基于多尺度残差收缩网络的多普勒雷达心跳检测方法技术

本发明专利技术为基于多尺度残差收缩网络的多普勒雷达心跳检测方法，考虑时域上的连续波雷达信号在不同时间尺度上表现不同，提出多尺度时域特征提取模块，并将其置于残差收缩网络结构中，构成多尺度残差收缩模块，残差收缩网络使用软阈值作为非线性转换层，可以有效地排除干扰心跳检测的相关噪声；对不同尺度下的雷达信号进行希尔伯特

【技术实现步骤摘要】
基于多尺度残差收缩网络的多普勒雷达心跳检测方法


[0001]本专利技术属于基于多普勒雷达信号进行心跳检测
，具体涉及一种基于多尺度残差收缩网络的多普勒雷达心跳检测方法。该方法从一维雷达信号中提取心跳信号，是一种基于深度学习框架的雷达信号重构方法。

技术介绍

[0002]传统接触式的心跳检测方法可以准确地测量出心率，但是也存在一些特殊情况下不适用、不方便的问题，如皮肤烧伤、敏感等，于是非接触式心跳检测被广泛研究。相较于基于红外传感器、基于相机的视觉传感器的非接触式检测方法，基于雷达的方法不受温度、光照等环境因素的影响且具有较强的穿透性，还可以更好地保护测试者的隐私。同时，在众多雷达体制中，连续波多普勒雷达因为具有结构简单、功耗低、探测精度高、低频谱占用等优势，所以成为现在监测生命体征最常用的雷达体制之一。
[0003]呼吸和心跳会导致胸腔壁的位移，所以连续波多普勒雷达通过捕获胸腔壁的前后位移信息来获取生理信号，呼吸和心跳导致的位移幅度很小，属于微位移信号，所以采集的雷达信号中常常包含身体晃动以及环境带来的噪声，严重影响心跳检测的效果本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于多尺度残差收缩网络的多普勒雷达心跳检测方法，其特征在于，该方法包括以下步骤：步骤1：使用连续波多普勒雷达来捕获胸腔壁位移信息，获取不同测试者的多组连续雷达信号；采集与雷达信号相同采样频率的对应心电图数据，获得EEG信号，设定一次心跳事件的持续时间，对应一次心跳事件的时间的ECG标签值设为1，其余所有时间ECG的标签值均为0，保存采集时间、ECG标签值；以多组连续雷达信号以及对应的ECG标签值构成数据集；步骤2：将数据集划分为训练集和测试集；步骤3：构建多尺度残差收缩网络：所述多尺度残差收缩网络包括N层堆叠的多尺度残差收缩模块和N个希尔伯特
‑
黄滤波模块，前N
‑
1个多尺度残差收缩模块的输出分别连接一个希尔伯特
‑
黄滤波模块，以雷达信号作为输入，输入信号分别进入第一个多尺度残差收缩模块和一个希尔伯特
‑
黄滤波模块，且N层堆叠的多尺度残差收缩模块依次串联的输出与每个希尔伯特
‑
黄滤波模块的输出进行特征融合，特征融合的结果经全连接层后输出重构雷达信号；所述希尔伯特
‑
黄滤波模块的具体流程是：首先经过经验模态分解在不同时间尺度上将雷达信号分解为多个内涵模态分量，然后经过希尔伯特变换得到各个分量的解析信号，解析信号是一个复数信号，复数的模和幅角代表了信号的幅度和相位，其中实部表示原始信号，虚部表示希尔伯特变换信号，之后交由滤波层进行特征提取，滤波层由卷积层、BN层以及ReLU激活函数组成，进一步对希尔伯特
‑
黄变换后得到的信息进行特征提取；之后将滤波层输出的特征再进行三次希尔伯特变换实现希尔伯特逆变换获得特征提取后的模态分量，再将特征提取后的模态分量进行经验模态叠加，获得处理后的雷达信号特征；步骤4：利用数据集训练多尺度残差收缩网络，以训练好的多尺度残差收缩网络获得重构后的雷达信号，根据重构后的雷达信号进行心跳检测。2.根据权利要求1所述的基于多尺度残差收缩网络的多普勒雷达心跳检测方法，其特征在于，所述雷达信号的采集使用24GHz连续波多普勒雷达来捕获胸腔壁位移信息，测试者静坐在距离雷达60cm处，采样频...

【专利技术属性】
技术研发人员：顾军华，邢佳豪，张亚娟，孟祥辉，
申请(专利权)人：河北工业大学，
类型：发明
国别省市：