本说明书涉及计算机，尤其涉及一种识别体征信号的方法、装置、存储介质及电子设备。
背景技术：
1、随着智能传感技术的发展，各种居家和院外体征检测技术应运而生。这些技术利用光纤、雷达、电缆和压电薄膜等媒介，可以对生命体的心率、呼吸和打鼾等体征信号进行检测。然而，由于体征信号这类振动信号通常比较微弱，在信号采集过程中，容易被周围环境产生的其他振动信号所干扰，如干扰频段在50hz附近，由电源以及器件周围环境中的传输线辐射出的电磁场引起的工频干扰，以及由移动通讯设备造成的电磁辐射干扰，导致体征信号采集困难。此外，无穿戴传感设备在检测特征时，因为无法保证与生命体的距离，所以容易导致标准传感电路在生命体与无穿戴传感器距离远的时候，体征信号会远远小于干扰信号，使得信号识别更加困难。
2、目前，市面上的解决方案通常采用陷波电路来消除50hz的工频干扰，这里提到的陷波电路是一种特殊的电路，可以滤除特定频率的干扰信号，但在某些情况下，50hz附近的频段可能是有意义的信号频段，这种方法可能会损害有效信号。此外，现有的方法通常在高信噪比环境下表现良好，但在干扰信号比体征信号大的情况下，即低信噪比环境下，由于干扰信号占据主导地位，很难准确识别出体征信号。
3、因此，如何准确的从低信噪比振动信号中识别体征信号，成为了一个亟待解决的问题。
技术实现思路
1、本说明书实施例提供一种识别体征信号的方法、装置、存储介质及电子设备，以部分解决上述现有技术存在的问题。
2、本说明书实施例采用下述技术方案：
3、本说明书提供的一种识别体征信号的方法，所述方法包括：
4、采集待判断信号；
5、根据所述待判断信号确定所述待判断信号对应的待判断频谱图；
6、根据预先确定的各非干扰频段，确定所述待判断频谱图中各非干扰频段的频谱；
7、根据所述各非干扰频段的频谱，确定所述待判断信号中各非干扰频段信号的能量特征；
8、将所述各非干扰频段的能量特征输入到预先训练的机器学习模型中，以通过所述机器学习模型输出的结果，识别所述待判断信号中是否存在体征信号。
9、可选地，根据所述各非干扰频段的频谱，确定所述待判断信号中各非干扰频段信号的能量特征，具体包括：
10、根据各非干扰频段的频谱中各非干扰频率对应的分量，确定所述待判断信号中各非干扰频段信号的能量分布；
11、根据所述各非干扰频段信号的能量分布，确定所述待判断信号中各非干扰频段信号的能量特征。
12、可选地，根据所述各非干扰频段的频谱中各非干扰频率对应的分量，确定所述待判断信号中各非干扰频段信号的能量分布，具体包括：
13、针对各非干扰频段，根据该非干扰频段的频谱中各非干扰频率对应的分量，确定该非干扰频段的频谱对应的总能量值；
14、根据该非干扰频段的频谱对应的总能量值在全部非干扰频段的频谱对应的总能量值中的比例，确定所述待判断信号中该非干扰频段信号的能量分布。
15、可选地，预先确定各个非干扰频段，具体包括：
16、采集预设时长的无体征信号；
17、根据所述无体征信号，确定所述无体征信号对应的无体征频谱图；
18、根据所述无体征频谱图中的频谱，确定各非干扰频段。
19、可选地，根据所述无体征信号，确定所述无体征信号对应的无体征频谱图，具体包括：
20、按照预设的时长，对所述无体征信号进行分片，得到时长相同的各时段的无体征信号；其中，所述各时段中至少有部分时段存在部分时间重叠；
21、确定所述各时段的无体征信号对应的各分片频谱图；
22、根据所述各分片频谱图，确定所述无体征信号对应的无体征频谱图。
23、可选地，根据所述各分片频谱图，确定所述无体征信号对应的无体征频谱图，具体包括：
24、针对各频率，根据所述各分片频谱图中该频率对应的各分量，确定所述无体征频谱图中该频率对应的分量；
25、根据所述无体征频谱图中各频率对应的分量，确定所述无体征信号对应的无体征频谱图。
26、可选地，将所述各非干扰频段的能量特征输入到预先训练的机器学习模型中前，所述方法还包括：
27、采集预设时长的样本有体征信号和样本无体征信号；
28、确定所述样本有体征信号对应的第一频谱图，以及所述样本无体征信号对应的第二频谱图；
29、根据预先确定的非干扰频段以及所述第一频谱图，确定所述样本有体征信号中非干扰频段信号的第一能量特征，根据预先确定的非干扰频段以及所述第二频谱图，确定所述样本无体征信号中非干扰频段信号的第二能量特征；
30、将所述第一能量特征作为正样本，所述第二能量特征作为负样本，输入到所述机器学习模型中，对所述机器学习模型进行训练。
31、本说明书提供的一种识别体征信号的装置，所述装置包括：
32、采集模块，用于采集待判断信号；
33、频谱图确定模块，用于根据所述待判断信号确定所述待判断信号对应的待判断频谱图；
34、频谱确定模块，用于根据预先确定的各非干扰频段，确定所述待判断频谱图中各非干扰频段的频谱；
35、特征确定模块，用于根据所述各非干扰频段的频谱，确定所述待判断信号中各非干扰频段信号的能量特征；
36、识别模块，用于将所述各非干扰频段的能量特征输入到预先训练的机器学习模型中，以通过所述机器学习模型输出的结果，识别所述待判断信号中是否存在体征信号。
37、本说明书提供的一种计算机可读存储介质，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述的识别体征信号方法。
38、本说明书提供的一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述的识别体征信号方法。
39、本说明书实施例采用的上述至少一个技术方案能够达到以下有益效果：
40、本说明书实施例公开了一种识别体征信号方法，采集待判断信号，根据所述待判断信号确定所述待判断信号对应的待判断频谱图，根据预先确定的各非干扰频段，确定所述待判断频谱图中各非干扰频段的频谱，根据所述各非干扰频段的频谱，确定所述待判断信号中各非干扰频段信号的能量特征，将所述各非干扰频段的能量特征输入到预先训练的机器学习模型中，以通过所述机器学习模型输出的结果，识别所述待判断信号中是否存在体征信号。通过该方法，能够避免基于时域信号识别体征信号的方法受干扰信号影响的弊端，将采集到的待判断信号进行简单的处理得到频域信号后，仅仅根据各非干扰频段的频谱就能够确定各非干扰频段信号的能量特征，从而准确的从低信噪比振动信号中识别体征信号。
1.一种识别体征信号的方法，其特征在于，所述方法包括：
2.如权利要求1所述的方法，其特征在于，根据所述各非干扰频段的频谱，确定所述待判断信号中各非干扰频段信号的能量特征，具体包括：
3.如权利要求2所述的方法，其特征在于，根据所述各非干扰频段的频谱中各非干扰频率对应的分量，确定所述待判断信号中各非干扰频段信号的能量分布，具体包括：
4.如权利要求1所述的方法，其特征在于，预先确定各个非干扰频段，具体包括：
5.如权利要求4所述的方法，其特征在于，根据所述无体征信号，确定所述无体征信号对应的无体征频谱图，具体包括：
6.如权利要求5所述的方法，其特征在于，根据所述各分片频谱图，确定所述无体征信号对应的无体征频谱图，具体包括：
7.如权利要求1所述的方法，其特征在于，将所述各非干扰频段的能量特征输入到预先训练的机器学习模型中前，所述方法还包括：
8.一种识别体征信号的装置，其特征在于，所述装置包括：
9.一种计算机可读存储介质，其特征在于，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述权利要求1-7任一项所述的方法。
10.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现上述权利要求1-7任一项所述的方法。
