CN116491913A - 一种健康管理智能系统及人体心肺功能信号监测方法 - Google Patents

一种健康管理智能系统及人体心肺功能信号监测方法 Download PDF

Info

Publication number
CN116491913A
CN116491913A CN202310396394.6A CN202310396394A CN116491913A CN 116491913 A CN116491913 A CN 116491913A CN 202310396394 A CN202310396394 A CN 202310396394A CN 116491913 A CN116491913 A CN 116491913A
Authority
CN
China
Prior art keywords
signal
signals
target
health management
distance
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
Application number
CN202310396394.6A
Other languages
English (en)
Inventor
谢俊
朱宏飞
何辉
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Yihuiyun Intelligent Technology Shenzhen Co ltd
Original Assignee
Yihuiyun Intelligent Technology Shenzhen Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Yihuiyun Intelligent Technology Shenzhen Co ltd filed Critical Yihuiyun Intelligent Technology Shenzhen Co ltd
Priority to CN202310396394.6A priority Critical patent/CN116491913A/zh
Publication of CN116491913A publication Critical patent/CN116491913A/zh
Priority to CN202410115762.XA priority patent/CN117954079A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • 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
    • A61B5/0205—Simultaneously evaluating both cardiovascular conditions and different types of body conditions, e.g. heart and respiratory condition
    • 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
    • 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
    • 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
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
    • G06F21/60—Protecting data
    • G06F21/62—Protecting access to data via a platform, e.g. using keys or access control rules
    • G06F21/6218—Protecting access to data via a platform, e.g. using keys or access control rules to a system of files or objects, e.g. local or distributed file system or database
    • G06F21/6245—Protecting personal data, e.g. for financial or medical purposes
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
    • 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

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Medical Informatics (AREA)
  • Physics & Mathematics (AREA)
  • Public Health (AREA)
  • General Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Biomedical Technology (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Pathology (AREA)
  • Artificial Intelligence (AREA)
  • Physiology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Epidemiology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Bioethics (AREA)
  • Veterinary Medicine (AREA)
  • Primary Health Care (AREA)
  • Cardiology (AREA)
  • Animal Behavior & Ethology (AREA)
  • Surgery (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Computer Hardware Design (AREA)
  • Pulmonology (AREA)
  • Software Systems (AREA)
  • Computer Security & Cryptography (AREA)
  • Psychiatry (AREA)
  • Signal Processing (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)
  • Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)

Abstract

本发明涉及健康管理技术领域，特别是涉及一种健康管理智能系统，其结构包括：采用24GHz的CFK101A毫米波雷达传感器、波形发生器、AD采集卡构成一个人体生命体征实时监测系统平台，所述人体生命体征实时监测系统在LabVIEW实时采集数据的程序中内嵌有MATLAB脚本，用于相位信号、实时滤波处理的雷达信号处理，并将MATLAB脚本得到的结果返回至LabVIEW中；所述老年人健康管理智能终端，还包括控制电路板和显示屏，所述控制电路板上集成有处理器和稳压单路单元；所述CFK101A毫米波雷达传感器内部搭载有CFK101A1T1R Kband雷达芯片和VCO振荡器。本发明提供一种健康管理智能系统，可实现对老年人日常呼吸和心率进行家居式智能监测，达到心肺功能健康管理。

Description

一种健康管理智能系统及人体心肺功能信号监测方法
技术领域
本发明涉及健康管理技术领域，特别是一种健康管理智能系统及人体心肺功能信号监测方法。
背景技术
中国人口老龄化是一个客观的人口问题，据统计，我国每年至少有2000万老年人发生2500万次跌倒，意外跌倒成为威胁老人安全的重大隐患。在家庭和医疗健康监护中，如何及时准确地进行实时老人和病人状态监测特别是跌倒检测成为亟待解决的难题。
针对老年人的健康监护技术也将是未来的社会热点问题，但目前健康监护的市场应用仍局限于临床医疗领域，并以穿戴式传感器为主，其监测精度低，且随着经济的发展和科技的进步，人们更加期望健康监护技术能够惠及到日常生活的点点滴滴，以智能化、便利化、安全化的方式服务大众，故本发明提供一种健康管理智能系统，可实现对老年人日常呼吸和心率进行家居式智能监测，达到心肺功能健康管理。
发明内容
基于此，本发明提供一种健康管理智能系统，可实现对老年人日常呼吸和心率进行家居式智能监测，达到心肺功能健康管理。
第一方面，本申请提供了一种基于健康管理智能系统的人体心肺功能信号监测方法，包括具体步骤如下：S1、通过毫米波雷达在FMCW模式下产生无线信号，再基于FMCW毫米波雷达的无线感知技术，即利用受人体影响的反射信号对人体呼吸和心跳所产生的细微振动进行感知，并将反射的回波信号经过低通滤波器进行远处静态物体反射信号过滤，来获得混合反射信号；
S2、通过多路复用机制，实现从混合反射信号中分离出每个目标的反射信号；利用距离AoA映射图来进行多目标感知场景的重建工作，以便直观地评估多个目标的距离和AoA信息的差异性，选择合适的多路复用机制：
(1)、当两个目标在AoA上存在较大的差异性，可使用角分复用机制来完成多目标的分离任务；
角分复用：首先基于大量的阵列天线采集到的原始数据，估计整个感知场景内多个目标的角度信息；其次依据获取的不同角度信息，形成分别指向各个目标的空间波束；最后利用波束成型或者其他算法分离得到单个目标的反射信号，同时借助单目标的感知技术来估计目标的状态信息；
(2)、当感知场景内的目标相对于天线阵列的距离大概率会有所不同，可使用距分复用机制来完成多目标的分离任务；
距分复用：首先基于无线信号传播时间的测量值或线性调频中中频信号频率的估计值，获取多个目标相对于天线阵列的距离向量；其次明确各个目标的距离差异情况，利用无线设备固有的距离分辨能力来分离各个目标的无线信号；最后借助单目标感知的无线感知方法，依次对分离得到各目标信号进行状态提取；
(3)、如果两个目标的AoA和距离信息非常相近甚至完全相同，但不同目标的信号在统计学上仍然保持相互独立，对于无线信号的影响是不相关时，可使用源分复用机制来完成多目标的分离任务；
源分复用：首先对天线阵列接收的无线信号进行白化处理，使其组成成分不相关；其次基于中心极限定理，通过优化混合信号的负熵来最大化其非高斯性，从而实现对源信号的重构；最后借助单目标的无线感知方法对重构的原信号进行状态提取；
S3、对分离后的中频信号进行相位信息提取，进而来表征目标呼吸信号的变化；实际操作时，将采集的中频信号采样点整理成矩阵形式，矩阵的行为锯齿波的序列数，矩阵的列为一个锯齿波的采样点数；之后沿矩阵的行方向对每个锯齿波对所有采样点数做Range-FFT操作，找到每个锯齿波的幅度谱峰值，确定目标的位置，再提取每个锯齿波的峰值相位作为该时刻的相位信息；
S4、由于提取的相位信号的时长较短，采样点数偏少，故采用MATLAB中的fdatool工具设计滤波器的各项参数，对其进行实时滤波，获得中频信号，并对中频信号傅里叶变化，以得到呼吸、心跳信号的时域波形，呼吸、心跳信号的频域波形以及对呼吸速率、心率估计的数值，并通过显示屏进行实时显示，达到对人体心肺功能健康监管。
可选的，所述中频信号为：
其中，A为发射信号能量，为中频信号的频率成分，/>为中频信号相位成分，其变化由呼吸导致的目标微小变动决定，故需要提取中频信号的相位信息来表征呼吸信号的变化，即可将上述公式简写为：/>
其中，中频信号IF(t)的傅里叶变化为：
第二方面，本申请提供了一种健康管理智能系统，由能够独立运行上述一种基于健康管理智能系统的人体心肺功能信号监测方法包括的步骤，其结构包括：采用24GHz的CFK101A毫米波雷达传感器、波形发生器、AD采集卡构成一个人体生命体征实时监测系统平台，所述人体生命体征实时监测系统在LabVIEW实时采集数据的程序中内嵌有MATLAB脚本，用于相位信号、实时滤波处理的雷达信号处理，并将MATLAB脚本得到的结果返回至LabVIEW中；
所述老年人健康管理智能终端，还包括控制电路板和显示屏，所述控制电路板上集成有处理器和稳压单路单元；
所述CFK101A毫米波雷达传感器内部搭载有CFK101A1T1R Kband雷达芯片和VCO振荡器，所述雷达芯片可支持FMCW、FSK和CW三种模式调制方式，可用于需要测速测距应用；
所述波形发生器为虚拟波形发生器，支持三角波、梯形波、指数波、方波四种波形输出，且输出频率直流为1Hz-25MHz，正弦波高达75MHz；
所述AD采集卡为高速同步数据采集卡，支持8通道16位高精度高速同步采集，单通道采样频率范围为1-50KHz；
所述稳压电路的输出电压1.5V连接到雷达芯片的VT引脚上，用于为芯片正常工作提供启动电压，并且VT引脚连接一个船型开关，用于方便选择稳压电路的输出和波形发生器的锯齿波输出。
可选的，所述CFK101A1T1R雷达芯片的收发器模块工作原理为：利用VCO振荡器控制发射无线信号的频率，使其在24GHz到24.5GHz范围内线性变化，发出的无线信号经过反射之后被接收天线接收，获取的信号分为IQ两路，Q经过90度的移相器使得IQ两路正交，两路正交的信号与原始的发射信号经过一个乘法器，最后再经过一个低通滤波器，得到IQ两路正交的中频信号。
可选的，所述毫米波雷达芯片正常工作时为FMCW模式，即发射的无线信号频率为随时间线性变化的锯齿波函数，振荡器输出频率和输入调谐电压保持高度的线性关系，故使得毫米波雷达工作在FMCW模式下，VT引脚的输入需要为1V-2V的锯齿波，即波形发生器的输出波形。
可选的，所述VCO振荡器支持500MHz高线性调频带宽，所述VOC振荡器内置有独立收发天线，且接收部分带LNA，发射功率为15-22dBm。
可选的，所述人体生命体征实时监测系统框架为利用亳米波雷达芯片的压控振荡器调谐电压输入VT和一个船型开关相连接，船型开关的输入有稳压电路输出信号和波形发生器输出信号可用选择，中频信号输出I_IF和Q_IF和数据同步采集卡的两个通道相连接，其余引脚都接在数据同步采集卡的电源输出或者GND上；稳压电路的电源和波形发生器的电源均从数据同步采集卡上面引入；数据同步采集卡将数据反馈至显示屏上，进行显示。
可选的，所述人体生命体征实时监测系统所用的算法：采用MATLAB和LabVIEW实现，其中数据同步采集卡的数据由LabVIEW完成，实际的雷达信号处理即人体生命体征信号提取由MATLAB负责完成，基于该算法设计而成的软件功能大致介绍如下：
(1)控制数据采集和传输功能的开始、暂停和结束；
(2)实时显示呼吸、心跳信号的时域波形；
(3)对呼吸、心跳信号进行谱分析，实时显示其频域波形；
(4)对呼吸速率、心率进行数值估计并显示。
上述技术方案中的一个技术方案具有如下优点和有益效果：
1、本申请通过基于多路复用机制的多目标感知，可利用角分复用、距分复用和源分复用三种多路复用机制，在AoA距离和信源独立性的差异性，从混合杂糅的多目标信号中依次分离出单个目标的无线信号，可将复杂的多目标感知转化为简单的单目标问题。
2、本申请通过基于24GHz毫米波雷达的人体生命体征实时监测系统，具备实时显示呼吸、心跳等生命体征信号的能力，该系统利用毫米波雷达芯片、波形发生器、数据采集卡和稳压电路等硬件单元，搭建了一个便携式的系统平台，同时通过MATLAB和LabVIEW来实现生命体征监测的具体算法，能够实现在多径较多的室内环境感知并实时显示人体生命体征信号，具备不错的稳定性和鲁棒性，满足智能家居和健康监测的市场需求。
附图说明
通过附图中所示的本申请的优选实施例的更具体说明，本申请的上述及其它目的、特征和优势将变得更加清晰。在全部附图中相同的附图标记指示相同的部分，且并未刻意按实际尺寸等比例缩放绘制附图，重点在于示出本申请的主旨。
图1为本申请实施例中一种基于健康管理智能系统的人体心肺功能信号监测方法的无线感知原理图；
图2为本申请实施例中一种基于健康管理智能系统的人体心肺功能信号监测方法的原理图；
图3是本申请实施例中一种基于健康管理智能系统的人体心肺功能信号监测方法的多路复用机制检测原理图；
图4是本申请实施例中一种基于健康管理智能系统的人体心肺功能信号监测方法的一个目标感知场景的距离AoA映射图；
图5是本申请实施例中一种基于健康管理智能系统的人体心肺功能信号监测方法的角分复用原理图；
图6是本申请实施例中一种基于健康管理智能系统的人体心肺功能信号监测方法的距分复用原理图；
图7是本申请实施例中一种基于健康管理智能系统的人体心肺功能信号监测方法的源分复用原理图；
图8是本申请实施例中一种健康管理智能系统的硬件系统框图；
图9是本申请实施例中一种健康管理智能系统的雷达收发器模块图；
图10是本申请实施例中一种健康管理智能系统的监测系统的流程图。
具体实施方式
为了便于理解本申请，下面将参照相关附图对本申请进行更全面的描述。附图中给出了本申请的首选实施例。但是，本申请可以以许多不同的形式来实现，并不限于本文所描述的实施例。相反地，提供这些实施例的目的是使对本申请的公开内容更加透彻全面。
需要说明的是，当一个元件被认为是“连接”另一个元件，它可以是直接连接到另一个元件并与之结合为一体，或者可能同时存在居中元件。本文所使用的术语“设置”、“一端”、“另一端”以及类似的表述只是为了说明的目的。
除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。本文中在本申请的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本申请。本文所使用的术语“及/或”包括一个或多个相关的所列项目的任意的和所有的组合。
为便于本领域技术人员理解，以下对本文中涉及的部分技术用语进行说明：
请参见图2，图2是本发明一实施例提供的一种基于健康管理智能系统的人体心肺功能信号监测方法的原理，包括：S1、通过毫米波雷达在FMCW模式下产生无线信号，再基于FMCW毫米波雷达的无线感知技术，即利用受人体影响的反射信号对人体呼吸和心跳所产生的细微振动进行感知，并将反射的回波信号经过低通滤波器进行远处静态物体反射信号过滤，来获得混合反射信号；基于FMCW毫米波雷达的无线感知技术利用受目标影响的反射信号来实现无线感知任务，在理想情况下，仅来自于目标的反射信号是有用的，而所有其他的信号(例如来自周围静态物体的反射信号，来自天线之间的信号泄露和周围的环境噪声等)都是有害的，因此需要利用滤波器和背景消除技术对接收到的原始无线信号进行一定的预处理操作。
在人体生命体征监测的实际应用中，目标始终距离接收天线较近，因此，仅来自目标附近较近距离的反射信号是有效的信号，FMCW亳米波雷达利用不同频率成分的中频信号指示来自不同距离的反射信号，距离较近的反射信号具有较低的中频频率，因此可以使用较低的低通滤波器来滤除远处静态物体的反射信号。
同时目标周围静态物体的反射和发射机的泄露也会对目标反射的无线信号造成强烈的干扰，但这些有害信号通常是静态的，可以看作为背景噪声，因此，在无目标的情况下采集环境的无线信号，并采用这些无线信号的平均值作为背景信号，在执行感知任务时，从当前采集的信号中减去背景信号，就可以仅获得期望感知的目标的反射信号。
S2、通过多路复用机制，实现从混合反射信号中分离出每个目标的反射信号；在获取目标的反射信号之后，根据不同的多目标感知场景，应该选择一种或者多种合适的多路复用机制，从混合信号中分离出每个目标反射的无线信号，利用距离AoA映射图来进行多目标感知场景的重建工作，以便直观地评估多个目标的距离和AoA信息的差异性，选择合适的多路复用机制，使用二维MUSIC算法来建立距离AoA的映射图K(r，θ)，如下所示：
其中，a(r，θ)表示为在距离为r处，AoA为θ处的导向矢量，E，表示受影响的反射信号的噪声子空间，可以使用子空间分解方法建立该子空间，如图4所示，可以看出重建的感知场景中有两个目标，一个目标的距离为1m，AoA为45度，另一个目标的距离为1m，AoA为-45度，两个目标在AoA上存在较大的差异性，可以使用角分复用机制来完成多目标的分离任务。
角分复用：首先基于大量的阵列天线采集到的原始数据，估计整个感知场景内多个目标的角度信息；其次依据获取的不同角度信息，形成分别指向各个目标的空间波束；最后利用波束成型或者其他算法分离得到单个目标的反射信号，同时借助单目标的感知技术来估计目标的状态信息。
上述的角分复用机制实质上利用多目标在AoA方面的差异来实现对各个目标信号的分离任务，其具体的工作原理的如图5所示，此外，虽然通信和感知的硬件工具越来越多，例如Intel 5300网卡、CW雷达、FMCW雷达甚至一些声音设备，其差异性也很大，但是对于角分复用机制来说，都是以更多数量的天线为硬件基础，所以说角分复用机制具有不错的普适性，其详细的技术实现如下：
通常，在无线感知场景中，不同的目标很可能具备不同的入射角。基于多接收天线阵列，先使用经典的多信号分类(MUSIC)算法，为每个入射信号估计AoA和相应的导向矢量，随后利用波束成形技术获得每个目标的入射信号，对于一个数量为N的天线阵列来说，波束成型的输出信号Y0可以通过加权各个接收天线的信号得到：
Y0＝WHY
其中，W＝[W1，…，＝WN]H表示在期望的AoA为θ时的加权向量，Y表示信号的接收矩阵形式，维度为N×T，其中T代表信号采样点数量。
为了获取期望AoA方向的信号，需要选取合适的加权向量W以使得输出信号Y0有最大的信噪比，入射信号矩阵Y是AoA为θ的源信号Xθ和其余信号的叠加，源信号Xθ的维度为1xT，噪声信号N0包括来自其他目标和环境的所有噪声信号，它们之间的关系可以定义为：
Y＝AθXθ+N0
其中，Aθ＝[a1，…aN]H为AoA为θ处导向矢量，并结合上述公式Y0可表示为：Y0＝WHAθXθ+WHN0
由于噪声和源信号是不相关的，波束成型输出信号Y0的能量可以表示为：
其中E[]表示数学概率论的期望操作，和/>分别表示源信号和噪声信号的协方差矩阵，波束成型输出信号Y0的信噪比γ可以表示为：
其中，σ2 X表示信号源Xθ的能量，/>L表示一个可逆的矩阵，即γ可以重新被定义为：
根据Cauchy-Schwartz不等式，可以得到且γ为最大值时，加权矢量W取值为：
由于噪声和源信号的不相关性，在实际操作过程中，可以直接使用接收信号的协方差矩阵RY来代替
距分复用：无线感知场景内的目标相对于天线阵列的距离大概率会有所不同，故可利用距离上的差异来分离多目标信号。
无线设备的距离测量能力能够使目标的距离信息投影到天线阵列的距离向量之中，并具备一定的距离分辨能力，受通信领域多用户接入机制的启发，本申请提出了距分复用机制，其基本原理如下：
首先基于无线信号传播时间的测量值或线性调频中中频信号频率的估计值，获取多个目标相对于天线阵列的距离向量；其次明确各个目标的距离差异情况，利用无线设备固有的距离分辨能力来分离各个目标的无线信号；最后借助单目标感知的无线感知方法，依次对分离得到各目标信号进行状态提取。
上述提出的距分复用机制基于目标在距离上的差异性来完成对各个目标的分离任务，其工作原理如图6所示，一般在实际的感知场景中，各个目标相对于阵列天线的距离信息会大概率不同，如果可以基于距离信息的差异性将各个目标的信号分离，那么就可以将多目标感知转化为简单的单目标问题，但由于硬件设备的差异，无线设备距离测量的具体原理会有所不同，例如FMCW利用中频信号的频率来测量距离，而UWB利用时延信息来测量距离等，故这里不再介绍详细的技术手段。
尽管不同无线设备测距的原理不同，实现距分复用机制的具体技术手段也会有所变化，但是其基于距离上的差异性来分离各个目标的思想是通用的，具有参考价值。
源分复用：角分复用机制和距分复用机制分别利用目标在AoA和距离上的差异性来将各个目标的反射信号分离，但如果两个目标的AoA和距离信息非常相近甚至完全相同，上述的两种多路复用机制就会完全失效，导致目标分离任务失败，但不同目标的信号在统计学上仍然保持相互独立，对于无线信号的影响是不相关的，类似于语音领域中的鸡尾酒问题，在同一位置的两人同时说话，仍可以通过音色来区分他们，
此外，毫米波雷达可以配备多个接收天线，具备同时观测多组测量数据的能力，为重构各个目标信号提供了可能，故提出了源分复用机制，尝试利用独立成分分析来分离多目标信号，从而解决AoA和距离重叠的盲区问题。
AoA是Angle of Arrival的缩写，是指无线信号到达接收器的方向角度。在无线通信中，如果我们能够知道信号到达接收器的方向角度，就可以推断出信号来自哪个方向的发射器，从而实现信号的定位、跟踪和分离等任务。
AoA映射图是一种用来描述信号到达方向分布的图像，它可以将信号到达接收器的方向分布映射到一个二维平面上。在信号处理中，可以通过采集到的信号数据来构建AoA映射图，并通过分析AoA映射图来实现信号的分离、定位和跟踪等任务。
在多目标感知场景中，不同目标的信号到达接收器的方向可能不同，因此可以利用AoA映射图来描述多目标的到达方向分布情况，以便实现多目标的感知和分离。通常，距离和AoA信息可以被结合起来用来构建AoA映射图，以实现对多目标场景的重建和感知。
二维MUSIC算法是一种信号处理算法，可以用来分析信号在二维平面上的传播特性，实现对信号到达方向的估计。在这个应用场景中，通过采集到的雷达信号数据，使用二维MUSIC算法可以确定信号到达接收器的方向角度，从而实现距离和AoA之间的映射关系的建立。最终得到的映射图可以用于多目标感知和跟踪等应用。
源分复用机制的原理图如图7所示，其基本原理可以归纳为：
首先对天线阵列接收的无线信号进行白化处理，使其组成成分不相关；其次基于中心极限定理，通过优化混合信号的负熵来最大化其非高斯性，从而实现对源信号的重构；最后借助单目标的无线感知方法对重构的原信号进行状态提取。
源分复用机制本质上利用不同目标在统计学上的相互独立性来重构各个目标的源信号，其需要多目标混合信号的多组观测数据，故要求天线数量不少于目标数量，需要注意的是，源分复用机制是角分复用机制和距分复用机制的补充，用于解决距离和角度重叠的盲区问题，详细的技术方法如下：
不同目标的状态在统计学上都是相互独立的，相互独立的源信号矩阵Z可以被重建为：Z＝PY，其中P是需要估计的系数矩阵。
期望的独立分量Z是不能直接观测到的潜在变量，并且系数矩阵P也不是已知的，惟一确定的是观测信号Y，并且源信号z是相互独立的，根据中心极限定理，当多个独立随机变量相互混合时，它们趋向是高斯性的，换句话说，重建的信号矩阵Z非高斯性越强，Z中的各个成分相互独立性越高，盲源分离技术分离的结果就越好，因此，使用非高斯性作为评估源信号分离的标准，当非高斯性达到最大值，表明独立分量的分离就已经完成，并且此时获得了一个适当的系数矩阵P。
使用负熵J(Z)来评估非高斯性的程度，可以表示为：
J(Z)＝{E[G(Z)]-E[G(ZGauss)]}2
其中，ZGauss是一个和Z有相同方差的高斯随机变量，G()是一个非二次函数，被定义为：G(Z)＝log(cosh(Z))
采用FastICA方法，通过解决下面的优化模型来最大化负熵J(Z)：
这个模型可以通过牛顿法更新P来迭代求解，如下：
Pn+1＝E[YHg(PnY)]-E[g‘(PnY)]Pn
其中，Pn和Pn+1分别为第n次和n+1次的P的迭代值，g()是G()的偏导函数，g‘()是g()的偏导函数，它们分别被定义为：
g(Z)＝tanh(Z)
g‘(Z)＝1-tanh2(Z)
当上述的迭代优化过程收敛时，可以获得较为稳定的系数矩阵P，之后就可以用系数矩阵P来重建独立的源信号矩阵Z，，因此可以将每个目标反射的信号从混合信号中分离出来。
S3、对分离后的中频信号进行相位信息提取，进而来表征目标呼吸信号的变化；
状态提取：设定FMCW硬件芯片发射的无线信号E(t)是正弦信号，与时间t的函数可以被定义为：
其中，AT代表发射信号的能量，表示相位噪声，fs，B，Tc分别为锯齿波的起始频率，带宽和持续时间。
利用提出的多路复用机制，可以得到受每个目标影响的反射信号，假设目标到接收天线的距离为d，可以得到天线到目标之间的往返的时延τ为：
其中，m(t)代表呼吸、心跳等生命体征活动导致胸腔、腹腔的轻微振动，那么接收天线接收到的受目标影响的接收信号c可以被定义为：
其中上述公式中的AR为接收信号的能量，
之后FMCW硬件芯片的发射信号E(t)和接收信号R(t)通过乘法器和低通滤波器。得到的中频信号IF(t)为：
其中Φ(t)可以表示为：
Ai代表中频信号的能量，fi为中频信号的频率，定义为fi＝2B(d+m(t))/Tcc，
在生命体征信号监测的应用中，生命体征导致的目标的轻微振动m(t)相较于目标的距离d是非常微小的，因此几乎不可能观测到中频信号频率f，的改变。由于时延τ比较小，所以πBτ2/Tc也是相当微小的，剩余的相位残差由于范围相关效应非常小，噪声相位的差值可以被忽略，因此中频信号的相位可以粗略表示为4πfs(d+m(t))/c可以看出相位和呼吸导致目标的轻微振动m(t)有-一个线性的关系。从上述的分析中，可以得出这样的推断，FMCW的特殊调制方式使得目标的距离信息被调制到中频信号的频率成分，呼吸导致目标的轻微振动m(t)被调至到了中频信号的相位成分。
因此，对中频信号的每个锯齿波信号执行Range-FFT的操作，通过找出频谱的峰值来检测需要被感知的目标，之后提取连续锯齿波的峰值相位来表征目标的生命体征信号，由于正常的生命体征信号的频率在一定范围内，因此可以通过低通滤波器来减少信号的噪声，以便更好地描述目标的生命体征状态。
相位信号的提取，中频信号为：
其中，A为发射信号能量，为中频信号的频率成分，/>为中频信号相位成分，其变化由呼吸导致的目标微小变动决定，故需要提取中频信号的相位信息来表征呼吸信号的变化，即可将上述公式简写为：/>
其中，中频信号IF(t)的傅里叶变化为：
傅里叶变化后的幅度谱π[δ(ω+2πf)+δ(ω-2πf)]是保持不变的，而幅度谱的相位谱是随微小振动变化的，且表示微小振动的相位信息可以在幅度谱峰值2πf处取得，在固定距离处的目标有一个微小振动，例如呼吸、心跳等，在FMCW中频信号的频谱上，频谱的峰值位置不变，但是频谱峰值的相位会随轻微振动变化，也就是说频率成分主要由目标距离决定，轻微振动不会影响其频率成分，只会改变频谱中的峰值相位。
实际操作时，将采集的中频信号采样点整理成矩阵形式，矩阵的行为锯齿波的序列数，矩阵的列为一个锯齿波的采样点数，之后沿矩阵的行方向对每个锯齿波对所有采样点数做Range-FFT操作，找到每个锯齿波的幅度谱峰值，确定目标的位置，再提取每个锯齿波的峰值相位作为该时刻的相位信息。
实时数据处理：为达到本系统实时显示的功能需求，需要对采取的数据进行实时处理，本系统对初步提取的相位信号取20秒的滑动窗口，同时设置滑动窗口每次移动1秒，对滑动窗口的数据执行实时操作的处理。
S4、由于提取的相位信号的时长较短，采样点数偏少，需要对其进行实时滤波，故本文采用MATLAB中的fdatool工具设计滤波器的各项参数，包括滤波器阶数、类型、采样率、截止频率参数，并生成Z变换的各项参数，还原滤波前后输入输出信号的函数关系。
本申请设计了两个滤波器，0Hz-0.5Hz用于呼吸信号的低通滤波器和1Hz-2Hz用于心率信号的带通滤波器，此外，需要显示它们的频谱，由于采样点数过少，FFT的频率分辨率会不足，导致频谱可能变动较大不够准确，故还利用MUSIC算法来实现呼吸心率的超分辨率估计，此外还需对呼吸速率、心率进行数值估计。
综上，实时处理后的数据主要有呼吸、心跳信号的时域波形、呼吸、心跳信号的频域波形以及对呼吸速率、心率估计的数值，将这些数据送到显示屏实时显示。输入输出信号的函数关系。
请参见图8，图8是本发明一实施例提供的一种健康管理智能系统硬件系统框图，包括：采用24GHz的CFK101A毫米波雷达传感器、波形发生器、AD采集卡构成一个人体生命体征实时监测系统平台，人体生命体征实时监测系统在LabVIEW实时采集数据的程序中内嵌有MATLAB脚本，用于相位信号、实时滤波处理的雷达信号处理，并将MATLAB脚本得到的结果返回至LabVIEW中；
老年人健康管理智能终端，还包括控制电路板和显示屏，控制电路板上集成有处理器和稳压单路单元；
CFK101A毫米波雷达传感器内部搭载有CFK101A1T1R Kband雷达芯片和VCO振荡器，雷达芯片可支持FMCW、FSK和CW三种模式调制方式，可用于需要测速测距应用；
波形发生器为虚拟波形发生器，支持三角波、梯形波、指数波、方波四种波形输出，且输出频率直流为1Hz-25MHz，正弦波高达75MHz；
AD采集卡为高速同步数据采集卡，支持8通道16位高精度高速同步采集，单通道采样频率范围为1-50KHz；
稳压电路的输出电压1.5V连接到雷达芯片的VT引脚上，用于为芯片正常工作提供启动电压，并且VT引脚连接一个船型开关，用于方便选择稳压电路的输出和波形发生器的锯齿波输出。
在本实施例中，1)VCO振荡器支持500MHz高线性调频带宽；
2)VCO振荡器低相噪，典型值为-80dBc/Hz@100kHz(24.150GHz)，低功电压为3.3V，最大电流值250mA；
3)VOC振荡器内置有独立收发天线，且接收部分带LNA，灵敏度高，探测距离远；
4)发射功率为15-22dBm；
5)天线波束角度(-3dB)：水平10度x40度；
6)旁瓣抑制优于23dB。
在本实施例中，CFK101A1T1R雷达芯片的收发器模块工作原理为：利用VCO振荡器控制发射无线信号的频率，使其在24GHz到24.5GHz范围内线性变化，发出的无线信号经过反射之后被接收天线接收，获取的信号分为IQ两路，Q经过90度的移相器使得IQ两路正交，两路正交的信号与原始的发射信号经过一个乘法器，最后再经过一个低通滤波器，得到IQ两路正交的中频信号，该亳米波雷达共有7个引脚，其中两个为GND，其余5个具体的表示意义为：
1)VT为压控振荡器调谐电压输入，工作范围为0V-3.3V，注意的是模组上电之后等待两秒，此脚默认电平为1.3V-1.7V范围内，则模组自检正常，发射频率为24.1496GHz+200kHz，否则需断电重新上电；
2)VCC2为PA电源输入，范围为2.8V-3.3V，电压越高发射功率越大；
3)VCC1为电源输入3.3V；
4)Q_IF为Q路的中频信号输出；
5)L_IF为I路的中频信号输出。
在本实施例中，毫米波雷达芯片正常工作时为FMCW模式，即发射的无线信号频率为随时间线性变化的锯齿波函数，振荡器输出频率和输入调谐电压保持高度的线性关系，故使得毫米波雷达工作在FMCW模式下，VT引脚的输入需要为1V-2V的锯齿波，即波形发生器的输出波形。
在本实施例中，人体生命体征实时监测系统框架为利用亳米波雷达芯片的压控振荡器调谐电压输入VT和一个船型开关相连接，船型开关的输入有稳压电路输出信号和波形发生器输出信号可用选择，中频信号输出I_IF和Q_IF和数据同步采集卡的两个通道相连接，其余引脚都接在数据同步采集卡的电源输出或者GND上；稳压电路的电源和波形发生器的电源均从数据同步采集卡上面引入；数据同步采集卡将数据反馈至显示屏上，进行显示。
在本实施例中，人体生命体征实时监测系统所用的算法：采用MATLAB和LabVIEW实现，其中数据同步采集卡的数据由LabVIEW完成，实际的雷达信号处理即人体生命体征信号提取由MATLAB负责完成，基于该算法设计而成的软件功能大致介绍如下：
(1)控制数据采集和传输功能的开始、暂停和结束；
(2)实时显示呼吸、心跳信号的时域波形；
(3)对呼吸、心跳信号进行谱分析，实时显示其频域波形；
(4)对呼吸速率、心率进行数值估计并显示。
显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样，倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内，则本申请也意图包含这些改动和变型在内。

Claims (8)

1.一种基于健康管理智能系统的人体心肺功能信号监测方法，其特征在于，包括具体步骤如下：S1、通过毫米波雷达在FMCW模式下产生无线信号，再基于FMCW毫米波雷达的无线感知技术，即利用受人体影响的反射信号对人体呼吸和心跳所产生的细微振动进行感知，并将反射的回波信号经过低通滤波器进行远处静态物体反射信号过滤，来获得混合反射信号；
S2、通过多路复用机制，实现从混合反射信号中分离出每个目标的反射信号；利用距离AoA映射图来进行多目标感知场景的重建工作，以便直观地评估多个目标的距离和AoA信息的差异性，选择合适的多路复用机制：
(1)、当两个目标在AoA上存在较大的差异性，可使用角分复用机制来完成多目标的分离任务；
角分复用：首先基于大量的阵列天线采集到的原始数据，估计整个感知场景内多个目标的角度信息；其次依据获取的不同角度信息，形成分别指向各个目标的空间波束；最后利用波束成型或者其他算法分离得到单个目标的反射信号，同时借助单目标的感知技术来估计目标的状态信息；
(2)、当感知场景内的目标相对于天线阵列的距离大概率会有所不同，可使用距分复用机制来完成多目标的分离任务；
距分复用：首先基于无线信号传播时间的测量值或线性调频中中频信号频率的估计值，获取多个目标相对于天线阵列的距离向量；其次明确各个目标的距离差异情况，利用无线设备固有的距离分辨能力来分离各个目标的无线信号；最后借助单目标感知的无线感知方法，依次对分离得到各目标信号进行状态提取；
(3)、如果两个目标的AoA和距离信息非常相近甚至完全相同，但不同目标的信号在统计学上仍然保持相互独立，对于无线信号的影响是不相关时，可使用源分复用机制来完成多目标的分离任务；
源分复用：首先对天线阵列接收的无线信号进行白化处理，使其组成成分不相关；其次基于中心极限定理，通过优化混合信号的负熵来最大化其非高斯性，从而实现对源信号的重构；最后借助单目标的无线感知方法对重构的原信号进行状态提取；
S3、对分离后的中频信号进行相位信息提取，进而来表征目标呼吸信号的变化；实际操作时，将采集的中频信号采样点整理成矩阵形式，矩阵的行为锯齿波的序列数，矩阵的列为一个锯齿波的采样点数；之后沿矩阵的行方向对每个锯齿波对所有采样点数做Range-FFT操作，找到每个锯齿波的幅度谱峰值，确定目标的位置，再提取每个锯齿波的峰值相位作为该时刻的相位信息；
S4、由于提取的相位信号的时长较短，采样点数偏少，故采用MATLAB中的fdatool工具设计滤波器的各项参数，对其进行实时滤波，获得中频信号，并对中频信号傅里叶变化，以得到呼吸、心跳信号的时域波形，呼吸、心跳信号的频域波形以及对呼吸速率、心率估计的数值，并通过显示屏进行实时显示，达到对人体心肺功能健康监管。
2.根据权利要求1所述的一种基于健康管理智能系统的人体心肺功能信号监测方法，其特征在于，所述中频信号为：
其中，A为发射信号能量，为中频信号的频率成分，/>为中频信号相位成分，其变化由呼吸导致的目标微小变动决定，故需要提取中频信号的相位信息来表征呼吸信号的变化，即可将上述公式简写为：/>
其中，中频信号IF(t)的傅里叶变化为：
3.一种健康管理智能系统，其特征在于，由能够独立运行权利要求1-2中任意一项所述一种基于健康管理智能系统的人体心肺功能信号监测方法包括的步骤，其结构包括：采用24GHz的CFK101A毫米波雷达传感器、波形发生器、AD采集卡构成一个人体生命体征实时监测系统平台，所述人体生命体征实时监测系统在LabVIEW实时采集数据的程序中内嵌有MATLAB脚本，用于相位信号、实时滤波处理的雷达信号处理，并将MATLAB脚本得到的结果返回至LabVIEW中；
所述老年人健康管理智能终端，还包括控制电路板和显示屏，所述控制电路板上集成有处理器和稳压单路单元；
所述CFK101A毫米波雷达传感器内部搭载有CFK101A1T1R Kband雷达芯片和VCO振荡器，所述雷达芯片可支持FMCW、FSK和CW三种模式调制方式，可用于需要测速测距应用；
所述波形发生器为虚拟波形发生器，支持三角波、梯形波、指数波、方波四种波形输出，且输出频率直流为1Hz-25MHz，正弦波高达75MHz；
所述AD采集卡为高速同步数据采集卡，支持8通道16位高精度高速同步采集，单通道采样频率范围为1-50KHz；
所述稳压电路的输出电压1.5V连接到雷达芯片的VT引脚上，用于为芯片正常工作提供启动电压，并且VT引脚连接一个船型开关，用于方便选择稳压电路的输出和波形发生器的锯齿波输出。
4.根据权利要求3所述的一种健康管理智能系统，其特征在于，所述CFK101A1T1R雷达芯片的收发器模块工作原理为：利用VCO振荡器控制发射无线信号的频率，使其在24GHz到24.5GHz范围内线性变化，发出的无线信号经过反射之后被接收天线接收，获取的信号分为IQ两路，Q经过90度的移相器使得IQ两路正交，两路正交的信号与原始的发射信号经过一个乘法器，最后再经过一个低通滤波器，得到IQ两路正交的中频信号。
5.根据权利要求3所述的一种健康管理智能系统，其特征在于，所述毫米波雷达芯片正常工作时为FMCW模式，即发射的无线信号频率为随时间线性变化的锯齿波函数，振荡器输出频率和输入调谐电压保持高度的线性关系，故使得毫米波雷达工作在FMCW模式下，VT引脚的输入需要为1V-2V的锯齿波，即波形发生器的输出波形。
6.根据权利要求3所述的一种健康管理智能系统，其特征在于，所述VCO振荡器支持500MHz高线性调频带宽，所述VOC振荡器内置有独立收发天线，且接收部分带LNA，发射功率为15-22dBm。
7.根据权利要求3所述的一种健康管理智能系统，其特征在于，所述人体生命体征实时监测系统框架为利用亳米波雷达芯片的压控振荡器调谐电压输入VT和一个船型开关相连接，船型开关的输入有稳压电路输出信号和波形发生器输出信号可用选择，中频信号输出I_IF和Q_IF和数据同步采集卡的两个通道相连接，其余引脚都接在数据同步采集卡的电源输出或者GND上；稳压电路的电源和波形发生器的电源均从数据同步采集卡上面引入；数据同步采集卡将数据反馈至显示屏上，进行显示。
8.根据权利要求3所述的一种健康管理智能系统，其特征在于，所述人体生命体征实时监测系统所用的算法：采用MATLAB和LabVIEW实现，其中数据同步采集卡的数据由LabVIEW完成，实际的雷达信号处理即人体生命体征信号提取由MATLAB负责完成，基于该算法设计而成的软件功能大致介绍如下：
(1)控制数据采集和传输功能的开始、暂停和结束；
(2)实时显示呼吸、心跳信号的时域波形；
(3)对呼吸、心跳信号进行谱分析，实时显示其频域波形；
(4)对呼吸速率、心率进行数值估计并显示。
CN202310396394.6A 2023-04-14 2023-04-14 一种健康管理智能系统及人体心肺功能信号监测方法 Pending CN116491913A (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202310396394.6A CN116491913A (zh) 2023-04-14 2023-04-14 一种健康管理智能系统及人体心肺功能信号监测方法
CN202410115762.XA CN117954079A (zh) 2023-04-14 2024-01-29 一种健康管理智能系统及人体心肺功能信号监测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310396394.6A CN116491913A (zh) 2023-04-14 2023-04-14 一种健康管理智能系统及人体心肺功能信号监测方法

Publications (1)

Publication Number Publication Date
CN116491913A true CN116491913A (zh) 2023-07-28

Family

ID=87323993

Family Applications (2)

Application Number Title Priority Date Filing Date
CN202310396394.6A Pending CN116491913A (zh) 2023-04-14 2023-04-14 一种健康管理智能系统及人体心肺功能信号监测方法
CN202410115762.XA Pending CN117954079A (zh) 2023-04-14 2024-01-29 一种健康管理智能系统及人体心肺功能信号监测方法

Family Applications After (1)

Application Number Title Priority Date Filing Date
CN202410115762.XA Pending CN117954079A (zh) 2023-04-14 2024-01-29 一种健康管理智能系统及人体心肺功能信号监测方法

Country Status (1)

Country Link
CN (2) CN116491913A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117686890A (zh) * 2024-02-01 2024-03-12 北京中成康富科技股份有限公司 用于毫米波治疗仪的单板测试方法及系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180279884A1 (en) * 2017-03-29 2018-10-04 Texas Instruments Incorporated Multi-person vital signs monitoring using millimeter wave (mm-wave) signals
EP3460507A1 (en) * 2017-09-26 2019-03-27 Infineon Technologies AG System and method for occupancy detection using a millimeterwave radar sensor
CN111481184A (zh) * 2020-04-24 2020-08-04 华侨大学 基于毫米波雷达技术的多目标呼吸心率监测方法与系统
CN111938613A (zh) * 2020-08-07 2020-11-17 南京茂森电子技术有限公司 基于毫米波雷达的健康监测装置及方法

Family Cites Families (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
FI973386A (fi) * 1997-07-25 1999-01-26 Vaeaenaenen Mikko Kalervo Menetelmä terveydentilatiedon analysoimiseen ja viestimiseen
CN106539574A (zh) * 2017-01-03 2017-03-29 浙江物云科技有限公司 一种应急联动健康监测系统及方法
CN109498059A (zh) * 2018-12-18 2019-03-22 首都师范大学 一种非接触式人体状态监测系统及人体状态管理监测方法
CN111192257B (zh) * 2020-01-02 2023-05-23 上海电气集团股份有限公司 一种确定设备状态的方法、系统及设备
CN114190913A (zh) * 2021-12-07 2022-03-18 东南大学 一种基于毫米波雷达的驾驶人员驾驶状态监测系统及方法
CN114246563B (zh) * 2021-12-17 2023-11-17 重庆大学 基于毫米波雷达的心肺功能智能监测设备
CN114983373B (zh) * 2022-06-02 2023-03-28 谢俊 一种检测人体心率的方法
CN114732384B (zh) * 2022-06-14 2022-09-02 亿慧云智能科技（深圳）股份有限公司 基于微波雷达的心脏健康数据监测方法、装置、存储介质
CN115422976B (zh) * 2022-09-14 2023-11-21 湖南万脉医疗科技有限公司 一种基于人工网络的心肺耦合关系分析方法及监测系统
CN115312195A (zh) * 2022-10-10 2022-11-08 安徽交欣科技股份有限公司 一种基于情绪数据计算个体心理异常的健康评估方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180279884A1 (en) * 2017-03-29 2018-10-04 Texas Instruments Incorporated Multi-person vital signs monitoring using millimeter wave (mm-wave) signals
EP3460507A1 (en) * 2017-09-26 2019-03-27 Infineon Technologies AG System and method for occupancy detection using a millimeterwave radar sensor
CN111481184A (zh) * 2020-04-24 2020-08-04 华侨大学 基于毫米波雷达技术的多目标呼吸心率监测方法与系统
CN111938613A (zh) * 2020-08-07 2020-11-17 南京茂森电子技术有限公司 基于毫米波雷达的健康监测装置及方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
白雪瑞: "基于毫米波雷达的人体生命体征感知方法研究", 中国优秀硕士学位论文全文数据库, no. 01, pages 2 - 5 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117686890A (zh) * 2024-02-01 2024-03-12 北京中成康富科技股份有限公司 用于毫米波治疗仪的单板测试方法及系统
CN117686890B (zh) * 2024-02-01 2024-04-12 北京中成康富科技股份有限公司 用于毫米波治疗仪的单板测试方法及系统

Also Published As

Publication number Publication date
CN117954079A (zh) 2024-04-30

Similar Documents

Publication Publication Date Title
Mercuri et al. 2-D localization, angular separation and vital signs monitoring using a SISO FMCW radar for smart long-term health monitoring environments
Wang et al. mmHRV: Contactless heart rate variability monitoring using millimeter-wave radio
Islam et al. Non-contact vital signs monitoring for multiple subjects using a millimeter wave FMCW automotive radar
US20220260676A1 (en) Wireless communication with enhanced maximum permissible exposure (mpe) compliance
Naishadham et al. Estimation of cardiopulmonary parameters from ultra wideband radar measurements using the state space method
Wang et al. UWHear: Through-wall extraction and separation of audio vibrations using wireless signals
Di Domenico et al. WiFi-based through-the-wall presence detection of stationary and moving humans analyzing the doppler spectrum
FI130097B (en) Providing imaging units to monitor vital parameters
CN113534141A (zh) 基于相控阵雷达技术的远距生命体征探测方法及装置
CN118697288A (zh) 具有基于生命体征检测的增强型最大准许照射量（mpe）遵循性的无线通信
WO2008001092A2 (en) Radar for through wall detection
Sacco et al. A radar system for indoor human localization and breath monitoring
Wang et al. Multi-target vital signs detection using frequency-modulated continuous wave radar
CN116491913A (zh) 一种健康管理智能系统及人体心肺功能信号监测方法
CN114259213A (zh) 杂波背景下毫米波mimo雷达的邻近多目标生命体征检测方法
Wang et al. Multi-target device-free wireless sensing based on multiplexing mechanisms
Alizadeh Remote vital signs monitoring using a mm-wave FMCW radar
Eid et al. Holography-based target localization and health monitoring technique using UHF tags array
Zetik et al. Evaluation of requirements for UWB localization systems in home-entertainment applications
Park et al. Multipath signal mitigation for indoor localization based on mimo fmcw radar system
Dahal et al. Comparison Between Wi-Fi-CSI and Radar-Based HAR
Vergara et al. Blind source separation of human body motion using direct conversion Doppler radar
JP2020109387A (ja) 推定方法および推定装置
Smardzija et al. Applications of MIMO techniques to sensing of cardiopulmonary activity
Oleksak Vital sign detection using millimeter wave radars

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
WD01 Invention patent application deemed withdrawn after publication
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20230728