CN114983359A - 一种基于ir-uwb雷达的生命体征检测方法 - Google Patents
一种基于ir-uwb雷达的生命体征检测方法 Download PDFInfo
- Publication number
- CN114983359A CN114983359A CN202210699152.XA CN202210699152A CN114983359A CN 114983359 A CN114983359 A CN 114983359A CN 202210699152 A CN202210699152 A CN 202210699152A CN 114983359 A CN114983359 A CN 114983359A
- Authority
- CN
- China
- Prior art keywords
- data
- vital sign
- detection method
- uwb radar
- sign detection
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 37
- 238000000034 method Methods 0.000 claims abstract description 27
- 238000001228 spectrum Methods 0.000 claims abstract description 22
- 230000000694 effects Effects 0.000 claims abstract description 12
- 238000007781 pre-processing Methods 0.000 claims abstract description 9
- 230000029058 respiratory gaseous exchange Effects 0.000 claims description 16
- 239000011159 matrix material Substances 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 10
- 230000003068 static effect Effects 0.000 claims description 9
- 238000002474 experimental method Methods 0.000 claims description 8
- 238000005457 optimization Methods 0.000 claims description 7
- 230000000737 periodic effect Effects 0.000 claims description 7
- 230000036387 respiratory rate Effects 0.000 claims description 5
- 238000013480 data collection Methods 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 230000001629 suppression Effects 0.000 claims description 3
- 230000000241 respiratory effect Effects 0.000 abstract description 16
- 238000012544 monitoring process Methods 0.000 abstract description 10
- 230000007547 defect Effects 0.000 abstract description 2
- 238000000605 extraction Methods 0.000 description 12
- 238000004458 analytical method Methods 0.000 description 5
- 230000000877 morphologic effect Effects 0.000 description 4
- 239000008280 blood Substances 0.000 description 2
- 210000004369 blood Anatomy 0.000 description 2
- 238000000691 measurement method Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000013186 photoplethysmography Methods 0.000 description 2
- 210000000779 thoracic wall Anatomy 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000011449 brick Substances 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 210000000038 chest Anatomy 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000002565 electrocardiography Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 230000035515 penetration Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000012887 quadratic function Methods 0.000 description 1
- 238000011946 reduction process Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 231100000152 severe skin burn Toxicity 0.000 description 1
- 230000003860 sleep quality Effects 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012795 verification Methods 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 for evaluating the cardiovascular system, e.g. pulse, heart rate, blood pressure or blood flow
- 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
- A61B5/05—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
- A61B5/72—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
- A61B5/725—Details of waveform analysis using specific filters therefor, e.g. Kalman or adaptive filters
-
- 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 for evaluating the cardiovascular system, e.g. pulse, heart rate, blood pressure or blood flow
- A61B5/024—Measuring 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
- A61B5/08—Measuring devices for evaluating the respiratory organs
- A61B5/0816—Measuring devices for examining respiratory frequency
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Public Health (AREA)
- Molecular Biology (AREA)
- Physiology (AREA)
- Veterinary Medicine (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Animal Behavior & Ethology (AREA)
- Surgery (AREA)
- Signal Processing (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Psychiatry (AREA)
- Cardiology (AREA)
- Pulmonology (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明涉及一种基于IR‑UWB雷达的生命体征检测方法，属于生理信息领域。该方法包括以下步骤：在室内部署IR‑UWB雷达采集被测者在不同活动状态的人体特征数据；基于MTI算法对数据进行预处理；频谱稀疏最大化的生命体征探测方法。本发明针对现有的呼吸心跳信号监测多采用接触式设备，在无接触情况下检测准确率低的不足，提出了一种利用IR‑UWB雷达采集人体特征数据，通过MTI算法对数据进行预处理，随后利用频谱稀疏最大化的生命体征探测方法，实现从经过预处理后的IR‑UWB雷达信号中提取人体特征数据中的呼吸心跳信号。
Description
技术领域
本发明属于生理信息处理领域，涉及一种基于IR-UWB雷达的生命体征检测方法。
背景技术
呼吸频率(RR)和心率(HR)是监测人体生命体征的关键生理参数。呼吸和心跳的检测包括以下两大类：接触式的和非接触式的。传统的接触测量技术包括呼吸带、心电图(ECG)和光体积描记术(PPG)。这些接触测量方法虽然在技术上比较成熟，但是可能会导致不适或引起由电缆扭结导致的断开和表皮剥离等问题，且其在使用时具有局限性，例如对严重皮肤烧伤患者的生命体征检测以及睡眠监测都不便使用接触式设备。因此，有必要开发准确、非接触的生命体征检测和监测方法，使其可用于各种场景，包括睡眠质量监测、日常保健、跌倒检测，甚至老年人监测等。
在非接触性生命体征监测方面，摄像机可用于通过测量血量变化引起的肤色变化来监测非接触性生命体征，但精确度可能会受到环境照明的影响。当光照度降低时，相机的精度会显著降低。这意味着，即使光学技术可以测量血氧饱和度，也不能在黑暗环境或夜间使用。此外，光线无法穿透砖块和混凝土等物体，这限制了其在救援行动中的使用。同时，摄像头的使用也可能引起隐私问题。雷达式生命检测仪具有穿透能力强、分辨率高等优点，因此使用雷达测量生命体征的方法正吸引了越来越多的研究者的兴趣。
利用雷达进行呼吸心跳信号监测的主要难点是呼吸心跳信号具有低频性、易受干扰的问题，且由于呼吸运动引起的胸廓微动远大于心跳信号，呼吸信号的谐波成分与心跳信号的频谱也存在重叠等问题，因此如何从雷达产生的回波信号中更好地提取出呼吸和心跳信号成为了一个难题。
目前常使用的方法有直接对回波信号进行分析，即利用回波信号的相位信息还原胸腔壁的运动信息，通过分析胸腔壁的运动信息来得到呼吸和心跳的频率信息。由于呼吸心跳信号并非平稳信号，因此，如果只依靠快速傅里叶变换(FFT)以及带通滤波等处理并不能很好的分析呼吸心跳特征。目前大多提取呼吸心跳信号的方法是对微动信号进行时频分析，得到对应的时频特征。常用的时频分析方法包括短时傅里叶变换(STFT)、小波变换(WT)等。然而，由于这些方法缺乏迭代降噪过程，因此对IR-UWB雷达采集到的人体生命特征信息中含有的背景噪音不能很好的处理，很难发挥出比较好的提取性能。
形态分量分析(MCA)方法认为信号是由形态不同的多个分量线性组成，每个分量都能找到一个只能稀疏表示对应形态分量的字典，而不能稀疏表示其它分量，即类内稀疏而类间不相干的模式表征。但是基于MCA的方法有两个缺点，一是为多个组件选择合适的表示字典通常非常困难；二是计算复杂度甚至高于去噪方法。因此，该方法在心跳呼吸信号提取上往往不能得到足够好的准确率。
发明内容
有鉴于此，本发明的目的在于提供一种基于IR-UWB雷达的生命体征检测方法，保证可以对人的不同生活状态下利用雷达进行生命体征监测并能够从中提取出高准确率的呼吸心跳信号。根据实际数据采集环境的搭建，对实验过程中进行理论分析和实验分析，揭示了该方法在呼吸心跳提取上的优越性，从而保证了无接触的生命体征监测的准确性。
为达到上述目的，本发明提供如下技术方案：
一种基于IR-UWB雷达的生命体征检测方法，该方法包括以下步骤：
S1：在室内部署IR-UWB雷达采集被测者在不同活动状态的人体特征数据；
S2：基于MTI算法对数据进行预处理；
S3：进行频谱稀疏最大化的生命体征探测方法。
可选的，所述S1具体为：在室内部署一台SLMX4 IR-UWB雷达采集被测者在不同活动状态的人体特征数据,并通过一台便携式多参数监护仪提供瞬时心率和呼吸频率作为参考；为模拟人体不同活动状态，实验共进行六种活动，包括两种日常锻炼、两种身体运动即随机身体运动和来回身体运动以及两种静态数据即静止站立姿势以及静止坐立姿势；在数据收集过程中，要求参与者保持放松，均匀呼吸，并在指导下保持相应的运动；将SLMX4模块沿人体躯干中心线放置在人体前方，进行数据采集，采集到的数据选取实验过程中相对稳定的连续1200帧数据作为原始数据。
可选的，所述S2具体为：利用MTI算法对IR-UWB雷达采集到的数据进行预处理时，在原始ADC数据矩阵的每一行上使用巴特沃斯滤波滤波器进行滤波；为能够从含有背景噪声的原始数据中提取出包含生命体征的信号，利用MTI算法，通过杂波抑制滤波器抑制杂波；最后，对每一行的数据在滑动窗口内找到最大方差并保存在新的矩阵中，该矩阵即为经过预处理后从原始数据中提取得到的包含呼吸心跳信号的生命体征数据。
可选的，所述S3具体为：频谱稀疏最大化的生命体征探测方法是通过在频域中对离散的频率分量进行建模，通过最优化的方法，得到混合信号的频谱特征的稀疏化表达，最大稀疏化，在时域中对周期性脉冲进行建模，从而得到一个确定的表示字典。
本发明的有益效果在于：本发明针对现有的呼吸心跳信号监测多采用接触式设备，在无接触情况下检测准确率低的不足，利用IR-UWB雷达来采集人体特征数据，实现了在人的不同生活状态下进行无接触的人体特征监测；本发明利用MTI算法对数据进行预处理并使用频谱稀疏最大化的生命体征探测方法提取人生命体征中的呼吸心跳信号，提高了呼吸心跳提取的准确率。
本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述，并且在某种程度上，基于对下文的考察研究对本领域技术人员而言将是显而易见的，或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书来实现和获得。
附图说明
为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作优选的详细描述，其中：
图1为本发明实施例中一种基于IR-UWB雷达的生命体征检测方法的流程图；
图2为采集的数据对应的六种人的活动的示意图；
图3为本发明实施例中利用MTI算法对数据进行预处理的流程图；
图4为本发明实施例中利用频谱稀疏最大化的生命体征探测方法提取呼吸心跳信号流程图。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。
其中，附图仅用于示例性说明，表示的仅是示意图，而非实物图，不能理解为对本发明的限制；为了更好地说明本发明的实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；对本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。
本发明实施例的附图中相同或相似的标号对应相同或相似的部件；在本发明的描述中，需要理解的是，若有术语“上”、“下”、“左”、“右”、“前”、“后”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，因此附图中描述位置关系的用语仅用于示例性说明，不能理解为对本发明的限制，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语的具体含义。
图1为基于IR-UWB雷达的生命体征检测方法的流程图。主要有以下步骤：
步骤一、采集实验数据
在室内部署一台SLMX4IR-UWB雷达来收集目标信号，雷达沿人体躯干中心线放置在人体前方，距离人体的距离在雷达最大探测范围内。雷达由笔记本电脑控制，并通过USB端口同步采集和传输雷达数据。所有收集的数据都将在配备Intel第10代酷睿i5处理器的笔记本电脑上进一步处理。如图2所示，实验共进行了6种活动，包括两种日常锻炼、两种一般身体运动即随机身体运动和来回身体运动以及两种静态数据即静止站立姿势以及静止坐立姿势。在数据收集过程中，要求参与者保持放松，均匀呼吸，并在指导下保持相应的运动。便携式多参数监护仪提供瞬时心率和呼吸频率作为参考。
步骤二、对IR-UWB雷达采集的数据进行预处理
对数据进行预处理的过程如图3所示。
IR-UWB雷达使用1个发射通道和1个接收通道，接收到的脉冲信号数据保存在矩阵RIR中。
(1)由于时域中的短脉冲，接收信号具有较大的带宽。在原始ADC数据矩阵RIR的每一行上使用带通滤波器，得到时域矩阵DIR[n,m]，其中m＝1,2,...,M表示范围方向上的快速时间样本，n＝1,2,...,N表示慢时间维度中接收帧的索引。
(2)为了从背景噪声和平稳杂波的原始数据信号中提取人体信号，递归滤波器是用于这种情况的MTI算法之一。MTI滤波器生成杂波抑制信号DIR-MTI[n,m]通过从接收到的原始数据信号中减去估计的杂波。
C[n,m]＝DIR-MTI[n-1,m]+C[n-1,m]
DIR-MTI[n,m]＝DIR[n,m]-(1-α)C[n,m]
这里，C[n,m]表示第n慢时间的估计杂波信号。α是可以在滤波器响应中控制的增益因子。
(3)对每一行DIR确定的DIR-MTI[n,m]通过在滑动窗口内找到最大方差点，并将每个帧的值保存为VIR[n]。VIR[n]是从原始数据中提取的生命体征，包括呼吸和心跳信号。
步骤三、利用频谱稀疏最大化的生命体征探测方法提取呼吸心跳信号
利用频谱稀疏最大化的生命体征探测方法(Spectrum Sparsity Vital SignsDetection Method)提取呼吸心跳信号的过程如图4所示。
(1)将信号建模为y＝y1+y2+n，其中，y1表示离散频率分量，y2表示周期脉冲分量，n表示高斯噪声。利用MCA算法可以将信号分解为y1和y2两个分量并除去噪声。
(2)对于该信号模型，MCA假设成分y1和y2在两个特定字典(Dictionary)
和
具有形态区分，因此，可以通过计算以下优化问题来得到y1和y2：
其中x1和x2是对应于两个字典D1和D2的代表系数，P1(·)和P2(·)是代表系数的两个正则化器，λ1＞0和λ2＞0是两个惩罚参数。在解决优化问题之后，可以通过
和
来估计两个特定分量。
(3)因为离散频率分量在频谱中是稀疏的，它们在时域中没有群内和群间的周期稀疏性，而周期性脉冲分量在时域中具有群内和群间的周期稀疏性，因此，离散频率和周期脉冲分量具有形态区分。基于MCA，我们将D1＝D作为傅里叶字典，D2作为单位矩阵I，构造了一个频谱稀疏增强雷达生命特征的优化(Spectrum Sparsity Improvement Vital SignsDetection method：SSVSD)数学模型，如下所示：
其中，η≥0是一个折衷参数，此处取η＝1，P1(x1)是一个弹性净惩罚(elastic netpen)，P2(x2)是一个非凸惩罚(non-convexpenalty)。
(4)利用凸优化算法求得上述问题的最优解：
①将上述模型中的数据保真度改写为：
其中，A＝[D,I]，
②根据二次函数的下降引理，可将数据保真度的主控器(majorizer ofthe datafidelity)设置为：
其中，
是迭代变量，C是独立于x的值，η≤1，
是步长(LA是矩阵ATA的最大特征值)。
③构造P2(x2)的主控子(majorizer)：
其中，R＝diag(r(·；u2))，r(·；u2)被定义为：
④结合②和③构造：
G(x，u)＝G1(x，u)+λ1P1(x1)+λ2G2(x2，u2) (7)
⑤通过迭代以下步骤，即可求解得到该优化问题的最优解：
⑥最终可以求解得到：
其中，
soft(·,·)可定义为：
soft(x，t)＝sign(x)m (|x|-t，0) (10)
步骤四、利用对照实验验证该方法的有效性
为证明频谱稀疏最大化的生命体征探测方法(Spectrum Sparsity Vital SignsDetection Method)在IR-UWB雷达采集到的生命体征中提取呼吸心跳信号上的有效性，我们对由步骤一采集得到的数据进行实验验证，通过实验可知，频谱稀疏最大化的生命体征探测方法对呼吸心跳信号的提取的准确率均可以达到95％以上，提取准确率高。此外，还通过一组对比实验进一步验证了频谱稀疏最大化的生命体征探测方法在呼吸心跳信号的提取方面的有效性。对比实验中，A组只使用巴特沃斯滤波器对人体生命体征信息进行处理，B组在使用巴特沃斯滤波器的基础上，利用频谱稀疏最大化的生命体征探测方法对人体生命体征信息进行处理。两组实验在呼吸心跳信号提取的准确率如表1所示。
表1
| 呼吸信号提取准确率 | 心跳信号提取准确率 | |
| A组 | 55.69％ | 84.72％ |
| B组 | 95.64％ | 95.96％ |
通过表1的结果可知，频谱稀疏最大化的生命体征探测方法对呼吸信号提取的准确率有明显提高，对心跳信号提取的准确率也有一定的提高，由此可见，频谱稀疏最大化的生命体征探测方法是一种有效且有高准确率的呼吸心跳信号提取方法。
最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本技术方案的宗旨和范围，其均应涵盖在本发明的权利要求范围当中。
Claims (4)
1.一种基于IR-UWB雷达的生命体征检测方法，其特征在于：该方法包括以下步骤：
S1：在室内部署IR-UWB雷达采集被测者在不同活动状态的人体特征数据；
S2：基于MTI算法对数据进行预处理；
S3：进行频谱稀疏最大化的生命体征探测方法。
2.根据权利要求1所述的一种基于IR-UWB雷达的生命体征检测方法，其特征在于：所述S1具体为：在室内部署一台SLMX4 IR-UWB雷达采集被测者在不同活动状态的人体特征数据,并通过一台便携式多参数监护仪提供瞬时心率和呼吸频率作为参考；为模拟人体不同活动状态，实验共进行六种活动，包括两种日常锻炼、两种身体运动即随机身体运动和来回身体运动以及两种静态数据即静止站立姿势以及静止坐立姿势；在数据收集过程中，要求参与者保持放松，均匀呼吸，并在指导下保持相应的运动；将SLMX4模块沿人体躯干中心线放置在人体前方，进行数据采集，采集到的数据选取实验过程中相对稳定的连续1200帧数据作为原始数据。
3.根据权利要求2所述的一种基于IR-UWB雷达的生命体征检测方法，其特征在于：所述S2具体为：利用MTI算法对IR-UWB雷达采集到的数据进行预处理时，在原始ADC数据矩阵的每一行上使用巴特沃斯滤波滤波器进行滤波；为能够从含有背景噪声的原始数据中提取出包含生命体征的信号，利用MTI算法，通过杂波抑制滤波器抑制杂波；最后，对每一行的数据在滑动窗口内找到最大方差并保存在新的矩阵中，该矩阵即为经过预处理后从原始数据中提取得到的包含呼吸心跳信号的生命体征数据。
4.根据权利要求3所述的一种基于IR-UWB雷达的生命体征检测方法，其特征在于：所述S3具体为：频谱稀疏最大化的生命体征探测方法是通过在频域中对离散的频率分量进行建模，通过最优化的方法，得到混合信号的频谱特征的稀疏化表达，最大稀疏化，在时域中对周期性脉冲进行建模，从而得到一个确定的表示字典。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210699152.XA CN114983359A (zh) | 2022-06-20 | 2022-06-20 | 一种基于ir-uwb雷达的生命体征检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210699152.XA CN114983359A (zh) | 2022-06-20 | 2022-06-20 | 一种基于ir-uwb雷达的生命体征检测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114983359A true CN114983359A (zh) | 2022-09-02 |
Family
ID=83036036
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210699152.XA Pending CN114983359A (zh) | 2022-06-20 | 2022-06-20 | 一种基于ir-uwb雷达的生命体征检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114983359A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113729655A (zh) * | 2021-09-26 | 2021-12-03 | 重庆邮电大学 | 一种分离uwb雷达传感器接收信号的方法 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107728115A (zh) * | 2017-09-11 | 2018-02-23 | 电子科技大学 | 一种雷达目标成像后基于svm的背景干扰抑制方法 |
| WO2019018939A1 (en) * | 2017-07-27 | 2019-01-31 | Holland Bloorview Kids Rehabilitation Hospital | AUTOMATIC SUCTION-PENETRATION DETECTION USING DEGLUTITION ACCELEROMETRY SIGNALS |
| CN110353649A (zh) * | 2019-07-03 | 2019-10-22 | 北京科技大学 | 一种心率检测方法 |
| CN110840401A (zh) * | 2019-11-15 | 2020-02-28 | 浪潮电子信息产业股份有限公司 | 一种心率值测定方法、装置、设备及可读存储介质 |
| CN112137620A (zh) * | 2020-08-27 | 2020-12-29 | 广东省地震局 | 一种基于超宽带雷达的人体微弱呼吸信号检测方法 |
| CN112220464A (zh) * | 2020-10-27 | 2021-01-15 | 广西脉吾科技有限责任公司 | 一种基于uwb雷达的人体呼吸心跳信号检测方法和系统 |
| CN113100738A (zh) * | 2021-04-15 | 2021-07-13 | 广东工业大学 | 一种非接触式穿墙检测生命信息的方法 |
| US11156647B1 (en) * | 2020-06-05 | 2021-10-26 | Bae Systems Information And Electronic Systems Integration Inc. | Method to estimate the rise-time of a pulse for single and multi-channel data |
-
2022
- 2022-06-20 CN CN202210699152.XA patent/CN114983359A/zh active Pending
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2019018939A1 (en) * | 2017-07-27 | 2019-01-31 | Holland Bloorview Kids Rehabilitation Hospital | AUTOMATIC SUCTION-PENETRATION DETECTION USING DEGLUTITION ACCELEROMETRY SIGNALS |
| CN107728115A (zh) * | 2017-09-11 | 2018-02-23 | 电子科技大学 | 一种雷达目标成像后基于svm的背景干扰抑制方法 |
| CN110353649A (zh) * | 2019-07-03 | 2019-10-22 | 北京科技大学 | 一种心率检测方法 |
| CN110840401A (zh) * | 2019-11-15 | 2020-02-28 | 浪潮电子信息产业股份有限公司 | 一种心率值测定方法、装置、设备及可读存储介质 |
| US11156647B1 (en) * | 2020-06-05 | 2021-10-26 | Bae Systems Information And Electronic Systems Integration Inc. | Method to estimate the rise-time of a pulse for single and multi-channel data |
| CN112137620A (zh) * | 2020-08-27 | 2020-12-29 | 广东省地震局 | 一种基于超宽带雷达的人体微弱呼吸信号检测方法 |
| CN112220464A (zh) * | 2020-10-27 | 2021-01-15 | 广西脉吾科技有限责任公司 | 一种基于uwb雷达的人体呼吸心跳信号检测方法和系统 |
| CN113100738A (zh) * | 2021-04-15 | 2021-07-13 | 广东工业大学 | 一种非接触式穿墙检测生命信息的方法 |
Non-Patent Citations (2)
| Title |
|---|
| 宫健, 赵强, 付国庆, 等.: "雷达主瓣多假目标干扰能量特征分析及仿真", 《舰船电子对抗》, vol. 42, no. 5, 31 December 2019 (2019-12-31), pages 56 - 58 * |
| 王伟, 张斌, 李欣: "基于混合匹配追踪算法的MIMO雷达稀疏成像方法", 《电子与信息学报》, vol. 38, no. 10, 31 December 2016 (2016-12-31), pages 2415 - 2422 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113729655A (zh) * | 2021-09-26 | 2021-12-03 | 重庆邮电大学 | 一种分离uwb雷达传感器接收信号的方法 |
| CN113729655B (zh) * | 2021-09-26 | 2024-03-08 | 重庆邮电大学 | 一种分离uwb雷达传感器接收信号的方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Yin et al. | ECG monitoring system integrated with IR-UWB radar based on CNN | |
| Sameni et al. | Multichannel ECG and noise modeling: Application to maternal and fetal ECG signals | |
| US9294074B2 (en) | Physiological signal denoising | |
| Chua et al. | Application of higher order statistics/spectra in biomedical signals—A review | |
| US7862515B2 (en) | Apparatus for detecting sleep apnea using electrocardiogram signals | |
| EP2759065B1 (en) | Physiological signal denoising | |
| Hou et al. | A real-time QRS detection method based on phase portraits and box-scoring calculation | |
| CN110353649B (zh) | 一种心率检测方法 | |
| Malek et al. | Automated detection of premature ventricular contraction in ECG signals using enhanced template matching algorithm | |
| Ranganathan et al. | Estimation of heart rate signals for mental stress assessment using neuro fuzzy technique | |
| CN114305355B (zh) | 基于毫米波雷达的呼吸心跳检测方法、系统及装置 | |
| JP2007522536A (ja) | 動的ブラインド信号分離 | |
| Kumar et al. | Hardware emulation of a biorthogonal wavelet transform-based heart rate monitoring device | |
| CN114648040A (zh) | 生命体征多生理信号提取、融合分析方法 | |
| CN115211858A (zh) | 一种基于深度学习的情绪识别方法、系统及可存储介质 | |
| Jamil et al. | Artifact removal from EEG signals recorded in non-restricted environment | |
| CN114983359A (zh) | 一种基于ir-uwb雷达的生命体征检测方法 | |
| Phinyomark et al. | Applications of variance fractal dimension: A survey | |
| Kew et al. | Wearable patch-type ECG using ubiquitous wireless sensor network for healthcare monitoring application | |
| RU2383295C1 (ru) | Способ обработки электрокардиосигнала для диагностики инфаркта миокарда | |
| Li et al. | A novel single-lead handheld atrial fibrillation detection system | |
| Jingbo et al. | Method of Extracting Respiration Rate and Heartrate by Ultra-wideband Radar for Human Monitoring. | |
| CN215820931U (zh) | 一种基于毫米波雷达的生命体征检测与身份识别系统 | |
| CN116115202A (zh) | 一种基于改进emd的超宽带雷达检测人体呼吸和心跳频率方法 | |
| Shahid et al. | A survey on AI-based ECG, PPG, and PCG signals based biometric authentication system |
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 |