CN112686094B - 一种基于毫米波雷达的非接触式身份识别方法及系统 - Google Patents

一种基于毫米波雷达的非接触式身份识别方法及系统 Download PDF

Info

Publication number
CN112686094B
CN112686094B CN202011393333.7A CN202011393333A CN112686094B CN 112686094 B CN112686094 B CN 112686094B CN 202011393333 A CN202011393333 A CN 202011393333A CN 112686094 B CN112686094 B CN 112686094B
Authority
CN
China
Prior art keywords
user
identified
beat
beat frequency
signal
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
Application number
CN202011393333.7A
Other languages
English (en)
Other versions
CN112686094A (zh
Inventor
杨宗凯
刘三女牙
赵亮
秦洪亮
孙建文
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Central China Normal University
Original Assignee
Central China Normal University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Central China Normal University filed Critical Central China Normal University
Priority to CN202011393333.7A priority Critical patent/CN112686094B/zh
Publication of CN112686094A publication Critical patent/CN112686094A/zh
Priority to PCT/CN2021/088947 priority patent/WO2022116467A1/zh
Priority to US18/038,213 priority patent/US20240000345A1/en
Application granted granted Critical
Publication of CN112686094B publication Critical patent/CN112686094B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • A61B5/117—Identification of persons
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
    • A61B5/024—Detecting, measuring or recording pulse rate or heart rate
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/05—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves 
    • A61B5/0507—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves  using microwaves or terahertz waves
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/88—Radar or analogous systems specially adapted for specific applications
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
    • G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
    • G01S7/35—Details of non-pulse systems
    • G01S7/352—Receivers
    • G01S7/354—Extracting wanted echo-signals
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
    • G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
    • G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
    • G01S7/414—Discriminating targets with respect to background clutter
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
    • G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
    • G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
    • G01S7/415—Identification of targets based on measurements of movement associated with the target
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
    • G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
    • G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
    • G01S7/417—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section involving the use of neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Remote Sensing (AREA)
  • Radar, Positioning & Navigation (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Theoretical Computer Science (AREA)
  • Animal Behavior & Ethology (AREA)
  • Veterinary Medicine (AREA)
  • Public Health (AREA)
  • Pathology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Medical Informatics (AREA)
  • Surgery (AREA)
  • Data Mining & Analysis (AREA)
  • Cardiology (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Electromagnetism (AREA)
  • Physiology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Software Systems (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
  • Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)

Abstract

本发明提供一种基于毫米波雷达的非接触式身份识别方法及系统，包括：向待识别用户发射毫米波雷达信号，并接收从待识别用户反射来的回波信号；对所述回波信号进行杂波抑制、回波选择后提取待识别用户的心率信号；将待识别用户的心率信号分割成拍频信号，并确定对应的待识别用户的拍频特征；将待识别用户的拍频特征与标准用户群的拍频特征进行对比，若待识别用户的拍频特征与标准用户群中其中一个标准用户的拍频特征吻合，则对待识别用户的身份识别通过；否则，对待识别用户的身份识别不通过。本发明采用心率信号进行身份识别，具有较高的可靠性；采用毫米波雷达技术，非接触地进行身份识别，具有较高的灵活性和准确性。

Description

一种基于毫米波雷达的非接触式身份识别方法及系统
技术领域
本发明属于雷达与生物特征识别交叉技术领域，更具体地，涉及一种基于毫米波雷达的非接触式身份识别方法及系统。
背景技术
随着科技的不断进步，数据无处不在，无处不有。如何在大数据时代，创新身份识别技术，在提高安全防护的同时，有效保护用户隐私、提高用户体验，成为当下急需解决的一个问题。
传统的身份识别主要依赖“账号+密码”等方式，防护级别不高且便利性较差。而与之相对，生物特征识别技术由于具有灵活性、多样性等优势，近年来逐渐兴起并得到了较为广泛的应用。常见的生物特征识别技术包括：人脸识别、声音识别、指纹识别等。虽然与传统技术相比，生物特征识别的防护级别已显著提升，但现有技术如：人脸、声音、指纹识别等存在被模仿、被破译的风险，具有一定的安全隐患。
发明内容
针对现有技术的缺陷，本发明的目的在于提供一种基于毫米波雷达的非接触式身份识别方法及系统，旨在解决现有生物特征识别技术存在被模仿、被破译的风险，具有一定的安全隐患的问题。
为实现上述目的，第一方面，本发明提供了一种基于毫米波雷达的非接触式身份识别方法，包括如下步骤：
向待识别用户发射毫米波雷达信号，并接收从待识别用户反射来的回波信号；
对所述回波信号进行杂波抑制、回波选择后提取待识别用户的心率信号；
将待识别用户的心率信号分割成拍频信号，并确定对应的待识别用户的拍频特征；
将待识别用户的拍频特征与标准用户群的拍频特征进行对比，若待识别用户的拍频特征与标准用户群中其中一个标准用户的拍频特征吻合，则对待识别用户的身份识别通过；否则，对待识别用户的身份识别不通过。
具体地，向用户发送毫米波雷达，可以通过如毫米波收发模块进行，毫米波收发模块与用户可以不直接接触，实现非接触式身份识别。
在一个可选的实施例中，将待识别用户的心率信号分割成拍频信号，若分割后仅包含单个拍频信号，则确定单个拍频信号对应的时频域特征，以作为待识别用户的拍频特征；若分割后包含多个单拍频信号，则分别确定各个拍频信号的时频域特征，并将时频域特征输入神经网络提取对应的时序特征，以将时频域特征和时序特征作为待识别用户的拍频特征。
在一个可选的实施例中，对所述回波信号进行回波选择，具体为：
对回波信号的每一行进行傅里叶变换，得到所述毫米波雷达的距离矩阵；计算所述距离矩阵每一列所表征的距离单元上的能量和，选取最大能量和对应的距离单元作为毫米波雷达发射处到待识别用户的距离，并将所述距离矩阵中最大能量和对应的列提取，利用反正切函数计算该列相位并执行相位解缠操作，得到回波信号中与待识别用户生命体征相关的信号。
在一个可选的实施例中，回波选择后提取待识别用户的心率信号，具体为：
将所述相位解缠操作后的信号进行离散小波变换，并对离散小波变换后的信号进行带通滤波；
对所述带通滤波后的信号进行逆小波变换，重构得到待识别用户的心率信号。
在一个可选的实施例中，将待识别用户的心率信号分割成拍频信号，具体为：
将待识别用户的心率信号上下翻转180°倒置后，采用峰值检测识别波谷，其峰值和峰峰间距均大于预设阈值；其次，判断两个波谷间是否存在有效的波峰；所述有效波峰需同时满足以下两个条件：(i)峰值超过预设峰值阈值；(ii)利用过零检测，检测两波谷间存在过零点；
若存在有效波峰，则依据前后波谷，执行拍频切割；若不存在有效波峰，则不执行拍频切割。
在一个可选的实施例中，将待识别用户的拍频特征与标准用户群的拍频特征进行对比，具体为：
若待识别用户的心率信号分割后仅包含单个拍频信号，则将标准用户群的拍频特征逐一取出，使用第一分类器对待识别用户单拍频信号的时频域特征进行识别，其识别结果为向量w，w＝[p1,p2,…,pm]，其中向量w中元素pj表示待识别用户的拍频是标准用户群中第j个标准用户的概率值，j∈[1,m]，m表示标准用户群中有m个用户；若向量w元素中最大值大于预设概率阈值，则待识别用户的身份通过，且确定其身份为向量w元素中最大值对应的标准用户；
若待识别用户的心率信号分割后包含多个单拍频信号，则将标准用户群的拍频特征逐一取出，首先，使用第一分类器对待识别用户多个单拍频信号的时频域特征进行身份识别，其识别结果为n×m维的矩阵W，
Figure BDA0002813516190000031
n表示待识别用户分割后包含n个拍频，m表示标准用户群中有m个用户，其中矩阵W中的元素pij表示待识别用户的第i个拍频是标准用户群中第j个标准用户的概率值。其次，采用平均值函数，对概率矩阵W的每一列求均值，得到一个向量
Figure BDA0002813516190000032
Figure BDA0002813516190000033
Figure BDA0002813516190000041
其中向量
Figure BDA0002813516190000042
中元素
Figure BDA0002813516190000043
表示待识别用户的多拍频识别结果是标准用户群中第j个标准用户的平均概率值；若向量
Figure BDA0002813516190000044
元素中最大值大于预设概率阈值，则初步确定其身份为向量
Figure BDA0002813516190000045
元素中最大值对应的标准用户。接着，将第一分类器识别的向量
Figure BDA0002813516190000046
与所述待识别用户多拍频信号的时序域特征融合，并通过第二分类器基于融合后的特征进行身份识别，最终确定待识别用户的身份是否识别通过，若身份识别通过，进一步确定其身份对应的标准用户。
第二方面，本发明提供了一种基于毫米波雷达的非接触式身份识别系统，包括：
信号发射单元，向待识别用户发射毫米波雷达信号；
信号接收单元，接收从待识别用户反射来的回波信号；
心率信号提取单元，用于对所述回波信号进行杂波抑制、回波选择后提取待识别用户的心率信号；
拍频特征确定单元，用于将待识别用户的心率信号分割成拍频信号，并确定对应的待识别用户的拍频特征；
身份识别单元，用于将待识别用户的拍频特征与标准用户群的拍频特征进行对比，若待识别用户的拍频特征与标准用户群中其中一个标准用户的拍频特征吻合，则对待识别用户的身份识别通过；否则，对待识别用户的身份识别不通过。
具体地，信号发射单元和信号接收单元可以组成毫米波收发模块。
在一个可选的实施例中，所述拍频特征确定单元将待识别用户的心率信号分割成拍频信号，若分割后仅包含单个拍频信号，则确定单个拍频信号对应的时频域特征，以作为待识别用户的拍频特征；若分割后包含多个单拍频信号，则分别确定各个拍频信号的时频域特征，并将时频域特征输入神经网络提取对应的时序特征，以将时频域特征和时序特征作为待识别用户的拍频特征。
在一个可选的实施例中，所述心率信号提取单元对回波信号的每一行进行傅里叶变换，得到所述毫米波雷达的距离矩阵；计算所述距离矩阵每一列所表征的距离单元上的能量和，选取最大能量和对应的距离单元作为毫米波雷达发射处到待识别用户的距离，并将所述距离矩阵中最大能量和对应的列提取，利用反正切函数计算该列相位并执行相位解缠操作，得到回波信号中与待识别用户生命体征相关的信号。
在一个可选的实施例中，待识别用户的心率信号分割后仅包含单个拍频信号，则所述身份识别单元将标准用户群的拍频特征逐一取出，使用第一分类器对待识别用户单拍频信号的时频域特征进行识别，其识别结果为向量w，w＝[p1,p2,…,pm]，其中向量w中元素pj表示待识别用户的拍频是标准用户群中第j个标准用户的概率值，j∈[1,m]，m表示标准用户群中有m个用户；若向量w元素中最大值大于预设概率阈值，则待识别用户的身份通过，且确定其身份为向量w元素中最大值对应的标准用户；
若待识别用户的心率信号分割后包含多个单拍频信号，则所述身份识别单元将标准用户群的拍频特征逐一取出，首先，使用第一分类器对待识别用户多个单拍频信号的时频域特征进行身份识别，其识别结果为n×m维的矩阵W，
Figure BDA0002813516190000051
n表示待识别用户分割后包含n个拍频，m表示标准用户群中有m个用户，其中矩阵W中的元素pij表示待识别用户的第i个拍频是标准用户群中第j个标准用户的概率值。其次，采用平均值函数，对概率矩阵W的每一列求均值，得到一个向量
Figure BDA0002813516190000052
Figure BDA0002813516190000053
其中向量
Figure BDA0002813516190000054
中元素
Figure BDA0002813516190000055
表示待识别用户的多拍频识别结果是标准用户群中第j个标准用户的平均概率值；若向量
Figure BDA0002813516190000056
元素中最大值大于预设概率阈值，则初步确定其身份为向量
Figure BDA0002813516190000057
元素中最大值对应的标准用户。接着，将第一分类器识别的向量
Figure BDA0002813516190000061
与所述待识别用户多拍频信号的时序域特征融合，并通过第二分类器基于融合后的特征进行身份识别，最终确定待识别用户的身份是否识别通过，若身份识别通过，进一步确定其身份对应的标准用户。
总体而言，通过本发明所构思的以上技术方案与现有技术相比，具有以下有益效果：
本发明提供一种基于毫米波雷达的非接触式身份识别方法及系统，一方面，采用心率信号进行用户身份识别，作为生物医学信号，心率信号具有唯一性、独特性和稳定性等优点，不易被模仿，采用该信号进行生物特征识别，可有效提高识别系统的可靠性；另一方面，采用毫米波雷达技术，非接触地进行身份识别，毫米波技术具有功率小、精度高等优点，采用该技术非接触地感知人体心率信号，可有效提高识别系统的灵活性和准确性。
附图说明
图1为本发明实施例提供的基于毫米波雷达的非接触式身份识别方法流程图；
图2为本发明实施例提供的基于毫米波雷达的非接触式身份识别系统框图；
图3为本发明实施例提供的毫米波雷达获取回波信号原理图；
图4为本发明实施例提供的提取单个拍频对应的特征点说明图；
图5为本发明实施例提供的检测不同对象心率信号图及提取出单个拍频信号验证图；
图6为本发明实施例提供的基于毫米波雷达的非接触式身份识别方法架构图。
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用以解释本发明，并不用于限定本发明。
为解决上述问题，本发明创造性地提出了一种基于毫米波雷达的非接触式身份识别系统及方法，将毫米波技术引入生物特征识别领域，充分发挥二者的技术优势：一方面，作为生物医学信号，心率信号具有唯一性、独特性和稳定性等优点，不易被模仿，采用该信号进行生物特征识别，可有效提高识别系统的可靠性；另一方面，毫米波技术具有功率小、精度高等优点，采用该技术非接触地感知人体心率信号，可有效提高识别系统的灵活性和准确性。
图1为本发明实施例提供的基于毫米波雷达的非接触式身份识别方法流程图，如图1所示，包括如下步骤：
S101，向待识别用户发射毫米波雷达信号，并接收从待识别用户反射来的回波信号；
S102，对所述回波信号进行杂波抑制、回波选择后提取待识别用户的心率信号；
S103，将待识别用户的心率信号分割成拍频信号，并确定对应的待识别用户的拍频特征；
S104，将待识别用户的拍频特征与标准用户群的拍频特征进行对比，若待识别用户的拍频特征与标准用户群中其中一个标准用户的拍频特征吻合，则对待识别用户的身份识别通过；否则，对待识别用户的身份识别不通过。
在一个可选的实施例中，将待识别用户的心率信号分割成拍频信号，若分割后仅包含单个拍频信号，则确定单个拍频信号对应的时频域特征，以作为待识别用户的拍频特征；若分割后包含多个单拍频信号，则分别确定各个拍频信号的时频域特征，并将时频域特征输入神经网络提取对应的时序特征，以将时频域特征和时序特征作为待识别用户的拍频特征。
在一个可选的实施例中，对所述回波信号进行回波选择，具体为：
对回波信号的每一行进行傅里叶变换，得到所述毫米波雷达的距离矩阵；计算所述距离矩阵每一列所表征的距离单元上的能量和，选取最大能量和对应的距离单元作为毫米波雷达发射处到待识别用户的距离，并将所述距离矩阵中最大能量和对应的列提取，利用反正切函数计算该列相位并执行相位解缠操作，得到回波信号中与待识别用户生命体征相关的信号。
在一个可选的实施例中，回波选择后提取待识别用户的心率信号，具体为：
将所述相位解缠操作后的信号进行离散小波变换，并对离散小波变换后的信号进行带通滤波；
对所述带通滤波后的信号进行逆小波变换，重构得到待识别用户的心率信号。
在一个可选的实施例中，将待识别用户的心率信号分割成拍频信号，具体为：
将待识别用户的心率信号上下翻转180°倒置后，采用峰值检测识别波谷，其峰值和两峰间距均大于预设阈值；其次，判断两个波谷间是否存在有效的波峰；所述有效波峰需同时满足以下两个条件：(i)峰值超过预设峰值阈值；(ii)利用过零检测，检测两波谷间存在过零点；
若存在有效波峰，则依据前后波谷，执行拍频切割；若不存在有效波峰，则不执行拍频切割。
在一个可选的实施例中，将待识别用户的拍频特征与标准用户群的拍频特征进行对比，具体为：
若待识别用户的心率信号分割后仅包含单个拍频信号，则将标准用户群的拍频特征逐一取出，使用第一分类器对待识别用户单拍频信号的时频域特征进行识别，其识别结果为向量w，w＝[p1,p2,…,pm]，其中向量w中元素pj表示待识别用户的拍频是标准用户群中第j个标准用户的概率值，j∈[1,m]，m表示标准用户群中有m个用户；若向量w元素中最大值大于预设概率阈值，则待识别用户的身份通过，且确定其身份为向量w元素中最大值对应的标准用户；
若待识别用户的心率信号分割后包含多个单拍频信号，则将标准用户群的拍频特征逐一取出，首先，使用第一分类器对待识别用户多个单拍频信号的时频域特征进行身份识别，其识别结果为n×m维的矩阵W，
Figure BDA0002813516190000091
n表示待识别用户分割后包含n个拍频，m表示标准用户群中有m个用户，其中矩阵W中的元素pij表示待识别用户的第i个拍频是标准用户群中第j个标准用户的概率值。其次，采用平均值函数，对概率矩阵W的每一列求均值，得到一个向量
Figure BDA0002813516190000092
Figure BDA0002813516190000093
Figure BDA0002813516190000094
其中向量
Figure BDA0002813516190000095
中元素
Figure BDA0002813516190000096
表示待识别用户的多拍频识别结果是标准用户群中第j个标准用户的平均概率值；若向量
Figure BDA0002813516190000097
元素中最大值大于预设概率阈值，则初步确定其身份为向量
Figure BDA0002813516190000098
元素中最大值对应的标准用户。接着，将第一分类器识别的向量
Figure BDA0002813516190000099
与所述待识别用户多拍频信号的时序域特征融合，并通过第二分类器基于融合后的特征进行身份识别，最终确定待识别用户的身份是否识别通过，若身份识别通过，进一步确定其身份对应的标准用户。
具体地，本发明还提供一种基于毫米波雷达的非接触式身份识别系统，具有可靠性高、鲁棒性强、功率小、精度高、便利性好等优点。其识别原理为：首先，识别系统发射低功耗的毫米波后，检测该信号从人体(如：胸腔等)反射所产生的回波信号，从中提取并重构心率信号。其次，将重构信号与数据库已录入的心率信号进行匹配，实现身份识别。
综上，本发明的目的在于提供一种可靠性高、鲁棒性强、功率小、精度高、便利性好的非接触式身份识别系统及方法。所述系统包括：(1)毫米波收发模块；(2)实时信号处理模块；(3)身份识别模块。其中：
所述系统中(1)毫米波收发模块具体为：发射毫米波并接受毫米波回波信号。包含：毫米波雷达收发、高精度A/D转换、数字信号处理三部分。其中，毫米波雷达收发部分采用MIMO天线技术，分别由并行的微带天线组成。每个发射天线Tx具有独立的相位和幅度控制，可发送77GHz-81GHz的线性调频脉冲；而每个接收天线Rx既可单独工作，也可同时运行。高精度A/D转换部分对接收天线Rx所接收的信号进行16位的高精度模数转换。数字信号处理部分采用FPGA或DSP对回波信号进行预处理。
所述系统中(2)信号处理模块具体为：从毫米波回波信号中提取并重构心率信号。首先，实时捕获并回传UDP数据包，周期性地将新增数据拼接打包。第二，对数据进行预处理，抑制杂波干扰并进行回波选择。第三，执行带通滤波操作和迭代拟合，提取心率信号。
所述系统中(3)身份识别模块具体为：首先，特征提取，执行拍频分离，提取每个拍频信号的特征。其次，特征选择，筛选出与身份相关性较大的特征。第三，分类算法，在训练集上训练分类模型，在测试集上验证该模型的识别精度，随后在单拍频预测结果融合的基础上进行识别目标身份。
在一个具体的实例中，本发明一种基于毫米波雷达的非接触式身份识别系统，其框图如图2所示，主要包括：
(1)毫米波收发模块。执行毫米波收发、高精度A/D转换和数字信号处理操作。毫米波收发模块采用调频连续脉冲(Frequency Modulated Continuous Wave，FMCW)毫米波雷达，包含2路发射天线Tx和4路接收天线Rx。具体来说，发射端产生线性调频信号，经过功率放大器后由发射天线发出Chirp(即：线性调频脉冲)周期为Tf，调频带宽为B的锯齿波，其Frame周期(即锯齿波重复周期，每个帧周期内包含多个Chirp)为Ti，如图2所示。而接收端，接收天线接收环境中来自各种物体及人体等反射所产生的回波信号并进行预处理：回波信号经过低噪放大器后与原始信号混频，经过中频放大器后执行A/D转换得到数字信号，随后由主控单元将该数字信号在高精度的DSP或FPGA模块进行数字信号处理。
(2)实时信号处理模块。执行回波信号的实时采集和处理，提取心率信号。主要包括：回波信号的实时采集、杂波抑制、回波选择、波形重构四部分。具体处理过程如下：
(2-1)实时采集。通过Socket模块监听UDP端口，实时捕获UDP数据包并在上位机保存原始数据。
(2-2)杂波抑制。毫米波的回波信号中可能包括各种杂波干扰，比如：来自桌子、墙等静态物体(反射信号)的平稳噪声、来自运动物体(反射信号)的非平稳噪声等。杂波极易混叠从而对心率信号监测造成极大干扰。本发明分别采用自适应背景减法和奇异值分解，滤除平稳噪声和非平稳噪声。
(2-3)回波选择。对识别目标所在的距离进行精准定位，并从回波信号矩阵中选出表征该距离单元的一列信号，其中即包含了与识别目标心率相关的(原始)信号。首先，对回波信号Q的每一行分别做傅里叶变换，得到一个N×M的距离矩阵R。其中：N表示Frame(即：帧)的个数，M表示每个Chirp的采样点数，如图3左侧小图所示；矩阵R的每一列表征一个距离单元，如图3所示。例如：其第m列所表征的距离单元为m×dres，dres为毫米波雷达的距离分辨。距离分辨率
Figure BDA0002813516190000111
可通过修改毫米波雷达相关参数灵活调整，其中c为光速，B为锯齿波调频带宽，见图3。例如，若B＝4GHz，则dres＝3.76cm。接着，计算每个距离单元上的能量和，
Figure BDA0002813516190000121
如图3中间小图所示。第三，找出最大能量和max(E(m))所在的列，将其列索引记为mmax。如图3中右侧小图所示，该列所表征的距离单元即为识别目标到毫米波身份识别系统之间的距离。第四，从矩阵Q中提取其第mmax列信号，利用反正切函数计算其相位并执行相位解缠操作，将其结果记为序列x(n),n∈[1,N]。
(2-4)波形重构。执行带通滤波和迭代拟合，提取心率信号。首先，计算序列x(n)的离散小波变换，DWT{x(n)}。其次，在小波域执行带通滤波，
Figure BDA0002813516190000122
其中fL＝0.5Hz,fH＝2.5Hz。第三，计算逆小波变换，
Figure BDA0002813516190000123
初步实现心率信号的重构。最后，采用迭代算法对心率信号进行拟合，重构心率(光电容积脉搏波描记法PPG)波形。
(3)身份识别模块。本发明将身份识别作为一个多元分类问题进行处理。发明在拍频分离的基础上，综合利用时频域分析和深度学习提取相关特征，通过分类模型对识别目标进行多元分类。为提高识别效率和识别精度，本发明采用“单拍频+多拍频”的混合架构进行身份识别，见图2。一方面，采用单拍频模式，在相对较短的时间内(即：单个拍频，每个拍频约0.5秒～1秒)，借助时频域分析提取相关特征，在特征选择的基础上构建智能分类模型，实现身份识别；另一方面，采用多拍频模式，在相对较长的时间内(即：多个拍频)，综合利用时频域分析与深度学习提取相关特征，构建身份识别算法，在特征融合与特征选择的基础上构建智能分类模型，进一步提高身份识别的精度。
无论是单拍频模式还是多拍频模式，都与身份数据库交互。该库用毫米波雷达采集，用于身份识别。库内每个人的心率数据至少包含不少于150个拍频样本。库内所构建的特征集，包含了每个拍频的时频特征和多个拍频的时序特征；为验证后端分类算法的性能，可将特征集切分，其中50％作为训练集，50％作为测试集。
本发明身份识别模块包括四个步骤：执行拍频分离、特征计算、智能识别与可视化，其具体处理过程如下：
(3-1)拍频分离。将心率信号切割成单个拍频。传统拍频分离多采用峰值检测，每个拍频包含一个波峰，但该方法极易受到随机噪声的干扰。本发明通过斜率校验对传统方法进行改进：首先，将信号倒置(即上下翻转180°)后，采用峰值检测识别波谷，其峰值和峰峰间距均大于一定阈值；其次，判断两个波谷间是否存在有效的波峰，检测该波峰是否是有效波峰，有效波峰需同时满足以下两个条件：(i)峰值超过一定阈值；(ii)利用过零检测，检测两波谷间存在过零点。若满足，则依据前后波谷，执行拍频切割；若不满足，则不执行拍频切割。最后将提取的单拍频信号以及原始连续信号进行归一化处理，以便于后续的进一步信号处理操作。
(3-2)特征计算。其具体操作流程如下。首先，判断所检测的有效数据中，是否只含有一个拍频，若是，则执行单拍频识别模式；若不是，则执行多拍频识别模式，见图2。其中，单拍频模式。计算单个拍频的时频域特征；而多拍频模式，分别计算每个拍频的时频域特征，并将这些特征按时间顺序以此放入CNN+BLSTM(卷积神经网络+双向长短期记忆网络)进一步提取其时序特征。本发明所计算的特征如表1和图4所示。
表1本实施例提供的拍频特征列表
Figure BDA0002813516190000131
Figure BDA0002813516190000141
(3-2-1)时域特征，从特征点特性、基准点特性、曲线特性等三个维度计算每个拍频的时域特征。时域特征共计46类，包括：25类特征点特征、18类基准点特征、3类曲线特征。首先，特征点特性，分别从幅值、时间、面积、斜率和比值等五个方面分别计算与幅值(如：舒张期和收缩期等)相关的特征。第二，基准点特性，分别从一阶导数、二阶导数及其时间三个方面计算相关特征，例如：二阶导数第一谷值与第一峰值的振幅比，b2/a2，反映了人体动脉硬度和外周动脉的扩张性，该特征在人与人之间是不同的。第三，曲线特性，分别从曲线宽度、分形维数值、不规则性三个方面计算相关特征。其中，曲线宽度特征计算拍频在一定高度的曲线宽度特性，本实施例共计算了拍频在18个高度上的宽度特性，例如：脉冲宽度是具有收缩期峰值半高的心率信号宽度，该宽度与人体全身血管阻力相关。
(3-2-2)频域特征，从均值、标准差、峰度、偏度等9个方面计算每个拍频的频域特征，共计200个。
(3-2-3)时序特征。本实施例将每个拍频信号的时频域特征，按时间顺序依次放入CNN+BLSTM模型，提取其全连接层的特征，对心率的动态变化进行量化。其中，CNN网络采用Python keras库中的Conv1D、Dense等函数构建，而BLSTM网络采用Python keras库中的Bidirectional、LSTM和Dense等函数构建。本实施例提取时序特征共计178个。
(3-3)特征选择。在特征预处理的基础上，剔除冗余特征。首先，执行异常特征处理和标准化操作。其次，综合采用PCA(主成分分析)和相关性分析等方法，筛选出与身份分类标签相关性较高的特征。
(3-4)智能识别。基于XGBoost构建分类模型(分类器-1和分类器-2，见图2)，分别在训练集对分类器进行训练；在测试集对分类器性能进行测试，采用网格调参对模型超参数进行优化，采用十折交叉验证对分类器性能进行验证。
(3-4-1)单拍频模式的智能识别，相对简单。从身份数据库中逐一取出每个人的所有拍频样本，使用分类器-1进行识别，其识别结果是一个向量w，w＝[p1,p2,…,pm]，其中pj表示当前识别对象的该拍频是第j个人的概率值，j∈[1,m]，m表示身份库中有m个人。
(3-4-2)多拍频模式的智能识别，相对复杂，需要在时频、频域和时序特征融合的基础上，构建多元分类器。
(3-4-2-1)时频域特征融合。融合多个单拍频信号的时域与频域特征：首先，多拍频的识别结果是多个单拍频结果的集合，也就是一个n×m维的矩阵W，
Figure BDA0002813516190000151
其中pij表示当前所识别对象的第i个拍频是第j个人的概率值。其次，采用平均值函数，对分类结果进行融合。即：对概率矩阵W的每一列求均值，得到一个向量
Figure BDA0002813516190000152
Figure BDA0002813516190000161
其中
Figure BDA0002813516190000162
表示当前识别对象的多拍频识别结果是第j个人的概率的平均值。将向量
Figure BDA0002813516190000163
中的最大值设置成True，其余设置成False，即可得到最终的身份识别结果。例如，若
Figure BDA0002813516190000164
则表示当前拍频样本初步识别结果为身份数据库中国的第k个人。
(3-4-2-2)时频域特征和时序特征融合。融合多个单拍频信号的时频域与时序特征：将
Figure BDA0002813516190000165
与CNN+BLSTM提取的时序特征融合。
(3-4-2-3)采用XGBoost构建多元分类模型(分类器-2，见图2)，给出最终的识别结果。
(3-5)可视化。以可视化的方式显示识别结果，如图5所示。在图5中，第一行5中(a)和第二行图5中(b)的三幅并列小图，分别指的是对两个不同用户的识别情况，左边的图表示用户的标准拍频信号，中间图表示用户身份识别通过的可视化情况，右边图表示用户身份识别不通过的可视化情况。
图6为本发明实施例提供的基于毫米波雷达的非接触式身份识别系统架构图，如图6所示，包括：信号发射单元610、信号接收单元620、心率信号提取单元630、拍频特征确定单元640以及身份识别单元650。
信号发射单元610，向待识别用户发射毫米波雷达信号；
信号接收单元620，接收从待识别用户反射来的回波信号；
心率信号提取单元630，用于对所述回波信号进行杂波抑制、回波选择后提取待识别用户的心率信号；
拍频特征确定单元640，用于将待识别用户的心率信号分割成拍频信号，并确定对应的待识别用户的拍频特征；
身份识别单元650，用于将待识别用户的拍频特征与标准用户群的拍频特征进行对比，若待识别用户的拍频特征与标准用户群中其中一个标准用户的拍频特征吻合，则对待识别用户的身份识别通过；否则，对待识别用户的身份识别不通过。
可以理解的是，图6中各个单元的功能详细可参见前述方法实施例中的介绍，在此不做赘述。
本领域的技术人员容易理解，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 (6)

1.一种基于毫米波雷达的非接触式身份识别方法，其特征在于，包括如下步骤：
向待识别用户发射毫米波雷达信号，并接收从待识别用户反射来的回波信号；
对所述回波信号进行杂波抑制、回波选择后提取待识别用户的心率信号；
将待识别用户的心率信号分割成拍频信号，并确定对应的待识别用户的拍频特征；将待识别用户的心率信号分割成拍频信号，若分割后仅包含单个拍频信号，则确定单个拍频信号对应的时频域特征，以作为待识别用户的拍频特征；若分割后包含多个单拍频信号，则分别确定各个拍频信号的时频域特征，并将时频域特征输入神经网络提取对应的时序特征，以将时频域特征和时序特征作为待识别用户的拍频特征；
将待识别用户的拍频特征与标准用户群的拍频特征进行对比，若待识别用户的拍频特征与标准用户群中其中一个标准用户的拍频特征吻合，则对待识别用户的身份识别通过；否则，对待识别用户的身份识别不通过；将待识别用户的拍频特征与标准用户群的拍频特征进行对比，具体为：若待识别用户的心率信号分割后仅包含单个拍频信号，则将标准用户群的拍频特征逐一取出，使用第一分类器对待识别用户单拍频信号的时频域特征进行识别，其识别结果为向量w，w＝[p1,p2,…,pm]，其中向量w中元素pj表示待识别用户的拍频是标准用户群中第j个标准用户的概率值，j∈[1,m]，m表示标准用户群中有m个用户；若向量w元素中最大值大于预设概率阈值，则待识别用户的身份通过，且确定其身份为向量w元素中最大值对应的标准用户；若待识别用户的心率信号分割后包含多个单拍频信号，则将标准用户群的拍频特征逐一取出，首先，使用第一分类器对待识别用户多个单拍频信号的时频域特征进行身份识别，其识别结果为n×m维的矩阵W，
Figure FDA0003078751750000021
n表示待识别用户分割后包含n个拍频，m表示标准用户群中有m个用户，其中矩阵W中的元素pij表示待识别用户的第i个拍频是标准用户群中第j个标准用户的概率值；其次，采用平均值函数，对概率矩阵W的每一列求均值，得到一个向量
Figure FDA0003078751750000022
Figure FDA0003078751750000023
Figure FDA0003078751750000024
其中向量
Figure FDA0003078751750000025
中元素
Figure FDA0003078751750000026
表示待识别用户的多拍频识别结果是标准用户群中第j个标准用户的平均概率值；若向量
Figure FDA0003078751750000027
元素中最大值大于预设概率阈值，则初步确定其身份为向量
Figure FDA0003078751750000028
元素中最大值对应的标准用户；接着，将第一分类器识别的向量
Figure FDA0003078751750000029
与所述待识别用户多拍频信号的时序域特征融合，并通过第二分类器基于融合后的特征进行身份识别，最终确定待识别用户的身份是否识别通过，若身份识别通过，进一步确定其身份对应的标准用户。
2.根据权利要求1所述的非接触式身份识别方法，其特征在于，对所述回波信号进行回波选择，具体为：
对回波信号的每一行进行傅里叶变换，得到所述毫米波雷达的距离矩阵；计算所述距离矩阵每一列所表征的距离单元上的能量和，选取最大能量和对应的距离单元作为毫米波雷达发射处到待识别用户的距离，并将所述距离矩阵中最大能量和对应的列提取，利用反正切函数计算该列相位并执行相位解缠操作，得到回波信号中与待识别用户生命体征相关的信号。
3.根据权利要求2所述的非接触式身份识别方法，其特征在于，回波选择后提取待识别用户的心率信号，具体为：
将所述相位解缠操作后的信号进行离散小波变换，并对离散小波变换后的信号进行带通滤波；
对所述带通滤波后的信号进行逆小波变换，重构得到待识别用户的心率信号。
4.根据权利要求1至3任一项所述的非接触式身份识别方法，其特征在于，将待识别用户的心率信号分割成拍频信号，具体为：
将待识别用户的心率信号上下翻转180°倒置后，采用峰值检测识别波谷，其峰值和峰峰间距均大于预设阈值；其次，判断两个波谷间是否存在有效的波峰；所述有效波峰需同时满足以下两个条件：(i)峰值超过预设峰值阈值；(ii)利用过零检测，检测两波谷间存在过零点；
若存在有效波峰，则依据前后波谷，执行拍频切割；若不存在有效波峰，则不执行拍频切割。
5.一种基于毫米波雷达的非接触式身份识别系统，其特征在于，包括：
信号发射单元，向待识别用户发射毫米波雷达信号；
信号接收单元，接收从待识别用户反射来的回波信号；
心率信号提取单元，用于对所述回波信号进行杂波抑制、回波选择后提取待识别用户的心率信号；
拍频特征确定单元，用于将待识别用户的心率信号分割成拍频信号，并确定对应的待识别用户的拍频特征；若分割后仅包含单个拍频信号，则确定单个拍频信号对应的时频域特征，以作为待识别用户的拍频特征；若分割后包含多个单拍频信号，则分别确定各个拍频信号的时频域特征，并将时频域特征输入神经网络提取对应的时序特征，以将时频域特征和时序特征作为待识别用户的拍频特征；
身份识别单元，用于将待识别用户的拍频特征与标准用户群的拍频特征进行对比，若待识别用户的拍频特征与标准用户群中其中一个标准用户的拍频特征吻合，则对待识别用户的身份识别通过；否则，对待识别用户的身份识别不通过；若待识别用户的心率信号分割后仅包含单个拍频信号，则所述身份识别单元将标准用户群的拍频特征逐一取出，使用第一分类器对待识别用户单拍频信号的时频域特征进行识别，其识别结果为向量w，w＝[p1,p2,…,pm]，其中向量w中元素pj表示待识别用户的拍频是标准用户群中第j个标准用户的概率值，j∈[1,m]，m表示标准用户群中有m个用户；若向量w元素中最大值大于预设概率阈值，则待识别用户的身份通过，且确定其身份为向量w元素中最大值对应的标准用户；若待识别用户的心率信号分割后包含多个单拍频信号，则所述身份识别单元将标准用户群的拍频特征逐一取出，首先，使用第一分类器对待识别用户多个单拍频信号的时频域特征进行身份识别，其识别结果为n×m维的矩阵W，
Figure FDA0003078751750000041
n表示待识别用户分割后包含n个拍频，m表示标准用户群中有m个用户，其中矩阵W中的元素pij表示待识别用户的第i个拍频是标准用户群中第j个标准用户的概率值；其次，采用平均值函数，对概率矩阵W的每一列求均值，得到一个向量
Figure FDA0003078751750000042
Figure FDA0003078751750000043
Figure FDA0003078751750000044
其中向量
Figure FDA0003078751750000045
中元素
Figure FDA0003078751750000046
表示待识别用户的多拍频识别结果是标准用户群中第j个标准用户的平均概率值；若向量
Figure FDA0003078751750000047
元素中最大值大于预设概率阈值，则初步确定其身份为向量
Figure FDA0003078751750000048
元素中最大值对应的标准用户接着，将第一分类器识别的向量
Figure FDA0003078751750000049
与所述待识别用户多拍频信号的时序域特征融合，并通过第二分类器基于融合后的特征进行身份识别，最终确定待识别用户的身份是否识别通过，若身份识别通过，进一步确定其身份对应的标准用户。
6.根据权利要求5所述的非接触式身份识别系统，其特征在于，所述心率信号提取单元对回波信号的每一行进行傅里叶变换，得到所述毫米波雷达的距离矩阵；计算所述距离矩阵每一列所表征的距离单元上的能量和，选取最大能量和对应的距离单元作为毫米波雷达发射处到待识别用户的距离，并将所述距离矩阵中最大能量和对应的列提取，利用反正切函数计算该列相位并执行相位解缠操作，得到回波信号中与待识别用户生命体征相关的信号。
CN202011393333.7A 2020-12-03 2020-12-03 一种基于毫米波雷达的非接触式身份识别方法及系统 Active CN112686094B (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN202011393333.7A CN112686094B (zh) 2020-12-03 2020-12-03 一种基于毫米波雷达的非接触式身份识别方法及系统
PCT/CN2021/088947 WO2022116467A1 (zh) 2020-12-03 2021-04-22 一种基于毫米波雷达的非接触式身份识别方法及系统
US18/038,213 US20240000345A1 (en) 2020-12-03 2021-04-22 MILLIMETER-WAVE (mmWave) RADAR-BASED NON-CONTACT IDENTITY RECOGNITION METHOD AND SYSTEM

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011393333.7A CN112686094B (zh) 2020-12-03 2020-12-03 一种基于毫米波雷达的非接触式身份识别方法及系统

Publications (2)

Publication Number Publication Date
CN112686094A CN112686094A (zh) 2021-04-20
CN112686094B true CN112686094B (zh) 2021-08-10

Family

ID=75447218

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011393333.7A Active CN112686094B (zh) 2020-12-03 2020-12-03 一种基于毫米波雷达的非接触式身份识别方法及系统

Country Status (3)

Country Link
US (1) US20240000345A1 (zh)
CN (1) CN112686094B (zh)
WO (1) WO2022116467A1 (zh)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112686094B (zh) * 2020-12-03 2021-08-10 华中师范大学 一种基于毫米波雷达的非接触式身份识别方法及系统
CN113420624B (zh) * 2021-06-11 2022-04-26 华中师范大学 一种非接触式疲劳检测方法及系统
CN113384264B (zh) * 2021-06-11 2023-06-06 森思泰克河北科技有限公司 基于雷达的呼吸频率检测方法及睡眠监测设备
CN113468989A (zh) * 2021-06-18 2021-10-01 南京润楠医疗电子研究院有限公司 一种使用心脏雷达信号的非接触式人员识别方法
CN114738950A (zh) * 2022-03-28 2022-07-12 海尔(深圳)研发有限责任公司 用于控制空调的方法、装置、智能被及存储介质
CN115033863B (zh) * 2022-06-14 2024-08-06 江苏科技大学 一种基于心跳信息的毫米波雷达身份验证方法
CN118536102A (zh) * 2024-07-24 2024-08-23 武汉大学 基于声学传感的智能用户认证方法、设备及软件产品

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104102915A (zh) * 2014-07-01 2014-10-15 清华大学深圳研究生院 一种心电异常状态下基于ecg多模板匹配的身份识别方法
CN106485213A (zh) * 2016-09-27 2017-03-08 鲁东大学 一种利用心电信号进行自动身份识别的特征提取方法
CN108474841A (zh) * 2015-04-20 2018-08-31 瑞思迈传感器技术有限公司 由特征信号对人类的检测和识别
CN108537100A (zh) * 2017-11-17 2018-09-14 吉林大学 一种基于pca和lda分析的心电信号身份识别方法及系统
CN109557535A (zh) * 2017-09-26 2019-04-02 英飞凌科技股份有限公司 用于使用毫米波雷达传感器的占用检测的系统和方法
CN110475153A (zh) * 2019-08-23 2019-11-19 四川长虹电器股份有限公司 基于雷达身份识别的节目推荐方法
CN110596705A (zh) * 2019-08-22 2019-12-20 南京理工大学 基于生命体征sar成像的人体目标身份识别方法及系统
CN111427031A (zh) * 2020-04-09 2020-07-17 浙江大学 一种基于雷达信号的身份及手势识别方法
US10762986B1 (en) * 2019-03-05 2020-09-01 Wistron Corporation Vital-sign detecting system and method

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140148709A1 (en) * 2012-11-23 2014-05-29 Pixart Imaging Incorporation System and method for integrating heart rate measurement and identity recognition
CN109670406B (zh) * 2018-11-25 2023-06-20 华南理工大学 一种结合心率与面部表情面向游戏用户的非接触式情感识别方法
CN111398944B (zh) * 2020-04-09 2022-05-17 浙江大学 一种用于身份识别的雷达信号处理方法
CN112686094B (zh) * 2020-12-03 2021-08-10 华中师范大学 一种基于毫米波雷达的非接触式身份识别方法及系统

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104102915A (zh) * 2014-07-01 2014-10-15 清华大学深圳研究生院 一种心电异常状态下基于ecg多模板匹配的身份识别方法
CN108474841A (zh) * 2015-04-20 2018-08-31 瑞思迈传感器技术有限公司 由特征信号对人类的检测和识别
CN106485213A (zh) * 2016-09-27 2017-03-08 鲁东大学 一种利用心电信号进行自动身份识别的特征提取方法
CN109557535A (zh) * 2017-09-26 2019-04-02 英飞凌科技股份有限公司 用于使用毫米波雷达传感器的占用检测的系统和方法
CN108537100A (zh) * 2017-11-17 2018-09-14 吉林大学 一种基于pca和lda分析的心电信号身份识别方法及系统
US10762986B1 (en) * 2019-03-05 2020-09-01 Wistron Corporation Vital-sign detecting system and method
CN110596705A (zh) * 2019-08-22 2019-12-20 南京理工大学 基于生命体征sar成像的人体目标身份识别方法及系统
CN110475153A (zh) * 2019-08-23 2019-11-19 四川长虹电器股份有限公司 基于雷达身份识别的节目推荐方法
CN111427031A (zh) * 2020-04-09 2020-07-17 浙江大学 一种基于雷达信号的身份及手势识别方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
An Efficient Lightweight RFID Authentication Protocol with Strong Trajectory Privacy Protection;Wei Zhang;《Wireless Pers Commun》;20170428;1215-1228 *
基于典型相关分析的非接触式心率检测方法研究;俞谢益;《中国优秀硕士学位论文全文数据库信息科技辑》;20170215(第02期);I138-4139 *

Also Published As

Publication number Publication date
US20240000345A1 (en) 2024-01-04
CN112686094A (zh) 2021-04-20
WO2022116467A1 (zh) 2022-06-09

Similar Documents

Publication Publication Date Title
CN112686094B (zh) 一种基于毫米波雷达的非接触式身份识别方法及系统
CN110286368B (zh) 一种基于超宽带雷达的老人跌倒检测方法
Yang et al. Dense people counting using IR-UWB radar with a hybrid feature extraction method
WO2022257187A1 (zh) 一种非接触式疲劳检测方法及系统
CN109507653A (zh) 一种基于uwb的多信息感知生物雷达系统及其获取目标信息的方法
CN102058411B (zh) 一种多通道基于uwb雷达式生命探测仪
CN112998668B (zh) 基于毫米波的非接触式远场多人体呼吸心率监测方法
CN112998701A (zh) 基于毫米波雷达的生命体征检测与身份识别系统和方法
CN110007366A (zh) 一种基于多传感器融合的生命搜寻方法以及系统
CN113447905A (zh) 双毫米波雷达人体跌倒检测装置及检测方法
WO2023004688A1 (zh) 一种基于多普勒雷达的非接触式呼吸监测方法
CN111427031A (zh) 一种基于雷达信号的身份及手势识别方法
Zhou et al. Efficient high cross-user recognition rate ultrasonic hand gesture recognition system
CN112861813B (zh) 基于复值卷积神经网络的墙后人体行为识别方法
CN114814832A (zh) 基于毫米波雷达的人体跌倒行为实时监测系统及监测方法
CN115877376A (zh) 基于多头自注意力机制的毫米波雷达手势识别方法及识别系统
CN112998689A (zh) 非接触式多人实时呼吸状况评估系统、设备和存储介质
Abedi et al. Sequential deep learning for in-home activity monitoring using mm-wave FMCW radar
CN208060701U (zh) 一种基于微波的多目标分类系统
Imbeault-Nepton et al. Filtering data bins of UWB radars for activity recognition with random forest
Cho et al. Classification of human body motions using an ultra-wideband pulse radar
CN109541567A (zh) 基于深度学习的高速机动目标检测方法
CN108646227A (zh) 一种基于微波的多目标分类方法
Cho et al. Monitoring heart activity using ultra‐wideband radar
Yang et al. Dual mmWave radars fall detection using the Stockwell transform

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