在存在身体运动的情况下检测人体生命体征的基于智能设备的雷达系统的制作方法

在存在身体运动的情况下检测人体生命体征的基于智能设备的雷达系统


背景技术：

1.健康监测设备能够通过测量和报告用户的生命体征来帮助用户改善或维持他们的健康。利用该信息，健康监测设备能够跟踪用户朝向健康目标的进展，或者提供检测到的异常的通知以使得用户能够快速获得医疗关注。然而，一些健康监测设备是显眼的，并且需要与用户的皮肤接触以准确地测量用户的生命体征。这可能使用户整天使用是麻烦的，或者妨碍照顾用户的护士或医生的动作。
2.为了解决这个问题，一些健康监测设备利用雷达传感器来提供非接触式健康监测。然而，存在与使用雷达传感器检测人类生命体征相关联的许多挑战。一个这样的挑战涉及在存在用户或另一附近人员的无意或有意的身体运动的情况下检测用户的生命体征。身体运动能够干扰雷达传感器检测用户生命体征的能力。因此，在存在一种或多种类型的身体运动的情况下，雷达传感器的生命体征检测性能能够降低。


技术实现要素：

3.描述实现能够在存在身体运动的情况下检测人类生命体征的基于智能设备的雷达系统的技术和装置。具体地，雷达系统包括身体运动滤波器模块，其采用机器学习从接收到的雷达信号中滤波身体运动，并且构造包括关于诸如心率或呼吸率的用户的生命体征的信息的滤波信号。利用机器学习，雷达系统能够识别和提取身体运动，而不依赖于来自诸如相机或另一雷达系统的其他传感器的数据来确定身体运动。换句话说，与利用多个雷达系统或传感器融合来补偿身体移动的其他技术相比，提出的机器学习技术使单个雷达系统能够在存在身体移动的情况下检测人类生命体征。这样，能够避免硬件修改和硬件复杂性或成本的增加。此外，身体运动滤波器模块能够被训练以补偿各种不同类型的身体运动，诸如在用户睡眠、锻炼、驾驶、工作时或者由医学专业人员治疗时发生的的那些身体运动。通过对身体运动进行滤波，雷达系统能够准确地确定用户的生命体征并且提供非接触式生命体征检测。
4.以下描述的方面包括具有雷达系统的装置。该雷达系统包括至少一个天线、收发器、身体运动滤波器模块以及生命体征检测模块。收发器被耦合到至少一个天线并且被配置为经由至少一个天线发射雷达发射信号。收发器还被配置为经由至少一个天线接收雷达接收信号。雷达接收信号包括由用户反射的雷达发射信号的一部分。雷达接收信号还包括生命体征分量信号与身体运动分量信号的叠加。生命体征分量信号与用户的至少一个生命体征相关联，并且身体运动分量信号与用户的至少一个运动相关联。身体运动滤波器模块被耦合到收发器，并且被配置为接受与雷达接收信号相关联的输入数据序列。另外，身体运动滤波器模块被配置为使用机器学习从输入数据序列中对身体运动分量信号进行滤波，以基于生命体征分量信号产生滤波数据序列。生命体征检测模块被耦合到身体运动滤波器模块，并且被配置为基于滤波数据序列来确定用户的至少一个生命体征。
5.以下描述的方面还包括一种用于执行基于智能设备的雷达系统的操作的方法，该
基于智能设备的雷达系统能够在存在身体运动的情况下检测人体生命体征。该方法包括发射雷达发射信号和接收雷达接收信号。雷达接收信号包括由用户反射的雷达发射信号的一部分。另外，雷达接收信号包括生命体征分量信号与身体运动分量信号的叠加。生命体征分量信号与用户的至少一个生命体征相关联，并且身体运动分量信号与用户的至少一个运动相关联。该方法还包括基于雷达接收信号生成输入数据序列。使用机器学习模块，该方法包括从输入数据序列中对身体运动分量信号进行滤波以基于生命体征分量信号产生滤波数据序列。该方法进一步包括基于滤波数据序列来确定用户的至少一个生命体征。
6.以下描述的方面还包括一种计算机可读存储介质，其包括计算机可执行指令，该计算机可执行指令响应于由处理器执行来实现身体运动滤波器模块和生命体征检测模块。身体运动滤波器模块被配置为接受与第一雷达接收信号相关联的第一输入数据序列。第一雷达接收信号包括第一生命体征分量信号和第一身体运动分量信号的叠加。第一生命体征分量信号与用户的至少一个第一生命体征相关联，并且第一身体运动分量信号与用户的至少一个第一身体运动相关联。身体运动滤波器模块还被配置为使用机器学习从第一输入数据序列中对第一身体运动分量信号进行滤波，以基于第一生命体征分量信号产生第一滤波数据序列。生命体征检测模块被配置为基于第一滤波数据序列来确定用户的至少一个第一生命体征。
7.以下描述的方面还包括一种具有机器学习装置的系统，该机器学习装置用于从雷达接收信号中对身体运动进行滤波以确定用户的生命体征。
附图说明
8.参考以下附图描述用于实现能够在存在身体运动的情况下检测人类生命体征的基于智能设备的雷达系统的装置和技术。在所有附图中使用相同的附图标记来引用相同的特征和组件：
9.图1图示其中能够在存在身体运动的情况下检测人类生命体征的基于智能设备的雷达系统能够被实现的示例环境。
10.图2图示作为智能设备的一部分的雷达系统的示例实施方式。
11.图3图示用于在存在身体运动的情况下检测人类生命体征的雷达系统的示例操作。
12.图4图示由用于在存在身体运动的情况下检测人体生命体征的身体运动滤波器模块执行的示例方案。
13.图5图示用于在存在身体运动的情况下检测人类生命体征的机器学习模块的示例实施方式。
14.图6图示用于执行能够在存在身体运动的情况下检测人类生命体征的基于智能设备的雷达系统的操作的示例方法。
15.图7图示体现能够在存在身体运动的情况下检测人类生命体征的雷达系统或者其中可以实现使得能够使用能够在存在身体运动的情况下检测人类生命体征的雷达系统的技术的示例计算系统。
具体实施方式
16.概述
17.存在与使用雷达传感器检测生命体征相关联的许多挑战。一个这样的挑战涉及在存在用户或另一附近人员的无意或有意的身体运动的情况下检测用户的生命体征。这种身体运动能够干扰雷达传感器检测用户生命体征的能力。因此，在存在一种或多种类型的身体运动的情况下，雷达传感器的生命体征检测性能能够降低。
18.一些基于雷达的健康监测设备利用多个雷达传感器并且将用户约束在多个雷达传感器之间以限制身体运动。然而，使用多个雷达传感器增加了健康监测设备的复杂性和成本。此外，约束用户的过程能够是麻烦且耗时的。其他基于雷达的健康监测设备结合了诸如相机的光学传感器，以测量身体运动并且提供关于身体运动的雷达传感器信息。然而，添加相机还能够增加基于雷达的健康监视设备的复杂性、成本和尺寸。
19.相比之下，本文中描述的技术呈现能够在存在身体运动的情况下检测人类生命体征的基于智能设备的雷达系统。具体地，雷达系统包括身体运动滤波器模块，其采用机器学习从接收到的雷达信号对身体运动进行滤波，并且构造包括关于诸如心率或呼吸率的用户的生命体征的信息的滤波信号。利用机器学习，雷达系统能够识别并且提取身体运动，而不依赖于来自诸如相机或另一雷达系统的其他传感器的数据来确定身体运动。换句话说，与利用多个雷达系统或传感器融合来补偿身体移动的其他技术相比，所提出的机器学习技术使单个雷达系统能够在存在身体移动的情况下检测人类生命体征。这样，能够避免硬件修改和硬件复杂性或成本的增加。此外，身体运动滤波器模块能够被训练以补偿各种不同类型的身体运动，诸如在用户睡眠、锻炼、驾驶、工作时或者由医学专业人员治疗时发生的那些身体运动。通过对身体运动进行滤波，雷达系统能够准确地确定用户的生命体征并且提供非接触式生命体征检测。
20.示例环境
21.图1是可以体现使用能够在存在身体运动的情况下检测人类生命体征的基于智能设备的雷达系统的技术和包括该雷达系统的装置的示例环境的图示。在描绘的环境100
‑
1、100
‑
2、100
‑
3、100
‑
4、100
‑
5和100
‑
6中，智能设备102包括能够提供非接触式生命体征检测的雷达系统104。智能设备102被示出为环境100
‑
1中的灯、环境100
‑
2中的跑步机、环境100
‑
3、100
‑
5和100
‑
6中的智能电话以及环境100
‑
4中的方向盘。
22.在用户执行活动时，能够发生各种不同类型的身体运动。当在环境100
‑
1中睡觉时，用户可以例如转动他们的身体以改变睡眠位置或移动他们的手臂以调整枕头。在环境100
‑
2中，用户可以在跑步机上锻炼的同时上下移动，并且随着他们改变他们的速度而移动到跑步机上更靠近或更远离雷达系统104的不同位置。当用户在环境100
‑
3中的桌子处工作的同时，用户可以在椅子中摇摆或转动，移动他们的手臂以控制鼠标或触摸板，或者移动他们的手臂以触及桌子上的物品。在环境100
‑
4中，用户驾驶车辆并且可以移动他们的手臂以使车辆转向、改变挡位或调节恒温器。当在环境100
‑
5中准备膳食或在环境100
‑
6中清洗盘子时，用户可以在他们的身体前方移动他们的手臂以在碗中混合食物或清洁盘子。在未示出的其他环境中，用户可以在房间中走动，或者另一个人可以在雷达系统104和用户之间移动他们身体的部分。
23.为了在存在身体运动的情况下提供非接触式生命体征检测，雷达系统104使用机
器学习来从雷达接收信号中识别这些不同类型的身体运动并且对这些不同类型的身体运动进行滤波。以这种方式，智能设备102能够使用单个雷达系统以用于非接触式生命体征检测，并且不需要结合其他类型的传感器来确定用户的身体运动。此外，通过对身体运动进行滤波，雷达系统104的准确度提高，以用于在存在身体运动的情况下确定用户的生命体征。尽管在人类生命体征检测的背景下进行描述，但是所描述的技术也能够被用于检测动物的生命体征。
24.雷达系统104的一些实施方式在应用于人类生命体征健康监测系统的背景下是特别有益的，对于人类生命体征健康监测系统而言，存在诸如对雷达系统104的间距和布局的限制的需要、低功率以及其他问题的会聚。尽管在需要人类生命体征检测和监测的系统的描述的背景下，这些实施方式是特别有益的，但是应当理解，本发明的特征和优点的适用性不一定受此限制，并且涉及其他类型的电子设备的其他实施方式也可以在本教导的范围内。尽管智能设备102在图1中被示出为不同的家庭对象或车辆对象，但是智能设备102能够被实现为任何合适的计算或电子设备，如关于图2进一步详细描述的。
25.智能设备102的示例性总体横向尺寸能够是例如大约八厘米乘大约十五厘米。雷达系统104的示例性覆盖区域甚至能够更有限，诸如在包括天线的情况下大约四毫米乘六毫米。雷达系统104的示例性功耗可以是几毫瓦到若干毫瓦的量级(例如，在大约两毫瓦与二十毫瓦之间)。雷达系统104的这种有限占地面积和功耗的要求使智能设备102能够在这种空间有限的封装中包括其他期望的特征(例如，相机传感器、指纹传感器、显示器等)。关于图2进一步描述智能设备102和雷达系统104。
26.图2图示作为智能设备102的一部分的雷达系统104。智能设备102能够是任何合适的计算设备或电子设备，诸如台式计算机102
‑
1、平板计算机102
‑
2、膝上型计算机102
‑
3、智能电话102
‑
4、智能扬声器102
‑
5、安全相机102
‑
6、智能恒温器102
‑
7、微波炉102
‑
8、以及车辆102
‑
9。也可以使用其他设备，诸如家庭服务设备、婴儿监视器、wi
‑
fi
tm
路由器、计算手表、计算眼镜、游戏系统、电视机、无人机、触控板、绘图板、上网本、电子阅读器、家庭自动化和控制系统、以及其他家用电器。智能设备102能够是可穿戴的、非可穿戴但可移动的、或相对不可移动的(例如，台式机和电器)。雷达系统104能够被用作独立的雷达系统，或者与许多不同的计算设备或外围设备一起使用或嵌入在许多不同的计算设备或外围设备中，诸如在控制家用电器和系统的控制面板中，在汽车中以控制内部功能(例如，音量、巡航控制、或甚至汽车的驾驶)，或者作为膝上型计算机的附件以控制膝上型计算机上的计算应用。
27.智能设备102包括一个或多个计算机处理器202和计算机可读介质204，其包括存储器介质和存储介质。体现为计算机可读介质204上的计算机可读指令的应用和/或操作系统(未示出)能够由计算机处理器202执行以提供本文中描述的一些功能。计算机可读介质204还包括基于雷达的应用206，其使用由雷达系统104生成的雷达数据来执行功能，诸如人类生命体征通知、基于姿态的控制、存在检测、或自动驾驶的碰撞避免。
28.智能设备102还包括用于通过有线、无线或光学网络传送数据的网络接口208。例如，网络接口208通过局域网(lan)、无线局域网(wlan)、个人区域网(pan)、有线区域网(wan)、内联网、互联网、对等网络、点对点网络、网状网络等来传送数据。智能设备102还可以包括显示器或扬声器(未示出)。
29.雷达系统104包括通信接口210，以将雷达数据发射到远程设备，但是如果雷达系
统104被集成在智能设备102内，则不需要使用该通信接口。通常，由通信接口210提供的雷达数据是基于雷达的应用206可使用的格式。
30.雷达系统104还包括至少一个天线212和至少一个收发器214以发射和接收雷达信号。天线212能够是圆极化的、水平极化的或垂直极化的。在一些情况下，雷达系统104包括被实现为天线阵列的天线元件的多个天线212。天线阵列能够包括至少一个发射天线元件和至少两个接收天线元件。在一些情形中，天线阵列包括多个发射天线元件以实现能够在给定时间发射多个不同波形(例如，每个发射天线元件的不同波形)的多输入多输出(mimo)雷达。对于包括三个或更多个接收天线元件的实施方式，接收天线元件能够以一维形状(例如，直线)或二维形状(例如，三角形、矩形或l形)被定位。一维形状使雷达系统104能够测量一个角度维度(例如，方位角或仰角)，而二维形状能够测量两个角度维度(例如，方位角和仰角二者)。
31.使用天线阵列，雷达系统104能够形成受控或非受控、宽或窄、或成形(例如，作为半球、立方体、扇形、锥形或柱形)的波束。一个或多个发射天线元件可以具有非受控的全向辐射模式或者能够产生宽的可控的波束。这些技术中的任何一种都使雷达系统104能够照射大体积的空间。为了实现目标角精度和角分辨率，接收天线元件能够被用于利用数字波束成形生成数千个窄的受控波束(例如，2000个波束、4000个波束或6000个波束)。以这种方式，雷达系统104能够有效地监测外部环境并且检测来自一个或多个用户的生命体征。
32.收发器214包括用于经由天线212传送和接收雷达信号的电路和逻辑。收发器214的组件能够包括用于调节雷达信号的放大器、混频器、开关、模拟到数字转换器、滤波器等。收发器214还包括用于执行同相/正交(i/q)操作(例如调制或解调)的逻辑。能够使用各种调制来产生雷达信号，包括线性频率调制、三角频率调制、步进频率调制或相位调制。可替代地，收发器214能够产生具有相对恒定的频率或单频的雷达信号。收发器214能够被配置为支持连续波或脉冲雷达操作。
33.收发器214可以用于生成雷达信号的频谱(例如，频率范围)能够涵盖1与400千兆赫(ghz)之间、1与24ghz之间、2与4ghz之间、4与100ghz之间、57与63ghz之间或者大约2.4ghz处的频率。在一些情况下，频谱能够被划分成具有相似或不同带宽的多个子频谱。示例带宽能够是500兆赫(mhz)、一千兆赫(ghz)、两千兆赫等的量级。不同的频率子频谱可以包括例如在大约57与59ghz之间、59与61ghz之间、或61与63ghz之间的频率。虽然上文描述的示例频率子频谱是连续的，但其它频率子频谱可以是非连续的。为了实现相干，收发器214可以使用具有相同带宽的多个频率子频谱(连续的或不连续的)来生成多个雷达信号，该多个雷达信号被同时发射或在时间上分开发射。在一些情况下，多个连续频率子频谱可以被用于发射单个雷达信号，从而使雷达信号能够具有宽带宽。
34.雷达系统104还可以包括一个或多个系统处理器216和系统介质218(例如，一个或多个计算机可读存储介质)。尽管在图2中系统处理器216被示出为与收发器214分开，但是系统处理器216可以在收发器214内被实现为例如数字信号处理器或低功率处理器。系统处理器216执行被存储在系统介质218内的计算机可读指令。由系统处理器216执行的示例数字操作包括快速傅立叶变换(fft)、滤波、调制或解调、数字信号生成、数字波束形成等。
35.系统介质218包括身体运动滤波器模块220和生命体征检测模块222(例如，人类生命体征检测模块222)。身体运动滤波器模块220采用机器学习来从接收到的雷达信号中对
身体运动进行滤波(例如，消除或提取)，并且构造包括关于用户的生命体征的信息的滤波信号。换句话说，身体运动滤波器模块220将接收到的雷达信号的对应于身体运动的部分有效地衰减，并且使接收到的雷达信号的对应于用户的生命体征的另一部分通过。使用机器学习，身体运动滤波器模块220以基本上移除由身体运动引起的干扰并且基本上包括与用户的生命体征相关联的干扰的方式来重构接收到的雷达信号的幅度和频率，以产生滤波后的信号。
36.身体运动滤波器模块220依赖于监督的学习，并且能够使用模拟的(例如，合成的)数据或测量(例如，真实)数据以用于机器学习训练目的，如关于图4进一步描述的。在一些实施方式中，智能设备102包括基于接触的传感器(未示出)，其通过在与用户的皮肤接触的同时测量用户的生命体征来生成事实数据。该训练使身体运动滤波器模块220能够学习用于将雷达接收信号转换成滤波信号的非线性映射函数，该雷达接收信号包括来自身体运动的干扰以及关于用户的生命体征的信息，该滤波信号包括关于用户的生命体征的信息。
37.身体运动滤波器模块220能够包括一个或多个人工神经网络(本文中称为神经网络)。神经网络包括一组连接的节点(例如，神经元或感知器)，它们被组织成一个或多个层。作为示例，身体运动滤波器模块220包括深度神经网络，其包括输入层、输出层、以及位于输入层和输出层之间的一个或多个隐藏层。深度神经网络的节点能够在层之间部分地被连接或完全地被连接。
38.在一些情况下，深度神经网络是递归深度神经网络(例如，长短期记忆(lstm)递归深度神经网络)，其中节点之间的连接形成循环以为输入数据序列的后续部分保留来自输入数据序列的先前部分的信息。在其他情况下，深度神经网络是节点之间的连接不形成循环的前馈深度神经网络。另外或可替代地，身体运动滤波器模块220能够包括另一类型的神经网络，诸如卷积神经网络。关于图6进一步描述示例深度神经网络。
39.身体运动滤波器模块220还能够包括一种或多种类型的回归模型，诸如单线性回归模型、多元线性回归模型、逻辑回归模型、逐步回归模型、多变量自适应回归样条、局部估计散点图平滑模型等。
40.通常，身体运动滤波器模块220的机器学习架构能够基于可用功率、可用存储器或计算能力而被定制。机器学习架构还能够基于身体运动滤波器模块220被设计为滤波的身体运动量或身体运动的复杂度而被定制。在一些情况下，身体运动滤波器模块220能够被训练成对与各种不同活动相关联的身体运动进行自动地滤波。以这种方式，当用户在不同活动之间切换时，雷达系统104能够无缝地提供非接触式生命体征检测。
41.可替代地，为了降低身体运动滤波器模块220的复杂性，能够针对用户执行的每个活动重新训练身体运动滤波器模块220。在这种情况下，基于雷达的应用206能够提示用户选择特定活动，并且将所选择的活动通知身体运动滤波器模块220以用于训练目的。通过使用机器学习，身体运动滤波器模块220能够对身体运动进行滤波，而不从测量身体运动的其他传感器接收另外的数据。
42.生命体征检测模块222从身体运动滤波器模块220接收滤波信号，并且分析滤波信号以确定用户的生命体征，诸如用户的心率或呼吸率。生命体征检测模块222能够使用通信接口210来向基于雷达的应用206通知用户的生命体征。基于雷达的应用206能够监测用户的生命体征以检测异常或者经由智能设备102的显示器或扬声器向用户传送生命体征测
量。
43.尽管被示出为被包括在系统介质218内，但是身体运动滤波器模块220和/或生命体征检测模块222的其他实施方式能够至少部分地被包括在计算机可读介质204内。在这种情况下，身体运动滤波器模块220或生命体征检测模块222的至少一些功能能够由计算机处理器202执行。尽管未示出，但是系统介质218还能够包括其他类型的模块，诸如手势识别模块、冲突避免模块、用户检测模块、数字波束成形模块等。关于图3进一步描述雷达系统104。
44.在存在身体运动的情况下检测人体生命体征
45.图3图示用于在存在身体运动的情况下检测人类生命体征的雷达系统104的示例操作。在所描绘的配置中，雷达系统104被示出为包括天线212、收发器214和系统处理器216。天线212间接地或直接地被耦合到包括发射器302和接收器304的收发器214。系统处理器216被耦合到收发器214，并且执行身体运动滤波器模块220和生命体征检测模块222。
46.在操作期间，发射器302生成雷达发射信号306并且将其提供给天线212。在一些情况下，雷达发射信号306是频率随时间变化的频率调制信号，如图3所示，在其他情况下，雷达发射信号306是具有相对稳定(例如，近似恒定)频率的连续正弦信号。
47.天线212发射雷达发射信号306，其撞击用户。因此，雷达接收信号308从用户反射，并且包括雷达发射信号306的至少一部分。然而，由于多普勒效应，基于用户的生命体征和身体运动，雷达接收信号308的频率不同于雷达发射信号306。更具体地，雷达接收信号308包括生命体征分量信号310与身体运动分量信号312的叠加。生命体征分量信号310包括与用户的生命体征相关联的幅度和频率信息，诸如用户的心率和用户的呼吸率。相反，身体运动分量信号312包括与用户的身体运动(或另一附近人的身体运动)相关联的振幅和频率信息。身体运动分量信号312使雷达接收信号308的幅度和频率波动。这些波动能够使雷达系统104直接从雷达接收信号308准确地测量用户的生命体征(例如，没有对身体运动分量信号312进行滤波或补偿)是具有挑战性的。
48.接收器304经由天线212接收雷达接收信号308，并且基于雷达接收信号308生成数字雷达接收信号314。例如，接收器304将雷达接收信号308降频转换至基带频率，并且对降频转换后的信号进行采样以产生数字雷达接收信号314。接收器304的采样率能够基于可能的生命体征分量信号的预测频率范围，以避免混叠。数字雷达接收信号314包括雷达接收信号308的采样的时间序列，其作为输入数据序列被提供给身体运动滤波器模块220，如图4所示。
49.身体运动滤波器模块220基于数字雷达接收信号314生成滤波信号316。具体地，身体运动滤波器模块220基于时间处理窗口处理不同的样本集合，对这些样本集合内的身体运动分量信号312进行滤波，并且输出与生命体征分量信号310相关联的滤波样本集合。实际上，身体运动滤波器模块220补偿雷达接收信号308内由身体运动分量信号312产生的幅度和/或频率干扰，并且基于生命体征分量信号310产生滤波信号316。
50.能够基于生命体征分量信号310的预测的时间稳定性来预先确定时间处理窗口的尺寸，并且因此能够预先确定每个样本集合内的样本的数量。以这种方式，身体运动滤波器模块220在生命体征分量信号310的幅度和频率在时间处理窗口的整个持续时间上相对稳定的假设下进行操作。身体运动滤波器模块220将滤波信号316提供给生命体征检测模块222。尽管未明确示出，但是接收器304或系统处理器216还能够包括带通滤波器，该带通滤
波器在将数字雷达接收信号314提供给身体运动滤波器模块220之前针对生命体征分量信号310的一般频率范围之外的频率对雷达接收信号308进行滤波。
51.生命体征检测模块222基于滤波信号316来确定用户的生命体征。由于用户的心率和呼吸率通常具有不同的频率范围，因此生命体征检测模块222从滤波信号316中滤波并且提取与心率和呼吸率相关联的不同频率。作为示例，用户的心率能够是大约每分钟65次，而用户的呼吸率能够是大约每分钟18次。生命体征检测模块222还能够执行fft以标识分别对应于心率和呼吸率的频率峰值。尽管未明确示出，生命体征检测模块222能够向基于雷达的应用206通知确定的用户的生命体征。关于图4进一步描述由身体运动滤波器模块220执行的操作。
52.图4图示由身体运动滤波器模块220用于在存在身体运动的情况下的人类生命体征检测执行的示例方案。在描绘的配置中，身体运动滤波器模块220包括训练模块402、归一化模块404以及机器学习模块406。通常，机器学习模块406能够使用以上关于图2描述的一个或多个机器学习架构而被实现，机器学习模块406的示例实施方式将关于图5被进一步描述。
53.训练模块402被耦合到归一化模块404和机器学习模块406。归一化模块404还被耦合到身体运动滤波器模块220的输入，其能够被耦合到(图3的)接收器304。机器学习模型406被耦合到归一化模块404和身体运动滤波器模块220的输出，该身体运动滤波器模块220的输出能够被耦合到生命体征检测模块222，如图3中所示。
54.训练模块402提供训练数据序列408和事实数据410，以用于训练机器学习模块406对与一个或多个活动相关联的身体运动进行滤波。训练数据序列408和事实数据410能够基于模拟数据或测量数据，它们中的任一个能够被存储在系统介质218内或在初始化过程期间被实时地生成。尽管训练模块402被示出为被包括在图4中的身体运动滤波器模块220内，但是训练模块402能够可替代地与身体运动滤波器模块220分开实现。
55.在模拟数据情况下，训练模块402生成正弦信号以模拟表示不同的心率、呼吸率或其组合的可能的生命体征分量信号。正弦信号能够是周期性信号，并且在频率和/或相位上彼此不同。事实数据410包括正弦信号，训练模块402在训练过程期间将该正弦信号提供给机器学习模块406。
56.另外，训练模块402生成扰动信号以模拟可能的身体运动分量信号。在一些情况下，扰动信号表示与特定活动相关联的不同类型的身体运动，诸如用户手臂的不同类型的运动、用户身体围绕至少一个第一轴的不同转动、用户身体跨至少一个第二轴的不同平移、其组合等。训练模块402能够包括随机数生成器或身体运动模拟器，以生成不同扰动信号。随机数生成器生成随机样本，其模拟能够由相对简单的身体运动(例如平移型运动)产生的不同幅度和/或频率波动。相反，身体运动模拟器包括模拟由诸如用户手臂的不同类型的运动的更复杂的身体运动产生的一系列幅度和/或频率波动的算法。使用经由随机数生成器或经由身体运动模拟器生成的样本，训练模块402执行插值操作，诸如形状保持分段三次插值操作，以在样本之间插值。基于该插值，训练模块402执行下采样操作以产生扰动信号的样本。通常，正弦信号和扰动信号被生成为具有相似数量的样本。
57.训练模块402将不同对的正弦信号和扰动信号相加，以合成训练数据序列408。以这种方式，训练数据序列408包括不同可能的生命体征分量信号与不同可能的身体运动分
量信号的叠加。成对的正弦信号和扰动信号的数量能够基于身体运动的复杂度而变化，并且例如能够是数千到数十万对的量级。在训练过程中，训练模块402将训练数据序列408提供给归一化模块404，如图4所示，或者如果训练数据序列408被归一化，则提供给机器学习模块406。
58.在测量数据的情况下，训练模块402能够被耦合到智能设备102内的基于接触的传感器，其通过在与用户的皮肤接触的同时(例如，在用户触摸智能设备102的同时)测量用户的生命体征来生成事实数据410。训练模块402从基于接触的传感器接收事实数据410，并且在训练过程期间将事实数据410传递到机器学习模块406。另外，训练模块402被耦合到图3的收发器214，并且使雷达系统104在基于接触的传感器生成事实数据410的时间段期间操作(例如，发射一个或多个雷达发射信号306并且接收一个或多个雷达接收信号308)。以这种方式，在该时间段期间由用户执行的任何运动被雷达接收信号308捕获。训练模块402能够执行外插操作以基于雷达接收信号308生成训练数据序列408。下面进一步描述训练过程。
59.归一化模块404执行归一化操作，该归一化操作基于输入信号(例如，输入数据序列414或训练数据序列408)生成归一化数据序列412。作为一个示例，归一化模块404能够通过从每个单独的特征值中减去输入信号在给定维度的特征值上的平均值并且然后除以标准偏差或另一度量对输入信号进行归一化。通过对输入信号进行归一化，身体运动滤波器模块220能够考虑在非接触式生命体征检测期间由用户距雷达系统104的距离的改变而产生的幅度变化。该归一化操作还使机器学习模块406能够有效地确定优化成本函数(例如，目标函数)的权重和偏置参数。
60.在训练过程中，训练模块402向归一化模块404提供训练数据序列408，并且向机器学习模块406提供相关联的事实数据410。归一化模块404对训练数据序列408进行归一化，并且将归一化数据序列412提供给机器学习模块406。机器学习模块406处理归一化数据序列412并且生成滤波数据序列418。机器学习模块406还使用诸如均方差的成本函数确定使产生的滤波数据序列418与事实数据410之间的误差最小化的权重和偏置参数。作为示例，机器学习模块406能够使用梯度下降法来优化成本函数。一般而言，该训练过程使机器学习模块406能够对身体运动分量信号312进行有效地滤波，并且基于生命体征分量信号310生成滤波数据序列418。
61.在非接触式生命体征检测期间，归一化模块404从身体运动滤波器模块220的输入接受输入数据序列414。如关于图3所描述的，该输入数据序列414能够表示由接收器304提供的数字雷达接收信号314。归一化模块404对数字雷达接收信号314进行归一化，并且将归一化数据序列412提供给机器学习模块406。使用在训练过程期间确定的权重和偏置参数，机器学习模块从归一化数据序列412对身体分量信号312进行滤波，并且基于生命体征分量信号310生成滤波数据序列418。关于图5进一步描述机器学习模块406。
62.图5图示用于在存在身体运动的情况下的人类生命体征检测的机器学习模块406的示例实施方式。在描绘的配置中，机器学习模块406被实现为深度神经网络，并且包括输入层502、多个隐藏层504和输出层506。输入层502包括多个输入508
‑
1、508
‑2……
508
‑
n，其中，n表示等于与时间处理窗口相对应的样本的数量的正整数。多个隐藏层504包括层504
‑
1、504
‑2…
504
‑
m，其中，m表示正整数。每个隐藏层504包括多个神经元，诸如神经元510
‑
1、
510
‑2…
510
‑
q，其中q表示正整数。每个神经元510被连接到前一隐藏层504或下一隐藏层504中的至少一个其他神经元510。在不同的隐藏层504之间，神经元510的数量能够是近似的或不同的。在一些情况下，隐藏层504能够是前一层的副本(例如，层504
‑
2能够是层504
‑
1的副本)。输出层506包括输出512
‑
1、512
‑2……
512
‑
n。
63.一般而言，各种不同的深度神经网络能够利用各种数量的输入508、隐藏层504、神经元510和输出512来实现。机器学习模块406内的层的数量能够基于身体运动量和身体运动滤波器模块220被设计为滤波的身体运动的复杂度。作为示例，机器学习模块406能够包括四层(例如，一个输入层502、一个输出层506和两个隐藏层504)以对用户在链中(例如，诸如在图1的示例环境100
‑
3中)做出的摇摆运动进行滤波。可替代地，隐藏层的数量能够是百的量级，以使身体运动滤波器模块220能够对用户在睡觉、锻炼、驾驶、准备膳食或洗碟时进行的各种不同的手臂运动进行滤波，如关于环境100
‑
1、100
‑
2、100
‑
4、100
‑
5和100
‑
6所描述的。
64.在生命体征检测期间，基于时间处理窗口，与归一化数据序列412相关联的输入样本集合被提供给输入层502。假设数字雷达接收信号314基于20hz的采样率而被生成，并且时间处理窗口的尺寸表示4秒的持续时间，则输入样本集合包括80个样本，并且输入508和输出512的数量(例如，n)等于80。隐藏层504中的每个神经元510针对不同特征分析输入样本集合的不同区段或部分。同时，隐藏层504基于身体运动分量信号312补偿数字雷达接收信号314内存在的干扰。在输出层506处，基于生命体征分量信号310生成滤波样本集合。生命体征检测模块222能够分析滤波样本集合以确定在该时间段期间的用户的生命体征。
65.上述操作能够持续用于归一化数据序列412内的后续输入样本集合。利用训练，机器学习模块406能够学习对各种不同类型的身体运动进行滤波，以能够在用户参与各种不同活动时执行非接触式生命体征检测。
66.示例方法
67.图6描绘用于执行能够在存在身体运动的情况下检测人类生命体征的基于智能设备的雷达系统的操作的示例方法600。方法600被示为执行的操作(或动作)的集合，但不一定限于其中操作在本文中被示出的顺序或组合。此外，一个或多个操作中的任何一个可以被重复、组合、重组或链接，以提供各种各样的另外的和/或替代的方法。在以下讨论的部分中，可以参考图1的环境100
‑
1至100
‑
6以及图2或4中详细描述的实体，对这些的参考仅作为示例。技术不限于由一个实体或在一个装置上操作的多个实体执行。
68.在602，发射雷达发射信号。例如，雷达系统104使用发射器302和天线212发射雷达发射信号306，如图3所示，在不同的实现方式中，雷达发射信号306能够是调频信号(例如，啁啾信号)或具有相对恒定频率的正弦信号，以及连续波信号或脉冲信号。
69.在604，接收雷达接收信号。雷达接收信号包括由用户反射的雷达发射信号的一部分，并且包括生命体征分量信号和身体运动分量信号的叠加。生命体征分量信号与用户的至少一个生命体征相关联，并且身体运动分量信号与用户的至少一个运动相关联。
70.例如，如图3所示，雷达系统104使用接收器304和天线212接收雷达接收信号308。雷达接收信号308包括由诸如在图1的示例环境100
‑
1至100
‑
6中所示的用户的用户反射的雷达发射信号306的一部分，雷达接收信号308还包括生命体征分量信号310与身体运动分量信号312的叠加。生命体征分量信号310与诸如心率或呼吸率的用户的一个或多个生命体
征相关联。相反，身体运动分量信号312与诸如用户的附肢(例如，手臂或腿)的运动、用户的身体的转动、用户的身体的平移、或其组合的用户的一个或多个运动相关联。可替代地或另外，身体运动分量信号312与用户附近的另一个人的运动相关联。在这种情况下，雷达接收信号308包括被该附近的人反射的雷达发射信号306的另一部分。
71.在606，基于雷达接收信号生成输入数据序列。例如，接收器304通过对雷达接收信号308进行降频转换和采样来生成数字雷达接收信号314。接收器304的采样率能够基于可能的生命体征分量信号的频率范围以避免混叠，并且能够例如在几十赫兹的量级。另外，如图4所示，身体运动滤波器模块222的归一化模块404能够将输入数据序列414进行归一化以生成归一化数据序列412。该归一化过程考虑在非接触式生命体征检测期间由于用户处于距雷达系统104不同距离处而产生的幅度变化。
72.在608，使用机器学习模块从输入数据序列中滤波身体运动分量信号，以基于生命体征分量信号产生滤波数据序列。例如，身体运动滤波器模块220使用机器学习模块406从输入数据序列414(或归一化数据序列412)中对身体运动分量信号312进行滤波，并且基于生命体征分量信号310产生滤波数据序列418。机器学习模块406能够是深度神经网络，其被训练以识别和提取与一个或多个用户活动相关联的各种不同类型的身体运动分量信号。
73.在610，基于滤波数据序列来确定用户的至少一个生命体征。例如，生命体征检测模块222基于滤波数据序列418来确定用户的至少一个生命体征。生命体征检测模块222能够进一步将确定的生命体征提供给基于雷达的应用206，其将测量的生命体征传送到用户。
74.示例计算系统
75.图7图示示例计算系统700的各种组件，该示例计算系统能够被实现为如参考之前的图2所描述的任何类型的客户端、服务器和/或计算设备，以在存在身体运动的情况下实现人类生命体征检测。
76.计算系统700包括通信设备702，其能够进行设备数据704(例如，接收到的数据、正在被接收的数据、被调度用于广播的数据、或数据的数据包)的有线和/或无线通信。设备数据704或其它设备内容能够包括设备的配置设置、存储在设备上的媒体内容和/或与设备的用户相关联的信息。存储在计算系统700上的媒体内容能够包括任何类型的音频、视频和/或图像数据。计算系统700包括一个或多个数据输入706，经由其能够接收任何类型的数据、媒体内容和/或输入，诸如人类话语、用户可选输入(显式或隐式)、消息、音乐、电视媒体内容、记录的视频内容、以及从任何内容和/或数据源接收的任何其他类型的音频、视频和/或图像数据。
77.计算系统700还包括通信接口708，其能够被实现为串行和/或并行接口、无线接口、任何类型的网络接口、调制解调器中的任一个或多个，以及任何其他类型的通信接口。通信接口708提供计算系统700与通信网络之间的连接和/或通信链路，其它电子、计算和通信设备通过该连接和/或通信链路与计算系统700传送数据。
78.计算系统700包括一个或多个处理器710(例如，微处理器、控制器等中的任一个)，其处理各种计算机可执行指令以控制计算系统700的操作，并且能够进行用于或者能够体现在存在身体运动的情况下的人类生命体征检测的技术。可代地或另外，计算系统700能够利用硬件、固件或固定逻辑电路中的任一个或组合来实现，固定逻辑电路结合在712处概括标识的处理和控制电路而被实现。尽管未示出，计算系统700能够包括耦合设备内的各种组
件的系统总线或数据传输系统。系统总线能够包括不同总线结构中的任一个或组合，诸如存储器总线或存储器控制器、外围总线、通用串行总线、和/或利用各种总线体系结构中的任何一种的处理器或局部总线。
79.计算系统700还包括计算机可读介质714，诸如能够进行持久和/或非持久数据存储(即，与仅信号传输形成对比)的一个或多个存储器设备，其示例包括随机存取存储器(ram)、非易失性存储器(例如，只读存储器(rom)、闪存、eprom、eeprom等中的任何一个或多个)以及盘存储设备。盘存储设备可以被实现为任何类型的磁或光存储设备，诸如硬盘驱动器、可记录和/或可重写光盘(cd)、任何类型的数字多功能盘(dvd)等。计算系统700还能够包括大容量存储介质设备(存储介质)716。
80.计算机可读介质714提供数据存储机制以存储设备数据704以及各种设备应用718和与计算系统700的操作方面相关的任何其它类型的信息和/或数据。例如，操作系统720能够利用计算机可读介质714作为计算机应用而被维护，并在处理器710上被执行。设备应用718可以包括设备管理器，诸如任何形式的控制应用、软件应用、信号处理和控制模块、特定设备本地的代码、特定设备的硬件抽象层等。
81.设备应用718还包括在存在身体运动的情况下实现人类生命体征检测的任何系统组件、引擎或管理器。在该示例中，设备应用718包括身体运动滤波器模块220和生命体征检测模块222。
82.结论
83.尽管已经以特征和/或方法专用的语言描述了使用基于智能设备的雷达系统在存在身体运动的情况下检测人体生命体征的技术和装置，但是应当理解，所附权利要求的主题不必限于所描述的具体特征或方法。相反，特定特征和方法被公开为在存在身体运动的情况下检测人类生命体征的基于智能设备的雷达系统的示例实现。