CN112137620A - 一种基于超宽带雷达的人体微弱呼吸信号检测方法 - Google Patents
一种基于超宽带雷达的人体微弱呼吸信号检测方法 Download PDFInfo
- Publication number
- CN112137620A CN112137620A CN202010876210.2A CN202010876210A CN112137620A CN 112137620 A CN112137620 A CN 112137620A CN 202010876210 A CN202010876210 A CN 202010876210A CN 112137620 A CN112137620 A CN 112137620A
- Authority
- CN
- China
- Prior art keywords
- signal
- radar echo
- normalized
- alpha
- radar
- 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
Images
Classifications
-
- 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
-
- 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
- A61B5/7235—Details of waveform analysis
-
- 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
- A61B5/7235—Details of waveform analysis
- A61B5/7253—Details of waveform analysis characterised by using transforms
- A61B5/7257—Details of waveform analysis characterised by using transforms using Fourier transforms
Abstract
本发明公开了一种基于超宽带雷达的人体微弱呼吸信号检测方法,包括步骤:采用超宽带雷达收集雷达回波信号,形成信号矩阵X(m,n);对于每一个距离单元,将雷达回波信号记为xm(n);对雷达回波信号xm(n)进行Motion滤波和标准化处理后,获取标准化信号对标准化信号进行希尔伯特黄变换,获取其微多普勒特征α1;对标准化信号进行快速傅里叶变换,获取其频谱特征α2;构造无噪声呼吸信号x0(n);对标准化信号和无噪声呼吸信号x0(n)进行相关分析,获取相关性特征α3;以微多普勒特征α1、频谱特征α2及相关性特征α3作为输入特征,使用支持向量机模型对雷达回波信号xm(n)进行分类;根据分类结果判断是否存在生命体及获取生命体所在位置信息。本发明能提高对人体微弱生命特征检测的精度及效率。
Description
技术领域
本发明属于微弱信号处理技术领域,具体涉及一种基于超宽带雷达的人体微弱呼吸信号检测方法。
背景技术
超宽带雷达技术是一种高频带宽无载波通信技术。与普通雷达相比,超宽带雷达具有功率低、高距离分辨率(毫米级)、强穿透能力、较好的抗动目标干扰能力和适宜于近距离探测等,尤其适合应用在生命探测领域。但是在灾后救援场景中,救援现场环境十分复杂,强噪声干扰使得基于雷达信号的生命探测任务非常艰巨,尤其是呼吸等微弱生命特征信号的提取非常困难。
现有的技术方法大多使用单一的信号特征对生命体征进行检测。比如,中国专利号CN201910064564.4公开了一种基于超宽带雷达的生命体征检测方法及系统,对雷达回波信号进行快速傅里叶变换,提取其宏观频谱特征,进而与呼吸频段、心跳频段进行对比,最终实现对生命体征信号的检测。又如中国发明专利申请201810288607.2公开了一种基于超宽带雷达的人体呼吸速率和心率的测定方法,其技术方案的要点包括:超宽带雷达初始化;获取回波信号;依据回波信号计算人的位置信息;一维时间序列信号进行巴特沃斯带通滤波;对信号分别使用Min-Max归一化方法对信号进行增强;对增强的信号分别使用汉宁窗进行平滑;对平滑处理的信号进行快速离散傅里叶变换;寻找信号在呼吸区间和心率区间的峰值,作为呼吸和/或心跳的参数。
由于人体的呼吸频率较微弱,易受环境等因素的影响。而灾后环境又十分复杂,在障碍物遮挡、人体轻微移动等情况下,会产生较大的低频干扰分量。因此,单一信号特征受不同类别的环境噪声的影响程度不一,存在在特定场景下单一信号特征被噪声淹没的情况。因此,仅凭一种信号特征来对生命体征信号进行检测的方法准确性和稳定性仍然欠缺。
发明内容
为了克服上述技术缺陷,本发明提供了一种基于超宽带雷达的人体微弱呼吸信号检测方法,其能提高对人体微弱生命特征检测的效率。
为了解决上述问题,本发明按以下技术方案予以实现的:
一种基于超宽带雷达的人体微弱呼吸信号检测方法,其特征在于,包括如下步骤:
采用超宽带雷达收集雷达回波信号,形成M×N维的信号矩阵X(m,n),其中M为距离单元的数量,N为慢时时刻,m=0,1,...,M-1,n=0,1,...,N-1;
对于每一个距离单元,将雷达回波信号记为xm(n);
基于人体呼吸一般规律,构造无噪声呼吸信号x0(n);
以微多普勒特征α1、频谱特征α2及相关性特征α3作为输入特征,使用支持向量机模型对雷达回波信号xm(n)进行分类;
根据分类结果判断是否存在生命体及获取生命体所在位置信息。
与现有技术相比,本发明的有益效果是:采用希尔伯特黄变换、傅里叶变换及相关分析从雷达回波信号中提取多种信号特征,进而使用多个指标对人体呼吸信号进行识别,提高对噪声的鲁棒性,满足灾害救援等成河下掩埋人员微弱生命特征检测的需求;此外,将支持向量机模型应用到呼吸信号的检测中,能快速区分人体呼吸及非人体呼吸信号,提高了对人体微弱生命特征检测的效率。
其中W=[w(1),w(2),…,w(k)]为差分参数;
去除第一个含有高频噪声的本征模分量,选取第2-4个本征模分量,对筛选的每一个本征模分yi(n)(i=2,3,4)量进行希尔伯特变换,得到瞬时幅值序列及瞬时频率序列i=2,3,4,H[g]为希尔伯特变换;体现了信号的瞬时幅值,fi ins(n)体现了的瞬时频率;
基于步骤瞬时振幅特征序列SAins的值和瞬时振幅特征序列Sfins的值的计算结果,形成雷达回波信号的微多普勒特征α1=[SAins,Sfins]。
作为本发明的进一步改进,所述基于人体呼吸一般规律,构造无噪声呼吸信号x0(n)的步骤,包括如下步骤:
结合一般人体呼吸频率,构造频率与振幅固定的代表平稳呼吸信号的正弦波x0=0.4sin(0.5πn),其中,一般人体呼吸频率为12-20次每分钟。
从而获取雷达回波信号的相关性特征α3=ρ。
作为本发明的进一步改进,所述支持向量机模型是基于大量数据样本训练得到的模式识别模型。
作为本发明的进一步改进,本发明还包括模式识别模型的训练步骤:
进行多工况实验,收集多种探测环境下的雷达回波样本数据,探测环境包括障碍物类别、有无生命体、与生命体间的探测距离;
根据雷达回波样本数据,对生命体信号与非生命体信号进行类别标注;
根据雷达回波样本数据,计算与雷达回波样本数据相对应的微多普勒特征、频谱特征和相关性特征;
根据微多普勒特征、频谱特征、相关性特征和所述类别标注,对所述支持向量机模型进行训练。
作为本发明的进一步改进,所述根据分类结果判定是否存在生命体及获取生命体所在位置信息的步骤,包括如下步骤:
若判定为生命体征信号,则表示第m个距离单元所对应的位置存在生命体。
附图说明
下面结合附图对本发明的具体实施方式作进一步详细的说明,其中:
图1为本实施例所述人体微弱呼吸信号检测方法的流程图;
图2为本实施例所述步骤A中获得的基于超宽带雷达的信号矩阵;
图3为在原始的信号矩阵中,人体所在距离单元(第360单元)所对应的雷达回波信号;
图4为图3所示的雷达回波信号经本实施例所述步骤C处理后获取的得到标准化信号;
图5为在原始信号矩阵中,慢时时刻200(第200次扫描)所对应的雷达回波信号;
图6为对信号矩阵的每一距离单元经本实施例所述步骤C处理后,慢时时刻200所对应的雷达回波信号;
图7为图4所示的雷达回波信号经本实施例所述步骤D处理后得到的瞬时振幅特征示意图;
图8为图4所示的雷达回波信号经本实施例所述步骤D处理后得到的瞬时频率特征示意图
图9为图4所示的雷达回波信号经本实施例所述步骤E处理后得到的频谱特征示意图;
图10为本实施例所构造的无噪声呼吸信号图;
图11为基于本实施例所述步骤F对图4和图10信号进行相关分析后得到的相关性特征示意图;
图12为对图2所示的所有距离单元的雷达回波信号进行特征提取后,经支持向量机分类后的结果示意图。
具体实施方式
以下结合附图对本发明的优选实施例进行说明,应当理解,此处所描述的优选实施例仅用于说明和解释本发明,并不用于限定本发明。
实施例一
本实施例提供了一种基于超宽带雷达的人体微弱呼吸信号检测方法,如图1所示,包括如下步骤:
步骤A:采用超宽带雷达收集雷达回波信号,形成M×N维的信号矩阵X(m,n),其中M为距离单元的数量,N为慢时时刻,m=0,1,...,M-1,n=0,1,...,N-1,如图2所示。
步骤B:对于每一个距离单元,将雷达回波信号记为xm(n),人体所在位置为第360个距离单元处,即探测距离约为3.3m,则该距离对应的为含人体生命体征信号的雷达回波信号x360(n),参见图3。
步骤F:基于人体呼吸一般规律,构造无噪声呼吸信号x0(n)。
步骤H:以微多普勒特征α1、频谱特征α2及相关性特征α3作为输入特征,使用支持向量机模型对雷达回波信号xm(n)进行分类。
步骤I:根据分类结果判断是否存在生命体及获取生命体所在位置信息。
在上述实施例中,步骤C包括如下步骤:
其中W=[w(1),w(2),…,w(k)]为差分参数;
图4为对图3所示的雷达回波信号x360(n)进行上述滤波及标准化处理后得到的标准化信号此外,图5为图2所示原始信号矩阵中,慢时时刻200(第200次扫描)所对应的雷达回波信号。当对每个距离单元的回波信号进行滤波与标准化后,慢时时刻200所对应的雷达回波信号如图6所示,可以看到,Motion滤波可有效消除背景噪声。
在上述实施例中,步骤D包括如下步骤:
步骤D2:去除第一个含有高频噪声的本征模分量,选取第2-4个本征模分量,对筛选的每一个本征模分yi(n)(i=2,3,4)量进行希尔伯特变换,得到瞬时幅值序列及瞬时频率序列i=2,3,4,H[g]为希尔伯特变换;体现了信号的瞬时幅值,fi ins(n)体现了的瞬时频率。
具体的,对图4所示的标准化信号进行HHT变换,得到L个本征模分量yi(n)及其相对应的瞬时振幅序列与瞬时频率序列fi ins(n),i=1,2,...,L。比如,图7为由得到的第4个本征模分量y4(n),其中包络线则表示相应的瞬时幅值序列图8则为y4(n)对应的瞬时频率
步骤D4:针对每一条瞬时频率序列fi ins(n)(i=2,3,4),计算其均值标准差2范数等统计学指标,组成瞬时振幅特征序列比如,图4所示的标准化信号的第四个瞬时频率序列的特征提取结果如图8所示。。
步骤D5:基于步骤瞬时振幅特征序列SAins的值和瞬时振幅特征序列Sfins的值的计算结果,形成雷达回波信号的微多普勒特征α1=[SAins,Sfins]。
在上述实施例中,步骤E包括如下步骤:
在上述实施例中,步骤F包括如下步骤:
步骤F1:结合一般人体呼吸频率,构造频率与振幅固定的代表平稳呼吸信号的正弦波x0=0.4sin(0.5πn),如图10所示,其中,一般人体呼吸频率为12-20次每分钟。
在上述实施例中,步骤G包括如下步骤:
从而获取雷达回波信号的相关性特征α3=ρ,图11为如图2所示回波信号矩阵经相关分析后,各距离单元上回波信号对应的相关性特征。
在上述实施例中,支持向量机模型是基于大量数据样本训练得到的模式识别模型。
此外,本实施例还包括模式识别模型的训练步骤J:
步骤J1:进行多工况实验,收集多种探测环境下的雷达回波样本数据,探测环境包括障碍物类别、有无生命体、与生命体间的探测距离。
步骤J2:根据雷达回波样本数据,对生命体信号与非生命体信号进行类别标注。
步骤J3:根据雷达回波样本数据,计算与雷达回波样本数据相对应的微多普勒特征、频谱特征和相关性特征,计算步骤请参见步骤C-步骤G,在此不再赘述。
步骤J4:根据微多普勒特征、频谱特征、相关性特征和类别标注,对支持向量机模型进行训练。
在上述实施例中,步骤I包括如下步骤:
步骤I1:使用步骤J中获得的训练后的支持向量机模型对第m个距离单元上的雷达回波信号xm(n)进行分类,若判定为生命体征信号,则表示第m个距离单元所对应的位置存在生命体。
具体的,比如,对如图2所示的原始雷达回波信号矩阵进行上述步骤C-步骤G的处理后,使用经步骤J训练后的支持向量机模型对每一个距离单元的回波信号进行分类,分类结果如图12所示。图12表明,约第340-385个距离单元上(探测距离约3.11-3.52m)的回波信号均被分为第1类,代表该距离上含有生命体存在。取[3.11,3.52]的中间值,最终得到人体微弱呼吸信号所在位置为3.32m处。
以上所述,仅是本发明的较佳实施例而已,并非对本发明作任何形式上的限制,故凡是未脱离本发明技术方案内容,依据本发明的技术实质对以上实施例所作的任何修改、等同变化与修饰,均仍属于本发明技术方案的范围内。
Claims (9)
1.一种基于超宽带雷达的人体微弱呼吸信号检测方法,其特征在于,包括如下步骤:
采用超宽带雷达收集雷达回波信号,形成M×N维的信号矩阵X(m,n),其中M为距离单元的数量,N为慢时时刻,m=0,1,...,M-1,n=0,1,...,N-1;
对于每一个距离单元,将雷达回波信号记为xm(n);
基于人体呼吸一般规律,构造无噪声呼吸信号x0(n);
以微多普勒特征α1、频谱特征α2及相关性特征α3作为输入特征,使用支持向量机模型对雷达回波信号xm(n)进行分类;
根据分类结果判断是否存在生命体及获取生命体所在位置信息。
去除第一个含有高频噪声的本征模分量,选取第2-4个本征模分量,对筛选的每一个本征模分yi(n)(i=2,3,4)量进行希尔伯特变换,得到瞬时幅值序列及瞬时频率序列H[g]为希尔伯特变换;体现了信号的瞬时幅值,fi ins(n)体现了的瞬时频率;
基于步骤瞬时振幅特征序列SAins的值和瞬时振幅特征序列Sfins的值的计算结果,形成雷达回波信号的微多普勒特征α1=[SAins,Sfins]。
5.根据权利要求1所述的人体微弱呼吸信号检测方法,其特征在于,所述基于人体呼吸一般规律,构造无噪声呼吸信号x0(n)的步骤,包括如下步骤:
结合一般人体呼吸频率,构造频率与振幅固定的代表平稳呼吸信号的正弦波x0=0.4sin(0.5πn),其中,一般人体呼吸频率为12-20次每分钟。
7.根据权利要求1所述的人体微弱呼吸信号检测方法,其特征在于,所述支持向量机模型是基于大量数据样本训练得到的模式识别模型。
8.根据权利要求7所述的人体微弱呼吸信号检测方法,其特征在于,还包括模式识别模型的训练步骤:
进行多工况实验,收集多种探测环境下的雷达回波样本数据,探测环境包括障碍物类别、有无生命体、与生命体间的探测距离;
根据雷达回波样本数据,对生命体信号与非生命体信号进行类别标注;
根据雷达回波样本数据,计算与雷达回波样本数据相对应的微多普勒特征、频谱特征和相关性特征;
根据微多普勒特征、频谱特征、相关性特征和所述类别标注,对所述支持向量机模型进行训练。
9.根据权利要求1所述的人体微弱呼吸信号检测方法,其特征在于,所述根据分类结果判定是否存在生命体及获取生命体所在位置信息的步骤,包括如下步骤:
若判定为生命体征信号,则表示第m个距离单元所对应的位置存在生命体。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010876210.2A CN112137620B (zh) | 2020-08-27 | 2020-08-27 | 一种基于超宽带雷达的人体微弱呼吸信号检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010876210.2A CN112137620B (zh) | 2020-08-27 | 2020-08-27 | 一种基于超宽带雷达的人体微弱呼吸信号检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112137620A true CN112137620A (zh) | 2020-12-29 |
CN112137620B CN112137620B (zh) | 2021-06-11 |
Family
ID=73887653
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010876210.2A Active CN112137620B (zh) | 2020-08-27 | 2020-08-27 | 一种基于超宽带雷达的人体微弱呼吸信号检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112137620B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113397533A (zh) * | 2021-06-28 | 2021-09-17 | 中国科学院空天信息创新研究院 | 一种弱生命信号提取方法、装置、电子设备和存储介质 |
CN113640792A (zh) * | 2021-07-06 | 2021-11-12 | 南京理工大学 | 一种基于机器学习的车内生命体毫米波雷达检测方法 |
CN116148850A (zh) * | 2023-04-23 | 2023-05-23 | 中南大学 | 一种远距离人体呼吸信号检测的方法、系统及存储介质 |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7817082B2 (en) * | 2007-03-11 | 2010-10-19 | Vawd Applied Science And Technology Corporation | Multi frequency spectral imaging radar system and method of target classification |
CN102058411A (zh) * | 2010-10-27 | 2011-05-18 | 中国人民解放军第四军医大学 | 一种多通道基于uwb雷达式生命探测仪 |
CN102715920A (zh) * | 2012-07-06 | 2012-10-10 | 电子科技大学 | 人体目标生命特征检测方法 |
CN103529436A (zh) * | 2013-10-12 | 2014-01-22 | 南京信息工程大学 | 基于hht的无接触生命探测中呼吸和心跳信号的分离及时频分析方法 |
CN103690169A (zh) * | 2013-12-31 | 2014-04-02 | 中国科学院深圳先进技术研究院 | 呼吸信息检测方法及系统 |
CN104224188A (zh) * | 2014-09-23 | 2014-12-24 | 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检测方法 |
US20150369911A1 (en) * | 2014-05-16 | 2015-12-24 | Mohamed Mabrouk | Remote sensing of human breathing at a distance |
US9568595B2 (en) * | 2015-06-29 | 2017-02-14 | Echocare Technologies Ltd. | Ultra-wide band antenna arrays and related methods in personal emergency response systems |
CN106859648A (zh) * | 2016-12-21 | 2017-06-20 | 湖南华诺星空电子技术有限公司 | 基于非接触式检测的多目标人体呼吸信号监测方法及装置 |
CN108852327A (zh) * | 2018-04-16 | 2018-11-23 | 浙江大学 | 一种从运动干扰中非接触检测微弱生命信号的方法 |
CN108919247A (zh) * | 2018-03-30 | 2018-11-30 | 中国科学院电子学研究所 | 一种基于恒虚警率检测的多目标体检测及定位方法 |
CN109031287A (zh) * | 2018-09-21 | 2018-12-18 | 西安交通大学 | 基于Faster-RCNN网络的穿墙超宽带雷达人体呼吸信号检测方法 |
US20190332901A1 (en) * | 2018-04-25 | 2019-10-31 | Avigilon Corporation | Sensor fusion for monitoring an object-of-interest in a region |
CN111142102A (zh) * | 2019-12-26 | 2020-05-12 | 华为技术有限公司 | 一种呼吸数据计算方法以及相关设备 |
-
2020
- 2020-08-27 CN CN202010876210.2A patent/CN112137620B/zh active Active
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7817082B2 (en) * | 2007-03-11 | 2010-10-19 | Vawd Applied Science And Technology Corporation | Multi frequency spectral imaging radar system and method of target classification |
CN102058411A (zh) * | 2010-10-27 | 2011-05-18 | 中国人民解放军第四军医大学 | 一种多通道基于uwb雷达式生命探测仪 |
CN102715920A (zh) * | 2012-07-06 | 2012-10-10 | 电子科技大学 | 人体目标生命特征检测方法 |
CN103529436A (zh) * | 2013-10-12 | 2014-01-22 | 南京信息工程大学 | 基于hht的无接触生命探测中呼吸和心跳信号的分离及时频分析方法 |
CN103690169A (zh) * | 2013-12-31 | 2014-04-02 | 中国科学院深圳先进技术研究院 | 呼吸信息检测方法及系统 |
US20150369911A1 (en) * | 2014-05-16 | 2015-12-24 | Mohamed Mabrouk | Remote sensing of human breathing at a distance |
CN104224188A (zh) * | 2014-09-23 | 2014-12-24 | 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检测方法 |
US9568595B2 (en) * | 2015-06-29 | 2017-02-14 | Echocare Technologies Ltd. | Ultra-wide band antenna arrays and related methods in personal emergency response systems |
CN106859648A (zh) * | 2016-12-21 | 2017-06-20 | 湖南华诺星空电子技术有限公司 | 基于非接触式检测的多目标人体呼吸信号监测方法及装置 |
CN108919247A (zh) * | 2018-03-30 | 2018-11-30 | 中国科学院电子学研究所 | 一种基于恒虚警率检测的多目标体检测及定位方法 |
CN108852327A (zh) * | 2018-04-16 | 2018-11-23 | 浙江大学 | 一种从运动干扰中非接触检测微弱生命信号的方法 |
US20190332901A1 (en) * | 2018-04-25 | 2019-10-31 | Avigilon Corporation | Sensor fusion for monitoring an object-of-interest in a region |
CN109031287A (zh) * | 2018-09-21 | 2018-12-18 | 西安交通大学 | 基于Faster-RCNN网络的穿墙超宽带雷达人体呼吸信号检测方法 |
CN111142102A (zh) * | 2019-12-26 | 2020-05-12 | 华为技术有限公司 | 一种呼吸数据计算方法以及相关设备 |
Non-Patent Citations (2)
Title |
---|
王宏 等: "基于改进EEMD的穿墙雷达动目标微多普勒特性分析", 《电子信息学报》 * |
董亮华: "雷达回波人体特征提取算法研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113397533A (zh) * | 2021-06-28 | 2021-09-17 | 中国科学院空天信息创新研究院 | 一种弱生命信号提取方法、装置、电子设备和存储介质 |
CN113640792A (zh) * | 2021-07-06 | 2021-11-12 | 南京理工大学 | 一种基于机器学习的车内生命体毫米波雷达检测方法 |
CN113640792B (zh) * | 2021-07-06 | 2024-02-13 | 南京理工大学 | 一种基于机器学习的车内生命体毫米波雷达检测方法 |
CN116148850A (zh) * | 2023-04-23 | 2023-05-23 | 中南大学 | 一种远距离人体呼吸信号检测的方法、系统及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN112137620B (zh) | 2021-06-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112137620B (zh) | 一种基于超宽带雷达的人体微弱呼吸信号检测方法 | |
CN107728142B (zh) | 基于二维卷积网络的雷达高分辨距离像目标识别方法 | |
CN109031287B (zh) | 基于Faster-RCNN网络的穿墙超宽带雷达人体呼吸信号检测方法 | |
Tivive et al. | Classification of micro‐Doppler signatures of human motions using log‐Gabor filters | |
Liu et al. | Deep learning and recognition of radar jamming based on CNN | |
CN109901130B (zh) | 一种基于Radon变换和改进2DPCA的旋翼无人机检测与识别方法 | |
CN102893294A (zh) | 概率密度函数估计器 | |
Eryildirim et al. | Pulse Doppler radar target recognition using a two-stage SVM procedure | |
CN111880157B (zh) | 一种雷达图像中目标的检测方法及系统 | |
CN111175718B (zh) | 联合时频域的地面雷达自动目标识别方法及系统 | |
CN103942540A (zh) | 基于曲波纹理分析和svm-knn分类的假指纹检测算法 | |
CN107728143A (zh) | 基于一维卷积神经网络的雷达高分辨距离像目标识别方法 | |
CN103824302B (zh) | 基于方向波域图像融合的sar图像变化检测方法 | |
CN114742117B (zh) | 复杂室内场景下毫米波雷达的人体生命体征检测方法 | |
CN111401168A (zh) | 一种无人机的多层雷达特征提取与选择方法 | |
CN109753887A (zh) | 一种基于增强核稀疏表示的sar图像目标识别方法 | |
CN106951822B (zh) | 一种基于多尺度稀疏保持投影一维距离像融合识别方法 | |
CN113126050B (zh) | 一种基于神经网络的生命探测方法 | |
CN106908774A (zh) | 基于多尺度核稀疏保持投影的一维距离像识别方法 | |
CN113640768A (zh) | 一种基于小波变换的低分辨雷达目标识别方法 | |
CN117665807A (zh) | 基于毫米波多人零样本的人脸识别方法 | |
CN111965620A (zh) | 基于时频分析和深度神经网络的步态特征提取与识别方法 | |
Zhao et al. | Automatic detection and segmentation on gas plumes from multibeam water column images | |
CN109766899B (zh) | 物理特征提取和svm的sar图像车辆目标识别方法 | |
CN116311067A (zh) | 基于高维特征图谱的目标综合识别方法、装置及设备 |
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 |