hsu et al. Deep learning with time-frequency representation for pulse estimation from facial videos
Cheffena Fall detection using smartphone audio features
Mubashir et al. A survey on fall detection: Principles and approaches
CN111089604B (zh) 基于可穿戴传感器的健身运动识别方法
Bashar et al. A machine learning approach for heart rate estimation from PPG signal using random forest regression algorithm
CN113990494B (zh) 一种基于视频数据的抽动症辅助筛查系统
CN111248879A (zh) 一种基于多模态注意力融合的高血压老年人活动分析方法
CN107403407A (zh) 一种基于热成像技术的呼吸跟踪方法
Mithbavkar et al. Recognition of emotion through facial expressions using EMG signal
Zou et al. A blind source separation framework for monitoring heart beat rate using nanofiber-based strain sensors
CN111429345A (zh) 一种超低功耗视觉计算心率及心率变异性方法
Lubina et al. Artificial neural networks in accelerometer-based human activity recognition
CN115251845A (zh) 基于TB-TF-BiGRU模型处理脑电波信号的睡眠监测方法
Geng Research on athlete’s action recognition based on acceleration sensor and deep learning
CN113453180B (zh) 一种人体摔倒智能检测方法、系统、信息数据处理终端
CN113907743B (zh) Cgan和多尺度卷积神经网络实现呼吸检测的方法及系统
Bhattacharjee et al. A comparative study of supervised learning techniques for human activity monitoring using smart sensors
CN106419884A (zh) 一种基于小波分析的心率计算方法与系统
CN113693573B (zh) 一种基于视频的非接触式多生理参数监测的系统及方法
CN115474901A (zh) 基于无线射频信号的非接触式起居状态监测方法及系统
Daga et al. Silhouette based human fall detection using multimodal classifiers for content based video retrieval systems
CN115393956A (zh) 改进注意力机制的CNN-BiLSTM跌倒检测方法

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