CN115040109A - 一种呼吸模式分类方法及系统 - Google Patents
一种呼吸模式分类方法及系统 Download PDFInfo
- Publication number
- CN115040109A CN115040109A CN202210695521.8A CN202210695521A CN115040109A CN 115040109 A CN115040109 A CN 115040109A CN 202210695521 A CN202210695521 A CN 202210695521A CN 115040109 A CN115040109 A CN 115040109A
- Authority
- CN
- China
- Prior art keywords
- breathing
- signal waveform
- periodic signal
- model
- respiration
- 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.)
- Granted
Links
- 230000029058 respiratory gaseous exchange Effects 0.000 title claims abstract description 174
- 238000000034 method Methods 0.000 title claims abstract description 44
- 230000000737 periodic effect Effects 0.000 claims abstract description 58
- 238000001514 detection method Methods 0.000 claims abstract description 51
- 230000036391 respiratory frequency Effects 0.000 claims abstract description 25
- 230000035565 breathing frequency Effects 0.000 claims abstract description 13
- 239000013598 vector Substances 0.000 claims description 21
- 238000012545 processing Methods 0.000 claims description 17
- 238000006073 displacement reaction Methods 0.000 claims description 16
- 230000033001 locomotion Effects 0.000 claims description 14
- 238000007781 pre-processing Methods 0.000 claims description 14
- 230000008859 change Effects 0.000 claims description 11
- 230000005540 biological transmission Effects 0.000 claims description 9
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000004088 simulation Methods 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 3
- 230000000241 respiratory effect Effects 0.000 abstract description 28
- 210000000038 chest Anatomy 0.000 description 20
- 230000000694 effects Effects 0.000 description 18
- 238000004422 calculation algorithm Methods 0.000 description 15
- 238000010586 diagram Methods 0.000 description 15
- 230000006870 function Effects 0.000 description 14
- 230000010363 phase shift Effects 0.000 description 11
- 238000004364 calculation method Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 8
- 230000003068 static effect Effects 0.000 description 8
- 208000008784 apnea Diseases 0.000 description 7
- 230000002159 abnormal effect Effects 0.000 description 6
- 230000014509 gene expression Effects 0.000 description 6
- 230000036387 respiratory rate Effects 0.000 description 6
- 238000001228 spectrum Methods 0.000 description 6
- 239000000969 carrier Substances 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 4
- 238000000354 decomposition reaction Methods 0.000 description 4
- 230000007246 mechanism Effects 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 238000005070 sampling Methods 0.000 description 4
- 238000013145 classification model Methods 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 3
- 238000001914 filtration Methods 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 230000002829 reductive effect Effects 0.000 description 3
- 210000000115 thoracic cavity Anatomy 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 238000013519 translation Methods 0.000 description 3
- 208000003417 Central Sleep Apnea Diseases 0.000 description 2
- 210000001015 abdomen Anatomy 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 208000006673 asthma Diseases 0.000 description 2
- 230000002457 bidirectional effect Effects 0.000 description 2
- 238000010924 continuous production Methods 0.000 description 2
- 230000008602 contraction Effects 0.000 description 2
- 230000003247 decreasing effect Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 238000005562 fading Methods 0.000 description 2
- 238000009499 grossing Methods 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 238000010187 selection method Methods 0.000 description 2
- 230000008054 signal transmission Effects 0.000 description 2
- 238000001931 thermography Methods 0.000 description 2
- 208000019901 Anxiety disease Diseases 0.000 description 1
- 208000003174 Brain Neoplasms Diseases 0.000 description 1
- 206010008501 Cheyne-Stokes respiration Diseases 0.000 description 1
- 208000017667 Chronic Disease Diseases 0.000 description 1
- 208000029448 Chylomicron retention disease Diseases 0.000 description 1
- 208000000059 Dyspnea Diseases 0.000 description 1
- 206010013975 Dyspnoeas Diseases 0.000 description 1
- 206010019280 Heart failures Diseases 0.000 description 1
- 201000009906 Meningitis Diseases 0.000 description 1
- 208000001647 Renal Insufficiency Diseases 0.000 description 1
- 208000004756 Respiratory Insufficiency Diseases 0.000 description 1
- 230000036506 anxiety Effects 0.000 description 1
- 208000029028 brain injury Diseases 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 201000006754 cone-rod dystrophy Diseases 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 208000002173 dizziness Diseases 0.000 description 1
- 238000013399 early diagnosis Methods 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000001667 episodic effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 201000006370 kidney failure Diseases 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000414 obstructive effect Effects 0.000 description 1
- 230000010355 oscillation Effects 0.000 description 1
- 230000007170 pathology Effects 0.000 description 1
- 230000035515 penetration Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 208000020016 psychiatric disease Diseases 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 201000004193 respiratory failure Diseases 0.000 description 1
- 210000002345 respiratory system Anatomy 0.000 description 1
- 208000023504 respiratory system disease Diseases 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 201000002859 sleep apnea Diseases 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 208000008203 tachypnea Diseases 0.000 description 1
- 206010043089 tachypnoea Diseases 0.000 description 1
- 230000007704 transition Effects 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
- A61B5/08—Detecting, measuring or recording devices for evaluating the respiratory organs
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/08—Detecting, measuring or recording devices for evaluating the respiratory organs
- A61B5/0816—Measuring devices for examining respiratory frequency
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/08—Detecting, measuring or recording devices for evaluating the respiratory organs
- A61B5/0826—Detecting or evaluating apnoea events
-
- 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
-
- 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
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
- A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Surgery (AREA)
- Public Health (AREA)
- Pathology (AREA)
- Veterinary Medicine (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Physiology (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Artificial Intelligence (AREA)
- Signal Processing (AREA)
- Pulmonology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Psychiatry (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Image Analysis (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明公开一种呼吸模式分类方法及系统,包括:构建菲涅尔区呼吸检测模型;基于菲涅尔区呼吸检测模型,得到信道状态信息振幅信息;基于信道状态信息振幅信息,得到规则周期信号波形;基于规则周期信号波形,得到呼吸频率;基于呼吸频率,得到呼吸模式分类结果。有效滤除了数据中的高中低频段噪声;能够有效提取呼吸频率,并有效实现了所提取的呼吸特征与呼吸模式之间的深层关系,在呼吸模式分类上具有优越性。
Description
技术领域
本发明涉及非接触式人体呼吸检测领域,特别涉及一种呼吸模式分类方法及系统。
背景技术
呼吸病学是一门重要的医疗学科,在医学领域具有广泛的应用。对CRDs的早期诊断和治疗,特别是对于独居家庭或难以自理的患者,长时间的人体呼吸检测十分重要。例如通过长时间检测睡眠呼吸状态,一旦发现用户长期出现呼吸阶段性暂停现象即可断定该用户为睡眠暂停综合征患者。这必然对呼吸检测设备有更多的需求和更高的要求。因此,呼吸检测研究具有巨大的社会价值和应用价值。
传统的呼吸检测方法依赖于传感器与患者直接接触,通过测量呼吸过程产生的胸腹部运动、声音、气流、温度等物理参数判断呼吸状态。接触式呼吸检测方式尽管精度准确,但是用户在呼吸检测全程中需佩戴传感器设备,舒适性较低,难以实现长时间检测,这对于重度烧伤或患有精神类疾病的特殊患者而言十分痛苦。此外,基于胸腹部压力变化的方式易受其他形式微小运动的影响,误差可能性较大,时刻穿戴传感器不但影响了检测过程的舒适度,而且传感器的位移和滑落将直接导致检测数据的失真。
非接触式检测方法摆脱了传感器的束缚,可以在一定程度上实现自由、不受拘束的呼吸检测。目前主流的非接触式呼吸检测方法有基于红外热成像、机器视觉识别、生物雷达等方法。红外热成像检测用户呼吸引起的气流温度,但是该温度受其他气流影响无法实现稳定的呼吸检测;机器视觉识别通过外围设备得到呼吸胸腔起伏轨迹的图像或视频数据从而分析人体呼吸,该方法有效解决了环境温度的影响,但是由于通过外围设备获取呼吸运动轨迹,受设备分辨率影响,检测精度受限;基于生物雷达的检测采用多普勒雷达探索人体呼吸对雷达信号的影响,从而检测呼吸,但该方法依赖于复杂昂贵的硬件设备,且存在释放辐射的潜在风险,限制了实用性。
Wi-Fi信号基于其覆盖范围广泛、穿透能力强、可靠性高等优势被广泛研究。早期基于Wi-Fi的呼吸识别方法都是使用接收信号强度(Received Signal StrengthIndicator,RSSI)捕捉呼吸运动引起的信号强度值完成识别,但是RSSI是粗粒度无线信号参考量,在信号传输中易受复杂环境影响导致性能退化,测量误差大,不适用于微弱信号的检测。
发明内容
为解决上述现有技术中所存在的问题,本发明提供一种呼吸模式分类方法及系统,利用人体呼吸模型和菲涅尔区呼吸检测模型相结合,对采集的原始CSI振幅信息进行预处理、去直流、子载波选择和假峰值消除,有效滤除了数据中的高中低频段噪声,有效提取呼吸频率,并有效实现了所提取的呼吸特征与呼吸模式之间的深层关系,在呼吸模式分类上具有优越性。
为了实现上述技术目的,本发明提供了一种呼吸模式分类方法,包括以下步骤:
构建人体呼吸模型和菲涅尔区呼吸检测模型;
基于所述人体呼吸模型和菲涅尔区呼吸检测模型,得到信道状态信息振幅信息;
基于所述信道状态信息振幅信息,得到规则周期信号波形;
基于所述规则周期信号波形,得到呼吸频率;
基于所述呼吸频率,得到呼吸模式分类结果。
可选地,所述人体呼吸模型的构建过程为:
将人体胸部运动模拟为可变大小的半圆柱体,得到人体呼吸模型。
可选地,所述菲涅尔区呼吸检测模型的构建过程为:
基于菲涅尔区理论,将所述人体呼吸模型的胸部位移转换为相位变化,得到菲涅尔区呼吸检测模型。
可选地,所述规则周期信号波形的获取过程包括:
对所述信道状态信息振幅信息进行预处理,得到周期信号波形;
基于所述周期信号波形,去除直流分量;
对去除直流分量后的所述周期信号波形,计算子载波方差,并选择所述子载波方差中方差最大的子载波;
对所述方差最大的所述子载波,消除假峰值,得到所述规则周期信号波形。
可选地,所述信道状态信息振幅信息的计算公式为:
y=Hx+n
其中,y表示接收向量,x表示传输向量,H表示由信道状态信息值组成的复信道矩阵,n表示信道噪声向量。
本发明还公开了一种呼吸模式分类系统,包括:模型构建模块、振幅信息获取模块、周期信号波形处理模块、呼吸频率估计模块和分类模块;
所述模型构建模块用于构建人体呼吸模型和构建菲涅尔区呼吸检测模型;
所述振幅信息获取模块用于基于所述人体呼吸模型和所述菲涅尔区呼吸检测模型,得到信道状态信息振幅信息;
所述周期信号波形处理模块用于基于所述信道状态信息振幅信息,得到规则周期信号波形;
所述呼吸频率估计模块用于基于所述规则周期信号波形,得到呼吸频率;
所述分类模块用于基于所述呼吸频率,得到呼吸模式分类结果。
可选地,所述模型构建模块包括人体呼吸模拟单元;
所述人体呼吸模拟单元用于将人体胸部运动模拟为可变大小的半圆柱体,得到人体呼吸模型。
可选地,所述模型构建模块还包括菲涅尔区单元;
所述菲涅尔区单元用于基于菲涅尔区理论,将所述人体呼吸模型的胸部位移转换为相位变化,得到菲涅尔区呼吸检测模型。
可选地,所述周期信号波形处理模块包括:预处理单元、去直流单元、子载波选择单元和假峰值消除单元;
所述预处理单元用于对所述信道状态信息振幅信息进行预处理,得到周期信号波形;
所述去直流单元用于基于所述周期信号波形,去除直流分量;
所述子载波选择单元用于对去除直流分量后的所述周期信号波形,计算子载波方差,并选择所述子载波方差中方差最大的子载波;
所述假峰值消除单元用于对所述方差最大的所述子载波,消除假峰值,得到得到所述规则周期信号波形。
可选地,所述振幅信息获取模块的计算公式为:
y=Hx+n
其中,y表示接收向量,x表示传输向量,H表示由信道状态信息值组成的复信道矩阵,n表示信道噪声向量。
本发明具有如下技术效果:
利用人体呼吸模型和菲涅尔区呼吸检测模型相结合,对采集的原始CSI振幅信息进行预处理、去直流、子载波选择和假峰值消除,有效滤除了数据中的高中低频段噪声,有效提取呼吸频率,并有效实现了所提取的呼吸特征与呼吸模式之间的深层关系,在呼吸模式分类上具有优越性。
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性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例一呼吸模式分类方法的流程框图;
图2为本发明实施例一中人体呼吸示意图;
图3为本发明实施例一中人体呼吸模型示意图;
图4为本发明实施例一中无线信号与胸腔变化图;
图5为本发明实施例一中相位旋转角度与正弦对应波形图;
图6为本发明实施例一中的菲涅尔区呼吸检测模型;
图7为本发明实施例一中菲涅尔区几何示意图;
图8为本发明实施例一菲涅尔区静态物体相位叠加导致信号振幅变化图;
图9为本发明实施例一中菲涅尔区传播特性图;
图10为本发明实施例一中不同相位对应的呼吸波形图;
图11为本发明实施例一中不同位置的呼吸波形图;
图12为本发明实施例一中依次为使用Savitzky-Golay滤波器、加权移动平均值滤波器以及带通滤波器处理某一随机去异常值后子载波数据效果图;
图13为本发明实施例一中信号的功率频谱图;
图14为本发明实施例一中某一数据包中子载波方差图;
图15为本发明实施例一中三种基础的呼吸状态处理后的波形图;
图16为本发明实施例一中四种复杂呼吸模式的理想描述波形图;
图17为本发明实施例一中三种呼吸模式曲线拟合的效果图;
图18为本发明实施例一中基于BI-AT-GRU的呼吸模式分类流程图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅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做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
实施例一
如图1所示,本发明公开一种呼吸模式分类方法,包括:
S1,构建人体呼吸模型和菲涅尔区呼吸检测模型;
S11,构建人体呼吸模型,具体包括:
将人体胸部运动建模为一个可变大小的半圆柱体,随后将胸部位移转换为相位变化,以表征人类呼吸对接收信号的影响。人体呼吸是由呼气、吸气组成的连续性过程,胸腔随呼吸形成扩张与收缩的周期性运动,人体呼吸示意图如图2所示。
人体呼吸时胸腔扩张最大位移为5.4mm,胸腔收缩最小位移为4.2mm,中外侧尺寸为0.6~1.1mm;而深呼吸时,这种位移在前后尺寸上可增加到12.6mm。因此,本实施例对人体呼吸建模如图3所示,其中外圆柱表面和内圆柱表面分别对应于呼气和吸气的胸部位置。
如图4所示,人体胸腔为反射面,为刻画信号传输的数学表达,将呼吸引起的胸部位移视为运动物体从而影响射频信号变化。将人体胸腔前后变化路径长度设为,则信号经胸部反射产生的路径长度约为2Δd(不超过),假设其值为λ,则接收信号将产生2π的相位差,此时相位旋转角度θ,θ的计算公式为:θ≈2π*2Δd/λ,其中λ约为5.7cm(5GHz)和11cm(2.4GHz)。综合分析各种模式呼吸状态的胸部位移在5~12mm之间,因此θ∈[60°,150°],对应的变化波形为正弦周期的其中一段。当动态目标位移导致的反射路径长度变化超过5.7cm时,动态向量可以旋转超过一周,产生一个长度为2π的正弦信号;当反射路径的长度变化小于5.7cm时,动态向量的旋转角度小于2π,仅产生正弦信号的一个片段。即人体一次呼或吸引起的接收信号仅是正弦周期的一个片段。相位旋转角度与正弦对应波形如图5所示。
S12,构建菲涅尔区呼吸检测模型,具体包括:
基于菲涅尔区理论构建菲涅尔区呼吸检测模型,菲涅尔区呼吸检测模型探索了动静路径在菲涅尔区中的传播特性,从而得出最佳呼吸检测位置,并揭示了微小运动对接收数据的影响。如此便可在射频波长的粒度下捕捉接收射频信号上的细微位移,将传感分辨率提升到前所未有的厘米级,这为室内环境的高精度人体传感,如呼吸检测开辟了新的机遇。菲涅尔区呼吸检测模型如图6所示,其中TX为信号发射端,RX为信号接收端。
如图7所示,P1和P2分别为信号发射端和接收端,当无线电从P1发送到P2时,环境中产生若干个以P1和P2为焦点的同心椭圆。假设发送波长为λ,n个菲涅尔区的数学表达式为:
|p1Qn|+|Qnp2|-|p1p2|=nλ/2 (1)
其中,Q1为第一菲涅尔区边界上的随机点,Qn则为第n菲涅尔区边界上的随机点;第二菲涅尔区为第一、二个椭圆的中间环,以此类推第n菲涅尔区为第n-1、n椭圆的中间环,所有图中虚线部分所示的椭圆为菲涅尔区边界,则第n个菲涅尔区边界的数学表达式为:
bn={Qn,P1,P2||P1Qn|+|QnP2|-|P1P2|=nλ/2} (2)
其中,菲涅尔区宽度随n增大逐渐变窄,接近λ/2。在菲涅尔区中,信号传播强度随目标位置发生相应的变化,随着目标以垂直于视距路径的方向向外移动时,CSI的信号强度开始逐渐减弱,直到丧失了捕捉运动的能力。其中,第一菲涅尔区的CSI信号强度最大,且超过七成的信号能量在8~12个菲涅尔区传输,当目标位于第12个菲涅尔区之外时,检测效果将发生大幅度降低。
菲涅尔区中静态物体的传播特性
当发射端P1向接收端P2发送无线电信号时,接收信号的幅度和相移由|P1P2|的长度(LOS)决定。当环境中某一静止物体恰好位于第一菲涅区边界Q1处时,原路经结构新增一条由P1经Q1到达P2的反射路径|P1Q1P2|,最终接收端线性组合反射路径与视距路径信号,产生复合的CSI数据。环境中信号由于反射作用将产生π个固定相移,由式(1)可知,信号经反射后比视距路经长λ/2,由此接收信号产生π的相位差,综合考虑固定相移可知视距路径与反射路径相移同相、振幅不同,因此接收信号强度增大;而当环境中某一静止物体恰好位于第二菲涅区边界Q2处时,由式(1)可知,信号经反射后比视距路经长λ,由此接收信号产生2π的相位差,综合考虑固定相移可知视距路径与反射路径相移异相、振幅不同,因此接收信号强度减小;相位叠加导致信号振幅变化如图8所示。因此可得:菲涅尔区中静态物体传播特性随奇偶菲涅尔区边界位置呈现信号强度增大、减小的变化趋势,其中奇数边界处信号强度增大大,偶数边界处信号强度减小。
因此,当环境中某一物体沿垂直于视距路径的方向向外运动时,接收端综合LOS信号和反射信号,产生由层层菲涅尔区边界影响生成的信号峰值、谷值相继交替的现象,如图9所示,信号产生忽强忽弱的变化趋势。
菲涅尔区中动态物体的传播特性
发射信号通过多条路径达到接收器,信号由环境中动态和静态物体影响产生不同特征的反射信号,接收信号H(f,t)的计算表达式为:
H(f,t)=Hs(f)+Hd(f,t)=Hs(f)+a(f,t)e-j2πd(t)/λ (3)
其中,Hs(f)表示静态路径的矢量和,Hd(f,t)表示动态路径的矢量和,动态路径可以进一步使用a(f,t)表示其振幅和初始相移,其在变换长度Δd上产生的相移用e-j2πd(t)/λ表示。当Δd=λ时,相移为2π,接收信号H(f,t)变化关系的表达式为:
|H(f,θ)|2=|Hs(f)|2+|Hd(f)|2+2|Hs(f)||Hd(f)|cosθ (4)
其中,θ表示|Hs(f)|和|Hd(f)|的相位差。
S2,基于人体呼吸模型和菲涅尔区呼吸检测模型,得到信道状态信息振幅信息;
由式(4)可知,当Hs和Hd一定时,接收信号H(f,θ)仅与幅值和cosθ有关,当胸部位移运动跨越几个菲涅尔区,H(f,θ)便是正弦波。
但是正常的人体呼吸产生的波形并不是一个完成的正弦波,通过分析可得,接收信号H(f,θ)是由四个部分组成:吸气产生的波形、吸气后暂停直线、呼气产生的波形和呼气后暂停直线。
如图10所示,θ的角度及位置将直接影响波形形态,假设θ=π/3,对应于正常呼吸,当夹角覆盖范围为-π/6到π/6,则对应于情况1中最小的波形;但当角度覆盖范围为:π/3到2π/3,如情况2,则可以产生一个较大的梯度波形。因此当θ尽可能覆盖较大范围且波形位于单调区间时(π/2或3π/2左右),最能够有效地提取呼吸信号。其中,波形的最佳选择是以π/2或3π/2为中心对应的每个菲涅尔区中间区域。因此可以得出,接收呼吸信号强度受呼吸深度和人体胸部位移所处位置有关。在每个菲涅尔区内,人体呼吸感知最差的位置在边界附近,而最佳位置在中间区域,如图11所示。因此,菲涅尔区内的中心位置接收的信号强度最大,但当检测位置逐渐向外移动时,接收强度变小,直到检测失败。因此,本实施例在菲涅尔区呼吸检测模型的第一菲涅尔区中心位置,设置人体呼吸模型,得到CSI振幅信息。
S3,基于信道状态信息振幅信息,得到规则周期信号波形;
S31,对信道状态信息振幅信息进行预处理,得到周期信号波形;
采集的CSI振幅信息中包含很多因环境、设备等因素产生的噪声,因此需要对CSI振幅信息进行预处理,以消除由于Wi-Fi传输突发性而引起的数据包到达时间不均匀的问题,以此改善基本信号的频率特性。预处理包括:离群值滤波、去噪,本实施例中,在综合传统滤波器的基础上提出了一种改进的小波阈值去噪滤波器,实现了有用信息的有效分离。
离群值滤波
原始的CSI振幅信息包含因内部状态转换产生的噪声,如传输噪声、多径效应、信号衰落和设备中的热噪声,这些噪声引入了非人体呼吸产生的异常值,因此在对呼吸信号处理之前,需要去除掉CSI数据振幅信息中的异常值,减小环境及各种衰落造成的影响。
Hampel标识符算法能够将落在固定范围之外的值设定为异常值并准确去除,Hampel标识符算法的工作原理如下:
令CSI数据为集合{xk},则元素xk为:
xk=xnom+ek (5)
xk表示每个CSI数据振幅信息,xnom为数据正常值大小,ek为检测值与xnom之差,该算法通过集合{ek}判断某点数据是否为异常值。具体步骤如下:
(1)计算集合{xk}的中位数,记为xmedian;
(2)计算每个元素xk与xmedian之差,记为{yk},再计算{yk}的中值绝对偏差(MedianAbsolute Deviation,MAD):
MAD=median{|xk-xmedian|} (6)
(3)设定异常值判定阈值γ为:
设定[μ-γσ,μ+γσ]之外的点为异常值,并使用中位数进行替换。其中μ为中值,σ表示中值绝对偏差,本实施例设置实验阈值为3。
去噪算法
滤除离群值后的信号仍含有因外界环境影响及自身个体差异产生的噪声,此时得到的CSI数据无法直接用于呼吸频率估计,本实施例综合Savitzky-Golay滤波器(Savitzky-Golay Filter,SGF)、加权移动平均值滤波器(Weighted Moving AverageFilter,WMAF)、带通滤波器(Band-Pass Filter,BPF)的优点,并结合人体呼吸信息特征,提出了一种改进的小波阈值去噪滤波器。
Savitzky-Golay滤波器
Savitzky-Golay滤波器通过拟合信号的低频段信息来保留信号的主要有用成分,再对高频段数据进行平滑处理。该滤波器能够尽可能的保留信号基本形状不变。具体算法如下:
令CSI数据为集合x(k),k=-m...,0,...m,k的取值为窗口内2m+1个数据点,现构造一个n阶的多项式(n≤2m+1)进行拟合:
拟合数据点与原数据点的残差平方和为:
在最小二乘法中,要使拟合结果最好,则残差平方和应最小,即E对该多项式的系数bni求偏导应为0:
解得:
当m、n及x[k]已知后,即可求出多项式,该多项式用于生成窗口中心点的拟合值,通过移动滑动窗口可对数据实现滤波。本实施例中设置窗口大小为15。
加权移动平均值滤波器
典型的移动平均滤波器(Moving Average Filter,MAF)计算方式为:
其中k表示队列长度,x为输入信号,y为输出信号。加权移动平均滤波器(WeightedMoving Average Filter,WMAF)通过对移动窗口内数据赋予不同权重实现MAF的改进。该权重大小依据数据间距决定,在同一窗口内,距离预测值越近的数据权重越大。在周期性的呼吸信号去噪中,该特点能够很好地保留信号的起伏特性,并通过滑动窗口实现信号的平滑处理。
带通滤波器
本实施例基于人体呼吸信号的频率特性设计带通滤波器。正常人类呼吸频率范围集中在0.1~0.5Hz之间,即6~30bpm(Breaths Per Minute,bpm),因此本实施例首先通过对滑动窗口内数据进行快速傅立叶变换(Fast Fourier Transform,FFT)获取频谱,随后设计频率范围在0.1~0.5Hz的巴特沃斯带通滤波器,设置采样频率为Fs=100Hz,滤波器阶数filterorder=2。
图12为依次为使用Savitzky-Golay滤波器、加权移动平均值滤波器以及带通滤波器处理某一随机去异常值后子载波数据效果图。三个滤波器均能在一定程度上滤除掉大量的环境噪声。但是,信号的波峰、波谷处仍含有毛刺,其中SGF仅仅平滑掉信号高频成分保留了低频段噪声,因此滤波效果最差;WMAF效果一般,这是因为该滤波器仅是针对数据点进行不同的处理;而BPF效果相对较好,因为该滤波器滤除了人体呼吸频段之外的噪声,但对于呼吸频段内噪声滤除不彻底。
改进的小波阈值去噪滤波器
由于人体呼吸信号冗合了高、中、低频段的噪声,本实施例结合三种典型的滤波器优势,通过优化阈值和阈值函数实现了各个频段内噪声的有效滤除,提升了去噪效果。该改进算法不仅滤除了无关噪声,且具有平滑信号的效果,很好地保留了波峰波谷,这对于呼吸频率的提取至关重要。阈值法小波去噪中的阈值函数直接影响信号重构的准确度和精度,进而影响去噪效果。硬阈值函数由于其在-λ和λ处的不连续性产生伪吉布斯现象。软阈值是将低于某个阈值的特征值置零,但信号存在恒定估计值偏差,这将直接影响信号的重构过程,因此均不适用于本实施例。常见的软、硬阈值处理公式分别为:
对于一般情况,有:
因此,基于开方法的阈值函数表达式为:
由上式分析可得,当djk→∞时,基于开方法的阈值函数选取能够很好地解决上述软、硬阈值存在的偏差恒定以及不连续等问题。当n→∞时,式(18)为硬阈值,当n=1时,即为软阈值,因此开方法实现了软硬阈值的折中。该算法通过实验反复调节接近速度系数,使与真实小波系数无限接近。由于处理信号为平滑的周期性呼吸信号,因此调节n=1.5。
在小波去噪中,除了阈值函数,阈值的选取同样重要。阈值选择过大和过小分别会使有用信号流失或噪声信号保留,使得去噪效果波动性较大,产生不同程度的失真。本实施例对不同分解尺度j选用不同的阈值,如式:
其中:N表示小波系数个数,σ为噪声方差。设置数据的采集频率为FS=100Hz,分解层数N的细节系数在FS/2(N+1)~FS/2N的频段范围内,近似系数在0~FS/2(N+1)的频段范围内,结合正常人体呼吸的频率范围0.167Hz~0.667Hz,根据奈奎斯特采样定理可得第8阶细节系数频段范围为0.19Hz~0.38Hz,符合常规的呼吸频段。因此本实施例设置分解层数为8。
如图12(a)显示使用原始小波去噪函数处理后的波形周期性不够明显,且硬阈值函数导致许多震荡,使信号不具光滑性。而图12(b)中通过改进的阈值函数选取方法很好的解决了这一问题,使得处理后的波形平滑且具有明显的周期性。在此基础上对不同的分解尺度进行阈值选取,如图12(c)所示,避免了仅选择阈值函数时出现的误差,使去噪效果更佳。综合分析不同滤波器的实验研究,本实施例使用的改进小波阈值去噪滤波器能够全面去除信号各个频段噪声,且处理后的波形能够直观反映出人体呼吸状态。
S32,基于周期信号波形,去除直流分量;
经过上述去噪后的信号呈现出与呼吸振动一致的周期性波形变化,此时对信号进行呼吸频率估计如图13(a)所示,其中最大功率谱峰值对应的频率为0Hz,显然该估计结果存在失真,这是因为信号中直流分量的作用,这不仅影响最佳子载波的选择,还会对频率估计结果产生极大的失真,因此本实施例选用最小二乘法去除直流分量。图13(b)为成功去除直流分量后的功率谱图,有效解决了上述问题。
已知子载波数据为X={x1,x2,…,xn},其最可信赖值为x0,为尽可能去除直流分量,要求集合X中的元素与x0数值尽可能吻合,满足式(20):
当时,式(21)取最小值,此时即为信号的最可信赖值,被称为直流分量,因此本实施例基于最小二乘法的去直流可简化为去除X的算数平均值。首先求出子载波信号的平均值接着计算数据与平均值之差并对信号进行功率谱估计,信号去除直流分量之后的功率谱峰值对应的频率远离0Hz,可得到正确的呼吸频率。
S33,对去除直流分量后的周期信号波形,计算子载波方差,并选择子载波方差中方差最大的子载波;
本实施例选择装有Intel 5300网卡的无线装置可以获取30个子载波信息,如果对所有数据进行预处理、去直流、求频率等操作,将会产生大量的计算负载,降低运算速度。因此本实施例需要对子载波信号进行挑选。已知不同的子载波所携带的信息呈现出不同的敏感度,其中第10和15子载波波动明显大于第1和30号子载波,第15号子载波最有助于分析呼吸频率。为了减少数据处理的冗余,需要选择携带呼吸特征最多、噪声影响最小、呼吸周期性最明显的子载波。经研究,方差能够反映出数据的差异程度。因此本实施例通过计算子载波方差,选择方差最大的子载波表征呼吸信号。图14为某一数据包中子载波方差,从图中可得,第25号子载波的方差最大,因此在该数据包的分析中以第25号子载波来表征人体呼吸信息。
S34,对方差最大的子载波,消除假峰值,得到得到规则周期信号波形。
经过数据预处理、去直流、子载波选择后的波形能够明显表征人体呼吸状态,但数据采集时仍无法避免环境中动态物体或人体抖动产生的微小干扰,这些干扰在信号中反映为假峰值。因此本实施例进一步消除假峰对频率估计结果的影响。一般的研究中峰值判定为窗口内的样本最大值,但是这种峰值查找算法会产生很多假峰,即识别出的峰值并非正弦CSI幅度真实峰的位置。
为过滤假峰,本实施例依据人体呼吸频率最大值设置了相邻峰值最小距离阈值。具体来说,对于成年群体呼吸频率最大为20bpm,对于婴幼儿最大呼吸频率可达37bpm。因此本实施例考虑最大人体呼吸频率范围为20-37bpm。采用与最大呼吸速率相对应的最小可接受间隔作为阈值σ:
σ=60·f/37 (23)
其中,f为Wi-Fi数据包传输速率相对应的CSI采样率。如果两个相邻峰值间隔小于该阈值,则视为假峰值。通过滑动窗口,确认其值大于窗口内的所有数据,则判定为峰值并进行保留。
假峰去除算法为:
算法:假峰去除算法(续)
S4,基于规则周期信号波形,得到呼吸频率;
本实施例将规则的周期信号波形通过交叉平移点算法进行呼吸频率估计。算法步骤如下:
(1)将处理后的规则的周期信号yk向右移动w个点,记为y'k;
(2)计算yk与y'k的交叉点数,并记为Cw;
其中RR为呼吸频率(单位:bpm);Cw表示信号平移前后的交叉点数;N为数据长度;Fs为采样频率;移动窗口w对频率影响至关重要。为减少失误率,本实施例选择了5个不同长度的移动窗口(15、20、25、30、35),并将最终平均值四舍五入到小数点后2位。
为验证交叉平移点算法的计算性能,本实施例使用峰值间隔法进行对比:
峰值间隔法
峰值间隔法是通过组合去假峰子载波来获得真实的相邻峰值间隔,进而估计呼吸频率。该算法将数据包中30个子载波都纳入计算范围,因此跳过基于方差的子载波选择模块。将一组相邻峰值间隔记为L=[l1,…,li,…l30]',其中li={li(1),…,li(Ni-1)}是从第i个子载波获得的相邻峰值间隔向量Ni。由于呼吸涉及吸气和呼气的周期性微小运动,因此通过呼吸周期Ei来描述CSI的这种周期性变化。第i个子载波的呼吸周期Ei可以通过式(24)获得:
由于方差越大,子载波呼吸信号波动越明显,频率估计结果更准确。因此通过求30个子载波的Ei加权平均值进行CSI数据包的呼吸周期估计E。其定义如式(25):
其中P是子载波个数30,ci是第i个子载波上的CSI幅度测量值。
因此最终的呼吸频率可以由下式(26)给出:
RR=60/E bpm (26)
S5,基于所呼吸频率,得到呼吸模式分类结果。
基于所呼吸频率,以正常呼吸、暂停呼吸、深呼吸三种呼吸模式进行分类,这三种呼吸模式对应于健康人群呼吸、日常呼吸性疾病哮喘、阻塞性呼吸暂停等。本实施例中,控制人体进行正常呼吸并将采集数据标记为正常呼吸;控制实验采集前半段时间呼吸正常,后半段时间呼吸暂停,并将采集数据标记为暂停呼吸;控制人体进行大幅度、快频率的呼吸,并将采集数据标记为深呼吸,深呼吸描述人群在哮喘、封闭空间等异常环境下进行的幅度较大、频率较快的呼吸状态,每种呼吸状态的处理后波形如图15所示。
这三种模式是最常见的,它们相互结合形成一些其他复杂的呼吸模式。图16展示了四种其他复杂呼吸模式的理想状态波形。其中,比奥呼吸是以周期性的暂停呼吸组成,这种呼吸模式常常出现在脊髓性脑膜炎患者身上;中枢性睡眠呼吸暂停是以深呼吸和暂停呼吸组成的阶段性呼吸模式,通常是由心脏和肾脏衰竭所造成;陈-施呼吸则是振幅渐变的比奥呼吸,此模式呼吸具有因脑肿瘤或损伤而产生的循环变化、渐强渐弱类型的序列,并存在停顿或中枢性呼吸暂停现象;此外,还有更加常见的因焦虑、呼吸困难、头晕所产生的叹气呼吸,该呼吸模式以阶段性叹气呼吸组成。这三种基础呼吸模式的分类对于检测人体健康、识别身体疾病具有重要的意义。
本实施例利用深度摄像机和深度学习框架,通过曲线拟合技术丰富数据集,实现了呼吸模式的分类。表1显示了不同年龄段的呼吸频率范围,其中12岁以下的对象成长速度快,呼吸频率在18~44bpm的广泛区间内快速变化,呼吸分析较为复杂,而老年人因常年累积慢性疾病表现出呼吸急促或呼吸衰竭的症状,频率分布在12~24bpm的广泛区间内,病情结构复杂,呼吸特征多样,因此对幼儿和老年的呼吸模式分类情况较为复杂。本实施例的呼吸模式分类主要以群体占比大、呼吸状态稳定的成年人为研究对象,正常成年人群体的呼吸频率在16~22bpm之间,其中成年女性的呼吸频率比男性高1~2bpm。
表1
在本实施例中,通过MATLAB的曲线拟合功能来建模和生成三种呼吸模式数据。由于呼吸是吸气和呼气的连续过程,非接触式检测的呼吸信号经过第三章处理可以近似为正弦波形,因此可以通过调整正弦项参数建模来获取不同模式的呼吸数据。
实际非接触方式测量的CSI容易因环境变化而产生偏差,导致呼吸深度和频率在一定范围内波动,且测量中受身体运动的影响,信号也容易出现纵向和斜向偏差。因此考虑上述可能存在的偏差,实际测得的呼吸信号可由式(27)进行描述:
其中a表示振幅,b为频率,c是每个正弦项的相位,x表示OFDM样本,n是求和中正弦项的总数。为贴合成年男女的实际呼吸状态,本实施例通过在预设范围内随机调节参数以生成特定的呼吸模式数据,通过断点组合正常和暂停信息以生成暂停呼吸数据。本实施例设置三种呼吸模式的参数范围如表2所示。
表2
图17展示了三种模式曲线拟合的效果图。本实施例所使用曲线拟合技术不仅有助于应对艰巨且耗时的数据收集任务,而且能够提升分类模型的准确性。
卷积神经网络(CNN)广泛应用于各种分类需求,对于呼吸模式分类,CNN能通过多层卷积训练实现底层特征的层层提取,有利于多样复杂的呼吸信号处理。与机器学习相比,基于深度学习的方法几乎不需要手动操作,是一种能够自动选择特征的端到端方法,更适用于复杂和抽象的数据集。
使用格拉姆角场算法将采集到的CSI数据编码为相同大小的图像,并将特征图像分别送入CNN的四种网络框架中进行训练。此外,根据呼吸时序特性,将双向、注意力机制加入到门控循环单元中,提出基于双向注意力机制的门控循环单元网络(BidirectionalAttention Mechanism Gated Recurrent Neural Network,BI-AT-GRU)的呼吸模式分类模型,该模型将正向和反向学习的向量连接后作为最后结构,可以有效避免前后信息缺失的问题,同时对不同信息赋予不同权重的注意力机制,更加关注数据重要特征,进一步提高了分类准确率。并将特征矩阵分别送入门控循环单元(Gated Recurrent Unit,GRU)和BI-AT-GRU网络中进行训练。通过对比不同分类算法发现,基于BI-AT-GRU的分类模型表现出了最高的分类准确率。基于BI-AT-GRU的呼吸模式分类流程图如图18所示。
实施例二
本发明还公开了一种呼吸模式分类系统,包括:模型构建模块、振幅信息获取模块、周期信号波形处理模块、呼吸频率估计模块和分类模块;
模型构建模块用于构建人体呼吸模型和构建菲涅尔区呼吸检测模型;模型构建模块包括人体呼吸模拟单元和菲涅尔区单元;人体呼吸模拟单元用于将人体胸部运动模拟为可变大小的半圆柱体,得到人体呼吸模型;菲涅尔区单元用于基于菲涅尔区理论,将人体呼吸模型的胸部位移转换为相位变化,得到菲涅尔区呼吸检测模型。
振幅信息获取模块用于基于人体呼吸模型和菲涅尔区呼吸检测模型,得到信道状态信息振幅信息;
周期信号波形处理模块用于基于信道状态信息振幅信息,得到规则的周期信号波形;周期信号波形处理模块包括:预处理单元、去直流单元、子载波选择单元和假峰值消除单元;预处理单元用于对信道状态信息振幅信息进行预处理,得到周期信号波形;去直流单元用于基于周期信号波形,去除直流分量;子载波选择单元用于对去除直流分量后的周期信号波形,计算子载波方差,并选择子载波方差中方差最大的子载波;假峰值消除单元用于对方差最大的子载波,消除假峰值,得到得到规则的周期信号波形。
呼吸频率估计模块用于基于规则的周期信号波形,得到呼吸频率;
分类模块用于基于呼吸频率,得到呼吸模式分类结果。
进一步地,振幅信息获取模块的计算公式为:
y=Hx+n
其中,y表示接收向量,x表示传输向量,H表示由信道状态信息值组成的复信道矩阵,n表示信道噪声向量。
以上显示和描述了本发明的基本原理、主要特征和优点。本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的只是说明本发明的原理,在不脱离本发明精神和范围的前提下,本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (10)
1.一种呼吸模式分类方法,其特征在于,包括以下步骤:
S1,构建人体呼吸模型和菲涅尔区呼吸检测模型;
S2,基于所述人体呼吸模型和菲涅尔区呼吸检测模型,得到信道状态信息振幅信息;
S3,基于所述信道状态信息振幅信息,得到规则周期信号波形;
S4,基于所述规则周期信号波形,得到呼吸频率;
S5,基于所述呼吸频率,得到呼吸模式分类结果。
2.根据权利要求1所述的呼吸模式分类方法,其特征在于,所述人体呼吸模型的构建过程为:
将人体胸部运动模拟为可变大小的半圆柱体,得到人体呼吸模型。
3.根据权利要求1所述的呼吸模式分类方法,其特征在于,所述菲涅尔区呼吸检测模型的构建过程为:
基于菲涅尔区理论,将所述人体呼吸模型的胸部位移转换为相位变化,得到菲涅尔区呼吸检测模型。
4.根据权利要求1所述的呼吸模式分类方法,其特征在于,所述规则周期信号波形的获取过程包括:
对所述信道状态信息振幅信息进行预处理,得到周期信号波形;
基于所述周期信号波形,去除直流分量;
对去除直流分量后的所述周期信号波形,计算子载波方差,并选择所述子载波方差中方差最大的子载波;
对所述方差最大的所述子载波,消除假峰值,得到得到所述规则的所述周期信号波形。
5.根据权利要求1所述的呼吸模式分类方法,其特征在于,所述信道状态信息振幅信息的计算公式为:
y=Hx+n
其中,y表示接收向量,x表示传输向量,H表示由信道状态信息值组成的复信道矩阵,n表示信道噪声向量。
6.一种呼吸模式分类系统,其特征在于,包括:模型构建模块、振幅信息获取模块、周期信号波形处理模块、呼吸频率估计模块和分类模块;
所述模型构建模块用于构建人体呼吸模型和构建菲涅尔区呼吸检测模型;
所述振幅信息获取模块用于基于所述人体呼吸模型和所述菲涅尔区呼吸检测模型,得到信道状态信息振幅信息;
所述周期信号波形处理模块用于基于所述信道状态信息振幅信息,得到规则周期信号波形;
所述呼吸频率估计模块用于基于所述规则周期信号波形,得到呼吸频率;
所述分类模块用于基于所述呼吸频率,得到呼吸模式分类结果。
7.根据权利要求6所述的呼吸模式分类系统,其特征在于,所述模型构建模块包括人体呼吸模拟单元;
所述人体呼吸模拟单元用于将人体胸部运动模拟为可变大小的半圆柱体,得到人体呼吸模型。
8.根据权利要求6所述的呼吸模式分类系统,其特征在于,所述模型构建模块还包括菲涅尔区单元;
所述菲涅尔区单元用于基于菲涅尔区理论,将所述人体呼吸模型的胸部位移转换为相位变化,得到菲涅尔区呼吸检测模型。
9.根据权利要求6所述的呼吸模式分类系统,其特征在于,所述周期信号波形处理模块包括:预处理单元、去直流单元、子载波选择单元和假峰值消除单元;
所述预处理单元用于对所述信道状态信息振幅信息进行预处理,得到周期信号波形;
所述去直流单元用于基于所述周期信号波形,去除直流分量;
所述子载波选择单元用于对去除直流分量后的所述周期信号波形,计算子载波方差,并选择所述子载波方差中方差最大的子载波;
所述假峰值消除单元用于对所述方差最大的所述子载波,消除假峰值,得到得到所述规则周期信号波形。
10.根据权利要求6所述的呼吸模式分类系统,其特征在于,所述振幅信息获取模块的计算公式为:
y=Hx+n
其中,y表示接收向量,x表示传输向量,H表示由信道状态信息值组成的复信道矩阵,n表示信道噪声向量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210695521.8A CN115040109B (zh) | 2022-06-20 | 2022-06-20 | 一种呼吸模式分类方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210695521.8A CN115040109B (zh) | 2022-06-20 | 2022-06-20 | 一种呼吸模式分类方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115040109A true CN115040109A (zh) | 2022-09-13 |
CN115040109B CN115040109B (zh) | 2024-03-22 |
Family
ID=83163417
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210695521.8A Active CN115040109B (zh) | 2022-06-20 | 2022-06-20 | 一种呼吸模式分类方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115040109B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115995282A (zh) * | 2023-03-23 | 2023-04-21 | 山东纬横数据科技有限公司 | 一种基于知识图谱的呼气流量数据处理系统 |
Citations (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040254493A1 (en) * | 2003-06-13 | 2004-12-16 | The Regents Of The University Of Michigan | System and method for analysis of respiratory cycle-related EEG changes in sleep-disordered breathing |
JP2011156029A (ja) * | 2010-01-29 | 2011-08-18 | Sleep System Kenkyusho:Kk | 高精度呼吸測定方法による無呼吸症(sas)判定装置 |
US20150223701A1 (en) * | 2014-02-10 | 2015-08-13 | California Institute Of Technology | Breathing and heartbeat feature extraction and victim detection |
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 |
WO2017156492A1 (en) * | 2016-03-11 | 2017-09-14 | Origin Wireless, Inc. | Methods, apparatus, servers, and systems for vital signs detection and monitoring |
CN108283496A (zh) * | 2018-03-21 | 2018-07-17 | 北京大学 | 一种无接触感知方式的呼吸检测方法 |
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 |
CN110051355A (zh) * | 2019-03-13 | 2019-07-26 | 西北大学 | 一种基于rf技术的呼吸频率检测方法 |
CN110200610A (zh) * | 2019-07-04 | 2019-09-06 | 合肥工业大学 | 一种基于WiFi信号的增强呼吸及心率实时监测评估方法系统 |
CN110292383A (zh) * | 2019-05-24 | 2019-10-01 | 西北大学 | 一种基于rf技术的多目标呼吸频率检测方法及系统 |
CN110420019A (zh) * | 2019-07-29 | 2019-11-08 | 西安电子科技大学 | 一种心冲击图信号的深度回归心率估计方法 |
CN111091116A (zh) * | 2019-12-31 | 2020-05-01 | 华南师范大学 | 一种用于判断心律失常的信号处理方法及系统 |
EP3692898A1 (en) * | 2019-02-11 | 2020-08-12 | Nokia Technologies Oy | Sleep/motion determination based on wi-fi signals |
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 |
US20210059539A1 (en) * | 2019-08-27 | 2021-03-04 | Turtle Shell Technologies Private Limited | System and a Method for Determining Breathing Rate as a Biofeedback |
US11006843B1 (en) * | 2020-08-20 | 2021-05-18 | Cloud Dx, Inc. | System and method of determining breathing rates from oscillometric data |
US11272859B1 (en) * | 2020-08-20 | 2022-03-15 | Cloud Dx, Inc. | System and method of determining respiratory status from oscillometric data |
CN114191665A (zh) * | 2021-12-01 | 2022-03-18 | 中国科学院深圳先进技术研究院 | 机械通气过程中人机异步现象的分类方法和分类装置 |
-
2022
- 2022-06-20 CN CN202210695521.8A patent/CN115040109B/zh active Active
Patent Citations (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040254493A1 (en) * | 2003-06-13 | 2004-12-16 | The Regents Of The University Of Michigan | System and method for analysis of respiratory cycle-related EEG changes in sleep-disordered breathing |
JP2011156029A (ja) * | 2010-01-29 | 2011-08-18 | Sleep System Kenkyusho:Kk | 高精度呼吸測定方法による無呼吸症(sas)判定装置 |
US20150223701A1 (en) * | 2014-02-10 | 2015-08-13 | California Institute Of Technology | Breathing and heartbeat feature extraction and victim detection |
WO2017156492A1 (en) * | 2016-03-11 | 2017-09-14 | Origin Wireless, Inc. | Methods, apparatus, servers, and systems for vital signs detection and 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 |
CN108283496A (zh) * | 2018-03-21 | 2018-07-17 | 北京大学 | 一种无接触感知方式的呼吸检测方法 |
EP3692898A1 (en) * | 2019-02-11 | 2020-08-12 | Nokia Technologies Oy | Sleep/motion determination based on wi-fi signals |
CN110051355A (zh) * | 2019-03-13 | 2019-07-26 | 西北大学 | 一种基于rf技术的呼吸频率检测方法 |
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 |
CN110292383A (zh) * | 2019-05-24 | 2019-10-01 | 西北大学 | 一种基于rf技术的多目标呼吸频率检测方法及系统 |
CN110200610A (zh) * | 2019-07-04 | 2019-09-06 | 合肥工业大学 | 一种基于WiFi信号的增强呼吸及心率实时监测评估方法系统 |
CN110420019A (zh) * | 2019-07-29 | 2019-11-08 | 西安电子科技大学 | 一种心冲击图信号的深度回归心率估计方法 |
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 |
US20210059539A1 (en) * | 2019-08-27 | 2021-03-04 | Turtle Shell Technologies Private Limited | System and a Method for Determining Breathing Rate as a Biofeedback |
CN111091116A (zh) * | 2019-12-31 | 2020-05-01 | 华南师范大学 | 一种用于判断心律失常的信号处理方法及系统 |
US11006843B1 (en) * | 2020-08-20 | 2021-05-18 | Cloud Dx, Inc. | System and method of determining breathing rates from oscillometric data |
US11272859B1 (en) * | 2020-08-20 | 2022-03-15 | Cloud Dx, Inc. | System and method of determining respiratory status from oscillometric data |
CN114191665A (zh) * | 2021-12-01 | 2022-03-18 | 中国科学院深圳先进技术研究院 | 机械通气过程中人机异步现象的分类方法和分类装置 |
Non-Patent Citations (3)
Title |
---|
YUNLU WANG: "Respiratory Consultant by Your Side: Affordable and Remote Intelligent Respiratory Rate and Respiratory Pattern Monitoring System", 《IEEE INTERNET OF THINGS JOURNAL》, pages 14999 - 15009 * |
李永军等: "一种改进的小波阈值去噪算法及其仿真分析", 《自动化仪表》, pages 21 - 24 * |
郝占军: "基于信道状态信息的无线智能感知技术研究", 《中国博士学位论文全文数据库(信息科技辑)》, pages 136 - 251 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115995282A (zh) * | 2023-03-23 | 2023-04-21 | 山东纬横数据科技有限公司 | 一种基于知识图谱的呼气流量数据处理系统 |
Also Published As
Publication number | Publication date |
---|---|
CN115040109B (zh) | 2024-03-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108388912B (zh) | 基于多传感器特征优化算法的睡眠分期方法 | |
Yu et al. | WiFi-sleep: Sleep stage monitoring using commodity Wi-Fi devices | |
Liu et al. | Tracking vital signs during sleep leveraging off-the-shelf wifi | |
CN102843966B (zh) | 用于处理周期性生理信号的方法和装置 | |
CN114376564B (zh) | 一种基于心冲击信号的睡眠分期方法、系统、装置及介质 | |
Prathosh et al. | Estimation of respiratory pattern from video using selective ensemble aggregation | |
Kim et al. | 1D CNN based human respiration pattern recognition using ultra wideband radar | |
US20180353138A1 (en) | Non-contact diagnosis and monitoring of sleep disorders | |
Liu et al. | Human biometric signals monitoring based on wifi channel state information using deep learning | |
CN115040109B (zh) | 一种呼吸模式分类方法及系统 | |
RU2648602C2 (ru) | Устройство и способ обнаружения субъектов на основе показателей жизненно важных функций | |
Martinez et al. | Breathing rate monitoring during sleep from a depth camera under real-life conditions | |
Jones et al. | Reliable respiratory rate estimation from a bed pressure array | |
CN116209389A (zh) | 用于确定呼吸信号的处理器和方法 | |
CA2963471C (en) | Device and method for assessing respiratory data in a monitored subject | |
Taheri et al. | Non-invasive breathing rate detection using a very low power ultra-wide-band radar | |
Whitlock et al. | A-spiro: Towards continuous respiration monitoring | |
CN113456061A (zh) | 一种基于无线信号睡眠姿势监测方法及系统 | |
Palaniappan et al. | A novel approach to detect respiratory phases from pulmonary acoustic signals using normalised power spectral density and fuzzy inference system | |
Matar et al. | Kalman filtering for posture-adaptive in-bed breathing rate monitoring using bed-sheet pressure sensors | |
Liu et al. | A novel body posture recognition system on bed | |
CN110292383B (zh) | 一种基于rf技术的多目标呼吸频率检测方法及系统 | |
Nesar et al. | Improving touchless respiratory monitoring via lidar orientation and thermal imaging | |
CN115015867B (zh) | 一种基于超宽带雷达的身份识别和跌倒检测方法 | |
Zhuang et al. | SleepSense: Non-invasive sleep event recognition using an electromagnetic probe |
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 |