CN117724094A - 生命体征检测方法 - Google Patents
生命体征检测方法 Download PDFInfo
- Publication number
- CN117724094A CN117724094A CN202410174424.3A CN202410174424A CN117724094A CN 117724094 A CN117724094 A CN 117724094A CN 202410174424 A CN202410174424 A CN 202410174424A CN 117724094 A CN117724094 A CN 117724094A
- Authority
- CN
- China
- Prior art keywords
- array
- radar
- detected
- accumulated
- analysis result
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 54
- 238000004458 analytical method Methods 0.000 claims abstract description 149
- 238000000034 method Methods 0.000 claims abstract description 33
- 239000013598 vector Substances 0.000 claims abstract description 28
- 238000004364 calculation method Methods 0.000 claims description 44
- 238000009825 accumulation Methods 0.000 claims description 12
- 230000001186 cumulative effect Effects 0.000 claims description 11
- 239000011159 matrix material Substances 0.000 claims description 10
- 230000003068 static effect Effects 0.000 claims description 7
- 230000004927 fusion Effects 0.000 claims description 6
- 230000017105 transposition Effects 0.000 claims description 4
- 238000004452 microanalysis Methods 0.000 abstract description 3
- 230000000875 corresponding effect Effects 0.000 description 70
- 230000033001 locomotion Effects 0.000 description 13
- 238000007405 data analysis Methods 0.000 description 10
- 238000012545 processing Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 230000008859 change Effects 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000003062 neural network model Methods 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 206010041349 Somnolence Diseases 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 210000000115 thoracic cavity Anatomy 0.000 description 1
Landscapes
- Radar Systems Or Details Thereof (AREA)
Abstract
本申请公开了一种生命体征检测方法，该生命体征检测方法包括：基于雷达接收天线接收到的待检测区域的雷达数据帧、和雷达接收天线的导向矢量，构建距离角度能量数组；以及，获取雷达接收天线对应的累积雷达帧集合，累积雷达帧集合中存储有雷达接收天线累积接收到的多个雷达数据帧；对距离角度能量数组进行峰值特征分析，得到待检测区域对应的微动分析结果；以及，对累积雷达帧集合进行趋势分析，得到待检测区域对应的趋势分析结果；结合微动分析结果和趋势分析结果，确定待检测区域对应的生命体征检测结果。可以有效节约存储资源和计算资源，同时结合微动分析和趋势分析，准确感知待检测区域内的生命体征信息。
Description
技术领域
本申请涉及雷达检测技术领域，特别是涉及一种生命体征检测方法。
背景技术
毫米波雷达发射电磁波工作，可实现无接触式测量并能够较好的保护用户隐私、近几年已在智慧家电、智慧养老、酒店人数统计等方面得到广泛应用。
生命体征检测雷达的开发是通过提取电磁波回波信息做功能开发，目前的生命体征检测方法，当被测目标在静止特别是夜间睡熟状态下，胸腔起伏较为微弱时，可能不易被检测，而导致误报或漏报。
发明内容
为了解决上述问题，本申请至少提供一种生命体征检测方法。
本申请第一方面提供了一种生命体征检测方法，方法包括：基于雷达接收天线接收到的待检测区域的雷达数据帧、和雷达接收天线的导向矢量，构建距离角度能量数组；以及，获取雷达接收天线对应的累积雷达帧集合，累积雷达帧集合中存储有雷达接收天线累积接收到的多个雷达数据帧；对距离角度能量数组进行峰值特征分析，得到待检测区域对应的微动分析结果；以及，对累积雷达帧集合进行趋势分析，得到待检测区域对应的趋势分析结果；结合微动分析结果和趋势分析结果，确定待检测区域对应的生命体征检测结果。
在一实施例中，基于雷达接收天线接收到的待检测区域的雷达数据帧、和雷达接收天线的导向矢量，构建距离角度能量数组，包括：基于待检测区域的雷达数据帧，构建雷达数据数组；对雷达数据数组和导向矢量进行融合计算，得到距离角度能量数组。
在一实施例中，对雷达数据数组和导向矢量进行融合计算，得到距离角度能量数组，包括：对雷达数据数组进行矩阵转置处理，得到雷达转置矩阵；将雷达转置矩阵和导向矢量进行乘法计算，得到距离角度能量数组。
在一实施例中，对距离角度能量数组进行峰值特征分析，得到待检测区域对应的微动分析结果，包括：对距离角度能量数组进行底噪计算，得到底噪参数；利用底噪参数对距离角度能量数组进行除法计算，得到信噪比数组；对信噪比数组进行峰值特征分析，得到待检测区域对应的微动分析结果。
在一实施例中，距离角度能量数组的每行代表一个距离门，每列代表一个角度；对距离角度能量数组进行底噪计算，得到底噪参数，包括：针对距离角度能量数组中的每行数组元素，分别对每行数组元素中不同列的数组元素进行求和计算，分别得到每行数组元素对应的求和结果，求和结果代表对应距离门下不同角度的和；确定每个求和结果中的最大求和值，并从距离角度能量数组中提取出与最大求和值关联的数组元素，得到关联数据元素集合；从关联数据元素集合中每个数组元素对应的角度值中，选取出满足预设条件的角度值作为待检测区域的底噪参数。
在一实施例中，对信噪比数组进行峰值特征分析，得到待检测区域对应的微动分析结果，包括：确定信噪比数组中的峰值点；统计信噪比数组含有的峰值点数目；基于峰值点数目与预设数目阈值之间的大小关系，得到待检测区域对应的微动分析结果。
在一实施例中，对累积雷达帧集合进行趋势分析，得到待检测区域对应的趋势分析结果，包括：基于累积雷达帧集合中的每个累积雷达帧，构建累积数组；对累积数组进行静止目标去除，得到目标去除数组；对目标去除数组进行趋势分析，得到待检测区域对应的趋势分析结果。
在一实施例中，累积数组中的每行代表一个累积雷达帧，每列代表距离门；对累积数组进行静止目标去除，得到目标去除数组，包括：针对累积数组中的每列数组元素，分别对每列数组元素中不同行的数组元素进行求和计算，以将累积数组转换为一维累积数组；按照累积雷达帧集合中累积雷达帧的数量，对一维累积数组中的每个数组元素进行求平均计算，得到均值数组；对累积数组和均值数组进行求差计算，得到目标去除数组。
在一实施例中，对目标去除数组进行趋势分析，得到待检测区域对应的趋势分析结果，包括：针对目标去除数组中的每列数组元素，分别对每列数组元素中不同行的数组元素进行求和计算，以将目标去除数组转换为一维目标去除数组；确定一维目标去除数组中最大数组元素、最小数组元素、最大数组元素位置和最小数组元素位置；利用最大数组元素、最小数组元素、最大数组元素位置和最小数组元素位置进行斜率计算，得到目标斜率；基于目标斜率与预设斜率阈值之间的大小关系，得到待检测区域对应的趋势分析结果。
在一实施例中，结合微动分析结果和趋势分析结果，确定待检测区域对应的生命体征检测结果，包括：利用趋势分析结果更新延时记数；从判决逻辑表中查询与微动分析结果、趋势分析结果和更新后的延时记数关联的判决结果，得到待检测区域对应的生命体征检测结果；其中，判决逻辑表用于存储微动分析结果、趋势分析结果和延时记数与判决结果之间的关联关系。
本申请第二方面提供了一种生命体征检测装置，装置包括：数据获取模块，用于基于雷达接收天线接收到的待检测区域的雷达数据帧、和雷达接收天线的导向矢量，构建距离角度能量数组；以及，获取雷达接收天线对应的累积雷达帧集合，累积雷达帧集合中存储有雷达接收天线累积接收到的多个雷达数据帧；微动及趋势分析模块，用于对距离角度能量数组进行峰值特征分析，得到待检测区域对应的微动分析结果；以及，对累积雷达帧集合进行趋势分析，得到待检测区域对应的趋势分析结果；结果确定模块，用于结合微动分析结果和趋势分析结果，确定待检测区域对应的生命体征检测结果。
本申请第三方面提供了一种电子设备，包括存储器和处理器，处理器用于执行存储器中存储的程序指令，以实现上述生命体征检测方法。
本申请第四方面提供了一种计算机可读存储介质，其上存储有程序指令，程序指令被处理器执行时实现上述生命体征检测方法。
上述方案，通过基于雷达接收天线接收到的待检测区域的雷达数据帧、和雷达接收天线的导向矢量，构建距离角度能量数组；以及，获取雷达接收天线对应的累积雷达帧集合，累积雷达帧集合中存储有雷达接收天线累积接收到的多个雷达数据帧；对距离角度能量数组进行峰值特征分析，得到待检测区域对应的微动分析结果；以及，对累积雷达帧集合进行趋势分析，得到待检测区域对应的趋势分析结果；结合微动分析结果和趋势分析结果，确定待检测区域对应的生命体征检测结果。可以减少需要进行存储的雷达数据，且减少数据计算量，有效节约存储资源和计算资源，同时结合微动分析和趋势分析，准确感知待检测区域内的生命体征信息。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，而非限制本申请。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，这些附图示出了符合本申请的实施例，并与说明书一起用于说明本申请的技术方案。
图1是本申请的一示例性实施例示出的生命体征检测方法涉及的一种实施环境的示意图；
图2是本申请的一示例性实施例示出的生命体征检测方法的流程图；
图3是本申请的另一示例性实施例示出的生命体征检测方法的流程图；
图4是本申请的一示例性实施例示出的生命体征检测装置的框图；
图5是本申请的一示例性实施例示出的电子设备的结构示意图；
图6是本申请的一示例性实施例示出的计算机可读存储介质的结构示意图。
具体实施方式
下面结合说明书附图，对本申请实施例的方案进行详细说明。
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、接口、技术之类的具体细节，以便透彻理解本申请。
本文中术语“和/或”，仅仅是一种描述关联对象的关联信息，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。此外，本文中的“多”表示两个或者多于两个。另外，本文中术语“至少一种”表示多种中的任意一种或多种中的至少两种的任意组合，例如，包括A、B、C中的至少一种，可以表示包括从A、B和C构成的集合中选择的任意一个或多个元素。
下面对本申请实施例所提供的生命体征检测方法进行说明。
请参考图1，其示出了本申请一个实施例提供的方案实施环境的示意图。该方案实施环境可以包括数据采集端110和数据分析端120，数据采集端110和数据分析端120之间相互通信连接。
数据采集端110用于对待检测区域进行雷达数据采集，以得到雷达数据帧。
具体地，数据采集端110含有雷达发射天线和雷达接收天线，雷达发射天线用于发射电磁波，雷达接收天线用于接收电磁波回波信息，得到雷达数据帧。其中，雷达发射天线和雷达接收天线的数量可以根据实际应用情况进行设定，本申请对此不进行限定。
数据分析端120用于提供数据计算能力，以实现雷达数据帧的分析，数据分析端120可以是和数据采集端110集成部署的算力设备，数据分析端120也可以是和数据采集端110相互分离部署的算力设备，如数据分析端120为服务器、笔记本电脑、智能手机等。
在一个示例中，数据分析端120还和用户终端通信连接，数据分析端120可以根据从数据采集端110中获取到的雷达数据帧进行生命体征检测，得到生命体征检测结果。然后，数据分析端120可以将生命体征检测结果存储在本地、或者回传至用户终端。
可以理解的是，在本申请的具体实施方式中，涉及到对用户采集的雷达数据帧、用户信息等相关的数据，当本申请的实施例运用到具体产品或技术中时，需要获得用户许可或者同意，且相关数据的收集、使用和处理需要遵守相关国家和地区的相关法律法规和标准。
请参阅图2，图2是本申请的一示例性实施例示出的生命体征检测方法的流程图。该生命体征检测方法可以应用于图1所示的实施环境，并由该实施环境中的数据分析端具体执行。应理解的是，该方法也可以适用于其它的示例性实施环境，并由其它实施环境中的设备具体执行，本实施例不对该方法所适用的实施环境进行限制。
如图2所示，生命体征检测方法至少包括步骤S210至步骤S230，详细介绍如下：
步骤S210：基于雷达接收天线接收到的待检测区域的雷达数据帧、和雷达接收天线的导向矢量，构建距离角度能量数组；以及，获取雷达接收天线对应的累积雷达帧集合，累积雷达帧集合中存储有雷达接收天线累积接收到的多个雷达数据帧。
雷达数据帧是由待检测区域对应的回波信息组成的数据帧。
导向矢量是阵列天线的所有阵元对具有单位能量窄带信源的响应。由于阵列响应在不同方向上是不同的，导向矢量与信源的方向是相互关联的，这种关联的独特性依赖于阵列的几何结构。
根据待检测区域的雷达数据帧和雷达接收天线的导向矢量，构建距离角度能量数组，该距离角度能量数组含有雷达数据的距离信息和角度信息。
进一步地，获取雷达接收天线对应的累积雷达帧集合，该累积雷达帧集合中存储有雷达接收天线累积接收到的多个雷达数据帧。
可选地，由于数据接收天线的数量为多个，为了节省计算资源，可以对任一个雷达接收天线对应的雷达数据帧进行累积，得到累积雷达帧集合。例如，雷达接收天线含有RX1、RX2、RX3和RX4，对RX1累积接收到的多个雷达数据帧进行存储，得到累积雷达帧集合。
步骤S220：对距离角度能量数组进行峰值特征分析，得到待检测区域对应的微动分析结果；以及，对累积雷达帧集合进行趋势分析，得到待检测区域对应的趋势分析结果。
距离角度能量数组体现了目标的距离信息和方位信息，对距离角度能量数组进行峰值特征分析，可以确定待检测区域中目标的移动情况。
示例性地，可以是对距离角度能量数组的数据分布进行统计，从而确定峰值特征，对峰值特征进行分析，得到待检测区域对应的微动分析结果；还可以是利用预先训练完成的神经网络模型对距离角度能量数组进行峰值特征提取，实现峰值特征的分析，得到神经网络模型输出的微动分析结果。具体分析方式可以根据实际应用情况进行灵活选择，本申请对此不进行限定。
而累积雷达帧集合中的累积的多个雷达数据帧，其体现了时间维度上待检测区域的动态变化，通过对累积雷达帧集合进行趋势分析，可以确定待检测区域的变化趋势。
示例性地，可以是对累积雷达帧集合中多个累积雷达帧之间的数据变化进行统计，从而确定待检测区域的变化情况，得到待检测区域对应的趋势分析结果；还可以是利用预先训练完成的神经网络模型对累积雷达帧集合中多个累积雷达帧进行变化趋势识别，得到神经网络模型输出的趋势分析结果。具体分析方式可以根据实际应用情况进行灵活选择，本申请对此不进行限定。
步骤S230：结合微动分析结果和趋势分析结果，确定待检测区域对应的生命体征检测结果。
微动分析结果反映了当前待检测区域的物体移动情况，趋势分析结果反映了时间维度上待检测区域的变化趋势，结合微动分析结果和趋势分析结果，不仅可以更加准确地分析待检测区域中目标的体征，还可以准确检测待检测区域中是否存在生命。
即生命体征检测结果可以包括待检测区域中是否含有生命的检测结果，还可以包括待检测区域中含有生命时生命目标的体征检测结果。
通过上述方式，由于不需要进行目标跟踪，使得需要进行存储的雷达数据少，数据计算量低，有效节约存储资源和计算资源，且能够更好地保证用户隐私，同时结合微动分析和趋势分析，可以准确识别出静止目标，提高检测准确性。
接下来对本申请的部分实施例进行详细说明。
在一些实施方式中，步骤S210中基于雷达接收天线接收到的待检测区域的雷达数据帧、和雷达接收天线的导向矢量，构建距离角度能量数组，包括：
步骤S211：基于待检测区域的雷达数据帧，构建雷达数据数组。
例如，将每条雷达接收天线接收到的雷达数据帧进行组合，以构建雷达数据数组，该雷达数据数组对应的每一行对应一条雷达接收天线接收到的雷达数据帧。
以雷达接收天线的数量为4为例，对雷达数据数组的构建过程进行举例说明：雷达接收天线记为RX1、RX2、RX3、RX4，设定每条雷达接收天线接收到的雷达数据帧的大小为RanTotal，则构建的雷达数据数组RanArray可以表示为：
另外，以雷达接收天线的数量为4为例，对导向矢量的构建过程进行举例说明：基于雷达接收天线的数量、相邻两个雷达接收天线之间的间距、雷达接收天线的角度以及角度的总数，构建导向矢量AngleArray，可以表示为：
其中，e为指数，j为虚数单位，为波长，N表示雷达接收天线的数量，d为相邻两个雷达接收天线之间的间距，/>为接收天线的角度，其中，/>，AngleTotal为角度总数。
步骤S212：对雷达数据数组和导向矢量进行融合计算，得到距离角度能量数组。
示例性地，对雷达数据数组和导向矢量进行融合计算，得到距离角度能量数组，包括：对雷达数据数组进行矩阵转置处理，得到雷达转置矩阵；将雷达转置矩阵和导向矢量进行乘法计算，得到距离角度能量数组。
具体地，对雷达数据数组RanArray进行矩阵转置后，与导向矢量AngleArray相乘，得到以距离为横坐标（总数为RanTotal）、角度为纵坐标（总数为AngleTotal）的距离角度能量数组PowerArray，具体计算公式可以参加下述公式（1）：
公式（1）
其中，该距离角度能量数组PowerArray的大小为RanTotal*AngleTotal。
得到距离角度能量数组后，对距离角度能量数组进行峰值特征分析，得到待检测区域对应的微动分析结果。
在一些实施方式中，步骤S220中对距离角度能量数组进行峰值特征分析，得到待检测区域对应的微动分析结果，包括：
步骤S2211：对距离角度能量数组进行底噪计算，得到底噪参数。
距离角度能量数组中含有一定噪声，因此，在进行峰值特征分析前，需要对距离角度能量数组中的噪声数据进行识别。
示例性地，距离角度能量数组的每行代表一个距离门，每列代表一个角度；对距离角度能量数组进行底噪计算，得到底噪参数，包括：针对距离角度能量数组中的每行数组元素，分别对每行数组元素中不同列的数组元素进行求和计算，分别得到每行数组元素对应的求和结果，求和结果代表对应距离门下不同角度的和；确定每个求和结果中的最大求和值，并从距离角度能量数组中提取出与最大求和值关联的数组元素，得到关联数据元素集合；从关联数据元素集合中每个数组元素对应的角度值中，选取出满足预设条件的角度值作为待检测区域的底噪参数。
由于距离角度能量数组的每行代表一个距离门，每列代表一个角度，通过对每行数组元素中不同列的数组元素进行求和计算，得到每行对应的求和结果，求和结果表征所有距离门下不同角度的和。
然后，将每个求和结果按照从大到小排序，以根据排序结果选取出最大求和值，并从距离角度能量数组中提取出与最大求和值关联的数组元素，得到关联数据元素集合。
具体地，确定最大求和值对应的索引，将该最大求和值对应的索引记为PowMaxRan。再从距离角度能量数组PowerArray中，提取出PowMaxRan对应距离下不同的角度值，构成一维数组VariousAngle，以得到与最大求和值关联的关联数据元素集合。
示例性地，将PowMaxRan距离门下不同的角度值对应的数组VariousAngle从大到小排序，从排序结果中选取出排列次序小于预设次序阈值的角度值，例如，选取排序后的数组中后百分之四十中的任意一个值作为该环境的底噪参数，记为Noise。
示例性地，还可以是对PowMaxRan距离门下不同的角度值对应的数组VariousAngle进行均值计算、中位数统计等方式，以将计算得到的均值或统计得到的中位数作为满足预设条件的角度值，得到该环境的底噪参数，记为Noise。
可以理解的是，底噪参数的确定方式可以根据实际应用场景进行灵活选取，本申请对此不进行限定。
步骤S2212：利用噪声参数对距离角度能量数组进行除法计算，得到信噪比数组。
得到噪声参数后，将距离角度能量数组PowerArray中的每个值同时除以噪声参数Noise，得到信噪比数组PowerArraySNR。
步骤S2213：对信噪比数组进行峰值特征分析，得到待检测区域对应的微动分析结果。
示例性地，对信噪比数组进行峰值特征分析，得到待检测区域对应的微动分析结果，包括：确定信噪比数组中的峰值点；统计信噪比数组含有的峰值点数目；基于峰值点数目与预设数目阈值之间的大小关系，得到待检测区域对应的微动分析结果。
其中，峰值点需要满足的条件可以包括：
该点信噪比需要大于与其相邻的前后左右四个点；该点的信噪比需要大于信噪比门限值SNR_Threshold。通过上述两个条件从信噪比数组中筛选出峰值点，并统计信噪比数组含有的峰值点数目，根据峰值点数目与预设数目阈值之间的大小关系，得到待检测区域对应的微动分析结果。
例如，预设数目阈值为1，若峰值点数目大于1，则预判断当前待检测区域中存在生命目标，且该生命目标存在体动；否则，预判断当前待检测区域中不存在生命目标，或者存在生命目标，但生命目标不存在体动。
在对距离角度能量数组进行微动分析，得到微动分析结果时，还需要对累积雷达帧集合进行趋势分析，得到趋势分析结果。
在一些实施方式中，步骤S220中对累积雷达帧集合进行趋势分析，得到待检测区域对应的趋势分析结果，包括：
步骤S2221：基于累积雷达帧集合中的每个累积雷达帧，构建累积数组。
例如，对每个累积雷达帧进行组合，得到累积数组，该累积数组中的每一行对应一个累积雷达帧。
以累积雷达帧集合中的每个累积雷达帧为雷达接收天线RX1接收到的雷达数据帧为例，对累积数组的构建过程进行举例说明：累积雷达帧集合中累积雷达帧的存储总数限定为FrameNum，则生成行数总数为FrameNum、列数总数为距离门总数RanTotal的二维累积数组FrameArray。
步骤S2222：对累积数组进行静止目标去除，得到目标去除数组。
示例性地，累积数组中的每行代表一个累积雷达帧，每列代表距离门；对累积数组进行静止目标去除，得到目标去除数组，包括：针对累积数组中的每列数组元素，分别对每列数组元素中不同行的数组元素进行求和计算，以将累积数组转换为一维累积数组；按照累积雷达帧集合中累积雷达帧的数量，对一维累积数组中的每个数组元素进行求平均计算，得到均值数组；对累积数组和均值数组进行求差计算，得到目标去除数组。
具体地，将累积数组FrameArray进行帧数为FrameNum的非相干累积，即针对累积数组中的每列数组元素，分别对每列数组元素中不同行的数组元素进行求和计算，得到大小为RanTotal的一维累积数组ColSumArray。然后，将一维累积数组ColSumArray中的每个数组元素的值除以帧数FrameNum，以对一维累积数组中的每个数组元素进行求平均计算，得到大小为RanTotal的一维均值数组，记为ColSumArray_Ave，其计算公式可以参见下述公式（2）：
公式（2）
进一步地，对累积数组FrameArray和均值数组ColSumArray_Ave进行求差计算，得到目标去除数组，其求差计算的公式可以表示为公式（3）：
公式（3）
其中，。
另外，为了便于后续计算，在得到求差计算结果后，对求差计算结果求绝对值，得到绝对值后的二维数据FrameArrayABS，将该FrameArrayABS作为目标去除数组。
步骤S2223：对目标去除数组进行趋势分析，得到待检测区域对应的趋势分析结果。
示例性地，对目标去除数组进行趋势分析，得到待检测区域对应的趋势分析结果，包括：针对目标去除数组中的每列数组元素，分别对每列数组元素中不同行的数组元素进行求和计算，以将目标去除数组转换为一维目标去除数组；确定一维目标去除数组中最大数组元素、最小数组元素、最大数组元素位置和最小数组元素位置；利用最大数组元素、最小数组元素、最大数组元素位置和最小数组元素位置进行斜率计算，得到目标斜率；基于目标斜率与预设斜率阈值之间的大小关系，得到待检测区域对应的趋势分析结果。
具体地，将目标去除数组FrameArrayABS进行帧数为FrameNum的非相干累积，即分别对每列数组元素中不同行的数组元素进行求和计算，以将目标去除数组FrameArrayABS转换为一维目标去除数组SlopeArray，该一维目标去除数组SlopeArray的大小为RanTotal。
对SlopeArray中的数组元素按照从大到小进行排序，以从SlopeArray中查找到最大数组元素Max_MicroPowSum和最小数组元素Min_MicroPowSum，其中，Max_MicroPowSum和Min_MicroPowSum均不为0。同时，将最大数组元素Max_MicroPowSum对应的最大数组元素位置记为Max_Idx，将最小数组元素Min_MicroPowSum对应的最小数组元素位置记为Min_Idx。
再利用最大数组元素、最小数组元素、最大数组元素位置和最小数组元素位置进行斜率计算，得到目标斜率Max_Min_Slope，具体计算公式可以参见下述公式（4）：
公式（4）
进一步地，判断目标斜率与预设斜率阈值之间的大小关系，基于目标斜率与预设斜率阈值之间的大小关系，得到待检测区域对应的趋势分析结果。
例如，若目标斜率Max_Min_Slope大于预设的斜率阈值，则预判断为当前待检测区域可能存在生命目标，反之，则预判断为当前待检测区域可能不存在生命目标。
综合上述微动分析结果和趋势分析结果，确定待检测区域对应的生命体征检测结果。
在一些实施方式中，步骤S230中结合微动分析结果和趋势分析结果，确定待检测区域对应的生命体征检测结果，包括：
步骤S231：利用趋势分析结果更新延时记数。
通过设计延时记数，以提高趋势分析的准确性。
例如，若趋势分析结果表明目标斜率Max_Min_Slope大于预设的斜率阈值，则预判断为当前待检测区域可能存在生命目标，将能量趋势标志Slope_flag置为1；反之，则预判断为当前待检测区域可能不存在生命目标，将能量趋势标志Slope_flag置为0。
然后，检测能量趋势标志Slope_flag的值，根据能量趋势标志Slope_flag的值更新延时计数。
具体地，若能量趋势标志置为1，则更新延时计数为预设的最大计数值；若能量趋势标志置为0，则对延时计数进行减1处理。其中，延时计数最少减为0。
步骤S232：从判决逻辑表中查询与微动分析结果、趋势分析结果和更新后的延时记数关联的判决结果，得到待检测区域对应的生命体征检测结果；其中，判决逻辑表用于存储微动分析结果、趋势分析结果和延时记数与判决结果之间的关联关系。
可选地，若微动分析结果表明预判断当前待检测区域中存在生命目标，且该生命目标存在体动，此时将体动标志MicroProcess_Flag置为1；否则，预判断当前待检测区域中不存在生命目标，或者存在生命目标，但生命目标不存在体动，此时将体动标志MicroProcess_Flag置为0。
然后，根据体动标志MicroProcess_Flag、能量趋势标志Slope_flag以及延时记数，从判决逻辑表中确定匹配的判决结果。
请参阅图3，图3为本申请另一示例性实施例示出的生命体征检测的流程图，具体包括：
根据雷达接收天线接收到的待检测区域的雷达数据帧，构建雷达数据数组RanArray，以及根据雷达接收天线阵列的几何结构构建导向矢量AngleArray，融合雷达数据数组RanArray和导向矢量AngleArray，得到二维的距离角度能量数组PowerArray。
然后，确定距离角度能量数组PowerArray对应的底噪参数Noise，对距离角度能量数组PowerArray和底噪参数Noise进行除法计算，得到信噪比数组PowerArraySNR，统计PowerArraySNR中的峰值点数目MeetSNRNum，判断MeetSNRNum是否大于1。若MeetSNRNum大于1，则体动标志MicroProcess_Flag置为1；否则体动标志MicroProcess_Flag置为0。
另外，选择任意一路雷达接收天线接收到的雷达数据帧，得到累积雷达帧集合，对累积雷达帧集合进行多帧数据累积，得到二维累积数组FrameArray，对累积数组FrameArray进行非相干累积，以将二维累积数组FrameArray转换为一维累积数组ColSumArray，并将一维累积数组ColSumArray中的每个数组元素的值除以帧数FrameNum，得到一维均值数组ColSumArray_Ave。对累积数组FrameArray和均值数组ColSumArray_Ave进行求差计算和绝对值处理，得到目标去除数组FrameArrayABS。再对目标去除数组FrameArrayABS进行非相干累积，得到一维目标去除数组SlopeArray，选取SlopeArray中的最大数组元素Max_MicroPowSum和最小数组元素Min_MicroPowSum，以及其分别对应的最大数组元素位置Max_Idx和最小数组元素位置Min_Idx，计算得到目标斜率Max_Min_Slope。判断目标斜率Max_Min_Slope是否大于预设的斜率阈值，若大于，则能量趋势标志Slope_flag置为1，否则将能量趋势标志Slope_flag置为0。
然后，根据Slope_flag更新延时计数，根据体动标志MicroProcess_Flag、能量趋势标志Slope_flag以及延时记数，从判决逻辑表中确定匹配的判决结果。
以生命目标为人进行举例说明，判决逻辑表可以参见下述表格1：
表格1
若MicroProcess_Flag为1、Slope_flag为1，且延时记数最大，则判决结果为待检测区域内有人且有体动；若MicroProcess_Flag为1、Slope_flag为0，且延时记数存在减1操作，则判决结果保持上一判决结果；若MicroProcess_Flag为1、Slope_flag为0，且延时记数为0，则判决结果为无人；若MicroProcess_Flag为0、Slope_flag为1，且延时记数最大，则判决结果为待检测区域内有人且静止；若MicroProcess_Flag为0、Slope_flag为0，且延时记数存在减1操作，则判决结果保持上一判决结果；若MicroProcess_Flag为0、Slope_flag为0，且延时记数为0，则判决结果为无人。
本申请提供的生命体征检测方法，通过基于雷达接收天线接收到的待检测区域的雷达数据帧、和雷达接收天线的导向矢量，构建距离角度能量数组；以及，获取雷达接收天线对应的累积雷达帧集合，累积雷达帧集合中存储有雷达接收天线累积接收到的多个雷达数据帧；对距离角度能量数组进行峰值特征分析，得到待检测区域对应的微动分析结果；以及，对累积雷达帧集合进行趋势分析，得到待检测区域对应的趋势分析结果；结合微动分析结果和趋势分析结果，确定待检测区域对应的生命体征检测结果，可以减少需要进行存储的雷达数据，且减少数据计算量，有效节约存储资源和计算资源，同时结合微动分析和趋势分析，准确感知待检测区域内的生命体征信息。
图4是本申请的一示例性实施例示出的生命体征检测装置的框图。如图4所示，该示例性的生命体征检测装置400包括：数据获取模块410、微动及趋势分析模块420和结果确定模块430。具体地：
数据获取模块410，用于基于雷达接收天线接收到的待检测区域的雷达数据帧、和雷达接收天线的导向矢量，构建距离角度能量数组；以及，获取雷达接收天线对应的累积雷达帧集合，累积雷达帧集合中存储有雷达接收天线累积接收到的多个雷达数据帧；
微动及趋势分析模块420，用于对距离角度能量数组进行峰值特征分析，得到待检测区域对应的微动分析结果；以及，对累积雷达帧集合进行趋势分析，得到待检测区域对应的趋势分析结果；
结果确定模块430，用于结合微动分析结果和趋势分析结果，确定待检测区域对应的生命体征检测结果。
需要说明的是，上述实施例所提供的生命体征检测装置与上述实施例所提供的生命体征检测方法属于同一构思，其中各个模块和单元执行操作的具体方式已经在方法实施例中进行了详细描述，此处不再赘述。上述实施例所提供的生命体征检测装置在实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将装置的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能，本处不对此进行限制。
请参阅图5，图5是本申请电子设备一实施例的结构示意图。电子设备500包括存储器501和处理器502，处理器502用于执行存储器501中存储的程序指令，以实现上述任一生命体征检测方法实施例中的步骤。在一个具体的实施场景中，电子设备500可以包括但不限于：微型计算机、服务器，此外，电子设备500还可以包括笔记本电脑、平板电脑等移动设备，在此不做限定。
具体而言，处理器502用于控制其自身以及存储器501以实现上述任一生命体征检测方法实施例中的步骤。处理器502还可以称为中央处理单元（Central Processing Unit，CPU）。处理器502可能是一种集成电路芯片，具有信号的处理能力。处理器502还可以是通用处理器、数字信号处理器（Digital Signal Processor，DSP）、专用集成电路（ApplicationSpecific Integrated Circuit，ASIC）、现场可编程门阵列（Field-Programmable GateArray，FPGA）或者其它可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。另外，处理器502可以由集成电路芯片共同实现。
请参阅图6，图6是本申请计算机可读存储介质一实施例的结构示意图。计算机可读存储介质600存储有能够被处理器运行的程序指令610，程序指令610用于实现上述任一生命体征检测方法实施例中的步骤。
在一些实施例中，本公开实施例提供的装置具有的功能或包含的模块可以用于执行上文方法实施例描述的方法，其具体实现可以参照上文方法实施例的描述，为了简洁，这里不再赘述。
上文对各个实施例的描述倾向于强调各个实施例之间的不同之处，其相同或相似之处可以互相参考，为了简洁，本文不再赘述。
在本申请所提供的几个实施例中，应该理解到，所揭露的方法和装置，可以通过其它的方式实现。例如，以上所描述的装置实施方式仅仅是示意性的，例如，模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性、机械或其它的形式。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）或处理器（processor）执行本申请各个实施方式方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（Read-Only Memory，ROM）、随机存取存储器（Random Access Memory，RAM）、磁碟或者光盘等各种可以存储程序代码的介质。
Claims (10)
1.一种生命体征检测方法，其特征在于，包括：
基于雷达接收天线接收到的待检测区域的雷达数据帧、和所述雷达接收天线的导向矢量，构建距离角度能量数组；以及，获取所述雷达接收天线对应的累积雷达帧集合，所述累积雷达帧集合中存储有所述雷达接收天线累积接收到的多个雷达数据帧；
对所述距离角度能量数组进行峰值特征分析，得到所述待检测区域对应的微动分析结果；以及，对所述累积雷达帧集合进行趋势分析，得到所述待检测区域对应的趋势分析结果；
结合所述微动分析结果和所述趋势分析结果，确定所述待检测区域对应的生命体征检测结果。
2.根据权利要求1所述的方法，其特征在于，所述基于雷达接收天线接收到的待检测区域的雷达数据帧、和所述雷达接收天线的导向矢量，构建距离角度能量数组，包括：
基于所述待检测区域的雷达数据帧，构建雷达数据数组；
对所述雷达数据数组和所述导向矢量进行融合计算，得到距离角度能量数组。
3.根据权利要求2所述的方法，其特征在于，所述对所述雷达数据数组和所述导向矢量进行融合计算，得到距离角度能量数组，包括：
对所述雷达数据数组进行矩阵转置处理，得到雷达转置矩阵；
将所述雷达转置矩阵和所述导向矢量进行乘法计算，得到距离角度能量数组。
4.根据权利要求1所述的方法，其特征在于，所述对所述距离角度能量数组进行峰值特征分析，得到所述待检测区域对应的微动分析结果，包括：
对所述距离角度能量数组进行底噪计算，得到底噪参数；
利用所述底噪参数对所述距离角度能量数组进行除法计算，得到信噪比数组；
对所述信噪比数组进行峰值特征分析，得到所述待检测区域对应的微动分析结果。
5.根据权利要求4所述的方法，其特征在于，所述距离角度能量数组的每行代表一个距离门，每列代表一个角度；所述对所述距离角度能量数组进行底噪计算，得到底噪参数，包括：
针对所述距离角度能量数组中的每行数组元素，分别对所述每行数组元素中不同列的数组元素进行求和计算，分别得到所述每行数组元素对应的求和结果，所述求和结果代表对应距离门下不同角度的和；
确定每个所述求和结果中的最大求和值，并从所述距离角度能量数组中提取出与所述最大求和值关联的数组元素，得到关联数据元素集合；
从所述关联数据元素集合中每个数组元素对应的角度值中，选取出满足预设条件的角度值作为所述待检测区域的底噪参数。
6.根据权利要求4所述的方法，其特征在于，所述对所述信噪比数组进行峰值特征分析，得到所述待检测区域对应的微动分析结果，包括：
确定所述信噪比数组中的峰值点；
统计所述信噪比数组含有的峰值点数目；
基于所述峰值点数目与预设数目阈值之间的大小关系，得到所述待检测区域对应的微动分析结果。
7.根据权利要求1所述的方法，其特征在于，所述对所述累积雷达帧集合进行趋势分析，得到所述待检测区域对应的趋势分析结果，包括：
基于所述累积雷达帧集合中的每个累积雷达帧，构建累积数组；
对所述累积数组进行静止目标去除，得到目标去除数组；
对所述目标去除数组进行趋势分析，得到所述待检测区域对应的趋势分析结果。
8.根据权利要求7所述的方法，其特征在于，所述累积数组中的每行代表一个累积雷达帧，每列代表距离门；所述对所述累积数组进行静止目标去除，得到目标去除数组，包括：
针对所述累积数组中的每列数组元素，分别对所述每列数组元素中不同行的数组元素进行求和计算，以将所述累积数组转换为一维累积数组；
按照所述累积雷达帧集合中累积雷达帧的数量，对所述一维累积数组中的每个数组元素进行求平均计算，得到均值数组；
对所述累积数组和所述均值数组进行求差计算，得到目标去除数组。
9.根据权利要求7所述的方法，其特征在于，所述对所述目标去除数组进行趋势分析，得到所述待检测区域对应的趋势分析结果，包括：
针对所述目标去除数组中的每列数组元素，分别对所述每列数组元素中不同行的数组元素进行求和计算，以将所述目标去除数组转换为一维目标去除数组；
确定所述一维目标去除数组中最大数组元素、最小数组元素、最大数组元素位置和最小数组元素位置；
利用所述最大数组元素、最小数组元素、最大数组元素位置和最小数组元素位置进行斜率计算，得到目标斜率；
基于所述目标斜率与预设斜率阈值之间的大小关系，得到所述待检测区域对应的趋势分析结果。
10.根据权利要求1所述的方法，其特征在于，所述结合所述微动分析结果和所述趋势分析结果，确定所述待检测区域对应的生命体征检测结果，包括：
利用所述趋势分析结果更新延时记数；
从判决逻辑表中查询与所述微动分析结果、所述趋势分析结果和更新后的延时记数关联的判决结果，得到所述待检测区域对应的生命体征检测结果；其中，所述判决逻辑表用于存储微动分析结果、趋势分析结果和延时记数与判决结果之间的关联关系。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410174424.3A CN117724094B (zh) | 2024-02-07 | 2024-02-07 | 生命体征检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410174424.3A CN117724094B (zh) | 2024-02-07 | 2024-02-07 | 生命体征检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117724094A true CN117724094A (zh) | 2024-03-19 |
| CN117724094B CN117724094B (zh) | 2024-05-07 |
Family
ID=90207295
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410174424.3A Active CN117724094B (zh) | 2024-02-07 | 2024-02-07 | 生命体征检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117724094B (zh) |
Citations (22)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2002108934A (ja) * | 2000-09-29 | 2002-04-12 | Sony Corp | 情報提供装置及び情報提供方法並びにデータ記録媒体 |
| CN108663653A (zh) * | 2018-05-17 | 2018-10-16 | 西安电子科技大学 | 基于l形电磁矢量传感器阵列的波达方向估计方法 |
| CN108761445A (zh) * | 2018-03-30 | 2018-11-06 | 中国科学院电子学研究所 | 一种用于穿墙生命探测雷达的目标定位方法 |
| CN109805931A (zh) * | 2019-02-18 | 2019-05-28 | 中电科仪器仪表有限公司 | 基于太赫兹多普勒雷达的远距离生命微动信号检测方法 |
| CN112656395A (zh) * | 2020-12-16 | 2021-04-16 | 问境科技(上海)有限公司 | 基于微波雷达的患者生命体征变化趋势检测方法和系统 |
| WO2021086688A2 (en) * | 2019-10-30 | 2021-05-06 | Google Llc | Smart-device-based radar system performing gesture recognition using a space time neural network |
| CN112998668A (zh) * | 2021-02-06 | 2021-06-22 | 路晟悠拜(重庆)科技有限公司 | 基于毫米波的非接触式远场多人体呼吸心率监测方法 |
| CN113376611A (zh) * | 2021-06-25 | 2021-09-10 | 重庆交通大学 | 基于雷达天线阵元的微动目标运动参数检测方法 |
| CN113854981A (zh) * | 2021-09-24 | 2021-12-31 | 南京六季光电技术研究院有限公司 | 一种基于毫米波雷达的运动多人生命体征监测方法 |
| CN114259213A (zh) * | 2021-12-17 | 2022-04-01 | 华中科技大学 | 杂波背景下毫米波mimo雷达的邻近多目标生命体征检测方法 |
| CN114647009A (zh) * | 2020-12-17 | 2022-06-21 | 南京理工大学 | 基于fmcw雷达的多人定位及生命体征探测方法及系统 |
| US20220206111A1 (en) * | 2020-12-23 | 2022-06-30 | Air Force Medical University | Non-contact method for detectiing and distinguishing human and animal based on ir-uwb bio-radar signal |
| CN114895272A (zh) * | 2022-03-31 | 2022-08-12 | 清华大学 | 微动信号监测方法、装置及设备 |
| US20230092386A1 (en) * | 2021-09-22 | 2023-03-23 | Apple Inc. | Systems and methods for radar-based biometric signal extraction |
| CN115868955A (zh) * | 2022-12-07 | 2023-03-31 | 北京航空航天大学 | 一种运动扰动下基于超宽带雷达的生命体征检测方法 |
| CN115919280A (zh) * | 2022-12-05 | 2023-04-07 | 五邑大学 | 胸腹式呼吸判断方法、设备及存储介质 |
| US20230136937A1 (en) * | 2021-10-29 | 2023-05-04 | Wistron Corporation | Data pre-processing method and exercise vital sign detection radar |
| CN116148843A (zh) * | 2021-11-30 | 2023-05-23 | 南京理工大学 | 基于simo雷达的多人心跳检测及定位方法和系统 |
| CN116269297A (zh) * | 2023-03-16 | 2023-06-23 | 森思泰克河北科技有限公司 | 基于雷达的生命体征检测方法、装置、雷达及存储介质 |
| CN116421163A (zh) * | 2023-02-21 | 2023-07-14 | 浙江大华技术股份有限公司 | 一种生命体征检测方法、装置 |
| CN116942125A (zh) * | 2023-07-25 | 2023-10-27 | 苏州睿可达电子科技有限公司 | 基于ngo-vmd算法的uwb生命体征信号检测方法 |
| CN117471453A (zh) * | 2023-10-27 | 2024-01-30 | 四川启睿克科技有限公司 | 一种基于毫米波雷达的人体运动状态检测方法 |
-
2024
- 2024-02-07 CN CN202410174424.3A patent/CN117724094B/zh active Active
Patent Citations (22)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2002108934A (ja) * | 2000-09-29 | 2002-04-12 | Sony Corp | 情報提供装置及び情報提供方法並びにデータ記録媒体 |
| CN108761445A (zh) * | 2018-03-30 | 2018-11-06 | 中国科学院电子学研究所 | 一种用于穿墙生命探测雷达的目标定位方法 |
| CN108663653A (zh) * | 2018-05-17 | 2018-10-16 | 西安电子科技大学 | 基于l形电磁矢量传感器阵列的波达方向估计方法 |
| CN109805931A (zh) * | 2019-02-18 | 2019-05-28 | 中电科仪器仪表有限公司 | 基于太赫兹多普勒雷达的远距离生命微动信号检测方法 |
| WO2021086688A2 (en) * | 2019-10-30 | 2021-05-06 | Google Llc | Smart-device-based radar system performing gesture recognition using a space time neural network |
| CN112656395A (zh) * | 2020-12-16 | 2021-04-16 | 问境科技(上海)有限公司 | 基于微波雷达的患者生命体征变化趋势检测方法和系统 |
| CN114647009A (zh) * | 2020-12-17 | 2022-06-21 | 南京理工大学 | 基于fmcw雷达的多人定位及生命体征探测方法及系统 |
| US20220206111A1 (en) * | 2020-12-23 | 2022-06-30 | Air Force Medical University | Non-contact method for detectiing and distinguishing human and animal based on ir-uwb bio-radar signal |
| CN112998668A (zh) * | 2021-02-06 | 2021-06-22 | 路晟悠拜(重庆)科技有限公司 | 基于毫米波的非接触式远场多人体呼吸心率监测方法 |
| CN113376611A (zh) * | 2021-06-25 | 2021-09-10 | 重庆交通大学 | 基于雷达天线阵元的微动目标运动参数检测方法 |
| US20230092386A1 (en) * | 2021-09-22 | 2023-03-23 | Apple Inc. | Systems and methods for radar-based biometric signal extraction |
| CN113854981A (zh) * | 2021-09-24 | 2021-12-31 | 南京六季光电技术研究院有限公司 | 一种基于毫米波雷达的运动多人生命体征监测方法 |
| US20230136937A1 (en) * | 2021-10-29 | 2023-05-04 | Wistron Corporation | Data pre-processing method and exercise vital sign detection radar |
| CN116148843A (zh) * | 2021-11-30 | 2023-05-23 | 南京理工大学 | 基于simo雷达的多人心跳检测及定位方法和系统 |
| CN114259213A (zh) * | 2021-12-17 | 2022-04-01 | 华中科技大学 | 杂波背景下毫米波mimo雷达的邻近多目标生命体征检测方法 |
| CN114895272A (zh) * | 2022-03-31 | 2022-08-12 | 清华大学 | 微动信号监测方法、装置及设备 |
| CN115919280A (zh) * | 2022-12-05 | 2023-04-07 | 五邑大学 | 胸腹式呼吸判断方法、设备及存储介质 |
| CN115868955A (zh) * | 2022-12-07 | 2023-03-31 | 北京航空航天大学 | 一种运动扰动下基于超宽带雷达的生命体征检测方法 |
| CN116421163A (zh) * | 2023-02-21 | 2023-07-14 | 浙江大华技术股份有限公司 | 一种生命体征检测方法、装置 |
| CN116269297A (zh) * | 2023-03-16 | 2023-06-23 | 森思泰克河北科技有限公司 | 基于雷达的生命体征检测方法、装置、雷达及存储介质 |
| CN116942125A (zh) * | 2023-07-25 | 2023-10-27 | 苏州睿可达电子科技有限公司 | 基于ngo-vmd算法的uwb生命体征信号检测方法 |
| CN117471453A (zh) * | 2023-10-27 | 2024-01-30 | 四川启睿克科技有限公司 | 一种基于毫米波雷达的人体运动状态检测方法 |
Non-Patent Citations (4)
| Title |
|---|
| NITIN KATHURIA ET AL.: "24 GHz Flexible Antenna for Doppler Radar-Based Human Vital Signs Monitoring", SENSORS, vol. 21, no. 11, 27 May 2021 (2021-05-27) * |
| 孙欣欣;晋良念;: "基于加权最大值波束合成的静止人体检测与定位方法", 桂林电子科技大学学报, no. 06, 31 December 2019 (2019-12-31) * |
| 桑玉杰;王洋;郭汝江;: "雷达宽带与窄带回波信噪比对比分析", 现代雷达, no. 10, 31 October 2013 (2013-10-31) * |
| 陈小龙;关键;黄勇;何友;: "雷达低可观测目标探测技术", 科技导报, no. 11, 30 June 2017 (2017-06-30) * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117724094B (zh) | 2024-05-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Wang et al. | A see-through-wall system for device-free human motion sensing based on battery-free RFID | |
| Yu et al. | Design and implementation of a real-time object location system based on passive RFID tags | |
| EP3531341A2 (en) | Method for human motion analysis, apparatus for human motion analysis, device and storage medium | |
| CN112394334A (zh) | 雷达反射点的聚类装置、方法以及电子设备 | |
| JP2019117055A (ja) | 推定方法、推定装置およびプログラム | |
| Ding et al. | Counting human objects using backscattered radio frequency signals | |
| Ratre et al. | Tucker tensor decomposition‐based tracking and Gaussian mixture model for anomaly localisation and detection in surveillance videos | |
| Martin et al. | Modelling and analysis of radio tomography | |
| US20200400779A1 (en) | Radar based pattern code identification | |
| CN114137505B (zh) | 一种基于无线雷达的目标检测方法及装置 | |
| Xiao et al. | Artificial intelligence empowered mobile sensing for human flow detection | |
| Bocanegra et al. | RFGo: a seamless self-checkout system for apparel stores using RFID | |
| Hof et al. | Face verification using mmWave radar sensor | |
| CN114580535A (zh) | 基于注意力多视角学习网络的多基雷达人体行为融合识别方法、装置及介质 | |
| JP7162192B2 (ja) | 生体数推定装置、生体数推定方法、及び、プログラム | |
| CN114814832A (zh) | 基于毫米波雷达的人体跌倒行为实时监测系统及监测方法 | |
| CN109918994B (zh) | 一种基于商用Wi-Fi的暴力行为检测方法 | |
| CN117724094B (zh) | 生命体征检测方法 | |
| Amanipour et al. | CFAR detection for multistatic radar | |
| CN117475160A (zh) | 目标对象跟随方法、系统以及相关装置 | |
| CN113260871A (zh) | 传感器 | |
| CN113313165B (zh) | 一种基于雷达的人数统计方法、装置、设备及存储介质 | |
| WO2022004231A1 (ja) | センサ | |
| Gao et al. | MMW-Carry: Enhancing Carry Object Detection through Millimeter-Wave Radar-Camera Fusion | |
| CN113985353A (zh) | 剔除点云中干扰点的方法、装置、和电子设备 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |