一种面向居家健康监护雷达的睡眠时间提取方法

技术领域

本发明属于毫米波雷达信号处理技术领域，具体涉及一种面向居家健康监护雷达的睡眠时间提取方法。

背景技术

随着生活压力的不断增大，人们的睡眠状况愈发受到重视。

睡眠时长与睡眠质量是影响人体健康的重要因素，对睡眠时间的提取能够较好地反应被监测者的作息习惯，进而对健康状况做出推断，并可依据睡眠时长等信息对作息时间做出调整。因此，近年来市场推出了大量便捷、有效的睡眠监测设备。其中，基于毫米波雷达的健康监护仪，以其探测范围大、隐私性强、不受光照影响且无需佩戴等优势获得了广泛关注。

睡眠时间提取，即对被监测人员的起床时间和睡觉时间进行提取。该功能可以实现对被监测人员的睡眠时长分析，同时也可以为作息分析和生活习惯改善提供基础信息，是居家健康监护的重要功能，但目前在毫米波雷达信息处理领域未见相关成果。

现有的睡眠时间提取技术主要为以下两种：一种是基于各类接触式传感器，通过传感器获取人体各项生理参数，或采用加速度计和陀螺仪对人体睡眠期间的行为进行分析，以得到睡眠时间并评估睡眠质量；第二种是基于摄像头等光学设备对目标头部运动、眼睛的闭合等进行监测和分析，以提取人体睡眠时间并估计人体的睡眠状态。

但现有的基于各类接触式传感器的睡眠时间提取技术容易出现用户忘记佩戴的情况，且长时间佩戴相应传感设备会使用户产生不适感，影响用户体验；而基于摄像头等光学设备的睡眠时间提取技术容易受到光照、遮挡等外部条件的影响，且会侵犯用户隐私，容易引发隐私安全问题。

发明内容

本发明提出一种面向居家健康监护雷达的睡眠时间提取方法，利用每0.5小时的雷达点云数量作为空间内人流活跃度指标，通过逻辑推理判断人员起床时间和睡觉时间。

本发明通过以下技术方案实现。

一种面向居家健康监护雷达的睡眠时间提取方法，包括以下步骤：

步骤一、雷达获取场景中人体的活动点云数据，以0.5小时为间隔统计人体活动点云数量定义为人体活动量，形成该天人体活动量数组，并除以当日的最大人体活动量进行归一化处理，得到一天48个活跃度值；

步骤二、比较当前时段活跃度值与前面N个时段活跃度，提取起床时间；

步骤三、比较当前时段活跃度与后面M个时段活跃度，提取睡觉时间。

本发明有益效果：

1、本发明通过计算几个时段活跃度均值、标准差等统计特性来判断某一时段活跃度是否发生突变，能够较为合理、准确地推断出起床时间和睡觉时间；

2、本发明通过采集场景内的人体活动点云数据进行统计分析，形成了点云活跃度，能够反映场景中各个时段内的人员活动强度及一天内活动强度变化；

3、本发明根据提取的起床和睡觉时间对应的人体活动量，相应地更新历史起床/睡觉活动量均值，以用于在长期监测中辅助判断；

4、本发明采用毫米波雷达获取场景内人体活动点云数据，并进行相应的数据处理，因此是非接触式系统，用户无需佩戴相应设备，即可实现长期、连续、舒适的睡眠时间提取；

5、本发明提取结果合理准确，并且可以用于后续对被看护人长期作息习惯进行分析，以给出相应的健康管理建议。

附图说明

图1为本发明的睡眠时间提取总体流程图；

图2为本发明的起床时间提取流程图；

图3～图6为起床时间提取条件1～条件4流程图；

图7为本发明的睡觉时间提取流程图；

图8～图10为睡觉时间提取条件1～条件3流程图；

图11为本发明的睡眠时间提取结果图。

具体实施方式

下面结合参考附图来详细描述本发明的示例性实施方式。应当理解，附图中示出和描述的实施方式仅仅是示例性的，意在阐释本发明的原理和精神，而并非限制本发明的范围。

如图1所示，本发明的一种面向居家健康监护雷达的睡眠时间提取方法，具体包括以下步骤：

步骤一、雷达获取场景中人体的活动点云数据，以0.5小时为间隔统计人体活动点云数量定义为人体活动量，形成该天人体活动量数组Num＝[Point

NumToday＝[PointNum

具体实施时，将雷达安装在卧室墙面1.8米～2米高度，使其能够覆盖整个房间，并设置雷达工作于常态化监护模式。

本实施例中，所述雷达以55ms为帧周期持续上传场景中人体的活动点云数据，假设一帧内接收到的点云数据中，人体活动点云数量为n，若n≥5则认为数据有效。

步骤二、比较当前时段活跃度值与前面N个时段活跃度，提取起床时间；具体实施时，N依据经验值选取，本实施例中取3。

如图2所示，具体步骤如下：

2.1定义标识day，用于表示前一天的睡觉时间是否跨天；

若day为0，则人体在昨天24时前即睡觉，睡觉时间未跨天；此时起床时间的提取从第T(T为依据经验值选取的起床时间起始索引时段，T＝1,2…48)个时段开始索引；

若day为1，则人体在今日凌晨才睡觉，睡觉时间跨天；此时需比较前一天睡觉时段sleeptime和T的大小，则当日起床时间提取从二者中较大的一个开始索引；

2.2定义GetUpPoint数组，用于存储提取出的每日起床时间对应的人体活动量，定义GetUpAverage为历史起床活动量均值：

其中，sum(GetUpPoint)为GetUpPoint数组中每次起床活动量之和，length(GetUpPoint)为GetUpPoint数组中的元素数量，t为依据经验值选取的常数；

2.3读取当前时段活跃度PointNum

2.4定义ip为时段序号，ip

本实施例中，所述预设条件包括以下：

如图3所示，条件1：若当前时段活跃度突高，前面p个时段活跃度较低，后续q个时段至少存在一个时段活跃度较高，p,q为依据经验值选取的常数，本实施例中取2，则当前ip为起床时段序号ip

其中：a,m为依据经验值选取的常数，a取3，m取4，Thr为起床活跃度门限，取0.1，L[·]表示满足条件的时段个数；

如图4所示，条件2：若当前时段活跃度突高，前面p个时段活跃度较低，后续K(K为依据经验值选取的常数，本实施例中取3)个时段无人，则当前ip为起床时段序号ip

如图5所示，条件3：若当前时段活跃度突高，且当前时段活动量高于历史起床活动量均值，同时前面p个时段活跃度存在较低的时段，则当前ip为起床时段序号ip

其中，c,n为依据经验值选取的常数；c取0.5，n取3；

如图6所示，条件4：若前面判断均未成立，则满足下列条件时，ip+1为起床时段ip

其中，b为依据经验值选取的常数，本实施例中取4；

进一步地，提取出当天起床时段ip

getuptime＝t(ip

其中，t为以0.5为间隔、范围0～24的时间数组；

该天起床时段人体活动量TodayGetUp＝Num(ip

|TodayGetUp-GetUpAverage|＜h*GetUpAverage

其中，h为依据经验值选取的常数，说明该天起床时段人体活动量在正常偏离范围内，则将当日起床活动量加入GetUpPoint数组并对历史起床活动量均值进行更新：

这一步骤可以用于在长期监测中辅助判断。

步骤三、比较当前时段活跃度与后面M个时段活跃度，提取睡觉时间；具体实施时，M依据经验值取8；

如图7所示，具体步骤如下：

3.1定义标识isSleep用于表示前一天起床后是否提取到睡觉时间；

若isSleep为1，则表示在前一天被看护人起床后提取到了睡觉时间，此时应先提取该天起床时间再提取睡觉时间；

若isSleep为0，则表示在前一天被看护人起床后未提取到睡觉时间，此时应先提取该天凌晨的睡觉时间，再提取起床时间和夜晚睡觉时间；

3.2读取当日活跃度数组NumToday；读入当日起床时间getuptime，则起床时间对应时段为2*getuptime，从该时段向后开始索引；定义SleepPoint数组用于存储提取出的每日睡觉时间对应的人体活动量，定义SleepAverage为历史睡觉活动量均值：

sum(SleepPoint)为SleepPoint数组中每次睡觉的点云数量之和，length(SleepPoint)为SleepPoint数组中的元素数量。k为依据经验值选取的常数。

3.3定义ip

读取当前时段活跃度PointNum

如图8所示，条件1：若isSleep＝1，且当前活跃度较高或当前活动量高于历史睡觉活动量，后续活跃度较低，则当前ip为睡觉时段序号ip

其中，a为依据经验值选取的常数，Thr为睡觉活跃度门限；

如图9所示，条件2：若isSleep＝1，当前活跃度较高或当前活动量高于历史睡觉活动量，后续活跃度较低且后续不足M个时段，则当前ip为睡觉时段序号ip

如图10所示，条件3：若标识isSleep＝0，后续持续M个时段低活动，则day＝1，isSleep＝1；

且睡觉时段序号为：

提取出当天睡觉时段ip

sleeptime＝t(ip

该天睡觉时段的人体活动点云数量TodaySleep＝Num(ip

|TodaySleep-SleepAverage|＜g*SleepAverage

g为依据经验值选取的常数，本实施例中取3，则说明该天睡觉时段人体活动量在正常偏离范围内，则将当日睡觉活动量加入SleepPoint数组并对历史睡觉活动量均值进行更新：

其中，k依据经验值选取3。

本领域的普通技术人员将会意识到，这里所述的实施例是为了帮助读者理解本发明的原理，应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合，这些变形和组合仍然在本发明的保护范围内。