以作者查詢圖書館館藏

、以作者查詢臺灣博碩士

、以作者查詢全國書目

、勘誤回報

、線上人數：97

、訪客IP：3.129.194.182

姓名	林以恩(Yi-En Lin)  查詢紙本館藏	畢業系所	通訊工程學系
論文名稱	基於時序卷積網路之單FMCW雷達應用於非接觸式即時生命特徵監控 (Non-contact Real-Time vital sign detection Using single FMCW Radar based on Temporal Convolutional Networks)
相關論文	★ 基於區域權重之衛星影像超解析技術 ★ 延伸曝光曲線線性特性之調適性高動態範圍影像融合演算法 ★ 實現於RISC架構之H.264視訊編碼複雜度控制 ★ 基於卷積遞迴神經網路之構音異常評估技術 ★ 具有元學習分類權重轉移網路生成遮罩於少樣本圖像分割技術 ★ 具有注意力機制之隱式表示於影像重建三維人體模型 ★ 使用對抗式圖形神經網路之物件偵測張榮 ★ 基於弱監督式學習可變形模型之三維人臉重建 ★ 以非監督式表徵分離學習之邊緣運算裝置低延遲樂曲中人聲轉換架構 ★ 基於序列至序列模型之 FMCW雷達估計人體姿勢 ★ 基於多層次注意力機制之單目相機語意場景補全技術 ★ 視訊隨選網路上的視訊訊務描述與管理 ★ 基於線性預測編碼及音框基頻週期同步之高品質語音變換技術 ★ 基於藉語音再取樣萃取共振峰變化之聲調調整技術 ★ 即時細緻可調性視訊在無線區域網路下之傳輸效率最佳化研究 ★ 線上視訊於IP網路可變延遲環境下之訊務平順化研究
檔案	[Endnote RIS 格式]    [Bibtex 格式]    [相關文章]   [文章引用]   [完整記錄]   [館藏目錄]   至系統瀏覽論文 ( 永不開放)
摘要(中)	生命特徵偵測在醫學和臨床領域中扮演著重要的角色。往年靠著接觸式裝置帶在人體上偵測並分析關鍵的生理參數，包括心率、呼吸率、心電圖等，用來協助醫生判斷病情且做出最適當的治療。在臨床診斷和監護中，生命特徵偵測的應用範圍廣泛且多樣。然而，生命特徵偵測技術也面臨著挑戰和問題。例如，穿戴裝置造成的不適感以及隱私保護等方面需要進一步的改進和研究。於是，近年開始提出非接觸式裝置檢測人體生命特徵，除了能避免長期穿戴醫療設備所帶來得不適外，比起使用 RGB 相機等設備，連續調變波雷達(Frequency modulated continuous waveform radar, FMCW)也能提供有效的隱私保護。 本篇論文的目的為非接觸式的生命特徵監控。我們提出的方法為以時 序卷積網路 (Temporal Convolutional Network, TCN) 為主體之模型用以提取生命特徵。TCN 的特點為使卷積神經網路 (Convolutional Neural Network, CNN) 也能具有時序序列建模的能力。搭配具有注意力增強功能的子系統，提供充足有效的訊息，能使模型更有效地監控生命特徵，從而提升準確度。
摘要(英)	Detecting vital signs plays a crucial role in the medical and clinical fields. In the past, vital signs were typically measured and analyzed using contact-based devices, including heart rate monitors, respiratory rate monitors, and electrocardiography (ECG) systems, to assist doctors in diagnosing conditions and making informed treatment decisions. Vital sign detection has a wide range of applications in clinical diagnosis and monitoring. However, there are challenges and issues associated with traditional contact-based methods, such as discomfort caused by wearing devices and concerns regarding privacy protection. As a result, non-contact methods for monitoring vital signs have been proposed in recent years. In addition to avoiding the discomfort of long-term device wear, non-contact methods, particularly Frequency Modulated Continuous Wave (FMCW) radar, offer effective privacy protection compared to devices that utilize RGB cameras. The objective of this thesis is non-contact monitoring of vital signs. We propose a model primarily based on Temporal Convolutional Networks (TCN) to extract vital sign features. TCN enables Convolutional Neural Networks (CNN) to effectively model temporal sequences. By incorporating a subsystem with attention mechanisms, which provides relevant and informative cues, the model can monitor vital signs more effectively, thereby improving accuracy.
關鍵字(中)	★ 深度學習 ★ 毫米波雷達 ★ 時序卷積網路	關鍵字(英)
論文目次	目錄 摘要.....................................................I Abstract ............................................ II 誌謝...................................................III 目錄.................................................... V 圖目錄...................................................VII 表目錄................................................ VIII 第一章 緒論............................................. 1 1-1 研究背景 ....................................... 1 1-2 研究動機與目的 ............................ 3 1-3 論文架構 ........................................ 5 第二章 傳統非接觸式生命特徵偵測方法.............. 6 2-1 FMCW 雷達介紹 ........................... 8 2-1-1 FMCW 雷達系統架構................................ 8 2-1-2 混波器............... 10 2-1-3 數位訊號處理器...................................... 11 2-2 FMCW 雷達測距原理.................. 11 2-2-1 距離推導................................... 11 2-2-2 Range FFT................................ 12 2-2-3 靜態雜波濾除.................................... 12 2-3 相位提取 ...................................... 13 2-3-1 相位關係式........................................ 14 2-3-2 相位計算................................... 14 2-3-3 心率及呼吸率估計........................... 16 第三章 深度學習相關介紹.................... 17 3-1 時序卷積網路 .................................... 18 3-1-1 因果卷積...................................................... 18 3-1-2 擴張卷積..................................... 19 3-1-3 殘差模塊................................ 20 3-2 注意力機制 ...................................... 21 3-2-1 編碼器............................................. 23 第四章 提出之架構............................... 26 4-1 系統架構 ....................................... 26 4-2 訓練模型階段 ............................... 27 4-2-1 資料前處理.................................... 28 4-2-2 神經網路模型................................. 31 4-2-3 反向傳播及更新梯度............................... 31 4-3 測試階段 ....................................... 32 第五章 實驗結果與分析討論...................... 33 5-1 實驗環境介紹 ................................. 33 5-2 實驗結果比較與討論 ................... 34 5-2-1 時序卷積網路以不同訊號時長之比較 .................... 34 5-2-2 時序卷積網路模型參數之比較 .......................... 35 第六章 結論與未來展望......................... 36 參考文獻......................................... 37 圖目錄 圖 1. FMCW 雷達系統架構 ..................................8 圖 2.調變波種類 ........................................ 9 圖 3.因果卷積 ........................................ 18 圖 4.填充示意圖 .................................... 19 圖 5.擴張卷積 .......................................... 20 圖 6.殘差模塊流程圖 ............................ 21 圖 7.TRANSFORMER 架構圖..................... 23 圖 8.TRANSFORMER 編碼器..................... 23 圖 9.自注意力機制架構圖 ..................... 25 圖 10.多頭注意力架構圖 ...................... 25 圖 11.提出之系統架構圖 ....................... 26 圖 12.FMCW 雷達................................ 28 圖 13. MASIMO PULSE OXYGEN .......................... 29 圖 14.實驗場景圖 ................................... 30 表目錄 表 1.訓練模型階段參數設定列表.............. 28 表 2.實驗環境軟硬體之配置表................ 33 表 3.不同訊號時長之心率及呼吸率比較表.............. 34 表 4.模型參數之比較表 .......................... 35
參考文獻	[1] D. Wang, S. Yoo, and S. H. Cho, “Experimental Comparison of IR-UWB Radar and FMCW Radar for Vital Signs,” Sensors, vol. 20, no. 22, p. 6695, Nov. 2020, doi: 10.3390/s20226695. [2] S. Bai, J. Z. Kolter, and V. Koltun, “An empirical evaluation of generic convolutional and recurrent networks for sequence modeling,” arXiv preprint arXiv:1803.01271, 2018. [3] C. Subakan, M. Ravanelli, S. Cornell, M. Bronzi and J. Zhong, "Attention Is All You Need In Speech Separation," ICASSP 2021 - 2021 IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP), Toronto, ON, Canada, 2021, pp. 21-25, doi: 10.1109/ICASSP39728.2021.9413901. [4] Y. H. Shen (2020).Non-Contact Real-Time Respiration Rate Monitoring Using FMCW Radar。(master′s thesis。National Ilan University) [5] [n. d.]. infineon FMCW radar(BGT60TR13C). https://www.infineon.com/cms/en/product/sensor/radar-sensors/radarsensors-for-iot/60ghz-radar/ [6] [n. d.]. Masimo - MightySatRx. https://www.masimo.com/products/monitors/spot-check/mightysatrx/ [7] Z. Xie, H. Wang, S. Han, E. Schoenfeld, and F. Ye. 2022. “DeepVS: a deep learning approach for RF-based vital signs sensing”. In Proceedings of the 13th ACM International Conference on Bioinformatics, Computational Biology and Health Informatics (BCB ′22).
指導教授	張寶基	審核日期	2023-11-24
推文	facebook   plurk   twitter   funp   google   live   udn   HD   myshare   reddit   netvibes   friend   youpush   delicious   baidu
網路書籤	Google bookmarks   del.icio.us   hemidemi   myshare