[發明專利]CGAN和多尺度卷積神經網絡實現呼吸檢測的方法及系統

有效

• 申請號: 202111331440.1
• 申請日: 2021-11-11
• 公開（公告）號: CN113907743B
• 公開（公告）日: 2022-06-17
• 發明（設計）人: 魏驍勇;吳柳繁;張栩祿;楊震群
• 申請（專利權）人: 四川大學
• 主分類號: A61B5/08
• 分類號: A61B5/08;A61B5/00;G06N3/04;G06N3/08
• 代理公司: 成都正煜知識產權代理事務所(普通合伙) 51312
• 代理人: 徐金瓊

1.一種CGAN和多尺度卷積神經網絡實現呼吸檢測的方法，其特征在于，包括：

步驟1：獲取一定量級的成年人不同頻率呼吸的信道CSI數據，其中，信道CSI數據包括正常的呼吸頻率和異常呼吸頻率；

步驟2：基于信道CSI數據生成干凈不帶噪聲的信號，并用于訓練條件訓練對抗網絡CGAN，得到訓練好的CGAN模型；

步驟3：基于訓練好的CGAN模型對信道CSI數據進行去噪處理；

步驟4：基于去噪后的信道CSI數據建模，得到帶有呼吸沖擊的CSI模型；

步驟5：對去噪后的信道CSI數據使用多尺度卷積神經網絡捕獲其變化的周期角速度；

步驟6：基于周期角速度計算呼吸頻率。

2.根據權利要求1所述的一種CGAN和多尺度卷積神經網絡實現呼吸檢測的方法，其特征在于，所述步驟1中基于Wi-Fi設備采集12000組以上的成年人不同頻率呼吸的信道CSI數據；其中，信道CSI數據包括4000組以上正常的呼吸頻率和8000組以上異常呼吸頻率，正常的呼吸頻率為每分鐘16-20次的呼吸頻率，異常呼吸頻率包括4000組以上每分鐘低于10次的呼吸頻率和4000組以上每分鐘高于30次的呼吸頻率。

3.根據權利要求2所述的一種CGAN和多尺度卷積神經網絡實現呼吸檢測的方法，其特征在于，所述步驟4得到的帶有呼吸沖擊的第k條路徑隨時間變化的增益ξ_k(t)具體為：

其中，ξ_k是無呼吸時路徑k的增益，τ_k是路徑k的信號時延，即發送端到接收端需要的時間，Δτ_k是由于呼吸引起的k條路徑的附加時延，是路徑損耗指數，b為人體呼吸頻率，即檢測人體每分鐘的呼吸次數，φ是呼吸的初始相位，當τ_k＞＞Δt_k時，ξ_k(t)就近似等于時不變的ξ_k，即ξ_k(t)為常數，不隨時間的變化而變化，t表示t時刻；

呼吸運動改變路徑長度從而使得路徑的信號時延發生變化，第k條路徑的t時刻的信號時延表達式為：

在典型的室內環境中，信號不僅沿直線傳播，還會被環境中的物體影響，發生反射、折射，因此CSI模型是所有路徑信號增益的疊加形式，其表達式H_n(t)為：

其中，n∈N，N表示可用子載波集，L是室內多路徑的總數，f_n是第n個子載波的載波頻率，e_n(t)是第n個子載波在t時刻的白噪聲，τ_k(t)表示t時刻路徑k的信號時延；

將第k條路徑的t時刻的信號時延表達式代入H_n(t)，最終得到H_n(t)為：

4.根據權利要求3所述的一種CGAN和多尺度卷積神經網絡實現呼吸檢測的方法，其特征在于，所述步驟5中的多尺度卷積神經網絡的結構為：依次由1個卷積層、5個串行的多尺度模塊、3個串行的池化層和2個全連接組成；

卷積層的卷積核大小為5，步長為2，包含64個卷積核；

多尺度模塊由4個并行的卷積層組成，卷積層的卷積核大小分別為3、5、7、9，步長都為1；

第1個多尺度模塊的4個卷積層分別包含16個卷積核，第2、3個多尺度模塊的4個卷積層分別包含32個卷積核，第4、5個多尺度模塊的4個卷積層分別包含64個卷積核；

3個池化層的池化窗口和步長都為3；

多尺度卷積層經過池化層提取的特征，依次經過2個全連接層處理，得到相應的類別，其中，第1個全連接層的神經元個數為32，第2個全連接，即Softmax層，神經元個數為2。

5.根據權利要求4所述的一種CGAN和多尺度卷積神經網絡實現呼吸檢測的方法，其特征在于，所述步驟6中基于周期角速度計算呼吸頻率的公式為：

其中，ω表示角速度，表示呼吸頻率的估計值。