一种生命体征检测方法和生命体征检测设备与流程

1.本技术涉及雷达信号处理技术领域，尤其涉及一种生命体征检测方法、生命体征检测设备、计算机设备和计算机可读存储介质。


背景技术：

2.超宽带(ultra wide band，uwb)雷达生命电磁探测通过发射超宽带电磁波探测呼吸或心跳等微动体征，近年来在实际的震后救援、安全检测灾害环境中得到越来越广泛的应用，以及在家庭保健、医院病房监护等方面具有良好的应用前景。
3.然而，雷达回波中人体体征微动信号一般是一种微弱、窄带、准周期的信号，该信号很容易受到干扰，环境的时变、空变特性、噪声成因的多样性，从而使得接收到的信号难以识别。


技术实现要素：

4.本技术实施例的目的在于提出一种生命体征检测方法，用于解决现有的，采用uwb雷达进行生命体征监测时，由于uwb雷达回波信号难以识别，而使得生命体征信号检测难以及时进行的技术问题。
5.为了解决上述技术问题，本技术实施例提供一种生命体征检测方法、生命体征检测设备、计算机设备和计算机可读存储介质，采用了如下所述的技术方案：
6.第一方面，本技术实施例提供了一种生命体征检测方法，生命体征检测方法可以包括：
7.获取待测目标空间反射的第一uwb雷达回波信号；
8.以慢时间向作为横轴，以回波距离向作为纵轴，将第一uwb雷达回波信号转换为第一灰度图像；
9.将第一灰度图像输入目标ssd网络模型，输出待测目标空间是否包含生命体征信号的判别结果。
10.在一个可能的实现方式中，将第一灰度图像输入目标ssd网络模型之前，方法还可以包括：
11.构建uwb雷达回波信号灰度图像数据集；
12.将uwb雷达回波信号灰度图像数据集输入初始目标ssd网络进行训练，基于损失函数对初始目标ssd网络各层的权重参数进行调整，直至损失函数小于预设阈值时，锁定初始目标ssd网络各层的权重参数以得到目标ssd网络模型。
13.在一个可能的实现方式中，构建uwb雷达回波信号灰度图像数据集，可以包括：
14.获取在向不同距离和/或被不同阻碍物阻隔的人体发射uwb雷达信号后，接收到的第二uwb雷达回波信号；
15.对第二uwb雷达回波信号采用预设算法进行去噪和弱信号增强预处理，得到第三uwb雷达回波信号；
16.以慢时间向作为横轴，以回波距离向作为纵轴，将第三uwb雷达回波信号转换为第二灰度图像；
17.响应用户对第二灰度图像的标注操作，得到uwb雷达回波信号灰度图像数据集，其中，标注操作可以包括对第二灰度图像中体现生命体征信号的区域进行标签设置和标注框设置的操作。
18.在一个可能的实现方式中，获取第一超宽带uwb雷达回波信号之后，方法还可以包括：
19.对第一uwb雷达回波信号采用预设算法进行去噪和弱信号增强预处理，得到第四uwb雷达回波信号；
20.以慢时间向作为横轴，以回波距离向作为纵轴，将第一uwb雷达回波信号转换为第一灰度图像，可以包括：
21.以慢时间向作为横轴，以回波距离向作为纵轴，将第四uwb雷达回波信号转换为第一灰度图像。
22.在一个可能的实现方式中，目标ssd网络以改进resnet网络作为特征提取子网络，改进resnet网络可以包括输入层、多个隐含层和输出层，改进resnet网络的输入层中可以包括核大小为7
×
7，步长为1的卷积层，并采用最大池化层或者去除池化层设计。
23.在一个可能的实现方式中，多个隐含层依次可以包括第一密集残差块层、第一过渡层、第二密集残差块层、第二过渡层和第三密集残差块层，第一密集残差块层、第二密集残差块层和第三密集残差块层分别可以包括9个、6个和6个密集残差块，其中每个密集残差块依次可以包括核大小为1
×
1、3
×
3、1
×
1的三个卷积层，第一过渡层依次可以包括核大小为1
×
1的卷积层和核大小为1
×
1、步长为2的平均池化层，第二过渡层依次可以包括核大小为2
×
1的卷积层和核大小为1
×
1、步长为2的平均池化层，输出层可以包括核大小为1
×
1的卷积层，输出层用于将第一过渡层、第二过渡层和第三密集残差块层输出的特征图按通道进行融合处理。
24.在一个可能的实现方式中，方法还可以包括：
25.若输出待测目标空间包含生命体征信号的判别结果，则在第一灰度图像上生成第一标注框；
26.根据第一标注框区域中包含的回波信息确定生命体征信号的波形，并在上位机上显示。
27.第二方面，本技术实施例提供了一种生命体征检测设备，可以包括：
28.获取模块，用于获取待测目标空间反射的第一uwb雷达回波信号；
29.转换模块，用于以慢时间向作为横轴，以回波距离向作为纵轴，将第一uwb雷达回波信号转换为第一灰度图像；
30.处理模块，用于将第一灰度图像输入目标ssd网络模型，输出待测目标空间是否包含生命体征信号的判别结果。
31.在一个可能的实现方式中，
32.处理模块，还用于构建uwb雷达回波信号灰度图像数据集；将uwb雷达回波信号灰度图像数据集输入初始目标ssd网络进行训练，基于损失函数对初始目标ssd网络各层的权重参数进行调整，直至损失函数小于预设阈值时，锁定初始目标ssd网络各层的权重参数以
得到目标ssd网络模型。
33.在一个可能的实现方式中，
34.处理模块，具体用于获取在向不同距离和/或被不同阻碍物阻隔的人体发射uwb雷达信号后，接收到的第二uwb雷达回波信号；
35.对第二uwb雷达回波信号采用预设算法进行去噪和弱信号增强预处理，得到第三uwb雷达回波信号；
36.以慢时间向作为横轴，以回波距离向作为纵轴，将第三uwb雷达回波信号转换为第二灰度图像；
37.响应用户对第二灰度图像的标注操作，得到uwb雷达回波信号灰度图像数据集，其中，标注操作可以包括对第二灰度图像中体现生命体征信号的区域进行标签设置和标注框设置的操作。
38.在一个可能的实现方式中，
39.处理模块，还用于对第一uwb雷达回波信号采用预设算法进行去噪和弱信号增强预处理，得到第四uwb雷达回波信号；
40.以慢时间向作为横轴，以回波距离向作为纵轴，将第一uwb雷达回波信号转换为第一灰度图像，可以包括：
41.以慢时间向作为横轴，以回波距离向作为纵轴，将第四uwb雷达回波信号转换为第一灰度图像。
42.在一个可能的实现方式中，目标ssd网络以改进resnet网络作为特征提取子网络，改进resnet网络可以包括输入层、多个隐含层和输出层，改进resnet网络的输入层中可以包括核大小为7
×
7，步长为1的卷积层，并采用最大池化层或者去除池化层设计。
43.在一个可能的实现方式中，多个隐含层依次可以包括第一密集残差块层、第一过渡层、第二密集残差块层、第二过渡层和第三密集残差块层，第一密集残差块层、第二密集残差块层和第三密集残差块层分别可以包括9个、6个和6个密集残差块，其中每个密集残差块依次可以包括核大小为1
×
1、3
×
3、1
×
1的三个卷积层，第一过渡层依次可以包括核大小为1
×
1的卷积层和核大小为1
×
1、步长为2的平均池化层，第二过渡层依次可以包括核大小为2
×
1的卷积层和核大小为1
×
1、步长为2的平均池化层，输出层可以包括核大小为1
×
1的卷积层，输出层用于将第一过渡层、第二过渡层和第三密集残差块层输出的特征图按通道进行融合处理。
44.在一个可能的实现方式中，
45.处理模块，还用于若输出待测目标空间包含生命体征信号的判别结果，则在第一灰度图像上生成第一标注框；
46.根据第一标注框区域中包含的回波信息确定生命体征信号的波形，并在上位机上显示。
47.第三方面，本技术实施例提供了一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器执行所述计算机程序时，实现如第一方面中任一项所述的生命体征检测方法的步骤。
48.第四方面，本技术实施例提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如第一方面中任一项所述
的生命体征检测方法的步骤。
49.与现有技术相比，本技术实施例主要有以下有益效果：
50.本技术实施例提供了一种采用ssd网络来进行uwb雷达回波信号处理的方法。电子设备在获取到待测目标空间反射的第一uwb雷达回波信号后，以慢时间向为横轴，以回波距离向为纵轴将该第一uwb雷达回波信号转换为第一灰度图像。之后，电子设备将该第一灰度图像输入之前已训练得到的目标ssd网络模型中，输出该待测目标空间是否包含生命体征信号的二分类判别结果。也即本技术的方案中，通过采用目标ssd网络模型，既可以充分利用目标微动信息，又可以发挥深度学习方法在图像处理上的优势，从而实现了uwb雷达回波信号的智能化提取和识别。
附图说明
51.为了更清楚地说明本技术中的方案，下面将对本技术实施例描述中所需要使用的附图作一个简单介绍，显而易见地，下面描述中的附图是本技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
52.图1是现有的uwb雷达的原理示意图；
53.图2本技术实施例提供的一种生命体征检测方法的一个实施例示意图；
54.图3是现有的ssd网络模型的结构示意图；
55.图4是本技术实施例提供的目标ssd网络模型的结构示意图；
56.图5是本技术实施例提供的目标ssd网络模型的特征提取子网络改进resnet网络的处理流程示意图；
57.图6是本技术实施例提供的改进resnet网络的一种新型网络连接结构示意图；
58.图7是本技术实施例提供的改进resnet网络的密集残差块的结构示意图；
59.图8是本技术实施例提供的一种生命体征检测方法的另一个实施例示意图；
60.图9是图8所示实施例中步骤204的一个实施例示意图；
61.图10是本技术实施例提供的一种生命体征检测设备的一个实施例示意图；
62.图11是根据本技术的计算机设备的一个实施例的结构示意图。
具体实施方式
63.除非另有定义，本文所使用的所有的技术和科学术语与属于本技术的技术领域的技术人员通常理解的含义相同；本文中在申请的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本技术；本技术的说明书和权利要求书及上述附图说明中的术语“包括”和“具有”以及它们的任何变形，意图在于覆盖不排他的包含。本技术的说明书和权利要求书或上述附图中的术语“第一”、“第二”等是用于区别不同对象，而不是用于描述特定顺序。
64.在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本技术的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
65.下面对本技术所涉及的一些术语进行说明。
66.uwb雷达技术：一种使用1.5ghz以上带宽无载波通信技术，其利用纳秒至微微秒级的非正弦波窄脉冲传输数据，与普通雷达相比，其具有多种优势，如功率低、高距离分辨率(毫米级)、强穿透能力、较好的抗动目标干扰能力和适宜于近距离探测等，尤其适合应用在生命探测领域。
67.与激光、红外探测和声波探测技术相比，利用uwb雷达检测人体的生命体征信号不受环境温度、热物体的影响，能有效穿透介质，较好地解决了激光、红外探测受温度影响严重、遇物体阻挡失效及误报率高的问题，也克服了超声探测受环境杂物反射干扰及水、冰、泥土阻挡失效等问题，因此该技术在军事医学(伤员探寻)、灾害医学(地震、坍方伤员的探寻)、城市反恐(解救人质)等领域得到广泛应用。
68.uwb雷达的原理示意图可以参照图1，利用其进行生命信号检测时，其检测人体的生命参数与连续波的原理不同，当脉冲形式的微波束照射人体，由于人体生命运动(呼吸、心跳、肠蠕动等)的存在，使得被人体反射后的回波脉冲序列的重复周期发生变化，而回波脉冲信号的重复周期与人体生命的运动速度和频率有关。
69.通过进一步的研究发现，人体的生命微动特性，如呼吸或者心跳带来的周期性胸腔震动，腹部受呼吸运动驱动产生周期性前后径向运动等，这种微动特性使得从人体上被反射的雷达脉冲回波的传播延迟受该周期性运动影响也将周期性变化。该周期性变化的延迟导致回波数据中产生一个慢时间域周期信号，在uwb雷达回波的距离－慢时间雷达回波图上表现为有规律的特征。
70.基于上述研究，本技术提出，在一些与上述利用uwb雷达技术进行生命体征检测类似的场景中，例如但不限于利用uwb雷达技术进行呼吸信号检测、心跳信号检测等场景下，可以将卷积神经网络应用在uwb雷达回波信号的后续处理中。具体的，可以将uwb雷达回波信号转换为慢时间-回波距离的灰度图像，使得uwb雷达回波信号有规律的特征可以在灰度图像上显示出来，再利用卷积神经网络对灰度图像进行处理，从而既可以充分利用目标微动信息，又可以发挥深度学习方法在图像处理上的优势，实现对uwb雷达回波信号的智能识别和处理。
71.需要说明的是，本技术实施例及后续实施例中，生命体征信号可以包括呼吸信号或者心跳信号。
72.为了使本技术领域的人员更好地理解本技术方案，下面将结合附图，对本技术实施例中的技术方案进行清楚、完整地描述。
73.继续参考图2，图2示出了本技术提供的一种生命体征检测方法的一个实施例的流程图，所述的生命体征检测方法，包括以下步骤：
74.步骤201，获取待测目标空间反射的第一uwb雷达回波信号。
75.在本技术实施例中，所述的生命体征检测方法运行于其上的电子设备，该电子设备可以是终端设备或者服务器。在该电子设备上可以集成有uwb雷达接收模块(例如可以是专用uwb雷达芯片，或者具有uwb雷达信号收发功能的通用芯片等)，在向待测目标空间发射uwb雷达信号后，通过该接收模块直接采集获取第一uwb雷达回波信号。若该电子设备未集成uwb雷达接收模块，则其可以通过有线连接方式或者无线连接方式与uwb雷达收发设备连接，接收该uwb雷达收发设备在向待测目标空间发射uwb雷达信号后，采集发送的第一uwb雷达回波信号。该电子设备上，还可以安装有对第一uwb雷达回波信号进行处理的计算机程
序，可以通过该计算机程序，对第一uwb雷达回波信号进行解析，获取相关的回波信息，例如但不限于振幅、回波距离、波长、频率和接收时间等，并进行实时记录。
76.需要指出的是，上述无线连接方式可以包括但不限于3g/4g连接、wifi连接、蓝牙连接、wimax连接、zigbee连接、uwb雷达连接、以及其他现在已知或将来开发的无线连接方式。
77.步骤202，以慢时间向作为横轴，以回波距离向作为纵轴，将所述第一uwb雷达回波信号转换为第一灰度图像。
78.在本技术实施例中，脉冲体制雷达在发射脉冲信号时，并不只发射一个脉冲，通常是发射连续的脉冲序列，例如以m个脉冲作为一组进行处理，脉冲数所在的维度称为慢时间轴。电子设备接收到第一uwb雷达回波信号后，确定第一uwb雷达回波信号中慢时间向上每个回波信号的回波距离，从而将该第一uwb雷达回波信号转换为以慢时间向为横轴，以回波距离为纵轴的第一灰度图像。其中，生成的该第一灰度图像分辨率为300
×
300大小。
79.步骤203，将第一灰度图像输入目标ssd网络模型，输出所述待测目标空间是否包含生命体征信号的判别结果。
80.本技术实施例中，目标ssd网络模型为利用uwb雷达回波信号灰度图像数据集训练目标ssd网络结束后得到的网络模型，目标ssd网络模型可以由该电子设备提前训练得到，也可以是由另一电子设备在训练完成后，发送至该电子设备上。相比现有技术中的ssd网络，目标ssd网络模型是一种改进的ssd网络模型。具体地，现有的ssd网络模型的结构如图3所示，本技术对现有ssd网络进行改进后得到的目标ssd网络模型如图4所示。
81.ssd网络的基础结构包括特征提取子网络和之后的额外的功能层。特征提取子网络用于将输入的300
×
300分辨率的图像进行特征提取，并输出38
×
38大小(也即包含38
×
38个方格或像素点)的特征图。额外的功能层包含多个卷积层和池化层，用于逐层减小特征提取子网络提取的特征图的尺寸，以生成多尺度特征图(如图3所示的多尺度特征图)。最终经过上述的处理，ssd网络可以得到并利用6个不同尺度的特征图用于检测不同尺度的目标。具体地，ssd网络在每个特征图的每个方格中生成预设数量和预设比例的检测框，低层特征图可以预测小目标，高层特征图可以预测大目标。
82.除上面的基础结构外，ssd网络还包括分类子网络和边框预测子网络。这两个子网络是单独的两个网络，分类子网络用来执行分类(classification)任务，边框预测子网络则用来进行边界框(bounding box)回归任务。在得到上述6个不同尺度的特征图后，依次进入分类子网络和边框预测子网络。
83.本技术实施例及后续实施例中，目标ssd网络与现有技术中的ssd网络相比，主要的改进点在于将特征提取子网络由现有ssd网络结构的vgg16网络修改为改进resnet网络。
84.其中，改进resnet网络是基于resnet网络进行修改后，得到的网络。resnet网络，又称残差网络，是一种特殊的深度神经网络。resnet网络中多个隐含层之间除了逐层相连之外，还多了一条直连支路，这条直连支路可以实现隐含层的跨层交互。例如，例如在通常的深度神经网络中，第1层隐含层连接第2层隐含层，第2层隐含层连接第3层隐含层，第3层隐含层连接第4层隐含层，而resnet网络中，多出的这条直连支路，可能会从第1层隐含层直接连到第4层隐含层，即跳过第2层和第3层隐含层的处理，将第1层隐含层的数据直接传输给第4层隐含层进行运算。
85.本技术实施例中的改进resnet网络相比现有resnet网络在输入层和隐含层上可以进行如下修改：
86.(1)改进resnet网络的输入层被设计包括核大小(kernel)为7
×
7，步长(stride)为1的卷积层，并采用最大池化层或者去除池化层设计。
87.需要说明的是，池化层主要的作用在于减小图像的空间大小，从而降低神经网络训练难度，但缺点在于会损失图像的一些信息。一般的池化可以包括平均池化(average pooling))和最大池化(max pooling)，最大池化可以较小池化操作带来的损失程度。因此，为了尽可能保留特征提取过程中输入图像的像素点，本技术实施例中，可以采用最大池化层或者采用去除池化层的设计。
88.以去除池化层为例，在目前已有的resnet网络中，输入的图像首先会经过核大小为7
×
7，步长为2的卷积层，再经过核大小为3
×
3，步长为2的最大池化层。虽然卷积操作和池化操作能够提取区域内重要的信息，浓缩到特征图中，但这对于雷达信号的特征图来说，损失掉了部分像素点，可能会损失掉图像大量的信息。而在网络前期图像的每个像素都至关重要，保留完整的雷达回波信号图像特征信息将有助于后面的uwb雷达回波信号的识别工作。因此，在特征提取网络的输入层，本技术可以去除池化层，并且将卷积层的参数步长改为1。
89.(2)结合深度残差网络中短连接的思想和密集连接网络中密集块的思想，改进resnet网络的隐含层采用了与密集连接卷积网络(densely connected convolutional networks，densenet)类似的网络结构，设计了一种新的密集残差块(dense residual block，dr block)结构，并将输出层设置为特征组合层。
90.其中，改进resnet网络的处理流程可以如图5所示。输入的图像经过输入层装换为二维矩阵后，先后经过多个密集残差块和过渡层处理之后，再经过输出层，也即特征组合层进行特征融合处理，输出特征图。
91.本技术实施例的改进resnet网络中，以在前的密集残差块输出的特征图作为雷达回波信号的底层信息，网络后面的密集残差块输出的特征图作为高层信息，通过特征组合层将不同密集残差块输出的特征图进行按通道组合，使得最终的特征图可以将深层和浅层特征进行融合，从而提高了目标ssd网络的特征提取子网络输出特征图的特征容量，尤其是浅层包含的大量小物体特征。
92.需要说明的是，上述图5所示的处理流程图示中的改进resnet网络存在有多个密集残差块。本技术实施例中，还提出了一种新型的网络连接结构，具体如图6所示，每个密集残差块可以利用其之前的密集残差块的输出作为输入进行融合处理，从而缓解了梯度消失，增强了特征的传递。
93.密集残差块的结构可以如图7所示。
94.图7中，左侧的残差块结构为目前已有的一种残差块结构，本技术实施例对其进行了改进，在已有的残差块的结构中，本技术实施例中添加了1
×
1卷积结构，改进后本技术中所应用的密集残差块结构如图7右侧所示结构，依次包括核大小为1
×
1、3
×
3、1
×
1的三个卷积层,相比原有的残差块的结构可以减少所需要计算的参数量。具体的，如图7所示，假设输入特征图通道数为256，先加入1
×
1的卷积对输入进行降维，通道数变为64，然后在低维度下做3
×
3卷积，最后用1
×
1卷积对输出进行升维，通道数变为256。该结构与左边结构相
比能够明显降低参数量，右侧结构的参数量为1
×1×
256
×
64 3
×3×
64
×
64 1
×1×
64
×
64＝69632，使用左侧结构的参数量为3
×3×
256
×
256
×
2＝1179648，相差了16.94倍。
95.对于输入、输出的通道数不一致时，密集残差块的结构表达式如下：
96.h(x)＝f(x) wx
97.其中w为卷积核是1
×
1卷积操作，用来改变x的通道数，使其与f(x)的通道数一致。密集残差块在每个残差块中加入了恒等映射，同时和密集连接块相同，将每个残差块与它们前面的残差块直接连接。
98.本技术实施例中，密集残差卷积网络的引入缓解了梯度消失，增强了特征的传递，鼓励特征重用，并且大大减少了参数量。梯度消失的原因在于输入信息(input)与损失(loss)之间有很多卷积层传递导致的，密集残差网络将所有层直接连接起来，保证了网络中层与层之间的信息传输。每一层都能够与输入图像和损失直接相连，因此能够大大缓解梯度消失问题。同时密集残差连接网络有正则化的效果，有效的抑制了过拟合现象。
99.进一步的，对改进resnet网络的具体结构的详细描述，可以参照如下表1所示。其中，改进resnet网络所述输出层包括输入层、多个隐含层和输出层。该多个隐含层包括第一密集残差块层、第一过渡层、第二密集残差块层、第二过渡层和第三密集残差块层。
100.101.表1
102.注：表1中conv指卷积，stride指步长，average pool为平均池化。
103.如表1所示，第一密集残差块层、第二密集残差块层和第三密集残差块层分别包括9个、6个和6个密集残差块，其中每个密集残差块依次包括核大小为1
×
1、3
×
3、1
×
1的三个卷积层，第一过渡层依次包括核大小为1
×
1的卷积层和核大小为1
×
1、步长为2的平均池化层，第二过渡层依次包括核大小为2
×
1的卷积层和核大小为1
×
1、步长为2的平均池化层，输出层，也即特征组合层，包括核大小为1
×
1的卷积层，
104.结合上述对改进ssd网络模型的描述，下面结合该改进ssd网络模型对步骤203进行说明。
105.电子设备将第一灰度图像输入目标ssd网络模型后，首先经过改进resnet改进特征提取网络，将300
×
300的原图输出为38
×
38大小的特征图。之后，经过额外的功能层，再依次生成19
×
19、10
×
10、5
×
5、3
×
3和1
×
1等尺寸的特征图。
106.之后，电子设备将该六种不同尺寸的特征图依次输入ssd网络的分类子网络和边框预测子网络。其中，在送入之前，ssd网络在各个特征图的每个单元上都生成预设数量和比例的候选框。对本技术中尺寸为300
×
300的第一灰度图像，总共可以生成38
×
38
×
4 19
×
19
×
6 10
×
10
×
6 5
×5×
6 3
×3×
4 1
×1×
4＝8732个候选框。之后，电子设备根据每个候选框生成预测框，并根据每一个预测框的类别置信度来确定它的类别。
107.进一步，在各个种类的预测框中通过每个预测框的置信度值过滤掉小于置信度阈值(人为设定)的预测框，然后再通过对预测框的置信度值降序排列，保留各个种类预测框中前k个预测框(k为设定的大于0的正整数)。通过对剩下的预测框转换，得到与预测框真实对应的位置参数，最后对剩下的预测框进行非极大值抑制(non-maximum suppression，nms)算法，过滤掉重叠度较大，极度相似的预测框，最后以剩下的预测框的置信度确定二分类结果，也即给出待测目标空间是否包含目标体征信号的判别结果。
108.其中，本技术实施例中，nms算法具体步骤如下：
109.(1)从各个种类预测框中找出置信度最高的k个预测框；
110.(2)将k预测框从总预测框中删除，并且放到最终的预测框中；
111.(3)计算剩余预测框与m预测框的交并比交并比(intersection over union,iou)值，iou值大于阈值则将其删除；
112.(4)重复上述步骤(1)-(3)，得到剩下的预测框，完成提取分类。
113.在一些具体的实施例中，若输出的判别结果显示，待测目标空间包含生命体征信号，则目标ssd网络模型同时在第一灰度图像上生成第一标注框。该第一标注框所在的区域，体现了第一uwb雷达回波信号受生命体征信号的影响而呈现的有规律的特性。之后，电子设备可以根据该第一标注框区域中包含的回波信息，进行混频解调、滤波、a/d转换以及数字信号处理，从而确定生命体征信号的波形，并在上位机上显示。其中，该生命体征信号可以包括呼吸和/或心跳信号。
114.与现有技术相比，本技术实施例主要有以下有益效果：
115.本技术实施例提供了一种采用ssd网络来进行uwb雷达回波信号处理的方法。电子设备在获取到待测目标空间反射的第一uwb雷达回波信号后，以慢时间向为横轴，以回波距离向为纵轴将该第一uwb雷达回波信号转换为第一灰度图像。之后，电子设备将该第一灰度
图像输入之前已训练得到的目标ssd网络模型中，输出该待测目标空间是否包含生命体征信号的二分类判别结果。也即本技术的方案中，通过采用目标ssd网络模型，既可以充分利用目标微动信息，又可以发挥深度学习方法在图像处理上的优势，从而实现了uwb雷达回波信号的智能化提取和识别。
116.在本实施例的一些可选的实现方式中，具体参照图8，为本技术实施例提供的一种uwb雷达回波信号的生命体征检测方法的另一个实施例示意图：
117.基于图2所示实施例，在步骤203之前，上述电子设备还可以执行对目标ssd网络的训练过程，并在训练结果达到预期目标时，得到目标ssd网络模型。具体该训练得到目标ssd网络模型的过程可以包括：
118.步骤204，构建uwb雷达回波信号灰度图像数据集。
119.本技术实施例中，电子设备可以在本地构建该uwb雷达回波信号灰度图像数据集，也可以接收外部其他设备发送的uwb雷达回波信号灰度图像数据集。
120.步骤205，将uwb雷达回波信号灰度图像数据集输入初始ssd网络进行训练，在损失函数小于预设阈值时，锁定目标ssd网络各层的权重参数以得到目标ssd网络模型。
121.本技术实施例中，电子设备在获得到uwb雷达回波信号灰度图像数据集后，可以按照批次，输入待训练的目标ssd网络中进行训练，例如数据集包括1000张被标注不同信号类别的uwb雷达回波信号灰度图像，可以按照批次，例如每次50张，输入目标ssd网络中进行训练。在训练该目标ssd网络得到的损失函数小于预设阈值时，锁定目标ssd网络各层的权重参数，从而得到目标ssd网络模型。
122.其中，目标ssd网络的损失函数主要包括两部分，即边框回归损失和类别置信度损失，总损失为两者的加权和，公式如下：
[0123][0124]
上述公式中，n为默认框的正样本数量，l
conf
表示类别置信度损失，l
coc
为边框损失回归，c为类别预测值，l为先验框的所对应边界框的位置预测值，g是真实边界框的位置参数。默认框中心。类别置信度损失采用交叉熵softmax loss，边框回归损失采用smooth l1 loss。
[0125]
需要说明的是，在上述的损失函数中，加入了带权重的定位损失项和类别置信损失项，定位损失体现了预测框和真实框之间的差异程度，类别置信损失项则体现了目标ssd网络所确定的输入的灰度图像的信号类别与真实信号类别之间的差异程度。因此，在损失函数小于预设阈值时，可以认为目标ssd网络实现了包围框回归要求和分类要求。
[0126]
其中，电子设备在对目标ssd进行训练时，其计算能力由其自身的智能芯片提供，该智能芯片可以是中央处理器(central processing unit，cpu)，嵌入式神经网络处理器(neural-network processing units，npu)、图形处理器(graphics processing unit,gpu)、专用集成电路(application specific integrated circuit，asic)、现场可编程逻辑门阵列(field programmable gate array,fpga)等硬件加速芯片等的任何一种或多种。
[0127]
在本技术实施例的一个具体的实施例中，具体参照图9，为本技术实施例提供的一种uwb雷达回波信号的生命体征检测方法的另一个实施例示意图，其中，图2中步骤204，电子设备构件uwb雷达回波信号灰度图像数据集可以包括：
[0128]
步骤2041，获取在向不同距离和/或被不同阻碍物阻隔的人体发射uwb雷达信号后，接收到的第二uwb雷达回波信号。
[0129]
在本技术实施例中，在进行数据集构建时，先通过uwb雷达的发射装置向不同距离和/或向被不同阻碍物阻隔的人体发射uwb雷达信号，之后接收该方向上反射回来的第二uwb雷达回波信号。
[0130]
步骤2042，对第二uwb雷达回波信号采用预设算法进行去噪和弱信号增强预处理，得到第三uwb雷达回波信号。
[0131]
本技术实施例中，电子设备上预先设置有预设算法，可以利用该预设算法对第二uwb雷达回波信号进行去噪和弱信号增强预处理，从而在处理结束后得到第三uwb雷达回波信号。
[0132]
在一个具体的实施例中，上述的预设算法包括自适应背景去除算法、线性趋势去除算法和巴特沃斯带通滤波算法中的至少一个。
[0133]
在一个具体的实施例中，在步骤201，电子设备获取第一uwb雷达回波信号后，电子设备还可以采用与步骤2042相同的预设算法对第一uwb雷达回波信号进行去噪和弱信号增强预处理，得到第四uwb雷达回波信号。从而，步骤202，以慢时间向作为横轴，以回波距离向作为纵轴，将第一uwb雷达回波信号转换为第一灰度图像可以包括：电子设备将第四uwb雷达回波信号转换为第一灰度图像，后续将第一灰度图像输入目标ssd网络模型中，输出第一uwb雷达回波信号所属信号类别的判别结果。
[0134]
步骤2043，以慢时间向作为横轴，以回波距离向作为纵轴，将所述第三uwb雷达回波信号转换为第二灰度图像。
[0135]
需要说明的是，步骤2043与步骤202的处理方法类似，此处不再赘述。
[0136]
步骤2044，响应用户对第二灰度图像所属信号类别的标注操作，得到所述uwb雷达回波信号灰度图像数据集，其中，所述标注操作包括对所述第二灰度图像中体现所述生命体征信号的区域进行标签设置和标注框设置的操作。
[0137]
在本技术实施例中，将得到的第二灰度图像作为样本库。之后，电子设备响应用户通过labelimg软件对第二灰度图像进行的标签标注操作。其中，标注操作具体包括，对第二灰度图像上存在体现生命体征信号的区域进行标签设置和标注框设置的操作。
[0138]
与现有技术相比，本技术实施例主要有以下有益效果：
[0139]
本技术实施例进一步提供了构建uwb雷达回波信号灰度图像数据集的流程。电子设备在获取到第二uwb雷达回波信号后，采用预设算法进行去噪和弱信号增强预处理，提高了信噪比，再将得到的第三uwb雷达回波信号转换为第二灰度图像，在响应用户进行标签标注操作后，得到uwb雷达回波信号灰度图像数据集。
[0140]
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，该计算机程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，前述的存储介质可为磁碟、光盘、只读存储记忆体(read-only memory，rom)等非易失性存储介质，或随机存储记忆体(random access memory，ram)等。
[0141]
应该理解的是，虽然附图的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤
的执行并没有严格的顺序限制，其可以以其他的顺序执行。而且，附图的流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，其执行顺序也不必然是依次进行，而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
[0142]
进一步参考图10，作为对上述图2、图8或图9所示方法的实现，本技术提供了一种生命体征检测设备的一个实施例，该生命体征检测设备可以包括：
[0143]
获取模块1010，用于获取待测目标空间反射的第一uwb雷达回波信号；
[0144]
转换模块1020，用于以慢时间向作为横轴，以回波距离向作为纵轴，将第一uwb雷达回波信号转换为第一灰度图像；
[0145]
处理模块1030，用于将第一灰度图像输入目标ssd网络模型，输出待测目标空间是否包含生命体征信号的判别结果。
[0146]
在一个可能的实现方式中，
[0147]
处理模块1030，还用于构建uwb雷达回波信号灰度图像数据集；将uwb雷达回波信号灰度图像数据集输入初始目标ssd网络进行训练，基于损失函数对初始目标ssd网络各层的权重参数进行调整，直至损失函数小于预设阈值时，锁定初始目标ssd网络各层的权重参数以得到目标ssd网络模型。
[0148]
在一个可能的实现方式中，
[0149]
处理模块1030，具体用于获取在向不同距离和/或被不同阻碍物阻隔的人体发射uwb雷达信号后，接收到的第二uwb雷达回波信号；
[0150]
对第二uwb雷达回波信号采用预设算法进行去噪和弱信号增强预处理，得到第三uwb雷达回波信号；
[0151]
以慢时间向作为横轴，以回波距离向作为纵轴，将第三uwb雷达回波信号转换为第二灰度图像；
[0152]
响应用户对第二灰度图像的标注操作，得到uwb雷达回波信号灰度图像数据集，其中，标注操作可以包括对第二灰度图像中体现生命体征信号的区域进行标签设置和标注框设置的操作。
[0153]
在一个可能的实现方式中，
[0154]
处理模块1030，还用于对第一uwb雷达回波信号采用预设算法进行去噪和弱信号增强预处理，得到第四uwb雷达回波信号；
[0155]
以慢时间向作为横轴，以回波距离向作为纵轴，将第一uwb雷达回波信号转换为第一灰度图像，可以包括：
[0156]
以慢时间向作为横轴，以回波距离向作为纵轴，将第四uwb雷达回波信号转换为第一灰度图像。
[0157]
在一个可能的实现方式中，目标ssd网络以改进resnet网络作为特征提取子网络，改进resnet网络可以包括输入层、多个隐含层和输出层，改进resnet网络的输入层中可以包括核大小为7
×
7，步长为1的卷积层，并采用最大池化层或者去除池化层设计。
[0158]
在一个可能的实现方式中，多个隐含层依次可以包括第一密集残差块层、第一过渡层、第二密集残差块层、第二过渡层和第三密集残差块层，第一密集残差块层、第二密集残差块层和第三密集残差块层分别可以包括9个、6个和6个密集残差块，其中每个密集残差
块依次可以包括核大小为1
×
1、3
×
3、1
×
1的三个卷积层，第一过渡层依次可以包括核大小为1
×
1的卷积层和核大小为1
×
1、步长为2的平均池化层，第二过渡层依次可以包括核大小为2
×
1的卷积层和核大小为1
×
1、步长为2的平均池化层，输出层可以包括核大小为1
×
1的卷积层，输出层用于将第一过渡层、第二过渡层和第三密集残差块层输出的特征图按通道进行融合处理。
[0159]
在一个可能的实现方式中，
[0160]
处理模块1030，还用于若输出待测目标空间包含生命体征信号的判别结果，则在第一灰度图像上生成第一标注框；
[0161]
根据第一标注框区域中包含的回波信息确定生命体征信号的波形，并在上位机上显示。
[0162]
为解决上述技术问题，本技术实施例还提供了一种计算机设备。具体请参阅图11，图11为本实施例计算机设备基本结构框图。
[0163]
所述计算机设备11包括通过系统总线相互通信连接存储器1110、处理器1120、网络接口1130。需要指出的是，图中仅示出了具有组件1110-1130的计算机设备11，但是应理解的是，并不要求实施所有示出的组件，可以替代的实施更多或者更少的组件。其中，本技术领域技术人员可以理解，这里的计算机设备是一种能够按照事先设定或存储的指令，自动进行数值计算和/或信息处理的设备，其硬件包括但不限于微处理器、专用集成电路(application specific integrated circuit，asic)、可编程门阵列(field－programmable gate array，fpga)、数字处理器(digital signal processor，dsp)、嵌入式设备等。
[0164]
所述计算机设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述计算机设备可以与用户通过键盘、鼠标、遥控器、触摸板或声控设备等方式进行人机交互。
[0165]
所述存储器1110至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如，sd或dx存储器等)、随机访问存储器(ram)、静态随机访问存储器(sram)、只读存储器(rom)、电可擦除可编程只读存储器(eeprom)、可编程只读存储器(prom)、磁性存储器、磁盘、光盘等。在一些实施例中，所述存储器1110可以是所述计算机设备11的内部存储单元，例如该计算机设备11的硬盘或内存。在另一些实施例中，所述存储器1110也可以是所述计算机设备11的外部存储设备，例如该计算机设备11上配备的插接式硬盘，智能存储卡(smart media card,smc)，安全数字(secure digital,sd)卡，闪存卡(flash card)等。当然，所述存储器1110还可以既包括所述计算机设备11的内部存储单元也包括其外部存储设备。本实施例中，所述存储器1110通常用于存储安装于所述计算机设备11的操作系统和各类应用软件，例如图2、图8或图9所示实施例中任一项所示生命体征体检方法的程序代码等。此外，所述存储器1110还可以用于暂时地存储已经输出或者将要输出的各类数据。
[0166]
所述处理器1120在一些实施例中可以是中央处理器(central processing unit，cpu)、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器1120通常用于控制所述计算机设备11的总体操作。本实施例中，所述处理器1120用于运行所述存储器1110中存储的程序代码或者处理数据，例如运行所述x方法的程序代码。
[0167]
所述网络接口1130可包括无线网络接口或有线网络接口，该网络接口1130通常用于在所述计算机设备11与其他电子设备之间建立通信连接。
[0168]
本技术还提供了另一种实施方式，即提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序可被至少一个处理器执行，以使所述至少一个处理器执行如上述的如图2、图8或图9所示实施例中任一项所示生命体征体检方法的步骤。
[0169]
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本技术的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如rom/ram、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本技术各个实施例所述的方法。
[0170]
显然，以上所描述的实施例仅仅是本技术一部分实施例，而不是全部的实施例，附图中给出了本技术的较佳实施例，但并不限制本技术的专利范围。本技术可以以许多不同的形式来实现，相反地，提供这些实施例的目的是使对本技术的公开内容的理解更加透彻全面。尽管参照前述实施例对本技术进行了详细的说明，对于本领域的技术人员来而言，其依然可以对前述各具体实施方式所记载的技术方案进行修改，或者对其中部分技术特征进行等效替换。凡是利用本技术说明书及附图内容所做的等效结构，直接或间接运用在其他相关的技术领域，均同理在本技术专利保护范围之内。