(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 202111665367.1 (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 5/0205(2006.01) A61B 5/05(2021.01) A61B 5/00(2006.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 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 (57)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。 权利要求书1页 说明书7页 附图3页 CN 114098679 A 2022.03.01 CN 114098679 A 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； 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。 2.根据权利要求1所述的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， 所述步骤S2中的预处理， 包括对待处理生命体征数据进行FFT快速傅里叶变 换， 计算峰值与剩余部分的比值， 使用经验阈值进行假设检验， 获取生命体征波形 数据。 3.根据权利要求1所述的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， 所述步骤S3中的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。 4.根据权利要求1所述的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 步骤S3中的解码器使用与编码器相同的内核结构。 5.根据权利要求1所述的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， 所述步骤S3中的判别器为应用基于条件对抗网络的马尔可夫判别器， 由三个 卷积层组成。 6.根据权利要求1至5任一所述的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， 使用以太网基于精确时间协议同步各硬件组件之间的时钟。 7.根据权利要求1至5任一所述的基于深度学习和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1至5任一所述的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， 所述步骤S2中雷达为Novelda的IR ‑UWB雷达IR ‑UWB雷达、 英飞凌的 FMCW雷达或TI的FM CW雷达。 9.根据权利要求8所述的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， 所述雷达为TI的FMCW雷达时， 还需要增加一个数据采集接口， 所述数据采集接 口由DCA1000模块构成， 用来捕获 实时数据。权　利　要　求　书 1/1 页 2 CN 114098679 A 2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 技术领域 [0001]本发明涉及人工智能的深度学习技术领域， 具体涉及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。 背景技术 [0002]生命体征是人类身体健康的重要指标之一， 特别是与心跳与呼吸的相关指标， 是 评估人类生理和心理状态的代表性指标。 目前， 监测 生命体征的方法可以分为接触式和非 接触式两种。 接触式生命体征监测主要是依靠接触式传感器， 包括智能穿戴与医用传感器 等。 而非接触式生命体征检测在 隔空的状态下直接获取受测者的生命体征信息， 相对接触 式检测而言， 用户体验更好， 也更有应用前景。 随着非接触式传感技术的发展， 非接触式生 命体征监测也逐渐走向实际应用。 现阶段的非接触生命体征监测大多 数要求受测者处于相 对静止状态， 长时间保持静止状态依然会给受测者带来不适感， 也会使受测 者产生心理压 力， 使得连续监测难以为 继。 故而如何在运动状况下完成精确的生命体征监测， 提高非接触 式生命体征监测对运动的鲁棒 性成为一个需要解决的问题。 [0003]在基于射频感知的生命体征监测技术中， 射频信号发射源向受测者发送射频信 号， 受测者体表生命体征引起的微动会对反射信号的幅度、 相位产生影响， 也就是说反射信 号中叠加了受测者的生命体征信息， 因此， 通过对反射信号进 行分析处理， 就可以检测出 受 测者的生命体征。 当受测者保持相对静止时， 这些信号可以看成是线性叠加的， 现有的基于 线性的波形分离技术能将信号成功分离。 但当受测者正常运动时， 微弱的生命体征信号可 能会被剧烈的身体运动严重干扰甚至会被淹没， 受身体运动和生命体征活动影响的射频反 射信号表现出复杂的统计特征， 这些非线性组合特性无法被现有的波形分离技术轻易分 离， 进而无法得到准确的生命体征参数。 本发明在 对生命体征监测的研究中发现： 采用深度 对比学习可以解决运动时波形分离困难的问题， 这种自我监督的方法在训练中不需要地面 实值， 它能够利用对比性信号特征来区分生命体征和身体运动， 这一研究成果将在本发明 人提出的“基于深度学习和射频感知的生命体征监测 动作去除方法 ”中具体阐述。 动作去除 技术能在很大程度上抑制了身体动作的影响， 但某些残留的噪声仍然存在于生命体征信号 中， 需要进一步对此信号进 行恢复处理， 以得到更加精确的细粒度生命体征信号波 形， 而目 前常用的神经网络模型采用的损失函数大多 是基于L1范数或L2范数， 通常会导致在 恢复呼 吸与心跳波形的时候， 丢失细节成分， 使波 形过于平滑而接近于正弦波， 和真实的呼吸波 形 差距太大。 因此， 如何在波形恢复的进程中尽可能少地丢失细节成为了一个亟待解决的问 题。 发明内容 [0004]本发明的目的是为了解决现有技术中的上述缺陷， 提供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， 能消除运动对恢复细粒度生命体征波形 的影响。 现 阶段的波形恢复技术中， 常用的神经网络损失函数往往基于L1范数或L2范数， 通常会导致说　明　书 1/7 页 3 CN 114098679 A 3