一种基于毫米波雷达的睡眠姿态变化识别方法

本发明涉及智能监控，具体为一种基于毫米波雷达的睡眠姿态变化识别方法。背景技术：1、睡眠与人类健康密切相关，睡眠质量与心血管疾病、睡眠呼吸暂停综合征等疾病的风险相关。睡眠姿势影响睡眠质量，是诊断疾病的重要指标。例如，仰卧姿势增加了异常呼吸事件的频率和严重程度。改变睡眠姿势不频繁可能会导致术后患者出现压疮。此外，与非俯卧位相比，癫痫患者的俯卧位与猝死显著相关。监测睡眠姿势可以帮助监测患者的身体状况，降低患者的健康风险。2、睡眠姿势变化识别设备分为可穿戴设备和非接触式设备。接触法使用压力传感器、三轴加速度器和多导睡眠图(psg)等设备。这种方法具有很高的监测精度，但需要在床垫或使用者身上佩戴大量传感器，这可能会让使用者感到不舒服。传统的非接触式睡眠监测主要使用基于计算机视觉的解决方案，使用摄像头或红外摄像头作为传感器。这种方法通常会侵犯用户的隐私，用户可能会担心他们的隐私会被泄露，因此不愿使用此类设备。此外，这类设备容易受到光干扰，并可能由于用户用毯子覆盖自己而导致系统性能下降。基于射频的传感器不会侵犯用户的隐私，并且可以在黑暗条件下工作。然而，现有的基于射频的睡眠姿势识别研究只能识别固定的睡姿，不能识别人体的睡眠姿态变化。因此，为了解决睡眠姿态变化识别的问题，本发明提出一种基于毫米波雷达的睡眠姿态变化识别方法。技术实现思路1、一种基于毫米波雷达的睡眠姿态变化识别方法，用于解决上述技术问题。首先启动毫米波雷达，毫米波雷达不间断发射调频连续波，将接收到的回波信号与发射信号调频混合成if信号，初步捕获到雷达的原始数据；2、步骤2：从所述雷达原始数据中滤除静止的背景成分得到滤除背景成分后的回波数据；3、步骤3：对滤除背景成分后的回波数据在距离维度进行快速傅里叶变换，得到距离-时间图；4、步骤4：在上述处理的基础之上，对多普勒维度进行短时傅里叶变换，得到微多普勒图；5、步骤5：将距离-时间图和微多普勒图作为双分支神经网络模型的输入，学习训练，最后得到睡眠姿态变化的识别结果。6、进一步的，所述步骤1中，7、采集到雷达原始数据后，可以重塑为二维矩阵形式数据，二维分别是距离维度、多普勒维度，其中多普勒维度是多帧雷达数据串联而成。8、进一步的，所述步骤2中，针对多普勒维度的每一帧数据，分别去除直流分量。9、进一步的，所述步骤2中，对所述二维矩阵形式数据，在距离维度对数据使用汉宁窗加窗处理，降低旁瓣的高度，减少频谱泄漏；使用matlab的butter函数设计了一个4阶高通巴特沃斯滤波器，设定的截止频率为0.005-0.01，对每个距离单元(rangebin)的时间序列信号应用设计好的高通巴特沃斯滤波器。10、进一步的，所述步骤3中，使用filter函数将滤波器应用于经过快速傅里叶变换(fft)变换后、在距离域中的每一行数据。11、对经窗函数处理的数据从距离维度进行fft，将每个扫描周期的雷达回波从时间域转换到频率域；通过fftshift对fft结果进行频谱移位，以便零频率(dc分量)位于频谱中心，得到原始的距离-时间图。12、在得到距离—时间图后，可得出目标所在距离区间，根据此距离区间设置雷达数据中要分析的距离单元(bin)的下限和上限索引；设置多普勒处理的参数，包括脉冲重复频率(prf)、时间窗长度、重叠因子及其长度、零填充因子、fft点数、多普勒分辨率、多普勒轴、总时长和时间窗段数；对每个选定的距离单元进行多普勒谱分析；使用spectrogram函数计算时间窗内的频谱，并通过fftshift调整频谱，使负频率和正频率正确排列；结果是多普勒频谱的叠加，用于分析这些距离单元的总体特性，由此得到微多普勒图谱。13、进一步的，所述步骤5中，将距离-时间图和微多普勒图作为双分支cnn模型的两个输入，每个通道接受一个独立的输入，并通过一系列的可变形卷积层(deformconv2d)处理，每个卷积层后紧跟一个池化层；在每个通道的最后一个最大池化层之后，使用relu激活函数和最大池化进行非线性处理和空间维度缩减，输出被平展并连接成一个单一的特征向量；连接后的特征向量随后被送入一个全连接层(self.final_fc)以产生最终的输出预测，得到两个特征图提取的特征融合后进行睡眠姿态变化的分类。14、与现有技术相比，本发明的有益效果为：15、1、本技术实现要素：利用毫米波雷达实现了非侵入式的睡眠姿态变化识别，与现有的穿戴式设备相比更加简单方便，无需穿戴就可得到较为准确的识别结果，与视觉传感器相比不会有泄露用户隐私的问题，同时也不会受光照亮度的影响干扰识别准确率。16、2、双通道cnn识别模型的两个输入通道是采用距离-时间热图和速度-时间热图组合输入，增强了输入信息量，并使用可变形卷积代替了传统卷积，提高了模型对不规则特征的提取能力，可以有效保持识别高准确率。技术特征：1.一种基于毫米波雷达的睡眠姿态变化识别方法，其特征在于：所述方法包括如下步骤：2.根据权利要求1所述的一种基于毫米波雷达的睡眠姿态变化识别方法，其特征在于：所述步骤1中，雷达原始数据可以重塑为二维矩阵形式数据，二维分别是距离维度、多普勒维度，其中多普勒维度是多帧雷达数据串联而成。3.根据权利要求1所述的一种基于毫米波雷达的睡眠姿态变化识别方法，其特征在于：所述步骤2中，针对多普勒维度的每一帧数据，分别去除直流分量。4.根据权利要求1所述的一种基于毫米波雷达的睡眠姿态变化识别方法，其特征在于：所述步骤2中，对所述二维矩阵形式数据，在距离维度对数据使用汉宁窗加窗处理，降低旁瓣的高度，减少频谱泄漏；5.根据权利要求1所述的一种基于毫米波雷达的睡眠姿态变化识别方法，其特征在于：所述步骤3中，使用filter函数将滤波器应用于经过快速傅里叶变换(fft)变换后、在距离域中的每一行数据。6.根据权利要求1所述的一种基于毫米波雷达的睡眠姿态变化识别方法，其特征在于：对经窗函数处理的数据从距离维度进行fft，将每个扫描周期的雷达回波从时间域转换到频率域；通过fftshift对fft结果进行频谱移位，以便零频率(dc分量)位于频谱中心，得到原始的距离-时间图。7.根据权利要求1所述的一种基于毫米波雷达的睡眠姿态变化识别方法，其特征在于：在得到距离—时间图后，可得出目标所在距离区间，根据此距离区间设置雷达数据中要分析的距离单元(bin)的下限和上限索引；8.根据权利要求1所述的一种基于毫米波雷达的睡眠姿态变化识别方法，其特征在于：所述步骤5中，技术总结本发明涉及智能监控技术，具体为一种基于毫米波雷达的睡眠姿态变化识别方法。针对毫米波雷达实时监控的区域，毫米波雷达不间断发射调频连续波，将接收到的回波信号与发射信号调频混合成IF信号；从雷达原始数据中滤除静止的背景成分得到滤除背景成分后的回波数据；对滤除背景成分后的回波数据在距离维度进行快速傅里叶变换，得到距离‑时间图；在此处理的基础之上，对多普勒维度进行短时傅里叶变换，得到微多普勒图；将距离‑时间图和微多普勒图作为双分支神经网络模型的输入，学习训练；最后得到睡眠姿态变化的识别结果；本发明通过双通道输入降低相似动作间的误检率，具有监测准确、实时性好、可远距离准确地获取睡眠状态信息等优点。技术研发人员：刘进军,赵生慧,赵亮,王千军,何鹏飞受保护的技术使用者：滁州学院技术研发日：技术公布日：2024/8/16