CN115040092A - 基于信道状态信息的心率监测方法及呼吸事件检测方法 - Google Patents
基于信道状态信息的心率监测方法及呼吸事件检测方法 Download PDFInfo
- Publication number
- CN115040092A CN115040092A CN202210661544.7A CN202210661544A CN115040092A CN 115040092 A CN115040092 A CN 115040092A CN 202210661544 A CN202210661544 A CN 202210661544A CN 115040092 A CN115040092 A CN 115040092A
- Authority
- CN
- China
- Prior art keywords
- signal
- csi
- heart rate
- csi signal
- filtered
- 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
- 238000000034 method Methods 0.000 title claims abstract description 56
- 238000012544 monitoring process Methods 0.000 title claims abstract description 42
- 230000000241 respiratory effect Effects 0.000 title claims abstract description 41
- 238000001514 detection method Methods 0.000 title claims abstract description 24
- 238000012545 processing Methods 0.000 claims abstract description 46
- 238000001914 filtration Methods 0.000 claims abstract description 26
- 230000009467 reduction Effects 0.000 claims abstract description 9
- 239000011159 matrix material Substances 0.000 claims description 52
- 239000013598 vector Substances 0.000 claims description 48
- 238000000354 decomposition reaction Methods 0.000 claims description 31
- 230000029058 respiratory gaseous exchange Effects 0.000 claims description 26
- 230000001121 heart beat frequency Effects 0.000 claims description 18
- 230000007246 mechanism Effects 0.000 claims description 18
- 238000011176 pooling Methods 0.000 claims description 17
- 230000006870 function Effects 0.000 claims description 15
- 230000002159 abnormal effect Effects 0.000 claims description 13
- 108010076504 Protein Sorting Signals Proteins 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 12
- 230000036391 respiratory frequency Effects 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 5
- 230000036387 respiratory rate Effects 0.000 claims description 5
- 238000003672 processing method Methods 0.000 claims description 4
- 230000004931 aggregating effect Effects 0.000 claims description 3
- 230000002776 aggregation Effects 0.000 claims description 3
- 238000004220 aggregation Methods 0.000 claims description 3
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 238000009499 grossing Methods 0.000 claims description 3
- 239000003550 marker Substances 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 230000003213 activating effect Effects 0.000 claims description 2
- 239000000969 carrier Substances 0.000 claims 1
- 230000004913 activation Effects 0.000 description 3
- 238000001152 differential interference contrast microscopy Methods 0.000 description 3
- 230000033764 rhythmic process Effects 0.000 description 3
- 230000006872 improvement Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 208000019116 sleep disease Diseases 0.000 description 2
- 206010011224 Cough Diseases 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000000704 physical effect Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 208000020685 sleep-wake disease Diseases 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
- A61B5/0205—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
- A61B5/7235—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
- A61B5/74—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
Abstract
本发明涉及一种基于信道状态信息的心率监测方法及呼吸事件检测方法,该心率监测方法通过对获取的人体所处监测环境的原始CSI信号做降噪处理以得到降噪后CSI信号后,再基于第一滤波器对该降噪后CSI信号做滤波处理,得到第一滤波后CSI信号,并基于第二滤波器对第一滤波后CSI信号做滤波处理,滤除呼吸信号对人体心率信号的影响,得到第二滤波后CSI信号,最后利用峰值检测方法对第二滤波后CSI信号做峰值检测处理,得到人体心率,实现了对人体心率的高精度监测;呼吸事件检测方法只需要基于心率监测方法所获取到的原始CSI信号做多重处理,就可以准确预测到人体呼吸事件,以便于针对危险的呼吸事件做及时报警提醒。
Description
技术领域
本发明涉及信号处理领域,尤其涉及一种基于信道状态信息的心率监测方法及呼吸事件检测方法。
背景技术
呼吸速率和心率这类生命体征能够表征出人体健康的信息。随着现代生活节奏加快,睡眠障碍发病率逐年上升,睡眠期间的呼吸心率(即呼吸速率和心率的简称)监测研究逐渐引起人们的关注并成为智能人体监测领域的热点之一。
在当前针对患者各种睡眠障碍相关疾病的临床治疗中,主要是采用多导睡眠图方法来监测患者的呼吸心率,即需要在患者身上佩戴大量传感器来监测患者睡眠时的生命体征。
但是,现有的呼吸心率监测方法存在不足:首先,多导睡眠图方法却不适用于非临床环境的生命体征监测,多导睡眠图方法要求患者在专业人员指导下部署并佩戴大量传感器,时间成本高、操作复杂、费用昂贵,并且传感器会干扰自然睡眠;其次,患者的咳嗽或者翻身等身体动作也会覆盖、干扰患者呼吸和心跳运动,从而导致针对患者呼吸心率监测出现较大偏差,影响呼吸心率监测精度,导致一旦出现发生呼吸心率异常的呼吸事件时,无法及时进行报警提示。
发明内容
本发明所要解决的第一个技术问题是针对上述现有技术提供一种监测心率更加准确的基于信道状态信息的心率监测方法。
本发明所要解决的第二个技术问题是提供一种基于信道状态信息的呼吸事件检测方法。该呼吸事件检测方法应用有上述基于信道状态信息的心率监测方法。
本发明解决第一个技术问题所采用的技术方案为:基于信道状态信息的心率监测方法,其特征在于,包括如下步骤:
获取人体所处监测环境的原始CSI信号;
对原始CSI信号做降噪处理,得到降噪后CSI信号;
基于第一滤波器对降噪后CSI信号做滤波处理,得到第一滤波后CSI信号;其中,第一滤波后CSI信号含有呼吸信号和心率信号;
基于第二滤波器对第一滤波后CSI信号做滤波处理,得到第二滤波后CSI信号;其中,第二滤波器与第一滤波器为基于不同滤波频带设计,第二滤波后CSI信号为心率信号;
利用峰值检测方法对第二滤波后CSI信号做峰值检测处理,得到人体的心率。
改进地,在所述基于信道状态信息的心率监测方法中,对原始CSI信号做降噪处理以得到降噪后CSI信号的过程包括如下步骤a1~a6:
步骤a1,在获取到所述原始CSI信号的所有子载波中选取预选子载波,利用Hampel滤波分别对每一个预选子载波上的原始CSI信号矩阵做数据校准,分别得到针对每一个预选子载波的校准后CSI信号矩阵;
步骤a2,去除各预选子载波所对应校准后CSI信号矩阵上的CSI数据异常值,分别得到异常值去除后的CSI信号矩阵;
步骤a3,利用去趋势处理方法分别对各异常值去除后的CSI信号矩阵做去趋势处理,得到平稳化CSI信号序列;
步骤a4,利用经验模态分解方法对当前平稳化CSI信号序列做分解处理,得到多个频率成分单一的CSI分解信号;其中,经分解处理后得到的一个频率单一的CSI分解信号标记为IMF;
步骤a5,获取当前平稳化CSI信号序列的本征模函数;其中:征模函数的获取过程如下:
F(t)=∑IMFs+r(t);
F(t)为随时间t变化的CSI分解信号,该CSI分解信号F(t)分解得到的所有本征模函数标记为IMFs,r(t)表示该CSI分解信号F(t)被分解处理过程中产生的残差;
步骤a6,利用离散小波变换去除每一个CSI分解信号所对应的高频IMF,且将去除高频IMF后的CSI分解信号作为所述降噪后CSI信号。
进一步地,在所述基于信道状态信息的心率监测方法中,所述离散小波变换中的第α层架构如下:
xa,L[n]表示第a层的第n个输入信号,长度为N,g[k]表示低通滤波器所输出信号的低频部分;k表示当前平稳化CSI信号序列所处的位置,xa-1,L[2n-k]表示第a-1层的第2n-k个输入信号;xa,H[n]表示第a层的第n个输入信号,长度为N,xa-1,H[2n-k]表示第a-1层的第2n-k个输入信号,h[k]表示高通滤波器所输出信号的高频部分。
改进地,在所述基于信道状态信息的心率监测方法中,在步骤a1中,所述预选子载波的选取过程包括如下步骤a11~a13:
步骤a11,对获取到所述原始CSI信号的每一个子载波,分别计算各子载波上CSI信号的CSI相位差值;
步骤a12,分别计算得到每一个子载波所对应CSI相位差值的平均绝对偏差;
步骤a13,根据所得各平均绝对偏差与对应预设偏差做出判断:
当该任一平均绝对偏差大于对应预设偏差时,选取该任一平均绝对偏差所对应的子载波为预选子载波;否则,不予选取该任一平均绝对偏差所对应的子载波为预选子载波。
进一步地,在所述基于信道状态信息的心率监测方法中,在步骤a2中,所述校准后CSI信号矩阵所对应的CSI相位差序列标记为{Xi},Xi为该CSI相位差序列中的第i个CSI相位差,i=1,2,…,N,N为该CSI相位差序列中CSI相位差的总数量;所述CSI数据异常值标记为Xj,该CSI数据异常值Xj的定义如下:
|Xj-mj|≥nj×σj;j∈[1,N];
其中,N为滑动窗口大小,mj为该滑动窗口中值,nj为一个标量阈值,σj为该滑动窗口内CSI相位差的方差值。
进一步地,在所述基于信道状态信息的心率监测方法中,所述呼吸信号的呼吸速率计算方式如下:
获取呼吸信号所对应的呼吸频段;其中,该呼吸频段标记为FHX;
基于该呼吸频段对所述第一滤波后CSI信号做滤波处理,得到第三滤波后CSI信号;其中,呼吸频段FHX所对应的第三滤波后CSI信号标记为sHX;
检测该第三滤波后CSI信号在预设时间段内的波峰总数量;其中,该预设时间段标记为THX,第三滤波后CSI信号sHX在该预设时间段THX内的波峰总数量标记为QHX;
再进一步地,在所述基于信道状态信息的心率监测方法中,所述人体的心率计算方式如下:
获取人体心跳信号所对应的所有心跳频段;其中,人体心跳信号所对应的心跳频段总数量标记为C,第c个心跳频段标记为FXT,c,c=1,2,…,C;
分别利用每一个心跳频段对所述第二滤波后CSI信号做滤波处理,分别得到对应每一个心跳频段的第四滤波后CSI信号;其中,心跳频段FXT,c所对应的第四滤波后CSI信号标记为sXT,c;
分别检测每一个第四滤波后CSI信号在各自对应预设时间段内的波峰总数量;其中,第四滤波后CSI信号sXT,c所对应的预设时间段标记为TXT,c,第四滤波后CSI信号sXT,c在该预设时间段TXT,c内的波峰总数量标记为QXT,c;
计算检测到的所有波峰总数量和值与心跳信号所对应所有预设时间段和值之间的比值,并将该比值作为所述人体的心率;其中,所述人体的心率标记为fXT:
本发明解决第二个技术问题所采用的技术方案为:基于信道状态信息的呼吸事件检测方法,其特征在于,应用有任一项所述的基于信道状态信息的心率监测方法。
进一步地,在该发明中,所述基于信道状态信息的呼吸事件检测方法,包括如下步骤:
步骤1,将获取的所述原始CSI信号处理为时间流和信道流;其中,处理后得到的时间流标记为T×C,处理后得到的信道流标记为C×T;
步骤2,利用预设编码方式分别对处理所得时间流T×C和信道流C×T进行位置信息编码处理;其中,预设编码方式如下所示:
其中,pos表示待做位置信息编码的数据在对应数据流中的位置,d表示PE的维度,2g表示偶数维度,2g+1表示奇数维度,2g≤d,2g+1≤d;该数据为时间数据或信道数据,对应地,数据流为时间流或信道流;
步骤3,利用多头自注意机制分别捕捉时间流T×C和信道流C×T的多维度特征信息;其中,该多头自注意机制使用缩放点积注意力计算相似度,相似度计算方式如下:
Q=XWQ,K=XWK,V=XWV;
式中,Q为查询向量,K为键值向量,KT为键值向量K的转秩矩阵,V为值向量,dk表示查询向量Q和键值向量K的维度;X是输入矩阵,WQ是对应查询向量Q的投影参数,WK是对应键值向量K的投影参数,WV是对应值向量V的投影参数;
步骤4,利用多头自注意机制对所得多维度特征信息进行多次缩放点击注意,并将该多次缩放点击的输出矩阵进行拼接,并在拼接后再做一次线性变换,得到最终的输出矩阵;其中:
MultiHead(Q,K,V)=Concat(head1,head2,…,headh)W0;1≤e≤h;
其中,该步骤4中进行缩放点击注意的总次数标记为h,W0是投影参数,heade表示第e次缩放点击注意后的输出矩阵,headh表示第h次缩放点击注意后的输出矩阵;Concat(head1,head2,…,headh)表示对h次缩放点击注意后的输出矩阵进行拼接;
步骤5,对经多头自注意机制处理后的各输出矩阵做残差连接;其中,针对多头自注意机制中每一子层输出矩阵的残差连接方式如下:
LayerNorm(x+Sublayer(x));
其中,x表示多头自注意机制中一个子层的输入,Sublayer(x)表述输入x所对应子层的输出;
步骤6,将捕捉到的时间流的特征向量和信道流的特征向量通过独立的卷积块聚合为固定长度的特征矩阵;其中,聚合后的该固定长度的特征矩阵标记为Y,针对特征矩阵Y的聚合定义如下:
uY=ReLU(Dropout(Pooling(Conv(uT;uC))));
其中,uY为不同呼吸事件对应的特征参数;Conv(uT;uC)表示对捕捉到的时间流特征向量uT和信道流特征向量uC做卷积处理,Pooling(·)表示做最大池化处理,Dropout(·)表示做dropout处理,ReLU(·)表示激活操作;
步骤7,将时间流特征向量和信道流特征向量做串联处理,得到最终特征向量;其中,最终特征向量标记为U,U∈[uT;uC];
步骤8,将所得最终特征向量U输入到神经网络的预测层后,通过Softmax函数计算不同呼吸事件的概率,并输出预测到的呼吸事件。
进一步改进,在所述基于信道状态信息的呼吸事件检测方法中,当所述预测到的呼吸事件为危险的呼吸事件时,立即执行报警操作。
与现有技术相比,本发明的优点在于:
首先,在该发明的心率监测方法中,通过获取人体所处监测环境的原始CSI信号,并对该原始CSI信号做降噪处理以得到降噪后CSI信号后,去除环境因素对CSI信号的不利影响,再基于第一滤波器对降噪后CSI信号做滤波处理,得到第一滤波后CSI信号,并基于第二滤波器对第一滤波后CSI信号做滤波处理,滤除人体呼吸信号对人体心率信号的影响,得到第二滤波后CSI信号,最后利用峰值检测方法对第二滤波后CSI信号做峰值检测处理,得到人体的心率,在降噪方面具有更强的鲁棒性,从而达到在不同频带上分离人体呼吸信号和人体心跳信号对原始CSI信号的干扰影响,实现了对人体心率的高精度生命体征监测;
由于针对原始CSI信号的获取可以通过两台无线路由器(一个作为信号发射端,另一个作为信号接收端)就可以完成,所获取到的原始CSI信号为无线信号中的细粒度信号,更高深层次地挖掘用户的呼吸信息(例如处于睡眠状态时);
其次,该发明的呼吸事件检测方法不需要基于人体心率的计算结果来判断做报警提示,其只需要基于心率监测方法所获取到的原始CSI信号,并提取该原始CSI信号所对应的时间流特征信息和信号流特征信息,针对原始CSI信号的这种多维度特征信息提取降低了对数据长度的要求,避免了发生呼吸事件时所采用传统方法报警的时延问题,如此可以实时监控用户异常状态,以便于在发生危险的呼吸事件时进行报警操作,确保人体的生命安全。
附图说明
图1为本发明实施例中基于信道状态信息的心率监测方法流程示意图;
图2为本发明实施例中基于信道状态信息的呼吸事件检测方法流程示意图。
具体实施方式
以下结合附图实施例对本发明作进一步详细描述。
本实施例首先提供一种基于信道状态信息的心率监测方法。参见图1所示,该实施例的基于信道状态信息的心率监测方法包括如下步骤S1~S5:
步骤S1,获取人体所处监测环境的原始CSI信号;
具体地,在人体所处监测环境中,设置有信号发射端和信号接收端,信号发射端采用一台配备Atheros WiFi NIC的路由器,信号接收端采用一台配备Atheros WiFi NIC的路由器;信号发射端负责发送向人体所处监测环境发射无线信号,该无线信号在传输过程中会受到该人体的影响,即人体的呼吸和心跳等动作均会对信号发射端在同一环境中发射的无线信号产生影响;信号接收端则用来接收信号发射端所发出的无线信号;这两台配备Atheros WiFi NIC的路由器可以使用Linux 802.11n Atheros-CSI-Tool在每个采样点以20Hz的频率收集每个数据包的CSI数据,接收的数据来自于三个天线的56个不同的子载波,每组CSI矩阵维度为3×56×120;本领域技术人员熟知,CSI(全称Channel StateInformation)即为信道状态信息;当然,在该实施例中,此处所收集到的CSI数据即为原始的无线信道状态信息;
步骤S2,对原始CSI信号做降噪处理,得到降噪后CSI信号;其中,在该实施例中,对原始CSI信号做降噪处理以得到降噪后CSI信号的过程包括如下步骤a1~a6:
步骤a1,在获取到原始CSI信号的所有子载波中选取预选子载波,利用Hampel滤波分别对每一个预选子载波上的原始CSI信号矩阵做数据校准,分别得到针对每一个预选子载波的校准后CSI信号矩阵;
具体地,此处的预选子载波的选取过程包括如下步骤a11~a13:
步骤a11,对获取到原始CSI信号的每一个子载波,分别计算各子载波上CSI信号的CSI相位差值;
步骤a12,分别计算得到每一个子载波所对应CSI相位差值的平均绝对偏差;
步骤a13,根据所得各平均绝对偏差与对应预设偏差做出判断:
当该任一平均绝对偏差大于对应预设偏差时,选取该任一平均绝对偏差所对应的子载波为预选子载波;否则,不予选取该任一平均绝对偏差所对应的子载波为预选子载波;
步骤a2,去除各预选子载波所对应校准后CSI信号矩阵上的CSI数据异常值,分别得到异常值去除后的CSI信号矩阵;
具体到该实施例,此处的校准后CSI信号矩阵所对应的CSI相位差序列标记为{Xi},Xi为该CSI相位差序列中的第i个CSI相位差,i=1,2,…,N,N为该CSI相位差序列中CSI相位差的总数量;所述CSI数据异常值标记为Xj,该CSI数据异常值Xj的定义如下:
|Xj-mj|≥nj×σj;j∈[1,N];
其中,N为滑动窗口大小,mj为该滑动窗口中值,nj为一个标量阈值,σj为该滑动窗口内CSI相位差的方差值;
步骤a3,利用去趋势处理方法分别对各异常值去除后的CSI信号矩阵做去趋势处理,得到平稳化CSI信号序列;其中,此处的去趋势处理方法属于现有技术,此处不再赘述;
步骤a4,利用经验模态分解方法对当前平稳化CSI信号序列做分解处理,得到多个频率成分单一的CSI分解信号;其中,经分解处理后得到的一个频率单一的CSI分解信号标记为IMF;其中,此处的经验模态分解方法属于现有技术,此处不再赘述;
步骤a5,获取当前平稳化CSI信号序列的本征模函数;其中:征模函数的获取过程如下:
F(t)=∑IMFs+r(t);
F(t)为随时间t变化的CSI分解信号,该CSI分解信号F(t)分解得到的所有本征模函数标记为IMFs,r(t)表示该CSI分解信号F(t)被分解处理过程中产生的残差;
步骤a6,利用离散小波变换去除每一个CSI分解信号所对应的高频IMF,且将去除高频IMF后的CSI分解信号作为所述降噪后CSI信号;其中,在该步骤a6中,离散小波变换中的第α层架构如下:
xa,L[n]表示第a层的第n个输入信号,长度为N,g[k]表示低通滤波器所输出信号的低频部分;k表示当前平稳化CSI信号序列所处的位置,xa-1,L[2n-k]表示第a-1层的第2n-k个输入信号;xa,H[n]表示第a层的第n个输入信号,长度为N,xa-1,H[2n-k]表示第a-1层的第2n-k个输入信号,h[k]表示高通滤波器所输出信号的高频部分;
步骤S3,基于第一滤波器对降噪后CSI信号做滤波处理,得到第一滤波后CSI信号;其中,第一滤波后CSI信号含有呼吸信号和心率信号;
步骤S4,基于第二滤波器对第一滤波后CSI信号做滤波处理,得到第二滤波后CSI信号;其中,第二滤波器与第一滤波器为基于不同滤波频带设计,第二滤波后CSI信号为心率信号;
步骤S5,利用峰值检测方法对第二滤波后CSI信号做峰值检测处理,得到人体的心率。例如,在该实施例中,此处人体的心率计算方式如下步骤S51~S54:
步骤S51,获取人体心跳信号所对应的所有心跳频段;其中,人体心跳信号所对应的心跳频段总数量标记为C,第c个心跳频段标记为FXT,c,c=1,2,…,C;
步骤S52,分别利用每一个心跳频段对第二滤波后CSI信号做滤波处理,分别得到对应每一个心跳频段的第四滤波后CSI信号;其中,心跳频段FXT,c所对应的第四滤波后CSI信号标记为sXT,c;
步骤S53,分别检测每一个第四滤波后CSI信号在各自对应预设时间段内的波峰总数量;其中,第四滤波后CSI信号sXT,c所对应的预设时间段标记为TXT,c,第四滤波后CSI信号sXT,c在该预设时间段TXT,c内的波峰总数量标记为QXT,c;
步骤S54,计算检测到的所有波峰总数量和值与心跳信号所对应所有预设时间段和值之间的比值,并将该比值作为人体的心率;其中,人体的心率标记为fXT:
考虑到在实际的心率监测过程中,可能也需要对人体的呼吸速率进行检测的需要,在该实施例中,呼吸信号的呼吸速率计算方式如下步骤b1~b4:
步骤b1,获取呼吸信号所对应的呼吸频段;其中,该呼吸频段标记为FHX;
步骤b2,基于该呼吸频段对第一滤波后CSI信号做滤波处理,得到第三滤波后CSI信号;其中,呼吸频段FHX所对应的第三滤波后CSI信号标记为sHX;
步骤b3,检测该第三滤波后CSI信号在预设时间段内的波峰总数量;其中,该预设时间段标记为THX,第三滤波后CSI信号sHX在该预设时间段THX内的波峰总数量标记为QHX;
该实施例还提供了一种基于信道状态信息的呼吸事件检测方法,该呼吸事件检测方法应用有上述基于信道状态信息的心率监测方法。具体地,参见图2所示,该实施例中基于信道状态信息的呼吸事件检测方法,包括如下步骤1~8:
步骤1,将获取的原始CSI信号处理为时间流和信道流;其中,处理后得到的时间流标记为T×C,处理后得到的信道流标记为C×T;
步骤2,利用预设编码方式分别对处理所得时间流T×C和信道流C×T进行位置信息编码处理;其中,预设编码方式如下所示:
其中,pos表示待做位置信息编码的数据在对应数据流中的位置,d表示PE的维度,2g表示偶数维度,2g+1表示奇数维度,2g≤d,2g+1≤d;该数据为时间数据或信道数据,对应地,数据流为时间流或信道流;
步骤3,利用多头自注意机制分别捕捉时间流T×C和信道流C×T的多维度特征信息;其中,该多头自注意机制使用缩放点积注意力计算相似度,相似度计算方式如下:
Q=XWQ,K=XWK,V=XWV;
式中,Q为查询向量,K为键值向量,KT为键值向量K的转秩矩阵,V为值向量,dk表示查询向量Q和键值向量K的维度;X是输入矩阵,WQ是对应查询向量Q的投影参数,WK是对应键值向量K的投影参数,WV是对应值向量V的投影参数;softmax(·)即为Softmax函数;
步骤4,利用多头自注意机制对所得多维度特征信息进行多次缩放点击注意,并将该多次缩放点击的输出矩阵进行拼接,并在拼接后再做一次线性变换,得到最终的输出矩阵;其中:
MultiHead(Q,K,V)=Concat(head1,head2,…,headh)W0;1≤e≤h;
其中,该步骤4中进行缩放点击注意的总次数标记为h,W0是投影参数,heade表示第e次缩放点击注意后的输出矩阵,headh表示第h次缩放点击注意后的输出矩阵;Concat(head1,head2,…,headh)表示对h次缩放点击注意后的输出矩阵进行拼接;
步骤5,对经多头自注意机制处理后的各输出矩阵做残差连接;其中,针对多头自注意机制中每一子层输出矩阵的残差连接方式如下:
LayerNorm(x+Sublayer(x));
其中,x表示多头自注意机制中一个子层的输入,Sublayer(x)表述输入x所对应子层的输出;
步骤6,将捕捉到的时间流的特征向量和信道流的特征向量通过独立的卷积块聚合为固定长度的特征矩阵;其中,聚合后的该固定长度的特征矩阵标记为Y,针对特征矩阵Y的聚合定义如下:
uY=ReLU(Dropout(Pooling(Conv(uT;uC))));
其中,uY为不同呼吸事件对应的特征参数;Conv(uT;uC)表示对捕捉到的时间流特征向量uT和信道流特征向量uC做卷积处理,Pooling(·)表示做最大池化处理,Dropout(·)表示做dropout处理,ReLU(·)表示激活操作;
具体地,Pooling(Conv(uT;uC))表示对卷积结果Conv(uT;uC)做最大池化处理;Dropout(Pooling(Conv(uT;uC)))表示对最大池化处理结果Pooling(Conv(uT;uC))做dropout处理;ReLU(Dropout(Pooling(Conv(uT;uC))))表示对dropout处理结果Dropout(Pooling(Conv(uT;uC)))做激活操作;
其中,最大池化处理操作、dropout处理以及激活操作均采用现有的操作方法;
步骤7,将时间流特征向量和信道流特征向量做串联处理,得到最终特征向量;其中,最终特征向量标记为U,U∈[uT;uC];
步骤8,将所得最终特征向量U输入到神经网络的预测层后,通过Softmax函数计算不同呼吸事件的概率,并输出预测到的呼吸事件。其中,Softmax函数就是指归一化指数函数;经Softmax函数计算后,将所得最大概率值所对应的呼吸事件作为此处输出预测到的呼吸事件。
尽管以上详细地描述了本发明的优选实施例,但是应该清楚地理解,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.基于信道状态信息的心率监测方法,其特征在于,包括如下步骤:
获取人体所处监测环境的原始CSI信号;
对原始CSI信号做降噪处理,得到降噪后CSI信号;
基于第一滤波器对降噪后CSI信号做滤波处理,得到第一滤波后CSI信号;其中,第一滤波后CSI信号含有呼吸信号和心率信号;
基于第二滤波器对第一滤波后CSI信号做滤波处理,得到第二滤波后CSI信号;其中,第二滤波器与第一滤波器为基于不同滤波频带设计,第二滤波后CSI信号为心率信号;
利用峰值检测方法对第二滤波后CSI信号做峰值检测处理,得到人体的心率。
2.根据权利要求1所述的基于信道状态信息的心率监测方法,其特征在于,对原始CSI信号做降噪处理以得到降噪后CSI信号的过程包括如下步骤a1~a6:
步骤a1,在获取到所述原始CSI信号的所有子载波中选取预选子载波,利用Hampel滤波分别对每一个预选子载波上的原始CSI信号矩阵做数据校准,分别得到针对每一个预选子载波的校准后CSI信号矩阵;
步骤a2,去除各预选子载波所对应校准后CSI信号矩阵上的CSI数据异常值,分别得到异常值去除后的CSI信号矩阵;
步骤a3,利用去趋势处理方法分别对各异常值去除后的CSI信号矩阵做去趋势处理,得到平稳化CSI信号序列;
步骤a4,利用经验模态分解方法对当前平稳化CSI信号序列做分解处理,得到多个频率成分单一的CSI分解信号;其中,经分解处理后得到的一个频率单一的CSI分解信号标记为IMF;
步骤a5,获取当前平稳化CSI信号序列的本征模函数;其中:征模函数的获取过程如下:
F(t)=∑IMFs+r(t);
F(t)为随时间t变化的CSI分解信号,该CSI分解信号F(t)分解得到的所有本征模函数标记为IMFs,r(t)表示该CSI分解信号F(t)被分解处理过程中产生的残差;
步骤a6,利用离散小波变换去除每一个CSI分解信号所对应的高频IMF,且将去除高频IMF后的CSI分解信号作为所述降噪后CSI信号。
4.根据权利要求2所述的基于信道状态信息的心率监测方法,其特征在于,在步骤a1中,所述预选子载波的选取过程包括如下步骤a11~a13:
步骤a11,对获取到所述原始CSI信号的每一个子载波,分别计算各子载波上CSI信号的CSI相位差值;
步骤a12,分别计算得到每一个子载波所对应CSI相位差值的平均绝对偏差;
步骤a13,根据所得各平均绝对偏差与对应预设偏差做出判断:
当该任一平均绝对偏差大于对应预设偏差时,选取该任一平均绝对偏差所对应的子载波为预选子载波;否则,不予选取该任一平均绝对偏差所对应的子载波为预选子载波。
5.根据权利要求4所述的基于信道状态信息的心率监测方法,其特征在于,在步骤a2中,所述校准后CSI信号矩阵所对应的CSI相位差序列标记为{Xi},Xi为该CSI相位差序列中的第i个CSI相位差,i=1,2,…,N,N为该CSI相位差序列中CSI相位差的总数量;所述CSI数据异常值标记为Xj,该CSI数据异常值Xj的定义如下:
|Xj-mj|≥nj×σj;j∈[1,N];
其中,N为滑动窗口大小,mj为该滑动窗口中值,nj为一个标量阈值,σj为该滑动窗口内CSI相位差的方差值。
7.根据权利要求6所述的基于信道状态信息的心率监测方法,其特征在于,所述人体的心率计算方式如下:
获取人体心跳信号所对应的所有心跳频段;其中,人体心跳信号所对应的心跳频段总数量标记为C,第c个心跳频段标记为FXT,c,c=1,2,…,C;
分别利用每一个心跳频段对所述第二滤波后CSI信号做滤波处理,分别得到对应每一个心跳频段的第四滤波后CSI信号;其中,心跳频段FXT,c所对应的第四滤波后CSI信号标记为sXT,c;
分别检测每一个第四滤波后CSI信号在各自对应预设时间段内的波峰总数量;其中,第四滤波后CSI信号sXT,c所对应的预设时间段标记为TXT,c,第四滤波后CSI信号sXT,c在该预设时间段TXT,c内的波峰总数量标记为QXT,c;
计算检测到的所有波峰总数量和值与心跳信号所对应所有预设时间段和值之间的比值,并将该比值作为所述人体的心率;其中,所述人体的心率标记为fXT:
8.基于信道状态信息的呼吸事件检测方法,其特征在于,应用有权利要求1~7任一项所述的基于信道状态信息的心率监测方法。
9.根据权利要求8所述的基于信道状态信息的呼吸事件检测方法,其特征在于,包括如下步骤:
步骤1,将获取的所述原始CSI信号处理为时间流和信道流;其中,处理后得到的时间流标记为T×C,处理后得到的信道流标记为C×T;
步骤2,利用预设编码方式分别对处理所得时间流T×C和信道流C×T进行位置信息编码处理;其中,预设编码方式如下所示:
其中,pos表示待做位置信息编码的数据在对应数据流中的位置,d表示PE的维度,2g表示偶数维度,2g+1表示奇数维度,2g≤d,2g+1≤d;该数据为时间数据或信道数据,对应地,数据流为时间流或信道流;
步骤3,利用多头自注意机制分别捕捉时间流T×C和信道流C×T的多维度特征信息;其中,该多头自注意机制使用缩放点积注意力计算相似度,相似度计算方式如下:
Q=XWQ,K=XWK,V=XWV;
式中,Q为查询向量,K为键值向量,KT为键值向量K的转秩矩阵,V为值向量,dk表示查询向量Q和键值向量K的维度;X是输入矩阵,WQ是对应查询向量Q的投影参数,WK是对应键值向量K的投影参数,WV是对应值向量V的投影参数;
步骤4,利用多头自注意机制对所得多维度特征信息进行多次缩放点击注意,并将该多次缩放点击的输出矩阵进行拼接,并在拼接后再做一次线性变换,得到最终的输出矩阵;其中:
MultiHead(Q,K,V)=Concat(head1,head2,…,headh)W0;1≤e≤h;
其中,该步骤4中进行缩放点击注意的总次数标记为h,W0是投影参数,heade表示第e次缩放点击注意后的输出矩阵,headh表示第h次缩放点击注意后的输出矩阵;Concat(head1,head2,…,headh)表示对h次缩放点击注意后的输出矩阵进行拼接;
步骤5,对经多头自注意机制处理后的各输出矩阵做残差连接;其中,针对多头自注意机制中每一子层输出矩阵的残差连接方式如下:
LayerNorm(x+Sublayer(x));
其中,x表示多头自注意机制中一个子层的输入,Sublayer(x)表述输入x所对应子层的输出;
步骤6,将捕捉到的时间流的特征向量和信道流的特征向量通过独立的卷积块聚合为固定长度的特征矩阵;其中,聚合后的该固定长度的特征矩阵标记为Y,针对特征矩阵Y的聚合定义如下:
uY=ReLU(Dropout(Pooling(Conv(uT;uC))));
其中,uY为不同呼吸事件对应的特征参数;Conv(uT;uC)表示对捕捉到的时间流特征向量uT和信道流特征向量uC做卷积处理,Pooling(·)表示做最大池化处理,Dropout(·)表示做dropout处理,ReLU(·)表示激活操作;
步骤7,将时间流特征向量和信道流特征向量做串联处理,得到最终特征向量;其中,最终特征向量标记为U,U∈[uT;uC];
步骤8,将所得最终特征向量U输入到神经网络的预测层后,通过Softmax函数计算不同呼吸事件的概率,并输出预测到的呼吸事件。
10.根据权利要求9所述的基于信道状态信息的呼吸事件检测方法,其特征在于,还包括:当所述预测到的呼吸事件为危险的呼吸事件时,立即执行报警操作。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210661544.7A CN115040092A (zh) | 2022-06-13 | 2022-06-13 | 基于信道状态信息的心率监测方法及呼吸事件检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210661544.7A CN115040092A (zh) | 2022-06-13 | 2022-06-13 | 基于信道状态信息的心率监测方法及呼吸事件检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115040092A true CN115040092A (zh) | 2022-09-13 |
Family
ID=83161685
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210661544.7A Pending CN115040092A (zh) | 2022-06-13 | 2022-06-13 | 基于信道状态信息的心率监测方法及呼吸事件检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115040092A (zh) |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102046076A (zh) * | 2008-04-03 | 2011-05-04 | Kai医药公司 | 非接触式生理运动传感器及其使用方法 |
US20120022348A1 (en) * | 2010-05-14 | 2012-01-26 | Kai Medical, Inc. | Systems and methods for non-contact multiparameter vital signs monitoring, apnea therapy, sway cancellation, patient identification, and subject monitoring sensors |
CN106108904A (zh) * | 2016-06-23 | 2016-11-16 | 华中科技大学 | 一种非接触式的人体呼吸参数实时测量方法及系统 |
CN106618497A (zh) * | 2016-12-13 | 2017-05-10 | 北京理工大学 | 复杂环境下基于信道状态信息监测睡眠的方法 |
CN109998549A (zh) * | 2019-03-19 | 2019-07-12 | 浙江工业大学 | 一种基于WiFi信道状态信息的人体呼吸检测方法 |
CN110353649A (zh) * | 2019-07-03 | 2019-10-22 | 北京科技大学 | 一种心率检测方法 |
CN110974196A (zh) * | 2019-12-13 | 2020-04-10 | 福州大学 | 一种运动状态下非接触式的呼吸和心率检测方法 |
CN111929641A (zh) * | 2020-06-19 | 2020-11-13 | 天津大学 | 一种基于宽度学习的快速室内指纹定位方法 |
US20200397365A1 (en) * | 2015-07-17 | 2020-12-24 | Feng Zhang | Method, apparatus, and system for wireless sleep monitoring |
CN112386236A (zh) * | 2019-08-15 | 2021-02-23 | 苏州科技大学 | 一种基于信道状态相位信息的生命体征监测方法 |
WO2021139874A1 (en) * | 2020-01-06 | 2021-07-15 | Anima | Cognitive disorder prevention and therapy |
CN113434642A (zh) * | 2021-08-27 | 2021-09-24 | 广州云趣信息科技有限公司 | 文本摘要生成方法、装置及电子设备 |
US20220095950A1 (en) * | 2020-09-30 | 2022-03-31 | Nxp Usa, Inc. | Systems and methods for breathing detection and rate estimation using wireless communication signals |
WO2022088938A1 (zh) * | 2020-10-29 | 2022-05-05 | 华为技术有限公司 | 睡眠监测方法、装置、电子设备及计算机可读存储介质 |
-
2022
- 2022-06-13 CN CN202210661544.7A patent/CN115040092A/zh active Pending
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102046076A (zh) * | 2008-04-03 | 2011-05-04 | Kai医药公司 | 非接触式生理运动传感器及其使用方法 |
US20120022348A1 (en) * | 2010-05-14 | 2012-01-26 | Kai Medical, Inc. | Systems and methods for non-contact multiparameter vital signs monitoring, apnea therapy, sway cancellation, patient identification, and subject monitoring sensors |
US20200397365A1 (en) * | 2015-07-17 | 2020-12-24 | Feng Zhang | Method, apparatus, and system for wireless sleep monitoring |
CN106108904A (zh) * | 2016-06-23 | 2016-11-16 | 华中科技大学 | 一种非接触式的人体呼吸参数实时测量方法及系统 |
CN106618497A (zh) * | 2016-12-13 | 2017-05-10 | 北京理工大学 | 复杂环境下基于信道状态信息监测睡眠的方法 |
CN109998549A (zh) * | 2019-03-19 | 2019-07-12 | 浙江工业大学 | 一种基于WiFi信道状态信息的人体呼吸检测方法 |
CN110353649A (zh) * | 2019-07-03 | 2019-10-22 | 北京科技大学 | 一种心率检测方法 |
CN112386236A (zh) * | 2019-08-15 | 2021-02-23 | 苏州科技大学 | 一种基于信道状态相位信息的生命体征监测方法 |
CN110974196A (zh) * | 2019-12-13 | 2020-04-10 | 福州大学 | 一种运动状态下非接触式的呼吸和心率检测方法 |
WO2021139874A1 (en) * | 2020-01-06 | 2021-07-15 | Anima | Cognitive disorder prevention and therapy |
CN111929641A (zh) * | 2020-06-19 | 2020-11-13 | 天津大学 | 一种基于宽度学习的快速室内指纹定位方法 |
US20220095950A1 (en) * | 2020-09-30 | 2022-03-31 | Nxp Usa, Inc. | Systems and methods for breathing detection and rate estimation using wireless communication signals |
WO2022088938A1 (zh) * | 2020-10-29 | 2022-05-05 | 华为技术有限公司 | 睡眠监测方法、装置、电子设备及计算机可读存储介质 |
CN113434642A (zh) * | 2021-08-27 | 2021-09-24 | 广州云趣信息科技有限公司 | 文本摘要生成方法、装置及电子设备 |
Non-Patent Citations (3)
Title |
---|
BOHAN YU: "WiFi-Sleep: Sleep Stage Monitoring Using Commodity Wi-Fi Devices", IEEE INTERNET OF THINGS JOURNAL, vol. 8, no. 18, 15 September 2021 (2021-09-15), pages 13900, XP011877305, DOI: 10.1109/JIOT.2021.3068798 * |
PEI WANG: "TinySense: Multi-user respiration detection using Wi-Fi CSI signals", 2017 IEEE 19TH INTERNATIONAL CONFERENCE ON E-HEALTH NETWORKING, APPLICATIONS AND SERVICES (HEALTHCOM), 18 December 2017 (2017-12-18) * |
杨振华: "基于时频联合分析的室内穿墙人体行为识别算法研究", 中国优秀硕士学位论文全文数据库信息科技辑, vol. 2021, no. 02, 15 February 2021 (2021-02-15), pages 136 - 791 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wang et al. | Energy-efficient intelligent ECG monitoring for wearable devices | |
García-Martínez et al. | A review on nonlinear methods using electroencephalographic recordings for emotion recognition | |
Fatimah et al. | Detection of apnea events from ECG segments using Fourier decomposition method | |
Kumar et al. | Characterization of coronary artery disease using flexible analytic wavelet transform applied on ECG signals | |
Sharma et al. | Automated heartbeat classification and detection of arrhythmia using optimal orthogonal wavelet filters | |
Sharma et al. | A new approach to identify obstructive sleep apnea using an optimal orthogonal wavelet filter bank with ECG signals | |
CN108416367B (zh) | 基于多传感器数据决策级融合的睡眠分期方法 | |
Thomas et al. | Automatic ECG arrhythmia classification using dual tree complex wavelet based features | |
US9036877B2 (en) | Continuous cardiac pulse rate estimation from multi-channel source video data with mid-point stitching | |
CN111387975B (zh) | 基于机器学习的脑电信号识别方法 | |
CN113499084B (zh) | 脑卒中运动功能评价模型建立方法、评价方法及系统 | |
Nazarahari et al. | A multi-wavelet optimization approach using similarity measures for electrocardiogram signal classification | |
CN107361765B (zh) | 脑波分析方法及其装置 | |
US10192307B2 (en) | System and method for extracting a periodic signal from video | |
Shankar et al. | Detection of Epilepsy based on EEG Signals using PCA with ANN Model | |
Das et al. | Electrocardiogram beat classification using S-transform based feature set | |
Guan et al. | A non-contact paraparesis detection technique based on 1D-CNN | |
EP3764896B1 (en) | Method and apparatus for monitoring a human or animal subject | |
Ahmad et al. | Comparative analysis of classifiers for developing an adaptive computer-assisted EEG analysis system for diagnosing epilepsy | |
Mahamune et al. | An automatic channel selection method based on the standard deviation of wavelet coefficients for motor imagery based brain–computer interfacing | |
CN115040092A (zh) | 基于信道状态信息的心率监测方法及呼吸事件检测方法 | |
CN110537907B (zh) | 一种基于奇异值分解的心电信号压缩及识别方法 | |
Li et al. | Sleep arousal detection using end-to-end deep learning method based on multi-physiological signals | |
Chiu et al. | Get rid of the beat in mobile EEG applications: A framework towards automated cardiogenic artifact detection and removal in single-channel EEG | |
Amri et al. | Toward early abnormalities detection on digestive system: Multi-features electrogastrogram (EGG) signal classification based on machine learning |
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 |