CN110292383B - 一种基于rf技术的多目标呼吸频率检测方法及*** - Google Patents
一种基于rf技术的多目标呼吸频率检测方法及*** Download PDFInfo
- Publication number
- CN110292383B CN110292383B CN201910438584.3A CN201910438584A CN110292383B CN 110292383 B CN110292383 B CN 110292383B CN 201910438584 A CN201910438584 A CN 201910438584A CN 110292383 B CN110292383 B CN 110292383B
- Authority
- CN
- China
- Prior art keywords
- detection
- frequency
- target
- value
- respiratory
- 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.)
- Active
Links
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/08—Detecting, measuring or recording devices for evaluating the respiratory organs
- A61B5/0816—Measuring devices for examining respiratory frequency
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
- A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
- A61B5/113—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb occurring during breathing
- A61B5/1135—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb occurring during breathing by monitoring thoracic expansion
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Physics & Mathematics (AREA)
- Pulmonology (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Physiology (AREA)
- Veterinary Medicine (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Dentistry (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明公开了一种基于RF技术的多目标呼吸频率检测方法及***,利用RF技术实现高精度的呼吸检测。本发明利用多目标胸部位移所引起的微小的射频信号振幅变化来检测呼吸,过程中检测不需要用附带任何设备,利用多个廉价的RF无源标签在不同位置的协同部署,以及利用“死角”消除目标间的相互干扰,通过频域消除非呼吸引起的信号变化,最终实现精准区分多个目标的呼吸,提高了监测***的可行性及鲁棒性。
Description
技术领域
本发明涉及被动式感知领域,特别涉及一种基于RF技术的多目标呼吸频率检测方法。
技术背景
呼吸速率作为人体的一项重要生命体征,可以预示患者病情和正常人的健康状况,检测呼吸对婴儿、老人,病人监护起到关键性作用。呼吸过快,呼吸过慢以及呼吸暂停都是生理疾病发生的重要征兆,急需临床诊断。
目前国内外实现呼吸检测的方法可划分为两大类,一类是接触式呼吸检测,另一类是非接触式呼吸检测。接触式呼吸检测方法包括速度式呼吸检测法、温度检测法、容积式呼吸检测法、位移检测法、阻抗检测法、可穿戴技术等。这些方法属于无创检测且技术成熟,但缺陷是都需要人体直接接触电极或传感器,使人受到一定的约束和限制,不适合用于严重患者或者新生儿的呼吸监测。而非接触式呼吸检测不需要用户携带或接触任何设备,利用电磁波、光等媒介来感知人体呼吸,在不影响用户正常生活的前提下成功进行非接触式呼吸探测。接触式呼吸检测方法通常基于以下参数,如呼吸气流、呼吸引起的胸腹部起伏运动、呼吸声音、呼吸排出的二氧化碳和吸进的氧气量等。
呼吸气流检测:包括对呼吸气体流过时的温度变化检测,呼吸气体流过时的压力检测,以及呼吸气体流过时的流量检测,速度式呼吸检测法和容积式呼吸检测方法是两种对呼吸呼吸流量的检测方法,当气流流过时,周围空气的湿度,温度压强都会发生改变,但其中温度的变化远比气压和湿度显著,所以温度通常作为呼吸信号检测的量度,嘴唇以及鼻腔底部的温度会由于呼吸时气流的通过而发生改变,因此可以利用温度传感器来检测温度的变化,进一步检测呼吸信号。但由于气流流通时引起的温度变化不大,通常只有1 2℃,故通常在实际应用中采用热敏电阻传感器,将热敏电阻传感器置于鼻腔内或者鼻腔下方嘴唇上方,热敏电阻的阻值的改变量在放大器前端转换为与呼吸周期同步的交变电压信号,其频率则试做呼吸频率,但是传感器长时间接触人体导致温度变化不明显,最终会影响测量结果,所以该方法并不适用于长期的连续监测。
胸腹部起伏运动检测:呼吸时,人的呼吸道和胸腔,腹腔也会随之发生相应的周期性变化,常用的检测以上变化的方法有以下几种:压力检测,阻抗检测,呼吸感应体积描计术。上述的几种检测方法需要电极或者传感器直接与人体相接触,所以以下几个因素会直接或间接的影响检测效果:第一,传感器或者电极与人体皮肤接触不良,进而导致信号接收不良;第二,外部因素影响,起搏器,器官的活动,检测目标的移动都会影响呼吸信号的检测;第三,传感器或者电极的放置位置不适当都会影响呼吸信号的检测。
呼吸声音检测:该方法是将微型的拾音器放置在喉上或者呼吸道附近对呼吸时声音的变化进行监测,接着通过频谱分析估计出声音大小,还可以将拾音器放置在衣领处获取呼吸声音,但由于呼吸声音较小,其它不相关的声音会很容易覆盖或干扰呼吸的检测,因此需要实现在强背景下获取弱信号。针对接触式呼吸检测到的存在的侵入性问题,非接触式呼吸检测方法可以克服。三种常用的非接触式呼吸测量方法分别为:基于光的呼吸测量方法以及基于红外成像的技术的呼吸测量方法,基于生物雷达的呼吸测量方法。
基于光的呼吸测量方法:该方法检测呼吸主要是通过光栅视觉传感器和处理模块,***总体由光栅发射器(提供隐形的红外光点阵列)和携带光学带通滤波器的CCD(电荷耦合摄像机),电荷耦合摄像机会捕捉由光栅发射器向对象发射的一系列亮点,然后通过分析每一个亮点的位移来检测呼吸。
基于红外成像的技术的呼吸测量方法:由于呼出气体的温度高于室内环境温度,所以呼出的粒子发出的能量会给高。这个现象在红外成像中被认为是捕捉到动态热的特征。因此,高灵敏的红外线成像可以对呼吸功能进行检测,但是,由于该现象强度较低且存在时间较短,所以特征值的处理是一大技术难点。
综上所述,现有的多目标呼吸监测技术的成本普遍较高且普适性不强,因此亟须一种有更高可行性更加便捷的被动式多目标呼吸监测技术。
发明内容
为了解决上述现有技术存在的问题,本发明的目的在于,提供一种基于RF技术的多目标呼吸频率检测方法,目标行为不受限制,对目标几乎不造成影响,成本低廉解决现有的多目标呼吸监测技术的普适性不强、目标行为受限的技术问题。
为了实现上述任务,本发明采取如下技术方案:
一种基于RF技术的多目标呼吸频率检测方法,用于同时检测多个目标的呼吸频率,RF接收端为R,包括以下步骤:
步骤一,建立多目标呼吸频率检测菲涅尔区模型;
步骤二,根据步骤一建立的菲涅尔区模型,部署RF无源标签,每个目标对应部署一个RF无源标签;
步骤三,在呼吸持续的t时间内,分别连续测量每个目标对应的RF无源标签与R之间的RF信号相位值,其中t≥3s;
步骤四,用所得到相位值分别绘制波形图,对绘制的波形图分别采用局部平均算法获得呼吸波峰,呼吸波峰的峰值数与t之比即为对应目标的呼吸频率。
所述步骤二中,部署RF无源标签时,每个RF无源标签所处的位置范围为:R与该RF无源标签之间的距离不超过3米,该RF无源标签与R正方向之间的夹角θ∈(-60°,60°)。
进一步,部署RF无源标签时按照部署方案部署,每种部署方案对应产生一个ο值,以ο值最大值对应的部署方案作为最佳部署方案;
检测效果好的点定义为在该点的检测精度Accuracy值大于100%,反之为检测效果差的点;检测精度Accuracy定义如下:
所述步骤四中,绘制波形图之前,对得到的相位值进行频域去干扰,获得纯净呼吸信号相位值。
进一步,绘制波形图之前,将得到的相位值的时域信号进行快速傅里叶变换得到频域信号,设定过滤器过滤掉频率小于10bpm和大于25bpm的频域信号,再利用逆快速傅里叶变换将处理后的频域信号转化到时域信号,得到去除频率干扰后的呼吸信号相位值。
更进一步,所述步骤四中,获得呼吸波峰的方法为,将得到的相位值的时域信号通过长度为2s的滑动窗口,在每个窗口内,计算属于该窗口的样本的局部平均值,每个窗口的样本减去其局部平均值后形成一个新的幅度序列,经过上述处理可以检测到所有与呼吸相关的波峰。
本发明还提供一种基于RF技术的多目标呼吸频率检测***,所述***基于上述方法对多个目标同时进行呼吸频率检测,该***包括一个RF接收端R、一个控制器和多个RF无源标签;
所述控制器用于建立多目标呼吸频率检测菲涅尔区模型并部署RF无源标签;所述RF接收端R用于接收RF无源标签发出的RF信号;所述控制器同时还用与将RF信号按照权利要求1所述方法进行运算得到对应目标的呼吸频率。
RF无源标签所处的位置范围为:R与该RF无源标签之间的距离不超过3米,该RF无源标签与R正方向之间的夹角θ∈(-60°,60°)。
更进一步,RF无源标签所处的位置以ο值最大值对应的位置作为最佳位置;
其中,zn表示第n个目标的胸部受测范围,Tn表示第n个目标的RF无源标签,zn位于Tn和R组成的检测区域内,表示在zn范围内Tn检测效果好的点的数量,表示在zn范围内Tn-1检测效果差的点的数量;检测效果好的点定义为在该点的检测精度Accuracy值大于100%,反之为检测效果差的点;检测精度Accuracy定义如下:
本发明的有益效果是:
本发明的方法,通过多目标Pn胸部位移所引起的微小的射频信号相位变化来检测呼吸,过程中检测不需要用附带任何设备,目标行为不受限制,利用多个廉价的RF无源标签在不同位置的协同部署,以及利用“死角”消除目标间的相互干扰,通过频域消除非呼吸引起的信号变化,最终实现精准区分多个目标的呼吸,提高了检测***的可行性。
附图说明
图1是本发明的方法流程图。
图2是目标呼吸时胸部起伏对RF信号路径的影响说明图。
图3是菲涅尔区模型的概念图。
图4是相位感知能力热图。
图5是睡觉时的呼吸检测部署图。
图6是不同呼吸频率的目标检测结果与手指脉搏血氧计测量结果对比图。
图7是使用局部平均算法解决波峰漏检问题示意图。
图8是从跑步、打电话等干扰活动中提取呼吸示意图。
图9实际场景下的多目标检测部署图。
图10是连续呼吸率检测结果图。
图11是日常活动(a-g)和其他干扰人员(h-i)存在的呼吸检测准确率。
图12是多样目标的检测准确度。
图13是多目标在不同睡姿下的呼吸检测准确率。
图14是多目标不同呼吸频率与距离下的检测准确度。
图15是两个目标呼吸监测实验波峰图。
下面将结合附图和实施例对本发明作进一步地详细描述。
具体实施方式
为了更清楚地说明本发明的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见,下面描述中的附图仅仅是本发明的一些实施例,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。
如图1-15所示,本发明的步骤一,利用现有方法建立呼吸检测菲涅尔区模型;具体包括如下步骤:
在无线信号传输的环境中,菲涅尔区是以信号发射器T(发射端)和信号
接收器R(接收端)所处位置为焦点的一系列同心椭圆。参见图3,而在RFID***中,T和R分别代表无源标签和阅读器,最里层的椭圆内部区域为第一菲涅尔区。第n个菲涅尔区对应于第n-1和第n个椭圆之间的环形区域。第n个菲涅尔区的边界由满足下面条件的点Qn构成:
{|TQn|+|QnR|-|TR|}=nλ/2} (1)
其中λ是射频信号的波长,位于菲涅尔区的目标Pn与TR做垂线时在TR上形成点M,h是目标Pn到TR的垂直距离,d1和d2分别表示TM和RM的长度。TPR和TR之间的路径差△d通过下式计算:
当目标Pn位于第一菲涅尔区内时,主要产生衍射效应;当目标Pn位于第一菲涅尔区之外时,主要引起反射效应。
(1)衍射效应
菲涅尔-基尔霍夫衍射参数v定义为:
衍射效应幅度F(v)可计算为:
(2)反射效应
目标Pn位于第一菲涅尔区之外时,主要产生反射效应。与目标相关的反射路径主要有三条:
1.R→T→Pn→R
2.R→Pn→T→R
3.R→Pn→T→Pn→R
因此,在接收端R获得的反射分量为:
在本发明中,利用菲涅尔区参数k,判断目标是否在第一菲涅尔区内,表示如下:
当k≤1时,目标位于第一菲涅尔区内,否则位于第一菲涅尔区外。
步骤二,根据菲涅尔区模型,在监测区域内合理部署多个RF无源标签,使得Pn的监测区域位于除Ti外所有RF无源标签的“死角”;
根据多目标菲涅尔区模型,需要在监测区域内部署根据目标人数n对应放置n个RF无源标签,n∈[1,5],当给定每一个目标的检测区域时,我们可以将该问题转化成一个优化问题,即通过优化多个RFID无源标签Ti以及阅读器的位置,来最大化O:
O=P1,1+N2,1+...+Ni,1+...+Pi,i+N1,i+...+Nj,i (10)
其中i∈[1,n],j∈[1,n]且j≠i,P1,1表示在T1监测区域Z1中的监测效果好的点的个数,N2,1表示T2在监测区域Z1中的监测效果差的点的个数;监测区域Z1为目标在呼吸时胸部所在60*30cm的检测范围面积(目标胸部为中心的60*30cm矩形检测范围)即Z1对应P1,以此类推。测试点在检测区域内均匀分布,相邻测试点之间距离为2cm,比如60*30cm的检测范围,宽60cm,2cm间距,31行,长30cm,16列,即每个检测区域内有31*16=496个测试点;F(Dn,θn)为第n个RF无源标签在指定监测范围中监测效果好的点的个数,其中Dn∈(0,3m),θn∈(-60°,60°),Dn表示接收端R与第n个RF无源标签之间的距离,θn表示第n个RF无源标签与接收端R正方向之间的夹角,Pi,i与Nj,i通过F(Dn,θn)进行计算。监测效果好的点定义为在该点的监测精度高于90%,反之为监测效果差的点,监测精度定义如下。
见图5,精心部署两个标签的位置,使得目标1的胸部位于标签1的好位置,而目标2的胸部位于标签1的坏位置。同时,目标2的胸部位于标签2的好位置,目标1的胸部位于标签2的坏位置。如此,目标2便不会影响标签1对目标1的呼吸检测,目标1也不会影响标签2对目标2的呼吸检测。因此,当给定每一个目标的检测区域时,我们可以将该问题转化成一个优化问题,即通过优化标签T1,T2,以及阅读器的位置,来最大化O:
例如,O=P1,1+N2,1+P2,2+N1,2;其中,P1,1,N2,1,P2,2和N1,2分别表示Z1中对于T1的好位置数量,Z2中T1的“死角”数量,Z2中对于T2的好位置数量和Z1中对于T2的“死角”数量。好位置意味着该位置处呼吸检测精度可以达到100%,而“死角”意味着该位置处呼吸不能被感知。
公式O用于确定RF无源标签的位置,O最大对应最佳位置,当测试点位于任何标签的第一菲涅尔区时,菲涅尔衍射积分使得目标函数J是一个非线性的函数,因此搜索不好位置个数的最小概率具有较大的时间复杂度。可利用MatLab遗传算法来快速搜索位置变量的最优解。
步骤三,多目标在检测区域内开始呼吸的同时,测量所部署的多个RF无源标签和阅读器之间的相位值;具体包括:将阅读器读取数据的模式调至固定频率模式,其频率为924.375KHz,然后在检测开始后连续测量链路上的相位值作为测量数据。
步骤四,对接收到的相位值进行频域去干扰,获得较为纯S净的呼吸信号相位值,其中接收端R接收到的Tn的相位值对应于Pn呼吸信号相位值;具体包括:
第一步,消除相位的随机跳变,即跳变的相位值与相邻相位值会存在显著差异。将当前相位值与相邻窗口大小为ω1中的相位值的加权平均值进行比较,如果它们差值的绝对值大于阈值Thr,就将当前相位的读数替换为相邻窗口的加权平均值。
第二步,将收到的时域信号进行快速傅里叶变换(FFT)变换为频域信号,呼吸具有周期性且频率在一定范围内。而干扰活动要么不具有周期性要么频率不在呼吸频率所在的范围内。以走路和跑步为例,人走路时的迈步频率大概是90-150次每分钟,跑步时大约200次每分钟,这样的频率远远大于人呼吸的频率(10-25次每分钟),故设定过滤器过滤掉频率小于10bpm大于25bpm的信号,再利用逆快速傅里叶变换(IFFT)将信号转化到时域信号,得到纯净的呼吸引起的相位变化信息。
步骤五,根据上一步骤中选取的数据绘制波形通过减去局部均值去突变,获得呼吸波峰数,与间隔时间相比得到呼吸频率;包括:通过分段相位序列的峰-峰周期来提取呼吸。为了找到局部峰值,本发明采用公知的局部平均算法来处理干扰。具体来说,把时间分成长度为2s的窗口,在每个窗口内,计算属于该窗口的样本的局部平均值。每个窗口的样本减去其局部平均值后形成一个新的相位序列。在这个过程之后,计算得出目前数据中所有极大值(这部分为公知算法,这里只做简单说明),极大值为呼吸峰需满足以下两个条件:(1)波峰与相邻100个样本点的平均值的差大于固定阈值(相位阈值为0.03);(2)相邻波峰间隔大于等于1.5s。得到所有检测到的呼吸峰,然后用峰值数除以时间间隔得到呼吸频率。
步骤六,先绘制相位—时间波形图,对相位—时间波形图变换为相位-频率波形图,设定过滤器过滤掉频率小于10bpm和大于25bpm的频域信号,再利用逆快速傅里叶变换将处理后的频域信号转化到时域信号,得到去除频率干扰后的呼吸信号相位值。
实施例1:
本实施例提供一种基于RF技术的多目标呼吸频率检测方法,用于监测两个目标平躺时的呼吸频率:
步骤一,建立多目标呼吸频率检测菲涅尔区模型;如图3,其中,T1P1=88.9cm,P1R=55.7cm,T1R=120cm,由得,λ=C/f,C为电磁波在真空中的传播速度,f为RF信号频率,计算得k>1,即目标P1位于T1第一菲涅尔区内,同时位于T2第一菲涅尔区外,同理P2,位于T1第一菲涅尔区外,同时位于T2第一菲涅尔区内;
步骤二,根据步骤一建立的菲涅尔区模型,利用MATLAB遗传算法,计算RF无源标签合理部署位置。当多个RF无源标签部署完成时,Pn的监测区域位于除Tn外所有RF无源标签的“死角”,如图5,Z1位于T1的好位置,Z2位于T1的“死角”,Z1位于T2的“死角”,Z2位于T2的好位置,Z1、Z2分别为监测目标1、2的监测区域。
步骤四,对接收到的相位值进行频域去干扰,获得较为纯净的呼吸信号相位值,其中接收端R接收到的Tn的相位值对应于Pn呼吸信号相位值;
步骤五,用步骤四中Tn的相位值对应绘制Pn波形图,对绘制的波形均采用局部平均算法避免波峰漏检,如图15所示,标签P1与P2呼吸波峰的峰值数分别15与11,与持续的时间60秒之比即为对应目标P1与P2的呼吸频率为15bpm与13bpm。
实验结果对比:
发明人从以下四个方面评估本实施例给出的基于RF技术的多目标呼吸频率检测方法:不同干扰源下的检测能力分析、目标多样性对检测的影响、多目标不同姿势的检测分析、多目标不同距离下的检测分析。
1、不同干扰源下的检测能力分析
图11为在不同干扰源下***的检测准确度,横轴表示不同的干扰,日常活动为a-g,其他干扰人员干扰为h-i;其中a:在键盘上打字;b:玩***;c:打电话包括接听和接听电话;d:步行(1.3米/秒);e:慢跑(2.2米/秒);f:跑步(5米/秒);g:扭动上半身;h:一个干扰的人走在LoS周围;i:两个干扰的人走在LoS附近。纵轴表示呼吸检测的准确率。从图中可以看到对于所有的干扰源检测准确率都达到了85%以上,其中跑步对于***的检测的干扰最大,其准确率只有85.3%,对于其他人员活动对于目标呼吸的检测准确率依旧在90%以上,除去跑步这样的剧烈活动,检测精度都在94%以上,这个实验充分说明多目标的检测是可行的。
2、目标多样性对检测的影响
图13是目标多样性的影响,主要是为了评估***在不同年龄目标的呼吸检测中的表现。本实验中以10名年龄在11到80岁之间的志愿者作为测试目标,参与者的具体统计信息如表1所示,其中呼吸深度是通过激光测距仪获得的。每一个参与者都进行了十次呼吸检测,每一次测试时间为10分钟,图12中显示的是参与者十次呼吸频率的平均值,可以发现呼吸频率的检测误差都在2bpm以内。同时可以看到老年人的呼吸频率比较大,这是因为他们的肺活量比较小。
表1多样性实验参与者数据统计表
3、多目标不同睡姿的检测分析
图13为***检测多目标呼吸的情况,其中横轴代表呼吸目标的姿势,纵轴为检测精度。其实验部署示意图如图5所示,其实际情况如图9所示。对于这样两个目标的情景,实验主要考虑了四种姿势:仰卧、面对面、背靠背和拥抱。图13显示***在前三种睡眠姿势中的检测精度超过95%,但是当两个目标相互拥抱时,准确度会会大大降低,***并不能够消除这样的干扰。
4、多目标不同距离下的检测分析
图14主要是为了评估***的感知性能,该实验方案中检测目标具有不同的呼吸频率和不同的物理距离。可以看到,当两个检测目标具有不同的呼吸速率时,***的性能表现良好,其检测精度都超过了99%,对于呼吸频率超过了9bpm时,***对于两个目标的检测精度到达了100%。对于相似呼吸不同距离的检测实验中,当两个目标相隔50cm***任然有99%的检测精度。实验结果表明两个目标分开超过20cm时***的准确度都超过了95%。两个目标物理距离非常接近时,***的识别度会受到一定程度的影响,尤其是两个目标的呼吸速率还非常相似时,这样的情况下的影响是最大的。
总体而言,本发明既能大大减少成本,又能实现多目标的检测,同时多目标呼吸检测精度达到令人满意的程度。
Claims (8)
1.一种基于RF技术的多目标呼吸频率检测方法,用于同时检测多个目标的呼吸频率,RF接收端为R,其特征在于,包括以下步骤:
步骤一,建立多目标呼吸频率检测菲涅尔区模型;
步骤二,根据步骤一建立的菲涅尔区模型,部署RF无源标签,每个目标对应部署一个RF无源标签;部署RF无源标签时按照部署方案部署,每种部署方案对应产生一个o值,以o值最大值对应的部署方案作为最佳部署方案;
检测效果好的点定义为在该点的检测精度Accuracy值大于100%,反之为检测效果差的点;检测精度Accuracy定义如下:
步骤三,在呼吸持续的t时间内,分别连续测量每个目标对应的RF无源标签与R之间的RF信号相位值,其中t≥3s;
步骤四,用所得到相位值分别绘制波形图,对绘制的波形图分别采用局部平均算法获得呼吸波峰,呼吸波峰的峰值数与t之比即为对应目标的呼吸频率。
2.如权利要求1所述检测方法,其特征在于,所述步骤二中,部署RF无源标签时,每个RF无源标签所处的位置范围为:R与该RF无源标签之间的距离不超过3米,该RF无源标签与R正方向之间的夹角θ∈(-60°,60°)。
3.如权利要求1所述方法,其特征在于,所述步骤四中,绘制波形图之前,对得到的相位值进行频域去干扰,获得纯净呼吸信号相位值。
4.如权利要求1或3所述方法,其特征在于,所述步骤四中,绘制波形图之前,将得到的相位值的时域信号进行快速傅里叶变换得到频域信号,设定过滤器过滤掉频率小于10bpm和大于25bpm的频域信号,再利用逆快速傅里叶变换将处理后的频域信号转化到时域信号,得到去除频率干扰后的呼吸信号相位值。
5.如权利要求1或2所述方法,其特征在于,所述步骤四中,获得呼吸波峰的方法为,将得到的相位值的时域信号通过长度为2s的滑动窗口,在每个窗口内,计算属于该窗口的样本的局部平均值,每个窗口的样本减去其局部平均值后形成一个新的幅度序列,经过上述处理可以检测到所有与呼吸相关的波峰。
6.一种基于RF技术的多目标呼吸频率检测***,其特征在于,所述***基于权利要求1所述方法对多个目标同时进行呼吸频率检测,该***包括一个RF接收端R、一个控制器和多个RF无源标签;
所述控制器用于建立多目标呼吸频率检测菲涅尔区模型并部署RF无源标签;所述RF接收端R用于接收RF无源标签发出的RF信号;所述控制器同时还用与将RF信号按照权利要求1所述方法进行运算得到对应目标的呼吸频率。
7.如权利要求6所述***,其特征在于,RF无源标签所处的位置范围为:R与该RF无源标签之间的距离不超过3米,该RF无源标签与R正方向之间的夹角θ∈(-60°,60°)。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910438584.3A CN110292383B (zh) | 2019-05-24 | 2019-05-24 | 一种基于rf技术的多目标呼吸频率检测方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910438584.3A CN110292383B (zh) | 2019-05-24 | 2019-05-24 | 一种基于rf技术的多目标呼吸频率检测方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110292383A CN110292383A (zh) | 2019-10-01 |
CN110292383B true CN110292383B (zh) | 2021-10-15 |
Family
ID=68027169
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910438584.3A Active CN110292383B (zh) | 2019-05-24 | 2019-05-24 | 一种基于rf技术的多目标呼吸频率检测方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110292383B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111214231A (zh) * | 2020-02-10 | 2020-06-02 | 湖南大学 | 移动过程中的人体呼吸监测方法及*** |
CN115040109B (zh) * | 2022-06-20 | 2024-03-22 | 徐州工程学院 | 一种呼吸模式分类方法及*** |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103211598A (zh) * | 2013-03-27 | 2013-07-24 | 中山大学 | 射频呼吸监测***及压缩传感实现方法 |
CN105997086A (zh) * | 2016-06-20 | 2016-10-12 | 北京大学 | 一种呼吸检测方法 |
CN106175767A (zh) * | 2016-07-01 | 2016-12-07 | 华中科技大学 | 一种非接触式的多人呼吸参数实时检测方法及*** |
CN106859648A (zh) * | 2016-12-21 | 2017-06-20 | 湖南华诺星空电子技术有限公司 | 基于非接触式检测的多目标人体呼吸信号监测方法及装置 |
JP2017153850A (ja) * | 2016-03-04 | 2017-09-07 | 栄夫 澤田 | 生体監視システム及び生体監視方法 |
CN108283496A (zh) * | 2018-03-21 | 2018-07-17 | 北京大学 | 一种无接触感知方式的呼吸检测方法 |
CN109171731A (zh) * | 2018-09-04 | 2019-01-11 | 北京大学(天津滨海)新代信息技术研究院 | 一种无接触呼吸检测方法 |
CN109431465A (zh) * | 2018-10-26 | 2019-03-08 | 南京邮电大学 | 一种基于射频标签技术的老年人睡眠质量监测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7898455B2 (en) * | 2007-07-17 | 2011-03-01 | Rosenbury Erwin T | Handheld instrument capable of measuring heartbeat and breathing motion at a distance |
-
2019
- 2019-05-24 CN CN201910438584.3A patent/CN110292383B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103211598A (zh) * | 2013-03-27 | 2013-07-24 | 中山大学 | 射频呼吸监测***及压缩传感实现方法 |
JP2017153850A (ja) * | 2016-03-04 | 2017-09-07 | 栄夫 澤田 | 生体監視システム及び生体監視方法 |
CN105997086A (zh) * | 2016-06-20 | 2016-10-12 | 北京大学 | 一种呼吸检测方法 |
CN106175767A (zh) * | 2016-07-01 | 2016-12-07 | 华中科技大学 | 一种非接触式的多人呼吸参数实时检测方法及*** |
CN106859648A (zh) * | 2016-12-21 | 2017-06-20 | 湖南华诺星空电子技术有限公司 | 基于非接触式检测的多目标人体呼吸信号监测方法及装置 |
CN108283496A (zh) * | 2018-03-21 | 2018-07-17 | 北京大学 | 一种无接触感知方式的呼吸检测方法 |
CN109171731A (zh) * | 2018-09-04 | 2019-01-11 | 北京大学(天津滨海)新代信息技术研究院 | 一种无接触呼吸检测方法 |
CN109431465A (zh) * | 2018-10-26 | 2019-03-08 | 南京邮电大学 | 一种基于射频标签技术的老年人睡眠质量监测方法 |
Non-Patent Citations (1)
Title |
---|
CRH: A Contactless Respiration and Heartbeat Monitoring System with COTS RFID Tags;Run Zhao et al;《2018 15th Annual IEEE International Conference on Sensing, Communication, and Networking (SECON)》;20180628;图2-4、图8(a)、摘要、第1页第4段、第2页第2段至第4页第5段以及第7页第4段 * |
Also Published As
Publication number | Publication date |
---|---|
CN110292383A (zh) | 2019-10-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11690519B2 (en) | Apparatus, system, and method for monitoring physiological signs | |
Massaroni et al. | Contactless methods for measuring respiratory rate: A review | |
US20210219925A1 (en) | Apparatus and method for detection of physiological events | |
WO2022026623A1 (en) | Systems and methods for monitoring respiration of an individual | |
Liu et al. | Human biometric signals monitoring based on wifi channel state information using deep learning | |
RU2691006C2 (ru) | Приспособление и способ определения сигналов дыхания грудной клетки и брюшной полости по данным изображения | |
CN110292383B (zh) | 一种基于rf技术的多目标呼吸频率检测方法及*** | |
Li et al. | Mo-sleep: Unobtrusive sleep and movement monitoring via Wi-Fi signal | |
CN110200610A (zh) | 一种基于WiFi信号的增强呼吸及心率实时监测评估方法*** | |
Sharma et al. | A wearable RF sensor for monitoring respiratory patterns | |
Fan et al. | Small-scale perception in medical body area networks | |
CN112363139A (zh) | 基于幅度特征的人体呼吸时长检测方法、装置和存储介质 | |
CN115474901A (zh) | 基于无线射频信号的非接触式起居状态监测方法及*** | |
Febriana et al. | Sleep monitoring system based on body posture movement using Microsoft Kinect sensor | |
Uddin et al. | Heart rate variability-based obstructive sleep apnea events classification using microwave Doppler radar | |
Taheri et al. | Non-invasive breathing rate detection using a very low power ultra-wide-band radar | |
Gaiduk et al. | Design of a sleep apnoea detection system for a home environment | |
Romero et al. | OptiBreathe: An Earable-based PPG System for Continuous Respiration Rate, Breathing Phase, and Tidal Volume Monitoring | |
CN114343596A (zh) | 一种基于反向血流传播时间的连续血压测量***及方法 | |
Townsend et al. | Amplitude-based central apnea screening | |
Han | Respiratory patterns classification using UWB radar | |
Jiang et al. | Noncontact Sleep Stage Classification Based on Multi-sensor Feature Level Fusion | |
CN104755016B (zh) | 用于呼吸率测量的***和方法 | |
JP7521836B2 (ja) | 睡眠質を点数化する装置、方法及びコンピュータプログラム | |
CN115105035B (zh) | 生理特征检测方法、装置、计算机设备和存储介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |