基于神经网络的WiFi睡眠呼吸暂停智能监测技术

发布时间：2021-01-27 09:34

　　为了克服传统睡眠呼吸监测方案未考虑实际受测人员在测试区域可能存在呼吸暂停、正常呼吸或者离开测试区域的问题,设计一种基于家庭WiFi的睡眠呼吸暂停智能监测系统。利用线性拟合消除接收天线的信道状态信息（channel state information, CSI）相位误差,并利用小波变换去除信号幅值的噪声;结合短时傅里叶变换和滑动窗口法对信号进行分割;提取天线间相位差的方差等特征并利用神经网络模型对呼吸暂停进行识别,排除睡姿变化带来的干扰。实验结果表明,该系统对于呼吸暂停的检测率达到95.6%以上,能够作为日常的呼吸暂停监测方案并为用户提供健康参考。 

【文章来源】：重庆邮电大学学报(自然科学版). 2020,32(05)北大核心

【文章页数】：10 页

【部分图文】：

WiFi在室内环境中的传播路径

基于家庭WiFi的睡眠呼吸暂停监测方法的系统架构图

实测环境中,由于设备自身和环境的因素,接收的信号存在各种各样的噪声,往往导致需要的有用信号被淹没在噪声中,无法提取出来进行后续的处理。因此,本文对CSI的幅值处理过程包括去除异常值和小波去噪2部分。因为一些偶发因素,接收的信号中总是会出现少数偏离原始信号轨迹的异常值,如图4a中黑框部分。利用基于中值绝对偏差的滤波器对处于[μ-3σ,μ+3σ]外的样本值进行滤除,其中,μ表示均值,σ表示标准差,并用数据中值来代替,如图4b。由于呼吸的频率范围一般为0.2～0.75 Hz,而实际接收数据中往往存在大量高频噪声,因此,在去除异常值造成的影响后,需要利用小波去噪法对CSI幅值进行处理。本文利用“db3”作为小波基对信号进行5层分解。去噪前后对比结果如图5a和图5b。去噪前,信号波动规律被淹没在噪声中;去噪后,波形变得光滑,反映出信道随呼吸变化产生的波动规律。去噪前后的信号频率累积分布函数 (cumulative distribution function, CDF) 如图5c。去噪前,真实信号几乎被高频噪声覆盖;去噪后,信号频率集中在低频附近,能够得到较好的去噪效果。

【参考文献】：
期刊论文
[1]一种基于薄膜压电传感器的床垫式无负荷睡眠监测系统[J]. 余新明,许志,杨宜婧,于闯,李延军,肖蒙,祝瑞云.  航天医学与医学工程. 2019(02)
[2]基于心率和腕动信号的睡眠监测系统[J]. 刘绵诗.  电信快报. 2017(08)
[3]基于心冲击信号的心率检测[J]. 张先文,张丽岩,丁力超,魏荣荣,王婕,唐劲天.  清华大学学报(自然科学版). 2017(07)



本文编号：3002828