為了能夠克服復(fù)雜環(huán)境中的噪聲影響,實現(xiàn)基于多普勒雷達(dá)的魯棒呼吸信號檢測,本文提出了一種基于時頻信息融合網(wǎng)絡(luò)的非干擾呼吸信號檢測方法。該方法利用多普勒雷達(dá)采集用戶的胸腔運動信息,提取雙通道混頻信號（I和Q通道）,從時域和頻域2個維度,構(gòu)建時頻信息融合網(wǎng)絡(luò)進(jìn)行呼吸頻率的識別。針對時域信號,使用長短期記憶（LSTM）網(wǎng)絡(luò)提取信號的有效周期信息;針對頻域信息,使用選帶傅里葉變換（ZoomFFT）實現(xiàn)細(xì)粒度的頻域特征計算,并結(jié)合卷積神經(jīng)網(wǎng)絡(luò)（CNN）提取頻域特征的有效信息;最后,融合2個層面的信息,通過Lowess平滑方法,實現(xiàn)對用戶呼吸頻率的精準(zhǔn)檢測。實驗表明,該方法比其他常用信號處理方法識別平均誤差、標(biāo)準(zhǔn)差更小,對不同距離、不同朝向的呼吸都可以進(jìn)行有效識別。 

【文章來源】：高技術(shù)通訊. 2020,30(10)北大核心

【文章頁數(shù)】：12 頁

【部分圖文】：

多普勒雷達(dá)測量原理圖

實際環(huán)境中噪聲Δ?(t)的影響往往會很大,如圖2(a)所示,當(dāng)有低頻干擾時,傳統(tǒng)快速傅里葉變換(fast Fourier transform,FFT)方法和峰值檢測法會導(dǎo)致呼吸率識別出錯。以往規(guī)避這種風(fēng)險的方式是采用帶通濾波或加入上下限,但當(dāng)?shù)皖l噪聲較高時,問題依然無法避免。如圖2(b)中所示,在對傳統(tǒng)頻域信號使用峰值檢測時,預(yù)期的識別呼吸頻率為實線所圈出的頻率,但識別結(jié)果很容易被虛線圈出的低頻區(qū)域所影響,導(dǎo)致識別結(jié)果如圖2(c)所示,出現(xiàn)大的偏差。因此本文中將使用時頻信息融合網(wǎng)絡(luò)實現(xiàn)對I和Q通道信號的分析,使用LSTM網(wǎng)絡(luò)來對時序信號中的周期信息進(jìn)行提取,使用ZoomFFT來提取頻域信息,通過融合時頻域信息來增強(qiáng)呼吸率的識別精度。

其中σ、 g、 h分別為逐點運算的非線性激活函數(shù),通常門邏輯的激活函數(shù)為邏輯回歸函數(shù)(logistic sigmoid),輸入輸出激活函數(shù)為反余切函數(shù)(hyperbolictangent)。同時在LSTM層中使用了逐點乘積運算,在式中表示為⊙[38]。從以上LSTM的流程可以看出,通過門邏輯和細(xì)胞狀態(tài)的存儲,以及上一時刻狀態(tài)的加入,即可以實現(xiàn)循環(huán)網(wǎng)絡(luò)的功能。在網(wǎng)絡(luò)訓(xùn)練過程中,反向傳播需要對各個門邏輯和輸入輸出的傳遞誤差都進(jìn)行分析,因此其需要確定的參數(shù)較多,訓(xùn)練時間較長,具體過程在此不做贅述,可參考文獻(xiàn)[34,38]。

【參考文獻(xiàn)】：
期刊論文
[1]基于深度強(qiáng)化學(xué)習(xí)和循環(huán)卷積神經(jīng)網(wǎng)絡(luò)的圖像恢復(fù)算法[J]. 楊海清,徐勇軍,王明雪.  高技術(shù)通訊. 2019(05)
[2]基于卷積神經(jīng)網(wǎng)絡(luò)的目標(biāo)跟蹤算法綜述[J]. 胡碩,趙銀妹,孫翔.  高技術(shù)通訊. 2018(03)
[3]呼吸頻率檢測技術(shù)研究現(xiàn)狀[J]. 嚴(yán)旭,劉洪英,賈子如,田森富,皮喜田.  北京生物醫(yī)學(xué)工程. 2017(05)
[4]流水線型局部加權(quán)回歸RFID室內(nèi)定位[J]. 張金藝,張晶晶,李若涵,徐德政,徐秦樂.  應(yīng)用科學(xué)學(xué)報. 2014(02)
[5]頻譜細(xì)化算法分析[J]. 趙宏強(qiáng).  四川兵工學(xué)報. 2013(05)

博士論文
[1]基于序列深度學(xué)習(xí)的視頻分析：建模表達(dá)與應(yīng)用[D]. 沈旭.中國科學(xué)技術(shù)大學(xué) 2017



本文編號：3325450