CN113712509A

CN113712509A - 一种基于距离频率聚类的多目标体征检测方法和装置

Info

Publication number: CN113712509A
Application number: CN202110932962.0A
Authority: CN
Inventors: 程会峰; 赵尤信; 齐庆杰; 杨帧; 左辉; 王海燕; 孙立峰; 张婧雯
Original assignee: Liaoning Technical University; China Coal Research Institute CCRI
Current assignee: Liaoning Technical University; China Coal Research Institute CCRI
Priority date: 2021-08-13
Filing date: 2021-08-13
Publication date: 2021-11-30

Abstract

本公开关于一种基于距离频率聚类的多目标体征检测方法和装置。所述方法包括：对来自UWB雷达的回波信号进行预处理；对经预处理的信号进行归一化处理；以及对经归一化处理的信号进行聚类提取特征信息。根据本发明的基于距离频率聚类的体征检测算法可以快速准确检测同一位置的多个目标。

Description

一种基于距离频率聚类的多目标体征检测方法和装置

技术领域

本公开涉及目标探测领域，尤其涉及基于距离频率聚类的多目标体征检测。

背景技术

近年来，使用脉冲式UWB雷达进行人体非接触式生命体征测量已成为研究热点，利用脉冲式超宽带雷达非接触式检测技术，对生命体征信号进行检测时，微弱生命体征回波信号常常会被各种噪声掩盖，造成人类无法对多目标进行识别和定位。为解决这一问题，提出一种于距离频率聚类的多目标体征检测算法，首先将回波信号在频域上展开，在呼吸和心跳频段分别进行SVD降噪、二值化处理以及中值滤波获得潜在目标频率点，然后进行距离和频域两个维度上的聚类得到检测目标的呼吸心跳频率。

目前在生命特征信号提取和处理方法中，使用变分模式分解(Variational ModeDecomposition，VMD)来抑制模式混叠，VMD算法是一种完全非递归的变分模态分解方法，模态是同时提取的。恢复的VMD模式构成了输入频谱的一个很好的部分，每个模式在信号周围都很明显地占主导地位，并且它能够非常精确地捕获相关的中心频率。该算法对采样和噪声的鲁棒性更强。利用VMD算法实现了多目标生命体征跟踪算法。首先对预处理后的信号进行镜像对称扩展，得到回波信号，第二步是更新模式和中心频率。

上述算法中分解级别需要根据检测场景中的目标数量来确定，呼吸频率和心跳频率是通过单帧信号的傅里叶频谱分析获得。当采样频率固定时，时间序列越长，频谱越好，因此需要长期客观的数据，但是降低了雷达的效率。除此之外，包括由改进的EMD(Empirical Mode Decomposition)，如EEMD(Ensemble Empirical Mode Decomposition)、自适应白噪声的完整经验模态分解(Complete Ensemble Empirical Mode Decompositionof Adaptive Noise，CEEMDAN)及其衍生出的通过划分高、低频分量降噪的诸多方法中，大部分只是针对分量中的高频成分进行降噪处理而忽略了低频分量中的少量噪声，这样的低频分量直接用于重构会严重影响频率估计精度，很难获得满意的分解效果。

发明内容

本发明的技术方案是这样实现的：在获得回波信号的基础上，首先，对回波信号进行杂波的有效滤除，因为回波信号中不仅包括被测目标胸部表面反射回来的信号，还混杂着被测目标附近其他静止目标表面反射回来的信号(即静止杂波)，这里需要对静止杂波进行有效的滤除。接着，提取被测目标的体表振动信号，在杂波滤除后会获得由一段时间内不同时刻的高斯脉冲组成的回波信号，每一个高斯脉冲都具有相应的时延波动，这个时延波动是由被测目标胸部表面的波动所产生的，通过提取脉冲时延的波动周期就可以间接提取被测目标的体表振动信号。然后，由于体表振动信号中混杂着一些环境中的随机噪声，需要对体表振动信号进行降噪处理，提高信号的信噪比。最后，利用分离算法和频率提取算法对体表振动信号进行处理以获得生命体征信息，即呼吸心跳频率信息。。

根据本公开的第一方面，提供一种基于距离频率聚类的多目标体征检测方法，包括：对来自UWB雷达的回波信号进行预处理；对经预处理的信号进行归一化处理；以及对经归一化处理的信号进行聚类提取特征信息。

在本公开的一个实施例中，对回波信号进行预处理包括：频域展开，将每一个距离门信号在频域上进行展开，并将信号的频域分为呼吸频段部分和心跳频段部分，接下来的相应处理都是针对呼吸频段部分和心跳频段部分分开进行的；

SVD降噪，对所述距离频率矩阵进行奇异值分解降噪，分解公式为：

R^fd＝U·Λ·V^H，R^fd∈A^K×N (1)

其中R^fd为距离频率矩阵，U＝[u₁，u₂，…，u_k]，U∈A^K×K为K×K阶酉矩阵，其列向量为左奇异向量且相互正交；V＝[v₁，v₂，…，v_k]，V∈A^N×N为N×N阶酉矩阵，其列向量为右奇异向量且相互正交Λ∈B^K×N，除了对角线上其他元素都是0，对角线上的元素称为奇异值，并且由大到小排列，λ_i∈{λ₁＞λ₂＞…＞λ_K}，由于前面的奇异值包含了大部分的能量，决定用前90％能量的奇异值来近似描述矩阵，重构的距离频率矩阵如下：

其中，k为符合

的最小值；

二值化处理，在SVD降噪之后挑选出潜在的目标频率值，对距离频率矩阵进行二值化处理，其公式为：

经过多次测试，最合适的阈值为每一频域范围内频率最大值的均值。阈值的确定公式为：

中值滤波，用中值滤波对距离频率矩阵进行处理，中值滤波的公式为：

其中：

表示向下取整。

在本公开的一个实施例中，对经归一化后的信号进行聚类提取特征信息包括：提取归一化后的距离频率矩阵中值为1的点，并按照距离门、频率编号的数据集为

并且

分别选取不同的k值进行二维聚类，其中聚类误差下降幅度最大的k就是被测目标的个数。

在本公开的一个实施例中，在心跳频段进行频域展开之前，消除呼吸谐波的影响，先计算出高次呼吸谐波频率，利用带阻滤波器在0.83到3.3Hz滤除呼吸谐波，以提升测量的准确性。

根据本公开的第二方面，提供一种基于距离频率聚类的多目标体征检测装置，包括：预处理模块，用于对来自UWB雷达的回波信号进行预处理；归一化处理模块，用于对经预处理的信号进行归一化处理；以及聚类提取特征信息模块，用于对经归一化处理的信号进行聚类提取特征信息。

在本公开的一个实施例中，所述预处理模块包括：

频域展开模块，用于将每一个距离门信号在频域上进行展开，并将信号的频域分为呼吸频段部分和心跳频段部分，接下来的相应处理都是针对呼吸频段部分和心跳频段部分分开进行的；

降噪模块，用于进行SVD降噪，对所述距离频率矩阵进行奇异值分解降噪，分解公式为：

R^fd＝U·Λ·V^H，R^fd∈A^K×N (1)

其中，k为符合

的最小值；

二值化模块，用于在SVD降噪之后挑选出潜在的目标频率值，对距离频率矩阵进行二值化处理，其公式为：

经过多次测试，最合适的阈值为每一频域范围内频率最大值的均值，阈值的确定公式为：

中值滤波模块，用于对距离频率矩阵进行中值滤波处理，中值滤波的公式为：

其中：

表示向下取整。

在本公开的一个实施例中，所述聚类提取特征信息模块用于：

提取归一化后的距离频率矩阵中值为1的点，并按照距离门、频率编号的数据集为

并且

根据本公开的方法和装置，采用脉冲式超宽带雷达作为检测硬件，提出一种基于距离频率聚类的多目标体征检测算法，实现了非接触式人体生命体征信号检测。原始接收信号在频域上展开，利用呼吸和心跳频率范围不同进行分频处理；然后利用SVD算法进行降噪，对降噪后距离频率矩阵进行二值化处理，并对矩阵进行中值滤波剔除信号中的毛刺；最后对中值滤波后的矩阵进行二维聚类，其聚类结果为被测目标的位置和呼吸心跳频，相比于其他算法，基于距离频率聚类的体征检测算法可以快速准确检测同一位置的多个目标。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理，并不构成对本公开的不当限定。

图1是根据本公开一示例性实施例的生命体征信号模型图示。

图2是根据本公开一示例性实施例的基于距离频率聚类的多目标体征检测算法的流程图。

图3是根据本公开一示例性实施例的基于距离频率聚类的多目标体征检测方法的流程图。

图4是根据本公开一示例性实施例对雷达回波信号进行预处理器的方法流程图。

图5是根据本公开一示例性实施例的基于距离频率聚类的多目标体征检测装置的方框图。

图6是根据本公开一示例性实施例的频域预处理模块的方框图。

具体实施方式

为了使本领域普通人员更好地理解本公开的技术方案，下面将结合附图，对本公开实施例中的技术方案进行清楚、完整地描述。

需要说明的是，本公开的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本公开的实施例能够以除了在这里图示或描述的那些以外的顺序实施。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。

在UWB雷达领域，获得生命体征信号的一般方法如下：在获得回波信号的基础上，首先，对回波信号进行杂波的有效滤除，因为回波信号中不仅包括被测目标胸部表面反射回来的信号，还混杂着被测目标附近其他静止目标表面反射回来的信号(即静止杂波)，这里需要对静止杂波进行有效的滤除。接着，提取被测目标的体表振动信号，在杂波滤除后会获得由一段时间内不同时刻的高斯脉冲组成的回波信号，每一个高斯脉冲都具有相应的时延波动，这个时延波动是由被测目标胸部表面的波动所产生的，通过提取脉冲时延的波动周期就可以间接提取被测目标的体表振动信号。然后，由于体表振动信号中混杂着一些环境中的随机噪声，需要对体表振动信号进行降噪处理，提高信号的信噪比。最后，利用分离算法和频率提取算法对体表振动信号进行处理以获得生命体征信息，即呼吸心跳频率信息。图1示出了生命体征信号获取示意图。

下面主要参照图2来描述根据本发明的基于距离频率聚类的多目标体征检测算法。如图所示，该算法主要包括两部分：频域预处理和聚类提取体征信息。在图2所示的示例中，频域预处理包括：首先将接收信号在频域上展开，利用呼吸和心跳频率范围不同分段进行处理；接着利用奇异值分解算法对距离频率矩阵进行降噪；然后对降噪后信号进行二值化处理；最后对信号进行中值滤波剔除信号中的毛刺。聚类提取体征信息部分则是对滤波后的距离频率矩阵进行二维聚类，获得被测目标呼吸心跳频率。下面对频率预处理部分进行详细描述。

图3说明了根据本发明实施例的一种基于距离频率聚类的多目标体征检测方法的流程图。

在步骤S301，对雷达回波信号进行预处理。图4示出了预处理这一步骤的详细操作。首先，在步骤S301-1，对信号进行频域展开。在本发明的一个实施例中，当被测目标位于同一位置时，只使用距离门一个参数已不能进行目标区分，这里将引入频率参数。将每一个距离门信号在频域上进行展开，并将信号的频域分为呼吸频段部分和心跳频段部分，接下来的相应处理都是分开进行的。在心跳频段进行处理前要消除呼吸谐波的影响，这里先计算出高次呼吸谐波频率，利用带阻滤波器在0.83到3.3Hz滤除呼吸谐波提升测量的准确性。

在步骤S301-2，对经频域展开的信号执行降噪处理。在本发明的一个实施例中，利用SVD分解和中值滤波对距离频率矩阵进行降噪。

在本公开的一个示例中，对上面距离频率矩阵进行奇异值分解降噪，分解公式为：

R^fd＝U·Λ·V^H，R^fd∈A^K×N (1)

其中R^fd为距离频率矩阵，U＝[u₁，u₂，…，u_k]，U∈A^K×K为K×K阶酉矩阵，其列向量为左奇异向量且相互正交；V＝[v₁，v₂，…，v_k]，V∈A^N×N为N×N阶酉矩阵，其列向量为右奇异向量且相互正交。Λ∈B^K×N，除了对角线上其他元素都是0，对角线上的元素称为奇异值，并且由大到小排列，λ_i∈{λ₁＞λ₂＞…＞λ_K}。

由于前面的奇异值包含了大部分的能量，决定用前90％能量的奇异值来近似描述矩阵，重构的距离频率矩阵如下：

其中，k为符合

的最小值。

在步骤S301-3中，对经降噪的信号进行二值化处理。在SVD降噪之后需要挑选出潜在的目标频率值，这里对距离频率矩阵进行二值化处理。其公式为：

在步骤S301-4中，对将二值化处理的数据进行中值滤波。因为系统噪声的存在，二值化后的距离频率矩阵会在没有目标的位置上出现毛刺，对于下一步的聚类有较大影响，此处用中值滤波对距离频率矩阵进行处理。中值滤波的公式为：

其中：

表示向下取整。

返回到图3，在步骤S302中，对经预处理的数据进行二维聚类。对中值滤波后的矩阵进行距离和频率的二维聚类，其聚类结果为被测目标的位置和呼吸心跳频率。具体操作步骤如下：

1)提取中值滤波后的距离频率矩阵中值为1的点，并按照距离门、频率编号的数据集为

2)分别选取不同的K值进行二维聚类，其中聚类误差下降幅度最大的K就是被测目标的个数。值得注意的是，二维聚类前需要对距离频率矩阵进行归一化处理。

3)被测目标的呼吸心跳频率和位置可以使用基于加权的算法来获得，这与实际的目标值更为接近。

下面参照图5来说明根据本发明实施例的一种基于距离频率聚类的多目标体征检测装置的方框图。并且图6是表示根据本发明实施例的一种基于距离频率聚类的多目标体征检测装置中预处理器模块的内部方框图。参照图5和图6，根据本发明基于距离频率聚类的多目标体征检测装置包括频域预处理模块501和聚类提取体征信息模块502。其中，频率预处理器模块501包括如下四个子模块：频域展开模块501-1、降噪模块501-2、二值化模块501-3和中值滤波模块501-4。图5中的基于距离频率聚类的多目标体征检测装置的具体操作与参照图3描述的相对应方法相同，并且图6中预处理器模块501包含的各个子模块的操作也与图4中描述的相对应方法步骤相同，这里不再赘述。

本专利采用脉冲式超宽带雷达作为检测硬件，提出一种基于距离频率聚类的多目标体征检测算法，实现了非接触式人体生命体征信号检测。原始接收信号在频域上展开，利用呼吸和心跳频率范围不同进行分频处理；然后利用SVD算法进行降噪，对降噪后距离频率矩阵进行二值化处理，并对矩阵进行中值滤波剔除信号中的毛刺；最后对中值滤波后的矩阵进行二维聚类，其聚类结果为被测目标的位置和呼吸心跳频，相比于其他算法，基于距离频率聚类的体征检测算法可以快速准确检测同一位置的多个目标。

本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本公开的其它实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由下面的权利要求指出。

在本公开的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本公开的至少一个实施例或示例中。在本公开中，对上述术语的示意性表述不必针对的是相同的实时或示例。而且，描述的具体特征、结构、材料或者特点可以在任意一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本公开中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。

应当理解的是，本公开并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限制。

Claims

1.一种基于距离频率聚类的多目标体征检测方法，包括：

对来自UWB雷达的回波信号进行预处理；

对经预处理的信号进行归一化处理；以及

对经归一化处理的信号进行聚类提取特征信息。

2.根据权利要求1所述的基于距离频率聚类的多目标体征检测方法，其中，对回波信号进行预处理包括：

频域展开，将每一个距离门信号在频域上进行展开，并将信号的频域分为呼吸频段部分和心跳频段部分，接下来的相应处理都是针对呼吸频段部分和心跳频段部分分开进行的；

R^fd＝U·Λ·V^H，R^fd∈A^K×N (1)

其R^fd为距离频率矩阵，U＝[u₁，u₂，...，u_k]，U∈A^K×K为K×K阶酉矩阵，其列向量为左奇异向量且相互正交；V＝[v₁，v₂，...，v_k]，V∈A^N×N为N×N阶酉矩阵，其列向量为右奇异向量且相互正交Λ∈B^K×N，除了对角线上其他元素都是0，对角线上的元素称为奇异值，并且由大到小排列，λ_i∈{λ₁＞λ₂＞…＞λ_K}，由于前面的奇异值包含了大部分的能量，决定用前90％能量的奇异值来近似描述矩阵，重构的距离频率矩阵如下：

其中，k为符合

的最小值；

其中：

表示向下取整。

3.根据权利要/2所述的基于距离频率聚类的多目标体征检测方法，其中，对经归一化后的信号进行聚类提取特征信息包括：

并且

4.根据权利要求2所述的基于距离频率聚类的多目标体征检测方法，其中，在心跳频段进行频域展开之前，消除呼吸谐波的影响，先计算出高次呼吸谐波频率，利用带阻滤波器在0.83到3.3Hz滤除呼吸谐波，以提升测量的准确性。

5.一种基于距离频率聚类的多目标体征检测装置，包括：

预处理模块，用于对来自UWB雷达的回波信号进行预处理；

归一化处理模块，用于对经预处理的信号进行归一化处理；以及

聚类提取特征信息模块，用于对经归一化处理的信号进行聚类提取特征信息。

6.根据权利要求5所述的基于距离频率聚类的多目标体征检测装置，其中，所述预处理模块包括：

R^fd＝U·Λ·V^H，R^fd∈A^K×N (1)

其中R^fd为距离频率矩阵，U＝[u₁，u₂，...，u_k]，U∈A^K×K为K×K阶酉矩阵，其列向量为左奇异向量且相互正交V＝[v₁，v₂，...，v_k]，V∈A^N×N为N×N阶酉矩阵，其列向量为右奇异向量且相互正交Λ∈B^K×N，除了对角线上其他元素都是0，对角线上的元素称为奇异值，并且由大到小排列，λ_i∈{λ₁＞λ₂＞…＞λ_K}，由于前面的奇异值包含了大部分的能量，决定用前90％能量的奇异值来近似描述矩阵，重构的距离频率矩阵如下：

其中，k为符合

的最小值；

其中：

表示向下取整。

7.根据权利要6所述的基于距离频率聚类的多目标体征检测装置，其中，所述聚类提取特征信息模块用于：

并且

8.根据权利要求6所述的基于距离频率聚类的多目标体征检测装置，其中，在心跳频段进行频域展开之前，消除呼吸谐波的影响，先计算出高次呼吸谐波频率，利用带阻滤波器在0.83到3.3Hz滤除呼吸谐波，以提升测量的准确性。