CN118216887B - 一种非接触式人体心跳波形提取方法 - Google Patents
一种非接触式人体心跳波形提取方法 Download PDFInfo
- Publication number
- CN118216887B CN118216887B CN202410634926.XA CN202410634926A CN118216887B CN 118216887 B CN118216887 B CN 118216887B CN 202410634926 A CN202410634926 A CN 202410634926A CN 118216887 B CN118216887 B CN 118216887B
- Authority
- CN
- China
- Prior art keywords
- heartbeat
- signal
- human
- uwb
- autocorrelation matrix
- 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.)
- Active
Links
- 238000000605 extraction Methods 0.000 title claims abstract description 18
- 239000011159 matrix material Substances 0.000 claims abstract description 33
- 238000001514 detection method Methods 0.000 claims abstract description 26
- 238000013507 mapping Methods 0.000 claims abstract description 12
- 210000000038 chest Anatomy 0.000 claims description 18
- 230000029058 respiratory gaseous exchange Effects 0.000 claims description 16
- 230000000694 effects Effects 0.000 claims description 15
- 238000013136 deep learning model Methods 0.000 claims description 14
- 210000000115 thoracic cavity Anatomy 0.000 claims description 10
- 230000000241 respiratory effect Effects 0.000 claims description 9
- 238000001914 filtration Methods 0.000 claims description 6
- 230000036391 respiratory frequency Effects 0.000 claims description 5
- 230000035565 breathing frequency Effects 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 4
- 230000001121 heart beat frequency Effects 0.000 claims description 3
- 230000008447 perception Effects 0.000 abstract description 17
- 230000036544 posture Effects 0.000 abstract description 6
- 238000000034 method Methods 0.000 description 12
- 230000000737 periodic effect Effects 0.000 description 10
- 230000007774 longterm Effects 0.000 description 6
- 230000008859 change Effects 0.000 description 5
- 238000012360 testing method Methods 0.000 description 4
- 238000003745 diagnosis Methods 0.000 description 3
- 201000010099 disease Diseases 0.000 description 3
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000003993 interaction Effects 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 230000002123 temporal effect Effects 0.000 description 3
- 101100233916 Saccharomyces cerevisiae (strain ATCC 204508 / S288c) KAR5 gene Proteins 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 210000004072 lung Anatomy 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 241001270131 Agaricus moelleri Species 0.000 description 1
- 101001121408 Homo sapiens L-amino-acid oxidase Proteins 0.000 description 1
- 102100026388 L-amino-acid oxidase Human genes 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000002612 cardiopulmonary effect Effects 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000010339 dilation Effects 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003863 physical function Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000037078 sports performance Effects 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
-
- 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 for evaluating the cardiovascular system, e.g. pulse, heart rate, blood pressure or blood flow
-
- 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
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
- G06F2218/04—Denoising
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Animal Behavior & Ethology (AREA)
- Veterinary Medicine (AREA)
- Artificial Intelligence (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- General Engineering & Computer Science (AREA)
- Physiology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Cardiology (AREA)
- Signal Processing (AREA)
- Psychiatry (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明公开了一种非接触式人体心跳波形提取方法，属于人体感知及心跳检测技术领域，通过利用IR‑UWB设备来获取目标人员心跳的反射信号并构建所述反射信号的自相关矩阵特征，与真实心跳采集设备提取到的心跳波形的自相关矩阵进行特征映射，利用心跳周期信号所具有的周期相似性特征获得心跳速率的值，构建心跳波形。本发明解决了在真实的平稳以及运动状态后的情形下，受限于不同的室内环境、人员的姿态以及体表覆盖物等因素的干扰，难以获得高精度的人体心跳波形的问题。
Description
技术领域
本发明属于人体感知及心跳检测技术领域，具体是一种非接触式人体心跳波形提取方法。
背景技术
在平稳状态以及运动状态后的生命体征信号的检测技术在身体健康分析与人类疾病诊断等领域具有至关重要的研究意义，受到了国内外相关领域研究人员的高度重视。其中，心跳作为最具有代表性的生命体征信号之一，与人体心肺功能监测、疾病诊断与监测以及运动表现分析等应用密切相关。
目前已知的心跳感知方法主要可以分为两大类，分别是接触式的感知方案和非接触式的感知方案。传统上为了获得心跳波形进行疾病的诊断，通常使用智能手环以及医疗专用等可穿戴设备来进行接触式的感知，然而这些接触式的感知方法会给身体机能不好的人群带来检测的不便，而且难以在日常生活中完成长时间的感知工作，从而影响心跳监测的效果。为了克服接触式感知工作的相关缺陷，非接触式感知方法成为了热点研究问题。
由于脉冲超宽带（Impulse Radio-Ultra Wide Band，IR-UWB）所发射的高频脉冲具有的细粒度感知能力，国内外的部分感知工作已经验证了IR-UWB进行人体心跳信号的感知的可行性。例如MoVi-Fi通过对比学习的方法，构建出具有时间周期特性的样本与非周期性样本，然后通过采用多层感知器来对比学习分类两类样本，从而使感知器具有提取周期性与非周期性的能力，最终实现基于IR-UWB运动状态下的呼吸信号与心跳信号的感知工作。Heartbeat则对IR-UWB信号在I\Q复平面上进行分析，通过将IR-UWB的人体心跳信号输入到VED模型中，实现一个静态下的人体心跳波形感知工作。在这些工作的实验场景中，无论是静态心跳检测还是动态心跳检测，通常是要求受试者面朝着IR-UWB设备的方向进行感知，且人体除了衣物外不会有大的覆盖物存在。然而在真实的平稳以及运动状态后的情形下，受限于不同的室内环境、人员的姿态以及体表覆盖物等因素的干扰，导致感知目标与IR-UWB设备之间的距离以及角度等都会随时发生改变，难以实现高精度的人体心跳波形检测工作。
发明内容
发明目的：本发明目的在于针对在真实的平稳以及运动状态后的情形下，受限于不同的室内环境、人员的姿态以及体表覆盖物等因素的干扰，难以获得高精度的人体心跳波形的问题，提供一种非接触式人体心跳波形提取方法，该方法为基于脉冲超宽带自相关矩阵特征映射的非接触式人体心跳波形提取方法。
技术方案：一种非接触式人体心跳波形提取方法，通过利用IR-UWB设备来获取目标人员心跳的反射信号并构建所述反射信号的自相关矩阵特征，与真实心跳采集设备提取到的心跳波形的自相关矩阵进行特征映射，利用心跳周期信号所具有的周期相似性特征获得心跳速率的值，构建心跳波形。
进一步的，所述非接触式人体心跳波形提取方法，包括如下步骤：
步骤1、为准确获取人体的心跳信息，采用基于IR-UWB的能量比指标估计人体胸腔位置，作为心跳信号反射区域；
步骤2、利用IR-UWB设备获取人体胸腔位置的反射信号，并将其与心跳检测和呼吸检测设备获取的数据对齐；采用ButterWorth滤波器来筛选出心跳对应范围内的反射信号，之后对筛选出的反射信号按照时间维度分割；
步骤3、对步骤2按照时间维度分割后的反射信号的I信号和Q信号分别提取自相关特；
步骤4、将步骤3中提取的I信号自相关矩阵和Q信号自相关矩阵，与真实心跳采集设备提取到的心跳波形的自相关矩阵进行特征映射，获得心跳速率的值，完成最终心跳波形的构建，实现基于IR-UWB的非接触式人体心跳波形提取。
进一步的，步骤1中所述基于IR-UWB的能量比指标为基于分布式多普勒频移的呼吸能量比，具体是指：呼吸频率范围内的能量和与人体正常活动反射的能量和之比；呼吸能量比的最大值所在的位置为人体胸腔位置的中心位置。
进一步的，步骤1的具体步骤如下：
步骤1.1、使用IR-UWB设备采集目标人员的反射信号，计算IR-UWB接收信号每个距离点对应的多普勒频移值，并计算人体呼吸频率范围内的能量和；
步骤1.2、计算人体正常活动的频率区间内所反射的能量和；
步骤1.3、通过将步骤1.1中计算的人体呼吸频率范围内的能量和与步骤1.2中计算的人体活动反射的能量和进行作比运算，得到呼吸能量比；
步骤1.4、以呼吸能量比的最大值所在的位置为人体胸腔位置的中心位置，并增加
增加宽度为31厘米至46厘米的搜索区域，作为人体胸腔位置。
进一步的，步骤2的具体步骤如下：
步骤2.1、将利用IR-UWB设备获取人体胸腔位置的反射信号，与心跳检测和呼吸检测设备获取的数据，进行匹配对齐；
步骤2.2、采用ButterWorth滤波器来筛选出心跳对应范围内的反射信号，具体操作为：分别对反射信号的I和Q成分进行ButterWorth滤波，筛选出心跳频率对应的信号成分；
步骤2.3、步骤2.2筛选出的反射信号进行分割，按照时间维度分割样本。
进一步的，所述步骤4的操作采用深度学习模型实现，所述深度学习模型，包括四个TCNBlock层和一个卷积自动编码层，四层TCNBlock层分别设置的膨胀系数为1、2、4和8。
与现有技术相比，本发明的有益效果是：
（1）本发明解决了在真实的平稳以及运动状态后的情形下，受限于不同的室内环境、人员的姿态以及体表覆盖物等因素的干扰，难以获得高精度的人体心跳波形的问题。
（2）本发明方法采用基于IR-UWB的能量比指标估计人体胸腔位置，作为心跳信号反射区域，可以准确获取人体的心跳信息，提高心跳波形提取的精度。
（3）本发明通过计算获取的人体胸腔位置的反射信号的自相关矩阵，与真实心跳采集设备提取到的心跳波形的自相关矩阵进行特征映射，利用心跳周期信号所具有的周期相似性特征，获取心跳速率的值，进而利用获取心跳速率的值构建心跳波形。采用自相关矩阵，可以捕捉到特征之间的长期依赖关系、提供有关特征之间相互作用的信息，有助于更好地理解数据的内在结构和更好地利用数据中的信息，提高构建的心跳波形的精度。
附图说明
图1是本发明实施例中一种非接触式人体心跳波形提取方法的流程图；
图2是本发明实施例中得到I信号和Q信号的自相关矩阵的流程图；
图3是本发明实施例中采用的深度学习模型结构示意图。
具体实施方式
下面通过附图对本发明技术方案进行详细说明，但是本发明的保护范围不局限于所述实施例。
本发明提供了一种非接触式人体心跳波形提取方法，该方法为基于脉冲超宽带（Impulse Radio-Ultra Wide Band，IR-UWB）自相关矩阵特征映射的非接触式人体心跳波形提取方法；通过利用IR-UWB设备来获取目标人员心跳的反射信号并构建所述反射信号的自相关矩阵特征，与真实心跳采集设备提取到的心跳波形的自相关矩阵进行特征映射，利用心跳周期信号所具有的周期相似性特征获得心跳速率的值，构建心跳波形。
如图1所示，本发明一种非接触式人体心跳波形提取方法，包括以下步骤：
步骤1：为准确获取人体的心跳信息，采用基于IR-UWB的能量比指标估计人体胸腔位置，作为心跳信号反射区域；
在日常家居使用环境中，感知人员会根据不同的室内环境从而将IR-UWB设备部署在不同位置，对应IR-UWB雷达波束在感知目标身体上的反射面与反射角度也会有所不同。同时在平稳以及运动状态后，人体会在场景中摆动、走动等，对应的姿态会产生随机性的变换，其会导致不同时间点对应的雷达波束截面也会不断地变化。因此，能够准确提取人体的心跳信号反射区域，是进行心跳感知的先决条件。
由于人体心脏位置与肺部处于同一水平线上，因此可以获取肺部周围区域的反射信号作为心跳信号反射区域，即将人体胸腔位置作为心跳信号反射区域。
本发明采用基于IR-UWB的能量比指标来完成人体胸腔位置的估计。
人体呼吸时，其整个胸腔的运动会随着呼吸次数产生周期性的位移变化，进而导致IR-UWB脉冲信号的传播路径也会产生对应频率的周期波动。因此，为了选取平稳以及运动状态后人体胸腔的中心区域，本发明提出基于分布式多普勒频移的呼吸能量比（Respiration Power Ratio，RPR）来作为人体反射区域中心的识别指标（即人体胸腔的中心位置的识别指标）。
基于分布式多普勒频移的呼吸能量比，具体为：呼吸频率范围内的能量和与人体正常活动反射的能量和之比；呼吸能量比的最大值所在的位置为人体胸腔位置的中心位置。
所述步骤1中，呼吸能量比RPR的计算和人体胸腔的中心位置的估计方法如下：
步骤1.1、使用IR-UWB设备采集目标人员的反射信号，计算IR-UWB接收信号每个距离点对应的多普勒频移值；人体呼吸频率正常在10~37bpm，计算对应呼吸频率范围内的能量和。
感知目标（采集目标人员）的各种活动会导致IR-UWB脉冲信号，不仅仅包括人体的心跳信息，还同时包含着人员的晃动、四肢活动以及人体呼吸等其他生命体征信号。因此，对采集到的反射信号样本数据进行对齐，采用ButterWorth滤波器来筛选出心跳对应范围内的人体反射信号尤为关键。
步骤1.2、计算人体正常活动所反射的能量和，由于人体活动所影响的频率区间通常在50Hz以内，本发明中人体正常活动的频率区间为50~50Hz，因此计算50~50Hz的人体活动反射的能量和；
步骤1.3、通过将呼吸频率范围内的能量和与人体活动反射的能量和进行作比运算，得到对应的呼吸能量比；
步骤1.4、在进行平稳以及运动状态后心跳感知的过程中，由于人体的胸腔面积会存在多个不同的反射点，为了尽可能的获取到人体活动分量，以呼吸能量比的最大值所在的位置为中心，增加了一个宽度为31到41厘米的搜索区域，作为人体胸腔位置，用于后续提取人体心跳波形。
步骤2：利用IR-UWB设备获取人体胸腔位置的反射信号，并将其与心跳检测和呼吸检测设备获取的数据对齐；采用ButterWorth滤波器来筛选出心跳对应范围内的反射信号，之后对筛选出的反射信号按照时间维度分割；
Butterworth滤波器是一种递归滤波器，是一种对频率响应曲线没有干涉的滤波器，它可以提供平头响应，即在截止频率处的响应在通带和阻带之间平稳变化。
如图2所示，所述步骤2具体包括如下步骤：
步骤2.1、样本数据的对齐：将利用IR-UWB设备获取人体胸腔位置的反射信号，与心跳检测和呼吸检测设备获取的数据，进行匹配对齐；
本发明中的IR-UWB设备为雷达，由于IR-UWB设备的启动时间无法与商用呼吸带与心跳夹等检测设备同步，因此通过IR-UWB设备获取人体胸腔位置的反射信号与呼吸与心跳检测设备真实采集到的数据会有时延，需要对将采用IR-UWB获取人体胸腔位置的反射信号，与心跳检测和呼吸检测设备获取的数据，进行匹配对齐，来确保后续信号拟合的映射关系。虽然人体心跳波形无法控制，但是呼吸是可控的，因此通过呼吸波形的形态可以精准地完成信号对齐工作；
步骤2.2、采用ButterWorth滤波器来筛选出心跳对应范围内的反射信号，具体操作为：分别对反射信号的I和Q成分进行ButterWorth滤波，筛选出心跳频率对应的信号成分；
对于原始雷达信号而言，它是由I轴和Q轴构成的二维复平面信号，人体反射信息会对信号的I形态和Q形态造成影响，进而导致反射信号在I、Q复平面上的形态发生周期性变化。由于人体每分钟的心跳频率为 60-180 bpm，通过分别对信号的I和Q成分进行ButterWorth滤波，可以筛选出对应的1Hz-3Hz的信号成分，用于信号对齐，消除信号的时间偏移或延迟，确保信号在时间上的一致性和准确性，以便能够准确地处理信号；
步骤2.3、样本分割：对原始信号数据（步骤2.2筛选出的反射信号）进行分割，为了捕捉信号的特征之间的长期依赖关系，我们选择了将长时间序列信号分割成较短的样本，通过将信号按照时间维度分割成较短的样本，可以使得每个样本更容易单独处理和分析。每个样本的数据不能过于冗长，10s的样本长度相对适中，因此选择按照10s的时间维度分割样本。
步骤3:对步骤2按照时间维度分割后的反射信号的I信号和Q信号分别提取自相关特征；
通过自相关矩阵可以捕捉到特征之间的长期依赖关系、提供有关特征之间相互作用的信息，有助于后续步骤中深度学习模型更好地理解数据的内在结构和更好地利用数据中的信息。所以计算人体胸腔位置的反射信号样本对应的自相关矩阵是本发明的核心内容。
IR-UWB反射信号的I信号和Q信号提取自相关特征，由于人体的心跳是具有强周期相关性的，因此分别对两路信号计算对应的自相关矩阵，获取时间维度的周期性特征。
自相关矩阵（Autocorrelation Matrix）是一种描述随机变量之间相互依赖关系的矩阵。 对于一组随机变量，自相关矩阵的元素C(i, j)表示和之间的相关性。
在数学上，自相关矩阵被定义为：
其中，表示期望，i和j代表用于计算自相关性的时间延迟索引，r(i,j)表示自相关系数，X(t)表示人体心跳信号在时刻 t 的值，X(t+i-j)表示人体心跳信号在时刻 t+i−j 的值。
在将I信号和Q信号分别提取相关特征，作为两路相关特征后，计算得到的自相关矩阵可以捕捉到特征之间的长期依赖关系并提供有关特征之间相互作用的信息，这有助于深度学习模型更好地理解数据的内在结构，更好地利用数据中的信息。
步骤4：将步骤3中提取的I信号自相关矩阵和Q信号自相关矩阵，与真实心跳采集设备提取到的心跳波形的自相关矩阵进行特征映射，获得心跳速率的值，完成最终心跳波形的构建，实现基于IR-UWB的非接触式人体心跳波形提取。
所述步骤4通过自相关矩阵恢复人体的心跳波形是本发明的应用目标。
所述步骤4的操作采用深度学习模型实现。所述深度学习模型结构如图3所示，所述深度学习模型，包括四个TCNBlock层和一个卷积自动编码层，四层TCNBlock层分别设置的膨胀系数为1、2、4和8。
所述深度学习模型的输入为I信号与Q信号各自形成的自相关矩阵；所述深度学习模型，采用四个深度学习中的维时间卷积网络（Temporal Convolutional Network，TCN）完成I信号和Q信号的两路自相关矩阵与真实心跳采集模块提取到心跳波形的自相关矩阵之间的特征映射，并结合卷积自编码器完成最终心跳波形的构建，实现基于IR-UWB的非接触式人体心跳波形提取。
所述深度学习模型设有四个TCNBlock层，它是用于时间卷积网络（TCN）中的一种基本构建块。TCN是一种用于处理序列数据的深度学习模型，适合于处理具有连续时间依赖性的任务，主要作用是实现时间卷积操作，以捕捉序列数据中的长期依赖关系，它通过在时间维度上应用一系列的卷积核或滤波器，以捕捉不同时间间隔的依赖关系。这些卷积核在输入序列上进行滑动窗口操作，捕捉不同时间步长之间的相关性。在每一层TCNBlock层中，包含了两个膨胀卷积层（dilated convolution），通过增加卷积核中的间隔，膨胀卷积可以在不增加参数数量的情况下更好地捕捉到更广阔的上下文信息，从而提取更丰富的特征，这四个层都使用了权重归一化和ReLU激活函数，同时添加了dropout层用于防止过拟合与加快训练收敛的速度。模型中四层TCNBlock层分别设置膨胀系数为1、2、4和8。所述深度学习模型含有一个卷积自动编码层，它采用卷积层代替全连接层，对输入信号进行降采样，并强制自编码器学习象征的压缩版本，能够通过卷积编码将原来的信息码打乱，从而在出现大面积突发性错误时，通过解交织器分散这些错误，利于信道纠错的实现。
本文的实验设置如下：为了对各状态下人体心跳速率检测进行整体性能的评估,我们在正常状态下总共开展了10组实验，每组采集10分钟的心跳数据，每1分钟计算出一个bpm值。对于10组测试数据而言，其整体平均误差是4.1bpm，并且90%以上的数据的识别准确率都能达到误差为6.7bpm以下，从而表明本文提出方法的满足高精度的心跳检测的效率。
为了测试本文方法对于人体心跳速率检测的鲁棒性，我们在多种不同的实验环境下开展了相关测试，主要通过 4 个维度进行分析，分别是不同的受试者、不同的相对于IR-UWB设备的距离、不同的角度以及受试者的状态。
(1) 不同的受试者：7名受试者的人体心跳心率的平均误差为2.643bpm每分钟，并且最高的心率误差为6.5bpm每分钟，该结果证实了本文方法对人类受试者之间的差异并不敏感，对所有受试者都有效。
(2) 不同的距离：在现实场景中，IR-UWB和受试者之间的距离通常会影响传感性能。由于对IR-UWB 设备而言，随着脉冲信号传播距离的增加，信号会呈现出非线性衰减的特征，导致感知精度降低，因此为了评估距离的影响，我们将受试者距离设置为1.2米、2.4米和3.6米，并相应地收集测量数据。在距离为1.2m时，平均误差为1.5bpm每分钟；距离为2.4m时，平均误差为2.5bpm每分钟；当距离增加到3.6米时，人体心跳心率的准确度略微降低，平均误差为9bpm每分钟。对于本文提出的方法而言，当感知距离保持在1.2米到3.6米之间，足够满足日常使用的需求。
(3) 不同角度的影响：除距离外，不同的角度也会对感知能力产生重要影响。目前基于IR-UWB的感知工作通常会严格控制终端与感知目标之间的角度。在日常现实场景中,受限于室内房间布置，无法保持 IR-UWB 的射频天线正对人体中心位置，因此我们对不同角度下的感知性能开展相关测试，当人体中心正对射频天线时记为90°，同时向两侧分别测试了30°、60°、90°、120°。当目标在射频天线的中心区域得到的人体心跳心率的准确度最高，平均误差为1.5bpm每分钟。随着受试者与射频天线之间的夹角变大，人体心跳心率的准确度也在不断降低，最高的误差为6bpm每分钟。我们认为当受试者处于IR-UWB的波束范围内，本文方法可以保持高精度的感知效果。
(4)不同状态的影响：在实际场景中，用户会因为不同状态而改变心跳速率，因此为了保证不同状态下的人体心跳心率的准确度也是人体心跳速率检测的重点工作。我们在实验场景中对受试者进行了站立和静坐的姿态下非运动状态以及运动状态后的心跳速率的检测，在睡眠状态下人体心率的误差最小，为2.4bpm每分钟；坐姿状态下，其平均误差为4.1bpm每分钟；运动后其平均误差最高，为7.65bpm每分钟。
如上所述，尽管参照特定的优选实施例已经表示和表述了本发明，但其不得解释为对本发明自身的限制。在不脱离所附权利要求定义的本发明的精神和范围前提下，可对其在形式上和细节上作出各种变化。
Claims (2)
1.一种非接触式人体心跳波形提取方法，其特征在于，通过利用IR-UWB设备来获取目标人员心跳的反射信号并构建所述反射信号的自相关矩阵特征，与真实心跳采集设备提取到的心跳波形的自相关矩阵进行特征映射，利用心跳周期信号所具有的周期相似性特征获得心跳速率的值，构建心跳波形；包括如下步骤：
步骤1、为准确获取人体的心跳信息，采用基于IR-UWB的能量比指标估计人体胸腔位置，作为心跳信号反射区域；
步骤2、利用IR-UWB设备获取人体胸腔位置的反射信号，并将其与心跳检测和呼吸检测设备获取的数据对齐；采用ButterWorth滤波器来筛选出心跳对应范围内的反射信号，之后对筛选出的反射信号按照时间维度分割；
步骤3、对步骤2按照时间维度分割后的反射信号的I信号和Q信号分别提取自相关特；
步骤4、将步骤3中提取的I信号自相关矩阵和Q信号自相关矩阵，与真实心跳采集设备提取到的心跳波形的自相关矩阵进行特征映射，获得心跳速率的值，完成最终心跳波形的构建，实现基于IR-UWB的非接触式人体心跳波形提取；
步骤1的具体步骤如下：
步骤1.1、使用IR-UWB设备采集目标人员的反射信号，计算IR-UWB接收信号每个距离点对应的多普勒频移值，并计算人体呼吸频率范围内的能量和；
步骤1.2、计算人体正常活动的频率区间内所反射的能量和；
步骤1.3、通过将步骤1.1中计算的人体呼吸频率范围内的能量和与步骤1.2中计算的人体活动反射的能量和进行作比运算，得到呼吸能量比；
步骤1.4、以呼吸能量比的最大值所在的位置为人体胸腔位置的中心位置，并增加
增加宽度为31厘米至46厘米的搜索区域，作为人体胸腔位置；
步骤2的具体步骤如下：
步骤2.1：将利用IR-UWB设备获取人体胸腔位置的反射信号，与心跳检测和呼吸检测设备获取的数据，进行匹配对齐；
步骤2.2：采用ButterWorth滤波器来筛选出心跳对应范围内的反射信号，具体操作为：分别对反射信号的I和Q成分进行ButterWorth滤波，筛选出心跳频率对应的信号成分；
步骤2.3：步骤2.2筛选出的反射信号进行分割，按照时间维度分割样本。
2.根据权利要求1所述的一种非接触式人体心跳波形提取方法，其特征在于，所述步骤4的操作采用深度学习模型实现，所述深度学习模型，包括四个TCNBlock层和一个卷积自动编码层，四层TCNBlock层分别设置的膨胀系数为1、2、4和8。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410634926.XA CN118216887B (zh) | 2024-05-22 | 2024-05-22 | 一种非接触式人体心跳波形提取方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410634926.XA CN118216887B (zh) | 2024-05-22 | 2024-05-22 | 一种非接触式人体心跳波形提取方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN118216887A CN118216887A (zh) | 2024-06-21 |
| CN118216887B true CN118216887B (zh) | 2024-10-11 |
Family
ID=91507677
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410634926.XA Active CN118216887B (zh) | 2024-05-22 | 2024-05-22 | 一种非接触式人体心跳波形提取方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN118216887B (zh) |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112220464A (zh) * | 2020-10-27 | 2021-01-15 | 广西脉吾科技有限责任公司 | 一种基于uwb雷达的人体呼吸心跳信号检测方法和系统 |
| CN114052709A (zh) * | 2021-12-02 | 2022-02-18 | 中国电子科技南湖研究院 | 一种稳健的毫米波雷达生命体征测量方法 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10206610B2 (en) * | 2012-10-05 | 2019-02-19 | TransRobotics, Inc. | Systems and methods for high resolution distance sensing and applications |
| CN115708675B (zh) * | 2022-11-21 | 2025-05-16 | 南京邮电大学 | 基于毫米波雷达的心率估计方法 |
-
2024
- 2024-05-22 CN CN202410634926.XA patent/CN118216887B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112220464A (zh) * | 2020-10-27 | 2021-01-15 | 广西脉吾科技有限责任公司 | 一种基于uwb雷达的人体呼吸心跳信号检测方法和系统 |
| CN114052709A (zh) * | 2021-12-02 | 2022-02-18 | 中国电子科技南湖研究院 | 一种稳健的毫米波雷达生命体征测量方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN118216887A (zh) | 2024-06-21 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108416367B (zh) | 基于多传感器数据决策级融合的睡眠分期方法 | |
| CN106066995B (zh) | 一种无线非绑定人体行为检测算法 | |
| CN112998690B (zh) | 一种基于脉搏波多特征融合的呼吸率提取方法 | |
| CN113435283B (zh) | 一种基于呼吸样本空间的超宽带雷达身份识别方法 | |
| CN116705337A (zh) | 一种健康数据采集及智能分析方法 | |
| CN104382614A (zh) | 一种基于快速独立分量分析的心音肺音信号分离方法及装置 | |
| CN115474901A (zh) | 基于无线射频信号的非接触式起居状态监测方法及系统 | |
| CN114569096B (zh) | 一种基于视频流的非接触式连续血压测量方法及系统 | |
| CN105125206A (zh) | 一种智能心电监护方法及装置 | |
| CN119538119B (zh) | 基于生理信号的小儿呼吸异常检测方法及系统 | |
| CN110639169B (zh) | 基于游戏和肌电信号的cpm下肢康复训练方法及系统 | |
| CN113743374A (zh) | 一种基于信道状态信息呼吸感知的人员身份识别方法 | |
| CN110338791A (zh) | 基于样本熵和高斯模型的表面肌电信号活动段分割方法 | |
| CN114469041A (zh) | 一种运动过程中心率变化数据特征分析方法 | |
| CN110786849A (zh) | 基于多视图鉴别分析的心电信号身份识别方法及系统 | |
| CN115905819A (zh) | 基于生成对抗网络的rPPG信号生成方法及装置 | |
| CN118216887B (zh) | 一种非接触式人体心跳波形提取方法 | |
| CN115251845A (zh) | 基于TB-TF-BiGRU模型处理脑电波信号的睡眠监测方法 | |
| Bastwesy et al. | Wi-nod: Head nodding recognition by wi-fi csi toward communicative support for quadriplegics | |
| CN118822947A (zh) | 深度学习神经网络的呼吸模式检测方法、装置及控制器 | |
| CN118035793A (zh) | 一种基于rfid无源感知的copd患者康复训练动作分类方法 | |
| CN106419884A (zh) | 一种基于小波分析的心率计算方法与系统 | |
| CN114947792B (zh) | 一种基于视频的生理信号测量与增强方法 | |
| CN215820931U (zh) | 一种基于毫米波雷达的生命体征检测与身份识别系统 | |
| CN115089125A (zh) | 一种监测睡眠特征和呼吸率的方法及装置 |
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 |