CN115913392B - 一种基于超声波信号的潜在尘肺病预警方法 - Google Patents
一种基于超声波信号的潜在尘肺病预警方法 Download PDFInfo
- Publication number
- CN115913392B CN115913392B CN202211344514.XA CN202211344514A CN115913392B CN 115913392 B CN115913392 B CN 115913392B CN 202211344514 A CN202211344514 A CN 202211344514A CN 115913392 B CN115913392 B CN 115913392B
- Authority
- CN
- China
- Prior art keywords
- signal
- signals
- time
- frequency
- epv
- 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
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
- Y02A50/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE in human health protection, e.g. against extreme weather
- Y02A50/30—Against vector-borne diseases, e.g. mosquito-borne, fly-borne, tick-borne or waterborne diseases whose impact is exacerbated by climate change
-
- 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)
- Measurement Of Velocity Or Position Using Acoustic Or Ultrasonic Waves (AREA)
Abstract
本发明公开了一种基于超声波信号的潜在尘肺病预警方法,采用扬声器和麦克风收发超声波信号,采用虚拟收发器的方法放大超声波信号变化,可有效解决因声波信号在空气中衰减严重而致使感知精度较差的技术问题,通过无线信号处理相关技术,矿工无需穿戴任何监测设备的情况下可以实现对矿工进行呼吸监测和咳嗽检测、实现对矿工尘肺病的早期症状进行监测,并结合呼吸监测和咳嗽检测的结果实现矿工潜在尘肺病预警,无需专业的无线信号收发设备、成本低廉,可在煤矿工作场景中实现大规模部署,可为矿工潜在尘肺病早期发现及预警提供一种低成本和有效的解决方案。
Description
技术领域
本发明涉及一种潜在尘肺病预警方法,具体是一种基于超声波信号的潜在尘肺病预警方法,属于智能感知监测技术领域。
背景技术
尘肺病是发展中国家最常见的职业病之一,而煤矿工人的尘肺病占全国尘肺病人数的半数以上。尽管预防方法已经应用了几十年,但它仍然是世界范围内的一个重大难题。尘肺病有潜伏期长、延发性等特点,并且是无法治愈的,导致在晚期发现时难以进行治疗。因此,早期发现对于煤矿工人尘肺病的预防和治疗至关重要。
尘肺病的早期症状包括咳嗽、气短和运动后呼吸急促,目前有很多具备监测呼吸频率RESP和心电图ECG的可穿戴式生命体征监测设备可以用于日常监测这些症状,然而它们都需要矿工穿戴带有传感器的特殊设备,不仅穿戴麻烦、而且会限制矿工的身体活动。智能感知技术是指将物理世界的信号通过摄像头、麦克风或者其他传感器的硬件设备,借助语音识别、图像识别等前沿技术,映射到数字世界,再将这些数字信息进一步提升至可认知的层次,比如记忆、理解、规划、决策等等。智能感知技术提供了一种非接触式生命体征监测的可能性。智能感知技术常见的技术方案包括利用无线信号、蓝牙、惯性传感器、图像处理等方式进行感知,也有通过传感器融合的方式、将多个传感器的输出进行融合以提升系统性能,或者利用可穿戴设备,对人体的常见运动进行感知。这些智能感知方法各有利弊,按使用场景不同也各有限制。例如,细粒度的高频段无线信号感知常需要特制的硬件,如谷歌在Soli系统中使用的定制芯片;蓝牙的数据传输速率较低,不适用于对精确性和实时性要求较高的感知应用;惯性传感器累积误差较大且难以消除等。现有技术中还有基于WiFi的智能感知方案和基于毫米波雷达、UWB以及USRP的智能感知方案,但基于WiFi的方案分辨率低,且受环境干扰严重,而基于毫米波雷达、UWB以及USRP的方案虽然结果精准,但是成本较高,无法实现大规模部署。
发明内容
针对上述现有技术存在的问题,本发明提供一种基于超声波信号的潜在尘肺病预警方法,能够在实现矿工无需穿戴任何设备、无需使用专业的无线信号收发设备的前提下实现对矿工尘肺病的早期症状进行监测和潜在尘肺病的预警,且成本低廉、感知精度高。
为实现上述目的,本基于超声波信号的潜在尘肺病预警方法所使用的装置包括扬声器、麦克风以及进行数据处理的计算机,固定贴合连接为一体结构的扬声器与麦克风作为超声波信号收发器、并分别与计算机电连接,计算机内置有信号收发控制算法和无线信号处理算法;其特征在于,
预警方法具体包括以下步骤:
Step1、超声波信号的发射与接收:计算机控制扬声器发射超声波信号、并同时控制麦克风接收音频信号,将接收到的音频信号过滤掉环境低频噪声、只保留发射超声波信号的频率范围,然后消除扬声器的系统延迟、使接收信号与发射信号时钟同步;
Step2、信号放大:构建中频信号,使用虚拟收发器的方法放大信号变化、增加感知距离;
Step3、呼吸监测和咳嗽检测:提取目标引起的信号相位变化、并进一步提取目标的呼吸波形实现呼吸监测,提取信号的相位差上包络和谱熵,通过峰值检测和阈值检测的方法检测发生咳嗽的信号、实现咳嗽检测,根据呼吸监测和咳嗽检测的结果实现矿工潜在尘肺病预警。
Step1中发射的超声波信号为周期为0.02s、频率为18~22KHz的啁啾信号,接收信号的采样率为48KHz,使收发信号时钟同步的方法为过滤环境中低频噪声后寻找直接路径的时间点,具体方法如下:
Step1-1首先使用带通滤波器过滤掉环境中的低频噪声,只保留接收信号的频率在发射信号频率范围内的部分;
Step1-2在开始感知之前,先在时间[0,t4]发出啁啾信号,然后在时间[t4,t5]发出空白信号,最后在时间t5再持续地发出啁啾信号,以避免接收信号中存在高频噪声;
Step1-3从接收信号的t5时刻后寻找信号振幅首次大于一个阈值的时间点,以此作为接收信号中直接路径时间点的近似值,阈值设置为0.001;
Step1-4提取接收信号中包含这个时间点的一个啁啾周期,再与发射信号的一个啁啾周期一起执行互相关函数:
式中:N为信号在一个啁啾周期内的采样点数,n=-N+1,-N+2,…,N-2,N-1;ST(m)为发射信号;SR(m+n)为接收信号;
接收信号对于发射信号的时间延迟为RTR(n)的最大值所对应的n;
Step1-5在接收信号中消除接收信号对于发射信号的时间延迟,实现将接收信号与发射信号的时钟同步。
Step2中信号放大的算法是先在混合收发信号中构建中频信号并识别目标的位置,再将发射信号加上一定的时延后重新构建中频信号,最后搜索目标引起变化最大的信号,具体方法如下:
Step2-1把时钟同步后的接受信号重构为具有快时间维和慢时间维的二维信号,慢时间维的每个时间窗口对应着一个包含一个啁啾周期的快时间维向量,然后将这个二维信号的每个慢时间维窗口中的向量与发射的一个啁啾信号相乘,并用低通滤波器去除高频部分,得到二维信号的中频信号;
Step2-2对于每个啁啾信号,在对中频信号执行快速傅里叶变换之后获得它在频域上的多个频率箱及其对应的复数值,得到频率箱对应的距离箱,在一段时间内对连续的啁啾信号进行上述操作,得到包含每个时间窗口内每个距离箱对应复数值的二维信息,每个复数值的模为振幅,角度为相位;
Step2-3将发射信号也加上一定的时延,使收发信号之间的时延减小、中频信号的样本数量增加;
Step2-4目标所在的距离箱是从上面得到的二维信号中找到信号变化方差最大的距离箱,将虚拟收发器直接移动到距目标1m处,然后以0.1m为步长直到虚拟收发器距离目标0.1m处,每一步都通过等式计算出时延Δτ,其中ΔR为位移、c为声音在空气中的速度,给发射信号加上这个时延Δτ后,再重新构建中频信号并计算出目标所在距离箱的信号变化方差,并选取方差最大的作为最后提取细粒度活动信息的信号。
Step3中呼吸监测和咳嗽检测的具体方法如下:
Step3-1通过反正切函数计算出放大相位变化后的信号的相位;
Step3-2每当连续值之间的相位差大于或小于±π时,通过从相位中减去2π来获得解缠绕后的相位,将相位展开以获取实际的变化曲线;
Step3-3通过减去连续的相位值对解缠绕后的相位执行相位差运算,以增强细粒度活动信号并消除存在的相位偏移;
Step3-4使用带通滤波器对信号相位差执行滤波、只保留频率在0.1~0.5Hz的信号,得到目标的呼吸信号,然后对呼吸信号做FFT频谱估计,依据峰值大小及其谐波特征,获取一段时间内对应的呼吸频率;
Step3-5提取出信号相位差高频部分的上包络作为咳嗽的一个特征信号,包络线表示为:
Env(t)=|x(t)+j·Hilbert(x(t))|
式中:Hilbert(x(t))为x(t)的希尔伯特变换,x(t)为滤波后的信号相位差,j为虚数单位;
Step3-6首先对接收信号执行短时傅里叶变换,得到其频谱图S(f,t),然后计算出它的功率谱密度,表示为
式中:fmin~fmax为频谱的频率范围;
然后对功率谱密度执行归一化得到p(f,t);
最后,谱熵由下式计算
Step3-7识别信号相位差上包络曲线的所有波峰值,记为EPV={epv1…epvi…epvn},每个波峰对应的波谷索引对记为ETI={{eti11eti12}…{etii1etii2}…{etin1etin2}},定义一个阈值
EPVth=avg(EPV)+k·var(EPV)
式中:avg(EPV)为EPV的均值,var(EPV)为EPV的方差,k为系数;
然后将EPV中大于EPVth的波峰对应的波谷索引对进行记录;
识别谱熵曲线所有波峰的值和索引,然后设置一个阈值、阈值为5,并寻找所有大于这个阈值的波峰的索引,若寻找到的索引在之前记录的波谷索引对的范围内,则认为目标在这个时间范围内发生了咳嗽。
与现有技术相比,本基于超声波信号的潜在尘肺病预警方法采用扬声器和麦克风收发超声波信号,采用虚拟收发器的方法放大超声波信号变化,可有效解决因声波信号在空气中衰减严重而致使感知精度较差的技术问题,通过无线信号处理相关技术,矿工无需穿戴任何监测设备的情况下可以实现对矿工进行呼吸监测和咳嗽检测、实现对矿工尘肺病的早期症状进行监测,并结合呼吸监测和咳嗽检测的结果实现矿工潜在尘肺病预警,无需专业的无线信号收发设备、成本低廉,可在煤矿工作场景中实现大规模部署,可为矿工潜在尘肺病早期发现及预警提供一种低成本和有效的解决方案。
附图说明
图1是本发明的流程图;
图2是本发明收发信号时钟同步示图;
图3是本发明构建中频信号示图;
图4是本发明二维中频信号提取细粒度活动信息示图;
图5是本发明虚拟收发器示图;
图6是本发明呼吸波形提取效果图;
图7是本发明咳嗽特征提取及识别示图。
具体实施方式
下面结合附图对本发明做进一步说明。
本基于超声波信号的潜在尘肺病预警方法所使用的装置包括扬声器、麦克风以及进行数据处理的计算机,固定贴合连接为一体结构的扬声器与麦克风作为超声波信号收发器、并分别与计算机电连接,计算机内置有信号收发控制算法和无线信号处理算法。
如图1所示,本基于超声波信号的潜在尘肺病预警方法具体包括以下步骤:
Step1、超声波信号的发射与接收:计算机控制扬声器发射超声波信号、并同时控制麦克风接收音频信号,将接收到的音频信号过滤掉环境低频噪声、只保留发射超声波信号的频率范围,然后消除扬声器的系统延迟、使接收信号与发射信号时钟同步;
Step2、信号放大:构建中频信号,使用虚拟收发器的方法放大信号变化、增加感知距离;
Step3、呼吸监测和咳嗽检测:提取目标引起的信号相位变化、并进一步提取目标的呼吸波形实现呼吸监测,提取信号的相位差上包络和谱熵,通过峰值检测和阈值检测的方法检测发生咳嗽的信号、实现咳嗽检测,根据呼吸监测和咳嗽检测的结果实现矿工潜在尘肺病预警。
Step1中发射的超声波信号为周期为0.02s、频率为18~22KHz的啁啾信号,接收信号的采样率为48KHz,收发信号时钟同步的方法为过滤环境中低频噪声后寻找直接路径的时间点,具体方法如下:
Step1-1首先使用带通滤波器过滤掉环境中的低频噪声,只保留接收信号的频率在发射信号频率范围内的部分;
Step1-2在开始感知之前,如图2所示,先在时间[0,t4]发出啁啾信号,然后在时间[t4,t5]发出空白信号,最后在时间t5再持续地发出啁啾信号,即可避免接收信号中存在高频噪声。
Step1-3由于先使用带通滤波器过滤掉环境中的低频噪声,因此在音响发出空白信号时,接收信号的信号振幅特别小。从接收信号的t5时刻后寻找信号振幅首次大于一个阈值的时间点,以此作为接收信号中直接路径时间点的近似值,根据经验将该阈值设置为0.001。
Step1-4提取接收信号中包含这个时间点的一个啁啾周期,再与发射信号的一个啁啾周期一起执行互相关函数:
式中:N为信号在一个啁啾周期内的采样点数,n=-N+1,-N+2,…,N-2,N-1;ST(m)为发射信号;SR(m+n)为接收信号。
RTR(n)的最大值所对应的n即为接收信号对于发射信号的时间延迟。
Step1-5在接收信号中消除接收信号对于发射信号的时间延迟,即可将接收信号与发射信号的时钟同步。
Step2中信号放大的算法是先在混合收发信号中构建中频信号并识别目标的位置;再将发射信号加上一定的时延后重新构建中频信号,相当于使收发器虚拟地靠近目标;最后搜索目标引起变化最大的信号。具体方法如下:
Step2-1把时钟同步后的接受信号重构为具有快时间维和慢时间维的二维信号,慢时间维的每个时间窗口对应着一个包含一个啁啾周期的快时间维向量,然后将这个二维信号的每个慢时间维窗口中的向量与发射的一个啁啾信号相乘,并用低通滤波器去除高频部分,如图3所示,得到二维信号的中频信号。
Step2-2对于每个啁啾信号,如图4所示,在对中频信号执行快速傅里叶变换之后,可以获得它在频域上的多个频率箱及其对应的复数值,然后可以进一步得到频率箱对应的距离箱。在一段时间内对连续的啁啾信号进行上述操作,就可以得到包含每个时间窗口内每个距离箱对应复数值的二维信息,每个复数值的模为振幅,角度为相位。
Step2-3由于增加中频信号的样本数量可以增大信号相位变化,如图5所示,可以将发射信号也加上一定的时延,使收发信号之间的时延减小,相当于使收发器虚拟地靠近目标,所以中频信号的样本数量就会增加。
Step2-4从上面得到的二维信号中找到信号变化方差最大的距离箱,即为目标所在的距离箱。将虚拟收发器直接移动到距目标1m处,然后以0.1m为步长直到虚拟收发器距离目标0.1m处,每一步都通过等式计算出时延Δτ,其中ΔR为位移、c为声音在空气中的速度(340m/s),给发射信号加上这个时延Δτ后,再重新构建中频信号并计算出目标所在距离箱的信号变化方差,并选取方差最大的作为最后提取细粒度活动信息的信号。
Step3中呼吸监测和咳嗽检测的具体方法如下:
Step3-1通过反正切函数计算出放大相位变化后的信号的相位。
Step3-2每当连续值之间的相位差大于或小于±π时,通过从相位中减去2π来获得解缠绕后的相位,将相位展开以获取实际的变化曲线。
Step3-3通过减去连续的相位值,对解缠绕后的相位执行相位差运算,这有利于增强细粒度活动信号并消除存在的相位偏移。
Step3-4由于正常人的呼吸频率为0.1~0.5Hz,因此使用带通滤波器对信号相位差执行滤波、只保留频率在0.1~0.5Hz的信号,得到目标的呼吸信号,然后如图6所示,对呼吸信号做FFT频谱估计,依据峰值大小及其谐波特征,获取一段时间内对应的呼吸频率。
Step3-5咳嗽属于呼吸活动中的异常行为,其引起的信号变化频率比呼吸略高,而且咳嗽引起的胸部位移较大且快速,信号的能量比其他与其频率相近的细粒度活动高。因此提取出信号相位差高频部分的上包络作为咳嗽的一个特征信号。因为包络线是反映高频信号幅度变化的曲线,其可表示为:
Env(t)=|x(t)+j·Hilbert(x(t))|
式中:Hilbert(x(t))为x(t)的希尔伯特变换,x(t)为滤波后的信号相位差,j为虚数单位。
Step3-6谱熵描述功率谱和熵率之间的关系,可以用来衡量谱图上能量分布的随机性。由于咳嗽的突然性和快速,它在频谱图上有具有高能量,因此它通常比其他细粒度活动具有更高的熵。
首先对接收信号执行短时傅里叶变换,得到其频谱图S(f,t)。然后计算出它的功率谱密度,可表示为
式中:fmin~fmax为频谱的频率范围。
然后对功率谱密度执行归一化得到p(f,t)。
最后,谱熵可由下式计算
Step3-7识别信号相位差上包络曲线的所有波峰值,记为EPV={epv1…epvi…epvn},每个波峰对应的波谷索引对记为ETI={{eti11eti12}…{etii1etii2}…{etin1etin2}}。定义一个阈值
EPVth=avg(EPV)+k·var(EPV)
式中:avg(EPV)为EPV的均值,var(EPV)为EPV的方差,k为系数、用来根据环境的不同适当调整阈值。
然后将EPV中大于EPVth的波峰对应的波谷索引对进行记录。
识别谱熵曲线所有波峰的值和索引,然后设置一个阈值(按经验设置为5),并寻找所有大于这个阈值的波峰的索引。如图7所示,如果寻找到的索引刚好在之前记录的波谷索引对的范围内,则认为目标在这个时间范围内发生了咳嗽。
本基于超声波信号的潜在尘肺病预警方法采用扬声器和麦克风收发超声波信号,无需专业的无线信号收发设备、成本低廉,采用虚拟收发器的方法放大超声波信号变化,可有效解决因声波信号在空气中衰减严重而致使感知精度较差的技术问题,通过无线信号处理相关技术,矿工无需穿戴任何监测设备的情况下可以实现对矿工进行呼吸监测和咳嗽检测、实现对矿工尘肺病的早期症状进行监测,并结合呼吸监测和咳嗽检测的结果实现矿工潜在尘肺病预警,可在煤矿工作场景中实现大规模部署,为矿工潜在尘肺病早期发现及预警提供一种低成本和有效的解决方案。
Claims (3)
1.一种基于超声波信号的潜在尘肺病预警方法,所使用的装置包括扬声器和麦克风以及进行数据处理的计算机,固定贴合连接为一体结构的扬声器与麦克风作为超声波信号收发器,扬声器和麦克风分别与计算机电连接,计算机内置有信号收发控制算法和无线信号处理算法;其特征在于,
预警方法具体包括以下步骤:
Step1、超声波信号的发射与接收:计算机控制扬声器发射超声波信号,计算机同时控制麦克风接收音频信号,将接收到的音频信号过滤掉环境低频噪声,只保留发射超声波信号的频率范围,然后消除扬声器的系统延迟,使接收信号与发射信号时钟同步;
发射的超声波信号为周期为0.02s、频率为18~22KHz的啁啾信号,接收信号的采样率为48KHz,使收发信号时钟同步的方法为过滤环境中低频噪声后寻找直接路径的时间点,具体方法如下:
Step1-1首先使用带通滤波器过滤掉环境中的低频噪声,只保留接收信号的频率在发射信号频率范围内的部分;
Step1-2在开始感知之前,先在时间[0,t4]发出啁啾信号,然后在时间[t4,t5]发出空白信号,最后在时间t5再持续地发出啁啾信号,以避免接收信号中存在高频噪声;
Step1-3从接收信号的t5时刻后寻找信号振幅首次大于一个阈值的时间点,以此作为接收信号中直接路径时间点的近似值;
Step1-4提取接收信号中包含这个时间点的一个啁啾周期,再与发射信号的一个啁啾周期一起执行互相关函数:
式中:N为信号在一个啁啾周期内的采样点数,n=-N+1,-N+2,…,N-2,N-1;ST(m)为发射信号;SR(m+n)为接收信号;
接收信号对于发射信号的时间延迟为RTR(n)的最大值所对应的n;
Step1-5在接收信号中消除接收信号对于发射信号的时间延迟,实现将接收信号与发射信号的时钟同步;
Step2、信号放大:构建中频信号,使用虚拟收发器的方法放大信号变化,增加感知距离;
信号放大的算法是先在混合收发信号中构建中频信号并识别目标的位置,再将发射信号加上一定的时延后重新构建中频信号,最后搜索目标引起变化最大的信号,具体方法如下:
Step2-1把时钟同步后的接收信号重构为具有快时间维和慢时间维的二维信号,慢时间维的每个时间窗口对应着一个包含一个啁啾周期的快时间维向量,然后将这个二维信号的每个慢时间维窗口中的向量与发射的一个啁啾信号相乘,并用低通滤波器去除高频部分,得到二维信号的中频信号;
Step2-2对于每个啁啾信号,在对中频信号执行快速傅里叶变换之后获得它在频域上的多个频率箱及其对应的复数值,得到频率箱对应的距离箱,在一段时间内对连续的啁啾信号进行上述操作,得到包含每个时间窗口内每个距离箱对应复数值的二维信息,每个复数值的模为振幅,角度为相位;
Step2-3将发射信号也加上一定的时延,使收发信号之间的时延减小,使中频信号的样本数量增加;
Step2-4目标所在的距离箱是从上面得到的二维信号中找到信号变化方差最大的距离箱,将虚拟收发器直接移动到距目标1m处,然后以0.1m为步长直到虚拟收发器距离目标0.1m处,每一步都通过等式计算出时延Δτ,其中ΔR为位移,c为声音在空气中的速度,给发射信号加上这个时延Δτ后,再重新构建中频信号并计算出目标所在距离箱的信号变化方差,并选取方差最大的作为最后提取细粒度活动信息的信号;
Step3、呼吸监测和咳嗽检测:提取目标引起的信号相位变化、并进一步提取目标的呼吸波形实现呼吸监测,提取信号的相位差上包络和谱熵,通过峰值检测和阈值检测的方法检测发生咳嗽的信号,实现咳嗽检测,根据呼吸监测和咳嗽检测的结果实现矿工潜在尘肺病预警;
呼吸监测和咳嗽检测的具体方法如下:
Step3-1通过反正切函数计算出放大相位变化后的信号的相位;
Step3-2每当连续值之间的相位差大于或小于±π时,通过从相位中减去2π来获得解缠绕后的相位,将相位展开以获取实际的变化曲线;
Step3-3通过减去连续的相位值对解缠绕后的相位执行相位差运算,以增强细粒度活动信号并消除存在的相位偏移;
Step3-4使用带通滤波器对信号相位差执行滤波,只保留频率在0.1~0.5Hz的信号,得到目标的呼吸信号,然后对呼吸信号做FFT频谱估计,依据峰值大小及其谐波特征,获取一段时间内对应的呼吸频率;
Step3-5提取出信号相位差高频部分的上包络作为咳嗽的一个特征信号,包络线表示为:
Env(t)=|x(t)+j·Hilbert(x(t))|
式中:Hilbert(x(t))为x(t)的希尔伯特变换,x(t)为滤波后的信号相位差,j为虚数单位;
Step3-6首先对接收信号执行短时傅里叶变换,得到其频谱图S(f,t),然后计算出它的功率谱密度,表示为
式中:fmin~fmax为频谱的频率范围;
然后对功率谱密度执行归一化得到p(f,t);
最后,谱熵由下式计算
Step3-7识别信号相位差上包络曲线的所有波峰值,记为EPV={epv1…epvi…epvn},每个波峰对应的波谷索引对记为ETI={{eti11eti12}…etii1etii2}…etin1etin2}},定义一个阈值
EPVth=avg(EPV)+k·var(EPV)
式中:avg(EPV)为EPV的均值,var(EVP)为EPV的方差,k为系数;
然后将EPV中大于EPVth的波峰对应的波谷索引对进行记录;
识别谱熵曲线所有波峰的值和索引,然后设置一个阈值,并寻找所有大于这个阈值的波峰的索引,若寻找到的索引在之前记录的波谷索引对的范围内,则认为目标在这个时间范围内发生了咳嗽。
2.根据权利要求1所述的基于超声波信号的潜在尘肺病预警方法,其特征在于,Step1-3中阈值设置为0.001。
3.根据权利要求1所述的基于超声波信号的潜在尘肺病预警方法,其特征在于,Step3-7中识别谱熵曲线所有波峰的值和索引时设置的阈值为5。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211344514.XA CN115913392B (zh) | 2022-10-31 | 2022-10-31 | 一种基于超声波信号的潜在尘肺病预警方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211344514.XA CN115913392B (zh) | 2022-10-31 | 2022-10-31 | 一种基于超声波信号的潜在尘肺病预警方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115913392A CN115913392A (zh) | 2023-04-04 |
CN115913392B true CN115913392B (zh) | 2023-06-23 |
Family
ID=86490301
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211344514.XA Active CN115913392B (zh) | 2022-10-31 | 2022-10-31 | 一种基于超声波信号的潜在尘肺病预警方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115913392B (zh) |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112617773A (zh) * | 2019-09-24 | 2021-04-09 | 新加坡国立大学 | 一种用于健康监测的信号处理方法及信号处理装置 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101895324B1 (ko) * | 2018-06-27 | 2018-09-05 | 유메인주식회사 | 초광대역 임펄스 레이더 신호를 이용한 바이탈 정보 측정 방법 |
CN112336322B (zh) * | 2020-11-04 | 2023-05-30 | 珠海市海米软件技术有限公司 | 一种无接触式呼吸或心跳检测方法 |
CN113520368A (zh) * | 2021-07-12 | 2021-10-22 | 福州数据技术研究院有限公司 | 一种咳嗽监测的方法、系统和存储设备 |
CN113616188B (zh) * | 2021-08-11 | 2022-10-04 | 燕山大学 | 一种基于不可听声音调频连续波的呼吸监测方法 |
-
2022
- 2022-10-31 CN CN202211344514.XA patent/CN115913392B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112617773A (zh) * | 2019-09-24 | 2021-04-09 | 新加坡国立大学 | 一种用于健康监测的信号处理方法及信号处理装置 |
Also Published As
Publication number | Publication date |
---|---|
CN115913392A (zh) | 2023-04-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11850027B2 (en) | Multi-person vital signs monitoring using millimeter wave (mm-wave) signals | |
CN108113706B (zh) | 一种基于音频信号的心率监测方法、装置及系统 | |
Karvounis et al. | Fetal heart rate extraction from composite maternal ECG using complex continuous wavelet transform | |
KR20160087815A (ko) | 운전자측 위치 검출 | |
US8121222B2 (en) | Systems and methods for construction of time-frequency surfaces and detection of signals | |
CN115089143A (zh) | 毫米波雷达生命体征信号提取和测量方法 | |
US11860266B2 (en) | Detection system and method of detecting life using radar | |
CN111803045A (zh) | 一种基于lfmcw毫米波的生命体征检测系统 | |
CN103845079A (zh) | 一种基于盲分离的多普勒胎心音瞬时心率的检测方法 | |
JP2014094043A (ja) | 心拍推定装置、心拍推定方法及びプログラム | |
CN111990968A (zh) | 一种信号监测方法、设备、存储介质及系统 | |
CN104155644A (zh) | 一种基于声音传感器的测距方法及系统 | |
WO2021108186A1 (en) | Methods and apparatus to fingerprint an audio signal via exponential normalization | |
CN115913392B (zh) | 一种基于超声波信号的潜在尘肺病预警方法 | |
CN205232299U (zh) | 一种基于光学传感器和声学麦克风录音的智能终端 | |
CN113729674A (zh) | 一种呼吸检测方法及装置 | |
JP7440131B2 (ja) | 生体信号測定用のレーダにおけるレーダ収集信号のランダムノイズの除去方法及びその装置 | |
Hu et al. | Using fmcw millimeter-wave radar to realize the detection of vital signs | |
CN107330462B (zh) | 基于时频分析的手势识别方法及其装置 | |
CN113842123B (zh) | 一种基于麦克风阵列的非接触式心跳检测方法及系统 | |
KR20150059982A (ko) | 차량용 초음파 센서의 감지 거리 증가 장치 및 그 동작 방법 | |
CN113593183A (zh) | 一种基于声学的疲劳驾驶和分心驾驶的检测方法、装置、设备及介质 | |
CN102961165A (zh) | 一种基于超宽带雷达的音频生命参数探测仪 | |
CN111753678B (zh) | 基于超声波的多设备协同步态感知与身份识别方法 | |
CN112526501A (zh) | 一种生命气息探测用雷达系统 |
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 |