申请/专利权人:中新国际联合研究院
申请日:2021-12-30
公开(公告)日:2024-03-29
公开(公告)号:CN114098679B
主分类号:A61B5/0205
分类号:A61B5/0205;A61B5/05;A61B5/00;G06N3/0464;G06N3/084
优先权:
专利状态码:有效-授权
法律状态:2024.03.29#授权;2022.03.18#实质审查的生效;2022.03.01#公开
摘要:本发明公开了一种基于深度学习和射频感知的生命体征监测波形的恢复方法,本方法基于射频传感与深度对比学习技术,以无接触的方式恢复生命体征监测波形,应用编码器‑解码器模型构建神经网络,相较于传统的比较模型而言,避免了波形细节的丢失,能在运动状态下更精确地恢复细粒度的生命体征波形,进一步提高了生命体征监测对运动的鲁棒性;另外,由于本发明提供的生命体征波形恢复方法采用统一的数据格式,故而几乎可以部署到现有任何类型的商品级雷达上,能适应不同的应用需求,使本发明提出的波形恢复的方法独立于底层硬件。
主权项:1.一种基于深度学习和射频感知的生命体征监测波形的恢复方法,其特征在于,所述生命体征监测波形的恢复方法包括如下步骤:S1、获取待处理生命体征数据:所述待处理生命体征数据为雷达射频反射信号经波形分离技术处理后得到的生命体征数据;S2、准备训练样本集和测试样本集:对所述待处理生命体征数据进行预处理,生成训练样本集和测试样本集;S3、设置深度学习神经网络:所述深度学习神经网络采用编码器-解码器模型,由编码器、解码器和判别器组成,所述待处理生命体征数据依次经过编码器、解码器和判别器,完成波形恢复;所述编码器的内核结构如下:所述编码器由三个卷积神经网络核以并行方式构成,卷积大小分别为:3×3、7×7、11×11,三个卷积神经网络核的输出被送至最大池化层,所述最大池化层的内核大小为2;解码器使用与编码器相同的内核结构;S4、训练和评估深度学习神经网络:将所述训练样本集输入到深度学习网络中,应用提取特征的方法进行无监督的学习,初始化神经网络的参数和权值;应用adam适应性矩估计算法最小化损失函数,更新神经网络的参数和权值,完成训练;S5、应用深度学习神经网络,完成波形恢复:所述测试样本通过训练好的深度学习神经网络,完成波形恢复,恢复出细粒度生命体征信号,所述生命体征信号包含呼吸信号和或心率信号。
全文数据:
权利要求:
百度查询: 中新国际联合研究院 基于深度学习和射频感知的生命体征监测波形的恢复方法
免责声明
1、本报告根据公开、合法渠道获得相关数据和信息,力求客观、公正,但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解,仅供参考使用,不能作为本公司承担任何法律责任的依据或者凭证。