CN116449353A - 一种睡眠过程人体存在检测方法、装置、设备及存储介质 - Google Patents
一种睡眠过程人体存在检测方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN116449353A CN116449353A CN202310728896.4A CN202310728896A CN116449353A CN 116449353 A CN116449353 A CN 116449353A CN 202310728896 A CN202310728896 A CN 202310728896A CN 116449353 A CN116449353 A CN 116449353A
- Authority
- CN
- China
- Prior art keywords
- sequence
- time
- observation window
- short
- long
- 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.)
- Granted
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 153
- 238000000034 method Methods 0.000 title claims abstract description 89
- 230000008569 process Effects 0.000 title claims abstract description 44
- 230000036391 respiratory frequency Effects 0.000 claims abstract description 46
- 230000007774 longterm Effects 0.000 claims description 74
- 230000036387 respiratory rate Effects 0.000 claims description 42
- 230000000241 respiratory effect Effects 0.000 claims description 11
- 230000001629 suppression Effects 0.000 claims description 7
- 238000009825 accumulation Methods 0.000 claims description 5
- 230000001427 coherent effect Effects 0.000 claims description 5
- 238000001228 spectrum Methods 0.000 claims description 5
- 230000003068 static effect Effects 0.000 claims description 5
- 230000000737 periodic effect Effects 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 3
- 230000029058 respiratory gaseous exchange Effects 0.000 claims description 3
- 239000002609 medium Substances 0.000 description 20
- 238000012544 monitoring process Methods 0.000 description 8
- 238000012545 processing Methods 0.000 description 7
- 241000255925 Diptera Species 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 238000003066 decision tree Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 230000003860 sleep quality Effects 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000005311 autocorrelation function Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 239000012120 mounting media Substances 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000284 resting effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
Classifications
-
- 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
- G01S13/02—Systems using reflection of radio waves, e.g. primary radar systems; Analogous systems
- G01S13/04—Systems determining presence of a target
-
- 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
- A61B5/103—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
- A61B5/1113—Local tracking of patients, e.g. in a hospital or private home
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/48—Other medical applications
- A61B5/4806—Sleep evaluation
- A61B5/4809—Sleep detection, i.e. determining whether a subject is asleep or not
-
- 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
- A61B5/7203—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal
- A61B5/7207—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal of noise induced by motion artifacts
-
- 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
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
- G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
- G01S7/417—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section involving the use of neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
-
- 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
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Animal Behavior & Ethology (AREA)
- Medical Informatics (AREA)
- Veterinary Medicine (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Surgery (AREA)
- Molecular Biology (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Computer Networks & Wireless Communication (AREA)
- Evolutionary Computation (AREA)
- Signal Processing (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physiology (AREA)
- Theoretical Computer Science (AREA)
- Anesthesiology (AREA)
- Radiology & Medical Imaging (AREA)
- Dentistry (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- Psychiatry (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明实施例公开了一种睡眠过程人体存在检测方法、装置、设备及存储介质，涉及雷达检测技术领域。该方法包括：获取目标室内空间的雷达回波信号；基于雷达回波信号进行动目标检测及微动参数估计，得到人体目标检测序列、位置估计序列、体动指数序列及呼吸频率估计序列，根据人体目标检测序列与呼吸频率估计序列确定人体状态序列；根据体动指数序列进行大体动检测，检测到大体动时，确定当前大体动与上一次大体动之间的第一时间间隔；若第一时间间隔大于预设长短时干扰检测门限，则进行长时干扰检测；若第一时间间隔小于等于该门限，则进行短时干扰检测。从而实现对睡眠过程中的人体存在情况进行有效检测，极大的降低了室内干扰的虚警率。
Description
技术领域
本发明实施例涉及雷达检测技术领域，尤其涉及一种睡眠过程人体存在检测方法、装置、设备及存储介质。
背景技术
随着人们对人体健康的日益关注，人体睡眠监测成为近年来研究的热点。在睡眠监测领域，到目前为止，人们已经开发了许多传感器（如接触式传感器和非接触式传感器）用于人体睡眠监测。压电传感器和射频识别是检测人体睡眠质量最常用的两种接触式传感器。然而，大量的有线传感器与人体连接造成不便，传统监控设备的使用通常需要专业人员的帮助。非接触式传感器有计算机视觉、非接触式非附着电极、超声波传感器和雷达。其中，计算机视觉依赖于环境光照，产生大量数据，侵犯隐私，而使用非接触式非附着电极传感器的方法可能无法很好的处理传感器距离人体50mm以上的情况，在存在三角形误差、镜面反射误差以及多重反射误差时，超声方法的性能也会下降。与之相比，基于雷达的睡眠监测方法具有非接触式、可以全天时全天候监测、易于使用、保护隐私等优点。
使用雷达进行睡眠监测的任务主要有：睡眠中的人体存在检测、入睡识别、睡眠分期、睡眠质量估计等等。其中在进行人体存在检测时，室内环境下静息人员的回波表现出强杂波、信杂噪比低，目标检测难、目标多普勒频率小、与杂波多普勒谱接近，杂波抑制难等问题。此外，居家环境中，还可能存在风吹窗帘、蚊帐以及风扇、空调等干扰，这些干扰信号在多普勒上表现出与静止人体目标重叠的特性，导致虚警率高。
发明内容
本发明实施例提供一种睡眠过程人体存在检测方法、装置、设备及存储介质，以实现在复杂的居家环境中，避免环境干扰的影响，对睡眠过程中的人体存在情况进行有效检测，降低误报。
第一方面，本发明实施例提供了一种睡眠过程人体存在检测方法，该方法包括：
获取目标室内空间的雷达回波信号；
基于所述雷达回波信号进行动目标检测以及微动参数估计，以得到人体目标检测序列、位置估计序列、体动指数序列以及呼吸频率估计序列，并根据所述人体目标检测序列与所述呼吸频率估计序列确定人体状态序列；
根据所述体动指数序列进行大体动检测，当检测到大体动时，确定当前大体动与上一次大体动之间的第一时间间隔；
若所述第一时间间隔大于预设长短时干扰检测门限，则基于所述位置估计序列、所述体动指数序列、所述呼吸频率估计序列以及所述人体状态序列提取长时特征，并将所述长时特征输入第一分类器，以预测所述目标室内空间中是否有人；
若所述第一时间间隔小于等于所述预设长短时干扰检测门限，则基于所述位置估计序列、所述体动指数序列、所述呼吸频率估计序列以及所述人体状态序列提取短时特征，并将所述短时特征输入第二分类器，以预测所述目标室内空间中是否有人。
可选的，所述基于所述位置估计序列、所述体动指数序列、所述呼吸频率估计序列以及所述人体状态序列提取短时特征，包括：
记录当前时刻与上一次大体动结束时刻之间的第二时间间隔；
当所述第二时间间隔为第一预设时间间隔的整数倍时，使用当前时刻起过去的预设短时观测窗口时长内的所述位置估计序列、所述体动指数序列、所述呼吸频率估计序列以及所述人体状态序列提取所述短时特征。
可选的，所述预设短时观测窗口时长从小到大依次包括第一短时观测窗口时长、第二短时观测窗口时长、第三短时观测窗口时长以及第四短时观测窗口时长；所述短时特征包括第一体动指数序列特征、第一人体状态序列特征、第一呼吸频率序列特征以及第一位置序列特征；其中，
所述第一体动指数序列特征包括所述体动指数序列在所述第一短时观测窗口时长内的均值、标准差以及小于第一预设值的比例；
所述第一人体状态序列特征包括所述人体状态序列在所述第一短时观测窗口时长内检测结果为无人的比例与检测有人存在下的差分求和、所述人体状态序列在所述第一短时观测窗口时长内与所述第四短时观测窗口时长内判定为呼吸状态的比例、以及所述人体状态序列在所述第二短时观测窗口时长内检测结果为有人的比例；
所述第一呼吸频率序列特征包括所述呼吸频率估计序列在所述第一短时观测窗口时长内的均值、大于第二预设值的比例与小于第三预设值的比例、在所述第三短时观测窗口时长内小于所述第三预设值的比例、以及在所述第二短时观测窗口时长内的相对离散系数；
所述第一位置序列特征包括所述位置估计序列在所述第一短时观测窗口时长内的标准差、以及在所述第二短时观测窗口时长内的相对离散系数。
可选的，所述基于所述位置估计序列、所述体动指数序列、所述呼吸频率估计序列以及所述人体状态序列提取长时特征，包括：
记录当前时刻与上一次大体动结束时刻之间的第二时间间隔；
当所述第二时间间隔为第二预设时间间隔的整数倍时，使用当前时刻起过去的预设长时观测窗口时长内的所述位置估计序列、所述体动指数序列、所述呼吸频率估计序列以及所述人体状态序列提取所述长时特征。
可选的，所述预设长时观测窗口时长从小到大依次包括第一长时观测窗口时长、第二长时观测窗口时长、第三长时观测窗口时长以及第四长时观测窗口时长；所述长时特征包括第二体动指数序列特征、第二人体状态序列特征、第二呼吸频率序列特征以及第二位置序列特征；其中，
所述第二体动指数序列特征包括所述体动指数序列在所述第一长时观测窗口时长内的均值、标准差与小于第一预设值的比例、以及在所述第三长时观测窗口时长内的均值与周期性强度；
所述第二人体状态序列特征包括所述人体状态序列在所述第一长时观测窗口时长内检测有人存在下的差分求和、所述人体状态序列在所述第一长时观测窗口时长内与所述第四长时观测窗口时长内判定为呼吸状态的比例、以及所述人体状态序列在所述第二长时观测窗口时长内检测结果为有人的比例；
所述第二呼吸频率序列特征包括所述呼吸频率估计序列在所述第一长时观测窗口时长内大于第二预设值的比例与小于第三预设值的比例、在所述第三长时观测窗口时长内小于所述第三预设值的比例、以及在所述第二长时观测窗口时长内的相对离散系数与大于第四预设值的个数；
所述第二位置序列特征包括所述位置估计序列在所述第一长时观测窗口时长内的标准差、以及在所述第二长时观测窗口时长内的相对离散系数、均值与全距。
可选的，所述根据所述人体目标检测序列与所述呼吸频率估计序列确定人体状态序列，包括：
若所述雷达回波信号的频谱中预设呼吸频率区间的能量占比达到预设呼吸门限，则判定此时处于呼吸状态；否则，若检测有人，则判定为活动状态，若检测无人，则判定为无人状态；将各个判定结果按照时间记录为所述人体状态序列。
可选的，在所述基于所述雷达回波信号进行动目标检测以及微动参数估计之前，还包括：
对所述雷达回波信号中的静态杂波信号进行杂波抑制，并对杂波抑制后的信号进行多帧相干积累。
第二方面，本发明实施例还提供了一种睡眠过程人体存在检测装置，该装置包括：
信号获取模块，用于获取目标室内空间的雷达回波信号；
序列生成模块，用于基于所述雷达回波信号进行动目标检测以及微动参数估计，以得到人体目标检测序列、位置估计序列、体动指数序列以及呼吸频率估计序列，并根据所述人体目标检测序列与所述呼吸频率估计序列确定人体状态序列；
体动检测模块，用于根据所述体动指数序列进行大体动检测，当检测到大体动时，确定当前大体动与上一次大体动之间的第一时间间隔；
长时检测模块，用于若所述第一时间间隔大于预设长短时干扰检测门限，则基于所述位置估计序列、所述体动指数序列、所述呼吸频率估计序列以及所述人体状态序列提取长时特征，并将所述长时特征输入第一分类器，以预测所述目标室内空间中是否有人；
短时检测模块，用于若所述第一时间间隔小于等于所述预设长短时干扰检测门限，则基于所述位置估计序列、所述体动指数序列、所述呼吸频率估计序列以及所述人体状态序列提取短时特征，并将所述短时特征输入第二分类器，以预测所述目标室内空间中是否有人。
第三方面，本发明实施例还提供了一种计算机设备，该计算机设备包括：
一个或多个处理器；
存储器，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现本发明任意实施例所提供的睡眠过程人体存在检测方法。
第四方面，本发明实施例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，该程序被处理器执行时实现本发明任意实施例所提供的睡眠过程人体存在检测方法。
本发明实施例提供了一种睡眠过程人体存在检测方法，首先获取目标室内空间的雷达回波信号，然后基于雷达回波信号进行动目标检测以及微动参数估计得到多个参数序列，基于该多个参数序列首先可以进行大体动检测，并可以确定连续两次大体动之间的时间间隔，当时间间隔较长时，可以进行长时干扰检测，基于该多个参数序列提取所需的长时特征并通过第一分类器进行预测，当时间间隔较短时，则可以进行短时干扰检测，基于该多个参数序列提取所需的短时特征并通过第二分类器进行预测。本发明实施例所提供的睡眠过程人体存在检测方法，从室内复杂干扰目标与人体目标的物理特性出发，结合长短时处理思路，能够在复杂居家环境中，对自然风和风扇风带来的窗帘、床帘、蚊帐等微动干扰，以及风扇转动干扰进行有效辨识，从而实现对睡眠过程中的人体存在情况进行有效检测，极大的降低了室内干扰的虚警率。
附图说明
图1为本发明实施例一提供的睡眠过程人体存在检测方法的流程图；
图2为本发明实施例二提供的睡眠过程人体存在检测装置的结构示意图；
图3为本发明实施例三提供的计算机设备的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。
在更加详细地讨论示例性实施例之前应当提到的是，一些示例性实施例被描述成作为流程图描绘的处理或方法。虽然流程图将各步骤描述成顺序的处理，但是其中的许多步骤可以被并行地、并发地或者同时实施。此外，各步骤的顺序可以被重新安排。当其操作完成时所述处理可以被终止，但是还可以具有未包括在附图中的附加步骤。所述处理可以对应于方法、函数、规程、子例程、子程序等等。
实施例一
图1为本发明实施例一提供的睡眠过程人体存在检测方法的流程图。本实施例可适用于在睡眠监测过程中检测人体存在的情况，该方法可以由本发明实施例所提供的睡眠过程人体存在检测装置来执行，该装置可以由硬件和/或软件的方式来实现，一般可集成于计算机设备中。如图1所示，具体包括如下步骤：
S11、获取目标室内空间的雷达回波信号。
具体的，可以通过雷达发射电磁波信号至目标室内空间，经由人体目标的散射后被雷达接收机接收，然后可以对接收到的信号进行低噪声放大器、混频器、ADC采样以及快时间傅里叶变换等等，从而得到一个包含了距离维和慢时间维信息的离散回波信号x(m,n)，其中m表示慢时间维，是第m个脉冲回波，n表示距离维，是第n个距离单元。
可选的，在后续的所述基于所述雷达回波信号进行动目标检测以及微动参数估计之前，还包括：对所述雷达回波信号中的静态杂波信号进行杂波抑制，并对杂波抑制后的信号进行多帧相干积累。具体的，在使用所获得的雷达回波信号进行后续处理之前，对于信号中的静态杂波信号，可以采用移动平均等方法进行杂波抑制，并可以针对杂波抑制后的信号进行多帧相干积累，得到信号y(m,n)，则具体可以将信号y(m,n)作为最终所需的雷达回波信号，以提高后续的处理精度。
S12、基于所述雷达回波信号进行动目标检测以及微动参数估计，以得到人体目标检测序列、位置估计序列、体动指数序列以及呼吸频率估计序列，并根据所述人体目标检测序列与所述呼吸频率估计序列确定人体状态序列。
具体的，对于动目标检测，可以采用单元平均恒虚警检测等方法来实现，同时为了进一步降低虚警率，可以采用二次检测等方法，动目标检测的结果按照时间可记为人体目标检测序列a(m)。对于微动参数估计，具体可以包括位置序列估计、体动指数估计和呼吸频率估计。针对位置序列估计，可以对雷达回波信号y(m,n)求最大值，并记录最大值的距离单元位置，然后对多帧位置信息进行滤波，得到的结果按照时间可记为位置估计序列p(m)。针对体动指数估计，可以采用积分法来实现，得到的结果按照时间可记为体动指数序列b(m)。针对呼吸频率估计，可以采用微分交叉相乘或解卷绕等方法来实现，对目标位置所在距离单元的信号提取相位信息，得到的呼吸频率结果按照时间可记为呼吸频率估计序列h(m)。
可选的，所述根据所述人体目标检测序列与所述呼吸频率估计序列确定人体状态序列，包括：若所述雷达回波信号的频谱中预设呼吸频率区间的能量占比达到预设呼吸门限，则判定此时处于呼吸状态；否则，若检测有人，则判定为活动状态（或微动状态），若检测无人，则判定为无人状态；将各个判定结果按照时间记录为所述人体状态序列g(m)。具体的，常见的人的呼吸频率为0.1-0.8Hz之间，则预设呼吸频率区间可以设置为0.1-0.8Hz，相应的，预设呼吸门限可以设置为0.4-0.7Hz。
S13、根据所述体动指数序列进行大体动检测，当检测到大体动时，确定当前大体动与上一次大体动之间的第一时间间隔。
具体的，可以根据得到的体动指数序列b(m)，采用二次检测方法，来判断是否发生大体动，并可以确定每次大体动的开始时刻和结束时刻。检测到大体动后对于干扰检测识别，可以考虑两种情况，一种是人离开检测区域时间比较长（如几分钟甚至几小时），此时探测范围仅处于有干扰的情形，另一种是人在睡眠等活动中短暂离床，此时在较短的时间内人会再次回到检测区域，大体动前后会处于长时间有人状态。针对上述两种情况，可以采用长短时分别处理的思路。则当检测到大体动时，可以确定当前大体动与上一次大体动之间的第一时间间隔，具体可以将上一次大体动的结束时刻与当前大体动的开始时刻之间的间隔记为第一时间间隔Tinterval，然后可以将第一时间间隔Tinterval与预设长短时干扰检测门限T进行比较，以判断处于何种情况。其中，预设长短时干扰检测门限T的选取规则为：T秒的观测窗口足以较好的捕捉干扰特性，实现较高的识别；不会因为单次检测的错误导致长时间的整体判决错误；没有太高的检测频次，从而降低计算复杂度。示例性的，预设长短时干扰检测门限T可以取60秒。
S14、若所述第一时间间隔大于预设长短时干扰检测门限，则基于所述位置估计序列、所述体动指数序列、所述呼吸频率估计序列以及所述人体状态序列提取长时特征，并将所述长时特征输入第一分类器，以预测所述目标室内空间中是否有人。
具体的，当第一时间间隔大于预设长短时干扰检测门限时，可以采用长时干扰检测，具体可以基于得到的位置估计序列p(m)、体动指数序列b(m)、呼吸频率估计序列h(m)以及人体状态序列g(m)提取长时特征，然后将提取到的长时特征输入第一分类器，从而使用第一分类器进行长时人体目标存在检测。其中的第一分类器可以选用神经网络、支持向量机和决策树等方法，示例性的，可以使用精细化KNN分类器，该分类器使用k近邻算法，其中k可以设置为1，并使用欧几里得距离度量和均匀权重的方式。本方法的架构灵活，可以挑选机器学习方法中复杂度不高的方法，适合嵌入到低功耗的边缘设备中。
可选的，所述基于所述位置估计序列、所述体动指数序列、所述呼吸频率估计序列以及所述人体状态序列提取长时特征，包括：记录当前时刻与上一次大体动结束时刻之间的第二时间间隔；当所述第二时间间隔为第二预设时间间隔的整数倍时，使用当前时刻起过去的预设长时观测窗口时长内的所述位置估计序列、所述体动指数序列、所述呼吸频率估计序列以及所述人体状态序列提取所述长时特征。具体的，可以记录当前时刻与上一次大体动结束时刻之间的第二时间间隔Tspan，当第二时间间隔Tspan为第二预设时间间隔（如4秒）的整数倍时，可以触发提取一次长时特征用于存在检测，并具体可以使用当前时刻起过去的预设长时观测窗口时长内位置估计序列p(m)、体动指数序列b(m)、呼吸频率估计序列h(m)以及人体状态序列g(m)进行特征提取。
进一步可选的，所述预设长时观测窗口时长从小到大依次包括第一长时观测窗口时长、第二长时观测窗口时长、第三长时观测窗口时长以及第四长时观测窗口时长；所述长时特征包括第二体动指数序列特征、第二人体状态序列特征、第二呼吸频率序列特征以及第二位置序列特征；其中，所述第二体动指数序列特征包括所述体动指数序列b(m)在所述第一长时观测窗口时长内的均值、标准差与小于第一预设值的比例、以及在所述第三长时观测窗口时长内的均值与周期性强度（可以根据傅里叶变换以及自相关函数计算得到）（结果可分别记为Fl1- Fl5）；所述第二人体状态序列特征包括所述人体状态序列g(m)在所述第一长时观测窗口时长内检测有人存在下的差分求和、所述人体状态序列g(m)在所述第一长时观测窗口时长内与所述第四长时观测窗口时长内判定为呼吸状态的比例、以及所述人体状态序列g(m)在所述第二长时观测窗口时长内检测结果为有人的比例（结果可分别记为Fl6- Fl9）；所述第二呼吸频率序列特征包括所述呼吸频率估计序列h(m)在所述第一长时观测窗口时长内大于第二预设值的比例与小于第三预设值的比例、在所述第三长时观测窗口时长内小于所述第三预设值的比例、以及在所述第二长时观测窗口时长内的相对离散系数（定义为方差除以均值的比值）与大于第四预设值的个数（结果可分别记为Fl10- Fl14）；所述第二位置序列特征包括所述位置估计序列p(m)在所述第一长时观测窗口时长内的标准差、以及在所述第二长时观测窗口时长内的相对离散系数、均值与全距（位置最大值减去最小值）（结果可分别记为Fl15- Fl18）。其中，示例性的，第一长时观测窗口时长、第二长时观测窗口时长、第三长时观测窗口时长以及第四长时观测窗口时长可以分别为1分钟、1分钟、2分钟和10分钟，第一预设值、第二预设值、第三预设值以及第四预设值可以根据数据的统计表现特性，由经验所得。最终所得到的长时特征可以记为Flong=[ Fl1 Fl2 Fl3 Fl4 Fl5 Fl6 Fl7Fl8 Fl9 Fl10 Fl11 Fl12 Fl13 Fl14 Fl15 Fl16 Fl17 Fl18]。
S15、若所述第一时间间隔小于等于所述预设长短时干扰检测门限，则基于所述位置估计序列、所述体动指数序列、所述呼吸频率估计序列以及所述人体状态序列提取短时特征，并将所述短时特征输入第二分类器，以预测所述目标室内空间中是否有人。
具体的，当第一时间间隔小于等于预设长短时干扰检测门限时，可以采用短时干扰检测，具体可以基于得到的位置估计序列p(m)、体动指数序列b(m)、呼吸频率估计序列h(m)以及人体状态序列g(m)提取短时特征，然后将提取到的短时特征输入第二分类器，从而使用第二分类器进行短时人体目标存在检测。其中的第二分类器可以选用神经网络、支持向量机和决策树等方法，示例性的，以集成袋装树分类器为例，采用的集成袋装树可以包括30个由决策树组成的基学习器，最大分裂数可设置为7200，学习率可设置为0.1。本方法的架构灵活，可以挑选机器学习方法中复杂度不高的方法，适合嵌入到低功耗的边缘设备中。
可选的，所述基于所述位置估计序列、所述体动指数序列、所述呼吸频率估计序列以及所述人体状态序列提取短时特征，包括：记录当前时刻与上一次大体动结束时刻之间的第二时间间隔；当所述第二时间间隔为第一预设时间间隔的整数倍时，使用当前时刻起过去的预设短时观测窗口时长内的所述位置估计序列、所述体动指数序列、所述呼吸频率估计序列以及所述人体状态序列提取所述短时特征。具体的，可以记录当前时刻与上一次大体动结束时刻之间的第二时间间隔Tspan，当第二时间间隔Tspan为第一预设时间间隔（如4秒）的整数倍时，可以触发提取一次短时特征用于存在检测，并具体可以使用当前时刻起过去的预设短时观测窗口时长内位置估计序列p(m)、体动指数序列b(m)、呼吸频率估计序列h(m)以及人体状态序列g(m)进行特征提取。
进一步可选的，所述预设短时观测窗口时长从小到大依次包括第一短时观测窗口时长、第二短时观测窗口时长、第三短时观测窗口时长以及第四短时观测窗口时长；所述短时特征包括第一体动指数序列特征、第一人体状态序列特征、第一呼吸频率序列特征以及第一位置序列特征；其中，所述第一体动指数序列特征包括所述体动指数序列b(m)在所述第一短时观测窗口时长内的均值、标准差以及小于第一预设值的比例（结果可分别记为Fs1-Fs3）；所述第一人体状态序列特征包括所述人体状态序列g(m)在所述第一短时观测窗口时长内检测结果为无人的比例与检测有人存在下的差分求和、所述人体状态序列g(m)在所述第一短时观测窗口时长内与所述第四短时观测窗口时长内判定为呼吸状态的比例、以及所述人体状态序列g(m)在所述第二短时观测窗口时长内检测结果为有人的比例（结果可分别记为Fs4- Fs8）；所述第一呼吸频率序列特征包括所述呼吸频率估计序列h(m)在所述第一短时观测窗口时长内的均值、大于第二预设值的比例与小于第三预设值的比例、在所述第三短时观测窗口时长内小于所述第三预设值的比例、以及在所述第二短时观测窗口时长内的相对离散系数（结果可分别记为Fs9- Fs13）；所述第一位置序列特征包括所述位置估计序列p(m)在所述第一短时观测窗口时长内的标准差、以及在所述第二短时观测窗口时长内的相对离散系数（结果可分别记为Fs14- Fs15）。其中，示例性的，第一短时观测窗口时长、第二短时观测窗口时长、第三短时观测窗口时长以及第四短时观测窗口时长可以分别为10秒、1分钟、2分钟和10分钟。最终所得到的短时特征可以记为Fshort=[ Fs1 Fs2 Fs3 Fs4 Fs5 Fs6 Fs7Fs8 Fs9 Fs10 Fs11 Fs12 Fs13 Fs14 Fs15]。
在进行了长时人体目标存在检测或短时人体目标存在检测之后，若检测到目标室内空间中有人，则可以开始对人体睡眠情况进行监测，若检测到目标室内空间中无人，则可以认为是目标室内空间中存在干扰物，而无需进行后续的人体睡眠监测过程。
进一步对上述方案进行了测试，在测试场景中安装雷达，雷达的俯仰角波束方位角宽度为120°，探测距离为1.5m。分别进行了模拟场景、寝室场景和居家场景三种测试场景的实验，并测试了自然风和风扇风带来的窗帘、床帘、蚊帐等的干扰以及不同类型风扇转动等干扰。将得到的实验数据按照时长进行划分，其中长时以60秒为一组，短时以10秒为一组，共得到无人有干扰长时样本12571组，无人无干扰长时样本4组，有人无干扰长时样本5116组，有人有干扰长时样本4918组，无人无干扰短时样本130组，无人有干扰短时样本4439组，有人无干扰短时样本10927组，有人有干扰短时样本10615组。对于上述复杂的室内情景，本方法按照秒钟级别进行统计，得到的平均准确率为99.57%，得到的平均混淆矩阵结果如表1所示，其中F和T代表真实的无人和有人，N和P代表预测的无人和有人。
表1
而使用传统的检测方法，得到的平均准确率为55.45%，得到的平均混淆矩阵结果如表2所示。
表2
由上述测试结果可以看出目标在复杂环境下（有风扇、窗帘、床帘、蚊帐等干扰存在）的睡眠过程中，本方法的平均准确率高达99.57%，并且降低了70.99%的虚警率，准确率较传统方法由55.45%提高到了99.74%。
本发明实施例所提供的技术方案，首先获取目标室内空间的雷达回波信号，然后基于雷达回波信号进行动目标检测以及微动参数估计得到多个参数序列，基于该多个参数序列首先可以进行大体动检测，并可以确定连续两次大体动之间的时间间隔，当时间间隔较长时，可以进行长时干扰检测，基于该多个参数序列提取所需的长时特征并通过第一分类器进行预测，当时间间隔较短时，则可以进行短时干扰检测，基于该多个参数序列提取所需的短时特征并通过第二分类器进行预测。通过从室内复杂干扰目标与人体目标的物理特性出发，结合长短时处理思路，能够在复杂居家环境中，对自然风和风扇风带来的窗帘、床帘、蚊帐等微动干扰，以及风扇转动干扰进行有效辨识，从而实现对睡眠过程中的人体存在情况进行有效检测，极大的降低了室内干扰的虚警率。
实施例二
图2为本发明实施例二提供的睡眠过程人体存在检测装置的结构示意图，该装置可以由硬件和/或软件的方式来实现，一般可集成于计算机设备中，用于执行本发明任意实施例所提供的睡眠过程人体存在检测方法。如图2所示，该装置包括：
信号获取模块21，用于获取目标室内空间的雷达回波信号；
序列生成模块22，用于基于所述雷达回波信号进行动目标检测以及微动参数估计，以得到人体目标检测序列、位置估计序列、体动指数序列以及呼吸频率估计序列，并根据所述人体目标检测序列与所述呼吸频率估计序列确定人体状态序列；
体动检测模块23，用于根据所述体动指数序列进行大体动检测，当检测到大体动时，确定当前大体动与上一次大体动之间的第一时间间隔；
长时检测模块24，用于若所述第一时间间隔大于预设长短时干扰检测门限，则基于所述位置估计序列、所述体动指数序列、所述呼吸频率估计序列以及所述人体状态序列提取长时特征，并将所述长时特征输入第一分类器，以预测所述目标室内空间中是否有人；
短时检测模块25，用于若所述第一时间间隔小于等于所述预设长短时干扰检测门限，则基于所述位置估计序列、所述体动指数序列、所述呼吸频率估计序列以及所述人体状态序列提取短时特征，并将所述短时特征输入第二分类器，以预测所述目标室内空间中是否有人。
本发明实施例所提供的技术方案，首先获取目标室内空间的雷达回波信号，然后基于雷达回波信号进行动目标检测以及微动参数估计得到多个参数序列，基于该多个参数序列首先可以进行大体动检测，并可以确定连续两次大体动之间的时间间隔，当时间间隔较长时，可以进行长时干扰检测，基于该多个参数序列提取所需的长时特征并通过第一分类器进行预测，当时间间隔较短时，则可以进行短时干扰检测，基于该多个参数序列提取所需的短时特征并通过第二分类器进行预测。通过从室内复杂干扰目标与人体目标的物理特性出发，结合长短时处理思路，能够在复杂居家环境中，对自然风和风扇风带来的窗帘、床帘、蚊帐等微动干扰，以及风扇转动干扰进行有效辨识，从而实现对睡眠过程中的人体存在情况进行有效检测，极大的降低了室内干扰的虚警率。
在上述技术方案的基础上，可选的，短时检测模块25具体用于：
记录当前时刻与上一次大体动结束时刻之间的第二时间间隔；
当所述第二时间间隔为第一预设时间间隔的整数倍时，使用当前时刻起过去的预设短时观测窗口时长内的所述位置估计序列、所述体动指数序列、所述呼吸频率估计序列以及所述人体状态序列提取所述短时特征。
在上述技术方案的基础上，可选的，所述预设短时观测窗口时长从小到大依次包括第一短时观测窗口时长、第二短时观测窗口时长、第三短时观测窗口时长以及第四短时观测窗口时长；所述短时特征包括第一体动指数序列特征、第一人体状态序列特征、第一呼吸频率序列特征以及第一位置序列特征；其中，
所述第一体动指数序列特征包括所述体动指数序列在所述第一短时观测窗口时长内的均值、标准差以及小于第一预设值的比例；
所述第一人体状态序列特征包括所述人体状态序列在所述第一短时观测窗口时长内检测结果为无人的比例与检测有人存在下的差分求和、所述人体状态序列在所述第一短时观测窗口时长内与所述第四短时观测窗口时长内判定为呼吸状态的比例、以及所述人体状态序列在所述第二短时观测窗口时长内检测结果为有人的比例；
所述第一呼吸频率序列特征包括所述呼吸频率估计序列在所述第一短时观测窗口时长内的均值、大于第二预设值的比例与小于第三预设值的比例、在所述第三短时观测窗口时长内小于所述第三预设值的比例、以及在所述第二短时观测窗口时长内的相对离散系数；
所述第一位置序列特征包括所述位置估计序列在所述第一短时观测窗口时长内的标准差、以及在所述第二短时观测窗口时长内的相对离散系数。
在上述技术方案的基础上，可选的，长时检测模块24具体用于：
记录当前时刻与上一次大体动结束时刻之间的第二时间间隔；
当所述第二时间间隔为第二预设时间间隔的整数倍时，使用当前时刻起过去的预设长时观测窗口时长内的所述位置估计序列、所述体动指数序列、所述呼吸频率估计序列以及所述人体状态序列提取所述长时特征。
在上述技术方案的基础上，可选的，所述预设长时观测窗口时长从小到大依次包括第一长时观测窗口时长、第二长时观测窗口时长、第三长时观测窗口时长以及第四长时观测窗口时长；所述长时特征包括第二体动指数序列特征、第二人体状态序列特征、第二呼吸频率序列特征以及第二位置序列特征；其中，
所述第二体动指数序列特征包括所述体动指数序列在所述第一长时观测窗口时长内的均值、标准差与小于第一预设值的比例、以及在所述第三长时观测窗口时长内的均值与周期性强度；
所述第二人体状态序列特征包括所述人体状态序列在所述第一长时观测窗口时长内检测有人存在下的差分求和、所述人体状态序列在所述第一长时观测窗口时长内与所述第四长时观测窗口时长内判定为呼吸状态的比例、以及所述人体状态序列在所述第二长时观测窗口时长内检测结果为有人的比例；
所述第二呼吸频率序列特征包括所述呼吸频率估计序列在所述第一长时观测窗口时长内大于第二预设值的比例与小于第三预设值的比例、在所述第三长时观测窗口时长内小于所述第三预设值的比例、以及在所述第二长时观测窗口时长内的相对离散系数与大于第四预设值的个数；
所述第二位置序列特征包括所述位置估计序列在所述第一长时观测窗口时长内的标准差、以及在所述第二长时观测窗口时长内的相对离散系数、均值与全距。
在上述技术方案的基础上，可选的，序列生成模块22具体用于：
若所述雷达回波信号的频谱中预设呼吸频率区间的能量占比达到预设呼吸门限，则判定此时处于呼吸状态；否则，若检测有人，则判定为活动状态，若检测无人，则判定为无人状态；将各个判定结果按照时间记录为所述人体状态序列。
在上述技术方案的基础上，可选的，该睡眠过程人体存在检测装置，还包括：
杂波抑制模块，用于在所述基于所述雷达回波信号进行动目标检测以及微动参数估计之前，对所述雷达回波信号中的静态杂波信号进行杂波抑制，并对杂波抑制后的信号进行多帧相干积累。
本发明实施例所提供的睡眠过程人体存在检测装置可执行本发明任意实施例所提供的睡眠过程人体存在检测方法，具备执行方法相应的功能模块和有益效果。
值得注意的是，在上述睡眠过程人体存在检测装置的实施例中，所包括的各个单元和模块只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。
实施例三
图3为本发明实施例三提供的计算机设备的结构示意图，示出了适于用来实现本发明实施方式的示例性计算机设备的框图。图3显示的计算机设备仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。如图3所示，该计算机设备包括处理器31、存储器32、输入装置33及输出装置34；计算机设备中处理器31的数量可以是一个或多个，图3中以一个处理器31为例，计算机设备中的处理器31、存储器32、输入装置33及输出装置34可以通过总线或其他方式连接，图3中以通过总线连接为例。
存储器32作为一种计算机可读存储介质，可用于存储软件程序、计算机可执行程序以及模块，如本发明实施例中的睡眠过程人体存在检测方法对应的程序指令/模块（例如，睡眠过程人体存在检测装置中的信号获取模块21、序列生成模块22、体动检测模块23、长时检测模块24及短时检测模块25）。处理器31通过运行存储在存储器32中的软件程序、指令以及模块，从而执行计算机设备的各种功能应用以及数据处理，即实现上述的睡眠过程人体存在检测方法。
存储器32可主要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计算机设备的使用所创建的数据等。此外，存储器32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，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中，存储器32可进一步包括相对于处理器31远程设置的存储器，这些远程存储器可以通过网络连接至计算机设备。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。
输入装置33可用于获取目标室内空间的雷达回波信号，以及产生与计算机设备的用户设置和功能控制有关的键信号输入等。输出装置34可包括显示屏等，可用于向用户展示人体存在检测结果等等。
实施例四
本发明实施例四还提供一种包含计算机可执行指令的存储介质，该计算机可执行指令在由计算机处理器执行时用于执行一种睡眠过程人体存在检测方法，该方法包括：
获取目标室内空间的雷达回波信号；
基于所述雷达回波信号进行动目标检测以及微动参数估计，以得到人体目标检测序列、位置估计序列、体动指数序列以及呼吸频率估计序列，并根据所述人体目标检测序列与所述呼吸频率估计序列确定人体状态序列；
根据所述体动指数序列进行大体动检测，当检测到大体动时，确定当前大体动与上一次大体动之间的第一时间间隔；
若所述第一时间间隔大于预设长短时干扰检测门限，则基于所述位置估计序列、所述体动指数序列、所述呼吸频率估计序列以及所述人体状态序列提取长时特征，并将所述长时特征输入第一分类器，以预测所述目标室内空间中是否有人；
若所述第一时间间隔小于等于所述预设长短时干扰检测门限，则基于所述位置估计序列、所述体动指数序列、所述呼吸频率估计序列以及所述人体状态序列提取短时特征，并将所述短时特征输入第二分类器，以预测所述目标室内空间中是否有人。
存储介质可以是任何的各种类型的存储器设备或存储设备。术语“存储介质”旨在包括：安装介质，例如CD-ROM、软盘或磁带装置；计算机系统存储器或随机存取存储器，诸如DRAM、DDR RAM、SRAM、EDO RAM、兰巴斯(Rambus)RAM等；非易失性存储器，诸如闪存、磁介质(例如硬盘或光存储)；寄存器或其它相似类型的存储器元件等。存储介质可以还包括其它类型的存储器或其组合。另外，存储介质可以位于程序在其中被执行的计算机系统中，或者可以位于不同的第二计算机系统中，第二计算机系统通过网络(诸如因特网)连接到计算机系统。第二计算机系统可以提供程序指令给计算机用于执行。术语“存储介质”可以包括可以驻留在不同位置中(例如在通过网络连接的不同计算机系统中)的两个或更多存储介质。存储介质可以存储可由一个或多个处理器执行的程序指令(例如具体实现为计算机程序)。
当然，本发明实施例所提供的一种包含计算机可执行指令的存储介质，其计算机可执行指令不限于如上所述的方法操作，还可以执行本发明任意实施例所提供的睡眠过程人体存在检测方法中的相关操作。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、电线、光缆、RF等等，或者上述的任意合适的组合。
通过以上关于实施方式的描述，所属领域的技术人员可以清楚地了解到，本发明可借助软件及必需的通用硬件来实现，当然也可以通过硬件实现，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如计算机的软盘、只读存储器（Read-Only Memory, ROM）、随机存取存储器（RandomAccess Memory, RAM）、闪存（FLASH）、硬盘或光盘等，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本发明各个实施例所述的方法。
注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。
Claims (10)
1.一种睡眠过程人体存在检测方法，其特征在于，包括：
获取目标室内空间的雷达回波信号；
基于所述雷达回波信号进行动目标检测以及微动参数估计，以得到人体目标检测序列、位置估计序列、体动指数序列以及呼吸频率估计序列，并根据所述人体目标检测序列与所述呼吸频率估计序列确定人体状态序列；
根据所述体动指数序列进行大体动检测，当检测到大体动时，确定当前大体动与上一次大体动之间的第一时间间隔；
若所述第一时间间隔大于预设长短时干扰检测门限，则基于所述位置估计序列、所述体动指数序列、所述呼吸频率估计序列以及所述人体状态序列提取长时特征，并将所述长时特征输入第一分类器，以预测所述目标室内空间中是否有人；
若所述第一时间间隔小于等于所述预设长短时干扰检测门限，则基于所述位置估计序列、所述体动指数序列、所述呼吸频率估计序列以及所述人体状态序列提取短时特征，并将所述短时特征输入第二分类器，以预测所述目标室内空间中是否有人。
2.根据权利要求1所述的睡眠过程人体存在检测方法，其特征在于，所述基于所述位置估计序列、所述体动指数序列、所述呼吸频率估计序列以及所述人体状态序列提取短时特征，包括：
记录当前时刻与上一次大体动结束时刻之间的第二时间间隔；
当所述第二时间间隔为第一预设时间间隔的整数倍时，使用当前时刻起过去的预设短时观测窗口时长内的所述位置估计序列、所述体动指数序列、所述呼吸频率估计序列以及所述人体状态序列提取所述短时特征。
3.根据权利要求2所述的睡眠过程人体存在检测方法，其特征在于，所述预设短时观测窗口时长从小到大依次包括第一短时观测窗口时长、第二短时观测窗口时长、第三短时观测窗口时长以及第四短时观测窗口时长；所述短时特征包括第一体动指数序列特征、第一人体状态序列特征、第一呼吸频率序列特征以及第一位置序列特征；其中，
所述第一体动指数序列特征包括所述体动指数序列在所述第一短时观测窗口时长内的均值、标准差以及小于第一预设值的比例；
所述第一人体状态序列特征包括所述人体状态序列在所述第一短时观测窗口时长内检测结果为无人的比例与检测有人存在下的差分求和、所述人体状态序列在所述第一短时观测窗口时长内与所述第四短时观测窗口时长内判定为呼吸状态的比例、以及所述人体状态序列在所述第二短时观测窗口时长内检测结果为有人的比例；
所述第一呼吸频率序列特征包括所述呼吸频率估计序列在所述第一短时观测窗口时长内的均值、大于第二预设值的比例与小于第三预设值的比例、在所述第三短时观测窗口时长内小于所述第三预设值的比例、以及在所述第二短时观测窗口时长内的相对离散系数；
所述第一位置序列特征包括所述位置估计序列在所述第一短时观测窗口时长内的标准差、以及在所述第二短时观测窗口时长内的相对离散系数。
4.根据权利要求1所述的睡眠过程人体存在检测方法，其特征在于，所述基于所述位置估计序列、所述体动指数序列、所述呼吸频率估计序列以及所述人体状态序列提取长时特征，包括：
记录当前时刻与上一次大体动结束时刻之间的第二时间间隔；
当所述第二时间间隔为第二预设时间间隔的整数倍时，使用当前时刻起过去的预设长时观测窗口时长内的所述位置估计序列、所述体动指数序列、所述呼吸频率估计序列以及所述人体状态序列提取所述长时特征。
5.根据权利要求4所述的睡眠过程人体存在检测方法，其特征在于，所述预设长时观测窗口时长从小到大依次包括第一长时观测窗口时长、第二长时观测窗口时长、第三长时观测窗口时长以及第四长时观测窗口时长；所述长时特征包括第二体动指数序列特征、第二人体状态序列特征、第二呼吸频率序列特征以及第二位置序列特征；其中，
所述第二体动指数序列特征包括所述体动指数序列在所述第一长时观测窗口时长内的均值、标准差与小于第一预设值的比例、以及在所述第三长时观测窗口时长内的均值与周期性强度；
所述第二人体状态序列特征包括所述人体状态序列在所述第一长时观测窗口时长内检测有人存在下的差分求和、所述人体状态序列在所述第一长时观测窗口时长内与所述第四长时观测窗口时长内判定为呼吸状态的比例、以及所述人体状态序列在所述第二长时观测窗口时长内检测结果为有人的比例；
所述第二呼吸频率序列特征包括所述呼吸频率估计序列在所述第一长时观测窗口时长内大于第二预设值的比例与小于第三预设值的比例、在所述第三长时观测窗口时长内小于所述第三预设值的比例、以及在所述第二长时观测窗口时长内的相对离散系数与大于第四预设值的个数；
所述第二位置序列特征包括所述位置估计序列在所述第一长时观测窗口时长内的标准差、以及在所述第二长时观测窗口时长内的相对离散系数、均值与全距。
6.根据权利要求1所述的睡眠过程人体存在检测方法，其特征在于，所述根据所述人体目标检测序列与所述呼吸频率估计序列确定人体状态序列，包括：
若所述雷达回波信号的频谱中预设呼吸频率区间的能量占比达到预设呼吸门限，则判定此时处于呼吸状态；否则，若检测有人，则判定为活动状态，若检测无人，则判定为无人状态；将各个判定结果按照时间记录为所述人体状态序列。
7.根据权利要求1所述的睡眠过程人体存在检测方法，其特征在于，在所述基于所述雷达回波信号进行动目标检测以及微动参数估计之前，还包括：
对所述雷达回波信号中的静态杂波信号进行杂波抑制，并对杂波抑制后的信号进行多帧相干积累。
8.一种睡眠过程人体存在检测装置，其特征在于，包括：
信号获取模块，用于获取目标室内空间的雷达回波信号；
序列生成模块，用于基于所述雷达回波信号进行动目标检测以及微动参数估计，以得到人体目标检测序列、位置估计序列、体动指数序列以及呼吸频率估计序列，并根据所述人体目标检测序列与所述呼吸频率估计序列确定人体状态序列；
体动检测模块，用于根据所述体动指数序列进行大体动检测，当检测到大体动时，确定当前大体动与上一次大体动之间的第一时间间隔；
长时检测模块，用于若所述第一时间间隔大于预设长短时干扰检测门限，则基于所述位置估计序列、所述体动指数序列、所述呼吸频率估计序列以及所述人体状态序列提取长时特征，并将所述长时特征输入第一分类器，以预测所述目标室内空间中是否有人；
短时检测模块，用于若所述第一时间间隔小于等于所述预设长短时干扰检测门限，则基于所述位置估计序列、所述体动指数序列、所述呼吸频率估计序列以及所述人体状态序列提取短时特征，并将所述短时特征输入第二分类器，以预测所述目标室内空间中是否有人。
9.一种计算机设备，其特征在于，包括：
一个或多个处理器；
存储器，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-7中任一所述的睡眠过程人体存在检测方法。
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，该程序被处理器执行时实现如权利要求1-7中任一所述的睡眠过程人体存在检测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310728896.4A CN116449353B (zh) | 2023-06-20 | 2023-06-20 | 一种睡眠过程人体存在检测方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310728896.4A CN116449353B (zh) | 2023-06-20 | 2023-06-20 | 一种睡眠过程人体存在检测方法、装置、设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116449353A true CN116449353A (zh) | 2023-07-18 |
| CN116449353B CN116449353B (zh) | 2023-08-15 |
Family
ID=87125979
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310728896.4A Active CN116449353B (zh) | 2023-06-20 | 2023-06-20 | 一种睡眠过程人体存在检测方法、装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116449353B (zh) |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20180106897A1 (en) * | 2015-04-20 | 2018-04-19 | Resmed Sensor Technologies Limited | Detection and identification of a human from characteristic signals |
| US20210103044A1 (en) * | 2019-04-29 | 2021-04-08 | Adnoviv Inc. | System and methods for radar-based detection of people in a room |
| CN113091270A (zh) * | 2021-03-29 | 2021-07-09 | 青岛海尔空调器有限总公司 | 一种睡眠状态监控方法、装置及空调器 |
| CN114680840A (zh) * | 2020-12-29 | 2022-07-01 | 天津城建大学 | 一种基于不同时长的非接触式的生命体征监测方法 |
| CN114742117A (zh) * | 2022-06-13 | 2022-07-12 | 长沙莫之比智能科技有限公司 | 复杂室内场景下毫米波雷达的人体生命体征检测方法 |
| CN114732391A (zh) * | 2022-06-13 | 2022-07-12 | 亿慧云智能科技（深圳）股份有限公司 | 基于微波雷达的睡眠状态下的心率监测方法、装置及系统 |
| CN114859335A (zh) * | 2022-01-17 | 2022-08-05 | 北京中科蓝电科技有限公司 | 基于雷达信号判断人体存在及状态的方法和智能照明开关 |
| CN115153487A (zh) * | 2022-07-28 | 2022-10-11 | 上海矽杰微电子有限公司 | 一种fmcw毫米波雷达睡眠监测方法 |
| CN116058818A (zh) * | 2023-02-21 | 2023-05-05 | 天津大学 | 基于多序列woa-vmd算法的超宽带雷达心率检测方法 |
| CN116098602A (zh) * | 2023-01-16 | 2023-05-12 | 中国科学院软件研究所 | 一种基于ir-uwb雷达的非接触式睡眠呼吸监测方法及装置 |
-
2023
- 2023-06-20 CN CN202310728896.4A patent/CN116449353B/zh active Active
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20180106897A1 (en) * | 2015-04-20 | 2018-04-19 | Resmed Sensor Technologies Limited | Detection and identification of a human from characteristic signals |
| CN108474841A (zh) * | 2015-04-20 | 2018-08-31 | 瑞思迈传感器技术有限公司 | 由特征信号对人类的检测和识别 |
| CN114545355A (zh) * | 2015-04-20 | 2022-05-27 | 瑞思迈传感器技术有限公司 | 由特征信号对人类的检测和识别 |
| US20210103044A1 (en) * | 2019-04-29 | 2021-04-08 | Adnoviv Inc. | System and methods for radar-based detection of people in a room |
| CN114680840A (zh) * | 2020-12-29 | 2022-07-01 | 天津城建大学 | 一种基于不同时长的非接触式的生命体征监测方法 |
| CN113091270A (zh) * | 2021-03-29 | 2021-07-09 | 青岛海尔空调器有限总公司 | 一种睡眠状态监控方法、装置及空调器 |
| CN114859335A (zh) * | 2022-01-17 | 2022-08-05 | 北京中科蓝电科技有限公司 | 基于雷达信号判断人体存在及状态的方法和智能照明开关 |
| CN114742117A (zh) * | 2022-06-13 | 2022-07-12 | 长沙莫之比智能科技有限公司 | 复杂室内场景下毫米波雷达的人体生命体征检测方法 |
| CN114732391A (zh) * | 2022-06-13 | 2022-07-12 | 亿慧云智能科技（深圳）股份有限公司 | 基于微波雷达的睡眠状态下的心率监测方法、装置及系统 |
| CN115153487A (zh) * | 2022-07-28 | 2022-10-11 | 上海矽杰微电子有限公司 | 一种fmcw毫米波雷达睡眠监测方法 |
| CN116098602A (zh) * | 2023-01-16 | 2023-05-12 | 中国科学院软件研究所 | 一种基于ir-uwb雷达的非接触式睡眠呼吸监测方法及装置 |
| CN116058818A (zh) * | 2023-02-21 | 2023-05-05 | 天津大学 | 基于多序列woa-vmd算法的超宽带雷达心率检测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116449353B (zh) | 2023-08-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US10706285B2 (en) | Automatic ship tracking method and system based on deep learning network and mean shift | |
| US20200166611A1 (en) | Detection method, detection device, terminal and detection system | |
| WO2020103411A1 (zh) | 一种跌倒检测方法、装置及系统 | |
| CN110007366B (zh) | 一种基于多传感器融合的生命搜寻方法以及系统 | |
| CN109597022A (zh) | 声源方位角运算、定位目标音频的方法、装置和设备 | |
| EP2905780A1 (en) | Voiced sound pattern detection | |
| CN111399642A (zh) | 手势的识别方法、装置、移动终端和存储介质 | |
| WO2019119195A1 (zh) | 目标信号检测方法、设备、无人机及农业无人机 | |
| Diamant et al. | An active acoustic track-before-detect approach for finding underwater mobile targets | |
| US7541923B2 (en) | Method for and system of intrusion detection by using ultrasonic signals | |
| EP3729428A1 (en) | System and method for determining occupancy | |
| CN101582159A (zh) | 基于无监督核回归分析的红外图像背景抑制方法 | |
| CN108414992B (zh) | 一种基于相位信息杂波图的目标检测方法 | |
| CN112327286B (zh) | 低复杂度下日常活动分类方法、装置、设备及存储介质 | |
| CN112485783A (zh) | 目标探测方法、装置、计算机设备和存储介质 | |
| CN116449353B (zh) | 一种睡眠过程人体存在检测方法、装置、设备及存储介质 | |
| CN117368875A (zh) | 一种宽带雷达多模态运动目标相参积累检测方法及装置 | |
| CN108398183A (zh) | 一种强噪声背景下参数未知的多线谱Duffing振子检测及频率识别方法 | |
| CN115291184B (zh) | 一种毫米波雷达与深度学习结合的姿态监测方法 | |
| CN116687392A (zh) | 基于时频信息矩阵的毫米波雷达跌倒检测的杂波消除方法 | |
| CN115236749A (zh) | 生命体探测方法、装置和存储介质 | |
| CN104048680A (zh) | 基于donoho阈值的自主式水下机器人外部干扰抑制方法 | |
| Yip et al. | Efficient and effective tropical cyclone eye fix using genetic algorithms | |
| CN111796267A (zh) | 一种基于伪谱匹配滤波的机动转弯目标检测前跟踪方法 | |
| CN117951564A (zh) | 基于uwb数字钥匙的cir信号的活体检测方法及装置 |
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 |