CN115736888A - 基于fmcw雷达的呼吸信号提取方法 - Google Patents

基于fmcw雷达的呼吸信号提取方法 Download PDF

Info

Publication number
CN115736888A
CN115736888A CN202211486782.5A CN202211486782A CN115736888A CN 115736888 A CN115736888 A CN 115736888A CN 202211486782 A CN202211486782 A CN 202211486782A CN 115736888 A CN115736888 A CN 115736888A
Authority
CN
China
Prior art keywords
data
attention
respiratory
layer
self
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
Application number
CN202211486782.5A
Other languages
English (en)
Inventor
郭剑
汪博浩
尹柯鑫
陈铭
陈入钰
相亚杉
张勤
韩崇
王娟
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing University of Posts and Telecommunications
Original Assignee
Nanjing University of Posts and Telecommunications
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Nanjing University of Posts and Telecommunications filed Critical Nanjing University of Posts and Telecommunications
Priority to CN202211486782.5A priority Critical patent/CN115736888A/zh
Publication of CN115736888A publication Critical patent/CN115736888A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Abstract

本发明提供一种基于FMCW雷达的呼吸信号提取方法，通过获得原始雷达信号数据；同时，使用接触式的电阻应变式传感器，检测并记录目标人员的呼吸数据，包括呼吸振幅和呼吸率，作为呼吸标签数据；获得同一时间段的数据‑标签组合作为数据样本；构建基于残差神经网络和自注意力机制的信号提取网络模型；得到最佳网络模型参数的基于残差神经网络和自注意力机制的信号提取网络模型；将待提取呼吸信号的雷达数据输入后，获得呼吸信号的提取结果；本发明能够准确有效提取出呼吸信号，能够有效提高频率分辨率和抗噪性能，大幅提高提取呼吸信号的准确率，并能够根据不同环境中的数据进行适应化的训练，无需人工调整处理算法，灵活性更好。

Description

基于FMCW雷达的呼吸信号提取方法
技术领域
本发明涉及一种基于FMCW雷达的呼吸信号提取方法，属于雷达信号识别领域。
背景技术
呼吸是人体重要的生理过程，呼吸信号蕴藏了人体的健康状态信息。通过对呼吸信号的监测和分析，医护人员可以了解目标对象的生理状态，并检测出睡眠呼吸暂停等疾病。传统的呼吸信号检测方法主要是压力法。压力法采用接触式的电阻应变式传感器，通过检测呼吸过程中胸腔的位移来实现呼吸信号的检测。但对一些特殊病患，如烧伤病人或传染病感染者等，该方法的应用会受到限制。在此类情形下，非接触式体征检测更有优势。非接触方式设备不需要直接接触人体，使用微波、电磁波等信号可以实现对呼吸、心跳等生命体征参数的检测。其中，调频连续波雷达(Frequency Modulated Continuous Wave，FMCW)雷达是常用的设备之一。
用FMCW雷达来检测人体呼吸时，一般包括以下环节：信号采集、人体位置选择、相位提取和分离呼吸信号。信号采集是指雷达发送电磁波信号到人体目标，并通过接收天线接收人体反射回来的电磁波信号。人体位置选择阶段中，首先使用快速傅里叶变换(FastFourier Transformation，FFT)处理采集到的雷达信号，得到距离-慢时图；然后使用恒虚警检测器(Constant False Alarm Rate Detector，CFAR)获知人体目标所在距离单元。相位提取阶段，是从得到的距离单元中提取相位，通常会使用反正切函数等方法求解信号相位，再使用相位展开算法提取原始相位信息，这个过程中，一般要进行去噪处理，以获得较高质量的相位信息。分离呼吸信号阶段中，通常采用带通滤波器及其变体算法，将呼吸信号从提取到的相位信号中分离出来。
传统的呼吸信号提取方法一般较为繁琐，且精度不高。近几年，深度学习作为提取特征信息的有效工具，在生命体征信号识别领域展现出较好的潜力，不仅获得了比传统方法更高的准确率，识别流程也更为简化。因为深度学习方法能自适应地从不同距离单元中学习特征，不需要人工设计相位提取算法和降噪算法。
现阶段，应用较多的深度学习技术为卷积神经网络(Convolutional NeuralNetwork，CNN)。通过卷积运算，它能够提取出输入数据中的高维特征，进而得到有用信息。但目前这类呼吸识别方法，大多数仅能提取呼吸率，缺少对呼吸信号的呼吸振幅的提取，或准确性较低，因此应用有较大局限。
例如，中国发明专利CN201910957630.0公开的一种基于FMCW雷达的静态人体心跳和呼吸信号提取方法，使用传统的信号处理方法提取呼吸信号，但传统的信号处理方法，对不同的环境需要人工调整处理算法，灵活性较差，同样存在提取准确性较低的问题。
上述问题是呼吸信号提取过程中应当予以考虑并解决的问题。
发明内容
本发明的目的是提供一种基于FMCW雷达的呼吸信号提取方法解决现有技术中存在的提取呼吸信号的准确率与灵活性有待提高的问题。
本发明的技术解决方案是：
一种基于FMCW雷达的呼吸信号提取方法，包括以下步骤，
S1、使用FMCW雷达设备检测目标人员胸腔的振动信息，获得原始雷达信号数据；
S2、在步骤S1获得原始雷达信号数据的同时，使用接触式的电阻应变式传感器，检测并记录目标人员的呼吸数据，包括呼吸振幅和呼吸率，作为呼吸标签数据；
S3、对步骤S1获得的原始雷达信号数据和步骤S2得到的呼吸标签数据进行预处理，并获得同一时间段的数据-标签组合，作为数据样本，将得到的所有数据样本划分为训练集和测试集；
S4、构建基于残差神经网络和自注意力机制的信号提取网络模型，使用步骤S3得到的训练集对构建的基于残差神经网络和自注意力机制的信号提取网络模型进行训练，使用测试集进行测试，得到最佳网络模型参数的基于残差神经网络和自注意力机制的信号提取网络模型；
S5、将待提取呼吸信号的雷达数据，输入得到的最佳网络模型参数的基于残差神经网络和自注意力机制的信号提取网络模型，获得呼吸信号包括呼吸率和呼吸振幅的提取结果。
进一步地，步骤S3中，对步骤S1获得的原始雷达信号数据和步骤S2得到的呼吸标签数据进行预处理，并获得同一时间段的数据-标签组合，具体为，
S31、对采集的原始雷达信号数据，进行快速傅里叶变换和提取原始相位，获得相位数据；
S32、对于呼吸标签数据，则进行归一化处理，获得归一化处理后的呼吸标签数据；
S33、使用滑动窗口方法对得到的相位数据和归一化处理后的呼吸标签数据行划分，将同一时间段的相位数据和归一化处理后的呼吸标签数据组成数据-标签组合。
进一步地，步骤S4中，构建的基于残差神经网络和自注意力机制的信号提取网络模型包括残差模块、基于自注意力机制的注意力模块以及全连接模块，由残差模块对输入的数据样本，进行特征信息提取和分析获得特征信息，再由基于自注意力机制的注意力模块将注意力信息融合到特征信息中，进而由全连接模块进行特征拟合，得到呼吸信号。
进一步地，步骤S4中，由残差模块对输入的数据样本，进行特征信息提取和分析获得特征信息，具体为，残差模块包括卷积层、残差层和均值池化层，卷积层对输入的数据样本提取初步特征，经四个残差层进行特征提取后，由均值池化层进行均值处理后，获得特征信息。
进一步地，残差层分别包括两个串联连接的残差块，每个残差块包括第一个卷积和第二个卷积，第一个卷积分别直接映射连接和残差映射连接第二个卷积。
进一步地，步骤S4中，基于自注意力机制的注意力模块包括串联连接的第一注意力层、第二注意力层、第三注意力层和第四注意力层，第一注意力层、第二注意力层、第三注意力层和第四注意力层分别直接映射连接，且第一注意力层残差映射连接第二注意力层，第三注意力层残差映射连接第四注意力层。
进一步地，步骤S4中，基于自注意力机制的注意力模块将注意力信息融合到特征信息中，具体为，
S41、基于自注意力机制的注意力模块的每个注意力层的输入数据为三维数据(C,H,W)，C代表通道数，H代表高度，W为宽度；
S42、对高度H和宽度W两个维度使用二维的滑动窗口划分数据块，其中，窗口大小为(3,3)，步数为(1,1)，得到的每个数据块的数据维度为(C,3,3)，之后将每一个数据块转换为(C,9)的二维数据块I；
S43、对步骤S42得到的二维数据块使用自注意力机制公式进行计算获得注意力信息：
Figure SMS_1
其中，查询矩阵Q＝WqI，关键矩阵K＝WkI，价值矩阵V＝WvI，其中，I是步骤S42得到的二维数据块，Wq、Wk、Wv为可训练的权重矩阵，维度均为(C,C)，查询矩阵Q、关键矩阵K和价值矩阵V三个矩阵的维度为(C,9)，dk为关键矩阵K的第二个维度的大小，RELU为激活函数，得到的注意力信息的维度为(C,9)；
S44、对得到的注意力信息的第二个维度的数据计算均值来实现数据融合，得到维度为(C,1)的融合后的数据块
S45、将步骤S44得到的融合后的数据块按第二个维度拼接，得到数据维度为(C,N)，N代表数据块的数量；将二维数据变形为三维数据，即可得到注意力层的输出数据，维度为(C,H,W)。
进一步地，步骤S4中，全连接模块进行特征拟合，得到呼吸信号，具体为，全连接模块包括展平层和全连接层，展平层通过矩阵拉平和变形操作，将基于自注意力机制的注意力模块输出的特征信息重构为一维向量，一维向量输入到全连接层，矩阵相乘后输出，得到包含有呼吸率和呼吸振幅信息的呼吸信号。
本发明的有益效果是：该种基于FMCW雷达的呼吸信号提取方法，通过采用基于残差神经网络和自注意力机制的信号提取网络模型，通过提取雷达信号中的相位信息，能够准确有效提取出呼吸信号，包括呼吸率和呼吸振幅，能够有效提高频率分辨率和抗噪性能，大幅提高提取呼吸信号的准确率，并能够根据不同环境中的数据进行适应化的训练，无需人工调整处理算法，灵活性更好。
附图说明
图1是本发明实施例基于FMCW雷达的呼吸信号提取方法的流程示意图；
图2是实施例中基于残差神经网络和自注意力机制的信号提取网络模型的说明示意图。
具体实施方式
下面结合附图详细说明本发明的优选实施例。
实施例
一种基于FMCW雷达的呼吸信号提取方法，如图1，包括以下步骤，
S1、使用FMCW雷达设备检测目标人员胸腔的振动信息，获得原始雷达信号数据。
S2、在步骤S1获得原始雷达信号数据的同时，使用接触式的电阻应变式传感器，检测并记录目标人员的呼吸数据，包括呼吸振幅和呼吸率，作为呼吸标签数据；
步骤S1和步骤S2中，使用FMCW设备采集目标人员呼吸时的雷达信号，雷达有1个发射天线，4个接收天线，采集帧率为25赫兹，每一帧为6个周期。同时，目标人员穿戴可接触式的呼吸采集设备，采集呼吸数据作为呼吸标签数据，帧率为50赫兹。每个目标人员采集60组，每组数据采集时间为60秒。
S3、对步骤S1获得的原始雷达信号数据和步骤S2得到的呼吸标签数据进行预处理，并获得同一时间段的数据-标签组合，作为数据样本，将得到的所有数据样本划分为训练集和测试集；
步骤S3中，对步骤S1获得的原始雷达信号数据和步骤S2得到的呼吸标签数据进行预处理，并获得同一时间段的数据-标签组合，具体为，
S31、对采集的原始雷达信号数据，进行快速傅里叶变换和提取原始相位，获得相位数据；
S32、对于呼吸标签数据，则进行归一化处理，获得归一化处理后的呼吸标签数据；
S33、使用滑动窗口方法对得到的相位数据和归一化处理后的呼吸标签数据行划分，将同一时间段的相位数据和归一化处理后的呼吸标签数据组成数据-标签组合。
步骤S3中，对采集到的雷达信号数据用FFT和反正切函数求解相位信息，记为相位数据X。对接触式设备采集的呼吸标签数据进行去噪和归一化处理后，记为标签数据Y。使用滑动窗口方法对处理后的相位数据和呼吸标签数据进行划分，滑动窗口长度为10秒，滑动步长为2秒。然后将同一时间段的相位数据X和标签数据Y组成X-Y的组合，作为数据样本。处理后，对全部的数据样本进行划分，其中的80％作为训练集，20％作为测试集。
S4、构建基于残差神经网络和自注意力机制的信号提取网络模型，使用步骤S3得到的训练集对构建的基于残差神经网络和自注意力机制的信号提取网络模型进行训练，使用测试集进行测试，得到最佳网络模型参数的基于残差神经网络和自注意力机制的信号提取网络模型。
步骤S4中，如图2，构建的基于残差神经网络和自注意力机制的信号提取网络模型包括残差模块、基于自注意力机制的注意力模块以及全连接模块，由残差模块对输入的数据样本，进行特征信息提取和分析获得特征信息，再由基于自注意力机制的注意力模块将注意力信息融合到特征信息中，进而由全连接模块进行特征拟合，得到呼吸信号。
步骤S4中，由残差模块对输入的数据样本，进行特征信息提取和分析获得特征信息，具体为，残差模块包括卷积层、残差层和均值池化层，卷积层对输入的数据样本提取初步特征，经四个残差层进行特征提取后，由均值池化层进行均值处理后，获得特征信息。残差层分别包括两个串联连接的残差块，每个残差块包括第一个卷积和第二个卷积，第一个卷积分别直接映射连接和残差映射连接第二个卷积。
如图2，残差模块以四个残差层作为主要架构，最后辅以池化层结尾。对于网络输入，首先使用一个(3x3)卷积层进行初步特征图的提取，随后进入由四个残差层构成的主单元。每一个残差层均由竖向排列的两个残差块组成，使用的残差块类型为BasicBlock，每一个残差块由两个(3x3)卷积组成。图2中，虚线联结的两个卷积即为一个残差块结构，虚线表示每一个残差块中的残差映射连接。这种映射方式可以将梯度反向传播到更浅层的网络层，有利于构建更深的网络架构。四个残差层从左至右步长为(1,2,2,2)，通道数为(64,128,256,512)。经过四个残差层后，主单元的特征提取操作完成，再通过均值池化层(Average Pool Layer)，以防止过拟合问题。
步骤S4中，基于自注意力机制的注意力模块包括串联连接的第一注意力层、第二注意力层、第三注意力层和第四注意力层，第一注意力层、第二注意力层、第三注意力层和第四注意力层分别直接映射连接，且第一注意力层残差映射连接第二注意力层，第三注意力层残差映射连接第四注意力层。如图2，基于自注意力机制的注意力模块包含四个注意力层，虚线表示残差映射连接，使用残差映射的方法传播数据。
步骤S4中，基于自注意力机制的注意力模块将注意力信息融合到特征信息中，具体为，
S41、基于自注意力机制的注意力模块的每个注意力层的输入数据为三维数据(C,H,W)，C代表通道数，H代表高度，W为宽度；
S42、对高度H和宽度W两个维度使用二维的滑动窗口划分数据块，其中，窗口大小为(3,3)，步数为(1,1)，得到的每个数据块的数据维度为(C,3,3)，之后将每一个数据块转换为(C,9)的二维数据块I；
S43、对步骤S42得到的二维数据块使用自注意力机制公式进行计算获得注意力信息：
Figure SMS_2
其中，查询矩阵Q＝WqI，关键矩阵K＝WkI，价值矩阵V＝WvI，其中，I是步骤S42得到的二维数据块，Wq、Wk、Wv为可训练的权重矩阵，维度均为(C,C)，查询矩阵Q、关键矩阵K和价值矩阵V三个矩阵的维度为(C,9)，dk为关键矩阵K的第二个维度的大小，RELU为激活函数，得到的注意力信息的维度为(C,9)；
步骤S43中，自注意力机制公式中，首先使用RELU激活函数和查询矩阵Q、关键矩阵K计算关注度信息，其中dk为关键矩阵K的第二个维度的大小。之后将关注度信息和价值矩阵V进行相乘，得到每一个分块的注意力信息，维度为(C,9)。
S44、对得到的注意力信息的第二个维度的数据计算均值来实现数据融合，得到维度为(C,1)的融合后的数据块
S45、将步骤S44得到的融合后的数据块按第二个维度拼接，得到数据维度为(C,N)，N代表数据块的数量；将二维数据变形为三维数据，即可得到注意力层的输出数据，维度为(C,H,W)。
步骤S4中，全连接模块进行特征拟合，得到呼吸信号，具体为，全连接模块包括展平层和全连接层，展平层即Flatten层通过矩阵拉平和变形操作，将基于自注意力机制的注意力模块输出的特征信息重构为一维向量，一维向量输入到全连接层，矩阵相乘后输出，得到包含有呼吸率和呼吸振幅信息的呼吸信号。
步骤S4中，使用训练集的数据样本对网络进行训练，获得识别性能最佳的网络模型，并保存其对应参数。其过程可为，首先利用训练集对网络进行训练，使用均方误差作为损失函数，Adam作为优化器。再通过测试集判定网络模型的性能，得到最优网络模型参数。
S5、将待提取呼吸信号的雷达数据，输入得到的最佳网络模型参数的基于残差神经网络和自注意力机制的信号提取网络模型，获得呼吸信号包括呼吸率和呼吸振幅的提取结果。
该种基于FMCW雷达的呼吸信号提取方法，通过采用基于残差神经网络和自注意力机制的信号提取网络模型，通过提取雷达信号中的相位信息，能够准确有效提取出呼吸信号，包括呼吸率和呼吸振幅，能够有效提高频率分辨率和抗噪性能，大幅提高提取呼吸信号的准确率。并通过采用深度学习方法，能够根据不同环境中的数据进行适应化的训练，无需人工调整处理算法，灵活性更好。
该种基于FMCW雷达的呼吸信号提取方法，基于残差网络(Residual Network)和自注意力机制(Self-Attention)，以得到的呼吸数据作为标签，能够从雷达信号中提取出呼吸信号。该方法采用基于残差神经网络和自注意力机制的信号提取网络模型，使用操作域更小的均值池化层，能够增强对相位矩阵中呼吸细粒度特征的提取，加快训练速度。通过设计的基于自注意力机制的注意力模块，能够通过注意力机制增强对特征的提取，提高呼吸信号提取的准确性。
该种基于FMCW雷达的呼吸信号提取方法，相较于传统的信号提取方法，本发明采用深度学习算法提取呼吸信号，可以自适应地从不同距离单元中学习特征，能较好地容忍人体微动导致的测量偏差，提取的呼吸信号更准确。该方法采用深度学习方法，可以根据环境中的数据进行适应化的训练，灵活性更好。
该种基于FMCW雷达的呼吸信号提取方法，不仅能测得呼吸率，还能提取出呼吸信号，从而可以为医学监测和研究提供更丰富的如呼吸振幅等信息。
实施例的该种基于FMCW雷达的呼吸信号提取方法进行实验验证如下：
该种基于FMCW雷达的呼吸信号提取方法与现有方法，在同一个数据集上进行对比实验。对比的两个算法如下为：
(1)人体生命体征远程监测方法(Remote Monitoring of Human Vital Signs，RM-HVS)：参考文献(Alizadeh M,Shaker G,Almeida J D,et al.Remote Monitoring ofHuman Vital Signs Using mm-Wave FMCW Radar[J].IEEE Access,2019,9(10):54958-54968.)中的方法。
(2)基于CNN的呼吸率估计方法(CNN Respiration Rate Estimation，CN N-RRE)：参考文献(Yamamoto K,ToyodaK,Ohtsuki T.CNN-Based Respiration Ra te Estimationin Indoor Environments via MIMO FMCW Radar[A].Proceedings of IE EE GlobalCommunications Conference[C],2019,DOI:10.1109/GLOBECOM38437.2019.9013951)中的方法。
性能评价指标包括：平均呼吸率准确率和平均呼吸振幅准确率。
(1)平均呼吸率准确率是所有测试集的呼吸率准确率R-acc的平均，平均呼吸率准确率R-acc的计算如下：
Figure SMS_3
其中，re表示算法计算得到的呼吸率，r0代表真实的呼吸率。
(2)平均呼吸振幅准确率是所有测试集的呼吸振幅准确率A-acc的平均，平均呼吸振幅准确率A-acc的计算如下：
Figure SMS_4
其中，ae表示算法计算得到的呼吸振幅，a0代表真实的呼吸振幅。
实验结果如表1所示。从表1中结果可以看出，实施例方法的平均呼吸率准确率和平均呼吸振幅准确率均优于两种现有方法。其中，对比算法CNN-RRE无法得到呼吸振幅。
表1实施例方法与现有算法的准确率比较结果
Figure SMS_5
该种基于FMCW雷达的呼吸信号提取方法，采用基于残差网络的深度学习算法来提取呼吸信号，包括呼吸率和呼吸振幅，能够有效提高频率分辨率和抗噪性能，大幅提高提取呼吸信号的准确率，使准确率具有明显优势。实验结果验证实施例方法的有效性与准确性。
以上所述仅是本发明的优选实施方式，本发明的保护范围并不仅局限于上述实施例，凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理前提下的若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (8)

1.一种基于FMCW雷达的呼吸信号提取方法，其特征在于：包括以下步骤，
S1、使用FMCW雷达设备检测目标人员胸腔的振动信息，获得原始雷达信号数据；
S2、在步骤S1获得原始雷达信号数据的同时，使用接触式的电阻应变式传感器，检测并记录目标人员的呼吸数据，包括呼吸率和呼吸振幅，作为呼吸标签数据；
S3、对步骤S1获得的原始雷达信号数据和步骤S2得到的呼吸标签数据进行预处理，并获得同一时间段的数据-标签组合，作为数据样本，将得到的所有数据样本划分为训练集和测试集；
S4、构建基于残差神经网络和自注意力机制的信号提取网络模型，使用步骤S3得到的训练集对构建的基于残差神经网络和自注意力机制的信号提取网络模型进行训练，使用测试集进行测试，得到最佳网络模型参数的基于残差神经网络和自注意力机制的信号提取网络模型；
S5、将待提取呼吸信号的雷达数据，输入得到的最佳网络模型参数的基于残差神经网络和自注意力机制的信号提取网络模型，获得呼吸信号包括呼吸率和呼吸振幅的提取结果。
2.如权利要求1所述的基于FMCW雷达的呼吸信号提取方法，其特征在于：步骤S3中，对步骤S1获得的原始雷达信号数据和步骤S2得到的呼吸标签数据进行预处理，并获得同一时间段的数据-标签组合，具体为，
S31、对采集的原始雷达信号数据，进行快速傅里叶变换和提取原始相位，获得相位数据；
S32、对于呼吸标签数据，则进行归一化处理，获得归一化处理后的呼吸标签数据；
S33、使用滑动窗口方法对得到的相位数据和归一化处理后的呼吸标签数据行划分，将同一时间段的相位数据和归一化处理后的呼吸标签数据组成数据-标签组合。
3.如权利要求1或2所述的基于FMCW雷达的呼吸信号提取方法，其特征在于：步骤S4中，构建的基于残差神经网络和自注意力机制的信号提取网络模型包括残差模块、基于自注意力机制的注意力模块以及全连接模块，由残差模块对输入的数据样本，进行特征信息提取和分析获得特征信息，再由基于自注意力机制的注意力模块将注意力信息融合到特征信息中，进而由全连接模块进行特征拟合，得到呼吸信号。
4.如权利要求3所述的基于FMCW雷达的呼吸信号提取方法，其特征在于：步骤S4中，由残差模块对输入的数据样本，进行特征信息提取和分析获得特征信息，具体为，残差模块包括卷积层、残差层和均值池化层，卷积层对输入的数据样本提取初步特征，经四个残差层进行特征提取后，由均值池化层进行均值处理后，获得特征信息。
5.如权利要求4所述的基于FMCW雷达的呼吸信号提取方法，其特征在于：残差层分别包括两个串联连接的残差块，每个残差块包括第一个卷积和第二个卷积，第一个卷积分别直接映射连接和残差映射连接第二个卷积。
6.如权利要求3所述的基于FMCW雷达的呼吸信号提取方法，其特征在于：步骤S4中，基于自注意力机制的注意力模块包括串联连接的第一注意力层、第二注意力层、第三注意力层和第四注意力层，第一注意力层、第二注意力层、第三注意力层和第四注意力层分别直接映射连接，且第一注意力层残差映射连接第二注意力层，第三注意力层残差映射连接第四注意力层。
7.如权利要求6所述的基于FMCW雷达的呼吸信号提取方法，其特征在于：步骤S4中，基于自注意力机制的注意力模块将注意力信息融合到特征信息中，具体为，
S41、基于自注意力机制的注意力模块的每个注意力层的输入数据为三维数据(C,H,W)，C代表通道数，H代表高度，W为宽度；
S42、对高度H和宽度W两个维度使用二维的滑动窗口划分数据块，其中，窗口大小为(3,3)，步数为(1,1)，得到的每个数据块的数据维度为(C,3,3)，之后将每一个数据块转换为(C,9)的二维数据块I；
S43、对步骤S42得到的二维数据块使用自注意力机制公式进行计算获得注意力信息：
Figure FDA0003960720490000021
其中，查询矩阵Q＝WqI，关键矩阵K＝WkI，价值矩阵V＝WvI，其中，I是步骤S42得到的二维数据块，Wq、Wk、Wv为可训练的权重矩阵，维度均为(C,C)，查询矩阵Q、关键矩阵K和价值矩阵V三个矩阵的维度为(C,9)，dk为关键矩阵K的第二个维度的大小，RELU为激活函数，得到的注意力信息的维度为(C,9)；
S44、对得到的注意力信息的第二个维度的数据计算均值来实现数据融合，得到维度为(C,1)的融合后的数据块。
S45、将步骤S44得到的融合后的数据块按第二个维度拼接，得到数据维度为(C,N)，N代表数据块的数量；将二维数据变形为三维数据，即可得到注意力层的输出数据，维度为(C,H,W)。
8.如权利要求3所述的基于FMCW雷达的呼吸信号提取方法，其特征在于：步骤S4中，全连接模块进行特征拟合，得到呼吸信号，具体为，全连接模块包括展平层和全连接层，展平层通过矩阵拉平和变形操作，将基于自注意力机制的注意力模块输出的特征信息重构为一维向量，一维向量输入到全连接层，矩阵相乘后输出，得到包含有呼吸率和呼吸振幅信息的呼吸信号。
CN202211486782.5A 2022-11-24 2022-11-24 基于fmcw雷达的呼吸信号提取方法 Pending CN115736888A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211486782.5A CN115736888A (zh) 2022-11-24 2022-11-24 基于fmcw雷达的呼吸信号提取方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211486782.5A CN115736888A (zh) 2022-11-24 2022-11-24 基于fmcw雷达的呼吸信号提取方法

Publications (1)

Publication Number Publication Date
CN115736888A true CN115736888A (zh) 2023-03-07

Family

ID=85337553

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211486782.5A Pending CN115736888A (zh) 2022-11-24 2022-11-24 基于fmcw雷达的呼吸信号提取方法

Country Status (1)

Country Link
CN (1) CN115736888A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113892931A (zh) * 2021-10-14 2022-01-07 重庆大学 一种基于深度学习的fmcw雷达提取分析腹内压力方法
CN117530666A (zh) * 2024-01-03 2024-02-09 北京清雷科技有限公司 呼吸异常识别模型训练方法、呼吸异常识别方法及设备

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113892931A (zh) * 2021-10-14 2022-01-07 重庆大学 一种基于深度学习的fmcw雷达提取分析腹内压力方法
CN113892931B (zh) * 2021-10-14 2023-08-22 重庆大学 一种基于深度学习的fmcw雷达提取分析腹内压力方法
CN117530666A (zh) * 2024-01-03 2024-02-09 北京清雷科技有限公司 呼吸异常识别模型训练方法、呼吸异常识别方法及设备
CN117530666B (zh) * 2024-01-03 2024-04-05 北京清雷科技有限公司 呼吸异常识别模型训练方法、呼吸异常识别方法及设备

Similar Documents

Publication Publication Date Title
CN115736888A (zh) 基于fmcw雷达的呼吸信号提取方法
CN112754431A (zh) 基于毫米波雷达和轻量级神经网络的呼吸心跳监测系统
CN108416367B (zh) 基于多传感器数据决策级融合的睡眠分期方法
CN109431465B (zh) 一种基于射频标签技术的老年人睡眠质量监测方法
CN110464320A (zh) 多目标人体心率和呼吸频率测量系统及方法
CN111568437B (zh) 一种非接触式离床实时监测方法
CN110520935A (zh) 从无线电信号学习睡眠阶段
CN112711979A (zh) 基于生物雷达的慢速随机运动下非接触生命体征监测
CN112137620B (zh) 一种基于超宽带雷达的人体微弱呼吸信号检测方法
CN115474901A (zh) 基于无线射频信号的非接触式起居状态监测方法及系统
Liu et al. Non-contact human fatigue assessment system based on millimeter wave radar
Yan et al. Topological descriptors of gait nonlinear dynamics toward freezing-of-gait episodes recognition in parkinson’s disease
CN105708441B (zh) 可佩戴指套及心电图和脉象采集终端
CN113892931B (zh) 一种基于深度学习的fmcw雷达提取分析腹内压力方法
CN114098679B (zh) 基于深度学习和射频感知的生命体征监测波形的恢复方法
CN110580448B (zh) 一种心音分类模型构建、分类方法及装置
CN112043256A (zh) 一种基于雷达的多目标心率实时测量方法
CN112086165A (zh) 一种基于深度学习的上肢康复监测方法及系统
Szalai et al. Intelligent digital signal processing and feature extraction methods
CN114767074B (zh) 一种生命体征测量方法、设备及存储介质
Kalra et al. Target detection on the basis of empirical wavelet transform using seismic signal
CN115607126B (zh) 一种基于脉冲超宽带雷达的非接触血压测量方法
CN115844425B (zh) 一种基于Transformer脑区时序分析的DRDS脑电信号识别方法
Le et al. Multivariate Signal Decomposition for Vital Signal Extraction using UWB Impulse Radar
CN116172551B (zh) 一种无创生理参数传感器的传感信号分析方法

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