CN114052740B - 基于毫米波雷达的非接触心电图监测方法 - Google Patents
基于毫米波雷达的非接触心电图监测方法 Download PDFInfo
- Publication number
- CN114052740B CN114052740B CN202111454726.9A CN202111454726A CN114052740B CN 114052740 B CN114052740 B CN 114052740B CN 202111454726 A CN202111454726 A CN 202111454726A CN 114052740 B CN114052740 B CN 114052740B
- Authority
- CN
- China
- Prior art keywords
- heart
- millimeter wave
- wave radar
- substep
- electrocardiogram monitoring
- 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
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
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
- A61B5/346—Analysis of electrocardiograms
-
- 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
- A61B5/7225—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)
- Veterinary Medicine (AREA)
- Public Health (AREA)
- Animal Behavior & Ethology (AREA)
- Signal Processing (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Surgery (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Psychiatry (AREA)
- Physiology (AREA)
- Cardiology (AREA)
- Power Engineering (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本公开提供一种基于毫米波雷达的非接触心电图监测方法,包括:步骤S1:使用毫米波雷达对待测目标发射毫米波信号并接收回波信号;步骤S2:对接收到的回波信号进行信号处理,提取隐藏在回波信号中的心脏机械活动数据;以及步骤S3:对提取出的心脏机械活动数据,构建端到端的网络架构,完成由心脏机械活动到心脏电活动的跨域映射。步骤S4:基于已经习得心脏机械活动与心脏电活动跨域映射的深度学习网络架构,输入当前时刻提取的心脏机械活动数据,输出当前时刻ECG测量结果,并最终完成非接触心电图监测。
Description
技术领域
本公开涉及智能感知技术领域,尤其涉及一种基于毫米波雷达的非接触心电图监测方法。
背景技术
心电图(ECG)是当前最重要的生物医学信号之一,用于描述心脏活动,为心脏病的诊断提供基础信息。实验证据表明,通过持续监测、分析进行诊断、控制和预防,心脏病的发病率以及危害可以得到明显下降。目前的心电图监测方法基于依附人体皮肤的电极检测由心肌收缩产生的电活动在身体不同部位引起的微小电位变化。尽管基于电极的心电图监测已经广泛用于临床诊断以及日常预防中,但测量过程中的人体接触要求使得实际使用中仍然有很多限制,例如:长时间的电极与皮肤依附所导致的异物感使得长时间连续监测在患者主观上非常抗拒、对于一些烧伤、传染病患者以及婴儿,电极与皮肤的黏贴难以实现等等。
由于心脏活动过程是由心脏功能性的机械运动完成的,同时心脏的机械活动本身也将导致心脏电活动的变化。理论上心脏的机械活动与心脏的电活动属于同源信息的不同域映射。随着毫米波雷达的发展,越来越精确的空间感知能力使得毫米波雷达为非接触的精确心脏机械活动监测提供可能。然而,由于电磁波对于人体的反射非常复杂,容易受到干扰以及心脏活动本身引起的机械运动幅度非常微弱(通常认为在0.2-0.5毫米范围附近),常常被淹没在幅度更大的其他身体运动中(例如呼吸)。现有的方法主要集中在实现对人体心率估计等粗粒度心脏活动监测,所以当前方法的性能非常有限难以实现对心脏机械活动的精确测量。
发明内容
(一)要解决的技术问题
基于上述问题,本公开提供了一种基于毫米波雷达的非接触心电图监测方法,以缓解现有技术中ECG监测全部基于接触式测量方法所带来的不便以及缺点,以及现有非接触心脏测量技术中仅能对人体进行粗粒度的心脏活动监测(例如心率,心跳间隔等)等技术问题。
(二)技术方案
本公开提供一种基于毫米波雷达的非接触心电图监测方法,包括:步骤S1:使用毫米波雷达对待测目标发射毫米波信号并接收回波信号;步骤S2:对接收到的回波信号进行信号处理,提取隐藏在回波信号中的心脏机械活动数据;以及步骤S3:对提取出的心脏机械活动数据,构建端到端的网络架构,完成由心脏机械活动到心脏电活动的跨域映射。
根据本公开实施例,所述步骤S2,包括:子步骤S21:在毫米波雷达天线的物理排布基础上构建虚拟天线阵面,并根据虚拟天线阵面中的天线间距和信号带宽构建相移矢量,计算空间波束成形,完成雷达回波信号的空域滤波;子步骤S22:对空域滤波后的所有空间位置信号提取相位,并对相位提取微动信号;子步骤S23:每隔周期时间T对微动信号进行基于周期模板匹配的心脏微动关联度评估,找出与心脏微动相关的空间位置;子步骤S24:对评估后的微动信号进行阈值筛选,保留过阈值微动信号,剔除其余微动信号;以及子步骤S25:对保留后的微动信号提取出心脏机械活动数据,完成毫米波雷达对心脏机械活动的测量。
根据本公开实施例,对相位使用基于最小方差平滑的Lanczos差分滤波器提取微动信号。
根据本公开实施例,对保留后的微动信号进行基于K-means聚类的空域凝聚滤波提取出心脏机械活动数据。
根据本公开实施例,所述步骤S3,包括:子步骤S31:使用卷积神经网络提取心脏微动数据的时域特征;子步骤S32:对空间稀疏的时域特征做位置编码并使用带有多头注意力机制的Transformer模块提取心脏微动数据的空域特征;以及子步骤S33:对心脏微动的时域与空域特征使用元素级相乘完成心脏活动深度特征的融合和提取。
根据本公开实施例,所述步骤S3,还包括:子步骤S34:将心脏活动建模为时间自回归模型:
其为每一时刻的ECG测量结果xt是在历史时间的ECG测量结果(x1,...,xt-1)以及当前时刻心脏活动深度特征ht的条件概率分布。
根据本公开实施例,利用时间卷积网络构建序列对序列的解码器模型,利用时间卷积网络中的扩张卷积特性,实现解码器模型对高采样率雷达数据的长时间记忆。
根据本公开实施例,所述步骤S3,还包括:
子步骤S35:对每一个时刻的ECG预测结果与真实ECG测量结果使用基于L2距离的损失函数以学习不同域之间的映射关系,在经过大量数据的训练后,深度学习网络架构可以计算出心脏机械活动与心脏电活动的跨域映射关系。
根据本公开实施例,还包括,步骤S4:基于已经习得心脏机械活动与心脏电活动跨域映射的深度学习网络架构,输入当前时刻提取的心脏机械活动数据,输出当前时刻ECG测量结果,并最终完成非接触心电图监测。
(三)有益效果
从上述技术方案可以看出,本公开基于毫米波雷达的非接触心电图监测方法至少具有以下有益效果其中之一或其中一部分:
(1)能够完成对人体心脏机械活动稳定、有效、精确的测量;
(2)能够实现从心脏机械活动到心脏电活动的跨域信息映射;
(3)测量时为非接触测量,更安全、方便。
附图说明
图1为本公开实施例的基于毫米波雷达的非接触心电图监测方法流程示意图。
图2为本公开实施例进行非接触心电图监测过程中向空间波束形成结果示意图。
图3为本公开实施例人体胸腔附近信号的相位以及滤波后的微动信号示意图。
图4为本公开实施例非接触心电图监测结果与同时监测的接触时心电图结果对比示意图。
图5为本公开实施例36名测试者非接触心电图监测结果基准时间点判定性能示意图(R波、T波波峰时间)。
图6为本公开实施例36名测试者非接触心电图监测的时间误差与幅值均方根误差的累计统计结果示意图(Q Peak:Q波波峰;R Peak:R波波峰;S Peak:S波波峰;Tpeak:T波波峰)。
图7为本公开实施例的基于毫米波雷达的非接触心电图监测的工作原理及架构示意图。
具体实施方式
本公开提供了一种基于毫米波雷达的非接触心电图监测方法,将毫米波雷达与深度学习的结合为非接触心电图的监测架起了桥梁,而其中的技术核心就是如何用毫米波雷达完成对人体心脏机械活动稳定、有效、精确的测量以及如何针对雷达感知数据与心脏活动特性设计深度学习网络结构挖掘深度特征,实现跨域信息映射,并最终完成由心脏机械活动的雷达观测描述到心脏电活动的心电图描述。现有方法还未有针对毫米波雷达数据特性以及复杂心脏生理状态设计实现端到端的心脏活动跨域学习架构。
为使本公开的目的、技术方案和优点更加清楚明白,以下结合具体实施例,并参照附图,对本公开进一步详细说明。
在本公开实施例中,提供一种基于毫米波雷达的非接触心电图监测方法,如结合图1至图7所示,所述基于毫米波雷达的非接触心电图监测方法,包括:
步骤S1:使用毫米波雷达对待测目标发射毫米波信号并接收回波信号;
步骤S2:对接收到的回波信号进行信号处理,提取隐藏在回波信号中的心脏机械活动数据;以及
步骤S3:对提取出的心脏机械活动数据,构建端到端的网络架构,完成由心脏机械活动到心脏电活动的跨域映射。
所述待测目标为人或其他动物;
在本公开实施例中,步骤S2,包括:
子步骤S21:在毫米波雷达天线的物理排布基础上构建虚拟天线阵面,并根据虚拟天线阵面中的天线间距和信号带宽构建相移矢量,计算空间波束成形,完成雷达回波信号的空域滤波;结果如图2所示,从图中可以看出,雷达接收信号经过空域滤波后,不同空间位置的信号反射被成功分离。
子步骤S22:对空域滤波后的所有空间位置信号提取相位,并对相位提取微动信号;结果如图3所示,胸腔附近位置的相位信息显示此时主要运动趋势来自于幅度更大的人体呼吸活动。
子步骤S23:每隔周期时间T对微动信号进行基于周期模板匹配的心脏微动关联度评估,找出与心脏微动相关的空间位置;
子步骤S24:对评估后的微动信号进行阈值筛选,保留过阈值微动信号,剔除其余微动信号;如图4所示,过阈值的微动信号消除了幅度较大的运动干扰。对比对应时间的心电R波波峰和T波波峰。可以看出该微动信号与心脏活动具有相同的周期性。以及
子步骤S25:对保留后的微动信号提取出心脏机械活动数据,完成毫米波雷达对心脏机械活动的测量。
更具体地,在毫米波雷达天线的物理排布基础上构建虚拟天线阵面,并根据虚拟天线阵面中的天线间距和信号带宽构建相移矢量,计算空间波束成形,完成雷达回波信号的空域滤波。空间位置(x,y,z)在时间t的信号S(x,y,z,t)可表示为:
其中,N是接收天线数量,M是发射天线数量,yn,m,t是由第n个接收天线第m个发射天线定义的通道在时间t的接收信号,k表示发射频率变化率,λ表示发射信号波长,r(x,y,z,n,m)表示由第m个发射天线到目标位置(x,y,z)并返回第n个接收天线的往返距离,c为光速。
对空域滤波后的所有空间位置信号提取相位,并对相位使用基于最小方差平滑的Lanczos差分滤波器提取微动信号。
每隔周期时间T对微动信号进行基于周期模板匹配的心脏微动关联度评估,找出与心脏微动相关的空间位置。紧接着对评估后的微动信号进行阈值筛选,保留过阈值微动信号,剔除其余微动信号。对保留后的微动信号进行基于K-means聚类的空域凝聚滤波,提取出心脏机械活动数据,并最终完成毫米波雷达对心脏机械活动的测量。
在本公开实施例中,步骤S3,包括:
子步骤S31:使用卷积神经网络提取心脏微动数据的时域特征;
子步骤S32:对空间稀疏的时域特征做位置编码并使用带有多头注意力机制的Transformer模块提取心脏微动数据的空域特征;以及
子步骤S33:对心脏微动的时域与空域特征使用元素级相乘完成心脏活动深度特征的融合和提取。
更具体地,针对心脏机械活动数据中的时间与空间特性,首先先使用卷积神经网络提取心脏微动数据的时域特征,随后对空间稀疏的时域特征做位置编码并使用带有多头注意力机制的Transformer模块提取心脏微动数据的空域特征。随后对心脏微动的时域与空域特征使用元素级相乘完成心脏活动深度特征的融合和提取。
将心脏活动建模为时间自回归模型:
每一时刻的ECG测量结果xt是在历史时间的ECG测量结果(x1,...,xt-1)以及当前时刻心脏活动深度特征ht的条件概率分布。利用时间卷积网络构建序列对序列的解码器模型,利用时间卷积网络中的扩张卷积特性,实现解码器模型对高采样率雷达数据的长时间记忆。
对每一个时刻的ECG预测结果与真实ECG测量结果(接触式测量)使用基于L2距离的损失函数以学习不同域之间的映射关系。在经过大量数据的训练后,深度学习架构可以计算出心脏机械活动与心脏电活动的跨域映射关系。
在本公开实施例中,基于毫米波雷达的非接触心电图监测方法还包括步骤S4:基于上述已经训练完成的心脏机械活动与心脏电活动跨域映射的深度学习网络架构,输入当前时刻提取的心脏机械活动数据,输出当前时刻ECG测量结果,并最终完成非接触心电图监测。
在本公开实施例中,进行验证时,待测目标在床上保持躺姿,雷达相距0.5m的情况下(如图7所示),本专利提出的算法对非接触心电图监测的性能。在实验中,雷达为3发4收工作状态,设定信号的起始频率为78Ghz,带宽为4Ghz,Chirp间隔为45us,帧率200Hz,采样点为256。共测试36人,每次采集3min中雷达与配对接触式心电图监测数据,总共810分钟左右。非接触心电图监测性能分析如图5和图6所示。
至此,已经结合附图对本公开实施例进行了详细描述。需要说明的是,在附图或说明书正文中,未绘示或描述的实现方式,均为所属技术领域中普通技术人员所知的形式,并未进行详细说明。此外,上述对各元件和方法的定义并不仅限于实施例中提到的各种具体结构、形状或方式,本领域普通技术人员可对其进行简单地更改或替换。
依据以上描述,本领域技术人员应当对本公开基于毫米波雷达的非接触心电图监测方法有了清楚的认识。
综上所述,本公开提供了一种基于毫米波雷达的非接触心电图监测方法,其为基于毫米波雷达的心脏机械活动测量与心脏电活动跨域深度学习的非接触心电图监测方法,在毫米波雷达与深度学习的结合为非接触心电图的监测架起了桥梁,用毫米波雷达完成对人体心脏机械活动稳定、有效、精确的测量以及如何针对雷达感知数据与心脏活动特性设计深度学习网络结构挖掘深度特征,实现跨域信息映射,并最终完成由心脏机械活动的雷达观测描述到心脏电活动的心电图描述。
还需要说明的是,实施例中提到的方向用语,例如“上”、“下”、“前”、“后”、“左”、“右”等,仅是参考附图的方向,并非用来限制本公开的保护范围。贯穿附图,相同的元素由相同或相近的附图标记来表示。在可能导致对本公开的理解造成混淆时,将省略常规结构或构造。并且图中各部件的形状和尺寸不反映真实大小和比例,而仅示意本公开实施例的内容。
说明书与权利要求中所使用的序数例如“第一”、“第二”、“第三”等的用词,以修饰相应的元件,其本身并不意味着该元件有任何的序数,也不代表某一元件与另一元件的顺序、或是制造方法上的顺序,该些序数的使用仅用来使具有某命名的一元件得以和另一具有相同命名的元件能做出清楚区分。
此外,除非特别描述或必须依序发生的步骤,上述步骤的顺序并无限制于以上所列,且可根据所需设计而变化或重新安排。并且上述实施例可基于设计及可靠度的考虑,彼此混合搭配使用或与其他实施例混合搭配使用,即不同实施例中的技术特征可以自由组合形成更多的实施例。
以上所述的具体实施例,对本公开的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本公开的具体实施例而已,并不用于限制本公开,凡在本公开的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本公开的保护范围之内。
Claims (8)
1.一种基于毫米波雷达的非接触心电图监测方法,包括:
步骤S1:使用毫米波雷达对待测目标发射毫米波信号并接收回波信号;
步骤S2:对接收到的回波信号进行信号处理,提取隐藏在回波信号中的心脏机械活动数据;
所述步骤S2,包括:
子步骤S21:在毫米波雷达天线的物理排布基础上构建虚拟天线阵面,并根据虚拟天线阵面中的天线间距和信号带宽构建相移矢量,计算空间波束成形,完成雷达回波信号的空域滤波;
子步骤S22:对空域滤波后的所有空间位置信号提取相位,并对相位提取微动信号;
子步骤S23:每隔周期时间T对微动信号进行基于周期模板匹配的心脏微动关联度评估,找出与心脏微动相关的空间位置;
子步骤S24:对评估后的微动信号进行阈值筛选,保留过阈值微动信号,剔除其余微动信号;以及
子步骤S25:对保留后的微动信号提取出心脏机械活动数据,完成毫米波雷达对心脏机械活动的测量;以及
步骤S3:对提取出的心脏机械活动数据,构建端到端的网络架构,完成由心脏机械活动到心脏电活动的跨域映射。
2.根据权利要求1所述的基于毫米波雷达的非接触心电图监测方法,对相位使用基于最小方差平滑的Lanczos差分滤波器提取微动信号。
3.根据权利要求1所述的基于毫米波雷达的非接触心电图监测方法,对保留后的微动信号进行基于K-means聚类的空域凝聚滤波提取出心脏机械活动数据。
4.根据权利要求1所述的基于毫米波雷达的非接触心电图监测方法,所述步骤S3,包括:
子步骤S31:使用卷积神经网络提取心脏微动数据的时域特征;
子步骤S32:对空间稀疏的时域特征做位置编码并使用带有多头注意力机制的Transformer模块提取心脏微动数据的空域特征;以及
子步骤S33:对心脏微动的时域与空域特征使用元素级相乘完成心脏活动深度特征的融合和提取。
6.根据权利要求4所述的基于毫米波雷达的非接触心电图监测方法,
利用时间卷积网络构建序列对序列的解码器模型,利用时间卷积网络中的扩张卷积特性,实现解码器模型对高采样率雷达数据的长时间记忆。
7.根据权利要求4所述的基于毫米波雷达的非接触心电图监测方法,所述步骤S3,还包括:
子步骤S35:对每一个时刻的ECG预测结果与真实ECG测量结果使用基于L2距离的损失函数以学习不同域之间的映射关系,在经过大量数据的训练后,深度学习网络架构可以计算出心脏机械活动与心脏电活动的跨域映射关系。
8.根据权利要求1所述的基于毫米波雷达的非接触心电图监测方法,还包括,
步骤S4:基于已经习得心脏机械活动与心脏电活动跨域映射的深度学习网络架构,输入当前时刻提取的心脏机械活动数据,输出当前时刻ECG测量结果,并最终完成非接触心电图监测。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111454726.9A CN114052740B (zh) | 2021-11-29 | 2021-11-29 | 基于毫米波雷达的非接触心电图监测方法 |
PCT/CN2022/133773 WO2023093770A1 (zh) | 2021-11-29 | 2022-11-23 | 基于毫米波雷达的非接触心电图监测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111454726.9A CN114052740B (zh) | 2021-11-29 | 2021-11-29 | 基于毫米波雷达的非接触心电图监测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114052740A CN114052740A (zh) | 2022-02-18 |
CN114052740B true CN114052740B (zh) | 2022-12-30 |
Family
ID=80228529
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111454726.9A Active CN114052740B (zh) | 2021-11-29 | 2021-11-29 | 基于毫米波雷达的非接触心电图监测方法 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN114052740B (zh) |
WO (1) | WO2023093770A1 (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114052740B (zh) * | 2021-11-29 | 2022-12-30 | 中国科学技术大学 | 基于毫米波雷达的非接触心电图监测方法 |
CN116035558B (zh) * | 2023-03-02 | 2023-07-18 | 中国科学技术大学 | 基于波束形成的抗干扰呼吸检测方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112986941A (zh) * | 2021-02-08 | 2021-06-18 | 天津大学 | 一种雷达目标微动特征提取方法 |
CN112971771A (zh) * | 2021-02-23 | 2021-06-18 | 浙江大学计算机创新技术研究院 | 一种基于毫米波重建心电图的方法 |
CN113384250A (zh) * | 2021-05-26 | 2021-09-14 | 上海交通大学 | 用于生命体征探测的毫米波雷达系统低功耗实现方法 |
CN113420624A (zh) * | 2021-06-11 | 2021-09-21 | 华中师范大学 | 一种非接触式疲劳检测方法及系统 |
WO2021204939A1 (de) * | 2020-04-09 | 2021-10-14 | Fraunhofer Gesellschaft zur Förderung der angewandten Forschung e.V. | Verfahren und anordnung zur erzeugung eines ekg-signals |
Family Cites Families (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006304963A (ja) * | 2005-04-27 | 2006-11-09 | Tau Giken:Kk | 非接触診断装置 |
JP5596670B2 (ja) * | 2008-05-09 | 2014-09-24 | コーニンクレッカ フィリップス エヌ ヴェ | 患者の非接触呼吸モニタリング |
JP5467395B2 (ja) * | 2009-09-02 | 2014-04-09 | 株式会社産学連携機構九州 | 生体情報測定システム |
EP2368492A1 (en) * | 2010-03-25 | 2011-09-28 | Nederlandse Organisatie voor toegepast -natuurwetenschappelijk onderzoek TNO | A method for estimating parameters indicative of a heart performance, a radar system and a computer program product |
US9877659B2 (en) * | 2012-11-30 | 2018-01-30 | Industrial Technology Research Institute | Sensing system and method for physiology measurements |
DE102013212819A1 (de) * | 2013-07-01 | 2015-01-08 | Siemens Aktiengesellschaft | Radarsystem für den medizinischen Einsatz |
CN105476602B (zh) * | 2015-11-25 | 2018-11-06 | 方姝阳 | 非接触式人体生命体征测量方法及装置 |
DE102015223946A1 (de) * | 2015-12-01 | 2017-06-01 | Siemens Healthcare Gmbh | Bestimmen von physiologischen Aktivitätssignalen |
CN109965858B (zh) * | 2019-03-28 | 2020-10-30 | 北京邮电大学 | 基于超宽带雷达人体生命体征检测方法和装置 |
CN110192850A (zh) * | 2019-05-31 | 2019-09-03 | 湖南省顺鸿智能科技有限公司 | 基于雷达回波强噪声背景下心跳信号的提取方法及系统 |
CN112315452B (zh) * | 2020-10-29 | 2021-10-01 | 中国科学技术大学 | 基于多路径相位相消的人体呼吸追踪方法、装置及系统 |
CN112401863A (zh) * | 2020-11-19 | 2021-02-26 | 华中师范大学 | 一种基于毫米波雷达的非接触式实时生命体征监测系统及方法 |
CN114052740B (zh) * | 2021-11-29 | 2022-12-30 | 中国科学技术大学 | 基于毫米波雷达的非接触心电图监测方法 |
-
2021
- 2021-11-29 CN CN202111454726.9A patent/CN114052740B/zh active Active
-
2022
- 2022-11-23 WO PCT/CN2022/133773 patent/WO2023093770A1/zh unknown
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021204939A1 (de) * | 2020-04-09 | 2021-10-14 | Fraunhofer Gesellschaft zur Förderung der angewandten Forschung e.V. | Verfahren und anordnung zur erzeugung eines ekg-signals |
CN112986941A (zh) * | 2021-02-08 | 2021-06-18 | 天津大学 | 一种雷达目标微动特征提取方法 |
CN112971771A (zh) * | 2021-02-23 | 2021-06-18 | 浙江大学计算机创新技术研究院 | 一种基于毫米波重建心电图的方法 |
CN113384250A (zh) * | 2021-05-26 | 2021-09-14 | 上海交通大学 | 用于生命体征探测的毫米波雷达系统低功耗实现方法 |
CN113420624A (zh) * | 2021-06-11 | 2021-09-21 | 华中师范大学 | 一种非接触式疲劳检测方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
WO2023093770A1 (zh) | 2023-06-01 |
CN114052740A (zh) | 2022-02-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Chen et al. | Contactless electrocardiogram monitoring with millimeter wave radar | |
CN114052740B (zh) | 基于毫米波雷达的非接触心电图监测方法 | |
JP6511481B2 (ja) | 心臓機能のマイクロ波監視 | |
Yamamoto et al. | ECG signal reconstruction via Doppler sensor by hybrid deep learning model with CNN and LSTM | |
CN111655130A (zh) | 心脏传导模式识别系统 | |
Paterniani et al. | Radar-based monitoring of vital signs: A tutorial overview | |
EP3866685B1 (en) | Systems and methods for micro impulse radar detection of physiological information | |
CN114259213A (zh) | 杂波背景下毫米波mimo雷达的邻近多目标生命体征检测方法 | |
CN113749670A (zh) | 使用相干算法的局部噪声识别 | |
Goldfine et al. | Respiratory rate monitoring in clinical environments with a contactless ultra-wideband impulse radar-based sensor system | |
Li et al. | Remote respiratory and cardiac motion patterns separation with 4D imaging radars | |
CN116172539A (zh) | 基于机器学习的生命体征检测方法、系统、设备及介质 | |
KR20210066332A (ko) | 타겟의 생체 정보 결정 방법 및 장치 | |
CN101332097A (zh) | 使用超声的心脏机械评估 | |
Gao et al. | A new direction for biosensing: RF sensors for monitoring cardio-pulmonary function | |
Zhang et al. | Radar-Beat: Contactless beat-by-beat heart rate monitoring for life scenes | |
Wang et al. | Contactless Radar Heart Rate Variability Monitoring Via Deep Spatio-Temporal Modeling | |
Pu et al. | RF-Heartbeat: Robust and Contactless Heartbeat Monitoring Based on FMCW Radar | |
Li et al. | Motion-Robust Contactless Heartbeat Sensing Using 4D Imaging Radar | |
Gao | Wearable Sensing of Cardio-Pulmonary Function: Non-invasive Sensor Design and Statistical approaches to Signal Compression and Analysis | |
US20220125523A1 (en) | Signal analysis of movements of a reference electrode of a catheter in a coronary sinus vein | |
US20230371820A1 (en) | Contactless Seismocardiography | |
Rong et al. | Non-Contact Cardiac Parameters Estimation Using Radar Acoustics for Healthcare IoT | |
CN116369886A (zh) | 基于毫米波雷达的房颤检测装置、设备及存储介质 | |
Liu et al. | Gaussian Mixture Model based Convolutional Sparse Coding for Radar Heartbeat Detection |
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 |