基于多尺度特征融合的无线非接触式睡眠监测方法及系统

摘要: 本发明涉及无线感知,特别是涉及一种基于多尺度特征融合的无线非接触式睡眠监测方法及系统。背景技术:1、睡眠是人类重要的生理活动之一,其质量直接影响人体健康和生活质...
基于多尺度特征融合的无线非接触式睡眠监测方法及系统

本发明涉及无线感知,特别是涉及一种基于多尺度特征融合的无线非接触式睡眠监测方法及系统。

背景技术:

1、睡眠是人类重要的生理活动之一,其质量直接影响人体健康和生活质量。对人体睡眠状态进行长期、连续、准确的监测,对于健康管理、疾病预警以及辅助临床诊断具有重要意义。

2、随着无线感知技术的发展,基于雷达、wi-fi等无线信号的非接触式生命体征监测成为可能。其中,毫米波雷达无需贴附电极或佩戴传感器,可在不侵犯用户隐私的条件下,对人体呼吸和体动等多维睡眠参数进行连续监测。因此,毫米波雷达具有舒适性高、隐私友好、空间分辨率较高、适合长期居家部署等优点,在睡眠监测领域具有良好的应用前景。

3、现有基于毫米波雷达的睡眠监测方法通常主要依据呼吸率、呼吸率变化、呼吸幅度等生命体征信号进行睡眠阶段分类,对睡眠过程中的大尺度运动行为特征利用不足。然而,翻身、坐起、手部运动和腿部运动等大尺度体动直接反映睡眠稳定性和睡眠深度变化,是睡眠分期的重要行为特征。因此,若仅依赖生命体征信号进行睡眠分期,容易忽略由体动行为反映出的睡眠状态变化,导致阶段判别不稳定。

技术实现思路

1、为实现非接触式睡眠监测,本发明提出了一种基于多尺度特征融合的无线非接触式睡眠监测方法及系统,通过同步感知并融合由胸部呼吸引起的小尺度生命体征微动特征与由翻身、肢体摆动等引起的大尺度运动行为特征,解决现有非接触式睡眠监测中对大尺度运动行为特征利用不充分、胸部定位困难、生命体征信号质量不稳定以及睡眠阶段判别准确性不足等问题。

2、为此,本发明提供了以下技术方案:

3、一方面,本发明提供了一种多尺度特征融合的无线非接触式睡眠监测方法,包括:

4、通过布设于床头上方的毫米波雷达连续接收人体反射回波;

5、基于所述人体反射回波,同步感知由胸部呼吸引起的小尺度生命体征微动特征和由翻身、肢体摆动引起的大尺度运动行为特征;

6、将所述大尺度运动行为特征和所述小尺度生命体征微动特征共同输入睡眠分期网络,通过阶段转移约束与最短持续时间约束,实现睡眠阶段的连续稳定判别。

7、进一步地,所述小尺度生命体征微动特征至少包括呼吸频率、呼吸幅度、呼吸周期稳定性和吸呼比;

8、相应地,感知由胸部呼吸引起的小尺度生命体征微动特征,包括:

9、对人体胸部区域的空间位置进行定位;

10、将所述胸部区域的空间位置建模为候选空间点集合,结合频率稀疏性与时间平稳性准则对所述候选空间点集合进行信号质量评估,从通过评估的空间点中提取小尺度生命体征微动特征。

11、进一步地,对人体胸部区域的空间位置进行定位,包括:

12、在不同距离单元下的多帧数据的时间序列进行快速傅里叶变换,并将其动态能量进行累积,分析不同距离单元中的微动能量分布,确定胸部所在的距离位置;

13、在所述距离位置下,对于每一个候选水平角和俯仰角,对该方向上的滑动窗累积的数据进行波束成型,再对该数据进行时间维快速傅里叶变换;

14、对非零动态频率成分进行能量累积,构建水平角和俯仰角动态能量图,选择能量最大的位置作为人体胸部区域的空间位置。

15、进一步地,所述大尺度运动行为特征至少包括翻身次数、局部肢体活动次数和点云数量方差;

16、相应地,感知由翻身、肢体摆动引起的大尺度运动行为特征,包括:

17、对雷达数据进行距离维傅里叶变换,对于每一个距离单元,提取该距离处的雷达信号;

18、利用预先构建的三维波束形成权重,在水平角和俯仰角范围内进行空间扫描,获取各三维空间位置对应的时间序列信号;所述三维空间由距离、水平角和俯仰角构成;

19、对所述时间序列信号进行多普勒傅里叶变换得到所述三维空间位置上的速度谱能量分布,计算各空间点的运动能量强度;

20、在初始背景估计阶段,对目标静止时连续多个时间窗的三维运动能量图进行平均,进行背景杂波估计;

21、对每一个时间窗的候选空间点进行能量检测,若当前空间点能量大于阈值时,则判定该空间点为运动点云;若当前空间点未超过阈值,则认为其属于背景或弱干扰,并利用指数平滑方式更新对应空间点的背景噪声估计;

22、统计各时间窗内的点云数量;所述点云数量变化表征睡眠过程中的运动幅度;当点云数量显著升高,且持续时间较长时,判定用户发生翻身、坐起或大幅躯体运动,并触发重新定位胸部区域的步骤;当点云数量超过小范围运动阈值但未达到翻身阈值时,判定用户发生局部肢体活动;当点云数量低于局部肢体活动阈值时,判定用户处于静止状态;

23、基于识别出的翻身、肢体摆动引起的大尺度运动,提取翻身、肢体摆动引起的大尺度运动行为特征。

24、进一步地,计算各空间点的运动能量强度,包括:

25、在多普勒领域中去除零频及近零频分量;

26、对于三维空间位置,其运动能量强度由该位置对应的非零速度谱能量表征,表示为:

27、

28、其中,表示距离维度,表示水平角维度,表示俯仰角维度;表示在某一距离,水平角,俯仰角和速度四维运动能量分布,中的每一个点均代表一个具体三维空间位置上的运动能量强度;表示去除零频及近零频静态分量后的有效运动速度单元集合,该公式表示对三维空间位置下所有有效非零速度单元的能量进行累加,从而得到该空间点的总运动能量。

29、进一步地,对于候选点,能量的阈值为:

30、

31、其中,表示三维空间点处的背景杂波能量估计值,为由虚警概率、阈值调节参数和经验校正系数确定的比例因子,公式如下:

32、

33、其中,为预设虚警概率,为阈值调节参数,为经验校正系数。

34、进一步地,确定胸部所在的距离位置,包括:

35、采用峰值检测方法确定人体胸部所在的距离单元,得到目标相对于雷达的距离信息:

36、

37、其中,为累积结果中幅度最大值对应的距离单元的索引,为回波信号经过傅里叶变换的结果,表示距离维傅里叶变换后距离单元的个数,代表累积帧数。

38、进一步地,结合频率稀疏性与时间平稳性准则对所述候选空间点集合进行信号质量评估,包括:

39、以目标定位阶段获得的胸部位置为中心,在距离、水平角和俯仰角构成的三维空间中构建多个候选空间点;

40、对每一个候选空间点的相位信号进行傅里叶变换,得到频域幅度谱,再提取呼吸频率范围内寻找最大能量峰对应的呼吸率;

41、计算每一个候选空间点信号的主峰邻域范围内的最大频谱幅度减去最小频谱幅度作为频率稀疏性得分;

42、统计所有候选信号呼吸率估计值的众数,得到全局呼吸率估计;

43、若某一候选信号的呼吸率估计值与全局呼吸率估计不一致,则去除该候选信号的频率稀疏性得分;否则,则保留其频率稀疏性得分;

44、按照频率稀疏性得分从高到低排序,选取前k个候选信号进入下一阶段筛选;

45、根据全局呼吸率估计值计算理论呼吸周期,并将其换算为理论采样点间隔;随后对每个候选呼吸信号进行峰值或谷值检测,获得呼吸特征点索引集合,并计算相邻呼吸特征点之间的采样点间隔;当相邻间隔落入理论周期允许范围内时,认为该候选信号具有较好的周期稳定性;

46、计算候选信号的峰值的幅值方差作为时间平稳性指标,其中,方差越小,表示该候选信号的呼吸周期或呼吸特征点越稳定,时间平稳性越好,并优先选择方差较小的信号作为高质量呼吸信号。

47、进一步地,所述睡眠分期网络包括:局部特征提取模块、时序建模模块和分类输出模块;所述局部特征提取模块采用多尺度cnn卷积网络实现;所述时序建模模块采用bilstm双向长短期记忆网络实现;所述分类输出模块用于输出每个睡眠时间片属于各睡眠阶段的概率;网络最后通过全连接层和softmax层输出每个时间片属于不同睡眠阶段的概率;

48、在网络输出端,加入阶段持续时间约束和阶段转移约束;所述持续时间约束用于抑制过短的孤立睡眠阶段,包括:统计连续相同睡眠阶段片段的长度,若某一阶段片段长度小于对应类别的最短持续时间阈值,则将该短片段合并到相邻阶段中;所述阶段转移约束用于描述不同睡眠阶段之间的合理转移概率,例如清醒到浅睡、浅睡到深睡、浅睡到快速眼动睡眠等转移被赋予较高概率,所述阶段转移矩阵为:

49、

50、其中,表示睡眠阶段从第类转移到第类的概率。

51、又一方面,本发明还提供了一种基于多尺度特征融合的非接触式睡眠监测系统,所述系统包括:运动行为监测模块、目标定位模块、信号质量评估模块与睡眠分期模块;其中:

52、运动行为监测模块,识别用户睡眠过程中由翻身、肢体摆动引起的大尺度运动,并基于识别出的翻身、肢体摆动引起的大尺度运动,提取翻身、肢体摆动引起的大尺度运动行为特征;

53、目标定位模块,通过累积人体生命体征的动态频谱能量定位胸部位置;

54、信号质量评估模块,结合频率稀疏性与时间平稳性准则对所述候选空间点集合进行信号质量评估,从通过评估的空间点中提取小尺度生命体征微动特征;

55、睡眠分期模块,将所述大尺度运动行为特征和所述小尺度生命体征微动特征共同输入睡眠分期网络,通过阶段转移约束与最短持续时间约束,实现睡眠阶段的连续稳定判别。

56、本发明的优点和积极效果:

57、(1)本发明将小尺度生命体征微动特征和大尺度运动行为特征共同作为睡眠分期网络输入,并结合睡眠阶段之间的时序演化规律进行分类。通过神经网络模型对清醒、浅睡、深睡和快速眼动等四个睡眠阶段进行识别,并利用阶段转移约束和最短持续时间约束对结果进行修正,从而减少短时误分类和异常跳变,提高非接触式睡眠阶段监测的稳定性和可靠性。

58、(2)睡眠过程中的翻身等大幅躯体运动与手部、腿部等局部肢体运动,其变化模式是区分不同睡眠阶段的重要判别依据。为此,本发明提出一种三维时序自适应运动点云检测方法,用于精准检测上述运动行为。该方法的具体实现过程如下:对于由距离、水平角和俯仰角所确定的三维空间点,基于其历史时间窗内的能量变化建立背景参考;若当前时间窗内该空间点的运动能量显著高于其历史背景能量,则判定该空间点为运动点云。进一步地,通过统计各时间窗内运动点云的数量及其能量变化,即可有效区分翻身等大幅躯体运动与手部、腿部等局部肢体运动。

59、(3)睡眠状态下的呼吸等生命体征仅引起微弱的周期性位移,其对应的雷达回波信号易被床体、墙面及人体静止部位所产生的背景杂波所掩盖,致使胸部位置难以准确定位。针对此问题,本发明采用动态能量累积方法,通过对连续时间内与生命体征相关的非零动态能量进行长时间累积增强,以提升微弱生命体征信号的信噪比,进而可在由距离、水平角和俯仰角构成的三维空间中精准确定胸部位置。

60、(4)在实际睡眠场景中,人体胸部并非单一散射点,而是一个具有一定空间分布的区域。受人体姿态变化、局部体动及多径反射等因素影响,该区域内不同空间点处的呼吸信号质量往往存在显著差异。若仅选取单一胸部中心点或能量最强点进行生命体征提取,极易出现呼吸波形失真、信噪比下降或呼吸频率估计错误等问题。针对上述问题,本发明将胸部区域建模为由多个候选空间点组成的集合,并分别提取各候选点的生命体征相位信号;进而结合频率稀疏性与时间平稳性准则,对候选信号进行质量评价与自适应筛选,最终获得频域主峰明确、时域周期稳定的高质量呼吸信号。