生命体征信号提取方法、装置、电子设备及存储介质

技术领域

本公开涉及生命信号探测技术领域，尤其涉及一种生命体征信号提取方法、装置、电子设备及存储介质。

背景技术

非接触生命探测技术是近些年来随着医学工程、军事、社会发展需要而新兴发展的一项新技术,它突破现行的检测方法和技术,在不接触目标体的情况下,利用人体生命参数如呼吸、心跳和人体动信号,对生命体进行探寻。

在实际灾害救援过程中，生命探测仪发挥了一定的作用，但不可否认其仍然存在许多问题，实际测试结果亦不是非常理想。尤其是当杂波和噪声干扰大、生命体征信号十分微弱时，难以成功地进行探测。因此，亟需一种对于生命体征信号十分敏感的智能探测方法，从而更好的检测各种复杂环境下的微弱生命信号，更准确快速的发现被困幸存者，使生命探测仪在灾害救援中发挥更加重要的作用。

公开内容

本公开旨在至少在一定程度上解决相关技术中的技术问题之一。

为此，本公开的一个目的在于提出一种生命体征信号提取方法。

本公开的第二个目的在于提出一种生命体征信号提取装置。

本公开的第三个目的在于提出一种电子设备。

本公开的第四个目的在于提出一种非瞬时计算机可读存储介质。

本公开的第五个目的在于提出一种计算机程序产品。

为达上述目的，本公开第一方面实施方式提出了一种生命体征信号提取方法，包括：获取待处理的初始回波数据，并将初始回波数据分解为多个子模块；提取子模块的特征数据；基于特征数据获取子模块的生命体征信号判识结果，并确定生命体征信号判识结果为具有生命特征的子模块为目标子模块；提取目标子模块的生命体征数据作为初始回波数据的生命体征信号。

根据本公开的一个实施方式，提取目标子模块的生命体征信号作为初始回波数据的生命体征信号之前，还包括：绘制目标子模块的空间坐标；基于K-Means算法和空间坐标去除误识别的目标子模块。

根据本公开的一个实施方式，提取目标子模块的生命体征数据作为初始回波数据的生命体征信号，还包括：对生命体征数据进行小波变换；将变换后的生命体征数据基于Mallet算法进行重构；基于线性趋势抑制的方法对重构后的生命体征信号进行处理，以生成生命体征信号。

根据本公开的一个实施方式，基于巴特沃斯滤波器从生命体征信号中提取呼吸信号。

根据本公开的一个实施方式，对生命体征信号进行MTI谐波抑制，并通过巴特沃斯滤波器从生命体征信号中提取心跳信号。

根据本公开的一个实施方式，提取子模块的特征数据，包括：提取子模块的奇异熵、小波包尺度熵和样本熵。

根据本公开的一个实施方式，基于特征数据获取子模块的生命体征信号判识结果，包括：将特征数据输入至生命体征信号提取模型中以获取生命体征信号判识结果。

为达上述目的，本公开第二方面实施例提出了一种生命体征信号提取装置，包括：获取模块，用于获取待处理的初始回波数据，并将初始回波数据分解为多个子模块；提取模块，用于提取子模块的特征数据；确定模块，用于基于特征数据获取子模块的生命体征信号判识结果，并确定生命体征信号判识结果为具有生命特征的子模块为目标子模块；生成模块，用于提取目标子模块的生命体征数据作为初始回波数据的生命体征信号。

为达上述目的，本公开第三方面实施例提出了一种电子设备，包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以实现如本公开第一方面实施例所述的生命体征信号提取方法。

为达上述目的，本公开第四方面实施例提出了一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于实现如本公开第一方面实施例所述的生命体征信号提取方法。

为达上述目的，本公开第五方面实施例提出了一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时用于实现如本公开第一方面实施例所述的生命体征信号提取方法。

通过将初始回波数据划分为多个子模块，然后分别对子模块进行处理，以获取生命体征信号，可以提升初始回波数据的处理效率，同时提升初始回波数据处理的正确率，增加救援的成功率。

附图说明

图1是本公开一个实施方式的一种生命体征信号提取方法的示意图；

图2是本公开一个实施方式的一种生命体征信号提取方法的初始回波数据的采样图；

图3是本公开一个实施方式的一种生命体征信号提取方法的目标子模块的谱图；

图4是本公开一个实施方式的一种生命体征信号提取方法的通过K-Means算法筛选后的目标子模块的谱图；

图5是本公开一个实施方式的另一种生命体征信号提取方法的示意图；

图6是本公开一个实施方式的一种生命体征信号提取方法的生命体征信号的波形图；

图7是本公开一个实施方式的一种生命体征信号提取方法的呼吸信号的波形图；

图8是本公开一个实施方式的一种生命体征信号提取方法的心跳信号的波形图；

图9是本公开一个实施方式的一种生命体征信号提取装置的示意图；

图10是本公开一个实施方式的一种电子设备的示意图。

具体实施方式

下面详细描述本公开的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本公开，而不能理解为对本公开的限制。

在实际灾害救援过程中，生命探测仪发挥了一定的作用，但是对实际测试结果进行处理时效果不是非常理想。尤其是当杂波和噪声干扰大、生命体征信号十分微弱时，难以成功地进行探测。因此，亟需一种对于生命体征信号十分敏感的智能探测方法，从而更好的检测各种复杂环境下的微弱生命信号，更准确快速的发现被困幸存者，使生命探测仪在灾害救援中发挥更加重要的作用。

本发明提出了一种生命体征信号提取方法，解决了在复杂环境下，微弱的生命体征信号被大量的噪声和杂波所掩盖，难以被探识等问题，能够准确地对生命体进行定位并提取心跳和呼吸信号，具有较高的准确性、时效性、鲁棒性和信噪比。

图1为本公开提出的一种生命体征信号提取方法的一种示例性实施方式的示意图，如图1所示，该生命体征信号提取方法包括以下步骤：

S101，获取待处理的初始回波数据，并将初始回波数据分解为多个子模块。

需要说明的是，初始回波数据可包含多种数据，举例来说，可包含生命体征数据、环境数据和波形数据等，此处不作任何限定，具体需要基于实际情况而定。

初始回波数据可为通过生命探测仪设备实际采集的实时数据，该生命探测仪设备可为超宽带雷达生命探测仪、红外生命探测仪或者音频生命探测仪等，此处不作任何限定。

在本公开实施例中，利用超宽带雷达生命探测仪发射连续周期性脉冲序列进行探测，设置信号采样频率FS及连续脉冲序列频率FPR，接受连续多组包含生命体征信号的回波信号{X1，X2，X3，…，Xn}，将每个脉冲序列的接收回波信号分别按行排列。举例来说，如图2所示的波形图像，构成初始回波数据矩阵Xmxn，如下表所示：

在本公开实施例中，在获取到初始回波数据矩阵后，可取恒定的纵向步长p和横向步长q，读取连续的M×N数据，从而将整个矩阵Rmxn划分为若干个M×N的子模块Si,j(15≥M≥5，20≥N≥10)。即：

其中，

S102，提取子模块的特征数据。

在本公开实施例中，子模块的特征数据可包含多种，举例来说，可包含奇异熵、一阶右奇异向量的小波包尺度熵和样本熵等。此处不作任何限定，具体需要根据实际需要进行提取。

在本公开实施例中，奇异熵的提取过程，包括：基于数据矩阵确定奇异值矩阵，基于奇异值矩阵确定数据矩阵的奇异熵。

其中，对生命体征数据S进行奇异值分解的过程如下：

奇异值矩阵Σ

生命体征数据S计算奇异熵公式如下：

在本公开实施例中，提取小波包尺度熵，包括：

对生命体征数据样本以及环境数据样本中的所有数据的一阶右奇异向量计算小波包尺度熵；

其中，对生命体征数据S的一阶右奇异向量v1进行小波包分解的过程如下：

选取‘db6’小波，设置小波包分解层数为2进行小波包分解，小波包分解方法如下：

其中，W

各节点的小波包尺度熵计算公式为：

其中，k为小波包分解层数，j为小波包节点(j＝0,1,…,2k-1)，(在本发明中，可取k＝2。)

在本公开实施例中，提取数据矩阵的样本熵，包括：

对生命体征数据样本以及环境数据样本中的所有数据计算样本熵；

其中，对生命体征数据S的计算样本熵的过程如下：

将生命体征数据S展成一维序列{x1,x2,…,xn}，取样本熵重构维数m＝2，阈值为r，计算序列的标准差为δ，将上述一维序列按照序号组成一组维数为m的向量序列{X

其中，X

定义向量X

d[X

对于给定的X

增加维数到m+1，计算X

这样，B

S103，基于特征数据获取子模块的生命体征信号判识结果，并确定生命体征信号判识结果为具有生命特征的子模块为目标子模块。

在本公开实施例中，确定生命体征数据的样本签值，判断生命体征数据中的元素数据是否满足生命体征条件；响应于生命体征数据中的元素数据满足生命体征条件，确定元素数据的标签值为1；响应于生命体征数据中位点数据不满足预设条件，确定元素数据的标签值为0；基于所有的元素数据的标签值生成生命体征数据的样本签值。

举例来说，子模块如下时，

标签值可为：

S104，提取目标子模块的生命体征数据作为初始回波数据的生命体征信号。

在本公开实施例中，首先获取待处理的初始回波数据，并将初始回波数据分解为多个子模块，然后提取子模块的特征数据，而后基于特征数据获取子模块的生命体征信号判识结果，并确定生命体征信号判识结果为具有生命特征的子模块为目标子模块，最后提取目标子模块的生命体征数据作为初始回波数据的生命体征信号。由此，通过将初始回波数据划分为多个子模块，然后分别对子模块进行处理，以获取生命体征信号，可以提升初始回波数据的处理效率，同时提升初始回波数据处理的正确率，增加救援的成功率。

需要说明的是，还可将将特征数据输入至生命体征信号提取模型中以获取生命体征信号判识结果。该生命体征信号提取模型可为提前训练好的，并存储在电子设备的存储空间中，以方便在需要时调取使用。

在一中可能实现的方式中，在获取到目标子模块后，还可基于目标子模块的位置信息，对初始回波数据进行截取，以获取完整的具有生命体征信号的回波数据，然后对该回波数据进行处理，以获取生命体征信号。

上述实施例中，提取目标子模块的生命体征信号作为初始回波数据的生命体征信号之前，还需要绘制目标子模块的空间坐标，然后基于K-Means算法和空间坐标去除误识别的目标子模块。

如图3所示，对目标子模块提取其子模块中心位置坐标，在空间绘制出坐标信息，并构造位置输入样本{x

根据位置输入样本的位置分布图确定聚类类别数目k、最大迭代次数N。然后根据以下步骤完成K-Means算法流程：

①位置输入样本中选取k个初始化的质心μ

②于每个样本xi，计算每个样本xi和各个质心向量μ

③xi标记最小的为d

④完成对所有样本的分类后得到当前次迭代的簇划分C＝{C

⑤若迭代次数≥N，或者本次迭代后全部k个质心向量μ

⑥确定干扰点剔除阈值Th2，对簇划分C＝{C

剔除所有干扰点后，重新计算簇划分C＝{C

重新划分后的各簇类划分及各类别样本质心位置，如图4所示。由此，通过K-Means算法对目标子模块进行筛选，可以减少处理数据的大小，提升数据处理的准确性和效率，降低处理成本。

上述实施例中，提取目标子模块的生命体征数据作为初始回波数据的生命体征信号，还可通过图5进一步解释，该方法包括:

S501,对生命体征数据进行小波变换。

在本公开实施例中，首先选取合适的小波基和分解层数，之后进行小波变换：

其中，WT

S502，将变换后的生命体征数据基于Mallet算法进行重构。

为了简化繁琐的过程，借助双尺度方程，即Mallet算法,从而得到小波变换的递归实现方法：

S

S

WT

其中，h和g分别是对应于尺度函数δ(x)和小波函数ψ(x)的低通和高通滤波器，S

根据以上步骤，则完成了小波变换对各生命体征信号v

S503，基于线性趋势抑制的方法对重构后的生命体征信号进行处理，以生成生命体征信号。

线性趋势抑制的方法为，利用4阶多项式对小波分解去噪后的数据进行拟合，得到该数据的线性趋势项Ω，之后用原数据减去该趋势项，得到去噪后的生命体征信号sj：

s

去噪后的生命体征信号sj，该信号图谱如图6所示。

在获取到生命体征信号后，可基于巴特沃斯滤波器从生命体征信号中提取呼吸信号。可通过构建2阶巴特沃斯滤波器，设置滤波器类型为带通滤波器，举例来说，可设置滤波器通过频率为0.2Hz，截止频率为0.6Hz，对去噪后的生命体征信号si进行滤波得到呼吸信号bi，得到的呼吸信号如图7所示的信号图谱。

在获取到生命体征信号后，还可基于对生命体征信号进行MTI谐波抑制，并通过巴特沃斯滤波器从生命体征信号中提取心跳信号。对去噪后的生命体征信号s

双延时谐波消除器系统的动态方程为：

h(t)＝δ(t)-2δ(t-T

双延时谐波消除器系统的传递函数为：

通过上述系统对去噪后的生命体征信号s

图9为本公开提出的一种生命体征信号提取装置的示意图，如图9所示，该生命体征信号提取装置900，包括：获取模块910、提取模块920、确定模块930和生成模块940。

其中，获取模块910，用于获取待处理的初始回波数据，并将初始回波数据分解为多个子模块。

提取模块920，用于提取子模块的特征数据。

确定模块930，用于基于特征数据获取子模块的生命体征信号判识结果，并确定生命体征信号判识结果为具有生命特征的子模块为目标子模块。

生成模块940，用于提取目标子模块的生命体征数据作为初始回波数据的生命体征信号。

在本公开的一个实施例中，生成模块940，还用于：绘制所述目标子模块的空间坐标；基于K-Means算法和所述空间坐标去除误识别的所述目标子模块。

在本公开的一个实施例中，生成模块940，还用于：对所述生命体征数据进行小波变换；将变换后的所述生命体征数据基于Mallet算法进行重构；基于线性趋势抑制的方法对重构后的所述生命体征信号进行处理，以生成所述生命体征信号。

在本公开的一个实施例中，生成模块940，还用于：基于巴特沃斯滤波器从所述生命体征信号中提取呼吸信号。

在本公开的一个实施例中，生成模块940，还用于：对所述生命体征信号进行MTI谐波抑制，并通过巴特沃斯滤波器从所述生命体征信号中提取心跳信号。

在本公开的一个实施例中，提取模块920，还用于：提取所述子模块的奇异熵、小波包尺度熵和样本熵。

在本公开的一个实施例中，确定模块930，还用于：将所述特征数据输入至生命体征信号提取模型中以获取所述生命体征信号判识结果。

为了实现上述实施例，本公开实施例还提出一种电子设备1000，如图10所示，该电子设备1000包括：处理器1001和处理器通信连接的存储器1002，存储器1002存储有可被至少一个处理器执行的指令，指令被至少一个处理器1001执行，以实现如本公开第一方面实施例的生命体征信号提取方法。

为了实现上述实施例，本公开实施例还提出一种存储有计算机指令的非瞬时计算机可读存储介质，其中，计算机指令用于使计算机实现如本公开第一方面实施例的生命体征信号提取方法。

为了实现上述实施例，本公开实施例还提出一种计算机程序产品，包括计算机程序，计算机程序在被处理器执行时实现如本公开第一方面实施例的生命体征信号提取方法。

在本公开的描述中，需要理解的是，术语“中心”、“纵向”、“横向”、“长度”、“宽度”、“厚度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”“内”、“外”、“顺时针”、“逆时针”、“轴向”、“径向”、“周向”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本公开和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本公开的限制。

此外，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一个或者更多个该特征。在本公开的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。

在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本公开的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。

尽管上面已经示出和描述了本公开的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本公开的限制，本领域的普通技术人员在本公开的范围内可以对上述实施例进行变化、修改、替换和变型。