一种基于UWB信号的非接触式快速血压测量方法及系统

本发明属于非接触感知领域，特别涉及一种基于uwb(ultra-wideband)信号的非接触式快速血压测量方法及系统。

背景技术：

1、血压是人的四大生命体征之一，血压的高低可以帮助判断人体的心脏功能、血流量、血容量以及血管的舒缩功能等是否正常。血压高与冠心病、脑血管病、下肢动脉硬化闭塞等疾病有关，而血压低则容易引起心悸、疲倦、头晕和一些心血管疾病。特别地，高血压是造成人类疾病和死亡的一个重要因素，因此进行日常的血压监测是非常必要的。然而，传统的基于袖带的血压测量方法常常需要他人帮忙，且袖带的充气压力会给用户带来不适感，因此难以做到定期测量血压。

2、近年来，无线感知已经在生命体征监测领域取得了很大的进展，无线感知与传统基于传感器方法的关键区别在于，它通过人体对信号的影响，从信号中提取人的生命体征信息，具有非侵扰、使用方便等优点。然而目前的无线感知技术还不够完善，有待进一步研究。

技术实现思路

1、本发明的目的是提供一种基于uwb信号的非接触式快速血压测量方法及系统，不需要对人体的生命特征进行直接测量，而是利用uwb信号对范围内人体的生命体征进行非接触式感知，全程采用计算机信息处理技术进行信号处理，快速生成人体血压检测信号，实现了在日常场景下快速准确的非接触式人体血压测量。

2、本发明实现上述目的采用的技术方案如下：

3、一种基于uwb信号的非接触式快速血压测量方法，包括以下步骤：

4、从uwb接收信号中判断感知范围内是否有人存在，当感知范围内有人存在时，判断人的状态是处于静止状态还是活动状态；

5、当检查到人处于静止状态时，提取人体的脉搏波，同时识别并去除当中的混叠和变形的脉搏波；

6、构建深度学习模型并进行血压预测训练，将脉搏波及其一阶倒数输入到训练好的深度学习模型中进行处理，预测血压值。

7、进一步地，针对uwb接收信号，通过动态背景相减方法去除环境中由于静态反射引起的杂波，保留来自人体胸腔反射的信号，并对保留的信号检测信号脉冲响应(channelimpulse response，cir)的峰值大小和对应的位置，来判断感知范围内是否有人存在。

8、进一步地，根据uwb接收信号中占主导的呼吸信号的周期性，通过比较自相关函数中的自相关系数与预设阈值的大小关系来判断人的状态，当然自相关系数大于阈值时，判断人处于静置状态，否则处于活动状态。

9、进一步地，利用带通滤波器提取脉搏波。

10、进一步地，使用峰值检测方法识别混叠的脉搏波，包括以下步骤：

11、选取一时间段内的脉搏波，将脉搏波按照设定步长分割为多个子序列；

12、对于每个子序列，计算其局部峰值的位置，并根据局部峰值计算代价函数；

13、选择代价函数的最大值对应的子序列长度，确定最终的峰值位置和间隔；

14、对脉搏波信号使用快速傅里叶变换计算人的脉率；

15、根据脉率得到两次脉搏搏动的平均间隔；

16、将该平均间隔和上述确定的最终的峰值的间隔进行比较，如果这两个间隔的差距大于一预设阈值，则认定当前位置出现混叠的脉搏波。

17、进一步地，使用主成分分析法识别局部变形的脉搏波，包括以下步骤：

18、以脉搏波的峰值为中心点，取长度为两次脉搏搏动的平均间隔的信号作为单次脉搏波的信号，将所有单次脉搏波的信号组成一个矩阵；

19、计算所有单次脉搏波的信号的协方差矩阵，再计算协方差矩阵的特征值和特征向量；

20、保留最大的特征值对应的特征向量，将该特征向量与脉搏波信号相乘，得到脉搏波的主成分；

21、求脉搏波的主成分与单次脉搏波的余弦相似度，将相似度小于预设阈值的脉搏波作为局部变形的脉搏波。

22、进一步地，深度学习模型包括多尺度特征提取模块、多个注意力残差模块和血压预测模块；其中多尺度特征提取模块包括4个特征提取模块，每个特征提取模块包括1个卷积层、1个归一化层和1个relu激活函数；注意力残差模块包括3个卷积层、3个归一化层、2个relu激活函数、1个平均池化层、1个最大池化层、1个共享参数的多层感知机和1个sigmoid激活函数；血压预测模块包括1个平均池化层和1个全连接层。

23、进一步地，注意力残差模块的处理步骤包括：

24、将多尺度特征提取模块提取的特征图x作为输入；

25、特征图x依次经过交替的2个归一化层+relu激活函数和2个卷积层，得到特征图x1；

26、特征图x经过1个卷积层和一个归一化层，得到特征图x1′；

27、特征图x1通过全局平均池化层和全局最大池化层处理，生成全局平均池化特征和全局最大池化特征

28、将特征和通过一个共享参数的多层感知机处理，得到每个通道上的权重w1和w2；

29、将权重w1和w2相加后通过sigmoid激活函数，得到通道注意图wc；

30、计算wc与x1的hadamard积，得到增强的特征表示xa；

31、将xa与x1′通过残差连接，得到与血压相关的特征x2。

32、进一步地，将带有血压真实值标签的训练数据经过脉搏波提取后，输入到深度学习模型中进行训练，使用基于huber loss损失函数的权重损失函数作为最终的损失函数；

33、该权重损失函数的表达式为：

34、

35、其中，和分别表示收缩压和舒张压的损失，λ为权重；和均采用huber loss损失函数，该huber loss损失函数的表达式如下：

36、

37、其中，y和分别表示血压的真值值和预测值，δ是超参数。

38、一种基于uwb信号的非接触式快速血压测量系统，包括：

39、人体存在和状态识别模块，用于从uwb接收信号中判断感知范围内是否有人存在，当感知范围内有人存在时，判断人的状态是处于静止状态还是活动状态；

40、脉搏波提取模块，用于当检查到人处于静止状态时，提取人体的脉搏波，同时识别并去除当中的混叠和变形的脉搏波；

41、血压估计模块，用于通过训练后的深度学习模型对输入的脉搏波及其一阶倒数进行处理，预测血压值。

42、本发明与现有技术相比的优点在于：

43、本发明通过对uwb设备发送的脉冲信号即uwb接收信号进行分析和处理，当检测到用户处于静止状态时，即可实现非接触式的人体血压监测。在进行血压测量时，不需要与用户接触，也不需要用户的主动参与，即可以实现日常的血压监测，这便于提升用户的血压检测频率，在用户静止时可以进行连续血压检测，并且可以在用户血压异常时进行预警。

技术特征：

1.一种基于uwb信号的非接触式快速血压测量方法，其特征在于，包括以下步骤：

2.如权利要求1所述的方法，其特征在于，针对uwb接收信号，通过动态背景相减方法去除环境中由于静态反射引起的杂波，保留来自人体胸腔反射的信号，并对保留的信号检测信号脉冲响应的峰值大小和对应的位置，来判断感知范围内是否有人存在。

3.如权利要求1所述的方法，其特征在于，根据uwb接收信号中占主导的呼吸信号的周期性，通过比较自相关函数中的自相关系数与预设阈值的大小关系来判断人的状态，当然自相关系数大于阈值时，判断人处于静置状态，否则处于活动状态。

4.如权利要求1所述的方法，其特征在于，利用带通滤波器提取脉搏波。

5.如权利要求1所述的方法，其特征在于，使用峰值检测方法识别混叠的脉搏波，包括以下步骤：

6.如权利要求1所述的方法，其特征在于，使用主成分分析法识别局部变形的脉搏波，包括以下步骤：

7.如权利要求1所述的方法，其特征在于，深度学习模型包括多尺度特征提取模块、多个注意力残差模块和血压预测模块；其中多尺度特征提取模块包括4个特征提取模块，每个特征提取模块包括1个卷积层、1个归一化层和1个relu激活函数；注意力残差模块包括3个卷积层、3个归一化层、2个relu激活函数、1个平均池化层、1个最大池化层、1个共享参数的多层感知机和1个sigmoid激活函数；血压预测模块包括1个平均池化层和1个全连接层。

8.如权利要求7所述的方法，其特征在于，注意力残差模块的处理步骤包括：

9.如权利要求1所述的方法，其特征在于，将带有血压真实值标签的训练数据经过脉搏波提取后，输入到深度学习模型中进行训练，使用基于huber loss损失函数的权重损失函数作为最终的损失函数；

10.一种基于uwb信号的非接触式快速血压测量系统，用于实现权利要求1-9中任一项所述的方法，其特征在于，包括：

技术总结本发明公开了一种基于UWB信号的非接触式快速血压测量方法及系统，属于非接触感知领域。本发明从UWB接收信号中判断感知范围内是否有人存在，当感知范围内有人存在时，判断人的状态是处于静止状态还是活动状态；当检查到人处于静止状态时，提取人体的脉搏波，同时识别并去除当中的混叠和变形的脉搏波；构建深度学习模型并进行血压预测训练，将脉搏波及其一阶倒数输入到训练好的深度学习模型中进行处理，预测血压值。本发明不需要对人体的生命特征进行直接测量，能够实现在日常场景下快速准确的非接触式人体血压测量。技术研发人员：王志,金蓓弘受保护的技术使用者：中国科学院软件研究所技术研发日：技术公布日：2024/9/2