基于周期性特征的生命体征检测方法、装置和存储介质与流程

[0001]
本发明实施例信号处理技术，尤其涉及一种基于周期性特征的生命体征检测方法、装置和存储介质。


背景技术：

[0002]
随着社会的不断发展，人们对个人健康的关注越来越高，而个人的健康状况主要通过呼吸、心率、体温、血压、脉搏等生命体征信息所反映。其中，呼吸和心率等周期性变化的生命体征最能直接反映人体的生理状况，因此如何准确检验呼吸、心率等周期性变化的生命体征成了人体健康状况监测中最重要的一件事。
[0003]
目前对呼吸和心率等周期性变化的生命体征的检测手段包括接触式和非接触式两种，其中接触式的检测方法需要被检测者佩戴检测设备，但一方面长时间佩戴检测设备会给被检测者带来不适感，另一方面专业的检测设备价格昂贵且需要由专业人员操作，而非专业的检测设备的检测精度又不高。非接触式的检测方法由于不直接接触被检测的人体，容易受到外界的干扰，从而也会影响测量的精度。
[0004]
综上所述，目前的人体呼吸、心率检测等周期性变化的生命体征方法均存在一定的缺陷，不适于对人体进行长期的检测。


技术实现要素：

[0005]
本发明提供一种基于周期性特征的生命体征检测方法、装置和存储介质，提高了生命体征数据的检测精度。
[0006]
第一方面，本发明实施例提供一种基于周期性特征的生命体征检测方法，包括：
[0007]
向待检测区域发送雷达信号，并接收待检测区域返回的雷达回波信号；
[0008]
对雷达回波信号进行信号预处理，确定待检测区域人体目标的状态；
[0009]
若待检测区域存在人体目标，则基于生命体征数据的周期性特征，对待检测区域的雷达回波信号进行具有周期性特征的生命体征数据提取；
[0010]
对具有周期性特征的生命体征数据进行数据处理，得到具有周期性特征的生命体征检测结果。
[0011]
在第一方面一种可能的实现方式中，对雷达回波信号进行信号预处理，确定待检测区域人体目标的状态，包括：
[0012]
对雷达回波信号进行杂波抑制，得到杂波抑制后的雷达回波信号；
[0013]
根据杂波抑制后的雷达回波信号进行人体目标检测，确定待检测区域是否存在人体目标；
[0014]
对确定的人体目标进行人体状态检测，验证待检测区域人体目标的状态。
[0015]
在第一方面一种可能的实现方式中，对雷达回波信号进行杂波抑制，包括：
[0016]
使用如下公式对雷达回波信号进行杂波抑制，
[0017]
c(m，n)＝α
·
c(m，n-1)+(1-α)r
′
(m，n)
[0018]
r(m，n)＝r
′
(m，n)-c(m，n)
[0019]
其中，r
′
(m，n)＝r
′
t
(m，n)+r
′
u
(m，n)+r
′
ω
(m，n)，r
′
(m，n)表示雷达回波信号，r
′
t
(m，n)表示目标雷达回波分量，r
′
u
(m，n)表示杂波雷达回波分量和r
′
ω
(m，n)表示接收机热噪声雷达回波分量，m＝0，1，
…
，m-1表示慢时间维采样序号，n＝0，1，
…
，n-1表示快时间维采样序号，r(m，n)表示杂波抑制后的雷达回波信号，c(m，n)表示背景杂波，1≥α＞0为更新因子，用于控制雷达回波r
′
(m，n)对背景杂波c(m，n)的影响程度。
[0020]
在第一方面一种可能的实现方式中，根据杂波抑制后的雷达回波信号进行人体目标检测，确定待检测区域是否存在人体目标，包括：
[0021]
将m窗长的杂波抑制后的雷达回波信号r(m，n)进行慢时间维的叠加；
[0022]
以恒虚警算法对快时间维的数据进行连续n次目标检测；
[0023]
将连续n次检测结果相加，若结果大于预设门限t，则确定待检测区域存在人体目标。
[0024]
在第一方面一种可能的实现方式中，对确定的人体目标进行人体状态检测，验证待检测区域人体目标的状态，包括：
[0025]
将窗长为k秒的杂波抑制后的雷达回波信号r(m，n)进行快速傅里叶变换，得到频域信号x(m，f)，其中k大于人体生命体征信号最小周期：
[0026][0027]
根据频域信号x(m，f)确定低于正常人体生命体征信号频率范围内的能量值z
low
(m)、正常人体生命体征信号频率范围内的能量值z
mid
(m)、高于正常人体生命体征信号频率范围内的能量值z
high
(m)以及总能量z
sum
(m)；
[0028]
当正常人体生命体征信号频率范围内的能量值占总能量比例高于其他能量值占总能量比例时，确定待检测区域人体目标的状态。
[0029]
在第一方面一种可能的实现方式中，基于生命体征数据的周期性特征，对待检测区域的雷达回波信号进行具有周期性特征的生命体征数据提取，包括：
[0030]
根据待检测生命体征数据的频率对待检测区域的雷达回波信号进行滤波处理，得到多个不同距离单元的待检测生命体征信号；
[0031]
计算不同距离单元待检测生命体征信号各自的自相关函数；
[0032]
对于每个待检测生命体征信号的每个距离单元，计算自相关函数的最小值和第二大峰值的绝对值之和；
[0033]
将每个待检测生命体征信号绝对值之和最大的距离单元的生命体征信号数据作为周期性特征最强的生命体征数据。
[0034]
在第一方面一种可能的实现方式中，对具有周期性特征的生命体征数据进行数据处理，得到具有周期性特征的生命体征检测结果，包括：
[0035]
若具有周期性特征的生命体征数据为呼吸数据，则对具有周期性特征的生命体征数据进行滤波处理并得到自相关函数；
[0036]
对自相关函数进行傅里叶变换，并获取变换后的峰值；
[0037]
保留峰值两侧的值，将其他数据置为0，得到处理后的频域信号；
[0038]
对处理后的频域信号进行逆傅里叶变换，并根据相位斜率得到人体目标的呼吸频
率。
[0039]
在第一方面一种可能的实现方式中，对具有周期性特征的生命体征数据进行数据处理，得到具有周期性特征的生命体征检测结果，包括：
[0040]
若具有周期性特征的生命体征数据为心率数据，则对具有周期性特征的生命体征数据进行自相关处理并去除噪声；
[0041]
对自相关函数进行傅里叶变换，并获取变换后的多个峰值；
[0042]
对每个峰值对应的频率进行判断，若峰值对应的频率不是呼吸频率的高次谐波，则得到人体目标的心率。
[0043]
第二方面，本发明实施例提供一种基于周期性特征的生命体征检测装置，包括：
[0044]
雷达信号检测模块，用于向待检测区域发送雷达信号，并接收待检测区域返回的雷达回波信号；
[0045]
人体目标检测模块，用于对雷达回波信号进行信号预处理，确定待检测区域人体目标的状态；
[0046]
生命体征数据提取模块，用于若待检测区域存在人体目标，则基于生命体征数据的周期性特征，对待检测区域的雷达回波信号进行具有周期性特征的生命体征数据提取；
[0047]
生命体征数据检测模块，用于对具有周期性特征的生命体征数据进行数据处理，得到具有周期性特征的生命体征检测结果。
[0048]
第三方面，本发明实施例提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如第一方面任一种实现方式的基于周期性特征的生命体征检测。
[0049]
本发明实施例提供的基于周期性特征的生命体征检测方法、装置和存储介质，首先向待检测区域发送雷达信号，并接收待检测区域返回的雷达回波信号，然后对雷达回波信号进行信号预处理，确定待检测区域人体目标的状态，若待检测区域存在人体目标，则基于生命体征数据的周期性特征，对待检测区域的雷达回波信号进行具有周期性特征的生命体征数据提取，最后对具有周期性特征的生命体征数据进行数据处理，得到具有周期性特征的生命体征检测结果，由于使用了雷达信号进行检测，实现了无接触的生命体征检测，且基于生命体征数据的周期性特征对生命体征数据进行提取，提高了生命体征数据的检测精度。
附图说明
[0050]
图1为本发明实施例提供的基于周期性特征的生命体征检测方法的流程图；
[0051]
图2为本申请实施例提供的基于周期性特征的生命体征检测方法中的生命体征数据提取算法流程图；
[0052]
图3为本申请实施例提供的基于周期性特征的生命体征检测方法中的呼吸频率检测流程图；
[0053]
图4为本申请实施例提供的基于周期性特征的生命体征检测方法中的心率检测流程图；
[0054]
图5为本申请实施例提供的基于周期性特征的生命体征检测方法的呼吸频率与多导睡眠监测仪呼吸频率对比图；
[0055]
图6为本申请实施例提供的基于周期性特征的生命体征检测方法心率与多导睡眠监测仪心率对比图；
[0056]
图7为本发明实施例提供的基于周期性特征的生命体征检测装置的结构示意图。
具体实施方式
[0057]
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。
[0058]
目前，对于周期性变化的生理特征进行检测主要是对呼吸和心率进行检测，检测主要使用以下仪器和方法：
[0059]
1)多导睡眠监测仪：医用级的多导(polysomnorgraphy，psg)睡眠监测技术是行业的金标准，但其价格昂贵，在检测呼吸时需要测试者佩戴呼吸带，在检测心率时需要粘贴电极片，均需专业人员操作，不适用于普通大众，且针对于大面积烧伤患者和患有皮肤病等传染性疾病患者并不适用，同时，psg睡眠监测在测试过程中容易产生束缚感，无法进行长时间呼吸心率的监测。
[0060]
2)睡眠床垫：睡眠床垫主要通过其内置的压力传感器将人体心脏跳动、呼吸时胸腔变化以及体动等导致的压力变化转换为电荷变化，再通过放大滤波后提取呼吸和心率。睡眠床垫检测范围有限，要求测试者躺在床上，不能有过大的体位变化；外部的轻微震动容易对结果产生影响，测量精度不高；无法在微重力环境下进行有效检测。
[0061]
3)智能手环/手表：智能手环/手表普遍采用的是光电容积脉搏波描记法，通过led发出的绿光来检测人体的心率。首先，智能手环/手表最致命的缺点是无法检测呼吸，其次，接收到的信号受外部环境，身体运动等产生较大的误差，检测精度低，最后，手环/手表属于接触式设备，长时间佩戴容易产生束缚感，且佩戴过紧过松会对结果产生不同影响。
[0062]
4)摄像头传感器：摄像头传感器主要采用的是成像式光电容积描记技术才检测呼吸和心率。摄像头虽是非接触式检测，但仍有以下缺点：首先摄像头容易泄露个人隐私，其次，摄像头容易受强光干扰导致结果不准确，其次，摄像头需要实时处理的数据量巨大，需要良好的硬件支持，最后，摄像头穿透性低，受厚衣服，被子等遮挡物影响。
[0063]
5)血氧心率检测仪：血氧仪主要通过光电传感器检测人体的心率变化，无法检测目标呼吸变化，其次需要测试者佩戴，无法进行长时间测量，最后，血氧仪的佩戴方式要求严格，不同佩戴方式会产生误差。
[0064]
综上，目前的心率、呼吸等周期性变化的生理特征检测方法，均存在一定的问题。
[0065]
图1为本发明实施例提供的基于周期性特征的生命体征检测方法的流程图，如图1所示，本实施例提供的基于周期性特征的生命体征检测方法包括：
[0066]
步骤s101，向待检测区域发送雷达信号，并接收待检测区域返回的雷达回波信号。
[0067]
本实施例提供的基于周期性特征的生命体征检测方法，用于对人体周期性变化的生命体征进行检测，人体周期性变化的生命体征例如包括呼吸频率、心率等。为了对人体周期性变化的生命体征进行准确检测，且不对被检测人体带来不适感，本实施例采用非接触式的检测方法。传统的非接触检测方法易受到外界因素的干扰，导致检测结果出现较大误差。为了消除误差，本实施例中，首先使用雷达信号作为检测信号。
[0068]
考虑到对人体进行生命体征检测时，需要长时间的持续检测，才能够获取到连续的生命体征数据，从而掌握人体的生命体征变化情况，而一般只有在睡眠状态下，人体才能长时间保持在一个相对固定的位置。因此本实施例提供的基于周期性特征的生命体征检测方法适用于对睡眠状态下的人体生命体征进行检测，或者对相对静止的人体的生命体征进行检测。
[0069]
首先，需要向待检测区域发送雷达信号，待检测区域为人体能够相对固定的区域，例如床上的区域。向待检测区域发送的雷达信号的频率根据实际需求确定，只要能够获得稳定的回波信号即可。当向待检测区域发送雷达信号后，雷达信号到达待检测区域，会产生回波，那么就能够在发送雷达信号的位置检测到雷达回波信号。待检测区域的不同物体，例如床面和人体，由于与接收雷达回波信号位置的距离不同，因此将产生不同的雷达回波信号。且由于人体的呼吸、心跳等周期性变化的状态也会导致人体的姿态发生细微的变化，同样也将使得人体的姿态产生周期性的变化，那么通过分析人体返回的不同雷达回波信号，就能够实现对人体周期性变化的生命体征的检测。
[0070]
步骤s102，对雷达回波信号进行信号预处理，确定待检测区域人体目标的状态。
[0071]
雷达信号是持续发送的，因此也可以持续接收到雷达回波信号，在获取到雷达回波信号后，由于雷达回波信号包括了待检测区域中所有目标的回波信号，除了人体目标的信号外，还包括许多静态杂波信号，因此需要对雷达回波信号进行处理，排除掉其他杂波信号的干扰，并且确定待检测区域中人体目标的状态。由于人体周期性变化的生命体征的变化周期位于一个固定的范围内，因此可以再排除掉杂波信号后，根据雷达回波信号的频率变化范围，确定待检测区域人体目标的状态。
[0072]
具体地，对雷达回波信号进行信号预处理，确定待检测区域人体目标的状态，包括如下步骤：
[0073]
1、对雷达回波信号进行杂波抑制，得到杂波抑制后的雷达回波信号。在雷达回波信号中，除人体目标外，还包含许多静态杂波，如床、墙面、金属挂件等。这些杂波的能量很大，超过了人体回波的能量，既增加了虚警概率，又不利于呼吸的心率检测，因此，可以通过动目标显示、动目标检测、带通滤波、移动平均等杂波抑制算法来降低信号干扰。
[0074]
进一步地，可以使用如下公式对雷达回波信号进行杂波抑制，
[0075]
c(m，n)＝α
·
c(m，n-1)+(1-α)r
′
(m，n)
[0076]
r(m，n)＝r
′
(m，n)-c(m，n)
[0077]
其中，r
′
(m，n)＝r
′
t
(m，n)+r
′
u
(m，n)+r
′
ω
(m，n)，r
′
(m，n)表示雷达回波信号，r
′
t
(m，n)表示目标雷达回波分量，r
′
u
(m，n)表示杂波雷达回波分量和r
′
ω
(m，n)表示接收机热噪声雷达回波分量，m＝0，1，
…
，m-1表示慢时间维(脉冲维)采样序号，n＝0，1，
…
，n-1表示快时间维(或距离维)采样序号，r(m，n)表示杂波抑制后的雷达回波信号，c(m，n)表示背景杂波，1≥α＞0为更新因子，用于控制雷达回波r
′
(m，n)对背景杂波c(m，n)的影响程度。当α设定为1的时候，上式表示的是二次对消器杂波抑制方法；当α越大的时候，c(m，n)更新得越慢，越容易体现出人体小微动的特征。α可以根据实际使用需求进行设定。
[0078]
2、根据杂波抑制后的雷达回波信号进行人体目标检测，确定待检测区域是否存在人体目标。常用的人体目标检测技术有单元平均恒虚警处理，对数单元平均恒虚警处理等。本发明实施例以单元平均恒虚警处理为例进行说明，目标检测的主要步骤为：将m窗长的杂
波抑制后的雷达回波信号r(m，n)进行慢时间维的叠加；以恒虚警算法对快时间维的数据进行连续n次目标检测；将连续n次检测结果相加，若结果大于预设门限t，则确定待检测区域存在人体目标，以此降低虚警。其中，n次检测中的每次检测，如果超过预设的检测门限则结果为1，否则结果为0。
[0079]
3、对确定的人体目标进行人体状态检测，验证待检测区域人体目标的状态。具体地，对确定的人体目标进行人体状态检测的具体方法可以为：将窗长为k秒的杂波抑制后的雷达回波信号r(m，n)进行快速傅里叶变换，得到频域信号x(m，f)，其中k大于人体生命体征信号最小周期：
[0080][0081]
根据频域信号x(m，f)确定低于正常人体生命体征信号频率范围内的能量值z
low
(m)、正常人体生命体征信号频率范围内的能量值z
mid
(m)、高于正常人体生命体征信号频率范围内的能量值z
high
(m)以及总能量z
sum
(m)；当正常人体生命体征信号频率范围内的能量值占总能量比例高于其他能量值占总能量比例时，确定待检测区域存在人体目标。其中，以人体生命体征信号为呼吸和心率为例，由于人体正常呼吸频率和心率为0.1hz-2.5hz，通过计算低于人体生命体征的频率0-0.1hz，正常范围内的频率0.1hz-2.5hz，高于正常范围的频率2.5hz-8.5hz三个范围内的能量值z
low
(m)、z
mid
(m)、z
high
(m)以及总能量z
sum
(m)。计算每个快时间维z
high
(m)、z
mid
(m)、z
low
(m)占据总能量z
sum
(m)的比例，如果z
high
(m)占据的比例最高，则表示此距离单元存在运动的物体或目标；z
mid
(m)占据比例最高，则表示此距离单元存在生命体征事件事件，即确定待检测区域人体目的状态；z
low
(m)占据的比例最高，则表示此距离单元没有人体目标。
[0082]
步骤s103，若待检测区域存在人体目标，则基于生命体征数据的周期性特征，对待检测区域的雷达回波信号进行具有周期性特征的生命体征数据提取。
[0083]
如果通过对雷达回波信号进行预处理后，确定待检测区域存在人体目标，则进一步地提取具有周期性特征的生命体征数据。具体地，由于具有周期性特征的生命体征数据，例如呼吸或心跳，都会导致人体形态发生细微的变化，且不同的生命体征具有不同的周期，因此可以基于生命体征数据的周期性特征，对信号预处理后的雷达回波信号进行分析，从中提取具有周期性特征的生命体征数据。根据不同生命体征数据的周期性特征，可以提取出多个符合不同生命体征数据周期性特征的生命体征数据。
[0084]
具体地，在确定待检测区域存在人体目标后，需要进一步确定生命体征数据的具体距离单元，也就是进一步对待检测区域中各位置的雷达回波信号分别进行检测，从最优位置的数据提取有周期性特征的生命体征数据。
[0085]
在一实施例中，基于生命体征数据的周期性特征，对待检测区域的雷达回波信号进行具有周期性特征的生命体征数据提取，包括如下步骤：
[0086]
根据待检测生命体征数据的频率对待检测区域的雷达回波信号进行滤波处理，得到至少一个待检测生命体征信号；计算多个不同距离单元中待检测生命体征信号的自相关函数；对于每个自相关函数，计算自相关函数的最小值和第二大峰值的绝对值之和；将每个待检测生命体征信号绝对值之和最大的距离单元的生命体征信号数据作为周期性特征最强的生命体征数据。上述过程是一个自适应生命体征数据提取的过程。
[0087]
如图2所示，图2为本申请实施例提供的基于周期性特征的生命体征检测方法中的生命体征数据提取算法流程图，以待检测生命体征为呼吸和心率为例，由于呼吸和心率处在不同的频率范围内，以待检测区域(即生命体征区域)的20s雷达数据进行处理为例，首先通过截止频率为1hz的低通滤波器得到呼吸数据，通过0.85hz-2.5hz的带通滤波器得到心率数据，然后分别做以下处理：计算每个生命体征区域内自相关函数；寻找自相关函数的最小值和第二大峰值；计算每个距离单元的最小值和第二大峰值的绝对值之和；将绝对值之和最大的距离单元的数据认为呼吸和心率数据。
[0088]
步骤s104，对具有周期性特征的生命体征数据进行数据处理，得到具有周期性特征的生命体征检测结果。
[0089]
仅对雷达回波信号进行预处理后，根据周期性特征提取的生命体征数据，并不能真实反应待检测区域中人体的生命体征，为了得到准确的生命体征检测结果，还需要对具有周期性特征的生命体征数据进行数据处理，从而才能得到具有周期性特征的生命体征检测结果。其中上述数据处理包括但不限于对生命体征数据进行滤波、时频变换、去除多余的信号等处理。总之，对具有周期性特征的生命体征数据进行数据处理的目的是得到准确的到具有周期性特征的生命体征检测结果。
[0090]
具有周期性特征的生命体征数据主要包括呼吸和心率，下面分别以呼吸和心率检测为例进行进一步详细说明。
[0091]
当生命体征数据为呼吸数据时，主要是对呼吸频率进行检测，提取出具有周期性特征的生命体征数据后，进行呼吸频率检测，可以采用回归模型估计方法、多重信号分类估计方法、傅里叶分析方法、时频相位回归方法(frequency time phase regression，ftpr)等，本实施例中以ftpr为例。
[0092]
如图3所示，图3为本申请实施例提供的基于周期性特征的生命体征检测方法中的呼吸频率检测流程图，若具有周期性特征的生命体征数据为呼吸数据，则对具有周期性特征的生命体征数据进行滤波处理并得到自相关函数；对自相关函数进行傅里叶变换，并获取变换后的峰值；保留峰值两侧的值，将其他数据置为0，得到处理后的频域信号；对处理后的频域信号进行逆傅里叶变换，并根据相位斜率得到人体目标的呼吸频率。
[0093]
当生命体征数据为心率数据时，提取出心跳信号后，通过设计的算法得到心率，如图4所示，图4为本申请实施例提供的基于周期性特征的生命体征检测方法中的心率检测流程图，具体为若具有周期性特征的生命体征数据为心率数据，则对具有周期性特征的生命体征数据进行自相关处理并去除噪声，以提高周期性；对自相关函数进行傅里叶变换，并获取变换后的多个峰值；对每个峰值对应的频率进行判断，若峰值对应的频率不是呼吸频率的高次谐波，则得到人体目标的心率。具体地，对每个峰值所对应的频率进行判断，若当前峰值所对应的频率不是呼吸频率的2、3、4、5次谐波，就认为当前峰值所对应的频率为心率；若当前峰值所对应的频率为呼吸频率的高次谐波，就检测下一个峰值，直到检测完所有可能的峰值，若此时没有找到合适的心率，就保持上一次心率估计的结果。
[0094]
本实施例提供的基于周期性特征的生命体征检测方法，首先向待检测区域发送雷达信号，并接收待检测区域返回的雷达回波信号，然后对雷达回波信号进行信号预处理，确定待检测区域人体目标的状态，若待检测区域存在人体目标，则基于生命体征数据的周期性特征，对待检测区域的雷达回波信号进行具有周期性特征的生命体征数据提取，最后对
具有周期性特征的生命体征数据进行数据处理，得到具有周期性特征的生命体征检测结果，由于使用了雷达信号进行检测，实现了无接触的生命体征检测，且基于生命体征数据的周期性特征对生命体征数据进行提取，提高了生命体征数据的检测精度。
[0095]
下面以根据本申请实施例提供的基于周期性特征的生命体征检测方法进行具体测试的实验为例，对本申请实施例提供的基于周期性特征的生命体征检测效果进行验证。本次实验的录取的环境为：雷达距离测试者1米左右，且正对人体胸腔位置，同时，测试者佩戴biopac接触式呼吸测量传感器的呼吸检测带和心率检测传感器，雷达与接触式传感器同时开始录取数据，雷达采用novalda公司生产的x4m03模块，其具体参数如表1所示。
[0096]
表1雷达基本参数表
[0097][0098]
为验证所提出的基于周期特性的人体呼吸估计算法的有效性，采用biopac公司出产的mp36型号接触式呼吸测量仪器作为测量标准仪器，此仪器是符合医用标准的呼吸测量仪器。
[0099]
图5和图6分别为基于周期性特征的呼吸心率算法估计出的呼吸率和心率结果与行业金标准biopac多导睡眠监测仪呼吸率和心率的比较结果。其中图5为申请实施例提供的基于周期性特征的生命体征检测方法的呼吸频率与多导睡眠监测仪呼吸频率对比图，图6为本申请实施例提供的基于周期性特征的生命体征检测方法心率与多导睡眠监测仪心率对比图。图5中的曲线51为本申请实施例提供的基于周期性特征的生命体征检测方法检测出的呼吸频率曲线，曲线52为biopac多导睡眠监测仪检测的呼吸频率曲线，图6中的曲线61为本申请实施例提供的基于周期性特征的生命体征检测方法检测出的心率曲线，曲线52为biopac多导睡眠监测仪检测的心率曲线。
[0100]
从图5图6可以看出，本实施例提供的基于周期性特征的生命体征检测方法和多导睡眠监测仪给出的呼吸心率基本一致。通过计算二者的平均绝对误差(mean absolute error，mae)来进一步说明本实施例提供的方法的准确性，平均绝对误差的计算公式为：
[0101][0102]
式中，r
i
为本实施例提出的方法检测出的第i次呼吸或心率的结果，b
i
为接触式传感器biopac多导睡眠监测仪给出的第i次呼吸和心率的结果。通过计算，呼吸频率的平均绝对误差为0.4515，心率的平均绝对误差为0.5126，所以，本实施例所提出的基于周期性特征的生命体征检测方法和biopac多导睡眠监测仪呼吸频率误差为0.4515次/分钟，心率误差为0.5126次/分钟，证明了本实施例所提出基于周期性特征的生命体征检测方法结果的准确性。
[0103]
图7为本发明实施例提供的基于周期性特征的生命体征检测装置的结构示意图，如图7所示，本实施例提供的基于周期性特征的生命体征检测装置包括：
[0104]
雷达信号检测模块71，用于向待检测区域发送雷达信号，并接收待检测区域返回的雷达回波信号。
[0105]
人体目标检测模块72，用于对雷达回波信号进行信号预处理，确定待检测区域人体目标的状态。
[0106]
生命体征数据提取模块73，用于若待检测区域存在人体目标，则基于生命体征数据的周期性特征，对待检测区域的雷达回波信号进行具有周期性特征的生命体征数据提取。
[0107]
生命体征数据检测模块74，用于对具有周期性特征的生命体征数据进行数据处理，得到具有周期性特征的生命体征检测结果。
[0108]
本实施例提供的基于周期性特征的生命体征检测装置用于实现图1所示基于周期性特征的生命体征检测方法的技术方案，其实现原理和技术效果类似，此处不再赘述。
[0109]
本发明还提供一种包含计算机可执行指令的存储介质，计算机可执行指令在由计算机处理器执行时用于执行一种基于周期性特征的生命体征检测方法，该方法包括：
[0110]
向待检测区域发送雷达信号，并接收待检测区域返回的雷达回波信号；对雷达回波信号进行信号预处理，确定待检测区域是否存在人体目标；若待检测区域存在人体目标，则基于生命体征数据的周期性特征，对待检测区域的雷达回波信号进行具有周期性特征的生命体征数据提取；对具有周期性特征的生命体征数据进行数据处理，得到具有周期性特征的生命体征检测结果。
[0111]
注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。