一种融合毫米波雷达和深度学习模型的无接触式心震信号检测方法及其装置与流程

技术特征：
1.一种融合毫米波雷达和深度学习模型的无接触式心震信号检测方法，其特征在于，主要包括心脏波束形成器、心脏波束与心震图信号转换模块、心震图信号分类标注模块；步骤1：用多普勒毫米波雷达信号的发射与接收模块，获取雷达信号；步骤2：利用所述雷达信号，对心脏雷达信号进行定位与检测，获得心脏波束；步骤3：利用心震信号转换模块，由心脏波束信号获得与其对应的心震图信号；步骤4：由心震图信号分类标注模块，划分心脏在时序上的微运动状态，并判断心脏活动是否存在异常；步骤5：将心脏活动的分类结果在装置内进行存储，并且产生可视化结果推送至显示装置。2.根据权利要求1所述的一种基于深度学习模型的无接触式心震信号检测毫米波雷达装置及其检测方法，其特征在于，所述雷达装置置于被检测者活动空间前方，通过发射天线向外发射固定频率的发射信号，经过所述被检测者会产生所述反射信号，所述装置无需接触所述检测者。3.根据权利要求1所述的心脏波束形成器，其特征在于，心脏波束形成器由两个平行的信号处理流组成；步骤2-1：组合多通道采集数据，以十六个通道信号为例，组合公式：其中为发射射频信号的波长，、为第n个天线阵的坐标，x、y为投影坐标，为从第n个天线阵接收到的信号；步骤2-2：组合后的信号传入所述的第一个处理流提取心率、最大心率比；步骤2-3：组合后的信号传入所述的第二个处理流将十六个通道信号特征映射，在雷达检测区域内所有信号中确定心脏的射频信号；步骤2-4：合并两个处理流的输出：所述的波束形成器对三坐标参数化的时域信号进行快速傅里叶变换得到时域谱特性；由步骤2-2确定心率，由此得到四维特征数据（x坐标、y坐标、频率和心率）；步骤2-5：使用步骤2-4的四维输出结果，所述算法可以确定最佳的有最高的功率比的空间位置(即，心跳的周期最明显的地方)。4.根据权利要求3中所述的心脏波束形成器第一个提取心率的处理流，其特征在于，将原始数据d经过提取相位和微分变换后，送入一维卷积神经网络进行模板匹配；用随机梯度下降法求解所述过程，卷积神经网络训练时设定损失函数为：其中，是l2正则化函数，t是卷积滤波核，m是每个最大池化层输出元素的值，是调节超参数；相邻m的时间间隔为单周期心率；最后将卷积神经网络的最后一层最大池化层输出的数据为心率提取特征，使用频率分布直方图估计最大心率。5.根据权利要求3中所述的确定心脏射频信号的第二个处理流，其特征在于，由如下步骤组成：
步骤2-3-1：使用波束形成器提升雷达精度和角度，并用傅里叶变换将原始数据进行特征空间映射；步骤2-3-2：提取时序数据的相位，并应用微分滤波器。6.根据权利要求1所述的心脏波束与心震图信号转换模块，其特征在于，转换器由三模块神经网络组成，每个模块的神经网络由一维卷积层、激活层、批量标准化层和随机丢弃特征层组成；所述的三个模块神经网络具有较多数量的卷积核提取有效信息，卷积核越多越能得到更丰富的特征，此处以128个卷积核、32个卷积核和1个卷积核为例；在训练阶段，输入是rf信号，训练标签是同步采集的真实scg信号，损失函数是神经网络输出与真实scg信号之间的l2正则化函数；在测试阶段，仅需rf信号输入。7.根据权利要求1所述的心震图信号分类标注模块，其特征在于，是一种适用于一维scg信号的u-net模型；u-net模型不仅能对输入的scg序列数据进行编码解码，还用层级融合，保留编码过程中的高维特征，以提高模型输出的准确度。8.一种装置，其特征在于：所述装置中存储有计算机程序，其中，所述计算机程序被设置为运行时执行所述权利要求1-7中任一项中所述的融合毫米波雷达和深度学习模型的无接触式心震信号检测方法。

技术总结
本发明提供一种融合毫米波雷达和深度学习模型的无接触式心震信号检测方法及其装置，包括通过毫米波雷达信号发射与接收模块采集一段时间的信号；根据该信号，用心脏信号波束形成器提取属于心脏的波束信号；随后用信号转换模块将心脏波束信号转成对应的心震图信号；并经心震图信号分类标注模块得到每一时刻信号所对应的心脏动作；最后展示这段时间内的心震图及心脏运动。本发明实现了无接触式的心震信号检测，降低了心震信号采集的难度和局限性，并能高精度地分辨心脏运动。并能高精度地分辨心脏运动。


技术研发人员：邵晨 范伟 李天敏 张灿 郑晓君
受保护的技术使用者：北京算丰征途科技有限公司
技术研发日：2021.06.23
技术公布日：2022/12/22