(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111665237.8 (22)申请日 2021.12.3 0 (71)申请人 中新国际联合研究院 地址 510000 广东省广州市知识城腾飞科 技园腾飞一 街2号1018室 (72)发明人 陈哲　罗骏　 (74)专利代理 机构 广州市华学知识产权代理有 限公司 4 4245 代理人 李盛洪 (51)Int.Cl. A61B 5/05(2021.01) A61B 5/11(2006.01) A61B 5/0507(2021.01) A61B 5/00(2006.01) G06K 9/00(2022.01)G06K 9/62(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 基于深度学习与射频感知的生命体征监测 动作去除方法 (57)摘要 本发明公开了一种基于深度学习与射频感 知的生命体征监测动作去除方法， 本方法基于射 频传感与 深度对比学习技术， 以无接触的方式实 现信息采集与处理， 基于自相关区分身体动作类 型来构建、 训练神经网络， 以自我监督的方式分 离非线性信号成分， 完成动作去除。 通过应用本 方法能消除运动对非接触生命体征监测的影响， 正确恢复细粒度生命体征波形， 提高了生命体征 监测对运动的鲁棒性， 克服了 现阶段波形分离技 术局限于线 性信号的不足。 另外， 本方法在快、 慢 两个时间尺度上对雷达捕获的传感数据进行采 样， 将多种雷达捕获的数据转化成统一格式， 便 于后续的信号处理， 使本发明提出的生命体征的 监测方法独立于底层硬件。 权利要求书3页 说明书10页 附图4页 CN 114145730 A 2022.03.08 CN 114145730 A 1.一种基于深度学习与射频感知的生命体征监测动作去除方法， 其特征在于， 所述动 作去除方法包括以下步骤： S1、 获取射频信号， 所述射频信号来自雷达， 包含生命体征信息； 对所述射频信号在快、 慢两个时间维度上进 行采样， 得到预定格式的射频数据 矩阵H， 设定最大慢采次数为M、 最大 快采次数为 N、 慢采样频率fs为预定值， 其中， M、 N均为 正整数； S2、 对所述 射频数据序列进行 预处理， 获取待处 理生命体征 数据和动作数据； S3、 基于所述动作数据识别身体动作分类， 获取动作类型； S4、 基于所述动作类型构建深度对比自学习神经网络； S5、 训练所述深度对比自学习神经网络； S6、 应用训练好的所述深度学习自神经网络， 完成动作去除： 将包含生命信息的所述待 处理生命体征数据送入所述深度对比自学习神经网络中， 完成动作去除， 恢复出细粒度生 命体征信号， 所述 生命体征包 含呼吸信号和/或心率信号。 2.根据权利要求1所述的基于深度学习与射频感知的生命体征监测动作去除方法， 其 特征在于， 所述 步骤S2中预处 理过程如下： 基于二维滑动平均 方法对所述射频数据矩阵进行降噪处理， 获取包含动作信 息的生命 体征数据； 基于平均值法去除所述生命体征数据的静态背景， 获取待处理生命体征数据； 基 于恒虚警检测方法对所述待处 理生命体征 数据进行处 理， 获取动作数据。 3.根据权利要求1所述的基于深度学习与射频感知的生命体征监测动作去除方法， 其 特征在于， 所述 步骤S3中识别身体动作过程如下： 获取身体动作数据， 针对所述动作数据的每一行求自相关值； 计算自相关衰减值； 设置预定的衰减阈值， 当自相关衰减值大于所述衰减阈值时为非平稳动作， 反之则是 平稳动作； 输出动作类型。 4.根据权利要求1所述的基于深度学习与射频感知的生命体征监测动作去除方法， 其 特征在于， 所述 步骤S4中自学习神经网络设置如下： 基于身体动作类型分别构建出两种深度对比学习神经网络h与h'， 二者都使用多层感 知器MLP， 其中， 适用于平稳动作的神经网络h使用六层感知器， h的输出连接由两层感知器 构成的二分类器g(h)， 最后一层二分类器使用交叉熵作为损失函数； 而适用于非平稳动作 的神经网络h'则设置5层感知器， h'的输出连接四分类器g(h')， 四分类器也是由两层感知 器构成， 最后一层四分类器使用交叉熵作为损失函数， 为了增加非线性， 在每层感知器的输 出层后设置 激活函数leakyReLU。 5.根据权利要求1所述的基于深度学习与射频感知的生命体征监测动作去除方法， 其 特征在于， 所述步骤S5中训练深度对比自学习网络包括根据动作类型构建训练样本集和测 试样本集， 过程如下： 构建适用于平稳动作的样本集， 样本集由观察样本和对比样本组成： 构建观察样本 其中A(n‑1)是对A(n)延时一个时间单位， A(n)则 是权　利　要　求　书 1/3 页 2 CN 114145730 A 2对雷达回波信号进行采样、 预处理后得到的包含动作信息的生命体征数据矩阵； 构建对比 实例样本 将A(n)序列的顺序全部打乱， 记为A(n*)， 用A(n*)替换A(n ‑ 1)； 将观察样本标记为1、 对比样本标记为 ‑1； 按预定的比例将样本集划分为训练样本集和 测试样本集； 构建适用于非平稳动作的样本集： 构建观察样本Z'(n)＝[A'(n)]， A'(n)是对雷达回波信号进行采样、 预处理后得到的包 含动作信息的生命体征数据 矩阵； 将观察样本切分成T等份， 标记成不同的T个类别； 针对对 每个类别， 分别产生预定组样本， 构成样本集； 按 预定的比例将样本集划分为训练样本集和 测试样本集。 6.根据权利要求1所述的基于深度学习与射频感知的生命体征监测动作去除方法， 其 特征在于， 所述步骤S5中训练深度对比自学习网络包括应用训练样本集设置和更新神经网 络参数及权值， 过程如下： 根据动作类型的不同， 将与之相对应的训练样本数据分别送入各自已经构建好的深度 对比学习网络对神经网络进行训练， 包括： 初始 化神经网络参数和权值； 用随机梯度下降和 误差反向传播方法最小化损失函数， 更新神经网络参数和权值； 训练时每次送入一组训练 数据， 直至所有样本数据输入完 毕， 则训练结束； 设置的参数包括一次训练所选取的样 本数 Batch size、 学习速率learning  rate、 动量momentum、 衰减阶梯decay  step和衰减因子 decay factor。 7.根据权利要求1所述的基于深度学习与射频感知的生命体征监测动作去除方法， 其 特征在于， 所述 步骤S7还 包括： 实时输出并显示呼吸波形和/或心率波形。 8.根据权利要求2所述的基于深度学习与射频感知的生命体征监测动作去除方法， 其 特征在于， 所述 步骤S2中预处 理的具体步骤如下： S21、 用一个预设大小的滑动窗口从矩阵H中截取所述预设大小的数据块作为第一操作 数据， 所述预设大小 是： 宽度为M、 长度为N/N1， N 1为预设正整数， 故而， 第一操作数据为大小 为N/N1×M的矩阵； S22、 计算所述第一操作数据的列平均值， 得到第一平均值向量； S23、 计算第一操作数据和第一平均值的差值， 进行静态背景的去除， 得到第二操作数 据； S24、 计算所述第二操作数据绝对值， 再针对每列求列平均 值， 得到第二平均值向量： 基 于所述第二平均值向量元素的最大值设定阈值； 基于所述阈值对所述第二平均值向量进 行 扫描， 找出大于所述阈值的开始索引和结束索引； 以M作为第二滑动窗口的长度、 开始索引 和结束索引的差值为宽度， 从第二操作数据中截取出一个更小的二维矩阵， 进行动作数据 提取， 得到第三操作数； S25、 以预定步长将滑动窗口沿着慢时间维度滑动， 重复S21至S24的步骤， 直到处理完 所有的预处理射频信号； 将每次得到的第二操作数沿着慢 时间维度拼接， 保持矩阵列数不 变， 得到去除了静态背景的生命体征数据， 记为待处理生命体征数据； 相应地， 拼接所有的 第三操作数， 得到动作数据。权　利　要　求　书 2/3 页 3 CN 114145730 A 3