一种基于粒子群优化变分模态分解与深度学习的毫米波雷达心律失常检测方法

本发明属于非接触生命体征检测领域，尤其为一种基于粒子群优化变分模态分解与深度学习的毫米波雷达心律失常检测方法，具体包括：S1：利用毫米波雷达获取人体胸腔微动信号，对雷达回波信号进行静态杂波滤除、相位提取、解缠及去趋势处理，得到包含心跳与呼吸信息的胸腔位移信号；S2：针对所述胸腔位移信号，构建变分模态分解模型，并通过粒子群优化算法对模态数目及惩罚因子进行自适应寻优，获得最优分解参数并完成信号分解；S3：根据各模态分量的中心频率与能量分布特性，筛选位于心跳频率范围内的模态分量并进行重构，得到表征心脏机械活动的心跳特征信号；S4：对所述心跳特征信号进行时序分段，利用卷积神经网络提取局部心搏形态特征，并结合基于注意力机制的时序建模网络对心跳信号的长时节律依赖关系进行建模，获取心律深度特征表示；S5：将所述心律深度特征输入至心律判别模型中，对被测人员的心律状态进行分析，输出心律失常检测结果。本发明通过引入粒子群优化机制实现变分模态分解参数的自适应选择，有效分离心跳信号与呼吸及运动干扰成分，并结合深度学习模型对心律节律特征进行建模，实现了对心律失常的非接触式检测。该方法无需佩戴电极或接触人体，具有抗干扰能力强、适应性好、检测精度高的优点，在心律健康监测与疾病筛查等领域具有良好的应用前景。