【技术实现步骤摘要】
本专利技术涉及雷达人体感知，尤其涉及一种基于fmcw雷达的人体睡姿识别和生命体征监测方法。
技术介绍
1、随着社会经济的持续发展，人们对个人健康问题的认识不断提升，对健康监测系统的需求愈发迫切。在这一背景下，睡眠质量评估成为备受关注的话题。识别和监测睡眠姿势对于评估阻塞性睡眠呼吸暂停(osa)患者的睡眠质量至关重要。此外，呼吸率(rr)、心率(hr)、心率变异性(hrv)以及呼吸暂停状态等生理参数也是评估睡眠质量的重要指标。目前，睡眠监测设备主要分为两大类：1)基于接触式传感器的方法；2)基于非接触式传感器的方法。接触式传感器包括心电图(ecg)、脑电图(eeg)和压敏床单织物传感器等。然而，接触式传感器可能会导致睡眠不适，并且其硬件成本较高。相比之下，非接触式传感器，如摄像机、wi-fi传感器和雷达传感器等，具有更多优势。然而，摄像机存在隐私问题，并且在弱光环境下表现不佳；wi-fi传感器易受环境干扰，性能通常受到距离和信号衰减的限制。近年来，调频连续波(fmcw)雷达系统凭借其高分辨率、低功耗和高系统集成度的特点，广泛应用于呼吸率(rr)、心率(hr)、心率变异性(hrv)以及呼吸暂停事件的检测和睡眠姿势识别。
2、针对静态睡姿识别问题，深度学习方法通常需要大量的训练数据，并且可能存在泛化性能较差的问题。此外，传统的机器学习方法需要费时费力地选择预定义的统计特征。在睡眠场景下，雷达生命体征监测的准确性高度依赖于睡眠姿势。由于雷达天线方向与人体胸腔夹角的限制，侧卧姿势的监测性能相对较差。近年来，变分模态分解(vmd
3、针对以上问题，提出一种利用fmcw雷达实现准确可靠的睡眠姿势预测和生命体征监测方法，成为亟待解决的问题。
技术实现思路
1、鉴于此，本专利技术提供了一种基于fmcw雷达的人体睡姿识别和生命体征监测方法，以解决睡眠监测过程中人体睡姿识别和生命体征监测同步进行的问题，同时着眼于改善基于距离时间矩阵(rtm)的人体静态睡眠姿势识别方法中特征选择困难和准确率低的问题，以及生命体征监测方法中呼吸谐波干扰和参数选择难的问题。
2、为实现上述目的，本专利技术提供了一种基于fmcw雷达的人体睡姿识别和生命体征监测方法，包括以下步骤：
3、步骤1：分别采集两部fmcw雷达在不同人体睡姿下的雷达回波数据，并对获取的数据进行预处理，得到各个人体睡姿下两部fmcw雷达拼接后的距离时间矩阵对应的灰度图，其中，两部fmcw雷达分别为顶部雷达和侧部雷达，所述顶部雷达和侧部雷达分别固定于人体所在床的上方和侧方；
4、步骤1具体步骤如下：
5、(1)在室内环境下，使用两部fmcw雷达系统，对不同人体的睡姿进行测量，并获取相应的雷达回波数据；
6、(2)设第i个雷达的第m个啁啾、第n个采样点对应的中频信号表示为yi(m，n)，i＝1，2，m＝1，2，…，m，n＝1，2，…，n，其中，m为快时间采样个数，即每个调频周期对应的数据采样点数，n为慢时间采样个数，即数据对应的啁啾数量，将yi(m，n)按列堆叠成m×n维矩阵yi；
7、(3)对矩阵yi进行快时间维度的快速傅里叶变换，获得距离时间矩阵ui；
8、(4)在慢时间维度对所述距离时间矩阵ui进行均值相消处理去除静态杂波得到去除杂波的距离时间矩阵qi；
9、(5)对所述去除杂波的距离时间矩阵qi进行快时间维度的裁剪来获取感兴趣的区域，裁剪后，两部雷达生成的矩阵被定义为wi；
10、(6)将裁剪后生成的矩阵wi沿慢时间维进行拼接，得到新的拼接矩阵z，将拼接后的矩阵映射为灰度图并调整为224×224像素；
11、步骤2：将步骤1得到的灰度图作为睡眠姿势数据集，并将所述睡眠姿势数据集划分为训练集、验证集和测试集，之后，采用方向梯度直方图特征提取和支持向量机并利用所述训练集和验证集对所述睡眠姿势识别模型进行训练和验证，利用所述测试集进行测试，得到训练好的睡眠姿势识别模型；
12、步骤3：利用步骤1所述的方法对待监测人体进行雷达回波数据采集及预处理，得到两部fmcw雷达拼接后的距离时间矩阵对应的灰度图，之后，将所述灰度图输入到所述训练好的睡眠姿势识别模型进行睡眠姿势识别分类；
13、步骤4：根据识别的睡眠姿势结果，从两个距离时间矩阵ui中选择一个进行生命体征监测，其中，如果识别为俯卧或仰卧，利用顶部雷达获得的距离时间矩阵来估计呼吸率和心率，如果识别为侧卧，利用侧部雷达获得的距离时间矩阵来估计呼吸率和心率；
14、步骤5：提取选择的距离时间矩阵ui中各个距离门的相位信号并获取对应的胸腔位移信号，利用胸腔位移信号相关算法精确定位人体胸腔所在的多个连续距离门；
15、步骤6：通过遗传算法-多元变分模态分解方法将人体占据的多个连续距离门的胸腔位移信号联合分解，得到多个固有模态函数分量；
16、步骤7：计算每个固有模态函数分量的呼吸和心跳能量的百分比并将满足式(13)条件的固有模态函数分量相加，重构呼吸信号sr(t)和心跳信号sh(t)：
17、
18、其中，j＝1，2，…，k，e(j)为第j个固有模态函数分量imfj的频域能量，er(j)和eh(j)分别为第j个固有模态函数分量imfj中呼吸和心跳频带的能量，δr和δh为判断呼吸和心跳信号能量比例的阈值。
19、优选，步骤2中，方向梯度直方图特征提取的过程如下：
20、(1)计算梯度：对于灰度图中的每个像素点，计算水平方向和垂直方向的梯度，公式如下：
21、gx(x，y)＝i(x+1，y)-i(x-1,y) (1)
22、gy(x，y)＝i(x,y+1)-i(x，y-1) (2)
23、其中，i(x,y)为像素点(x,y)的像素值，每个像素点的梯度幅度g(x，y)和梯度方向θ(x，y)被定义为：
24、
25、
26、(2)构造单元格方向梯度直方图：将灰度图像分割成不重叠的单元格，每个单元格由8×8像素组成，为每个单元格构建一个9-bin无符号(0°-180°)方向梯度直方图；
27、(3)构造分块并归一化：将2×2单元格合并为一个块，对每个块的方向梯度直方图进行归一化，生成长度为36的特征向量；
28、(4)方向梯度直方图特征向量的整合：拼接后的灰度图大小为224×224，以步长大小为8遍历整个图像，得到长度为26244的方本文档来自技高网...
【技术保护点】
1.一种基于FMCW雷达的人体睡姿识别和生命体征监测方法，其特征在于，包括以下步骤：
2.按照权利要求1所述的基于FMCW雷达的人体睡姿识别和生命体征监测方法，其特征在于：
3.按照权利要求1所述的基于FMCW雷达的人体睡姿识别和生命体征监测方法，其特征在于：步骤2中，支持向量机分类器通过引入核函数来实现非线性分类，核函数的原理是通过非线性变换将输入空间转换为高维特征空间，从而在特征空间中对所有样本进行线性分离，决策函数表示为：
4.按照权利要求1所述的基于FMCW雷达的人体睡姿识别和生命体征监测方法，其特征在于：步骤5具体包括如下步骤：
5.按照权利要求1所述的基于FMCW雷达的人体睡姿识别和生命体征监测方法，其特征在于：
6.按照权利要求5所述的基于FMCW雷达的人体睡姿识别和生命体征监测方法，其特征在于：
7.按照权利要求6所述的基于FMCW雷达的人体睡姿识别和生命体征监测方法，其特征在于：步骤6中，通过遗传算法-多元变分模态分解方法来确定最优的模态个数K和惩罚系数α，对于遗传算法优化，最大迭代次数、种
8.按照权利要求7所述的基于FMCW雷达的人体睡姿识别和生命体征监测方法，其特征在于：步骤6中，通过遗传算法-多元变分模态分解方法来确定最优的模态个数K和惩罚系数α的步骤如下：
9.按照权利要求1所述的基于FMCW雷达的人体睡姿识别和生命体征监测方法，其特征在于：
...【技术特征摘要】
1.一种基于fmcw雷达的人体睡姿识别和生命体征监测方法，其特征在于，包括以下步骤：
2.按照权利要求1所述的基于fmcw雷达的人体睡姿识别和生命体征监测方法，其特征在于：
3.按照权利要求1所述的基于fmcw雷达的人体睡姿识别和生命体征监测方法，其特征在于：步骤2中，支持向量机分类器通过引入核函数来实现非线性分类，核函数的原理是通过非线性变换将输入空间转换为高维特征空间，从而在特征空间中对所有样本进行线性分离，决策函数表示为：
4.按照权利要求1所述的基于fmcw雷达的人体睡姿识别和生命体征监测方法，其特征在于：步骤5具体包括如下步骤：
5.按照权利要求1所述的基于fmcw雷达的人体睡姿识别和生命体征监测方法，其特征在于：
6.按照权利要求5所述的基于fmcw雷达的人体睡...
【专利技术属性】
技术研发人员：屈乐乐，陶金鹏，杨天虹，张丽丽，房启志，孙延鹏，
申请(专利权)人：沈阳航空航天大学，
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。