CN115500817A - 一种融合毫米波雷达和深度学习模型的无接触式心震信号检测方法及其装置 - Google Patents
一种融合毫米波雷达和深度学习模型的无接触式心震信号检测方法及其装置 Download PDFInfo
- Publication number
- CN115500817A CN115500817A CN202110421405.2A CN202110421405A CN115500817A CN 115500817 A CN115500817 A CN 115500817A CN 202110421405 A CN202110421405 A CN 202110421405A CN 115500817 A CN115500817 A CN 115500817A
- Authority
- CN
- China
- Prior art keywords
- signal
- heart
- signals
- radar
- cardiac
- 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
- A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
- A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
- A61B5/1101—Detecting tremor
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
- A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
- A61B5/1126—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb using a particular sensing technique
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Physiology (AREA)
- Veterinary Medicine (AREA)
- Heart & Thoracic Surgery (AREA)
- Public Health (AREA)
- Animal Behavior & Ethology (AREA)
- Surgery (AREA)
- Pathology (AREA)
- Medical Informatics (AREA)
- Evolutionary Computation (AREA)
- Theoretical Computer Science (AREA)
- Dentistry (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Fuzzy Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Psychiatry (AREA)
- Signal Processing (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明提供一种融合毫米波雷达和深度学习模型的无接触式心震信号检测方法及其装置,包括通过毫米波雷达信号发射与接收模块采集一段时间的信号;根据该信号,用心脏信号波束形成器提取属于心脏的波束信号;随后用信号转换模块将心脏波束信号转成对应的心震图信号;并经心震图信号分类标注模块得到每一时刻信号所对应的心脏动作;最后展示这段时间内的心震图及心脏运动。本发明实现了无接触式的心震信号检测,降低了心震信号采集的难度和局限性,并能高精度地分辨心脏运动。
Description
技术领域
本发明属于数字信号处理器应用技术领域,具体涉及一种融合毫米波雷达和深度学习模型的无接触式心震信号检测方法及其装置。
背景技术
心震信号属于人体生物信号,是由人体发出的不稳定的低频微弱信号。可用心震图(Seismocardiography,SCG)表示心脏搏动对胸壁造成冲击而产生的局部震动。医学文献表明,SCG可用于精确记录精准时间颗粒度下的心脏活动,包括心脏瓣膜的打开和关闭。这些测量值可用于检测和诊断多种心血管疾病,例如心肌梗塞(心脏病),冠心病,局部缺血和出血。
测量SCG信号的标准方法依赖于可捕获胸壁微振动的加速度计。该过程通常要求用户脱下衬衫,仰卧,并使用胸带将加速度计固定在心脏的顶点附近,通常需要由医生在经过校准的医疗环境或受控环境中进行管理,这个过程十分麻烦费力,操作繁琐。
射频(Radio Frequency, RF)信号不仅可以实现无接触检测,而且RF信号内记录了大量有意义的特征,这意味着RF信号在感知监测人类生命体征领域有重大意义,但是传统的方法不能捕获隐藏在RF信号内的心脏运动细节。
有鉴于此,提出使用先进的数字信号处理手段,提取RF射频信号携带的有用信息得到心脏运动的SCG信号,并实现心脏运动分类准则下的分类标注。
发明内容
针对上述技术问题,本发明提供一种融合毫米波雷达和深度学习模型的无接触式心震信号检测方法及其装置,解决检测心震信号条件束缚多、成本高等问题;解决RF信号无法进行可视化查看等缺点,解决心脏运动难以检测分类的问题,为预防心脏疾病提供充足的判断数据和材料。
本发明的目的可以通过采取如图1所示的技术方案达到:
步骤1:用多普勒毫米波雷达信号的发射与接收模块,获取雷达信号;
步骤2:利用所述雷达信号,对心脏雷达信号进行定位与检测,获得心脏波束;
步骤3:利用心震信号转换模块,由心脏波束信号获得与其对应的心震图信号;
步骤4:由心震图信号分类标注模块,划分心脏在时序上的微运动状态,并判断心脏活动是否存在异常;
步骤5:将心脏活动的分类结果在装置内进行存储,并且产生可视化结果推送至显示装置。
进一步地,所述的一种基于深度学习模型的无接触式心震信号检测毫米波雷达装置及其检测方法,其特征在于,所述雷达装置置于被检测者活动空间前方,通过发射天线向外发射固定频率的发射信号,经过所述被检测者会产生所述反射信号,所述装置无需接触所述检测者。
进一步地,所述的心脏波束形成器,其特征在于,心脏波束形成器由如图2所示两个平行的信号处理流组成;
步骤2-1:组合多通道采集数据,以十六个通道信号为例,组合公式:
步骤2-2:组合后的信号传入所述的第一个处理流提取心率、最大心率比;
步骤2-3:组合后的信号传入所述的第二个处理流将十六个通道信号特征映射,在雷达检测区域内所有信号中确定心脏的射频信号;
步骤2-4:合并两个处理流的输出:所述的波束形成器对三坐标参数化的时域信号进行快速傅里叶变换得到时域谱特性;由步骤2-2确定心率,由此得到四维特征数据(x坐标、y坐标、频率和心率);
步骤2-5:使用步骤2-4的四维输出结果,所述算法可以确定最佳的有最高的功率比的空间位置(即,心跳的周期最明显的地方)。
进一步地,所述的心脏波束形成器第一个提取心率的处理流,其特征在于,将原始数据D经过提取相位和微分变换后,送入一维卷积神经网络进行模板匹配;用随机梯度下降法求解所述过程,卷积神经网络训练时设定损失函数为:
是调节超参数;相邻M的时间间隔为单周期心率;最后将卷积神经网络的最后一层最大池化层输出的数据为心率提取特征,使用频率分布直方图估计最大心率。
进一步地,所述的确定心脏射频信号的第二个处理流,其特征在于,由如下步骤组成:
步骤2-3-1:使用波束形成器提升雷达精度和角度,并用傅里叶变换将原始数据进行特征空间映射;
步骤2-3-2:提取时序数据的相位,并应用微分滤波器。
进一步地,所述的如图3所示的心脏波束与心震图信号转换模块,其特征在于,转换器由三模块神经网络组成,每个模块的神经网络由一维卷积层、激活层、批量标准化层和随机丢弃特征层组成;所述的三个模块神经网络具有较多数量的卷积核提取有效信息,卷积核越多越能得到更丰富的特征,此处以128个卷积核、32个卷积核和1个卷积核为例;
在训练阶段,输入是RF信号,训练标签是同步采集的真实SCG信号,损失函数是神经网络输出与真实SCG信号之间的L2正则化函数;在测试阶段,仅需RF信号输入。
进一步地,所述的心震图信号分类标注模块,其特征在于,是一种适用于一维SCG信号的U-Net模型;U-Net模型不仅能对输入的SCG序列数据进行编码解码,还用层级融合,保留编码过程中的高维特征,以提高模型输出的准确度。
进一步地,一种装置,其特征在于,所述装置中存储有计算机程序,其中,所述计算机程序被设置为运行时执行上述任一项描述中的融合毫米波雷达和深度学习模型的无接触式心震信号检测方法。
与现有技术相比,本发明所提供的融合毫米波雷达和深度学习模型的无接触式心震信号检测方法及其装置具有以下优点效果:
1)本发明提供的融合毫米波雷达和深度学习模型的无接触式心震信号检测方法及其装置能够减少检测心震信号的设施限制。
2)本发明提供的融合毫米波雷达和深度学习模型的无接触式心震信号检测方法及其装置能够降低检测心震信号的成本。
3)本发明提供的融合毫米波雷达和深度学习模型的无接触式心震信号检测方法及其装置能够解决RF信号无法进行可视化查看和利用率低的缺点。
4)本发明提供的融合毫米波雷达和深度学习模型的无接触式心震信号检测方法及其装置能够检测心脏运动并准确分类。
5)本发明提供的融合毫米波雷达和深度学习模型的无接触式心震信号检测方法及其装置能够为预防心脏疾病提供充足的判断数据和材料。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例中所需要使用的附图简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他相关的附图。
图1为本发明的结构示意图;
图2为心脏波束形成器的两个信息处理流及其处理方法;
图3为心脏波束信号与心震信号转化模块的网络结构图;
图4为心震信号分类标注的两种可视化结果。
具体实施方式
为了使本发明实施例的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明实施例进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
请参阅图1-4,本发明还提供一种融合毫米波雷达和深度学习模型的无接触式心震信号检测方法,其包括步骤:
步骤1:用多普勒毫米波雷达信号的发射与接收模块,获取雷达信号;
具体的,所述雷达装置置于被检测者活动空间前方,通过发射天线向外发射固定频率的发射信号,经过所述被检测者会产生所述反射信号,所述装置无需接触所述检测者。
步骤2:利用所述雷达信号,对心脏雷达信号进行定位与检测,获得心脏波束;
具体的,心脏波束形成器由两个平行的信号处理流组成;
步骤2-1:组合多通道采集数据,以十六个通道信号为例,组合公式:
步骤2-2:组合后的信号传入所述的第一个处理流提取心率、最大心率比;
具体的,将原始数据D经过提取相位和微分变换后,送入一维卷积神经网络进行模板匹配;用随机梯度下降法求解所述过程,卷积神经网络训练时设定损失函数为:
是调节超参数;相邻M的时间间隔为单周期心率;最后将卷积神经网络的最后一层最大池化层输出的数据为心率提取特征,使用频率分布直方图估计最大心率。
步骤2-3:组合后的信号传入所述的第二个处理流将十六个通道信号特征映射,在雷达检测区域内所有信号中确定心脏的射频信号;
具体的,由如下步骤组成:
步骤2-3-1:使用波束形成器提升雷达精度和角度,并用傅里叶变换将原始数据进行特征空间映射;
步骤2-3-2:提取时序数据的相位,并应用微分滤波器。
步骤2-4:合并两个处理流的输出:所述的波束形成器对三坐标参数化的时域信号进行快速傅里叶变换得到时域谱特性;由步骤2-2确定心率,由此得到四维特征数据(x坐标、y坐标、频率和心率);
步骤2-5:使用步骤2-4的四维输出结果,所述算法可以确定最佳的有最高的功率比的空间位置(即,心跳的周期最明显的地方)。
步骤3:利用心震信号转换模块,由心脏波束信号获得与其对应的心震图信号;
具体的,转换器由三模块神经网络组成,每个模块的神经网络由一维卷积层、激活层、批量标准化层和随机丢弃特征层组成;所述的三个模块神经网络具有较多数量的卷积核提取有效信息,卷积核越多越能得到更丰富的特征,此处以128个卷积核、32个卷积核和1个卷积核为例;
在训练阶段,输入是RF信号,训练标签是同步采集的真实SCG信号,损失函数是神经网络输出与真实SCG信号之间的L2正则化函数;在测试阶段,仅需RF信号输入。
步骤4:由心震图信号分类标注模块,划分心脏在时序上的微运动状态,并判断心脏活动是否存在异常;
具体的,是一种适用于一维SCG信号的U-Net模型;U-Net模型不仅能对输入的SCG序列数据进行编码解码,还用层级融合,保留编码过程中的高维特征,以提高模型输出的准确度。
步骤5:将心脏活动的分类结果在装置内进行存储,并且产生如图4所示的可视化结果推送至显示装置。
本说明书的描述中,参考术语“实施例”、“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、材料或特点包括于本发明的至少一个实施例或示例中。本发明书中,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一个或多个实施例或示例中以合适的方式结合。
以上内容仅仅是对本发明结构所作的举例和说明,所属本技术领域的技术人员对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代,只要不偏离发明的结构或者超越本权利要求书所定义的范围,均应属于本发明的保护范围。
Claims (8)
1.一种融合毫米波雷达和深度学习模型的无接触式心震信号检测方法,其特征在于,主要包括心脏波束形成器、心脏波束与心震图信号转换模块、心震图信号分类标注模块;
步骤1:用多普勒毫米波雷达信号的发射与接收模块,获取雷达信号;
步骤2:利用所述雷达信号,对心脏雷达信号进行定位与检测,获得心脏波束;
步骤3:利用心震信号转换模块,由心脏波束信号获得与其对应的心震图信号;
步骤4:由心震图信号分类标注模块,划分心脏在时序上的微运动状态,并判断心脏活动是否存在异常;
步骤5:将心脏活动的分类结果在装置内进行存储,并且产生可视化结果推送至显示装置。
2.根据权利要求1所述的一种基于深度学习模型的无接触式心震信号检测毫米波雷达装置及其检测方法,其特征在于,所述雷达装置置于被检测者活动空间前方,通过发射天线向外发射固定频率的发射信号,经过所述被检测者会产生所述反射信号,所述装置无需接触所述检测者。
3.根据权利要求1所述的心脏波束形成器,其特征在于,心脏波束形成器由两个平行的信号处理流组成;
步骤2-1:组合多通道采集数据,以十六个通道信号为例,组合公式:
步骤2-2:组合后的信号传入所述的第一个处理流提取心率、最大心率比;
步骤2-3:组合后的信号传入所述的第二个处理流将十六个通道信号特征映射,在雷达检测区域内所有信号中确定心脏的射频信号;
步骤2-4:合并两个处理流的输出:所述的波束形成器对三坐标参数化的时域信号进行快速傅里叶变换得到时域谱特性;由步骤2-2确定心率,由此得到四维特征数据(x坐标、y坐标、频率和心率);
步骤2-5:使用步骤2-4的四维输出结果,所述算法可以确定最佳的有最高的功率比的空间位置(即,心跳的周期最明显的地方)。
5.根据权利要求3中所述的确定心脏射频信号的第二个处理流,其特征在于,由如下步骤组成:
步骤2-3-1:使用波束形成器提升雷达精度和角度,并用傅里叶变换将原始数据进行特征空间映射;
步骤2-3-2:提取时序数据的相位,并应用微分滤波器。
6.根据权利要求1所述的心脏波束与心震图信号转换模块,其特征在于,转换器由三模块神经网络组成,每个模块的神经网络由一维卷积层、激活层、批量标准化层和随机丢弃特征层组成;所述的三个模块神经网络具有较多数量的卷积核提取有效信息,卷积核越多越能得到更丰富的特征,此处以128个卷积核、32个卷积核和1个卷积核为例;
在训练阶段,输入是RF信号,训练标签是同步采集的真实SCG信号,损失函数是神经网络输出与真实SCG信号之间的L2正则化函数;在测试阶段,仅需RF信号输入。
7.根据权利要求1所述的心震图信号分类标注模块,其特征在于,是一种适用于一维SCG信号的U-Net模型;U-Net模型不仅能对输入的SCG序列数据进行编码解码,还用层级融合,保留编码过程中的高维特征,以提高模型输出的准确度。
8.一种装置,其特征在于:
所述装置中存储有计算机程序,其中,所述计算机程序被设置为运行时执行所述权利要求1-7中任一项中所述的融合毫米波雷达和深度学习模型的无接触式心震信号检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110421405.2A CN115500817A (zh) | 2021-06-23 | 2021-06-23 | 一种融合毫米波雷达和深度学习模型的无接触式心震信号检测方法及其装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110421405.2A CN115500817A (zh) | 2021-06-23 | 2021-06-23 | 一种融合毫米波雷达和深度学习模型的无接触式心震信号检测方法及其装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115500817A true CN115500817A (zh) | 2022-12-23 |
Family
ID=84499880
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110421405.2A Pending CN115500817A (zh) | 2021-06-23 | 2021-06-23 | 一种融合毫米波雷达和深度学习模型的无接触式心震信号检测方法及其装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115500817A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117357103A (zh) * | 2023-12-07 | 2024-01-09 | 山东财经大学 | 一种基于cv的肢体运动训练指导方法及系统 |
-
2021
- 2021-06-23 CN CN202110421405.2A patent/CN115500817A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117357103A (zh) * | 2023-12-07 | 2024-01-09 | 山东财经大学 | 一种基于cv的肢体运动训练指导方法及系统 |
CN117357103B (zh) * | 2023-12-07 | 2024-03-19 | 山东财经大学 | 一种基于cv的肢体运动训练指导方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3801238A1 (en) | Detecting abnormalities in ecg signals | |
ES2960027T3 (es) | Detección de anomalías en las señales de ECG | |
CN110051387B (zh) | 一种基于射线理论的超声ct图像重建方法及系统 | |
US20200037949A1 (en) | Systems and methods for analyzing skin surface temperature rhythms to monitor health conditions | |
CN111738060A (zh) | 基于毫米波雷达的人体步态识别系统 | |
Cheng et al. | Atrial fibrillation identification with PPG signals using a combination of time-frequency analysis and deep learning | |
CN109925002A (zh) | 人工智能超声心动图数据采集系统及其数据采集方法 | |
Fioranelli et al. | Contactless radar sensing for health monitoring | |
CN115500817A (zh) | 一种融合毫米波雷达和深度学习模型的无接触式心震信号检测方法及其装置 | |
Shao et al. | Deep learning methods for personnel recognition based on micro-Doppler features | |
CN112336369B (zh) | 一种多通道心音信号的冠心病风险指数评估系统 | |
CN114052693A (zh) | 心率分析方法、装置及设备 | |
Le Kernec et al. | Radar sensing in assisted living: An overview | |
Qiao et al. | Radar point clouds processing for human activity classification using convolutional multilinear subspace learning | |
CN115754956A (zh) | 基于包络数据时间序列的毫米波雷达手势识别方法 | |
Quanyu | Pulse signal analysis based on deep learning network | |
CN114680848A (zh) | 一种引入压缩感知理论的毫米波生命体征探测方法 | |
Dandıl et al. | Fetal movement detection and anatomical plane recognition using YOLOv5 network in ultrasound scans | |
US20220192525A1 (en) | Fetal ultrasound processing unit for separating heart rate signals | |
CN110580448B (zh) | 一种心音分类模型构建、分类方法及装置 | |
CN114387672A (zh) | 一种基于时-空-频三维雷达点云的人体行为分类方法 | |
Park et al. | An experiment of human presence and movement using impulse radar and machine learning | |
Sutter et al. | M (otion)-mode Based Prediction of Cardiac Function on Echocardiograms | |
CN111265241B (zh) | 多维通道传感器的胎儿胎心数据可视化方法及系统 | |
Nehary et al. | Lung Ultrasound Image Classification Using Deep Learning and Histogram of Oriented Gradients Features for COVID-19 Detection |
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 |