活体检测方法与活体检测系统
技术领域
本发明涉及一种活体检测方法与活体检测系统，且特别涉及一种基于机器学习的活体检测方法与活体检测系统。
背景技术
近几年，非接触感测模块应用于测量人体生理信息以协助进行人体心跳与呼吸状况，其具有可即时、非接触式、长时间、连续监测的优点。详细而言，人体无时无刻都会产生微幅的生理运动，像是心跳及肺部呼吸造成胸腔的周期性等。如果藉由雷达以电磁波照射人体，根据都卜勒效应，这些人体肌肉收缩与扩张运动，将会造成电磁波在反射时发生相位改变。因此，依据雷达的发射射频信号与反射人体而产生的反射射频信号之间的差异信息，非接触感测模块可检测出人体生理信息。
发明内容
发射射频信号与反射射频信号之间的差异信息不仅仅可用以检测人体的心跳、脉搏、呼吸等生理信息，更可用以检测人体的肢体动作或姿势。然而，为了依据反射人体而产生的反射射频信号来检测多变的肢体动作或姿势，除了硬件上的考虑之外，如何建立一种准确与且有效率的分析算法来判断人体的肢体动作或姿势也实为本领域技术人员所关心的议题。
有鉴于此，本发明提供一种活体检测方法与活体检测系统，其可降低依据射频信号与机器学习检测活体姿势的计算复杂度。
本发明的实施例提出一种活体检测方法，所述方法包括下列步骤。接收测试活体所反射的射频信号，并产生射频信号的多笔原始采样数据。依据原始采样数据进行特征提取处理而产生多个样本数据组的多笔初始训练特征，其中初始训练特征分别对应至多个特征产生规则。依据测试活体的姿势以及初始训练特征建立分类预测模型，并获取初始训练特征各自对应的多笔相关权重因子。依据相关权重因子自初始训练特征挑选出对应至特征产生规则至少其中之一的多个优选特征。依据测试活体的姿势与优选特征建立另一分类预测模型。基于另一分类预测模型判断检测活体的姿势。
从另一观点来看，本发明的实施例提出一种活体检测系统，其包括一天线、一射频信号处理电路、一存储电路以及一处理器。天线接收测试活体所反射的射频信号。射频信号处理电路耦接天线，并产生射频信号的多笔原始采样数据。存储电路存储多个模块。处理器耦接存储电路与射频信号处理电路，存取存储电路中的模块以执行下列步骤。依据原始采样数据进行特征提取处理而产生多个样本数据组的多笔初始训练特征，其中初始训练特征分别对应至多个特征产生规则。依据测试活体的姿势以及初始训练特征建立分类预测模型，并获取初始统计特征各自对应的多笔相关权重因子。依据相关权重因子自初始统计特征挑选出对应至特征产生规则至少其中之一的多个优选特征。依据测试活体的姿势与优选特征建立另一分类预测模型。基于另一分类预测模型判断检测活体的姿势。
基于上述，本发明实施例可依据机器学习所训练出来的分类预测模型而准确判断出人体的姿势。此外，本发明实施例可在确保分类预测模型的分类准确度到达一定程度的情况下，弹性地选择部分可用特征而降低数据计算量，有助于降低机器学习所需的计算量并实现快速检测。
为让本发明的上述特征和优点能更明显易懂，下文特举实施例，并配合附图作详细说明如下。
附图说明
图1是依照本发明一实施例所绘示的活体检测系统的示意图。
图2是依照本发明一实施例所绘示的射频信号处理电路的示意图。
图3是依照本发明一实施例所绘示的活体检测方法的流程图。
图4A与图4B是依照本发明一实施例所绘示的活体检测方法的流程图。
【符号说明】
10：活体检测系统
101：天线
102：射频信号处理电路
103：存储电路
104：处理器
102_1：收发器
102_2：模拟数字转换器
TRX、SRX：射频信号
D’：原始采样数据
SQ：正交极化信号
DQ：正交极化离散数据
SI：同相极化信号
DI：同相极化离散数据
S310～S360、S410～S470、S411～S412、S431～S437、S451～S452、S471～S473：步骤
具体实施方式
本发明的部分实施例接下来将会配合附图来详细描述，以下的描述所引用的元件符号，当不同附图出现相同的元件符号将视为相同或相似的元件。这些实施例只是本发明的一部分，并未揭示所有本发明的可实施方式。更确切的说，这些实施例只是本发明的专利申请范围中的活体检测方法与系统的范例。
图1是依照本发明一实施例所绘示的活体检测系统10的示意图。请参照图1，活体检测系统10包括天线101、射频信号处理电路102、存储电路103以及处理器104。在本实施例中，活体检测系统10可依据雷达感测技术来检测人体的姿势或是其他具有生命征象的活体的姿势。活体检测系统10可包括连续波(Continuous waveform，CW)雷达，以朝活体发射为连续波的发射射频信号并接收由活体反射此发射射频信号而产生的反射射频信号。在另一实施例中，活体检测系统10的雷达可采用超宽带(Ultra-wideband，UWB)雷达或是频率调制连续波(Frequency modulated continuous waveform，FMCW)雷达，并置换对应的天线架构。
详细而言，天线101用以发射和/或接收无线射频信号。需说明的是，本发明对于天线的数量并不加以限制。在本发明实施例中，天线101可接收测试活体Obj1所反射的射频信号SRX。测试活体Obj1可以是人体或是其他具有生命征象的生物，本发明对此不限制。更详细而言，由天线101或其他天线朝测试活体Obj1发射射频信号STX，而天线101将接收由测试活体Obj1反射射频信号STX而产生的射频信号SRX。由于射频信号STX受到测试活体Obj1的呼吸或心跳起伏或肢体动作的影响，因此反射回来的射频信号SRX的相位与射频信号STX的相位将有所差异。
射频信号处理电路102耦接天线101，其对天线101所接收的射频信号101进行处理，并产生射频信号SRX的多笔原始采样数据D’。详细而言，图2是依照本发明一实施例所绘示的射频信号处理电路的示意图。请参照图2，射频信号处理电路102可包括收发器102_1与模拟数字转换器(ADC)102_2。收发器102_1耦接天线101，可根据射频信号SRX产生基带输出信号。接着，收发器102_1产生的基带输出信号将转换为数字数据。在本实施例中，收发器102_1可包括具有混频器与振荡器的正交解调制器，射频信号SRX会通过在正交解调制器中的混合程序而被降频变换为同相通道(I-channel)的同相极化信号SI与正交通道(Q-channel)的正交极化信号SQ。接着，模拟数字转换器102_2可分别对同相极化信号SI与正交极化信号SQ进行采样而产生同相极化离散数据DI与正交极化离散数据DQ。亦即，射频信号处理电路102产生的原始采样数据D’可包括同相极化离散数据DI与正交极化离散数据DQ。
存储电路103例如是任意型式的固定式或可移动式随机存取存储器(RandomAccess Memory，RAM)、只读存储器(Read-Only Memory，ROM)、快闪存储器(Flash memory)、硬盘或其他类似装置或这些装置的组合，而可用以记录多个程序代码或模块。
处理器104耦接于存储电路103以及射频信号处理电路102，并接收由射频信号处理电路102提供的原始采样数据D’。在本发明的实施例中，在训练分类预测模型的阶段，处理器104可先依据关联于测试活体Obj1的原始采样数据D’与已知的测试活体Obj1的姿势来训练分类预测模型。之后，在实际检测的应用阶段，处理器104就可依据训练出来的分类预测模型与由检测活体所反射的射频信号来进行姿势检测。处理器104可为一般用途处理器、特殊用途处理器、传统的处理器、数字信号处理器、多个微处理器(microprocessor)、一个或多个结合数字信号处理器内核的微处理器、控制器、微控制器、特殊应用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列电路(FieldProgrammable Gate Array，FPGA)、任何其他种类的集成电路、状态机、基于进阶精简指令集机器(Advanced RISC Machine，ARM)的处理器以及类似品。在本发明的实施例中，处理器104可载入存储电路103中所记录的程序代码或模块以执行本发明提出的活体检测方法，后续将搭配流程图作进一步说明。
在本发明的另一实施例中，活体检测系统10更可包含通信接口(communicationinterface)，其可将射频信号处理电路102产生的原始采样数据D’，藉由网络(例如互联网)传送至分析器。上述通信接口可以是有线通信接口如通用非同步接收发送器(UART)/集成电路总线(I2C)/串行外围接口(SPI)/控制器区域网(Controller Area Network，CAN)/建议标准(RS)232/建议标准(RS)422等接口，也可以是无线通信接口如无线感测网络(例，EnOcean/蓝牙(Bluetooth)/网蜂(ZigBee))、蜂窝式网络(2G/3G/长期演进技术(LTE)/5G)、无线局域网络(例，无线局域网络(WLAN)/全球微波连接互通(WiMAX))、短距离点对点通信(例，射频识别(RFID)/EnOcean/近场通信(NFC))等接口，但不限定于此。上述分析器可以是云端服务器、数据运算中心等，但不限定于此。如此，上述分析器即可收集来自不同活体检测系统10所检测不同的测试活体Obj1对应的原始采样数据D’，并执行本发明的活体检测方法处理上述多笔原始采样数据D’。
图3是依照本发明一实施例所绘示的活体检测方法的流程图。请参图1与图3，本实施例的方式适用于上述实施例中的活体检测系统10，以下即搭配活体检测系统10中的各项元件说明本实施例的活体检测方法的详细步骤。
在步骤S310，天线101接收测试活体Obj1所反射的射频信号SRX，并由射频信号处理电路102产生射频信号SRX的多笔原始采样数据D’。射频信号处理电路102将射频信号SRX降频为基带信号后进行采样而产生多笔原始采样数据D’。若射频信号处理电路102将射频信号SRX解调为同相极化信号与正交极化信号，则原始采样数据D’可包括对应至同相通道的同相极化离散数据与对应至正交通道的正交极化离散数据。
在步骤S320，处理器104依据原始采样数据进行特征提取处理而产生多个样本数据组的多笔初始训练特征。需说明的是，处理器104可将一连串的原始采样数据D’样本化为多个样本数据组，这些样本数据组可各自包括相同数量的原始采样数据D’。例如，这些样本数据组可各自包括250笔的原始采样数据D’，但不限于此。此外，采样时间相邻的两组样本数据组内的原始采样数据将部分重叠。处理器104将依据各个样本数据组内的原始采样数据进行特征提取处理，以针对各个样本数据组产生多笔初始训练特征。这些初始训练特征将分别对应至多个特征产生规则。换句话说，处理器104可依据预先定义的多种特征产生规则来为各个样本数据组产生这些初始训练特征。
在步骤S330，处理器104依据测试活体Obj1的姿势以及初始训练特征建立分类预测模型，并获取初始训练特征各自对应的多笔相关权重因子。在本实施例中，处理器104可将测试活体Obj1的姿势以及初始训练特征作为监督式学习算法的训练数据而建立分类预测模型。上述的监督式学习算法例如是支持向量机(support vector machine，SVM)算法。详细而言，在分类预测模型的训练阶段，处理器104可基于测试活体Obj1的姿势来标记这些样本数据组，并将这些已标记的样本数据组的初始训练特征作为机器学习的训练素材。
于此，初始训练特征各自对应的相关权重因子是基于监督式学习算法所搭配的核(Kernel)函数而产生。核函数例如是进行降维映射的径向基函数核(Radial basisfunction kernel)函数，本发明对此不限制。详细而言，当处理器104利用核函数与监督式学习算法训练分类预测模型时，各个初始训练特征的相关权重因子(feature weighting)也将一并产生。各个初始训练特征的重要性直接体现在相关权重因子内。具体而言，相关权重因子的绝对值越大，表示初始训练特征的代表性越高。
在步骤S340，处理器104依据相关权重因子自初始训练特征挑选出对应至特征产生规则至少其中之一的多个优选特征。可知的，相关权重因子的绝对值越大，代表对应初始训练特征对于正确分类越为重要。因此，处理器104可依据相关权重因子来挑选出部分的初始训练特征作优选特征，以进一步删除较为不必要的特征。接着，在步骤S350，处理器104依据测试活体Obj1的姿势与所挑选的优选特征建立另一分类预测模型。也就是说，藉由监督式学习算法，处理器104可依据挑选出来的优选特征与测试活体Obj1的姿势再次训练出另一分类预测模型。
基此，在步骤S360，处理器104基于另一分类预测模型判断检测活体的姿势。具体而言，处理器104可将另一分类预测模型应用于实际检测场合，并依据检测活体所反射的射频信号与基于另一分类预测模型来判别检测活体的姿势。可知的，由于训练另一分类预测模型的优选特征是经过筛选而产生的，因而处理器104仅需要依据优选特征的特征产生规则来产生用以检测活体姿势的特征，从而降低数据计算成本。
需说明的是，图3所示的实施例以对初始训练特征进行一次性的筛选为例。然而，在其他实施例中，处理器140可重复执行分类预测模型的训练与优选特征的筛选，以产生最终应用于实际检测场合的分类预测模型。举例来说，在执行步骤S350而再次训练出另一分类预测模型之后，处理器104可获取优选特征各自对应的相关权重因子。接着，处理器104可依据优选特征各自对应的相关权重因子再次进行特征挑选，并再次建立又一分类预测模型，以将又一分类预测模型应用于实际检测场合。
以下将以图4A与图4B来针对上述流程与实施方式的细节加以阐明。图4A与图4B是依照本发明一实施例所绘示的活体检测方法的流程图。本实施例的应用情境可为婴幼儿的安全监测或病人的护理照顾，活体检测系统10可用以检测婴幼儿或病人的睡眠姿势为正躺或趴躺，但不限定于此。活体检测系统10的天线101适于设置于居家环境、医院、照护中心的床铺上方或邻近床铺的位置，以达到安全监控的目的。
请同时参照图1、图2以及图4A，在步骤S410，射频进号处理电路102接收测试活体Obj1所反射的射频信号SRX，并产生射频信号SRX的多笔原始采样数据D’。测试活体Obj1可以是躺在床铺上的人体。详细而言，在本实施例中，在步骤S411，射频进号处理电路102的收发机102_1依据射频信号SRX产生同相极化信号SI与正交极化信号SQ。在步骤S412，ADC102_2分别采样同相极化信号SI与正交极化信号SQ而产生多笔同相极化离散数据DI与多笔正交极化离散数据DQ。
处理器104将接收来自射频进号处理电路102的多笔同相极化离散数据DI与多笔正交极化离散数据DQ。在步骤S420，处理器104依据视窗长度、样本尺寸与样本重叠时间提取原始采样数据而产生样本数据组。也就是说，处理器104将依据视窗长度、样本尺寸与样本重叠时间样本化同相极化离散数据DI与正交极化离散数据DQ，而产生包括同相极化离散数据DI与正交极化离散数据DQ的样本数据组。
这些样本数据组包括提取时间相邻的第一样本数据组与第二样本数据组。换句话说，基于样本化先后顺序，第二样本数据组可为第一样本数据组的下一组样本化内容。第一样本数据组内的原始采样数据与第二样本数据组内的原始采样数据部分重叠。第一样本数据组的提取时间与第二样本数据组的提取时间相差一预设时间间隔，而预设时间间隔是依据样本尺寸与样本重叠时间而定。表1为依据本发明一实施例的样本数据组的样本化范例。在此假设1秒可采样50笔原始采样数据，但本发明并不以此为限。
表1
如表1所示，表1示范了两种样本数据组的提取范例。样本数据组各自包括数据量符合样本尺寸的原始采样数据。用以采样第一种样本数据组的视窗长度为30秒，且第一种样本数据组具有800笔原始采样数据。此外，在每一笔样本数据组与其下一笔样本数据组具有600笔相同的重复数据的情况下(亦即12秒的重叠采样时段)，每一笔样本数据组的提取时间与其下一笔样本数据组的提取时间相差4秒。另一方面，用以采样第二种样本数据组的视窗长度为5秒，且第二种样本数据组具有150笔原始采样数据。在每一笔样本数据组与其下一笔样本数据组具有100笔相同的重复数据的情况下(亦即2秒的重叠采样时段)，每一笔样本数据组的提取时间与其下一笔样本数据组的提取时间相差1秒。
在步骤S430，处理器104依据原始采样数据进行特征提取处理而产生多个样本数据组的多笔初始训练特征。在本实施例中，处理器104可藉由特征提取处理中的统计与积分处理、时域转频域处理、以及预处理而获取对应至不同特征产生规则的初始训练特征。在本实施例中，对应至不同特征产生规则的初始训练特征可包括第一统计特征、第二统计特征、第三统计特征、第四统计特征、第一频域特征以及第二频域特征。另外需说明的是，处理器104也将对包括同相极化离散数据DI与正交极化离散数据DQ的样本数据组以及包括有的样本数据组进行特征提取处理，而产生关联于同相通道数据的初始训练特征与关联于正交通道数据的初始训练特征。
详细而言，在步骤S431，处理器104分别对样本数据组内的原始采样数据进行统计与积分处理而产生样本数据组的多个第一统计特征。上述的统计与积分处理可包括平均运算、取最大值、取最小值、标准差运算、峰度运算、偏斜值运算、取四分位数、平均绝对偏差(mean absolute deviation，MAD)运算、依据Trapz函数计算面积，以及依据Trapz函数计算面积平方其中之一或其组合。举例而言，处理器104可分别对各样本数据组内的原始采样数据进行平均处理与取最大值，以将各样本数据组中原始采样数据的平均值与最大值作为第一统计特征。又或者，处理器104可分别对各样本数据组内的原始采样数据进行标准差运算、偏斜值运算以及依据Trapz函数计算面积，以将各样本数据组中原始采样数据的标准差、偏斜值以及Trapz函数的输出面积作为第一统计特征。换句话说，第一统计特征是基于统计与积分处理而产生。
在步骤S432，处理器104分别对样本数据组内的原始采样数据进行时域转频域处理而产生多笔第一离散频域数据，以自第一离散频域数据获采样本数据组的多个第一频域特征。时域转频域处理可以为离散傅立叶转换(Discrete Fourier Transform，DFT)。对样本数据组内的原始采样数据进行离散傅立叶转换后，处理器104可获取用以表示多个频率成份的多笔第一离散频域数据，第一离散频域数据包括离散傅立叶系数，处理器104可取第一离散频域数据中的部分的离散傅立叶系数与其对应频率作为第一频域特征。处理器104也可依据第一离散频域数据产生加权平均频率(weighted mean frequency)而作为第一频域特征。换句话说，第二频域特征基于时域转频域处理而产生。
在步骤S433，处理器104分别对第一离散频域数据进行统计与积分处理而产生样本数据组的多个第二统计特征。也就是说，处理器104可进一步处理离散傅立叶转换所产生的第一离散频域数据而产生第二统计特征。步骤S433所执行的统计与积分处理可相同或相异于步骤S431所执行的统计与积分处理。例如，处理器104可对各样本数据组中原始采样数据的第一离散频域数据进行平均处理，以将第一离散频域数据的平均值作为第二统计特征。处理器104将先进行时域转频域处理后再进行统计与积分处理，而产生样本数据组的多个第二统计特征。换句话说，第二统计特征基于时域转频域处理以及统计与积分处理而产生。
在步骤S434，处理器104分别对样本数据组内的原始采样数据进行预处理而产生多笔经预处理数据。上述的预处理例如是加加速度(Jerk)运算，而处理器104可分别对样本数据组内的原始采样数据进行Jerk运算而将各样本数据组的原始采样数据转换为多笔加加速度数据。
在步骤S435，处理器104分别对样本数据组的经预处理数据进行统计与积分处理而产生样本数据组的多个第三统计特征。步骤S435所执行的统计与积分处理可相同或相异于步骤S431所执行的统计与积分处理。处理器104将先进行预处理后再进行统计与积分处理，而产生样本数据组的多个第三统计特征。换句话说，第三统计特征基于预处理以及统计与积分处理而产生。
在步骤S436，处理器104分别对样本数据组的经预处理数据进行时域转频域处理而产生多笔第二离散频域数据，以自第二离散频域数据获采样本数据组的多个第二频域特征。处理器104将先进行预处理后再进行时域转频域处理，而产生样本数据组的多个第二频域特征。换句话说，第二频域特征基于预处理以及时域转频域处理而产生。
在步骤S437，处理器104分别对第二离散频域数据进行统计与积分处理而产生样本数据组的多个第四统计特征。换句话说，处理器104将先进行预处理与时域转频域处理后再进行统计与积分处理，而产生样本数据组的多个第四统计特征。换句话说，第四统计特征基于预处理、时域转频域处理以及统计与积分处理而产生。
假设统计与积分处理可包括10种运算，其分别为平均运算、取最大值、取最小值、标准差运算、峰度运算、偏斜值运算、取四分位数、平均绝对偏差运算、依据Trapz函数计算面积，以及依据Trapz函数计算面积平方。并且，假设处理器104取加权平均频率、前五个离散傅立叶系数，以及离散傅立叶系数中的前五个本地最大值与其对应的频率作为频域特征。并且，假设预处理为Jerk运算。表2为依据上述假设而产生的初始训练特征的范例。
表2
基于表2的范例可知，处理器104可获取分别对应至不同特征产生规则的144笔初始训练特征。例如，编号为特征编号0-9的初始训练特征对应至只进行统计与积分处理的特征产生规则，而编号为特征编号118-127的初始训练特征对应至依序进行预处理、频域转时域处理以及统计与积分处理的特征产生规则。
接着，请参照图4B，在步骤S440，处理器104将测试活体的姿势以及初始训练特征作为监督式学习算法的训练数据而建立分类预测模型。在本实施例中，处理器104可基于人体的姿势为「趴躺」或「正躺」来标记这些样本数据组，并依据这些已标记的样本数据组与对应的初始训练特征训练出一个分类预测模型。当处理器104利用核函数与监督式学习算法训练分类预测模型时，各个初始训练特征的相关权重因子也将一并产生。举例而言，表3为依据表2所示的初始训练特征进行机器学习而产生的相关权重因子。
表3
请参照表3，编号为特征编号0-143的144笔初始训练特征分别具有对应的相关权重因子。像是，编号为特征编号9的初始训练特征(亦即第一统计特征其中之一)的相关权重因子W9为1.4053，编号为特征编号29的初始训练特征(亦即第三统计特征其中之一)的相关权重因子W29为3.6011。编号为特征编号60的初始训练特征(亦即第一频域特征其中之一)的相关权重因子W60为0.1531，编号为特征编号136的初始训练特征(亦即第二频域特征其中之一)的相关权重因子W136为0.4119。
在步骤S450，处理器104依据相关权重因子自初始训练特征挑选出多个优选特征。详细而言，在步骤S451，基于初始训练特征的特征产生规则，处理器104对初始训练特征的相关权重因子进行统计处理，而产生分别对应于这些特征产生规则的多个评断数值。也就是说，处理器104将对对应至同一特征产生规则的初始训练特征的相关权重因子进行统计处理。此外，关联于同相通道数据的初始训练特征的相关权重因子与关联于正交通道数据的初始训练特征的相关权重因子也将分开进行统计处理。以表3为例，编号为特征编号0-9对应至相同的特征产生规则，而处理器104将编号为特征编号0-9的初始训练特征的相关权重因子W0-W9进行统计处理以产生一个评断数值。在本实施例中，上述的统计处理可以为先对相关权重因子取绝对值后再取平均。也就是说，依据公式(1)，处理器104可对对应至同一特征产生规则的初始训练特征的相关权重因子进行统计处理。
评断数值＝avg(abs(Wi)) 公式(1)
其中，avg(·)为取平均值，abs(·)为取绝对值，而Wi为相关权重因子。以表3为例，处理器104将编号为特征编号0-9的初始训练特征的相关权重因子W0-W9代入公式(1)，可产生一个评断数值为0.66515。处理器104将编号为特征编号10-19的初始训练特征的相关权重因子W10-W19代入公式(1)，可产生另一个评断数值0.896。
在步骤S452，处理器104判断评断数值是否符合选取条件，而自初始训练特征挑选出优选特征。在一实施例中，处理器104可判断这些评断数值是否大于一临界值而判断评断数值是否符合选取条件。若有一个评断数值大于临界值，处理器104判断此评断数值符合选取条件而挑选出此评断数值所关联的部分的初始训练特征作为优选特征。上述的临界值可以为一预定数值或基于计算出来的所有评断数值而产生。举例而言，处理器104可将依据公式(1)所产生的所有评断数值相加后乘以一个百分比数值(例如20％)而产生上述临界值。
以表3的范例为例，假设处理器104对所有的初始训练特征的相关权重因子W0-W143进行统计计算后可产生分别对应至12组相关权重因子W0-W9、W10-W19、W20-W29、W30-W39、W40-W49、W66-W75、W92-W101、W118-W127、W50-W65、W102-W117、W76-W91、W128-W143的12个评断数值A1～A12。处理器104可先将评断数值A1～A12相加后再乘上20％而产生临界值TH。接着，处理器104可依序判断评断数值A1～A12是否大于临界值TH，以决定是否将关联于评断数值A1～A12的初始训练特征挑选出来作为优选特征。例如，若基于特征编号92-10的初始训练特征的相关权重因子W92-101所产生的评断数值A7大于临界值TH，特征编号92-10的初始训练特征将被挑选出来作为优选特征。
值得一提的是，在一实施例中，符合选取条件的评断数值所关联的初始训练特征可能包括基于同相通道数据与正交通道数据所产生的初始训练特征，而处理器104可从中选择关联于同相极化离散数据或正交极化离散数据的优选特征。换句话说，处理器104可选择对应至同相通道数据与正交通道数据其中之一的初始训练特征作为优选特征，藉此以降低后续利用分类预测模型检测活体姿势的数据处理量。
在挑选出优选特征之后，在步骤S460，处理器104依据测试活体的姿势与优选特征建立另一分类预测模型。步骤S460的操作相似于步骤S440，不同点在于进行模型训练的特征数目。进一步来说，步骤S460是依据筛选出来的优选特征来训练出另一分类预测模型。于此，处理器104可对另一分类预测模型进行测试以判断另一分类预测模型的分类准确度是否足够，以决定是否再次进行特征的筛选与模型训练。或者，处理器104可对另一分类预测模型进行测试以判断另一分类预测模型的分类准确度是否足够，以决定是否从初始训练特征挑选其他额外的优选条件。
在实际检测的应用阶段，在步骤S470，处理器104基于另一分类预测模型判断检测活体的姿势。检测活体同样为躺在床铺上的人体。详细而言，在步骤S471，天线101接收检测活体所反射的另一射频信号，并由射频信号处理电路102获取另一射频信号的多笔其他原始采样数据。在步骤S472，处理器104基于优选特征的特征产生规则而依据其他原始采样数据产生多个检测特征。相较于步骤S330，处理器104可依据较低的数据处理量产生数量较少的特征，并将数量经过筛检的特征输入至分类器来判别人体的姿势为正躺或趴躺。在步骤S473，处理器104将检测特征输入至另一分类预测模型而判断检测活体的姿势。
综上所述，本发明实施例可藉由雷达感测技术与机器学习来检测出具备生命征象的检测活体的姿势。此外，本发明实施例可在确保分类预测模型的分类准确度到达一定程度的情况下，弹性地选择部分可用特征而降低数据计算量，有助于降低机器学习所需的计算量并实现快速检测。此外，本发明活体检测方法所采用的机器学习算法不限定于前述支持向量机算法。例如，在本发明另一实施例中，则是采用长短期记忆(Long Short TermMemory，LSTM)的一种特别的时间递归神经网络(Recurrent Neural Networks，RNN)，以加强动态识别的辨识准确度。
虽然本发明已以实施例公开如上，然其并非用以限定本发明，本领域技术人员在不脱离本发明的精神和范围内，当可作些许的更动与润饰，故本发明的保护范围当视所附权利要求书界定范围为准。
