【技术实现步骤摘要】
本专利技术涉及睡眠监测，具体涉及一种基于毫米波雷达的非接触式睡眠分期方法及装置。
技术介绍
1、传统的睡眠阶段分期方法基本采用睡眠多导监测，是一种医疗级的睡眠阶段分期。在进行多导睡眠监测时，人体需要佩戴大量电极贴片，包括脑电图贴片、心电图贴片、肌电图贴片等传感器，采集的睡眠时的数据由专业的医生逐项手动睡眠分期。这样的数据采集和分析方法只在医疗上实施，且易产生人为的监测误差。究其原因，一方面是因为大量电极会对被测人造成影响，进而影响睡眠监测结果；另一方面是因为人工手动睡眠阶段分期耗时耗力，且睡眠分期结果易受到医生的经验的影响。
2、近年来随着如毫米波雷达等非接触式传感器的快速发展以及人工智能在众多工作中优异的表现，将毫米波雷达和深度学习结合在一起为非接触式睡眠监测提供了新的思路。毫米波雷达技术具有无需贴附传感器、不受环境干扰、信号穿透力强等优点，能够实现对人体微小运动和生理信号的高精度捕捉。毫米波雷达工作时会不断发送啁啾信号，啁啾信号因为人体的微振动而发生相位调制并被接收天线接收回来，通过上位机处理即可提取出这种微动信号，从而获取人体的生物体征信息。
技术实现思路
1、本专利技术为了克服现有技术的不足，提出一种基于毫米波雷达的非接触式睡眠分期方法及装置，仅使用瞬时心率及相关特征，避免了多种传感器采集生理信号的复杂过程，极大地简化了信号处理步骤，同时降低了模型的复杂度，从而实现了既准确又简便的睡眠阶段分期。
2、本专利技术的方案如下：
3、一种基于毫
4、电源模块，用于为所有组件提供稳定的电力支持，确保系统稳定运行；
5、毫米波雷达模块，部署在床垫下，用于负责向被测人员发射雷达波，并采集由人体反射回来的雷达波回波信号；
6、数据传输模块，用于负责缓存采集到的雷达回波信号，并通过数据线将其传输至上位机模块；
7、上位机，用于负责接收来自数据传输模块的雷达回波信号，从雷达回波信号中提取出心率并依据心率计算心率特征；并利用深度学习模型，进行睡眠阶段分期，并将结果存储和显示出来；
8、运行时，首先通过毫米波雷达向被测人发射雷达波束，并将获取到的雷达回波信号上传至上位机；随后，上位机对雷达回波信号进行数字信号处理，提取出被测人员的心率数据hr(单位：次/分钟)；接着，将雷达回波数据中提取的心率hr(单位：次/分钟)转换为瞬时心率ihr(单位：次/秒)，使用滑动窗口对瞬时心率数据进行处理，取一定长度的瞬时心率序列ihrt，并根据瞬时心率序列计算相应时间段的心率统计特征和频域特征序列最后，将瞬时心率序列ihrt以及心率特征作为深度学习模型的输入x，深度学习模型对清醒期、快速眼动期、非快速眼动期(n1期、n2期、n3期)进行分期，输出相应的睡眠阶段，在上位机中显示并进行存储。
9、进一步地，所述的毫米波雷达采用自适应锁定法发射雷达波，通过以下步骤找到生物体征最优距离单元rbin：首先对雷达回波信号s(t)进行一次距离维快速傅里叶变换(fft)，得到变换后的信号幅度m(t,f)，其中t表示信号中调频连续波个数，f表示变换后的信号的频率，对每一个距离单元的幅度信号m(t,f)计算标准差，找到标准差最大的距离单元i；然后，计算第i个距离单元及前后m个距离单元的幅度信号m(t,fk)(fk是调频连续波第k个采样点的频率，(i-m≤k≤i+m))与对应的相位信号p(t，fk)的皮尔逊相关性，选取皮尔逊相关性最大对应的距离单元作为心跳信号的最优距离单元h_rbin；其中相位信号p(t，fk)是通过对幅度信号m(t，fk)进行反正切函数运算和解缠绕处理得到的。
10、本专利技术还提供了一种基于毫米波雷达的非接触式睡眠分期方法，其基于上述的非接触式睡眠分期装置实现，包括如下步骤：
11、s1、在上位机对雷达回波数据进行处理，提取雷达回波数据中的心率数据；
12、s2、使用滑动窗口对瞬时心率数据进行处理，取一定长度的瞬时心率序列ihrt，并根据瞬时心率序列计算相应时间段的心率统计特征和频域特征序列
13、s3、将瞬时心率序列ihrt以及心率特征作为深度学习模型的输入x；模型的输出相应的睡眠阶段；上位机将深度学习模型输出的睡眠阶段进行显示，并在存储单元中进行存储。
14、在本专利技术中，步骤s1涵盖了信号预处理、锁定生物体征距离单元、提取和处理相位信息、生物体征信息提取以及误差校正等关键步骤，具体包括如下步骤：
15、s1.1：预处理阶段，对上位机实时接收到的毫米波雷达回波信号s(t)进行滑窗距离维快速傅里叶变换。此步骤包括加汉明窗、去除静态杂波以及快速傅里叶变换等操作，旨在优化信号质量并减少噪声干扰。
16、s1.2：锁定生物体征距离单元，采用自适应锁定法锁定人体距离单元。该方法可以根据不同场景自适应地锁定人体生物体征最明显的距离单元，从而准确提取出心跳和呼吸波形，主要包括两步骤：首先，对雷达回波信号s(t)进行一次距离维快速傅里叶变换，得到变换后的信号幅度m(t，f)，对每一个距离单元的幅度信号m(t，f)计算标准差，找到标准差最大的距离单元i，然后，计算第i个距离单元及前后m个距离单元的幅度信号m(t，fk)(i-m≤k≤i+m)与对应的相位信号p(t，fk)的皮尔逊相关性，选取皮尔逊相关性最大对应的距离单元作为心跳信号的最优距离单元h_rbin；其中，相位信号p(t，fk)是通过对幅度信号m(t，fk)进行反正切函数运算和解缠绕处理得到的。
17、与传统方法相比，自适应锁定法在不同噪声环境下均展现出了卓越的鲁棒性和准确性，能够稳定地找到人体心跳信号的准确位置。
18、s1.3：相位信息的处理，首先对距离单元h_rbin处相位信号进行差分处理：diff(p(t，fh_rbin))，来增强心跳信号，然后利用设计良好的自适应iir数字带通滤波器提取出符合心跳信号频率的信号h(t，fh_rbin)，该自适应iir数字带通滤波器会根据历史心率值hhr不断更新其通带范围(fp1_h，fp2_h)，以更精准地滤除噪声。此外，为防止滤波器锁定在某一频带，还设置了加宽锁定范围和重置频率范围点的机制，以确保滤波器在各种情况下都能稳定、准确地提取心跳信号。
19、s1.4：生物体征信息的提取通过对处理后的心跳波形h(t，fh_rbin)进行快速傅里叶变换。首先，进行ffi处理以转换到频域，然后提取能量最高的频率作为该时间窗口内的平均心率频率，从而获得心率值hr。这种方法能够准确地捕捉心跳信号的主要频率成分，实现精确的心率测量。
20、s1.5：误差校正，为了获得更为稳定准确的心率值，根据人体心率的渐变特性，对步骤5计算出的平均心率值hr进行误差校正。校正过程包括将当前计算的平均心率hr与设定的阈值thd比较，如果心率hr超出设定的阈值thd，则进行校正运算，其中阈值thd是历史平均心率hhr的均值mean(h本文档来自技高网...
【技术保护点】
1.一种基于毫米波雷达的非接触式睡眠分期装置，其特征在于，包括：
2.如权利要求1所述的一种基于毫米波雷达的非接触式睡眠分期装置，其特征在于：运行时，首先通过毫米波雷达向被测人发射雷达信号，并将获取到的雷达回波信号上传至上位机；随后，上位机对雷达回波信号进行数字信号处理，提取出被测人员的心率数据；接着，将一定长度的心率序列转换为瞬时心率序列，并从中提取相应的心率特征；最后，将瞬时心率序列和提取出的心率特征输入到部署在上位机的深度学习模型中，深度学习模型对清醒期、快速眼动期、非快速眼动期进行分期，输出相应的睡眠阶段，在上位机中显示并进行存储。
3.如权利要求1所述的一种基于毫米波雷达的非接触式睡眠分期装置，其特征在于：所述的毫米波雷达采用自适应锁定法发射雷达波，通过以下步骤找到生物体征最优距离单元rbin：首先，对雷达回波信号S(t)进行一次距离维快速傅里叶变换，得到变换后的信号幅度M(T,f)，对每一个距离单元的幅度信号M(T,f)计算标准差，找到标准差最大的距离单元i,然后计算第i个距离单元及前后m个距离单元的幅度信号M(T,fk)(i-m≤k≤i+m)
4.如权利要求1所述的一种基于毫米波雷达的非接触式睡眠分期装置，其特征在于：该装置采用自适应无限脉冲响应(IIR)数字带通滤波器提取心跳信号频率范围内的有效信号H(T,fh_rbin)，该自适应IIR数字带通滤波器可以历史心率值HHR不断更新其通带范围(Fp1_h,Fp2_h)。
5.一种基于毫米波雷达的非接触式睡眠分期方法，其特征在于：基于如权利要求1-4任一项所述的非接触式睡眠分期装置实现，包括如下步骤：
6.如权利要求5所述的一种基于毫米波雷达的非接触式睡眠分期方法，其特征在于：所述的步骤S1包括如下步骤：
7.如权利要求5所述的一种基于毫米波雷达的非接触式睡眠分期方法，其特征在于：所述的步骤S2中，根据雷达回波信号中提取到的心率数据HR，计算出瞬时心率IHR，瞬时心率即每秒钟的心跳次数，其转换关系为：IHR＝HR/60；然后，对瞬时心率使用滑动窗口取数据，窗口大小为t，得到定长的瞬时心率序列IHRt＝{ihr1,ihr2,ihr3,…,ihrt}。
8.如权利要求5所述的一种基于毫米波雷达的非接触式睡眠分期方法，其特征在于：所述的步骤S3中，将瞬时心率序列IHRt和心率特征组合在一起作为深度学习模型的输入特征X，模型根据输入返回出相应的睡眠阶段。
...【技术特征摘要】
1.一种基于毫米波雷达的非接触式睡眠分期装置，其特征在于，包括：
2.如权利要求1所述的一种基于毫米波雷达的非接触式睡眠分期装置，其特征在于：运行时，首先通过毫米波雷达向被测人发射雷达信号，并将获取到的雷达回波信号上传至上位机；随后，上位机对雷达回波信号进行数字信号处理，提取出被测人员的心率数据；接着，将一定长度的心率序列转换为瞬时心率序列，并从中提取相应的心率特征；最后，将瞬时心率序列和提取出的心率特征输入到部署在上位机的深度学习模型中，深度学习模型对清醒期、快速眼动期、非快速眼动期进行分期，输出相应的睡眠阶段，在上位机中显示并进行存储。
3.如权利要求1所述的一种基于毫米波雷达的非接触式睡眠分期装置，其特征在于：所述的毫米波雷达采用自适应锁定法发射雷达波，通过以下步骤找到生物体征最优距离单元rbin：首先，对雷达回波信号s(t)进行一次距离维快速傅里叶变换，得到变换后的信号幅度m(t,f)，对每一个距离单元的幅度信号m(t,f)计算标准差，找到标准差最大的距离单元i,然后计算第i个距离单元及前后m个距离单元的幅度信号m(t,fk)(i-m≤k≤i+m)与对应的相位信号p(t,fk)的皮尔逊相关性，选取皮尔逊相关性最大对应的距离单元作为心跳信号的最优距离单元h_rbin；其中，相位信号p(t,fk)是通过对幅度信号m(t,fk)...
【专利技术属性】
技术研发人员：刘春山，周宏俊，麻文涛，赵楼，孙超，
申请(专利权)人：杭州电子科技大学，
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。