CN112263242A - 基于fmcw雷达的呼吸检测及模式分类方法 - Google Patents

Abstract

基于FMCW雷达的呼吸检测及模式分类方法，涉及生命体征检测技术领域。本发明是为了解决现有采用雷达方式对生命体征的测量无法对结果进行分类的问题。本发明首先通过FMCW雷达系统采集数据，并通过对数据计算来进行呼吸及心跳信号的分离、提取，实现对生命体征的非接触测量；其次通过利用矩形窗计算各时段呼吸的能量谱及阈值，比较二者大小实现对呼吸暂停的精准判断；最后分别利用VPD寻峰算法提取峰值、谷值及二者差值；计算归一化短时能量的平均值和标准差；利用HHT提取瞬时频率的平均值、标准差和最小值，最后采用SVM支持向量机和K邻近算法对提取的特征值分类，从而实现对多种呼吸模式的有效识别。

Description

基于FMCW雷达的呼吸检测及模式分类方法

技术领域

本发明属于生命体征检测技术领域，尤其涉及利用雷达对人体呼吸模式的检测。

背景技术

呼吸和心率等生命体征是人体生命活动的基本体现，象征着生命活动的存在与质量，可通过基本生命体征的表现评估身体健康状况。目前大多数的解决方案需要被测人员佩戴专用设备。佩戴式心率监测器、用于呼吸速率检测的胸带等可穿戴设备必须始终连接到人体(即使在睡眠期间)，具有局限性、不便利性和不准确性，这促使了非接触监测生命体征的发展。

高频段的毫米波雷达(76～81GHz)具有结构简单、体积小、成本低、功耗低的优点，能检测出小至零点几毫米的移动，可用来测量人体呼吸和心跳产生的微小振动。通过捕捉反射信号，毫米波雷达系统可确定物体的距离、速度和角度，进而通过计算振动幅度和频率区分心率和呼吸，实现非接触监测生命体征。

现有的非接触式生命体征监测主要包括：多种非接触式生命体征监测方法、基于光纤传感的BCG能监测方法及基于WIFI传输的非接触式监测方法。其中多种非接触式生命体征监测方法对比而言，均有优点和不足，例如：基于加速度传感的心冲击描记法可同时监测心率、心率变异、呼吸频率等，但其震动传感器敏感，受外界震动、运动等影响大；基于光纤传感的BCG能监测心率与呼吸且精度高，但对加工工艺要求高，成本偏高；磁阻抗监控能通过磁场的改变监测心肺组织结构，结构简单，灵敏度高，但磁场环境及运动状态对其准确度影响较大；WiFi信号在室内环境中很难从反射信号中确定心跳的微小运动。因此，这些研究仅限于测量呼吸速率。相比较之下，基于雷达的非接触式测量能监测心率、呼吸频率等生命体征，同时穿透力强，准确度高，应用范围更广泛。

总体来看，国内外在毫米波雷达用于非接触式生命体征的测量的研究方面已有一些软硬件成果，但仍存在一些不足和有待解决的问题，例如：在之前的研究中，使用的毫米波雷达频段多为24GHz、35GHz等低频，测量精度较低；大部分毫米波雷达系统体积较大，不具有小型化、便携性的优点，不能满足家庭、医疗场所和灾后救援等多个方面的需求；雷达信号受干扰较多，生命体征监测研究主要针对医疗监护领域，更注重心率和呼吸测量的准确性，因此需要保证提取的生命信号的高精确度。

另一方面，国内对于异常呼吸模式的检测及分类落后于国外，这表现在国内的研究基本只停留在区分正常呼吸和呼吸暂停的阶段。而国外研究的异常呼吸模式更为多样化，种类更加丰富，但也只停留在检测阶段，没有进一步分类。因此，进行基于毫米波雷达的高精度的生理信号检测和呼吸模式识别是势在必行的。

发明内容

本发明是为了解决国内外现有采用雷达方式对生命体征的测量无法对检测结果进行分类的问题，现提供基于FMCW雷达的呼吸检测及模式分类方法。

基于FMCW雷达的呼吸检测及模式分类方法，包括以下步骤：

步骤一：利用FMCW雷达采集被测生命体数据，然后通过带通滤波器区分出生命体的呼吸信号和心跳信号，所述生命体数据包括FMCW雷达与生命体之间的距离和生命体的速度；

步骤二：通过矩形窗计算各时刻呼吸信号和心跳信号的能量谱及能量阈值，当某一时刻能量谱小于该时刻能量阈值时，则生命体出现呼吸暂停，完成呼吸检测；

步骤三：分别利用VPD寻峰算法、归一化短时能量、HHT变换提取呼吸信号的特征值，采用SVM支持向量机和K邻近算法分别对所有特征值进行分类，完成对呼吸模式的分类。

上述步骤一中区分出生命体的呼吸信号和心跳信号的具体方法为：

首先，对被测生命体数据进行距离FFT变换；

然后，将变换结果在距离库中匹配出相位并对相位进行解缠，进而计算出相位差信号，所述相位差信号为当前相位与前一时刻相位之差，所述距离库为含有生命体数据变换结果与相位对应关系的数据库；

最后，对相位差信号进行带通滤波，区分出生命体的呼吸信号和心跳信号。

呼吸信号的频率为0.1Hz～0.5Hz，振幅为1mm～12mm；

心跳信号的频率为0.8Hz～2Hz，振幅为0.1mm～0.5mm。

上述步骤二中，根据下式计算呼吸信号和心跳信号的能量谱E(n)，

呼吸信号和心跳信号均由x(n)表示，n表示信号总个数；

上述步骤二中，根据下式计算能量阈值D(n)：

其中，i＝1,2,...,n。

上述步骤三中利用VPD寻峰算法提取呼吸信号的特征值的具体方法包括以下步骤：

步骤31：利用三点移动平均平滑滤波器消除呼吸信号在滤波时产生的相移；

步骤32：判断呼吸信号中第一个波峰位置是否位于第一个波谷位置之后，是则执行步骤33，否则将第一个波峰丢弃，然后执行步骤33；

步骤33：从第一个波谷开始计算峰谷差异值VPD(k)：

VPD(k)＝P(k)-V(k)

其中，k＝1,2,...,m，波峰和波谷的个数均由m表示，P(k)表示波峰值，V(k)表示波谷值，

步骤34：在波峰个数为m时，在VPD(k)中搜索符合下式的波峰，并将该波峰丢弃，

VPD(k)<0.7*{VPD(k-1)+VPD(k)+VPD(k+1)}/3；

步骤35：判断剩余波峰个数是否等于m，是则将剩余波峰值、波谷值及峰谷差异值作为呼吸信号的第一部分特征值；否则使m＝m-g，然后返回步骤34，其中g为步骤34中丢弃的波峰个数。

上述步骤三中利用归一化短时能量提取呼吸信号的特征值的具体方法为：

对呼吸信号进行归一化处理，然后定义归一化后的呼吸信号如下：

其中，x为归一化后呼吸信号的幅值，x_max为x的最大值，x_min为x的最小值；

定义t时刻呼吸信号的短时能量E_t：

其中，w(t)为窗函数，T为窗长，r为卷积中间变量，

分别计算所有时刻呼吸信号的短时能量的平均值和标准差，并作为呼吸信号的第二部分特征值。

上述对呼吸信号进行归一化处理，归一化后呼吸信号的幅值x为：

其中，x₀为呼吸信号的幅值，|x₀|_max为x₀绝对值的最大值。

当窗函数为矩形窗时，窗函数w(t)为：

短时能量E_t表达式能够改写为：

上述步骤三中利用HHT变换提取呼吸信号的特征值的具体方法为：

利用HHT变换提取呼吸信号的共轭正交变量，然后利用下式获得该共轭正交变量的解析信号z(t)：

z(t)＝a(t)e^jθ(t)

其中，a(t)为幅度，θ(t)为相位，t为时间，

当z(t)的频谱值Z(ω)符合下式：

则有z(t)的平均瞬时功率<ω>：

<ω>＝∫ω|Z(ω)|²dω＝∫θ'(t)a²(t)dt，

此时，解析信号z(t)的瞬时功率ω为θ(t)的导数：

分别提取所有时刻瞬时功率ω的平均值、标准差和最小值，并作为呼吸信号的第三部分特征值。

本发明提出了基于FMCW雷达的呼吸检测及模式分类方法，首先通过FMCW雷达系统采集数据，并通过对数据计算来进行呼吸及心跳信号的分离、提取，实现对生命体征的非接触测量；其次通过利用矩形窗计算各时段呼吸的能量谱及阈值，比较二者大小实现对呼吸暂停的精准判断；最后分别利用VPD寻峰算法提取峰值、谷值及二者差值；计算归一化短时能量的平均值和标准差；利用HHT提取瞬时频率的平均值、标准差和最小值，最后采用SVM支持向量机和K邻近算法对提取的特征值分类，从而实现对多种呼吸模式的有效识别。

附图说明

图1为呼吸信号和心跳信号的分离流程图；

图2为VPD寻峰算法流程图；

图3为正常呼吸曲线图；

图4为比奥式呼吸曲线图；

图5为呼吸过速曲线图；

图6为呼吸过缓曲线图；

图7为潮式呼吸曲线图；

图8为第一种实验数据处理与判断结果图，(a)呼吸信号数据处理结果，(b)心率信号数据处理结果，(c)呼吸信号判断结果，(d)心率信号判断结果；

图9为第二种实验数据处理与判断结果，(a)呼吸信号数据处理结果，(b)心率信号数据处理结果，(c)呼吸信号判断结果，(d)心率信号判断结果；

图10为第三种实验安静状态与蹲起后生理信号的波形对比图，(a)安静状态生理信号波形，(b)蹲起后生理信号波形；

图11为第三种实验蹲起后生理信号呼吸暂停判断结果图，(a)呼吸信号判断结果，(b)心率信号判断结果；

图12为不同分类器实际与预测分类结果图，(a)SVM实际与预测分类结果，(b)KNN实际与预测分类结果；

图13为不同分类器分类结果混淆矩阵图，(a)SVM分类结果混淆矩阵，(b)KNN分类结果混淆矩阵。

具体实施方式

随着越来越多的人被呼吸问题困扰，呼吸疾病的发现和诊断逐渐成为研究热点。在睡眠期间也必须始终连接到人体的可穿戴生理信号检测设备具有不便利性和不准确性。

本发明针对这一缺陷，提出了基于FMCW(调频连续波)雷达的呼吸模式检测及分类技术。

具体实施方式一：参照图1至图8具体说明本实施方式，本实施方式所述的基于FMCW雷达的呼吸检测及模式分类方法，具体包括以下步骤：

步骤一：利用FMCW雷达采集被测生命体数据，所述生命体数据包括FMCW雷达与生命体之间的距离和生命体的速度。完成数据采集后，需要从原始雷达信号的微位移振动中对心跳和呼吸进行提取和分离。如图1所示，首先，对被测生命体数据进行距离FFT变换。然后，将变换结果在距离库中匹配出相位并对相位进行解缠，进而计算出相位差信号，所述相位差信号为当前相位与前一时刻相位之差，所述距离库为含有生命体数据变换结果与相位对应关系的数据库。呼吸和心跳均会引起人体表面的微弱振动，其中呼吸引起的振动频率约为0.1Hz～0.5Hz，振幅为1mm～12mm；心跳信号的频率为0.8Hz～2Hz，振幅为0.1mm～0.5mm。根据呼吸和心率引起的体表震动幅度和频率的区别，可以利用不同频率的带通滤波器对其进行区分。对相位差信号进行带通滤波，区分出生命体的呼吸信号和心跳信号。完成呼吸信号和心跳信号的分离后，分别对二者的频率进行计算。心跳信号经带通滤波后，判断片段是否损毁，舍弃能量超过阈值的数据，将无损毁的数据放入有效值缓冲区，进行基于FFT、自相关、峰值区间的谱估计，计算出3种处理方法的置信度，并根据置信度进行决策，输出最终的心率值。呼吸信号经带通滤波后直接进行基于FFT和峰值区间的谱估计，同样根据置信度进行决策，输出最终的呼吸值。

步骤二：毫米波雷达采集的呼吸信号和心跳信号是非周期的确定性信号，可以用能量谱来描述，能量谱表示信号能量的大小，即可以表示呼吸和心率两种生理信号的强弱状态。通过矩形窗根据下式计算呼吸信号和心跳信号的能量谱E(n)，

呼吸信号和心跳信号均由x(n)表示，n表示信号总个数。

设置信号阈值来对能量谱的变化做一个判断，从而判断呼吸状态，根据下式计算能量阈值D(n)：

其中，i＝1,2,...,n。

当某一时刻能量谱小于该时刻能量阈值时，则生命体出现呼吸暂停，完成呼吸检测。

步骤三：分别利用VPD寻峰算法、归一化短时能量、HHT变换提取呼吸信号的特征值，所述三种方法分别如下：

1、生理信号(心跳信号和呼吸信号)的处理通常涉及峰值检测及找到峰值间的间隔。峰值检测是在满足某些特性的信号中查找局部最大值的位置和幅度的过程。本实施方式使用了VPD寻峰算法，该算法通过循环消除了噪声和重音造成的所有虚假峰，直到两次连续迭代中的峰数目保持不变为止。如图2所示，利用VPD寻峰算法提取呼吸信号的特征值的具体方法包括以下步骤：

步骤31：VPD寻峰算法的第一步是使用三点移动平均平滑滤波器处理信号，以增强信号分量；向前和向后应用滤波器，消除信号滤波产生的任何相移。

步骤32：检测所有波峰和波谷并确定其位置，给定生理信号时间序列：S(n)＝{s₁，s₂，s₃，...，s_N}，其中n＝1,2,...,N，N为生理信号的总数，则有：

波峰点表达式：P(n)＝S(n):S(n-1)<S(n)>S(n+1)，

波峰位置表达式：L_p(k)＝n:S(n-1)<S(n)>S(n+1)，

波谷点表达式：V(n)＝S(n):S(n-1)>S(n)<S(n+1)，

波谷位置表达式：L_v(k)＝n:S(n-1)>S(n)<S(n+1)，

其中，k＝1,2,...,m，由于波峰和波谷一一对应，所以波峰和波谷的个数均由m表示。

在此阶段，需要确保VPD处理从波谷处开始。因此，判断呼吸信号中第一个波峰位置是否位于第一个波谷位置之后，是则执行步骤33，否则将第一个波峰丢弃，然后执行步骤33。

步骤33：从第一个波谷开始计算峰谷差异值VPD(k)：

VPD(k)＝P(k)-V(k)

P(k)表示波峰值，V(k)表示波谷值。

步骤34：在波峰个数为m时，在VPD(k)中搜索符合下式的波峰，并将该波峰丢弃，

VPD(k)<0.7*{VPD(k-1)+VPD(k)+VPD(k+1)}/3；

满足上式条件的实例判断为过度检测，因此从候选序列中删除了相应的峰值点和峰值点对应的位置。

步骤35：判断剩余波峰个数是否等于m，是则将剩余波峰值、波谷值及峰谷差异值作为呼吸信号的第一部分特征值；否则使m＝m-g，然后返回步骤34，其中g为步骤34中丢弃的波峰个数。此迭代步骤能够消除所有杂音峰和由于噪声和伪影而引起的波峰。

2、由于呼吸信号的能量随时间而变化，弱呼吸和强呼吸之间的能量有一定差别。因此，对呼吸信号的短时能量进行分析，可描述呼吸的这种特征变化情况。归一化可把数据映射到-1～1范围之内处理，消除不同实验者、不同呼吸模式呼吸信号幅值之间的差异。利用归一化短时能量提取呼吸信号的特征值的具体方法为：

对呼吸信号进行归一化处理，归一化后呼吸信号的幅值x为：

其中，x₀为呼吸信号的幅值，|x₀|_max为x₀绝对值的最大值。

然后定义归一化后的呼吸信号如下：

其中，x为归一化后呼吸信号的幅值，x_max为x的最大值，x_min为x的最小值；

定义t时刻呼吸信号的短时能量E_t：

其中，w(t)为窗函数，T为窗长，加窗可以减少呼吸帧的截断效应，r为卷积中间变量，由公式可得短时能量为一帧样点值的加权平方和。

特殊的，当窗函数选用窗长为4s的矩形窗，毫米波雷达每秒采样20个点，4秒采样80个点，即T＝80。应用的矩形窗公式w(t)为：

短时能量E_t表达式能够改写为：

之后，分别计算所有时刻呼吸信号的短时能量的平均值和标准差，并作为呼吸信号的第二部分特征值。

3、利用HHT变换提取呼吸信号的特征值的具体方法为：

利用HHT变换提取呼吸信号的共轭正交变量，然后利用下式获得该共轭正交变量的解析信号z(t)：

z(t)＝x(t)+by(t)＝a(t)e^jθ(t)

其中，a(t)为幅度，a(t)＝[x²(t)+y²(t)]^1/2，θ(t)为相位，

a(t)和θ(t)均为时间函数，t为时间。

当z(t)的频谱值Z(ω)符合下式：

则有解析信号z(t)的瞬时功率平均值<ω>：

<ω>＝∫ω|Z(ω)|²dω＝∫θ'(t)a²(t)dt，

此时，解析信号z(t)的瞬时功率ω为θ(t)的导数：

分别提取所有时刻瞬时功率ω的平均值、标准差和最小值，并作为呼吸信号的第三部分特征值。

采用SVM支持向量机和K邻近算法分别对上述第一部分、第二部分和第三部分的所有特征值进行分类，完成对呼吸模式的分类。

本实施方式中，实验进行训练及验证的5种典型呼吸模式如下：

第一类：正常呼吸。正常成年人每分钟呼吸大约16～20次。呼吸与脉搏的比是1：4，即每呼吸1次，脉搏搏动4次。小儿呼吸比成人快，每分钟可达20～30次；新生儿的呼吸频率可达每分钟44次，呼吸频率随着年龄的增长而逐渐减小。图3为正常呼吸的示意图，实验者保持正常呼吸1min。

第二类：比奥式呼吸(Biot’s Breathing)，即间停呼吸，是一种病理性的周期性呼吸。表现为一次或多次强呼吸后，继以长时间呼吸停止，之后又再次出现数次强呼吸，周期持续时间为10～60秒。图4为比奥式呼吸的示意图，实验者正常呼吸30s后，呼吸暂停30s，再接着正常呼吸30s。

第三类：呼吸过速(tachypnea)是临床上常见的呼吸系统症状，往往由呼吸系统疾病导致，或是由控制、影响呼吸的器官或组织病变导致呼吸功能不全的早期症状，病情进一步加重会出现呼吸窘迫或呼吸困难，甚至呼吸衰竭进而危急生命。成人呼吸频率超过20次/min称为呼吸过速。图5为呼吸过速的示意图，实验者保持1s吸，1s呼，即每2s呼吸一次，每分钟约为30次，持续1min。

第四类：呼吸过缓(bradypnea)指即呼吸节律整齐但频率小于10次/min，常见于生命终末期或呼吸暂停前。神经、代谢疾病或某些药物服用过量时由于抑制呼吸中枢，也可产生呼吸过缓。呼吸浅慢见于麻醉剂或镇静剂过量和颅内压增高等。图6为呼吸过缓的示意图，实验者保持5s吸，5s呼，即每10s呼吸一次，每分钟约为6次，持续1min。

第五类：潮式呼吸的特点是呼吸逐步减弱，以至停止和呼吸逐渐增强两者交替出现，周而复始，呈潮水涨落样的改变。潮式呼吸周期可长达30s到2min，暂停期可持续5～30s。图7为潮式呼吸的示意图，实验者呼吸暂停-呼吸逐渐增强-呼吸逐渐减弱-呼吸暂停，每段状态保持约20s。

实际应用时，就可以采用SVM支持向量机和K邻近算法对所有特征值按照上述5类进行分类，完成对呼吸模式的分类。

实验验证：

(一)呼吸暂停实验验证

为采集到不同人在正常呼吸和呼吸暂停两种状态下的呼吸和心率信号，设计实验流程，要求被测试人员按流程模拟不同呼吸状态，同时运用毫米波雷达采集呼吸和心率信号。在实验前被试已被告知实验的目的，并被要求在实验过程中尽量保持不动，以免增加肌电等干扰。实验开始前，会向被试者介绍实验目的、流程和需要注意的事项。实验结束后，处理毫米波雷达采集的呼吸和心跳数据，并用能量谱和阈值方法对呼吸暂停进行判断。实验分为3种，被试者距毫米波雷达30cm，每段呼吸状态保持20s以上：

1.安静状态下，正常呼吸-呼吸暂停-正常呼吸

数据处理与判断结果如图8。

2.安静状态下，正常呼吸-呼吸暂停-正常呼吸-呼吸暂停-正常呼吸

数据处理与判断结果如图9。

3.蹲起后，正常呼吸-呼吸暂停-正常呼吸

安静状态与蹲起后生理信号的波形对比如图10，可看出蹲起后的初始心跳较安静状态波动明显，蹲起后生理信号的呼吸暂停识别如图11。

通过进行呼吸暂停实验与数据分析处理，可以发现，实际采集的呼吸信号和心率信号都能在能量谱和阈值方法下对呼吸暂停进行判断。对比波形和阈值判断结果，发现呼吸信号的判断准确率要高于心率信号，但心率信号也能起到辅助判断的作用。因此呼吸暂停的判断可以不单纯依靠呼吸，心率也可以用作参考，这也是本发明提出的一个创新点。

(二)呼吸模式识别结果分析

本发明分别采用SVM支持向量机和K近邻算法对呼吸模式进行分类，具体分类过程如下：对数据特征提取后，将每种呼吸模式各4组训练样本按正常呼吸、比奥式呼吸、呼吸过速、呼吸过缓、潮式呼吸的顺序打上1～5的标签，分别输入两种分类器训练。同时将采集的5种呼吸模式的其余20组数据(其中正常呼吸、比奥式呼吸、呼吸过缓、呼吸过速、潮式呼吸每种呼吸模式各4组)作为分类样本输入，两种分类器实际与预测分类结果如图12所示，分类结果的混淆矩阵如图13所示。

将全部实验的数据提取基于VPD寻峰算法、归一化短时能量和瞬时频率的特征并输入SVM和KNN分类器训练分类，两种分类器的测试准确率的如表1所示。

表1不同分类器的分类结果

由上表可知，SVM分类准确率为90％，高于KNN分类准确率75％。SVM分类时，将正常呼吸中的一组误判为呼吸过速，比奥式呼吸中的一组误判为潮式呼吸，呼吸过速、呼吸过缓和潮式呼吸3种模式均分类正确；KNN分类时，将正常呼吸中的两组误判为呼吸过速，另两组误判为呼吸过缓；呼吸过缓中的一组误判为呼吸过速，比奥式呼吸、呼吸过速和潮式呼吸3种模式均分类正确。两种分类器的呼吸过速和潮式呼吸的分类准确率都为100％，这两种呼吸模式的分类效果最好。

Claims (10)

1.基于FMCW雷达的呼吸检测及模式分类方法，其特征在于，包括以下步骤：

步骤一：利用FMCW雷达采集被测生命体数据，然后通过带通滤波器区分出生命体的呼吸信号和心跳信号，所述生命体数据包括FMCW雷达与生命体之间的距离和生命体的速度；

步骤二：通过矩形窗计算各时刻呼吸信号和心跳信号的能量谱及能量阈值，当某一时刻能量谱小于该时刻能量阈值时，则生命体出现呼吸暂停，完成呼吸检测；

步骤三：分别利用VPD寻峰算法、归一化短时能量、HHT变换提取呼吸信号的特征值，采用SVM支持向量机和K邻近算法分别对所有特征值进行分类，完成对呼吸模式的分类。

2.根据权利要求1所述的基于FMCW雷达的呼吸模式检测及分类方法，其特征在于，步骤一中区分出生命体的呼吸信号和心跳信号的具体方法为：

首先，对被测生命体数据进行距离FFT变换；

然后，将变换结果在距离库中匹配出相位并对相位进行解缠，进而计算出相位差信号，所述相位差信号为当前相位与前一时刻相位之差，所述距离库为含有生命体数据变换结果与相位对应关系的数据库；

最后，对相位差信号进行带通滤波，区分出生命体的呼吸信号和心跳信号。

3.根据权利要求2所述的基于FMCW雷达的呼吸模式检测及分类方法，其特征在于，

呼吸信号的频率为0.1Hz～0.5Hz，振幅为1mm～12mm；

心跳信号的频率为0.8Hz～2Hz，振幅为0.1mm～0.5mm。

4.根据权利要求1所述的基于FMCW雷达的呼吸模式检测及分类方法，其特征在于，步骤二中，根据下式计算呼吸信号和心跳信号的能量谱E(n)，

呼吸信号和心跳信号均由x(n)表示，n表示信号总个数。

5.根据权利要求4所述的基于FMCW雷达的呼吸模式检测及分类方法，其特征在于，步骤二中，根据下式计算能量阈值D(n)：

其中，i＝1,2,...,n。

6.根据权利要求1所述的基于FMCW雷达的呼吸模式检测及分类方法，其特征在于，步骤三中利用VPD寻峰算法提取呼吸信号的特征值的具体方法包括以下步骤：

步骤31：利用三点移动平均平滑滤波器消除呼吸信号在滤波时产生的相移；

步骤32：判断呼吸信号中第一个波峰位置是否位于第一个波谷位置之后，是则执行步骤33，否则将第一个波峰丢弃，然后执行步骤33；

步骤33：从第一个波谷开始计算峰谷差异值VPD(k)：

VPD(k)＝P(k)-V(k)

其中，k＝1,2,...,m，波峰和波谷的个数均由m表示，P(k)表示波峰值，V(k)表示波谷值，

步骤34：在波峰个数为m时，在VPD(k)中搜索符合下式的波峰，并将该波峰丢弃，

VPD(k)<0.7*{VPD(k-1)+VPD(k)+VPD(k+1)}/3；

步骤35：判断剩余波峰个数是否等于m，是则将剩余波峰值、波谷值及峰谷差异值作为呼吸信号的第一部分特征值；否则使m＝m-g，然后返回步骤34，其中g为步骤34中丢弃的波峰个数。

7.根据权利要求1所述的基于FMCW雷达的呼吸模式检测及分类方法，其特征在于，步骤三中利用归一化短时能量提取呼吸信号的特征值的具体方法为：

对呼吸信号进行归一化处理，然后定义归一化后的呼吸信号如下：

其中，x为归一化后呼吸信号的幅值，x_max为x的最大值，x_min为x的最小值；

定义t时刻呼吸信号的短时能量E_t：

其中，w(t)为窗函数，T为窗长，r为卷积中间变量，

分别计算所有时刻呼吸信号的短时能量的平均值和标准差，并作为呼吸信号的第二部分特征值。

8.根据权利要求7所述的基于FMCW雷达的呼吸模式检测及分类方法，其特征在于，对呼吸信号进行归一化处理，归一化后呼吸信号的幅值x为：

其中，x₀为呼吸信号的幅值，|x₀|_max为x₀绝对值的最大值。

9.根据权利要求7所述的基于FMCW雷达的呼吸模式检测及分类方法，其特征在于，当窗函数为矩形窗时，窗函数w(t)为：

短时能量E_t表达式能够改写为：

10.根据权利要求1所述的基于FMCW雷达的呼吸模式检测及分类方法，其特征在于，步骤三中利用HHT变换提取呼吸信号的特征值的具体方法为：

利用HHT变换提取呼吸信号的共轭正交变量，然后利用下式获得该共轭正交变量的解析信号z(t)：

z(t)＝a(t)e^jθ(t)

其中，a(t)为幅度，θ(t)为相位，t为时间，

当z(t)的频谱值Z(ω)符合下式：

则有z(t)的平均瞬时功率<ω>：

<ω>＝∫ω|Z(ω)|²dω＝∫θ'(t)a²(t)dt

此时，解析信号z(t)的瞬时功率ω为θ(t)的导数：

分别提取所有时刻瞬时功率ω的平均值、标准差和最小值，并作为呼吸信号的第三部分特征值。

Images