首页 / 专利库 / 信号处理 / 滤波器 / 带阻滤波器 / 基于微多普勒特征的心动状况无源感知方法

基于微多普勒特征的心动状况无源感知方法

阅读:697发布:2020-05-11

专利汇可以提供基于微多普勒特征的心动状况无源感知方法专利检索,专利查询,专利分析的服务。并且本 发明 公开了基于微多普勒特征的心动状况无源 感知 方法,包括以下步骤:(1)使用微功率多普勒雷达发射 信号 s(t);(2)接收雷达回波x(t);(3)从雷达回波中x(t)提取微多普勒特征信号I;(4)从微多普勒特征信号I中提取出携带心尖搏动运动特征的分量I2;(5)从步骤(4)中得到的分量I2中提取特征,构造 特征向量 ,通过KNN方法,映射至不同的心动异常类型。该方法能够据心尖搏动的运动学 基础 上从多普勒雷达回波信号中提取能反映心动状况的信息,采集的心动状况信息更为精细,所获取的心动状况信息精确。,下面是基于微多普勒特征的心动状况无源感知方法专利的具体信息内容。

1.基于微多普勒特征的心动状况无源感知方法,其特征在于,包括以下步骤:
(1)使用微功率多普勒雷达发射信号s(t),其中t为时间;
(2)接收雷达回波x(t);
(3)从雷达回波中x(t)提取微多普勒特征信号I;
(4)从微多普勒特征信号I中提取出携带心尖搏动运动特征的分量I2;
(5)从步骤(4)中得到的分量I2中提取特征,构造特征向量,通过KNN方法,映射至不同的心动异常类型。
2.根据权利要求1所述的基于微多普勒特征的心动状况无源感知方法,其特征在于,所述步骤(2)中利用放置于零多普勒频率处的凹口带阻滤波器去除接收雷达回波x(t)静态背景噪声n(t),去除静态背景噪声后的雷达回波表达式为x(t)-n(t),更新x(t)为x(t)-n(t)。
3.根据权利要求2所述的基于微多普勒特征的心动状况无源感知方法,其特征在于,所述步骤(2)中调整凹口带阻滤波器凹口的深度d,相对宽度w及杂波性质,使平均杂波抑制大于40dB,并保留运动成分。
4.根据权利要求1所述的基于微多普勒特征的心动状况无源感知方法,其特征在于,所述步骤(3)中提取微多普勒特征信号时,通过经验模态分解
得到本征模态函数组I={c1,c2,c3...cn}。
5.根据权利要求4所述的基于微多普勒特征的心动状况无源感知方法,其特征在于,所述步骤(3)中模态分解包括以下步骤:
(31)获取多普勒雷达回波信号x(t);
(32)对雷达回波信号进行初始化处理,令r=x(t),n=0;
(33)计算信号局部上下包络均值h=x(t)-m(t);
(34)判断h是否满足模态判定条件,若满足,则继续步骤(35),否则返回至步骤(33);
(35)分离原信号,n=n+1,cn=h,r=r-cn;
(36)判断分离后剩余的信号r是否为单调函数,若是,则继续步骤(37),否则令原信号为剩余的信号x(t)=r,并返回至步骤(33);
(37)得到模态分解结果,
6.根据权利要求4所述的基于微多普勒特征的心动状况无源感知方法,其特征在于,所述步骤(4)中提取出的携带心尖搏动运动特征的分量为去除了人体运动、呼吸分量I1={ci1,ci2,ci3…cm|m<n,ci*∈I}的本征模态函数组I2,I2=I-I1,I2={cj1,cj2,cj3...ck|k<m,cj*∈I}。
7.根据权利要求6所述的基于微多普勒特征的心动状况无源感知方法,其特征在于,所述步骤(4)中人体运动、呼吸分量I1={ci1,ci2,ci3…cm|m<n,ci*∈I}为fh<0.5Hz对应的模态函数,fh为微多普勒特征信号I中每个模态函数的最高频率fh。
8.根据权利要求6所述的基于微多普勒特征的心动状况无源感知方法,其特征在于,所述步骤(5)中从携带心尖搏动运动特征的分量I2中提取特征时,将I2={cj1,cj2,cj3...ck|k<m,cj*∈I}进行希尔伯特变换,得到:
再从变换后得到的希尔伯特谱 中计算出每个模态函
数的边际谱最大幅值δ和能量ε,并构造特征向量
X=[δ1,ε1,δ2,ε2,δ3,ε3,...,δi,εi,...]
其中,δi,εi分别代表第i个本征模态函数的边际谱最大幅值和能量值;
其中,边际谱计算公式为:
能量值计算公式为:
9.根据权利要求6所述的基于微多普勒特征的心动状况无源感知方法,其特征在于,所述步骤(5)中通过KNN方法,映射至不同的心动异常类型,包括以下步骤:
(51)输入模型特征向量X=[δ1,ε1,δ2,ε2,δ3,ε3,...,δi,εi,...]和距离度量时在样本集T中找出的与xi距离最近的点的个数k;
(52)建立心动特征波样本集T={(x1,y1),(x2,y2),(x3,y3),...,(xN,yN)},xi表示第i个心动样本集的特征向量,yi为特征波类别;
(53)距离度量方法的性能评估与选择:
欧式距离
曼哈顿距离
(54)进行分类决策:
(55)进行10折交叉验证,将样本集T平均分为10份,轮流将其中9份作为训练集训练,1份作为测试集验证,取10次结果均值估计精度,分析K值的影响。

说明书全文

基于微多普勒特征的心动状况无源感知方法

技术领域

[0001] 本发明涉及心动状况无源感知方法,更具体地,涉及基于微多普勒特征的心动状况无源感知方法。

背景技术

[0002] 当前,心血管疾病已成为威胁人体健康的头号杀手,然而目前的医疗条件和测试环境限制了对潜在心脏疾病的早期发现,因心脏血管堵塞而突发心脏病的患者必须在一个小时内打通堵塞的动脉,才不致造成心肌的永久性伤害,如果不能及时获得适当治疗,堵塞的血管会导致心肌坏死。因此,对心脏疾病的早期发现与预防是当今社会的迫切需求。目前检测心动异常的方式主要可分为两大类:1、通过可穿戴式心电传感器直接获取表面电信号(P波、QRS复合波和ST段等),这是目前最普遍使用的检测方式,在测量精度和参数范围上有明显优势。但传感器节点资源(电池、计算能和通信带宽)的缺乏,限制了其感知生理信号的拓展空间和能力;2、无源感知方法(Sensorless Sensing orDevice-free Sensing)。无源感知系统利用现有环境中的无线设备,获取目标相关数据。一定程度上避免了可穿戴式传感器资源受限的缺陷,具有良好的可拓展性,无源感知方法无需检测者长时间穿戴传感器,可使检测过程更轻松、便捷,不影响正常工作生活,然而,由于心动信号的复杂性,传统的无源检测方法采集的心动异常信息不够精细,其反映的心动状况信息误差较大。

发明内容

[0003] 发明目的:本发明的目的是提供能够准确反映心动状况信息的基于微多普勒特征的心动状况无源感知方法。
[0004] 技术方案:本发明所述基于微多普勒特征的心动状况无源感知方法,包括以下步骤:
[0005] (1)使用微功率多普勒雷达发射信号s(t);
[0006] (2)接收雷达回波x(t);
[0007] (3)从雷达回波中x(t)提取微多普勒特征信号I;
[0008] (4)从微多普勒特征信号I中提取出携带心尖搏动运动特征的分量I2;
[0009] (5)从步骤(4)中得到的分量I2中提取特征,构造特征向量,通过KNN 方法,映射至不同的心动异常类型。
[0010] 其中,步骤(2)中利用放置于零多普勒频率处的凹口带阻滤波器去除接收雷达回波x(t)静态背景噪声n(t),去除静态背景噪声后的雷达回波表达式为 x(t)-n(t),更新x(t)为x(t)-n(t);其中调整凹口带阻滤波器凹口的深度d,相对宽度w及杂波性质,使平均杂波抑制大于40dB,并保留运动成分。
[0011] 其中,步骤(3)中提取微多普勒特征信号时,通过经验模态分解
[0012]
[0013] 得到本征模态函数组I={c1,c2,c3...cn};其中,模态分解包括以下步骤:
[0014] (31)获取多普勒雷达回波信号x(t);
[0015] (32)对雷达回波信号进行初始化处理,令r=x(t),n=0;
[0016] (33)计算信号局部上下包络均值h=x(t)-m(t);
[0017] (34)判断h是否满足模态判定条件,若满足,则继续步骤(35),否则返回至步骤(33);
[0018] (35)分离原信号,n=n+1,cn=h,r=r-cn;
[0019] (36)判断分离后剩余的信号r是否为单调函数,若是,则继续步骤(37),否则令原信号为剩余的信号x(t)=r,并返回至步骤(33);
[0020] (37)得到模态分解结果,
[0021] 其中,步骤(4)中提取出的携带心尖搏动运动特征的分量为去除了人体运动、呼吸分量I1={ci1,ci2,ci3...cm|m<n,ci*∈I}的本征模态函数组I2,I2=I-I1, I2={cj1,cj2,cj3...ck|k<m,cj*∈I};
[0022] 其中,人体运动、呼吸分量I1={ci1,ci2,ci3...cm|m<n,ci*∈I}为fh<0.5Hz对应的模态函数,fh为微多普勒特征信号I中每个模态函数的最高频率fh。
[0023] 其中,步骤(5)中从携带心尖搏动运动特征的分量I2中提取特征时,将 I2={cj1,cj2,cj3...ck|k<m,cj*∈I}进行希尔伯特变换,得到:
[0024]
[0025] 再从变换后得到的希尔伯特谱 中计算出每个模态函数的边际谱最大幅值δ和能量ε,并构造特征向量
[0026] X=[δ1,ε1,δ2,ε2,δ3,ε3,...,δi,εi,...]
[0027] 其中,δi,εi分别代表第i个本征模态函数的边际谱最大幅值和能量值;
[0028] 其中,边际谱计算公式为:
[0029] 能量值计算公式为:
[0030] 其中,步骤(5)中通过KNN方法,映射至不同的心动异常类型,包括以下步骤:
[0031] (51)输入模型特征向量X=[δ1,ε1,δ2,ε2,δ3,ε3,...,δi,εi,...]和距离度量时在样本集T中找出的与xi距离最近的点的个数k;
[0032] (52)建立心动特征波样本集T={(x1,y1),(x2,y2),(x3,y3),...,(xN,yN)},xi表示第i个心动样本集的特征向量,yi为特征波类别;
[0033] (53)距离度量方法的性能评估与选择,
[0034] 欧式距离
[0035] 曼哈顿距离
[0036] (54)进行分类决策:
[0037]
[0038] (55)进行10折交叉验证,将样本集T平均分为10份,轮流将其中9份作为训练集训练,1份作为测试集验证,取10次结果均值估计精度,分析K值的影响。
[0039] 工作原理:心动微多普勒特征在给定的观测时间和空间内描述心尖部位的多普勒历史,并非直接获取表面电信号(P波、QRS复合波和ST段等),心动微多普勒信息仅携带胸腔往复微运动的径向距离信息。因此,从心动微多普勒特征,不能重构心脏舒张和收缩的全过程,但可携带心脏运动各阶段的特色病理信息,例如R-R间隙。从而,使得与这些特色信息密切相关的心脏疾病可以通过心动微多普勒特征进行描述
[0040] 有益效果:本发明与现有技术相比,能够在根据心尖搏动的运动学基础上从多普勒雷达回波信号中提取能反映心动状况的信息,采集的心动状况信息更为精细。附图说明
[0041] 图1是本发明流程图
[0042] 图2是本征模态分解算法流程图;
[0043] 图3是基于IMF分量特征的K-最近邻决策算法。

具体实施方式

[0044] 本发明流程如图1所示:
[0045] (1)微功率多普勒雷达径向对准人体心脏位置发射信号s(t),
[0046] (2)接收雷达回波x(t),利用放置于零多普勒频率处的凹口带阻滤波器去除接收雷达回波x(t)静态背景噪声n(t),去除静态背景噪声后的雷达回波表达式为x(t)-n(t),更新x(t)为x(t)-n(t);其中调整凹口带阻滤波器凹口的深度 d,相对宽度w及杂波性质,使平均杂波抑制大于40dB,并保留运动成分,
[0047] (3)然后利用本征模态分解算法从雷达回波中x(t)提取微多普勒特征信号 I;步骤如图2所示:
[0048] (31)获取多普勒雷达回波信号x(t);
[0049] (32)对雷达回波信号进行初始化处理,令r=x(t),n=0;
[0050] (33)计算信号局部上下包络均值h=x(t)-m(t);
[0051] (34)判断h是否满足模态判定条件,若满足,则继续步骤(33),否则返回至步骤(35);
[0052] (35)分离原信号,n=n+1,cn=h,r=r-cn;
[0053] (36)判断分离后剩余的信号r是否为单调函数,若是,则继续步骤(37),否则令原信号为剩余的信号x(t)=r,并返回至步骤(33);
[0054] (37)得到模态分解结果,
[0055] (4)从步骤(3)中得到的微多普勒特征信号中提取出携带心尖搏动运动特征的分量I2;提取出的携带心尖搏动运动特征的分量为去除了人体运动、呼吸分量I1={ci1,ci2,ci3...cm|m<n,ci*∈I}的本征模态函数组I2,I2=I-I1, I2={cj1,cj2,cj3...ck|k<m,cj*∈I},;
[0056] 其中,体运动、呼吸分量I1={ci1,ci2,ci3...cm|m<n,ci*∈I}为fh<0.5Hz对应的模态函数,fh为微多普勒特征信号I中每个模态函数的最高频率fh。
[0057] (5)从步骤(4)中得到的分量中提取特征,构造特征向量:将 I2={cj1,cj2,cj3...ck|k<m,cj*∈I}进行希尔伯特变换,得到:
[0058]
[0059] 再从变换后得到的希尔伯特谱 中计算出每个模态函数的边际谱最大幅值δ和能量ε,并构造特征向量
[0060] X=[δ1,ε1,δ2,ε2,δ3,ε3,...,δi,εi,...]
[0061] 其中,δi,εi分别代表第i个本征模态函数的边际谱最大幅值和能量值;
[0062] 其中,边际谱计算公式为:
[0063] 能量值计算公式为:
[0064] 然后,通过KNN方法,映射至不同的心动异常类型,步骤如图3所示:
[0065] (51)输入模型特征向量X=[δ1,ε1,δ2,ε2,δ3,ε3,...,δi,εi,...]和距离度量时在样本集T中找出的与xi距离最近的点的个数k;
[0066] (52)建立心动特征波样本集T={(x1,y1),(x2,y2),(x3,y3),...,(xN,yN)},xi表示第i个心动样本集的特征向量,yi为特征波类别;
[0067] (53)距离度量方法的性能评估与选择,
[0068] 欧式距离
[0069] 曼哈顿距离
[0070] (54)进行分类决策:
[0071]
[0072] (55)进行10折交叉验证,将样本集T平均分为10份,轮流将其中9份作为训练集训练,1份作为测试集验证,取10次结果均值估计精度,分析K值的影响。
高效检索全球专利

专利汇是专利免费检索,专利查询,专利分析-国家发明专利查询检索分析平台,是提供专利分析,专利查询,专利检索等数据服务功能的知识产权数据服务商。

我们的产品包含105个国家的1.26亿组数据,免费查、免费专利分析。

申请试用

分析报告

专利汇分析报告产品可以对行业情报数据进行梳理分析,涉及维度包括行业专利基本状况分析、地域分析、技术分析、发明人分析、申请人分析、专利权人分析、失效分析、核心专利分析、法律分析、研发重点分析、企业专利处境分析、技术处境分析、专利寿命分析、企业定位分析、引证分析等超过60个分析角度,系统通过AI智能系统对图表进行解读,只需1分钟,一键生成行业专利分析报告。

申请试用

QQ群二维码
意见反馈