一种生命体征测量方法、设备及存储介质

技术领域

本申请涉及医疗技术领域，尤其涉及一种生命体征测量方法、设备及存储介质。

背景技术

随着社会的进步和发展，人们越来越注重健康管理。对人体的心肺功能、呼吸功能等生命体征进行实时监测，可以及时发现生命体征的异常状况，从而有效的进行疾病的预警。现有技术中，主要利用单一的传感器采集人体的生命体征信号，并基于生命体征信号确定生命体征参数，从而监测人体的健康状态。但是人体的呼吸、心跳等信号比较微弱，单一的传感器获取到的生命体征信号易受到环境中的其他震动信号的干扰，导致测量的准确度较低。

发明内容

本申请实施例提供了一种生命体征测量方法、设备和存储介质，可以解决现有的生命体征测量方法的准确度较低的技术问题。

第一方面，本申请实施例提供了一种生命体征测量方法，该方法应用于生命体征测量设备，设备包括相机和FMCW雷达，方法包括：

通过FMCW雷达获取目标区域内的M个振动目标在三维雷达坐标系中的位置坐标，M≥1，并通过相机获取目标区域的图像；针对M个振动目标中的每个振动目标，利用已训练的多层感知网络模型对振动目标的位置坐标进行处理，得到振动目标在图像中的二维坐标，多层感知网络模型用于指示三维雷达坐标系和与图像对应的二维图像坐标系之间的映射关系；根据FMCW雷达检测到的M个振动目标中每个振动目标的第一运动值以及每个振动目标在图像中的第二运动值，从M个振动目标中筛选出待测目标；通过FMCW雷达获取待测目标的回波信号，分离回波信号中的呼吸信号和心跳信号，根据呼吸信号确定待测目标的呼吸频率，根据心跳信号确定待测目标的心跳频率。

基于本申请提供的生命体征测量方法，通过FMCW雷达确定目标区域内的M个振动目标在三维雷达坐标系中的位置坐标后，通过已训练的多层感知网络模型对每个振动目标的位置坐标进行处理可以确定每个振动目标在相机获取到的图像中的二维坐标。对同一振动目标，根据FMCW雷达检测到的第一运动值以及该振动目标在图像中的第二运动值可以从M个振动目标中筛选出待测目标，从而根据FMCW雷达确定待测目标的回波信号。从回波信号中可以分离出待测目标的呼吸信号和心跳信号，进而分别根据呼吸信号和心跳信号确定出待测目标的呼吸频率和心跳频率。本申请基于多传感器确定目标区域中待测目标的回波信号，排除了干扰目标对待测目标的回波信号产生的干扰，提高了对生命体征进行测量的准确度。

可选地，通过FMCW雷达获取目标区域内的M个振动目标在三维雷达坐标系中的位置坐标，包括：

通过FMCW雷达接收目标区域反射的回波，得到初始信号；

去除初始信号中的背景信号，得到振动信号；

根据振动信号确定目标区域内的M个振动目标在三维雷达坐标系中的位置坐标，每个振动目标在三维雷达坐标系中的位置坐标包括振动目标相对于FMCW雷达的水平距离、水平方位角和俯仰角；

通过FMCW雷达获取待测目标的回波信号，包括：

根据待测目标的位置坐标对振动信号进行信号分析，得到待测目标的回波信号。

可选地，利用已训练的多层感知网络模型对振动目标的位置坐标进行处理，得到振动目标在图像中的二维坐标，包括：

将振动目标相对于FMCW雷达的水平距离、水平方位角和俯仰角输入到输入层；通过第一隐藏层和第二隐藏层对水平距离、水平方位角和俯仰角分别进行特征提取，得到与水平距离对应的第一特征、与水平方位角对应的第二特征以及与俯仰角对应的第三特征；通过第三隐藏层对第一特征、第二特征和第三特征进行融合处理，得到融合特征；通过输出层对融合特征进行处理，得到振动目标在图像中的二维坐标。

可选地，根据FMCW雷达检测到的M个振动目标中每个振动目标的第一运动值以及每个振动目标在图像中的第二运动值，从M个振动目标中筛选出待测目标，包括：

针对M个振动目标中的每个振动目标，通过已训练的第一神经网络模型对图像进行处理，确定振动目标在图像中的第二运动值，通过FMCW雷达检测到的振动目标的回波信号确定振动目标的第一运动值，若第一运动值小于预设的第一运动阈值且第二运动值小于预设的第二运动阈值，则确定振动目标为待测目标。

可选地，通过已训练的第一神经网络模型对图像进行处理，确定振动目标的第二运动值，包括：

利用已训练的检测模型确定振动目标在图像中所处的区域；将区域输入到已训练的光流网络模型中进行处理，确定振动目标的第二运动值。

可选地，分离回波信号中的呼吸信号和心跳信号，包括：通过带通滤波器对待测目标的回波信号进行滤波处理，得到呼吸初始信号；确定呼吸初始信号的同相分量和正交分量；将呼吸初始信号、同相分量和正交分量输入到已训练的第二神经网络模型中进行处理，得到呼吸信号；回波信号与呼吸信号之间的差值信号为心跳信号。

可选地，第二神经网络模型包括：门控循环模块和融合模块；将呼吸初始信号、同相分量和正交分量输入到已训练的第二神经网络模型中进行处理，得到呼吸信号，包括：

将呼吸初始信号中的第i-2个时刻对应的频率、第i-1个时刻对应的频率和第i个时刻对应的频率输入到门控循环模块中进行处理，得到第i个时刻对应的第一参数和第二参数，呼吸初始信号包括n个时刻，1≤i≤n，n为大于2的正整数；

通过融合模块对n个时刻的第一参数、n个时刻的第二参数、同相分量和正交分量进行融合处理，得到呼吸信号。

可选地，根据呼吸信号确定待测目标的呼吸频率，包括：基于预设时长对呼吸信号进行分割，得到多个子序列信号；对多个子序列信号进行快速傅里叶变换，得到二维频谱图；利用已训练的第三神经网络模型确定二维频谱图的主频率值，主频率值为待测目标的呼吸频率。

第二方面，本申请实施例提供了一种生命体征测量设备，该设备包括相机、FMCW雷达、存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序，相机和FMCW雷达分别与处理器连接，处理器执行计算机程序时实现如上述第一方面中任一项所述的方法。

第三方面，本申请实施例提供了一种生命体征测量装置，该装置包括：

获取单元，用于通过FMCW雷达获取目标区域内的M个振动目标在三维雷达坐标系中的位置坐标，M≥1，并通过相机获取目标区域的图像；

映射单元，用于针对M个振动目标中的每个振动目标，利用已训练的多层感知网络模型对振动目标的位置坐标进行处理，得到振动目标在图像中的二维坐标，多层感知网络模型用于指示三维雷达坐标系和与图像对应的二维图像坐标系之间的映射关系；

筛选单元，用于根据FMCW雷达检测到的M个振动目标中每个振动目标的第一运动值以及每个振动目标在图像中的第二运动值，从M个振动目标中筛选出待测目标；

测量单元，用于通过FMCW雷达获取待测目标的回波信号，分离回波信号中的呼吸信号和心跳信号，根据呼吸信号确定待测目标的呼吸频率，根据心跳信号确定待测目标的心跳频率。

第四方面，本申请实施例提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如上述第一方面中任一项所述的方法。

第五方面，本申请实施例提供了一种计算机程序产品，当计算机程序产品在终端设备上运行时，使得终端设备执行上述第一方面中任一项所述的方法。

可以理解的是，上述第二方面至第五方面的有益效果可以参见上述第一方面中的相关描述，在此不再赘述。

附图说明

为了更清楚地说明本申请实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1是本申请一实施例提供的一种生命体征测量设备的结构示意图；

图2是本申请一实施例提供的一种生命体征测量方法的流程图；

图3是本申请一实施例提供的一种第一神经网络模型的结构示意图；

图4是本申请一实施例提供的一种三维雷达坐标系与二维图像坐标系之间的映射关系示意图；

图5是本申请一实施例提供的一种MLP网络模型的结构示意图；

图6是本申请一实施例提供的一种第二神经网络模型的结构示意图；

图7是本申请一实施例提供的一种二维频谱图的示意图；

图8是本申请一实施例提供的一种生命体征测量装置的结构示意图。

具体实施方式

以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本申请实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本申请的描述。

随着社会的进步和发展，人们越来越注重健康管理。对人体的心肺功能、呼吸功能等生命体征进行实时监测，可以及时发现生命体征的异常状况，从而有效的进行疾病的预警。现有技术中，主要利用单一的传感器采集人体的生命体征信号，并基于生命体征信号确定生命体征参数，从而监测人体的健康状态。但是人体的呼吸、心跳等信号比较微弱，单一的传感器获取到的生命体征信号易受到环境中的其他振动信号的干扰，导致测量的精确度较低。

为了解决上述技术问题，本申请实施例提供了一种生命体征测量方法、设备及存储介质。通过相机获取包含至少一个振动目标的图像，根据雷达检测到的每个振动目标的运动程度以及每个振动目标在图像中的运动剧烈程度，从至少一个振动目标中剔除运动剧烈的目标，通过FMCW雷达得到待测目标的回波信号，避免运动剧烈的目标对待测目标的回波信号之间的干扰。从待测目标的回波信号中可以分离出呼吸信号，并基于呼吸信号确定待测目标的呼吸频率。本申请通过多传感器确定人体的生命体征参数，可以提高生命体征检测的准确度。

下面结合附图，对本申请的技术方案进行详细描述。下面通过参考附图描述的实施例是示例性的，旨在用于解释本申请，而不能理解为对本申请的限制。

在一种可能的实现方式中，本申请实施例提供了一种生命体征测量设备。如图1中所示，该生命体征测量设备1包括相机11、FMCW雷达12、存储器13、处理器14以及存储器13。存储器13中存储有可在处理器14上运行的计算机程序15。相机11和FMCW雷达(FrequencyModulated Continuous Wave，调频连续波雷达)12分别与处理器14连接，处理器14执行计算机程序15时可实现本申请实施例提供的生命体征测量方法。

本领域技术人员可以理解，图1仅仅是生命体征测量设备1的示例，并不构成对生命体征测量设备1的限定，生命体征测量设备1可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件。处理器14可以是中央处理单元(Central Processing Unit，CPU)，还可以是其它通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其它可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

存储器13可以是生命体征测量设备1的内部存储单元，例如生命体征测量设备1的硬盘或内存。存储器13也可以是生命体征测量设备1的外部存储设备，例如生命体征测量设备1上配备的插接式硬盘，智能存储卡(Smart Media Card，SMC)，安全数字(SecureDigital，SD)卡，闪存卡(Flash Card)等。

下面参考图2中所示的流程图，对本申请提供的生命体征测量方法进行示例性的描述。在一种可能的实现方式中，本申请实施例提供的生命体征测量方法包括以下步骤：

S201，通过FMCW雷达获取目标区域内的M个振动目标在三维雷达坐标系中的位置坐标，M≥1，并通过相机获取目标区域的图像。

需要说明的是，本申请实施例中提供的相机具备红外成像功能和可见光成像功能。相机可以根据目标区域的亮暗程度自动切换红外成像功能和可见光成像功能，使得通过相机可以清晰地获取到目标区域内的包含振动目标的图像。

示例性的，当目标区域较亮时，相机可通过可见光成像功能获取目标区域的图像，获取到的图像为可见光图像；当目标区域较暗时，相机可通过红外成像功能获取目标区域的图像，获取到的图像为红外图像。因此，本申请提供的生命体征测量方法和设备既可以在白天对处于静息状态(例如睡眠)的目标的生命体征进行测量，也可以对目标在夜晚静息状态下的生命体征进行测量。

此外，一般人在静息状态下身体没有剧烈的活动，只有呼吸以及心跳使得人体胸腔产生细微的振动。同时目标区域内还可能存在大幅运动的目标，即该目标的肢体会产生较大幅度的运动。因此，本申请实施例中描述的振动目标包括处于静息状态下的目标和存在大幅运动的目标。

在一种可能的实现方式中，通过FMCW雷达获取目标区域内的M个振动目标在三维雷达坐标系中的位置坐标的方法包括：通过FMCW雷达接收目标区域反射的回波，得到初始信号。去除初始信号中的背景信号，得到振动信号。根据振动信号确定目标区域内的M个振动目标中的每个振动目标在三维雷达坐标系中的位置坐标，每个振动目标在三维雷达坐标系中的位置坐标包括振动目标相对于FMCW雷达的水平距离、水平方位角和俯仰角。

基于本申请提供的生命体征侧量设备中的FMCW雷达可以确定目标区域中所有的目标相对于FMCW雷达的水平距离、所有目标相对于FMCW雷达的水平方位角以及所有目标相对于FMCW雷达的俯仰角。FMCW雷达包括至少一个发射天线和至少两个接收天线，任意相邻两个接收天线之间的水平距离相同。发射天线用于向目标区域发射调频连续波脉冲信号，接收天线可以接收目标反射的回波，基于每个接收天线接收到的回波确定初始信号，该初始信号为FMCW雷达检测到的沿目标区域中的多个方位角的初始信号的集合。

在一个实施例中，FMCW雷达接收到的初始信号中包括目标区域内静止的背景目标反射产生的背景信号，例如墙体、衣柜等背景目标。背景信号会对由振动目标产生的回波信号存在干扰，因此，需要先去除与每个方位角对应的初始信号中的背景信号。

示例性的，可以采用差分的方法去除初始信号中的背景信号，得到振动信号。具体的，假设初始信号为rp，第i个时刻初始信号的频率为rp(i)，计算第i-1个时刻初始信号的滑动平均值

在另一个实施例中，基于上述实施例提供的方法去除初始信号中的背景信号后，得到的振动信号为多个接收天线获取到的目标区域内与各个方位角和俯仰角对应的振动信号的集合。可以根据雷达多发多收模式下的信号分析算法对振动信号进行处理，确定M个振动目标中的每个振动目标在三维雷达坐标系中的位置坐标，进而得到每个振动目标的回波信号。

在一个实施例中，每个振动目标在三维雷达坐标系中的位置坐标包括振动目标相对于FMCW雷达的水平距离、水平方位角和俯仰角。根据振动信号确定目标区域内的M个振动目标中的每个振动目标在三维雷达坐标系中的位置坐标的方法包括：FMCW雷达可以检测出每个振动目标相对于FMCW雷达的水平距离。针对目标区域中所有的振动目标相对于FMCW雷达的水平方位角，可以采用波束形成算法对振动信号进行分析，从而确定目标区域内振动目标相对于FMCW雷达的水平方位角。也可以基于相邻两个接收天线之间的水平距离以及多个(即大于或者等于两个)接收天线获取到的响应值确定目标区域内的每个目标相对于FMCW雷达的水平方位角，示例性的，假设FMCW雷达包括多个发射天线和多个接收天线，每个发射天线用于发射chirp(啁啾)信号，将多个接收天线接收到的多个range bin(区域块)信号按列构成矩阵序列，即矩阵序列中的每个列信号表示一个接收天线基于其中一个chirp信号接收到目标反射的初始信号。将目标所在距离对应的bin相位信号组成一个向量，对该向量进行快速傅里叶变换得到主频率值f，根据公式θ＝sin

基于上述原理可以通过设置有多个接收天线和多个发射天线的FMCW雷达，确定每个振动目标相对于FMCW雷达的水平距离和水平方位角，从而构建对应的距离-方位角分布热图。进一步的，可以利用恒虚警检测算法对获取到的距离-方位角分布热图进行处理，确定目标区域内的每个振动目标的聚类中心坐标(d

进一步的，参考上述原理，可以利用多接收天线在垂直方向上的等距排布，通过快速傅里叶变换方法或者波束形成算法对振动信号进行处理，从而确定目标区域内的每个振动目标相对于FMCW雷达的俯仰角θ

S202，针对M个振动目标中的每个振动目标，利用已训练的多层感知网络模型对振动目标的位置坐标进行处理，得到振动目标在图像中的二维坐标，多层感知网络模型用于指示三维雷达坐标系和与图像对应的二维图像坐标系之间的映射关系。

在本申请实施例中，生命体征侧量设备中的FMCW雷达的三维雷达坐标系与相机获取到的目标区域的图像的二维图像坐标系之间存在相应的映射关系。为了构建三维雷达坐标系和二维图像坐标系之间的映射关系，需要借助于预设的振动源进行初始的标定工作。

示例性的，参考图4中的(a)，将图像平面划分为图4(a)中所示的n×n的区域，示例性的n＝7。将固定振动频率为f的振动源置于FMCW雷达前某个距离上，通过相机获取包含有该振动源的图像，并记录振动源的中心在图像中的二维坐标(x,y)，同时利用FMCW雷达采集回波信号，并通过上述实施例中所述的方法确定振动源的中心相对于FMCW雷达的水平距离、水平方位角以及俯仰角，即振动源的中心在FMCW雷达的三维坐标系中的坐标位置(d

在一个实施例中，在获取到多组样本后，可以利用多组样本并基于随机梯度下降(Stochastic Gradient Descent，SGD)法对神经网络初始模型进行训练，得到已训练的神经网络模型，从而利用已训练的神经网络模型确定目标区域内的每个振动目标在三维雷达坐标系中的坐标位置与在二维图像坐标系中的二维坐标之间的映射关系。

示例性的，如图5中所示，已训练的神经网络模型可以为MLP(Multi-LayerPerception，多层感知器)网络模型。具体的，MLP网络模型包括依次连接的输入层(即图5中的input)、三个隐藏层(即图5中的lay1、lay2和lay3)和输出层(即图5中的output)。其中，输入层包括三个输入分支，将目标区域内的振动目标相对于FMCW雷达的水平距离、水平方位角和俯仰角分别输入到三个输入分支中，前两个隐藏层(即图5中的lay1和lay2)用于通过卷积处理依次分别对水平距离、水平方位角和俯仰角进行特征提取，得到与水平距离对应的第一特征、与水平方位角对应的第二特征以及与俯仰角对应的第三特征。第三个隐藏层(即图5中的lay3)用于对第一特征、第二特征以及第三特征进行融合处理，得到融合特征。输出层用于根据融合特征输出振动目标在二维图像坐标系中的二维坐标。目标区域内的第i个振动目标在三维雷达坐标系中的坐标位置radar(d

后续在实际使用中，利用上述标定方式得到的多层感知网络模型，可以基于同一振动目标在三维雷达坐标系中的坐标位置映射得到该振动目标在二维图像坐标系中的二维坐标，以便基于后续步骤判断该振动目标在相机获取到的图像中的运动信息，从而辅助规避一些运动剧烈的目标。示例性的，参考图4中所示的一种与FMCW雷达对应的三维雷达坐标系(距离-方位角-俯仰角)以及与相机获取到图像对应的二维图像坐标系之间的映射关系进行示例性的说明。基于FMCW雷达可以检测到振动目标相对于FMCW雷达的水平距离、水平方位角和俯仰角，从而确定振动目标在三维雷达坐标系中的坐标位置，即图4的(b)中的黑色区域。将相机拍摄到的目标区域的图像均匀的切分为7×7的网格，若图像中显示的目标区域中的振动目标为孩子的胸腔，基于上述映射关系可以确定振动目标在相机获取到的图像中的二维坐标，即图4(a)中的黑色区域。

S203，根据FMCW雷达检测到的M个振动目标中每个振动目标的第一运动值以及每个振动目标在图像中的第二运动值，从M个振动目标中筛选出待测目标。

在一种可能的实现方式中，针对M个振动目标中的每个振动目标，通过已训练的第一神经网络模型对图像进行处理，可以确定振动目标在图像中的第二运动值，然后通过FMCW雷达检测到的振动目标的回波信号可以确定振动目标的第一运动值，若第一运动值小于预设的第一运动阈值且第二运动值小于预设的第二运动阈值，则确定振动目标为待测目标。

在本申请实施例中，根据目标区域的亮暗程度相机可以获取到可见光和红外两种不同类型的图像。针对不同类型的图像可以利用不同的神经网络模型进行处理，也可以利用相同的神经网络模型对不同类型的图像进行处理，从而确定图像中每个振动目标的第二运动值。

在一个实施例中，假设本申请提供的第一神经网络模型可以处理不同类型的图像，则可以通过已训练的第一神经网络模型对图像进行处理，从而确定图像中每个振动目标的第二运动值，运动值用于指示振动目标的运动剧烈程度。具体地，可以利用已训练的检测模型确定每个振动目标在图像中所处的区域，将与振动目标对应的区域输入到已训练的光流网络模型中进行处理，确定每个所述振动目标的第二运动值。第一神经网络模型包括检测模型和光流网络模型。

在一个示例中，可以基于人体姿态检测的方法确定振动目标在图像中所处的区域。因此，检测模型可以为姿态检测模型。利用已训练的检测模型确定振动目标在图像中所处的区域的方法包括：利用已训练的姿态检测模型确定目标的胸腔在图像中所处的区域。振动目标可以为人体的胸腔。

作为示例而非限定，姿态检测模型的结构如图3所示。姿态检测模型包括依次连接的输入模块、至少两个特征提取模块和输出模块。具体的，输入模块包括卷积层和激活层，即图3中的Conv+ReLU模块。特征提取模块包括依次连接的卷积层、BN(BatchNorm，批量标准)层和激活层，即图3中的Conv+BN+ReLU模块。输出模块包括卷积层，即图3中的Conv模块。如图3中所示，将拍摄有婴儿的图像输入到已训练的姿态检测模型中进行处理，可以得到标记有婴儿胸腔所处位置(即输出图中的黑色框图中的区域)的输出图，从而确定目标区域内振动目标在图像中所处的区域。

在一个实施例中，若图像中包括多个振动目标，利用上述实施例提供的振动目标所在区域的获取方法可以确定与图像中多个振动目标对应的多个区域。利用已训练的光流网络模型对多个区域进行处理，可以得到运动估计参数，运动估计参数包括与每个区域对应的振动目标的第二运动值，第二运动值用于指示对应的振动目标的运动剧烈程度。

在一个可选的实现方式中，利用已训练的光流网络模型对多个区域进行处理包括：对多个区域进行预处理，将预处理后的多个区域输入到已训练的光流网络模型进行处理。其中预处理的方法包括：当获取到的每个区域的大小不一致时，可以通过上采样的方法将每个区域的大小调整为预设的固定大小。

示例性的，光流网络模型可以为UNet网络。

在一个实施例中，通过FMCW雷达获取目标区域内的每个振动目标对应的回波信号的方法包括：根据每个振动目标在三维雷达坐标系中的位置坐标对所述振动信号进行信号分析，得到每个振动目标的回波信号。

具体的，每个振动目标在三维空间中位于不同的区域，通过上述步骤S201中提供的方法可以确定目标区域内的每个振动目标在雷达三维坐标系中的坐标位置。假设，FMCW雷达上设置有N个接收天线以及多个发射天线，N≥2，其中第n个接收天线可以基于多个发射天线发射的多个chirp信号接收到多个振动目标反射的振动信号，1≤n≤N，与距离d

进一步的，可以基于方位角a

基于上述实施例中提供的方法确定出每个振动目标在图像中第二运动值，以及基于每个振动目标的回波信号确定的第一运动值之后。针对同一振动目标，若第一运动值小于预设的第一运动阈值且第二运动值小于预设的第二运动阈值，则可以确定该振动目标为处于静息状态下的待测目标，待测目标可以为一个或者多个。

S204，通过FMCW雷达获取待测目标的回波信号，分离回波信号中的呼吸信号和心跳信号，根据呼吸信号确定待测目标的呼吸频率，根据心跳信号确定待测目标的心跳频率。

基于上述步骤S203从目标区域中的M个振动目标中筛选出处于静息状态下的至少一个待测目标后，可以确定出每个待测目标在三维雷达坐标系中的位置坐标，进而确定与每个待测目标对应的回波信号。每个待测目标在三维雷达坐标系中的位置坐标包括待测目标相对于FMCW雷达的水平距离、水平方位角和俯仰角。

待测目标的回波信号用于确定待测目标的生命体征参数。在一种可能的实现方式中，待测目标的生命体征参数包括呼吸频率。则相应的，针对每个待测目标的回波信号，分离回波信号中的呼吸信号的方法包括：通过带通滤波器对回波信号进行滤波处理，得到呼吸初始信号；确定呼吸初始信号的同相分量和正交分量；将呼吸初始信号、同相分量和正交分量输入到已训练的第二神经网络模型中进行处理，得到呼吸信号。

可以理解的是，由呼吸初始信号的同相分量组成的I(Inphase，同相)向量可以表示为

在一个实施例中，呼吸信号可以表示为以下公式：

其中，s

参考图6，本申请实施例提供了一种第二神经网络模型。第二神经网络模型包括门控循环模块和融合模块。将呼吸初始信号s_breath中的第i-2个时刻对应的频率s_breath(i-2)、第i-1个时刻对应的频率s_breath(i-1)和第i个时刻对应的频率s_breath(i)输入到门控循环模块中进行处理，得到第i个时刻对应的第一参数和第二参数，呼吸初始信号包括n个时刻，i的取值范围为{1，n}，n为大于或者等于2的正整数。通过融合模块对n个时刻的第一参数、n个时刻的第二参数、同相分量和正交分量进行融合处理，得到呼吸信号breath。

其中，门控循环模块包括m个隐层单元，m≥2。第l个隐层单元s

对第二神经网络模型训练的方法包括：根据训练集对第二神经网络初始模型进行迭代训练，直到损失函数到达稳定状态。训练集包括呼吸信号样本以及呼吸信号样本的同相分量样本和正交分量样本。损失函数

基于上述实施例提供的方法确定每个待测目标的回波信号中的呼吸信号后，可以基于呼吸信号确定对应的待测目标的呼吸频率。

在一个实施例中，根据呼吸信号确定待测目标的呼吸频率的方法包括：基于预设时长对呼吸信号进行分割，得到多个子序列信号；对多个子序列信号进行快速傅里叶变换，得到二维频谱图；利用已训练的第三神经网络模型确定二维频谱图的主频率值，主频率值为待测目标的呼吸频率。

示例性的，假设呼吸信号的总长度为H。从呼吸信号的首部开始基于步长为s且大小为h(即预设时长)的滑动窗口，提取多个长度为h的子序列信号，h<

示例性的，第三神经网络模型可以为VGG(Visual Geometry Group，计算机视觉组)网络模型或Resnet(Deep residual network，深度残差网络)模型。

在另一种可能的实现方式中，待测目标的生命体征参数还包括呼吸频率。待测目标的回波信号与呼吸信号之间的差值信号为心跳信号。基于心跳信号确定待测目标的心跳频率的方法与上述实施例中提供的基于呼吸信号确定待测目标的呼吸频率的方法相同，具体包括：基于预设时长对心跳信号进行分割，得到多个子序列信号；对多个子序列信号进行快速傅里叶变换，得到二维频谱图；利用已训练的第三神经网络模型确定二维频谱图的主频率值，主频率值为待测目标的心跳频率。具体的实现方式可以参考上述对基于呼吸信号确定待测目标的呼吸频率的过程的具体描述，此处不再赘述。

基于本申请实施例提供的生命体征测量方法，基于相机和FMCW雷达两种类型的传感器检测生命体征参数。首先通过标定过程确定已训练的多层感知网络模型，已训练的多层感知网络模型用于表示FMCW雷达的三维雷达坐标系与相机获取的图像的二维图像坐标系之间的映射关系。利用该映射关系可以确定目标区域内的每个振动目标在三维雷达坐标系的位置以及在二维图像坐标系的位置。根据同一振动目标在图像域中的第二运动值以及在雷达域中的第一运动值，从M个振动目标中筛选出待测目标，以减小运动幅度较大的目标对待测目标的回波信号产生的干扰，以便通过FMCW雷达确定出待测目标的回波信号。从回波信号中分离出呼吸信号的过程中，先用滤波器提取呼吸初始信号，然后充分考虑相邻时刻信号之间的关联特征，将相邻三个时刻对应的频率值作为第二神经网络模型的输入，以精确的估计出呼吸信号，进而利用第三神经网络模型对呼吸信号进行处理确定待测目标的呼吸频率，提高了算法的鲁棒性。通过回波信号和呼吸信号之间的差值确定心跳信号，进而确定待测目标的心跳频率。本申请提供的生命体征测量方法可以排除了目标区域内的干扰目标对待测目标的回波信号产生的干扰，提高了对生命体征进行测量的准确度。

应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。

基于同一发明构思，如图8所示，本申请实施例提供了一种生命体征测量装置3，该装置3包括：

获取单元31，用于通过FMCW雷达获取目标区域内的M个振动目标在三维雷达坐标系中的位置坐标，M≥1，并通过相机获取目标区域的图像。

映射单元32，用于针对M个振动目标中的每个振动目标，利用已训练的多层感知网络模型对振动目标的位置坐标进行处理，得到振动目标在图像中的二维坐标，多层感知网络模型用于指示三维雷达坐标系和与图像对应的二维图像坐标系之间的映射关系。

筛选单元33，用于根据FMCW雷达检测到的M个振动目标中每个振动目标的第一运动值以及每个振动目标在图像中的第二运动值，从M个振动目标中筛选出待测目标；

测量单元34，用于通过FMCW雷达获取待测目标的回波信号，分离回波信号中的呼吸信号和心跳信号，根据呼吸信号确定待测目标的呼吸频率，根据心跳信号确定待测目标的心跳频率。

所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

本申请实施例还提供一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述方法实施例所述的方法。

本申请实施例还提供一种计算机程序产品，当计算机程序产品在终端设备上运行时，使得终端设备执行时实现上述方法实施例所述的方法。

在本申请中描述的参考“一个实施例”或“一些实施例”等意味着在本申请的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此，在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例，而是意味着“一个或多个但不是所有的实施例”，除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”，除非是以其他方式另外特别强调。

在本申请的描述中，需要理解的是，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。还应当理解，在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。

此外，在本申请中，除非另有明确的规定和限定，术语“连接”、“相连”等应做广义理解，例如可以是机械连接，也可以是电连接；可以是直接连接，也可以通过中间媒介间接相连，可以是两个元件内部的连通或两个元件的相互作用关系，除非另有明确的限定、对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本申请中的具体含义。

以上各实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述各实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的范围。