【技术实现步骤摘要】
本专利技术属于睡眠监测领域，具体涉及一种基于毫米波雷达的体征检测方法及其睡眠监测方法。
技术介绍
1、近年来，随着社会经济的发展，人们的物质生活质量不断提高，但因工作压力的增长以及身体锻炼的缺乏，由突发性疾病导致的身体健康事故日益增多。此外，过大的精神压力也严重影响了人们的睡眠质量，导致睡眠质量不佳的问题愈发普遍。据国际精神卫生和神经学基金会的调查结果显示，我国成年人睡眠障碍者达38.2％，30％-48％的老年人患有失眠症。同时，睡眠质量不佳也可能导致人体多种疾病的发生，例如糖尿病、心脏病和高血压等。因此，日常的体征检测和睡眠质量监测在睡眠问题发现、维护人体健康方面具有重要意义。
2、人体生命体征主要有心跳、呼吸、体温、血压等信息参数，其中呼吸和心跳与人的健康状况有很大的关联性，是衡量人体生命体征是否正常的重要参考指标。据《中国统计年鉴》统计，心脏病和呼吸系统疾病已经成为近十年内我国居民因疾病死亡的主要疾病。同时，呼吸和心跳的相关体征参数及其变化情况也是进行睡眠分期，进而实现睡眠质量评估的重要依据。当前，相关的检测方式可以分为接触式和非接触式两类。较为普及的检测设备大多基于接触式技术，如多导生理检测仪、心电图(eeg)、电子血压计、血氧仪、穿戴式心率计等，通过电极等接触式传感器采集人体的生理电信号实现体征检测和睡眠监测。虽然这些接触式检测技术的精度较高，但在日常生活和一些特殊应用场景中存在不足。大多数接触检测设备不仅存在体积大、价格昂贵等缺点，在舒适性和便捷性上也存在不足。此外，对于一些特殊患者，如烧伤、患有可通过接
3、非接触式生命体征技术可以在不接触受试者的情况下检测生命体征信号，弥补了上述接触式检测的不足。非接触式检测方法涉及的仪器有可见光摄像头、红外摄像头和雷达。可见光摄像头及红外摄像头都是通过脸部来检测呼吸及心率，但是可见光摄像头也会因光线强度、遮挡物以及人体摆动造成误差,红外摄像头也会因室温、遮挡物以及人体摆动造成误差，且在实施时也会容易受到个人隐私泄露等因素的影响而难以普及。而用雷达检测人体的生命体征信息时，具有可穿透衣物、不受光照、温度影响、保护隐私等优势。
4、其中，毫米波雷达由于波长短，天线尺寸小易于集成等优越特性受到广泛的欢迎。基于毫米波雷达的体征检测和睡眠质量监测是利用雷达信号检测人体相关体征情况，并以此为依据对目标的睡眠状态进行分期，最后根据体征状况和不同睡眠阶段的分布情况对人体的睡眠质量进行评估分析。其在医疗检测、家庭健康监护、智能驾驶、探测救援等多方面都有很大应用性，具有广阔的发展前景。
5、当前，一些研究通过建模包含呼吸与心跳模式的毫米波雷达信号与睡眠阶段间的复杂的非线性关系，基于cnn、lstm等深度学习网络，将包含呼吸、心跳模式的毫米波雷达微多普勒信号的时频图等特征谱图作为输入，实现了睡眠阶段或睡眠状况的分类预测。
6、这种检测方法虽然避免了人工提取特征，但无法获得准确的体征的相关参数，因此在睡眠分期和睡眠质量的评估中不仅准确性较低，缺少重要的数据支撑，还较难发现睡眠过程中部分突发、短暂的异常数据，在睡眠阶段的转变以及体征和睡眠问题的发现上敏感性较低。此外，这种方法的算法模型和输入数据比较复杂，计算和数据存储的成本较高。
7、现有的通过毫米波雷达采集的检测信号进行体征数据处理和分析，并基于体征参数特征进行睡眠分期和睡眠质量评估是大部分研究采用的方法思路。这些方法通过处理雷达回波数据矩阵，确定检测目标的距离单元并提取其相应相位差信号，之后依据呼吸和心跳信号的频率范围通过滤波器和fft等算法实现了呼吸和心跳信号和分类和频谱估计，最后以相关体征参数为特征进行睡眠分期。
8、但是由于体征信号较为微弱，容易受到来自环境、人体躯干以及其他运动的反射杂波的影响。上述方法通常仅考虑到了静态杂波的影响，对来自随机体动、呼吸谐波的动态杂波干扰没有进行有效的去除。此外，fft等传统频谱估计方法也可能由于分辨率不足造成主频估计的偏离，这在体征数据上可能会造成严重偏差。上述这些缺陷导致了算法的准确率低和鲁棒性的不足，并且在一些干扰显著的检测中可能出现数据结果准确性严重下降的问题，最终造成睡眠分期和睡眠质量评估的严重偏离和错误估计，因此需要提出一种基于毫米波雷达的的体征检测方法及其睡眠监测方法。
技术实现思路
1、本专利技术的目的，是为了解决
技术介绍
中的问题，提供一种基于毫米波雷达的体征检测方法及其睡眠监测方法。
2、本专利技术的上述技术目的是通过以下技术方案得以实现的：
3、一种基于毫米波雷达的体征检测方法，步骤如下：
4、s1,预处理，首先将检测到的雷达中频信号进行距离维fft处理，并采用运动目标检测算法去除静态杂波；
5、s2,相位差信号的提取，确定检测目标的距离单后，通过反正切函数计算目标当前的相位信息，但在计算机运行中存在相位卷绕的问题，需要对相位进行解缠绕，之后通过相位差分得到相位差信号，并采用平滑滤波去除相位差信号中的脉冲干扰，该相位差信息即可表示目标与雷达的距离变化；
6、s3,体征参数估计，采用iir数字滤波器对呼吸和心跳信号进行分离，随后通过经麻雀搜索算法优化的变分模态分解算法进一步分离呼吸谐波等动态杂波信号，最后通过多信号分类算法作为实现呼吸和心跳信号的参数估计。
7、变分模态分解(vmd)算法在处理非平稳、非线性信号方面具有明显的优势，是一种自适应信号处理方法。vmd通过迭代寻找变分模型的最优解来确定各本征模态函数(imf)分量的中心频率和带宽，从低频到高频分离为多个模态分量，如图3所示。与经验模态分解(emd)算法不同，vmd算法可以自行选择imf的个数，克服了emd算法的局限性。然而，vmd算法的分解效果高度依赖参数的选取。其中模态数量k和惩罚因子α对于vmd算法的精度起决定性作用：k值设置过小会导致模态混叠，过大会导致分解过度，α会对模态分量的带宽大小产生直接的影响从而影响分解精度。凭经验选取的固定数值难以满足不同条件下的检测。
8、麻雀搜索(ssa)算法是2020年提出的一种新型的群智能优化算法。ssa算法相比于其他群智能优化算法具有稳定性好，收敛速度快，鲁棒性好等优点，在局部寻优上有更高精度。采用ssa以包络熵为适应度函数的选取[k，α]最佳组合，即将信号矩阵通过vmd分解在整个区间内全局搜索最小熵值，此时分解参数即为最优解。
9、通过ssa算法的优化，vmd算法能够通过选取最优的参数组合应用于干扰更复杂的检测环境，也能够适应拥有不同体征状态的多样化检测群体，极大增强了算法的泛化性和鲁棒性。
10、多信号分类(music)算法能够通过对体征信号矩阵进行协方差矩阵特征分解，构造代价函数，并对代价函数进行谱峰搜索来实现对每个频率点的频率估计。music能够作为一种高分辨率的估计方法在体征检测中实现准确的参数估计，并进一步去除了同一距离单元内其他本文档来自技高网...
【技术保护点】
1.一种基于毫米波雷达的体征检测方法，步骤如下：
2.根据权利要求1所述一种基于毫米波雷达的体征检测方法，其特征在于，所述变分模态分解算法通过迭代寻找变分模型的最优解来确定各本征模态函数分量的中心频率和带宽，将信号从低频到高频分离为多个模态分量。
3.根据权利要求1所述的一种基于毫米波雷达的体征检测方法，其特征在于，麻雀搜索算法以包络熵为适应度函数的选取[k，α]最佳组合，即将信号矩阵通过VMD分解在整个区间内全局搜索最小熵值，此时分解参数即为最优解。
4.根据权利要求1所述的一种基于毫米波雷达的体征检测方法，其特征在于，多信号分类算法通过对体征信号矩阵进行协方差矩阵特征分解，构造代价函数，并对代价函数进行谱峰搜索来实现对每个频率点的频率估计。
5.一种基于毫米波雷达的睡眠监测方法，其特征在于，包括以下步骤：
6.根据权利要求5所述的一种基于毫米波雷达的睡眠监测方法，其特征在于，睡眠分期分析中采用睡眠特征参数和睡眠分期算法，多导睡眠图将夜间睡眠分为清醒、快速眼动睡眠、浅睡眠和深度睡眠，快速眼动睡眠为REM，浅睡眠为NRE
7.根据权利要求6所述的一种基于毫米波雷达的睡眠监测方法，其特征在于，基于上述的特征指标，利用支持向量机算法实现了四个睡眠阶段的分期。
8.根据权利要求7所述的一种基于毫米波雷达的睡眠监测方法，其特征在于，参考匹兹堡睡眠质量指数的评估规则，基于所得的体征和睡眠数据建立了睡眠质量评估模型，对睡眠质量进行分析判断。
9.根据权利要求8所述的一种基于毫米波雷达的睡眠监测方法，其特征在于，睡眠质量评估模型选用的主、客观评价指标包含以下二十种：入睡时间、实际睡眠时长、深睡期占比、浅睡期占比、快速眼动期占比、清醒次数、体动次数、平均呼吸率、平均心率、最大/最小呼吸率、最大/最小心率、平均呼吸率方差、平均心率方差、平均呼吸幅差累加、平均心跳幅差累加、是否存在呼吸异常、是否存在心率异常、是否采用催眠药物、是否做噩梦、醒后精神状态。
...【技术特征摘要】
1.一种基于毫米波雷达的体征检测方法，步骤如下：
2.根据权利要求1所述一种基于毫米波雷达的体征检测方法，其特征在于，所述变分模态分解算法通过迭代寻找变分模型的最优解来确定各本征模态函数分量的中心频率和带宽，将信号从低频到高频分离为多个模态分量。
3.根据权利要求1所述的一种基于毫米波雷达的体征检测方法，其特征在于，麻雀搜索算法以包络熵为适应度函数的选取[k，α]最佳组合，即将信号矩阵通过vmd分解在整个区间内全局搜索最小熵值，此时分解参数即为最优解。
4.根据权利要求1所述的一种基于毫米波雷达的体征检测方法，其特征在于，多信号分类算法通过对体征信号矩阵进行协方差矩阵特征分解，构造代价函数，并对代价函数进行谱峰搜索来实现对每个频率点的频率估计。
5.一种基于毫米波雷达的睡眠监测方法，其特征在于，包括以下步骤：
6.根据权利要求5所述的一种基于毫米波雷达的睡眠监测方法，其特征在于，睡眠分期分析中采用睡眠特征参数和睡眠分期算法，多导睡眠图将夜间睡眠分为清醒、快速眼动睡眠、浅睡眠和深度睡眠，快速眼动睡眠为r...
【专利技术属性】
技术研发人员：巫彤宁，方彦雯，唐高鹏，卫敏，廖钟财，
申请(专利权)人：和也健康科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。