人体体征检测技术是通过某种技术手段检测并恢复人体的生命特征，例如呼吸、心跳、体温和血压等，这项技术在现代已经被广泛的应用于健康检测、睡眠监测、活体认证、醉酒检测等各个领域中，在我们的生活中也发挥着越来越重要的作用。

现在的人体体征检测主要用两种方法完成。第一种称为接触式体征检测，主要通过人体在胸部，手腕或其他身体部位佩戴特定的检测工具检测体征信息；第二种成为非接触式体征检测，主要用无线信号感知受测者的体征，通过使用相应的设备发送和接受无线信号，从而分析提取信号中携带的体征信息。

接触式检测技术在生活中非常常见，例如：血压计，可以套在手腕上检测血压和心率；医用的心率仪器，可以将传感器套在手指上检测病人的心率变化状况；呼吸检测仪器，可以通过胸部贴片检测呼吸变化频率等等。而这些传统的接触式检测方法存在许多不足之处，一是这种检测方法大都需要昂贵的特定仪器，价格对于普通人通常是不合算的；二是接触式检测需要在受测者的身体部位放置传感器，对受测者会造成困扰，不适于在行车驾驶等需要排除干扰的环境下进行体征检测。

目前为止也出现了许许多多的非接触式检测方法，例如利用呼吸和心率的微小运动所引起的无线信号频率的变化来检测人体的呼吸和心率；使用人体反射的毫米波信号的接收信号强度(rss)来监视人们的生命体征。但是以上的技术都需要特定的仪器去做无线信号检测。而随着手机的普及，大家开始注意到可以利用手机这种日常能够得到的工具去做人体体征检测，例如用手机发射调频连续波(fmcw)声学信号，然后利用麦克风接受反射回来的声波，将呼吸和心率信号从背景噪音中分离出来；利用手机发射接受声波，从而将人体呼吸模式从人体胸部运动的能量谱密度中恢复出来。然而相比利用收集收发声学信号去检测人体的体征信息，利用手机的wi-fi信号，可以使得检测的范围扩大。利用无处不在的现成wi-fi设备的接收信号强度(rss)来监视呼吸频率；利用现成的wi-fi的信道状态信息(csi)来跟踪睡眠中的生命体征。而这些基于wi-fi的检测方法，都是在特定环境下检测人的生命体征，基本上是处于一个相对静止的环境下检测人的生命体征。

而我们要提出的检测手段，正是利用手机的wi-fi信号，在驾驶环境下的人体体征检测(心率和呼吸频率)，驾驶环境除了车辆和驾驶环境的干扰，还有司机和乘客可能发出的大幅度动作对检测的干扰，对我们的检测技术提出了更高的要求。

技术实现要素：

本发明的目的在于提供一种检测人体体征的人工智能算法，针对现有解决方案的不足之处，提出了一种能够广泛排除检测对受测人带来的干扰的监测环境下的人体体征检测方法。

为实现上述目的，本发明提供如下技术方案：

一种检测人体体征的人工智能算法，包括手机、呼吸信号的检测和心率的检测，所述手机持续收集手机的原始信道状态信息，并对csi数据进行一系列的处理，再利用hample算法去除csi中离群值，利用主成分分析(pca)方法将wi-fi信号的30个子通道合并成一个呼吸样式得到正弦波，再进行呼吸信号的检测和心率的检测；

过滤原始数据：通过hampel过滤器过滤数据，以从相邻csi振幅值中删除具有明显不同值的数据，去除环境噪声；

对每一个子载波中利用带有滑动窗口的hampel滤波器进行处理，然后应用两个巴特沃斯带通滤波器，进一步消除呼吸或心跳不太可能产生的高频和低频的噪声；

正弦波的获得：以前的方法中直接选出csi中振幅变化最大的子信道来代表整个信道的变化。而我们将使用pca方法组合多个子信道，提取子信道的主要成分，然后更加不失真形成正弦波，利用所有与胸部运动相关的子载波并对其进行pca处理；

pca将30个子载波的csi信息(30维度数据)融合为一个维度数据，该数据包含来自每个收发天线对中30个子载波的信息，经过pca处理得到的正弦波可以更明显地反映周期性的吸气和呼气胸部运动。

作为本发明进一步的方案，所述呼吸信号的检测具体为对经过pca处理后的正弦波，使用经验模态分解(emd)去除身体的其他运动，然后，进行希尔伯特变换，将得到的希尔伯特谱输入生成对抗神经网络(gan)，对呼吸信号进行调优，所述对抗神经网络生成器的目标是生成鉴别器中的由呼吸绷带检测的呼吸波形的希尔伯特谱，最后将生成的希尔伯特谱转换到时域即为人体的呼吸信号。

作为本发明再进一步的方案，所述心率的检测具体为对经过pca处理后的正弦波，进行快速傅里叶变换(fft)，然后利用一个频率范围在1-2hz的带通滤波过选择人体心率的范围，找到最大振幅所在的频率，即为人体的心率。

作为本发明再进一步的方案，所述原始信道状态信息具体指：来自车载局域网的频道状态信息(csi)来监视呼吸和心跳的微小胸部运动并通过wi-fi信号的发送和接收的数据包。

作为本发明再进一步的方案，所述正弦波通过scr算法来去除csi信号的突然变化，该变化可能是由于驾驶员驾驶过程中的剧烈运动而引起的。

与现有技术相比，本发明的有益效果是：

1、本发明利用无线手段检测人体体征信息，对于受测人来说友好，不用佩戴特定的感应器，在需要排除检测对受测人带来的干扰的监测环境下(例如驾驶环境)，是理想的检测手段。

2、本发明仅仅只需要一部随处可见的手机，不需要专业昂贵的检测仪器，便可以得到受测人的生命体征信息，对于受测人来说友好，更加经济划算。

3、本发明相对于声学信号检测来说，基于wi-fi信号的生命特征检测方法，能够覆盖的范围更大。

附图说明

图1为一种检测人体体征的人工智能算法的人体体征检测的总流程图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本实施例中，一种检测人体体征的人工智能算法，包括手机、呼吸信号的检测和心率的检测，所述手机持续收集手机的原始信道状态信息，并对csi数据进行一系列的处理，再利用hample算法去除csi中离群值，利用主成分分析(pca)方法将wi-fi信号的30个子通道合并成一个呼吸样式得到正弦波，再进行呼吸信号的检测和心率的检测，首先，过滤原始数据：通过hampel过滤器过滤数据，以从相邻csi振幅值中删除具有明显不同值的数据，去除环境噪声；为了消除此类离群值，对每一个子载波中利用带有滑动窗口的hampel滤波器进行处理，然后应用两个巴特沃斯带通滤波器，进一步消除呼吸或心跳不太可能产生的高频和低频的噪声；正弦波的获得：以前的方法中直接选出csi中振幅变化最大的子信道来代表整个信道的变化。而我们将使用pca方法组合多个子信道，提取子信道的主要成分，然后更加不失真形成正弦波，利用所有与胸部运动相关的子载波并对其进行pca处理；一方面，pca将30个子载波的csi信息(30维度数据)融合为一个维度数据，该数据包含来自每个收发天线对中30个子载波的信息，经过pca处理得到的正弦波可以更明显地反映周期性的吸气和呼气胸部运动。

所述呼吸信号的检测具体为对经过pca处理后的正弦波，使用经验模态分解(emd)去除身体的其他运动，然后，进行希尔伯特变换，将得到的希尔伯特谱输入生成对抗神经网络(gan)，对呼吸信号进行调优，所述对抗神经网络生成器的目标是生成鉴别器中的由呼吸绷带检测的呼吸波形的希尔伯特谱，最后将生成的希尔伯特谱转换到时域即为人体的呼吸信号；

所述心率的检测具体为对经过pca处理后的正弦波，进行快速傅里叶变换(fft)，然后利用一个频率范围在1-2hz的带通滤波过选择人体心率的范围，找到最大振幅所在的频率，即为人体的心率；

所述原始信道状态信息具体指：来自车载局域网的频道状态信息(csi)来监视呼吸和心跳的微小胸部运动并通过wi-fi信号的发送和接收的数据包；

所述正弦波通过scr算法来去除csi信号的突然变化，该变化可能是由于驾驶员驾驶过程中的剧烈运动而引起的。

本发明的工作原理是：

1.车载wi-fi的csi信号收集

设定我们一次检测帧的长度为ts，在每个ts时间内收集车载局域网中的一共30个载波子通道的csi信息，准备做下一步的数据预处理操作。

2.csi数据预处理阶段

(1)hample滤波器处理

将收集到的30个子通道的数据全部使用hample算法进行离群点数据的去除，hample算法具体实施方式在本发明中略去。而在对数据进行滤波之后，csi信号中的正弦波可以明显反映呼吸引起的周期性吸气/呼气胸部运动。

(2)pca方法生成正弦波

将30个子通道的数据视作30维的时间(t)和振幅(a)的数据点，利用pca方法处理以后，将30维数据转化为1维，留下最具代表性的csi数据；此时已经生成了一个正弦波，可以明显看到因为人体呼吸对信道影响而产生的上下波动。

3.体征信号检测阶段

通过以上处理以后，我们得到了携带呼吸信号和心脏跳动信号的正弦波。

对于呼吸的检测，对第二步处理后的信号，使用经验模态分解(emd)去除身体的其他运动。然后，进行希尔伯特变换，将得到的希尔伯特谱输入生成对抗神经网络(gan)对呼吸信号进行调优。对抗神经网络生成器的目标是生成鉴别器中的由呼吸绷带检测的呼吸波形的希尔伯特谱。最后将生成的希尔伯特谱转换到时域即为人体的呼吸信号。

而对于心率的检测，对第二步处理后的信号，进行快速傅里叶变换(fft)，然后利用一个频率范围在1-2hz的带通滤波过选择人体心率的范围，找到最大振幅所在的频率，即为人体的心率。。

以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。