CN117177708A - 利用超宽带雷达联合估计呼吸率和心率 - Google Patents
利用超宽带雷达联合估计呼吸率和心率 Download PDFInfo
- Publication number
- CN117177708A CN117177708A CN202280029076.XA CN202280029076A CN117177708A CN 117177708 A CN117177708 A CN 117177708A CN 202280029076 A CN202280029076 A CN 202280029076A CN 117177708 A CN117177708 A CN 117177708A
- Authority
- CN
- China
- Prior art keywords
- range
- heart rate
- electronic device
- signal components
- cir
- 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
- 230000036387 respiratory rate Effects 0.000 title claims description 37
- 230000029058 respiratory gaseous exchange Effects 0.000 claims abstract description 92
- 238000000034 method Methods 0.000 claims abstract description 84
- 238000012544 monitoring process Methods 0.000 claims abstract description 24
- 230000004044 response Effects 0.000 claims abstract description 20
- 238000001514 detection method Methods 0.000 claims abstract description 14
- 238000001228 spectrum Methods 0.000 claims description 32
- 230000003595 spectral effect Effects 0.000 claims description 19
- 238000000354 decomposition reaction Methods 0.000 claims description 9
- 238000012545 processing Methods 0.000 description 25
- 238000004891 communication Methods 0.000 description 22
- 230000033001 locomotion Effects 0.000 description 20
- 230000015654 memory Effects 0.000 description 19
- 210000000038 chest Anatomy 0.000 description 15
- 230000000241 respiratory effect Effects 0.000 description 12
- 238000010586 diagram Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 8
- 230000014509 gene expression Effects 0.000 description 8
- 230000036541 health Effects 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 238000004590 computer program Methods 0.000 description 5
- 230000036391 respiratory frequency Effects 0.000 description 5
- 238000005259 measurement Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 230000001413 cellular effect Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000001914 filtration Methods 0.000 description 3
- 238000009499 grossing Methods 0.000 description 3
- 238000012806 monitoring device Methods 0.000 description 3
- 230000000717 retained effect Effects 0.000 description 3
- 230000007958 sleep Effects 0.000 description 3
- 229920001621 AMOLED Polymers 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 2
- 238000006073 displacement reaction Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 239000001301 oxygen Substances 0.000 description 2
- 229910052760 oxygen Inorganic materials 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 210000000779 thoracic wall Anatomy 0.000 description 2
- 206010008479 Chest Pain Diseases 0.000 description 1
- 208000000059 Dyspnea Diseases 0.000 description 1
- 206010013975 Dyspnoeas Diseases 0.000 description 1
- 241001465754 Metazoa Species 0.000 description 1
- 206010049418 Sudden Cardiac Death Diseases 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000035565 breathing frequency Effects 0.000 description 1
- 230000005189 cardiac health Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 230000001427 coherent effect Effects 0.000 description 1
- 239000004020 conductor Substances 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000007123 defense Effects 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 208000002173 dizziness Diseases 0.000 description 1
- 238000002592 echocardiography Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000002567 electromyography Methods 0.000 description 1
- 230000002996 emotional effect Effects 0.000 description 1
- 239000007789 gas Substances 0.000 description 1
- 230000001121 heart beat frequency Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000001575 pathological effect Effects 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000002040 relaxant effect Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 230000000284 resting effect Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 201000002859 sleep apnea Diseases 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 239000000758 substrate Substances 0.000 description 1
- 208000014221 sudden cardiac arrest Diseases 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
- 230000002459 sustained effect Effects 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000000489 vacuum metal deposition Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 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
- G01S13/0209—Systems with very large relative bandwidth, i.e. larger than 10 %, e.g. baseband, pulse, carrier-free, ultrawideband
-
- 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
- G01S7/414—Discriminating targets with respect to background clutter
-
- 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
- A61B5/02—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
- A61B5/0255—Recording instruments specially adapted therefor
-
- 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
- A61B5/0507—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves using microwaves or terahertz waves
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/08—Detecting, measuring or recording devices for evaluating the respiratory organs
- A61B5/0816—Measuring devices for examining respiratory frequency
-
- 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
- G01S13/06—Systems determining position data of a target
- G01S13/08—Systems for measuring distance only
- G01S13/10—Systems for measuring distance only using transmission of interrupted, pulse modulated waves
- G01S13/18—Systems for measuring distance only using transmission of interrupted, pulse modulated waves wherein range gates are used
-
- 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
- G01S13/50—Systems of measurement based on relative movement of target
- G01S13/52—Discriminating between fixed and moving objects or between objects moving at different speeds
-
- 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
- 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
- G01S7/415—Identification of targets based on measurements of movement associated with the target
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
- A61B5/024—Detecting, measuring or recording pulse rate or heart rate
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7253—Details of waveform analysis characterised by using transforms
-
- 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
- G01S13/06—Systems determining position data of a target
- G01S13/08—Systems for measuring distance only
- G01S13/32—Systems for measuring distance only using transmission of continuous waves, whether amplitude-, frequency-, or phase-modulated, or unmodulated
- G01S13/34—Systems for measuring distance only using transmission of continuous waves, whether amplitude-, frequency-, or phase-modulated, or unmodulated using transmission of continuous, frequency-modulated waves while heterodyning the received signal, or a signal derived therefrom, with a locally-generated signal related to the contemporaneously transmitted signal
-
- 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
Abstract
一种用于非接触式生命体征监测的方法包括:经由收发器发送用于对象检测的雷达信号。所述方法还包括:从接收到的雷达信号的反射生成杂波去除的信道脉冲响应,其中,所述雷达信号的反射的一部分是从活体对象反射的。所述方法还包括:识别与所述活体对象的位置相应的范围分组集合。另外,所述方法包括:识别表示所述活体对象的呼吸率的第一信号分量集合和表示所述活体对象的心率的第二信号分量集合。
Description
技术领域
本公开总体上涉及生命体征监测。更具体地,本公开涉及使用雷达联合估计呼吸率和心率。
背景技术
生命体征监测,例如心率、呼吸率等,提供了一种测量人健康状况的简单方法。可通过在不同活动期间(诸如当人正在锻炼、睡觉或放松时)测量生命体征来获得对人的健康的额外洞察。例如,个体的心率和/或呼吸率可提供关于个体的健康水平、个体的持续病理状况、个体的心脏健康、个体的情绪健康等的理解。心率是在特定时间段内心跳的次数。类似地,呼吸率是人在特定时间段内呼吸的呼吸次数。
可使用各种装置来测量心率和呼吸率。然而,这样的装置通常需要与用户直接接触。例如,脉搏血氧计是需要与人物理接触以测量个体的氧饱和度和脉搏的装置。然而,氧饱和度不与个体的呼吸率和该个体的相应整体健康直接相关。由于可测量心率和呼吸率的装置需要与人体直接接触,因此接触可能导致个体不适并且可能不适合于长时间监测(诸如在睡眠或锻炼时)。在非接触式环境中测量生命体征的能力可改善个人的舒适度和整体健康。
发明内容
技术问题
本公开提供了使用雷达对呼吸率和心率的联合估计。
技术方案
在一个实施例中,提供了一种电子装置。电子装置包括收发器和处理器。所述处理器可操作地连接到所述收发器。所述处理器被配置为:经由所述收发器发送用于对象检测的雷达信号。所述处理器还被配置为:从接收到的雷达信号的反射生成杂波去除的信道脉冲响应(CIR),其中,所述雷达信号的反射的一部分是从活体对象反射的。所述处理器还被配置为:部分地基于所述去除杂波的CIR识别与所述活体对象的位置相应的范围分组集合。另外,所述处理器被配置为:识别表示所述活体对象的呼吸率的第一信号分量集合和表示所述活体对象的心率的第二信号分量集合。为了识别第一信号分量集合和第二信号分量集合,所述处理器被配置为:(i)在第一操作,使用变分模式分解(VMD)识别第一信号分量集合和第二信号分量集合,其中,所述变分模式分解(VMD)将所述范围分组集合的非平稳信号分解为表示呼吸率和心率的子分量,或者(ii)在第二操作中,使用所述范围分组集合,从生成的频谱中识别第一信号分量集合,并基于生成的功率谱密度的特性识别第二信号分量集合。
在另一个实施例中,提供了一种方法。所述方法包括:经由收发器发送用于对象检测的雷达信号。所述方法还包括:从接收到的雷达信号的反射生成杂波去除的CIR,其中,所述雷达信号的反射的一部分是从活体对象反射的。所述方法还包括:部分地基于所述杂波去除的CIR识别与活体对象的位置相应的范围分组集合。另外,所述方法包括:识别表示所述活体对象的呼吸率的第一信号分量集合和表示所述活体对象的心率的第二信号分量集合。所述方法包括:(i)使用VMD识别第一信号分量集合和第二信号分量集合,其中,所述VMD将所述范围分组集合的非平稳信号分解为表示呼吸率和心率的子分量,或者(ii)使用所述范围分组集合,从生成的频谱中识别第一信号分量集合,并基于生成的功率谱密度的特性识别第二信号分量集合。
在又一实施例中,一种实现计算机程序的非暂时性计算机可读媒体,所述计算机程序包括在由电子装置的处理器执行时致使所述处理器执行以下操作的计算机可读程序代码:经由收发器发送用于对象检测的雷达信号;从接收到的雷达信号的反射生成杂波去除的CIR,其中,所述雷达信号的反射的一部分是从活体对象反射的;部分地基于所述杂波去除的CIR识别与所述活体对象的位置相应的范围分组集合;识别表示所述活体对象的呼吸率的第一信号分量集合和表示所述活体对象的心率的第二信号分量集合。为了识别第一信号分量集合和第二信号分量集合,计算机程序还包括在由处理器执行时使处理器执行以下操作的计算机可读程序代码:使用VMD识别第一信号分量集合和第二信号分量集合,其中,所述VMD将所述范围分组集合的非平稳信号分解为表示呼吸率和心率的子分量,或者使用所述范围分组集合,从生成的频谱中识别第一信号分量集合,并基于生成的功率谱密度的特性识别第二信号分量集合。
根据以下附图、描述和权利要求,其他技术特征对于本领域技术人员而言可以是显而易见的。
在进行下面的详细描述之前,阐述贯穿本专利文件使用的某些词语和短语的定义可能是有利的。术语“耦接”及其派生词是指两个或更多个元件之间的任何直接或间接通信,无论这些元件是否彼此物理接触。术语“发送”、“接收”和“通信”及其派生词包括直接和间接通信。术语“包括”和“包含”及其派生词指包括但不限于此。术语“或”是包含性的,指和/或。短语“与……相关联”及其派生词意包括、被包括在……内、与……互连、包含、被包含在……内、连接到或与……连接、耦接到或与……耦接、可与……通信、与……协作、交织、并置、接近于、绑定到或与……绑定、具有、具有……的特性、与……具有关系等。术语“控制器”指控制至少一个操作的任何装置、系统或任何装置或系统的部分。这样的控制器可以以硬件或硬件和软件和/或固件的组合来实现。与任何特定控制器相关联的功能可以是集中式的或分布式的,无论是本地的还是远程的。当与项目列表一起使用时,短语“……中的至少一个”指可使用所列项目中的一个或更多个的不同组合,并且可能仅需要列表中的一个项目。例如,“A、B和C中的至少一个”包括以下组合中的任何一个:A、B、C、A和B、A和C、B和C、以及A和B和C。
此外,下面描述的各种功能可由一个或更多个计算机程序实现或支持,每个计算机程序由计算机可读程序代码形成并实现在计算机可读介质中。术语“应用”和“程序”是指适于在合适的计算机可读程序代码中实现的一个或更多个计算机程序、软件组件、指令集、过程、功能、对象、类、实例、相关数据或它们的一部分。短语“计算机可读程序代码”包括任何类型的计算机代码,包括源代码、目标代码和可执行代码。短语“计算机可读介质”包括能够由计算机访问的任何类型的介质,诸如只读存储器(ROM)、随机存取存储器(RAM)、硬盘驱动器、光盘(CD)、数字视频光盘(DVD)或任何其他类型的存储器。“非暂时性”计算机可读介质不包括传输暂时性电信号或其他信号的有线、无线、光学或其他通信链路。非暂时性计算机可读介质包括可永久存储数据的介质和可存储数据并稍后重写数据的介质,诸如可重写光盘或可擦除存储器装置。
贯穿本专利文件提供了其他某些词语和短语的定义。本领域普通技术人员应当理解,在许多情况下(如果不是大多数情况),这样的定义适用于这样定义的单词和短语的先前以及将来的使用。
附图说明
为了更完整地理解本公开及其优点,现在参照结合附图进行的以下描述,其中相同的附图标记表示相同的部分:
图1示出了根据本公开的实施例的示例通信系统;
图2示出了根据本公开的实施例的示例电子装置;
图3示出了根据本公开的实施例的超宽带(UWB)雷达信号的示例架构;
图4A示出了根据本公开的实施例的生命体征监测的示例方法;
图4B示出了根据本公开的实施例的高通脉冲响应滤波器的频率响应的图的示例;
图4C示出了根据本公开的实施例的将范围分组的信道脉冲响应(CIR)的实部和虚部分解为固有模式函数(IMF)的示例图;
图4D示出了根据本公开的实施例的用于将IMF分类为不同组的示例方法;
图5A示出了根据本公开的实施例的生命体征监测的示例方法;
图5B示出了根据本公开的实施例的频谱的示例图;
图5C示出了根据本公开的实施例的用于识别目标范围分组和呼吸率的示例方法;
图5D示出了根据本公开的实施例的包括目标范围分组的示例图;
图5E示出了根据本公开的实施例的目标范围分组的功率谱密度的示例图;
图5F和5G示出了根据本公开的实施例的用于从目标范围分组的功率谱密度识别心率的示例方法;
图5H示出了根据本公开的实施例的生命体征监测的示例方法;
图6示出了根据本公开的实施例描绘生命体征监测结果的示例图;以及
图7示出了根据本公开的实施例的生命体征监测的示例方法。
具体实施方式
下面讨论的图1至图7以及用于描述本专利文件中的本公开的原理的各种实施例仅作为说明,并且不应以任何方式解释为限制本公开的范围。本领域技术人员将理解,本公开的原理可在任何适当布置的系统或装置中实现。
根据本公开的实施例的电子装置可包括诸如5G终端的用户设备(UE)。电子装置还可指任何组件,诸如移动站、用户站、远程终端、无线终端、接收点、车辆或用户装置。电子装置可以是移动电话、智能电话、监控装置、警报装置、车队管理装置、资产跟踪装置、汽车、台式计算机、娱乐装置、信息娱乐装置、自动售货机、电表、水表、燃气表、安全装置、传感器装置、电器等。另外,电子装置可包括个人计算机(诸如膝上型计算机、台式计算机)、工作站、服务器、电视、电器等。在特定实施例中,电子装置可以是便携式电子装置,诸如便携式通信装置(诸如智能电话或移动电话)、膝上型计算机、平板计算机、电子书阅读器(诸如电子阅读器)、个人数字助理(PDA)、便携式多媒体播放器(PMP)、MP3播放器、移动医疗装置、虚拟现实耳机、便携式游戏控制台、相机和可穿戴装置等。另外,电子装置可以是一件家具或建筑物/结构的一部分、电子板、电子签名接收装置、投影仪或测量装置中的至少一个。电子装置是上面列出的装置中的一个或组合。另外,如本文所公开的电子装置不限于上面列出的装置,并且根据技术的发展可包括新的电子装置。注意,如本文所使用的,术语“用户”可表示使用电子装置的人或另一装置(诸如人工智能电子装置)。
本公开的实施例认识到并考虑到雷达技术用于商业、国防和安全领域。最近,小型、低成本和固态雷达技术已经实现了诸如医疗和汽车的民用应用、增强的人机界面以及与环境的智能交互。在特定实施例中,雷达系统可向散射入射在其上的信号的一个或更多个无源目标(或对象)发送雷达信号。雷达通过发送信号来监测感兴趣区域(ROI)并测量环境的响应以执行包括但不限于接近感测、生命体征检测、手势检测以及目标检测和跟踪的功能。超宽带(UWB)雷达是示例雷达信号类型。
在特定实施例中,诸如下面图3中描述的那些实施例,UWB雷达包括收发器(或至少一个雷达发送器和接收器)。收发器可发送高带宽脉冲,接收从对象(也表示为目标)散射的信号。UWB雷达或电子装置可计算信道脉冲响应(CIR),目标及其周围环境的特征。雷达配备有一个或更多个接收天线(RX1、RX2、…、RXn),以使得能够在时间-频率-空间域中进行信号处理。雷达系统可为感兴趣的时间索引提供目标的范围、多普勒频率和空间频谱信息。
本公开的实施例考虑到可使用各种装置来监测活体对象的生命体征。例如,特定装置可能需要与活体对象接触以便检测心率或呼吸率。对于另一示例,可使用基于相机的方法,提供用于生命体征监测的无接触方法。然而,不良的照明条件可能不利地影响用于生命体征监测的捕获图像,从而导致不准确的结果。另外,由于在每个脉搏期间表面(皮肤)用户的波动可忽略不计,相机可能无法检测用户的心率。
因此,本公开的实施例包括用于使用雷达来无接触地监测用户的生命体征而不管照明条件如何的系统和方法。例如,本公开的实施例描述了使用脉冲无线电超宽带(IR-UWB)雷达系统来在任何照明条件下监测生命体征,而无需直接接触个体。在IR-UWB中,反射脉冲的幅度变化和到达时间(ToA)用于评估对象的呼吸率和心率。
在特定实施例中,电子装置可向其生命体征要被监测的对象发送雷达信号(诸如IR-UWB信号)的高带宽脉冲。对象可坐在雷达前面并正常呼吸。从对象反射的一些信号可由电子装置接收。从对象的胸部反弹的反射信号能够被用于识别该对象的呼吸率和心率。
本公开的实施例考虑到因为与相应于呼吸的信号相比,相应于心率的信号弱得多,所以心率与呼吸率的分离是困难的。另外,本公开的实施例考虑到与心率相应的信号可被呼吸信号的谐波掩蔽。
因此,本公开的实施例描述了从接收到的雷达信号联合检测呼吸率和心率的方法和系统。如本文所述,雷达信号是IR-UWB,然而可使用其他类型的雷达信号。
在特定实施例中,UWB雷达用于监测位于雷达前方的活体对象的呼吸率和心率。例如,智能扬声器可位于人的床旁边的床头柜上。智能扬声器可包括在人睡觉时指向人的UWB雷达。智能扬声器可在人睡觉时监测人的呼吸率和心率。该信息可提供对人的睡眠质量(例如,休息时段的长度、睡眠呼吸暂停检测等)的洞察,并且还用于提供更好睡眠的建议。
对于另一示例,具有UWB雷达能力的智能电话可在人在他们的桌子处工作时位于充电架中,该充电架位于人的前方。嵌入在电话中的UWB雷达可检测人的位置并在他们工作期间监测他们的呼吸率和心率。然后,呼吸率和心率信息可用于人的压力水平的每日概要,并用于提供建议(诸如人暂时休息以避免疲劳的建议)。
对于另一示例,运动员/跑步者/运动选手可在训练或锻炼时取出他们的电话(其具有嵌入式UWB雷达)并将装置保持在他们前面。在几秒钟之后,电话可报告用户的当前呼吸率和心率。
对于又一示例,当人感觉到生理异常(例如,头晕、胸痛、呼吸困难等)的发作时,用户可取出他们的电话(其具有嵌入式UWB雷达)并将其放置在他们前面。在几秒钟之后,电话可准确地报告用户的当前呼吸率和心率,从而向用户提供医疗紧急情况(诸如心脏骤停)的可能性的指示。
图1示出了根据本公开的实施例的示例通信系统100。图1所示的通信系统100的实施例仅用于说明。在不脱离本公开的范围的情况下,可使用通信系统100的其他实施例。
通信系统100包括促进通信系统100中的各种组件之间的通信的网络102。例如,网络102可在网络地址之间传送IP分组、帧中继帧、异步传输模式(ATM)信元或其他信息。网络102包括一个或更多个局域网(LAN)、城域网(MAN)、广域网(WAN)、全球网络(诸如互联网)的全部或一部分、或一个或更多个位置处的任何其他一个或更多个通信系统或系统。
在该示例中,网络102促进服务器104与各种客户端装置106-114之间的通信。客户端装置106-114可以是例如智能电话(诸如UE)、平板计算机、膝上型计算机、个人计算机、可穿戴装置、头戴式显示器等。服务器104可表示一个或更多个服务器。每个服务器104包括可为一个或更多个客户端装置(诸如客户端装置106-114)提供计算服务的任何合适的计算或处理装置。每个服务器104可例如包括一个或更多个处理装置、存储指令和数据的一个或更多个存储器、以及促进通过网络102进行通信的一个或更多个网络接口。
客户端装置106-114中的每一个客户端装置表示通过网络102与至少一个服务器(诸如服务器104)或其他计算装置交互的任何合适的计算或处理装置。客户端装置106-114包括台式计算机106、移动电话或移动装置108(诸如智能电话)、PDA110、膝上型计算机112和平板计算机114。然而,在通信系统100中可使用任何其他或附加的客户端装置,诸如可穿戴装置。智能电话表示作为具有移动操作系统和用于语音、短消息服务(SMS)和互联网数据通信的集成移动宽带蜂窝网络连接的手持装置的一类移动装置108。在特定实施例中,客户端装置106-114中的任何一个可经由测量(或雷达)收发器发射和收集雷达信号。
在该示例中,一些客户端装置108-114与网络102进行间接通信。例如,移动装置108和PDA 110经由一个或更多个基站116(诸如蜂窝基站或eNodeB(eNB)gNodeB(gNB))进行通信。此外,膝上型计算机112和平板计算机114经由一个或更多个无线接入点118(诸如IEEE802.11无线接入点)进行通信。注意,这些仅用于说明,并且客户端装置106-114中的每一个可直接与网络102进行通信,或者经由任何合适的中间装置或网络间接地与网络102进行通信。在特定实施例中,客户端装置106-114中的任何一个将信息安全且高效地发送到另一装置,例如服务器104。
在特定实施例中,客户端装置106-116中的任何一个可经由测量收发器发射和接收UWB信号。例如,移动装置108可发送UWB信号以用于生命体征检测和监测。基于接收到的信号,移动装置108可识别要监测其生命体征的对象的心率和呼吸率。
尽管图1示出了通信系统100的一个示例,但是可对图1进行各种改变。例如,通信系统100可以以任何合适的布置包括任何数量的每个组件。通常,计算和通信系统具有各种各样的配置,并且图1不将本公开的范围限制于任何特定配置。虽然图1示出了可使用本专利文件中公开的各种特征的一个操作环境,但是这些特征可用于任何其他合适的系统中。
图2示出了根据本公开的实施例的示例电子装置。具体地,图2示出了示例电子装置200,并且电子装置200可表示图1中的服务器104或客户端装置106-114中的一个或更多个。电子装置200可以是移动通信装置,诸如例如UE、移动站、用户站、无线终端、台式计算机(类似于图1的台式计算机106)、便携式电子装置(类似于图1的移动装置108、PDA110、膝上型计算机112或平板计算机114)、机器人等。
如图2中所示,电子装置200包括收发器210、发送(TX)处理电路215、麦克风220和接收(RX)处理电路225。收发器210可包括例如射频(RF)收发器、蓝牙收发器、WiFi收发器、ZIGBEE收发器、红外收发器和各种其他无线通信信号。电子装置200还包括扬声器230、处理器240、输入/输出(I/O)接口(IF)245、输入250、显示器255、存储器260和传感器265。存储器260包括操作系统(OS)261和一个或更多个应用262。
收发器210可包括天线阵列,该天线阵列包括许多天线。例如,收发器210可配备有多个天线元件。还可在终端上安装一个或更多个天线模块,其中每个天线模块可具有一个或更多个天线元件。天线阵列的天线可包括由形成在基板中或基板上的导电材料或导电图案构成的辐射元件。如图所示,收发器210还包括雷达收发器270。下面更详细地讨论雷达收发器270。
收发器210向电子装置200发送信号或功率,或者从电子装置200接收信号或功率。收发器210接收从接入点(诸如基站、WiFi路由器或蓝牙装置)或网络102的其他装置(诸如WiFi、蓝牙、蜂窝、5G、LTE、LTE-A、WiMAX或任何其他类型的无线网络)发送的传入信号。收发器210对传入RF信号进行下变频以生成中频或基带信号。中频或基带信号被发送到RX处理电路225,RX处理电路225通过对基带或中频信号进行滤波、解码和/或数字化来生成处理后的基带信号。RX处理电路225将处理后的基带信号发送到扬声器230(诸如用于语音数据)或发送到处理器240以进行进一步处理(诸如用于网络浏览数据)。
TX处理电路215从麦克风220接收模拟或数字语音数据,或者从处理器240接收其他传出基带数据。传出基带数据可包括网络数据、电子邮件或交互式视频游戏数据。TX处理电路215对传出基带数据进行编码、复用和/或数字化,以生成处理后的基带或中频信号。收发器210从TX处理电路215接收传出的处理后的基带或中频信号,并将基带或中频信号上变频为发送的信号。
处理器240可包括一个或更多个处理器或其他处理装置。处理器240可执行存储在存储器260(诸如OS261)中的指令,以便控制电子装置200的全部操作。例如,处理器240可根据众所周知的原理控制收发器210、RX处理电路225和TX处理电路215前向信道信号的接收和反向信道信号的发送。处理器240可包括任何合适数量和类型的处理器或任何合适布置的其他装置。例如,在特定实施例中,处理器240包括至少一个微处理器或微控制器。处理器240的示例类型包括微处理器、微控制器、数字信号处理器、现场可编程门阵列、专用集成电路和分立电路。在特定实施例中,处理器240可包括神经网络。
处理器240还能够执行驻留在存储器260中的其他处理和程序,诸如接收和存储数据的操作。处理器240可根据执行处理的需要,将数据移入或移出存储器260。在特定实施例中,处理器240被配置为基于OS261或响应于从外部源或操作者接收的信号来执行一个或更多个应用262。例如,应用262可包括多媒体播放器(诸如音乐播放器或视频播放器)、电话呼叫应用、虚拟个人助理等。
处理器240还耦接到I/O接口245,该I/O接口245为电子装置200提供连接到其他装置(诸如客户端装置106-114)的能力。I/O接口245是这些附件与处理器240之间的通信路径。
处理器240还耦接到输入250和显示器255。电子装置200的操作者可使用输入250将数据或输入录入到电子装置200中。输入250可以是键盘、触摸屏、鼠标、轨迹球、语音输入或能够充当用户接口以允许用户与电子装置200交互的其他装置。例如,输入250可包括语音识别处理,从而允许用户输入语音命令。在另一示例中,输入250可包括触摸面板、(数字)笔传感器、键或超声输入装置。触摸面板可例如以至少一种方案(诸如电容方案、压敏方案、红外方案或超声方案)识别触摸输入。输入250可与向处理器240提供附加输入的传感器265、雷达收发器270、相机等相关联。输入250还可包括控制电路。在电容方案中,输入250可识别触摸或接近。
显示器255可以是液晶显示器(LCD)、发光二极管(LED)显示器、有机LED(OLED)、有源矩阵OLED(AMOLED)或能够呈现诸如来自网站、视频、游戏、图像等的文本和/或图形的其他显示器。显示器255可以是能够创建立体显示器的单个显示器屏或多个显示器屏。在特定实施例中,显示器255是平视显示器(HUD)。
存储器260耦接到处理器240。存储器260的一部分可包括RAM,并且存储器260的另一部分可包括闪存或其他ROM。存储器260可包括持久性存储装置(未示出),持久性存储装置表示能够存储和促进信息(诸如数据、程序代码和/或其他合适的信息)的检索的任何结构。存储器260可包含支持数据的长期存储的一个或更多个组件或装置,诸如只读存储器、硬盘驱动器、闪存或光盘。
电子装置200还包括一个或更多个传感器265,该一个或更多个传感器265可计量物理量或检测电子装置200的激活状态,并将计量或检测到的信息转换为电信号。例如,传感器265可包括用于触摸输入的一个或更多个按钮、相机、手势传感器、光学传感器、相机、一个或更多个惯性测量单元(IMU)(诸如陀螺仪或陀螺仪传感器)以及加速度计。传感器265还可包括气压传感器、磁传感器或磁力计、握持传感器、接近传感器、环境光传感器、生物物理传感器、温度/湿度传感器、照度传感器、紫外线(UV)传感器、肌电图(EMG)传感器、脑电图(EEG)传感器、心电图(ECG)传感器、IR传感器、超声波传感器、虹膜传感器、指纹传感器、颜色传感器(诸如红绿蓝(RGB)传感器)等。传感器265还可包括用于控制传感器265中包括的任何传感器的控制电路。这些传感器265中的任何一个可位于电子装置200内或位于可操作地连接到电子装置200的辅助装置内。
在该实施例中,收发器210中的一个或更多个收发器中的一个收发器是雷达收发器270,雷达收发器270被配置为发送和接收用于检测和测距目的的信号。在特定实施例中,雷达收发器270是UWB雷达收发器。雷达收发器270可发送和接收用于测量电子装置200外部的对象的范围和速度的信号。雷达收发器270还可发送和接收用于测量检测到的对象相对于电子装置200的角度的信号。例如,雷达收发器270可发送一个或更多个信号,该一个或更多个信号在从移动对象反射并由雷达收发器270接收时可用于确定范围(对象和电子装置200之间的距离)、对象的速度、角度(对象和电子装置200之间的角度)或它们的任何组合。使用从人反射的接收信号,电子装置200可确定人的呼吸率和心率。
雷达收发器270可以是任何类型的收发器,包括但不限于WiFi收发器(例如802.11ay收发器)、UWB收发器等。雷达收发器270可以以诸如在UWB中的各种频率发送信号。雷达收发器270可接收来自外部电子装置的信号以及最初由电子装置300发送并从电子装置外部的对象反射的信号。
雷达收发器270可以是任何类型的收发器,包括但不限于雷达收发器。雷达收发器270可包括雷达传感器。雷达收发器270可在最初从雷达收发器270发送的信号从电子装置200的周围环境中的目标对象反弹或反射之后接收信号。在特定实施例中,雷达收发器270是单站雷达,因为雷达信号的发送器和用于延迟回波的接收器位于相同或相似的位置。例如,发送器和接收器可使用相同的天线或在使用分开但相邻的天线时几乎同位。假设单站雷达是相干的,诸如当发送器和接收器经由公共时间基准被同步时。
处理器240可基于发送和接收信号的时间戳来分析时间差,以测量目标对象距电子装置200的距离。基于时间差,处理器240可生成指示外部电子装置距电子装置200的距离的位置信息。在特定实施例中,雷达收发器270是可检测另一电子装置的范围和AOA的传感器。例如,雷达收发器270可识别外部对象相对于雷达收发器270的方位角和/或仰角的变化。
尽管图2示出了电子装置200的一个示例,但是可对图2进行各种改变。例如,图2中的各种组件可被组合、进一步细分或省略,并且可根据特定需要添加附加组件。作为特别示例,处理器240可被划分为多个处理器,诸如一个或更多个中央处理单元(CPU)、一个或更多个图形处理单元(GPU)、一个或更多个神经网络等。此外,虽然图2示出了电子装置200被配置为移动电话、平板电脑或智能电话,但是电子装置200可被配置为作为其他类型的移动或固定装置操作。
图3示出了根据本公开的实施例的雷达信号的示例架构。图3的实施例仅用于说明,并且在不脱离本公开的范围的情况下可使用其他实施例。
图3示出了电子装置300包括处理器302、发送器304和一个或更多个接收器306。电子装置300可类似于图1的客户端装置106-114、图1的服务器104或图2的电子装置200中的任何一个。处理器302类似于图2的处理器240。另外,发送器304和接收器306可包括在图2的雷达收发器270内。
电子装置300的发送器304将信号314发送到目标对象308。目标对象308位于距电子装置300的距离310处。在特定实施例中,目标对象308与外部对象(诸如人或人体部位)相应。例如,目标对象308可以是要监测生命体征的活体对象(诸如人或动物)。
发送器304经由天线发送信号314。信号314从目标对象308反射并经由天线由接收器306接收。信号314表示可从发送器304发送且从目标对象308反射的一个或更多个信号。处理器302可基于接收器306在一段时间内接收到信号的多个反射而识别与目标对象308相关联的信息,诸如目标对象308移动的速度(包括诸如呼吸和心跳的重复运动的速率)和目标对象308距电子装置300的距离。
泄漏(未展示)表示从与发送器304相关联的天线发送且由与接收器306相关联的天线直接接收而不从目标对象308反射的雷达信号。
为了检测目标对象308,处理器302分析信号314由发送器304发送并由接收器306接收的时间差312。注意,时间差312也被称为延迟,因为时间差312指示发送器304发送信号314与接收器306在信号从目标对象308反射或反弹之后接收信号之间的延迟。基于时间差312,处理器302推导出电子装置300与目标对象308之间的距离310。另外,基于多个时间差312和距离310的变化,处理器302推导出目标对象308正在移动的速度。
例如,电子装置300可发送高带宽脉冲,接收从目标对象308反射回的信号,并且计算CIR。CIR是目标对象308和周围环境的特征。例如,如果目标对象308是如图3所示的坐在雷达前面并且正常呼吸的人类对象,则然后从对象的胸部反弹回的信号用于估计胸部运动,以确定对象的呼吸率和心率。
在IR-UWB中,反射脉冲的幅度变化以及ToA用于评估胸部和心脏的运动,使得能够推导出呼吸率和心率。当发送雷达脉冲时,雷达接收雷达脉冲从对象反射的回波。从天线到目标对象308的距离310在下面的等式(1)中描述。在等式(1)中,分别地,d0是天线与人胸壁之间的标称距离,dr是由呼吸引起的位移幅度,dh是由心跳引起的位移幅度,fr表示呼吸频率,并且fh表示心跳频率。
S(t)=d0+d(t)=d0+drsin(2πfrt)+dhsin(2πfht) (1)
由δ(t)表示的归一化接收脉冲和总脉冲响应在下面的等式(2)中描述。在等式(2)中,t是观察时间,σ是传播时间。表达式Akδ(σ-σk(t))表示由于胸壁微运动引起的具有传播时间σk(t)和幅度Ak的响应。表达式∑iAiδ(σ-σi)表示来自所有多径分量的响应,Ai是第i个多径分量的幅度,σi是第i个多径分量的传播时间。
r(t,σ)=Akδ(σ-σk(t))+∑iAiδ(σ-σi) (2)
等式(2)的传播时间σk(t)由天线距离s(t)确定,并在下面的等式(3)中描述。在等式(3)中,c是光速(约3×108m/s),σ0=2s0/c,σr=2dr/c并且σh=2dh/c。
σk(t)=2s(t)/c=σ0+σrsin(2πfrt)+σhsin(2πfht) (3)
在特定实施例中,UWB雷达的固件对连续时间总脉冲响应r(t,σ)进行采样并生成由如下面的等式(4)所述的h[n,m]表示的二维(2D)n×m矩阵。在等式(4)中,表达式n和m分别表示慢时间下的采样数和快时间下的采样数。另外,等式(4)的表达式Ts是慢时间下的脉冲持续时间,并且等式(4)的表达式Tf是快时间采样间隔。因此,行向量记录在每个范围分组处在不同观察时间的接收信号,而列向量记录从不同范围分组反射的一个脉冲。
h[n,m]=r(t=nTs,σ=mTf) (4)
因此,如本文中所使用,在下面的等式(5)中描述原始CIR。如等式(5)所述,原始CIR h[n,m]是针对RX天线上的第n个慢时间索引和第m个范围分组的,其中,Nr是范围分组的数量。CIR的变化可用于评估胸部和心脏的运动,然后可推导出呼吸率和心率。
h[n,m](m=1,2,…,Nr)(5)
尽管图3示出了电子装置300,但是可对图3进行各种改变。例如,可激活不同的天线配置,可使用不同的帧定时结构等。图3不将本公开限制于任何特定的雷达系统或设备。
本公开的实施例考虑到在因为心跳信号可能是弱的和/或被频谱中的呼吸信号的谐波掩蔽,所以存在呼吸信号的情况下分离心跳信号是困难的。因此,本公开的实施例描述了使用变分模式分解(VMD)识别心率和呼吸率,其被表示为第一操作并在图4A-图4D中描述,以及基于峰值发现和分类识别呼吸率和心率,其被表示为第二操作并在图5A-5H中描述。
在第一操作,如图4A到图4D中所描述,电子装置200将杂波去除应用于原始CIR。然后,电子装置200识别对象(诸如图3的目标对象308)的位置并选择对象周围的相关范围分组。针对相关范围分组的每个序列执行基于VMD的信号分解。然后,电子装置200基于固有模式函数(IMF)识别包括心跳和呼吸信号的信号分量。
在第二操作,如图5A到图5H中所描述,电子装置200将杂波去除应用于原始CIR。第二操作的杂波去除类似于第一操作的杂波去除。电子装置200可针对杂波去除的CIR的每个窗口计算线性调频Z变换(CZT)。然后,电子装置200可从CZT图确定对象的位置和呼吸率。另外,电子装置200还可识别杂波去除的CIR的每个窗口的功率谱密度(PSD)。电子装置200通过在PSD中找到峰值来确定心率并执行分类。电子装置200还可对心率进行滤波以必须平滑结果。
然后,诸如通过图2的显示器255或图2的扬声器230,将最终呼吸率和心率提供给用户。最终呼吸率和心率可存储在图2的存储器260中。
图4A示出了根据本公开的实施例的生命体征监测的示例方法400。图4B示出了根据本公开的实施例的高通脉冲响应滤波器的频率响应的图410a的示例。图4C示出了根据本公开的实施例的将范围分组的信道脉冲响应(CIR)的实部和虚部分解为固有模式函数(IMF)的示例图430a。图4D示出了根据本公开的实施例的用于将IMF分类为不同组的示例方法440a。图4A-4D的实施例仅用于说明,并且在不脱离本公开的范围的情况下可使用其他实施例。
如图4A所示的方法400和如图4D所示的方法440a被描述为由图1的客户端装置106-114、图1的服务器104、图3的电子装置300中的任何一个实现,并且可包括与图2的电子装置200的内部组件类似的内部组件。然而,如图4A所示的方法400和如图4D所示的方法440a可与任何其他合适的电子装置一起使用并且在任何合适的系统中使用(诸如当由电子装置200执行时)。为了便于解释,图4A和4D的方法被描述为由图2的电子装置200执行。
如图4A所示,方法400描述了使用VMD处理和分类处理来确定每个得到的分解函数的类型,无论它是呼吸基频、呼吸谐波、心率基频还是心率谐波。注意,方法400假设很少的身体移动,而可通过在杂波去除之后设置CIR能量水平的阈值或使用基于机器学习的分类器来容易地检测大的身体移动。
在步骤410,电子装置200从接收到的原始CIR 402中去除杂波和泄漏。原始CIR402可以是作为发送脉冲的反射的IR-UW雷达信号。原始CIR 402可包括从雷达发送器发送的从对象胸部反射的信号以及从电子装置200周围的环境反弹回来的信号。
由于环境中的慢速移动目标表现为CIR中的低多普勒/低频分量,因此在步骤410,电子装置200使用高通滤波器来滤除由于静态或非常慢速移动的对象引起的UWB脉冲的反射。胸部运动导致呼吸信号和心率信号被置于接收信号(原始CIR 402)的高频区域中。因此,丢弃低频分量(通常由杂波引起)的高通滤波器可帮助提取感兴趣的信号以用于后续处理步骤。例如,可使用高通无限脉冲响应(IIR)滤波器来抑制杂波分量。等式(6)描述了如何计算杂波,等式(7)描述了杂波去除的CIR。
c[n,m]=αc[n-1,m]+(1-α)h[n,m](6)
hc[n,m]=h[n,m]-c[n,m](7)
在时域中,可如在上面的等式(6)中描述地计算杂波去除的CIR hc。在等式(6)中,参数α是杂波滤波器参数,其控制高通滤波器响应。参数α在0至1的范围内。图4B示出了描述与不同α参数相应的高通IIR滤波器的频率响应的图410a。参数α越高,高通滤波器的截止频率越低。由于呼吸率通常在每分钟6-60次心跳(bpm)的范围内,并且心率通常在48-200bpm的范围内,因此高通滤波器的良好截止频率为10bpm(0.0167Hz,或0.1rad/s)。然而,可使用其他高通频率截止。因此,用于呼吸率/心率估计的参数α的良好范围将是0.95至1。注意,参数α不限于此,并且也可以是其他值。
基于参数α,大部分静态杂波被去除,并且在CIR中仅保留小的运动,其中,所述运动包括由呼吸率和心率引起的胸部运动。
在步骤420,电子装置200使用(步骤410的)杂波去除的CIR识别对象的位置。如果对象相对静止并且电子装置200周围的环境相对静止,则图2的测量收发器270前面的最显著的移动是当对象吸气和呼气时对象胸部的运动。
在特定实施例中,电子装置200通过比较与范围分组相应的时间序列的标准偏差值来确定对象的位置。根据杂波去除的CIR(慢时间样本的数量=N)的窗口,对于第m个范围分组的时间序列,其标准偏差在下面的等式(8)中描述。
然后,电子装置200选择具有最大标准偏差值(sm)的范围分组作为与对象相应的范围分组。注意,这是基于以下假设:雷达前方的最显著移动是对象的胸部移动,因此具有最大标准偏差(最大移动)的范围分组可能是对象所在的位置。从所识别的具有最高标准偏差值(sm)的范围开始的一个或更多个范围分组能够用于找到对象的呼吸率和心率。
在特定实施例中,电子装置200通过比较从与范围分组相应的时间序列计算的总能量来确定对象的位置。根据杂波去除的CIR(慢时间样本的数量=N)的窗口,对于第m个范围分组的时间序列,其总能量在下面的等式(9)中描述。
然后,电子装置200选择具有最大功率值(em)的范围分组作为对象所在的范围分组。注意,这是基于以下假设:雷达前方的最显著移动是对象的胸部移动,因此具有最大总能量(最大移动)的范围分组可能是对象所在的位置。从所识别的具有最高功率值(em)的范围开始的一个或更多个范围分组能够用于找到对象的呼吸率和心率。
注意,以上示例(使用最大标准偏差值(sm)和功率值的最大值(em))使用基于能量的检测来确定对象在哪里。然而,也可使用其他方法,诸如用于识别对象的位置的基于频率的方法。例如,电子装置200可根据当前CIR窗口计算频谱。对于另一示例,电子装置200可在频谱图上识别频率属于呼吸率范围(0.1-1Hz)并且信号与干扰和噪声比(SINR)高于某个阈值的单元。与该单元相应的范围分组可指示目标位于何处。
通过上述方法选择的范围分组可能是对象的胸部所在的位置,因为该位置将有目标对象上的最大移动。由于与从胸部到雷达的距离相比,从心脏到雷达的距离更长,因此心率信号可处于稍后的范围分组。由于其他反射路径,心率信号也可出现在几个稍后的范围分组中。因此,在特定实施例中,考虑从通过上述方法找到的范围分组开始的多个范围分组,以最大化可找到心率信号的机会。考虑的范围分组的数量取决于UWB雷达的范围分组分辨率。在一些实施例中,多个范围分组可以是在找到的范围分组的任一侧上的约1-3个范围分组(例如,找到的范围分组周围±1个分组,找到的范围分组周围±2个分组,或找到的范围分组周围±3个分组)。
在步骤430,电子装置200对所识别的范围分组执行信号分解以识别IMF。在特定实施例中,VMD用于将非平稳信号x(t)分解为称为IMF的多个窄带分量uk(t)。下面的等式(10)描述了分解非平稳信号x(t)。每个模式,模式uk(t)是振幅和频率调制信号,如下面等式(11)所述。在等式(11)中,Yk(t)是IMF的相位,Ak(t)是其包络。
uk(t)=Ak(t)cos(Φ(t)) (10)
uk(t)=Ak(t)cos(Φk(t)) (11)
VMD可被描述为用于将输入信号分解为子分量的优化算法,每个子分量以一个特定频率为中心。VMD操作的性能取决于要分解的期望子分量的数量。
注意,每个识别的范围分组具有2个时间序列,即范围分组的CIR的实部和虚部的时间序列。图4C的图430a描述了输入信号432的范围分组的CIR的实部和虚部以及分别从实部和虚部分解的多个IMF 434。
在特定实施例中,每个时间序列经历噪声降低(经由低通滤波器)以将噪声降低到感兴趣的频带之外(对于正常呼吸率和心率,范围可以是10-120Hz,与从0.1Hz至2Hz的频带相应)。此后,如图4C所示,使用VMD处理对剩余信号进行分解。在杂波去除步骤之后的信号包含呼吸率信号、心率信号、它们的谐波以及呼吸率与心率的互调。低通滤波器的使用是为了减少谐波分量的数量,使得具有固定数量的IMF的VMD算法(优化处理)将更可能产生包含真实心率信号的IMF。与所考虑的范围分组相应的所有时间序列的所得IMF被分组在一起以确定呼吸信号和心跳信号。
所得IMF uk(t)中的每一个以一个主频率为中心。使用图4C作为示例,从IMF1到IMF5(表示为IMF 434),主频率按降序:IMF5是信号的包络(最低频率),IMF4包括呼吸率信号,IMF3包括呼吸率的二次谐波,IMF2包括心率信号,并且IMF1包括残余噪声。
在步骤440,电子装置200基于每个IMF的中心频率将IMF分类为不同的组。然后,电子装置选择某个组(包括IMF中的一个或更多个IMF)作为表示对象的心率和呼吸率。
例如,从信号分解接收的每个IMF以一个主频率(fc)为中心,并且在将IMF转换到频域之后,主频率可被识别为频谱中的最高峰值。每个时间序列的IMF被从高主频率到低主频率排序。如图4D的方法440a所述,通过从低fc到高fc处理IMF,电子装置200将每个IMF基于其fc分类为不同的类别。
在图4D的步骤442a,电子装置200执行CIR值的时间序列的信号分解以生成一个或更多个IMF。CIR值的时间序列可以是与对象的位置相应的所选范围分组。电子装置200可生成任何数量的IMF。表述k是生成的IMF的数量。对于该示例,假设表述k为5。例如,如图4C所示,存在一个输入时间序列CIR 432,其用于生成五个不同的IMF 434。
在步骤444,电子装置200按IMF的中心频率对IMF进行排序,使得f1<f2<…<fk。一旦对所有IMF进行了排序,电子装置200在步骤444将当前IMF索引i与K的值(表示IMF的总数)进行比较。当当前IMF索引i等于或大于值K时,电子装置200基于包括在每个组(诸如组A、组B、组C和组D)中的中心频率来确定用户的心率和呼吸率。
当当前IMF索引i小于k时,电子装置200在步骤448确定先前是否识别出呼吸基频。当先前未识别出呼吸基频时(如在步骤448确定的),电子装置200在步骤451确定IMF的当前频率Fi是否大于最小呼吸频率。最小呼吸频率可基于预定义阈值。
当IMF的当前频率Fi大于最小呼吸频率(如在步骤451确定的)时,电子装置将IMF的当前频率Fi设置为fresp并将该IMF添加到组A(步骤452)。当IMF的当前频率Fi不大于最小呼吸频率(如在步骤451确定的)时或在将Fi添加到组A之后,增大当前IMF索引i,从而返回到步骤444,检查下一个IMF并将下一个IMF分类。
注意,组A表示是呼吸IMF,因为组A与具有高于阈值fresp_min的最低fc的IMF相应。组A的主频是fresp。这是因为假设该步骤中的剩余信号仅包括呼吸信号、心率信号、它们的谐波和互调。呼吸信号的典型频率范围可以是0.1至0.8Hz,心率信号的典型频率范围可以是0.8至2Hz。因此,具有高于fresp_min阈值的最低fc的IMF可能是呼吸IMF。一旦找到该IMF,就可基于该新找到的基本resp频率fc进行下一个IMF(具有较高中心频率)的检查。
当找到基本呼吸时(如在步骤448确定的),在步骤454,电子装置200确定具有基频的谐波的当前频率fi是否接近呼吸频率的k倍。表述k与谐波阶数相应:2为二阶谐波,3为三阶谐波。当fi与呼吸频率的k倍之间的差小于阈值(如在步骤454中确定的)时,则fi被放置在组B中(步骤456)。
注意,组B表示呼吸谐波IMF,因为它包括具有中心频率fc的IMF,其中,中心频率fc接近fresp的两倍或三倍。
可选地,如果fi与呼吸频率的k倍之间的差值不小于阈值(如在步骤454确定的),则在步骤458,电子装置200检查fi是否在最小心率和最大心率的范围内。在特定实施例中,最小心率为48bpm,并且最大心率为200bpm。注意,可使用最小心率和最大心率的其他值。如果fi在最小心率和最大心率的范围内(如在步骤458确定的),则fi被放置在组C中(步骤460)。
注意,组C表示心率IMF,因为组C包括中心频率fc在[fhr_min,fhr_max]范围内的IMF。fhr_min、fhr_max是预先配置的值,并且可能的值是fhr_min=0.8Hz、fhr_max=2Hz。
可选地,如果fi之间的差值不在最小心率和最大心率的范围内(如在步骤458确定的),则在步骤564,电子装置200确定fi是否在最小心率和最大心率的倍数的范围内。例如,这里,电子装置200确定fi是否在96至400的范围内。如果fi在最小心率的两倍和最大心率的两倍的范围内(如在步骤462确定的),则fi被放置在组D中(步骤462)。
注意,组D表示心率谐波IMF,因为组D包括中心频率fc在[2*fhr_min,2*fhr_max]中的IMF。
可选地,如果fi不在最小心率的两倍和最大心率的两倍的范围内(如在步骤462确定的),则增大当前IMF索引i,从而返回到步骤444,检查下一个IMF并将下一个IMF分类。另外,在将fi添加到组B(步骤456)、组C(步骤460)或组D(步骤464)之后,增大当前IMF索引i,从而返回到步骤444,检查下一个IMF并将下一个IMF分类。
将对每个时间序列重复该分组处理。因此,每个组将从不同的时间序列(来自相关范围分组的CIR数据的实部和虚部)收集IMF。
在分类之后,在步骤450确定最终输出呼吸率和心率。呼吸率在等式(12)中描述,并且心率在等式(13)中描述,如下:
Fresp=median{fifi∈GA}(12)
等式(12)描述了呼吸率基于组A的IMF的中值。如果组C和组D中没有峰值,则心率为零。可选地,如果在组C和组D中存在峰值,则心率是组D的中心频率的中值除以2和组C的中心频率的中值。
在特定实施例中,可使用附加滤波器来平滑所识别的心率和呼吸率。例如,平滑滤波器可以是指数加权移动平均。平滑滤波器对来自连续重叠窗口的最近频率估计起作用。在一个典型的实现方式中,每个窗口具有20-30秒的大小,并且每1秒移动一次。假设ri是从窗口i估计的额定频率(Fresp或Fhr),在下面的等式(14)中描述。为了避免初始窗口中的估计的过度收敛时间,可将偏差校正步骤添加到初始窗口(例如,前40个窗口),如下面的等式(15)中所述。
ri,avg=βri-1,avg+(1-β)ri(14)
在特定实施例中,使用相同或相似的分类处理,但是假设在几乎没有移动的情况下,呼吸信号是频谱中最主要的信号,则从时间序列分解的一组IMF中具有最高峰值幅度的IMF被选择为在组A(与呼吸IMF相应)中。
尽管图4A和图4D示出了用于监测生命体征的示例,并且图4B和图4C示出了示例图,但是可对图4A-4D进行各种改变。例如,虽然示出为一系列步骤,但是图4A和4D中的各种步骤可重叠、并行发生或发生任何次数。
图5A示出了根据本公开的实施例的生命体征监测的示例方法500。图5B示出了根据本公开的实施例的频谱的示例图530a。图5C示出了根据本公开的实施例的用于识别目标范围分组和呼吸率的示例方法530b。图5D示出了根据本公开的实施例的包括目标范围分组的图530c的示例图。图5E示出了根据本公开的实施例的目标范围分组的功率谱密度的示例图560a。图5F和5G分别示出了根据本公开的实施例的用于从目标范围分组的功率谱密度识别心率的示例方法570a和570b。图5H示出了根据本公开的实施例的生命体征监测的示例方法500a。图5A-5H的实施例仅用于说明,并且在不脱离本公开的范围的情况下可使用其他实施例。
如图5A所示的方法500、如图5C所示的方法530b、如图5F所示的方法570a、如图5G所示的方法570b和如图5H所示的方法500a被描述为由图1的客户端装置106-114、图1的服务器104、图3的电子装置300中的任何一个实现,并且可包括与图2的电子装置200的内部组件类似的内部组件。然而,如图5A所示的方法500、如图5C所示的方法530b、如图5F所示的方法570a、如图5G所示的方法570b和如图5H所示的方法500a可与任何其他合适的电子装置一起使用并且在任何合适的系统中使用(诸如当由电子装置200执行时)。为了便于解释,图5A、图5C、图5F、图5G和图5H的方法被描述为由图2的电子装置200执行。
如图5A所示的方法500和如图5H所示的方法500a描述了检测和监测对象的生命体征。注意,图5A中的某些步骤与具有图4A的类似附图标记的各种步骤相应。类似地,图5H中的某些步骤与具有图4A和图5A的类似附图标记的各种步骤相应。
如上所述,在步骤410,电子装置200从接收到的原始CIR 402中去除杂波和泄漏。原始CIR 402可以是作为发送脉冲的反射的IR-UW雷达信号。
在步骤520,缓存杂波去除的CIR。例如,电子装置200将CIR分段成预定义大小的多个CIR窗口。按窗口执行呼吸率和心率分析。每个窗口是大小为W×L的二维(2D)矩阵,其中,W是慢时间样本的数量(或窗口大小),并且L是每个时间样本的CIR的长度。
在步骤530,电子装置200将CZT应用于杂波去除的CIR窗口中的每一个。电子装置200使用CZT识别与到对象的距离相应的目标范围分组以及对象的呼吸率。
CZT提供了用于实现高精度呼吸率估计的高分辨率频谱。例如,通过设置感兴趣的频带[fmin,fmax]和CIR样本的数量,可更灵活地设置CZT的分辨率。CZT的频率分辨率在下面的等式(16)中描述。例如,如果fmin被设置为0.05Hz,fmax被设置为5Hz,并且存在4000个样本,则频率分辨率将为0.0012Hz或0.072bpm。
频率分辨率=(fmax-fmin)/(#样本)(16)
相反,因为受到等式(17)的约束,快速傅里叶变换(FFT)提供较低的分辨率。例如,采样率=50Hz,FFT长度=512(对于长度为20秒的CIR窗口),FFT分组宽度(分辨率)=0.0977Hz=5.86bpm。
在特定实施例中,由于分辨率,使用CZT代替FFT。
如图5B所示的图530a示出了示例CZT频谱。频谱具有作为垂直轴的频率和作为水平轴的范围分组ID。这里,范围分组定义距雷达的距离,其中每个范围分组表示基于UWB天线的范围分辨率的均匀距离间隔。例如,一个范围分组可表示15cm。每个单元示出与特定范围分组和特定频率相应的能量。
电子装置200使用CZT频谱识别目标范围分组和呼吸率。如图5C所示的方法530b描述了用于识别对象的目标范围分组和呼吸率的处理。
在图5C的步骤532,电子装置200生成CZT频谱,诸如图5B所示的图530a。
在步骤534,对于每个频率行,电子装置200识别从start_idx到end_idx的连续范围分组集合的平均功率。平均功率值存储在名为“avgPowPerFreqBin”的变量中,该变量是大小为nFreqBins(频率分组的数量)的阵列。
在步骤536,电子装置200从“avgPowPerFreqBin”识别最高峰值。如果该峰值具有大于预定阈值的显著性值,则将输出相应的频率行作为呼吸频率。否则,当该峰值的显著性弱时,指示不存在主要呼吸频率分量,并且当前CZT频谱主要包括噪声,因此该步骤不返回呼吸频率,并且方法530b(以及图5A的方法500的步骤530)在此终止。
在识别呼吸频率之后(如在步骤536识别的),电子装置200在步骤538中提取与呼吸频率相应的频率行,从而产生每范围分组幅度的一维(1D)阵列。
在步骤539,电子装置200识别最高峰值。这里,识别峰值(最高)幅度值,并且输出相应的范围分组作为目标范围分组。
这样,电子装置200识别目标范围分组和呼吸率。注意,呼吸率是最终输出之一,并且如下所述,呼吸率用于找到心率。如下所述,目标范围分组用于识别功率谱密度。
在识别出呼吸率之后,电子装置200然后识别心率。为了识别心率,电子装置200在步骤550识别目标范围分组处的镜像CIR窗口的PSD(步骤540)。在特定实施例中,可使用Welch功率谱密度估计。
例如,在步骤540,电子装置200通过生成当前CIR窗口的副本来镜像(从步骤520生成的)CIR窗口,该副本沿着慢时间维度翻转并连接到当前CIR的末尾。镜像有效地使样本数量加倍,以提高PSD的频率分辨率。根据范围分组分辨率,从在步骤530识别的目标范围分组相应地确定用于计算PSD的范围分组。例如,当范围分组分辨率为15cm时,心率信号可能在与目标范围分组相同的范围分组内,因此计算目标范围分组的PSD(如下图所示)。当范围分组分辨率小得多时,可使用目标范围分组周围的几个范围分组的PSD。
在特定实施例中,如图5E的图560a所示,双侧PSD用于提高心率峰值的可见性。
在步骤560,电子装置200识别PSD的用于识别心率的特定峰值(诸如峰值562)。例如,图5E的图560a是用于确定心率的双侧PSD。电子装置200从包括呼吸率峰值、呼吸谐波峰值、心率峰值和心率谐波峰值以及由心率和呼吸率之间的互调形成的峰值中识别候选峰值(诸如峰值562)。注意,心率峰值可比呼吸率峰值低20-30dB。另外,与心率相应的峰值可被呼吸率的谐波掩蔽。例如,呼吸率谐波可在0.1-1Hz之间,而心率可以是0.8-2Hz。
在步骤570,使用图5F和5G中描述的一系列滤波器,电子装置200从双侧PSD识别与对象的心率相应的一个或更多个峰值。也就是说,电子装置200滤除(忽略)与用户的心率不相应的任何峰值。然后,电子装置输出对象的呼吸率580和心率585。另外,在输出心率585之前,电子装置200可通过应用平滑滤波器来进一步对心率进行滤波,以减少检测到的心率的波动。
图5F的方法570a描述了基于识别出的峰值562自身的特性对识别出的峰值562进行滤波(图5A的步骤570),并且此后,图5G的方法570b描述了通过二次谐波的存在来进一步对任何剩余峰值进行滤波。
参照图5F,电子装置200识别并收集从PSD检测到的所有峰值(诸如图5E的峰值562)(步骤572)。在步骤574,电子装置识别与每次迭代时的峰值相关联的各种特性。例如,对于峰值i,电子装置确定峰值频率(Hz)、峰值幅度(dB)、峰值宽度(Hz)和峰值显著性。峰值的显著性测量峰值由于其固有高度和其相对于其他峰值的位置而突出多少。峰值的特性可存储在存储器(例如图2的存储器260)中。
在步骤576,电子装置200检查每个峰值以查看它是呼吸率峰值还是呼吸谐波峰值。例如,电子装置200确定峰值的绝对频率是否接近检测到的呼吸率的k倍(如图5A的步骤530中所确定的)。也就是说,电子装置将与特定峰值相关联的频率与呼吸频率的k倍之间的差值与阈值进行比较。k的值可以是预定义值。对于非限制性示例,K的值可以是1、2或3。由于满足该条件的峰值不与心率相应,所以将其去除,并且检查下一个峰值。
在步骤578,检查峰值以查看其是否满足以下三个条件。首先,电子装置200确定心率的典型范围[fHRlow,fHRhigh]之间的峰值频率。可预定义HRlow和HRhigh的频率。如果峰值频率在该范围之外,则选择下一个峰值。电子装置200还确定峰值幅度是否在针对针对呼吸率幅度确定的特定范围内。例如,如果峰值幅度mi满足条件mi>mBR-35(dB)且mi<mBR-15(dB),则不滤除峰值。如果峰值的特性不满足两个条件(mi>mBR-35(dB)和mi<mBR-15(dB)),则滤除该峰值并且电子装置200选择下一个峰值。电子装置200还确定峰值显著性是否大于预定义阈值。在特定实施例中,阈值可以是2。此条件确保抑制噪声峰值。
在步骤579,将满足步骤576和578的条件的PSD的每个峰值添加到候选心率峰值列表中。重复该处理,直到PSD的所有峰值都被检查并且被过滤掉或被包括在候选心率峰值列表中。
参照图5G,电子装置200在步骤582获得如在图5F的步骤579识别的候选心率峰值列表。在步骤584,电子装置200确定是否存在候选心率峰值列表中的显著性大于预定义阈值的峰值。在特定实施例中,预定义阈值是值8。当峰值具有大于预定义阈值的显著性时,指示心率信号未被呼吸谐波掩蔽并且在频谱中容易可见。如果来自候选心率峰值列表的这样的一个或更多个峰值具有大于预定义阈值的显著性(如在步骤584确定的),则在步骤586,选择具有最高幅度的峰值作为输出心率fhr。
可选地,如果候选心率峰值列表中没有峰值具有大于预定义阈值的显著性(如在步骤584确定的),则在步骤588,电子装置200检查峰值的二次谐波。假设第k个候选峰值具有频率fck,则在步骤590,电子装置200确定在频率fck的两倍附近是否存在峰值。如果电子装置200确定在频率fck的两倍附近存在峰值,则保留该峰值(步骤592)。原因是真实的心率峰值可能在频谱上引起另一个二次谐波峰值。
在保留峰值(步骤592)或者电子装置200确定在频率fck的两倍附近不存在峰值(如在步骤590确定的)之后,选择另一个候选峰值,并且重复步骤588、590和592,直到检查了来自列表的所有候选心率峰值。注意,如果在列表中没有留下候选并且在步骤592没有保留候选,则电子装置200生成存在可检测的心率的输出。
在特定实施例中,如果剩余多于两个候选峰值(在步骤590保留),那么电子装置200选择具有最大谐波峰值幅度的两个候选峰值。然后,电子装置200检查两个候选峰值的其相应的三次谐波频率处的频谱。最终输出心率峰值将是具有以下条件的峰值:(i)峰值存在于其相应的三次谐波频率附近(具有频率f3rdharmonic和幅度m3rdharmonic),以及(ii)m3rdharmonic是候选中最高的。
在上述步骤中,在每个时间步长处,将存在心率的可能输出或未检测到心率的指示(诸如当心率接近呼吸率谐波频率时)。本公开的实施例考虑到输出心率(当可用时)也可能由于噪声或峰值的错误表征而不准确。因此,在输出心率585(图5A)之前,电子装置200可通过应用滤波器来进一步对心率进行滤波,以减少检测到的心率的波动(步骤570)。电子装置200可使用一种或多种类型的滤波器,诸如平均滤波器(取最近N个估计的平均值)、中值滤波器(取最近N个估计的中值)、异常值拒绝滤波器(去除最近N个估计中离最近N个估计的平均值/中值太远的估计,然后取剩余估计的平均值/中值)等。
尽管图5A、图5C、图5F、图5G和图5H示出了用于监测生命体征的示例,并且图5B、图5D、图5E示出了示例图,但是可对图5A-图5H进行各种改变。例如,虽然示出为一系列步骤,但是图5A、图5C、图5F、图5G和图5H中的各种步骤可重叠、并行发生或发生任何次数。
图6示出了根据本公开的实施例描绘生命体征监测结果的示例图600。图6的实施例仅用于说明,并且在不脱离本公开的范围的情况下可使用其他实施例。
图6的图600可表示使用如图4A所示的方法400、如图5A所示的方法500或如图5H所示的方法500a生成的结果。图600可由图1的客户端装置106-114、图1的服务器104、图3的电子装置300中的任何一个生成,并且可包括与图2的电子装置200的内部组件类似的内部组件。尽管图600描绘了监测的生命体征的示例结果,但是可对图6进行各种改变,诸如可监测更多或更少的生命体征。
图600示出了使用配备有UWB雷达能力的电子装置的示例结果。雷达信号在正常呼吸时指向个体的胸部。图600描绘了由各种实施例确定的心率和呼吸率与使用心率监测装置的真实心率和使用安装在对象胸部上的带的真实呼吸率的比较,其中,所述心率监测装置和所述带两者都与用户接触。
图7示出了根据本公开的实施例的生命体征监测的示例方法。图7的方法700的实施例仅用于说明。在不脱离本公开的范围的情况下,可使用其他实施例。
方法700被描述为由图1的客户端装置106-114、图3的电子装置300中的任何一个实现,并且可包括与图2的电子装置200的内部组件类似的内部组件。然而,如图7所示的方法700可与任何其他合适的电子装置一起使用并且在任何合适的系统中使用,诸如当由电子装置200执行时。
在步骤702,电子装置(诸如电子装置200)发送用于生命体征检测或监测的信号。电子装置200还可经由雷达收发器(诸如图2的雷达收发器270)接收从对象反射的发送信号。在特定实施例中,信号是UWB雷达信号,诸如IR-UWB信号。
在步骤704,电子装置200从接收到的雷达信号的反射中生成杂波去除的CIR。在特定实施例中,接收到的反射的一部分是从活体对象反射的。为了生成杂波去除的CIR,电子装置200可使用高通滤波器基于预定义参数从雷达信号中去除杂波。
在步骤706,电子装置200识别与活体对象的位置相应的范围分组集合。部分地基于杂波去除的CIR识别范围分组。
在特定实施例中,为了识别与活体对象的位置相应的范围分组集合,电子装置200可识别杂波去除的CIR的范围分组的标准偏差值。此后,电子装置200比较与范围分组相应的标准偏差值,以基于预定义标准将范围分组中的一个或更多个范围分组识别为与活体对象的位置相应的范围分组集合。
在特定实施例中,为了识别与活体对象的位置相应的范围分组集合,电子装置200可识别杂波去除的CIR的范围分组的总能量值。此后,电子装置200比较与范围分组相应的总能量值,以基于预定义标准将范围分组中的一个或更多个范围分组识别为与活体对象的位置相应的范围分组集合。
在特定实施例中,为了识别与活体对象的位置相应的范围分组集合,电子装置200可将杂波去除的CIR分割成预定义大小的杂波去除的CIR窗口。电子装置200使用线性调频-Z变换从杂波去除的CIR窗口生成频谱。基于频谱的特性识别范围分组集合。例如,电子装置200可从频谱中识别多个频率行中的每个频率行的连续范围分组集合的平均功率。电子装置200可从多个频率行中选择包括峰值的第一频率行,其中,所述峰值满足预定义标准并且包括大于阈值的显著性。然后,电子装置可从第一频率行中识别具有最高幅度值的范围分组,并且将所识别的范围分组包括在与活体对象的位置相应的范围分组集合中。
在步骤708,电子装置200识别表示活体对象的呼吸率的第一信号集合以及表示活体对象的心率的第二信号集合。
在特定实施例中,电子装置200在第一操作使用VMD识别第一信号集合和第二信号集合,其中,VMD将范围分组集合的非平稳信号分解为表示呼吸率和心率的子分量。例如,电子装置200可使用VMD将范围分组集合中的每个范围分组的实部和虚部分解为多个窄带分量,其中,所述多个窄带分量中的每个窄带分量以相应的频率为中心。电子装置200还可将多个窄带分量分类为与不同频率范围相应的不同组。不同的组可包括呼吸率组、呼吸谐波组、心率组和心率谐波组。然后,电子装置200可基于不同组的特性识别呼吸率和心率。例如,电子装置200可基于呼吸率组的中值生成表示最终呼吸率的输出。例如,电子装置200可基于心率组的中值和心率谐波组的一部分的中值,生成表示最终心率的输出。
在特定实施例中,电子装置200在第二操作,使用所识别的范围分组,从生成的频谱中识别第一信号分量集合,并基于生成的功率谱密度的特性识别第二信号分量集合。在分割杂波去除的CIR之后(步骤706),电子装置200可将所选择的杂波去除的CIR窗口与所选择的杂波去除的CIR窗口的镜像副本进行组合以生成修改的CIR窗口。然后,电子装置200从修改的CIR窗口分组生成功率谱密度。然后,电子装置200可(i)基于频谱的特性识别第一信号分量集合,且(ii)基于第一信号分量集合和功率谱密度的特性识别第二信号分量集合。
在第二操作,电子装置200可基于从在步骤706生成的频率功率谱中选择的与第一频率行相应的频率值识别呼吸率。
在第二操作,电子装置200可识别心率,识别功率谱密度的峰值集合,其中,该峰值集合包括呼吸率峰值、呼吸谐波峰值、心率峰值和心率谐波峰值。然后,电子装置200从该峰值集合中去除与呼吸率相应的一个或更多个峰值。在去除一个或更多个峰值之后,电子装置200从该峰值集合中识别满足预定义条件集合的候选心率峰值集合。然后,电子装置200基于包括心率谐波的该候选心率峰值集合的特性从该候选心率峰值集合中识别心率。
尽管图7示出了示例方法700,但是可对图7进行各种改变。例如,虽然方法700被示出为一系列步骤,但是各种步骤可重叠、并行发生、以不同顺序发生或多次发生。在另一示例中,步骤可被省略或由其他步骤代替。
以上流程图示出了可根据本公开的原理实现的示例方法,并且可对本文的流程图中所示的方法进行各种改变。例如,虽然示出为一系列步骤,但是每个图中的各种步骤可重叠、并行发生、以不同顺序发生或多次发生。在另一示例中,步骤可被省略或由其他步骤代替。
尽管附图示出了用户设备的不同示例,但是可对附图进行各种改变。例如,用户设备可以以任何合适的布置包括任何数量的每个组件。通常,附图不将本公开的范围限制于任何特定配置。此外,虽然附图示出了可使用本专利文件中公开的各种用户设备特征的操作环境,但是这些特征可用于任何其他合适的系统中。本申请中的描述都不应被解读为暗示任何特定元件、步骤或功能是必须包括在权利要求范围内的必要元件。
尽管已经利用示例性实施例描述了本公开,但是可向本领域技术人员建议各种改变和修改。本公开旨在涵盖落入所附权利要求的范围内的这样的改变和修改。
Claims (15)
1.一种用于非接触式生命体征监测的电子装置,所述电子装置包括:
收发器;以及
处理器,可操作地连接到所述收发器,所述处理器被配置为:
经由所述收发器发送用于对象检测的雷达信号,
从接收到的雷达信号的反射生成杂波去除的信道脉冲响应CIR,其中,所述雷达信号的反射的一部分是从活体对象反射的,
部分地基于所述杂波去除的CIR识别与所述活体对象的位置相应的范围分组集合,以及
识别表示所述活体对象的呼吸率的第一信号分量集合和表示所述活体对象的心率的第二信号分量集合,
其中,为了识别第一信号分量集合和第二信号分量集合,所述处理器还被配置为:
在第一操作,使用变分模式分解VMD识别第一信号分量集合和第二信号分量集合,其中,所述VMD将所述范围分组集合的非平稳信号分解为表示所述呼吸率和所述心率的子分量,或者
在第二操作,使用所述范围分组集合,从生成的频谱中识别第一信号分量集合,并且基于生成的功率谱密度的特性识别第二信号分量集合。
2.如权利要求1所述的电子装置,其中,为了生成所述杂波去除的CIR,所述处理器被配置为使用高通滤波器基于预定义参数从接收到的雷达信号中去除杂波。
3.如权利要求1所述的电子装置,其中,为了识别与所述活体对象的位置相应的所述范围分组集合,所述处理器被配置为:
识别所述杂波去除的CIR的范围分组的标准偏差值;以及
比较与所述范围分组相应的所述标准偏差值,以基于预定义标准将所述范围分组中的一个或更多个范围分组识别为与所述活体对象的位置相应的所述范围分组集合。
4.如权利要求1所述的电子装置,其中,为了识别与所述活体对象的位置相应的所述范围分组集合,所述处理器被配置为:
识别所述杂波去除的CIR的范围分组的总能量值;以及
比较与所述范围分组相应的所述总能量值,以基于预定义标准将所述范围分组中的一个或更多个范围分组识别为与所述活体对象的位置相应的所述范围分组集合。
5.如权利要求1所述的电子装置,其中,为了使用第一操作识别第一信号分量集合和第二信号分量集合,所述处理器被配置为:
使用VMD将所述范围分组集合中的每个范围分组的实部和虚部分解为多个窄带分量,其中,每个窄带分量以相应的频率为中心;
将所述多个窄带分量分类成与不同频率范围相应的不同组;以及
基于所述不同组的特性识别所述呼吸率和所述心率。
6.如权利要求5所述的电子装置,其中:
所述不同组包括呼吸率组、呼吸谐波组、心率组和心率谐波组;以及
所述处理器还被配置为:
基于所述呼吸率组的中值生成表示最终呼吸率的输出,以及
基于所述心率组的中值和所述心率谐波组的一部分的中值,生成表示最终心率的输出。
7.如权利要求1所述的电子装置,其中,为了执行第二操作,所述处理器还被配置为:
将所述杂波去除的CIR分割成预定义大小的杂波去除的CIR窗口;
使用线性调频-Z变换从所述杂波去除的CIR窗口生成所述频谱;以及
基于所述频谱的特性识别所述范围分组集合。
8.如权利要求7所述的电子装置,其中,为了基于所述频谱的特性和所述呼吸率识别所述范围分组集合,所述处理器被配置为:
从所述频谱识别多个频率行中的每个频率行的连续范围分组集合的平均功率;
从所述多个频率行中选择包括峰值的第一频率行,其中,所述峰值满足预定义标准并且包括大于阈值的显著性;
基于与第一频率行相应的频率值识别所述呼吸率;
从第一频率行中识别具有最高幅度值的范围分组;以及
将所述范围分组包括在所述范围分组集合中。
9.如权利要求7所述的电子装置,其中,所述处理器还被配置为:
将所述杂波去除的CIR窗口中的所选杂波去除的CIR窗口与所选杂波去除的CIR窗口的镜像副本进行组合以产生修改的CIR窗口;
从修改的CIR窗口分组生成所述功率谱密度;
基于所述频谱的特性识别第一信号分量集合;以及
基于第一信号分量集合和所述功率谱密度的特性,识别第二信号分量集合。
10.如权利要求9所述的电子装置,其中,为了识别所述心率,所述处理器被配置为:
识别所述功率谱密度的峰值集合,其中,所述峰值集合包括呼吸率峰值、呼吸谐波峰值、心率峰值和心率谐波峰值;
从所述峰值集合中去除与所述呼吸率相应的一个或更多个峰值;
在去除所述一个或更多个峰值之后,从所述峰值集合中识别满足预定义条件集合的候选心率峰值集合;以及
基于包括心率谐波的所述候选心率峰值集合的特性从所述候选心率峰值集合识别所述心率。
11.一种用于非接触式生命体征监测的方法,所述方法包括:
经由收发器发送用于对象检测的雷达信号;
从接收到的雷达信号的反射生成杂波去除的信道脉冲响应CIR,其中,所述雷达信号的反射的一部分是从活体对象反射的;
部分地基于所述杂波去除的CIR,识别与所述活体对象的位置相应的范围分组集合;以及
识别表示所述活体对象的呼吸率的第一信号分量集合和表示所述活体对象的心率的第二信号分量集合,
其中,识别第一信号分量集合和第二信号分量集合,包括:
使用变分模式分解VMD识别第一信号分量集合和第二信号分量集合,其中,所述VMD将所述范围分组集合的非平稳信号分解为表示所述呼吸率和所述心率的子分量,或者
使用所述范围分组集合,从生成的频谱识别第一信号分量集合,并且基于生成的功率谱密度的特性识别第二信号分量集合。
12.如权利要求11所述的方法,其中,识别与所述活体对象的位置相应的所述范围分组集合,包括:
识别所述杂波去除的CIR的范围分组的标准偏差值;以及
比较与所述范围分组相应的所述标准偏差值,以基于预定义标准将所述范围分组中的一个或更多个范围分组识别为与所述活体对象的位置相应的所述范围分组集合。
13.如权利要求11所述的方法,其中,识别与所述活体对象的位置相应的所述范围分组集合,包括:
识别所述杂波去除的CIR的范围分组的总能量值;以及
比较与所述范围分组相应的所述总能量值,以基于预定义标准将所述范围分组中的一个或更多个范围分组识别为与所述活体对象的位置相应的所述范围分组集合。
14.如权利要求11所述的方法,其中,使用VMD识别第一信号分量集合和第二信号分量集合,所述方法包括:
使用VMD将所述范围分组集合中的每个范围分组的实部和虚部分解为多个窄带分量,其中,每个窄带分量以相应的频率为中心;
将所述多个窄带分量分类成与不同频率范围相应的不同组;以及
基于所述不同组的特性识别所述呼吸率和所述心率。
15.如权利要求14所述的方法,其中:
所述不同组包括呼吸率组、呼吸谐波组、心率组和心率谐波组;以及
所述方法还包括:
基于所述呼吸率组的中值生成表示最终呼吸率的输出,以及
基于所述心率组的中值和所述心率谐波组的一部分的中值,生成表示最终心率的输出。
Applications Claiming Priority (7)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US202163191638P | 2021-05-21 | 2021-05-21 | |
US63/191,638 | 2021-05-21 | ||
US202263302734P | 2022-01-25 | 2022-01-25 | |
US63/302,734 | 2022-01-25 | ||
US17/664,200 US20220373646A1 (en) | 2021-05-21 | 2022-05-19 | Joint estimation of respiratory and heart rates using ultra-wideband radar |
US17/664,200 | 2022-05-19 | ||
PCT/KR2022/007279 WO2022245189A1 (en) | 2021-05-21 | 2022-05-23 | Joint estimation of respiratory and heart rates using ultra-wideband radar |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117177708A true CN117177708A (zh) | 2023-12-05 |
Family
ID=84103699
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202280029076.XA Pending CN117177708A (zh) | 2021-05-21 | 2022-05-23 | 利用超宽带雷达联合估计呼吸率和心率 |
Country Status (4)
Country | Link |
---|---|
US (1) | US20220373646A1 (zh) |
EP (1) | EP4284238A1 (zh) |
CN (1) | CN117177708A (zh) |
WO (1) | WO2022245189A1 (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021086809A1 (en) * | 2019-10-28 | 2021-05-06 | Arizona Board Of Regents On Behalf Of Arizona State University | Methods and systems for remote sleep monitoring |
CN116609755B (zh) * | 2023-07-19 | 2023-10-20 | 湖南师范大学 | 一种基于超宽带雷达的生命体征检测方法及系统 |
CN117332283B (zh) * | 2023-12-01 | 2024-03-05 | 山东康源堂药业股份有限公司 | 一种中药材生长信息采集分析方法及系统 |
CN117833282A (zh) * | 2024-03-04 | 2024-04-05 | 西安热工研究院有限公司 | 一种熔盐耦合火电机组的调频方法及系统 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080077015A1 (en) * | 2006-05-17 | 2008-03-27 | Olga Boric-Lubecke | Determining presence and/or physiological motion of one or more subjects with multiple receiver Doppler radar systems |
US11408978B2 (en) * | 2015-07-17 | 2022-08-09 | Origin Wireless, Inc. | Method, apparatus, and system for vital signs monitoring using high frequency wireless signals |
US11520032B2 (en) * | 2019-02-28 | 2022-12-06 | Samsung Electronics Co., Ltd. | Methods and apparatuses for object presence detection and range estimation |
-
2022
- 2022-05-19 US US17/664,200 patent/US20220373646A1/en active Pending
- 2022-05-23 WO PCT/KR2022/007279 patent/WO2022245189A1/en unknown
- 2022-05-23 EP EP22805042.3A patent/EP4284238A1/en active Pending
- 2022-05-23 CN CN202280029076.XA patent/CN117177708A/zh active Pending
Also Published As
Publication number | Publication date |
---|---|
WO2022245189A1 (en) | 2022-11-24 |
EP4284238A1 (en) | 2023-12-06 |
US20220373646A1 (en) | 2022-11-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Tan et al. | Exploiting WiFi channel state information for residential healthcare informatics | |
CN117177708A (zh) | 利用超宽带雷达联合估计呼吸率和心率 | |
US20230190100A1 (en) | Enhanced computer-implemented systems and methods of automated physiological monitoring, prognosis, and triage | |
Wang et al. | Channel selective activity recognition with WiFi: A deep learning approach exploring wideband information | |
US9801542B2 (en) | Health monitoring appliance | |
Geng et al. | Enlighten wearable physiological monitoring systems: On-body rf characteristics based human motion classification using a support vector machine | |
Gu et al. | BeSense: Leveraging WiFi channel data and computational intelligence for behavior analysis | |
Gu et al. | Emosense: Data-driven emotion sensing via off-the-shelf wifi devices | |
Khamis et al. | Cardiofi: Enabling heart rate monitoring on unmodified COTS WiFi devices | |
Chen et al. | WiFace: Facial expression recognition using Wi-Fi signals | |
Lian et al. | Fall detection via inaudible acoustic sensing | |
Uysal et al. | RF-based noncontact respiratory rate monitoring with parametric spectral estimation | |
Bocus et al. | UWB and WiFi systems as passive opportunistic activity sensing radars | |
Gu et al. | Your wifi knows how you behave: Leveraging wifi channel data for behavior analysis | |
Yang et al. | Rethinking fall detection with Wi-Fi | |
KR20230048342A (ko) | 비접촉식 수면 검출 및 방해 귀인 | |
Liu et al. | Human behavior sensing: challenges and approaches | |
Bahache et al. | An inclusive survey of contactless wireless sensing: A technology used for remotely monitoring vital signs has the potential to combating covid-19 | |
Uysal et al. | MUSIC algorithm for respiratory rate estimation using RF signals | |
Zhu et al. | RFMonitor: Monitoring smoking behavior of minors using COTS RFID devices | |
US20230329574A1 (en) | Smart home device using a single radar transmission mode for activity recognition of active users and vital sign monitoring of inactive users | |
Zhu et al. | NotiFi: Non-Invasive Abnormal Activity Detection Using Fine-grained WiFi Signals | |
Im et al. | Implement of sleep monitoring system using UWB, PPG | |
US20230139441A1 (en) | Method of extracting representative waveform of bio-signal and apparatus for estimating bio-information | |
WO2023081090A1 (en) | Contactless stress monitoring using wireless signals |
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 |