CN113925479A - 一种基于智能车载盒子的生命监测方法及装置 - Google Patents
一种基于智能车载盒子的生命监测方法及装置 Download PDFInfo
- Publication number
- CN113925479A CN113925479A CN202110995159.1A CN202110995159A CN113925479A CN 113925479 A CN113925479 A CN 113925479A CN 202110995159 A CN202110995159 A CN 202110995159A CN 113925479 A CN113925479 A CN 113925479A
- Authority
- CN
- China
- Prior art keywords
- signal
- distance
- vehicle
- target
- data
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 49
- 238000012544 monitoring process Methods 0.000 title claims abstract description 30
- 230000029058 respiratory gaseous exchange Effects 0.000 claims abstract description 31
- 230000035559 beat frequency Effects 0.000 claims abstract description 21
- 238000012545 processing Methods 0.000 claims abstract description 18
- 238000001914 filtration Methods 0.000 claims abstract description 12
- 238000002156 mixing Methods 0.000 claims abstract description 4
- 238000004422 calculation algorithm Methods 0.000 claims description 18
- 238000001514 detection method Methods 0.000 claims description 18
- 230000003068 static effect Effects 0.000 claims description 15
- 238000005070 sampling Methods 0.000 claims description 12
- 238000001228 spectrum Methods 0.000 claims description 10
- 238000007781 pre-processing Methods 0.000 claims description 6
- 238000007619 statistical method Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 5
- 230000000241 respiratory effect Effects 0.000 claims description 5
- 230000002159 abnormal effect Effects 0.000 claims description 4
- 238000003491 array Methods 0.000 claims description 4
- 239000012535 impurity Substances 0.000 claims description 4
- 230000036391 respiratory frequency Effects 0.000 claims description 4
- 230000036387 respiratory rate Effects 0.000 claims description 4
- 230000035565 breathing frequency Effects 0.000 claims description 3
- 238000010586 diagram Methods 0.000 claims description 3
- 238000005315 distribution function Methods 0.000 claims description 3
- 230000036541 health Effects 0.000 claims description 3
- 238000012806 monitoring device Methods 0.000 claims description 3
- 238000007405 data analysis Methods 0.000 claims description 2
- 238000004364 calculation method Methods 0.000 description 6
- 230000006872 improvement Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000000446 fuel Substances 0.000 description 2
- 230000001121 heart beat frequency Effects 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 239000002341 toxic gas Substances 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 206010003497 Asphyxia Diseases 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 210000000038 chest Anatomy 0.000 description 1
- 238000002485 combustion reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 239000007789 gas Substances 0.000 description 1
- 238000002955 isolation Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 239000003208 petroleum Substances 0.000 description 1
- 238000002310 reflectometry Methods 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 231100000331 toxic Toxicity 0.000 description 1
- 230000002588 toxic effect Effects 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/02—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
-
- 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
- A61B5/68—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient
- A61B5/6887—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient mounted on external non-worn devices, e.g. non-medical devices
- A61B5/6893—Cars
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/74—Details of notification to user or communication with user or patient ; user input means
- A61B5/746—Alarms related to a physiological condition, e.g. details of setting alarm thresholds or avoiding false alarms
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Veterinary Medicine (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Public Health (AREA)
- Physics & Mathematics (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Physiology (AREA)
- Cardiology (AREA)
- Pulmonology (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明提供一种基于智能车载盒子的生命监测方法及装置,具体包括:毫米波雷达发送信号对车内区域进行扫描,接收雷达的回波信号,将发射信号与回波信号进行混频得到拍频信号;获取N帧拍频信号,将N帧拍频信号发送给智能车载盒子进行第一数据处理后判断是否存在目标;对存在目标的信号进行滤波分别获取心率信号和呼吸率信号。通过本申请提供的智能车载盒子,能够实时对车内的目标进行生命体征监测,当发现生命体征异常时,能够及时进行报警求助。
Description
技术领域
本发明涉及车内人员的生命体征监测,尤其涉及一种智能车载盒子的生命监测方法及装置。
背景技术
随着经济的发展和社会进步,伴随着汽车工业的飞速发展,使得汽车在人们的生活中逐渐得以普及。生活水平的提高使得人们对现代汽车提出的智能、舒适、安全等功能方面的需求,特别是汽车安全方面是越来越受到人们的关注。当汽车安全隐患的及时预防和事故发生后的及时救援等安全功能一直是汽车厂商以及tie1改进的技术点。由于实际生活中,人总会出现粗心大意的时候,有时候会发生驾驶员下车后把车内的幼儿或儿童遗忘在车上,由于车内密闭的环境使得幼儿发生窒息的事故。另外,在汽车停止时,发动机未熄火时存在汽车不完全燃烧而导致产生较多的有毒气体进入车内,使得车内的人员发生窒息从而导致惨剧的发生。因此有必要提出一种生命体征检测的报警技术,以防止类似的事故出现。
发明内容
基于现有技术中存在的缺陷,本发明提供一种智能车载盒子的生命监测方法,其特征在于,至少包括:
毫米波雷达发送信号对车内区域进行扫描,接收雷达的回波信号,将发射信号与回波信号进行混频得到拍频信号;获取N帧拍频信号,将N帧拍频信号发送给智能车载盒子进行第一数据处理后判断是否存在目标;
对存在目标的信号进行滤波分别获取心率信号和呼吸率信号;
其中,第一数据处理包括:拍频信号预处理和目标检测,目标检测至少包括:
采用恒虚警方法或最优距离门选取算法选择目标所在的最优距离门为目标所在的距离门进行判断是否存在目标;采用聚类算法对目标进行聚类,将相同的目标点进行合并,获得待测的目标数量以及目标的距离信息。
一种智能车载盒子的生命监测方法,进一步地,对心率信号和呼吸信号进行重构,去除谐波干涉和噪音。
一种智能车载盒子的生命监测方法,进一步地,拍频信号预处理包括:
预设尺寸的滑窗,针对同一个距离单元计算连续n个慢采样点的平均值,作为该距离单元处的静态环境杂波分量;
然后将滑窗内的全部慢采样数据减去平均值,作为当前时刻去除静态杂波分量的运算结果;
对去除杂波后的拍频数据进行指数加权平均与递推平均滤波。
一种智能车载盒子的生命监测方法,进一步地,目标检测包括:
针对获得1D FFT数据或2D FFT数据对不同的距离单元的数据进行分布拟合,沿着距离向滑动窗口检测采集窗采集数据,对检测窗内的信号进行统计分析,获得背景信号的分布频率图,通过最优距离门选取算法选取目标所在的最优距离门为目标所在的距离门。
一种智能车载盒子的生命监测方法,进一步地,对不同距离单元的数据进行分布拟合,沿着距离向滑动检测窗采集数据,对检测窗内的信号进行统计分析,得到背景信号的分布频率图,并对概率分布进行分布拟合及参数估计,选择最优的分布拟合。并用背景分布频率与拟合的概率分布的平均绝对误差来选取最优的分布拟合,获取拟合后的分布函数。
一种智能车载盒子的生命监测方法,进一步地,聚类算法包括以下步骤:
步骤S21:数据集中任意选取一个点A,获取到点A距离小于等于第一阈值eps的所有的点,形成第一邻域点集;
步骤S22:根据第一阈值eps判断点A是否核心点或离群点;
步骤S23:若A为离群点,将A标记为噪音点,则跳转执行步骤S21;
步骤S24:若点A为核心点,将第一邻域点集的点进行簇标识;访问属于点A中的第一邻域点集中的任意一点B,获取到点B距离小于eps内第一预设范围所有邻近点,如果邻近点为核心样本,对邻近点进行簇标识,若邻近点为离群点,则标识为噪音点;
步骤S25:依次遍历尚未被访问过的点,并重复相同的过程,获取聚类数据。
一种智能车载盒子的生命监测方法,进一步地,在步骤S21中,第一阈值定义:根据给定预设阈值半径eps进行估计,具体包括:根据给定的半径eps,计算以eps为半径的圆的内接矩形的边长以边长为单位,将整个数据集按照以边长为单位的网络进行划分,构建坐标系,取所有网格中具有相同数量的点中的数量最大值作为第一阈值。
一种智能车载盒子的生命监测方法,进一步地,在步骤S22中,如果距起始点A的距离在eps之内的数据点个数小于与第一阈值,将起始点A被标记为离群点;如果距离在eps之内的数据点个数大于第一阈值,则标记点A为核心点,并被分配一个新的簇标签。
一种智能车载盒子的生命监测方法,进一步地,对存在目标的信号进行滤波分别获取心率信号和呼吸率信号包括:
步骤S31:采用带通滤波器对具有目标的雷达信号进行过滤,获取呼吸频率和心率的信号;
步骤S32:通过在呼吸信号和心率信号中各自的时域波形中找到峰值间距离来估计呼吸率和心率,其中,峰值间距包括最小峰值距离Smin和最大峰值距离Smax,最小峰值距离Smin和最大峰值距离Smax根据采样率和允许的频率范围进行确定。
步骤S33,对呼吸信号进行呼吸率估计,具体包括:获取置信度,当置信度小于预设阈值,则选择基于峰间距离的估计作为呼吸率;
若置信度大于预设阈值,根据呼吸区域频谱内最大峰值的频率来选择呼吸频率;
其中,置信度为最大峰值的信号功率与呼吸区域频谱中剩余频率块的比值。
一种智能车载盒子的生命监测方法,进一步地,当目标生命体征信号发生异常时,若车辆处于静止状态时,生成报警信息,启动报警;
所述报警信息包括声音信息、即时信息中的至少一种;
车辆处于静止状态是通过智能车载盒子上的GPS移动的距离进行判断。
一种智能车载盒子的生命监测装置,包括:安装于车内车载盒子、毫米波雷达、毫米波雷达,毫米波雷达通过设置车载盒子的网关与智能车载盒子相连接,其中,毫米波雷达用于对处于车内的生命体征进行检测,智能车载盒子用于对毫米波雷达传来的生命体征数据进行数据分析处理,从而获取当前车内的人员生命健康状态;
毫米波雷达频率包括:60GHz~81GHz,采用调频连续波;
毫米波雷达包括W个发射天线阵元T和X个接收天线阵元R,采用时分复用方式进行发射,其对应的虚拟天线阵列为均匀直线阵;
毫米波雷达安装车内驾驶员座椅、副驾驶座椅的中部,或安装于车顶并向车辆后部倾斜10~15度;
还包括:权利要求1至10的任一项一种智能车载盒子的生命监测方法。
有益效果:
1.本发明提供的技术方案中,通过智能车载盒子以及安装车内的车载雷达,能够实现对车内的目标进行实时检测,当发现目标的生命体征出现异常时,能够报警。
2.本实施例方案中,判断报警的时机选择在ACC信号关闭。
3.本实施采用聚类算法,通过对聚类算法进行改进,只需计算预设区域点,无需全部计算所有点,能够降低计算量。只需指定半径,无需指定其他参数。
附图说明
以下附图仅对本发明做示意性说明和解释,并不限定本发明的范围。
图1为本发明一实施例中智能车载盒子的生命监测系统示意图。
图2为本发明一实施例中智能车载盒子的结构示意图。
图3为本发明一实施例中生命体征监测方法流程图。
具体实施方式
为了对本文的技术特征、目的和效果有更加清楚的理解,现对照附图说明本发明的具体实施方式,在各图中相同的标号表示相同的部分。为使图面简洁,各图中的示意性地表示出了与本发明相关部分,而并不代表其作为产品的实际结构。另外,为使图面简洁便于理解,在有些图中具有相同结构或功能的部件,仅示意性地绘示了其中的一个,或仅标出了其中的一个。
关于控制系统,功能模块、应用程序(APP)本领域技术人员熟知的是,其可以采用任何适当的形式,既可以是硬件也可以是软件,既可以是离散设置的多个功能模块,也可以是集成到一个硬件上的多个功能单元。作为最简单的形式,所述控制系统可以是控制器,例如组合逻辑控制器、微程序控制器等,只要能够实现本申请描述的操作即可。当然,控制系统也可以作为不同的模块集成到一个物理设备上,这些都不偏离本发明的基本原理和保护范围。
本发明中“连接”,即可包括直接连接、也可以包括间接连接、通信连接、电连接,特别说明除外。
本文中所使用的术语仅为了描述特定实施方案的目的并且不旨在限制本公开。如本文中所使用地,单数形式“一个”、“一种”、以及“该”旨在也包括复数形式,除非上下文明确地另作规定。还将理解的是,当在说明书中使用时,术语“包括”和/或“包含”是指存在有所陈述的特征、数值、步骤、操作、元件和/或组分,但是并不排除存在有或额外增加一个或多个其它的特征、数值、步骤、操作、元件、组分和/或其组成的群组。作为在本文中所使用的,术语“和/或”包括列举的相关项的一个或多个的任何和全部的组合
应当理解,此处所使用的术语“车辆”或“车辆的”或其它类似术语一般包括机动车辆,例如包括运动型多用途车辆(SUV)、公共汽车、卡车、各种商用车辆的乘用汽车,包括各种舟艇、船舶的船只,航空器等等,并且包括混合动力车辆、电动车辆、可插式混合动力电动车辆、氢动力车辆以及其它替代性燃料车辆(例如源于非石油的能源的燃料)。正如此处所提到的,混合动力车辆是具有两种或更多动力源的车辆,例如汽油动力和电力动力两者的车辆。
本发明提供第一种实施例,具体为一种基于智能车载盒子生命监测装置,如图1所示,包括:安装于车内的车载盒子2、多个毫米波雷达1,毫米波雷达1通过设置车载盒子2的网关与智能车载盒子2相连接,车载盒子2与云服务器3连接。其中,毫米波雷达1用于对处于车内的生命体征进行检测,智能车载盒子2用于对毫米波雷达1传来的生命体征数据进行数据分析处理,从而获取当前车内的人员生命健康状态;
其中,毫米波雷达1频率包括:60GHz~81GHz,采用调频连续波;
优选的,毫米波雷达1包括W个发射天线阵元T和X个接收天线阵元R,采用时分复用方式进行发射,其对应的虚拟天线阵列为均匀直线阵,在时分复用MIMO配置中通过T1、T2。。。Tw依次发送;
毫米波雷达1安装车内驾驶员座椅、副驾驶座椅的中部,或安装于车顶并向车辆后部倾斜10~15度。
通过倾斜一定角度安装的方式,相比现有毫米波雷达1平行安装的角度,能够降低无关的发射信号。
采用数字波束成型通过基带对雷达发送的信号进行处理,控制每个天线上发送的相位和幅值,从而控制雷达信号发射的方向和控制,用于监测固定区域的目标信号。
智能车载盒子2挂载于驾驶室内,如图2所示,智能车载盒子2包括:网关、MCU芯片、SOC芯片、报警模块、扬声器,其中,MCU用于传输控制信号,SOC芯片用于对毫米波雷达1获得的生命体征信号进行数据处理分析获得生命体征信号,生命体征信号包括:呼吸频率和心跳频率;网关具备无线通信或有线通信功能;
当获得的生命体征指标发生异常时,MCU启动发送报警指令给预设服务器,同时启动扬声器发生蜂鸣声进行报警。
本发明还提供一种基于智能车载盒子生命监测的方法,如图3所示,具体包括:
毫米波雷达1发送雷达信号对车内区域进行扫描,接收雷达的回波信号,将发射信号与回波信号进行混频得到拍频信号;
获取N帧拍频信号,将对N帧拍频信号发送给智能车载盒子2进行第一数据处理后判断是否存在目标;
具体地,可以预设一定时间进行采样,如50ms,60ms,70ms等,每次测量一组数据,通过慢时间积累N帧数据。
对存在目标的信号进行第二数据处理估计目标的心率和呼吸频率;
具体地,车内的位置较为固定,本实施优选的采用数字波束成形控制毫米波雷达1信号的发射方向,对预设的区域进行扫描,如区域1、区域2、区域n,如驾驶员位置,副驾位置、后排位置;
第一数据处理包括:拍频信号预处理和目标检测;
具体地,拍频信号预处理包括:取预设大小的滑窗,针对同一个距离单元计算连续n个慢采样点的平均值,作为该距离单元处的静态环境杂波分量;然后将滑窗内的全部慢采样数据减去该均平均值,作为当前时刻去除静态杂波分量的运算结果;
对去除杂波后的拍频数据进行指数加权平均与递推平均滤波;
通过对去除杂波后的拍频数据进行指数加权平均与递推平均滤波,能够获得较高的信噪比。
对数据进行1D FFT(傅里叶变换)获得的距离FFT的数据或2D FFT获得距离-多普勒数据。
目标检测过程中,主要是针对1D FFT数据或2D FFT数据进行处理,从而获得目标。
目标检测包括:针对获得1D FFT数据或2D FFT数据对不同的距离单元的数据进行分布拟合,沿着距离向滑动窗口检测采集窗采集数据,对检测窗内的信号进行统计分析,获得背景信号的分布频率图,通过最优距离门选取算法选择目标所在的最优距离门为目标所在的距离门。
最优距离门选取算法包括:在数据的拟合过程中,对多个快时间点进行取样,得到多个快时间能量值,选择能量值最大的作为候选目标所在的距离,依次类推,重复滑窗操作,每次滑窗操作新的候选目标所在的距离门,从候选的距离门中选取能量值的最大距离门为目标所在距离门。
上述方法中使用距离峰值检测的方式来确定目标的距离点,尽管被证明是可行的,能够反应被测目标的波动。但是申请人在后续研发的过程中发现,当毫米波雷达1与被测目标之间存在其他较强的反射的静态目标时,最强反射能量点未必是人的胸腔,为了改进此问题,申请人提供了另外的解决方案:
本发明提供了一种改进的目标检测方法,具体包括:
采用自适应阈值恒虚警方法进行判断是否存在目标,采用CA-CFAR取参考单元的平均值来估计背景噪声,对原始CA-CFAR算法进行修改。该修改能够使得算法具备较强的鲁棒性;
另外,为了克服目标遮挡的干扰信号的存在,一种改进方法是通过将参考窗口分为前导部分和滞后部分,然后选择样本较小的部分进行求和,用于估算阈值。但是在杂波边缘环境中严重下降,选择样本较小的部门进行计算时,误报率提升。CA-CFAR系统中,特定分辨率小区的阈值调整基于在同一扫描或扫描中从其相邻小区检测到的平均输入。当背景在范围或多普勒或两者上是均匀的时,能够获得较好的效果。但车内环境中,由于汽车内饰的材质众多,反射率不一致,其背景反射信号存在较大的非一致性。因此,为了解决该问题,本发明提供另外一种改进方案:
步骤S1,确定用于计算样本数,将样本数分为:隔离单元、训练单元、待测单元,训练单元分为滞后区域和前导区域;
步骤S2:分别对滞后区域的所有参考单元的信号和前导区域的参考单元的信号进行累加后获取第一滞后累加值和第一前导累加值;分别求取对滞后区域的所有参考单元的信号的第一最大值和前导区域的参考单元的信号的第二最大值;
步骤S3,将第一滞后累加值减去第一最大值后获得结果进行均值求解,获取滞后区域中所有参考单元的第一平均值;将第一前导累加值减去第二最大值后获得结果进行均值求解,获取前导区域中所有参考单元的第二平均值;
步骤S4,获取第一平均值和第二平均值中数值较大的值作为阈值计算的信号强度,将信号强度乘上门限系数a,则获得最终的比较阈值;
步骤S5:将比较阈值与待测单元的信号进行比较,判断是否存在目标;
步骤S6重复上步骤,直至滑动窗口遍历整个检测;平面得到所有目标所在的位置;
步骤S7,采用聚类算法将临近目标点视为一个目标,得到目标的距离信息。
具体地,另外的实施例中,对不同距离单元的数据进行分布拟合,沿着距离向滑动检测窗采集数据,对检测窗内的信号进行统计分析,得到背景信号的分布频率图,并对概率分布进行分布拟合及参数估计,选择最优的分布拟合。并用背景分布频率与拟合的概率分布的平均绝对误差来选取最优的分布拟合,获取拟合后的分布函数。
聚类算法如下,具体包括:
步骤S21:数据集中首选任意选取一个点A,获取到点A距离小于等于预设阈值eps的所有的点,形成第一邻域点集;
步骤S22:根据第一阈值eps判断点A是否核心点或离群点;
步骤S23:若A为离群点,将A标记为噪音点,则跳转执行步骤S21;
步骤S24:若点A为核心点,将第一邻域点集的点进行簇标识;访问属于点A中的第一邻域点集中的任意一点B,获取到点B距离小于eps内第一预设范围所有邻近点,如果邻近点为核心样本,对邻近点进行簇标识,若邻近点为离群点,则标识为噪音点。
第一阈值定义为:以点为圆心,eps长度为半径的圆,计算圆的外切正方形的形成的区域,正方形的边长为2eps。
例如:以点B为圆心,eps为半径,形成2eps为边长中正方形区域,点B为正方形的中心。计算正方形区域的所有点与点B之间的距离。
步骤S25:依次遍历尚未被访问过的点,并重复相同的过程,获取聚类数据。
在步骤S21中,第一阈值定义:根据给定预设阈值半径eps进行估计,具体包括:根据给定的半径eps,计算以eps为半径的圆的内接矩阵的边长以边长为单位,将整个数据集按照以边长为单位的网络进行划分,构建坐标系,具体划分方式为:将数据集中所有点的坐标除以网格的边长,向下取整,取所有网格中具有相同数量的点中的数量最大值作为第一阈值。
在步骤S22中,具体判断方式为:如果距起始点A的距离在eps之内的数据点个数小于与第一阈值,将起始点A被标记为离群点;如果距离在eps之内的数据点个数大于第一阈值,则标记点A为核心点,并被分配一个新的簇标签;
核心点:如果一个点,在以它为球心,以为半径的球内,至少有等于第一阈值数量的点,则这个点被称为核心点;
离群点:如果一个点除了自身以外没有其他点密度可达。
通过聚类算法的改进,在每次聚类迭代中,无需计算它与数据集中所有对象的距离,并选择Eps-邻域点。只需要计算以点为中心,2eps为边长的正方形区域即可,能够降低计算量。
与普通DBSCAN相比,实施所有以上改进点一方面只需要指定半径,无需指定其他参数。
另一方面,无需计算选定点与数据集中所有点的距离,只需计算指定半径2倍边长的正方形区域内的点,该改进能够降低计算量。
具体地,根据获取的聚类的数量,获取每个聚类的中心,计算聚类中心之间的距离,若距离在预设的阈值范围内,则认为两个聚类为同一目标;
将相同的目标进行合并后,获得最终待观察的目标数。
通过上面对目标进行检测判断是否存在目标以及对目标的数量进行判断,获取目标数后,对信号数据进行第二数据处理获取目标对应的呼吸频率和心率。
第二数据处理包括:呼吸信号处理和心率信号处理。
步骤S31,采用带通滤波器对具有目标的雷达信号进行过滤,获取呼吸频率和心率的信号;
具体地,正常情况下,人的心跳频率为0.8-2Hz,呼吸频率为0.1-0.5Hz,本实施例采用带通滤波器将心跳和呼吸信号分开。首先设计了两个带通滤波器,根据这两个频段来分离心跳和呼吸信号。采样频率为15~25Hz,通带增益和阻带增益分别为1~3dB和40~50dB。差分相位信号通过两个设计的带通滤波器后分别获得呼吸信号和心率信号。
步骤S32,通过在呼吸信号和心率信号中各自的时域波形中找到峰值间距离来估计呼吸率和心率,具体地,峰值间距包括最小峰值距离Smin和最大峰值距离Smax,最小峰值距离Smin和最大峰值距离Smax根据采样率和允许的频率范围进行定义;选择波形中的第一个峰值作为有效峰值,并选择下一个有效峰值,使得当前峰值和前一个有效峰值之间的距离在区间[Smin,Smax];
步骤S33,对呼吸信号进行呼吸率估计,具体包括:计算最大峰值的信号功率与呼吸区域频谱中剩余频率块的比值,称为置信度;
当置信度度量预设阈值,则选择基于峰间距离的估计作为呼吸率;
若置信度大于预设阈值,根据呼吸区域频谱内最大峰值的频率来选择呼吸频率。
步骤S34,对心率信号进行处理获取心率,具体包括:找到心率频谱中的所有峰值并保留前N个峰值,从前N个峰值中去除对应的呼吸波的峰值;
将剩余的峰值放在循环缓冲区中,累积T秒后的峰值个数;
使用聚类算法将累积的峰值个数划分为簇,确定具有最大峰值数的集群,并选择确定的簇的中值峰值作为有效心率的估计。
具体地,在步骤S31中,分离的两个频段的频谱中总是存在谐波和噪声频率,影响心跳率和呼吸率的估计。本实施为了去除谐波干涉和噪音。优选的,可以对心率或呼吸信号进行重构,以去除谐波干涉和噪音对信号的影响。
具体包括:呼吸信号或心率信号表示为:
x=W(β+V)
x呼吸信号或心率信号;
W表示频率范围内的正交变化基,W=(W1,W2,W3,……,Wm),β是维数为m×1的权重系数,V是噪音信号。
如果信号x在变换基W上只有k个(K<<m)个非零系数,那么,W称为x的稀疏基,k是稀疏信号的个数。
将原始信号x投影到N×m维的测量矩阵γ=[γ1,γ2,γ3,……,γm]中,信号x的非自适应线性投影值为通过在非自适应线性投影y中保留K个重要特征分量,具体表达式为:
y=γ*x=B*β+U,
式中,B=γ*W标识投影矩阵,U=γ*V标识噪音的投影值;
构建以下方程:
arg min||β||1,s.t||B*β-y||2≤δ
||β||1表示β的L1范数,δ是数据集中的噪音边界;
通过求解方程,可以利用最下二乘法,线性回归或梯度下降等方式求解上述方程,获得β的最优解β’;
根据获取的β’,对信号进行重构,获取去除谐波干涉和噪音的信号:
x’=W*β’
具体地,为了保证重建的信号是去噪后的心跳或呼吸信号,设置了限制条件,只有当重构信号频谱的峰值等于原始频谱的峰值时,才输出重构信号。
具体地,毫米波雷达1检测到车内存在生命时,对车内生命进行监测,当发现出现异常的及时报警。具体地:
在检测到车辆锁闭ACC信号后或车辆处于静止状态时,生成报警信息;所述报警信息包括声音信息、即时信息中的至少一种。
通过智能车载盒子2上的GPS移动的距离判断车辆是否处于静止状态。
现有技术中,往往是检测到车辆的ACC处于关闭状态时,才启动报警。但是往往忽视了车辆的ACC处于打得开状态时,但是驾驶员并未操作汽车行驶,仅是利用车内的空调调节车内温度。但此时汽车发送机处于不完全燃烧状态,容易产生有毒有害气体,因此为了避免因ACC信号处于开启车内有毒气体造成车内人员的窒息,本实施例在通过智能车载盒子2的GPS判断车内是否处于静止状态,若处于静止状态,则启动报警。
以上所述的仅是本发明的优选实施方式,本发明不限于以上实施例。本领域的技术人员可以清楚,该实施例中的形式不局限于此,同时可调整方式也不局限于此。可以理解,本领域技术人员在不脱离本发明的基本构思的前提下直接导出或联想到的其他改进和变化,均应认为包含在本发明的保护范围之内。
Claims (11)
1.一种智能车载盒子的生命监测方法,其特征在于,至少包括:
毫米波雷达发送信号对车内区域进行扫描,接收雷达的回波信号,将发射信号与回波信号进行混频得到拍频信号;获取N帧拍频信号,将N帧拍频信号发送给智能车载盒子进行第一数据处理后判断是否存在目标;
对存在目标的信号进行滤波分别获取心率信号和呼吸率信号;
其中,第一数据处理包括:拍频信号预处理和目标检测,目标检测至少包括:
采用恒虚警方法或最优距离门选取算法选择目标所在的最优距离门为目标所在的距离门进行判断是否存在目标;采用聚类算法对目标进行聚类,将相同的目标点进行合并,获得待测的目标数量以及目标的距离信息。
2.如权利要求1所述的一种智能车载盒子的生命监测方法,其特征在于,对心率信号和呼吸信号进行重构,去除谐波干涉和噪音。
3.如权利要求1所述的一种智能车载盒子的生命监测方法,其特征在于,拍频信号预处理包括:
预设尺寸的滑窗,针对同一个距离单元计算连续n个慢采样点的平均值,作为该距离单元处的静态环境杂波分量;
然后将滑窗内的全部慢采样数据减去平均值,作为当前时刻去除静态杂波分量的运算结果;
对去除杂波后的拍频数据进行指数加权平均与递推平均滤波。
4.如权利要求1所述的一种智能车载盒子的生命监测方法,其特征在于,最优距离门选取算法包括:
针对获得1D FFT数据或2D FFT数据对不同的距离单元的数据进行分布拟合,沿着距离向滑动窗口检测采集窗采集数据,对检测窗内的信号进行统计分析,获得背景信号的分布频率图,通过最优距离门选取算法选取目标所在的最优距离门为目标所在的距离门。
5.如权利要求1所述的一种智能车载盒子的生命监测方法,其特征在于,对不同距离单元的数据进行分布拟合,沿着距离向滑动检测窗采集数据,对检测窗内的信号进行统计分析,得到背景信号的分布频率图,并对概率分布进行分布拟合及参数估计,选择最优的分布拟合;并用背景分布频率与拟合的概率分布的平均绝对误差来选取最优的分布拟合,获取拟合后的分布函数。
6.如权利要求1所述的一种智能车载盒子的生命监测方法,其特征在于,聚类算法包括以下步骤:
步骤S21:数据集中任意选取一个点A,获取到点A距离小于等于第一阈值eps的所有的点,形成第一邻域点集;
步骤S22:根据第一阈值eps判断点A是否核心点或离群点;
步骤S23:若A为离群点,将A标记为噪音点,则跳转执行步骤S21;
步骤S24:若点A为核心点,将第一邻域点集的点进行簇标识;访问属于点A的第一邻域点集中的任意一点B,获取到点B距离小于eps内第一预设范围所有邻近点,如果邻近点为核心样本,对邻近点进行簇标识,若邻近点为离群点,则标识为噪音点;
步骤S25:依次遍历尚未被访问过的点,并重复相同的过程,获取聚类数据。
8.如权利要求6所述的一种智能车载盒子的生命监测方法,其特征在于,在步骤S22中,如果距起始点A的距离在eps之内的数据点个数小于第一阈值,将起始点A标记为离群点;如果距离在eps之内的数据点个数大于第一阈值,则标记点A为核心点,并被分配一个新的簇标签。
9.如权利要求1所述的一种智能车载盒子的生命监测方法,其特征在于,对存在目标的信号进行滤波分别获取心率信号和呼吸率信号包括:
步骤S31:采用带通滤波器对具有目标的雷达信号进行过滤,获取呼吸频率和心率的信号;
步骤S32:通过在呼吸信号和心率信号中各自的时域波形中找到峰值间距离来估计呼吸率和心率,其中,峰值间距包括最小峰值距离Smin和最大峰值距离Smax,最小峰值距离Smin和最大峰值距离Smax根据采样率和允许的频率范围进行确定;
步骤S33:对呼吸信号进行呼吸率估计,具体包括:获取置信度,当置信度小于预设阈值,则选择基于峰间距离的估计作为呼吸率;
若置信度大于预设阈值,根据呼吸区域频谱内最大峰值的频率来选择呼吸频率;
其中,置信度为最大峰值的信号功率与呼吸区域频谱中剩余频率块的比值。
10.如权利要求1所述的一种智能车载盒子的生命监测方法,其特征在于,当目标生命体征信号发生异常时,若车辆处于静止状态时,生成报警信息,启动报警;
所述报警信息包括声音信息、即时信息中的至少一种;
车辆处于静止状态是通过智能车载盒子上的GPS移动的距离进行判断。
11.一种智能车载盒子的生命监测装置,其特征在于,包括:安装于车内的车载盒子、毫米波雷达,毫米波雷达通过设置于车载盒子的网关与智能车载盒子相连接,其中,毫米波雷达用于对车内的生命体征进行检测,智能车载盒子用于对毫米波雷达传来的生命体征数据进行数据分析处理,从而获取当前车内的人员生命健康状态;
毫米波雷达频率包括:60GHz~81GHz,采用调频连续波;
毫米波雷达包括多个发射天线阵元和接收天线阵元,采用时分复用方式进行发射,其对应的虚拟天线阵列为均匀直线阵;
毫米波雷达安装于车内驾驶员座椅、副驾驶座椅的中部,或安装于车顶并向车辆后部倾斜10~15度;
还包括:权利要求1至10的任一项的一种智能车载盒子的生命监测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110995159.1A CN113925479B (zh) | 2021-08-27 | 2021-08-27 | 一种基于智能车载盒子的生命监测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110995159.1A CN113925479B (zh) | 2021-08-27 | 2021-08-27 | 一种基于智能车载盒子的生命监测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113925479A true CN113925479A (zh) | 2022-01-14 |
CN113925479B CN113925479B (zh) | 2023-10-03 |
Family
ID=79274661
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110995159.1A Active CN113925479B (zh) | 2021-08-27 | 2021-08-27 | 一种基于智能车载盒子的生命监测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113925479B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20230296724A1 (en) * | 2022-03-21 | 2023-09-21 | Texas Instruments Incorporated | Configurable hysteresis module |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040151383A1 (en) * | 2002-11-22 | 2004-08-05 | Stmicroelectronics, S.R.L. | Method for the analysis of micro-array images and relative device |
US20110055212A1 (en) * | 2009-09-01 | 2011-03-03 | Cheng-Fa Tsai | Density-based data clustering method |
CN106859648A (zh) * | 2016-12-21 | 2017-06-20 | 湖南华诺星空电子技术有限公司 | 基于非接触式检测的多目标人体呼吸信号监测方法及装置 |
US20180279884A1 (en) * | 2017-03-29 | 2018-10-04 | Texas Instruments Incorporated | Multi-person vital signs monitoring using millimeter wave (mm-wave) signals |
CN108919247A (zh) * | 2018-03-30 | 2018-11-30 | 中国科学院电子学研究所 | 一种基于恒虚警率检测的多目标体检测及定位方法 |
CN109359682A (zh) * | 2018-10-11 | 2019-02-19 | 北京市交通信息中心 | 一种基于f-dbscan迭代聚类的机场巴士候选站点筛选方法 |
CN109521427A (zh) * | 2018-11-15 | 2019-03-26 | 上海赫千电子科技有限公司 | 车载以太网雷达系统 |
CN109684382A (zh) * | 2018-12-20 | 2019-04-26 | 成都四方伟业软件股份有限公司 | 二维密度聚类方法及装置 |
KR20190129622A (ko) * | 2018-05-11 | 2019-11-20 | 서울대학교산학협력단 | 자동차 레이더 시스템에서 탐지된 타겟들의 클러스터링 방법 및 이를 위한 장치 |
CN112633427A (zh) * | 2021-03-15 | 2021-04-09 | 四川大学 | 一种基于离群点检测的超高次谐波发射信号检测方法 |
CN112883820A (zh) * | 2021-01-26 | 2021-06-01 | 上海应用技术大学 | 基于激光雷达点云的道路目标3d检测方法及系统 |
-
2021
- 2021-08-27 CN CN202110995159.1A patent/CN113925479B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040151383A1 (en) * | 2002-11-22 | 2004-08-05 | Stmicroelectronics, S.R.L. | Method for the analysis of micro-array images and relative device |
US20110055212A1 (en) * | 2009-09-01 | 2011-03-03 | Cheng-Fa Tsai | Density-based data clustering method |
CN106859648A (zh) * | 2016-12-21 | 2017-06-20 | 湖南华诺星空电子技术有限公司 | 基于非接触式检测的多目标人体呼吸信号监测方法及装置 |
US20180279884A1 (en) * | 2017-03-29 | 2018-10-04 | Texas Instruments Incorporated | Multi-person vital signs monitoring using millimeter wave (mm-wave) signals |
CN108919247A (zh) * | 2018-03-30 | 2018-11-30 | 中国科学院电子学研究所 | 一种基于恒虚警率检测的多目标体检测及定位方法 |
KR20190129622A (ko) * | 2018-05-11 | 2019-11-20 | 서울대학교산학협력단 | 자동차 레이더 시스템에서 탐지된 타겟들의 클러스터링 방법 및 이를 위한 장치 |
CN109359682A (zh) * | 2018-10-11 | 2019-02-19 | 北京市交通信息中心 | 一种基于f-dbscan迭代聚类的机场巴士候选站点筛选方法 |
CN109521427A (zh) * | 2018-11-15 | 2019-03-26 | 上海赫千电子科技有限公司 | 车载以太网雷达系统 |
CN109684382A (zh) * | 2018-12-20 | 2019-04-26 | 成都四方伟业软件股份有限公司 | 二维密度聚类方法及装置 |
CN112883820A (zh) * | 2021-01-26 | 2021-06-01 | 上海应用技术大学 | 基于激光雷达点云的道路目标3d检测方法及系统 |
CN112633427A (zh) * | 2021-03-15 | 2021-04-09 | 四川大学 | 一种基于离群点检测的超高次谐波发射信号检测方法 |
Non-Patent Citations (2)
Title |
---|
周水庚: "FDBSCAN:一种快速 DBSCAN算法(英文)", 《软件学报》 * |
李进讷: "基于DSCAN优化算法与决策树优化算法的气象时空数据挖掘技术研究", 《中国优秀硕士学位论文全文数据库》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20230296724A1 (en) * | 2022-03-21 | 2023-09-21 | Texas Instruments Incorporated | Configurable hysteresis module |
Also Published As
Publication number | Publication date |
---|---|
CN113925479B (zh) | 2023-10-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109774641B (zh) | 车内人员检测方法、雷达和车 | |
EP3652026B1 (en) | System and method for radar-based determination of a number of passengers inside a vehicle passenger compartment | |
CN113945913A (zh) | 一种基于毫米波雷达点云的车内人员检测方法 | |
CN113561911B (zh) | 车辆控制方法、装置、毫米波雷达及存储介质 | |
CN111308458A (zh) | 一种基于车载毫米波雷达的自车速度估计方法 | |
CN113925479B (zh) | 一种基于智能车载盒子的生命监测方法及装置 | |
WO2023284764A1 (zh) | 车内生命体的雷达探测方法、装置及终端设备 | |
CN111856593A (zh) | 车内活体遗落监测装置和方法 | |
CN113805165B (zh) | 车内生命体遗留检测方法、装置及车辆安全控制方法和装置 | |
CN111568396A (zh) | 一种V2iFi基于紧凑型射频感应的车内生命体征监测技术 | |
CN115980691A (zh) | 一种舱内乘员检测方法和装置 | |
CN113740855B (zh) | 占位识别方法、装置、毫米波雷达及存储介质 | |
EP4239364A1 (en) | Electronic device, electronic device control method, and program | |
CN212540743U (zh) | 车内活体遗落监测装置 | |
JP2020030093A (ja) | 物体検知装置 | |
JP2011237323A (ja) | 騒音測定装置 | |
EP4266084A1 (en) | Ordered-statistics ratio (osr) constant false alarm rate (cfar) detection with empirical data fitting | |
JP7223197B2 (ja) | 電子機器、電子機器の制御方法、及びプログラム | |
CN116893415B (zh) | 基于毫米波稀疏阵列系统设计的快速成像方法及系统 | |
LU100451B1 (en) | System and Method for Radar-Based Detremination of a Number of Passengers inside a Vehicle Passenger Compartment | |
EP4239367A1 (en) | Electronic device, method for controlling electronic device, and program | |
WO2023144977A1 (ja) | 乗員状態検知装置 | |
CN115932825A (zh) | 基于毫米波雷达的车内滞留人员监测方法 | |
Tan et al. | In-Vehicle Occupant Detection Based on Zone Source Feature Using MM-Wave MIMO Radar | |
CN118091584A (zh) | 一种基于毫米波雷达的遮挡车辆检测方法、装置及设备 |
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 |