CN106618497A - 复杂环境下基于信道状态信息监测睡眠的方法 - Google Patents
复杂环境下基于信道状态信息监测睡眠的方法 Download PDFInfo
- Publication number
- CN106618497A CN106618497A CN201611145695.8A CN201611145695A CN106618497A CN 106618497 A CN106618497 A CN 106618497A CN 201611145695 A CN201611145695 A CN 201611145695A CN 106618497 A CN106618497 A CN 106618497A
- Authority
- CN
- China
- Prior art keywords
- csi
- user
- phase
- information
- channel condition
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/48—Other medical applications
- A61B5/4806—Sleep evaluation
- A61B5/4815—Sleep quality
Landscapes
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Physics & Mathematics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明涉及一种复杂环境下基于信道状态信息监测睡眠的方法,属于无线网络应用技术领域。本发明首先通过现有Wi‑Fi设备采集目标环境中的Wi‑Fi信道状态信息CSI,并根据去离群值后的CSI做相位变换对相位信息进行校准,然后使用去离群值后的CSI以及相位校准后的CSI信息来判断用户周围是否有移动物体干扰,若有移动物体将删除被干扰的信息,从而获得准确的呼吸信息,并根据该呼吸信息获得用户的呼吸频率,进而通过分析用户的呼吸频率来判断用户的睡眠质量。对比现有技术,本发明方法大大增强了睡眠监测的环境鲁棒性和准确性,并且不依赖于各类传感器和穿戴设备,成本低、抗干扰性强、不存在泄露隐私问题、用户体验好。
Description
技术领域
本发明涉及一种监测睡眠的方法,特别涉及一种复杂环境下基于信道状态信息监测睡眠的方法,属于无线网络应用技术领域,具体涉及无线网络信道状态信息应用方法技术领域,用于监测呼吸状态和睡眠质量。
背景技术
睡眠作为生命所必须的过程,是机体恢复、整合和巩固记忆的重要环节。睡眠障碍指睡眠量的异常、睡眠质的异常,或在睡眠时发生某些临床症状,睡眠呼吸暂停(SAS)就是一种常见的临床症状。该症状不仅会严重影响患者的睡眠质量,还会导致发生高血压、心脏病、脑血管等高危疾病。而当前市面上大量的睡眠监测设备都存在成本高昂、精确度低、泄露隐私和抗干扰性差等问题,因此,如何克服以上问题实现有效的睡眠监测成为了近年来较为热门的研究方向。目前主要有以下几种睡眠监测手段:
佩带辅助设备。用户需要佩带专用的辅助设备,如腕带,胸带,头带或者探针等,用以采集用户的身体数据,从而直接或者间接的推断出该用户的睡眠质量。然而这些设备一般价格高昂,需要强制用户佩戴,并且大多只能提供粗粒度的监测信息,不能用以精确推测用户的睡眠质量。
利用各类传感器。这类方法大多依赖嵌入在毯子、皮带里的压力传感器阵列,或者视觉、声音传感器等。基于压力传感器的监测方法可以提供细粒度的睡眠质量信息,但成本过高。其他基于视觉的监测方法存在泄露隐私的问题,且受周围环境光照强度的影响较大;基于声音的监测方法例如利用多普勒效应的iSleep,受周围环境的噪声的影响较大,环境鲁棒性较差。
利用Wi-Fi的接收信号强度(RSSI)。无线电信号不仅可以用于传输数据,还可以用来感知环境。在室内环境下,信号发射机产生的无线电波经由直射、反射、散射等多条路径传播,在信号接收机处形成多径叠加信号。多径叠加信号受其传播物理空间的影响,可以携带反映环境特征的信息。Liu等人于2014年在文献《Wi-Sleep:Contactless sleepmonitoring via Wi-Fi signals》中提出了一种利用Wi-Fi的接收信号强度进行睡眠监测的方法,该方法利用了用户呼吸频率和RSSI值之间的周期性关系,来达到监测用户呼吸状态的目的。然而由于RSSI本身的局限性,例如RSSI会因为信号多径传播导致的小尺度阴影衰落而不再随传播距离单调变化,同时,在典型实验室环境下,一台静止的接收机在1分钟内接收到的RSSI可能出现5dB的剧烈波动,使得此种方法的稳定性不高。
综上所述,目前迫切需要一种在复杂环境下能够有效监测睡眠质量且成本不高的方法。
发明内容
本发明的目的是为了解决目前在复杂环境下监测睡眠质量稳定性不高或者成本过高的问题,提出一种复杂环境下基于信道状态信息监测睡眠的方法。
本发明的思想是通过现有Wi-Fi设备采集目标环境中的Wi-Fi信道状态信息(CSI),并根据CSI来判断用户周围是否有移动物体干扰,若有移动物体将删除被干扰信息,从而获得准确的呼吸信息,大大增强了本睡眠监测方法的环境鲁棒性;再结合主成分分析法和滑动串口策略,可以有效获得用户的呼吸频率,通过分析用户的呼吸频率来判断用户的睡眠质量。本发明方法尤其适用于单个睡觉用户、多个移动物体的复杂监测环境。
本发明的目的是通过以下技术方案实现的:
一种复杂环境下基于信道状态信息监测睡眠的方法,包括以下步骤:
步骤一、获取一段时间T范围内的CSI,采用去离群值滤波器去除原始CSI中的离群值;
步骤二、对于步骤一所获的CSI,采用线性变换的方法对其相位信息进行处理,获得的校准后的相位信息成为可用于移动检测的有效形式;
步骤三、处理步骤一和步骤二获得的CSI信息,按照时间窗口长度t和滑动窗口Δt提取出T时间内的个时间窗口内的CSI幅度和相位的相关系数矩阵的特征值,然后从CSI幅度和相位的相关系数矩阵的特征值中分别提取n个组成一个时间窗口内的CSI特征向量,将该时间窗口内的CSI特征向量输入到预先训练好的分类器,得到分类结果用以判断是否有移动的物体;若有移动物体,则对该时间窗口进行标记;若没有移动物体,则不进行标记;
步骤四、对于步骤一所获得的CSI,使用低通滤波器和主成分分析法去除其中的高频噪声,获得能够表示用户呼吸状态的信息,利用该呼吸信号计算用户的呼吸速率,并去除其中有标记的时间窗口内的数据。
有益效果
本发明仅依靠普通Wi-Fi设备收集Wi-Fi信道状态信息CSI,就可以实现移动物体检测和呼吸速率计算,从而实现用户睡眠质量的监测。因此本发明不依赖于各类传感器和穿戴设备,成本低、抗干扰性强、不存在泄露隐私问题、用户体验好,适用于单个睡觉用户、多个移动物体的复杂监测环境。
此外,本发明根据CSI来判断用户周围是否有移动物体干扰,若有移动物体将删除被干扰信息,大大增强了本睡眠监测方法的环境鲁棒性;再结合主成分分析法和滑动串口策略,可以有效获得准确的呼吸信息,从而使得本发明方法具有很高的准确性。
附图说明
图1为本发明实施例睡眠监测方法流程图。
图2为本发明实施例用于环境无移动物体时不同用户的呼吸监测准确率。
图3为本发明实施例用于环境存在不同移动速率的物体时不同用户的呼吸监测准确率。
图4为本发明实施例用于环境存在多个移动物体时同一个用户的呼吸监测准确率。
具体实施方式
下面结合说明书附图和实施例对本发明的优选实施方式做进一步说明。
本方法是一种监测用户睡眠质量的方法,能够排除目标环境中存在移动物体带来的干扰,保证监测到的用户呼吸信号是有效且准确的,从而通过呼吸信号来判断该时间段内用户的睡眠质量的高低。本方法的处理流程如图1所示。
为实现上述目的,本发明方法的具体实现过程包括以下步骤:
步骤一、获取一T秒内的CSI,使用去离群值滤波器去除原始CSI中的离群值。
原始CSI包含很多离群值。由于人的呼吸和日常行走等是一种低频率的行为,因此这些离群值更多的是因为协议本身以及环境噪声导致的。这些离群值会影响呼吸监测和移动监测,因此对原始CSI处理的第一步就是去离群值,本实施例中的具体过程如下:
首先接收端接收一段时间范围内的数据包共M个,一个数据包包含一组CSI测量值,每组CSI中包含m个子载波。然后计算出原始CSI中子载波幅度的中间值μ和中间值绝对偏差σ。最后采用Hampel去离群值滤波器,去除任何落在[μ-γσ,μ+γσ]之外的点,其中γ是一个独立参数,本实施例中设置为3。当然,作为有选,本实施例采用了上述Hampel去离群值滤波器,本领域技术人员知道,不限于此,此处可以采用其它任何方法或工具来去除离群值。
步骤二、对于步骤一所获的去除离群值后的CSI,采用线性变换的方法对其相位信息进行处理获得校准后的相位信息,该信息成为可用于移动检测的有效形式。
现有的商用无线网卡大多不能获取有效的相位信息,由于随机噪声以及接收端和发送端的时钟不同步,原始相位信息变得毫无规律,难以直接利用。因此需要通过线性变换的方法获取可用的相位信息。作为优选,本实施例通过以下过程将T秒内所有CSI的子载波的原始相位信息变换成可用形式:
首先用表示第i个子载波的相位的测量值,其中,φi表示第i个子载波的真实相位信息,δ表示接收端方向的时间误差,β是未知的相位偏差,Z是测量误差。ki是对应第i个子载波的索引值,其中1≤i≤m,在本实施例中,共有m=30条子载波,对应的索引值分别是:–28,–26,–24,–22,–20,–18,–16,–14,–12,–10,–8,–6,–4,–2,–1,1,3,5,7,9,11,13,15,17,19,21,23,25,27,28。N是快速傅里叶变换采用的点数,设置为64。
然后令为两个中间变量,因为可以看成近似为0,所以然后计算 得到真实相位的线性变换,该校准后的相位信息相比较于测量相位分布更加稳定。
步骤三、处理经步骤二相位校准后获得的CSI信息,根据预设的时间窗口长度t和滑动窗口Δt提取出每一个时间窗口内的CSI幅度和相位的相关系数矩阵的特征值,分别取其中的最大n个特征值组合起来构成一个2n*1的向量作为该窗口内CSI信息的特征向量,然后将该特征向量输入到预先训练好的分类器,得到分类结果用以判断是否有移动的物体;若有移动物体,则对该窗口CSI信息所处时间段进行标记;若没有移动物体,则不对该窗口CSI信息所处时间段进行标记。
针对经步骤一处理后的CSI,首先制作一个窗口长度为t秒且每次滑动Δt秒的滑动窗口,则T秒内一共有个滑动窗口,假设这t秒CSI的窗口内包含k组CSI测量值,对于每个窗口中的k组CSI测量值,用m×1的向量Aj来表示第j组CSI测量值中m个子载波的幅度,为了消除信号绝对能量的影响,需要对所有Aj进行标准化,即用Aj中每个元素除以|Aj|后的结果替换原元素,标准化后的结果记为
然后用来表示两个幅度向量的相关系数,其中1≤i,j≤k,通过计算得到幅度数据的相关系数矩阵
然后计算出该矩阵的特征值,选出最大的3个特征值分别记为a1,a2,a3。
接下来,采用上面同样的过程,针对经步骤二处理后的CSI,对于窗口中的k组CSI测量值,用m×1的向量φi来表示第i组CSI测量值中m个子载波的相位,然后对所有φi进行标准化,标准化后的结果记为
按照计算ρA的方法计算相位数据的相关系数矩阵ρφ,然后计算出该矩阵的特征值,选出最大的3个特征值分别记为c1,c2,c3。
将上述过程得到的a1,a2,a3,c1,c2,c3组成一个6×1的向量Fea=[a1,a2,a3,c1,c2,c3],向量Fea就是这个窗口内的CSI的特征向量。按照上述获取一个窗口内的CSI的特征向量的方法,计算出T秒内个Fea。
按照上述方法产生多组带有“是否有移动物体”标签的CSI特征向量作为训练样本,使用支持向量机算法建立一个分类器。最后将需要识别的一个窗口内的CSI的特征向量输入该分类器,得到“有移动物体”或“无移动物体”的标签。若某一Fea的标签为“有移动物体”,标记Fea对应的滑动窗口时间;若某一Fea的标签为“无移动物体”,则不做标记。
上述获取相关系数矩阵和特征向量Fea的方法只是本实施例的一个优选的实施方式,本领域技术人员知道,此处可以采用任何其它有效的方式获取相关系数矩阵及Fea,只要能够标识出所述CSI的特征即可。
步骤四、对于步骤一所获得的CSI,使用低通滤波器和主成分分析法去除其中的高频噪声,获得能够表示用户呼吸状态的信息,利用该呼吸信号计算用户的呼吸速率,并去除有标记时间窗口内的数据。
作为优选,本实施例首先使用巴特沃兹低通滤波器滤去CSI中每一条载波的高频噪声,然后用下述主成分分析法对低通滤波后的CSI继续去噪获得该T秒内用户的呼吸速率:
首先制作一个窗口长度为t秒且每次滑动Δt秒的滑动窗口,则T秒内一共有个滑动窗口。假设这t秒窗口内包含k组CSI测量值,用一个k×1的向量HPi表示低通滤波后的第i个子载波的时间序列,则m个子载波的时间序列用k×m的矩阵HP=[HP1,HP2,HP3,…,HPm]表示;然后让HP中的每一列的每一个元素都减去该列的平均值,得到标准化后的计算的k×k协方差矩阵S,并求出S的特征值,然后选出其中l个特征值对应的k×1的特征向量e1、e2、……ei……el;最后根据公式计算出k×1的呼吸信号breathSignal,其中αi是权重系数,1≤i≤l。作为优选,本实施例中设置l为最大的2个特征值,αi都为0.5,1≤i≤2。
对于当前窗口内获得的呼吸信号breathSignal,首先提取出其中关于幅度的信息,绘成波形图,两个波峰之间的间隔就是用户呼吸一次的时间。然后通过计算获得用户的呼吸周期E,其中pi是第i对相邻波峰值时间间隔,u是相邻波峰对数,再通过计算R=60/E来获得用户在这t秒内的呼吸速率,最终可以得到T秒内个呼吸速率。最后检查每个窗口对应的时间是否被标记,如被标记,则表明该段时间内呼吸检测受到干扰、计算出的呼吸速率是不准确的,除去该段时间对应的呼吸速率,如未被标记,则保留。最后根据保留的呼吸速率是否正常来判断用户在这T秒内的睡眠质量高低。
实施例
为了测试本方法的性能,选用1个30平米的房间,1个TP-link路由器作为发送端,1台装有Intel 5300网卡的笔记本电脑作为接收端,以及5名身高、年龄、体重各异的参与者作为用户,发送端的发包速率始终为每20ms发送一个数据包。
首先测试本方法在无干扰情况下的呼吸监测准确率。设置滑动窗口的长度为20秒内获得的数据包个数,每次滑动距离为5秒。1名用户平躺在床上,另1名用户静立且远离平躺用户并记录平躺用户5分钟的呼吸频率。图2显示了不同用户平躺呼吸的实验结果,呼吸检测的准确率是指5分钟内用本方法计算出的与真实呼吸速率相符合的呼吸速率的个数和计算出的呼吸速率的总数的比值,每个窗口计算出的呼吸速率可以看做是该窗口中间时刻的呼吸速率。由图2可以看出呼吸监测的准确率大约在84%~96%之间,充分说明了本方法有着较高的准确性。
然后测试本方法在有单个移动物体时的抗干扰能力。设置滑动窗口的长度为1秒,每次滑动距离为1秒,一个窗口内包含50个数据包。1名用户平躺在床上,另1名用户分别在房间内快速、中速、慢速移动5分钟,1名用户静立且远离平躺用户并记录平躺用户在这5分钟内的呼吸频率。图3显示了存在不同移动速率的物体时的实验结果,由图可以看出呼吸监测的准确率大约在87%~96%之间,说明了本方法对移动物体的速度并不敏感,不管是慢速行走还是快速行走,都能够以较高的准确率判断出来。
最后测试本方法在有多个移动物体时的抗干扰能力。设置滑动窗口的长度为1秒,每次滑动距离为1秒,一个窗口内包含50个数据包。1名用户平躺在床上,分别有1名、2名、3名用户在房间内以相同速率行走5分钟,1名用户静立且远离平躺用户并记录平躺用户在这5分钟内的呼吸频率。图4显示了不同数量的用户在室内移动的实验结果,由图可以看出呼吸监测的准确率大约在89%~95%之间,说明了本方法不管环境中存在单个移动物体还是多个移动物体都能很好的工作。
由于用户呼吸时胸部有规律的起伏,导致CSI有规律的变化,具体表现在CSI的幅度呈现正弦波状态,通过分析CSI的幅度信息就能获得用户的睡眠呼吸信息,而对CSI的变化最主要的干扰因素就是房间内的其他移动物体,因此本方法添加了移动检测步骤来排除移动物体的干扰,同时CSI中包含大量子载波,对所有子载波进处理可以有效降低由于某几个子载波测量不准产生的误差,保证了本方法较高的稳定性。综上所述,本发明在单个睡觉用户、多个移动物体的复杂环境中,能够准确有效的监测用户的呼吸状态和睡眠质量。
为了说明本发明的内容及实施方法,本说明书给出了具体实施例。在实施例中引入细节的目的不是限制权利要求书的范围,而是帮助理解本发明所述方法。本领域的技术人员应理解:在不脱离本发明及其所附权利要求的精神和范围内,对最佳实施例步骤的各种修改、变化或替换都是可能的。因此,本发明不应局限于最佳实施例及附图所公开的内容。
Claims (10)
1.一种复杂环境下基于信道状态信息监测睡眠的方法,其特征在于,包括如下步骤:
步骤一,获取一段时间T范围内的Wi-Fi信道状态信息CSI,采用去离群值滤波器去除原始CSI中的离群值;
步骤二,对于经步骤一处理后所获的CSI,采用线性变换的方法对其相位信息进行处理,获得的校准后的相位信息成为后面步骤可用于移动检测的有效形式;
步骤三,处理经步骤一和步骤二处理后获得的CSI信息,按照时间窗口长度t和滑动窗口Δt提取出T时间内的个时间窗口内的CSI幅度和相位的相关系数矩阵的特征值,然后从CSI幅度和相位的相关系数矩阵的特征值中分别提取n个组成一个时间窗口内的CSI特征向量,将该时间窗口内的CSI特征向量输入到预先训练好的分类器,得到分类结果用以判断是否有移动的物体:若有移动物体,则对该时间窗口进行标记;若没有移动物体,则不进行标记;
步骤四,对于经步骤一处理后所获得的CSI,使用低通滤波器和主成分分析法去除其中的高频噪声,获得能够表示用户呼吸状态的信息,利用该呼吸信号计算用户的呼吸速率,并去除其中有标记的时间窗口内的数据。
2.根据权利要求1所述的一种复杂环境下基于信道状态信息监测睡眠的方法,其特征在于:所述去离群值滤波器为Hampel去离群值滤波器。
3.根据权利要求1所述的一种复杂环境下基于信道状态信息监测睡眠的方法,其特征在于:步骤二所述采用线性变换的方法对其相位信息进行处理的具体过程如下:
首先,用表示CSI第i个子载波的相位的测量值,其中,φi表示第i个子载波的真实相位信息,δ表示接收端方向的时间误差,β是未知的相位偏差,Z表示测量误差,N表示快速傅里叶变换采用的点数;
然后令为两个中间变量,因为可以看成近似为0,所以
最后计算得到真实相位的线性变换,该校准后的相位信息相比较于测量相位分布更加稳定。
4.根据权利要求1所述的一种复杂环境下基于信道状态信息监测睡眠的方法,其特征在于:步骤三所述一个时间窗口内的CSI幅度和相位的相关系数矩阵通过下述过程获取:
首先,记一个时间窗口内的CSI包含k组测量值;
其次,对这k组测量值,用m×1的向量Aj来表示第j组CSI测量值中m个子载波的幅度或相位,其中1≤j≤k,为了消除信号绝对能量的影响,对所有Aj进行标准化得到
最后,用来表示两个幅度向量或两个相位向量的相关系数,其中1≤i,j≤k,通过计算得到幅度数据或相位数据的相关系数矩阵
5.根据权利要求1所述的一种复杂环境下基于信道状态信息监测睡眠的方法,其特征在于:步骤三所述n个为最大的3个。
6.根据权利要求1所述的一种复杂环境下基于信道状态信息监测睡眠的方法,其特征在于:步骤四所述低通滤波器为巴特沃兹低通滤波器。
7.根据权利要求1所述的一种复杂环境下基于信道状态信息监测睡眠的方法,其特征在于:步骤四所述采用主成分分析法去除CSI中的高频噪声获得能够表示用户呼吸状态的信息的具体过程如下:
首先,记一个时间窗口内的CSI包含k组测量值;
然后,用一个k×1的向量HPi表示CSI的第i个子载波的时间序列,则m个子载波的时间序列用k×m的矩阵HP=[HP1,HP2,HP3,…,HPm]表示;让HP中的每一列的每一个元素都减去该列的平均值,得到标准化后的计算的k×k协方差矩阵S,并求出S的特征值,选出其中n个特征值对应的k×1的特征向量e1、e2、……ei……en;其中1≤i≤n;
最后,根据公式计算出k×1的呼吸信号breathSignal,其中αi是权重系数,1≤i≤n。
8.根据权利要求7所述的一种复杂环境下基于信道状态信息监测睡眠的方法,其特征在于:所述n个特征值为最大的2个特征值。
9.根据权利要求7所述的一种复杂环境下基于信道状态信息监测睡眠的方法,其特征在于:所述
10.根据权利要求1-9任一所述的一种复杂环境下基于信道状态信息监测睡眠的方法,其特征在于:步骤四所述利用呼吸信号计算用户的呼吸速率的具体过程如下:对于一个时间窗口内获得的呼吸信号breathSignal,首先提取出其中关于幅度的信息,绘成波形图,两个波峰之间的间隔就是用户呼吸一次的时间;然后通过计算获得用户的呼吸周期E,其中pi是第i对相邻波峰值时间间隔,u是相邻波峰对数;最后通过计算R=60/E来获得用户在这一个时间窗口内的呼吸速率。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611145695.8A CN106618497A (zh) | 2016-12-13 | 2016-12-13 | 复杂环境下基于信道状态信息监测睡眠的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611145695.8A CN106618497A (zh) | 2016-12-13 | 2016-12-13 | 复杂环境下基于信道状态信息监测睡眠的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106618497A true CN106618497A (zh) | 2017-05-10 |
Family
ID=58824431
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611145695.8A Pending CN106618497A (zh) | 2016-12-13 | 2016-12-13 | 复杂环境下基于信道状态信息监测睡眠的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106618497A (zh) |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107333105A (zh) * | 2017-07-14 | 2017-11-07 | 中国矿业大学 | 一种基于wifi的井下智能视频监控***和监控方法 |
CN107518873A (zh) * | 2016-06-22 | 2017-12-29 | 北京小米移动软件有限公司 | 监测睡眠状况的方法及装置、电子设备 |
CN107633227A (zh) * | 2017-09-15 | 2018-01-26 | 华中科技大学 | 一种基于csi的细粒度手势识别方法和*** |
CN107862260A (zh) * | 2017-10-26 | 2018-03-30 | 西北大学 | 一种目标识别方法 |
CN107968689A (zh) * | 2017-12-06 | 2018-04-27 | 北京邮电大学 | 基于无线通信信号的感知识别方法及装置 |
WO2019080728A1 (zh) * | 2017-10-23 | 2019-05-02 | 叶伟 | 一种基于WiFi信号的心率异常检测方法 |
CN109745026A (zh) * | 2017-11-07 | 2019-05-14 | 深圳欧德蒙科技有限公司 | 一种心率测量方法和*** |
CN110123328A (zh) * | 2019-06-26 | 2019-08-16 | 南京苗米科技有限公司 | 一种基于无线识别的呼吸频率检测方法 |
CN111225354A (zh) * | 2020-02-14 | 2020-06-02 | 重庆邮电大学 | WiFi干扰环境下的CSI人体跌倒识别方法 |
CN111568425A (zh) * | 2020-06-08 | 2020-08-25 | 北京大学 | 一种非接触式的多人呼吸检测方法 |
CN111770705A (zh) * | 2017-12-28 | 2020-10-13 | 数眠公司 | 具有存在检测特征的床 |
CN114916912A (zh) * | 2022-05-09 | 2022-08-19 | 大连理工大学 | 一种非接触式的睡眠呼吸暂停检测方法及装置 |
CN115040092A (zh) * | 2022-06-13 | 2022-09-13 | 天津大学 | 基于信道状态信息的心率监测方法及呼吸事件检测方法 |
WO2023241469A1 (zh) * | 2022-06-13 | 2023-12-21 | 华为技术有限公司 | 一种睡眠监测方法及设备 |
WO2024002029A1 (zh) * | 2022-06-30 | 2024-01-04 | 华为技术有限公司 | 呼吸检测方法、电子设备、存储介质及程序产品 |
-
2016
- 2016-12-13 CN CN201611145695.8A patent/CN106618497A/zh active Pending
Non-Patent Citations (1)
Title |
---|
LI FAN: "Mo-sleep: Unobtrusive sleep and movement monitoring via Wi-Fi signal", 《2016 IEEE 35TH INTERNATIONAL PERFORMANCE COMPUTING AND COMMUNICATIONS CONFERENCE (IPCCC)》 * |
Cited By (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107518873A (zh) * | 2016-06-22 | 2017-12-29 | 北京小米移动软件有限公司 | 监测睡眠状况的方法及装置、电子设备 |
CN107333105A (zh) * | 2017-07-14 | 2017-11-07 | 中国矿业大学 | 一种基于wifi的井下智能视频监控***和监控方法 |
CN107633227A (zh) * | 2017-09-15 | 2018-01-26 | 华中科技大学 | 一种基于csi的细粒度手势识别方法和*** |
CN107633227B (zh) * | 2017-09-15 | 2020-04-28 | 华中科技大学 | 一种基于csi的细粒度手势识别方法和*** |
WO2019080728A1 (zh) * | 2017-10-23 | 2019-05-02 | 叶伟 | 一种基于WiFi信号的心率异常检测方法 |
CN107862260A (zh) * | 2017-10-26 | 2018-03-30 | 西北大学 | 一种目标识别方法 |
CN107862260B (zh) * | 2017-10-26 | 2021-06-04 | 西北大学 | 一种目标识别方法 |
CN109745026A (zh) * | 2017-11-07 | 2019-05-14 | 深圳欧德蒙科技有限公司 | 一种心率测量方法和*** |
CN107968689A (zh) * | 2017-12-06 | 2018-04-27 | 北京邮电大学 | 基于无线通信信号的感知识别方法及装置 |
CN111770705A (zh) * | 2017-12-28 | 2020-10-13 | 数眠公司 | 具有存在检测特征的床 |
CN111770705B (zh) * | 2017-12-28 | 2023-06-02 | 数眠公司 | 具有存在检测特征的床 |
CN110123328B (zh) * | 2019-06-26 | 2022-04-15 | 南京苗米科技有限公司 | 一种基于无线识别的呼吸频率检测方法 |
CN110123328A (zh) * | 2019-06-26 | 2019-08-16 | 南京苗米科技有限公司 | 一种基于无线识别的呼吸频率检测方法 |
CN111225354B (zh) * | 2020-02-14 | 2022-02-22 | 重庆邮电大学 | WiFi干扰环境下的CSI人体跌倒识别方法 |
CN111225354A (zh) * | 2020-02-14 | 2020-06-02 | 重庆邮电大学 | WiFi干扰环境下的CSI人体跌倒识别方法 |
CN111568425A (zh) * | 2020-06-08 | 2020-08-25 | 北京大学 | 一种非接触式的多人呼吸检测方法 |
CN111568425B (zh) * | 2020-06-08 | 2021-08-03 | 北京大学 | 一种非接触式的多人呼吸检测方法 |
CN114916912A (zh) * | 2022-05-09 | 2022-08-19 | 大连理工大学 | 一种非接触式的睡眠呼吸暂停检测方法及装置 |
CN115040092A (zh) * | 2022-06-13 | 2022-09-13 | 天津大学 | 基于信道状态信息的心率监测方法及呼吸事件检测方法 |
WO2023241469A1 (zh) * | 2022-06-13 | 2023-12-21 | 华为技术有限公司 | 一种睡眠监测方法及设备 |
WO2024002029A1 (zh) * | 2022-06-30 | 2024-01-04 | 华为技术有限公司 | 呼吸检测方法、电子设备、存储介质及程序产品 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106618497A (zh) | 复杂环境下基于信道状态信息监测睡眠的方法 | |
CN106725488B (zh) | 一种无线场强呼吸检测方法、装置及呼吸检测仪 | |
Liu et al. | Contactless respiration monitoring via off-the-shelf WiFi devices | |
Wang et al. | On CSI-based vital sign monitoring using commodity WiFi | |
CN109998549A (zh) | 一种基于WiFi信道状态信息的人体呼吸检测方法 | |
CN105451652B (zh) | 用于确定对象的呼吸信号的处理装置和处理方法 | |
CN102917661B (zh) | 基于多变量残差的用于人体健康监视的健康指数 | |
CN111568425B (zh) | 一种非接触式的多人呼吸检测方法 | |
CN109431465B (zh) | 一种基于射频标签技术的老年人睡眠质量监测方法 | |
Li et al. | Mo-sleep: Unobtrusive sleep and movement monitoring via Wi-Fi signal | |
CN103006195A (zh) | 一种基于图像处理的非接触式生命体征数据监测***和监测方法 | |
WO2019080728A1 (zh) | 一种基于WiFi信号的心率异常检测方法 | |
Liu et al. | Human biometric signals monitoring based on wifi channel state information using deep learning | |
CN108992053A (zh) | 一种实时的无束缚检测心率和心跳间隔的方法 | |
CN107405106A (zh) | 呼吸次数检测装置、呼吸次数检测方法及程序存储介质 | |
CN109330597A (zh) | 一种基于信道状态信息的人体呼吸追踪方法 | |
CN103690169A (zh) | 呼吸信息检测方法及*** | |
CN113743374B (zh) | 一种基于信道状态信息呼吸感知的人员身份识别方法 | |
Muaaz et al. | WiHAR: From Wi-Fi channel state information to unobtrusive human activity recognition | |
CN114707563A (zh) | 一种基于Wi-Fi信道状态信息的人体动作识别方法 | |
CN111839520A (zh) | 基于csi信号功率响应自相关的人呼吸监测方法和装置 | |
CN115474901A (zh) | 基于无线射频信号的非接触式起居状态监测方法及*** | |
CN206979487U (zh) | 一种无线场强呼吸检测仪 | |
CN113017559A (zh) | 一种基于压电薄膜传感器的生命体征提取算法及*** | |
CN113456061A (zh) | 一种基于无线信号睡眠姿势监测方法及*** |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20170510 |