[发明专利]一种呼吸模式分类方法及系统

说明书

本发明公开一种呼吸模式分类方法及系统，包括：构建菲涅尔区呼吸检测模型；基于菲涅尔区呼吸检测模型，得到信道状态信息振幅信息；基于信道状态信息振幅信息，得到规则周期信号波形；基于规则周期信号波形，得到呼吸频率；基于呼吸频率，得到呼吸模式分类结果。有效滤除了数据中的高中低频段噪声；能够有效提取呼吸频率，并有效实现了所提取的呼吸特征与呼吸模式之间的深层关系，在呼吸模式分类上具有优越性。

技术领域

本发明涉及非接触式人体呼吸检测领域，特别涉及一种呼吸模式分类方法及系统。

背景技术

呼吸病学是一门重要的医疗学科，在医学领域具有广泛的应用。对CRDs的早期诊断和治疗，特别是对于独居家庭或难以自理的患者，长时间的人体呼吸检测十分重要。例如通过长时间检测睡眠呼吸状态，一旦发现用户长期出现呼吸阶段性暂停现象即可断定该用户为睡眠暂停综合征患者。这必然对呼吸检测设备有更多的需求和更高的要求。因此，呼吸检测研究具有巨大的社会价值和应用价值。

传统的呼吸检测方法依赖于传感器与患者直接接触，通过测量呼吸过程产生的胸腹部运动、声音、气流、温度等物理参数判断呼吸状态。接触式呼吸检测方式尽管精度准确，但是用户在呼吸检测全程中需佩戴传感器设备，舒适性较低，难以实现长时间检测，这对于重度烧伤或患有精神类疾病的特殊患者而言十分痛苦。此外，基于胸腹部压力变化的方式易受其他形式微小运动的影响，误差可能性较大，时刻穿戴传感器不但影响了检测过程的舒适度，而且传感器的位移和滑落将直接导致检测数据的失真。

非接触式检测方法摆脱了传感器的束缚，可以在一定程度上实现自由、不受拘束的呼吸检测。目前主流的非接触式呼吸检测方法有基于红外热成像、机器视觉识别、生物雷达等方法。红外热成像检测用户呼吸引起的气流温度，但是该温度受其他气流影响无法实现稳定的呼吸检测；机器视觉识别通过外围设备得到呼吸胸腔起伏轨迹的图像或视频数据从而分析人体呼吸，该方法有效解决了环境温度的影响，但是由于通过外围设备获取呼吸运动轨迹，受设备分辨率影响，检测精度受限；基于生物雷达的检测采用多普勒雷达探索人体呼吸对雷达信号的影响，从而检测呼吸，但该方法依赖于复杂昂贵的硬件设备，且存在释放辐射的潜在风险，限制了实用性。

Wi-Fi信号基于其覆盖范围广泛、穿透能力强、可靠性高等优势被广泛研究。早期基于Wi-Fi的呼吸识别方法都是使用接收信号强度(Received Signal StrengthIndicator,RSSI)捕捉呼吸运动引起的信号强度值完成识别，但是RSSI是粗粒度无线信号参考量，在信号传输中易受复杂环境影响导致性能退化，测量误差大，不适用于微弱信号的检测。

发明内容

为解决上述现有技术中所存在的问题，本发明提供一种呼吸模式分类方法及系统，利用人体呼吸模型和菲涅尔区呼吸检测模型相结合，对采集的原始CSI振幅信息进行预处理、去直流、子载波选择和假峰值消除，有效滤除了数据中的高中低频段噪声，有效提取呼吸频率，并有效实现了所提取的呼吸特征与呼吸模式之间的深层关系，在呼吸模式分类上具有优越性。

为了实现上述技术目的，本发明提供了一种呼吸模式分类方法，包括以下步骤：

构建人体呼吸模型和菲涅尔区呼吸检测模型；

基于所述人体呼吸模型和菲涅尔区呼吸检测模型，得到信道状态信息振幅信息；

基于所述信道状态信息振幅信息，得到规则周期信号波形；

基于所述规则周期信号波形，得到呼吸频率；

基于所述呼吸频率，得到呼吸模式分类结果。

可选地，所述人体呼吸模型的构建过程为：

将人体胸部运动模拟为可变大小的半圆柱体，得到人体呼吸模型。

可选地，所述菲涅尔区呼吸检测模型的构建过程为：