CN113435283B - 一种基于呼吸样本空间的超宽带雷达身份识别方法 - Google Patents

一种基于呼吸样本空间的超宽带雷达身份识别方法 Download PDF

Info

Publication number
CN113435283B
CN113435283B CN202110677924.5A CN202110677924A CN113435283B CN 113435283 B CN113435283 B CN 113435283B CN 202110677924 A CN202110677924 A CN 202110677924A CN 113435283 B CN113435283 B CN 113435283B
Authority
CN
China
Prior art keywords
ultra
wideband radar
target
sample space
radar echo
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
CN202110677924.5A
Other languages
English (en)
Other versions
CN113435283A (zh
Inventor
吴耿俊
周金海
雷雯
常阳
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.)
Zhejiang University ZJU
Original Assignee
Zhejiang University ZJU
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 Zhejiang University ZJU filed Critical Zhejiang University ZJU
Priority to CN202110677924.5A priority Critical patent/CN113435283B/zh
Publication of CN113435283A publication Critical patent/CN113435283A/zh
Application granted granted Critical
Publication of CN113435283B publication Critical patent/CN113435283B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • 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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/02—Preprocessing
    • G06F2218/04—Denoising
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Remote Sensing (AREA)
  • Radar, Positioning & Navigation (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • General Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • Evolutionary Biology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Electromagnetism (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本发明公开了一种基于呼吸样本空间的超宽带雷达身份识别方法，包括：超宽带雷达传感器采集依据固定周期的发射脉冲返回的带有人体呼吸特征的超宽带雷达回波信号；对超宽带雷达回波信号进行相位噪声校正、滤波预处理之后，采用能量特征峰检测算法对预处理后的超宽带雷达回波信号进行检测以确定目标所在的距离单元；提取所述目标所在距离单元的一维呼吸时域信号并滤波，对滤波后的呼吸时域信号进行快速傅立叶变换以提取呼吸频率；依据呼吸频率对预处理后的超宽带雷达回波信号进行划分得到一系列子矩阵作为呼吸样本空间中的样本；利用卷积神经网络和样本对呼吸样本空间进行建模以获取目标身份识别结果，能够依靠呼吸特征对目标用户进行身份识别。

Description

一种基于呼吸样本空间的超宽带雷达身份识别方法
技术领域
本发明属于识别领域，具体涉及一种基于呼吸样本空间的超宽带雷达身份识别方法。
背景技术
环境辅助生活技术能够为特定人群如老年人提供智能化生活服务，而其中的身份识别是提供针对性服务的基础，其研究越来越受到重视。已有的方法中，主动式电子标签方法，需要佩戴固定的物件，有侵入感且不容易养成佩戴习惯；通过摄像机动态采集人脸图像、获取人脸生理特征的身份识别方法，在家居生活场景下，该方法存在隐私泄露风险，同时对光照、拍摄角度等也有较高要求，夜间使用受限；而其它通过获取指纹、掌纹等生理特征的方法，则要求用户合作进行主动式验证，不容易方便地融入生活。
目前开展的基于生命特征的人体识别技术一般基于脉搏和呼吸特征，如公开号为CN107122643A的专利申请公开了一种基于PPG信号和呼吸信号特征融合的身份识别方法，再如公开号为CN107273825A的专利申请公开了一种基于改进典型相关分析的生理信号融合身份识别方法。问题在于，上述方法依赖侵入式地采集人体的生理信号，即需要在目标身上安装相应的传感器，使用起来相当不便。利用无线信号采集呼吸特征的方式则更加实用，如公开号为CN111723832A的专利申请公开了一种基于呼吸体征的身份识别方法，该方法利用WiFi设备采集信道状态信息(CSI)，根据CSI的相位信息来估计生命体征信号，由于WiFi的发射端和接收端独立工作，缺乏相干性，其分辨率和灵敏度较为有限，因此只能对呼吸信号进行粗略的表征。
超宽带(ultra-wideband，UWB)雷达是一种新型体制雷达，其高的距离分辨率有利于提取人体动作、心肺运动等生理微多普勒特征，同时其低成本、低功耗、非合作、隐私保护等特点，使其多领域展现出良好的应用前景。目前已经对UWB雷达基于步态的身份识别等有了很好的研究。然而，在老年人的室内活动中，行走等动态活动的时间占比并不高，而包括睡觉、吃饭、阅读书报和收看电视等准静态活动则占据一天里的大部分时间。因此，研究准静态活动情况下的身份识别方法，融合步态识别结果，提供连续、一致和可靠的身份鉴别，将会有效地提高多人目标识别、跟踪的准确性，有利于AAL服务品质的提高。
发明内容
鉴于上述，本发明的目的是提供一种基于呼吸样本空间(breathing samplespace，BSS)的超宽带雷达身份识别方法，能够在室内环境下依靠呼吸特征对目标用户进行身份识别。
为实现上述发明目的，本发明的技术方案为：
一种基于呼吸样本空间的超宽带雷达身份识别方法，包括以下步骤：
超宽带雷达传感器采集依据固定周期的发射脉冲返回的带有人体呼吸特征的超宽带雷达回波信号；
对所述超宽带雷达回波信号进行相位噪声校正、滤波预处理之后，采用能量特征峰检测算法对预处理后的超宽带雷达回波信号进行检测以确定目标所在的距离单元；
从预处理后的超宽带雷达回波信号中提取所述目标所在距离单元的一维呼吸时域信号并滤波，对滤波后的呼吸时域信号进行快速傅立叶变换以提取呼吸频率；依据呼吸频率对预处理后的超宽带雷达回波信号进行划分得到一系列子矩阵作为呼吸样本空间中的样本；
利用卷积神经网络和所述样本对呼吸样本空间进行建模以获取目标身份识别结果。
优选地，超宽带雷达传感器以每秒15～20帧的帧率采集带有人体呼吸特征的对超宽带雷达回波信号。
优选地，对所述超宽带雷达回波信号进行相位噪声校正包括：
从超宽带雷达回波信号中选择静态参考距离单元，以若干帧超宽带雷达回波信号的平均相位pr作为参考相位并存储；
计算当前帧静态参考距离单元上的相位与存储的平均相位pr的差值；
依据该差值矫正校正当前帧所有距离单元上的相位。
优选地，采用SVD算法对相位噪声矫正后的超宽带雷达回波信号进行滤除杂波处理。
优选地，所述采用能量特征峰检测算法对预处理后的超宽带雷达回波信号进行检测以确定目标所在的距离单元，包括：
将不同帧预处理后的超宽带雷达信号的能量进行慢时间维度上的叠加，并对叠加后的能量信号选取最大值所在的距离单元为目标所在的距离单元。
优选地，采用巴特沃斯带通滤波器对呼吸时域信号进行滤波处理。
优选地，对呼吸时域信号巴特沃斯带通滤波时，采用的滤波频率为0.15-0.35Hz。
优选地，依据呼吸频率对预处理后的超宽带雷达回波信号进行划分得到一系列子矩阵作为呼吸样本空间中的样本，包括：
沿慢时间划分，根据目标的呼吸频率对应的周期划分；
沿快时间划分，根据目标所在距离单元的前后多个距离单元进行划分；
划分后的一系列子矩阵作为呼吸样本空间中的样本。
优选地，所述利用卷积神经网络和所述样本对呼吸样本空间进行建模以获取目标身份识别结果，包括：
依据用于特征提取的卷积神经网络和用于依据提取特征进行身份识别的分类器构建身份识别模型，并利用呼吸样本空间中的样本对身份识别模型进行参数优化；
利用参数优化的身份识别模型对呼吸样本空间中的测试样本进行身份识别，得到识别结果。
与现有技术相比，本发明具有的有益效果至少包括：实施例提供的超宽带雷达身份识别方法通过对采集的带有人体呼吸特征的超宽带雷达回波信号进行预处理后确定目标所在的距离单元，然后依据目标所在的距离单元提取一维呼吸时域信号，并依据一维呼吸时域信号构建呼吸样本空间及其中的样本，利用样本和卷积神经网络对呼吸样本空间进行建模来获取目标识别结果，该过程不依赖于人工预选定的特征，充分利用了超宽带雷达回波信号的信息，快速准确地实现目标对象的身份识别。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图做简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动前提下，还可以根据这些附图获得其他附图。
图1是一实施例提供的基于呼吸样本空间的超宽带雷达身份识别方法的流程图；
图2是一实施例提供的能量特征峰所在的距离单元表示图；
图3是一实施例提供的呼吸样本空间包含多个距离单元信息与传统呼吸表征方式的对比图；
图4是一实施例提供的对回波矩阵进行子信号划分获得呼吸样本空间示意图；
图5是一实施例提供的卷积神经网络对呼吸样本空间建模的身份识别模型的结构图。
具体实施方式
为使本发明的目的、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的详细说明。应当理解，此处所描述的具体实施方式仅仅用以解释本发明，并不限定本发明的保护范围。
为了获取人的身份信息，本发明实施例提供了一种基于人体呼吸样本空间的超宽带雷达身份识别方法，该超宽带雷达身份识别方法的应用场景包括但不限于识别用户身份，为用户提供个性化的服务，监测家中是否有入侵的陌生人，用于身份验证等。
图1是一实施例提供的基于呼吸样本空间的超宽带雷达身份识别方法的流程图。如图1所示，实施例提供的超宽带雷达身份识别方法，包括以下步骤：
步骤1，设置超宽带雷达传感器的发射脉冲的固定周期，超宽带雷达传感器依据固定周期的发射脉冲，同时采集返回的带有人体呼吸特征的固定时长的超宽带雷达回波信号。
采用脉冲(IR)体制的超宽带雷达传感器进行信号的发射和接收。对于人体目标而言，超宽带雷达脉冲信号由发射机发射，被目标反射，并通过一个往返路径返回接收机。人体呼吸时引起的胸部规律性的运动对雷达脉冲信号产生影响时，雷达多径信号的时变信道冲激响应，也就是超宽带雷达回波信号可以表示为：
Figure BDA0003121557860000061
式中，i为杂波的多径数，αi和αv分别表示该路径下的杂波幅度和目标信号幅度，δ(·)表示冲激信号，t表示脉冲发射时间，τi表示雷达从静止物体反射的信号时延，τv(t)表示雷达从人体呼吸时胸部反射的信号时延，上式中的前半项表示静止物体反射的信号，后半项与身体运动有关，如呼吸时的胸部微运动。
步骤2，对超宽带雷达回波信号进行相位噪声校正。
相位噪声是指相邻的雷达帧在帧间有一个小位移，该位移一般由采样系统中的抖动引起的。当单独对于一帧雷达帧分析时，相位噪声的影响可以忽略，但是在分析人体呼吸的应用中，需要关注信号如何在帧间变化时，则需对相位噪声进行校正。
实施例中，采用雷达下变频的基带回波信号作为原始信号，在相位噪声校正时，相移很容易通过将原始信号乘以相位差的复因子来实现。具体步骤如下：
(a)从超宽带雷达回波信号中选择静态参考距离单元，以若干帧超宽带雷达回波信号的平均相位pr作为参考相位并存储。实施例中，通常选择雷达帧开始的直接能量路径处作为静态参考距离单元。
(b)计算当前帧静态参考距离单元上的相位pc与存储的平均相位pr的差值Δp为：Δp＝pr-pc。
(c)依据该差值Δp矫正校正当前帧所有距离单元上的相位，即pa＝Δp+pb，其中，pb为相位校正前各距离单元上的相位，pa为校正后的相位。
步骤3，对相位噪声校正的超宽带雷达回波信号进行滤波预处理。
消除相位噪声后的雷达回波中仍然包含雷达直达波和室内其他静止物体的杂波，而目标信号则被杂波所掩盖。SVD算法由于其较好的去除杂波效果，被用于UWB雷达信号处理。SVD算法是一种建立在线性最小二乘拟合基础上的变换。对UWB雷达回波矩阵R进行分解，表示为：
Figure BDA0003121557860000071
式中，假设信号矩阵R为m×n，S为R的奇异值构成的m×n的对角矩阵，且对角元素值按降序排列，即S1，1≥S2，2≥…≥SN，N≥0，U和V为酉矩阵，ui和vi分别为矩阵U和V的列向量。
由于雷达信号杂波具有子空间可分性，雷达矩阵R可以重构成：
R＝Rs+Rc+Rn
式中，Rs表示目标，Rc表示杂波，Rn表示噪声。其中Rc可以通过选取奇异值较大的值(通常取第一个值)进行重构，因为杂波能量通常远大于目标回波能量，这样通过SVD算法便可去除杂波分量Rc。
步骤4，采用能量特征峰检测算法对预处理后的超宽带雷达回波信号进行检测以确定目标所在的距离单元。
为了获得目标的位置，通常根据能量特征峰检测算法来确定目标所在的距离单元。其原理是通过对不同帧预处理后的超宽带雷达信号时距分布上的能量，进行慢时间维度的叠加，选择能量最大的距离单元作为目标所在距离单元，也就是目标位置中心。每个距离单元的能量为：
Figure BDA0003121557860000081
式中，M为慢时间个数，N为距离单元，i和q分别表示雷达复基带信号的I分量和Q分量。因此最大距离单元n为：
Figure BDA0003121557860000082
如图2所示，经过距离门选择，目标位于第24个距离单元处。
步骤5，提取目标所在距离单元的一维呼吸时域信号并滤波，对滤波后的呼吸时域信号进行快速傅立叶变换(FFT)以提取呼吸频率。
根据目标所在距离单元，从步骤3滤波预处理后的超宽带雷达回波信号中提取一维的人体呼吸时域信号。由于人体静止时典型的呼吸频率为每分钟12-20次(0.2-0.33Hz)，因此先使用巴特沃斯带通滤波器对信号进行0.15-0.35Hz的滤波。最后利用快速傅里叶变换检测呼吸频率fr，为子信号划分做准备。
步骤6，依据呼吸频率对预处理后的超宽带雷达回波信号进行划分得到一系列子矩阵作为呼吸样本空间中的样本。
现有技术中，研究者们通常只局限于在一维的呼吸时域信号中挖掘有限的信息。然而在UWB雷达信号矩阵中，目标所在位置上有多个距离单元对应的不同时间序列表征着目标的呼吸模式特征。这是因为回波信号受人体胸部整个区域的影响，通常对应着胸部20-50cm的范围，即快时间4-10个距离单元。如图3所示，虚直线表示一维的呼吸时域信号，方框表示x个距离单元对应的不同呼吸时域信号。
单一快时间距离单元上的呼吸时域信号蕴含有限的呼吸特征信息，进而影响呼吸模式识别。为了充分挖掘雷达回波矩阵中的距离、时域和频域所包含的信息，同时解决传统特征建模方法中依赖人工预选定特征而导致模型过拟合或泛化能力不强的问题，本实施例提出了由BSS表征呼吸，并通过呼吸子矩阵划分来实现BSS的构建。
通过观察图3发现，将雷达回波矩阵在一定时间(如30s)转换成图像，则可通过图像清晰的显示目标的周期性呼吸，明暗交替清楚地展示了呼气与吸气的变换。沿着快时间维对目标所在距离单元的前后2-5个距离单元进行划分，而对于慢时间的分割，则根据呼吸周期T＝1/fr对超宽带雷达回波信号进行划分。如图4所示，虚线框表示在多个距离单元上对目标进行选择，竖直的多条虚线则表示在雷达帧间对信号进行划分。被分割的子矩阵则包含了目标一次完整呼吸的所有信息如呼吸深度，呼气吸气比，生理微多普勒特征等。一系列的子矩阵构成的数据域称作BSS。
步骤7，利用卷积神经网络和所述样本对呼吸样本空间进行建模以获取目标身份识别结果。
如图5所示，实施例依据卷积神经网络和分类器构建身份识别模型，其中，卷积神经网络用于对对呼吸样本空间自动提取特征，包含卷积层(Conv+AC)、池化层(Pooling)以及全连接层(Fully-connect)分类器用于对提取出的特征进行推理分类，以输出识别结果。利用呼吸样本空间中的样本对身份识别模型进行参数优化；参数优化结束后，利用参数优化的身份识别模型对呼吸样本空间中的测试样本进行身份识别，得到识别结果。
实验例
为清晰化本发明的方法流程，更直观的展现方法的结果，在此附上实验例来对其进行进一步的补充说明。本实验例中共有四个志愿者，他们对应的生理特征如表1所示：
表1实验志愿者生理特征
目标 性别 身高/m 体重/kg
志愿者1 男 1.71 62
志愿者2 男 1.73 57
志愿者3 男 1.81 75
志愿者4 女 1.60 55
志愿者静坐在0.4m高的椅子上休息并自然呼吸，雷达距离志愿者1m处，高度设置为与志愿者胸部等高的0.9m高处。雷达帧率设置为16帧/s，由于采集的呼吸信号主要集中在0.2-0.33Hz，所以满足奈奎斯特采样定理。同时考虑呼吸会受到志愿者当时心情等因素影响，为了减少这些因素的干扰，使获得的数据尽可能接近目标所表征的真实呼吸模式，数据采集实验在一个月内分4次完成。对每名志愿者每次采集60s呼吸数据，采集呼吸时长1200s，总共采集1200*4*16＝76800帧的雷达数据。对于采集到的数据经过信号预处理，对于呼吸样本空间构建步骤的快时间分割设置为10个距离单元，该参数是对目标胸部范围、计算量等因素权衡后的结果，代表一种可行值。对于得到的样本的幅值进行归一化处理到0-255的范围并灰度化为图像，最后将尺寸调整为64×32以便于特征建模。
根据采集到的数据制作成包含4个志愿者的数据集，构建了1170个样本的呼吸样本空间数据集。按照训练集与验证集0.75：0.25的比例划分数据集。其中，训练集用于反向传播算法更新CNN中各个神经元的权重以获取最佳识别模型，验证集用于验证模型在未经训练的数据下的泛化能力以及实际表现。选择基于动量和自适应学习率(learning rate，LR)的Adam作为优化器，并设置初始LR为3×10-5，批数量(batch size)为64，迭代期数(epoch)为200，池化层进行2×2的Maxpooling。模型的超参数(hyper-parameter)组合选择及评估如表2：
表2模型超参数评估
Figure BDA0003121557860000111
卷积核的尺寸决定了卷积核的感受野，合适的感受野使得CNN在处理图像时可以高效利用数据，提高模型准确率，因此3×3的卷积核尺寸相比来说性效最好。卷积层数影响模式的空间层次结构，第一个卷积层能学习较小的局部模式(比如边缘)，第二个卷积层将学习由第一层特征组成的更大的模式，以此类推。但是过多的层数会导致梯度消失或者梯度爆炸的问题，因此根据实验选择4层卷积层作为最优模型参数，在最优模型的准确率为84.64％。
表3，表4为所训练的模型在验证集上的准确率(accuracy)、误报率(FPR)、漏报率(FNR)、精确率(precision)、召回率(recall)和F1分数。比如，模型对志愿者1的识别效果较好，准确率为88.7％；对于志愿者4的识别准确率则稍低，因为该目标的呼吸相较于其他目标特征不明显，模型易将其推理为其他人。志愿者2的呼吸变化较大，包含了其他志愿者的呼吸特征，导致其FPR较高(其他目标错误的推理为该目标)。总体上来看，在各生理特征相仿的多目标间，本文所提出的算法表现出较好的区分度，在身份验证、环境辅助生活领域有较大的应用潜力。
表3分类模型混淆矩阵
Figure BDA0003121557860000121
表4模型精确率、召回率和F1分数
Precision Recall F1-score
志愿者1 84.6％ 88.7％ 86.6％
志愿者2 82.6％ 85.1％ 83.8％
志愿者3 83.3％ 85.7％ 84.5％
志愿者4 87.4％ 80.9％ 84.0％
以上所述的具体实施方式对本发明的技术方案和有益效果进行了详细说明，应理解的是以上所述仅为本发明的最优选实施例，并不用于限制本发明，凡在本发明的原则范围内所做的任何修改、补充和等同替换等，均应包含在本发明的保护范围之内。

Claims (6)

1.一种基于呼吸样本空间的超宽带雷达身份识别方法，其特征在于，包括以下步骤：
超宽带雷达传感器采集依据固定周期的发射脉冲返回的带有人体呼吸特征的超宽带雷达回波信号；
对所述超宽带雷达回波信号进行相位噪声校正，包括：从超宽带雷达回波信号中选择静态参考距离单元，以若干帧超宽带雷达回波信号的平均相位作为参考相位并存储；计算当前帧静态参考距离单元上的相位与存储的平均相位的差值；依据该差值矫正校正当前帧所有距离单元上的相位；
对相位噪声校正后的超宽带雷达回波信号滤波预处理之后，采用能量特征峰检测算法对预处理后的超宽带雷达回波信号进行检测以确定目标所在的距离单元；
从预处理后的超宽带雷达回波信号中提取所述目标所在距离单元的一维呼吸时域信号并滤波，对滤波后的呼吸时域信号进行快速傅立叶变换以提取呼吸频率；
沿慢时间划分，即根据目标的呼吸频率对应的周期划分预处理后的超宽带雷达回波信号；同时沿快时间划分，即根据目标所在距离单元的前后多个距离单元进行划分预处理后的超宽带雷达回波信号；这样得到子序列包含了目标一次完整呼吸的所有信息，包括呼吸深度、呼气吸气比、生理微多普勒特征，并以划分后的一系列子矩阵作为呼吸样本空间中的样本；
利用卷积神经网络和所述样本对呼吸样本空间进行建模以获取目标身份识别结果，包括：依据用于特征提取的卷积神经网络和用于依据提取特征进行身份识别的分类器构建身份识别模型，并利用呼吸样本空间中的样本对身份识别模型进行参数优化；利用参数优化的身份识别模型对呼吸样本空间中的测试样本进行身份识别，得到识别结果。
2.如权利要求1所述的基于呼吸样本空间的超宽带雷达身份识别方法，其特征在于，超宽带雷达传感器以每秒15～20帧的帧率采集带有人体呼吸特征的对超宽带雷达回波信号。
3.如权利要求1所述的基于呼吸样本空间的超宽带雷达身份识别方法，其特征在于，采用SVD算法对相位噪声矫正后的超宽带雷达回波信号进行滤除杂波处理。
4.如权利要求1所述的基于呼吸样本空间的超宽带雷达身份识别方法，其特征在于，所述采用能量特征峰检测算法对预处理后的超宽带雷达回波信号进行检测以确定目标所在的距离单元，包括：
将不同帧预处理后的超宽带雷达信号的能量进行慢时间维度上的叠加，并对叠加后的能量信号选取最大值所在的距离单元为目标所在的距离单元。
5.如权利要求1所述的基于呼吸样本空间的超宽带雷达身份识别方法，其特征在于，采用巴特沃斯带通滤波器对呼吸时域信号进行滤波处理。
6.如权利要求5所述的基于呼吸样本空间的超宽带雷达身份识别方法，其特征在于，对呼吸时域信号巴特沃斯带通滤波时，采用的滤波频率为0.15-0.35Hz。
CN202110677924.5A 2021-06-18 2021-06-18 一种基于呼吸样本空间的超宽带雷达身份识别方法 Active CN113435283B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110677924.5A CN113435283B (zh) 2021-06-18 2021-06-18 一种基于呼吸样本空间的超宽带雷达身份识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110677924.5A CN113435283B (zh) 2021-06-18 2021-06-18 一种基于呼吸样本空间的超宽带雷达身份识别方法

Publications (2)

Publication Number Publication Date
CN113435283A CN113435283A (zh) 2021-09-24
CN113435283B true CN113435283B (zh) 2023-04-18

Family

ID=77756481

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110677924.5A Active CN113435283B (zh) 2021-06-18 2021-06-18 一种基于呼吸样本空间的超宽带雷达身份识别方法

Country Status (1)

Country Link
CN (1) CN113435283B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023080018A1 (ja) * 2021-11-04 2023-05-11 オムロン株式会社 生体情報処理装置、生体情報処理方法およびプログラム
CN115015867B (zh) * 2022-05-31 2023-05-16 中国人民解放军总医院 一种基于超宽带雷达的身份识别和跌倒检测方法
CN115470864B (zh) * 2022-09-28 2023-05-23 中国人民解放军总医院 一种基于脉冲超宽带雷达的身份识别方法
CN117392000B (zh) * 2023-12-08 2024-03-08 吉咖智能机器人有限公司 一种噪点去除方法、装置、电子设备及存储介质
CN118131206A (zh) * 2024-03-20 2024-06-04 芜湖雅葆轩电子科技股份有限公司 一种基于Z-socre特征的舱内大位移运动活体检测方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109009124B (zh) * 2018-06-05 2021-08-06 南通大学 基于超宽带雷达的呼吸频率测量及目标定位方法
CN109031287B (zh) * 2018-09-21 2021-09-07 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
CN110507293B (zh) * 2019-07-26 2022-01-07 中国电子科技集团公司第三十八研究所 一种超宽带穿墙雷达人体呼吸及心跳检测方法及系统
CN110456320B (zh) * 2019-07-29 2021-08-03 浙江大学 一种基于自由空间步态时序特征的超宽带雷达身份识别方法

Also Published As

Publication number Publication date
CN113435283A (zh) 2021-09-24

Similar Documents

Publication Publication Date Title
CN113435283B (zh) 一种基于呼吸样本空间的超宽带雷达身份识别方法
CN110286368B (zh) 一种基于超宽带雷达的老人跌倒检测方法
CN108416367B (zh) 基于多传感器数据决策级融合的睡眠分期方法
US6745156B2 (en) Petroleum exploration and prediction apparatus and method
CN103049741A (zh) 基于足地作用力的步态特征提取方法及步态识别系统
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
CN110456320A (zh) 一种基于自由空间步态时序特征的超宽带雷达身份识别方法
CN110520935A (zh) 从无线电信号学习睡眠阶段
CN109091126A (zh) 一种基于多传感器的人体生理状态判别可视化方法及设备
CN116343284A (zh) 基于注意力机制的多特征户外环境情绪识别方法
CN115474901A (zh) 基于无线射频信号的非接触式起居状态监测方法及系统
CN115015867B (zh) 一种基于超宽带雷达的身份识别和跌倒检测方法
CN117838103B (zh) 心冲击图信号的质量评估方法、装置以及计算机设备
Liu et al. FMCW radar-based human sitting posture detection
CN113456061A (zh) 一种基于无线信号睡眠姿势监测方法及系统
Gurbuz et al. Continuous human activity recognition and step-time variability analysis with FMCW radar
KR102317075B1 (ko) Uwb 레이더 센서를 활용한 비접촉식 스트레스 추론 장치 및 방법
TWI629049B (zh) A method for analyzing a heart shock signal for calculating a short-term heart rate value
Quanyu Pulse signal analysis based on deep learning network
CN115624322B (zh) 一种基于高效时空建模的非接触生理信号检测方法及系统
CN116439690A (zh) 心冲击图信号的提取方法、装置、设备以及存储介质
CN106419884A (zh) 一种基于小波分析的心率计算方法与系统
CN114098679B (zh) 基于深度学习和射频感知的生命体征监测波形的恢复方法
Wu et al. Unobtrusive monitoring of sedentary behaviors with fusion of bluetooth and ballistocardiogram signals
KR102570665B1 (ko) 맥파를 이용한 cnn 기반의 운동 강도 분류 시스템

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