CN109738887A - 一种适用于微动干扰场景的目标人体运动状态识别方法 - Google Patents
一种适用于微动干扰场景的目标人体运动状态识别方法 Download PDFInfo
- Publication number
- CN109738887A CN109738887A CN201811540319.8A CN201811540319A CN109738887A CN 109738887 A CN109738887 A CN 109738887A CN 201811540319 A CN201811540319 A CN 201811540319A CN 109738887 A CN109738887 A CN 109738887A
- Authority
- CN
- China
- Prior art keywords
- frequency
- arm
- time
- signal
- curve
- 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.)
- Granted
Links
Landscapes
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明公开了一种适用于微动干扰场景的目标人体运动状态识别方法，该方法包括以下步骤：1)搭建连续波雷达收发机，获取目标空间内人体运动形成的多谱勒信号；2)运用经验模态分解算法，去除目标空间内其他人体微动作所产生的微多普勒信号，提取目标人体产生的信号；3)运用短时傅立叶变换和Hermite多窗口，对目标人体信号进行时频能量谱分析，并对该信号进行能量聚集；4)运用能量聚集后所得的时频能量谱，提取人体躯干运动和摆臂运动的特征；5)运用集成学习思想，将Bagging和决策树组合形成运动状态分类器，实现静止、跑步、爬行、单臂运动、双臂运动、无臂运动共6种运动状态的识别。本发明实现了对其他人体微动干扰信号的去除。
Description
技术领域
本发明涉及信号处理技术，尤其涉及一种适用于微动干扰场景的目标人体运动状态识别方法。
背景技术
目前，针对人体运动状态的识别已经成为无线传感领域的热点研究方向。
现有的针对人体运动状态的识别方法主要是通过分析多普勒信号来实现。然而，由于该方法在识别过程中使用的有效信息量比较少，造成识别准确度偏低。为了解决该问题，人们提出了使用微多普勒信号进行分析的方法，但该方法的复杂度较高。
发明内容
本发明要解决的技术问题在于针对现有技术中的缺陷，提供一种适用于微动干扰场景的目标人体运动状态识别方法。
本发明解决其技术问题所采用的技术方案是：一种适用于微动干扰场景的目标人体运动状态识别方法，包括以下步骤：
1)搭建连续波雷达收发机，获取目标空间内人体运动形成的多谱勒信号，包括目标人体信号和其他人体的微动信号；
2)运用经验模态分解算法，去除目标空间内其他人体微动作所产生的微多普勒信号，提取目标人体产生的信号；所述目标人体产生的信号包括多普勒信号和微多谱勒信号；
3)运用短时傅立叶变换和Hermite多窗口，对目标人体信号进行时频能量谱分析，并对该信号进行能量聚集；
4)运用能量聚集后所得的时频能量谱，提取人体躯干运动和摆臂运动的特征；
5)运用集成学习思想，将Bagging和决策树组合形成运动状态分类器，实现静止、跑步、爬行、单臂运动、双臂运动、无臂运动共6种运动状态的识别。
按上述方案，所述步骤2)中，运用经验模态分解算法，去除目标空间内其他人体微动作所产生的微多普勒信号，提取目标人体产生的信号，具体如下：
2.1)运用经验模态分解算法，将雷达回波信号分解为多个本征模态函数(IMF)，具体步骤如下：
2.1.1)获取步骤1)得到的原始信号数据序列x(t)的所有极大值点和极小值点，分别运用三次样条插值函数拟合出原始信号数据序列的上包络线和下包络线并求得上、下包络线的平均曲线：
2.1.2)使用原始信号数据序列x(t)减去上下包络的平均曲线，得到余量h1(t)，若h1(t)不满足IMF条件，则用h1(t)代替x(t)；重复前面的过程直到所得到的hN(t)(第N个余量)满足IMF条件，则分解得到了第一个IMF，记为C1(t)，具体公式如下：
C1(t)＝hk(t)
r1(t)＝x(t)-C1(t)
其中，r1(t)为信号x(t)的剩余部分；
2.1.3)对信号剩余部分r1(t)，将剩余部分r1(t)代替原始信号数据序列x(t)继续按步骤2.1.1)至2.1.2)分解，直到所得剩余信号为一单调信号或者其值小于预先设定的门限，最终分解得到所有的IMF及残差分量，公式如下：
x(t)＝C1(t)+C2(t)+…+Cn(t)+rn(t)；
2.2)分解得到的IMF函数按频率成分大小分布，去除掉包含有目标空间内其他人体微动作所产生的微多普勒信号所对应的IMF，将剩余分解得到的IMF函数进行求和实现信号重构(离散复数信号)；
按上述方案，所述步骤3)中，运用短时傅立叶变换和Hermite多窗口，对目标人体信号进行时频能量谱分析，并对该信号进行能量聚集；具体如下：
3.1)获取步骤2.2)得到的重构信号(离散复数信号)，并计算K阶Hermite函数，K＝0，1，2，3，并将K阶Hermite函数作为多窗口函数引入短时傅里叶变换(STFT)，公式如下：
其中，Pk(t)为K阶Hermite函数；
3.2)通过选择不同阶次Hermite函数的最优加权系数dk，计算经过多窗口处理后的功率谱估计并得到时间频率能量谱，其中K＝4时，d0＝1.875d1＝-1.375d2＝0.625d3＝-0.125，公式如下所示：
3.3)在频域上加长度固定的窗P(l)，其长度为2L+1(L为频域窗P(l)自变量l最大取值)，在时频点(n,m)进行能量谱计算的同时，对同时刻点的邻近频率点以f＝k为对称轴进行能量谱求和，再将这一结果补充到能量谱分析结果中，最终结果作为能量聚集后的时频能量谱，公式如下：
按上述方案，所述步骤4)运用能量聚集后所得的时频能量谱，提取人体躯干运动和摆臂运动的特征，具体如下：
4.1)对能量聚集后所得的时频能量谱使用阈值切割去除背景噪声干扰；
4.2)对阈值切割后信号的时频能量谱提取各个时刻能量最大值对应的频率分布，得到目标人体躯干运动的离散时频点；
将以检测点为中心形成的九宫格点作为有效邻近点信号点并对其进行能量检测，若检测点为中心的九宫格内所有点的能量均大于切割阈值Pcut时，该检测点为有效信号点；从某一时刻分别从频率分布的两端开始遍历，进行检测点的判断，将该方向上的第一个有效信号点作为离散时频点，从而得到目标人体微动引起不同方向运动的离散时频点(手臂前向摆动时频点和手臂后向摆动时频点)；
4.3)将步骤4.2)得到的目标人体躯干运动的离散时频点和目标人体微动引起不同方向运动的离散时频点，分别使用按残差平方和最小原则进行拟合的最小二乘法进行曲线拟合，得到了两个不同方向上的摆臂包络时频曲线(手臂前向摆动曲线和手臂后向摆动曲线)，还得到躯干运动时频曲线，并在此基础上在上下两个方向进行包络曲线扩展；
4.4)根据4.3)的目标人体躯干运动的时频曲线的一维频率矩阵、手臂前向摆动时频曲线的一维频率矩阵和手臂后向摆动时频曲线的一维频率矩阵，并通过处理得到运动特征和摆臂特征，特征如下：
4.4.1)对目标人体躯干运动时频曲线一维频率矩阵求平均，得到躯干运动多普勒频率；
4.4.2)求得目标人体躯干运动时频曲线的一维频率矩阵的最大值和最小值，将其差值作为躯干运动多普勒带宽；
4.4.3)将手臂前向摆动曲线的一维频率矩阵和手臂后向摆动曲线的一维频率矩阵分别与躯干运动时频曲线的上下方向曲线扩展的一维频率矩阵做差值，分别取其绝对值的最大值为手臂前向摆动微多普勒频偏和手臂后向摆动微多普勒频偏；
4.4.4)将手臂前向摆臂曲线的一维频率矩阵的最大值减去手臂后向摆臂曲线的一维频率矩阵的最小值，其结果作为手臂摆动微多普勒信号带宽；
4.4.5)求得手臂前向运动相对于躯干运动的均方差RMSEf_b和手臂后向运动相对于躯干运动的均方差RMSEb_b，其公式为：
其中，f+(t)为躯干运动时频曲线的上方向曲线扩展的一维频率矩阵值，f-(t)为躯干运动时频曲线的下方向曲线扩展的一维频率矩阵值，ffront(t)为手臂前向摆动时频曲线的一维频率矩阵值,fback(t)为手臂后向摆动时频曲线的一维频率矩阵值；
4.4.6)求得手臂前向摆动相对于躯干运动与后向摆动相对于躯干运动的均方差比，其公式为；
4.4.7)求得手臂前向运动包络均方根RMSEfront和手臂后向运动包络均方根RMSEback，其公式为：
其中，ffront(t)为手臂前向摆动时频曲线的一维频率矩阵值,为手臂前向摆动时频曲线的一维频率矩阵的均值，fback(t)为手臂后向摆动时频曲线的一维频率矩阵值,为手臂后向摆动时频曲线的一维频率矩阵的均值；
4.5)将步骤4.3)得到的手臂前向摆动时频曲线和手臂后向摆动时频曲线，提取其包络峰值，具体步骤如下：
4.5.1)对前向摆臂时频曲线的包络{ffront(n)|n＝1,2,…,N}和后向摆臂时频曲线的包络{fback(n)|n＝1,2…,N}中的相邻点分别计算与f+(t)差值和f-(t)的差值并判断正负，其中正值表示逐渐增加，负值表示逐渐减少；
4.5.2)在步骤4.5.1)的基础上，分别再次对其相邻点计算差值并判断正负，最后得到峰值集合；
4.5.3)设置时间间隔阈值Tthr_front、Tthr_back和幅度偏离阈值Athr，对峰值集合提取有效峰值集合{tall,fall|n＝1,2,…,n}，其阈值设置如下：
Tthr_front＝RMSEf_b，Tthr_back＝RMSEb_b,
其中periodarm是摆臂周期；
4.6)对步骤4.5)提取的前后向摆臂的包络有效峰值集合进行峰值配对，从而得到有效峰值对，具体步骤如下：
4.6.1)通过摆臂周期区分摆臂类型(单臂或者双臂)，分别设置前后向摆臂时间差deltaone_arm和deltatwo_arms；
4.6.2)计算前后向摆臂有效峰值对之间的差值，并与前后向摆臂时间差比较，得到前后向摆臂有效峰值对{peak_f(n)|n＝1,2,…,N}，{peak_b(n)|n＝1,2,…,N}；
4.7)分别对步骤4.5)得到的前向有效包络峰值对应的一维时间矩阵和后向效包络峰值对应的一维时间矩阵中的相邻点计算差值，并求平均得到特征：有效摆臂周期；
4.8)计算步骤4.6)得到的前后向有效峰值对对应的一维时间矩阵相邻点的差值，并求平均得到特征：有效摆臂对时间差；
按上述方案，所述步骤4.1)中计算目标人体微动信号与背景噪声信号在能量幅值上的差值来选择阈值，具体步骤为：
4.1.1)将步骤(1)获取到的无人体运动的背景信号经过步骤(3)的多窗口处理和能量聚集，得到能量谱矩阵Pbackground；
4.1.2)获取步骤3.3)得到的能量聚集后目标人体微动信号的能量谱矩阵P；
4.1.3)以相同的能量区间长度ΔP对矩阵Pbackground和P进行能量分布统计得到一维矩阵POn和P1n，分别表示背景信号和运动信号在不同能量区间内的数量；
4.1.4)矩阵P1n减去P0n得到能量差值矩阵PΔ，遍历矩阵并检测相邻点的正负性得到适当的阈值切割点值Pcut，检测公式如下：
Pcut＝{PΔ(i-1)<0&PΔ(i)>0&PΔ(i+1)>0&PΔ(i+2)>0&PΔ(i+3)>0│i∈(2,size(PΔ))}
4.1.5)将步骤3.3)得到的能量聚集后的信号的时频能量谱的能量谱矩阵依据切割阈值Pcut进行阈值切割，小于Pcut的能量值设置为0，其他不变，其结果作为阈值切割后的输出。
按上述方案，所述步骤(5)包括以下子步骤：
5.1)对静止、跑步、爬行、单臂运动、双臂运动、无臂运动共6种运动状态，每种运动状态采集100组数据，并添加标签，获取所有每组数据的12种特征值，运用集成学习的思想，将Bagging和决策树组合进行分类，具体步骤如下：
使用十折交叉法，将数据集十等分，将其中九份作为训练集，一份作为验证集进行试验，如此轮流进行；
运用bagging算法，从训练集中随机取出一个样本放入采样集中，再把该样本放回初始数据集中，经过m次随机采样得到含有m个样本的采样集，重复进行，最后得到T个含m个样本的采样集，基于每个采样集分别进行决策树训练，得到T个不同的决策树，使用简单投票法得到票数最高的决策树作为输出；
5.2)通过计算十折交叉法各次正确率的均值得到最终分类的准确率。
本发明产生的有益效果是：在本发明中，运用经验模态分解算法将源信号进行分解，并选取适当的本征模态函数进行信号重构，实现了对其他人体微动干扰信号的去除，并在时频分析后加入能量聚集使得时频能量谱分辨率提高，解决了现有微动干扰场景下人体运动状态识别准确率低的问题。
附图说明
下面将结合附图及实施例对本发明作进一步说明，附图中：
图1是是本发明实施例的方法流程图；
图2是本发明实施例的目标人体微动干扰下目标人体信号时频能量谱图示例图；
图3是本发明实施例的经验模态分解后时频能量谱图示例图；
图4是本发明实施例的能量聚集后时频能量谱图示例图；
图5是本发明实施例的躯干包络图示例图；
图6是本发明实施例的前后向摆臂包络图示例图；
图7是本发明实施例的峰值提取图示例图；
图8是本发明实施例的峰值对提取图示例图。
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用以解释本发明，并不用于限定本发明。
如图1所示，本发明的整体思路在于，提出了一种适用于微动干扰场景的基于多普勒效应的目标人体运动状态识别方法，该方法总体可以分为四个部分：一、目标人体信号和其他人体微动信号的获取，运用软件无线电设备搭建连续波雷达收发机，获取信号；二、经验模态分解和高分辨率时频能量谱获取，对得到的雷达回波信号进行经验模态分解，进行目标人体运动信号重构，并进行时频分析和能量聚集得到高分辨率时频功率谱；三、提取人体躯干运动和摆臂运动的特征，对得到的时频能量谱进行目标人体运动信号和背景噪声切割，并提取离散时频点以及曲线拟合得到频率特征，提取有效包络峰值并设计前后向摆臂时间差得到有效峰值对集合，得到时间特征；四、运动状态分类，运用集成学习思想，使用bagging和决策树对运用状态进行分类并得到准确率。
一种适用于微动干扰场景的目标人体运动状态识别方法，包括以下步骤：
1)搭建连续波雷达收发机，获取目标空间内人体运动形成的多谱勒信号，包括目标人体信号和其他人体的微动信号；
步骤1)包括以下子步骤：
1.1)搭建硬件设备，将两块收发频段为850MHZ～6500MHZ的PCB定向射频天线用射频连接跳线分别与两台USRP相连(分别用于信号发送和信号接收)，其内置SBX子板的处理频段为400～4400MHZ，并使用MIMO cable连接两台USRP设备，完成信号的收发同步，USRP与PC端使用网线连接；
1.2)在Ubuntu16.04系统中的实验平台GNU Radio中完成软件环境搭建，依次将下列模块相连，连续波信号产生器完成数字连续波信号的设计，回波接受模块实现基带信号向USRP的推送和收取并完成同步，混频器将同步后的收发信号进行共轭相乘实现对高频载波的滤除，信号重采样模块用于减少数据量以适应PC端数据处理，数据流标签提取模块，信号输出模块，由此实现对数字信号的设计与处理；
1.3)获取复数形式的离散连续波信号采样点，并用matlab进行后续的信号处理。
2)运用经验模态分解算法，去除目标空间内其他人体微动作所产生的微多普勒信号，提取目标人体产生的信号；所述目标人体产生的信号包括多普勒信号和微多谱勒信号；如图2，图2中可知人体微动干扰下目标人体信号时频能量谱；
步骤2)中，运用经验模态分解算法，去除目标空间内其他人体微动作所产生的微多普勒信号，提取目标人体产生的信号，具体如下：
2.1)运用经验模态分解算法，将雷达回波信号分解为多个本征模态函数(IMF)，具体步骤如下：
2.1.1)获取步骤1)得到的原始信号数据序列x(t)的所有极大值点和极小值点，分别运用三次样条插值函数拟合出原始信号数据序列的上包络线和下包络线并求得上、下包络线的平均曲线：
2.1.2)使用原始信号数据序列x(t)减去上下包络的平均曲线，得到余量h1(t)，若h1(t)不满足IMF条件，则用h1(t)代替x(t)；重复前面的过程直到所得到的hk(t)满足IMF条件，则分解得到了第一个IMF，记为C1(t)，具体公式如下：
C1(t)＝hk(t)
r1(t)＝x(t)-C1(t)
其中，r1(t)为信号x(t)的剩余部分；
2.1.3)对信号剩余部分r1(t)，将剩余部分r1(t)代替原始信号数据序列x(t)继续按步骤2.1.1)至2.1.2)分解，直到所得剩余信号为一单调信号或者其值小于预先设定的门限，最终分解得到所有的IMF及残差分量，公式如下：
x(t)＝C1(t)+C2(t)+…+Cn(t)+rn(t)；
2.2)分解得到的IMF函数按频率成分大小分布，去除掉包含有目标空间内其他人体微动作所产生的微多普勒信号所对应的IMF，将剩余分解得到的IMF函数进行求和实现信号重构(离散复数信号)；如图3，图3可知经验模态分解后时频能量谱图；
3)运用短时傅立叶变换和Hermite多窗口，对目标人体信号进行时频能量谱分析，并对该信号进行能量聚集；
步骤3)中，运用短时傅立叶变换和Hermite多窗口，对目标人体信号进行时频能量谱分析，并对该信号进行能量聚集；具体如下：
3.1)获取步骤2.2)得到的重构信号(离散复数信号)，并计算K阶Hermite函数，K＝0，1，2，3，并将K阶Hermite函数作为多窗口函数引入短时傅里叶变换(STFT)，公式如下：
其中，Pk(t)为为K阶Hermite函数；
3.2)通过选择不同阶次Hermite函数的最优加权系数dk，计算经过多窗口处理后的功率谱估计并得到时间频率能量谱，其中K＝4时，d0＝1.875d1＝-1.375d2＝0.625d3＝-0.125，公式如下所示：
3.3)在频域上加长度固定的窗P(l)，其长度为2L+1，在时频点(n,m)进行能量谱计算的同时，对同时刻点的邻近频率点以f＝k为对称轴进行能量谱求和，再将这一结果补充到能量谱分析结果中，最终结果作为能量聚集后的时频能量谱，公式如下：
如图4，图4可知能量聚集后时频能量谱图；
4)运用能量聚集后所得的时频能量谱，提取人体躯干运动和摆臂运动的特征；
步骤4)运用能量聚集后所得的时频能量谱，提取人体躯干运动和摆臂运动的特征，具体如下：
4.1)对能量聚集后所得的时频能量谱使用阈值切割去除背景噪声干扰；步骤4.1)中计算目标人体微动信号与背景噪声信号在能量幅值上的差值来选择阈值，具体步骤为：
4.1.1)将步骤(1)获取到的无人体运动的背景信号经过步骤(3)的多窗口处理和能量聚集，得到能量谱矩阵Pbackground；
4.1.2)获取步骤3.3)得到的能量聚集后目标人体微动信号的能量谱矩阵P；
4.1.3)以相同的能量区间长度ΔP对矩阵Pbackground和P进行能量分布统计得到一维矩阵P0n和P1n，分别表示背景信号和运动信号在不同能量区间内的数量；
4.1.4)矩阵P1n减去P0n得到能量差值矩阵PΔ，遍历矩阵并检测相邻点的正负性得到适当的阈值切割点值Pcut，检测公式如下：
Pcut＝{PΔ(i-1)<0&PΔ(i)>0&PΔ(i+1)>0&PΔ(i+2)>0&PΔ(i+3)>0│i∈(2,size(PΔ))}
4.1.5)将步骤3.3)得到的能量聚集后的信号的时频能量谱的能量谱矩阵依据切割阈值Pcut进行阈值切割，小于Pcut的能量值设置为0，其他不变，其结果作为阈值切割后的输出。
4.2)对阈值切割后信号的时频能量谱提取各个时刻能量最大值对应的频率分布，得到目标人体躯干运动的离散时频点；
将以检测点为中心形成的九宫格点作为有效邻近点信号点并对其进行能量检测，若检测点为中心的九宫格内所有点的能量均大于切割阈值Pcut时，该检测点为有效信号点；从某一时刻分别从频率分布的两端开始遍历，进行检测点的判断，将该方向上的第一个有效信号点作为检测点，从而得到目标人体微动引起不同方向运动的离散时频点(手臂前向摆动时频点和手臂后向摆动时频点)；
4.3)将步骤4.2)得到的目标人体躯干运动的离散时频点和目标人体微动引起不同方向运动的离散时频点，分别使用按残差平方和最小原则进行拟合的最小二乘法进行曲线拟合，得到了两个不同方向上的摆臂包络时频曲线(手臂前向摆动曲线和手臂后向摆动曲线)，如图6，图6可得前后向摆臂包络，还得到躯干运动时频曲线，并在此基础上在上下两个方向进行包络曲线扩展；如图5，图5可得躯干包络；
4.4)根据4.3)的目标人体躯干运动的时频曲线的一维频率矩阵、手臂前向摆动时频曲线的一维频率矩阵和手臂后向摆动时频曲线的一维频率矩阵，并通过处理得到运动特征和摆臂特征，特征如下：
4.4.1)对目标人体躯干运动时频曲线一维频率矩阵求平均，得到躯干运动多普勒频率；
4.4.2)求得目标人体躯干运动时频曲线的一维频率矩阵的最大值和最小值，将其差值作为躯干运动多普勒带宽；
4.4.3)将手臂前向摆动曲线的一维频率矩阵和手臂后向摆动曲线的一维频率矩阵分别与躯干运动时频曲线的上下方向曲线扩展的一维频率矩阵做差值，分别取其绝对值的最大值为手臂前向摆动微多普勒频偏和手臂后向摆动微多普勒频偏；
4.4.4)将手臂前向摆臂曲线的一维频率矩阵的最大值减去手臂后向摆臂曲线的一维频率矩阵的最小值，其结果作为手臂摆动微多普勒信号带宽；
4.4.5)求得手臂前向运动相对于躯干运动的均方差RMSEf_b和手臂后向运动相对于躯干运动的均方差RMSEb_b，其公式为：
其中，f+(t)为躯干运动时频曲线的上方向曲线扩展的一维频率矩阵值，f-(t)为躯干运动时频曲线的下方向曲线扩展的一维频率矩阵值，ffront(t)为手臂前向摆动时频曲线的一维频率矩阵值,fback(t)为手臂后向摆动时频曲线的一维频率矩阵值；
4.4.6)求得手臂前向摆动相对于躯干运动与后向摆动相对于躯干运动的均方差比，其公式为；
4.4.7)求得手臂前向运动包络均方根RMSEfront和手臂后向运动包络均方根RMSEback，其公式为：
其中，ffront(t)为手臂前向摆动时频曲线的一维频率矩阵值,为手臂前向摆动时频曲线的一维频率矩阵的均值，fback(t)为手臂后向摆动时频曲线的一维频率矩阵值,为手臂后向摆动时频曲线的一维频率矩阵的均值；
4.5)将步骤4.3)得到的手臂前向摆动时频曲线和手臂后向摆动时频曲线，提取其包络峰值，如图7，图7可得分峰值提取，并得到有无经验模态分解的对比，图7(a)为经验模态分解后峰值提取图示例图，图7(b)为无经验模态分解后分峰值提取图示例图；具体步骤如下：
4.5.1)对前向摆臂时频曲线的包络{ffront(n)|n＝1,2,…,N}和后向摆臂时频曲线的包络{fback(n)|n＝1,2…,N}中的相邻点分别计算与f+(t)差值和f-(t)的差值并判断正负，其中正值表示逐渐增加，负值表示逐渐减少；
4.5.2)在步骤4.5.1)的基础上，分别再次对其相邻点计算差值并判断正负，最后得到峰值集合；
4.5.3)设置时间间隔阈值Tthr_front、Tthr_back和幅度偏离阈值Athr，对峰值集合提取有效峰值集合{tall,fall|n＝1,2,…,n}，其阈值设置如下：
Tthr_front＝RMSEf_b，Tthr_back＝RMSEb_b,
其中periodarm是摆臂周期；
4.6)对步骤4.5)提取的前后向摆臂的包络有效峰值集合进行峰值配对，从而得到有效峰值对，如图8，图8可得峰值对提取，并得到有无经验模态分解的对比，其中，图8(a)为经验模态分解后峰值对提取图示例图，图8(b)为无经验模态分解后分峰值对提取图示例图；具体步骤如下：
4.6.1)通过摆臂周期区分摆臂类型(单臂或者双臂)，分别设置前后向摆臂时间差deltaone_arm和deltatwo_arms；
4.6.2)计算前后向摆臂有效峰值对之间的差值，并与前后向摆臂时间差比较，得到前后向摆臂有效峰值对{peak_f(n)|n＝1,2,…,N}，{peak_b(n)|n＝1,2,…,N}；
4.7)分别对步骤4.5)得到的前向有效包络峰值对应的一维时间矩阵和后向效包络峰值对应的一维时间矩阵中的相邻点计算差值，并求平均得到特征：有效摆臂周期；
4.8)计算步骤4.6)得到的前后向有效峰值对对应的一维时间矩阵相邻点的差值，并求平均得到特征：有效摆臂对时间差；
5)运用集成学习思想，将Bagging和决策树组合形成运动状态分类器，实现静止、跑步、爬行、单臂运动、双臂运动、无臂运动共6种运动状态的识别；
步骤(5)包括以下子步骤：
5.1)对静止、跑步、爬行、单臂运动、双臂运动、无臂运动共6种运动状态，每种运动状态采集100组数据，并添加标签，获取所有每组数据的12种特征值，运用集成学习的思想，将Bagging和决策树组合进行分类，具体步骤如下：
使用十折交叉法，将数据集十等分，将其中九份作为训练集，一份作为验证集进行试验，如此轮流进行；
运用bagging算法，从训练集中随机取出一个样本放入采样集中，再把该样本放回初始数据集中，经过m次随机采样得到含有m个样本的采样集，重复进行，最后得到T个含m个样本的采样集，基于每个采样集分别进行决策树训练，得到T个不同的决策树，使用简单投票法得到票数最高的决策树作为输出；
5.2)通过计算十折交叉法各次正确率的均值得到最终分类的准确率。
应当理解的是，对本领域普通技术人员来说，可以根据上述说明加以改进或变换，而所有这些改进和变换都应属于本发明所附权利要求的保护范围。
Claims (6)
1.一种适用于微动干扰场景的目标人体运动状态识别方法，其特征在于，包括以下步骤：
1)搭建连续波雷达收发机，获取目标空间内人体运动形成的多谱勒信号，包括目标人体信号和其他人体的微动信号；
2)运用经验模态分解算法，去除目标空间内其他人体微动作所产生的微多普勒信号，提取目标人体产生的信号；所述目标人体产生的信号包括多普勒信号和微多谱勒信号；
3)运用短时傅立叶变换和Hermite多窗口，对目标人体信号进行时频能量谱分析，并对该信号进行能量聚集；
4)运用能量聚集后所得的时频能量谱，提取人体躯干运动和摆臂运动的特征；
5)运用集成学习思想，将Bagging和决策树组合形成运动状态分类器，实现静止、跑步、爬行、单臂运动、双臂运动、无臂运动共6种运动状态的识别。
2.根据权利要求1所述的目标人体运动状态识别方法，其特征在于，所述步骤2)中，运用经验模态分解算法，去除目标空间内其他人体微动作所产生的微多普勒信号，提取目标人体产生的信号，具体如下：
2.1)运用经验模态分解算法，将雷达回波信号分解为多个本征模态函数IMF，具体步骤如下：
2.1.1)获取步骤1)得到的原始信号数据序列x(t)的所有极大值点和极小值点，分别运用三次样条插值函数拟合出原始信号数据序列的上包络线和下包络线并求得上、下包络线的平均曲线：
2.1.2)使用原始信号数据序列x(t)减去上下包络的平均曲线，得到余量h1(t)，若h1(t)不满足IMF条件，则用h1(t)代替x(t)；重复前面的过程直到所得到的hN(t)满足IMF条件，则分解得到了第一个IMF，记为C1(t)，具体公式如下：
C1(t)＝hN(t)
r1(t)＝x(t)-C1(t)
其中，r1(t)为信号x(t)的剩余部分；
2.1.3)对信号剩余部分r1(t)，将剩余部分r1(t)代替原始信号数据序列x(t)继续按步骤2.1.1)至2.1.2)分解，直到所得剩余信号为一单调信号或者其值小于预先设定的门限，最终分解得到所有的IMF及残差分量，公式如下：
x(t)＝C1(t)+C2(t)+…+Cn(t)+rn(t)；
2.2)分解得到的IMF函数按频率成分大小分布，去除掉包含有目标空间内其他人体微动作所产生的微多普勒信号所对应的IMF，将剩余分解得到的IMF函数进行求和实现信号重构，获得离散复数信号。
3.根据权利要求1所述的目标人体运动状态识别方法，其特征在于，所述步骤3)中，运用短时傅立叶变换和Hermite多窗口，对目标人体信号进行时频能量谱分析，并对该信号进行能量聚集；具体如下：
3.1)获取步骤2.2)得到的重构信号，并计算K阶Hermite函数，K＝0，1，2，3，并将K阶Hermite函数作为多窗口函数引入短时傅里叶变换，公式如下：
其中，Pk(t)为K阶Hermite函数；
3.2)通过选择不同阶次Hermite函数的最优加权系数dk，计算经过多窗口处理后的功率谱估计并得到时间频率能量谱，其中K＝4时，d0＝1.875d1＝-1.375d2＝0.625d3＝-0.125，公式如下所示：
3.3)在频域上加长度固定的窗P(l)，其长度为2L+1，其中，L为频域窗P(l)自变量l取值范围，在时频点(n,m)进行能量谱计算的同时，对同时刻点的邻近频率点以f＝k为对称轴进行能量谱求和，再将这一结果补充到能量谱分析结果中，最终结果作为能量聚集后的时频能量谱，公式如下：
4.根据权利要求1所述的目标人体运动状态识别方法，其特征在于，所述步骤4)运用能量聚集后所得的时频能量谱，提取人体躯干运动和摆臂运动的特征，具体如下：
4.1)对能量聚集后所得的时频能量谱使用阈值切割去除背景噪声干扰；
4.2)对阈值切割后信号的时频能量谱提取各个时刻能量最大值对应的频率分布，得到目标人体躯干运动的离散时频点；
将以检测点为中心形成的九宫格点作为有效邻近点信号点并对其进行能量检测，若检测点为中心的九宫格内所有点的能量均大于切割阈值Pcut时，该检测点为有效信号点；从某一时刻分别从频率分布的两端开始遍历，进行检测点的判断，将该方向上的第一个有效信号点作为离散时频点，从而得到目标人体微动引起不同方向运动的离散时频点；
4.3)将步骤4.2)得到的目标人体躯干运动的离散时频点和目标人体微动引起不同方向运动的离散时频点，分别使用按残差平方和最小原则进行拟合的最小二乘法进行曲线拟合，得到了两个不同方向上的摆臂包络时频曲线(手臂前向摆动曲线和手臂后向摆动曲线)，还得到躯干运动时频曲线，并在此基础上在上下两个方向进行包络曲线扩展；
4.4)根据4.3)的目标人体躯干运动的时频曲线的一维频率矩阵、手臂前向摆动时频曲线的一维频率矩阵和手臂后向摆动时频曲线的一维频率矩阵，并通过处理得到运动特征和摆臂特征，特征如下：
4.4.1)对目标人体躯干运动时频曲线一维频率矩阵求平均，得到躯干运动多普勒频率；
4.4.2)求得目标人体躯干运动时频曲线的一维频率矩阵的最大值和最小值，将其差值作为躯干运动多普勒带宽；
4.4.3)将手臂前向摆动曲线的一维频率矩阵和手臂后向摆动曲线的一维频率矩阵分别与躯干运动时频曲线的上下方向曲线扩展的一维频率矩阵做差值，分别取其绝对值的最大值为手臂前向摆动微多普勒频偏和手臂后向摆动微多普勒频偏；
4.4.4)将手臂前向摆臂曲线的一维频率矩阵的最大值减去手臂后向摆臂曲线的一维频率矩阵的最小值，其结果作为手臂摆动微多普勒信号带宽；
4.4.5)求得手臂前向运动相对于躯干运动的均方差RMSEf_b和手臂后向运动相对于躯干运动的均方差RMSEb_b，其公式为：
其中，f+(t)为躯干运动时频曲线的上方向曲线扩展的一维频率矩阵值，f-(t)为躯干运动时频曲线的下方向曲线扩展的一维频率矩阵值，ffront(t)为手臂前向摆动时频曲线的一维频率矩阵值,fback(t)为手臂后向摆动时频曲线的一维频率矩阵值；
4.4.6)求得手臂前向摆动相对于躯干运动与后向摆动相对于躯干运动的均方差比，其公式为；
4.4.7)求得手臂前向运动包络均方根RMSEfront和手臂后向运动包络均方根RMSEback，其公式为：
其中，ffront(t)为手臂前向摆动时频曲线的一维频率矩阵值,为手臂前向摆动时频曲线的一维频率矩阵的均值，fback(t)为手臂后向摆动时频曲线的一维频率矩阵值,为手臂后向摆动时频曲线的一维频率矩阵的均值；
4.5)将步骤4.3)得到的手臂前向摆动时频曲线和手臂后向摆动时频曲线，提取其包络峰值，具体步骤如下：
4.5.1)对前向摆臂时频曲线的包络{ffront(n)|n＝1,2,…,N}和后向摆臂时频曲线的包络{fback(n)|n＝1,2…,N}中的相邻点分别计算与f+(t)差值和f-(t)的差值并判断正负，其中正值表示逐渐增加，负值表示逐渐减少；
4.5.2)在步骤4.5.1)的基础上，分别再次对其相邻点计算差值并判断正负，最后得到峰值集合；
4.5.3)设置时间间隔阈值Tthr_front、Tthr_back和幅度偏离阈值Athr，对峰值集合提取有效峰值集合{tall,fall|n＝1,2,…,n}，其阈值设置如下：
Tthr_front＝RMSEf_b，Tthr_back＝RMSEb_b,
其中periodarm是摆臂周期；
4.6)对步骤4.5)提取的前后向摆臂的包络有效峰值集合进行峰值配对，从而得到有效峰值对，具体步骤如下：
4.6.1)通过摆臂周期区分摆臂类型(单臂或者双臂)，分别设置前后向摆臂时间差deltaone_arm和deltatwo_arms；
4.6.2)计算前后向摆臂有效峰值对之间的差值，并与前后向摆臂时间差比较，得到前后向摆臂有效峰值对{peak_f(n)|n＝1,2,…,N}，{peak_b(n)|n＝1,2,…,N}；
4.7)分别对步骤4.5)得到的前向有效包络峰值对应的一维时间矩阵和后向效包络峰值对应的一维时间矩阵中的相邻点计算差值，并求平均得到特征：有效摆臂周期；
4.8)计算步骤4.6)得到的前后向有效峰值对对应的一维时间矩阵相邻点的差值，并求平均得到特征：有效摆臂对时间差。
5.根据权利要求4所述的目标人体运动状态识别方法，其特征在于，所述步骤4.1)中计算目标人体微动信号与背景噪声信号在能量幅值上的差值来选择阈值，具体步骤为：
4.1.1)将步骤(1)获取到的无人体运动的背景信号经过步骤(3)的多窗口处理和能量聚集，得到能量谱矩阵Pbackground；
4.1.2)获取步骤3.3)得到的能量聚集后目标人体微动信号的能量谱矩阵P；
4.1.3)以相同的能量区间长度ΔP对矩阵Pbackground和P进行能量分布统计得到一维矩阵P0n和P1n，分别表示背景信号和运动信号在不同能量区间内的数量；
4.1.4)矩阵P1n减去P0n得到能量差值矩阵PΔ，遍历矩阵并检测相邻点的正负性得到适当的阈值切割点值Pcut，检测公式如下：
Pcut＝{PΔ(i-1)<0&PΔ(i)>0&PΔ(i+1)>0&PΔ(i+2)>0&PΔ(i+3)>0│i∈(2,size(PΔ))}
4.1.5)将步骤3.3)得到的能量聚集后的信号的时频能量谱的能量谱矩阵依据切割阈值Pcut进行阈值切割，小于Pcut的能量值设置为0，其他不变，其结果作为阈值切割后的输出。
6.根据权利要求1所述的目标人体运动状态识别方法，其特征在于，，所述步骤(5)包括以下子步骤：
5.1)对静止、跑步、爬行、单臂运动、双臂运动、无臂运动共6种运动状态，每种运动状态采集100组数据，并添加标签，获取所有每组数据的12种特征值，运用集成学习的思想，将Bagging和决策树组合进行分类，具体步骤如下：
使用十折交叉法，将数据集十等分，将其中九份作为训练集，一份作为验证集进行试验，如此轮流进行；
运用bagging算法，从训练集中随机取出一个样本放入采样集中，再把该样本放回初始数据集中，经过m次随机采样得到含有m个样本的采样集，重复进行，最后得到T个含m个样本的采样集，基于每个采样集分别进行决策树训练，得到T个不同的决策树，使用简单投票法得到票数最高的决策树作为输出；
5.2)通过计算十折交叉法各次正确率的均值得到最终分类的准确率。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811540319.8A CN109738887B (zh) | 2018-12-17 | 2018-12-17 | 一种适用于微动干扰场景的目标人体运动状态识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811540319.8A CN109738887B (zh) | 2018-12-17 | 2018-12-17 | 一种适用于微动干扰场景的目标人体运动状态识别方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109738887A true CN109738887A (zh) | 2019-05-10 |
| CN109738887B CN109738887B (zh) | 2023-01-17 |
Family
ID=66360403
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811540319.8A Active CN109738887B (zh) | 2018-12-17 | 2018-12-17 | 一种适用于微动干扰场景的目标人体运动状态识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109738887B (zh) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111241983A (zh) * | 2020-01-07 | 2020-06-05 | 北京海益同展信息科技有限公司 | 一种姿势检测方法、装置、系统、电子设备及存储介质 |
| CN111273284A (zh) * | 2020-03-06 | 2020-06-12 | 电子科技大学 | 一种人体躯干微动状态变化特征提取方法 |
| CN111975638A (zh) * | 2020-08-18 | 2020-11-24 | 青岛海纳水下信息技术有限公司 | 一种水研磨切割系统 |
| CN112130142A (zh) * | 2020-09-25 | 2020-12-25 | 中南大学 | 一种复杂运动目标微多普勒特征提取方法及系统 |
| CN113093140A (zh) * | 2021-04-09 | 2021-07-09 | 西安电子科技大学 | 基于加权admm的微动目标时频图重构方法 |
| CN113177514A (zh) * | 2021-05-20 | 2021-07-27 | 浙江波誓盾科技有限公司 | 无人机信号检测方法、装置及计算机可读存储介质 |
| CN116597521A (zh) * | 2023-07-19 | 2023-08-15 | 山东科技大学 | 一种人类轨迹及躯干活动识别方法及系统 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2002236172A (ja) * | 2000-12-06 | 2002-08-23 | Mitsubishi Electric Corp | レーダ装置 |
| CN103245937A (zh) * | 2013-05-27 | 2013-08-14 | 四川大学 | 基于微多普勒效应的微动目标特征提取方法 |
| CN107490795A (zh) * | 2017-07-24 | 2017-12-19 | 长沙学院 | 一种通过雷达实现人体运动状态识别的方法 |
-
2018
- 2018-12-17 CN CN201811540319.8A patent/CN109738887B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2002236172A (ja) * | 2000-12-06 | 2002-08-23 | Mitsubishi Electric Corp | レーダ装置 |
| CN103245937A (zh) * | 2013-05-27 | 2013-08-14 | 四川大学 | 基于微多普勒效应的微动目标特征提取方法 |
| CN107490795A (zh) * | 2017-07-24 | 2017-12-19 | 长沙学院 | 一种通过雷达实现人体运动状态识别的方法 |
Cited By (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111241983B (zh) * | 2020-01-07 | 2023-09-26 | 京东科技信息技术有限公司 | 一种姿势检测方法、装置、系统、电子设备及存储介质 |
| WO2021139666A1 (zh) * | 2020-01-07 | 2021-07-15 | 京东数科海益信息科技有限公司 | 一种姿势检测方法、装置、系统、电子设备及存储介质 |
| CN111241983A (zh) * | 2020-01-07 | 2020-06-05 | 北京海益同展信息科技有限公司 | 一种姿势检测方法、装置、系统、电子设备及存储介质 |
| CN111273284B (zh) * | 2020-03-06 | 2022-05-17 | 电子科技大学 | 一种人体躯干微动状态变化特征提取方法 |
| CN111273284A (zh) * | 2020-03-06 | 2020-06-12 | 电子科技大学 | 一种人体躯干微动状态变化特征提取方法 |
| CN111975638A (zh) * | 2020-08-18 | 2020-11-24 | 青岛海纳水下信息技术有限公司 | 一种水研磨切割系统 |
| CN111975638B (zh) * | 2020-08-18 | 2022-03-29 | 青岛海纳水下信息技术有限公司 | 一种水研磨切割系统 |
| CN112130142A (zh) * | 2020-09-25 | 2020-12-25 | 中南大学 | 一种复杂运动目标微多普勒特征提取方法及系统 |
| CN113093140B (zh) * | 2021-04-09 | 2023-05-19 | 西安电子科技大学 | 基于加权admm的微动目标时频图重构方法 |
| CN113093140A (zh) * | 2021-04-09 | 2021-07-09 | 西安电子科技大学 | 基于加权admm的微动目标时频图重构方法 |
| CN113177514A (zh) * | 2021-05-20 | 2021-07-27 | 浙江波誓盾科技有限公司 | 无人机信号检测方法、装置及计算机可读存储介质 |
| CN116597521A (zh) * | 2023-07-19 | 2023-08-15 | 山东科技大学 | 一种人类轨迹及躯干活动识别方法及系统 |
| CN116597521B (zh) * | 2023-07-19 | 2023-09-19 | 山东科技大学 | 一种人类轨迹及躯干活动识别方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109738887B (zh) | 2023-01-17 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109738887A (zh) | 一种适用于微动干扰场景的目标人体运动状态识别方法 | |
| CN107490795B (zh) | 一种通过雷达实现人体运动状态识别的方法 | |
| CN108226892B (zh) | 一种基于深度学习的复杂噪声环境下的雷达信号恢复方法 | |
| JP6406601B2 (ja) | レーダ装置および物体検知方法 | |
| Kim et al. | Human activity classification based on micro-Doppler signatures using an artificial neural network | |
| CN105807267B (zh) | 一种mimo雷达扩展目标的检测方法 | |
| CN111220958A (zh) | 基于一维卷积神经网络的雷达目标多普勒像分类识别方法 | |
| CN104237883B (zh) | 一种采用稀疏表示的机载雷达空时自适应处理方法 | |
| CN107290741A (zh) | 基于加权联合距离时频变换的室内人体姿态识别方法 | |
| CN109190673B (zh) | 基于随机森林和数据拒判的地面目标分类方法 | |
| CN110286368A (zh) | 一种基于超宽带雷达的老人跌倒检测方法 | |
| CN107576943A (zh) | 基于瑞利熵的自适应时频同步压缩方法 | |
| CN109471074A (zh) | 基于奇异值分解与一维cnn网络的雷达辐射源识别方法 | |
| CN112861813B (zh) | 基于复值卷积神经网络的墙后人体行为识别方法 | |
| Wang et al. | Hand gesture recognition using radial and transversal dual micromotion features | |
| CN111273284B (zh) | 一种人体躯干微动状态变化特征提取方法 | |
| CN112580486A (zh) | 一种基于雷达微多普勒信号分离的人体行为分类方法 | |
| CN110161491A (zh) | 一种针对微弱生命体的测距和呼吸频率估计方法 | |
| CN104215952B (zh) | 基于微动特性的车载目标识别系统及其识别方法 | |
| CN106597445A (zh) | 一种基于自适应Chirp分解的SAR动目标检测方法 | |
| CN104783799A (zh) | 一种短距离非接触式单目标呼吸率和呼吸幅度检测方法 | |
| CN108280464A (zh) | Dwt和emd融合近似熵的脑电特征提取方法 | |
| CN208060701U (zh) | 一种基于微波的多目标分类系统 | |
| CN106990392A (zh) | 一种基于随机步进频信号的空间目标微动信息获取方法 | |
| Saho et al. | Accurate and real-time pedestrian classification based on UWB Doppler radar images and their radial velocity features |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |