CN111157960A - 基于毫米波雷达的生命体征信号增强方法及设备、提取方法及设备 - Google Patents

Abstract

本发明公开了一种基于毫米波雷达的生命体征信号增强方法及设备、提取方法及设备，所述增强方法包括步骤：多天线雷达连续接收N个回波信号，回波信号为目标对雷达发射信号的回波；对回波信号进行零陷滤波，去除零频分量；以同一时刻接收的、经零陷滤波后的信号为观测量，建立多通道卡尔曼平滑模型，得到增强后的生命体征信号；提取方法还包括步骤：对增强后的生命体征信号进行傅里叶变换到频域，在预设频率范围内，根据幅值和预设阈值的频谱数据对比，确定呼吸频率和心跳频率所在范围，然后进一步确定生命的特征值。本发明方法及设备应用能够在生命信号过于微弱或环境噪声的干扰过大时，提高雷达接收回波的信噪比。

Description

基于毫米波雷达的生命体征信号增强方法及设备、提取方法 及设备

技术领域

本发明属于信号处理技术领域，具体涉及一种基于毫米波雷达的生命体征信号增强方法及设备、提取方法及设备。

背景技术

呼吸频率、心率、脉搏、血压等生理指标是人体的基本生命参数，常用来描述人体的生理状况。临床上主要依靠贴附于人体的接触式传感器、电极进行测量，从而实时获得人体的生命参数信号，其主要检测方法有：速度式呼吸测量法、容积式呼吸测量法、触诊式呼吸测量法、触诊式心率测量法，以及心电、心音、光电式脉搏心率测量法等。

以上这些方法大多基于接触式，需要与人体皮肤相接触才能测量出生命体征参数，限制了其在一些特殊场合的应用。雷达式非接触检测技术是一种融合了雷达技术和生物医学工程技术于一体的前沿性技术，其发射的电磁波可穿透非金属介质(被褥，衣物等)检测到人体的生命信号(呼吸、体动等)。该技术不仅克服了激光、红外线受温度影响大和遇障碍物阻挡失效等问题，而且还解决了超声在检测空间中传播速度衰减大、易受环境杂物反射干扰等问题。因此，生物雷达技术在生命体征检测方面有广泛的应用前景，特别是用于一些特殊人群(如婴儿、严重烧伤病人、呼吸传染病病人等)或特殊场景(如家庭睡眠监护等)。

雷达非接触式生命体征检测系统的基本原理在于：电磁波穿透障碍物照射人体后，由于多普勒效应其反射波中必然加载有人体的生理信息。人体微动与回波幅度、相位等之间具有相关性，而人体生理运动(如心跳、呼吸)会引起人体表面微动。从人体表面反射的回波被人体的运动信息调制，雷达探测器接收到电磁波信号，混频解调回波信号得到含有人体生命参数信息的中频信号，对该信号进行滤波、检波、A/D转换、数字信号分析等处理，可以得到人体的生命体征信息。

当待检测的生命信号过于微弱或环境噪声的干扰过大时，降低了雷达接收回波的信噪比，从而影响了检测的准确度。

发明内容

发明目的：针对现有技术中的问题，本发明公开了一种基于毫米波雷达的生命体征信号增强方法及设备、提取方法及设备，其能够在待检测的生命信号过于微弱或环境噪声的干扰过大时，提高雷达接收回波生命信号的信噪比，提高检测的准确度。

技术方案：为实现上述技术目的，本发明采用了如下技术方案：

一种基于毫米波雷达的生命体征信号增强方法，其特征在于，所述生命体征信号包括呼吸信号和心跳信号，包括如下步骤：

步骤(1)、多天线雷达连续接收N个回波信号，所述回波信号为目标对雷达发射信号的回波；

步骤(2)、对每个天线接收到的回波信号进行零陷滤波，去除零频分量；

步骤(3)、将每个天线同一时刻接收的、且经过零陷处理的信号作为观测量，采用多通道卡尔曼平滑对观测量进行增强，得到增强后的生命体征信号。

优选地，所述步骤(2)中对回波信号进行零陷滤波处理采用零陷滤波器，用于消除零频干扰信号，零陷滤波器的传递函数为：

其中，z₁、z₂为零点，μ为极点距离参数。

优选地，所述步骤(3)包括如下步骤：

步骤(31)、建立多通道卡尔曼平滑模型：

所述多通道卡尔曼平滑模型处理数据块大小为N，k时刻的观测量记为z_k，z_k＝[X_k(1)，X_k(2)，…，X_k(L)]，其中L为天线通道个数，k时刻的状态量记为θ_k，为增强后的生命体征信号幅度，θ_k＝[θ_k(1)，θ_k(2)，…，θ_k(N)]；

所述多通道卡尔曼平滑模型的状态转移方程为：θ_k＝θ_k-1+q_k

其中q_k为过程噪声，服从高斯分布q_k～N(0，Q_k)，Q_k为k时刻过程噪声方差，N(·)表示高斯分布；

所述多通道卡尔曼平滑模型的观测方程为：z_k＝Cθ_k+r_k

其中，r_k为观测噪声，服从高斯分布r_k～N(0，R_k/ω_k)，ω_k表示当前观测值权重因子，C为观测系数向量，R_k表示观测噪声协方差矩阵；

所述多通道卡尔曼平滑模型观测量和状态量的先验分布为：

其中，

是权重因子ω_k的分布参数，Gamma(·)表示为Gamma分布；

步骤(32)、初始化当前观测值权重因子ω_k的分布参数

和

观测系数向量C、观测噪声协方差矩阵R_k和初始的过程噪声方差Q₁；

步骤(33)、采用多通道卡尔曼平滑模型对回信号进行增强，得到长度为N的一维向量<θ_k>，<θ_k>为当前时刻增强后的生命体征信号。

优选地，所述步骤(33)中采用EM算法，估计经初始化的多通道卡尔曼平滑模型中的过程噪声方差Q_k和观测噪声协方差矩阵R_k的第u列r_ku；

其中E步为：

M步为：

其中∑_k是k时刻θ_k的后验协方差矩阵，

是权重因子ω_k的先验分布参数，<w_k>是k时刻权重因子ω_k的后验期望值；C(u)是观测系数向量C的第u个元素；u＝1，2，…，M。

优选地，还包括步骤(34)、所述多通道卡尔曼平滑模型的预测过程方程为：

其中θ′_k是k时刻θ_k的先验估计值，∑′_k为k时刻θ_k的先验协方差矩阵；

所述变量更新方程为：

其中，S′_k为k时刻剩余预测误差的协方差矩阵，K′_k是卡尔曼增益；

k时刻状态量θ_k的后验期望值<θ_k>，即为增强后的生命体征信号。

一种用于实现上述的基于毫米波雷达的生命体征信号增强方法的设备，其特征在于，包括回波信号接收模块、零陷滤波模块和生命体征信号增强模块；

所述回波信号接收模块用于接收多天线雷达接收到的N个回波信号；

所述零陷滤波模块用于对每个天线接收到的回波信号进行零陷滤波，去除零频分量；

所述生命体征信号增强模块采用多通道卡尔曼平滑模型，用于对零陷滤波后的信号进行增强，得到增强后的生命体征信号。

本发明还公开了一种基于毫米波雷达的生命体征信号提取方法，其特征在于，包括如下步骤：

步骤S1、采用所述基于毫米波雷达的生命体征信号增强方法，对生命体征信号增强处理；

步骤S2、对增强后的生命体征信号进行傅里叶变换，得到频域生命体征信号；

步骤S3、频域生命体征信号中，在频率范围[0.1，0.5]Hz内，选取该频率范围内幅度最大的频率作为心跳频率，以该频率点为中心，选取窗长计算窗内的噪声功率，通过计算心跳频率点功率和噪声功率比获取该频率点的局部信噪比；

步骤S4、频域生命体征信号中，在频率范围[0.5，3]Hz内，选取该频率范围内幅度最大的频率作为心跳频率，以该频率点为中心，选取窗长计算窗内的噪声功率，通过计算心跳频率点功率和噪声功率比获取该频率点的局部信噪比。

一种用于实现上述基于毫米波雷达的生命体征信号提取方法的设备，其特征在于，包括生命信号增强模块和生命信号特征提取模块；

所述生命信号增强模块用于对多天线雷达接收到的回波信号进行增强，得到增强后的生命体征信号；

所述生命信号特征提取模块用于从增强后的生命体征信号中提取呼吸频率和心跳频率。

有益效果：本发明的生命体征信号增强和提取方法及其设备，利用一发多收的多天线雷达系统获取的目标的生命体征信号的回波信号，利用稳健卡尔曼平滑模型结合EM算法对多通道信号进行联合处理，有效消除人体抖动或者强干扰信号等对弱生命体征信号的影响，从而实现生命体征信号增强，为精确提取生命体征信号的特征提供了保障。

附图说明

图1为本发明公开的基于毫米波雷达的生命体征信号增强方法的流程图；

图2为本发明公开的生命信号增强设备的组成结构图；

图3为实施例一中雷达单根天线所接收的回波信号波形图；

图4为实施例一中增强后的生命信号波形图；

图5为实施例一中增强后的生命信号与雷达接收的4路信号的相加信号的归一化频谱对比图；

图6为本发明公开的基于毫米波雷达的生命体征信号提取设备的组成结构图；

图7为实施例二中雷达单根天线所接收的回波信号波形图；

图8为实施例二中增强后的呼吸信号波形图；

图9为实施例二中增强后的呼吸信号与雷达接收的4路信号的相加信号的归一化频谱对比图；

图10为实施例二中增强后的心跳信号波形图；

图11为实施例二中增强后的心跳信号与雷达接收的4路信号的相加信号的归一化频谱对比图。

具体实施方式

下面结合附图对本发明作更进一步的说明。

本发明公开了一种基于毫米波雷达的生命体征信号增强方法，生命体征信号包括呼吸信号和心跳信号，如图1所示，包括如下步骤：

步骤(1)、多天线雷达对目标发射电磁波信号，经目标反射后，多天线雷达连续接收N个回波信号；

步骤(2)、对步骤(1)中接收到的回波信号进行零陷滤波，去除零频分量。

陷波器是无限冲击响应(IIR)数字滤波器，该滤波器可以用以下常系数线性差分方程表示：

其中，x(n)和y(n)分别为输入和输出信号序列，a_i和b_i为滤波器系数，N_z和N_p分别为零点和极点的个数。

对公式(1)两边进行z变换，得到数字滤波器的传递函数为：

其中，z_i和p_i分别为传递函数的零点和极点。

考虑一种特殊情况，若零点z_i在第一象限单位圆上，极点p_i在单位圆内靠近零点的径向上。为了防止滤波器系数出现复数，必须在z平面第四象限对称位置配置相应的共轭零点

共轭极点

这样零点、极点配置的滤波器称为单一频率陷波器，在零频处出现凹陷的则成为零陷滤波器(Notch filter)，其作用是将某些单频或窄带干扰信号去除。

把极点设置在零点的径向上距圆点的距离为(1-μ)倍零点距原点的距离处，所述零陷滤波的传递函数为：

其中，z₁、z₂为零点，μ为极点距离参数，μ越小，极点越靠近单位圆，则频率响应曲线凹陷越深，凹陷的宽度也越窄。当需要消除窄带干扰而不能对其他频率有衰减时，零陷滤波器是一种理想数字滤波器。

设零陷滤波后第m个天线接收的回波信号中第n个信号的幅度为x_m(n)(m＝1，2，…，M，n＝1，2，…，N)，M为雷达天线的数量，则同一时刻接收的、经零陷滤波后的所有信号为：X(n)＝[x₁(n)，x₂(n)，…，x_M(n)]。

步骤(3)、以步骤(2)中同一时刻接收的、经零陷滤波后的信号为观测量，建立多通道卡尔曼平滑模型，并结合EM算法，得到增强后的生命体征信号。

卡尔曼平滑的目的是在接收到N个测量信号z_1：N时，计算k时刻的状态θ_k的边缘后验分布p(θ_k|z_1：N)。卡尔曼滤波与卡尔曼平滑的区别在于滤波只用到了k时刻之前的测量值来估计当前状态，而卡尔曼平滑则用到全部N个测量值估计当前状态。

步骤(3)具体包括如下步骤：

步骤(31)、建立多通道卡尔曼平滑模型，模型处理数据块大小为N，k时刻的观测量为z_k＝[X(k-N)，X(k-N+1)，…，X(k-1)]，k时刻的状态量为θ_k＝[θ_k(1)，θ_k(2)，…，θ_k(N)]。

多通道卡尔曼平滑模型的状态转移方程为：

θ_k＝θ_k-1+q_k (4)

其中q_k为过程噪声，服从高斯分布q_k～N(0，Q_k)，Q_k为k时刻过程噪声方差，N(·)表示高斯分布；

所述多通道卡尔曼平滑模型的观测方程为：z_k＝Cθ_k+r_k

其中，r_k为观测噪声，服从高斯分布r_k～N(0，R_k/ω_k)，ω_k表示当前观测值权重因子，C为观测系数向量，R_k表示观测噪声协方差矩阵；

所述多通道卡尔曼平滑模型观测量和状态量的先验分布为：

其中，

是权重因子ω_k的分布参数，Gamma(·)表示为Gamma分布；

步骤(32)、初始化当前观测值权重因子ω_k的分布参数

和

观测系数向量C，观测噪声协方差矩阵R_k和初始的过程噪声方差Q₁。

步骤(33)、采用EM算法估计过程噪声方差Q_k和观测噪声协方差矩阵R_k的第u列r_ku。EM算法循环执行如下两个步骤，直至收敛：

E步骤、

M步骤、

其中∑_k是k时刻θ_k的后验协方差矩阵，

是权重因子ω_k的先验分布参数，<w_k>是k时刻权重因子ω_k的后验期望值，C(u)是观测系数向量C的第u(u＝1，2，…，M)个元素，<·>为计算数学期望值。

步骤(34)、根据建立的多通道卡尔曼平滑模型的传播过程和变量更新方程得到k时刻状态量θ_k的后验期望值<θ_k>，即为增强后的生命体征信号。

多通道卡尔曼平滑模型的传播过程方程为：

其中，θ′_k为k时刻θ_k的先验估计值，∑′_k为k时刻θ_k的先验协方差矩阵；

变量更新方程为：

其中，S′_k为k时刻剩余预测误差的协方差矩阵，K′k为卡尔曼增益。

如图2所示，为实现上述生命信号增强方法的设备，包括：回波信号接收模块、零陷滤波模块和生命体征信号增强模块；其中，回波信号接收模块用于接收多天线雷达接收到的N个回波信号，所述回波信号为目标对雷达发射信号的回波；所述零陷滤波模块用于对每个天线接收到的回波信号进行零陷滤波，去除零频分量；所述生命体征信号增强模块采用卡尔曼平滑对零陷滤波后的信号进行增强，得到增强后的生命体征信号。

实施例一

本实施例以具有4天线的雷达来接收目标对雷达发射信号的回波，构建4通道卡尔曼平滑模型来对回波信号进行增强。具体步骤为：

A、设置模拟目标，其呼吸频率f_r为0.27Hz，心跳频率f_h为1.16Hz，用4天线雷达探测目标，得到4通道回波，四个通道的信噪比分别设置为-5dB、0dB、5dB和10dB。

如图3所示，为其中第2根天线所接收的回波信号的波形图，其中夹杂了大量的干扰信号。

B、对4通道信号进行零陷滤波，本实施例中，极点距离参数μ为0.01。

C、构建4通道卡尔曼平滑模型，其处理数据块大小N＝100，即对雷达连续接收的100个回波信号进行增强，其中第n个回波信号为：R(n)＝[r₁(n)，r₂(n)，r₃(n)，r₄(n)]，n＝1，2，…，100；4通道卡尔曼平滑模型的参数初始化为：

C＝[1，1，1，1]^T，Q₁＝1.5，R＝diag(1，1，1，1)；

D、根据步骤33和34对100个回波信号进行增强，得到长度为100的一维向量<θ_k>，即为当前时刻增强后的生命体征信号，如图4所示，它与四通道初始的接收信号相加后的归一化频谱对比图如图5所示。

在对生命体征信号进行增强后，可以提取生命信号的特征，即提取呼吸频率和心跳频率，具体步骤为：

(S1)对增强后的生命体征信号进行傅里叶变换，得到频域生命体征信号；

(S2)频域生命体征信号中，在频率范围[0.1，0.5]Hz内，选取该频率范围内幅度最大的频率作为心跳频率，以该频率点为中心，选取频率大小为0.18Hz的频谱窗计算窗内的噪声功率，通过计算心跳频率点功率和噪声功率比获取该频率点的局部信噪比；

(S3)频域生命体征信号中，在频率范围[0.5，3]Hz内，选取该频率范围内幅度最大的频率作为心跳频率，以该频率点为中心，选取频率大小为0.18Hz的频谱窗计算窗内的噪声功率，通过计算心跳频率点功率和噪声功率比获取该频率点的局部信噪比；

所得的结果如表1所示，可以看出：在经过多通道卡尔曼平滑处理后，呼吸率和心率(特别是心率)附近的局部信噪比都得到了提升。在图5中，卡尔曼平滑前的频率幅度用深色虚线表示，[0.5，3]Hz区间内幅度最大的部分是强干扰的频率；卡尔曼平滑后的频率幅度用浅色实线表示，强干扰的频率得到了有效的抑制，这时再选取该区间内幅度最大的频率作为心率，提高了正确检测的概率。

表1

如图6所示，一种实现上述的基于毫米波雷达的生命体征信号提取方法的系统，包括生命信号增强模块和生命信号特征提取模块；其中，生命信号增强模块用于对多天线雷达接收到的回波信号进行增强，得到增强后的生命体征信号，生命信号特征提取模块用于从增强后的生命体征信号中提取呼吸频率和心跳频率。

实施例二

本实施例在实施例一的基础上，对模拟目标加入抖动来模拟人体的抖动状态，抖动信号为三角波，表达形式如下：

其中m表示有身体抖动的时间单元的数目，总的时长与仿真信号的时长的比率r＝20％，T₁，...，T_m分别为每个单元的时长，本例中均设置为4，；A₁，...，A_m分别为每个单元的最大抖动幅度，本例中设置为随机值，幅度在[0，10]mm之间，各通道信噪比分别为5dB，10dB，15dB和20dB。

图7为第2根天线所接收的回波信号的波形图。

对回波信号进行零陷滤波后，构建了两个4通道卡尔曼平滑模型分别提取呼吸频率和心跳频率。两个4通道卡尔曼平滑模型是在实施例1所建立的卡尔曼平滑模型的基础上改进的，其中用于提取呼吸频率的模型参数为：过程噪声方差Q₁₁＝0.1，观测噪声协方差矩阵R₁₁＝diag(0.1，0.1，0.1，0.1)，用于心跳频率提取的模型参数为：过程噪声方差Q₁₂＝10，观测噪声协方差矩阵R₁₂＝diag(10，10，10，10)。

增强后的呼吸信号如图8所示，它与四通道初始的接收信号相加后的归一化频谱对比图如图9所示；增强后的心跳信号如图10所示，它与四通道初始的接收信号相加后的归一化频谱对比图如图11所示。

以提取到的呼吸频率所在范围的中心和心跳频率所在的范围中心为中心，分别取频率大小为0.18Hz的频谱窗，计算窗内的局部信噪比，所得的结果如表2所示，可以看出：当目标有抖动情况下，低频分量较大，呼吸率附近的局部信噪比很小，从而增大了提取的难度。在经过多通道卡尔曼平滑处理之后，两种生命体征附近的局部信噪比都得到了提升，再一次验证了本发明在增强生命信号特征中具有很好的性能。

表2

以上所述仅是本发明的优选实施方式，应当指出：对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (8)

1.一种基于毫米波雷达的生命体征信号增强方法，其特征在于，所述生命体征信号包括呼吸信号和心跳信号，包括如下步骤：

步骤(1)、多天线雷达连续接收N个回波信号，回波信号为目标对雷达发射信号的回波；

步骤(2)、对每个天线接收到的回波信号进行零陷滤波，去除零频分量；

步骤(3)、将每个天线同一时刻接收的、且经过零陷处理的信号作为观测量，采用多通道卡尔曼平滑方法对观测量进行增强，得到增强后的生命体征信号。

2.根据权利要求1所述的一种基于毫米波雷达的生命体征信号增强方法，其特征在于，所述步骤(2)中对回波信号进行零陷滤波处理采用零陷滤波器，用于消除零频干扰信号，零陷滤波器的传递函数为：

其中，z₁、z₂为零点，μ为极点距离参数。

3.根据权利要求1所述的一种基于毫米波雷达的生命体征信号增强方法，其特征在于，所述步骤(3)包括如下步骤：

步骤(31)、建立多通道卡尔曼平滑模型：

所述多通道卡尔曼平滑模型处理数据块大小为N，k时刻的观测量记为z_k，z_k＝[X_k(1)，X_k(2)，…，X_k(L)]，其中L为天线通道个数，k时刻的状态量记为θ_k，为增强后的生命体征信号幅度，θ_k＝[θ_k(1)，θ_k(2)，…，θ_k(L)]；

所述多通道卡尔曼平滑模型的状态转移方程为：θ_k＝θ_k-1+q_k

其中q_k为过程噪声，服从高斯分布q_k～N(0，Q_k)，Q_k为k时刻过程噪声方差，N(·)表示高斯分布；

所述多通道卡尔曼平滑模型的观测方程为：z_k＝Cθ_k+r_k

其中，r_k为观测噪声，服从高斯分布r_k～N(0，R_k/ω_k)，ω_k表示当前观测值权重因子，C为观测系数向量，R_k表示观测噪声协方差矩阵；

所述多通道卡尔曼平滑模型观测量和状态量的先验分布为：

其中，

是权重因子ω_k的分布参数，Gamma(·)表示为Gamma分布；

步骤(32)、初始化当前观测值权重因子ω_k的分布参数

和

观测系数向量C、观测噪声协方差矩阵R_k和初始的过程噪声方差Q₁；

步骤(33)、采用多通道卡尔曼平滑模型对回信号进行增强，得到长度为N的一维向量<θ_k>，<θ_k>为当前时刻增强后的生命体征信号。

4.根据权利要求3所述的一种基于毫米波雷达的生命体征信号增强方法，其特征在于，所述步骤(33)中采用EM算法，估计经初始化的多通道卡尔曼平滑模型中的过程噪声方差Q_k和观测噪声协方差矩阵R_k的第u列r_ku；

其中E步为：

M步为：

其中∑_k是k时刻θ_k的后验协方差矩阵，

是权重因子ω_k的先验分布参数，<w_k>是k时刻权重因子ω_k的后验期望值；C(u)是观测系数向量C的第u个元素；u＝1，2，…，M。

5.根据权利要求3所述的一种基于毫米波雷达的生命体征信号增强方法，其特征在于，还包括步骤(34)、所述多通道卡尔曼平滑模型的预测过程方程为：

其中θ′_k是k时刻θ_k的先验估计值，∑′_k为k时刻θ_k的先验协方差矩阵；

所述变量更新方程为：

其中，S′_k为k时刻剩余预测误差的协方差矩阵，K′_k是卡尔曼增益；

k时刻状态量θ_k的后验期望值<θ_k>，即为增强后的生命体征信号。

6.一种实现权利要求1至5任一所述的基于毫米波雷达的生命体征信号增强方法的设备，其特征在于：包括回波信号接收模块、零陷滤波模块和生命体征信号增强模块；

所述回波信号接收模块用于接收多天线雷达接收到的N个回波信号；

所述零陷滤波模块用于对每个天线接收到的回波信号进行零陷滤波，去除零频分量；

所述生命体征信号增强模块采用多通道卡尔曼平滑模型，用于对零陷滤波后的信号进行增强，得到增强后的生命体征信号。

7.一种基于毫米波雷达的生命体征信号提取方法，其特征在于，包括如下步骤：

步骤S1、采用所述基于毫米波雷达的生命体征信号增强方法，对生命体征信号增强处理；

步骤S2、对增强后的生命体征信号进行傅里叶变换，得到频域生命体征信号；

步骤S3、频域生命体征信号中，在频率范围[0.1，0.5]Hz内，选取该频率范围内幅度最大的频率作为心跳频率，以该频率点为中心，选取窗长计算窗内的噪声功率，通过计算心跳频率点功率和噪声功率比获取该频率点的局部信噪比；

步骤S4、频域生命体征信号中，在频率范围[0.5，3]Hz内，选取该频率范围内幅度最大的频率作为心跳频率，以该频率点为中心，选取窗长计算窗内的噪声功率，通过计算心跳频率点功率和噪声功率比获取该频率点的局部信噪比。

8.一种实现权利要求7所述的基于毫米波雷达的生命体征信号提取方法的设备，其特征在于，包括生命信号增强模块和生命信号特征提取模块；

所述生命信号增强模块用于对多天线雷达接收到的回波信号进行增强，得到增强后的生命体征信号；

所述生命信号特征提取模块用于从增强后的生命体征信号中提取呼吸频率和心跳频率。

Images