CN105640502B - 一种呼吸信号检测方法和装置 - Google Patents
一种呼吸信号检测方法和装置 Download PDFInfo
- Publication number
- CN105640502B CN105640502B CN201511021806.XA CN201511021806A CN105640502B CN 105640502 B CN105640502 B CN 105640502B CN 201511021806 A CN201511021806 A CN 201511021806A CN 105640502 B CN105640502 B CN 105640502B
- Authority
- CN
- China
- Prior art keywords
- signal
- maximum
- likelihood estimation
- likelihood
- breath
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/08—Detecting, measuring or recording devices for evaluating the respiratory organs
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7203—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Pathology (AREA)
- Animal Behavior & Ethology (AREA)
- Physiology (AREA)
- Veterinary Medicine (AREA)
- Physics & Mathematics (AREA)
- Public Health (AREA)
- Biophysics (AREA)
- Signal Processing (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- General Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Psychiatry (AREA)
- Pulmonology (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明涉及信号检测技术领域,提供了一种呼吸信号检测方法和装置,旨在解决现有技术在进行生命探测过程中没有充分利用呼吸信号波形中的信息,导致对呼吸信号检测概率不高的问题。所述方法包括:采集原始信号并进行预处理,得到待处理信号;对待处理信号中的未知参数进行极大似然估计;根据极大似然估计的结果,对待处理信号进行概率密度统计,得到广义似然比检测器;根据广义似然比检测器对待处理信号进行检测。本发明通过对原始信号中包含的各种未知参数进行极大似然估计,从而充分利用呼吸信号波形中的各种参数信息,并基于极大似然估计进行概率密度统计得到广义似然比检测器,利用该检测器进行信号检测,从而达到对呼吸信号更高的检测概率。
Description
技术领域
本发明涉及信号检测技术领域,尤其涉及一种呼吸信号检测方法和装置。
背景技术
非接触式生命探测主要通过探测人体的呼吸运动实现生命探测,灾后救援中,当受困人员被掩埋在废墟下时,非接触式生命探测仪是一种有效的受困人员探测与定位工具。雷达生命探测仪是一种融合了雷达技术和生物医学工程技术的可穿透非金属介质的非接触远距离的生命探测系统。超宽带(UWB,Ultra Wide Band)脉冲雷达的高穿透性能和高定位精度使它在灾后救援领域具有广泛的应用前景。
传统的超宽带脉冲雷达生命探测方法往往将人体的呼吸信号看作频率为呼吸频率的正弦信号,对信号进行FFT(Fast Fourier Transform,快速傅里叶变换),当在空间的某一位置存在某一频率的呼吸信号时,相应的FFT点相比于不存在呼吸信号的FFT点会具有较高的能量,基于该能量的显著性来完成对呼吸信号的检测。然而,人体的呼吸运动是一个包含吸气、呼气和结束呼气三个过程的非正弦形态的准周期信号,该信号往往包含一个非常强的一次谐波分量和一个较为显著的二次谐波分量。直接进行FFT的方法忽视了非一次谐波的能量,而现有技术中基于谐波图的方法只是简单的把呼吸信号当作一个具有较强的一次谐波和一个显著二次谐波的周期信号,忽视了反映其波形的相位信息,导致部分检测性能的损失。
可见,目前的方法都未能充分利用包含在呼吸信号波形中的信息,导致对呼吸信号的检测效率不高。
发明内容
本发明的目的在于提供一种呼吸信号检测方法和装置,旨在解决现有技术在进行生命探测过程中没有充分利用呼吸信号波形中的信息,导致对呼吸信号检测概率不高的问题。
本发明的第一方面,提供一种呼吸信号检测方法,包括:
采集原始信号,所述原始信号包括非呼吸信号;
对所述原始信号进行预处理,过滤所述非呼吸信号中除噪声以外的其他信号,得到待处理信号;
对所述待处理信号中的未知参数进行极大似然估计;
根据所述极大似然估计的结果,对所述待处理信号进行概率密度统计,得到广义似然比检测器;
根据所述广义似然比检测器对所述待处理信号进行检测。
本发明的第二方面,提供一种呼吸信号检测装置,包括:
采集模块,用于采集原始信号,所述原始信号包括非呼吸信号;
预处理模块,用于对所述原始信号进行预处理,过滤所述非呼吸信号中除噪声以外的其他信号,得到待处理信号;
估计模块,用于对所述待处理信号中的未知参数进行极大似然估计;
统计模块,用于根据所述极大似然估计的结果,对所述待处理信号进行概率密度统计,得到广义似然比检测器;
检测模块,用于根据所述广义似然比检测器对所述待处理信号进行检测。
本发明与现有技术相比存在的有益效果是:通过对原始信号中包含的各种未知参数进行极大似然估计,从而充分利用呼吸信号波形中的各种参数信息,并基于极大似然估计进行概率密度统计得到广义似然比检测器,利用该检测器进行信号检测,从而达到对呼吸信号更高的检测概率。
附图说明
图1是本发明实施例一提供的呼吸信号检测方法的流程图;
图2是本发明实施例二提供的呼吸信号检测方法的流程图;
图3是本发明实施例二提供的呼吸信号检测方法中原始信号采集和预处理过程的示意图;
图4是本发明实施例三提供的呼吸信号检测装置的组成示意图;
图5是本发明实施例四提供的呼吸信号检测装置的组成示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
以下结合具体附图对本发明的实现进行详细的描述。
图1是本发明实施例一提供的呼吸信号检测方法的流程图,具体包括步骤S101至S105,详述如下:
S101、采集原始信号,该原始信号包括非呼吸信号。
具体地,在灾后救援现场或者反恐场景等需要进行生命探测的环境中,使用呼吸信号探测系统对探测环境的回波信号进行采样,得到原始信号,该原始信号组成雷达回波矩阵。
原始信号包含了大量的噪声和杂波等非呼吸信号,同时当探测范围中有生命存在时,原始信号中还包括呼吸信号。
S102、对原始信号进行预处理,过滤非呼吸信号中除噪声以外的其他信号,得到待处理信号。
需要说明的是,在本发明实施例中,后续对原始信号中是否存在呼吸信号的判决是以原始信号中存在噪声这一信号为前提的,因此,在对采样得到的原始信号进行预处理时会保留噪声信号,而过滤掉非呼吸信号中的杂波等干扰信号,如此,在后续进一步的检测过程中,也能够避免这些干扰信号对呼吸信号的检测造成干扰,从而可以更加准确地从原始信号中检测出是否存在呼吸信号。
经过预处理得到的待处理信号包括了噪声信号和可能存在的呼吸信号。
进一步地,上述对原始信号所进行的预处理可以采用快时间线性相位滤波和线性趋势消除对干扰信号进行过滤。
S103、对待处理信号中的未知参数进行极大似然估计。
具体地,待处理信号中的未知参数可以包括信号功率、呼吸频率、占空比因子、随机相位和噪声功率等,对这些未知参数进行极大似然估计,并可以采用网格搜索法(GridSearch)进行求解。
S104、根据极大似然估计的结果,对待处理信号进行概率密度统计,得到广义似然比检测器。
具体地,对待处理信号的观测数据进行概率密度统计得到概率密度函数,并用步骤S103对未知参数进行极大似然估计的结果替换概率密度函数中的未知参数,得到广义似然比检测器。
S105、根据广义似然比检测器对待处理信号进行检测。
具体地,通过广义似然比检测器的计算结果与门限值的大小对比,判断待处理信号中是否存在呼吸信号,实现生命探测。
本实施例中,通过对原始信号进行预处理,得到待处理信号,对待处理信号的未知参数进行极大似然估计,从而充分利用呼吸信号波形中的各种参数信息,并根据极大似然估计的结果,对待处理信号进行概率密度统计,得到广义似然比检测器,使用该广义似然比检测器对待处理信号进行检测,判断是否存在呼吸信号,从而达到对呼吸信号更高的检测概率。
实施例二:
图2是本发明实施例二提供的呼吸信号检测方法的流程图,具体包括步骤S201至S208,详述如下:
S201、采集原始信号,该原始信号包括非呼吸信号。
在灾后救援现场或者反恐场景等需要进行生命探测的环境中,使用呼吸信号探测系统对探测环境的回波信号进行采样,得到原始信号,该原始信号组成雷达回波矩阵。
原始信号包含了大量的噪声和杂波等非呼吸信号,同时当探测范围中有生命存在时,原始信号中还包括呼吸信号。
具体地,原始信号可表示为:
xr[m,n]=se[m,n]+C[n]+L[m,n]+wr[m,n]+d[m] (1)
其中,m和n分别表示快时间域和慢时间域的时间变量,m=1,2,…,M,n=1,2,…,N,M为快时间域的时间变量最大值,快时间采样周期为500皮秒,N为慢时间域的时间变量最大值,慢时间采样周期为0.05秒;xr[m,n]为原始信号,se[m,n]为呼吸信号,C[n]为杂波,L[m,n]为线性趋势,wr[m,n]为噪声,d[m]为不稳定快时间直流。
S202、对原始信号进行快时间线性相位滤波,消除原始信号在快时间域的不稳定快时间直流信号。
快时间相位滤波可以采用快时间域线性相位数字滤波器完成。
具体地,快时间域线性相位数字滤波器是一种带通线性相位有限脉冲响应数字滤波器。由于原始信号是一个二维回波矩阵,两个维度分别对应快时间域和慢时间域,回波矩阵的每一路快时间信号经过该滤波器处理后获得相应的一路快时间输出信号,多路输出信号组成快时间域滤波输出矩阵xF[m,n]。
该滤波器的带宽与雷达脉冲带宽相匹配。例如,雷达脉冲的带宽是从1GHz到3GHz,为了确保雷达脉冲在波形上不出现大的失真,该滤波器的频率响应在1GHz到3GHz上应尽可能保持近似为1,而在其他频段为了抑制干扰信号,应尽可能接近为0。同时,由于该滤波器是线性相位的,所以能够保持回波脉冲的时域波形。通过快时间域线性相位数字滤波器消除了在快时间域处于0频的不稳定快时间直流d[m]。
经过快时间相位滤波后得到的滤波输出为:
xF[m,n]=se[m-δ,n]+C'[n]+L'[m,n]+w[m,n] (2)
其中,xF[m,n]为滤波输出矩阵,δ为呼吸信号在快时间域受滤波器影响所引入的时延,相当于快时间域线性相位数字滤波器的群时延,se[m-δ,n]为引入时延后的呼吸信号,C'[n]为杂波C[n]的滤波输出,L'[m,n]为线性趋势L[m,n]的滤波输出,w[m,n]为噪声wr[m,n]的滤波输出。
S203、对原始信号进行线性趋势消除,抑制原始信号中的杂波信号和线性趋势信号。
采用线性趋势减算法(linear trend subtraction algorithm)对步骤S202得到的滤波输出矩阵xF[m,n]进行线性趋势消除。
具体地,xF[m,n]是一个二维回波矩阵,两个维度分别对应快时间域和慢时间域,xF[m,n]的每一路慢时间信号经过线性趋势减算法处理后获得相应的一路慢时间输出信号,多路输出信号组成预处理输出矩阵x[m,n]。
线性趋势减算法具体描述如下:
xF[m,n]的第m路慢时间信号xF,m=[xF[m,1],xF[m,2],…,xF[m,N]]T,经处理后得到x[m,n]的第m路慢时间信号xm=[x[m,1],xF[m,2],…,xF[m,N]]T,即:
xm=xF,m-X(XTX)-1X xF,m (3)
其中,X=[Y/N 1N],Y=[0,1,…,N-1]T,1N是所有元素均为1的N×1列向量。
通过线性趋势消除抑制了C'[n]和L'[m,n]后,得到的预处理输出矩阵为:
x[m,n]=s[m,n]+w[m,n] (4)
其中,s[m,n]=se[m-δ,n]。
图3描述了对原始信号进行采集和预处理的过程,通过雷达对回波信号进行采样得到原始信号,对原始信号进行快时间线性相位滤波得到滤波输出,再对滤波输出矩阵进行线性趋势消除,得到预处理结果。
S204、对信号功率、呼吸频率、占空比因子、随机相位和噪声功率进行极大似然估计。
步骤S203得到的预处理输出矩阵,在慢时间域上所包含的信号分量存在两种可能,具体描述如下:
H0:x[n]=w[n]
(5)
H1:x[n]=s[n]+w[n]
其中,H0表示不存在呼吸信号,没有生命;H1表示存在呼吸信号,有生命;x[n]为预处理输出矩阵,s[n]为呼吸信号,w[n]为噪声。
需要说明的是,从公式(5)开始的具体实现过程均是针对每一路慢时间信号,即xm=[x[m,1],xF[m,2],…,xF[m,N]]T,m=1,2,…,M-δ,因此为了简化符号,从公式(5)开始的后续所有公式均忽略快时间域变量m,具体实现过程中只需要将所描述的方法分别应用于每一路慢时间信号即可。
建立呼吸信号的解析模型为:
其中,q为呼吸谐波阶次,Q为预置的呼吸谐波阶次的上限值,P为信号功率,η为与呼吸信号的占空比有关的占空比因子,为根据q和η的组合得到的预置的函数值,其取值范围如下表1所示,ω为呼吸频率,为由于数据采集的随机性而引入的随机相位,θ为预置参数且取值范围为θ∈{0,π},本实施例中θ=0。
表1
H | η=2 | η=3 | η=4 | η=5 | η=6 | η=7 | η=8 | η=9 | η=10 | η=11 | η=12 |
q=1 | 1.414 | 1.4 | 1.372 | 1.341 | 1.311 | 1.282 | 1.255 | 1.229 | 1.206 | 1.185 | 1.164 |
q=2 | 0 | 0.2 | 0.343 | 0.447 | 0.524 | 0.583 | 0.627 | 0.662 | 0.689 | 0.711 | 0.728 |
q=3 | 0 | -0.02 | 0 | 0.041 | 0.087 | 0.134 | 0.179 | 0.221 | 0.258 | 0.293 | 0.323 |
q=4 | 0 | 0.006 | 0 | 0 | 0 | 0.009 | 0.022 | 0.039 | 0.057 | 0.077 | 0.097 |
q=5 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0.002 | 0.006 | 0.011 | 0.018 |
q=6 | 0 | 0.001 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0.001 |
采用加性高斯白噪声(additive Gaussian white noise,AWGN)模型建立噪声模型,并定义该模型的噪声功率为σ2。
定义预处理输出矩阵的观测数据向量x=<x[0] x[1] … x[N-1]>,根据所建立的呼吸信号的解析模型和噪声模型,对信号功率、呼吸频率、占空比因子、随机相位和噪声功率进行极大似然估计的具体过程如下:
1)存在呼吸信号,即H1为真的情况下:
观测数据向量x的概率密度函数为:
其中,
将公式(6)代入公式(7)得到:
其中,EM为慢时间域观测信号能量,A(qω)=|X(qω)|,X(qω)为慢时间域观测信号能量的离散时间傅里叶变换,P(qω)为X(qω)的相位。
在H1为真的情况下,未知参数包括信号功率、呼吸频率、占空比因子、随机相位和噪声功率,根据公式(8),这些未知参数的极大似然估计为:
其中,为噪声功率σ2的极大似然估计,为信号功率P的极大似然估计,为呼吸频率ω的极大似然估计,为占空比因子η的极大似然估计,为随机相位的极大似然估计。
在公式(8)中,对噪声功率σ2求偏导数得到:
σ2=Λ(P,V)/N (13)
公式(13)是p(x;σ2,P,V,H1)取得最大值的必要条件,因此将公式(13)代入公式(12)得到:
根据公式(9)可知Λ(P,V)是的二次函数,如果K(V)≥0,则Λ(P,V)在满足的条件时取得最小值,并且最小值如果K(V)<0,则Λ(P,V)在满足的条件时取得最小值,并且最小值由于集合{V|Κ(V)≥0}不是空集,并且因此可以得到Λ(P,V)取得最小值的必要条件是该条件等价于:
P=(Κ(V)/N)2 (16)
其中,V∈{V|Κ(V)≥0}。
将公式(16)代入公式(15),得到:
由于Λ(P=(Κ(V)/N)2,V)=EM-Κ(V)2/N,因此公式(17)等价于:
根据上述过程以及公式(13)、公式(16)和公式(18),可以得到在H1为真的情况下,信号功率、呼吸频率、占空比因子、随机相位和噪声功率的极大似然估计为:
其中,为呼吸频率ω的极大似然估计,为占空比因子η的极大似然估计,为随机相位的极大似然估计,为信号功率P的极大似然估计,为噪声功率σ2在存在呼吸信号时的极大似然估计。
2)不存在呼吸信号,即H0为真的情况下:
观测数据向量x的概率密度函数为:
在H0为真的情况下,未知参数包括噪声功率,根据公式(22),它的极大似然估计为:
在公式(22)中,对噪声功率σ2求导数,并结合公式(23),可以得到在H0为真的情况下,噪声功率的极大似然估计为:
其中,为噪声功率σ2在不存在所述呼吸信号时的极大似然估计。
根据公式(19)、公式(20)、公式(21)和公式(24)得到了全部未知参数的极大似然估计后,可采用网格搜索法(GridSearch)进行求解。
具体地,由于呼吸信号的占空比是在一个有限的范围内变化,因此占空比因子η也会在一个有限范围内变化,通常其变化范围是3≤η≤12;由于人体呼吸频率通常在0.1Hz和0.5Hz之间,因此呼吸频率ω的变化范围是2πTS×0.1Hz≤ω≤2πTS×0.5Hz,其中TS为慢时间采样周期;随机相位满足条件可见所有变量的取值范围都是有限的,可以采用网格搜索的方式进行求解,具体各参数的搜索范围和搜索步长可参考如下表2进行设置。
表2
S205、根据信号功率、呼吸频率、占空比因子、随机相位和噪声功率的极大似然估计的结果,对待处理信号进行概率密度统计,得到广义似然比检测器。
具体地,在对待处理信号进行概率密度统计得到的公式(7)和公式(22)中,用信号功率、呼吸频率、占空比因子、随机相位和噪声功率这些未知参数的极大似然估计替换这些未知参数,可得到:
其中,γ为预置的门限值,T(x)表示检验统计量。
将公式(23)和公式(24)代入公式(25),得到:
为了降低计算复杂度,可以定义新的检测统计量为:
根据公式(26)和公式(27),可得到广义似然比检测器为:
其中,为预置的第一门限值。
进一步地,可以采用网格搜索的方式对公式(28)进行求解,具体各参数的搜索范围和搜索步长可参考如下表3进行设置。
表3
S206、设置占空比因子为固定预设值,用该固定预设值代替占空比因子的极大似然估计,得到改进后的广义似然比检测器。
由于在对步骤S205得到的公式(28)进行性能分析过程中,发现当呼吸信号具有较高的占空比,即占空比因子的值较小时,检测性能表现不佳。因此,可以将占空比因子直接设置为固定预设值,优选地,可以将占空比因子的值设为4,用该固定预设值代替占空比因子的极大似然估计,使得对高占空比的呼吸信号有更好的检测性能。
具体地,根据公式(28)和固定预设值的占空比因子,得到改进后的广义似然比检测器为:
其中,为预置的第二门限值,η0为占空比因子的固定预设值,优选地,η0=4。
S207、根据改进后的广义似然比检测器对待处理信号进行检测。
根据公式(29)得到的改进后的广义似然比检测器,可以对待处理信号是否存在呼吸信号进行检测。
具体地,可以采用网格搜索的方式对公式(29)进行求解,具体各参数的搜索范围和搜索步长可参考如下表4进行设置。
表4
根据求解的结果,当时,表示H1为真,存在呼吸信号;当时,表示H0为真,不存在呼吸信号。
需要说明的是,第二门限值的取值要适当,如果的取值过高,则会降低检测概率;若的取值过低,则会增大虚警率。
本实施例中,通过对原始信号进行快时间线性相位滤波和线性趋势消除的预处理,得到待处理信号,对待处理信号的信号功率、呼吸频率、占空比因子、随机相位和噪声功率这些未知参数进行极大似然估计,从而充分利用呼吸信号波形中的各种参数信息,根据极大似然估计的结果,对待处理信号进行概率密度统计,得到广义似然比检测器,并对该检测器进行改进,用固定预设值的占空比因子代替占空比因子的极大似然估计,得到改进后的广义似然比检测器。从而实现了采用该基于极大似然估计的改进的广义似然比检测器对呼吸信号的检测具有更高的检测概率。
实施例三:
图4是本发明实施例三提供的呼吸信号检测装置的组成示意图,为了便于说明,仅示出了与本发明实施例相关的部分。图4示例的用于呼吸信号检测的装置可以是前述实施例一提供的用于呼吸信号检测的方法的执行主体,其可以是应用设备或者应用设备中的一个功能模块。图4示例的用于呼吸信号检测的装置主要包括:采集模块41、预处理模块42、估计模块43、统计模块44和检测模块45。各功能模块详细说明如下:
采集模块41,用于采集原始信号,该原始信号包括非呼吸信号;
预处理模块42,用于对原始信号进行预处理,过滤非呼吸信号中除噪声以外的其他信号,得到待处理信号;
估计模块43,用于对待处理信号中的未知参数进行极大似然估计;
统计模块44,用于根据极大似然估的计结果,对待处理信号进行概率密度统计,得到广义似然比检测器;
检测模块45,用于根据广义似然比检测器对待处理信号进行检测。
本实施例中的呼吸信号检测装置中,各模块实现各自功能的过程,参见前述图1所示实施例的描述,此处不再赘述。
从上述图4示例的用于呼吸信号检测的装置可知,本实施例中,通过对原始信号进行预处理,得到待处理信号,对待处理信号的未知参数进行极大似然估计,从而充分利用呼吸信号波形中的各种参数信息,并根据极大似然估计的结果,对待处理信号进行概率密度统计,得到广义似然比检测器,使用该广义似然比检测器对待处理信号进行检测,判断是否存在呼吸信号,从而达到对呼吸信号更高的检测概率。
实施例四:
图5是本发明实施例四提供的呼吸信号检测装置的组成示意图,为了便于说明,仅示出了与本发明实施例相关的部分。图5示例的用于呼吸信号检测的装置可以是前述实施例二提供的用于呼吸信号检测的方法的执行主体,其可以是应用设备或者应用设备中的一个功能模块。图5示例的用于呼吸信号检测的装置主要包括:采集模块51、预处理模块52、估计模块53、统计模块54和检测模块55。各功能模块详细说明如下:
采集模块51,用于采集原始信号,该原始信号包括非呼吸信号;
预处理模块52,用于对原始信号进行预处理,过滤非呼吸信号中除噪声以外的其他信号,得到待处理信号;
估计模块53,用于对待处理信号中的未知参数进行极大似然估计;
统计模块54,用于根据极大似然估的计结果,对待处理信号进行概率密度统计,得到广义似然比检测器;
检测模块55,用于根据广义似然比检测器对待处理信号进行检测。
具体地,预处理模块52包括:
相位滤波子模块521,用于对原始信号进行快时间线性相位滤波,消除原始信号在快时间域的不稳定快时间直流信号;
趋势消除子模块522,用于对原始信号进行线性趋势消除,抑制原始信号中的杂波信号和线性趋势信号。
进一步地,估计模块53还用于:
对信号功率、呼吸频率、占空比因子、随机相位和噪声功率进行极大似然估计;
所述呼吸频率、所述占空比因子和所述随机相位的极大似然估计为:
A(qω)=|X(qω)|
其中,为所述呼吸频率ω的极大似然估计,为所述占空比因子η的极大似然估计,为所述随机相位的极大似然估计,q为呼吸谐波阶次,Q为预置的所述呼吸谐波阶次的上限值,为根据q和η的组合得到的预置的函数值,X(qω)为所述待处理信号中慢时间域观测信号能量的离散时间傅里叶变换,P(qω)为所述X(qω)的相位;
所述信号功率的极大似然估计为:
其中,为所述信号功率P的极大似然估计,N为所述慢时间域的预置的最大值;
当存在所述呼吸信号时,所述噪声功率的极大似然估计为:
其中,为所述噪声功率σ2在存在所述呼吸信号时的极大似然估计,EM为所述待处理信号中慢时间域观测信号能量;
当不存在所述呼吸信号时,所述噪声功率的极大似然估计为:
其中,为所述噪声功率σ2在不存在所述呼吸信号时的极大似然估计。
进一步地,统计模块54还用于:
根据信号功率、呼吸频率、占空比因子、随机相位和噪声功率的极大似然估计的结果,对待处理信号进行概率密度统计,得到广义似然比检测器为:
其中,H1表示存在所述呼吸信号,H0表示不存在所述呼吸信号,为预置的第一门限值。
进一步地,统计模块54还用于:
设置所述占空比因子η为固定预设值η0,用η0代替占空比因子的极大似然估计,代入广义似然比检测器,得到改进后的广义似然比检测器为:
其中,为预置的第二门限值。
本实施例中的呼吸信号检测装置中,各模块实现各自功能的过程,参见前述图2所示实施例的描述,此处不再赘述。
从上述图5示例的用于呼吸信号检测的装置可知,本实施例中,通过对原始信号进行快时间线性相位滤波和线性趋势消除的预处理,得到待处理信号,对待处理信号的信号功率、呼吸频率、占空比因子、随机相位和噪声功率这些未知参数进行极大似然估计,从而充分利用呼吸信号波形中的各种参数信息,根据极大似然估计的结果,对待处理信号进行概率密度统计,得到广义似然比检测器,并对该检测器进行改进,用固定预设值的占空比因子代替占空比因子的极大似然估计,得到改进后的广义似然比检测器。从而实现了采用该基于极大似然估计的改进的广义似然比检测器对呼吸信号的检测具有更高的检测概率。
需要说明的是,本说明书中的各个实施例均采用递进的方式描述,每一个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同或者相似的部分互相参见即可。对于装置类实施例而言,由于其与方法实施例基本相似,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
值得注意的是,上述装置实施例中,所包括的各个模块只是按照功能逻辑进行划分的,但并不局限于上述的划分,只要能够实现相应的功能即可;另外,各功能模块的具体名称也只是为了便于相互区分,并不用于限制本发明的保护范围。
本领域普通技术人员可以理解,实现上述各实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成,相应的程序可以存储于一计算机可读取存储介质中,所述的存储介质,如ROM/RAM、磁盘或光盘等。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (8)
1.一种呼吸信号检测方法,其特征在于,包括:
采集原始信号,所述原始信号包括非呼吸信号;
对所述原始信号进行预处理,过滤所述非呼吸信号中除噪声以外的其他信号,得到待处理信号;
对所述待处理信号中的未知参数进行极大似然估计;
根据所述极大似然估计的结果,对所述待处理信号进行概率密度统计,得到广义似然比检测器;
根据所述广义似然比检测器对所述待处理信号进行检测;
所述对所述待处理信号中的未知参数进行极大似然估计包括:
对信号功率、呼吸频率、占空比因子、随机相位和噪声功率进行极大似然估计;
所述呼吸频率、所述占空比因子和所述随机相位的极大似然估计为:
其中,为所述呼吸频率ω的极大似然估计,为所述占空比因子η的极大似然估计,为所述随机相位的极大似然估计,q为呼吸谐波阶次,Q为预置的所述呼吸谐波阶次的上限值,θ为预置参数且取值范围为θ∈{0,π},为根据q和η的组合得到的预置的函数值,为所述待处理信号中慢时间域观测信号能量的离散时间傅里叶变换,为所述的相位;
所述信号功率的极大似然估计为:
其中,为所述信号功率P的极大似然估计,N为所述慢时间域的预置的最大值;
当存在所述呼吸信号时,所述噪声功率的极大似然估计为:
其中,为所述噪声功率σ2在存在所述呼吸信号时的极大似然估计,EM为所述待处理信号中慢时间域观测信号能量;
当不存在所述呼吸信号时,所述噪声功率的极大似然估计为:
其中,为所述噪声功率σ2在不存在所述呼吸信号时的极大似然估计。
2.根据权利要求1所述的呼吸信号检测方法,其特征在于,所述对所述原始信号进行预处理,过滤所述非呼吸信号中除噪声以外的其他信号,得到待处理信号包括:
对所述原始信号进行快时间线性相位滤波,消除所述原始信号在快时间域的不稳定快时间直流信号;
对所述原始信号进行线性趋势消除,抑制所述原始信号中的杂波信号和线性趋势信号。
3.根据权利要求1所述的呼吸信号检测方法,其特征在于,所述根据所述极大似然估计的结果,对所述待处理信号进行概率密度统计,得到广义似然比检测器包括:
根据所述信号功率、所述呼吸频率、所述占空比因子、所述随机相位和所述噪声功率的所述极大似然估计的结果,对所述待处理信号进行概率密度统计,得到广义似然比检测器的检测统计量为:
其中,表示存在所述呼吸信号,表示不存在所述呼吸信号,为预置的第一门限值。
4.根据权利要求3所述的呼吸信号检测方法,其特征在于,设置所述占空比因子η为固定预设值η0,用η0代替所述占空比因子的极大似然估计,代入所述广义似然比检测器,得到改进后的广义似然比检测器的检测统计量为:
其中,为预置的第二门限值。
5.一种呼吸信号检测装置,其特征在于,包括:
采集模块,用于采集原始信号,所述原始信号包括非呼吸信号;
预处理模块,用于对所述原始信号进行预处理,过滤所述非呼吸信号中除噪声以外的其他信号,得到待处理信号;
估计模块,用于对所述待处理信号中的未知参数进行极大似然估计;
统计模块,用于根据所述极大似然估的计结果,对所述待处理信号进行概率密度统计,得到广义似然比检测器;
检测模块,用于根据所述广义似然比检测器对所述待处理信号进行检测;
所述估计模块还用于:
对信号功率、呼吸频率、占空比因子、随机相位和噪声功率进行极大似然估计;
所述呼吸频率、所述占空比因子和所述随机相位的极大似然估计为:
其中,为所述呼吸频率ω的极大似然估计,为所述占空比因子η的极大似然估计,为所述随机相位的极大似然估计,q为呼吸谐波阶次,Q为预置的所述呼吸谐波阶次的上限值,θ为预置参数且取值范围为θ∈{0,π},为根据q和η的组合得到的预置的函数值,为所述待处理信号中慢时间域观测信号能量的离散时间傅里叶变换,为所述的相位;
所述信号功率的极大似然估计为:
其中,为所述信号功率P的极大似然估计,N为所述慢时间域的预置的最大值;
当存在所述呼吸信号时,所述噪声功率的极大似然估计为:
其中,为所述噪声功率σ2在存在所述呼吸信号时的极大似然估计,EM为所述待处理信号中慢时间域观测信号能量;
当不存在所述呼吸信号时,所述噪声功率的极大似然估计为:
其中,为所述噪声功率σ2在不存在所述呼吸信号时的极大似然估计。
6.根据权利要求5所述的呼吸信号检测装置,其特征在于,所述预处理模块包括:
相位滤波子模块,用于对所述原始信号进行快时间线性相位滤波,消除所述原始信号在快时间域的不稳定快时间直流信号;
趋势消除子模块,用于对所述原始信号进行线性趋势消除,抑制所述原始信号中的杂波信号和线性趋势信号。
7.根据权利要求5所述的呼吸信号检测装置,其特征在于,所述统计模块还用于:
根据所述信号功率、所述呼吸频率、所述占空比因子、所述随机相位和所述噪声功率的所述极大似然估计的结果,对所述待处理信号进行概率密度统计,得到广义似然比检测器的检测统计量为:
其中,表示存在所述呼吸信号,表示不存在所述呼吸信号,为预置的第一门限值。
8.根据权利要求7所述的呼吸信号检测装置,其特征在于,所述统计模块还用于:
设置所述占空比因子η为固定预设值η0,用η0代替所述占空比因子的极大似然估计,代入所述广义似然比检测器,得到改进后的广义似然比检测器的检测统计量为:
其中,为预置的第二门限值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201511021806.XA CN105640502B (zh) | 2015-12-29 | 2015-12-29 | 一种呼吸信号检测方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201511021806.XA CN105640502B (zh) | 2015-12-29 | 2015-12-29 | 一种呼吸信号检测方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105640502A CN105640502A (zh) | 2016-06-08 |
CN105640502B true CN105640502B (zh) | 2018-08-14 |
Family
ID=56489938
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201511021806.XA Active CN105640502B (zh) | 2015-12-29 | 2015-12-29 | 一种呼吸信号检测方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105640502B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103169449A (zh) * | 2013-03-01 | 2013-06-26 | 中国科学院深圳先进技术研究院 | 呼吸信号检测方法和装置 |
CN104133199A (zh) * | 2014-07-08 | 2014-11-05 | 中国科学院电子学研究所 | 用于生命探测雷达的微弱呼吸信号增强方法 |
-
2015
- 2015-12-29 CN CN201511021806.XA patent/CN105640502B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103169449A (zh) * | 2013-03-01 | 2013-06-26 | 中国科学院深圳先进技术研究院 | 呼吸信号检测方法和装置 |
CN104133199A (zh) * | 2014-07-08 | 2014-11-05 | 中国科学院电子学研究所 | 用于生命探测雷达的微弱呼吸信号增强方法 |
Non-Patent Citations (2)
Title |
---|
基于广义似然比检验的差分超宽带信号接收机;向新 等;《西安电子科技大学学报(自然科学版)》;20070228;第34卷(第1期);第26-28、48页 * |
基于广义似然比的高分辨率雷达目标检测;黎海涛 等;《系统工程与电子技术》;20001130;第22卷(第11期);第5-6、13页 * |
Also Published As
Publication number | Publication date |
---|---|
CN105640502A (zh) | 2016-06-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Yan et al. | Compound fault diagnosis of rotating machinery based on OVMD and a 1.5-dimension envelope spectrum | |
Azami et al. | An improved signal segmentation using moving average and Savitzky-Golay filter | |
Choi et al. | Multi-human detection algorithm based on an impulse radio ultra-wideband radar system | |
CN104777442B (zh) | 一种核磁共振测深fid信号噪声抑制方法 | |
Gabarda et al. | Detection of events in seismic time series by time–frequency methods | |
Chen et al. | Interrupted-sampling repeater jamming suppression based on stacked bidirectional gated recurrent unit network and infinite training | |
CN108594177A (zh) | 基于改进hht的雷达信号调制方式分析方法、信号处理系统 | |
Satija et al. | Noise‐aware dictionary‐learning‐based sparse representation framework for detection and removal of single and combined noises from ECG signal | |
Wu et al. | Elimination of cross‐terms in the Wigner–Ville distribution of multi‐component LFM signals | |
CN110336587A (zh) | 一种多跳频信号侦察中获取组合时频分布的方法 | |
Saulig et al. | A local entropy-based algorithm for information content extraction from time–frequency distributions of noisy signals | |
Kang et al. | Global navigation satellite system interference tracking and mitigation based on an adaptive fading Kalman filter | |
CN103230267A (zh) | 一种抗运动干扰的脉率提取方法 | |
CN113887398A (zh) | 一种基于变分模态分解和奇异谱分析的gpr信号去噪方法 | |
Agarwal et al. | Ensemble empirical mode decomposition: An adaptive method for noise reduction | |
Tian et al. | Early fault feature extraction for rolling bearings using adaptive variational mode decomposition with noise suppression and fast spectral correlation | |
Xiong et al. | Cross correlation singularity power spectrum theory and application in radar target detection within sea clutters | |
Liu et al. | Maximum correntropy criterion-based blind deconvolution and its application for bearing fault detection | |
Fang et al. | Minimum noise amplitude deconvolution and its application in repetitive impact detection | |
Gong et al. | Nonlinear vibration feature extraction based on power spectrum envelope adaptive empirical Fourier decomposition | |
Lv et al. | An improved method based on time-frequency distribution to detect time-varying interference for GNSS receivers with single antenna | |
Xu et al. | Rolling bearing fault feature extraction via improved SSD and a singular-value energy autocorrelation coefficient spectrum | |
CN105640502B (zh) | 一种呼吸信号检测方法和装置 | |
Salmasi et al. | Fractal dimension analysis for spike detection in low SNR extracellular signals | |
Limin et al. | Low probability of intercept radar signal recognition based on the improved AlexNet model |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |