CN115795377B - 呼吸状态分类器生成方法、呼吸状态监测方法及相关装置 - Google Patents
呼吸状态分类器生成方法、呼吸状态监测方法及相关装置 Download PDFInfo
- Publication number
- CN115795377B CN115795377B CN202310044556.XA CN202310044556A CN115795377B CN 115795377 B CN115795377 B CN 115795377B CN 202310044556 A CN202310044556 A CN 202310044556A CN 115795377 B CN115795377 B CN 115795377B
- Authority
- CN
- China
- Prior art keywords
- matrix
- csi
- source domain
- detected
- real
- 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.)
- Active
Links
- 230000000241 respiratory effect Effects 0.000 title claims abstract description 146
- 238000000034 method Methods 0.000 title claims abstract description 102
- 238000012544 monitoring process Methods 0.000 title claims abstract description 54
- 239000011159 matrix material Substances 0.000 claims abstract description 258
- 238000012549 training Methods 0.000 claims abstract description 87
- 238000001514 detection method Methods 0.000 claims abstract description 42
- 230000029058 respiratory gaseous exchange Effects 0.000 claims abstract description 42
- 238000004422 calculation algorithm Methods 0.000 claims description 28
- 238000013527 convolutional neural network Methods 0.000 claims description 18
- 238000000513 principal component analysis Methods 0.000 claims description 11
- 206010011224 Cough Diseases 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 6
- 238000007477 logistic regression Methods 0.000 claims description 5
- 241001282135 Poromitra oscitans Species 0.000 claims description 4
- 206010048232 Yawning Diseases 0.000 claims description 4
- 206010041232 sneezing Diseases 0.000 claims description 3
- 230000006870 function Effects 0.000 description 16
- 238000007781 pre-processing Methods 0.000 description 10
- 230000009471 action Effects 0.000 description 5
- 238000004891 communication Methods 0.000 description 5
- 238000013135 deep learning Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000012795 verification Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 230000008447 perception Effects 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000000737 periodic effect Effects 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000000969 carrier Substances 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000010363 phase shift Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 208000024584 respiratory abnormality Diseases 0.000 description 1
- 230000036391 respiratory frequency Effects 0.000 description 1
- 210000002345 respiratory system Anatomy 0.000 description 1
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
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明公开了一种呼吸状态分类器生成方法、呼吸状态监测方法及相关装置,通过从源域的呼吸状态检测模型中选取预设数目的贝叶斯卷积块,组成特征提取器;以及获取目标域的若干目标域训练样本;其中,每个目标域训练样本包括:目标域样本信道状态信息CSI矩阵、目标域样本标签;通过特征提取器对每个目标域样本CSI矩阵进行特征提取,得到目标域样本CSI特征矩阵;根据目标域样本CSI特征矩阵以及对应的目标域样本标签,对预设分类器进行训练,得到用于目标域的呼吸状态分类器,以通过呼吸状态分类器实现对目标域的呼吸状态监测。通过上述方案,可以在目标域训练样本有限的情况下,对目标域实现高准确度的呼吸状态监测。
Description
技术领域
本发明涉及呼吸监测技术领域,尤其涉及一种呼吸状态分类器生成方法、呼吸状态监测方法及相关装置。
背景技术
呼吸状态监测对于室内人员的健康状态监测以及呼吸系统相关疾病的辅助诊断具有重要作用。现有的呼吸状态监测方法主要可以分为三类:基于声音的呼吸状态监测;基于可穿戴设备的呼吸状态监测;基于Wi-Fi感知的呼吸状态监测。其中,基于声音的呼吸状态监测需要持续地对环境声音进行监督,存在隐私泄露的风险,且容易受到背景环境音(譬如音乐、人员交谈)的干扰。基于可穿戴设备的呼吸状态检测则需要监测目标长时间佩戴装配有特殊传感器的设备,这往往会给日常生活带来不便。与前两者相比,得益于Wi-Fi设备在室内大规模,Wi-Fi感知通过分析与环境相关的信道状态信息(Channel StateInformation,CSI),能够在无需布设额外设备、隐私泄露风险较小的情况下实现对目标呼吸状态的监测,在应用成本以及隐私保护上具有其独特的优势。其中,信道状态信息以矩阵的形式存在,即为CSI矩阵。
基于Wi-Fi感知的呼吸状态监测方法主要有两类:基于建模的方法以及基于深度学习的方法。其中,基于建模的方法旨在通过数学模型建立信号空间与呼吸状态空间的联系,其优点在于能够充分利用物理或统计学原理来获得清晰的表达,然而这通常需要对当前通信环境或者信号特征的准确先验知识,难以应对复杂的应用场景。基于深度学习的方法主要包括特征构建以及模式识别,其优点在于能够通过神经网络的迭代学习自动地获得信号空间与呼吸状态空间之间更深层的联系,以得到呼吸状态监测模型。
然而,基于深度学习的Wi-Fi感知呼吸状态检测方法存在“域依赖性”,即在某一特征场景(域)下采集的CSI信号会受到背景环境、设备摆放位置以及监测目标所在位置等场景相关因素的影响,因此,同一个动作在不同场景下的数据分布情况可能有所不同,这就导致某一场景下表现好的呼吸状态监测模型用于新场景时出现性能急剧恶化的情况。在此情况下,若对每一个场景单独训练一个呼吸状态监测模型,则需要大量的训练数据、成本较高,并且在训练数据数量不足的情况下容易出现过拟合的问题;若使用多场景数据直接训练得到通用模型虽然在一定程度上能够提高感知性能,然而考虑到新场景下样本分布的不可预测性,这一方法难以被大范围应用。
基于此,如何在训练数据有限的情况下,实现不同应用场景的高效、高准确度的呼吸状态监测成为亟需解决的技术问题。
发明内容
本发明的主要目的在于提供一种呼吸状态分类器生成方法、呼吸状态监测方法及相关装置,旨在解决现有技术中在训练数据有限的情况下,对于不同应用场景无法实现高效、高准确度的呼吸状态监测的问题。
为了实现上述目的,本发明实施例提供了一种呼吸状态分类器生成方法,所述方法包括:
获取源域的呼吸状态检测模型,并从所述呼吸状态检测模型中选取预设数目的贝叶斯卷积块,组成特征提取器;以及
获取目标域的若干目标域训练样本;其中,每个所述目标域训练样本包括:目标域样本信道状态信息CSI矩阵、目标域样本标签所述源域训练样本的样本数量大于所述目标域训练样本的样本数量至少一个数量级;
通过所述特征提取器对每个所述目标域样本CSI矩阵进行特征提取,得到目标域样本CSI特征矩阵;
根据所述目标域样本CSI特征矩阵以及对应的所述目标域样本标签,对预设分类器进行训练,得到用于所述目标域的呼吸状态分类器;
其中,所述呼吸状态分类器用于根据所述目标域的待检测CSI矩阵,确定对应的呼吸状态。
可选地,所述获取源域的源域呼吸状态检测模型,具体包括:
获取若干源域训练样本;其中,每个所述源域训练样本包括:源域样本CSI矩阵、源域样本标签;所述源域训练样本的样本数量大于所述目标域训练样本的样本数量至少一个数量级;
根据所述源域训练样本,对预设贝叶斯卷积神经网络模型进行训练,得到所述源域的所述呼吸状态检测模型。
可选地,所述获取若干源域训练样本,具体包括:
获取所述源域中的若干源域原始CSI矩阵集合;
其中,每个所述源域原始CSI矩阵集合包括:设置于所述源域的第一Wi-Fi感知系统在同一时间段采集的源域原始CSI矩阵、以及各所述源域原始CSI矩阵的源域原始标签;各所述源域原始CSI矩阵集合中的各所述源域原始CSI矩阵的发送天线相同且接收天线不同;且,各所述源域原始CSI矩阵集合之间的发送天线不同或者采集时间段不同;将每个所述源域原始CSI矩阵集合中的所述源域原始CSI矩阵进行两两相除,得到若干源域CSI比值矩阵;
通过实部虚部合并算法,将所述源域CSI比值矩阵转化为第一实数矩阵;
将各所述实数矩阵作为源域样本CSI矩阵,以及将对应的所述源域原始标签作为源域样本标签,以得到所述源域训练样本。
可选地,所述通过实部虚部合并算法,将所述源域CSI比值矩阵转化为第一实数矩阵,具体包括:
在预设取值范围内随机选取预设权重因子,按照如下公式自适应的计算各所述源域CSI比值矩阵的最佳权重因子:
其中,为最佳权重因子,为预设取值范围内选取的预设权重因子,为第1个所述源域CSI比值矩阵中第k个所述子载波信道状态向量,为所述子载波信道状态向量的实部,为所述子载波信道状态向量上的虚部,FFT表示快速傅里叶变换;
根据所述最佳权重因子,对所述源域CSI比值矩阵的所述子载波信道状态向量的实部和虚部进行合并,得到相应的实数信道状态向量;
根据各所述实数信道状态向量,构建所述源域CSI比值矩阵的所述第一实数矩阵。
可选地,在通过实部虚部合并算法,将所述源域CSI比值矩阵转化为实数矩阵之前,所述方法还包括:
通过主成分分析算法,获取所述源域CSI比值矩阵的主成分系数;
根据所述源域CSI比值矩阵的第二主成分的主成分系数,重构所述源域CSI比值矩阵,并将重构后的所述源域CSI比值矩阵作为所述源域CSI比值矩阵。
可选地,在通过实部虚部合并算法,将所述源域CSI比值矩阵转化为第一实数矩阵之后,所述方法还包括:
通过预设滤波器,对所述第一实数矩阵进行滤波,得到滤波后的第一实数矩阵;
其中,所述预设滤波器包括以下至少一项:Hampel滤波器、Savitzky-Golay滤波器以及低通滤波器。
可选地,所述预设分类器为:贝叶斯线性网络模型或者逻辑回归模型。
为了实现上述目的,本发明实施例还提供了一种呼吸状态监测方法,所述方法包括:
获取目标域的待检测信道状态信息CSI矩阵;
将待检测CSI矩阵输入特征提取器,得到所述待检测CSI矩阵的待检测CSI特征矩阵;
将所述待检测CSI特征矩阵输入呼吸状态分类器,得到所述待检测CSI特征矩阵对应的呼吸状态;
其中,所述呼吸状态分类器为通过如上任意一项所述的呼吸状态分类器生成方法生成的,所述特征提取器为源域的呼吸状态检测模型的预设数目的贝叶斯卷积块组成。
可选地,所述获取目标域的待检测信道状态信息CSI矩阵,具体包括:
获取设置于所述目标域的第二Wi-Fi感知系统实时采集的若干待检测原始CSI矩阵;
将所述待检测原始CSI矩阵进行任意两两相除,得到若干待检测CSI比值矩阵;
通过实部虚部合并算法,将各所述待检测CSI比值矩阵转化为第二实数矩阵;
将各所述第二实数矩阵作为所述目标域的待检测CSI矩阵。
可选地,所述通过实部虚部合并算法,将各所述待检测CSI比值矩阵转化为第二实数矩阵,具体包括:
在预设取值范围内随机选取预设权重因子,按照如下公式自适应的计算相应的最佳权重因子:
其中,为预设取值范围内选取的预设权重因子,为第1个所述待检测CSI比值矩阵中第k个所述子载波信道状态向量,为所述子载波信道状态向量的实部,为所述子载波信道状态向量上的虚部,FFT表示快速傅里叶变换;
根据所述最佳权重因子,对所述子载波信道状态向量的实部和虚部进行合并,得到相应的实数信道状态向量;
根据各所述实数信道状态向量,构建所述待检测CSI比值矩阵的所述第二实数矩阵。
可选地,在通过实部虚部合并算法,将各所述待检测CSI比值矩阵转化为第二实数矩阵之前,所述方法还包括:
通过主成分分析算法,获取所述待检测CSI比值矩阵的主成分系数;
根据所述待检测CSI比值矩阵的第二主成分的主成分系数,重构所述待检测CSI比值矩阵,并将重构后的所述待检测CSI比值矩阵作为所述待检测CSI比值矩阵。
可选地,在通过实部虚部合并算法,将各所述待检测CSI比值矩阵转化为第二实数矩阵之后,所述方法还包括:
通过预设滤波器,对所述待检测CSI比值矩阵的所述第二实数矩阵进行滤波,得到滤波后的所述第二实数矩阵;
其中,所述预设滤波器包括以下至少一项:Hampel滤波器、Savitzky-Golay滤波器以及低通滤波器。
为了实现上述目的,本发明实施例还提供了一种计算机可读存储介质,所述计算机可读存储介质存储有一个或者多个程序,所述一个或者多个程序可被一个或者多个处理器执行,以实现如上任意一项所述的呼吸状态分类器生成方法中的步骤,或者如上任意一项所述的呼吸状态监测方法中的步骤。
为了实现上述目的,本发明实施例还提供了一种终端,所述终端包括:处理器和存储器;所述存储器上存储有可被所述处理器执行的计算机可读程序,所述处理器执行所述计算机可读程序时实现如上任意一项所述的呼吸状态分类器生成方法中的步骤,或者如上任意一项所述的呼吸状态监测方法中的步骤。
本发明通过丰富的源域训练样本对预设贝叶斯卷积神经网络进行训练,得到源域的呼吸状态监测模型,并选取呼吸状态检测模型中的贝叶斯卷积块组成用于目标域的特征提取器,实现将源域知识迁移至目标域;并且,使用少量的目标域训练样本经过上述特征提取后的低维度特征训练适用于目标域的呼吸状态分类器,通过充分利用源域知识与少量目标域训练样本即可有效提高目标域下的呼吸状态分类的准确度,解决了传统机器学习、深度学习方法在跨域场景下准确度下降的问题,减轻了新场景下重新采集样本数据的人力物力开销,在目标域训练数据有限的情况下,能够实现目标域高准确度的呼吸状态监测。
附图说明
图1为本发明实施例提供的呼吸状态分类器生成方法的流程图;
图2为本发明实施例提供的源域的呼吸状态检测模型的结构示意图;
图3为本发明实施例提供的呼吸状态分类器生成方法的场景图;
图4为本发明实施例提供的步骤S101的流程图;
图5为本发明实施例提供的步骤S401的流程图;
图6为本发明实施例提供的步骤S506的流程图;
图7为本发明实施例提供的数据预处理的效果图;
图8为本发明实施例提供的呼吸状态分类器生成方法的另一流程图;
图9为本发明实施例提供的目标域的呼吸状态分类结果图;
图10为本发明实施例提供的呼吸状态监测方法的流程图;
图11为本发明实施例提供的获取目标域的待检测CSI矩阵的流程图;
图12为本发明实施例提供的终端的结构示意图。
具体实施方式
为使本发明的目的、技术方案及优点更加清楚、明确,以下参照附图并举实施例对本发明进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
本发明提供了一种呼吸状态分类器生成方法,如图1所示,该呼吸状态分类器生成方法至少可以包括以下步骤:
S101,获取源域的呼吸状态检测模型。
上述源域的呼吸状态检测模型为训练好的预设贝叶斯卷积神经网络。源域的呼吸状态检测模型可以根据输入的源域CSI矩阵,输出对应的呼吸状态,以实现对源域内的监测目标的呼吸状态的监测。其中,呼吸状态至少可以包括:均匀呼吸、咳嗽、打哈欠、打喷嚏。
其中,预设贝叶斯卷积神经网络可以包括:输入层、若干贝叶斯卷积块、若干贝叶斯线性层、残差层、输出层等。每个贝叶斯卷积块
包括1个或者多个贝叶斯卷积层。因此,由预设贝叶斯卷积神经网络训练得到的源域的呼吸状态检测模型也可以包括:输入层、若干贝叶斯卷积块、若干贝叶斯线性层、残差层、输出层等,与预设贝叶斯卷积神经网络的结构相同。
例如,如图2所示,源域的呼吸状态检测模型包括:输入层、输出层、残差层以及6个贝叶斯卷积块和2个贝叶斯线性层。其中,贝叶斯卷积块可以包括:三个贝叶斯卷积层、块归一化层、残差层、最大池化层。
在本发明实施例中,源域的呼吸状态检测模型是基于贝叶斯理论,在传统卷积神经网络和线性网络中引入了不确定性,即在保持输入不变的情况下其网络层中各节点的输出并非确定值而是服从一定的概率分布,在一定程度上有效缓解了过拟合问题,使得训练得到的源域的呼吸状态检测模型更具有鲁棒性。
S102,从源域的呼吸状态检测模型中选取预设数目的贝叶斯卷积块,组成特征提取器。
在本发明实施例中,按照从上往下的顺序,从源域的呼吸状态检测模型选取预设数目的贝叶斯卷积块,组成特征提取器。
以图2所示的源域的呼吸状态检测模型为例,可以选取该呼吸状态检测模型中前5个贝叶斯卷积块,构成上述特征提取器。如图2所示,特征提取器的输入数据维度为12×56×1000,输出数据维度为64×2×2。也就是说,通过特征提取器能够提取到CSI矩阵的低维度特征。
S103,获取目标域的若干目标域训练样本,并通过特征提取器对目标域训练样本的目标域样本CSI矩阵进行特征提取,得到对应的目标域样本CSI特征矩阵。
其中,每个目标域训练样本包括:目标域样本CSI矩阵、目标域样本标签,目标域样本标签用于表示目标域样本CSI矩阵所对应的呼吸状态。例如,目标域训练样本M1包括:目标域样本CSI矩阵Q1、目标域样本标签N1,其中N1表示平稳呼吸。
目标域训练样本的数量可以小于预设阈值。例如,预设阈值为6,此时只需要5个目标域训练样本即可。
在本发明实施例中,将每个目标域训练样本的目标域样本CSI矩阵输入特征提取器进行特征提取,得到对应的低维度的目标域样本CSI特征矩阵。
S104,根据目标域样本CSI矩阵的目标域样本CSI特征矩阵、以及对应的目标域样本标签,对预设分类器进行训练,得到用于目标域的呼吸状态分类器。
具体地,将目标域样本CSI矩阵的目标域样本CSI特征矩阵输入预设分类器,得到目标域样本CSI特征矩阵的目标域预测标签。然后,根据目标域预测标签以及对应的目标域样本标签,对预设分类器进行参数调整,直至预设分类器满足预设条件,从而得到用于目标域的呼吸状态分类器。其中,目标域预测标签用于表示预测得到的呼吸状态;训练得到的呼吸状态分类器用于基于目标域的待检测CSI矩阵,确定其对应的呼吸状态。
上述预设条件可以是指损失函数值满足预设要求或者训练次数达到预设次数。上述预设要求可以是根据呼吸分类器的精度来确定,这里不做详细说明。上述预设次数可以是该预设分类器的最大训练次数。由此,在预设分类器输出目标域预测标签,根据目标域预测标签以及对应的目标域样本标签计算预设分类器的损失函数值,在计算得到损失函数值后,判断该损失函数值是否满足预设要求;若损失函数值满足预设要求,则结束训练。或者判断预设分类器的训练次数是否达到预设次数,若未达到预设次数,则根据上述损失函数值对预设分类器的参数进行修正;若达到预设次数,则结束训练。
在本发明的一些实施例中,预设分类器为:贝叶斯线性网络模型、或者逻辑回归模型。
如图3所示,源域可以是预设的实验室场景,目标域为实际应用场景(例如:会议室场景)。以实验室场景为源域、以会议室场景为目标域为例,如图3所示,在每个场景下监测目标面对办公室而坐,距离约0.5米。在源域和目标域中,通过设置的Wi-Fi感知系统采集10s的信道状态信息(即CSI矩阵)作为一个样本。在本发明实施例中,可以将设置于源域的Wi-Fi感知系统作为第一Wi-Fi感知系统,将设置于目标域的Wi-Fi感知系统作为第二Wi-Fi感知系统。
在数据采集期间监测目标保持平稳呼吸或者突然做出一次引发呼吸异常的动作(例如:咳嗽、喷嚏、哈欠等)。在实验室场景中可以采集大量的源域CSI矩阵,生成源域训练样本,以对预设贝叶斯卷积神经网络进行训练,得到源域的呼吸状态检测模型,以得到特征提取器。而针对不同场景的目标域可以基于少量的目标域训练样本,然后通过特征提取器提取获取目标域训练样本中目标域样本CSI矩阵对应的目标域样本CSI特征矩阵,从根据少量的目标域样本CSI特征矩阵对预设分类器进行训练,得到针对目标域的呼吸状态分类器,以实现对目标域的呼吸状态的监测,实现了跨域呼吸状态监测。
在本发明实施例提供的呼吸状态分类器生成方法中,一方面,基于丰富的源域训练样本对预设贝叶斯卷积神经网络进行训练,得到源域的呼吸状态监测模型,并选取呼吸状态检测模型中的贝叶斯卷积块组成用于目标域的特征提取器,实现将源域知识迁移至目标域;另一方面,使用少量的目标域训练样本经过上述特征提取后的低维度特征训练适用于目标域的呼吸状态分类器,通过充分利用源域知识与少量目标域训练样本即可有效提高目标域下的呼吸状态分类的准确度,解决了传统机器学习、深度学习方法在跨域场景下准确度下降的问题,减轻了新场景下重新采集样本数据的人力物力开销,在目标域训练数据有限的情况下,能够实现目标域高准确度的呼吸状态监测。
由上述可知,本发明实施例提供的呼吸状态分类器生成方法中,需要先获取源域的呼吸状态检测模型,并且由于特征提取器是由呼吸状态检测模型中的贝叶斯卷积块组成。因此,为了保证目标域的呼吸状态分类器的准确度,需要得到高性能的源域的呼吸状态检测模型以及特征提取器。
基于此,在本发明的一些实施例中,如图4所示,步骤S101至少可以通过以下步骤实现:
S401,获取源域的若干源域训练样本。
其中,每个源域训练样本包括:源域样本CSI矩阵、源域样本标签。可以理解的是,源域样本标签也同样表示源域样本CSI矩阵对应的呼吸状态,在此不再多加赘述。
并且,源域训练样本的样本数量大于目标域训练样本的样本数量至少一个数量级。
S402,根据源域训练样本,对预设贝叶斯卷积神经网络进行训练,得到源域的呼吸状态检测模型。
具体地,可以将源域训练样本中的源域样本CSI矩阵输入预设贝叶斯卷积神经网络,以得到源域样本CSI矩阵对应的源域预测标签,通过源域预测标签和源域样本标签对预设贝叶斯卷积神经网络的网络参数进行修正,直至预设贝叶斯卷积神经网络达到预设要求,得到源域的呼吸状态检测模型。这里所提到的预设要求也可以包括损失函数值满足预设要求或者训练次数达到预设次数,在次不再多加赘述。
以预设贝叶斯卷积神经网络的某一层A为例,假设其由参数集定义,其中和分别表征均值和方差,其A层的输出为:;
其中,,为A层的输入,为A层的输出,表示输入索引,分别表示输出索引,表示对应元素相乘。
基于贝叶斯理论的先验概率是难以计算的,因此使用一种基于变分推断方法来计算一个近似的分布。因此,通过最小化与先验概率的KL散度,可以获得最优参数集:
;
其中,KL为KL散度函数,由于KL散度仍然是难以直接计算的,因此,使用一种随机变分法将上式中的开销函数(即最优参数集)调整为:
;
其中,n为蒙特卡洛次数,为kl散度loss函数,为源域训练样本。
由于呼吸状态检测模型本质上是一个分类问题,因此,在本发明实施例中可以通过交叉熵损失函数计算预设贝叶斯卷积神经网络的损失函数值,其损失函数为:;
其中,和为两个预设的权重因子,为KL损失函数值,为交叉熵损失函数值。
并且,信道状态信息描绘了支持多输入多输出-正交频分复用的Wi-Fi感知系统中每个收发无线链路上的每个正交子载波的信道特征,其中:
;
为发射端的信号向量,为接收端的信号向量,为信道状态矩阵(即CSI矩阵),为高斯白噪声。CSI矩阵是多条无线链路上的每个子载波信道信息的集合,即:
;
其中,表示无线链路数量,K表示子载波个数,表示第1个无线信道的第k个子载波的信道信息(包括幅度信息和相位信息),以复数形式a+bi出现。
以Atheros网卡为例,其在20MHz带宽下采集的CSI矩阵H是一个M×N×K×T的复数矩阵,M为发送端天线数,N为接收端天线数,K为子载波数(20MHz带宽下K为56,40MHz带宽下K为114),T为采集时长。为了监测呼吸状态,以100Hz的采样频率采集10秒的子载波信道信息,得到大小为M×N×K×1000的CSI矩阵。
为了滤除原始CSI矩阵中受Wi-Fi感知系统误差的影响产生的测量偏差,并进一步增强数据测量值中与呼吸状态相关的模式特征,如图5所示,步骤S401中的获取源域训练样本至少可以通过以下步骤实现:
S501,获取源域中的若干源域原始CSI矩阵集合。
其中,每个源域原始CSI矩阵集合包括:设置于源域的第一Wi-Fi感知系统在同一时间段采集的源域原始CSI矩阵、以及各源域原始CSI矩阵对应的源域原始标签。并且,各源域原始CSI矩阵集合中各源域原始CSI矩阵的发送天线相同且接收天线不同。
S502,将每个源域原始CSI矩阵集合中的源域原始CSI矩阵进行两两相除,得到若干源域CSI比值矩阵。
在采集源域原始CSI矩阵过程中,载波频率偏移、采样频率偏移 等均可能使采集的源域原始CSI矩阵产生时变的相位偏移的问题,考虑到同一个Wi-Fi网卡的不同天线共享一个频率振荡器,因此,不同天线上的时变相位偏移可能是相同的。故,在本发明实施例中将相同发射天线、不同接收天线的源域原始CSI矩阵两两相除,可以有效地缓解时变相位偏移。
例如,以第一Wi-Fi感知系统中的发送端配置有两根发射天线、接收端配置有三根接收天线为例,保持发射天线不变,通过对不同接收天线之间的源域原始CSI矩阵进行两两相除,一共可以得到M×N×(N-1)=12组源域CSI比值矩阵,此时每个源域CSI比值矩阵的大小为12×K×1000。
S503,通过主成分分析算法,获取源域CSI比值矩阵的主成分系数。
在本发明实施例中,通过主成分分析算法(Principal Component Analysis,PCA)计算源域CSI比值矩阵的主成分系数:
,
其中,为主成分分析函数,为源域CSI比值矩阵。
S504,根据源域CSI比值矩阵的第二主成分的主成分系数,重构源域CSI比值矩阵。
具体地,基于第二主成分的主成分系数,重构源域CSI比值矩阵:
;
其中,为重构后的源域CSI比值矩阵,为的转置。
为了更明显地观察到与呼吸状态相关的模型特征,我们先对源域CSI比值矩阵进行PCA分解,然后通过第二主成分重构源域CSI比值矩阵。在本发明实施例中选择第二主成分对源域CSI比值矩阵进行重构,这是因为经过多次实验对比发现第二主成分对受试者的动作更加敏感而第一主成分相对容易受到背景噪声的影响。虽然第一主成分能量较高,然而其同时包含了较多的背景噪声(例如稳定的直射路径信号),而其他的主成分能量不如第二主成分高。
因此,在本发明实施例中,通过第二主成分的主成分系数重构源域CSI比值矩阵,能够有效地对源域CSI比值矩阵进行去噪,以进一步提高源域的呼吸状态检测模型的性能。
S505,通过实部虚部合并算法,将重构后的源域CSI比值矩阵转化为第一实数矩阵。
如图6所示,上述步骤S505至少可以通过以下步骤实现:
S601,在预设取值范围内随机选取预设权重因子,自适应的计算各源域CSI比值矩阵的最佳权重因子。
其中,预设取值范围为[0,2π]。
具体地,自适应的计算源域CSI比值矩阵的最佳权重因子可以通过以下公式实现:
;
其中,为最佳权重因子,为预设取值范围内选取的预设权重因子,为第1个所述源域CSI比值矩阵中第k个所述子载波信道状态向量,为所述子载波信道状态向量的实部,为所述子载波信道状态向量上的虚部,FFT表示快速傅里叶变换。
S602,根据最佳权重因子,对源域CSI比值矩阵的子载波信道状态向量的实部和虚部进行合并,生成对应的实数向量。
具体地,根据最佳权重因子生成对应的实部向量:
。
S603,根据各实数向量,构建源域CSI比值矩阵的第一实数矩阵。
在本发明实施例中,将得到的实数向量按照对应的子载波信道状态向量在源域CSI比值矩阵的位置信息,组成第一实数矩阵。
由于CSI矩阵均为复数矩阵,而现有的神经网络一般不接受复数作为输入。此外,有研究表明CSI矩阵的实部与虚部对用户动作的感知能力是互补的。因此,在本发明实施例中采用权重自适应的实部虚部合并算法,一方面将源域CSI比值矩阵转化为第一实数矩阵,另一方面能够进一步增强源域CSI比值矩阵与呼吸状态相关的特征。
由于呼吸是周期性的,通过实部虚部合并能够突出呼吸的周期性规律,即合并后的实数矩阵在频域上表现为某频率分量(对应于当前呼吸频率)拥有极高能量占比。
此外,由于CSI比值矩阵的实部和虚部在感知能力具有互补性,这表现在:空间位置A上实部数据反映出的动作模型特征比虚部数据反映出的动作模式特征更明显,而在空间位置B上则可能反过来,因此在上述方案中确定最佳权重因子以平衡实部和虚部,从而将复数矩阵转化为实数矩阵,进一步提高源域的呼吸状态检测模型的性能。
S506,通过预设滤波器,对上述第一实数矩阵进行滤波,得到滤波后的第一实数矩阵。
其中,预设滤波器包括以下至少一项:Hampel滤波器、Savitzky-Golay滤波器以及低通滤波器等。
通过预设滤波器对第一实数矩阵进行滤波,可以进一步对第一实数矩阵进行去噪、平滑并去除高频成分,从而进一步提高呼吸状态检测模型的性能。
S507,将滤波后的第一实数矩阵作为源域样本CSI矩阵,以及将源域原始标签作为源域样本标签,以组成源域训练样本。
通过上述步骤S501-S506对源域原始CSI矩阵进行数据预处理,进行数据预处理后得到的第一实数矩阵作为源域样本CSI矩阵,能够进一步提高训练得到的源域的呼吸状态检测模型的性能。
如图7所示,源域原始CSI矩阵中包含有较多噪声且数据在动作(例如咳嗽)发生时刻相应的波动变化并不明显,这些都会影响呼吸状态检测模型的判断。而对源域原始CSI矩阵进行数据预处理后,噪声明显较少,且能够有效反映出与呼吸状态相关的模式特征:例如平稳呼吸数据能够观察到周期性的呼吸;突然间的咳嗽也能反应在数据某一时刻突然性波动上。
此外,为了保证训练得到的呼吸状态分类器的准确度,也可以通过上述步骤S501-S506阐述方法得到目标域原始CSI矩阵对应的目标域样本CSI矩阵,以构建在本发明实施例中的目标域训练样本,具体参照上述实施例在此不再多加赘述。
本发明实施例提供的呼吸状态分类器生成方法可以分为两个阶段,分别为:元训练阶段、元测试阶段,如图8所示。其中,源域数据可以划分为源域训练数据和源域验证数据,源域训练数据和源域验证数据中包含若干源域原始样本,每个源域原始样本中包括:源域原始CSI矩阵和源域原始标签。在元训练阶段,将源域训练数据和源域验证数据中的源域原始CSI矩阵进行上述步骤S501-S507的数据预处理,从而得到源域训练样本和源域验证样本,以对预设贝叶斯卷积神经网络B进行训练和验证,得到源域的呼吸状态检测模型。然后,从源域的呼吸状态检测模型中选取前5个的贝叶斯卷积块组成特征提取器。在元测试阶段,对目标域数据中的带标签数据(即图8中的support数据)和未带标签数据(即图8中的query数据)分别进行数据预处理,得到目标域训练样本和待检测CSI矩阵,将目标域训练样本中的目标域样本CSI矩阵和待检测CSI矩阵分别通过特征提取器进行特征提取,得到目标域样本CSI特征矩阵和待检测CSI特征矩阵(即低维特征),根据目标域样本CSI特征矩阵对预设分类器进行训练和验证,从而得到目标域的呼吸状态分类器C。目标域的呼吸状态分类器可以对待检测CSI特征矩阵进行分析,得到待检测CSI矩阵对应的呼吸状态,从而实现跨域呼吸监测。
基于上述呼吸状态分类器生成方法所生成的目标域的呼吸状态分类器,在如图3所示的应用场景下,进行了相应的实验。如图3所示,通过第一Wi-Fi感知系统分别在源域对3位受试者(A、B、C)进行数据采集、在目标域对6位受试者(A、B、C、D、E、F)进行数据采集。其中,源域数据共包括:4*180组数据,4表示平稳呼吸、咳嗽、打喷嚏、打哈欠四个呼吸状态分类,180表示每个呼吸状态分类下的源域训练样本数量。对于目标域中的每位受试者,分别收集了5份目标域训练样本,以及35或45份目标域的待检测CSI矩阵用于测试呼吸状态分类器的性能。
源域和目标域中分别设置的第一Wi-Fi感知系统、第一Wi-Fi感知系统中,均采用配置了2根天线的笔记本电脑作为信号发送端、配置了3根天线的台式机作为信号接收端。无线传输频段为2.4GHz,信道为20Hz带宽。每个样本以100Hz的频率采样10秒,因此原始CSI矩阵为3*2*56*1000,经过数据预处理后,得到的实数矩阵大小为12*56*1000。其中,取值为0.001,取值为1。经过多次迭代训练,源域的呼吸状态检测模型的训练准确度达到94.64%。
如下图9所示,B为源域的呼吸状态检测模型,(无贝叶斯)表示传统卷积神经网络的小样本学习方法,和表示通过本发明实施例提供的呼吸状态分类器生成方法得到的特征提取器E和呼吸状态分类器C,表示基于逻辑回归模型的呼吸状态分类器C,表示基于贝叶斯线性网络模型的呼吸状态分类器。
如图9所示,相对于直接使用源域的呼吸状态模型B用于目标域的呼吸状态分类,本实施例提供的呼吸状态分类器能够提高约18.39%的准确度。相比于使用基于传统卷积神经网络的FSL方法,本发明实施例提供的呼吸状态分类器的准确度提高了6.37%。呼吸状态分类器是采用逻辑回归模型还是采用贝叶斯线性网络模型,其分类结果相差不大,二者均可使用。
由上述实验可知,本发明实施例提供的呼吸状态分类器生成方法,能够在数量有限的目标域训练样本的情况下,生成高准确度的呼吸状态分类器,以提高目标域呼吸状态监测的准确度。
基于上述呼吸状态分类器生成方法,本发明还提供了一种呼吸状态监测方法,如图10所示,该呼吸状态监测方法至少包括以下步骤:
S1001,获取目标域的待检测CSI矩阵。
如图11所示,获取目标域的待检测CSI矩阵至少可以通过以下步骤实现:
S1101,获取设置于目标域的第二Wi-Fi感知系统实时采集的若干待检测原始CSI矩阵。
其中,各待检测原始CSI矩阵之间的发送天线相同且接收天线不同。
S1102,将待检测原始CSI矩阵进行两两相除,得到若干待检测CSI比值矩阵。
在采集待检测原始CSI矩阵过程中,载波频率偏移、采样频率偏移等均可能使采集的待检测原始CSI矩阵产生时变的相位偏移的问题,考虑到同一个Wi-Fi网卡的不同天线共享一个频率振荡器,所以不同天线上的时变相位偏移可能是相同的。因此,在本发明实施例中,将相同发射天线、不同接收天线的待检测原始CSI矩阵两两相除,可以有效地缓解时变相位偏移,从而进一步提高呼吸状态检测的准确性。
S1103,通过主成分分析算法,获取待检测CSI比值矩阵的主成分系数。
在本发明实施例中,通过主成分分析算法(Principal Component Analysis,PCA)计算待检测原始CSI比值矩阵的主成分系数:
,
其中,为主成分分析函数,为待检测原始CSI比值矩阵。
S1104,根据待检测CSI比值矩阵的第二主成分的主成分系数,重构待检测CSI比值矩阵,并将重构后的待检测CSI比值矩阵作为待检测CSI比值矩阵。
具体地,基于第二主成分的主成分系数,重构源域CSI比值矩阵:
;
其中,为重构后的待检测原始CSI比值矩阵,为的转置。
S1105,通过实部虚部合并算法,将各待检测CSI比值矩阵转化为第二实数矩阵。
在本发明实施例中,通过实部虚部合并算法,将各待检测CSI比值矩阵转化为第二实数矩阵,具体可以参照上述实施例中步骤S601-S603的方法,在本发明实施例中不再加以赘述。
S1106,通过预设滤波器,对待检测CSI比值矩阵的第二实数矩阵进行滤波,得到滤波后的第二实数矩阵。
其中,预设滤波器包括以下至少一项:Hampel滤波器、Savitzky-Golay滤波器以及低通滤波器。
S1107,将各第二实数矩阵作为目标域的待检测CSI矩阵。
通过上述步骤S1101-S1107对第二Wi-Fi感知系统采集的待检测原始CSI矩阵进行数据预处理,可以进一步提高呼吸状态检测的准确度。
S1002,将待检测CSI矩阵输入特征提取器,得到待检测CSI矩阵的待检测特征CSI矩阵。
在本发明实施例中,上述目标域的待检测CSI矩阵可以是对目标域的待检测原始CSI矩阵进行数据预处理后得到的,提高保证呼吸状态分类的准确性。可以理解的是,目标域采集的待检测原始CSI矩阵进行数据预处理也可以参照上述步骤S501-S507得到,在此不再多加赘述。
S1003,将待检测CSI特征矩阵输入该目标域的呼吸状态分类器中,得到该待检测CSI矩阵对应的呼吸状态。
需要说明的是,上述特征提取器为上述呼吸状态分类器生成方法实施例中得到的,目标域的呼吸状态分类器也是通过上述呼吸状态分类器生成方法得到的,在此不再多加赘述。
基于上述呼吸状态分类器生成方法、呼吸状态监测方法,本发明还提供了一种计算机可读存储介质,所述计算机可读存储介质存储有一个或多个程序,所述一个或多个程序可被一个或者多个处理器执行,以实现上述呼吸状态分类器生成方法或者呼吸状态监测方法中的步骤。
基于上述呼吸状态分类器生成方法、呼吸状态监测方法,本发明还提供了一种终端,如图12所示,其包括一个处理器(processor)120;显示屏121;以及存储器(memory)122,还可以包括通信接口(Communications Interface)123和总线124。其中,处理器120、显示屏121、存储器122和通信接口123可以通过总线124完成相互间的通信。显示屏121设置为显示初始设置模式中预设的用户引导界面。通信接口123可以传输信息。处理器120可以调用存储器122中的逻辑指令,以执行上述实施例提供的呼吸状态分类器生成方法或者呼吸状态监测方法中的步骤。
此外,上述的存储器122中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。
存储器122作为一种计算机可读存储介质,可设置为存储软件程序、计算机可执行程序,如本公开实施例中的方法对应的程序指令或模块。处理器120通过运行存储在存储器122中的软件程序、指令或模块,从而执行功能应用以及数据处理,即实现上述上述呼吸状态分类器生成方法或者呼吸状态监测方法中的步骤。
存储器122可包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序;存储数据区可存储根据终端的使用所创建的数据等。此外,存储器122可以包括高速随机存取存储器,还可以包括非易失性存储器。例如,U盘、移动硬盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等多种可以存储程序代码的介质,也可以是暂态存储介质。
本申请中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于终端和介质实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
本申请实施例提供的终端和介质与方法是一一对应的,因此,终端和介质也具有与其对应的方法类似的有益技术效果,由于上面已经对方法的有益技术效果进行了详细说明,因此,这里不再赘述终端和介质的有益技术效果。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
当然,本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关硬件(如处理器,控制器等)来完成,所述的程序可存储于一计算机可读取的计算机可读存储介质中,所述程序在执行时可包括如上述各方法实施例的流程。其中所述的计算机可读存储介质可为存储器、磁碟、光盘等。
应当理解的是,本发明的应用不限于上述的举例,对本领域普通技术人员来说,可以根据上述说明加以改进或变换,所有这些改进和变换都应属于本发明所附权利要求的保护范围。
Claims (12)
1.一种呼吸状态分类器生成方法,其特征在于,所述方法包括:
获取源域的呼吸状态检测模型,并从所述呼吸状态检测模型中选取预设数目的贝叶斯卷积块,组成特征提取器;以及
获取目标域的若干目标域训练样本;其中,每个所述目标域训练样本包括:目标域样本信道状态信息CSI矩阵、目标域样本标签;所述目标域训练样本的数量小于预设阈值;
通过所述特征提取器对每个所述目标域样本CSI矩阵进行特征提取,得到目标域样本CSI特征矩阵;
根据所述目标域样本CSI特征矩阵以及对应的所述目标域样本标签,对预设分类器进行训练,得到用于所述目标域的呼吸状态分类器;
其中,所述呼吸状态分类器用于根据所述目标域的待检测CSI矩阵,确定对应的呼吸状态;所述呼吸状态包括:呼吸、咳嗽、打哈欠、打喷嚏;
所述获取源域的源域呼吸状态检测模型,具体包括:获取若干源域训练样本;根据所述源域训练样本,对预设贝叶斯卷积神经网络模型进行训练,得到所述源域的所述呼吸状态检测模型;
所述获取若干源域训练样本具体包括:获取所述源域中的若干源域原始CSI矩阵集合;其中,每个所述源域原始CSI矩阵集合包括:设置于所述源域的第一Wi-Fi感知系统在同一时间段采集的源域原始CSI矩阵、以及各所述源域原始CSI矩阵的源域原始标签;各所述源域原始CSI矩阵集合中的各所述源域原始CSI矩阵的发送天线相同且接收天线不同;且,各所述源域原始CSI矩阵集合之间的发送天线不同或者采集时间段不同;所述源域原始CSI矩阵由无线信道的各子载波的信道信息组成,所述信道信息为幅值信息和相位信息组成的复数;将每个所述源域原始CSI矩阵集合中的所述源域原始CSI矩阵进行两两相除,得到若干源域CSI比值矩阵;通过实部虚部合并算法,将所述源域CSI比值矩阵转化为第一实数矩阵;将各所述第一实数矩阵作为源域样本CSI矩阵,以及将对应的所述源域原始标签作为源域样本标签,以得到所述源域训练样本;
所述通过实部虚部合并算法,将所述源域CSI比值矩阵转化为第一实数矩阵,具体包括:
在预设取值范围,按照如下公式自适应的计算各所述源域CSI比值矩阵的最佳权重因子:
;
其中,为最佳权重因子,为预设取值范围内选取的预设权重因子,为第l个所述源域CSI比值矩阵中第k个子载波信道状态向量,为所述子载波信道状态向量的实部,为所述子载波信道状态向量上的虚部,FFT表示快速傅里叶变换;
根据所述最佳权重因子,对所述源域CSI比值矩阵的所述子载波信道状态向量的实部和虚部进行合并,得到相应的实数信道状态向量;
根据各所述实数信道状态向量,构建所述源域CSI比值矩阵的所述第一实数矩阵。
2.根据权利要求1所述的呼吸状态分类器生成方法,其特征在于,所述源域训练样本的样本数量大于所述目标域训练样本的样本数量至少一个数量级。
3.根据权利要求1所述的呼吸状态分类器生成方法,其特征在于,在通过实部虚部合并算法,将所述源域CSI比值矩阵转化为实数矩阵之前,所述方法还包括:
通过主成分分析算法,获取所述源域CSI比值矩阵的主成分系数;
根据所述源域CSI比值矩阵的第二主成分的主成分系数,重构所述源域CSI比值矩阵,并将所述重构后的源域CSI比值矩阵作为所述源域CSI比值矩阵。
4.根据权利要求1所述的呼吸状态分类器生成方法,其特征在于,在通过实部虚部合并算法,将所述源域CSI比值矩阵转化为第一实数矩阵之后,所述方法还包括:
通过预设滤波器,对所述第一实数矩阵进行滤波,得到滤波后的第一实数矩阵;
其中,所述预设滤波器包括以下至少一项:Hampel滤波器、Savitzky-Golay滤波器以及低通滤波器。
5.根据权利要求1所述的呼吸状态分类器生成方法,其特征在于,所述预设分类器为:贝叶斯线性网络模型或者逻辑回归模型。
6.一种呼吸状态监测方法,其特征在于,所述方法包括:
获取目标域的待检测信道状态信息CSI矩阵;
将待检测CSI矩阵输入特征提取器,得到所述待检测CSI矩阵的待检测CSI特征矩阵;
将所述待检测CSI特征矩阵输入呼吸状态分类器,得到所述待检测CSI特征矩阵对应的呼吸状态;
其中,所述呼吸状态分类器为通过如权利要求1-5任意一项所述的呼吸状态分类器生成方法生成的,所述特征提取器为源域的呼吸状态检测模型的预设数目的贝叶斯卷积块组成。
7.根据权利要求6所述的呼吸状态监测方法,其特征在于,所述获取目标域的待检测信道状态信息CSI矩阵,具体包括:
获取设置于所述目标域的第二Wi-Fi感知系统实时采集的若干待检测原始CSI矩阵;
将所述待检测原始CSI矩阵进行任意两两相除,得到若干待检测CSI比值矩阵;
通过实部虚部合并算法,将各所述待检测CSI比值矩阵转化为第二实数矩阵;
将各所述第二实数矩阵作为所述目标域的待检测CSI矩阵。
8.根据权利要求7所述的呼吸状态监测方法,其特征在于,所述通过实部虚部合并算法,将各所述待检测CSI比值矩阵转化为第二实数矩阵,具体包括:
在预设取值范围内,按照如下公式自适应的计算所述待检测CSI比值矩阵的最佳权重因子:
;
其中,为预设取值范围内选取的预设权重因子,为第l个所述待检测CSI比值矩阵中第k个子载波信道状态向量,为所述子载波信道状态向量的实部,为所述子载波信道状态向量上的虚部,FFT表示快速傅里叶变换;
根据所述最佳权重因子,对所述子载波信道状态向量的实部和虚部进行合并,得到相应的实数信道状态向量;
根据各所述实数信道状态向量,构建所述待检测CSI比值矩阵的所述第二实数矩阵。
9.根据权利要求7所述的呼吸状态监测方法,其特征在于,在通过实部虚部合并算法,将各所述待检测CSI比值矩阵转化为第二实数矩阵之前,所述方法还包括:
通过主成分分析算法,获取所述待检测CSI比值矩阵的主成分系数;
根据所述待检测CSI比值矩阵的第二主成分的主成分系数,重构所述待检测CSI比值矩阵,并将重构后的所述待检测CSI比值矩阵作为所述待检测CSI比值矩阵。
10.根据权利要求7所述的呼吸状态监测方法,其特征在于,在通过实部虚部合并算法,将各所述待检测CSI比值矩阵转化为第二实数矩阵之后,所述方法还包括:
通过预设滤波器,对所述待检测CSI比值矩阵的所述第二实数矩阵进行滤波,得到滤波后的所述第二实数矩阵;
其中,所述预设滤波器包括以下至少一项:Hampel滤波器、Savitzky-Golay滤波器以及低通滤波器。
11.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有一个或者多个程序,所述一个或者多个程序可被一个或者多个处理器执行,以实现如权利要求1-5任意一项所述的呼吸状态分类器生成方法中的步骤,或者如权利要求6-10任意一项所述的呼吸状态监测方法中的步骤。
12.一种终端,其特征在于,所述终端包括:处理器和存储器;所述存储器上存储有可被所述处理器执行的计算机可读程序,所述处理器执行所述计算机可读程序时实现如权利要求1-5任意一项所述的呼吸状态分类器生成方法中的步骤,或者如权利要求6-10任意一项所述的呼吸状态监测方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310044556.XA CN115795377B (zh) | 2023-01-30 | 2023-01-30 | 呼吸状态分类器生成方法、呼吸状态监测方法及相关装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310044556.XA CN115795377B (zh) | 2023-01-30 | 2023-01-30 | 呼吸状态分类器生成方法、呼吸状态监测方法及相关装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115795377A CN115795377A (zh) | 2023-03-14 |
CN115795377B true CN115795377B (zh) | 2023-08-08 |
Family
ID=85429146
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310044556.XA Active CN115795377B (zh) | 2023-01-30 | 2023-01-30 | 呼吸状态分类器生成方法、呼吸状态监测方法及相关装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115795377B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108553108A (zh) * | 2018-03-05 | 2018-09-21 | 叶伟 | 一种基于Wi-Fi中CSI信号的人体动作与呼吸的检测方法和系统 |
CN113939016A (zh) * | 2021-12-21 | 2022-01-14 | 广州优刻谷科技有限公司 | 基于wifi双频融合的智能终端室内定位方法及系统 |
CN114359738A (zh) * | 2022-03-16 | 2022-04-15 | 深圳大学 | 一种跨场景鲁棒的室内人数无线检测方法及系统 |
CN114781463A (zh) * | 2022-06-16 | 2022-07-22 | 深圳大学 | 一种跨场景鲁棒的室内摔倒无线检测方法及相关设备 |
CN114973330A (zh) * | 2022-06-16 | 2022-08-30 | 深圳大学 | 一种跨场景鲁棒的人员疲劳状态无线检测方法及相关设备 |
-
2023
- 2023-01-30 CN CN202310044556.XA patent/CN115795377B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108553108A (zh) * | 2018-03-05 | 2018-09-21 | 叶伟 | 一种基于Wi-Fi中CSI信号的人体动作与呼吸的检测方法和系统 |
CN113939016A (zh) * | 2021-12-21 | 2022-01-14 | 广州优刻谷科技有限公司 | 基于wifi双频融合的智能终端室内定位方法及系统 |
CN114359738A (zh) * | 2022-03-16 | 2022-04-15 | 深圳大学 | 一种跨场景鲁棒的室内人数无线检测方法及系统 |
CN114781463A (zh) * | 2022-06-16 | 2022-07-22 | 深圳大学 | 一种跨场景鲁棒的室内摔倒无线检测方法及相关设备 |
CN114973330A (zh) * | 2022-06-16 | 2022-08-30 | 深圳大学 | 一种跨场景鲁棒的人员疲劳状态无线检测方法及相关设备 |
Non-Patent Citations (1)
Title |
---|
体域网中基于CSI指纹的身份认证算法研究;丁佳蓉;钟伯成;朱淑文;测控技术(第05期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN115795377A (zh) | 2023-03-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20210352441A1 (en) | Handling concept drift in wi-fi-based localization | |
CN103559888B (zh) | 基于非负低秩和稀疏矩阵分解原理的语音增强方法 | |
Alharbi et al. | A new approach for selecting the number of the eigenvalues in singular spectrum analysis | |
CN114048773B (zh) | 一种基于迁移学习和WiFi的行为识别方法及系统 | |
He et al. | Objective image quality assessment: a survey | |
CN113868006B (zh) | 时间序列的检测方法、装置、电子设备及计算机存储介质 | |
CN111954250A (zh) | 一种轻量级Wi-Fi行为感知方法和系统 | |
CN117278073B (zh) | 一种超宽带天线信号自动调整方法 | |
CN107862295A (zh) | 一种基于WiFi信道状态信息识别面部表情的方法 | |
CN113344018A (zh) | 域适应分类器产生 | |
CN111060316A (zh) | 基于卷积神经网络模型的滚动轴承状态监测方法和系统 | |
CN114781463A (zh) | 一种跨场景鲁棒的室内摔倒无线检测方法及相关设备 | |
CN111125186B (zh) | 一种基于调查问卷的数据处理方法及系统 | |
CN113746780A (zh) | 基于主机画像的异常主机检测方法、装置、介质和设备 | |
Yarga et al. | Efficient spike encoding algorithms for neuromorphic speech recognition | |
CN111010191A (zh) | 数据采集方法、系统、设备及存储介质 | |
CN115795377B (zh) | 呼吸状态分类器生成方法、呼吸状态监测方法及相关装置 | |
CN113673465A (zh) | 图像检测方法、装置、设备及可读存储介质 | |
Colonna et al. | Unsupervised selection of the singular spectrum components based on information theory for bioacoustic signal filtering | |
CN107894837A (zh) | 动态情感分析模型样本处理方法及装置 | |
CN117079005A (zh) | 一种光缆故障监测方法、系统、装置及可读存储介质 | |
CN114692683B (zh) | 一种基于csi的跌倒检测方法、装置及存储介质 | |
CN114065822B (zh) | 海洋潮流涨落的电磁识别方法及系统 | |
CN115565525A (zh) | 音频异常检测方法、装置、电子设备及存储介质 | |
CN115017960A (zh) | 一种基于时空联合mlp网络的脑电信号分类方法及应用 |
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 |