[发明专利]基于毫米波雷达的血压检测方法、系统及设备有效
申请号: | 202210010289.X | 申请日: | 2022-01-05 |
公开(公告)号: | CN114305364B | 公开(公告)日: | 2023-08-11 |
发明(设计)人: | 肖文栋;刘璐瑶;绳浩兵;屈莹;崔昊;吕红霞;陈浩 | 申请(专利权)人: | 北京科技大学 |
主分类号: | A61B5/021 | 分类号: | A61B5/021;A61B5/05 |
代理公司: | 北京创赋致远知识产权代理有限公司 11972 | 代理人: | 邱晓宁 |
地址: | 100083*** | 国省代码: | 北京;11 |
权利要求书: | 查看更多 | 说明书: | 查看更多 |
摘要: | |||
搜索关键词: | 基于 毫米波 雷达 血压 检测 方法 系统 设备 | ||
1.一种基于毫米波雷达的血压检测方法,其特征在于,所述方法包括:
步骤1、基于毫米波雷达信号,获取物体的距离信息及相位信息,基于距离信息及相位信息的方差,确定对应人体反射信号的距离箱,得到人体相位信号;
步骤2、对所述人体相位信号进行增强,去除噪声,得到增强相位信号;
步骤3、基于脉搏波所在频率范围,利用小波包分解,将脉搏波相位信号从增强相位信号中分离,得到重构脉搏波信号;
步骤4、对所述重构脉搏波信号进行预处理,并提取重构脉搏波信号的特征参数,基于所述特征参数,得到血压检测结果;
所述步骤4中,基于所述特征参数得到血压检测结果采用机器学习的方式,该机器学习模型为:
其中,F0(x)为初始化的第一个弱学习器;Lg为叶子节点个数;βg,l为最佳拟合值;Rh,h为第g棵树对应的响应值;h=1,2,…,H,H表示样本容量,I表示单位矩阵。
2.根据权利要求1所述的方法,其特征在于,所述步骤1中,所述距离信息为:
其中,z(d,i)表示距离信息,d为距离箱的标签,m表示第m个采样点,其范围为0≤m≤M-1。
3.根据权利要求1所述的方法,其特征在于,所述步骤2中,使用一阶差分对人体相位信号进行增强。
4.根据权利要求1所述的方法,其特征在于,所述步骤3中,小波包分解采用6级小波包分解;基于第6至第30个节点的分量重构脉搏波信号。
5.根据权利要求1所述的方法,其特征在于,所述步骤4中,提取脉搏波信号的特征参数之前,去除脉搏波信号中的异常值。
6.根据权利要求1所述的方法,其特征在于,所述步骤1中,所述相位信息为:
其中Tf和Ts分别表示快时间轴和慢时间轴,λ表示chirp信号的波长,q表示目标对象与雷达的距离,i表示第i个chirp信号。
7.一种基于毫米波雷达的血压检测系统,其特征在于,所述系统包括:
目标检测模块,基于毫米波雷达信号,获取物体的距离信息及相位信息,基于距离信息及相位信息的方差,确定对应人体反射信号的距离箱,得到人体相位信号;
信号增强模块,对所述人体相位信号进行增强,去除噪声,得到增强相位信号;
信号分解模块,基于脉搏波所在频率范围,利用小波包分解,将脉搏波相位信号从增强相位信号中分离,得到重构脉搏波信号;
血压估计模块,对所述重构脉搏波信号进行预处理,并提取重构脉搏波信号的特征参数,基于所述特征参数,得到血压检测结果;
所述血压估计模块中,基于所述特征参数得到血压检测结果采用机器学习的方式,该机器学习模型为:
其中,F0(x)为初始化的第一个弱学习器;Lg为叶子节点个数;βg,l为最佳拟合值;Rg,h为第g棵树对应的响应值;h=1,2,…,H,H表示样本容量,I表示单位矩阵。
8.根据权利要求7所述的系统,其特征在于,所述血压估计模块进一步包括:
特征提取单元,用于去除重构脉搏波信号中的异常值,并对重构脉搏波信号进行特征点检测;所述特征点包括峰值强度比、心率、脉搏波信号的峰值、脉搏波信号的谷值、交流分量最大振幅、收缩期向上搏动时间及舒张时间;
回归分析单元,用于基于特征提取单元获取的特征点数据,进行回归分析,获得血压检测结果。
9.一种基于毫米波雷达的血压检测设备,其特征在于,所述设备包括处理器、存储器、总线结构,所述处理器调用所述存储器中的指令,以执行权利要求1-6任一所述的基于毫米波雷达的血压检测方法。
该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于北京科技大学,未经北京科技大学许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服】
本文链接:http://www.vipzhuanli.com/pat/books/202210010289.X/1.html,转载请声明来源钻瓜专利网。