公开(公告)号：CN119449113A

公开(公告)日：2025-02-14

申请号：CN202411559413.3

申请日：2024-11-04

Applicant: 重庆邮电大学

Inventor： 周牧 ,  张杰龙 ,  罗朗娟 ,  蒲巧林

IPC: H04B7/06 ,  A61B5/08 ,  A61B5/00 ,  G06F18/213 ,  G06F18/2135 ,  G06F18/23213

Abstract: 本发明公开了一种非接触式呼吸检测方法。首先，在目标区域内布置接入点(AP)、基站(STA)和捕获设备，通过捕获从STA到AP周期性发送的波束成形反馈帧(BFI)获取信道状态信息。然后，解压提取BFI帧内的振幅信号和时间信息,对提取出的天线组合的代表性子载波信号进行相空间重构，通过动态特征提取评估出最优天线组合。接着，对最优天线组合的子载波振幅信号进行Hampel滤波去除异常值，对所有子载波进行相空间重构和动态特征提取，并使用K‑means聚类算法选择最佳子载波。随后，对选定的最优子载波信号进行Savitzky‑Golay滤波和带通滤波，通过主成分分析(PCA)降维，进行线性插值获得等间隔采样信号。最后，对处理后的信号进行快速傅里叶变换(FFT)，并通过创新的峰值检测算法估计呼吸率。本发明专利利用相空间重构和动态特征提取技术，提出了一种非接触式呼吸检测方法，与传统方法相比，该方法能够更好地捕捉信号的非线性动态特征，更全面地评估各个子载波的动态特性，从而选择出最适合呼吸检测的子载波，有效区分呼吸信号和干扰信号，显著提高了基于Wi‑Fi信号的非接触式呼吸检测的准确性和鲁棒性。

公开(公告)号：CN119811684A

公开(公告)日：2025-04-11

申请号：CN202411896403.9

申请日：2024-12-23

Applicant: 重庆邮电大学

Inventor： 罗朗娟 ,  张亭亭 ,  杨小龙 ,  童睿轩

IPC: G16H50/70 ,  A61B5/08 ,  G16H50/30 ,  G16H50/20 ,  G06F18/214 ,  G06F18/20 ,  G06F18/2431 ,  G06N3/0455 ,  G06N3/0464 ,  G06N3/084 ,  G06F123/02

Abstract: 本发明提出了一种基于扩散模型的小样本呼吸疾病模式识别方法。首先，针对常见的呼吸疾病类型，采集并分类三种呼吸模式的数据：正常呼吸、暂停呼吸和深呼吸，分别对应于医学中的正常呼吸、阻塞性呼吸暂停和哮喘等呼吸性疾病；其次，利用射频扩散模型学习数据的内在分布规律，在有限的真实样本基础上生成多样化和高质量的射频时间序列数据，以扩充数据集。再次，将生成的数据与真实数据结合，并通过一维时间序列提取算法提取精准的呼吸信号，并利用格拉姆角场(Gramian Angular Field,GAF)方法将时间序列转换为二维图像，使时间序列的时间依赖关系在图像中得到直观呈现。最后，采用卷积神经网络(Convolutional Neural Network,CNN)‑Transformer深度学习模型对图像数据进行特征提取和分类，进而进行多尺度特征分析和呼吸模式识别。本发明的方法在小样本条件下显著提高了模型的识别精度与泛化能力，为非接触式呼吸模式识别提供了精准、可靠的解决方案。