CN117503140A - 一种基于独立成分分析和时空网络的人体困倦检测方法 - Google Patents
一种基于独立成分分析和时空网络的人体困倦检测方法 Download PDFInfo
- Publication number
- CN117503140A CN117503140A CN202311726966.9A CN202311726966A CN117503140A CN 117503140 A CN117503140 A CN 117503140A CN 202311726966 A CN202311726966 A CN 202311726966A CN 117503140 A CN117503140 A CN 117503140A
- Authority
- CN
- China
- Prior art keywords
- frequency
- signals
- matrix
- representing
- signal
- 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 28
- 238000012880 independent component analysis Methods 0.000 title claims abstract description 28
- 206010041349 Somnolence Diseases 0.000 title claims abstract description 27
- 238000000034 method Methods 0.000 claims abstract description 26
- 230000000241 respiratory effect Effects 0.000 claims abstract description 23
- 230000003595 spectral effect Effects 0.000 claims abstract description 14
- 238000005311 autocorrelation function Methods 0.000 claims abstract description 12
- 230000036391 respiratory frequency Effects 0.000 claims abstract description 11
- 230000001121 heart beat frequency Effects 0.000 claims abstract description 10
- 238000004458 analytical method Methods 0.000 claims abstract description 6
- 230000002159 abnormal effect Effects 0.000 claims abstract description 5
- 239000011159 matrix material Substances 0.000 claims description 48
- 238000001914 filtration Methods 0.000 claims description 17
- 238000005070 sampling Methods 0.000 claims description 15
- 230000006870 function Effects 0.000 claims description 12
- 238000000354 decomposition reaction Methods 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 7
- 230000009466 transformation Effects 0.000 claims description 5
- 230000000737 periodic effect Effects 0.000 claims description 4
- 238000012549 training Methods 0.000 claims description 4
- 238000012546 transfer Methods 0.000 claims description 3
- 238000012935 Averaging Methods 0.000 claims description 2
- 238000004364 calculation method Methods 0.000 claims description 2
- 238000006243 chemical reaction Methods 0.000 claims description 2
- 239000000203 mixture Substances 0.000 claims description 2
- 238000006467 substitution reaction Methods 0.000 claims description 2
- 230000002087 whitening effect Effects 0.000 claims description 2
- 230000029058 respiratory gaseous exchange Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000036387 respiratory rate Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 210000000115 thoracic cavity Anatomy 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2134—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on separation criteria, e.g. independent component analysis
-
- 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
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
- A61B5/024—Detecting, measuring or recording pulse rate or heart rate
- A61B5/02405—Determining heart rate variability
-
- 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
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/16—Devices for psychotechnics; Testing reaction times ; Devices for evaluating the psychological state
- A61B5/168—Evaluating attention deficit, hyperactivity
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7203—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal
-
- 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
-
- 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
- A61B5/725—Details of waveform analysis using specific filters therefor, e.g. Kalman or adaptive filters
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Theoretical Computer Science (AREA)
- Surgery (AREA)
- Heart & Thoracic Surgery (AREA)
- Veterinary Medicine (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- Animal Behavior & Ethology (AREA)
- Pathology (AREA)
- Artificial Intelligence (AREA)
- Physiology (AREA)
- Data Mining & Analysis (AREA)
- Cardiology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Signal Processing (AREA)
- Psychiatry (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Developmental Disabilities (AREA)
- Pulmonology (AREA)
- Social Psychology (AREA)
- Psychology (AREA)
- Hospice & Palliative Care (AREA)
- Educational Technology (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
Abstract
本发明公开了一种基于独立成分分析和时空网络的人体困倦检测方法,包括:通过毫米波雷达来检测被测人的呼吸与心跳信号,使用独立成分析法结合IIR滤波器分离呼吸与心跳信号,再通过无迹卡尔曼滤波与中值滤波器来处理呼吸与心跳信号中的异常值以及噪声干扰,然后通过求根MUSIC算法以及自相关函数法来估计呼吸和心跳频率的平均值,再通过峰值检测法来获得心率变异性,通过对心率变异性频域分析获得心率变异性功率谱密度值,通过CNN‑LSTM‑Attention网络来对呼吸和心跳频率和心率变异性功率谱密度进行训练后进行预测困倦等级。
Description
技术领域
本发明涉及毫米波雷达信号处理技术领域,具体涉及一种基于独立成分分析和时空网络的人体困倦检测方法。
背景技术
毫米波雷达在呼吸与心跳检测等技术上有着重要作用,独立成分分析法结合IIR滤波器分离呼吸与心跳信号的混合信号,无迹卡尔曼滤波和中值滤波器去噪,使用CNN-LSTM-Attention网络进行预测分类是该项技术的关键,有着重要意义。
现有困倦检测系统大都是接触式,如脑电检测和心电检测,操作繁杂,体验一般,对于一些场景的实用性较差。对于雷达检测呼吸心跳信号中大都使用根据频率分离的滤波器,性能有限。
独立成分分析(Independent Component Analysis,ICA)相对于滤波器的优势包括:提取更多信息;ICA可以从混合信号中提取出更多的独立成分,而滤波器只能提取出信号的某些特定频率成分。无需先验知识;ICA不需要先验知识或假设来进行信号分解,而滤波器通常需要事先了解信号的特性才能进行滤波。适用性广泛:ICA适用于各种类型的信号分解,包括音频、图像、生物信号等,而滤波器通常只适用于特定类型的信号。鲁棒性;ICA对噪声和非线性变换具有较好的鲁棒性,可以有效地分离出混合信号中的独立成分,而滤波器对噪声和非线性变换的鲁棒性较差。
CNN-LSTM-Attention一步到位获取全局与局部的联系,不会像RNN网络那样对长期依赖的捕捉会收到序列长度的限制。每步的结果不依赖于上一步,可以做成并行的模式,相比CNN与RNN,参数少,模型复杂度低。
综上所述,在不增加设备量的基础上,使用独立成分分析法,CNN-LSTM-Attention效果更好。
发明内容
本发明目的:在于提供一种基于独立成分分析和时空网络的人体困倦检测方法,对由毫米波雷达检测的呼吸与心跳信号对其困倦状态进行准确分类。
为实现以上功能,本发明设计一种基于独立成分分析和时空网络的人体困倦检测方法,执行如下步骤S1-步骤S5,完成对目标人体困倦等级的检测:
步骤S1:针对目标人体,采用毫米波雷达以预设采样周期采集多段包含呼吸信号和心跳信号的混合信号,以混合信号作为数据样本构成数据集;
步骤S2:通过独立成分分析,提取数据集中各混合信号对应的声源信号,采用滤波器针对声源信号分别提取呼吸信号和心跳信号;
步骤S3:采用无迹卡尔曼滤波结合中值滤波,分别针对所提取的呼吸信号和心跳信号进行去噪和去除异常值;
步骤S4:通过求根MUSIC算法结合自相关系数法,分别提取呼吸频率和心跳频率;针对心跳信号通过峰值检测法获得心率变异性,通过对心率变异性频域分析获得心率变异性功率谱密度值;
步骤S5:以呼吸频率、心跳频率、心率变异性功率谱密度值作为CNN-LSTM-Attention网络的输入,以所对应的人体困倦等级作为输出,并对CNN-LSTM-Attention网络进行训练,获得训练好的CNN-LSTM-Attention网络,完成对目标人体困倦等级的检测。
有益效果:相对于现有技术,本发明的优点包括:
本发明设计了一种基于独立成分分析和时空网络的人体困倦检测方法,结合独立成分分析和CNN-LSTM-Attention网络,采用独立成分分析可从混合信号中提取更多的独立成分,不需要先验知识或假设来进行信号分解,且独立成分分析适用于各种类型的信号分解,包括音频、图像、生物信号等,独立成分分析对噪声和非线性变换具有较好的鲁棒性,可以有效地分离出混合信号中的独立成分;CNN-LSTM-Attention网络一步到位获取全局与局部的联系,每步的结果不依赖于上一步,可以做成并行的模式,且参数少,模型复杂度低。
附图说明
图1是根据本发明实施例提供的一种基于独立成分分析和时空网络的人体困倦检测方法的流程图;
图2是根据本发明实施例提供的一种基于独立成分分析和时空网络的人体困倦检测方法的实现框图;
图3是根据本发明实施例提供的呼吸信号和心跳信号分离图;
图4是根据本发明实施例提供的呼吸频率信号图;
图5是根据本发明实施例提供的心率变异性功率谱图;
图6是根据本发明实施例提供的CNN-LSTM-Attention网络结构图。
具体实施方式
下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案,而不能以此来限制本发明的保护范围。
本发明实施例提供的一种基于独立成分分析和时空网络的人体困倦检测方法,参照图1、图2,执行如下步骤S1-步骤S5,完成对目标人体困倦等级的检测:
步骤S1:针对目标人体,采用毫米波雷达以预设采样周期采集多段包含呼吸信号和心跳信号的混合信号,以混合信号作为数据样本构成数据集;
通过毫米波雷达来检测目标人体的呼吸与心跳信号,通过雷达发射与接受信号的能力来获得胸腔和心脏的幅度变化,通过发射与接受信号间的相位差来获得中频信号;
步骤S2:通过独立成分分析,提取数据集中各混合信号对应的声源信号,采用滤波器针对声源信号分别提取呼吸信号和心跳信号;
步骤S2的具体步骤如下:
步骤S2.1:将所采集的混合信号组成n行m列矩阵X,以矩阵X为数据集,矩阵X中每一列为一个数据样本,每一行为一个特征;
步骤S2.2:计算矩阵X每一行的均值,通过将矩阵X中的每个元素减去该元素所在行所对应的均值,对矩阵X进行零均值化;
步骤S2.3:对经过零均值化的矩阵X进行白化预处理,具体方法如下:
步骤S2.3.1:将矩阵X中的每个元素按照行来去中心化: 其中,xj表示数据集中的第j个特征,/>表示数据集中第i个数据样本的第j个特征;
步骤S2.3.2:计算协方差矩阵并对协方差矩阵进行特征分解:CV=VΛ,其中V=[v1 v2…vn]是特征向量矩阵,v1 v2…vn是特征向量,Λ=diag(λ1λ2…λn)是特征值矩阵,λ1λ2…λn是特征值;
步骤S2.3.3:获得白化预处理后的矩阵Xw(n×m):
步骤S2.4:设置参数学习率α的值;
步骤S2.5:在第i时刻求解W,初始W赋值为每行之和为1的随机矩阵,其中,W(t+1)=W(t)+α·gradient,W(t)是当前迭代步骤t下的权重矩阵,α是学习率,gradient表示目标函数关于W的梯度;
步骤S2.6:根据公式:求解i时刻的声源信号/>表示数据集中第i个数据样本;
步骤S2.7:重复执行步骤S2.4-步骤S2.6,获得数据集中所有样本的声源信号;
步骤S2.8:将所有的声源信号组合得到声源信号矩阵sn×m=[s1 s2s3…sm];
步骤S2.9:针对声源信号矩阵通过IIR滤波结合中值滤波分离出呼吸和心跳信号,其中针对呼吸信号选择切比雪夫滤波器,采样频率为20Hz,第一阻带频率为0.05Hz,第一通带频率为0.1Hz,第二通带频率为0.7Hz,第二阻带频率为0.55Hz,第一阻带衰减为60dB,通带纹波为3dB,第二阻带衰减为60dB;
针对心跳信号选择切比雪夫滤波器,采样频率为20Hz,第一阻带频率为0.75Hz,第一通带频率为0.8Hz,第二通带频率为2.0Hz,第二阻带频率为2.05Hz,第一阻带衰减为60dB,通带纹波为3dB,第二阻带衰减为60dB。
混合信号以及从混合信号中分离的呼吸信号和心跳信号参照图3。
步骤S3:采用无迹卡尔曼滤波结合中值滤波,分别针对所提取的呼吸信号和心跳信号进行去噪和去除异常值;
无迹卡尔曼滤波如下式:
Xk+1=f(Xk,uk)+wk
zk=h(xk)+vk
式中,Xk为k时刻的系统状态,uk为k时刻的输入向量,wk为k时刻的过程噪声,f为状态转移函数,描述系统的状态更新规律;xk为k时刻的系统状态的观测值,vk为k时刻的观测噪声,h为观测函数,描述系统的观测量生成规律,zk为k时刻的观测值。
步骤S3的具体步骤如下:
步骤S3.1:对呼吸信号和心跳信号经过UT变换求得sigma采样点及其权值其中Pk-1表示k-1时刻的状态协方差矩阵,/>表示k-1时刻的第i个sigma采样点,/>表示k-1时刻状态的预测值的均值,n为特征数量,λ为特征值;
步骤S3.2:计算2n+1个sigma采样点的预测的观测量:
式中,f表示状态转移函数,表示/>预测的观测量,i=1,2,…2n+1;
步骤S3.3:再次使用UT变换,产生新的sigma采样点集:
式中,表示k时刻的第i个sigma采样点,w(i)表示sigma采样点/>的权重,Pk表示k时刻的状态协方差矩阵,Q表示过程噪声的协方差矩阵,/>表示k时刻状态的预测值的均值,/>表示在k时刻状态的预测值的sigma点集的均值;
步骤S3.4:将新的sigma采样点集带入观测方程,得到预测的观测量:
式中,h表示观测函数,表示k时刻第i个sigma采样点预测的观测量;
步骤S3.5:通过加权求得预测值新的均值及协方差:
式中,表示/>的均值,R表示观测噪声的协方差矩阵,/>表示/>的协方差矩阵,/>表示状态和观测量之间的协方差矩阵;
步骤S3.6:计算卡尔曼增益Kk:
步骤S3.7:状态更新和协方差更新:
式中,zk表示在k时刻的观测值;
步骤S3.8:通过中值滤波把序列中一点的值用该点的预设范围邻域中各点值的中值代替,使邻域中数据点接近真实值,从而消除孤立的噪声点。
步骤S4:通过求根MUSIC算法结合自相关系数法,分别提取呼吸频率和心跳频率;针对心跳信号通过峰值检测法获得心率变异性,通过对心率变异性频域分析获得心率变异性功率谱密度值;
步骤S4的具体步骤如下:
步骤S4.1:根据MUSIC算法,利用公式:求得协方差矩阵,其中/>为t时刻的观测信号样本,/>为/>的复共轭;并且对其进行特征分解,求得噪声子空间G;
步骤S4.2:针对如下函数:
其中,w为信号的角频率,P(w)为扫描函数,a(w)为信号频率向量,a*(w)为a(w)的复共轭,G为噪声子空间,G*为G的复共轭,M为信号长度;将a(w)中的ejw用复数z替换,得到:
aH(w)GGHa(w)=aH(z)GGHa(z)=0
aT(z-1)GGHa(z)=0
使用有限时间样本信号的时间自相关矩阵代替随机信号的统计自相关矩阵R,所以上述方程得到的K个根并不准确位于单位圆上,而是位于单位圆附近,所以求解方程后应该找最接近单位圆的K个根,作为信号频率的第一估计值;
步骤S4.3:根据如下公式计算自相关函数Rx(m0),自相关函数描述了信号与其在不同时刻延迟下的相似性。通过计算信号的自相关函数,可以找到信号中重复周期的特征:
Rx(m0)=E[x*(n0)x(n0+m0)]
式中,x(n0+m0)表示时间序列中第n0+m0个时间点的信号值,即信号在不同时刻的采样值,x*(n0)表示时间序列中第n0个时间点的信号值的复共轭,v是时间序列的索引,用于表示时间序列中的离散点,m0代表自相关函数和功率谱密度中的滞后或延迟;
步骤S4.4:由韦纳辛钦定理求得自相关函数Rx(m0)的功率谱密度Sx(ejw):
再对其进行离散化:
0≤k≤N-1
步骤S4.5:在自相关函数Rx(m0)中,寻找峰值高于预设值的周期性成分,该周期性成分对应信号的主要周期;
步骤S4.6:计算主要周期的倒数,即周期长度的逆,作为信号频率的第二估计值;
步骤S4.7:根据信号频率的第一估计值、第二估计值,求得平均值作为信号频率,呼吸频率信号参照图4;
步骤S4.8:采用中值滤波消除孤立的噪声点;
步骤S4.9:针对心跳信号采用峰值检测法获得心率变异性,通过对心率变异性频域分析获得心跳信号中低频0.04-0.15Hz/高频0.15-0.40Hz的值;心率变异性功率谱图参照图5。
步骤S5:以呼吸频率、心跳频率、心率变异性功率谱密度值作为CNN-LSTM-Attention网络的输入,以所对应的人体困倦等级作为输出,并对CNN-LSTM-Attention网络进行训练,获得训练好的CNN-LSTM-Attention网络,完成对目标人体困倦等级的检测。
使用CNN-LSTM-Attention网络来对特征值进行训练后进行预测困倦等级,CNN-LSTM网络是卷积神经网络与长短时记忆网络的结合,CNN-LSTM-Attention网络是基于Attention机制的CNN-LSTM模型,其结构图参照图6。
CNN-LSTM-Attention网络结构如下表1:
表1
layer | shape |
Conv1D | filters=32,kernel_size=3 |
Conv1D | filters=64,kernel_size=3 |
Conv1D | filters=128,kernel_size=3 |
MaxPooling1D | pool_size=2 |
LSTM | 128 |
LSTM | 128 |
LSTM | 128 |
Attention | |
Dropout | 0.5 |
Dense | 5 |
本步骤完成后,表明已完成了困倦状态的分类。
下面结合实施例对本发明再作进一步详细的描述:
实施例一
通过毫米波雷达AWR1642来检测被测人的呼吸与心跳信号,参数包括:Kslope=70MHz/us,N=200,sample rate(ksps)=4000,Tc=57us;每帧参数设置:Tf=50ms。通过发射与接受信号间的相位差来获得中频信号,使用独立成分析法结合IIR滤波器分离呼吸与心跳信号,再通过无迹卡尔曼滤波与中值滤波器来处理呼吸与心跳信号中的异常值以及噪声干扰,然后通过求根MUSIC算法以及自相关函数法来估计呼吸和心跳频率的平均值,再通过峰值检测法来获得心率变异性,通过对心率变异性频域分析获得和心率变异性功率谱密度值,通过CNN-LSTM-Attention网络来对呼吸和心跳频率和心率变异性功率谱密度进行训练后进行预测困倦等级。
上面结合附图对本发明的实施方式作了详细说明,但是本发明并不限于上述实施方式,在本领域普通技术人员所具备的知识范围内,还可以在不脱离本发明宗旨的前提下做出各种变化。
Claims (4)
1.一种基于独立成分分析和时空网络的人体困倦检测方法,其特征在于,执行如下步骤S1-步骤S5,完成对目标人体困倦等级的检测:
步骤S1:针对目标人体,采用毫米波雷达以预设采样周期采集多段包含呼吸信号和心跳信号的混合信号,以混合信号作为数据样本构成数据集;
步骤S2:通过独立成分分析,提取数据集中各混合信号对应的声源信号,采用滤波器针对声源信号分别提取呼吸信号和心跳信号;
步骤S3:采用无迹卡尔曼滤波结合中值滤波,分别针对所提取的呼吸信号和心跳信号进行去噪和去除异常值;
步骤S4:通过求根MUSIC算法结合自相关系数法,分别提取呼吸频率和心跳频率;针对心跳信号通过峰值检测法获得心率变异性,通过对心率变异性频域分析获得心率变异性功率谱密度值;
步骤S5:以呼吸频率、心跳频率、心率变异性功率谱密度值作为CNN-LSTM-Attention网络的输入,以所对应的人体困倦等级作为输出,并对CNN-LSTM-Attention网络进行训练,获得训练好的CNN-LSTM-Attention网络,完成对目标人体困倦等级的检测。
2.根据权利要求1所述的一种基于独立成分分析和时空网络的人体困倦检测方法,其特征在于,步骤S2的具体步骤如下:
步骤S2.1:将所采集的混合信号组成n行m列矩阵X,以矩阵X为数据集,矩阵X中每一列为一个数据样本,每一行为一个特征;
步骤S2.2:计算矩阵X每一行的均值,通过将矩阵X中的每个元素减去该元素所在行所对应的均值,对矩阵X进行零均值化;
步骤S2.3:对经过零均值化的矩阵X进行白化预处理,具体方法如下:
步骤S2.3.1:将矩阵X中的每个元素按照行来去中心化: 其中,xj表示数据集中的第j个特征,/>表示数据集中第i个数据样本的第j个特征;
步骤S2.3.2:计算协方差矩阵并对协方差矩阵进行特征分解:CV=VΛ,其中V=[v1 v2 … vn]是特征向量矩阵,v1 v2 … vn是特征向量,Λ=diag(λ1λ2…λn)是特征值矩阵,λ1λ2…λn是特征值;
步骤S2.3.3:获得白化预处理后的矩阵Xw(n×m):
步骤S2.4:设置参数学习率α的值;
步骤S2.5:在第i时刻求解W,W为权重矩阵,初始W赋值为每行之和为1的随机矩阵;
步骤S2.6:根据公式:求解i时刻的声源信号/> 表示数据集中第i个数据样本;
步骤S2.7:重复执行步骤S2.4-步骤S2.6,获得数据集中所有样本的声源信号;
步骤S2.8:将所有的声源信号组合得到声源信号矩阵sn×m=[s1 s2 s3 … sm];
步骤S2.9:针对声源信号矩阵通过IIR滤波结合中值滤波分离出呼吸和心跳信号,其中针对呼吸信号选择切比雪夫滤波器,采样频率为20Hz,第一阻带频率为0.05Hz,第一通带频率为0.1Hz,第二通带频率为0.7Hz,第二阻带频率为0.55Hz,第一阻带衰减为60dB,通带纹波为3dB,第二阻带衰减为60dB;
针对心跳信号选择切比雪夫滤波器,采样频率为20Hz,第一阻带频率为0.75Hz,第一通带频率为0.8Hz,第二通带频率为2.0Hz,第二阻带频率为2.05Hz,第一阻带衰减为60dB,通带纹波为3dB,第二阻带衰减为60dB。
3.根据权利要求1所述的一种基于独立成分分析和时空网络的人体困倦检测方法,其特征在于,步骤S3的具体步骤如下:
步骤S3.1:对呼吸信号和心跳信号经过UT变换求得sigma采样点及其权值其中Pk-1表示k-1时刻的状态协方差矩阵,/>表示k-1时刻的第i个sigma采样点,/>表示k-1时刻状态的预测值的均值,n为特征数量,λ为特征值;
步骤S3.2:计算2n+1个sigma采样点的预测的观测量:
式中,f表示状态转移函数,表示/>预测的观测量,i=1,2,…2n+1;
步骤S3.3:再次使用UT变换,产生新的sigma采样点集:
式中,表示k时刻的第i个sigma采样点,w(i)表示sigma采样点/>的权重,Pk表示k时刻的状态协方差矩阵,Q表示过程噪声的协方差矩阵,/>表示k时刻状态的预测值的均值,表示在k时刻状态的预测值的sigma点集的均值;
步骤S3.4:将新的sigma采样点集带入观测方程,得到预测的观测量:
式中,h表示观测函数,表示k时刻第i个sigma采样点预测的观测量;
步骤S3.5:通过加权求得预测值新的均值及协方差:
式中,表示/>的均值,R表示观测噪声的协方差矩阵,/>表示/>的协方差矩阵,表示状态和观测量之间的协方差矩阵;
步骤S3.6:计算卡尔曼增益Kk:
步骤S3.7:状态更新和协方差更新:
式中,zk表示在k时刻的观测值;
步骤S3.8:通过中值滤波把序列中一点的值用该点的预设范围邻域中各点值的中值代替,从而消除孤立的噪声点。
4.根据权利要求1所述的一种基于独立成分分析和时空网络的人体困倦检测方法,其特征在于,步骤S4的具体步骤如下:
步骤S4.1:根据MUSIC算法,利用公式:求得协方差矩阵,其中/>为t时刻的观测信号样本,/>为/>的复共轭;并且对其进行特征分解,求得噪声子空间G;
步骤S4.2:针对如下函数:
其中,w为信号的角频率,P(w)为扫描函数,a(w)为信号频率向量,a*(w)为a(w)的复共轭,G为噪声子空间,G*为G的复共轭,M为信号长度;将a(w)中的ejw用复数z替换,得到:
aH(w)GGHa(w)=aH(z)GGHa(z)=0
aT(z-1)GGHa(z)=0
将求解上述方程所获得的K个根作为信号频率的第一估计值;
步骤S4.3:根据如下公式计算自相关函数Rx(m0):
Rx(m0)=E[x*(n0)x(n0+m0)]
式中,x(n0+m0)表示时间序列中第n0+m0个时间点的信号值,x*(n0)表示时间序列中第n0个时间点的信号值的复共轭,n0是时间序列的索引,m0代表自相关函数和功率谱密度中的滞后或延迟;
步骤S4.4:由韦纳辛钦定理求得自相关函数Rx(m0)的功率谱密度Sx(ejw):
再对其进行离散化:
0≤k≤N-1
步骤S4.5:在自相关函数Rx(m0)中,寻找峰值高于预设值的周期性成分,该周期性成分对应信号的主要周期;
步骤S4.6:计算主要周期的倒数,作为信号频率的第二估计值;
步骤S4.7:根据信号频率的第一估计值、第二估计值,求得平均值作为信号频率;
步骤S4.8:采用中值滤波消除孤立的噪声点;
步骤S4.9:针对心跳信号采用峰值检测法获得心率变异性,通过对心率变异性频域分析获得心跳信号中低频0.04-0.15Hz/高频0.15-0.40Hz的值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311726966.9A CN117503140A (zh) | 2023-12-15 | 2023-12-15 | 一种基于独立成分分析和时空网络的人体困倦检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311726966.9A CN117503140A (zh) | 2023-12-15 | 2023-12-15 | 一种基于独立成分分析和时空网络的人体困倦检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117503140A true CN117503140A (zh) | 2024-02-06 |
Family
ID=89745740
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311726966.9A Pending CN117503140A (zh) | 2023-12-15 | 2023-12-15 | 一种基于独立成分分析和时空网络的人体困倦检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117503140A (zh) |
-
2023
- 2023-12-15 CN CN202311726966.9A patent/CN117503140A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Sanei et al. | A new adaptive line enhancer based on singular spectrum analysis | |
Zhang | Morphologically constrained ICA for extracting weak temporally correlated signals | |
CN111310570B (zh) | 一种基于vmd和wpd的脑电信号情感识别方法及系统 | |
CN111931576A (zh) | 基于ewt和改进csp的癫痫信号分类方法 | |
CN114533086A (zh) | 一种基于空域特征时频变换的运动想象脑电解码方法 | |
CN114469124B (zh) | 一种运动过程中异常心电信号的识别方法 | |
CN112580486B (zh) | 一种基于雷达微多普勒信号分离的人体行为分类方法 | |
CN110275147A (zh) | 基于迁移深度神经网络的人体行为微多普勒的分类识别方法 | |
CN114403897A (zh) | 一种基于脑电信号的人体疲劳检测方法及系统 | |
CN113255789A (zh) | 基于对抗网络和多被试脑电信号的视频质量评价方法 | |
CN117503140A (zh) | 一种基于独立成分分析和时空网络的人体困倦检测方法 | |
CN111025100A (zh) | 变压器特高频局部放电信号模式识别方法与装置 | |
CN115500790A (zh) | 基于bi-lstm网络的癫痫发作预测分析的方法 | |
CN110263760B (zh) | 一种基于病理自适应的心音全变分滤波方法 | |
Vaidya et al. | Comparison of Adaptive filters in extraction of Fetal ECG | |
George et al. | Modelling of Electrocardiogram Using Autoregressive Moving Average Model and Linear Predictive Coefficient A Comparative Study | |
Liu et al. | Robust detection of neural spikes using sparse coding based features | |
CN114343680B (zh) | 一种动态表面肌电信号实时分解方法 | |
CN113662524B (zh) | 一种ppg信号运动伪影的去除方法 | |
Giri et al. | Classification of supraventricular arrhythmias using wavelet decomposition | |
CN114869294B (zh) | 基于vmd分解和let模型的粒子滤波运动伪迹抑制方法 | |
Khetrapal et al. | Classification of motor imagery waves using hybrid-convolutional neural network | |
Wang et al. | Genetic algorithm-based fMRI group-constrained independent component analysis | |
Filter | Performance Study of Neural Network Unscented Kalman Filter for Denoising ECG Signal | |
Zhao | Visual Monitoring Algorithms for Real-time Change of Fitness Center Rate |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication |