CN116172539A - 基于机器学习的生命体征检测方法、系统、设备及介质 - Google Patents
基于机器学习的生命体征检测方法、系统、设备及介质 Download PDFInfo
- Publication number
- CN116172539A CN116172539A CN202211715737.2A CN202211715737A CN116172539A CN 116172539 A CN116172539 A CN 116172539A CN 202211715737 A CN202211715737 A CN 202211715737A CN 116172539 A CN116172539 A CN 116172539A
- Authority
- CN
- China
- Prior art keywords
- signal
- target
- frequency
- vital sign
- heartbeat
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 36
- 238000010801 machine learning Methods 0.000 title claims abstract description 28
- 238000000034 method Methods 0.000 claims abstract description 49
- 238000012544 monitoring process Methods 0.000 claims abstract description 42
- 238000012545 processing Methods 0.000 claims abstract description 35
- 230000029058 respiratory gaseous exchange Effects 0.000 claims abstract description 34
- 230000000241 respiratory effect Effects 0.000 claims abstract description 32
- 238000012549 training Methods 0.000 claims abstract description 15
- 230000008569 process Effects 0.000 claims abstract description 13
- 230000002194 synthesizing effect Effects 0.000 claims abstract description 9
- 238000005070 sampling Methods 0.000 claims description 56
- 238000004590 computer program Methods 0.000 claims description 17
- 238000001914 filtration Methods 0.000 claims description 14
- 230000008859 change Effects 0.000 claims description 9
- 230000006870 function Effects 0.000 claims description 8
- 230000001121 heart beat frequency Effects 0.000 claims description 8
- 238000001228 spectrum Methods 0.000 claims description 8
- 230000000737 periodic effect Effects 0.000 claims description 7
- 230000036391 respiratory frequency Effects 0.000 claims description 7
- 230000005540 biological transmission Effects 0.000 claims description 6
- 230000003068 static effect Effects 0.000 claims description 6
- 230000001902 propagating effect Effects 0.000 claims description 3
- 230000000630 rising effect Effects 0.000 claims description 3
- 238000010183 spectrum analysis Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 10
- 210000000038 chest Anatomy 0.000 description 6
- 230000033001 locomotion Effects 0.000 description 6
- 238000004088 simulation Methods 0.000 description 6
- 210000004072 lung Anatomy 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 3
- 210000000779 thoracic wall Anatomy 0.000 description 3
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000006073 displacement reaction Methods 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 230000005802 health problem Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008447 perception Effects 0.000 description 2
- 238000013186 photoplethysmography Methods 0.000 description 2
- 230000033764 rhythmic process Effects 0.000 description 2
- 206010011409 Cross infection Diseases 0.000 description 1
- 206010029803 Nosocomial infection Diseases 0.000 description 1
- 241000700605 Viruses Species 0.000 description 1
- 239000000853 adhesive Substances 0.000 description 1
- 230000001070 adhesive effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 230000036772 blood pressure Effects 0.000 description 1
- 230000036760 body temperature Effects 0.000 description 1
- 230000035565 breathing frequency Effects 0.000 description 1
- 229910002092 carbon dioxide Inorganic materials 0.000 description 1
- 239000001569 carbon dioxide Substances 0.000 description 1
- 238000012937 correction 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
- 239000003814 drug Substances 0.000 description 1
- 238000002592 echocardiography Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005672 electromagnetic field Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 239000007789 gas Substances 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000000338 in vitro Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 230000035479 physiological effects, processes and functions Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000002685 pulmonary effect Effects 0.000 description 1
- 230000036387 respiratory rate Effects 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 210000000115 thoracic cavity Anatomy 0.000 description 1
- 238000009528 vital sign measurement Methods 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
- A61B5/05—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
- A61B5/024—Detecting, measuring or recording pulse rate or heart rate
-
- 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
- A61B5/113—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb occurring during breathing
- A61B5/1135—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb occurring during breathing by monitoring thoracic expansion
-
- 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
-
- 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
本发明公开了基于机器学习的生命体征检测方法、系统、设备及介质,利用毫米波雷达对目标进行监测,获得目标信息;将目标信息输入预先建立的监测模型,获得生命体征信号,所述生命体征信号包括呼吸信号和心跳信号;所述监测模型的建立过程为:利用毫米波雷达对不同目标进行监测,获得目标信息,所述目标信息包括目标信号和目标回波信号;将目标信号和目标回波信号合成为中频信号;对中频信号进行信号处理得到呼吸信号对应频率和心跳信号对应频率;以呼吸信号对应频率和心跳信号对应频率作为标签构建若干R‑D图;通过若干R‑D图对学习模型进行训练,得到监测模型。
Description
技术领域
本发明属于医疗检测领域,具体涉及一种基于机器学习的生命体征检测方法、系统、设备及介质。
背景技术
人体生命体征显示了人体重要功能的状态,是现代医疗保健和医疗应用中的重要指标。有几种已知的生命体征,例如心跳,呼吸,体温和血压。如果一个人的生命体征与正常值不同,则表明这个人出现了健康问题甚至是有生命危险的早期迹象。所以监测心跳和呼吸信号等重要参数可以提前了解到自己身体的变化甚至可以为医生提供可靠的诊断和治疗依据。
呼吸频率和心跳率是重要的生命体征,在医学领域作为许多诊断生命的物理指标。大多数用于测量用户呼吸的现有技术,如呼吸计、肺活量计和光电容积脉搏波(PPG),都是作为接触式设备运行的。基于可穿戴传感器的方法和基于粘性电极的方法都由于有线线路而限制了用户的使用场景,因此它们不能真正反映用户生命特性参数随无意识运动的变化。而且,接触式传感器通常操作复杂,使用范围受限,经常让用户感到不舒服。非接触式设备会使用户的舒适度和接受力更高,出于长期监测目的,非接触式的生命体征监测手段是大势所趋。
此外,使用非接触式设备将比接触式设备更好的降低病毒传播风险。
发明内容
本发明的目的在于提供一种基于机器学习的生命体征检测方法、系统、设备及介质,以解决现有技术存在的问题,本发明通过机器学习训练模型,使得能够将接收到的目标胸部位移信号进行分析得到心跳频率和位移频率,进而得到目标生命体征检测结果,对目标的生命安全有一定的警示作用,可以用于日常场景及医院等专业领域。
为达到上述目的,本发明采用如下技术方案:
基于机器学习的生命体征检测方法,包括:
利用毫米波雷达对目标进行监测,获得目标信息;
将目标信息输入预先建立的监测模型,获得生命体征信号,所述生命体征信号包括呼吸信号和心跳信号;
所述监测模型的建立过程为:
利用毫米波雷达对不同目标进行监测,获得目标信息,所述目标信息包括目标信号和目标回波信号;
将目标信号和目标回波信号合成为中频信号;
对中频信号进行信号处理得到呼吸信号对应频率和心跳信号对应频率;
以呼吸信号对应频率和心跳信号对应频率作为标签构建若干R-D图;
通过若干R-D图对学习模型进行训练,得到监测模型。
进一步地,所述毫米波雷达采用FMCW调频连续波雷达。
进一步地,所述将目标信号和目标回波信号合成为中频信号,具体为:以雷达发射信号作为目标信息,以接收信号作为目标回波信号,对于一个周期的信号:
其中,S为扫描斜率,Tc为扫描周期,B为带宽;
故发射信号频率随时间变化的表达式为:
其中,fc为雷达信号起始频率;
从而,发射信号角频率ω(t)随时间变化的关系为:
发射信号相位θ(t)在时刻t的表达式为:
则在介质中传输的FMCW雷达发射信号为:
其中,α为发射信号幅度;
接收信号相当于在发射信号的基础上延时τ,其表达式为:
其中,β为接收信号幅度,τ为电磁波在介质中传播及返回的时间:
其中,R(t)为目标与雷达的实时距离,当目标与雷达标尺相对静止时,R(t)的微小变化由心跳和呼吸引起的体表微动决定,故将R(t)建模为:
R(t)=R0+x(t)
其中,R0为目标与雷达保持相对静止时的初始距离,x(t)在生命体征检测应用场景中为心跳呼吸引起的距离变化量;
中频信号是接收信号和发射信号混频后得到的,中频信号相位为发射信号与接收信号相位差:
故将中频信号表示为:
进一步地,对于多个周期的信号:
发射信号频率在上升沿随时间变化的表达式为:
其中,t的取值范围为:mTRRI≤t≤(m+1)TRRI,m=0,1,2,3,...,M-1;
因此发射信号的相位为:
其中,θ0(m)为第m个周期信号的初相位,其大小为:
在介质中传播的发射信号相位为:
从而发射信号表达式为:
接收信号表示式为:
中频信号相位为:
式中,tm表示第m个周期的任意时刻,称为慢时间,tm=t-mTRRI;
由此,多周期中频信号表达式为:
进一步地,所述对中频信号进行信号处理得到呼吸信号对应频率和心跳信号对应频率,具体包括:
对中频信号分别从快时间维度和慢时间维度进行采样,快时间采样是在单个周期信号内对中频信号进行采样,慢时间采样是在所有的周期信号内对中频信号相位进行采样;
沿着慢时间维度进行FFT,得到N*M维数据,N代表每帧的采样点数,M代表采样帧数,对M帧快时间采样点使用1D-FFT进行谱分析,得到M个频谱图,再将频率换算成距离,得到距离谱图,在有效距离范围内,提取每帧频距离谱图中的前K个最大峰值对应的索引,得到K*M维距离单元数据,对K*M维距离单元数据的每一行提取众数,形成K*1维距离单元数据,此时锁定K个潜在目标,潜在目标确定后,提取各自M个1D-FFT谱图中的相位值,对展开后的相位做一阶差分处理,通过比较K个潜在目标相位一阶差分值在慢时间维度的均方差,判断目标是否存在,同时锁定目标距离单元;
使用angle函数对K个潜在目标相位提取,对提取的相位进行展开操作,相位展开后进行一阶差分操作,对一阶差分后的信号进行滑动平均滤波;
对滑动平均滤波后的信号进行带通滤波,带通滤波后使用2D-FFT进行谱估计,通过谱峰搜索获得呼吸信号对应频率及心跳信号对应频率。
进一步地,所述1D-FFT具体为:
假设快时间采样率为fs_fast,采样间隔为Tf,采样点数为N,第n个采样点采样时刻为nTf;慢时间采样率为fs_slow,采样间隔为Ts,采样点数为M,第m个采样点采样时刻为mTs;快时间采样时,用离散点nTf代替中频信号表达式中的tm;慢时间采样时,Ts=TRRI,则第n个采样点、第m个信号脉冲的采样信号表示为:
慢时间采样间隔Ts远大于快时间采样间Tf,故上式化简为:
对上式做FFT获得目标距离信息,1D-FFT的结果为:
其中,k代表1D-FFT的第k个频点,n代表第n个快时间采样点;
在生命体征检测中,t时刻呼吸心跳引起的体表微动x(t)建模为:
其中,fb、fh分别表示呼吸、心跳信号基波频率,abi、ahi分别表示呼吸、心跳信号i次谐波的幅度,θbi、θhi分别表示呼吸、心跳信号i次谐波的初相,N,M分别表示呼吸、心跳谐波最大阶次,当t=mTs时,有:
所述2D-FFT具体为:
获取心跳频率fh和呼吸频率fb时,对1D-FFT中的式子相位进行处理,进行2D-FFT,2D-FFT处理过程为:
其中,k表示1D-FFT的第k个频点,p表示2D-FFT的第p个频点。
进一步地,所述学习模型采用YOLOv3结构。
基于机器学习的生命体征检测系统,包括:
采集模块:用于利用毫米波雷达对目标进行监测,获得目标信息;
处理模块:用于将目标信息输入预先建立的监测模型,获得生命体征信号,所述生命体征信号包括呼吸信号和心跳信号;
所述监测模型的建立过程为:
利用毫米波雷达对不同目标进行监测,获得目标信息,所述目标信息包括目标信号和目标回波信号;
将目标信号和目标回波信号合成为中频信号;
对中频信号进行信号处理得到呼吸信号对应频率和心跳信号对应频率;
以呼吸信号对应频率和心跳信号对应频率作为标签构建若干R-D图;
通过若干R-D图对学习模型进行训练,得到监测模型。
一种计算机设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现所述基于机器学习的生命体征检测方法的步骤。
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计算机程序,所述计算机程序被处理器执行时实现所述基于机器学习的生命体征检测方法的步骤。
与现有技术相比,本发明具有以下有益的技术效果:
本发明采用非接触式雷达检测技术,可以在没有电极和医生的情况下长距离监测心跳和呼吸信号,使用户更舒适,且适用范围更广,可以安装在任何用户需要的位置,另外,本发明方法通过机器学习训练模型,使得能够将接收目标胸部位移信号分析得到心跳频率和位移频率,得到目标生命体征检测结果,保证监测指标准确的同时提高了患者的舒适度降低了交叉感染的风险,对目标的生命安全有一定的警示作用,可以用于日常场景及医院等专业领域。
附图说明
说明书附图用来提供对本发明的进一步理解,构成本发明的一部分,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。
图1为本发明用于监测的毫米波雷达实物图;
图2为毫米波雷达使用图示;
图3为FMCW雷达功能框图;
图4为FMCW雷达发射信号与接收信号幅值、频率随时间变化关系;
图5为用于2D-FFT的慢时间维M帧chirp信号;
图6为输入的R-D图样例;
图7为训练模型流程图;
图8为数据处理流程图;
图9为多目标检测信号流程图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,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的实施例,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,都应当属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
实施例一
本发明解决了传统的接触式生命体征监测设备在对皮肤敏感型患者进行体征监测时容易引起的舒适性问题和卫生问题。本发明基于毫米波雷达对患者进行离体式的生命体征监测,保证监测指标准确的同时提高了患者的舒适度降低了交叉感染的风险。
本发明提出了新型离体式生命特征监测方法,可用在任何日常场景。
如图8,利用毫米波雷达对目标进行监测,获得目标信息;
将目标信息输入预先建立的监测模型,获得生命体征信号,所述生命体征信号包括呼吸信号和心跳信号;
如图7,所述监测模型的建立过程为:
利用毫米波雷达对不同目标进行监测,获得目标信息,所述目标信息包括目标信号和目标回波信号;
将目标信号和目标回波信号合成为中频信号;
对中频信号进行信号处理得到呼吸信号对应频率和心跳信号对应频率;
以呼吸信号对应频率和心跳信号对应频率作为标签构建若干R-D图;
通过若干R-D图对学习模型进行训练,得到监测模型。
生命体征测量值的变化可以成为关于潜在健康问题的早期预警信息。在某些条件下,例如对潜在严重疾病或流行病的医学观察,有必要连续测量生命体征。临床医学亦需要测量生命体征以确定一个人的健康水平。
正常生命体征因生理、性别、年龄、运动能力、体重和整体健康状况而异。不活动成人的健康生命体征的正常范围是:
呼吸频率:每分钟12至30次呼吸;
心跳频率:60至100次/分钟。
尽管正常呼吸频率约为每分钟12-30次呼吸,但一些研究得出结论,呼吸频率低至每分钟8次呼吸仍处于正常类别,所以针对不同用户,训练的模型会有部分差异,但不会影响使用。
为了检测生命体征,雷达必须能够检测由心跳和呼吸引起的胸部运动。心脏位于胸部内的肋骨笼中,将血液泵送到全身的心跳触发心壁撞击胸壁,使胸壁以与心跳相同的节奏移动。
同样的现象也发生在呼吸中。呼吸是肺部气体的交换。含有二氧化碳的空气需要从肺部去除,含有氧气的空气需要取代它。肺部位于胸腔内,人类呼吸时肺部的运动,扩张和收缩导致肋骨移动。肋骨的这种运动推动胸壁也以与肺部运动相同的节奏上下移动。本发明的研究将这种运动命名为胸部移位。这种胸部位移由雷达检测,在信号处理后分解出心跳和呼吸频率,以下推导仅证明毫米波雷达检测胸部位移信号分解为心跳信号和呼吸信号的可行性。
本发明使用机器学习的方法,将毫米波雷达信号处理得到的Range-Doppler Map(以下简称R-D图)作为机器学习的样本输入,输出需要目标的心跳和呼吸频率的信号,若检测到心跳和呼吸频率信号不在合理范围,则通过报警装置报警。
训练好模型后,仅需接收到目标信号就能快速检测到目标生命体征是否正常,可以安装到车辆、家中、公园等日常场景,用于监测用户的生命体征,保证用户的生命安全。
本发明使用的毫米波雷达为FMCW(Frequency Modulated Continuous WaveRadar)调频连续波雷达,如图1和图2。FMCW雷达是一种特殊类型的雷达,它以与连续波(CW)雷达相同的方式连续发射电磁波。调频连续波雷达通过比较任意时刻回波信号频率与此时刻发射信号的频率差的方法来得到目标的距离信息,距离正比于两者的频率差。目标的径向速度和距离可由测量的二者频率差处理后得到,如图3。FMCW雷达的基本特征包括:
(1)由雷达理论可知,距离分辨力是由雷达信号的带宽决定的,FMCW雷达具有较大的带宽,因此具有较好的距离分辨力。
(2)由于FMCW雷达的回波信号延时远小于发射信号的时宽,所以雷达发射机和接收机可以同时工作,不存在距离盲区。
(3)在一定噪声功率条件下,雷达的检测能力由雷达信号的能量决定。FMCW雷达具有超大的时带积,远大于相同信号带宽和电平的脉冲雷达,所以在相同检测能力条件下,FMCW雷达发射功率低,不易被截获。
(4)由于FMCW雷达具有超大的时带积,所以不需要较高的峰值功率,这样它的工作电压就比较低,不需要使用高功率、高电压器件,从而使得整个系统结构简单,体积较小、重量较轻、成本较低。
心跳和呼吸均会引起人体表面微弱振动。一般而言,心跳引起的振动频率和呼吸引起的振动频率不同,在信号处理过程中可做区分。因此FMCW毫米波雷达非常适合作为人体生命体征的离体监测设备。
FMCW雷达发射的一个信号称为“chirp”,如图4所示,一个chirp信号参数有:fc(雷达信号起始频率)、Tc(扫描周期)、B(带宽)、S(扫描斜率)。由图易得:
故发射信号频率随时间变化的表达式为:
从而,发射信号角频率随时间变化的关系为:
相位是角频率在一定时间内的积分,因此发射信号相位在时刻t的表达式为:
则在介质中传输的FMCW雷达发射信号为:
其中,α为发射信号幅度。
接收信号相当于在发射信号的基础上延时τ,其表达式为:
其中,β为接收信号幅度,τ为电磁波在介质中传播及返回的时间:
其中,R(t)为目标与雷达的实时距离,当人体目标与雷达标尺相对静止时,R(t)的微小变化由心跳和呼吸引起的体表微动决定,故将R(t)建模为:
R(t)=R0+x(t)
其中,R0为人体与雷达保持相对静止时的初始距离,x(t)在生命体征检测应用场景中为心跳呼吸引起的距离变化量。
中频信号是接收信号和发射信号混频后得到的,中频信号相位为发射信号与接收信号相位差:
故将中频信号表示为:
对于多周期chirp,如图5所示,发射信号频率在上升沿随时间变化的表达式为:
其中,t的取值范围为:mTRRI≤t≤(m+1)TRRI,m=0,1,2,3,...,M-1。
因此发射信号的相位为:
其中,θ0(m)为第m个周期chirp信号的初相位,其大小为:
在介质中传播的发射信号相位为:
从而发射信号表达式为:
接收信号表示式为:
中频信号相位为:
式中,tm表示第m个chirp周期的任意时刻,称为慢时间,tm=t-mTRRI。
可得多周期中频信号表达式为:
对中频信号分别从快时间维度和慢时间维度进行采样,快时间采样是在单个chirp信号内实施的,是对中频信号进行采样,慢时间采样是在所有的chirp周期内实施的,是对中频信号相位进行采样。假设快时间采样率为fs_fast,采样间隔为Tf,采样点数为N,第n个采样点采样时刻为nTf;慢时间采样率为fs_slow,采样间隔为Ts,采样点数为M,第m个采样点采样时刻为mTs。快时间采样时,用离散点nTf代替中频信号表达式中的tm;慢时间采样时,由于一个chirp脉冲采样一个点,所以Ts=TRRI,则第n个采样点、第m个chirp脉冲的采样信号可表示为:
实际应用中,慢时间采样间隔Ts远大于快时间采样间Tf,故上式可化简为:
对上式做FFT可获得目标距离信息,1D-FFT的结果为:
其中,k代表1D-FFT的第k个频点,n代表第n个快时间采样点。
在生命体征检测中,t时刻呼吸心跳引起的体表微动x(t)可建模为:
其中,fb、fh分别表示呼吸、心跳信号基波频率,abi、ahi分别表示呼吸、心跳信号i辞谐波的幅度,θbi、θhi分别表示呼吸、心跳信号i次谐波的初相,N,M分别表示呼吸、心跳谐波最大阶次。当t=mTs时,有:
要获取心跳频率fh和呼吸频率fb,要对1D-FFT中的式子相位进行处理,由于是在1D-FFT基础上进行的,因此称为2D-FFT,2D-FFT处理过程为:、
其中,k表示1D-FFT的第k个频点,p表示2D-FFT的第p个频点。进行2D-FFT后,通过谱峰搜索可获得呼吸及心跳频率。
信号处理流程如下:
步骤1:目标锁定沿着慢时间维度进行FFT即为2D-FFT,一般是提取一个接收通道数据对其进行整理,得到N*M维数据,N代表每帧的采样点数,M代表采样帧数。对M帧快时间采样点使用1D-FFT进行谱分析,得到M个频谱图,再将频率换算成距离,即得到距离谱图。在有效距离范围内,提取每帧频谱图中的前K个最大峰值对应的索引,即距离单元,得到K*M维距离单元数据。对K*M维距离单元数据的每一行提取众数,形成K*1维距离单元数据,此时锁定K个潜在目标。潜在目标确定后,提取各自M个1D-FFT谱图中的相位值,展开后的相位值包含由呼吸心跳运动引起的时变相位、目标距离形成的常数相位值以及发射机非线性器件产生的噪声相位等,对展开后的相位做一阶差分处理,有助于去除常数相位偏移,同时增强新校信号。通过比较K个潜在目标相位一阶差分值在慢时间维度的均方差,可判断目标是否存在,同时可锁定目标距离单元。
步骤2:滑动平滑滤波使用angle函数对K个潜在目标相位提取,获得的相位幅度范围值为[-π,π],因此需要获得真实相位,需要对提取的相位展开操作。相位展开的主要思想为:后一个相位依次减去前一个相位,若差值大于π,则后一个相位值需减去2π,若差值小于-π,则后一个相位值需加上2π;若差值介于-π和π之间,则不需要做任何处理。相位展开后要进行一阶差分操作,具体为:后一帧中频信号相位一次减去前一帧中中频信号相位,由于所有帧相位均含相同的常数相位偏移,前后帧相位做差后就消除了常数相位偏移项,同时增强了心跳信号,相位展开后的一阶差分结果反映了呼吸心跳信号的变化情况,由于人体随机体动噪声、尖峰噪声及环境中其他噪声的存在,需要对一阶差分后的信号进行滑动平均滤波,以平滑部分噪声。
步骤3:呼吸信号处理呼吸信号处理包括对信号进行带通滤波以保留呼吸信号,滤除心跳信号及其他杂波,带通滤波后使用2D-FFT进行谱估计,搜索频谱信号的峰值,获得峰值对应的频率,即为呼吸信号对应频率。
步骤4:心跳信号处理心跳信号在处理之前需要将呼吸信号的谐波滤掉,同样进行带通滤波后,进行频谱搜索,检测到心跳信号对应频率。
对于不同的应用环境,需要检测的目标群体数目不完全统一,本发明可检测多目标生命体征。主要是加入目标跟踪算法、波束形成算法等,具体操作流程图如图7所示,下面分析了部分与单目标检测的不同之处。
如图9,对于多目标生命特征检测,第一步获取距离单元与单目标一致,但此处使用的2D-FFT指的是多普勒FFT,3DFFT是为了识别每个目标的方位角。2D-FFT和3D-FFT是在1D-FFT的基础上进行的,获得不同目标的速度和相位。确定好目标后再通过带通滤波器、谱估计等方法得到呼吸信号和心跳信号的频率。
针对两种不同需求的生命体征检测的雷达算法,按照各自信号处理方案训练两种模型,以便提供不同场景的需求。
机器学习方面,日常场景数据显然不足以应对突发情况,但突发情况的案例毕竟是少数,所以需要大量的基于不同使用场景的模拟数据集。使用模拟数据有很多优点,例如可伸缩性、成本可控、场景可变和传感器细节变化等。
训练一个强大的机器学习雷达感知算法需要依赖大量数据,这些数据必须是能够代表复杂场景的真实回波信号,此处使用光线追踪的方法进行电磁波模拟,该技术本质上是一个物理光学方法,通过几何光学射线追踪增强,可以有效计算几何物体的散射场,且该物理模型将传统的一次反射扩展到多次反射,能够在多径环境中精确生成电磁场散射,同时捕捉真实的材料属性和复杂的几何结构。
FMCW雷达的R-D图可以通过模拟相干处理CPI上的chirp来实现,对与CPI中的每个chirp,使用光线追踪法模拟与实际场景相关的几何形状,生成代表所有几何图形相应时间步长真实的散射场,并进一步处理成R-D图,如图6,生成的R-D映射将被导出并与所有相应的标签一起存储。在物理场景中,机器学习训练所需要的雷达回波的准确注释可能具有挑战性,但在模拟中,标签标注几乎不需要额外的工作。
这里机器学习的模型结构基于YOLOv3结构。YOLOv3目标检测体系结构在许多光学系统中得到广泛的应用,具有速度快、精度高等优点。这些优点使YOLOv3在突发情况的处理上得到很好的应用,很适合此处的雷达感知算法的训练。
通过模拟得到每个场景转化为多普勒与距离的图像,也就是R-D图,作为训练的输入,在模拟设置过程中生成对应图像的标签。可以在此处进行图像增强或者是其他图像预处理的方法,以改善检测和训练结果。
基于YOLOv3架构的CNN从零开始进行训练,将模拟得到的R-D图进行训练,判断目标分解出的呼吸频率和心跳频率是否在正常范围。
实施例二
基于机器学习的生命体征检测系统,包括:
采集模块:用于利用毫米波雷达对目标进行监测,获得目标信息;
处理模块:用于将目标信息输入预先建立的监测模型,获得生命体征信号,所述生命体征信号包括呼吸信号和心跳信号;
所述监测模型的建立过程为:
利用毫米波雷达对不同目标进行监测,获得目标信息,所述目标信息包括目标信号和目标回波信号;
将目标信号和目标回波信号合成为中频信号;
对中频信号进行信号处理得到呼吸信号对应频率和心跳信号对应频率;
以呼吸信号对应频率和心跳信号对应频率作为标签构建若干R-D图;
通过若干R-D图对学习模型进行训练,得到监测模型。
实施例三
一种计算机设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现所述基于机器学习的生命体征检测方法的步骤。
实施例四
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计算机程序,所述计算机程序被处理器执行时实现所述基于机器学习的生命体征检测方法的步骤。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
最后应当说明的是:以上实施例仅用于说明本发明的技术方案而非对其保护范围的限制,尽管参照上述实施例对本发明进行了详细的说明,所属领域的普通技术人员应当理解:本领域技术人员阅读本发明后依然可对发明的具体实施方式进行种种变更、修改或者等同替换,但这些变更、修改或者等同替换,均在发明待批的权利要求保护范围之内。
Claims (10)
1.基于机器学习的生命体征检测方法,其特征在于,包括:
利用毫米波雷达对目标进行监测,获得目标信息;
将目标信息输入预先建立的监测模型,获得生命体征信号,所述生命体征信号包括呼吸信号和心跳信号;
所述监测模型的建立过程为:
利用毫米波雷达对不同目标进行监测,获得目标信息,所述目标信息包括目标信号和目标回波信号;
将目标信号和目标回波信号合成为中频信号;
对中频信号进行信号处理得到呼吸信号对应频率和心跳信号对应频率;
以呼吸信号对应频率和心跳信号对应频率作为标签构建若干R-D图;
通过若干R-D图对学习模型进行训练,得到监测模型。
2.根据权利要求1所述的基于机器学习的生命体征检测方法,其特征在于,所述毫米波雷达采用FMCW调频连续波雷达。
3.根据权利要求2所述的基于机器学习的生命体征检测方法,其特征在于,所述将目标信号和目标回波信号合成为中频信号,具体为:以雷达发射信号作为目标信息,以接收信号作为目标回波信号,对于一个周期的信号:
其中,S为扫描斜率,Tc为扫描周期,B为带宽;
故发射信号频率随时间变化的表达式为:
其中,fc为雷达信号起始频率;
从而,发射信号角频率ω(t)随时间变化的关系为:
发射信号相位θ(t)在时刻t的表达式为:
则在介质中传输的FMCW雷达发射信号为:
其中,α为发射信号幅度;
接收信号相当于在发射信号的基础上延时τ,其表达式为:
其中,β为接收信号幅度,τ为电磁波在介质中传播及返回的时间:
其中,R(t)为目标与雷达的实时距离,当目标与雷达标尺相对静止时,R(t)的微小变化由心跳和呼吸引起的体表微动决定,故将R(t)建模为:
R(t)=R0+x(t)
其中,R0为目标与雷达保持相对静止时的初始距离,x(t)在生命体征检测应用场景中为心跳呼吸引起的距离变化量;
中频信号是接收信号和发射信号混频后得到的,中频信号相位为发射信号与接收信号相位差:
故将中频信号表示为:
5.根据权利要求4所述的基于机器学习的生命体征检测方法,其特征在于,所述对中频信号进行信号处理得到呼吸信号对应频率和心跳信号对应频率,具体包括:
对中频信号分别从快时间维度和慢时间维度进行采样,快时间采样是在单个周期信号内对中频信号进行采样,慢时间采样是在所有的周期信号内对中频信号相位进行采样;
沿着慢时间维度进行FFT,得到N*M维数据,N代表每帧的采样点数,M代表采样帧数,对M帧快时间采样点使用1D-FFT进行谱分析,得到M个频谱图,再将频率换算成距离,得到距离谱图,在有效距离范围内,提取每帧频距离谱图中的前K个最大峰值对应的索引,得到K*M维距离单元数据,对K*M维距离单元数据的每一行提取众数,形成K*1维距离单元数据,此时锁定K个潜在目标,潜在目标确定后,提取各自M个1D-FFT谱图中的相位值,对展开后的相位做一阶差分处理,通过比较K个潜在目标相位一阶差分值在慢时间维度的均方差,判断目标是否存在,同时锁定目标距离单元;
使用angle函数对K个潜在目标相位提取,对提取的相位进行展开操作,相位展开后进行一阶差分操作,对一阶差分后的信号进行滑动平均滤波;
对滑动平均滤波后的信号进行带通滤波,带通滤波后使用2D-FFT进行谱估计,通过谱峰搜索获得呼吸信号对应频率及心跳信号对应频率。
6.根据权利要求5所述的基于机器学习的生命体征检测方法,其特征在于,所述1D-FFT具体为:
假设快时间采样率为fs_fast,采样间隔为Tf,采样点数为N,第n个采样点采样时刻为nTf;慢时间采样率为fs_slow,采样间隔为Ts,采样点数为M,第m个采样点采样时刻为mTs;快时间采样时,用离散点nTf代替中频信号表达式中的tm;慢时间采样时,Ts=TRRI,则第n个采样点、第m个信号脉冲的采样信号表示为:
慢时间采样间隔Ts远大于快时间采样间Tf,故上式化简为:
对上式做FFT获得目标距离信息,1D-FFT的结果为:
其中,k代表1D-FFT的第k个频点,n代表第n个快时间采样点;
在生命体征检测中,t时刻呼吸心跳引起的体表微动x(t)建模为:
其中,fb、fh分别表示呼吸、心跳信号基波频率,abi、ahi分别表示呼吸、心跳信号i次谐波的幅度,θbi、θhi分别表示呼吸、心跳信号i次谐波的初相,N,M分别表示呼吸、心跳谐波最大阶次,当t=mTs时,有:
所述2D-FFT具体为:
获取心跳频率fh和呼吸频率fb时,对1D-FFT中的式子相位进行处理,进行2D-FFT,2D-FFT处理过程为:
其中,k表示1D-FFT的第k个频点,p表示2D-FFT的第p个频点。
7.根据权利要求1所述的基于机器学习的生命体征检测方法,其特征在于,所述学习模型采用YOLOv3结构。
8.基于机器学习的生命体征检测系统,其特征在于,包括:
采集模块:用于利用毫米波雷达对目标进行监测,获得目标信息;
处理模块:用于将目标信息输入预先建立的监测模型,获得生命体征信号,所述生命体征信号包括呼吸信号和心跳信号;
所述监测模型的建立过程为:
利用毫米波雷达对不同目标进行监测,获得目标信息,所述目标信息包括目标信号和目标回波信号;
将目标信号和目标回波信号合成为中频信号;
对中频信号进行信号处理得到呼吸信号对应频率和心跳信号对应频率;
以呼吸信号对应频率和心跳信号对应频率作为标签构建若干R-D图;
通过若干R-D图对学习模型进行训练,得到监测模型。
9.一种计算机设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述基于机器学习的生命体征检测方法的步骤。
10.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至7任一项所述基于机器学习的生命体征检测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211715737.2A CN116172539A (zh) | 2022-12-29 | 2022-12-29 | 基于机器学习的生命体征检测方法、系统、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211715737.2A CN116172539A (zh) | 2022-12-29 | 2022-12-29 | 基于机器学习的生命体征检测方法、系统、设备及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116172539A true CN116172539A (zh) | 2023-05-30 |
Family
ID=86451577
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211715737.2A Pending CN116172539A (zh) | 2022-12-29 | 2022-12-29 | 基于机器学习的生命体征检测方法、系统、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116172539A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116548939A (zh) * | 2023-07-04 | 2023-08-08 | 贵州省人民医院 | 一种急危重症患者智能监测方法及装置 |
CN116831540A (zh) * | 2023-07-10 | 2023-10-03 | 康力元(天津)医疗科技有限公司 | 一种基于毫米波的非接触式生命体征监测方法及系统 |
CN116831540B (zh) * | 2023-07-10 | 2024-05-14 | 康力元(天津)医疗科技有限公司 | 一种基于毫米波的非接触式生命体征监测方法及系统 |
-
2022
- 2022-12-29 CN CN202211715737.2A patent/CN116172539A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116548939A (zh) * | 2023-07-04 | 2023-08-08 | 贵州省人民医院 | 一种急危重症患者智能监测方法及装置 |
CN116831540A (zh) * | 2023-07-10 | 2023-10-03 | 康力元(天津)医疗科技有限公司 | 一种基于毫米波的非接触式生命体征监测方法及系统 |
CN116831540B (zh) * | 2023-07-10 | 2024-05-14 | 康力元(天津)医疗科技有限公司 | 一种基于毫米波的非接触式生命体征监测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109875529B (zh) | 一种基于超宽带雷达的生命体征检测方法及系统 | |
Wang et al. | A novel ultra-wideband 80 GHz FMCW radar system for contactless monitoring of vital signs | |
Chen et al. | Contactless electrocardiogram monitoring with millimeter wave radar | |
CN111938613B (zh) | 基于毫米波雷达的健康监测装置及方法 | |
US11234613B2 (en) | Respiration estimation method and apparatus | |
CN113116342A (zh) | 一种基于毫米波雷达的生命信号监测方法 | |
CN114732384B (zh) | 基于微波雷达的心脏健康数据监测方法、装置、存储介质 | |
CN116172539A (zh) | 基于机器学习的生命体征检测方法、系统、设备及介质 | |
Liu et al. | Remote drowsiness detection based on the mmWave FMCW radar | |
Xu et al. | mmECG: Monitoring human cardiac cycle in driving environments leveraging millimeter wave | |
CN111685760B (zh) | 一种基于雷达测量的人体呼吸频率计算方法 | |
US20230072934A1 (en) | Signal restoration system, signal restoration method, computer program, and signal generation system using ai | |
Ji et al. | RBHHM: A novel remote cardiac cycle detection model based on heartbeat harmonics | |
Liu et al. | Non-contact vital signs detection using Mm-wave radar during random body movements | |
Zhao et al. | T-HSER: Transformer Network Enabling Heart Sound Envelope Signal Reconstruction Based on Low Sampling Rate Millimeter Wave Radar | |
Zhou et al. | A modified two-dimension EEMD method for breathing and heart rates monitoring via through-wall IR-UWB radar | |
Silvious et al. | UHF Measurement of Breathing and Heartbeat at a Distance | |
Wang et al. | Separation and denoising of respiratory heartbeat signals based on millimeter-wave radar | |
Cao et al. | A novel frequency tracking algorithm for non-contact vital sign monitoring | |
Liu et al. | Wavelet analysis based noncontact vital signal measurements using mm-Wave radar | |
Mikhelson et al. | Remote sensing of patterns of cardiac activity on an ambulatory subject using millimeter-wave interferometry and statistical methods | |
Obeid et al. | Touch-less heartbeat detection and cardiopulmonary modeling | |
CN112617786A (zh) | 基于tof摄像头的心率检测装置及方法 | |
Son et al. | High-Accuracy Heart Rate Estimation By Half/Double BBI Moving Average and Data Recovery Algorithm of 24GHz CW-Doppler Radar | |
Erdoğan et al. | Microwave noncontact vital sign measurements for medical applications |
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 |