基于机器学习的生命体征检测方法、系统、设备及介质技术方案

本发明专利技术公开了基于机器学习的生命体征检测方法、系统、设备及介质，利用毫米波雷达对目标进行监测，获得目标信息；将目标信息输入预先建立的监测模型，获得生命体征信号，所述生命体征信号包括呼吸信号和心跳信号；所述监测模型的建立过程为：利用毫米波雷达对不同目标进行监测，获得目标信息，所述目标信息包括目标信号和目标回波信号；将目标信号和目标回波信号合成为中频信号；对中频信号进行信号处理得到呼吸信号对应频率和心跳信号对应频率；以呼吸信号对应频率和心跳信号对应频率作为标签构建若干R

【技术实现步骤摘要】
基于机器学习的生命体征检测方法、系统、设备及介质


[0001]本专利技术属于医疗检测领域，具体涉及一种基于机器学习的生命体征检测方法、系统、设备及介质。

技术介绍

[0002]人体生命体征显示了人体重要功能的状态，是现代医疗保健和医疗应用中的重要指标。有几种已知的生命体征，例如心跳，呼吸，体温和血压。如果一个人的生命体征与正常值不同，则表明这个人出现了健康问题甚至是有生命危险的早期迹象。所以监测心跳和呼吸信号等重要参数可以提前了解到自己身体的变化甚至可以为医生提供可靠的诊断和治疗依据。
[0003]呼吸频率和心跳率是重要的生命体征，在医学领域作为许多诊断生命的物理指标。大多数用于测量用户呼吸的现有技术，如呼吸计、肺活量计和光电容积脉搏波(PPG)，都是作为接触式设备运行的。基于可穿戴传感器的方法和基于粘性电极的方法都由于有线线路而限制了用户的使用场景，因此它们不能真正反映用户生命特性参数随无意识运动的变化。而且，接触式传感器通常操作复杂，使用范围受限，经常让用户感到不舒服。非接触式设备会使用户的舒适度和接受力更高，出于长期监测目的，非接触式的生命体征监测手段是大势所趋。
[0004]此外，使用非接触式设备将比接触式设备更好的降低病毒传播风险。

技术实现思路

[0005]本专利技术的目的在于提供一种基于机器学习的生命体征检测方法、系统、设备及介质，以解决现有技术存在的问题，本专利技术通过机器学习训练模型，使得能够将接收到的目标胸部位移信号进行分析得到心跳频率和位移频率，进而得到目标生命体征检测结果，对目标的生命安全有一定的警示作用，可以用于日常场景及医院等专业领域。
[0006]为达到上述目的，本专利技术采用如下技术方案：
[0007]基于机器学习的生命体征检测方法，包括：
[0008]利用毫米波雷达对目标进行监测，获得目标信息；
[0009]将目标信息输入预先建立的监测模型，获得生命体征信号，所述生命体征信号包括呼吸信号和心跳信号；
[0010]所述监测模型的建立过程为：
[0011]利用毫米波雷达对不同目标进行监测，获得目标信息，所述目标信息包括目标信号和目标回波信号；
[0012]将目标信号和目标回波信号合成为中频信号；
[0013]对中频信号进行信号处理得到呼吸信号对应频率和心跳信号对应频率；
[0014]以呼吸信号对应频率和心跳信号对应频率作为标签构建若干R
‑
D图；
[0015]通过若干R
‑
D图对学习模型进行训练，得到监测模型。
[0016]进一步地，所述毫米波雷达采用FMCW调频连续波雷达。
[0017]进一步地，所述将目标信号和目标回波信号合成为中频信号，具体为：以雷达发射信号作为目标信息，以接收信号作为目标回波信号，对于一个周期的信号：
[0018][0019]其中，S为扫描斜率，T
c
为扫描周期，B为带宽；
[0020]故发射信号频率随时间变化的表达式为：
[0021][0022]其中，f
c
为雷达信号起始频率；
[0023]从而，发射信号角频率ω(t)随时间变化的关系为：
[0024][0025]发射信号相位θ(t)在时刻t的表达式为：
[0026][0027]发射信号在介质中传输时的瞬时相位还叠加有噪声相位
[0028][0029]则在介质中传输的FMCW雷达发射信号为：
[0030][0031]其中，α为发射信号幅度；
[0032]接收信号相当于在发射信号的基础上延时τ，其表达式为：
[0033][0034]其中，β为接收信号幅度，τ为电磁波在介质中传播及返回的时间：
[0035][0036]其中，R(t)为目标与雷达的实时距离，当目标与雷达标尺相对静止时，R(t)的微小变化由心跳和呼吸引起的体表微动决定，故将R(t)建模为：
[0037]R(t)＝R0+x(t)
[0038]其中，R0为目标与雷达保持相对静止时的初始距离，x(t)在生命体征检测应用场景中为心跳呼吸引起的距离变化量；
[0039]中频信号是接收信号和发射信号混频后得到的，中频信号相位为发射信号与接收信号相位差：
[0040][0041]其中，为剩余噪声相位，其值为：
[0042][0043]故将中频信号表示为：
[0044][0045]进一步地，对于多个周期的信号：
[0046]发射信号频率在上升沿随时间变化的表达式为：
[0047][0048]其中，t的取值范围为：mT
RRI
≤t≤(m+1)T
RRI
，m＝0，1，2，3，...，M
‑
1；
[0049]因此发射信号的相位为：
[0050][0051]其中，θ0(m)为第m个周期信号的初相位，其大小为：
[0052][0053]在介质中传播的发射信号相位为：
[0054][0055]从而发射信号表达式为：
[0056][0057]接收信号表示式为：
[0058][0059]中频信号相位为：
[0060][0061]式中，t
m
表示第m个周期的任意时刻，称为慢时间，t
m
＝t
‑
mT
RRI
；
[0062]由此，多周期中频信号表达式为：
[0063][0064]进一步地，所述对中频信号进行信号处理得到呼吸信号对应频率和心跳信号对应频率，具体包括：
[0065]对中频信号分别从快时间维度和慢时间维度进行采样，快时间采样是在单个周期信号内对中频信号进行采样，慢时间采样是在所有的周期信号内对中频信号相位进行采样；
[0066]沿着慢时间维度进行FFT，得到N*M维数据，N代表每帧的采样点数，M代表采样帧数，对M帧快时间采样点使用1D
‑
FFT进行谱分析，得到M个频谱图，再将频率换算成距离，得到距离谱图，在有效距离范围内，提取每帧频距离谱图中的前K个最大峰值对应的索引，得到K*M维距离单元数据，对K*M维距离单元数据的每一行提取众数，形成K*1维距离单元数据，此时锁定K个潜在目标，潜在目标确定后，提取各自M个1D
‑
FFT谱图中的相位值，对展开后的相位做一阶差分处理，通过比较K个潜在目标相位一阶差分值在慢时间维度的均方差，判断目标是否存在，同时锁定目标距离单元；
[0067]使用angle函数对K个潜在目标相位提取，对提取的相位进行展开操作，相位展开后进行一阶差分操作，对一阶差分后的信号进行滑动平均滤波；
[0068]对滑动平均滤波后的信号进行带通滤波，带通滤波后使用2D
‑
FFT进行谱估计，通过谱峰搜索获得呼吸信号对应频率及心跳信号对应频率。
[0069]进一步地，所述1D
‑
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于机器学习的生命体征检测方法，其特征在于，包括：利用毫米波雷达对目标进行监测，获得目标信息；将目标信息输入预先建立的监测模型，获得生命体征信号，所述生命体征信号包括呼吸信号和心跳信号；所述监测模型的建立过程为：利用毫米波雷达对不同目标进行监测，获得目标信息，所述目标信息包括目标信号和目标回波信号；将目标信号和目标回波信号合成为中频信号；对中频信号进行信号处理得到呼吸信号对应频率和心跳信号对应频率；以呼吸信号对应频率和心跳信号对应频率作为标签构建若干R
‑
D图；通过若干R
‑
D图对学习模型进行训练，得到监测模型。2.根据权利要求1所述的基于机器学习的生命体征检测方法，其特征在于，所述毫米波雷达采用FMCW调频连续波雷达。3.根据权利要求2所述的基于机器学习的生命体征检测方法，其特征在于，所述将目标信号和目标回波信号合成为中频信号，具体为：以雷达发射信号作为目标信息，以接收信号作为目标回波信号，对于一个周期的信号：其中，S为扫描斜率，T
c
为扫描周期，B为带宽；故发射信号频率随时间变化的表达式为：其中，f
c
为雷达信号起始频率；从而，发射信号角频率ω(t)随时间变化的关系为：发射信号相位θ(t)在时刻t的表达式为：发射信号在介质中传输时的瞬时相位还叠加有噪声相位还叠加有噪声相位则在介质中传输的FMCW雷达发射信号为：其中，α为发射信号幅度；
接收信号相当于在发射信号的基础上延时τ，其表达式为：其中，β为接收信号幅度，τ为电磁波在介质中传播及返回的时间：其中，R(t)为目标与雷达的实时距离，当目标与雷达标尺相对静止时，R(t)的微小变化由心跳和呼吸引起的体表微动决定，故将R(t)建模为：R(t)＝R0+x(t)其中，R0为目标与雷达保持相对静止时的初始距离，x(t)在生命体征检测应用场景中为心跳呼吸引起的距离变化量；中频信号是接收信号和发射信号混频后得到的，中频信号相位为发射信号与接收信号相位差：其中，为剩余噪声相位，其值为：故将中频信号表示为：4.根据权利要求3所述的基于机器学习的生命体征检测方法，其特征在于，对于多个周期的信号：发射信号频率在上升沿随时间变化的表达式为：其中，t的取值范围为：mT
RRI
≤t≤(m+1)T
RRI
，m＝0,1,2,3,
…
,M
‑
1；因此发射信号的相位为：
其中，θ0(m)为第m个周期信号的初相位，其大小为：在介质中传播的发射信号相位为：从而发射信号表达式为：接收信号表示式为：中频信号相位为：式中，t
m
表示第m个周期的任意时刻，称为慢时间，t
m
＝t
‑
mT
RRI
；由此，多周期中频信号表达式为：
5.根据权利要求4所述的基于机器学习的生命体征检测方法，其特征在于，所述对中频信号进行信号处理得到呼吸信号对应频率和心跳信号对应频率，具体包括：对中频信号分别从快时间维度和慢时间维度进行采样，快时间采样是在单个周期信号内对中频信号进行采样，慢时间采样是在所有的周期信号内对中频信号相位进行采样；沿着慢时间维度进行FFT，得到N*M维数据，N代表每帧的采样点数，M代表采样帧数，对M帧快时间采样点使用1D
‑
FFT进行谱分析，得到M个频谱图，再将频率换算成距离，得到距离谱图，在有效距离范围内，提取每帧频距离谱图中的前K个最大峰值对应的索引，得到K*M维距离单元数据，对K*M维距离单元数据的每一行提取众数，形成K*1维距离单元数据，此时锁定K个潜在目标，潜在目标确定后，提取各自M个1D
‑
FFT谱图中的相位值，对展开后的相位做一阶差分处理，通过比较K个潜在目标相位一阶差分值在慢时间...

【专利技术属性】
技术研发人员：张晓东，常雄威，桑书影，刘亚，杨子江，
申请(专利权)人：西安深信科创信息技术有限公司，
类型：发明
国别省市：