CN117179716A - 一种基于雷达的生命体征检测方法及系统 - Google Patents
一种基于雷达的生命体征检测方法及系统 Download PDFInfo
- Publication number
- CN117179716A CN117179716A CN202311179564.1A CN202311179564A CN117179716A CN 117179716 A CN117179716 A CN 117179716A CN 202311179564 A CN202311179564 A CN 202311179564A CN 117179716 A CN117179716 A CN 117179716A
- Authority
- CN
- China
- Prior art keywords
- frequency band
- real
- vital sign
- features
- frequency bands
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 45
- 239000013598 vector Substances 0.000 claims abstract description 65
- 230000004927 fusion Effects 0.000 claims abstract description 50
- 238000000034 method Methods 0.000 claims abstract description 25
- 230000006870 function Effects 0.000 claims description 62
- 238000012545 processing Methods 0.000 claims description 21
- 230000004913 activation Effects 0.000 claims description 19
- 238000007781 pre-processing Methods 0.000 claims description 19
- 238000012549 training Methods 0.000 claims description 18
- 238000004364 calculation method Methods 0.000 claims description 14
- 230000007246 mechanism Effects 0.000 claims description 14
- 238000005457 optimization Methods 0.000 claims description 11
- 230000006835 compression Effects 0.000 claims description 10
- 238000007906 compression Methods 0.000 claims description 10
- 230000001121 heart beat frequency Effects 0.000 claims description 10
- 238000010606 normalization Methods 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 7
- 239000011159 matrix material Substances 0.000 claims description 5
- 230000036391 respiratory frequency Effects 0.000 claims description 5
- 238000002372 labelling Methods 0.000 claims description 4
- 238000012544 monitoring process Methods 0.000 abstract description 2
- 230000036387 respiratory rate Effects 0.000 description 6
- 230000029058 respiratory gaseous exchange Effects 0.000 description 5
- 230000008859 change Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000036541 health Effects 0.000 description 3
- 230000033001 locomotion Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000036772 blood pressure Effects 0.000 description 2
- 230000036760 body temperature Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 230000000737 periodic effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000009022 nonlinear effect Effects 0.000 description 1
- 230000004962 physiological condition Effects 0.000 description 1
- 238000013341 scale-up Methods 0.000 description 1
Landscapes
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明涉及一种基于雷达的生命体征检测方法及系统。步骤包括：通过发射不同频段的雷达波束，实时接收回波信号，在不同时间窗口内切换不同工作模式以适应不同监测需求，根据频段和工作模式信息对预处理后的实时回波信号进行编码生成编码向量，然后将每个实时回波信号与对应的编码向量拼接成输入特征，训练预测模型后，将不同频段的各输入特征分别输入训练后的预测模型，以通过预测模型的特征融合层对K个输入特征进行特征融合，并将融合后的特征分别输入多个全连接层进行处理及预测以分别得到每个生命体征的预测结果。本发明充分利用多频段、多工作模式、编码、模型的特征融合及分层预测等技术手段，实现了更精准和全面的生命体征检测。
Description
技术领域
本发明属于生命体征检测技术领域，尤其涉及一种基于雷达的生命体征检测方法及系统。
背景技术
随着社会的进步，人们对个人健康的重视程度日益增加。个人的健康状况往往通过生命体征信息，如呼吸、心率、体温、血压和脉搏等来反映。在这些生命体征中，呼吸和心率等具有周期性变化的特征，能够直接揭示人体的生理状况。因此，准确地监测和评估呼吸、心率等周期性变化的生命体征对于人体健康监护至关重要。
目前，一般是通过接触式和非接触式两种主要的方法来进行呼吸和心率等周期性变化的生命体征检测。然而，接触式方法需要被检测者佩戴特定的检测设备，长时间佩戴设备可能导致不适感，且高质量的专业设备价格昂贵，需要专业人员操作，非专业设备的精度又较低。非接触式方法则避免了直接接触被测体，但检测结果容易受到外界干扰，从而影响到检测的准确性。
发明内容
本发明提供一种基于雷达的生命体征检测方法及系统，旨在解决上述背景技术提到的问题。
本发明是这样实现的，提供一种基于雷达的生命体征检测方法，在待测人体的房间内安装一个多频段探测及多模式处理的雷达系统，步骤包括：
在预设时间区域内，通过雷达系统的发射部件对待测人体同时发射多个不同频段的雷达波束，并通过雷达系统的接收部件实时接收来自不同频段的回波信号，设为实时回波信息，其中，频段的数量为K个，在预设时间区域的不同时间窗口内，对雷达系统切换不同的工作模式，每个时间窗口对应一个工作模式，工作模式包括但不限于连续波、脉冲压缩和调频连续波；
对实时回波信号进行预处理；
根据各个实时回波信号的频段和工作模式信息对预处理后的K个实时回波信号分别进行编码，以分别生成K个实时回波信号的编码向量，并将K个实时回波信号分别与其对应的编码向量进行拼接以分别得到K个输入特征；
根据各不同频段及不同工作模式下的历史雷达数据对预测模型进行训练以得到训练后的预测模型，将不同频段的K个输入特征分别输入训练后的预测模型，以通过预测模型的特征融合层对K个输入特征进行特征融合，并将融合后的特征分别输入预测模型的多个全连接层进行处理及预测以分别得到每个生命体征的预测结果，生命体征包括但不限于呼吸频率、心跳频率和脉搏，
其中，所述通过预测模型的特征融合层对K个输入特征进行特征融合的步骤包括：
将不同频段的K个输入特征输入注意力层；
通过注意力机制计算每个频段的注意力权重，计算公式为score(Fi，Query)＝FiQuery，其中，exp(score(Fi，Query))表示通过exp函数将注意力得分映射到非负区间，score(Fi，Query)为第i个频段的注意力分数，Fi为第i个频段的输入特征，Query为查询向量，Fi·Query为第i个频段的输入特征与查询向量之间的点积，Ai为第i个频段的注意力权重；
通过softmax函数对注意力权重进行归一化处理以使权重之和为1；
根据每个频段的注意力权重对不同频段的预测特征进行加权融合以得到融合后的特征，公式为其中，K为频段的数量，Fj为第j个频段的输入特征，aj为归一化后的第j个频段的注意力权重，F融合为融合后的特征。
更进一步的，所述将融合后的特征分别输入预测模型的多个全连接层进行处理及预测以分别得到每个生命体征的预测结果的步骤包括：
将融合后的特征分别输入各个全连接层，以通过各个全连接层分别进行处理及预测以得到各个生命体征的预测结果，output＝activation(W*F融合+b)，其中，W为全连接层的权重矩阵，b为全连接层的偏差项，activation为激活函数，output为生命体征的预测结果。
更进一步的，所述根据各频段及各工作模式下的历史雷达数据对预测模型进行动态调整及训练以得到训练后的预测模型的步骤包括：
收集大量同一时间点针对人体发射及接收到的不同频段的历史雷达数据及对应的各生命体征的真实数值，并对每个时间点的不同频段的历史雷达数据形成一个子数据集；
对历史雷达数据进行预处理，并对预处理后的历史雷达数据进行各生命体征的真实数值的对齐及标注；
根据频段和工作模式信息对每个子数据集中每个频段的历史雷达数据进行编码以得到每个子数据集中每个频段的编码信息；
对每个子数据集中每个频段的历史雷达数据进行特征提取，并将每个子数据集中每个频段的历史雷达数据的特征分别与其相应的编码信息进行拼接以得到每个子数据集中每个频段的输入特征，设为输入特征集；
随机选择一个输入特征集，设为当前输入特征集，通过注意力机制对当前输入特征集的各个频段的输入特征进行融合以得到当前输入特征集的融合特征，以捕获不同频段之间的重要关系；
将当前输入特征集的融合特征分别输入到多个全连接层，以通过每个全连接层的激活函数获取一个生命体征的预测值；
计算每个生命体征的预测值与对应的真实数值之间的损失，计算公式为：其中，Li为生命体征i的预测值与真实数值之间的损失，yi为生命体征i的预测值，/>为生命体征i的真实数值；
将所有生命体征的损失进行组合以形成一个综合损失函数，计算公式为：其中，N为生命体征的总数，αi为生命体征i的权重，Ltotal为综合损失函数；
利用反向传播算法计算梯度并利用优化算法更新模型的参数，使综合损失函数逐步减小；
进行多个训练迭代，直到模型的综合损失收敛或达到预设的训练轮次。
更进一步的，所述利用反向传播算法计算梯度并利用优化算法更新模型的参数，使综合损失函数逐步减小的步骤包括：
计算综合损失函数对模型参数的梯度：
对于每个生命体征的损失函数Li，计算其关于模型参数θ的梯度
根据各个生命体征的权重计算综合损失函数对模型参数的梯度，公式为：其中，/>为综合损失函数对模型参数的梯度，α1，α2，…，αN分别为各个生命体征的权重；
使用梯度下降优化算法更新模型参数，以最小化综合损失函数，公式为：其中，θnew为更新后的模型参数，θold为更新前的模型参数，β为用于控制参数更新步长的学习率。
更进一步的，所述根据各个实时回波信号的频段和工作模式信息对预处理后的K个实时回波信号分别进行编码，以分别生成K个实时回波信号的编码向量的步骤包括：
为每个频段和工作模式组合分别设置一个编码向量，假设你的编码向量的维度是
对于第i个实时回波信号的频段fi和工作模式wi，对应的编码向量为其中，/>为频段fi的编码向量，/>为工作模式wi的编码向量；
将编码向量Ei作为实时回波信号i的编码向量。
本发明还提供一种基于雷达的生命体征检测系统，用于执行基于雷达的生命体征检测方法，在待测人体的房间内安装一个多频段探测及多模式处理的雷达系统，包括：
数据采集模块：用于在预设时间区域内，通过雷达系统的发射部件对待测人体同时发射多个不同频段的雷达波束，并通过雷达系统的接收部件实时接收来自不同频段的回波信号，设为实时回波信息，其中，频段的数量为K个，在预设时间区域的不同时间窗口内，对雷达系统切换不同的工作模式，每个时间窗口对应一个工作模式，工作模式包括但不限于连续波、脉冲压缩和调频连续波；
预处理模块：用于对实时回波信号进行预处理；
编码拼接模块：用于根据各个实时回波信号的频段和工作模式信息对预处理后的K个实时回波信号分别进行编码，以分别生成K个实时回波信号的编码向量，并将K个实时回波信号分别与其对应的编码向量进行拼接以分别得到K个输入特征；
预测模块：用于根据各不同频段及不同工作模式下的历史雷达数据对预测模型进行训练以得到训练后的预测模型，将不同频段的K个输入特征分别输入训练后的预测模型，以通过预测模型的特征融合层对K个输入特征进行特征融合，并将融合后的特征分别输入预测模型的多个全连接层进行处理及预测以分别得到每个生命体征的预测结果，生命体征包括但不限于呼吸频率、心跳频率和脉搏，
其中，所述预测模块还用于：
将不同频段的K个输入特征输入注意力层；
通过注意力机制计算每个频段的注意力权重，计算公式为score(Fi，Query)＝Fi·Query，其中，exp(score(Fi，Query))表示通过exp函数将注意力得分映射到非负区间，score(Fi，Query)为第i个频段的注意力分数，Fi为第i个频段的输入特征，Query为查询向量，Fi·Query为第i个频段的输入特征与查询向量之间的点积，Ai为第i个频段的注意力权重；
通过softmax函数对注意力权重进行归一化处理以使权重之和为1；
根据每个频段的注意力权重对不同频段的预测特征进行加权融合以得到融合后的特征，公式为其中，K为频段的数量，Fj为第j个频段的输入特征，aj为归一化后的第j个频段的注意力权重，F融合为融合后的特征。
本发明的有益效果在于，与现有技术相比，本发明的基于雷达的生命体征检测方法及系统，通过充分利用多频段、多工作模式、编码、模型的特征融合及分层预测等技术手段，实现了更精准和全面的生命体征检测，弥补了现有技术非接触检测容易受环境干扰影响，导致检测结果不准确的缺点。
其中，雷达系统引入了多频段探测和多工作模式处理，同一个时间点能够产生多个不同频段的回波信号，相对于同一时间点单一频段的信息，能够考虑到不同频段之间信息的互补性，从而更全面地获取生命体征信息，而每个时间窗口对应一个特定的工作模式，不同时间窗口内采用不同的工作模式，可以适应不同环境下的变化，例如，在一个时间窗口内，可能选择连续波模式以捕捉连续的生命体征变化，而在另一个时间窗口内可能选择脉冲压缩模式以提高距离分辨率，从而能够更好的捕获待测人体的生命体征信息；
再通过编码技术根据频段和工作模式信息对各个实时回波信号分别进行编码，以捕获相应的频段和工作模式的特征，并通过将实时回波信号与对应的编码向量拼接，可以将频段和工作模式的特征信息与实时回波信号信息融合在一起，形成更丰富的输入特征，这可以帮助预测模型更好地理解不同频段和工作模式下的生命体征变化模式，从而提高生命体征检测的准确性和稳定性；
再通过预测模型的特征融合层对K个输入特征进行特征融合，可以帮助模型从多个输入中提取出共同的、有用的特征表示，从而增强模型的表达能力并减少信息的冗余，也使模型能够更好地理解不同频段之间的关联，提高对生命体征变化的建模能力，从而更准确地预测呼吸频率、心跳频率、运动模式等生命体征信息；
最后将融合后的特征分别输入预测模型的各个全连接层进行处理及预测，多个全连接层为在模型中为每个生命体征建立的独立的预测通道，以便分别预测不同的生命体征。每个全连接层通过学习适当的权重和偏置，将融合后的特征映射到与特定生命体征相关的预测结果。通过将每个生命体征的预测分开到不同的全连接层中，模型可以学习更精确的特征表示和预测策略，以适应不同生命体征的变化模式和特点。这种分层的结构可以提高模型的灵活性和表达能力，使其更好地捕捉不同生命体征之间的关系，并为每个生命体征提供更准确的预测结果。
附图说明
图1是本发明提供的基于雷达的生命体征检测方法的流程示意图；
图2是本发明提供的基于雷达的生命体征检测系统的系统框图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
实施例一
参考图1，实施例一提供一种基于雷达的生命体征检测方法，在待测人体的房间内安装一个多频段探测及多模式处理的雷达系统，包括步骤S101～S104：
S101，在预设时间区域内，通过雷达系统的发射部件对待测人体同时发射多个不同频段的雷达波束，并通过雷达系统的接收部件实时接收来自不同频段的回波信号，设为实时回波信息，其中，频段的数量为K个，在预设时间区域的不同时间窗口内，对雷达系统切换不同的工作模式，每个时间窗口对应一个工作模式，工作模式包括但不限于连续波、脉冲压缩和调频连续波。
需要说明的是，雷达信号通常在一定的频率范围内工作。频段指的是在特定频率范围内的一组频率。不同频段的雷达信号可能有不同的传播特性和反射特征，因此在不同的频段下可能会获得不同的信息。在待测人体的房间内，雷达系统的发射部件会同时发射多个不同频段的雷达波束，可以选择毫米波、厘米波、分米波等频段，这些不同频段的波束可能在频率、功率等方面有所不同，以便覆盖不同的信息。雷达系统的接收部件会实时接收来自不同频段的回波信号。回波信号是由发射的雷达波束与待测人体相互作用后产生的，包含了人体反射的信号。
在预设时间区域内，例如睡眠期间，可能会设置多个时间窗口。每个时间窗口内，雷达系统会切换不同的工作模式。频段的数量为K个，这意味着系统会同时使用K个不同的频段来发射和接收信号。在不同的时间窗口内，雷达系统会切换不同的工作模式。工作模式是指雷达系统操作的特定设置，如连续波、脉冲压缩和调频连续波等。每个时间窗口对应一个工作模式，是为了获得不同工作模式下的生命体征信息，以便更全面地进行分析和检测。
通过不同频段和不同工作模式的组合，雷达系统会收集来自待测人体的实时回波信息。这些信息会包含反映人体呼吸、心率、体温、血压和脉搏等生命体征变化的信号。
雷达系统引入了多频段探测和多工作模式处理，同一个时间点能够产生多个不同频段的回波信号，相对于同一时间点单一频段的信息，能够考虑到不同频段之间信息的互补性，从而更全面地获取生命体征信息，而每个时间窗口对应一个特定的工作模式，不同时间窗口内采用不同的工作模式，可以适应不同环境下的变化，例如，在一个时间窗口内，可能选择连续波模式以捕捉连续的生命体征变化，而在另一个时间窗口内可能选择脉冲压缩模式以提高距离分辨率，从而能够更好的捕获待测人体的生命体征信息。
S102，对实时回波信号进行预处理。
需要说明的是，实时回波信号的预处理包括但不限于去噪、归一化、平滑处理等，目的是为了提取有用的信息，减少噪声的干扰，并将信号归一化，以便更好地进行后续分析和处理。
S103，根据各个实时回波信号的频段和工作模式信息对预处理后的K个实时回波信号分别进行编码，以分别生成K个实时回波信号的编码向量，并将K个实时回波信号分别与其对应的编码向量进行拼接以分别得到K个输入特征。
需要说明的是，编码的目的是将频段和工作模式的信息嵌入到实时回波信号中，以便在后续的处理中能够区分不同频段和工作模式下的信号特征。
对于每个实时回波信号，根据其对应的频段和工作模式，设计一种编码方式，将这两个信息转换为一个编码向量，这个编码向量可以是数字、二进制序列或其他形式的符号。
对于频段信息，可以将不同的频段映射为不同的数字或二进制码。同样，不同的工作模式也可以被映射为不同的编码，生成编码向量时，可以将频段和工作模式的编码按照一定规则进行组合，从而得到唯一的编码向量。
将生成的编码向量与相应的实时回波信号进行拼接，这可以通过将编码向量添加到实时回波信号的末尾或开头来实现，拼接后，每个实时回波信号都有了与之对应的频段和工作模式的信息。
通过编码技术根据频段和工作模式信息对各个实时回波信号分别进行编码，以捕获相应的频段和工作模式的特征，并通过将实时回波信号与对应的编码向量拼接，可以将频段和工作模式的特征信息与实时回波信号信息融合在一起，形成更丰富的输入特征，这可以帮助预测模型更好地理解不同频段和工作模式下的生命体征变化模式，从而提高生命体征检测的准确性和稳定性。
其中，所述根据各个实时回波信号的频段和工作模式信息对预处理后的K个实时回波信号分别进行编码，以分别生成K个实时回波信号的编码向量的步骤包括：
为每个频段和工作模式组合分别设置一个编码向量，假设你的编码向量的维度是
对于第i个实时回波信号的频段fi和工作模式wi，对应的编码向量为其中，/>为频段fi的编码向量，/>为工作模式wi的编码向量；
将编码向量Ei作为实时回波信号i的编码向量。
S104，根据各不同频段及不同工作模式下的历史雷达数据对预测模型进行训练以得到训练后的预测模型，将不同频段的K个输入特征分别输入训练后的预测模型，以通过预测模型的特征融合层对K个输入特征进行特征融合，并将融合后的特征分别输入预测模型的多个全连接层进行处理及预测以分别得到每个生命体征的预测结果，生命体征包括但不限于呼吸频率、心跳频率和脉搏。
需要说明的是，预测模型的特征融合层接受不同频段的K个输入特征。这一层的目的是将各个频段的信息进行融合，以便模型能够更好地理解不同频段之间的关联性和影响。通过预测模型的特征融合层对K个输入特征进行特征融合，可以帮助模型从多个输入中提取出共同的、有用的特征表示，从而增强模型的表达能力并减少信息的冗余，也使模型能够更好地理解不同频段之间的关联，提高对生命体征变化的建模能力，从而更准确地预测呼吸频率、心跳频率、运动模式等生命体征信息。
融合后的特征被分别输入到多个全连接层中。每个全连接层对应一个生命体征的预测。通过训练，每个全连接层将逐渐学习到如何从融合的特征中提取与特定生命体征相关的信息。每个全连接层将融合的特征进行处理，并输出预测结果，这些结果对应不同生命体征，如呼吸频率、心跳频率和脉搏。
将融合后的特征分别输入预测模型的各个全连接层进行处理及预测，多个全连接层为在模型中为每个生命体征建立的独立的预测通道，以便分别预测不同的生命体征。每个全连接层通过学习适当的权重和偏置，将融合后的特征映射到与特定生命体征相关的预测结果。通过将每个生命体征的预测分开到不同的全连接层中，模型可以学习更精确的特征表示和预测策略，以适应不同生命体征的变化模式和特点。这种分层的结构可以提高模型的灵活性和表达能力，使其更好地捕捉不同生命体征之间的关系，并为每个生命体征提供更准确的预测结果。
其中，所述通过预测模型的特征融合层对K个输入特征进行特征融合的步骤包括：
将不同频段的K个输入特征输入注意力层；
通过注意力机制计算每个频段的注意力权重，计算公式为score(Fi，Query)＝Fi·Query，其中，exp(score(Fi，Query))表示通过exp函数将注意力得分映射到非负区间，使得分数更好地反映相似性，这个得分经过exp函数后，可以理解为注意力分数的放大效果，score(Fi，Query)为第i个频段的注意力分数，Fi为第i个频段的输入特征，Query为查询向量，Fi·Query为第i个频段的输入特征与查询向量之间的点积，Ai为第i个频段的注意力权重；
通过softmax函数对注意力权重进行归一化处理以使权重之和为1；
根据每个频段的注意力权重对不同频段的预测特征进行加权融合以得到融合后的特征，公式为其中，K为频段的数量，Fj为第j个频段的输入特征，aj为归一化后的第j个频段的注意力权重，F融合为融合后的特征。
需要说明的是，注意力机制是一种机制，用于对输入的不同部分分配不同的权重，以便在融合或处理时将更多注意力集中在重要的部分。这里的注意力层的目的是对K个不同频段的输入特征进行加权融合，以使模型更好地理解不同频段之间的关联性。
将不同频段的K个输入特征分别输入到注意力层。对于每个频段，使用注意力机制计算其注意力权重。再对注意力权重进行指数化(通过exp函数)，以便更好地强调相似性和差异性，这个步骤帮助将注意力分数映射到非负区间，并放大分数，以更好地区分关键特征。再使用softmax函数对注意力权重进行归一化处理，以确保它们的总和为1。这样可以确保不同频段的权重之和等于1，从而保持融合后特征的比例。并根据注意力权重，将不同频段的预测特征进行加权融合，得到融合后的特征，它是K个输入特征在不同频段上的加权组合，以更好地捕获频段之间的关系。通过注意力机制和特征融合，模型可以更加准确地利用不同频段的信息来提高生命体征的预测能力。
进一步，所述将融合后的特征分别输入预测模型的多个全连接层进行处理及预测以分别得到每个生命体征的预测结果的步骤包括：
将融合后的特征分别输入各个全连接层，以通过各个全连接层分别进行处理及预测以得到各个生命体征的预测结果，output＝activation(W*F融合+b)，其中，W为全连接层的权重矩阵，b为全连接层的偏差项，activation为激活函数，output为生命体征的预测结果。
需要说明的是，将融合后的特征F融合与该全连接层的权重矩阵W相乘，得到一个中间结果。将偏差项b添加到中间结果中，以引入模型的偏移。将中间结果通过激活函数进行非线性变换，产生一个更具表征性的输出。经过全连接层的处理和预测后，每个全连接层会输出一个生命体征的预测结果。这些结果代表了各个生命体征的估计值。
在全连接层中使用激活函数对中间结果进行非线性变换。激活函数可以是各种函数，如ReLU、Sigmoid、Tanh等，以引入非线性性质，增强模型的表达能力。
每个全连接层输出的预测结果是对应生命体征的估计值。这些估计值可以表示呼吸频率、心跳频率等生命体征信息。
这一步骤是在不同的全连接层中对融合后的特征进行处理和预测，以得到各个生命体征的预测结果。通过使用多个全连接层，模型可以从不同角度对特征进行抽取和处理，从而提高预测的准确性和表现。
进一步，所述根据各频段及各工作模式下的历史雷达数据对预测模型进行动态调整及训练以得到训练后的预测模型的步骤包括：
收集大量同一时间点针对人体发射及接收到的不同频段的历史雷达数据及对应的各生命体征的真实数值，并对每个时间点的不同频段的历史雷达数据形成一个子数据集；
对历史雷达数据进行预处理，并对预处理后的历史雷达数据进行各生命体征的真实数值的对齐及标注；
根据频段和工作模式信息对每个子数据集中每个频段的历史雷达数据进行编码以得到每个子数据集中每个频段的编码信息；
对每个子数据集中每个频段的历史雷达数据进行特征提取，并将每个子数据集中每个频段的历史雷达数据的特征分别与其相应的编码信息进行拼接以得到每个子数据集中每个频段的输入特征，设为输入特征集；
随机选择一个输入特征集，设为当前输入特征集，通过注意力机制对当前输入特征集的各个频段的输入特征进行融合以得到当前输入特征集的融合特征，以捕获不同频段之间的重要关系；
将当前输入特征集的融合特征分别输入到多个全连接层，以通过每个全连接层的激活函数获取一个生命体征的预测值；
计算每个生命体征的预测值与对应的真实数值之间的损失，计算公式为：其中，Li为生命体征i的预测值与真实数值之间的损失，yi为生命体征i的预测值，/>为生命体征i的真实数值；
将所有生命体征的损失进行组合以形成一个综合损失函数，计算公式为：其中，N为生命体征的总数，αi为生命体征i的权重，Ltotal为综合损失函数；
利用反向传播算法计算梯度并利用优化算法更新模型的参数，使综合损失函数逐步减小；
进行多个训练迭代，直到模型的综合损失收敛或达到预设的训练轮次。
进一步，所述利用反向传播算法计算梯度并利用优化算法更新模型的参数，使综合损失函数逐步减小的步骤包括：
计算综合损失函数对模型参数的梯度：
对于每个生命体征的损失函数Li，计算其关于模型参数θ的梯度
根据各个生命体征的权重计算综合损失函数对模型参数的梯度，公式为：其中，/>为综合损失函数对模型参数的梯度，α1，α2，…，αN分别为各个生命体征的权重；
使用梯度下降优化算法更新模型参数，以最小化综合损失函数，公式为：其中，θnew为更新后的模型参数，θold为更新前的模型参数，β为用于控制参数更新步长的学习率。
本发明的基于雷达的生命体征检测方法，通过充分利用多频段、多工作模式、编码、模型的特征融合及分层预测等技术手段，实现了更精准和全面的生命体征检测，弥补了现有技术非接触检测容易受环境干扰影响，导致检测结果不准确的缺点。
其中，雷达系统引入了多频段探测和多工作模式处理，同一个时间点能够产生多个不同频段的回波信号，相对于同一时间点单一频段的信息，能够考虑到不同频段之间信息的互补性，从而更全面地获取生命体征信息，而每个时间窗口对应一个特定的工作模式，不同时间窗口内采用不同的工作模式，可以适应不同环境下的变化，例如，在一个时间窗口内，可能选择连续波模式以捕捉连续的生命体征变化，而在另一个时间窗口内可能选择脉冲压缩模式以提高距离分辨率，从而能够更好的捕获待测人体的生命体征信息；
再通过编码技术根据频段和工作模式信息对各个实时回波信号分别进行编码，以捕获相应的频段和工作模式的特征，并通过将实时回波信号与对应的编码向量拼接，可以将频段和工作模式的特征信息与实时回波信号信息融合在一起，形成更丰富的输入特征，这可以帮助预测模型更好地理解不同频段和工作模式下的生命体征变化模式，从而提高生命体征检测的准确性和稳定性；
再通过预测模型的特征融合层对K个输入特征进行特征融合，可以帮助模型从多个输入中提取出共同的、有用的特征表示，从而增强模型的表达能力并减少信息的冗余，也使模型能够更好地理解不同频段之间的关联，提高对生命体征变化的建模能力，从而更准确地预测呼吸频率、心跳频率、运动模式等生命体征信息；
最后将融合后的特征分别输入预测模型的各个全连接层进行处理及预测，多个全连接层为在模型中为每个生命体征建立的独立的预测通道，以便分别预测不同的生命体征。每个全连接层通过学习适当的权重和偏置，将融合后的特征映射到与特定生命体征相关的预测结果。通过将每个生命体征的预测分开到不同的全连接层中，模型可以学习更精确的特征表示和预测策略，以适应不同生命体征的变化模式和特点。这种分层的结构可以提高模型的灵活性和表达能力，使其更好地捕捉不同生命体征之间的关系，并为每个生命体征提供更准确的预测结果。
实施例二
参考图2，实施例二提供一种基于雷达的生命体征检测系统，在待测人体的房间内安装一个多频段探测及多模式处理的雷达系统，包括：
数据采集模块：用于在预设时间区域内，通过雷达系统的发射部件对待测人体同时发射多个不同频段的雷达波束，并通过雷达系统的接收部件实时接收来自不同频段的回波信号，设为实时回波信息，其中，频段的数量为K个，在预设时间区域的不同时间窗口内，对雷达系统切换不同的工作模式，每个时间窗口对应一个工作模式，工作模式包括但不限于连续波、脉冲压缩和调频连续波。
预处理模块：用于对实时回波信号进行预处理。
编码拼接模块：用于根据各个实时回波信号的频段和工作模式信息对预处理后的K个实时回波信号分别进行编码，以分别生成K个实时回波信号的编码向量，并将K个实时回波信号分别与其对应的编码向量进行拼接以分别得到K个输入特征。
编码拼接模块还用于：
为每个频段和工作模式组合分别设置一个编码向量，假设你的编码向量的维度是
对于第i个实时回波信号的频段fi和工作模式wi，对应的编码向量为其中，/>为频段fi的编码向量，/>为工作模式wi的编码向量；
将编码向量Ei作为实时回波信号i的编码向量。
预测模块：用于根据各不同频段及不同工作模式下的历史雷达数据对预测模型进行训练以得到训练后的预测模型，将不同频段的K个输入特征分别输入训练后的预测模型，以通过预测模型的特征融合层对K个输入特征进行特征融合，并将融合后的特征分别输入预测模型的多个全连接层进行处理及预测以分别得到每个生命体征的预测结果，生命体征包括但不限于呼吸频率、心跳频率和脉搏。
预测模块还用于：
将不同频段的K个输入特征输入注意力层；
通过注意力机制计算每个频段的注意力权重，计算公式为score(Fi，Query)＝FiQuery，其中，exp(score(Fi，Query))表示通过exp函数将注意力得分映射到非负区间，score(Fi，Query)为第i个频段的注意力分数，Fi为第i个频段的输入特征，Query为查询向量，Fi·Query为第i个频段的输入特征与查询向量之间的点积，Ai为第i个频段的注意力权重；
通过softmax函数对注意力权重进行归一化处理以使权重之和为1；
根据每个频段的注意力权重对不同频段的预测特征进行加权融合以得到融合后的特征，公式为其中，K为频段的数量，Fj为第j个频段的输入特征，aj为归一化后的第j个频段的注意力权重，F融合为融合后的特征。
预测模块还用于：
将融合后的特征分别输入各个全连接层，以通过各个全连接层分别进行处理及预测以得到各个生命体征的预测结果，output＝activation(W*F融合+b)，其中，W为全连接层的权重矩阵，b为全连接层的偏差项，activation为激活函数，output为生命体征的预测结果。
预测模块还用于：
收集大量同一时间点针对人体发射及接收到的不同频段的历史雷达数据及对应的各生命体征的真实数值，并对每个时间点的不同频段的历史雷达数据形成一个子数据集；
对历史雷达数据进行预处理，并对预处理后的历史雷达数据进行各生命体征的真实数值的对齐及标注；
根据频段和工作模式信息对每个子数据集中每个频段的历史雷达数据进行编码以得到每个子数据集中每个频段的编码信息；
对每个子数据集中每个频段的历史雷达数据进行特征提取，并将每个子数据集中每个频段的历史雷达数据的特征分别与其相应的编码信息进行拼接以得到每个子数据集中每个频段的输入特征，设为输入特征集；
随机选择一个输入特征集，设为当前输入特征集，通过注意力机制对当前输入特征集的各个频段的输入特征进行融合以得到当前输入特征集的融合特征，以捕获不同频段之间的重要关系；
将当前输入特征集的融合特征分别输入到多个全连接层，以通过每个全连接层的激活函数获取一个生命体征的预测值；
计算每个生命体征的预测值与对应的真实数值之间的损失，计算公式为：其中，Li为生命体征i的预测值与真实数值之间的损失，yi为生命体征i的预测值，/>为生命体征i的真实数值；
将所有生命体征的损失进行组合以形成一个综合损失函数，计算公式为：其中，N为生命体征的总数，αi为生命体征i的权重，Ltotal为综合损失函数；
利用反向传播算法计算梯度并利用优化算法更新模型的参数，使综合损失函数逐步减小；
进行多个训练迭代，直到模型的综合损失收敛或达到预设的训练轮次。
预测模块还用于：
计算综合损失函数对模型参数的梯度：
对于每个生命体征的损失函数Li，计算其关于模型参数θ的梯度
根据各个生命体征的权重计算综合损失函数对模型参数的梯度，公式为：其中，/>为综合损失函数对模型参数的梯度，α1，α2，…，αN分别为各个生命体征的权重；
使用梯度下降优化算法更新模型参数，以最小化综合损失函数，公式为：其中，θnew为更新后的模型参数，θold为更新前的模型参数，β为用于控制参数更新步长的学习率。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。
Claims (6)
1.一种基于雷达的生命体征检测方法，其特征在于，在待测人体的房间内安装一个多频段探测及多模式处理的雷达系统，步骤包括：
在预设时间区域内，通过雷达系统的发射部件对待测人体同时发射多个不同频段的雷达波束，并通过雷达系统的接收部件实时接收来自不同频段的回波信号，设为实时回波信息，其中，频段的数量为K个，在预设时间区域的不同时间窗口内，对雷达系统切换不同的工作模式，每个时间窗口对应一个工作模式，工作模式包括但不限于连续波、脉冲压缩和调频连续波；
对实时回波信号进行预处理；
根据各个实时回波信号的频段和工作模式信息对预处理后的K个实时回波信号分别进行编码，以分别生成K个实时回波信号的编码向量，并将K个实时回波信号分别与其对应的编码向量进行拼接以分别得到K个输入特征；
根据各不同频段及不同工作模式下的历史雷达数据对预测模型进行训练以得到训练后的预测模型，将不同频段的K个输入特征分别输入训练后的预测模型，以通过预测模型的特征融合层对K个输入特征进行特征融合，并将融合后的特征分别输入预测模型的多个全连接层进行处理及预测以分别得到每个生命体征的预测结果，生命体征包括但不限于呼吸频率、心跳频率和脉搏，
其中，所述通过预测模型的特征融合层对K个输入特征进行特征融合的步骤包括：
将不同频段的K个输入特征输入注意力层；
通过注意力机制计算每个频段的注意力权重，计算公式为score(Fi，Query)＝Fi·Query，其中，exp(score(Fi，Query))表示通过exp函数将注意力得分映射到非负区间，score(Fi，Query)为第i个频段的注意力分数，Fi为第i个频段的输入特征，Query为查询向量，Fi·Query为第i个频段的输入特征与查询向量之间的点积，Ai为第i个频段的注意力权重；
通过softmax函数对注意力权重进行归一化处理以使权重之和为1；
根据每个频段的注意力权重对不同频段的预测特征进行加权融合以得到融合后的特征，公式为其中，K为频段的数量，Fj为第j个频段的输入特征，aj为归一化后的第j个频段的注意力权重，F融合为融合后的特征。
2.根据权利要求1所述的基于雷达的生命体征检测方法，其特征在于，所述将融合后的特征分别输入预测模型的多个全连接层进行处理及预测以分别得到每个生命体征的预测结果的步骤包括：
将融合后的特征分别输入各个全连接层，以通过各个全连接层分别进行处理及预测以得到各个生命体征的预测结果，output＝activation(W*F融合+b)，其中，W为全连接层的权重矩阵，b为全连接层的偏差项，activation为激活函数，output为生命体征的预测结果。
3.根据权利要求1所述的基于雷达的生命体征检测方法，其特征在于，所述根据各频段及各工作模式下的历史雷达数据对预测模型进行动态调整及训练以得到训练后的预测模型的步骤包括：
收集大量同一时间点针对人体发射及接收到的不同频段的历史雷达数据及对应的各生命体征的真实数值，并对每个时间点的不同频段的历史雷达数据形成一个子数据集；
对历史雷达数据进行预处理，并对预处理后的历史雷达数据进行各生命体征的真实数值的对齐及标注；
根据频段和工作模式信息对每个子数据集中每个频段的历史雷达数据进行编码以得到每个子数据集中每个频段的编码信息；
对每个子数据集中每个频段的历史雷达数据进行特征提取，并将每个子数据集中每个频段的历史雷达数据的特征分别与其相应的编码信息进行拼接以得到每个子数据集中每个频段的输入特征，设为输入特征集；
随机选择一个输入特征集，设为当前输入特征集，通过注意力机制对当前输入特征集的各个频段的输入特征进行融合以得到当前输入特征集的融合特征，以捕获不同频段之间的重要关系；
将当前输入特征集的融合特征分别输入到多个全连接层，以通过每个全连接层的激活函数获取一个生命体征的预测值；
计算每个生命体征的预测值与对应的真实数值之间的损失，计算公式为：其中，Li为生命体征i的预测值与真实数值之间的损失，yi为生命体征i的预测值，/>为生命体征i的真实数值；
将所有生命体征的损失进行组合以形成一个综合损失函数，计算公式为：其中，N为生命体征的总数，αi为生命体征i的权重，Ltotal为综合损失函数；
利用反向传播算法计算梯度并利用优化算法更新模型的参数，使综合损失函数逐步减小；
进行多个训练迭代，直到模型的综合损失收敛或达到预设的训练轮次。
4.根据权利要求3所述的基于雷达的生命体征检测方法，其特征在于，所述利用反向传播算法计算梯度并利用优化算法更新模型的参数，使综合损失函数逐步减小的步骤包括：
计算综合损失函数对模型参数的梯度：
对于每个生命体征的损失函数Li，计算其关于模型参数θ的梯度
根据各个生命体征的权重计算综合损失函数对模型参数的梯度，公式为：其中，/>为综合损失函数对模型参数的梯度，α1，α2，…，αN分别为各个生命体征的权重；
使用梯度下降优化算法更新模型参数，以最小化综合损失函数，公式为：其中，θnew为更新后的模型参数，θold为更新前的模型参数，β为用于控制参数更新步长的学习率。
5.根据权利要求1所述的基于雷达的生命体征检测方法，其特征在于，所述根据各个实时回波信号的频段和工作模式信息对预处理后的K个实时回波信号分别进行编码，以分别生成K个实时回波信号的编码向量的步骤包括：
为每个频段和工作模式组合分别设置一个编码向量，假设你的编码向量的维度是
对于第i个实时回波信号的频段fi和工作模式wi，对应的编码向量为其中，/>为频段fi的编码向量，/>为工作模式wi的编码向量；
将编码向量Ei作为实时回波信号i的编码向量。
6.一种基于雷达的生命体征检测系统，其特征在于，在待测人体的房间内安装一个多频段探测及多模式处理的雷达系统，包括：
数据采集模块：用于在预设时间区域内，通过雷达系统的发射部件对待测人体同时发射多个不同频段的雷达波束，并通过雷达系统的接收部件实时接收来自不同频段的回波信号，设为实时回波信息，其中，频段的数量为K个，在预设时间区域的不同时间窗口内，对雷达系统切换不同的工作模式，每个时间窗口对应一个工作模式，工作模式包括但不限于连续波、脉冲压缩和调频连续波；
预处理模块：用于对实时回波信号进行预处理；
编码拼接模块：用于根据各个实时回波信号的频段和工作模式信息对预处理后的K个实时回波信号分别进行编码，以分别生成K个实时回波信号的编码向量，并将K个实时回波信号分别与其对应的编码向量进行拼接以分别得到K个输入特征；
预测模块：用于根据各不同频段及不同工作模式下的历史雷达数据对预测模型进行训练以得到训练后的预测模型，将不同频段的K个输入特征分别输入训练后的预测模型，以通过预测模型的特征融合层对K个输入特征进行特征融合，并将融合后的特征分别输入预测模型的多个全连接层进行处理及预测以分别得到每个生命体征的预测结果，生命体征包括但不限于呼吸频率、心跳频率和脉搏，
其中，所述预测模块还用于：
将不同频段的K个输入特征输入注意力层；
通过注意力机制计算每个频段的注意力权重，计算公式为score(Fi，Query)＝FiQuery，其中，exp(score(Fi，Query))表示通过exp函数将注意力得分映射到非负区间，score(Fi，Query)为第i个频段的注意力分数，Fi为第i个频段的输入特征，Query为查询向量，FiQuery为第i个频段的输入特征与查询向量之间的点积，Ai为第i个频段的注意力权重；
通过softmax函数对注意力权重进行归一化处理以使权重之和为1；
根据每个频段的注意力权重对不同频段的预测特征进行加权融合以得到融合后的特征，公式为其中，K为频段的数量，Fj为第j个频段的输入特征，aj为归一化后的第j个频段的注意力权重，F融合为融合后的特征。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311179564.1A CN117179716A (zh) | 2023-09-13 | 2023-09-13 | 一种基于雷达的生命体征检测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311179564.1A CN117179716A (zh) | 2023-09-13 | 2023-09-13 | 一种基于雷达的生命体征检测方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117179716A true CN117179716A (zh) | 2023-12-08 |
Family
ID=89004884
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311179564.1A Pending CN117179716A (zh) | 2023-09-13 | 2023-09-13 | 一种基于雷达的生命体征检测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117179716A (zh) |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114983373A (zh) * | 2022-06-02 | 2022-09-02 | 谢俊 | 一种检测人体心率的方法 |
-
2023
- 2023-09-13 CN CN202311179564.1A patent/CN117179716A/zh active Pending
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114983373A (zh) * | 2022-06-02 | 2022-09-02 | 谢俊 | 一种检测人体心率的方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Bagheri et al. | Financial forecasting using ANFIS networks with quantum-behaved particle swarm optimization | |
| Osama et al. | Forecasting Global Monkeypox Infections Using LSTM: A Non-Stationary Time Series Analysis | |
| US11321967B2 (en) | Motion capture device and method for the multi-point receiving array based on the non-propagating electromagnetic field | |
| KR102333992B1 (ko) | 응급 정신상태 예측 장치 및 방법 | |
| CN115146700B (zh) | 一种基于Transformer序列到序列模型的径流预测方法 | |
| Sun et al. | Te-esn: Time encoding echo state network for prediction based on irregularly sampled time series data | |
| Du et al. | Balanced neural architecture search and its application in specific emitter identification | |
| CN111714117A (zh) | 一种基于时序深度模型的心电信号异常检测方法 | |
| CN114781439A (zh) | 模型获取系统、手势识别方法、装置、设备及存储介质 | |
| Yu et al. | Modality fusion network and personalized attention in momentary stress detection in the wild | |
| CN115981470A (zh) | 基于特征联合编码的手势识别方法及其系统 | |
| CN116172688A (zh) | 基于支撑向量回归的射频消融损伤深度预测模型和系统 | |
| CN116186358A (zh) | 一种深度轨迹聚类方法、系统及存储介质 | |
| Cao et al. | UTrans-Net: A Model for Short-Term Precipitation Prediction | |
| CN117094451B (zh) | 一种耗电量的预测方法、装置及终端 | |
| CN117179716A (zh) | 一种基于雷达的生命体征检测方法及系统 | |
| KR20140073294A (ko) | 심장 박동수 변화를 이용한 실시간 감성 인식장치 및 그 방법 | |
| CN116486341A (zh) | 基于rfid的人体行为识别模型的训练、识别方法及装置 | |
| CN116386847A (zh) | 基于db-lstm神经网络的移动医疗物联网频谱智能预测算法 | |
| CN114998731A (zh) | 智能终端导航场景感知识别的方法 | |
| CN115171896A (zh) | 一种重症患者长期死亡风险预测系统及方法 | |
| Goyal et al. | Strong α-cut and associated membership-based modeling for fuzzy time series forecasting | |
| CN116712089B (zh) | 富集癫痫发作间期的癫痫样放电和预测致病灶的方法 | |
| CN116965817B (zh) | 一种基于一维卷积网络和Transformer的EEG情感识别方法 | |
| CN117332377B (zh) | 一种基于深度学习的离散时间序列事件挖掘方法及系统 |
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 |