CN114190917A - 一种基于毫米波雷达的生命体征监测方法及系统 - Google Patents
一种基于毫米波雷达的生命体征监测方法及系统 Download PDFInfo
- Publication number
- CN114190917A CN114190917A CN202111488896.9A CN202111488896A CN114190917A CN 114190917 A CN114190917 A CN 114190917A CN 202111488896 A CN202111488896 A CN 202111488896A CN 114190917 A CN114190917 A CN 114190917A
- Authority
- CN
- China
- Prior art keywords
- real
- time
- signal
- target displacement
- time target
- 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.)
- Pending
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 31
- 238000000034 method Methods 0.000 title claims abstract description 30
- 238000006073 displacement reaction Methods 0.000 claims abstract description 115
- 238000012545 processing Methods 0.000 claims abstract description 42
- 238000001914 filtration Methods 0.000 claims abstract description 31
- 230000029058 respiratory gaseous exchange Effects 0.000 claims abstract description 23
- 230000000241 respiratory effect Effects 0.000 claims abstract description 14
- 206010006322 Breath holding Diseases 0.000 claims abstract description 12
- 230000009466 transformation Effects 0.000 claims description 14
- 238000005070 sampling Methods 0.000 claims description 11
- 238000000354 decomposition reaction Methods 0.000 claims description 10
- 238000000926 separation method Methods 0.000 claims description 10
- 238000002054 transplantation Methods 0.000 claims description 6
- 230000003044 adaptive effect Effects 0.000 claims description 4
- 238000005259 measurement Methods 0.000 abstract description 11
- 230000006870 function Effects 0.000 description 16
- 238000001514 detection method Methods 0.000 description 9
- 239000011159 matrix material Substances 0.000 description 8
- 230000008859 change Effects 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 230000008030 elimination Effects 0.000 description 3
- 238000003379 elimination reaction Methods 0.000 description 3
- 230000001121 heart beat frequency Effects 0.000 description 3
- 210000000779 thoracic wall Anatomy 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 241000700605 Viruses Species 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 210000000038 chest Anatomy 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000011897 real-time detection Methods 0.000 description 1
- 210000000115 thoracic cavity Anatomy 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
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
- A61B5/7225—Details of analog processing, e.g. isolation amplifier, gain or sensitivity adjustment, filtering, baseline or drift compensation
-
- 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
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Signal Processing (AREA)
- Public Health (AREA)
- Molecular Biology (AREA)
- Physiology (AREA)
- Veterinary Medicine (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Psychiatry (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Mathematical Physics (AREA)
- Pulmonology (AREA)
- Power Engineering (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明公开一种基于毫米波雷达的生命体征监测方法及系统，方法包括步骤：基于毫米波雷达，采集同时段的中频的实时目标位移信号和人体屏息时的参考目标位移信号；对实时目标位移信号进行FFT处理、FIR滤波器滤波，分离出实时呼吸信号；对参考目标位移信号依次进行FFT处理、FIR滤波器滤波以及小波变换去噪，获得理想心跳信号；搭建基于RLS算法的FIR自适应滤波器；根据FIR滤波器滤波后的实时目标位移信号与理想心跳信号的误差自动调整FIR滤波器阶数，当误差最小时的FIR滤波器输出的即为实时心跳信号。本发明可对实时目标的呼吸和心跳信号等关键生命体征进行实时、高效地非接触式测量，误差波动小，测量精度高，鲁棒性好。
Description
技术领域
本发明涉及生命体征监测技术领域，更具体地说，本发明涉及一种基于毫米波雷达呼吸心跳监测系统。
背景技术
对于生命体征检测，例如呼吸和心跳，现有的测量仪器多为接触式，测量仪器需要附着在病人身上以进行测量和监测，这种接触式测量对需要长期持续监测的患者来说不是很方便。尤其是防疫阶段，非接触性生命体征监测设备变得更加重要，将有助于尽量减少病毒通过接触点和接触点的传播，并更好地确保卫生保健人员的安全。因此，生命体征检测迫切需求远程、非接触式的测量仪器。
远程、非接触式的测量仪器可以采用基于毫米波雷达进行生命信号检测，获取雷达中频信号后，可以通过雷达中频信号的相位来获得被测目标的胸腔位移变化规律。具体地，对雷达中频信号进行采样，然后进行距离维数FFT处理，计算目标距离，然后进行滤波处理，获得人呼吸信号和心跳信号的检测和分离。在这个过程中，FIR滤波器可以有效地隔离呼吸信号，虽然对心跳信号有一定的噪声消除作用，但不能从其中提取心跳频率信息；另外，由于非接触式生命参数信号的随机性较强，大多时间呈非平稳变化，需要的滤波器阶数的最优值是随时间变化的，固定阶数的FIR滤波器势必对心跳信号的精确分离带来不利影响。
发明内容
针对上述技术中存在的不足之处，本发明提供一种基于毫米波雷达的生命体征监测方法及系统，通过FIR滤波器分理出实时呼吸信号后，获取理想心跳信号，搭建基于RLS算法的FIR自适应滤波器，并将所述实时目标位移信号和所述理想心跳信号输入该FIR自适应滤波器，进一步分离出实时心跳信号，误差波动小，测量精度高，鲁棒性好。
为了实现根据本发明的这些目的和其它优点，本发明通过以下技术方案实现：
本发明实施例提供一种基于毫米波雷达的生命体征监测方法，其包括以下步骤：
基于毫米波雷达，采集中频的实时目标位移信号和定时人体屏息的参考目标位移信号；
对中频的所述实时目标位移信号进行距离维数FFT处理、FIR滤波器滤波，分离出实时呼吸信号；
对所述参考目标位移信号依次进行距离维数FFT处理、FIR滤波器滤波以及小波变换去噪，获得理想心跳信号；
设置所述FIR滤波器的初始阶数以及RLS算法中的遗忘因子，搭建基于RLS算法的FIR自适应滤波器；
将FIR滤波器滤波后的所述实时目标位移信号作为所述FIR自适应滤波器的原始输入信号，将所述理想心跳信号作为所述FIR自适应滤波器的参考输入信号，根据所述原始输入信号和所述参考输入信号的误差自动调整所述FIR滤波器阶数，当所述误差最小时的FIR滤波器输出的即为分离出的实时心跳信号。
优选的是，所述FIR滤波器设置有分离所述实时呼吸信号的第一频带和分离所述实时心跳信号的第二频带，所述第一频带是0.1Hz～0.6Hz，所述第二频带是0.8Hz-4.0Hz。
优选的是，对中频的所述实时目标位移信号进行距离维数FFT处理，包括以下步骤：
设置所述实时目标位移信号的帧周期，每个帧周期设置两个啁啾；
对每个所述啁啾依次进行ADC采样和距离维数的FFT处理，计算出实时目标距离，获取实时目标所在的距离单元；
提取实时目标所在距离单元对应的实时相位信息；
以所述帧周期为单位，往复进行实时目标距离的计算和实时相位信息的提取。
优选的是，计算出实时目标距离后，还包括对实时目标进行距离跟踪：
设置第一时间间隔，连续计算若干帧所述实时目标距离，进行实时目标距离的峰值判断：如果若干帧所述实时目标距离的峰值对应的距离相同，则当前所述实时目标距离为被测实时目标的真实位置，在所述第一时间间隔内默认被测实时目标在该距离单元；如果连续若干帧所述实时目标距离的峰值对应的距离不同，则从第一个不同的位置重新计数，直到若干帧所述实时目标距离的峰值对应的距离相同为止；
设置第二时间间隔，定时更新所述实时目标距离的峰值判断，获得新的实时目标距离。
优选的是，对每个所述啁啾依次进行ADC采样，还包括以下步骤：
选择滑动的矩形窗对所述实时目标位移信号进行截取。
优选的是，所述小波变换去噪，包括以下步骤：
选择小波基函数和分解层数，使用wavedec函数对滤波后的所述参考目标位移信号进行一维离散小波分解；
使用appcoef函数和detcoef函数，抽取分解后的近似系数和细节系数；
使用waverec函数，利用抽取的所述近似系数和所述细节系数对滤波后的所述参考目标位移信号进行重构，得到滤波后的所述参考目标位移信号在不同频率下对应的分量大小。
优选的是，基于毫米波雷达，采集中频的实时目标位移信号，包括以下步骤：
毫米波雷达采集中频的实时目标位移信号数据；
基于云服务器构架，对中频的所述实时目标位移信号数据进行算法移植，通过Wi-Fi直接发送到Linux服务器；
Linux服务器通过netty框架对算法移植后的数据进行解包计算，实时计算出监测到的数据，并存储在数据库中。
一种基于毫米波雷达的生命体征监测系统，其包括：
信号采集模块，其用于基于毫米波雷达，采集中频的实时目标位移信号和定时人体屏息的参考目标位移信号；
信号分离模块，其用于从所述实时目标位移信号中分离出实时呼吸信号，从所述参考目标位移信号中获取理想心跳信号，设置FIR滤波器的初始阶数以及RLS算法中的遗忘因子，根据所述实时目标位移信号作为原始输入信号与所述参考目标位移信号作为参考输入信号的误差自动调节所述FIR滤波器阶数，并在所述误差最小时分离出实时心跳信号。
优选的是，所述信号分离模块还包括：
FFT处理单元，其用于对所述实时目标位移信号和所述参考目标位移信号进行距离维数FFT处理；
FIR滤波单元，其设有FIR滤波器，用于对距离维数FFT处理后的所述实时目标位移信号进行滤波，分离出实时呼吸信号；所述FIR滤波器还对所述对所述参考目标位移信号进行滤波；
小波变换单元，其用于对滤波后的所述参考目标位移信号进行小波变换处理，获得理想心跳信号；
其中，设置所述FIR滤波单元中FIR滤波器的初始阶数以及RLS算法的遗忘因子后；
分别将滤波后的所述实时目标位移信号作为原始输入信号，将所述理想心跳信号作为参考输入信号，根据所述原始输入信号和所述参考输入信号的误差自动调整所述FIR滤波单元中FIR滤波器的阶数，当所述误差最小时所述FIR滤波单元输出的即为分离出的实时心跳信号。
优选的是，所述FIR滤波器设置有分离所述实时呼吸信号的第一频带和分离所述实时心跳信号的第二频带，所述第一频带是0.1Hz～0.6Hz，所述第二频带是0.8Hz-4.0Hz。
本发明至少包括以下有益效果：
1.本发明提供的基于毫米波雷达的生命体征监测方法，基于毫米波雷达采集同时段的中频的实时目标位移信号和人体屏息时的参考目标位移信号后，对中频的实时目标位移信号进行距离维数FFT处理、FIR滤波器滤波，分离出实时呼吸信号；对参考目标位移信号依次进行距离维数FFT处理、FIR滤波器滤波以及小波变换去噪，获得理想心跳信号；设置FIR滤波器的初始阶数以及RLS算法中的遗忘因子，搭建基于RLS算法的FIR自适应滤波器；将FIR滤波器滤波后的实时目标位移信号作为原始输入信号，将理想心跳信号作为参考输入信号，根据原始输入信号和参考输入信号的误差自动调整FIR滤波器阶数，当误差最小时的FIR滤波器输出的即为分离出的实时心跳信号。整个检测过程，基于毫米波雷达对实时目标的呼吸信号和心跳信号等关键生命体征进行非接触式测量，误差波动小，测量精度高，鲁棒性好；
2.FIR滤波器可以有效地隔离呼吸信号，虽然对心跳信号有一定的噪声消除作用，但不能从其中提取心跳频率信息，因此本发明优选采用对参考目标位移信号进行小波变换处理，分离心跳信号；
3.由于非接触式生命体征参数信号的随机性较强，大多时间呈非平稳变化，需要的FIR滤波器阶数的最优值是随时间变化的，因此采用RLS算法构建FIR自适应滤波器，分离效果更好，误差波动小。
本发明的其它优点、目标和特征将部分通过下面的说明体现，部分还将通过对本发明的研究和实践而为本领域的技术人员所理解。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明所述的基于毫米波雷达的生命体征监测方法的流程示意图；
图2为本发明所述的基于毫米波雷达的信号采集的流程示意图；
图3为本发明所述的对中频的实时目标位移信号进行距离维数FFT处理的流程示意图；
图4为本发明所述的对实时目标进行距离跟踪的流程示意图；
图5为本发明所述的对每个啁啾依次进行ADC采样的流程示意图；
图6为本发明所述的小波变换的流程示意图；
图7为本发明所述的基于毫米波雷达的生命体征监测系统的组成示意图。
具体实施方式
下面将结合附图对本发明实施例的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
下面所述的本发明不同实施方式中使用的诸如“具有”、“包含”以及“包括”术语并不排除一个或多个其它元件或其组合的存在或添加；所涉及的技术特征只要彼此之间未构成冲突就可以相互结合。
<实施例1>
如图1所示，本发明实施例提供一种基于毫米波雷达的生命体征监测方法，其包括以下步骤：
S10，基于毫米波雷达，采集同时段的中频的实时目标位移信号和人体屏息时的参考目标位移信号；
S20，对中频的实时目标位移信号进行距离维数FFT处理、FIR滤波器滤波，分离出实时呼吸信号；
S30，对参考目标位移信号依次进行距离维数FFT处理、FIR滤波器滤波以及小波变换去噪，获得理想心跳信号；
S40，设置FIR滤波器的初始阶数以及RLS算法中的遗忘因子，搭建基于RLS算法的FIR自适应滤波器；
S50，将FIR滤波器滤波后的实时目标位移信号作为FIR自适应滤波器的原始输入信号，将理想心跳信号作为FIR自适应滤波器的参考输入信号，根据原始输入信号和参考输入信号的误差自动调整FIR滤波器阶数，当误差最小时的FIR滤波器输出的即为分离出的实时心跳信号。
该实施方式提供的基于毫米波雷达的生命体征监测方法，基于毫米波雷达采集同时段的中频的实时目标位移信号和人体屏息时的参考目标位移信号后，对中频的实时目标位移信号进行距离维数FFT处理、FIR滤波器滤波，分离出实时呼吸信号；对参考目标位移信号依次进行距离维数FFT处理、FIR滤波器滤波以及小波变换去噪，获得理想心跳信号；设置FIR滤波器的初始阶数以及RLS算法中的遗忘因子，搭建基于RLS算法的FIR自适应滤波器；将FIR滤波器滤波后的实时目标位移信号作为原始输入信号，将理想心跳信号作为参考输入信号，根据原始输入信号和参考输入信号的误差自动调整FIR滤波器阶数，当误差最小时的FIR滤波器输出的即为分离出的实时心跳信号。整个检测过程，基于毫米波雷达对实时目标的呼吸信号和心跳信号等关键生命体征进行实时、高效地非接触式测量，误差波动小，测量精度高，鲁棒性好。
下面对各个步骤进行详细的说明。
步骤S10中，采集同时段的中频的实时目标位移信号和人体屏息时的参考目标位移信号，指的是，例如采集10s正常情况下人体屏息时的胸壁位移信号作为参考目标位移信号，采集10s普通的实时胸壁位移信号作为实时目标位移信号。
基于毫米波雷达的信号采集，如图2所示，可进一步优选为包括以下步骤：
S11，毫米波雷达采集中频的实时目标位移信号数据；
S12，基于云服务器构架，对中频的实时目标位移信号数据进行算法移植，通过Wi-Fi直接发送到Linux服务器；
S13，Linux服务器通过netty框架对算法移植后的数据进行解包计算，实时计算出监测到的数据，并存储在数据库中。
该实施方式提供了基于毫米波雷达和云服务器构架，通过无线WIFI完成数据通信和计算。具体地，毫米波雷达采集中频的实时目标位移信号数据通过Wi-Fi直接发送到Linux服务器，云服务器采用阿里云的ECS服务器，Linux服务器为ubuntu18.04系统。Linux服务器的netty框架，在java环境中，因此需要对C++语言的算法进行打包。C++语言算法需要替换和重写特定于MFP的函数，然后将所有函数定义为“外部‘C’int__declspec(dllexport)”进行打包。则文件可以被其他程序在外部调用。需要将移植的算法文件传输到计算服务器环境中，并通过在bash下运行“g++linuxDataCalculate.cpp-fpic-共享-olibDataCal_1.so”命令，将C++语言算法打包到Linux平台动态链路库中，实现解包计算，实时计算出监测到的数据。数据保存在Linux服务器上，服务端使用node.js的RESTFUL框架，电脑软件通过GET和post方法实时获取计算出的数据并显示参数。
该实施方式中，雷达监测只需要一根电源线，不需要数据电缆和直接连接的计算机，因此更适合一般的家庭监控场景。
步骤S20中，对中频的实时目标位移信号进行距离维数FFT处理，如图3所示，优选包括以下步骤：
S21，设置实时目标位移信号的帧周期，每个帧周期设置两个啁啾；
S22，对每个啁啾依次进行ADC采样和距离维数的FFT处理，计算出实时目标距离，获取实时目标所在的距离单元；
S23，提取实时目标所在距离单元对应的实时相位信息；
S24，以帧周期为单位，往复进行实时目标距离的计算和实时相位信息的提取。
该步骤中采样、距离维数的FFT处理以及实时相位信息提取，具体示例如下：
1.选择锯齿波调频，设置每个所述啁啾中的每个锯齿波的采样点为矩阵的一行，得到一个矩阵M[m,n]，其中，m为锯齿波的个数，n为每个锯齿波的采样点数；
2.对矩阵M[m,n]的每一行进行FFT处理，得到一个距离矩阵R[m,p]，其中，p为FFT点数，矩阵R[m,p]的每一列为一个距离单元，则共有p个距离单元。
3.从矩阵R[m,p]每行中找到实时目标所在位置，在理想环境的单目标检测中一般认为是矩阵R[m,p]每行中幅值最大的点为实时目标所在的距离单元；
4.求出实时目标所在位置的相位并解缠，得到
5.最后求出实时目标的实时相位差信号
需要补充说明的是，在计算实时目标的距离信息后，可以通过实时目标所在距离单元的FFT结果得到实时目标的相位信息，经过相位展开后的信号信息呈现连续变化，该相位信号包含了人体生命体征的呼吸和心跳信息，而上面步骤5中实时相位差信号
与相邻两个锯齿波胸腔位移变化也是成正比，通过实时相位差信号
可以得到被测实时目标的呼吸信号频率和心跳信号频率。
步骤S22中，计算出实时目标距离后，优选的是，如图4所示，还包括对实时目标进行距离跟踪：
S221，设置第一时间间隔，连续计算若干帧实时目标距离，进行实时目标距离峰值对应距离的判断：如果若干帧实时目标距离的峰值对应的距离相同，则当前实时目标距离为被测实时目标的真实位置，在第一时间间隔内默认被测实时目标在该距离单元；如果连续若干帧实时目标距离的峰值对应的距离不同，则从第一个不同的位置重新计数，直到若干帧实时目标距离的峰值对应的距离相同为止；
S222，设置第二时间间隔，定时更新实时目标距离的峰值判断，获得新的实时目标距离。
该实施方式中，具体地，例如，在1s时间内，连续计算3帧实时目标距离信息，如果实时目标距离峰值对应距离不变，则认为该距离为被测实时目标的真实位置，在接下来的1s时间内默认物体在该距离单元；若连续的3帧距离信息不一致，则从第一个不同的位置重新计数，直到符合要求为止。每隔1s后重新进行判断，得到新的距离信息，如此循环进行实现实时目标的距离跟踪，提高实时目标距离获取的精确性。
步骤S22中，对每个啁啾依次进行ADC采样，如图5所示，还包括优选步骤：
S223，选择滑动的矩形窗对实时目标位移信号进行截取。
该实施方式中，首选选择矩形窗对实时目标位移信号进行截取，若已知信号的采样率为20Hz，选择矩形窗的窗口大小为200点，对应10s采样时间。为为了进一步实现实时检测，本发明优选采用滑动窗口进行处理，这样可以避免使用固定窗口时连续窗口之间联系较小的问题，例如本发明设置每次窗口滑动更新100点数据，即可实现5s的快速检测周期。
更进一步优选的是，步骤S20和步骤S30中，鉴于呼吸信号和心跳信号的频段不同，为了更高效进行信号分离，FIR滤波器设置有分离实时呼吸信号的第一频带和分离实时心跳信号的第二频带，第一频带是0.1Hz～0.6Hz，第二频带是0.8Hz-4.0Hz，其中分离实时呼吸信号的第一频带的起始频率为0.1Hz，目的是滤掉直流噪声的干扰。
步骤S30中，优选的是，如图6所示，小波变换去噪，包括以下步骤：
S31，选择小波基函数和分解层数，使用wavedec函数对滤波后的参考目标位移信号进行一维离散小波分解；
S32，使用appcoef函数和detcoef函数，抽取分解后的近似系数和细节系数；
S33，使用waverec函数，利用抽取的近似系数和细节系数对滤波后的参考目标位移信号进行重构，得到滤波后的参考目标位移信号在不同频率下对应的分量大小。
该实施方式中，FIR滤波器可以有效地隔离呼吸信号，虽然对心跳信号有一定的噪声消除作用，但不能从其中提取心跳频率信息，因此需要对参考目标位移信号进行小波变换处理，分离心跳信号。其中，步骤S31中小波基函数的选择，本发明优选为Coiflet小波系下的coif3小波函数进行分析，Coiflet小波基函数的波形和人体的胸壁运动信号具有相似性，这对于信号的压缩和消噪具有一定的意义。小波变换可以将呼吸和心跳两种信号分解在不同的细节系数层。例如，采用coif3小波基函数对FIR滤波器滤波后的参考目标位移信号进行7层小波分解，从第四层细节重构中提取出心跳信号。
步骤S40中，RLS算法是通过动态调整FIR滤波器系数，使期望信号与FIR滤波器输出之差的平方和达到最小，因此其跟踪能力与输入信号相关矩阵的特征值无关。这种特性使得RLS算法在处理非平稳信号时也可以快速收敛。由于非接触式生命体征参数信号的随机性较强，大多时间呈非平稳变化，需要的FIR滤波器阶数的最优值是随时间变化的，因此采用RLS算法更佳。
具体地，可设定FIR滤波器的初始阶数为ll阶；RLS算法中遗忘因子取l。将实时目标位移信号的原始输入信号和理想心跳信号的参考输入信号同时输入FIR自适应滤波器，有效地抑制了呼吸谐波的影响，分离出心跳信号。
<实施例2>
本发明实施例用于提供一种基于毫米波雷达的生命体征监测系统，采用实施例1提供的生命体征监测方法，如图7所示，系统优选为包括信号采集模块和信号分离模块。
信号采集模块用于基于毫米波雷达，采集中频的实时目标位移信号和定时人体屏息的参考目标位移信号。信号分离模块用于从实时目标位移信号中分离出实时呼吸信号，从参考目标位移信号中获取理想心跳信号，设置FIR滤波器的初始阶数以及RLS算法中的遗忘因子，根据实时目标位移信号作为原始输入信号与参考目标位移信号作为参考输入信号的误差自动调节FIR滤波器阶数，并在误差最小时分离出实时心跳信号。
更具体地，信号分离模块还包括FFT处理单元、FIR滤波单元以及小波变换单元。FFT处理单元用于对实时目标位移信号和参考目标位移信号进行距离维数FFT处理。FIR滤波单元设有FIR滤波器，用于对距离维数FFT处理后的实时目标位移信号进行滤波，分离出实时呼吸信号；FIR滤波器还对对参考目标位移信号进行滤波。小波变换单元用于对滤波后的参考目标位移信号进行小波变换处理，获得理想心跳信号；
其中，设置FIR滤波单元中FIR滤波器的初始阶数以及RLS算法的遗忘因子后；分别将滤波后的实时目标位移信号作为原始输入信号，将理想心跳信号作为参考输入信号，根据原始输入信号和参考输入信号的误差自动调整FIR滤波单元中FIR滤波器的阶数，当误差最小时FIR滤波单元输出的即为分离出的实时心跳信号。
该实施方式中，基于毫米波雷达通过信号采集模块采集同时段的中频的实时目标位移信号和人体屏息时的参考目标位移信号后，实时目标位移信号依次通过FFT处理单元进行距离维数FFT处理、通过FIR滤波单元的FIR滤波器进行滤波后，分离出实时呼吸信号；
参考目标位移信号依次通过FFT处理单元进行距离维数FFT处理、通过FIR滤波单元的FIR滤波器进行滤波以及通过小波变换单元进行小波变换后，获得理想心跳信号；
设置FIR滤波器的初始阶数为11，设置RLS算法中的遗忘因子为1，搭建基于RLS算法的FIR自适应滤波器；将FIR滤波器滤波后的实时目标位移信号作为原始输入信号，将理想心跳信号作为参考输入信号，根据原始输入信号和参考输入信号的误差自动调整FIR滤波器阶数，当误差最小时的FIR滤波器输出的即为分离出的实时心跳信号。整个检测过程，基于毫米波雷达对实时目标的呼吸信号和心跳信号等关键生命体征进行非接触式测量，误差波动小，测量精度高，鲁棒性好。
鉴于呼吸信号和心跳信号的频段不同，为了更高效进行信号分离，FIR滤波器设置有分离实时呼吸信号的第一频带和分离实时心跳信号的第二频带，第一频带是0.1Hz～0.6Hz，第二频带是0.8Hz-4.0Hz，其中分离实时呼吸信号的第一频带的起始频率为0.1Hz，目的是滤掉直流噪声的干扰。
显然，上述实施例仅仅是为清楚地说明所作的举例，而并非对实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其他不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引申的显而易见的变化或变动仍处于本发明创造的保护范围之中。
Claims (10)
1.一种基于毫米波雷达的生命体征监测方法，其特征在于，其包括以下步骤：
基于毫米波雷达，采集同时段的中频的实时目标位移信号和人体屏息时的参考目标位移信号；
对中频的所述实时目标位移信号进行距离维数FFT处理、FIR滤波器滤波，分离出实时呼吸信号；
对所述参考目标位移信号依次进行距离维数FFT处理、FIR滤波器滤波以及小波变换去噪，获得理想心跳信号；
设置所述FIR滤波器的初始阶数以及RLS算法中的遗忘因子，搭建基于RLS算法的FIR自适应滤波器；
将FIR滤波器滤波后的所述实时目标位移信号作为所述FIR自适应滤波器的原始输入信号，将所述理想心跳信号作为所述FIR自适应滤波器的参考输入信号，根据所述原始输入信号和所述参考输入信号的误差自动调整所述FIR滤波器阶数，当所述误差最小时的FIR滤波器输出的即为分离出的实时心跳信号。
2.如权利要求1所述的一种基于毫米波雷达的生命体征监测方法，其特征在于，所述FIR滤波器设置有分离所述实时呼吸信号的第一频带和分离所述实时心跳信号的第二频带，所述第一频带是0.1Hz～0.6Hz，所述第二频带是0.8Hz-4.0Hz。
3.如权利要求1所述的一种基于毫米波雷达的生命体征监测方法，其特征在于，对中频的所述实时目标位移信号进行距离维数FFT处理，包括以下步骤：
设置所述实时目标位移信号的帧周期，每个帧周期设置两个啁啾；
对每个所述啁啾依次进行ADC采样和距离维数的FFT处理，计算出实时目标距离，获取实时目标所在的距离单元；
提取实时目标所在距离单元对应的实时相位信息；
以所述帧周期为单位，往复进行实时目标距离的计算和实时相位信息的提取。
4.如权利要求3所述的基于毫米波雷达的生命体征监测方法，其特征在于，计算出实时目标距离后，还包括对实时目标进行距离跟踪：
设置第一时间间隔，连续计算若干帧所述实时目标距离，进行实时目标距离峰值对应距离的判断：如果若干帧所述实时目标距离的峰值对应的距离相同，则当前所述实时目标距离为被测实时目标的真实位置，在所述第一时间间隔内默认被测实时目标在该距离单元；如果连续若干帧所述实时目标距离的峰值对应的距离不同，则从第一个不同的位置重新计数，直到若干帧所述实时目标距离的峰值对应的距离相同为止；
设置第二时间间隔，定时更新所述实时目标距离的峰值判断，获得新的实时目标距离。
5.如权利要求3所述的基于毫米波雷达的生命体征监测方法，其特征在于，对每个所述啁啾依次进行ADC采样，还包括以下步骤：
选择滑动的矩形窗对所述实时目标位移信号进行截取。
6.如权利要求1所述的基于毫米波雷达的生命体征监测方法，其特征在于，所述小波变换去噪，包括以下步骤：
选择小波基函数和分解层数，使用wavedec函数对滤波后的所述参考目标位移信号进行一维离散小波分解；
使用appcoef函数和detcoef函数，抽取分解后的近似系数和细节系数；
使用waverec函数，利用抽取的所述近似系数和所述细节系数对滤波后的所述参考目标位移信号进行重构，得到滤波后的所述参考目标位移信号在不同频率下对应的分量大小。
7.如权利要求1所述的基于毫米波雷达的生命体征监测方法，其特征在于，基于毫米波雷达，采集中频的实时目标位移信号，包括以下步骤：
毫米波雷达采集中频的实时目标位移信号数据；
基于云服务器构架，对中频的所述实时目标位移信号数据进行算法移植，通过Wi-Fi直接发送到Linux服务器；
Linux服务器通过netty框架对算法移植后的数据进行解包计算，实时计算出监测到的数据，并存储在数据库中。
8.一种应用如权利要求1-7所述的基于毫米波雷达的生命体征监测方法进行生命体征监测的系统，其特征在于，其包括：
信号采集模块，其用于基于毫米波雷达，采集中频的实时目标位移信号和定时人体屏息的参考目标位移信号；
信号分离模块，其用于从所述实时目标位移信号中分离出实时呼吸信号，从所述参考目标位移信号中获取理想心跳信号，设置FIR滤波器的初始阶数以及RLS算法中的遗忘因子，根据所述实时目标位移信号作为原始输入信号与所述参考目标位移信号作为参考输入信号的误差自动调节所述FIR滤波器阶数，并在所述误差最小时分离出实时心跳信号。
9.如权利要求8所述的基于毫米波雷达的生命体征监测系统，其特征在于，所述信号分离模块还包括：
FFT处理单元，其用于对所述实时目标位移信号和所述参考目标位移信号进行距离维数FFT处理；
FIR滤波单元，其设有FIR滤波器，用于对距离维数FFT处理后的所述实时目标位移信号进行滤波，分离出实时呼吸信号；所述FIR滤波器还对所述对所述参考目标位移信号进行滤波；
小波变换单元，其用于对滤波后的所述参考目标位移信号进行小波变换处理，获得理想心跳信号；
其中，设置所述FIR滤波单元中FIR滤波器的初始阶数以及RLS算法的遗忘因子后；
分别将滤波后的所述实时目标位移信号作为原始输入信号，将所述理想心跳信号作为参考输入信号，根据所述原始输入信号和所述参考输入信号的误差自动调整所述FIR滤波单元中FIR滤波器的阶数，当所述误差最小时所述FIR滤波单元输出的即为分离出的实时心跳信号。
10.如权利要求8所述的基于毫米波雷达的生命体征监测系统，其特征在于，所述FIR滤波器设置有分离所述实时呼吸信号的第一频带和分离所述实时心跳信号的第二频带，所述第一频带是0.1Hz～0.6Hz，所述第二频带是0.8Hz-4.0Hz。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111488896.9A CN114190917A (zh) | 2021-12-07 | 2021-12-07 | 一种基于毫米波雷达的生命体征监测方法及系统 |
| PCT/CN2021/137877 WO2023102966A1 (zh) | 2021-12-07 | 2021-12-14 | 一种基于毫米波雷达的生命体征监测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111488896.9A CN114190917A (zh) | 2021-12-07 | 2021-12-07 | 一种基于毫米波雷达的生命体征监测方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114190917A true CN114190917A (zh) | 2022-03-18 |
Family
ID=80651121
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111488896.9A Pending CN114190917A (zh) | 2021-12-07 | 2021-12-07 | 一种基于毫米波雷达的生命体征监测方法及系统 |
Country Status (2)
| Country | Link |
|---|---|
| CN (1) | CN114190917A (zh) |
| WO (1) | WO2023102966A1 (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114931368A (zh) * | 2022-04-08 | 2022-08-23 | 大连海事大学 | 一种毫米波雷达生命体征动态检测方法 |
| CN115542256A (zh) * | 2022-09-14 | 2022-12-30 | 江苏省肿瘤医院 | 基于毫米波的生命体征监测系统 |
| CN115844355A (zh) * | 2022-11-22 | 2023-03-28 | 哈尔滨理工大学 | 一种uwb生物雷达回波信号心率提取方法 |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117064349B (zh) * | 2023-08-17 | 2024-02-06 | 德心智能科技(常州)有限公司 | 毫米波雷达与智能床联动的姿态控制方法及系统 |
| CN117786429B (zh) * | 2024-02-28 | 2024-05-07 | 齐鲁工业大学(山东省科学院) | 基于可穿戴设备的老人健康监测数据处理方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106821347A (zh) * | 2016-12-20 | 2017-06-13 | 中国人民解放军第三军医大学 | 一种fmcw宽带生命探测雷达呼吸和心跳信号提取算法 |
| CN113261925A (zh) * | 2021-03-11 | 2021-08-17 | 山东师范大学 | 一种基于毫米波雷达的人体感知方法及系统 |
| US20210255280A1 (en) * | 2020-02-19 | 2021-08-19 | Infineon Technologies Ag | Radar vital signal tracking using a kalman filter |
| CN113729674A (zh) * | 2021-09-24 | 2021-12-03 | 青岛海信日立空调系统有限公司 | 一种呼吸检测方法及装置 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2016057781A1 (en) * | 2014-10-08 | 2016-04-14 | The University Of Florida Research Foundation, Inc. | Method and apparatus for non-contact fast vital sign acquisition based on radar signal |
| CN109522826B (zh) * | 2018-10-31 | 2020-10-09 | 广东工业大学 | 一种基于fmcw毫米波雷达的生命信号检测方法和系统 |
| CN112754431A (zh) * | 2020-12-31 | 2021-05-07 | 杭州电子科技大学 | 基于毫米波雷达和轻量级神经网络的呼吸心跳监测系统 |
-
2021
- 2021-12-07 CN CN202111488896.9A patent/CN114190917A/zh active Pending
- 2021-12-14 WO PCT/CN2021/137877 patent/WO2023102966A1/zh unknown
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106821347A (zh) * | 2016-12-20 | 2017-06-13 | 中国人民解放军第三军医大学 | 一种fmcw宽带生命探测雷达呼吸和心跳信号提取算法 |
| US20210255280A1 (en) * | 2020-02-19 | 2021-08-19 | Infineon Technologies Ag | Radar vital signal tracking using a kalman filter |
| CN113261925A (zh) * | 2021-03-11 | 2021-08-17 | 山东师范大学 | 一种基于毫米波雷达的人体感知方法及系统 |
| CN113729674A (zh) * | 2021-09-24 | 2021-12-03 | 青岛海信日立空调系统有限公司 | 一种呼吸检测方法及装置 |
Non-Patent Citations (2)
| Title |
|---|
| KAI GUO ET AL: "Design of a Millimeter-Wave Radar Remote Monitoring System for the Elderly Living Alone Using WIFI Communication", 《SENSORS》, 26 November 2021 (2021-11-26), pages 9 - 12 * |
| 杜重阳: "基于毫米波传感器的生命参数检测技术研究", 《中国优秀博硕士学位论文全文数据库》, 15 May 2021 (2021-05-15), pages 43 - 68 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114931368A (zh) * | 2022-04-08 | 2022-08-23 | 大连海事大学 | 一种毫米波雷达生命体征动态检测方法 |
| CN115542256A (zh) * | 2022-09-14 | 2022-12-30 | 江苏省肿瘤医院 | 基于毫米波的生命体征监测系统 |
| CN115844355A (zh) * | 2022-11-22 | 2023-03-28 | 哈尔滨理工大学 | 一种uwb生物雷达回波信号心率提取方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| WO2023102966A1 (zh) | 2023-06-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114190917A (zh) | 一种基于毫米波雷达的生命体征监测方法及系统 | |
| US7894885B2 (en) | Coherent signal rejection in ECG | |
| US11039747B2 (en) | Signal obtaining method and system | |
| CN106597404B (zh) | 太赫兹云雷达信号处理方法及系统 | |
| CN109522826B (zh) | 一种基于fmcw毫米波雷达的生命信号检测方法和系统 | |
| CN109009124B (zh) | 基于超宽带雷达的呼吸频率测量及目标定位方法 | |
| US7610324B2 (en) | System for detection and estimation of periodic patterns in a noisy signal | |
| Nabar et al. | GeM-REM: Generative model-driven resource efficient ecg monitoring in body sensor networks | |
| CN112754431A (zh) | 基于毫米波雷达和轻量级神经网络的呼吸心跳监测系统 | |
| US20090030628A1 (en) | Signal analyser | |
| CN111856452A (zh) | 基于omp的静态人体心跳和呼吸信号分离重构方法 | |
| WO2007041766A1 (en) | Adaptive real-time line noise suppression for electrical or magnetic physiological signals | |
| CN110353649B (zh) | 一种心率检测方法 | |
| CN110448290B (zh) | 一种基于太赫兹穿墙雷达的远距离人员心率检测方法、装置及系统 | |
| WO2018149147A1 (zh) | 一种呼吸率提取方法及装置 | |
| Mirmohamadsadeghi et al. | Real-time multi-signal frequency tracking with a bank of notch filters to estimate the respiratory rate from the ECG | |
| CN115736854A (zh) | 一种基于毫米波雷达的呼吸心跳监测系统 | |
| Elbuni et al. | ECG parameter extraction algorithm using (DWTAE) algorithm | |
| CN115736872A (zh) | 一种基于毫米波雷达实时计算心率的方法 | |
| CN111643053A (zh) | 一种减少脉搏波信号中运动伪影的方法及系统 | |
| CN114931368A (zh) | 一种毫米波雷达生命体征动态检测方法 | |
| JP2015096831A (ja) | 情報処理装置、情報処理方法及びプログラム | |
| Kang et al. | Pulse Rate Estimation using PPG Affected with Motion Artifacts Base d on VMD and Hilbert Transform | |
| JP2000296118A (ja) | 生体信号解析方法および装置 | |
| CN114841207A (zh) | 心跳频率提取方法、检测设备及存储介质 |
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 |