CN114305354A - 一种生命特征检测方法及装置 - Google Patents
一种生命特征检测方法及装置 Download PDFInfo
- Publication number
- CN114305354A CN114305354A CN202111669366.4A CN202111669366A CN114305354A CN 114305354 A CN114305354 A CN 114305354A CN 202111669366 A CN202111669366 A CN 202111669366A CN 114305354 A CN114305354 A CN 114305354A
- Authority
- CN
- China
- Prior art keywords
- target
- human body
- vital sign
- modal
- target human
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 32
- 238000001514 detection method Methods 0.000 claims abstract description 72
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 25
- 238000012545 processing Methods 0.000 claims description 39
- 238000001228 spectrum Methods 0.000 claims description 21
- 230000015654 memory Effects 0.000 claims description 18
- 230000000241 respiratory effect Effects 0.000 claims description 13
- 230000006835 compression Effects 0.000 claims description 12
- 238000007906 compression Methods 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 10
- 230000001121 heart beat frequency Effects 0.000 claims description 7
- 230000029058 respiratory gaseous exchange Effects 0.000 claims description 7
- 230000036391 respiratory frequency Effects 0.000 claims description 3
- 230000006870 function Effects 0.000 description 22
- 238000004422 calculation algorithm Methods 0.000 description 15
- 238000010586 diagram Methods 0.000 description 13
- 238000004891 communication Methods 0.000 description 12
- 230000003068 static effect Effects 0.000 description 9
- 239000000523 sample Substances 0.000 description 8
- 230000008569 process Effects 0.000 description 7
- 230000000694 effects Effects 0.000 description 6
- 238000001914 filtration Methods 0.000 description 6
- 230000009286 beneficial effect Effects 0.000 description 5
- 238000012986 modification Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 238000005259 measurement Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 230000036387 respiratory rate Effects 0.000 description 4
- 230000007547 defect Effects 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000004804 winding Methods 0.000 description 3
- 230000003321 amplification Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 238000003199 nucleic acid amplification method Methods 0.000 description 2
- 238000000926 separation method Methods 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000003416 augmentation Effects 0.000 description 1
- 230000003190 augmentative effect Effects 0.000 description 1
- 238000003287 bathing Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 210000000038 chest Anatomy 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000005315 distribution function Methods 0.000 description 1
- 238000002592 echocardiography Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Landscapes
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本申请提供一种生命特征检测方法及装置,涉及雷达检测技术领域,用于同时对多个目标人体进行生命特征的检测。该方法包括:向至少一个目标人体所在的目标空间发射电磁波,并接收回波信号;从回波信号中提取出各个目标人体对应的生命特征数据;对于各个目标人体来说,对目标人体的生命特征数据进行变分模态分解,得到N个模态分量,N为大于1的整数;从N个模态分量中,识别出目标人体的目标生命特征对应的K个模态分量,K为大于1小于或等于N的整数;根据目标人体的目标生命特征对应的K个模态分量,确定目标人体的目标生命特征相关的参数。
Description
技术领域
本申请涉及雷达检测技术领域,尤其涉及一种生命特征检测方法及装置。
背景技术
目前,对人体的生命特征检测方法有接触式和非接触式两种。其中,接触式检测方法需要电极或传感器与人体接触来采集信号,有一定的应用限制,例如当皮肤损伤或其他不允许接触式测量的情况。非接触式检测方法有激光、红外、雷达信号等方式,可以通过电磁波实现无接触的检测。其中,基于雷达信号是应用范围最广的一种。
现有技术中,基于雷达信号的非接触式检测算法主要有两种:一种是基于傅里叶变换的信号处理算法,采用一系列滤波手段,提取人体生命特征的波形,并通过相关傅里叶变换到频域,得到人体生命特征的频域特征。一种是经验模态分解(empirical modedecomposition,EMD)算法,是根据信号的局部极值相关特征来将信号分解成一系列模态的算法。EMD算法比基于傅里叶变换的算法要更加适合于人体生命特征这种非平稳信号。
但现有技术仍存在诸多不足:
1、基于傅里叶变换的信号处理算法对原始信号的纯净度要求较高,当当杂波和噪声较多时,很难提取到所需信号特征。经验模态分解算法,存在端点效应和模态混叠等缺点。
2、现有的基于雷达信号的非接触式检测,大多是一对一进行检测的,如果检测场景中存在多个人体目标,则难以进行区分识别,不能对每个人体目标进行准确检测。
3、当检测场景中存在多个人体目标时,各个人体目标之间相互影响,会产生带通滤波器无法滤除的互调分量,导致检测的人体生命特征结果不准确。
发明内容
本申请提供一种生命特征检测方法及装置,用于同时对多个目标人体进行生命特征的检测,可以滤除各个目标人体之间相互影响产生的干扰。
第一方面,本申请提供一种生命特征检测方法,包括:向至少一个目标人体所在的目标空间发射电磁波,并接收回波信号;从回波信号中提取出各个目标人体对应的生命特征数据;对于各个目标人体来说,对目标人体的生命特征数据进行变分模态分解,得到N个模态分量,N为大于1的整数;从N个模态分量中,识别出目标人体的目标生命特征对应的K个模态分量,K为大于1小于或等于N的整数;根据目标人体的目标生命特征对应的K个模态分量,确定目标人体的目标生命特征相关的参数。
基于本申请提供的技术方案,至少可以产生以下有益效果:通过在回波信号中提取出各个目标人体对应的生命特征数据,进而分别对各个目标人体的生命特征数据进行处理,可以实现对多个目标人体的生命特征的检测。通过采用变分模态分解算法对目标人体的生命特征数据进行分解,得到N个模态分量,在N个模态分量中识别出目标人体的生命特征对应的K个模态分量,进而确定目标人体的生命特征相关的参数。如此,可以有效的滤除各个目标人体之间相互干扰产生的谐波信号,避免端点效应,提高生命特征检测的准确度。
在一些实施例中,上述从N个模态分量中,识别出目标人体的目标生命特征对应的K个模态分量,包括:对于N个模态分量中的每一个模态分量来说,计算模态分量在目标生命特征对应的频段上的信号能量以及模态分量的信号总能量;若模态分量在目标生命特征对应的频段上的信号能量与模态分量的信号总能量大于目标生命特征对应的阈值,则确定模态分量为目标生命特征对应的模态分量。
在一些实施例中,上述方法还包括:确定N个模态分量中各个模态分量在目标生命特征对应的频段上的信号能量;根据N个模态分量中各个模态分量在目标生命特征对应的频段上的信号能量的最大值,确定有效阈值参考量;根据N个模态分量中各个模态分量在目标生命特征对应的频段上的信号能量以及有效阈值参考量,从N个模态分量中选择出符合预设条件的M个模态分量,预设条件为:模态分量在目标生命特征对应的频段上的信号能量大于有效阈值参考量;以M个模态分量中各个模态分量在目标生命特征对应的频段上的信号能量的平均值作为目标生命特征对应的阈值。
在一些实施例中,上述根据目标人体的目标生命特征对应的K个模态分量,确定目标人体的目标生命特征相关的参数,包括:根据目标人体的目标生命特征对应的K个模态分量,构建目标人体的目标生命特征信号;对目标人体的目标生命特征信号进行快速傅里叶变换,得到目标人体的目标生命特征的频谱;根据目标生命特征的频谱,确定目标生命特征相关的参数。
在一些实施例中,目标生命特征为心跳特征或者呼吸特征。
在一些实施例中,若目标生命特征为心跳特征,目标生命特征相关的参数包括心跳频率;或者,若目标生命特征为呼吸特征,目标生命特征相关的参数包括呼吸频率。
在一些实施例中,从回波信号中提取出各个目标人体对应的生命特征数据,包括:对回波信号依次进行脉冲压缩以及动目标显示处理,确定目标距离像;对目标距离像进行人体目标检测,确定各个目标人体的距离单元;根据各个目标人体的距离单元,从目标距离像中确定各个目标人体的距离单元数据;对各个目标人体的距离单元数据依次进行相位解缠和相位差分处理,得到各个目标人体对应的生命特征数据。
第二方面,本申请提供一种雷达设备,包括:雷达模块,用于向至少一个目标人体所在的目标空间发射电磁波,并接收回波信号;信号处理模块,用于从回波信号中提取出各个目标人体对应的生命特征数据;对于各个目标人体来说,对目标人体的生命特征数据进行变分模态分解,得到N个模态分量,N为大于1的整数;从N个模态分量中,识别出目标人体的目标生命特征对应的K个模态分量,K为大于1小于或等于N的整数;生命特征检测模块,用于根据目标人体的目标生命特征对应的K个模态分量,确定目标人体的目标生命特征相关的参数。
在一些实施例中,上述信号处理模块,具体用于对于N个模态分量中的每一个模态分量来说,计算模态分量在目标生命特征对应的频段上的信号能量以及模态分量的信号总能量;若模态分量在目标生命特征对应的频段上的信号能量与模态分量的信号总能量大于目标生命特征对应的阈值,则确定模态分量为目标生命特征对应的模态分量。
在一些实施例中,上述信号处理模块,还用于确定N个模态分量中各个模态分量在目标生命特征对应的频段上的信号能量;根据N个模态分量中各个模态分量在目标生命特征对应的频段上的信号能量的最大值,确定有效阈值参考量;根据N个模态分量中各个模态分量在目标生命特征对应的频段上的信号能量以及有效阈值参考量,从N个模态分量中选择出符合预设条件的M个模态分量,预设条件为:模态分量在目标生命特征对应的频段上的信号能量大于有效阈值参考量;以M个模态分量中各个模态分量在目标生命特征对应的频段上的信号能量的平均值作为目标生命特征对应的阈值。
在一些实施例中,上述生命特征检测模块,具体用于根据目标人体的目标生命特征对应的K个模态分量,构建目标人体的目标生命特征信号;对目标人体的目标生命特征信号进行快速傅里叶变换,得到目标人体的目标生命特征的频谱;根据目标生命特征的频谱,确定目标生命特征相关的参数。
在一些实施例中,目标生命特征为心跳特征或者呼吸特征。
在一些实施例中,若目标生命特征为心跳特征,目标生命特征相关的参数包括心跳频率;或者,若目标生命特征为呼吸特征,目标生命特征相关的参数包括呼吸频率。
在一些实施例中,上述信号处理模块,具体用于对回波信号依次进行脉冲压缩以及动目标显示处理,确定目标距离像;对目标距离像进行人体目标检测,确定各个目标人体的距离单元;根据各个目标人体的距离单元,从目标距离像中确定各个目标人体的距离单元数据;对各个目标人体的距离单元数据依次进行相位解缠和相位差分处理,得到各个目标人体对应的生命特征数据。
第三方面,本申请提供一种雷达设备,包括:一个或多个处理器;一个或多个存储器;其中,一个或多个存储器用于存储计算机程序代码,计算机程序代码包括计算机指令,当一个或多个处理器执行计算机指令时,雷达设备执行第一方面所提供的任一种生命特征检测方法。
第四方面,本申请实施例提供一种计算机可读存储介质,其特征在于,计算机可读存储介质包括计算机指令,当计算机指令在计算机上运行时,使得计算机执行第一方面所提供的任一种生命特征检测方法。
第五方面,本发明实施例提供一种计算机程序产品,该计算机程序产品可直接加载到存储器中,并含有软件代码,该计算机程序产品经由计算机载入并执行后能够实现如第一方面所提供的任一种生命特征检测方法。
本申请中第二方面至第五方面的有益效果,可以参考第一方面的有益效果分析,此处不再赘述。
附图说明
图1为本申请实施例提供的一种雷达设备的组成示意图;
图2为本申请实施例提供的一种雷达设备的应用场景示意图;
图3为本申请实施例提供的另一种雷达设备的应用场景示意图;
图4为本申请实施例提供的又一种雷达设备的应用场景示意图;
图5为本申请实施例提供的一种生命特征检测系统的示意图;
图6为本申请实施例提供的一种电子设备的结构示意图;
图7为本申请实施例提供的一种生命特征检测方法的流程图;
图8为本申请实施例提供的一种变分模态分解的波形示意图;
图9为本申请实施例提供的另一种生命特征检测方法的流程图;
图10为本申请实施例提供的又一种生命特征检测方法的流程图;
图11为本申请实施例提供的一种目标人体的生命特征的频谱图;
图12为本申请实施例提供的又一种生命特征检测方法的流程图;
图13为本申请实施例提供的又一种生命特征检测方法的流程图;
图14为本申请实施例提供的一种回波信号的去斜原理的示意图;
图15为本申请实施例提供的一种目标距离像的波形示意图;
图16为本申请实施例提供的一种目标人体的回波信号的示意图;
图17为本申请实施例提供的一种雷达设备的结构示意图;
图18为本申请实施例提供的另一种雷达设备的结构示意图。
具体实施方式
下面将结合附图对本申请提供的一种生命特征检测方法及装置进行详细的描述。
本文中术语“和/或”,仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。
本申请的说明书以及附图中的术语“第一”和“第二”等是用于区别不同的对象,或者用于区别对同一对象的不同处理,而不是用于描述对象的特定顺序。
此外,本申请的描述中所提到的术语“包括”和“具有”以及它们的任何变形,意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元,而是可选的还包括其他没有列出的步骤或单元,或可选的还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。
需要说明的是,本申请实施例中,“示例性的”或者“例如”等词用于表示作例子、例证或说明。本申请实施例中被描述为“示例性的”或者“例如”的任何实施例或设计方案不应被解释为比其它实施例或设计方案更优选或更具优势。确切而言,使用“示例性的”或者“例如”等词旨在以具体方式呈现相关概念。
在本申请的描述中,除非另有说明,“多个”的含义是指两个或两个以上。
如背景技术所述,现有的基于雷达信号的非接触式检测技术仍存在诸多不足:
1、基于傅里叶变换的信号处理算法对原始信号的纯净度要求较高,当当杂波和噪声较多时,很难提取到所需信号特征。经验模态分解算法,存在端点效应和模态混叠等缺点。
2、现有的基于雷达信号的非接触式检测,大多是一对一进行检测的,如果检测场景中存在多个人体目标,则难以进行区分识别,不能对每个人体目标进行准确检测。
3、当检测场景中存在多个人体目标时,各个人体目标之间相互影响,会产生带通滤波器无法滤除的互调分量,导致检测的人体生命特征结果不准确。
针对上述技术问题,本申请实施例提供了一种生命特征检测方法,其思路在于:通过在回波信号中提取出各个目标人体对应的生命特征数据,进而分别对各个目标人体的生命特征数据进行处理,可以实现对多个目标人体的生命特征的检测。通过采用变分模态分解算法对目标人体的生命特征数据进行分解,得到N个模态分量,在N个模态分量中识别出目标人体的生命特征对应的K个模态分量,进而确定目标人体的生命特征相关的参数。如此,可以有效的滤除各个目标人体之间相互干扰产生的谐波信号,避免端点效应,提高生命特征检测的准确度。
在本申请实施例中,雷达设备是利用电磁波进行目标探测的电子设备,例如:毫米波雷达、微波雷达、超宽带雷达等。本申请的一些实施例中,采用抗干扰能力强、分辨能力强、测量精度高的毫米波雷达。
其中,毫米波是指30~300GHz频域(波长为1~10mm)的电磁波。毫米波的波长介于厘米波和光波之间,因此毫米波兼有微波制导和光电制导的优点。毫米波具有极宽的带宽,能够缓解频域资源紧张的问题;毫米波的波束窄,能够更为清晰地观察目标物体的细节。如此,本申请的一些实施例采用毫米波进行墙体的轮廓识别,有效的提升了雷达设备的抗干扰能力、分辨能力和测量精度。
示例性的,如图1所示,雷达设备10可以由雷达发射机11、雷达接收机12、天线13和收发开关14组成。
雷达发射机11,是为雷达设备10提供大功率射频信号的无线电装置,能够产生载波受调制的大功率射频信号,即电磁波。按调制方式,发射机可分为连续波发射机和脉冲发射机两类。发射机由一级射频振荡器和脉冲调制器组成。
雷达接收机12,是雷达设备10中进行变频、滤波、放大和解调的装置。通过适当的滤波将天线接收到的微弱高频信号从伴随的噪声和干扰中选择出来,并经过放大和检波后,用于目标检测、显示或其它雷达信号处理。
天线13,是雷达设备10中用来发射或接收电磁波并决定其探测方向的装置。在发射时,将能量集中辐射到需要照射的方向;在接收时,接收探测方向的回波,并分辨出目标的方位和/或仰角。
当雷达设备10发射信号时,收发开关14使天线13与雷达发射机11接通,并与雷达接收机12断开,以免高功率的发射信号进入雷达接收机12把高放或者混频器烧毁。当雷达设备10接收信号时,收发开关14使天线13与雷达接收机12接通,并与雷达发射机11断开,以免因雷达发射机11旁路而使微弱的接收信号受到一定损失。
雷达设备测量距离的原理为,雷达设备通过测量发射电磁波与接收电磁波之间的时间差,可以得到目标物体的距离。
上述雷达设备可以应用于对人体进行生命特征检测的场景。如图2所示,雷达设备通过发射天线向多个目标人体所在的空间发射电磁波,通过接收天线接收经多个目标人体反射的电磁波(也即回波信号),并将该回波信号送至雷达接收机进行信号处理。在经过变频、滤波、放大或解调等处理后,雷达接收机提取出多个目标人体的相关信息(例如,各个目标人体与雷达设备之间的距离、方位等),通过分别对多个目标人体的相关信息进行变分模态分解,得到目标人体的模态分量,进而根据目标人体的模态分量,确定目标人体的生命特征相关的参数。
上述雷达设备还可以应用于对距离较近的多个人体进行生命特征检测的场景。如图3所示,雷达设备通过发射天线向距离较近的多个目标人体所在的空间发射电磁波,通过接收天线接收经过多个目标人体反射的电磁波(也即回波信号),并将该回波信号送至雷达接收机进行信号处理。通过信号处理,可以滤除各个目标人体之间相互影响而产生的互调分量(例如一个目标人体的呼吸信号或心跳信号对另一个目标人体的呼吸信号或心跳信号造成的干扰),得到多个目标人体的相关信息。通过分别对多个目标人体的相关信息进行变分模态分解,得到目标人体的模态分量,进而根据目标人体的模态分量,确定目标人体的生命特征相关的参数。
上述雷达设备可以应用于家居设备控制的场景中。示例性的,如图4所示,以家居设备为智能空调为例,雷达设备可以与智能空调通过有线或者无线的方式连接;或者雷达设备可以部署在智能空调上。
雷达设备通过分别对多个目标人体反射的电磁波(也即回波信号)进行信号处理,确定目标人体的生命特征相关的参数,进而雷达设备可以将目标人体的生命特征相关的参数发送给智能空调。相应的,智能空调接收雷达设备发送的目标人体的生命特征相关的参数,并根据目标人体的生命特征相关的参数,自动调节智能空调的运行参数,例如,温度参数、湿度参数或者送风参数等。
如图5所示,为本申请实施例提供的一种生命特征检测系统的示意图。该系统可以包括:雷达设备和电子设备。其中,雷达设备与电子设备之间可以通过有线或无线的方式进行连接。例如,雷达设备与电子设备之间通过无线局域网连接。
其中,电子设备用于向雷达设备发出操控指令和接收雷达设备的检测结果。示例性的,本申请实施例中的电子设备可以是手机、平板电脑、桌面型、膝上型、手持计算机、笔记本电脑、超级移动个人计算机(ultra-mobile personal computer,UMPC)、上网本,以及蜂窝电话、个人数字助理(personal digital assistant,PDA)、增强现实(augmentedreality,AR)\虚拟现实(virtual reality,VR)设备等。
又一示例性的,本申请实施例中的电子设备还可以是智能家居设备,例如智能空调,智能洗浴设备等。
本公开对该电子设备的具体形态不作特殊限制。电子设备可以与用户通过键盘、触摸板、触摸屏、遥控器、语音交互或手写设备等一种或多种方式进行人机交互。
如图6所示,本申请实施例中的电子设备可以为手机100。下面以手机100为例对实施例进行具体说明。手机100可包括总线110、处理器120、存储器130、用户输入模块150、显示模块160、通信接口170和其它相似和/或合适组件。
总线110可以是将上述元件相互连接并在上述元件之间传递通信(例如控制消息)的电路。
处理器120可以通过总线110从上述其它元件(例如存储器130、用户输入模块150、显示模块160、通信接口170等)接收命令,可以解释接收到的命令,并可以根据所解释的命令来执行计算或数据处理。
存储器130可以存储从处理器120或其它元件(例如用户输入模块150、显示模块160、通信接口170等)接收的命令或数据或者由处理器120或其它元件产生的命令或数据。
用户输入模块150可以接收经由输入-输出手段(例如,传感器、键盘、触摸屏等)从用户输入的命令或数据,并可以通过总线110向处理器120或存储器130传送接收到的命令或数据。显示模块160可以向用户显示视频、图像、数据等。
显示模块160可以显示从上述元件接收到的各种信息(例如多媒体数据、文本数据)。
通信接口170可以控制与另一电子设备之间的短距离通信连接。
应该理解的是,如图6所示的手机100仅是上述电子设备的一个范例,并且手机100可以具有比图6中所示出的更多或者更少的部件,可以组合两个或更多的部件,或者可以具有不同的部件配置。
下面结合说明书附图,对本申请提供的实施例进行具体介绍。
本申请实施例提供了一种生命特征检测方法,应用于雷达设备。如图7所示,该方法包括以下步骤:
S101、向至少一个目标人体所在的目标空间发射电磁波,并接收回波信号。
在本申请实施例中,目标空间为可以容纳多个目标人体的空间,例如病房、卧室、书房等,对此不作限定。
在一些实施例中,雷达设备发射的电磁波与雷达设备接收的回波信号统称为雷达信号。雷达信号可以采用脉冲调频连续波(frequency modulated continuous wave,FMCW)进行检测,能够有效降低被截获干扰的概率。
作为一种可能的实现方式,雷达设备在接收到检测指令后,开启雷达功能,向至少一个目标人体所在的目标空间发射电磁波,并获取回波信号。其中,上述检测指令用于指示检测目标人体的生命特征。
例如,上述雷达设备可以通过有线连接(例如,信号线)或无线连接(例如蓝牙、Wi-Fi)的方式与电子设备连接。用户在需要进行生命特征检测时,通过电子设备开启检测功能。电子设备响应于用户开启检测功能的操作,向雷达设备发送检测指令。相应的,雷达设备接收来自于电子设备的检测指令。
S102、从回波信号中提取出各个目标人体对应的生命特征数据。
应理解,由于目标空间存在多个目标人体,因此回波信号中包含了多个目标人体的生命特征数据。因此,本申请实施例通过执行步骤S102,对回波信号进行处理,分别提取出各个目标人体对应的生命特征数据,进而执行步骤S103-S105,确定每个目标人体的目标生命特征相关的参数。
S103、对于各个目标人体来说,对目标人体的生命特征数据进行变分模态分解,得到N个模态分量,N为大于1的整数。
变分模态分解(variational mode decomposition,VMD),是一种自适应信号处理方法,对非平稳、非线性信号具有良好的处理效果。VMD的自适应性表现在根据实际情况确定给定序列的模态分解个数。VMD可以通过对数据进行迭代更新搜寻最优解,进而根据最优解确定每个模态分量的中心频率和带宽,因此变分问题即为寻求各个模态分量,并使得模态带宽之和最小。
模态分量,可以为本征模态函数(intrinsic mode function,IMF),IMF在整个时间范围内,局部极值点和过零点的数目是相等的,IMF在任意时刻点,局部最大值的包络和局部最小值的包络的平均值为零。
在本申请实施例中,VMD的自适应性体现在,根据目标人体的生命特征数据,自适应的确定变分模态分解的个数(即变分模态分解得到的模态分量的个数)。示例性的,若变分模态分解的个数为N个,则{un}={u1,……,un}代表所有模态分量,{ωn}={ω1,……,ωn}代表所有模态分量对应的中心频率。
可选的,对目标人体的生命特征数据进行变分模态分解,可以实现为以下步骤:
步骤1、构造变分模态
通过希尔伯特变换计算目标人体的生命特征数据的每一个模态分量的解析信号,示例性的,该解析信号可以满足以下公式(1):
其中,un为目标人体的生命特征数据的第n个模态分量,δ(t)为冲激信号。
将上述公式(1)得到的解析信号与各个模态分量的中心频率ωn进行混频,将模态频谱搬移到基带,得到满足以下公式(2)所示的解调信号:
将上述公式(2)得到的解调信号求L2范数平方和的最小值,使得各个模态分量的带宽之和最小。示例性的,可以构造出满足以下公式(3)所示的变分模态:
其中,ωn为每个模态分量的第n个中心频率。
步骤2、求解变分模态
为了求解上述步骤1构造的变分模态,引入二次惩罚因子α与拉格朗日惩罚算子λ构造拉格朗日增广函数。示例性的,拉格朗日增广函数满足以下公式(4):
二次惩罚因子α可以在独立同分布高斯噪声的影响下,保证了信号重构后的准确度。拉格朗日惩罚算子λ保证了过程的严格性。
接下来,采用乘法算子交替方向法(alternate directionmethod ofmultipliers,ADMM)交替更新从m步到m+1步迭代的将的取值问题转化到频域,求得拉格朗日表达式的鞍点。
其中,ADMM的收敛条件满足以下公式(5):
利用傅里叶变化,将迭代后的结果转换到每个模态分量的频域上进行更新。示例性的,更新公式满足以下公式(6)、公式(7)和公式(8):
具体的,变分模态的求解流程如下:
a3、当满足如公式(5)所示的收敛条件时,输出对目标人体的生命特征数据进行分解得到的N个模态分量。
示例性的,如图8所示,图8中的(a)为目标人体i对应的生命特征数据,通过执行步骤S103,对目标人体i对应的生命特征数据进行变分模态分解,可以得到如图8中的(b)、(c)、(d)、(e)、(f)、(g)所示的6个模态分量。
S104、从N个模态分量中,识别出目标人体的目标生命特征对应的K个模态分量,K为大于1小于或等于N的整数。
应理解,通过对目标人体对应的生命特征数据进行变分模态分解,得到的N个模态分量中,包括了目标人体的一个或多个生命特征,例如:呼吸特征或心跳特征。因此,若目标生命特征为呼吸特征时,需要从N个模态分量中识别出目标人体的呼吸特征对应的K个模态分量;若目标生命特征为心跳特征时,需要从N个模态分量中识别出目标人体的心跳特征对应的K个模态分量。
可选的,如图9所示,步骤S104可以具体实现为以下步骤:
S1041、对于N个模态分量中的每一个模态分量来说,计算模态分量在目标生命特征对应的频段上的信号能量以及模态分量的信号总能量。
在一些实施例中,若目标生命特征为心跳特征,则目标生命特征对应的频段可以为心跳特征频段,例如:1.0Hz~3.0Hz。若目标生命特征为呼吸特征,则目标生命特征对应的频段可以为呼吸特征频段,例如:0.1Hz~0.5Hz。
在一些实施例中,通过快速傅里叶变换分别计算每一个模态分量的信号总能量以及每一个模态分量在目标生命特征对应的频段上的信号能量。
S1042、若模态分量在目标生命特征对应的频段上的信号能量与模态分量的信号总能量大于目标生命特征对应的阈值,则确定模态分量为目标生命特征对应的模态分量。
示例性的,步骤S1042可以满足以下公式(9):
其中,E(i)表示模态分量的信号总能量,Eh(i)表示模态分量的在目标生命特征对应的频段上的信号能量,θ表示目标生命特征对应的阈值。
S105、根据目标人体的目标生命特征对应的K个模态分量,确定目标人体的目标生命特征相关的参数。
可选的,若目标生命特征为心跳特征,目标生命特征相关的参数包括心跳频率;或者,若目标生命特征为呼吸特征,目标生命特征相关的参数包括呼吸频率。
如图10所示,步骤S105可以具体实现为以下步骤:
S1051、根据目标人体的目标生命特征对应的K个模态分量,构建目标人体的目标生命特征信号。
在一些实施例中,目标人体的生命特征信号可以满足以下公式(10):
其中,Sh(t)表示目标生命特征信号,IMF(t)表示目标人体的目标生命特征对应的模态分量,k表示模态分量的编号,ka≤kb。
S1052、对目标人体的目标生命特征信号进行快速傅里叶变换,得到目标人体的目标生命特征的频谱。
示例性的,如图11所示,对图11中的(a)所示的目标人体的生命特征信号进行快速傅里叶变换,可以得到如图11中的(b)所示的目标人体的生命特征的频谱。
S1053、根据目标生命特征的频谱,确定目标生命特征相关的参数。
作为一种可能的实现方式,在目标生命特征的频谱中,选取峰值最大的频谱峰对应的频率值,作为目标生命特征相关的参数。如此,可以避免谐波信号和拍频信号的干扰,使检测结果更加准确。
示例性的,若目标生命特征为呼吸特征,则在呼吸特征的频谱中,选取峰值最大的频谱峰对应的频率值,作为目标人体的呼吸频率。
示例性的,若目标生命特征为心跳特征,则为了避免谐波信号对心跳频率的影响,可以首先在心跳特征频谱中剔除呼吸频率部分,然后再选取峰值最大的频谱峰对应的频率值,作为目标人体的心跳频率。
基于本申请提供的技术方案,至少可以产生以下有益效果:通过在回波信号中提取出各个目标人体对应的生命特征数据,进而分别对各个目标人体的生命特征数据进行处理,可以实现对多个目标人体的生命特征的检测。通过采用变分模态分解算法对目标人体的生命特征数据进行分解,得到N个模态分量,在N个模态分量中识别出目标人体的生命特征对应的K个模态分量,进而确定目标人体的生命特征相关的参数。如此,可以有效的滤除各个目标人体之间相互干扰产生的谐波信号,避免端点效应,提高生命特征检测的准确度。
可选的,如图12所示,上述步骤S104中所提到的目标生命特征对应的阈值,可以由以下方式得到:
S201、确定N个模态分量中各个模态分量在目标生命特征对应的频段上的信号能量。
示例性的,若目标生命特征为呼吸特征,则确定N个模态分量中各个模态分量在呼吸特征频段上的信号能量。若目标生命特征为心跳特征,则确定N个模态分量中各个模态分量在心跳特征频段上的信号能量。
S202、根据N个模态分量中各个模态分量在目标生命特征对应的频段上的信号能量的最大值,确定有效阈值参考量。
S203、根据N个模态分量中各个模态分量在目标生命特征对应的频段上的信号能量以及有效阈值参考量,从N个模态分量中选择出符合预设条件的M个模态分量。
其中,上述预设条件为:模态分量在目标生命特征对应的频段上的信号能量大于有效阈值参考量。
示例性的,假设N个模态分量中各个模态分量在目标生命特征对应的频段上的信号能量为Eh(i),能量最大值为maxEh(i),则从N个模态分量中选取出M个满足预设条件的模态分量Eh-ref(i),预设条件可以为Eh(i)>0.1maxEh(i)。
S204、以M个模态分量中各个模态分量在目标生命特征对应的频段上的信号能量的平均值作为目标生命特征对应的阈值。
示例性的,目标生命特征对应的阈值可以满足以下公式(11):
其中,θh表示目标生命特征对应的阈值,Eh-ref(i)表示M个模态分量中的一个模态分量,m表示M个模态分量的编号。
如此,获得目标生命特征对应的阈值后,若由步骤S103分解得到的各个模态分量满足步骤S1042中的公式(9),则确定该模态分量为目标生命特征对应的模态分量,进而根据目标生命特征对应的模态分量,确定目标人体的目标生命特征相关的参数。
可选的,如图13所示,步骤S102可以具体实现为以下步骤:
S1021、对回波信号依次进行脉冲压缩以及动目标显示处理,确定目标距离像。
其中,上述目标距离像指目标的散射点的散射强度分布图,提供了目标的散射点沿距离方向的分布信息。目标距离像能够反映目标的形状和结构特点。
脉冲压缩指对线性调频信号回波进行脉冲压缩和旁瓣抑制,将宽脉冲压缩成窄脉冲,使输出信号在目标的距离门处出现峰值,同时提高信噪比。雷达设备在发射端发射大时宽、带宽信号,以提高信号的速度测量精度和速度分辨力;在接收端,通过脉冲压缩将宽脉冲信号压缩为窄脉冲信号,能够提高雷达设备对目标的距离分辨精度和距离分辨力。
在一些实施例中,回波信号在脉冲压缩之前,首先进行去斜处理,以获取目标的距离信息。如图14所示,为回波信号的去斜原理图,假设目标在距离雷达设备R处,雷达设备发射的电磁波接触到目标后会反射回波信号。雷达设备接收机与目标之间的距离会引起一段信号时延td,可以表示为2R/c。通过发射电磁波与接收的回波信号进行混频(mixer)得到差值信号(IF signal),其频率为fb,fb可以满足以下公式(12):
其中,Tc为线性调频信号的脉冲宽度,B为回波信号波形的带宽,c为光速常数,R为目标与雷达的距离。IF信号仅存在TX线性调频脉冲和RX线性调频脉冲重叠的时间段内。
通过上述脉冲压缩处理可以得到原始的目标距离像。然而,通常情况下目标空间会存在一些静态目标,例如柜子、床、墙面等。因此,通过脉冲压缩得到的原始的目标距离像会存在很多静态目标的干扰。
在一些实施例中,由于静态物体完全处于静止状态,而被检测的目标人体会有小幅波动,因此,雷达设备可以采用动目标显示(moving target indication,MTI)技术来消除静态目标。因为雷达设备接收的回波信号中杂波分量都相同,只有运动的目标因为其距离的变化带来相位的变化,因此,MTI主要采用脉冲对消的方法,将前后两个脉冲对消,使得静态目标完全对消。上述动目标显示处理可以满足以下公式(13):
RIMTI(t-Tr)=RI(t-Tr)-RI(t) 公式(13)
其中,RI(t)表示未进行动目标显示的目标距离像,RIMTI(t-Tr)表示经过动目标显示的目标距离像,RI(t-Tr)表示距离当前时刻前Tr时刻的目标距离像。
基于上述步骤S1021,通过采用脉冲压缩和动目标显示对回波信号进行处理,进而得到排除了静态目标干扰的目标距离像,能够有效的提升人体目标检测的准确度。
S1022、对目标距离像进行人体目标检测,确定各个目标人体的距离单元。
其中,上述目标人体的距离单元用于指示各个目标人体与雷达设备之间的相对距离。
在一些实施例中,可以采用基于排序统计的恒虚警率检测方法,确定各个目标人体的距离单元。
其中,上述排序统计(ordered statistics,OS)的恒虚警率(constant falsealarm rate,CFAR)检测方法,是指在雷达检测中,随着外界强度干扰的变化,雷达能够自动调节其灵敏度,使其虚警概率保持不变的方法。在目标检测中,目标门限为VT,当噪声电平没有超过设定的门限电平且没有检测到目标,称为“漏警”,漏警概率为Pla;当噪声电平超过设定的门限电平而误认为检测到目标,称为“虚警”,虚警概率为Pfa。因此,为了使检测概率Pd最大,需要保证虚警概率在一定范围内。
在一些实施例中,从非相干积累后的数据中采集参考单元样本数据xi(i=1,2,……,R)。假设雷达接收机中的噪声信号和杂波信号服从高斯分布,其包络为瑞利分布,则经过平方律检波器后,参考单元采样xi(i=1,2,……,R)服从指数分布,其概率密度函数(probability density function,PDF)可以满足以下公式(14),累积分布函数(cumulative distribution function,CDF)可以满足以下公式(15):
F(x)=1-e-x/λ',x≥0 公式(15)
其中,λ'可以满足以下公式(16):
其中,μ代表杂波信号和噪声信号总的功率水平,λ是回波信号与杂波信号和噪声信号的平均功率的比值,H0是不存在目标的假设,H1是目标存在的假设。在均匀杂波背景中xi(i=1,2,……,R)是统计独立同分布的。
OS的CFAR检测中,对参考单元样本从小到大作排序处理。在均匀杂波背景中,来自R个总体样本中第k个有序样本的PDF可以满足以下公式(17):
来自R个总体样本中第k个有序样本的CDF可以满足以下公式(18):
其中,f(x)和F(x)分别代表均匀杂波背景中参考单元样本xi(i=1,2,……,R)的PDF和CDF。
OS的CFAR检测中,待检测单元(cell under test,CUT)是待检测参考单元样本,首先对参考单元样本按大小作排序处理,该排序处理可以满足以下公式(19):
x(1)≤x(2)≤…≤x(R) 公式(19)
在上述排序处理后,取走第k个排序样本x(k)作为对杂波信号功率水平的估计Z,即Z=x(k)。那么,由公式(17)可知,在均匀杂波背景中Z的PDF可以满足以下公式(20):
在均匀杂波背景中,Z的矩母函数(moment-generating function,MGF)可以满足以下公式(21):
因此,OS的CFAR检测在均匀杂波背景中的检测概率可以满足以下公式(22),虚警概率可以满足以下公式(23):
由公式(17)可知,Z的统计平均可以满足以下公式(24):
因此,OS的CFAR检测的平均判决门限(average decision threshold,ADT)可以满足以下公式(25):
在一些实施例中,在基于排序统计的恒虚警率检测到目标人体出现时,开始进行数据采集,并将采集到的数据累积存放在雷达设备的指定地址中。可选的,雷达设备通过CFAR检测到一个或多个目标人体的距离单元,并将每个目标人体的距离单元单独存放,单独进行信号处理,以实现目标分离。
在一些实施例中,将距离间隔大于预设距离间隔的两个幅度所在的距离单元,作为两个目标人体的距离单元。
本申请实施例对多个目标人体在目标空间的分布状况进行模拟实验,通过分析实验数据发现,不论两个目标人体在目标空间的分布状况如何,两个目标人体的胸腔之间的距离间隔都会大于8厘米。因此,上述预设距离间隔可以为8厘米。
示例性的,结合图15进行举例说明,在如图15所示的目标距离像中,X=1.00446米处和X=1.08546米处都具有较大的幅度值,由于1.08546-1.00446=0.081米,因此,可以确定一个目标人体的距离单元为1.00446米,另一个目标人体的距离单元为1.08546米。
S1023、根据各个目标人体的距离单元,从目标距离像中确定各个目标人体的距离单元数据。
S1024、对各个目标人体的距离单元数据依次进行相位解缠和相位差分处理,得到各个目标人体的生命特征数据。
(1)相位解缠
在一些实施例中,雷达设备在实现目标分离后,上述目标距离像的峰值由复信号表示,其实部和虚部构成了信号的真实相位信息。如图16所示,图16中的(a)为目标人体的雷达回波实部信号,图16中的(b)为目标人体的雷达回波虚部信号。该信号波形包含了目标人体的位置信息和生命特征数据的相位信息。
应理解,在数学上可以通过反正切函数得到回波信号的相位值,但是在计算机运行中存在相位卷绕的问题。即在计算中反正切函数在第一象限和第二象限中的角度为0~π,在第三象限和第四象限的角度为0~-π。若一个角度从0变到2π,但实际结果得到的却是0~π,再有-π~0,在角度π处发生跳变,跳变幅度为2π,这就是相位卷绕问题。在雷达信号处理中,通过反正切函数得到每个脉冲经过距离傅里叶变换后的相位值。为了解决相位卷绕问题(即相位解缠),要通过算法进行相位解缠,对处理得到的相位数据进行校正。
(2)相位差分
经过相位解缠的瞬时相位变化曲线,不仅包含了目标人体的生命特征数据,还包含了雷达非线性系统带来的一系列谐波干扰和高频噪声等。
在一些实施例中,采用相位差分的方法,通过减去相邻的相位值,对展开的相位执行相位差运算,以消除谐波干扰和高频噪声。可选的,相位差运算可以满足以下公式(26):
a(m)=a(m)-a(m-1) 公式(26)
其中,m指点序列的索引,a(m)指对应点的幅度。
基于图13所提供的技术方案,至少可以产生以下有益效果:在目标距离像中确定各个目标人体的距离单元,进而根据各个目标人体的距离单元数据,得到各个目标人体的生命特征数据。如此,一方面,可以准确的提取出各个目标人体的生命特征数据,进而分别确定各个目标人体的目标生命特征相关的参数,实现同时对多个目标人体进行生命特征的检测;另一方面,通过对各个目标人体的距离单元数据进行相位解缠和相位差分的处理,可以解决相位卷绕等问题,消除谐波干扰和高频噪声,使得生命特征检测结果更加准确。
可以看出,上述主要从方法的角度对本申请实施例提供的方案进行了介绍。为了实现上述功能,本申请实施例提供了执行各个功能相应的硬件结构和/或软件模块。本领域技术人员应该很容易意识到,结合本文中所公开的实施例描述的各示例的模块及算法步骤,本申请实施例能够以硬件或硬件和计算机软件的结合形式来实现。某个功能究竟以硬件还是计算机软件驱动硬件的方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
本申请实施例可以根据上述方法示例对网络节点进行功能模块的划分,例如,可以对应各个功能划分各个功能模块,也可以将两个或两个以上的功能集成在一个处理模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。可选的,本申请实施例中对模块的划分是示意性的,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式。
如图17所示,本申请实施例提供了一种雷达设备,用于执行如图7所提供的生命特征检测方法,能够同时对多个目标人体进行生命体征检测。上述雷达设备300包括:雷达模块301、信号处理模块302和生命特征检测模块303。
雷达模块301,用于向至少一个目标人体所在的目标空间发射电磁波,并接收回波信号。
信号处理模块302,用于从回波信号中提取出各个目标人体对应的生命特征数据;对于各个目标人体来说,对目标人体的生命特征数据进行变分模态分解,得到N个模态分量,N为大于1的整数;从N个模态分量中,识别出目标人体的目标生命特征对应的K个模态分量,K为大于1小于或等于N的整数。
生命特征检测模块303,用于根据目标人体的目标生命特征对应的K个模态分量,确定目标人体的目标生命特征相关的参数。
在一些实施例中,上述信号处理模块302,具体用于对于N个模态分量中的每一个模态分量来说,计算模态分量在目标生命特征对应的频段上的信号能量以及模态分量的信号总能量;若模态分量在目标生命特征对应的频段上的信号能量与模态分量的信号总能量大于目标生命特征对应的阈值,则确定模态分量为目标生命特征对应的模态分量。
在一些实施例中,上述信号处理模块302,还用于确定N个模态分量中各个模态分量在目标生命特征对应的频段上的信号能量;根据N个模态分量中各个模态分量在目标生命特征对应的频段上的信号能量的最大值,确定有效阈值参考量;根据N个模态分量中各个模态分量在目标生命特征对应的频段上的信号能量以及有效阈值参考量,从N个模态分量中选择出符合预设条件的M个模态分量,预设条件为:模态分量在目标生命特征对应的频段上的信号能量大于有效阈值参考量;以M个模态分量中各个模态分量在目标生命特征对应的频段上的信号能量的平均值作为目标生命特征对应的阈值。
在一些实施例中,上述生命特征检测模块303,具体用于根据目标人体的目标生命特征对应的K个模态分量,构建目标人体的目标生命特征信号;对目标人体的目标生命特征信号进行快速傅里叶变换,得到目标人体的目标生命特征的频谱;根据目标生命特征的频谱,确定目标生命特征相关的参数。
在一些实施例中,目标生命特征为心跳特征或者呼吸特征。
在一些实施例中,若目标生命特征为心跳特征,目标生命特征相关的参数包括心跳频率;或者,若目标生命特征为呼吸特征,目标生命特征相关的参数包括呼吸频率。
在一些实施例中,上述信号处理模块302,具体用于对回波信号依次进行脉冲压缩以及动目标显示处理,确定目标距离像;对目标距离像进行人体目标检测,确定各个目标人体的距离单元;根据各个目标人体的距离单元,从目标距离像中确定各个目标人体的距离单元数据;对各个目标人体的距离单元数据依次进行相位解缠和相位差分处理,得到各个目标人体对应的生命特征数据。
在采用硬件的形式实现上述集成的模块的功能的情况下,本发明实施例提供了上述实施例中所涉及的雷达设备的另一种可能的结构示意图。如图18所示,该雷达设备400包括处理器401,可选的,还包括与处理器401连接的存储器402和通信接口403。处理器401、存储器402和通信接口403通过总线404连接。
处理器401可以是中央处理器(central processing unit,CPU),通用处理器网络处理器(network processor,NP)、数字信号处理器(digital signal processing,DSP)、微处理器、微控制器、可编程逻辑器件(programmable logic device,PLD)或它们的任意组合。处理器401还可以是其它任意具有处理功能的装置,例如电路、器件或软件模块。处理器401也可以包括多个CPU,并且处理器401可以是一个单核(single-CPU)处理器,也可以是多核(multi-CPU)处理器。这里的处理器可以指一个或多个设备、电路或用于处理数据(例如计算机程序指令)的处理核。
存储器402可以是只读存储器(read-only memory,ROM)或可存储静态信息和指令的其他类型的静态存储设备、随机存取存储器(random access memory,RAM)或者可存储信息和指令的其他类型的动态存储设备,也可以是电可擦可编程只读存储器(electricallyerasable programmable read-only memory,EEPROM)、只读光盘(compact disc read-only memory,CD-ROM)或其他光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质,本申请实施例对此不作任何限制。存储器402可以是独立存在,也可以和处理器401集成在一起。其中,存储器402中可以包含计算机程序代码。处理器401用于执行存储器402中存储的计算机程序代码,从而实现本申请实施例提供的方法。
通信接口403可以用于与其他设备或通信网络通信(如以太网,无线接入网(radioaccess network,RAN),无线局域网(wireless local area networks,WLAN)等)。通信接口403可以是模块、电路、收发器或者任何能够实现通信的装置。
总线404可以是外设部件互连标准(peripheral component interconnect,PCI)总线或扩展工业标准结构(extended industry standard architecture,EISA)总线等。总线404可以分为地址总线、数据总线、控制总线等。为便于表示,图18中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
本申请实施例还提供一种计算可读存储介质,该计算机可读存储介质包括计算机执行指令,当计算机执行指令在计算机上运行时,使计算机执行上述实施例提供的任一项生命特征检测方法。
本发明实施例还提供一种计算机程序产品,该计算机程序产品包括计算机指令,该计算机指令在计算机上运行时,使得计算机执行后能够实现上述实施例提供的任一项生命特征检测方法。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件程序实现时,可以全部或部分地以计算机程序产品的形式来实现。该计算机程序产品包括一个或多个计算机执行指令。在计算机上加载和执行计算机执行指令时,全部或部分地产生按照本申请实施例的流程或功能。计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。计算机执行指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,计算机执行指令可以从一个网站站点、计算机、服务器或者数据中心通过有线(例如同轴电缆、光纤、数字用户线(digital subscriber line,DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可以用介质集成的服务器、数据中心等数据存储设备。可用介质可以是磁性介质(例如,软盘、硬盘、磁带),光介质(例如,DVD)、或者半导体介质(例如固态硬盘(solid state disk,SSD))等。
尽管在此结合各实施例对本申请进行了描述,然而,在实施所要求保护的本申请过程中,本领域技术人员通过查看附图、公开内容、以及所附权利要求书,可理解并实现公开实施例的其他变化。在权利要求中,“包括”(Comprising)一词不排除其他组成部分或步骤,“一”或“一个”不排除多个的情况。单个处理器或其他单元可以实现权利要求中列举的若干项功能。相互不同的从属权利要求中记载了某些措施,但这并不表示这些措施不能组合起来产生良好的效果。
尽管结合具体特征及其实施例对本申请进行了描述,显而易见的,在不脱离本申请的精神和范围的情况下,可对其进行各种修改和组合。相应地,本说明书和附图仅仅是所附权利要求所界定的本申请的示例性说明,且视为已覆盖本申请范围内的任意和所有修改、变化、组合或等同物。显然,本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样,倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内,则本申请也意图包含这些改动和变型在内。
以上,仅为本申请的具体实施方式,但本申请的保护范围并不局限于此,任何在本申请揭露的技术范围内的变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应该以权利要求的保护范围为准。
Claims (10)
1.一种生命特征检测方法,其特征在于,包括:
向至少一个目标人体所在的目标空间发射电磁波,并接收回波信号;
从所述回波信号中提取出各个目标人体对应的生命特征数据;
对于各个目标人体来说,对所述目标人体的生命特征数据进行变分模态分解,得到N个模态分量,N为大于1的整数;
从所述N个模态分量中,识别出所述目标人体的目标生命特征对应的K个模态分量,K为大于1小于或等于N的整数;
根据所述目标人体的目标生命特征对应的K个模态分量,确定所述目标人体的目标生命特征相关的参数。
2.根据权利要求1所述的方法,其特征在于,所述从所述N个模态分量中,识别出所述目标人体的目标生命特征对应的K个模态分量,包括:
对于N个模态分量中的每一个模态分量来说,计算所述模态分量在所述目标生命特征对应的频段上的信号能量以及所述模态分量的信号总能量;
若所述模态分量在所述目标生命特征对应的频段上的信号能量与所述模态分量的信号总能量大于所述目标生命特征对应的阈值,则确定所述模态分量为所述目标生命特征对应的模态分量。
3.根据权利要求2所述的方法,其特征在于,所述方法还包括:
确定所述N个模态分量中各个模态分量在所述目标生命特征对应的频段上的信号能量;
根据所述N个模态分量中各个模态分量在所述目标生命特征对应的频段上的信号能量的最大值,确定有效阈值参考量;
根据所述N个模态分量中各个模态分量在所述目标生命特征对应的频段上的信号能量以及所述有效阈值参考量,从所述N个模态分量中选择出符合预设条件的M个模态分量,所述预设条件为:所述模态分量在所述目标生命特征对应的频段上的信号能量大于所述有效阈值参考量;
以所述M个模态分量中各个模态分量在所述目标生命特征对应的频段上的信号能量的平均值作为所述目标生命特征对应的阈值。
4.根据权利要求1至3任一项所述的方法,其特征在于,所述根据所述目标人体的目标生命特征对应的K个模态分量,确定所述目标人体的目标生命特征相关的参数,包括:
根据所述目标人体的目标生命特征对应的K个模态分量,构建所述目标人体的目标生命特征信号;
对所述目标人体的目标生命特征信号进行快速傅里叶变换,得到所述目标人体的目标生命特征的频谱;
根据所述目标生命特征的频谱,确定所述目标生命特征相关的参数。
5.根据权利要求4所述的方法,其特征在于,所述目标生命特征为心跳特征或者呼吸特征。
6.根据权利要求5所述的方法,其特征在于,若所述目标生命特征为心跳特征,所述目标生命特征相关的参数包括心跳频率;或者,若所述目标生命特征为呼吸特征,所述目标生命特征相关的参数包括呼吸频率。
7.根据权利要求6所述的方法,其特征在于,所述从所述回波信号中提取出各个目标人体对应的生命特征数据,包括:
对所述回波信号依次进行脉冲压缩以及动目标显示处理,确定目标距离像;
对所述目标距离像进行人体目标检测,确定各个目标人体的距离单元;
根据所述各个目标人体的距离单元,从所述目标距离像中确定各个目标人体的距离单元数据;
对所述各个目标人体的距离单元数据依次进行相位解缠和相位差分处理,得到所述各个目标人体对应的生命特征数据。
8.一种雷达设备,其特征在于,包括:
雷达模块,用于向至少一个目标人体所在的目标空间发射电磁波,并接收回波信号;
信号处理模块,用于从所述回波信号中提取出各个目标人体对应的生命特征数据;对于各个目标人体来说,对所述目标人体的生命特征数据进行变分模态分解,得到N个模态分量,N为大于1的整数;从所述N个模态分量中,识别出所述目标人体的目标生命特征对应的K个模态分量,K为大于1小于或等于N的整数;
生命特征检测模块,用于根据所述目标人体的目标生命特征对应的K个模态分量,确定所述目标人体的目标生命特征相关的参数。
9.一种雷达设备,其特征在于,包括:
一个或多个处理器;
一个或多个存储器;
其中,所述一个或多个存储器用于存储计算机程序代码,所述计算机程序代码包括计算机指令,当所述一个或多个处理器执行所述计算机指令时,所述雷达设备执行权利要求1至7任一项所述的生命特征检测方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质包括计算机执行指令,当所述计算机执行指令在计算机上运行时,使得所述计算机执行如权利要求1至7任一项所述的生命特征检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111669366.4A CN114305354B (zh) | 2021-12-31 | 2021-12-31 | 一种生命特征检测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111669366.4A CN114305354B (zh) | 2021-12-31 | 2021-12-31 | 一种生命特征检测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114305354A true CN114305354A (zh) | 2022-04-12 |
CN114305354B CN114305354B (zh) | 2024-08-23 |
Family
ID=81020935
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111669366.4A Active CN114305354B (zh) | 2021-12-31 | 2021-12-31 | 一种生命特征检测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114305354B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115500829A (zh) * | 2022-11-24 | 2022-12-23 | 广东美赛尔细胞生物科技有限公司 | 一种应用于神经内科的抑郁症检测分析系统 |
Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100249611A1 (en) * | 2009-03-26 | 2010-09-30 | Edan Instruments. Inc. | Respiratory Signal Processing Method |
CN102018503A (zh) * | 2010-10-21 | 2011-04-20 | 中国科学院深圳先进技术研究院 | 生命探测雷达中的呼吸与心跳信号的提取方法及装置 |
US20140055269A1 (en) * | 2012-08-24 | 2014-02-27 | Eric Howie | Monitoring vital signs based on sensed changes to an electrical field |
CN105956388A (zh) * | 2016-04-27 | 2016-09-21 | 南京理工大学 | 基于vmd的人体生命体征信号分离方法 |
US20190166030A1 (en) * | 2012-12-05 | 2019-05-30 | Origin Wireless, Inc. | Method, apparatus, server and system for vital sign detection and monitoring |
CN110464320A (zh) * | 2019-08-22 | 2019-11-19 | 四川长虹电器股份有限公司 | 多目标人体心率和呼吸频率测量系统及方法 |
CN110507293A (zh) * | 2019-07-26 | 2019-11-29 | 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 |
CN110547802A (zh) * | 2019-09-11 | 2019-12-10 | 京东方科技集团股份有限公司 | 识别呼吸状态的方法、计算机装置和存储介质 |
CN111179454A (zh) * | 2019-12-10 | 2020-05-19 | 深圳技术大学 | 签到和生理参数检测系统及其控制方法 |
CN111317446A (zh) * | 2020-02-27 | 2020-06-23 | 中国人民解放军空军特色医学中心 | 基于人体肌肉表面电信号的睡眠结构自动分析方法 |
CN112963740A (zh) * | 2021-03-02 | 2021-06-15 | 中国南方电网有限责任公司超高压输电公司天生桥局 | 一种换流站消防管道泄漏监测定位方法 |
US20210183357A1 (en) * | 2013-12-02 | 2021-06-17 | Jonathan Stuart Abel | Method and system for implementing a modal processor |
CN113116320A (zh) * | 2021-04-23 | 2021-07-16 | 东南大学 | 一种基于vmd的fmcw雷达生命信号检测方法 |
CN113534141A (zh) * | 2021-07-01 | 2021-10-22 | 深圳晶华相控科技有限公司 | 基于相控阵雷达技术的远距生命体征探测方法及装置 |
CN113576461A (zh) * | 2021-06-18 | 2021-11-02 | 应急管理部上海消防研究所 | 一种生命探测雷达微弱人体特征辨识方法 |
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 |
-
2021
- 2021-12-31 CN CN202111669366.4A patent/CN114305354B/zh active Active
Patent Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100249611A1 (en) * | 2009-03-26 | 2010-09-30 | Edan Instruments. Inc. | Respiratory Signal Processing Method |
CN102018503A (zh) * | 2010-10-21 | 2011-04-20 | 中国科学院深圳先进技术研究院 | 生命探测雷达中的呼吸与心跳信号的提取方法及装置 |
US20140055269A1 (en) * | 2012-08-24 | 2014-02-27 | Eric Howie | Monitoring vital signs based on sensed changes to an electrical field |
US20190166030A1 (en) * | 2012-12-05 | 2019-05-30 | Origin Wireless, Inc. | Method, apparatus, server and system for vital sign detection and monitoring |
US20210183357A1 (en) * | 2013-12-02 | 2021-06-17 | Jonathan Stuart Abel | Method and system for implementing a modal processor |
CN105956388A (zh) * | 2016-04-27 | 2016-09-21 | 南京理工大学 | 基于vmd的人体生命体征信号分离方法 |
CN110507293A (zh) * | 2019-07-26 | 2019-11-29 | 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 |
CN110464320A (zh) * | 2019-08-22 | 2019-11-19 | 四川长虹电器股份有限公司 | 多目标人体心率和呼吸频率测量系统及方法 |
CN110547802A (zh) * | 2019-09-11 | 2019-12-10 | 京东方科技集团股份有限公司 | 识别呼吸状态的方法、计算机装置和存储介质 |
CN111179454A (zh) * | 2019-12-10 | 2020-05-19 | 深圳技术大学 | 签到和生理参数检测系统及其控制方法 |
CN111317446A (zh) * | 2020-02-27 | 2020-06-23 | 中国人民解放军空军特色医学中心 | 基于人体肌肉表面电信号的睡眠结构自动分析方法 |
CN112963740A (zh) * | 2021-03-02 | 2021-06-15 | 中国南方电网有限责任公司超高压输电公司天生桥局 | 一种换流站消防管道泄漏监测定位方法 |
CN113116320A (zh) * | 2021-04-23 | 2021-07-16 | 东南大学 | 一种基于vmd的fmcw雷达生命信号检测方法 |
CN113576461A (zh) * | 2021-06-18 | 2021-11-02 | 应急管理部上海消防研究所 | 一种生命探测雷达微弱人体特征辨识方法 |
CN113534141A (zh) * | 2021-07-01 | 2021-10-22 | 深圳晶华相控科技有限公司 | 基于相控阵雷达技术的远距生命体征探测方法及装置 |
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 (1)
Title |
---|
林慧琼: "基于冲激脉冲体制超宽带雷达的生命信号分析", 《中国优秀硕士学位论文全文数据库信息科技辑》, 15 March 2018 (2018-03-15) * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115500829A (zh) * | 2022-11-24 | 2022-12-23 | 广东美赛尔细胞生物科技有限公司 | 一种应用于神经内科的抑郁症检测分析系统 |
Also Published As
Publication number | Publication date |
---|---|
CN114305354B (zh) | 2024-08-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10317518B2 (en) | Phased array radar systems for small unmanned aerial vehicles | |
EP2697666B1 (en) | Method and system for target detection | |
US7679545B2 (en) | Suppressing motion interference in a radar detection system | |
JP5623339B2 (ja) | 干渉分類器、受信信号が雑音バーストを含むか又は正弦波信号を含む干渉を含むかを判断する方法、及び該方法のコンピュータープログラム製品 | |
KR101135982B1 (ko) | 주파수 변조 연속파 레이다에서 간섭 제거를 위한 시스템 간 동기화 방법 | |
CN113854990B (zh) | 一种心跳检测方法及装置 | |
EP2677342B1 (en) | Radar device and method of processing reflection signal | |
Kumawat et al. | Approaching/receding target detection using cw radar | |
US20180372861A1 (en) | Systems for determining target direction and methods therefor | |
CN113729674A (zh) | 一种呼吸检测方法及装置 | |
CN114305354B (zh) | 一种生命特征检测方法及装置 | |
Darlis et al. | Performance Analysis of 77 GHz mmWave Radar Based Object Behavior. | |
CN114966656A (zh) | 一种基于毫米波设备的定位方法及装置 | |
US20240118385A1 (en) | Data processing method and apparatus, and radar sensor | |
KR20200112153A (ko) | 무인기 탐지를 위한 다중모드 레이더 신호 처리 장치 및 그 방법 | |
CN106170714B (zh) | 在近场场域内的电磁搜索和识别 | |
CN114280568A (zh) | 墙体的轮廓识别方法及装置 | |
KR20140040422A (ko) | Data Matrix Bank Filter를 이용한 이동체용 레이더의 클러터 제거기 및 제거방법 | |
Caddemi et al. | A study on dynamic threshold for the crosstalk reduction in frequency-modulated radars | |
CN113866761A (zh) | 一种体动的检测方法及装置 | |
Abdul-Atty et al. | C-band FMCW radar design and implementation for breathing rate estimation | |
WO2015023802A1 (en) | Systems and methods for using time of flight measurements for imaging target objects | |
JP5930139B1 (ja) | パッシブレーダ装置 | |
CN114706065A (zh) | 距离测量方法及其装置、目标检测方法及其装置 | |
CN117597597A (zh) | 信号处理方法、装置及可读存储介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |