随着我国环境污染问题的加剧,越来越多的人被慢性呼吸疾病所困扰,呼吸疾病的诊断成为当前临床医学和生物医学工程领域的研究热点。传统的呼吸疾病诊断方式往往需要专业医护人员在专业检测设备的配合下进行人工诊断,这将耗费大量的人力财力,并且它们多数需要接触人体,甚至侵入人体,造成患者的不适,不能长时间监测。而非接触呼吸监测技术能够克服这些局限性。生物雷达技术具有不易受到环境因素影响、穿透力强等优点,与红外、视频等其他非接触监测技术相比,更适合监测人体的呼吸信号。本课题用连续波雷达传感器检测呼吸信号,对呼吸信号进行特征提取,并用机器学习算法对其进行分类。可对潜在的慢性呼吸疾病实现很好的预先诊断,进而将其应用于临床医学辅助诊断和家庭远程医疗辅助诊断领域,应用前景光明。其主要工作如下:1、介绍了连续波雷达系统的硬件平台,并给出了生命体征信号的理论分析。设计了FIR带通滤波器从生命体征信号中提取呼吸信号,并与接触式压电传感器作同步对照实验,验证了连续波雷达系统检测呼吸信号的可靠性。2、介绍了正常呼吸、潮式呼吸、潮式变体呼吸、节律障碍型呼吸、比奥式呼吸和呼吸过速这六种呼吸模式的生理特点、雷达回波信号特点以及可能对应的病症。为了实现呼吸模式的分类,提取了上包络峰值的个数、上包络峰值的方差、归一化短时能量的方差、瞬时频率的最小值、瞬时频率的方差和瞬时频率的范围这六种特征。特别地,对于临床睡眠样本,本文利用基于峰值门限检测法初筛选、波形匹配法二次筛选的方法去除了体动干扰,并提出了基于呼吸暂停判决的特征提取优化算法。3、介绍了基于机器学习的呼吸模式分类算法的算法流程图,研究了决策树分类算法和支持向量机分类算法的算法原理,并探究了两种分类模型的过拟合问题。此外,还介绍了分类模型的评估方式,为实验结果的分析打下了理论基础。4、设计实验并分析实验结果。首先设计了实验室环境下的实验,利用“训练样本库”构建决策树和支持向量机分类模型,并利用“验证样本库”验证模型的性能。通过不断调参,寻求最佳分类模型。实验数据结果显示,最佳分类模型是线性SVM模型,总体分类正确率高达93.9%,验证了分类模型的有效性;其次设计了临床睡眠实验,用真实患者的睡眠呼吸测试样本测试线性SVM模型。实验数据结果显示,整夜的分类正确率达到92.3%,进一步验证了本文提出的呼吸模式分类算法的可行性。