CN114305364B - 基于毫米波雷达的血压检测方法、系统及设备 - Google Patents
基于毫米波雷达的血压检测方法、系统及设备 Download PDFInfo
- Publication number
- CN114305364B CN114305364B CN202210010289.XA CN202210010289A CN114305364B CN 114305364 B CN114305364 B CN 114305364B CN 202210010289 A CN202210010289 A CN 202210010289A CN 114305364 B CN114305364 B CN 114305364B
- Authority
- CN
- China
- Prior art keywords
- pulse wave
- blood pressure
- signal
- signals
- phase
- 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
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)
Abstract
本发明提供了一种基于毫米波雷达的血压检测方法、系统和设备,该方法包括:基于毫米波雷达信号,获取物体的距离及相位信息,基于距离及相位信息的方差,确定对应于人体反射信号的距离箱,得到人体反射的相位信号;对所述人体反射的相位信号进行增强,去除噪声,得到增强相位信号;基于脉搏波所在频率范围,利用小波包分解,将脉搏波相位信号从增强相位信号中分离,得到重构脉搏波信号;对所述重构脉搏波信号进行预处理,并提取重构脉搏波信号的特征参数,基于所述特征参数,得到血压检测结果。本方案实现了血压的非接触式检测,对特殊人群及场景下的检测应用具有非常重要的意义。
Description
技术领域
本发明涉及雷达信号处理及生物特征信号检测技术领域,尤其涉及一种基于毫米波雷达的血压检测方法、系统及设备,实现非接触式血压检测。
背景技术
高血压由于高发病率、高复发率,是心脑血管病最为主要的风险因素,伴随着可危及生命的心、脑、肾等器官的功能性或器质性损害。高血压在病症初期并没有明显的症状,大多数患者并不知自己患病,未得到及时治疗,控制率很低。因此,及时有效检测一个人的血压是高血压的预防、早期发现和控制所迫切需要的。
目前血压的测量方式主要包括有创血压检测和无创血压检测。有创血压检测是指动脉插管法,即将压力传感器以侵入的方式植入到人体的大动脉血管内,从而检测到心脏起搏引起的压力变化。这种检测方式相对准确,多数用于医疗行业,例如手术室和重症监护病房的患者,不适用于家庭监护和日常使用。无创血压检测对人体没有伤害,是目前最常用的血压测量方法,其主要包括间歇式测量及连续测量。间歇性测量中使用最为普遍的技术包括柯氏音法和示波法,但这些方法只能提供血压的单次测量结果,不方便用于血压的连续检测。作为一种基本的生命特征信号,人体的血压并不是保持固定不变的,其具有一定的波动性,所以单次测量结果有时会存在着较大差异并且不能反映心血管功能状况的变化。连续的无创血压检测可以帮助人们实现长期血压检测,能够让人们了解血压昼夜变化的规律,给医生提供患者长期血压监护信息,这在高血压疾病的诊断、预防和控制中起着重要的作用,此外对于血压变异性及睡眠质量的研究也具有重要意义。
无创连续血压检测已经成为家庭监护和日常健康管理的主要技术,其主要通过检测动脉血管壁、血管容积或脉搏波特征参数等来简介估测血压,主要有动脉张力法、容积补偿法、脉搏波传输速度(时间)法、脉搏波特征参数法等。动脉张力法(Arterial Tonometrymethod),又称扁平张力法,其基本原理是对处于骨骼附近的体表动脉施加一定的外部压力,使其成扁平状,当外力与血管内压力相等时,放置在该部位的压力传感器可以检测该表面的压力,再根据相应的转换函数将测量的压力转换成动脉血压值。容积补偿法(Volumeclamp method),又称恒定容积法,该方法通过对血管壁施加一个预置的外压力,根据反馈信息不断调节外压力,当外部外压力与血管内压相等时,动脉血管处于恒定容积状态,最后通过对恒定容积状态下的外置压力测量间接测得动脉血压。脉搏波传导时间(Pulsetransit time,PTT)指的是动脉脉压波从主动脉瓣到达周围血管所用的时间。脉搏波传播速度(Pulse wave velocity,PWV)与血压之间具有相关性,测量PWV可间接计算出血压值,而PWV可以通过脉搏波在动脉中两点之间的传导时间计算出,因此可根据相同原理利用PTT间接计算出血压值。脉搏波从心脏开始向外围动脉系统传导过程中,不但受心脏自身影响,而且还受血管阻力、血管弹性和血液弹性等因素影响,这使得脉搏波中包含非常丰富的心血管系统生理病理信息。因此,可用脉搏波的相应特征参数来进行血压估计。
上述无创连续血压测量方法存在几个问题。第一接触式检测需要传感器与人体接触,有的甚至还需要给血管壁施加一定的压力,长时间测量会导致被测部位静脉充血,舒适度变差并影响测量精度。第二这种检测方式对传感器放置的位置及检测精度要求较高。第三接触式检测对一些特殊人群无法使用,例如大面积烧伤病人、传染病患者、皮肤病患者、刚出生的婴儿等,这限制了血压检测的应用范围。第三有的方法可能需要多个传感器同时测量不同的生理信号,会增加负担并带来很多不便。
发明内容
针对现有无创连续血压检测存在的不足,本发明基于毫米波雷达实现脉搏波的非接触式检测,从脉搏波信号中提取特征参数,利用梯度随机决策树进行建模,实现了对血压值的非接触式测量。本发明不需要用户佩戴任何传感器,实现了血压的非接触式检测,在特殊人群监护、家庭监护、个人健康管理等方面具有重要意义。
具体而言,本发明提供了以下技术方案:
一方面,本发明提供了一种基于毫米波雷达的血压检测方法,该方法包括:
步骤1、基于毫米波雷达信号,获取物体的距离信息及相位信息,基于距离信息及相位信息的方差,确定对应人体反射信号的距离箱,得到人体相位信号;
步骤2、对所述人体相位信号进行增强,去除噪声,得到增强相位信号;
步骤3、基于脉搏波所在频率范围,利用小波包分解,将脉搏波相位信号从增强相位信号中分离,得到重构脉搏波信号;
步骤4、对所述重构脉搏波信号进行预处理,并提取重构脉搏波信号的特征参数,基于所述特征参数,得到血压检测结果。
优选的,所述步骤1中,所述距离信息为:
其中,z(d,i)表示距离信息,d为距离箱的标签,m表示第m个采样点,其范围为0≤m≤M-1。
优选的,所述步骤2中,使用一阶差分对人体相位信号进行增强。
优选的,所述步骤3中,小波包分解采用6级小波包分解;基于第6至第30个节点的分量重构脉搏波信号。
优选的,所述步骤4中,提取脉搏波信号的特征参数之前,去除脉搏波信号中的异常值。
优选的,所述步骤4中,基于所述特征参数得到血压检测结果采用机器学习的方式,该机器学习模型为:
其中,F0(x)为初始化的第一个弱学习器;Lg为叶子节点个数;βg,l为最佳拟合值;Rg,h为第g棵树对应的响应值;h=1,2,...,H,H表示样本容量,I表示单位矩阵。
优选的,所述步骤1中,所述相位信息为:
其中Tf和Ts分别表示快时间轴和慢时间轴,λ表示chirp信号的波长,q表示雷达与目标对象的距离,i表示第i个chirp信号。
此外,本发明还提供了一种基于毫米波雷达的血压检测系统,该系统包括:
目标检测模块,基于毫米波雷达信号,获取物体的距离信息及相位信息,基于距离信息,及相位信息的方差,确定对应人体反射信号的距离箱,得到人体相位信号;
信号增强模块,对所述人体相位信号进行增强,去除噪声,得到增强相位信号;
信号分解模块,基于脉搏波所在频率范围,利用小波包分解,将脉搏波相位信号从增强相位信号中分离,得到重构脉搏波信号;
血压估计模块,对所述重构脉搏波信号进行预处理,并提取重构脉搏波信号的特征参数,基于所述特征参数,得到血压检测结果。
优选的,所述血压估计模块进一步包括:
特征提取单元,用于去除重构脉搏波信号中的异常值,并对重构脉搏波信号进行特征点检测;所述特征点包括峰值强度比、心率、脉搏波信号的峰值、脉搏波信号的谷值、交流分量最大振幅、收缩期向上搏动时间及舒张时间;
回归单元,用于基于特征提取单元获取的特征点数据,进行回归分析,获得血压检测结果。
优选的,所述分类单元中,所述分类识别采用机器学习的方式,该机器学习模型为:
其中,F0(x)为初始化的第一个弱学习器;Lg为叶子节点个数;βg,l为最佳拟合值;Rg,h为第g棵树对应的响应值;h=1,2,...,H,H表示样本容量,I表示单位矩阵。
此外,本发明还提供了一种基于毫米波雷达的血压检测设备,该设备包括处理器、存储器、总线结构,所述处理器调用所述存储器中的指令,以执行如上所述的基于毫米波雷达的血压检测方法,或者搭载如上所述的基于毫米波雷达的血压检测系统。
与现有技术相比,本发明技术方案实现了血压的非接触式检测,即在用户不佩戴任何传感器的情况下实现血压的检测,解决了传统血压检测方法存在的人体被束缚、感到不舒适及应用场合受限等问题。对大面积烧伤病人、传染病患者、皮肤病患者、婴儿及老人等不方便进行接触式检测的特殊人群具有非常重要的意义,此外对于智慧医疗、主动健康、居家养老等领域提高了重要的技术。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术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发明的一些实施例,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它的附图。
图1为本发明实施例的系统结构图;
图2为本发明实施例的方法流程图。
具体实施方式
下面结合附图和具体实施例,进一步阐明本发明。应当明确,所描述的实施例仅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作出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
本领域技术人员应当知晓,下述具体实施例或具体实施方式,是本发明为进一步解释具体的发明内容而列举的一系列优化的设置方式,而该些设置方式之间均是可以相互结合或者相互关联使用的,除非在本发明明确提出了其中某些或某一具体实施例或实施方式无法与其他的实施例或实施方式进行关联设置或共同使用。同时,下述的具体实施例或实施方式仅作为最优化的设置方式,而不作为限定本发明的保护范围的理解。
在本发明的描述中,需要说明的是,术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。此外,术语“第一”、“第二”、“第三”仅用于描述目的,而不能理解为指示或暗示相对重要性。
在一个具体的实施例中,本发明的方案可以通过一种基于毫米波雷达的血压检测系统的方式来实现。本发明的技术方案主要包含四个模块:目标检测模块、数据增强模块、信号分解模块及血压估计模块,如图1所示。在本实施例中,在目标检测模块,通过对FMCW雷达chirp信号进行距离傅里叶变换获取对应环境中物体的距离信息,沿着具有反射物体的距离箱提取相位信息并计算相位信息的方差确定人体反射信号的距离箱。通过目标检测模块可以消除环境中多径效应带来的干扰,提高信噪比。在信号增强模块,对提取的相位信号进行一阶差分增强脉搏波信号的周期性,降低环境及人体噪声带来的影响。在信号分解模块,根据脉搏波所在的频率范围,利用小波包分解技术将其与其他信号分离,去除其他频段信号或噪声的影响。在血压估计模块,对分离得到的脉搏波信号进行移动平均滤波预处理,得到平滑的脉搏波信号,然后进行特征点检测并从中提取血压相关的特征参数,训练梯度提升决策树模型进行血压估计。以下对各个模块的具体执行方式进一步详细阐述。
1、目标检测模块
目标检测模块主要实现基于毫米波雷达信号,获取物体的距离信息及相位信息,基于距离信息及相位信息的方差,确定对应人体反射信号的距离箱,得到人体相位信号。具体而言,在本实施例中,以FMCW雷达chirp信号为例说明。
FMCW雷达发射天线连续发送chirp信号:
其中AT表示信号的振幅,fmin表示信号开始频率,B表示信号的带宽,Td表示信号的持续时间,表示来自雷达发射机的相位噪声,j表示虚数单位。当发射信号遇到人体时会发生反射并且被接收天线捕获,
其中表示雷达和目标对象的距离导致的时间延迟,其中c为光速,α表示发射信号振幅的缩放因子。雷达回波信号与发射信号混合,得到中频信号。
噪声项可以被忽略,/>也可以被忽略因为其比较小,AR表示接收信号的振幅。采用低通滤波器去除中频信号中的高频部分。对于每一个chirp,中频信号通过ADC进行采样,每个chirp得到M个采样点,其被称为快时间轴采样。不同chirp信号对应的时间被称为慢时间轴采样。对于ithchirp信号进行mthADC采样,其可以表示为:
其中Tf和Ts分别表示快时间轴和慢时间轴,λ表示chirp信号的波长,q表示雷达与目标对象的距离,i表示第i个chirp信号。Chirp信号的频率和距离相关,为了得到环境中物体的距离信息,我们对ithchirp信号进行FFT,用以下公式表示,
其中z(d,i)表示环境中物体的距离信息,d为距离箱的标签,m表示第m个采样点,其范围为0≤m≤M-1。根据公式(4),我们可以得到相位表达式 我们发现沿着慢时间轴的运动会引起比较大的相位变化。获得环境中物体对应的距离信息后,利用对应距离箱的相位信息的方差来分辨静止物体及人体。静止物体(墙壁、桌子、椅子等)没有明显的运动,其引起的相位变化比较小,不会导致相位方差;人体本身具有呼吸心跳等运动,其将会引起相位变化,具有一定的相位方差。通过目标检测模块可以消除环境中多径效应带来的干扰,提高信噪比。
在一个更为优选的实施方式中,该目标检测模块可以包括:雷达发射单元、接收单元、前端信号处理单元、存储端组成。雷达发射单元通过发射天线向外界发出电磁波信号,雷达接收天线对回波信号进行接收。采集得到的信号经过混频、数模转换等信号处理操作后形成生理信号,生理信号存储于存储端。
2、信号增强模块
获取的相位信息包含人体生理信号、环境噪声及人体随机运动带来的干扰等。为了增强脉搏波信号的周期性,利用一阶差分的方法对相位信号进行处理,可以有效提升相位信号中脉搏波信号的强度,有助于之后的血压估计。
3、信号分解模块
经过差分增强之后的相位信息包含呼吸、脉搏及杂波等信息。根据呼吸及脉搏波频率范围的不同,利用小波包分解对差分后的相位信号进行分解。对相位信号进行6级小波包分解,在第6层,可以得到包含64个节点的小波系数,这些节点间的频率差为0.15625Hz。第6至第30个节点的分量用于重构脉搏波信号,获取脉搏波信号之后利用移动平均滤波进行处理,使其平滑。小波包分解将每个节点都不断分支,命名规则从第一个节点(1,0)开始记为1号,之后以此类推不断往下进行编号,每个节点中都有对应的小波包系数,系数则决定着频率的大小,即每一个小波包节点中都存有该节点频率频段所对应的信号波形等信息,以便根据所需要分析信号的已知频段范围进行进一步的信号重构等操作。本实施例中,采用6层小波包分解,并分别对每一层的小波包节点进行编号处理,并赋予每一个节点系数的频率频段,由于实际过程小波包节点中频谱并不是完全按照频率大小顺序所排列,所以我们需要依据频率大小对小波包进行重排。在一个优选的实施方式中,脉搏波信号则选取的节点为6到30号频率范围内的波形信息,从而通过合成将脉搏波信号的波形重构出来。
4、血压估计模块
血压估计模块主要对所述重构脉搏波信号进行预处理,并提取重构脉搏波信号的特征参数,基于所述特征参数,得到血压检测结果,也即血压估计结果。
脉搏波从心脏开始向外围动脉系统传导过程中,不但受心脏自身影响,而且还受血管阻力、血管弹性和血液弹性等因素影响,这使得脉搏波中包含了非常丰富的心血管系统生理病理信息。血压估计模块用脉搏波的相应特征参数估计血压。根据脉搏波的特征参数和血压之间的关系建立机器学习模型,将提取的特征输入到训练好的模型中,可以得到要估计的血压值。具体流程如图2所示。
1)特征参数提取
获取脉搏波信号后,首先进行特征点检测,主要包括波峰、波谷的检测。为了防止特征点检测错误,我们通过阈值的方法去除脉搏波信号中的异常值。根据检测到脉搏波的特征点进行特征提取,主要包括沃默斯利数、峰值强度比、心率、脉搏波信号的峰值、脉搏波信号的谷值、交流分量最大振幅、收缩期向上搏动时间、舒张时间,以及收缩期向上搏动至峰值的10%,25%,33%,50%,66%,75%所需的时间,还可以包括舒张期向下至峰值的10%,25%,33%,50%,66%,75%所需的时间等。
2)梯度提升回归分析
在一个优选的实施方式中,本发明采用改进后的GBDT血压估计算法,作为血压检测的学习模型。
本实施例中所使用的模型可以看作m棵决策树组成的加法模型,实现过程如下:
(1)给定某一个特定的血压特征T
T={(x1,y1),(x2,y2),...,(xN,yM)} (6)
其中为输入特征空间;/>为有创血压值,损失函数为L(y,f(x)),最终的回归树为FG。
初始化第一个弱学习器F0(x)
(2)建立g棵回归树g=1,2,...,G
A.对h=1,2,...,H,H表示样本容量计算第g棵树对应的响应值(损失函数的负梯度,即伪残差):
B.对于h=1,2,...,H,采用CART回归树拟合数据(xh,rg,h),得到第g棵回归树对应叶子节点区域为rg,h其中l=1,2,...,Ls且Lg为第s棵回归树叶子节点的个数。
C.对于Lg个叶子节点区域l=1,2,...,Lg,计算出最佳拟合值
D.更新强学习器Fg(x)
其中,I表示单位矩阵。
(3)得到强学习器的表达式
基于该最终得到的强学习器模型,通过血压特征样本库的训练,可以得到有效的血压估值模型,从而基于采集到的待检测生理信号,有效得出血压估计结果,从而检测出被检测人员的血压值。
在本发明的另一个实施例中,本发明的方案还可以通过方法步骤的方式来执行实现,该方法的实现,可以基于特定的硬件系统环境作为支撑,例如是拥有处理器、存储装置、I/O设备及支持一定基础运算算法的软件等来协同实现。具体而言,本发明的基于毫米波雷达的血压检测方法可以包括如下几个关键处理步骤:
步骤1、基于毫米波雷达信号,获取物体的距离信息及相位信息,基于距离信息及相位信息的方差,确定对应人体反射信号的距离箱,得到人体相位信号;
步骤2、对所述人体相位信号进行增强,去除噪声,得到增强相位信号;
步骤3、基于脉搏波所在频率范围,利用小波包分解,将脉搏波相位信号从增强相位信号中分离,得到重构脉搏波信号;
步骤4、对所述重构脉搏波信号进行预处理,并提取重构脉搏波信号的特征参数,基于所述特征参数,得到血压检测结果。
在一个更为具体的实施方式中,所述步骤1中,所述距离信息为:
其中,z(d,i)表示距离信息,d为距离箱的标签,m表示第m个采样点,其范围为0≤m≤M-1。
在一个更为优选的实施方式中,由于获取的相位信息包含人体生理信号、环境噪声及人体随机运动带来的干扰等,为了增强脉搏波信号的周期性,利用一阶差分的方法对相位信号进行处理,可以有效提升相位信号中脉搏波信号的强度,有助于之后的血压估计。
在一个更为具体的实施方式中,经过差分增强之后的相位信息包含呼吸、脉搏及杂波等信息。根据呼吸、脉搏波、其他杂波等频率范围的不同,在步骤3中,我们可以利用小波包分解对差分后的相位信号进行分解。对相位信号进行6级小波包分解,在第6层,可以得到包含64个节点的小波系数,这些节点间的频率差为0.15625Hz。在更为优选的实施方式中,我们可以选取第6至第30个节点的分量用于重构脉搏波信号,获取脉搏波信号之后利用移动平均滤波进行处理,使其平滑。本实施例中,对于解缠绕之后的相位信息,优选使用小波包进行信号的分解重构。其中每个节点都不断分支,命名规则从第一个节点(1,0)开始记为1号,之后以此类推不断往下进行编号。每个节点中都有对应的小波包系数,系数则决定着频率的大小,即每一个小波包节点中都存有该节点频率频段所对应的信号波形等信息,以便根据所需要分析信号的已知频段范围进行进一步的信号重构等操作。本实施例中,采用6层小波包分解,并分别对每一层的小波包节点进行编号处理,并赋予每一个节点系数的频率频段,由于实际过程小波包节点中频谱并不是完全按照频率大小顺序所排列,所以我们需要依据频率大小对小波包进行重排。在一个优选的实施方式中,脉搏波信号则选取的节点为6到30号频率范围内的波形信息,从而通过合成将脉搏波信号的波形重构出来。
在一个更为具体的实施方式中,所述步骤4中,提取脉搏波信号的特征参数之前,去除脉搏波信号中的异常值。
在一个更为具体的实施方式中,所述步骤4中,基于所述特征参数得到血压检测结果采用机器学习的方式,该机器学习模型为:
其中,F0(x)为初始化的第一个弱学习器;LG为叶子节点个数;βg,l为最佳拟合值;Rg,h为第g棵树对应的响应值;h=1,2,...,H,H表示样本容量,I表示单位矩阵。
在一个更为具体的实施方式中,所述步骤1中,所述相位信息为:
其中Tf和Ts分别表示快时间轴和慢时间轴,λ表示chirp信号的波长,q表示雷达与目标对象的距离,i表示第i个chirp信号。
本方案在又一种实施方式下,可以通过设备的方式来实现,该设备可以执行如上述实施例中所述的基于毫米波雷达的血压检测方法,或者搭载如上实施例所述的基于毫米波雷达的血压检测系统。因此,可以由相应模块执行上述各个实施方式的每个步骤或几个步骤,并且该电子设备可以包括这些模块中的一个或多个模块。模块可以是专门被配置为执行相应步骤的一个或多个硬件模块、或者由被配置为执行相应步骤的处理器来实现、或者存储在计算机可读介质内用于由处理器来实现、或者通过某种组合来实现。
该设备可以利用总线架构来实现。总线架构可以包括任何数量的互连总线和桥接器,这取决于硬件的特定应用和总体设计约束。总线将包括一个或多个处理器、存储器和/或硬件模块的各种电路连接到一起。总线还可以将诸如外围设备、电压调节器、功率管理电路、外部天线等的各种其它电路连接。
总线可以是工业标准体系结构(ISA,Industry Standard Architecture)总线、外部设备互连(PCI,Peripheral Component)总线或扩展工业标准体系结构(EISA,ExtendedIndustry Standard Component)总线等。总线可以分为地址总线、数据总线、控制总线等。为便于表示,该图中仅用一条连接线表示,但并不表示仅有一根总线或一种类型的总线。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为,表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分,并且本方案的优选实施方式的范围包括另外的实现,其中可以不按所示出或讨论的顺序,包括根据所涉及的功能按基本同时的方式或按相反的顺序,来执行功能,这应被本方案的实施方式所属技术领域的技术人员所理解。处理器执行上文所描述的各个方法和处理。例如,本方案中的方法实施方式可以被实现为软件程序,其被有形地包含于机器可读介质,例如存储器。在一些实施方式中,软件程序的部分或者全部可以经由存储器和/或通信接口而被载入和/或安装。当软件程序加载到存储器并由处理器执行时,可以执行上文描述的方法中的一个或多个步骤。备选地,在其他实施方式中,处理器可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行上述方法之一。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)或随机存储记忆体(Random AccessMemory,RAM)等。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。
Claims (9)
1.一种基于毫米波雷达的血压检测方法,其特征在于,所述方法包括:
步骤1、基于毫米波雷达信号,获取物体的距离信息及相位信息,基于距离信息及相位信息的方差,确定对应人体反射信号的距离箱,得到人体相位信号;
步骤2、对所述人体相位信号进行增强,去除噪声,得到增强相位信号;
步骤3、基于脉搏波所在频率范围,利用小波包分解,将脉搏波相位信号从增强相位信号中分离,得到重构脉搏波信号;
步骤4、对所述重构脉搏波信号进行预处理,并提取重构脉搏波信号的特征参数,基于所述特征参数,得到血压检测结果;
所述步骤4中,基于所述特征参数得到血压检测结果采用机器学习的方式,该机器学习模型为:
其中,F0(x)为初始化的第一个弱学习器;Lg为叶子节点个数;βg,l为最佳拟合值;Rh,h为第g棵树对应的响应值;h=1,2,…,H,H表示样本容量,I表示单位矩阵。
2.根据权利要求1所述的方法,其特征在于,所述步骤1中,所述距离信息为:
其中,z(d,i)表示距离信息,d为距离箱的标签,m表示第m个采样点,其范围为0≤m≤M-1。
3.根据权利要求1所述的方法,其特征在于,所述步骤2中,使用一阶差分对人体相位信号进行增强。
4.根据权利要求1所述的方法,其特征在于,所述步骤3中,小波包分解采用6级小波包分解;基于第6至第30个节点的分量重构脉搏波信号。
5.根据权利要求1所述的方法,其特征在于,所述步骤4中,提取脉搏波信号的特征参数之前,去除脉搏波信号中的异常值。
6.根据权利要求1所述的方法,其特征在于,所述步骤1中,所述相位信息为:
其中Tf和Ts分别表示快时间轴和慢时间轴,λ表示chirp信号的波长,q表示目标对象与雷达的距离,i表示第i个chirp信号。
7.一种基于毫米波雷达的血压检测系统,其特征在于,所述系统包括:
目标检测模块,基于毫米波雷达信号,获取物体的距离信息及相位信息,基于距离信息及相位信息的方差,确定对应人体反射信号的距离箱,得到人体相位信号;
信号增强模块,对所述人体相位信号进行增强,去除噪声,得到增强相位信号;
信号分解模块,基于脉搏波所在频率范围,利用小波包分解,将脉搏波相位信号从增强相位信号中分离,得到重构脉搏波信号;
血压估计模块,对所述重构脉搏波信号进行预处理,并提取重构脉搏波信号的特征参数,基于所述特征参数,得到血压检测结果;
所述血压估计模块中,基于所述特征参数得到血压检测结果采用机器学习的方式,该机器学习模型为:
其中,F0(x)为初始化的第一个弱学习器;Lg为叶子节点个数;βg,l为最佳拟合值;Rg,h为第g棵树对应的响应值;h=1,2,…,H,H表示样本容量,I表示单位矩阵。
8.根据权利要求7所述的系统,其特征在于,所述血压估计模块进一步包括:
特征提取单元,用于去除重构脉搏波信号中的异常值,并对重构脉搏波信号进行特征点检测;所述特征点包括峰值强度比、心率、脉搏波信号的峰值、脉搏波信号的谷值、交流分量最大振幅、收缩期向上搏动时间及舒张时间;
回归分析单元,用于基于特征提取单元获取的特征点数据,进行回归分析,获得血压检测结果。
9.一种基于毫米波雷达的血压检测设备,其特征在于,所述设备包括处理器、存储器、总线结构,所述处理器调用所述存储器中的指令,以执行权利要求1-6任一所述的基于毫米波雷达的血压检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210010289.XA CN114305364B (zh) | 2022-01-05 | 2022-01-05 | 基于毫米波雷达的血压检测方法、系统及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210010289.XA CN114305364B (zh) | 2022-01-05 | 2022-01-05 | 基于毫米波雷达的血压检测方法、系统及设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114305364A CN114305364A (zh) | 2022-04-12 |
CN114305364B true CN114305364B (zh) | 2023-08-11 |
Family
ID=81025289
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210010289.XA Active CN114305364B (zh) | 2022-01-05 | 2022-01-05 | 基于毫米波雷达的血压检测方法、系统及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114305364B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117158940A (zh) * | 2022-09-01 | 2023-12-05 | 亿慧云智能科技(深圳)股份有限公司 | 一种采用毫米波雷达的心率数据监测方法、检测系统及可穿戴装置 |
CN115607126B (zh) * | 2022-09-28 | 2023-06-02 | 中国人民解放军总医院 | 一种基于脉冲超宽带雷达的非接触血压测量方法 |
CN115590489B (zh) * | 2022-09-28 | 2024-01-23 | 中国人民解放军总医院 | 一种基于调频连续波雷达的无接触血压监测方法 |
CN115553745A (zh) * | 2022-11-02 | 2023-01-03 | 济南大学 | 基于机器学习的血液容积脉搏波信号增强方法及系统 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101789076A (zh) * | 2010-01-27 | 2010-07-28 | 哈尔滨工程大学 | 一种提取相位及方向特征的手指静脉识别方法 |
CN106413534A (zh) * | 2015-08-08 | 2017-02-15 | 深圳先进技术研究院 | 连续血压测量装置、测量模型建立方法和系统 |
CN108478203A (zh) * | 2018-02-08 | 2018-09-04 | 南京理工大学 | 一种基于单生命体征监测雷达的血压测量方法 |
CN110251105A (zh) * | 2019-06-12 | 2019-09-20 | 广州视源电子科技股份有限公司 | 一种无创血压测量方法、装置、设备及系统 |
CN110346790A (zh) * | 2019-07-09 | 2019-10-18 | 长沙莫之比智能科技有限公司 | 一种基于毫米波雷达的非接触式生命体征监测方法、装置及系统 |
CN111728602A (zh) * | 2020-08-21 | 2020-10-02 | 之江实验室 | 基于ppg的无接触血压测量装置 |
CN113116342A (zh) * | 2021-04-26 | 2021-07-16 | 上海交通大学 | 一种基于毫米波雷达的生命信号监测方法 |
EP3885786A1 (en) * | 2020-03-27 | 2021-09-29 | Origin Wireless, Inc. | Method, apparatus, and system for wireless vital monitoring using high frequency signals |
CN113827215A (zh) * | 2021-09-02 | 2021-12-24 | 中国电子科技南湖研究院 | 一种基于毫米波雷达的多种心律失常自动诊断方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2074942B1 (en) * | 2007-12-21 | 2012-02-01 | CSEM Centre Suisse d'Electronique et de Microtechnique SA - Recherche et Développement | Method and apparatus for a continuous non-invasive and non-obstrusive monitoring of blood pressure |
US11408978B2 (en) * | 2015-07-17 | 2022-08-09 | Origin Wireless, Inc. | Method, apparatus, and system for vital signs monitoring using high frequency wireless signals |
EP3430991A1 (en) * | 2017-07-21 | 2019-01-23 | Koninklijke Philips N.V. | Apparatus and method for determining blood pressure of a subject |
KR20200054723A (ko) * | 2018-11-12 | 2020-05-20 | 삼성전자주식회사 | 혈압 측정 장치 및 방법 |
-
2022
- 2022-01-05 CN CN202210010289.XA patent/CN114305364B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101789076A (zh) * | 2010-01-27 | 2010-07-28 | 哈尔滨工程大学 | 一种提取相位及方向特征的手指静脉识别方法 |
CN106413534A (zh) * | 2015-08-08 | 2017-02-15 | 深圳先进技术研究院 | 连续血压测量装置、测量模型建立方法和系统 |
CN108478203A (zh) * | 2018-02-08 | 2018-09-04 | 南京理工大学 | 一种基于单生命体征监测雷达的血压测量方法 |
CN110251105A (zh) * | 2019-06-12 | 2019-09-20 | 广州视源电子科技股份有限公司 | 一种无创血压测量方法、装置、设备及系统 |
CN110346790A (zh) * | 2019-07-09 | 2019-10-18 | 长沙莫之比智能科技有限公司 | 一种基于毫米波雷达的非接触式生命体征监测方法、装置及系统 |
EP3885786A1 (en) * | 2020-03-27 | 2021-09-29 | Origin Wireless, Inc. | Method, apparatus, and system for wireless vital monitoring using high frequency signals |
CN111728602A (zh) * | 2020-08-21 | 2020-10-02 | 之江实验室 | 基于ppg的无接触血压测量装置 |
CN113116342A (zh) * | 2021-04-26 | 2021-07-16 | 上海交通大学 | 一种基于毫米波雷达的生命信号监测方法 |
CN113827215A (zh) * | 2021-09-02 | 2021-12-24 | 中国电子科技南湖研究院 | 一种基于毫米波雷达的多种心律失常自动诊断方法 |
Non-Patent Citations (1)
Title |
---|
刘璐瑶 ; 张森 ; 肖文栋.基于小波分析和自相关计算的非接触式生理信号检测基于小波分析和自相关计算的非接触式生理信号检测.《工程科学学报》.2021,全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN114305364A (zh) | 2022-04-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114305364B (zh) | 基于毫米波雷达的血压检测方法、系统及设备 | |
Wang et al. | A novel neural network model for blood pressure estimation using photoplethesmography without electrocardiogram | |
Biswas et al. | Heart rate estimation from wrist-worn photoplethysmography: A review | |
Esmaelpoor et al. | A multistage deep neural network model for blood pressure estimation using photoplethysmogram signals | |
CN111938613B (zh) | 基于毫米波雷达的健康监测装置及方法 | |
US9060722B2 (en) | Apparatus for processing physiological sensor data using a physiological model and method of operation therefor | |
EP2512325B1 (en) | Processing physiological sensor data using a physiological model combined with a probabilistic processor | |
Yamamoto et al. | ECG signal reconstruction via Doppler sensor by hybrid deep learning model with CNN and LSTM | |
Maqsood et al. | A survey: From shallow to deep machine learning approaches for blood pressure estimation using biosensors | |
Sahoo et al. | Wavelet based pulse rate and Blood pressure estimation system from ECG and PPG signals | |
CN102429649A (zh) | 连续血压测量装置 | |
WO2018201395A1 (en) | Apparatus and method for determining a blood pressure of a subject | |
CN112274121B (zh) | 一种基于多路脉搏波的无创动脉硬化检测方法、装置 | |
Lin et al. | Reducing the impact of external vibrations on fiducial point detection in seismocardiogram signals | |
Toda et al. | Ecg signal reconstruction using fmcw radar and convolutional neural network | |
Addison et al. | Secondary wavelet feature decoupling (SWFD) and its use in detecting patient respiration from the photoplethysmogram | |
Ishizaka et al. | Non-contact blood pressure measurement using Doppler radar based on waveform analysis by LSTM | |
Fujii et al. | Noise-tolerant instantaneous heart rate and R-peak detection using short-term autocorrelation for wearable healthcare systems | |
Bhattacharjee | Cuff-less blood pressure estimation from electrocardiogram and photoplethysmography based on VGG19-LSTM network | |
Gaoan et al. | Heart rate measurement via smart phone acceleration sensor | |
Alqudah et al. | Multiple time and spectral analysis techniques for comparing the PhotoPlethysmography to PiezoelectricPlethysmography with electrocardiography | |
Mohamed Yacin et al. | Reconstruction of gastric slow wave from finger photoplethysmographic signal using radial basis function neural network | |
Li et al. | The establishment of a non-invasive continuous blood pressure measure system based on pulse transit time | |
Agham et al. | An Unsupervised Learning of Impedance Plethysmograph for Perceiving Cardiac Events:(Unsupervised Learning of Impedance Plethysmograph) | |
Zhe et al. | Design and research of continuous blood pressure monitoring system based on lora |
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 |