基于时频信息融合网络的非干扰呼吸检测方法

发布时间：2021-08-06 08:39

　　为了能够克服复杂环境中的噪声影响,实现基于多普勒雷达的鲁棒呼吸信号检测,本文提出了一种基于时频信息融合网络的非干扰呼吸信号检测方法。该方法利用多普勒雷达采集用户的胸腔运动信息,提取双通道混频信号（I和Q通道）,从时域和频域2个维度,构建时频信息融合网络进行呼吸频率的识别。针对时域信号,使用长短期记忆（LSTM）网络提取信号的有效周期信息;针对频域信息,使用选带傅里叶变换（ZoomFFT）实现细粒度的频域特征计算,并结合卷积神经网络（CNN）提取频域特征的有效信息;最后,融合2个层面的信息,通过Lowess平滑方法,实现对用户呼吸频率的精准检测。实验表明,该方法比其他常用信号处理方法识别平均误差、标准差更小,对不同距离、不同朝向的呼吸都可以进行有效识别。 

【文章来源】：高技术通讯. 2020,30(10)北大核心

【文章页数】：12 页

【部分图文】：

多普勒雷达测量原理图

实际环境中噪声Δ?(t)的影响往往会很大,如图2(a)所示,当有低频干扰时,传统快速傅里叶变换(fast Fourier transform,FFT)方法和峰值检测法会导致呼吸率识别出错。以往规避这种风险的方式是采用带通滤波或加入上下限,但当低频噪声较高时,问题依然无法避免。如图2(b)中所示,在对传统频域信号使用峰值检测时,预期的识别呼吸频率为实线所圈出的频率,但识别结果很容易被虚线圈出的低频区域所影响,导致识别结果如图2(c)所示,出现大的偏差。因此本文中将使用时频信息融合网络实现对I和Q通道信号的分析,使用LSTM网络来对时序信号中的周期信息进行提取,使用ZoomFFT来提取频域信息,通过融合时频域信息来增强呼吸率的识别精度。

其中σ、 g、 h分别为逐点运算的非线性激活函数,通常门逻辑的激活函数为逻辑回归函数(logistic sigmoid),输入输出激活函数为反余切函数(hyperbolictangent)。同时在LSTM层中使用了逐点乘积运算,在式中表示为⊙[38]。从以上LSTM的流程可以看出,通过门逻辑和细胞状态的存储,以及上一时刻状态的加入,即可以实现循环网络的功能。在网络训练过程中,反向传播需要对各个门逻辑和输入输出的传递误差都进行分析,因此其需要确定的参数较多,训练时间较长,具体过程在此不做赘述,可参考文献[34,38]。

【参考文献】：
期刊论文
[1]基于深度强化学习和循环卷积神经网络的图像恢复算法[J]. 杨海清,徐勇军,王明雪.  高技术通讯. 2019(05)
[2]基于卷积神经网络的目标跟踪算法综述[J]. 胡硕,赵银妹,孙翔.  高技术通讯. 2018(03)
[3]呼吸频率检测技术研究现状[J]. 严旭,刘洪英,贾子如,田森富,皮喜田.  北京生物医学工程. 2017(05)
[4]流水线型局部加权回归RFID室内定位[J]. 张金艺,张晶晶,李若涵,徐德政,徐秦乐.  应用科学学报. 2014(02)
[5]频谱细化算法分析[J]. 赵宏强.  四川兵工学报. 2013(05)

博士论文
[1]基于序列深度学习的视频分析：建模表达与应用[D]. 沈旭.中国科学技术大学 2017



本文编号：3325450