CN114569073A - 超宽带uwb生命体征信号提取方法、装置、设备及介质 - Google Patents
超宽带uwb生命体征信号提取方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN114569073A CN114569073A CN202210168868.7A CN202210168868A CN114569073A CN 114569073 A CN114569073 A CN 114569073A CN 202210168868 A CN202210168868 A CN 202210168868A CN 114569073 A CN114569073 A CN 114569073A
- Authority
- CN
- China
- Prior art keywords
- vital sign
- order
- signal
- signals
- frequency band
- 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.)
- Pending
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
- A61B5/0002—Remote monitoring of patients using telemetry, e.g. transmission of vital signals via a communication network
- A61B5/0015—Remote monitoring of patients using telemetry, e.g. transmission of vital signals via a communication network characterised by features of the telemetry system
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/0002—Remote monitoring of patients using telemetry, e.g. transmission of vital signals via a communication network
- A61B5/0015—Remote monitoring of patients using telemetry, e.g. transmission of vital signals via a communication network characterised by features of the telemetry system
- A61B5/0022—Monitoring a patient using a global network, e.g. telephone networks, internet
-
- 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
- A61B5/0205—Simultaneously evaluating both cardiovascular conditions and different types of body conditions, e.g. heart and respiratory condition
-
- 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
- A61B5/7253—Details of waveform analysis characterised by using transforms
- A61B5/726—Details of waveform analysis characterised by using transforms using Wavelet transforms
-
- 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
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Animal Behavior & Ethology (AREA)
- Public Health (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Veterinary Medicine (AREA)
- General Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Physiology (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Psychiatry (AREA)
- Cardiology (AREA)
- Pulmonology (AREA)
- Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)
Abstract
本公开提出了一种超宽带(Ultra Wide Band,UWB)生命体征信号提取方法、装置、设备及介质,该方法包括:利用超宽带UWB雷达生命探测仪发射连续脉冲序列进行探测,以得到连续多组包含生命体征信号的回波信号,对回波信号矩阵进行预处理,对预处理后的回波信号矩阵进行分解,以得到多阶奇异值分量,从多阶奇异值中确定多阶左奇异向量与多阶右奇异向量,利用生命体征信号的能量占比对多阶右奇异向量进行筛选,以得到多阶初始频段信号,对多阶初始频段信号进行去噪处理,得到多阶目标频段信号并从中提取生命体征信号,能够有效提升生命体征信号提取的准确性,降低信号噪声干扰,有效提升生命体征信号提取的时效性,增强生命体征信号提取模型的鲁棒性。
Description
技术领域
本申请涉及信号处理技术领域,尤其涉及一种超宽带UWB生命体征信号提取方法、装置、设备及介质。
背景技术
超宽带(Ultra-Wideband Radar,简称UWB)雷达具有距离分辨率高、穿透能力强、功耗低、抗干扰能力强等优点,随着超宽带雷达探测成像技术的迅猛发展,该技术在生活中各方面均实现了广泛应用,在通信、探测、医疗、遥感等方面有着巨大的潜力。其中,利用超宽带雷达进行生命探测是目前该领域的重要应用。人体生命信号,包括呼吸和心跳,是极其微弱的低速信号,在生命信号探测过程中,人类活动所带来的体表微动、环境噪声、设备造成线性漂移、探测仪噪声、热噪声等造成了干扰,对于生命信号的提取与分析造成干扰,这些微弱信号相互影响,形成耦合作用。在利用超宽带雷达进行生命探测过程中,往往需要采集、处理和存储大量数据,由于多信号间的耦合作用,造成难以对数据进行有效描述,降低数据量,因此,需要对生命体征信号的提取进行处理。
相关技术中,对于生命体征信号的提取通常使用中值滤波、平均去除法和高阶累积量方法等方法,其中,中值滤波是一种非线性的滤波方式,方便快捷,但是无法刻画生命体征信号的非平稳特性,效果并不理想,平均去除法可以去除静止目标的背景杂波,但是不可避免的引入附加的谐波干扰,利用高阶累积量方法检测心跳信号,能够有效的抑制高斯噪声。
这种方式下,仅能对UWB回波信号中的特定分量进行抑制,难以满足微弱生命体征信号提取的需求,生命体征信号提取准确度与信噪比较低,时效性较差,生命体征信号提取模型的鲁棒性较差。
发明内容
本公开旨在至少在一定程度上解决相关技术中的技术问题之一。
为此,本公开的目的在于提出一种超宽带UWB生命体征信号提取方法、装置、设备及介质,能够有效提升生命体征信号提取的准确性,降低信号噪声干扰,有效提升生命体征信号提取的时效性,增强生命体征信号提取模型的鲁棒性。
本公开第一方面实施例提出的超宽带UWB生命体征信号提取方法,包括:利用超宽带UWB雷达生命探测仪发射连续脉冲序列进行探测,以得到连续多组包含生命体征信号的回波信号,其中,多组包含生命体征信号的回波信号构成回波信号矩阵,对回波信号矩阵进行预处理,对预处理后的回波信号矩阵进行分解,以得到多阶奇异值分量,从多阶奇异值中确定多阶左奇异向量与多阶右奇异向量,利用生命体征信号的能量占比对多阶右奇异向量进行筛选,以得到包含生命体征信号的多阶初始频段信号,对多阶初始频段信号进行去噪处理,以得到多阶目标频段信号,从多阶目标频段信号中提取生命体征信号。
本公开第一方面实施例提出的超宽带UWB生命体征信号提取方法,通过利用超宽带UWB雷达生命探测仪发射连续脉冲序列进行探测,以得到连续多组包含生命体征信号的回波信号,其中,多组包含生命体征信号的回波信号构成回波信号矩阵,对回波信号矩阵进行预处理,对预处理后的回波信号矩阵进行分解,以得到多阶奇异值分量,从多阶奇异值中确定多阶左奇异向量与多阶右奇异向量,利用生命体征信号的能量占比对多阶右奇异向量进行筛选,以得到包含生命体征信号的多阶初始频段信号,对多阶初始频段信号进行去噪处理,以得到多阶目标频段信号,从多阶目标频段信号中提取生命体征信号,由于是使用预处理与分解,得到多阶奇异值分量,并对奇异值分量进行筛选与去噪处理,能够有效提升生命体征信号提取的准确性,降低信号噪声干扰,有效提升生命体征信号提取的时效性,增强生命体征信号提取模型的鲁棒性。
本公开第二方面实施例提出的超宽带UWB生命体征信号提取装置,包括:探测模块,用于利用超宽带UWB雷达生命探测仪发射连续脉冲序列进行探测,以得到连续多组包含生命体征信号的回波信号,其中,所述多组包含生命体征信号的回波信号构成回波信号矩阵;第一处理模块,用于对所述回波信号矩阵进行预处理;分解模块,用于对预处理后的回波信号矩阵进行分解,以得到多阶奇异值分量,从所述多阶奇异值中确定多阶左奇异向量与多阶右奇异向量;筛选模块,用于利用所述生命体征信号的能量占比对所述多阶右奇异向量进行筛选,以得到包含所述生命体征信号的多阶初始频段信号;第二处理模块,用于对所述多阶初始频段信号进行去噪处理,以得到多阶目标频段信号;提取模块,用于从所述多阶目标频段信号中提取所述生命体征信号。
本公开第二方面实施例提出的超宽带UWB生命体征信号提取装置,通过利用超宽带UWB雷达生命探测仪发射连续脉冲序列进行探测,以得到连续多组包含生命体征信号的回波信号,其中,多组包含生命体征信号的回波信号构成回波信号矩阵,对回波信号矩阵进行预处理,对预处理后的回波信号矩阵进行分解,以得到多阶奇异值分量,从多阶奇异值中确定多阶左奇异向量与多阶右奇异向量,利用生命体征信号的能量占比对多阶右奇异向量进行筛选,以得到包含生命体征信号的多阶初始频段信号,对多阶初始频段信号进行去噪处理,以得到多阶目标频段信号,从多阶目标频段信号中提取生命体征信号,由于是使用预处理与分解,得到多阶奇异值分量,并对奇异值分量进行筛选与去噪处理,能够有效提升生命体征信号提取的准确性,降低信号噪声干扰,有效提升生命体征信号提取的时效性,增强生命体征信号提取模型的鲁棒性。
根据本公开第三方面,提供了一种电子设备,包括:至少一个处理器;以及与至少一个处理器通信连接的存储器;其中,存储器存储有可被至少一个处理器执行的指令,指令被至少一个处理器执行,以使至少一个处理器能够执行本公开第一方面实施例的超宽带UWB生命体征信号提取方法。
根据本公开第四方面,提出了一种存储有计算机指令的非瞬时计算机可读存储介质,所述计算机指令用于使所述计算机执行本公开第一方面实施例的超宽带UWB生命体征信号提取方法。
根据本公开第五方面,提供了一种计算机程序产品,包括计算机程序,所述计算机程序在被处理器执行时实现本公开第一方面实施例的超宽带UWB生命体征信号提取方法。
应当理解,本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征,也不用于限制本公开的范围。本公开的其他特征将通过以下的说明书而变得容易理解。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本公开的实施例,并与说明书一起用于解释本公开的原理,并不构成对本公开的不当限定。
图1是本公开一实施例提出的超宽带UWB生命体征信号提取方法的流程示意图;
图2是本公开一实施例提出的回波信号矩阵时域信息图;
图3是本公开一实施例提出的预处理的回波信号矩阵的时域信息图;
图4是本公开一实施例提出的前N阶奇异值分量图;
图5为本公开一实施例提出的第1阶右奇异向量的时域幅值图和频域幅值图;
图6为本公开一实施例提出的第2阶右奇异向量的时域幅值图和频域幅值图;
图7为本公开一实施例提出的第3阶右奇异向量的时域幅值图和频域幅值图;
图8为本公开一实施例提出的第4阶右奇异向量的时域幅值图和频域幅值图;
图9为本公开一实施例提出的第5阶右奇异向量的时域幅值图和频域幅值图;
图10为本公开一实施例提出的第6阶右奇异向量的时域幅值图和频域幅值图;
图11为本公开一实施例提出的前6阶奇异值分量生命体征频段的能量占比示意图;
图12为本公开一实施例提出的小波变换去噪示意图;
图13为本公开一实施例提出的回波信号在小波多尺度分解下的频率范围示意图
图14为本公开一实施例提出的多阶奇异值分量小波分解去噪的结果示意图
图15是本公开另一实施例提出的超宽带UWB生命体征信号提取方法的流程示意图
图16为本公开另一实施例所筛选出的第1阶奇异值分量的左奇异向量幅值图;
图17为本公开另一实施例提出的回波信号各位置能量熵示意图;
图18为本公开另一实施例提出的提取到的呼吸信号的时域幅值图和频域幅值图示意图;
图19为本公开另一实施例中信号经过MTI谐波抑制处理后的效果图;
图20为本公开实施例中提取到的心跳信号的的时域幅值图;
图21为本公开实施例中进行MTI谐波抑制和巴特沃斯滤波的频域效果图;
图22是根据本公开一实施例提出的超宽带UWB生命体征信号提取装置的结构示意图;
图23是根据本公开另一实施例提出的超宽带UWB生命体征信号提取装置的结构示意图;
图24示出了适于用来实现本公开实施方式的示例性电子设备的框图。
具体实施方式
下面详细描述本公开的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,仅用于解释本公开,而不能理解为对本公开的限制。相反,本公开的实施例包括落入所附加权利要求书的精神和内涵范围内的所有变化、修改和等同物。
图1是本公开一实施例提出的超宽带UWB生命体征信号提取方法的流程示意图。
本实施例以超宽带UWB生命体征信号提取方法被配置为超宽带UWB生命体征信号提取装置中来举例说明,本实施例中超宽带UWB生命体征信号提取方法可以被配置在超宽带UWB生命体征信号提取装置中,超宽带UWB生命体征信号提取装置可以设置在服务器中,或者也可以设置在电子设备中,本公开实施例对此不作限制。
如图1所示,该方法包括:
S101:利用超宽带UWB雷达生命探测仪发射连续脉冲序列进行探测,以得到连续多组包含生命体征信号的回波信号,其中,多组包含生命体征信号的回波信号构成回波信号矩阵。
其中,超宽带UWB雷达生命探测仪,是使用微功率超宽带雷达技术研制而成的救生设备,通过发射连续脉冲序列,基于人体运动在雷达上产生的时域多普勒效应来进行分析,判断废墟内有无生命体存在以及生命体的具体位置信息,超宽带雷达生命探测仪可以被用于地震灾害、塌方事故等紧急救援任务中,有效提升救援质量和工作效率。
本公开实施例中,由于超宽带UWB雷达生命探测仪在接收回波信号时,接收到包含生命体征的信号与杂波,因此需要对包含生命体征的信号进行提取,以提升判断有无生命体存在以及生命体位置等信息的准确度。
其中,用于表征生命体征的信号可以被称为生命体征信号,生命体征信号可以为呼吸信号、心跳信号等信号,或者,也可以是温度信号、声音信号、气味信号等,对此不做限制,本公开实施例中,使用超宽带UWB雷达生命探测仪对生命体征信号进行接收,可以使用呼吸信号与心跳信号作为生命体征信号。
其中,生命体征信号经过连续脉冲序列的探测,返回至超宽带雷达生命探测仪的脉冲信号,可以被称为回波信号,回波信号可以通过信号矩阵的形式返回至超宽带雷达生命探测仪,或者,也可以在超宽带雷达生命探测仪接收回波信号之后,生成回波信号的矩阵阵列,对此不做限制。
本公开实施例中,当超宽带雷达生命探测仪发射的连续脉冲序列探测得到生命体征,连续脉冲序列经过生命体征,返回回波信号,多组包含生命体征信号的回波信号可以构成回波信号矩阵。
本公开实施例中,利用超宽带雷达生命探测仪发射连续周期性脉冲序列进行探测,接收连续多组包含生命体征信号的回波信号,将每个脉冲序列的接收回波信号分别按行排列,可以构成回波信号矩阵,由于是使用回波信号矩阵排列每个脉冲序列对应的回波信号,能够增强脉冲序列探测的波形变化效果,提高探测结果的准确性。
本公开实施例中,设置信号采样频率FS及连续脉冲序列频率FPR,接受连续多组包含生命体征信号的回波信号{X1,X2,X3,…,Xn},将每个脉冲序列的接收回波信号分别按行排列,构成回波信号矩阵Xm×n:
其中,m、n(m>1,n>1,且m、n均为整数)分别为矩阵Xm×n的行数和列数,同时也可以分别代表对同一脉冲波的采样数和连续周期性脉冲序列中的脉冲数目。
本公开实施例中,如图2所示,图2是本公开一实施例提出的回波信号矩阵时域信息图,超宽带雷达生命探测仪接收的回波信号矩阵有较为明显的噪声,因此,需要对回波信号矩阵进行去噪处理,具体实施方式参见下述步骤。
S102:对回波信号矩阵进行预处理。
本公开实施例中,对回波信号矩阵进行预处理,可以通过使用波形变换等方式(例如小波变换方法等),处理回波信号矩阵中的生命体征信号所对应的特征波形,减少噪声影响,有效对非平稳的生命体征信号进行提取,或者,也可以是使用相应的去噪算法,通过对信号的滤波与阈值的设置,实现去噪功能,或者,还可以使用其他任意可能的实现方式实现对回波信号矩阵的预处理等,对此不做限制。
可选地,本公开实施例中,消除检测场景静止物体引起的背景杂波,利用自动增益控制对生命体征信号进行增强,以对回波信号矩阵进行预处理,由于是对背景杂波进行消除,并使用自动增益对生命体征信号进行增强,具有优秀的去噪效果,能够有效减少背景杂波,消除扫描过程中的恒定成分,进而提升超宽带雷达生命探测仪中脉冲序列的探测效果。
本公开实施例中,可以利用时间减平均法消除检测场景静止物体引起的背景杂波,其中,场景静止物体,为场景中静止不动的物体,也即无生命体征的物体,当超宽带UWB雷达生命探测仪像场景中发射连续脉冲序列探测,场景中静止不动的物体反射的回波波形与频率稳定,可以使用时间减平均法消除检测场景静止物体引起的背景杂波。
利用时间平均减法消除检测场景静止物体引起的背景杂波,消除扫描过程中的恒定成分。在本实施例中,对回波信号矩阵Xm×n,由检测场景静止物体引起的背景杂波可以近似直流分量,利用时间减平均法估计此分量S:
利用时间减平均法处理后结果Ym×n:
Ym×n=Xm×n-S
而后,利用自动增益控制对生命体征信号进行增强,其中,自动增益控制,是一种使放大电路的增益自动地随信号强度而调整的自动控制方法,可以利用线性放大和压缩放大的有效组合对输出信号进行调整,因此,可以采用自动增益控制在慢时间方向增强微弱的生命体征信号,从而进一步提高信噪比。
设置滑动窗口长度da和最大增益值gmax,根据时间窗内的能量值计算相应的增益系数,实现自适应控制效果。
rij=gmask(i,j)·yij i=1,2,3,…m,j=,2,3,…n;
经过上述处理后,构建经过预处理的回波信号矩阵Rm×n,Rm×n时域信息如图3所示,图3是本公开一实施例提出的预处理的回波信号矩阵的时域信息图,与图2进行对比,可以得出经过道信号相减法、时间减平均法等处理方式,对回波信号矩阵进行预处理,具有优秀的去噪效果,能够有效减少背景杂波,有效提升超宽带雷达生命探测仪中脉冲序列的探测效果。
S103:对预处理后的回波信号矩阵进行分解,以得到多阶奇异值分量,从多阶奇异值中确定多阶左奇异向量与多阶右奇异向量。
本公开实施例中,如图4所示,图4是本公开一实施例提出的前N阶奇异值分量图,对经过预处理的回波信号矩阵Rm×n,分别构造方阵RRT和RTR,其中RRT为m×m阶实对称矩阵,其中RTR为n×n阶实对称矩阵,由于RRT和RTR均为实对称方阵,因此可以对其进行正交相似对角化,即:
Pn×n=RRT=UΣ1UT;
Qm×m=RTR=VΣ2VT;
其中,Um×m和Vn×n均为单位正交阵,即UUT=1和VVT=1。Σ1和Σ2为特征值矩阵仅在主对角线上有奇异值,其它元素均为0。
根据特征值分解的原理和奇异值分解的形式,可以得到:
RRT=UΣVT(UΣVT)T=UΣVTVΣTUT=U(ΣΣT)UT=UΣ1UT
RTR=(UΣVT)TUΣVT=VΣTUTUΣVT=V(ΣTΣ)VT=VΣ2VT
矩阵RRT进行特征值分解时的特征矩阵Um×m即为R的左奇异矩阵,RTR的特征矩阵Vn×n即为R的右奇异矩阵,对Σ1或者Σ2中的特征值开方,即可得到奇异值矩阵Σm×n。
奇异值矩阵Σm×n仅在主对角线上有奇异值,其它元素均为0,主对角元σ1,σ2,σ3,…,σk为经过预处理的回波信号矩阵Rm×n的k个奇异值,且满足σ1≥σ2≥σ3≥…≥σk。ui表示矩阵Um×m的第i个列向量,称为第i阶左奇异向量。vi表示矩阵Vn×n的第i个列向量,称为第i阶右奇异向量。σi表示奇异值谱的第i个元素。
保留前N(N>0,且N为整数)阶奇异值σ1,σ2,σ3,…,σN、左奇异向量u1,u2,u3,…,uN和右奇异向量v1,v2,v3,…,vN,作为分解结果,即将回波信号矩阵Rm×n分解为如下形式:
其中,对特征值分解后的结果提取RRT的特征矩阵U和RTR的特征矩阵V,分别作为Rm×n的左奇异矩阵和右奇异矩阵,对Σ1或者Σ2中的特征值开方,得到奇异值矩阵,完成奇异值分解。
对预处理后的回波信号矩阵进行奇异值分解之后,可以得到多阶奇异值分量,可以对奇异值分量进行筛选处理,或者,也可以对奇异值分量进行分解处理,对此不做限制,通过对奇异值分量的处理,确定多阶左奇异向量与多阶右奇异向量,能够提升生命体征信号的提取效率。
S104:利用生命体征信号的能量占比对多阶右奇异向量进行筛选,以得到包含生命体征信号的多阶初始频段信号。
其中,经过筛选处理得到的多阶信号频段,可以被称为多阶初始频段信号,可以设置筛选条件,增加生命体征频段部分的能量与整个初始频段信号的能量的比值。
其中,生命体征频段,为生命体征信号所在的频段,生命体征频段可以为0.2~2Hz,或者,也可以根据实际场景的差异化进行变化,对此不做限制。
本公开实施例中,对于分解出的前N阶奇异值分量,分析右奇异向量v1,v2,v3,…,vN的信号中生命体征频段的分量,从而进行筛选。通过快速傅里叶变换,将右奇异向量v1,v2,v3,…,vN转换到频域上。对第i阶右奇异向量vi,其快速傅里叶变换形式为:
其中,Vi(k)表示快速傅里叶变换后的数据,n为右奇异向量vi的数据点数量,Nfft为快速傅里叶变换的细化频率点数。
同时计算Vi(k)所对应的频率向量f:
本公开实施例中,如图5~图10所示,图5为本公开一实施例提出的第1阶右奇异向量的时域幅值图和频域幅值图,图6为本公开一实施例提出的第2阶右奇异向量的时域幅值图和频域幅值图,图7为本公开一实施例提出的第3阶右奇异向量的时域幅值图和频域幅值图,图8为本公开一实施例提出的第4阶右奇异向量的时域幅值图和频域幅值图,图9为本公开一实施例提出的第5阶右奇异向量的时域幅值图和频域幅值图,图10为本公开一实施例提出的第6阶右奇异向量的时域幅值图和频域幅值图。若人体呼吸、心跳等心肺运动的频率范围分别为0.2Hz到0.7Hz与0.8Hz到2Hz,则可以将快速傅里叶变换后提取频域特征的范围定在0.2Hz到2Hz之间,以覆盖整个生命体征信号的频率范围。计算生命体征频段(0.2~2Hz)部分的能量与整个信号频段的能量的比值,来对各阶主成分进行筛选:
式中,ASi为生命体征频段的能量占比。
可选地,一些实施例中,可以使用阈值判断的方式对多阶右奇异向量进行筛选,确定能量占比阈值,其中,能量占比阈值为生命体征信号的在回波信号的能量占比的阈值,确定能量占比最大的多阶信号频段,根据能量占比阈值,筛选多阶右奇异向量在多阶信号频段的奇异值分量,以得到包含生命体征信号的多阶初始频段信号,由于是使用阈值判断的方式,根据能量占比阈值筛选多阶右奇异向量在多阶信号频段的奇异值分量,能够有效提升对多阶右奇异向量奇异值分量的筛选效果,筛选出更为符合要求的多阶初始频段信号,便于对生命体征信号的提取与分析。
其中,代表生命体征信号的能量在代表回波信号的能量的比值为能量占比,根据生命体征信号的特性,设置用于表示能量占比的阈值可以被称为能量占比阈值,能量占比阈值可以为表示能量占比的范围区间,当超出该区间时,表示信号为噪声信号,对此不做限制。
本公开实施例中,根据能量占比阈值,对多阶右奇异向量在多阶信号频段的奇异值分量进行筛选,根据筛选结果,确定包含生命体征信号的多阶初始频段信号。
如图11所示,图11为本公开一实施例提出的前6阶奇异值分量生命体征频段的能量占比示意图,设置筛选阈值TE,根据生命体征频段的能量占比ASi对雷达回波矩阵分解出的前N阶奇异值分量进行筛选,保留ASi>TE的奇异值分量进行后续分析和处理。
举例而言,如图11所示,可以筛选第1阶奇异值分量,第3阶奇异值分量,第5阶奇异值分量所对应的频段信号作为初始频段信号。
S105:对多阶初始频段信号进行去噪处理,以得到多阶目标频段信号。
其中,多阶目标频段信号,为多阶初始频段信号经过去噪后得到的信号,可以使用小波变换的方式对筛选得到的多阶初始频段信号进行去噪处理,或者,也可以使用软阈值函数和硬阈值函数等方式进行去噪处理,或者,还可以是其他任意可能的实现方式对多阶初始频段信号进行去噪处理,对此不做限制。
其中,小波变换,是一种新的变换分析方法,它继承和发展了短时傅立叶变换局部化的思想,通过变换能够充分突出问题某些方面的特征,能对时间(空间)频率的局部化分析,通过伸缩平移运算对信号逐步进行多尺度细化,最终达到高频处时间细分,低频处频率细分,能自动适应时频信号分析的要求,从而可聚焦到信号的细节中,本公开实施例中,可以使用小波变换实现多阶初始频段信号的去噪处理,如图12所示,图12为本公开一实施例提出的小波变换去噪示意图,对含噪声的信号(多阶初始频段信号)进行小波分解、小波阈值去噪处理与小波重构,得到去噪后的信号(多阶目标频段信号)。
对第i阶右奇异向量vi,首先选取合适的小波基和分解层数,之后进行小波变换:
其中,WTf(j,k)为小波系数,j为小波分解层数。
为了简化繁琐的过程,可以借助双尺度方程(例如Mallet算法等),从而得到小波变换的递归实现方法:
Sf(0,k)=vi(k)
Sf(j+1,k)=Sf(j,k)*h(j,k)
WTf(j+1,k)=Sf(j,k)*g(j,k)
其中,h和g分别是对应于尺度函数δ(x)和小波函数ψ(x)的低通和高通滤波器,Sf(j,k)为尺度系数,WTf(j,k)为小波系数。相应地,小波变换重构公式为:
根据以上步骤,可以完成小波变换对筛选后的多阶初始频段信号进行去噪处理的过程。
举例而言,在雷达脉冲发射的频率是152.6Hz,生命体征的频率范围是0.2~2Hz的场景下,选择型号为sym6的小波基,设置小波分解层数为7层,如图13所示,图13为本公开一实施例提出的回波信号在小波多尺度分解下的频率范围示意图。使用penalty策略确定降噪的阈值,根据频率范围,生命体征的能量集中在第7层小波分量上,因此保留第7层低频分量和高频细节,进行进一步去噪来生成多阶目标频段信号,如图14所示,图14为本公开一实施例提出的多阶奇异值分量小波分解去噪的结果示意图。
S106:从多阶目标频段信号中提取生命体征信号。
本公开实施例中,可以使用信号提取的方式,从多阶目标频段信号中提取生命体征信号,或者,也可以对多阶目标频段信号进行进一步处理,以便于针对生命体征信号进行提取,或者,还可以是使用滤波器等滤波方式提取对应的生命体征信号,对此不做限制。
本实施例中,通过利用超宽带UWB雷达生命探测仪发射连续脉冲序列进行探测,以得到连续多组包含生命体征信号的回波信号,其中,多组包含生命体征信号的回波信号构成回波信号矩阵,对回波信号矩阵进行预处理,对预处理后的回波信号矩阵进行分解,以得到多阶奇异值分量,从多阶奇异值中确定多阶左奇异向量与多阶右奇异向量,利用生命体征信号的能量占比对多阶右奇异向量进行筛选,以得到包含生命体征信号的多阶初始频段信号,对多阶初始频段信号进行去噪处理,以得到多阶目标频段信号,从多阶目标频段信号中提取生命体征信号,由于是使用预处理与分解,得到多阶奇异值分量,并对奇异值分量进行筛选与去噪处理,能够有效提升生命体征信号提取的准确性,降低信号噪声干扰,有效提升生命体征信号提取的时效性,增强生命体征信号提取模型的鲁棒性。
图15是本公开另一实施例提出的超宽带UWB生命体征信号提取方法的流程示意图。
如图15所示,该方法包括:
S1501:利用超宽带UWB雷达生命探测仪发射连续脉冲序列进行探测,以得到连续多组包含生命体征信号的回波信号,其中,多组包含生命体征信号的回波信号构成回波信号矩阵。
S1502:对回波信号矩阵进行预处理。
S1503:对预处理后的回波信号矩阵进行分解,以得到多阶奇异值分量,从多阶奇异值中确定多阶左奇异向量与多阶右奇异向量。
S1504:利用生命体征信号的能量占比对多阶右奇异向量进行筛选,以得到包含生命体征信号的多阶初始频段信号。
S1501-S1504的描述说明可以具体参见上述实施例,在此不再赘述。
S1505:根据多阶左奇异向量对生命体征信号进行定位。
本公开实施例中,可以对多阶左奇异向量进行计算与分析,定位回波信号中的生命体征信号。
本公开实施例中,可以使用信号处理的方式定位生命体征信号,或者,也可以搭建生命体征信号定位的数据模型,或者,还可以是使用其他任意可能的实现方式用于定位生命体征信号,对此不做限制。
可选地,本公开实施例中,可以使用能量熵的方式对生命体征信号进行定位。确定多阶左奇异向量对应的能量熵,根据能量熵,确定生命体征信号在多阶初始频段信号中的位置信息,由于是使用能量熵的方式定位生命体征信号,能够有效提升生命体征信号定位的准确性,简化定位流程,提升效率。
本公开实施例中,对第i阶左奇异向量ui,其所对应的各位置能量熵的计算步骤如下:
首先根据人体胸腔的厚度构造汉明窗,假设人体胸腔厚度D=0.15m,汉明窗的长度L计算公式为:
式中,FS为信号采样频率,D为人体胸腔厚度,c为光速。
设置帧位移Inc,根据汉明窗的长度L与帧位移Inc对左奇异向量ui进行分帧处理,然后对窗口内的数据计算其能量熵的大小。
在第一次迭代过程中,取step=1,汉明窗内的数据为:
{ui(x),x=1,2,3,...,L}
计算汉明窗窗口内各数据点的系数:
计算汉明窗内的能量熵Ei(1):
在第j次迭代过程中,取step=j,汉明窗内的数据为:
{ui(x),x=(j-1)Inc+1,(j-1)Inc+2,...,(j-1)Inc+L}
计算汉明窗内的能量熵Ei(1):
当迭代步骤step如下时停止迭代:
对计算出的各位置能量熵Ei(1),Ei(2),…,Ei(j),…找出能量熵最大值位置,即:
Max(Ei(j))=Ei(xmax)
式中,xmax为使得能量熵Ei(j)最大的位置,即为生命体征信号的位置。
如图16所示,图16为本公开另一实施例所筛选出的第1阶奇异值分量的左奇异向量幅值图,由图16可以看出,在距离为0.7米~1米的区域内幅值变化较大,如图17所示,图17为本公开另一实施例提出的回波信号各位置能量熵示意图,由图17中可以看出,在距离为0.7米~1米的区域内能量熵变化较大,可以根据能量熵对生命体征信号进行定位,即0.7~1米范围内有生命体征。
S1506:对多阶初始频段信号进行去噪处理,以得到多阶目标频段信号。
S1506的描述说明可以具体参见上述实施例,在此不再赘述。
S1507:根据多阶目标频段信号,对呼吸信号进行提取。
本公开实施例中,可以使用线性趋势抑制的方式提取呼吸信号,或者,也可以使用信号滤波的方式对呼吸信号进行提取,或者,还可以是其他任意可能的实现方式提取呼吸信号,对此不做限制。
可选地,本公开实施例中,通过线性趋势抑制和滤波器对呼吸信号进行提取,其中,滤波器可以选择巴特沃斯滤波器,或者,也可以选择其他任意可能的滤波器,对此不做限制。
其中,巴特沃斯滤波器,是电子滤波器的一种,巴特沃斯滤波器的特点是通频带内的频率响应曲线最大限度平坦,没有纹波,而在阻频带则逐渐下降为零,因此,可以对呼吸信号与心跳信号进行提取与处理。
利用4阶多项式对小波分解去噪后的数据进行拟合,得到该数据的线性趋势项Ω,之后用源数据减去该趋势项,得到线性趋势抑制后的数据si:
si=vi-Ω
构建2阶巴特沃斯滤波器,设置滤波器类型为带通滤波器,假定呼吸信号频率范围为0.2Hz~0.6Hz,设置滤波器通过频率为0.2Hz,截止频率为0.6Hz,对信号si进行滤波得到呼吸信号。
如图18所示,图18为本公开另一实施例提出的提取到的呼吸信号的时域幅值图和频域幅值图示意图,由图18可以看出,通过线性趋势抑制和巴特沃斯滤波器,可以有效提取呼吸信号。
S1508:根据多阶目标频段信号,对心跳信号进行提取。
本公开实施例中,可以使用动态目标显示(Moving Target Indicator,MTI)谐波抑制和巴特沃斯滤波器对心跳信号进行提取,对此不做限制。
其中,MTI谐波抑制,是一种能够抑制固定波形与缓慢波形,得出快速移动的回波的方式,由于心跳信号具有迅速且连续的性质,可以使用MTI谐波抑制对心跳信号进行提取。
根据上述步骤中提取的呼吸信号的频率Fr设计双延时谐波消除器,该系统的延时参数Tr为:
双延时谐波消除器系统的动态方程为:
h(t)=δ(t)-2δ(t-Tr)+δ(t-2Tr)
双延时谐波消除器系统的传递函数为:
通过上述系统对经过小波分解去噪的各阶奇异值分量进行处理,实现对呼吸信号的各阶谐波的消除,如图19所示,图19为本公开另一实施例中信号经过MTI谐波抑制处理后的效果图。
而后,构建2阶巴特沃斯滤波器,设置滤波器类型为带通滤波器,假定呼吸信号频率范围为0.9Hz~2.0Hz,设置滤波器通过频率为0.9Hz,截止频率为2.0Hz,对经过MTI谐波抑制处理后的信号进行滤波得到心跳信号。
如图20与图21所示,图20为本公开实施例中提取到的心跳信号的的时域幅值图,图21为本公开实施例中进行MTI谐波抑制和巴特沃斯滤波的频域效果图,经过MTI谐波抑制和巴特沃斯滤波器处理后,对心跳信号的提取更为方便快捷。
S1509:将心跳信号和呼吸信号共同作为生命体征信号。
本公开实施例中,将检测到的心跳信号与呼吸信号共同作为生命体征信号,以得到生命体征信号提取的结果。
本实施例中,通过利用超宽带UWB雷达生命探测仪发射连续脉冲序列进行探测,以得到连续多组包含生命体征信号的回波信号,其中,多组包含生命体征信号的回波信号构成回波信号矩阵,对回波信号矩阵进行预处理,对预处理后的回波信号矩阵进行分解,以得到多阶奇异值分量,从多阶奇异值中确定多阶左奇异向量与多阶右奇异向量,利用生命体征信号的能量占比对多阶右奇异向量进行筛选,以得到包含生命体征信号的多阶初始频段信号,根据多阶左奇异向量对生命体征信号进行定位,对多阶初始频段信号进行去噪处理,以得到多阶目标频段信号,根据多阶目标频段信号,对呼吸信号进行提取,根据多阶目标频段信号,对心跳信号进行提取,将心跳信号和呼吸信号共同作为生命体征信号,由于是根据多阶目标频段信号,对心跳信号进行提取,根据多阶目标频段信号,对呼吸信号进行提取,将心跳信号和呼吸信号共同作为生命体征信号,对呼吸信号与生命信号的提取能够保证超宽带UWB雷达生命探测仪对生命体征的准确探测,进而提升生命体征信号提取的准确性,由于是对生命体征信号进行定位,能够减少噪声区间对提取结果的干扰,使得生命体征信号更为明显,提升生命体征信号的提取效率,增强提取效果。
图22是根据本公开一实施例提出的超宽带UWB生命体征信号提取装置的结构示意图。
如图22所示,该超宽带UWB生命体征信号提取装置220,包括:
探测模块2201,用于利用超宽带UWB雷达生命探测仪发射连续脉冲序列进行探测,以得到连续多组包含生命体征信号的回波信号,其中,多组包含生命体征信号的回波信号构成回波信号矩阵;
第一处理模块2202,用于对回波信号矩阵进行预处理;
分解模块2203,用于对预处理后的回波信号矩阵进行分解,以得到多阶奇异值分量,从多阶奇异值中确定多阶左奇异向量与多阶右奇异向量;
筛选模块2204,用于利用生命体征信号的能量占比对多阶右奇异向量进行筛选,以得到包含生命体征信号的多阶初始频段信号;
第二处理模块2205,用于对多阶初始频段信号进行去噪处理,以得到多阶目标频段信号;
提取模块2206,用于从多阶目标频段信号中提取生命体征信号。
在本公开的一些实施例中,如图23所示,图23是根据本公开另一实施例提出的超宽带UWB生命体征信号提取装置的结构示意图,其中,提取模块2206,包括:
第一提取子模块22061,用于根据多阶目标频段信号,对呼吸信号进行提取;
第二提取子模块22062,用于根据多阶目标频段信号,对心跳信号进行提取;
处理子模块22063,用于将心跳信号和呼吸信号共同作为生命体征信号。
在本公开的一些实施例中,如图23所示,第一处理模块2202,具体用于:
消除检测场景静止物体引起的背景杂波;
利用自动增益控制对生命体征信号进行增强,以对回波信号矩阵进行预处理。
在本公开的一些实施例中,如图23所示,筛选模块2204,具体用于:
确定能量占比阈值,其中,能量占比阈值为生命体征信号的在回波信号的能量占比的阈值;
确定能量占比最大的多阶信号频段;
根据能量占比阈值,筛选多阶右奇异向量在多阶信号频段的奇异值分量,以得到包含生命体征信号的多阶初始频段信号。
在本公开的一些实施例中,如图23所示,还包括:
定位模块2207,用于在利用生命体征信号的能量占比对右奇异向量进行筛选,以得到包含生命体征的多阶初始频段信号之后,根据多阶左奇异向量对生命体征信号进行定位。
在本公开的一些实施例中,如图23所示,定位模块2207,具体用于:
确定多阶左奇异向量对应的能量熵;
根据能量熵,确定生命体征信号在多阶初始频段信号中的位置信息。
与上述图1至图21实施例提供的超宽带UWB生命体征信号提取方法相对应,本公开还提供一种超宽带UWB生命体征信号提取装置,由于本公开实施例提供的超宽带UWB生命体征信号提取装置与上述图1至图21实施例提供的超宽带UWB生命体征信号提取方法相对应,因此在超宽带UWB生命体征信号提取方法的实施方式也适用于本公开实施例提供的超宽带UWB生命体征信号提取装置,在本公开实施例中不再详细描述。
本实施例中,通过利用超宽带UWB雷达生命探测仪发射连续脉冲序列进行探测,以得到连续多组包含生命体征信号的回波信号,其中,多组包含生命体征信号的回波信号构成回波信号矩阵,对回波信号矩阵进行预处理,对预处理后的回波信号矩阵进行分解,以得到多阶奇异值分量,从多阶奇异值中确定多阶左奇异向量与多阶右奇异向量,利用生命体征信号的能量占比对多阶右奇异向量进行筛选,以得到包含生命体征信号的多阶初始频段信号,对多阶初始频段信号进行去噪处理,以得到多阶目标频段信号,从多阶目标频段信号中提取生命体征信号,由于是使用预处理与分解,得到多阶奇异值分量,并对奇异值分量进行筛选与去噪处理,能够有效提升生命体征信号提取的准确性,降低信号噪声干扰,有效提升生命体征信号提取的时效性,增强生命体征信号提取模型的鲁棒性。
为了实现上述实施例,本公开还提出一种非临时性计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如本公开前述实施例提出的超宽带UWB生命体征信号提取方法。
为了实现上述实施例,本公开还提出一种电子设备,包括:存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,处理器执行程序时,实现如本公开前述实施例提出的超宽带UWB生命体征信号提取方法。
为了实现上述实施例,本公开还提出一种计算机程序产品,当计算机程序产品中的指令处理器执行时,执行如本公开前述实施例提出的超宽带UWB生命体征信号提取方法。
图24示出了适于用来实现本公开实施方式的示例性电子设备的框图。图24显示的电子设备12仅仅是一个示例,不应对本公开实施例的功能和使用范围带来任何限制。
如图24所示,电子设备12以通用计算设备的形式表现。电子设备12的组件可以包括但不限于:一个或者多个处理器或者处理单元16,系统存储器28,连接不同系统组件(包括系统存储器28和处理单元16)的总线18。总线18表示几类总线结构中的一种或多种,包括存储器总线或者存储器控制器,外围总线,图形加速端口,处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说,这些体系结构包括但不限于工业标准体系结构(Industry Standard Architecture;以下简称:ISA)总线,微通道体系结构(MicroChannel Architecture;以下简称:MAC)总线,增强型ISA总线、视频电子标准协会(VideoElectronics Standards Association;以下简称:VESA)局域总线以及外围组件互连(Peripheral Component Interconnection;以下简称:PCI)总线。
电子设备12包括多种计算机系统可读介质。这些介质可以是任何能够被电子设备12访问的可用介质,包括易失性和非易失性介质,可移动的和不可移动的介质。
存储器28可以包括易失性存储器形式的计算机系统可读介质,例如随机存取存储器(Random Access Memory;以下简称:RAM)30和/或高速缓存存储器32。电子设备12可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例,存储系统34可以用于读写不可移动的、非易失性磁介质(图24未显示,通常称为“硬盘驱动器”)。
尽管图24中未示出,可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器,以及对可移动非易失性光盘(例如:光盘只读存储器(Compact Disc Read OnlyMemory;以下简称:CD-ROM)、数字多功能只读光盘(Digital Video Disc Read OnlyMemory;以下简称:DVD-ROM)或者其它光介质)读写的光盘驱动器。在这些情况下,每个驱动器可以通过一个或者多个数据介质接口与总线18相连。存储器28可以包括至少一个程序产品,该程序产品具有一组(例如至少一个)程序模块,这些程序模块被配置以执行本公开各实施例的功能。
具有一组(至少一个)程序模块42的程序/实用工具40,可以存储在例如存储器28中,这样的程序模块42包括但不限于操作系统、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块42通常执行本公开所描述的实施例中的功能和/或方法。
电子设备12也可以与一个或多个外部设备14(例如键盘、指向设备、显示器25等)通信,还可与一个或者多个使得用户能与该电子设备12交互的设备通信,和/或与使得该电子设备12能与一个或多个其它计算设备进行通信的任何设备(例如网卡,调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口22进行。并且,电子设备12还可以通过网络适配器20与一个或者多个网络(例如局域网(Local Area Network;以下简称:LAN),广域网(Wide Area Net work;以下简称:WAN)和/或公共网络,例如因特网)通信。如图所示,网络适配器20通过总线18与电子设备12的其它模块通信。应当明白,尽管图中未示出,可以结合电子设备12使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
处理单元16通过运行存储在系统存储器28中的程序,从而执行各种功能应用以及数据处理,例如实现前述实施例中提及的超宽带UWB生命体征信号提取方法。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本公开的其它实施方案。本公开旨在涵盖本公开的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本公开的真正范围和精神由下面的权利要求指出。
应当理解的是,本公开并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限制。
需要说明的是,在本公开的描述中,术语“第一”、“第二”等仅用于描述目的,而不能理解为指示或暗示相对重要性。此外,在本公开的描述中,除非另有说明,“多个”的含义是两个或两个以上。
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,并且本公开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,这应被本公开的实施例所属技术领域的技术人员所理解。
应当理解,本公开的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中,多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如,如果用硬件来实现,和在另一实施方式中一样,可用本领域公知的下列技术中的任一项或他们的组合来实现:具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路,具有合适的组合逻辑门电路的专用集成电路,可编程门阵列(PGA),现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,该程序在执行时,包括方法实施例的步骤之一或其组合。
此外,在本公开各个实施例中的各功能单元可以集成在一个处理模块中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也可以存储在一个计算机可读取存储介质中。
上述提到的存储介质可以是只读存储器,磁盘或光盘等。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本公开的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管上面已经示出和描述了本公开的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本公开的限制,本领域的普通技术人员在本公开的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (10)
1.一种超宽带UWB生命体征信号提取方法,其特征在于,包括以下步骤:
利用超宽带UWB雷达生命探测仪发射连续脉冲序列进行探测,以得到连续多组包含生命体征信号的回波信号,其中,所述多组包含生命体征信号的回波信号构成回波信号矩阵;
对所述回波信号矩阵进行预处理;
对预处理后的回波信号矩阵进行分解,以得到多阶奇异值分量,从所述多阶奇异值中确定多阶左奇异向量与多阶右奇异向量;
利用所述生命体征信号的能量占比对所述多阶右奇异向量进行筛选,以得到包含所述生命体征信号的多阶初始频段信号;
对所述多阶初始频段信号进行去噪处理,以得到多阶目标频段信号;
从所述多阶目标频段信号中提取所述生命体征信号。
2.根据权利要求1所述的方法,其特征在于,所述从所述多阶目标频段信号中提取所述生命体征信号,包括:
根据所述多阶目标频段信号,对呼吸信号进行提取;
根据所述多阶目标频段信号,对心跳信号进行提取;
将所述心跳信号和所述呼吸信号共同作为所述生命体征信号。
3.根据权利要求1所述的方法,其特征在于,所述对所述回波信号矩阵进行预处理,包括:
消除检测场景静止物体引起的背景杂波;
利用自动增益控制对生命体征信号进行增强,以对所述回波信号矩阵进行预处理。
4.根据权利要求1所述的方法,其特征在于,所述利用所述生命体征信号的能量占比对所述多阶右奇异向量进行筛选,以得到包含所述生命体征信号的多阶初始频段信号,包括:
确定能量占比阈值,其中,所述能量占比阈值为所述生命体征信号的在所述回波信号的能量占比的阈值;
确定所述能量占比最大的多阶信号频段;
根据所述能量占比阈值,筛选所述多阶右奇异向量在所述多阶信号频段的奇异值分量,以得到包含所述生命体征信号的多阶初始频段信号。
5.根据权利要求1所述的方法,其特征在于,在所述利用所述生命体征信号的能量占比对所述右奇异向量进行筛选,以得到包含生命体征的多阶初始频段信号之后,还包括:
根据所述多阶左奇异向量对所述生命体征信号进行定位。
6.根据权利要求5所述的方法,其特征在于,所述根据所述多阶左奇异向量对所述生命体征信号进行定位,包括:
确定所述多阶左奇异向量对应的能量熵;
根据所述能量熵,确定所述生命体征信号在所述多阶初始频段信号中的位置信息。
7.一种超宽带UWB生命体征信号提取装置,其特征在于,包括:
探测模块,用于利用超宽带UWB雷达生命探测仪发射连续脉冲序列进行探测,以得到连续多组包含生命体征信号的回波信号,其中,所述多组包含生命体征信号的回波信号构成回波信号矩阵;
第一处理模块,用于对所述回波信号矩阵进行预处理;
分解模块,用于对预处理后的回波信号矩阵进行分解,以得到多阶奇异值分量,从所述多阶奇异值中确定多阶左奇异向量与多阶右奇异向量;
筛选模块,用于利用所述生命体征信号的能量占比对所述多阶右奇异向量进行筛选,以得到包含所述生命体征信号的多阶初始频段信号;
第二处理模块,用于对所述多阶初始频段信号进行去噪处理,以得到多阶目标频段信号;
提取模块,用于从所述多阶目标频段信号中提取所述生命体征信号。
8.根据权利要求7所述的装置,其特征在于,所述提取模块,包括:
第一提取子模块,用于根据所述多阶目标频段信号,对呼吸信号进行提取;
第二提取子模块,用于根据所述多阶目标频段信号,对心跳信号进行提取;
处理子模块,用于将所述心跳信号和所述呼吸信号共同作为所述生命体征信号。
9.一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-6中任一项所述的方法。
10.一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使所述计算机执行权利要求1-6中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210168868.7A CN114569073A (zh) | 2022-02-23 | 2022-02-23 | 超宽带uwb生命体征信号提取方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210168868.7A CN114569073A (zh) | 2022-02-23 | 2022-02-23 | 超宽带uwb生命体征信号提取方法、装置、设备及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114569073A true CN114569073A (zh) | 2022-06-03 |
Family
ID=81774663
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210168868.7A Pending CN114569073A (zh) | 2022-02-23 | 2022-02-23 | 超宽带uwb生命体征信号提取方法、装置、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114569073A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116996166A (zh) * | 2023-09-26 | 2023-11-03 | 为准(北京)电子科技有限公司 | Uwb信号重新标记位置确定方法、装置、设备及介质 |
-
2022
- 2022-02-23 CN CN202210168868.7A patent/CN114569073A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116996166A (zh) * | 2023-09-26 | 2023-11-03 | 为准(北京)电子科技有限公司 | Uwb信号重新标记位置确定方法、装置、设备及介质 |
CN116996166B (zh) * | 2023-09-26 | 2023-12-12 | 为准(北京)电子科技有限公司 | Uwb信号重新标记位置确定方法、装置、设备及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109965858B (zh) | 基于超宽带雷达人体生命体征检测方法和装置 | |
CN110507293B (zh) | 一种超宽带穿墙雷达人体呼吸及心跳检测方法及系统 | |
Mauldin et al. | The singular value filter: A general filter design strategy for PCA-based signal separation in medical ultrasound imaging | |
US9269127B2 (en) | De-noising of real-time dynamic magnetic resonance images by the combined application of karhunen-loeve transform (KLT) and wavelet filtering | |
US9934554B2 (en) | Ultrasound imaging method/technique for speckle reduction/suppression in an improved ultra sound imaging system | |
US20190365355A1 (en) | Sparsity-based ultrasound super-resolution imaging | |
CN110101362B (zh) | 一种关于oct和octa的图像噪声去除的方法 | |
CN109003232B (zh) | 基于频域尺度平滑Shearlet的医学MRI图像去噪方法 | |
US11087466B2 (en) | Methods and system for compound ultrasound image generation | |
US8500646B2 (en) | Color Doppler mode image processing in an ultrasound system | |
Zhang et al. | Clutter suppression in ultrasound: performance evaluation and review of low-rank and sparse matrix decomposition methods | |
CN114569073A (zh) | 超宽带uwb生命体征信号提取方法、装置、设备及介质 | |
Latha et al. | Despeckling of carotid artery ultrasound images with a calculus approach | |
US20230086332A1 (en) | High-Sensitivity and Real-Time Ultrasound Blood Flow Imaging Based on Adaptive and Localized Spatiotemporal Clutter Filtering | |
CN110031820A (zh) | 一种激光成像去噪方法及装置 | |
Srivastava et al. | Non-local mean filter for suppression of speckle noise in ultrasound images | |
CN109584322B (zh) | 基于频域方向平滑Shearlet医学PET图像去噪方法 | |
CN115089162A (zh) | 一种基于无人机视频的呼吸率检测方法及装置 | |
CN113786177A (zh) | 生命体征信息提取方法、装置及电子设备 | |
Somkuwar et al. | Noise reduction techniques in medical imaging data-a review | |
Shereena et al. | Role of Filters in Speckle Reduction in Medical Ultrasound Images-A Comparative Study | |
Chinnathambi et al. | Despeckling of ultrasound images using directionally decimated wavelet packets with adaptive clustering | |
Fu et al. | Ultrasonic images denoising based on calculus of variations | |
Singh et al. | A novel ultrasound image enhancement algorithm using cascaded clustering on wavelet sub-bands | |
Jin et al. | Doppler ultrasound wall removal based on the spatial correlation of wavelet coefficients |
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 |