CN116369886A - 基于毫米波雷达的房颤检测装置、设备及存储介质 - Google Patents
基于毫米波雷达的房颤检测装置、设备及存储介质 Download PDFInfo
- Publication number
- CN116369886A CN116369886A CN202310332474.5A CN202310332474A CN116369886A CN 116369886 A CN116369886 A CN 116369886A CN 202310332474 A CN202310332474 A CN 202310332474A CN 116369886 A CN116369886 A CN 116369886A
- Authority
- CN
- China
- Prior art keywords
- millimeter wave
- atrial fibrillation
- micro
- signal
- chest
- 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
- 206010003658 Atrial Fibrillation Diseases 0.000 title claims abstract description 175
- 238000001514 detection method Methods 0.000 title claims abstract description 149
- 210000000038 chest Anatomy 0.000 claims abstract description 94
- 210000000115 thoracic cavity Anatomy 0.000 claims abstract description 74
- 238000000605 extraction Methods 0.000 claims abstract description 34
- 238000011156 evaluation Methods 0.000 claims abstract description 11
- 230000002159 abnormal effect Effects 0.000 claims description 22
- 238000012549 training Methods 0.000 claims description 21
- 230000006870 function Effects 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 10
- 238000005516 engineering process Methods 0.000 claims description 9
- 238000013507 mapping Methods 0.000 claims description 7
- 230000001965 increasing effect Effects 0.000 claims description 6
- 238000002156 mixing Methods 0.000 claims description 4
- 230000011218 segmentation Effects 0.000 claims description 2
- 238000000034 method Methods 0.000 abstract description 33
- 230000000694 effects Effects 0.000 description 35
- 238000012544 monitoring process Methods 0.000 description 23
- 238000012545 processing Methods 0.000 description 23
- 238000001914 filtration Methods 0.000 description 12
- 230000033001 locomotion Effects 0.000 description 12
- 230000008569 process Effects 0.000 description 11
- 238000010586 diagram Methods 0.000 description 10
- 230000001133 acceleration Effects 0.000 description 9
- 230000000747 cardiac effect Effects 0.000 description 9
- 238000013528 artificial neural network Methods 0.000 description 6
- 230000008859 change Effects 0.000 description 6
- 238000004891 communication Methods 0.000 description 6
- 238000005070 sampling Methods 0.000 description 6
- 206010003119 arrhythmia Diseases 0.000 description 5
- 230000006793 arrhythmia Effects 0.000 description 5
- 230000008901 benefit Effects 0.000 description 5
- 239000000284 extract Substances 0.000 description 5
- 230000001746 atrial effect Effects 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 4
- 238000006073 displacement reaction Methods 0.000 description 4
- 238000002592 echocardiography Methods 0.000 description 4
- 230000029058 respiratory gaseous exchange Effects 0.000 description 4
- 230000003595 spectral effect Effects 0.000 description 4
- 238000013461 design Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000003672 processing method Methods 0.000 description 3
- 230000002861 ventricular Effects 0.000 description 3
- 208000001871 Tachycardia Diseases 0.000 description 2
- 238000007792 addition Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 208000006218 bradycardia Diseases 0.000 description 2
- 230000036471 bradycardia Effects 0.000 description 2
- 230000001121 heart beat frequency Effects 0.000 description 2
- 230000001939 inductive effect Effects 0.000 description 2
- 230000001788 irregular Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000000241 respiratory effect Effects 0.000 description 2
- 230000002441 reversible effect Effects 0.000 description 2
- 230000033764 rhythmic process Effects 0.000 description 2
- 230000006794 tachycardia Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 241000282472 Canis lupus familiaris Species 0.000 description 1
- 208000005189 Embolism Diseases 0.000 description 1
- 241000282326 Felis catus Species 0.000 description 1
- 206010019280 Heart failures Diseases 0.000 description 1
- 241000124008 Mammalia Species 0.000 description 1
- 206010040830 Skin discomfort Diseases 0.000 description 1
- 206010049418 Sudden Cardiac Death Diseases 0.000 description 1
- 208000001435 Thromboembolism Diseases 0.000 description 1
- 230000000172 allergic effect Effects 0.000 description 1
- 208000010668 atopic eczema Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000035565 breathing frequency Effects 0.000 description 1
- 230000005189 cardiac health Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 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
- 230000005672 electromagnetic field Effects 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 231100000206 health hazard Toxicity 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000002906 medical waste Substances 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 210000004165 myocardium Anatomy 0.000 description 1
- 230000001314 paroxysmal effect Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000005086 pumping Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000036391 respiratory frequency Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 230000035939 shock Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000011895 specific detection Methods 0.000 description 1
- 238000001228 spectrum 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
- A61B5/02—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
- A61B5/02405—Determining heart rate variability
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/88—Radar or analogous systems specially adapted for specific applications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2131—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on a transform domain processing, e.g. wavelet transform
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
- G06F18/2155—Generating training patterns; Bootstrap methods, e.g. bagging or boosting characterised by the incorporation of unlabelled data, e.g. multiple instance learning [MIL], semi-supervised techniques using expectation-maximisation [EM] or naïve labelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
- G06N3/0455—Auto-encoder networks; Encoder-decoder networks
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- G06N3/088—Non-supervised learning, e.g. competitive learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2123/00—Data types
- G06F2123/02—Data types in the time domain, e.g. time-series data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
- G06F2218/10—Feature extraction by analysing the shape of a waveform, e.g. extracting parameters relating to peaks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/22—Source localisation; Inverse modelling
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Cardiology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Medical Informatics (AREA)
- Surgery (AREA)
- Heart & Thoracic Surgery (AREA)
- Pathology (AREA)
- Physiology (AREA)
- Animal Behavior & Ethology (AREA)
- Veterinary Medicine (AREA)
- Public Health (AREA)
- Computer Networks & Wireless Communication (AREA)
- Electromagnetism (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本申请提供一种基于毫米波雷达的房颤检测装置、设备及存储介质，装置包括：特征提取模块，用于采用特征编码网络提取被测目标的胸腔区域的原始毫米波胸腔微动信号对应的毫米波心脏搏动特征，其中，原始毫米波胸腔微动信号预先基于以毫米波雷达自被测目标的胸腔区域非接触式采集到的该被测目标的中频信号获取的；信号重构模块，用于采用特征解码网络将毫米波心脏搏动特征重构为目标毫米波胸腔微动信号；评估检测模块，用于根据目标毫米波胸腔微动信号和原始毫米波胸腔微动信号之间的损失分数生成针对被测目标的房颤检测结果。本申请能够实现以非接触方式进行心脏房颤检测，且能够有效提高房颤检测的精度，并能够有效提高房颤检测的便捷性及可靠性。
Description
技术领域
本申请涉及房颤检测技术领域，尤其涉及基于毫米波雷达的房颤检测装置、设备及存储介质。
背景技术
心房颤动，简称房颤，是一种十分常见的心律失常，表现为心跳快且不规则。其本质是最严重的心房电活动紊乱，从而导致心房泵血功能恶化或丧失并引起心室极不规则的反应。房颤在人群中发病率高且对健康的危害巨大，包括引发血栓栓塞，心功能不全，心源性猝死等。然而房颤的日常检测十分困难，由于房颤的发病具有隐蔽性和阵发性，所以需要长期、持续的心脏监测才可对房颤进行有效筛查，诊断与跟踪治疗。
然而现有监测手段难以普及房颤检测，医疗机构使用动态心电图(Holter)作为房颤诊断的金标准，但其设备昂贵、佩戴不适，需要电极片长时间贴附易过敏，且产生医疗垃圾，一般仅用于记录24至48小时的心电，而不能用于日常普及的监测。而现有的非接触式心脏活动感知技术方案主要用于心律的监测，对心动过速和心动过缓具备一定的检测能力，而对于诸如房颤这一类粒度更细的心律不齐无法实现检测。其主要原因在于非接触式心脏监测相比于贴片式电极的信号噪音更多，而现有的房颤检测技术无法在这样的情况下工作。
发明内容
鉴于此，本申请实施例提供了基于毫米波雷达的房颤检测装置、设备及存储介质，以消除或改善现有技术中存在的一个或更多个缺陷。
本申请的一个方面提供了一种基于毫米波雷达的房颤检测装置，包括：
特征提取模块，用于采用预设的特征编码网络提取被测目标的胸腔区域的原始毫米波胸腔微动信号对应的毫米波心脏搏动特征，其中，所述原始毫米波胸腔微动信号预先基于以毫米波雷达自所述被测目标的胸腔区域非接触式采集到的该被测目标的中频信号获取的；
信号重构模块，用于采用预设的特征解码网络将所述毫米波心脏搏动特征重构为目标毫米波胸腔微动信号；
评估检测模块，用于根据所述目标毫米波胸腔微动信号和原始毫米波胸腔微动信号之间的损失分数生成针对所述被测目标的房颤检测结果。
在本申请的一些实施例中，还包括：
中频信号采集模块，用于以毫米波雷达自所述被测目标的胸腔区域非接触式采集到的该被测目标的中频信号；
微动信号提取模块，用于根据所述被测目标的中频信号获取所述被测目标的胸腔位置对应的原始毫米波胸腔微动信号。
在本申请的一些实施例中，所述中频信号采集模块包括：
多天线收发单元，用于控制毫米波雷达基于FMCW技术从2个发射天线采用时分复用的方式向所述被测目标的胸腔区域交替发射频率线性增加的线性调频信号，再从其4个接收天线接收对应的反射信号；
中频信号生成单元，用于将发射的所述线性调频信号和对应的所述反射信号进行混合以生成所述被测目标的中频信号。
在本申请的一些实施例中，所述微动信号提取模块包括：
距离仓切分单元，用于将所述中频信号进行快速傅里叶变换以转化为频域信息，并根据该频域信息与所述毫米波雷达的配置信息，将所述频域信息的频率切分为不同的距离仓；
胸腔距离仓提取单元，用于根据所述被测目标与雷达天线之间的距离，提取所述被测目标的胸腔区域所在的距离仓，并提取所述胸腔区域所在的距离仓对应的反射信号分量；
波束成形及建模单元，用于基于所述反射信号分量，采用波束成形的方式将各个所述中频信号分别映射到三维空间中以提取各个所述中频信号分别对应的雷达信号分量；
心脏搏动定位单元，用于根据各个所述中频信号分别对应的雷达信号分量确定所述被测目标的心脏搏动所在的位置坐标；
微动提取单元，用于提取所述被测目标的心脏搏动所在的位置坐标对应的相位信息，并基于该相位信息生成对应的原始毫米波胸腔微动信号。
在本申请的一些实施例中，还包括：
模型训练模块，用于获取多个历史原始毫米波胸腔微动信号，所述历史原始毫米波胸腔微动信号为基于以毫米波雷达自各个被测目标的胸腔区域非接触式采集到的该被测目标的中频信号获取的；将各个所述历史原始毫米波胸腔微动信号作为训练数据，以无监督的方式对预设的编码器和解码器进行模型训练，以将所述编码器训练成用于根据原始毫米波胸腔微动信号提取对应的毫米波心脏搏动特征的特征编码网络，并将所述解码器训练成用于将所述毫米波心脏搏动特征重构为目标毫米波胸腔微动信号的特征解码网络。
在本申请的一些实施例中，所述特征提取模块包括：
编码单元，用于将所述被测目标的胸腔区域的原始毫米波胸腔微动信号输入预设的特征编码网络，以使该特征编码网络输出所述被测目标的毫米波心脏搏动特征。
在本申请的一些实施例中，所述信号重构模块包括：
解码单元，用于将所述被测目标的毫米波心脏搏动特征输入预设的特征编码网络，以使该特征编码网络输出所述被测目标的毫米波胸腔微动信号。
在本申请的一些实施例中，所述评估检测模块包括：
评估单元，用于获取所述目标毫米波胸腔微动信号和原始毫米波胸腔微动信号之间的损失分数，并判断该损失分数是否大于预设的异常阈值，若是，则确定所述被测目标当前出现心脏房颤；若否，则确定所述被测目标当前未出现心脏房颤；
结果生成单元，用于生成用于表示所述被测目标当前是否出现心脏房颤的房颤检测结果，并输出该房颤检测结果。
本申请的另一个方面提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在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毫米波雷达的房颤检测装置的功能。
本申请的再一个方面还提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现所述的基于毫米波雷达的房颤检测装置的功能。
本申请提供的基于毫米波雷达的房颤检测装置，通过设置特征提取模块，用于采用预设的特征编码网络提取被测目标的胸腔区域的原始毫米波胸腔微动信号对应的毫米波心脏搏动特征，其中，所述原始毫米波胸腔微动信号预先基于以毫米波雷达自所述被测目标的胸腔区域非接触式采集到的该被测目标的中频信号获取的；信号重构模块，用于采用预设的特征解码网络将所述毫米波心脏搏动特征重构为目标毫米波胸腔微动信号；评估检测模块，用于根据所述目标毫米波胸腔微动信号和原始毫米波胸腔微动信号之间的损失分数生成针对所述被测目标的房颤检测结果，能够根据非接触式心搏信号的特性，实现心脏活动特征的提取与房颤的检测，能够通过编解码网络实现心搏特征的提取，并评估对该特征的胸腔微动波形重构效果以检测是否存在房颤，进而能够实现以非接触方式进行心脏房颤检测，且能够有效提高房颤检测的精度，并能够有效提高房颤检测的便捷性及可靠性。
本申请的附加优点、目的，以及特征将在下面的描述中将部分地加以阐述，且将对于本领域普通技术人员在研究下文后部分地变得明显，或者可以根据本申请的实践而获知。本申请的目的和其它优点可以通过在说明书以及附图中具体指出的结构实现到并获得。
本领域技术人员将会理解的是，能够用本申请实现的目的和优点不限于以上具体所述，并且根据以下详细说明将更清楚地理解本申请能够实现的上述和其他目的。
附图说明
此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，并不构成对本申请的限定。附图中的部件不是成比例绘制的，而只是为了示出本申请的原理。为了便于示出和描述本申请的一些部分，附图中对应部分可能被放大，即，相对于依据本申请实际制造的示例性装置中的其它部件可能变得更大。在附图中：
图1为本申请一实施例中的基于毫米波雷达的房颤检测装置的第一种结构示意图。
图2为本申请一实施例中的基于毫米波雷达的房颤检测装置的第二种结构示意图。
图3为本申请一实施例中的基于毫米波雷达的房颤检测装置的第三种结构示意图。
图4为本申请另一实施例中的基于毫米波雷达的房颤检测方法的一种流程示意图。
图5为本申请应用实例中提供的基于毫米波雷达的房颤检测装置执行的毫米波房颤检测整体流程举例示意图。
图6为本申请应用实例中提供的毫米波心脏微动提取流程举例示意图。
图7为本申请应用实例中提供的房颤检测过程举例示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚明白，下面结合实施方式和附图，对本申请做进一步详细说明。在此，本申请的示意性实施方式及其说明用于解释本申请，但并不作为对本申请的限定。
在此，还需要说明的是，为了避免因不必要的细节而模糊了本申请，在附图中仅仅示出了与根据本申请的方案密切相关的结构和/或处理步骤，而省略了与本申请关系不大的其他细节。
应该强调，术语“包括/包含”在本文使用时指特征、要素、步骤或组件的存在，但并不排除一个或更多个其它特征、要素、步骤或组件的存在或附加。
在此，还需要说明的是，如果没有特殊说明，术语“连接”在本文不仅可以指直接连接，也可以表示存在中间物的间接连接。
在下文中，将参考附图描述本申请的实施例。在附图中，相同的附图标记代表相同或类似的部件，或者相同或类似的步骤。
在本申请的一个或多个实施例中，ECG(Electrocardiogram)是指心电图，是记录心脏每一心动周期所产生的电活动变化图；Holter是指动态心电图；mmWave(MillimeterWave)是指毫米波，是一种波长在毫米量级的电磁波；FMCW(Frequency ModulatedContinuous Wave)是指调频连续波，是一种雷达调制模式；Tx(Transmit)用来指代雷达的发射天线；Rx(Receive)用来指代雷达的接收天线；FFT(Fast Fourier Transform)是指快速傅里叶变换；BF(Beamforming)是指波束成形，用于电磁波定向聚焦的传输或接收；MIMO(Multiple-in Multiple-out)是指多天线，多进多出技术；Range FFT是指距离快速傅里叶变换，用于FMCW雷达的信号处理，以分辨不同距离上的观测物体；Range Bin是指距离仓，Range FFT将不同距离上观测物体分隔在不同的距离仓中。
随着可穿戴设备的发展，智能手表、手环中也逐渐配备了ECG传感器，但其需要用户主动测量心电(手指触碰电极)，无法实现连续监测。此外，部分工作试图利用智能手表，手环中的脉搏波PPG传感器检测房颤，但脉搏波信息有限导致检测精度不足，
监测设备贴附在人体导致了诸多困扰，而非接触式，无感且连续的房颤检测将大大改善现有监测手段并实现普及。毫米波感知具有非接触式连续房颤检测的潜力，其可实现非接触式的心脏活动监测，不需要随身佩戴，可在办公、睡眠等场景实现被动监测，低廉的成本也使其广泛应用成为可能。
毫米波感知是一类特殊的雷达技术，它使用短波长电磁波。雷达系统传输电磁波信号，然后其路径中的物体反射该信号。通过捕获反射信号，雷达系统可以确定物体的距离、速度和角度。
毫米波雷达传输波长在毫米范围内的信号，属于电磁波谱中的短波长，是该技术的优势之一。具体来说，短波长使得处理毫米波信号的天线等系统组件的尺寸很小，且感知微小运动的精度高。工作频率为76–81GHz(相应波长约为4毫米)的毫米波系统将能够检测小至几分之一毫米的运动。毫米波感知设备实施了一类特殊的雷达技术，称为调频连续波(FMCW)。FMCW雷达连续发射调频信号，以测量距离、角度和速度。这不同于传统的脉冲雷达系统，后者周期性地发射短脉冲。
雷达系统的基本概念是传输物体在其路径中反射的电磁信号。在FMCW雷达中使用的信号中，频率随时间线性增加。这种类型的信号也称为线性调频。
FMCW雷达系统包含以下几个组件：
合成器产生线性调频。
线性调频信号由发射天线发射。
物体对线性调频的反射会产生由接收天线捕获的反射线性调频。
混频器组合RX和TX信号以产生中频(IF)信号。
通过IF信号即可获得物体的距离、速度、方向，以及其微小运动。
因为毫米波感知可以获取微小运动，因此可以通过毫米波进行生命体征检测。成人的心跳频率在0.8到2Hz之间，而呼吸频率在0.1到0.5Hz之间。对微动信号选择心跳频率和呼吸频率进行滤波，并根据时间绘制。这些频率中的每一个在一分钟内的峰值数量提供了人的平均心率和呼吸率。然而仅有呼吸和心跳这类生命体征无法实现对房颤的检测，房颤的检测需要关注到更细粒度的每搏心率和心房心室活动情况。
房颤作为一种异常的心搏，其每搏心律、心房心室活动特性与正常心搏都存在显著差异，因此我们可以将房颤的检测建模为一种异常检测，其中房颤即为心搏中的异常事件。
在数据分析中，异常检测通常被理解为识别与大多数数据有显着偏差且不符合明确定义的稀有项目、事件或观察结果正常行为的概念。此类示例可能会引起怀疑是由不同的机制生成的，或者看起来与该组数据的其余部分不一致。
存在三大类异常检测技术。监督异常检测技术需要一个已标记为“正常”和“异常”的数据集，并涉及训练分类器。然而，由于标记数据的普遍不可用性和类别固有的不平衡性质，这种方法很少用于异常检测。半监督异常检测技术假定数据的某些部分已被标记。这可能是正常或异常数据的任意组合，但通常这些技术会根据给定的正常训练数据集构建一个表示正常行为的模型，然后测试模型生成测试实例的可能性。无监督异常检测技术假定数据未标记，并且由于其更广泛和相关的应用，是迄今为止最常用的。
现有技术对房颤进行检测主要基于心电图记录，具体的检测方案分为两类：一类是根据心搏间隔进行房颤检测，另一类是根据整个心跳时序的过程进行房颤检测
根据心搏间隔进行检测的大致流程如下：
1.提取心电信号中的QRS波波形信息；
2.根据QRS波波形信息确定RR间期的间期差序列对应的直方图；
3.按照预设长度对直方图的分布区域进行划分，得到多个子分布区域
4.根据统计结果，确定心电信号是否为房颤
根据整个心跳时序的过程进行检测的大致过程如下：
1.基于心电设备采集待测人员的心电图信号；
2.对心电图信号进行预处理，得到预处理信号；
3.根据预处理信号绘制时频图和庞加莱图；
4.以时频图和庞加莱图为输入，基于预构建的卷积神经网络根据进行信号分类，完成房颤检测。
此外，现有非接触式心脏活动感知技术通过对雷达反射信号的波束成形、滤波等信号处理方法，实现对胸腔震动的监测，从而感知心脏活动。其大致流程如下：
毫米波雷达采集人体反射信号；
通过距离FFT，波束成形等方法对反射信号进行空间建模，并确定胸腔在空间中的位置，提取该位置的相位信息；
对提取相位信息进行滤波处理(包括带通滤波，神经网络滤波等)，提取心脏活动信号；
根据心脏活动信号计算平均心律，每搏心律等信息。
基于上述内容可知，现有的两种主要的房颤检测技术方案，都是需要先采集心电图信号，而心电图信号需要与身体直接接触的心电图设备采集，采用贴片电极粘贴在身上采集电位信号，长时间检测会带来明显的不适感。
而现有的非接触式心脏活动感知技术方案主要用于心律的监测，对心动过速和心动过缓具备一定的检测能力，而对于诸如房颤这一类粒度更细的心律不齐无法实现检测。其主要原因在于非接触式心脏监测相比于贴片式电极的信号噪音更多，而现有的房颤检测技术无法在这样的情况下工作。
然而现有的医疗设备依然无法摆脱对贴附电极片的依赖，在心电图监测的过程中需要佩戴电极从而导致皮肤不适与使用不便，这也致使部分特殊的人群由于身体条件限制无法佩戴电极片，如烧伤患者及新生儿。此外，电极片的使用也使设备无法长期连续且无感的进行心电图监测，这导致心电监测难以日常化普及，无法获取长周期的心电数据。非接触式的心电监测方法可以解决这些不便利的问题，为用户提供无感的心电持续监测，记录长周期心脏健康数据从而实现疾病的早期筛查与预警预测。毫米波雷达作为一种非接触式感知设备，近年来在健康监测领域的应用广受关注，且其具备连续无感心电图监测的潜在能力。
心脏的活动可分为电活动与机械活动，其中机械活动是由于电活动传导，心肌兴奋导致的。这两类活动都可以通过雷达发射电磁波进行监测，由发射天线发出的电磁波会被胸腔反射回雷达的接收天线，反射信号中携带了心脏活动的信息，其可通过一系列算法提取并建模为心电信号。其中心脏电活动会产生电磁场从而使电磁波在传输过程中频率产生偏移，而心搏过程中的机械活动导致胸腔产生微小的位移起伏变化，这会导致电磁波的相位规律的变化。
在理想情况下可通过传统的信号处理方法可通过聚焦到特定距离、角度以获取心脏活动导致的相位变化，从而判断心脏活动中是否有房颤发生。
基于此，本申请实施例提供一种基于毫米波雷达的房颤检测装置，参见图1，所述基于毫米波雷达的房颤检测装置具体包含有如下内容：
特征提取模块10，用于采用预设的特征编码网络提取被测目标的胸腔区域的原始毫米波胸腔微动信号对应的毫米波心脏搏动特征，其中，所述原始毫米波胸腔微动信号预先基于以毫米波雷达自所述被测目标的胸腔区域非接触式采集到的该被测目标的中频信号获取的。
在本申请的一个或多个实施例中，所述被测目标可以指当前进行心电监测的人，还可以指其他具备心电监测需求的活体，如猫、狗等哺乳动物，以使得本申请提供的基于毫米波雷达的房颤检测装置能够广泛适用。
在本申请的一个或多个实施例中，所述中频信号包含毫米波感知到的被测目标的所有信息，例如包含呼吸、心搏以及体动等全部信息。
基于此，通过以毫米波雷达自被测目标的胸腔区域非接触式采集该被测目标当前的中频信号，无需接触即可监测人体细粒度的心脏活动，并能够为后续获取被测目标的心电监测结果提供可靠且有效的几句基础上，进而能够在实现不同受试者坐姿、仰卧时系统就可以重构被测目标的心电波形的基础上，进一步提高心电监测结果的准确性及有效性。
为了进一步提高采集被测目标的胸腔区域的原始反射信号的便捷性及效率，在本申请的一个具体实施方式中，还可以采用嵌入式毫米波雷达，无需接触即可监测人体细粒度的心脏活动。
具体可以采用毫米波雷达以非接触的形式实现毫米波感知，通过采用毫米波雷达探测心跳引起的被测目标胸腔振动，能够得到包含被测目标的心脏活动等信息的原始信号，即所述中频信号。
信号重构模块20，用于采用预设的特征解码网络将所述毫米波心脏搏动特征重构为目标毫米波胸腔微动信号。
评估检测模块30，用于根据所述目标毫米波胸腔微动信号和原始毫米波胸腔微动信号之间的损失分数生成针对所述被测目标的房颤检测结果。
可以理解的是，在生成所述被测目标的房颤检测结果之后，可以将该房颤检测结果数据发送至客户端设备，以使所述房颤检测结果数据的直接显示或打印，进而进一步提高被测目标的使用体验。
所述基于毫米波雷达的房颤检测的部分可以在客户端设备中执行，具体可以根据所述客户端设备的处理能力，以及用户使用场景的限制等进行选择。本申请对此不作限定。若所有的操作都在所述客户端设备中完成，所述客户端设备还可以包括处理器以及毫米波雷达，用于基于毫米波雷达的房颤检测的具体处理。
上述的客户端设备可以具有通信模块(即通信单元)，可以与远程的服务器进行通信连接，实现与所述服务器的数据传输。所述服务器可以包括任务调度中心一侧的服务器，其他的实施场景中也可以包括中间平台的服务器，例如与任务调度中心服务器有通信链接的第三方服务器平台的服务器。所述的服务器可以包括单台计算机设备，也可以包括多个服务器组成的服务器集群，或者分布式装置的服务器结构。
上述服务器与所述客户端设备端之间可以使用任何合适的网络协议进行通信，包括在本申请提交日尚未开发出的网络协议。所述网络协议例如可以包括TCP/IP协议、UDP/IP协议、HTTP协议、HTTPS协议等。当然，所述网络协议例如还可以包括在上述协议之上使用的RPC协议(Remote Procedure Call Protocol，远程过程调用协议)、REST协议(Representational State Transfer，表述性状态转移协议)等。
本申请提供的基于毫米波雷达的房颤检测系统的实施例具体可以用于执行下述实施例中的基于毫米波雷达的房颤检测方法的实施例的处理流程，其功能可由电子设备中的处理器执行所述计算机程序时实现，其中，电子设备包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序。
从上述描述可知，本申请实施例提供的基于毫米波雷达的房颤检测装置，能够根据非接触式心搏信号的特性，实现心脏活动特征的提取与房颤的检测，能够通过编解码网络实现心搏特征的提取，并评估对该特征的胸腔微动波形重构效果以检测是否存在房颤，进而能够实现以非接触方式进行心脏房颤检测，且能够有效提高房颤检测的精度，并能够有效提高房颤检测的便捷性及可靠性。
为了进一步提高胸腔定位精度，在本申请实施例提供的一种基于毫米波雷达的房颤检测装置中，参见图2，所述基于毫米波雷达的房颤检测装置中还具体包含有如下内容：
中频信号采集模块40，用于以毫米波雷达自所述被测目标的胸腔区域非接触式采集到的该被测目标的中频信号。
微动信号提取模块50，用于根据所述被测目标的中频信号获取所述被测目标的胸腔位置对应的原始毫米波胸腔微动信号。
具体来说，毫米波雷达面向受试者发送信号，采集回波并进行信号处理以提取胸腔微动；即：先将毫米波雷达天线面向受试者胸腔采集数据；然后将所收集到的回波进行信号处理，进行空间建模并聚焦胸腔位置，再分离出胸腔位置的反射信号并提取其微动，形成原始微动信号，也可以简称之为原始微动或称为毫米波胸腔微动信号。
为了进一步提高胸腔定位精度，在本申请实施例提供的一种基于毫米波雷达的房颤检测装置中，参见图3，所述基于毫米波雷达的房颤检测装置中的中频信号采集模块40还具体包含有如下内容：
多天线收发单元41，用于控制毫米波雷达基于FMCW技术从2个发射天线采用时分复用的方式向所述被测目标的胸腔区域交替发射频率线性增加的线性调频信号，再从其4个接收天线接收对应的反射信号；
中频信号生成单元42，用于将发射的所述线性调频信号和对应的所述反射信号进行混合以生成所述被测目标的中频信号。
可以理解的是，所述反射信号是指在向被测目标的胸腔区域发射频率线性增加的线性调频信号之后，自被测目标的胸腔区域反射的频率线性增加的线性调频信号。
毫米波雷达多天线(2发射，4接收)面向受试者胸腔采集数据，受试者与雷达天线之间的距离在20-40cm范围内，且该雷达具备原始中频信号采集能力。
为了进一步提高胸腔定位精度，在本申请实施例提供的一种基于毫米波雷达的房颤检测装置中，参见图3，所述基于毫米波雷达的房颤检测装置中的微动信号提取模块50还具体包含有如下内容：
距离仓切分单元51，用于将所述中频信号进行快速傅里叶变换以转化为频域信息，并根据该频域信息与所述毫米波雷达的配置信息，将所述频域信息的频率切分为不同的距离仓；
胸腔距离仓提取单元52，用于根据所述被测目标与雷达天线之间的距离，提取所述被测目标的胸腔区域所在的距离仓，并提取所述胸腔区域所在的距离仓对应的反射信号分量；
具体来说，将雷达回波处理后的中频信号进行快速傅里叶变换(FFT)转化为频域信息，根据频域信息与FMCW雷达配置的工作频率、扫频斜率、采样率等，将不同距离的反射信号分隔开，这一过程被称为距离FFT。此后根据受试者与雷达天线之间的距离，提取20-40cm距离仓，即胸腔反射信号所在的距离仓，并提取这些距离仓的反射信号分量。
波束成形及建模单元53，用于基于所述反射信号分量，采用波束成形的方式将各个所述中频信号分别映射到三维空间中以提取各个所述中频信号分别对应的雷达信号分量；
在波束成形及建模单元53中，毫米波雷达的多天线排布是经过特殊设计，天线间的相对位置固定的，而波束成型可以利用多天线之间的相对位置信息，将雷达感知到的信息映射到三维空间中，并可根据三维坐标(x,y,z)提取该处的雷达信号分量。
心脏搏动定位单元54，用于根据各个所述中频信号分别对应的雷达信号分量确定所述被测目标的心脏搏动所在的位置坐标；
在心脏搏动定位单元54中，对三维空间中的信号组进行自适应评估，根据不同位置坐标的相位变化频率以及信号能量，确定心脏搏动所在的位置坐标。
微动提取单元55，用于提取所述被测目标的心脏搏动所在的位置坐标对应的相位信息，并基于该相位信息生成对应的原始毫米波胸腔微动信号。
在微动提取单元55中，提取心脏搏动所在位置的相位信息，并进行加速度差分滤波、带通滤波等信号处理，即为心脏微动信息。
为了进一步提高基于毫米波雷达的房颤检测的精度，在本申请实施例提供的一种基于毫米波雷达的房颤检测装置中，参见图2，所述基于毫米波雷达的房颤检测装置中还具体包含有如下内容：
模型训练模块01，用于获取多个历史原始毫米波胸腔微动信号，所述历史原始毫米波胸腔微动信号为基于以毫米波雷达自各个被测目标的胸腔区域非接触式采集到的该被测目标的中频信号获取的；将各个所述历史原始毫米波胸腔微动信号作为训练数据，以无监督的方式对预设的编码器和解码器进行模型训练，以将所述编码器训练成用于根据原始毫米波胸腔微动信号提取对应的毫米波心脏搏动特征的特征编码网络，并将所述解码器训练成用于将所述毫米波心脏搏动特征重构为目标毫米波胸腔微动信号的特征解码网络。
具体来说，过学习在一定约束条件下提取训练数据中最显着的特征，并鼓励模型学习根据特征精确地重构原始输入。在大多数情况下，仅使用具有正常实例的数据来训练自编码器；特殊情况下也会加入心房颤动异常数据集，但与正常数据集相比，异常的频率很小，例如阵发性房颤占总心搏比例0.1％以下，因此可以忽略它对神经网络学习毫米波心搏特征的贡献。
为了进一步提高基于毫米波雷达的房颤检测的精度，在本申请实施例提供的一种基于毫米波雷达的房颤检测装置中，参见图3，所述基于毫米波雷达的房颤检测装置中的特征提取模块10还具体包含有如下内容：
编码单元11，用于将所述被测目标的毫米波心脏搏动特征输入预设的特征编码网络，以使该特征编码网络输出所述被测目标的目标毫米波胸腔微动信号。
具体来说，将输入的胸腔微动信号传入特征编码器，该编码器中包含了一维卷积运算层，用于处理时序信号，卷积层将通过步长设计，进行下采样。编码器同时包含非线性映射与批标准化层，用以拟合非线性运算，同时加快模型收敛过程。编码器最终输出内容为毫米波心搏特征。
为了进一步提高基于毫米波雷达的房颤检测的精度，在本申请实施例提供的一种基于毫米波雷达的房颤检测装置中，参见图3，所述基于毫米波雷达的房颤检测装置中的信号重构模块20还具体包含有如下内容：
解码单元21，用于将所述被测目标的毫米波心脏搏动特征输入预设的特征编码网络，以使该特征编码网络输出所述被测目标的目标毫米波胸腔微动信号。
具体来说，将心搏特征导入解码器网络重构微动信号。解码器是编码器的反置结构，包括了一维反卷积运算层，批标准化层与非线性映射等。解码器的输出为重构的微动信号。
为了进一步提高基于毫米波雷达的房颤检测的精度，在本申请实施例提供的一种基于毫米波雷达的房颤检测装置中，参见图3，所述基于毫米波雷达的房颤检测装置中的评估检测模块30还具体包含有如下内容：
评估单元31，用于获取所述目标毫米波胸腔微动信号和原始毫米波胸腔微动信号之间的损失分数，并判断该损失分数是否大于预设的异常阈值，若是，则确定所述被测目标当前出现心脏房颤；若否，则确定所述被测目标当前未出现心脏房颤。
具体来说，计算原始胸腔微动信号与重构微动信号之间的损失分数，损失分数可采用均方误差(mean-square error,MSE)。
结果生成单元32，用于生成用于表示所述被测目标当前是否出现心脏房颤的房颤检测结果，并输出该房颤检测结果。
具体来说，通过损失分数判断是否存在房颤事件，以5s的信号窗口，250Hz采样的毫米波信号为例，当损失分数大于1时，可判断为检测到了异常心搏，房颤事件。该阈值可根据检测环境，毫米波雷达配置和神经网络训练情况适当调整。
为了进一步说明，本申请实施例还提供一种基于前述的基于毫米波雷达的房颤检测装置实现的基于毫米波雷达的房颤检测方法，参见图4，所述基于毫米波雷达的房颤检测方法具体包含有如下内容：
步骤100：采用预设的特征编码网络提取被测目标的胸腔区域的原始毫米波胸腔微动信号对应的毫米波心脏搏动特征，其中，所述原始毫米波胸腔微动信号预先基于以毫米波雷达自所述被测目标的胸腔区域非接触式采集到的该被测目标的中频信号获取的；
步骤200：采用预设的特征解码网络将所述毫米波心脏搏动特征重构为目标毫米波胸腔微动信号；
步骤300：根据所述目标毫米波胸腔微动信号和原始毫米波胸腔微动信号之间的损失分数生成针对所述被测目标的房颤检测结果。
其中，所述步骤100之前还具体包含有如下内容：
步骤400：以毫米波雷达自所述被测目标的胸腔区域非接触式采集到的该被测目标的中频信号；
步骤500：根据所述被测目标的中频信号获取所述被测目标的胸腔位置对应的原始毫米波胸腔微动信号。
在本申请提供的基于毫米波雷达的房颤检测方法的一个实施例中，所述步骤400具体包含有如下内容：
步骤410：控制毫米波雷达基于FMCW技术从2个发射天线采用时分复用的方式向所述被测目标的胸腔区域交替发射频率线性增加的线性调频信号，再从其4个接收天线接收对应的反射信号；
步骤420：将发射的所述线性调频信号和对应的所述反射信号进行混合以生成所述被测目标的中频信号。
在本申请提供的基于毫米波雷达的房颤检测方法的一个实施例中，所述步骤500具体包含有如下内容：
步骤510：将所述中频信号进行快速傅里叶变换以转化为频域信息，并根据该频域信息与所述毫米波雷达的配置信息，将所述频域信息的频率切分为不同的距离仓。
步骤520：根据所述被测目标与雷达天线之间的距离，提取所述被测目标的胸腔区域所在的距离仓，并提取所述胸腔区域所在的距离仓对应的反射信号分量。
步骤530：基于所述反射信号分量，采用波束成形的方式将各个所述中频信号分别映射到三维空间中以提取各个所述中频信号分别对应的雷达信号分量。
步骤540：根据各个所述中频信号分别对应的雷达信号分量确定所述被测目标的心脏搏动所在的位置坐标。
步骤550：提取所述被测目标的心脏搏动所在的位置坐标对应的相位信息，并基于该相位信息生成对应的原始毫米波胸腔微动信号。
在本申请提供的基于毫米波雷达的房颤检测方法的一个实施例中，所述步骤100之前还可以具体包含有如下内容：
步骤010：获取多个历史原始毫米波胸腔微动信号，所述历史原始毫米波胸腔微动信号为基于以毫米波雷达自各个被测目标的胸腔区域非接触式采集到的该被测目标的中频信号获取的；将各个所述历史原始毫米波胸腔微动信号作为训练数据，以无监督的方式对预设的编码器和解码器进行模型训练，以将所述编码器训练成用于根据原始毫米波胸腔微动信号提取对应的毫米波心脏搏动特征的特征编码网络，并将所述解码器训练成用于将所述毫米波心脏搏动特征重构为目标毫米波胸腔微动信号的特征解码网络。
在本申请提供的基于毫米波雷达的房颤检测方法的一个实施例中，所述步骤100具体包含有如下内容：
步骤110：将所述被测目标的胸腔区域的原始毫米波胸腔微动信号输入预设的特征编码网络，以使该特征编码网络输出所述被测目标的毫米波心脏搏动特征。
在本申请提供的基于毫米波雷达的房颤检测方法的一个实施例中，所述步骤200具体包含有如下内容：
步骤210：将所述被测目标的毫米波心脏搏动特征输入预设的特征编码网络，以使该特征编码网络输出所述被测目标的目标毫米波胸腔微动信号。
在本申请提供的基于毫米波雷达的房颤检测方法的一个实施例中，所述步骤300具体包含有如下内容：
步骤310：获取所述目标毫米波胸腔微动信号和原始毫米波胸腔微动信号之间的损失分数，并判断该损失分数是否大于预设的异常阈值，若是，则确定所述被测目标当前出现心脏房颤；若否，则确定所述被测目标当前未出现心脏房颤。
步骤320：生成用于表示所述被测目标当前是否出现心脏房颤的房颤检测结果，并输出该房颤检测结果。
从上述描述可知，本申请实施例提供的基于毫米波雷达的房颤检测方法，能够根据非接触式心搏信号的特性，实现心脏活动特征的提取与房颤的检测，能够通过编解码网络实现心搏特征的提取，并评估对该特征的胸腔微动波形重构效果以检测是否存在房颤，进而能够实现以非接触方式进行心脏房颤检测，且能够有效提高房颤检测的精度，并能够有效提高房颤检测的便捷性及可靠性。
为了进一步说明本方案，本申请还提供一种基于毫米波雷达的房颤检测装置执行基于毫米波雷达的房颤检测方法的具体应用实例，以待测目标为目标人体为例进行说明，基于毫米波雷达，以非接触方式对心房颤动事件进行检测。首先要解决的是心脏微动提取过程中胸腔定位不精确的问题，这里本申请在毫米波心脏微动提取流程中设计了动态自适应心搏定位。第二点也是最核心的技术即是根据非接触式心搏信号的特性，进行心脏活动特征的提取与房颤的检测，本申请通过编解码网络实现心搏特征的提取，并评估对该特征的胸腔微动波形重构效果以检测是否存在房颤。本申请应用实例将毫米波雷达天线面向受试者胸腔采集数据；将所收集到的回波进行信号处理，进行空间建模并聚焦胸腔位置；分离出胸腔位置的反射信号并提取其微动；将微动信号输入编码网络获取心搏特征；将心搏特征输入解码网络重构微动信号；比较重构微动信号与原始微动信号的损失分数；通过损失分数对样本进行打分；通过分数结果对房颤事件进行判断。
参见图5，基于毫米波雷达的房颤检测装置执行的毫米波房颤检测整体流程具体包含有如下内容：
S1.毫米波雷达面向受试者发送信号，采集回波并进行信号处理以提取胸腔微动；即：先将毫米波雷达天线面向受试者胸腔采集数据；然后将所收集到的回波进行信号处理，进行空间建模并聚焦胸腔位置，再分离出胸腔位置的反射信号并提取其微动，形成原始微动信号，也可以简称之为原始微动或称为毫米波胸腔微动信号。
S2.将需要判读的毫米波胸腔微动信号输入特征编码网络(也可以简称为：编码网络)，将微动信号降维以提取心博特征。
具体来说，将心房颤动视为心脏搏动中的异常事件，利用自编码器(AutoEncoder)结构以无监督学习方式进行异常事件检测。
S3.利用特征解码网络(也可以简称为：解码网络)将上一步提取的心博特征恢复为毫米波微动信号(也可以称之为：重构微动信号)，计算恢复后的信号(即：重构微动信号)相比原始微动的损失分数，即：比较重构微动信号与原始微动信号的损失分数。
S4：对几个样本内的损失分数进行分析评估，若损失分数超过一定范围，则判定采集的信号中存在房颤事件。
参见图6，上述步骤S1中的毫米波心脏微动提取流程具体包含有下述内容：
S11：采集中频信号：毫米波雷达多天线(2发射，4接收)面向受试者胸腔采集数据，受试者与雷达天线之间的距离在20-40cm范围内，且该雷达具备原始中频信号采集能力。
S12：距离FFT、距离仓提取、分离胸腔距离仓：将雷达回波处理后的中频信号进行快速傅里叶变换(FFT)转化为频域信息，根据频域信息与FMCW雷达配置的工作频率、扫频斜率、采样率等，将不同距离的反射信号分隔开，这一过程被称为距离FFT。此后根据受试者与雷达天线之间的距离，提取20-40cm距离仓，即胸腔反射信号所在的距离仓，并提取这些距离仓的反射信号分量。
具体来说，基于FMCW雷达扫频工作的原理，雷达中频信号的频率信息与测量目标的距离具有线性关系：
其中fIF是中频信号的频率，S是雷达的扫频斜率，τ是毫米波在雷达与目标(受试者胸腔)之间往返的时间，R是雷达与目标之间的距离，c为毫米波在空气中的传播速度。
而在实际测量中，环境中存在诸多反射物体，从而导致fIF中存在多个频域成分。为了提取其中胸腔相关的反射信号，并排除其他距离上的干扰物体，本申请将fIF通过FFT切分为不同的距离仓：
其中fbin是距离仓对应的中频频率，samples是雷达的总采样点数，每个采样点对应一个距离仓，samplesIndex指该距离仓所对应采样点的序号，fs指雷达的采样频率。根据公式(1)和(2)，可以确定每个距离仓所代表的距离Rangebin：
从而本申请将筛选出距离在20-40cm的距离仓，作为胸腔所在的距离仓并提取这些距离仓的雷达信号分量，即公式(4)中的Bin(z)，用于下一步的处理。
S13：多天线波束成形、三维空间建模：对多天线(2发射，4接收)信号进行波束成形，并映射到三维空间，构建受试者心脏相关位置的三维空间。具体来说，毫米波雷达的多天线排布是经过特殊设计，天线间的相对位置固定的，而波束成型可以利用多天线之间的相对位置信息，将雷达感知到的信息映射到三维空间中，并可根据三维坐标(x,y,z)提取该处的雷达信号分量Map(x,y,z)：
其中，x、y、z分别表示三维坐标的横轴、纵轴和竖轴；i代表天线通道(2发射，4接收可提供8个天线通道)，xi和yi表示i通道的所在空间位置的对应坐标，Bin(z)表示在z距离的距离仓雷达信号分量。
S14：动态自适应心博定位、聚焦胸腔心博信号：对三维空间中的信号组进行自适应评估，根据不同位置坐标的相位变化频率以及信号能量，确定心脏搏动所在的位置坐标；
首先，将步骤S13的Map(x,y,z)转为相位信号，并计算步骤S13中每个三维坐标下雷达信号的功率谱密度PSD(Power Spectral Density)，即Map(x,y,z)信号相位的功率谱密度，记为PSD(x,y,z,f)，表示在(x,y,z)坐标下的信号分量，其频率为f的功率，且f的单位为(次/分钟)，该频率即为相位变化频率，也就是胸腔发生微小位移的频率。此后本申请将计算每个坐标下的信号在心率频段(40-200次/分钟)的功率谱密度之和Fheart(x,y,z)，即为心脏搏动信号能量：
Fheart(x,y,z)越高，说明该位置坐标下的信号中心脏搏动能量越高，距离心脏的位置越近。为了确定心脏搏动所在的位置坐标，本申请取Fheart(x,y,z)值最大的坐标(x0,y0,z0)，用于下一步的信号处理。
S15：微动提取：提取心脏搏动所在位置的相位信号pi，并进行加速度差分滤波、带通滤波等信号处理，即为心脏微动信息。
具体来说，毫米波雷达的信号相位中除心搏信息外还包含如胸腔呼吸位移，人为体动等噪音，为了滤除这些噪音，提取更精准的心搏相位，本申请设计了加速度差分滤波。其原理是利用心搏信息与呼吸、体动信息的加速度差异：虽然心搏胸腔微动的振幅比呼吸、体动小，但心搏造成微动的加速度更大。所以本申请对上一步中提取到的相位信号pi进行加速度差分滤波，即胸腔位移取差分二阶导得到胸腔加速度信号，为心脏微动信息：
其中Diff_pi为加速度差分滤波后的心脏微动信号，pi为提取到的信号相位，T为FMCW波之间的时间间隔。
以及，上述步骤S2至步骤S4对应的检测心房颤动异常事件具体包含有下述内容：
前提：所输入信号为步骤S1中最终的心脏微动信号，其为心脏细粒度运动信息。
S21：模型训练：通过学习在一定约束条件下提取训练数据中最显着的特征，并鼓励模型学习根据特征精确地重构原始输入。在大多数情况下，仅使用具有正常实例的数据来训练自编码器；特殊情况下也会加入心房颤动异常数据集，但与正常数据集相比，异常的频率很小，例如阵发性房颤占总心搏比例0.1％以下，因此可以忽略它对神经网络学习毫米波心搏特征的贡献。
S22：训练后，应用阶段的模型架构与训练阶段相同，重构损失分数被用作异常分数来检测异常。自编码器将准确地重建“正常”数据，模型将输出较高质量的重构信号，重构损失分数较小。而对于模型不熟悉的异常数据则无法做到这一点，模型的重构效果将大幅减弱，原始微动信号与编码器重构信号之间的误差较大。
具体来说，参见图7，步骤S22中的房颤检测过程具体包含有如下内容：
1.将输入的胸腔微动信号传入特征编码器，该编码器中包含了一维卷积运算层，用于处理时序信号，卷积层将通过步长设计，进行下采样。编码器同时包含非线性映射与批标准化层，用以拟合非线性运算，同时加快模型收敛过程。编码器最终输出内容为毫米波心搏特征。
2.将心搏特征导入解码器网络重构微动信号。解码器是编码器的反置结构，包括了一维反卷积运算层，批标准化层与非线性映射等。解码器的输出为重构的微动信号。
3.计算原始胸腔微动信号与重构微动信号之间的损失分数，损失分数可采用均方误差(mean-square error,MSE)。
4.通过损失分数判断是否存在房颤事件，以5s的信号窗口，250Hz采样的毫米波信号为例，当损失分数大于1时，可判断为检测到了异常心搏，房颤事件。该阈值可根据检测环境，毫米波雷达配置和神经网络训练情况适当调整。
本申请应用实例提供的基于毫米波雷达的房颤检测装置执行的毫米波房颤检测整体流程，能够通过非接触方式进行无感的长时间房颤检测，摆脱了传统房颤检测中需要随身佩戴用以检测心电图的设备这一局限性。将房颤这类心律不齐事件视为异常事件，通过异常检测技术方案检测房颤，实现端到端的非接触式房颤检测。端到端的检测无需构建诸如心电图或心震图等信号，相比于传统的毫米波雷达信号处理方法避免了信息的遗漏从而实现高精度的房颤检测。
与现有技术相比，本申请应用实例的有益效果是：
1、针对房颤检测的应用场景，利用毫米波雷达天线面向受试者胸腔以非接触的方式采集数据，在数据处理过程中首先分离胸腔距离仓，此后利用多天线阵列进行波束成形，并对雷达的感知范围进行三维空间建模。
2、在三维空间中对信号幅值、相位的时频特征进行分析，选取其中最具有胸腔微动特性的区域，用以定位心搏。从而实现动态自适应心搏定位，并提取该位置的微动信号。
3、构建了一个编码器-解码器深度神经网络(DNN)架构用以进行心搏特征提取，微动信号首先输入编码器结构进行降维处理，得到低维度心搏特征，再将此低维度特征重构成为微动信号。即该网络以微动信号作为输入，网络的训练目标为重构同这个微动信号，从而实现无监督学习编码器和解码器中间的低维度心搏特征。
4、将房颤事件视为异常心搏，以异常检测的方式实现房颤检测。将待测信号输入编码器-解码器架构，评估重构信号与原信号的损失分数。损失分数越高，意味着该段信号越可能存在着房颤心律不齐事件。
本申请实施例还提供了一种电子设备，该电子设备可以包括处理器、存储器、接收器及发送器，处理器用于执行上述实施例提及的基于毫米波雷达的房颤检测装置的功能，其中处理器和存储器可以通过总线或者其他方式连接，以通过总线连接为例。该接收器可通过有线或无线方式与处理器、存储器连接。
处理器可以为中央处理器(Central Processing Unit，CPU)。处理器还可以为其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等芯片，或者上述各类芯片的组合。
存储器作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序、非暂态计算机可执行程序以及模块，如本申请实施例中的基于毫米波雷达的房颤检测装置的功能对应的程序指令/模块。处理器通过运行存储在存储器中的非暂态软件程序、指令以及模块，从而执行处理器的各种功能应用以及数据处理，即实现上述方法实施例中的基于毫米波雷达的房颤检测装置的功能。
存储器可以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、至少一个功能所需要的应用程序；存储数据区可存储处理器所创建的数据等。此外，存储器可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施例中，存储器可选包括相对于处理器远程设置的存储器，这些远程存储器可以通过网络连接至处理器。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
所述一个或者多个模块存储在所述存储器中，当被所述处理器执行时，执行实施例中的基于毫米波雷达的房颤检测装置的功能。
在本申请的一些实施例中，用户设备可以包括处理器、存储器和收发单元，该收发单元可包括接收器和发送器，处理器、存储器、接收器和发送器可通过总线系统连接，存储器用于存储计算机指令，处理器用于执行存储器中存储的计算机指令，以控制收发单元收发信号。
作为一种实现方式，本申请中接收器和发送器的功能可以考虑通过收发电路或者收发的专用芯片来实现，处理器可以考虑通过专用处理芯片、处理电路或通用芯片实现。
作为另一种实现方式，可以考虑使用通用计算机的方式来实现本申请实施例提供的服务器。即将实现处理器，接收器和发送器功能的程序代码存储在存储器中，通用处理器通过执行存储器中的代码来实现处理器，接收器和发送器的功能。
本申请实施例还提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时以实现前述基于毫米波雷达的房颤检测装置的功能。该计算机可读存储介质可以是有形存储介质，诸如随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、软盘、硬盘、可移动存储盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质。
本领域普通技术人员应该可以明白，结合本文中所公开的实施方式描述的各示例性的组成部分、系统和方法，能够以硬件、软件或者二者的结合来实现。具体究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。当以硬件方式实现时，其可以例如是电子电路、专用集成电路(ASIC)、适当的固件、插件、功能卡等等。当以软件方式实现时，本申请的元素是被用于执行所需任务的程序或者代码段。程序或者代码段可以存储在机器可读介质中，或者通过载波中携带的数据信号在传输介质或者通信链路上传送。
需要明确的是，本申请并不局限于上文所描述并在图中示出的特定配置和处理。为了简明起见，这里省略了对已知方法的详细描述。在上述实施例中，描述和示出了若干具体的步骤作为示例。但是，本申请的方法过程并不限于所描述和示出的具体步骤，本领域的技术人员可以在领会本申请的精神后，作出各种改变、修改和添加，或者改变步骤之间的顺序。
本申请中，针对一个实施方式描述和/或例示的特征，可以在一个或更多个其它实施方式中以相同方式或以类似方式使用，和/或与其他实施方式的特征相结合或代替其他实施方式的特征
以上所述仅为本申请的优选实施例，并不用于限制本申请，对于本领域的技术人员来说，本申请实施例可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。
Claims (10)
1.一种基于毫米波雷达的房颤检测装置，其特征在于，包括：
特征提取模块，用于采用预设的特征编码网络提取被测目标的胸腔区域的原始毫米波胸腔微动信号对应的毫米波心脏搏动特征，其中，所述原始毫米波胸腔微动信号预先基于以毫米波雷达自所述被测目标的胸腔区域非接触式采集到的该被测目标的中频信号获取的；
信号重构模块，用于采用预设的特征解码网络将所述毫米波心脏搏动特征重构为目标毫米波胸腔微动信号；
评估检测模块，用于根据所述目标毫米波胸腔微动信号和原始毫米波胸腔微动信号之间的损失分数生成针对所述被测目标的房颤检测结果。
2.根据权利要求1所述的基于毫米波雷达的房颤检测装置，其特征在于，还包括：
中频信号采集模块，用于以毫米波雷达自所述被测目标的胸腔区域非接触式采集到的该被测目标的中频信号；
微动信号提取模块，用于根据所述被测目标的中频信号获取所述被测目标的胸腔位置对应的原始毫米波胸腔微动信号。
3.根据权利要求2所述的基于毫米波雷达的房颤检测装置，其特征在于，所述中频信号采集模块包括：
多天线收发单元，用于控制毫米波雷达基于FMCW技术从2个发射天线采用时分复用的方式向所述被测目标的胸腔区域交替发射频率线性增加的线性调频信号，再从其4个接收天线接收对应的反射信号；
中频信号生成单元，用于将发射的所述线性调频信号和对应的所述反射信号进行混合以生成所述被测目标的中频信号。
4.根据权利要求3所述的基于毫米波雷达的房颤检测装置，其特征在于，所述微动信号提取模块包括：
距离仓切分单元，用于将所述中频信号进行快速傅里叶变换以转化为频域信息，并根据该频域信息与所述毫米波雷达的配置信息，将所述频域信息的频率切分为不同的距离仓；
胸腔距离仓提取单元，用于根据所述被测目标与雷达天线之间的距离，提取所述被测目标的胸腔区域所在的距离仓，并提取所述胸腔区域所在的距离仓对应的反射信号分量；
波束成形及建模单元，用于基于所述反射信号分量，采用波束成形的方式将各个所述中频信号分别映射到三维空间中以提取各个所述中频信号分别对应的雷达信号分量；
心脏搏动定位单元，用于根据各个所述中频信号分别对应的雷达信号分量确定所述被测目标的心脏搏动所在的位置坐标；
微动提取单元，用于提取所述被测目标的心脏搏动所在的位置坐标对应的相位信息，并基于该相位信息生成对应的原始毫米波胸腔微动信号。
5.根据权利要求1所述的基于毫米波雷达的房颤检测装置，其特征在于，还包括：
模型训练模块，用于获取多个历史原始毫米波胸腔微动信号，所述历史原始毫米波胸腔微动信号为基于以毫米波雷达自各个被测目标的胸腔区域非接触式采集到的该被测目标的中频信号获取的；将各个所述历史原始毫米波胸腔微动信号作为训练数据，以无监督的方式对预设的编码器和解码器进行模型训练，以将所述编码器训练成用于根据原始毫米波胸腔微动信号提取对应的毫米波心脏搏动特征的特征编码网络，并将所述解码器训练成用于将所述毫米波心脏搏动特征重构为目标毫米波胸腔微动信号的特征解码网络。
6.根据权利要求1至5任一项的所述的基于毫米波雷达的房颤检测装置，其特征在于，所述特征提取模块包括：
编码单元，用于将所述被测目标的胸腔区域的原始毫米波胸腔微动信号输入预设的特征编码网络，以使该特征编码网络输出所述被测目标的毫米波心脏搏动特征。
7.根据权利要求1至5任一项的所述的基于毫米波雷达的房颤检测装置，其特征在于，所述信号重构模块包括：
解码单元，用于将所述被测目标的毫米波心脏搏动特征输入预设的特征编码网络，以使该特征编码网络输出所述被测目标的毫米波胸腔微动信号。
8.根据权利要求1至5任一项的所述的基于毫米波雷达的房颤检测装置，其特征在于，所述评估检测模块包括：
评估单元，用于获取所述目标毫米波胸腔微动信号和原始毫米波胸腔微动信号之间的损失分数，并判断该损失分数是否大于预设的异常阈值，若是，则确定所述被测目标当前出现心脏房颤；若否，则确定所述被测目标当前未出现心脏房颤；
结果生成单元，用于生成用于表示所述被测目标当前是否出现心脏房颤的房颤检测结果，并输出该房颤检测结果。
9.一种电子设备，包括存储器、处理器及存储在存储器上并可在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8任一项所述的基于毫米波雷达的房颤检测装置的功能。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1至8任一项所述的基于毫米波雷达的房颤检测装置的功能。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310332474.5A CN116369886A (zh) | 2023-03-30 | 2023-03-30 | 基于毫米波雷达的房颤检测装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310332474.5A CN116369886A (zh) | 2023-03-30 | 2023-03-30 | 基于毫米波雷达的房颤检测装置、设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116369886A true CN116369886A (zh) | 2023-07-04 |
Family
ID=86968751
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310332474.5A Pending CN116369886A (zh) | 2023-03-30 | 2023-03-30 | 基于毫米波雷达的房颤检测装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116369886A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117257270A (zh) * | 2023-10-26 | 2023-12-22 | 北京津发科技股份有限公司 | 一种生理信号采集方法、系统及可穿戴设备 |
| CN117731298A (zh) * | 2024-01-05 | 2024-03-22 | 长春理工大学 | 一种基于fmcw雷达的非接触式心电信号反演方法 |
-
2023
- 2023-03-30 CN CN202310332474.5A patent/CN116369886A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117257270A (zh) * | 2023-10-26 | 2023-12-22 | 北京津发科技股份有限公司 | 一种生理信号采集方法、系统及可穿戴设备 |
| CN117731298A (zh) * | 2024-01-05 | 2024-03-22 | 长春理工大学 | 一种基于fmcw雷达的非接触式心电信号反演方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116369886A (zh) | 基于毫米波雷达的房颤检测装置、设备及存储介质 | |
| CN111481184B (zh) | 基于毫米波雷达技术的多目标呼吸心率监测方法与系统 | |
| Chen et al. | Contactless electrocardiogram monitoring with millimeter wave radar | |
| Yin et al. | ECG monitoring system integrated with IR-UWB radar based on CNN | |
| Yamamoto et al. | ECG signal reconstruction via Doppler sensor by hybrid deep learning model with CNN and LSTM | |
| US20220142478A1 (en) | Radar cardiography: a precise cardiac data reconstruction method | |
| CN105476602A (zh) | 非接触式人体生命体征测量方法及装置 | |
| CN114052740B (zh) | 基于毫米波雷达的非接触心电图监测方法 | |
| CN110353649A (zh) | 一种心率检测方法 | |
| CN204813836U (zh) | 中老年人心脑血管监护手表 | |
| Fioranelli et al. | Contactless radar sensing for health monitoring | |
| Kuzmin et al. | Mobile ECG monitoring system prototype and wavelet-based arrhythmia detection | |
| Toda et al. | ECG signal reconstruction using FMCW radar and convolutional neural network | |
| 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 | |
| Xu et al. | mmECG: Monitoring human cardiac cycle in driving environments leveraging millimeter wave | |
| CN115736854A (zh) | 一种基于毫米波雷达的呼吸心跳监测系统 | |
| Liu et al. | Remote drowsiness detection based on the mmWave FMCW radar | |
| Schroth et al. | Emergency response person localization and vital sign estimation using a semi-autonomous robot mounted SFCW radar | |
| CN116369934A (zh) | 基于毫米波感知的非接触式心电监测方法及系统 | |
| CN113100725A (zh) | 基于光纤传感器的健康状态快速检测装置及方法 | |
| CN110946555A (zh) | 一种呼吸骤停检测报警系统 | |
| Gao et al. | A new direction for biosensing: RF sensors for monitoring cardio-pulmonary function | |
| JP2023035888A (ja) | 無線レーダー信号に基づいて心拍データを抽出するための装置及び方法 | |
| Marty et al. | Investigation of mmwave radar technology for non-contact vital sign monitoring | |
| Yen et al. | Non-contact estimation of cardiac inter-beat interval and heart rate variability using time-frequency domain analysis for cw radar |
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 |