本发明涉及无线感知，尤其涉及一种基于毫米波雷达的睡眠体征监测方法。
背景技术：
1、睡眠作为人类生活中不可或缺的重要组成部分，对健康和福祉有着深远的影响。近年来，对睡眠体征(包括睡眠姿势、呼吸和心跳等)进行监测的研究备受关注，这一领域的发展在医疗保健、生物医学研究以及个人健康管理等方面具有重要的背景和意义。通过监测睡眠体征，个体可以了解自己的睡眠质量和习惯，从而进行更加精准的健康管理。此外，睡眠体征监测还为早期的疾病筛查和监测提供了宝贵的机会，帮助医生和患者及早发现并干预潜在的健康问题。例如，睡眠姿势是诊断体位阻塞性睡眠呼吸暂停综合征(p-osa)的重要指标；压疮是一种容易复发的慢性伤口，在医院和社区，护理人员需要确保患者定期改变姿势，以防止长期挤压一面的皮肤造成压疮；对于癫痫患者来说，不正确的睡眠姿势会增加猝死的风险。将睡眠体征监测数据应用到临床研究中，有助于推动睡眠生理学的深入理解，揭示睡眠与健康之间错综复杂的联系，促进医学和生物医学领域的发展。
2、毫米波雷达是指使用毫米波频段(通常指30ghz到300ghz之间)的雷达系统，目前在民用领域应用较多的是线性调频连续波(fmcw)雷达。雷达系统内部通过振荡器等器件产生本振信号，本振信号经过调频调相、功率放大后从发射天线发出电磁波。这种电磁波的特点是频率随时间线性变化，经物体反射后被接收天线捕获，再通过前端的低噪放、混频、采样等处理得到中频数字信号，通过对中频数字信号进行一系列的处理，可以估计目标的距离、速度和角度等信息，并进一步计算生成点云。通过对反射信号的相位进行处理分析，可以估计目标的微动信息，比如呼吸速率和心率。
3、卷积神经网络(cnn)是一种深度学习算法，采用深度学习方法，特别是卷积神经网络(cnn)和transformer编码器进行信号处理与分类。cnn负责局部特征提取，如边缘、纹理识别，而transformer处理序列数据，捕捉全局与局部关系，两者共同提高姿势识别精度。
4、目前的基于毫米波雷达的睡眠体征监测的研究要么只能监测呼吸和心跳，要么只能识别较少类别的睡姿。然而，综合监测生命体征和睡眠姿势，才能揭示出各种生理指标之间的关联，提供更准确的健康诊断和预测。因此，研究一种非接触式的、能够同时监测生命体征和识别较多类别的睡眠姿势的技术方案有着重要意义。
技术实现思路
1、本发明目的就是为了弥补已有技术的缺陷，提供一种基于毫米波雷达的睡眠体征监测方法。本发明从雷达接收到的信号中提取点云数据，通过多帧方位角出现概率聚类分析去除噪声点，得到稳定点云特征。通过相位分析呼吸行为产生的相位变化，提取呼吸特征，结合点云描述睡眠姿势。
2、本发明是通过以下技术方案实现的：
3、一种基于毫米波雷达的睡眠体征监测方法，具体包括如下步骤：
4、步骤1-1，数据采集；首先预设毫米波雷达的采集参数，毫米波雷达根据预先设置的参数发射信号，接收天线捕获反射信号，毫米波雷达射频前端对接收信号进行放大、混频、滤波处理，通过采样后得到中频数字信号，并将采样结果发送给后端计算设备；
5、步骤1-2，特征提取；从采集到的中频数字信号中提取与睡眠姿势和呼吸速率相关的特征，即点云特征生成和呼吸特征提取；
6、步骤1-3，睡眠姿势识别；利用特征提取后获得的点云特征和呼吸特征来识别用户的睡眠姿势。
7、步骤1-4，呼吸频率估计；根据不同睡眠姿势采用特定参数从点云数据中提取有效反射点，并利用这些反射点通过基于指数函数的加权平均方法来准确估计呼吸频率。
8、步骤1-1所述的预设毫米波雷达的采集参数，具体包括有选择使能的收发天线参数、发射调频波的带宽、调频时间、chirp个数、帧长度，adc采样频率和采样点数。
9、步骤1-2所述的从采集到的中频数字信号中提取与睡眠姿势和呼吸速率相关的特征，即点云特征生成和呼吸特征提取，具体如下：
10、点云特征生成中，应用多帧方位角出现概率聚类分析，对于每一个距离仓，以一定的误差范围为半径对方位角进行多帧累积聚类，得到方位角估计，最后，在选定的方位角下估计其对应的高度角，结合反射距离计算生成在笛卡尔坐标系下的点云；
11、步骤1-2-1，后端计算设备收到雷达返回的数据后，将其格式转换为{adc,chirp,horizontal,vertical,frame}，其中adc是中频数字信号的采样结果，chirp代表快拍维度，horizontal代表二维虚拟天线阵列的水平维度，vertical代表高度维度，frame代表帧维度；
12、步骤1-2-2，使用range-fft估计中频信号的频率成分，进一步计算得到距离信息，将数据格式转化为{range,chirp,horizontal,vertical,frame}，其中range代表雷达到目标的距离；之后，通过预设的场景，提取有效感知范围内的信号数据；
13、步骤1-2-3，使用doppler-fft估计速度信息，将数据格式转化为{range,doppler,horizontal,vertical,frame}，其中doppler代表目标的速度。人在睡觉时身体处于相对静止状态，几乎只有上半身在随着呼吸进行周期性的起伏运动。这种缓慢的运动速度很低，小于一个多普勒仓表示的速度区间，即包含在零多普勒仓内。因此通过提取零多普勒仓的数据来滤除感知范围内运动的目标，同时能够不丢失睡眠状态下的人体反射的信号。
14、步骤1-2-4，使用angle-fft估计反射角。在方位天线维度上执行angle-fft后，数据格式变为{range,azimuth,vertical,frame}，其中azimuth代表方位角,vertical代表高度角。距离-方位角估计结果可以表示为：
15、
16、式中，yr,θ表示目标在距离为r和角度为θ处的反射信号,a为振幅，j为虚数单位，fc为chirp的起始频率，c为光速，dr为反射器到参考阵元的距离，δdθ是由于θ导致的波程差，r为感知距离。然后，估计位于r处的反射信号的实际入射角，对r的角度谱ρ＝|yr|进行波峰搜索，得到n个波峰其中θ1和θ2分别表示第一个波峰和第二个波峰所对应的角度值。本文采用基于信噪比的阈值方法来提取可靠的波峰，并且，设置有效的方位角提取范围，以滤除部分背景静态目标干扰。
17、步骤1-2-5，使用基于多帧方位角出现概率聚类的算法提纯方位角。从单个快拍估计的角度容易受到随机噪声和多径反射干扰而产生偏差，这会导致后续生成的点云特征变得不可靠。为了抑制这种干扰，本发明设计了一种基于多帧方位角出现概率聚类的算法。该算法的基本思想是，在不同帧的估计结果中，真实目标的波达角会以较多次数出现，且角度仅会在一个较小的范围内波动。而受噪声干扰、多径反射等产生的虚假目标的角度估计结果，在不同帧间数值变化较大。而且，估计人体的呼吸特征需要多帧的数据，因此该角度提纯算法提升了帧数据的利用率。基于多帧方位角出现概率的提纯算法的流程如下：
18、设总帧数为nframe，对每个距离仓在零多普勒仓下的快照进行angle-fft，在每一帧进行同样的操作，以获得所有帧的方位角首先统计θr中每个角度出现的概率，并将它们按降序排列。然后，将概率最大的角度作为聚类中心，为其分配一个新的类别c1，并以预设的噪声干扰容限作为聚类半径γ，然后遍历剩余的角度。如果当前遍历到的角度与聚类簇中心的差δθ小于簇半径γ，认为该角度属于该聚类簇，并将其类别更改为c1。遍历所有剩余角度后，完成第一轮聚类，并将类别为c1的角度从θr中移除。然后，将当前角度集合中出现概率最高的角度作为新的聚类中心，类别簇设置为c2，进行新一轮聚类，遍历完其余角度后得到符合c2的所有角度。重复这个过程，直到角度池为空。此时，已经将所有估计的方位角提纯为几个类别。类别中包含的角度个数越多，则说明类别中包含的角度越可靠。根据它们包含的角度数量对类别进行排序，最后，将包含最多角度的几个类别的中心角作为提取结果。为了保证输入到深度神经网络中的点云中包含的点的数量相同，如果当前采样的信号估计得到的类别数量不够，则复制包含角度数最多的类别进行填充。然后，在垂直天线维度上进行angle-fft，来估计高度角具体地，首先提取每个有效方位角对应的高度angle-fft结果，然后使用基于信噪比阈值的波峰搜索算来估计有效的高度角。与方位角一样，仍通过预知的感知范围限定来提取有效的高度角，来滤除无关的物体反射。至此，得到{range,azimuth,elevation,frame}的数据。最后，结合距离r、方位角θ和仰角反射点的笛卡尔系坐标可以表示为：在每个距离仓上执行相同的过程即可生成整个点云。
19、呼吸特征提取中，以帧为采样间隔，对每个有效的反射点提取其在2d-angle图中的相位信息，从而得到每个点云的相位波形；通过对相位波形进行解绕和带通滤波，获得呼吸信号，然后，使用fft分析呼吸信号的频谱，并取其峰值作为点云的呼吸特征；对单次测量生成的点云的呼吸特征进行归一化，得到相对呼吸特征。
20、这里的呼吸特征是用于和点云结合，估计睡眠姿势的呼吸特征，是呼吸幅度的一种正相关表示。受呼吸行为影响明显的区域，如躯干，其呼吸幅度较大，对应的呼吸特征也是一个较大的值。而人的腿部及床体等反射点，其不受呼吸影响，反射信号的相位上不会产生起伏变化，对应的呼吸特征也是一个接近于零的值。
21、在生成点云特征时，使用2d-angle-fft来提取反射点的到达角。确定反射点的可靠入射角度后，即可以从fft生成的2d-angle-map拿到该反射点的快拍复信号采样值。然后，以每帧一个快拍的采样方式，在多帧进行采样则得到了反射点的复信号序列。设第i个反射点pi的信号序列为呼吸行为影响的是信号的相位变化，而个体差异，如体形，穿着等会影响反射的信号强度。因此信号强度值不是一个可靠的特征，本发明提取信号的相位来识别起伏变化。
22、首先，使用相位解绕技术以解决相位在接近0或2π时发生周期性跳变的问题，以确保整体相位呈现出一条平滑连续的曲线φi。
23、之后，使用带通滤波器来滤除不相关的高频和低频噪声，来突出与呼吸活动相关的频率范围。以人体典型呼吸频率(0.1-0.6hz)为通带，在φi上进行带通滤波，得到呼吸相位曲线φi′。
24、φi′的峰值与谷值的差的绝对值δφi′可以反映人体呼吸引起的微小位移δr，其中与静态目标反射点相比，受呼吸影响的反射点的相位有明显的波动变化。因此通过这种明显的差异，可以利用呼吸特征来将一部分人体反射的点云与环境中的静态反射点区分开。这有助于后续的识别模型快速找到人体的位置，并给予更多的判定权重。
25、然后，使用fft对呼吸信号的频谱进行分析，取频谱峰的最大值来表示呼吸强度，并将其作为呼吸特征。谱峰值是呼吸强度的一种综合表征，它滤除了强度微弱的频率分量对波形幅值的影响，相较于时域特征更加可靠。
26、为了克服个体差异，本发明提出了使用相对呼吸特征的概念。以点云中的反射点序号为索引，将这些点的呼吸特征强度联合为一个向量。在向量中，本发明将单个测量值的呼吸特征归一化，将其除以点云中所有点的最大呼吸强度，得到相对呼吸特征。
27、步骤1-3所述的利用特征提取后获得的点云特征和呼吸特征来识别用户的睡眠姿势，具体如下：首先使用轻量级的深度神经网络来进一步提取包含呼吸特征的点云的空间分布信息，进行两层的空间卷积初步提取特征，进行睡眠姿势识别；然后通过transformer编码器使用加权平均算法进行深度特征融合，得到多反射点的呼吸频率信息，最终通过两层的flatten压平特征，得到睡眠姿势的识别结果，输出最终的睡眠姿势分类结果和对应的呼吸频率估计值。
28、步骤1-4所述的呼吸频率的估计方法，要想准确地估计人体的呼吸频率，关键是要找到与呼吸强相关的反射点。本发明将相位值的连续性作为反射点是否可靠的一个重要指标。并提出了一种基于iq圆上点密度和相位值域的方法来提取有效的反射点信号。该方法具体如下：
29、步骤1-4-1，本发明一个复信号采样点为aejα，其幅值a为向量的模值，相位α为向量与实部i轴的夹角，对每个采样点除以其模值，得到采样信号的单位iq圆信息；设反射点的帧采样信号为其中nframe为总帧数，为第i帧反射点的信号采样值，则单位幅度的相位信号为即此时，p信号在iq域上的坐标点全部落在幅值为1的单位圆上。
30、步骤1-4-2，获取不同姿势下可靠的阈值t，rayleigh指标用于确定观察点是否均匀分布在一个圆周或圆环上，rayleigh指标的计算公式为：
31、
32、式中m为点的总数，为每个点的单位向量，由点的极坐标角度αi得到；由公式(2)可知rayleigh指标的值范围在0到1之间，更接近0的rayleigh指标表示采样点更均匀地分布在圆周上，而更接近1则表示分布不均匀。
33、步骤1-4-3，计算每个反射点的采样信号y的rayleigh指标，当指标值小于阈值t时，认为其是一个有效的受呼吸行为影响的反射点，且噪声对该反射点信号的干扰可以忽略。
34、步骤1-4-4，对每个反射点的相位序列进行相位解绕、带通滤波，得到呼吸频段的信号；最后，采用fft对信号进行频谱分析，并取fft结果的最大峰值对应的频率索引作为该反射点的呼吸频率估计。在一种睡眠姿势下，满足阈值t的受呼吸影响的反射点往往有多个，因此本发明使用指数函数进行加权平均计算。计算公式表述如下：
35、
36、其中f为最终的呼吸频率估计，np为有效反射点的总数，rayleighi为第i个反射点的rayleigh指标值，fi为第i个反射点的呼吸频率估计结果。最终将f作为呼吸频率估计。
37、本发明的优点是：(1)本发明旨在使用低成本，易于部署的商用毫米波雷达设备实现一个准确可靠的生命体征监测系统,稳定识别6种睡眠姿势并准确测量呼吸频率；
38、(2)本发明提出了一种基于多帧方位角出现概率聚类分析的点云提纯方法，获取了丰富且稳定的点云信息；
39、(3)本发明通过提取每个反射点的相位变化得到点云的呼吸特征，增强了点云对睡眠姿势的表征；
40、(4)本发明提出了一种基于单位iq圆周点密度的判定方法，来提取可靠的反射点，并利用这些反射点通过基于指数函数的加权平均方法来估计呼吸频率，获得了更准确的呼吸频率估计结果。
1.一种基于毫米波雷达的睡眠体征监测方法，其特征在于：具体包括如下步骤：
2.根据权利要求1所述的一种基于毫米波雷达的睡眠体征监测方法，其特征在于：步骤1-1所述的预设毫米波雷达的采集参数，具体包括有选择使能的收发天线参数、发射调频波的带宽、调频时间、chirp个数、帧长度，adc采样频率和采样点数。
3.根据权利要求1所述的一种基于毫米波雷达的睡眠体征监测方法，其特征在于：步骤1-2所述的从采集到的中频数字信号中提取与睡眠姿势和呼吸速率相关的特征，即点云特征生成和呼吸特征提取，具体如下：
4.根据权利要求3所述的一种基于毫米波雷达的睡眠体征监测方法，其特征在于：所述的点云特征生成中，应用多帧方位角出现概率聚类分析，对于每一个距离仓，以一定的误差范围为半径对方位角进行多帧累积聚类，得到方位角估计，最后，在选定的方位角下估计其对应的高度角，结合反射距离计算生成在笛卡尔坐标系下的点云，具体步骤如下：
5.根据权利要求4所述的一种基于毫米波雷达的睡眠体征监测方法，其特征在于：在生成点云特征时，使用2d-angle-fft来提取反射点的到达角，确定反射点的可靠入射角度后，即从fft生成的2d-angle-map拿到该反射点的快拍复信号采样值，然后，以每帧一个快拍的采样方式，在多帧进行采样则得到了反射点的复信号序列，设第i个反射点pi的信号序列为呼吸行为影响的是信号的相位变化，而个体差异会影响反射的信号强度，因此提取信号的相位来识别起伏变化；
6.根据权利要求1所述的一种基于毫米波雷达的睡眠体征监测方法，其特征在于：步骤1-3所述的利用特征提取后获得的点云特征和呼吸特征来识别用户的睡眠姿势，具体如下：首先使用轻量级的深度神经网络来进一步提取包含呼吸特征的点云的空间分布信息，进行两层的空间卷积初步提取特征，进行睡眠姿势识别；然后通过transformer编码器使用加权平均算法进行深度特征融合，得到多反射点的呼吸频率信息，最终通过两层的flatten压平特征，得到睡眠姿势的识别结果，输出最终的睡眠姿势分类结果和对应的呼吸频率估计值。
7.根据权利要求1所述的一种基于毫米波雷达的睡眠体征监测方法，其特征在于：步骤1-4所述的呼吸频率估计方法，具体如下：
