[发明专利]雷达感测心律方法及其系统

说明书

一种雷达感测心律方法及其系统，能够通过雷达感测器对朝向至少一对象进行收集一原始讯号，并以图像视觉的概念，将原始讯号转换为一二维图像资讯，再通过深度学习，使网路自动学习二维图像资讯中那些需要关注的心跳频率与那些需要滤掉的心跳频率，用以能够有效的将心跳频率取出。

技术领域

本发明是有关一种雷达感测心律方法及其系统，特别是通过深度学习能自动找寻特征，再使网路自行找寻二维图像资讯中的心跳频率与其他非心跳频率的关联性，最后检测出心律的方法及其系统。

背景技术

人工智能时代的来临正在改变这个社会的结构，以直接或间接的方式影响到我们的日常生活，我们都希望能够通过人工智能解决问题，以提升生活品质，其中人工智能与医疗结合一直是个热门的议题，在疾病的判断、预测的应用也屡见不鲜，由于医疗讯号的复杂性及所需的精准性，使用传统的演算法处理方式往往会有诸多限制，利用大数据资料提供的客观数据，结合深度学习使得电脑可以快速的学习，进而预测、判断、分类、决策，将原本需要到医院经过受到长期训练的医生诊断才能判别出的疾病，通过各种智能型穿戴仪器及家庭式的测量仪器，将专业的诊断融入我们的日常生活中，以改善我们的生活品质并达到及早预防的效果，如此不但可以解决医疗人力资源不足的窘况，搭配测量仪器的进步，也使得人工智能超越人为判别成为可能。

基于雷达的非接触式Vital Signs检测已有很多雷达都有这项应用，例如UWB，CWDoppler Radar and FMCW，尽管所有的方法都是在受控的环境和一定的条件下都能正常检测，但仍需要解决实际环境所带来的不确定性，才能使雷达有足够能力在各种场域下检测Vital Signs，而这些不确定性包括未知的身体状态、sensor晃动与部署、是否有效消除呼吸harmonics和杂乱的环境是否能够可靠的检测等，通常大家为了解决这些不确定性，会加入更多的信号处理分析、更多雷达或是雷达与其他感测器结合。

因此，为了得到更可靠的测量与动态补偿(measurements and motioncompensation)，故本发明提出了一套深度学习演算法，希望通过短时距傅立叶变换(short-time Fourier transform，STFT)把讯号转成二维图像资讯(Spectrogram)，并通过深度学习能自动找寻特征，再使网路自行找寻Spectrogram中的心跳频率与其他非心跳频率的关联性，最后检测出心律，如此将能解决以上所提到的不确定性，因此本发明应为一最佳解决方案。

发明内容

为解决上述现有技术中不足，本发明的主要目的在于提供一种雷达感测心律方法。

本发明雷达感测心律方法，其步骤为：

通过对准至少一雷达感测器对朝向至少一对象进行收集一原始讯号；

将该原始讯号转换为一二维图像资讯，再将二维图像资讯通过神经网路模型中进行学习，并通过神经网路模型自动过滤杂讯，以进行学习该二维图像资讯的心跳频率与非心跳频率的关联性，并能够将心跳频率取出。

更具体的说，所述雷达感测器为一毫米波雷达。

更具体的说，所述原始讯号能够先经过滤波处理之后，再进行傅立叶变换以将讯号转换成该二维图像资讯。

更具体的说，所述滤波处理能够通过高通滤波或/及带通滤波，用以将该原始讯号保留在人体心律的频域范围内。

更具体的说，所述神经网路模型使用AvgPooling对Res_block进行改良。

更具体的说，所述为了讯号取样的正确性，故需先进行对象是否离开的检测与判断。