CN114305355A - 基于毫米波雷达的呼吸心跳检测方法、系统及装置 - Google Patents
基于毫米波雷达的呼吸心跳检测方法、系统及装置 Download PDFInfo
- Publication number
- CN114305355A CN114305355A CN202210010614.2A CN202210010614A CN114305355A CN 114305355 A CN114305355 A CN 114305355A CN 202210010614 A CN202210010614 A CN 202210010614A CN 114305355 A CN114305355 A CN 114305355A
- Authority
- CN
- China
- Prior art keywords
- signal
- heartbeat
- reconstructed
- phase information
- frequency
- 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
Images
Abstract
本发明提供了基于毫米波雷达的呼吸心跳检测方法、系统及装置,方法包括:接收雷达回波信号,基于雷达回波信号与发射信号的混合,获取物体距离及相位信息;对相位信息进行增强,获取增强相位信息;对增强相位信息进行小波包分解,基于分解后的低频分量重构呼吸信号,基于分解后的高频分量重构心跳信号;对重构呼吸信号、重构心跳信号进行生理速率重构;基于重构呼吸信号、重构心跳信号、传感矩阵构造损失函数,在损失函数中引入稀疏惩罚项及自适应因子,实现生理速率重构。本方案能有效消除环境中多径效应带来的影响,提高了信噪比,克服了不同强度运动带来的干扰,实现呼吸心跳的精准检测。
Description
技术领域
本发明涉及雷达信号处理及生理信号检测领域,尤其涉及一种基于毫米波雷达的呼吸心跳检测方法、系统及装置,以在人体随机运动的情况下实现非接触式呼吸和心跳检测。
背景技术
人体的呼吸和心跳可以反映人体生命体征信息及健康信息,一方面,呼吸和心跳可判断有无生命体存在,以及生命体的基本状态;另一方面,呼吸和心跳的异常往往伴随着医学上的突发紧急事件。因此对人体的心率、呼吸进行检测是非常有价值的。传统用于人体呼吸检测的方法主要有:压力传感器法、温度传感器法、电阻抗式呼吸测量法、呼吸感应体积描记法;用于心跳检测的方法主要有:心电图、心音、光电式脉搏波测量法。这些检测设备往往装置体积较大、成本较高,操作较为复杂,使用场合及使用群体受限。随着健康关注度的提高及科学技术的发展,大量便携式或可穿戴式的生命体征检测设备出现在人们的生活中,如智能手环、智能腰带,腕带式脉搏血氧仪、穿戴式心电釆集装置等。这些技术大多可以实现无创且安全的检测,但仍是基于接触式检测技术。接触式测量需要传感器和人体接触,可能会让用户感到不舒服,在一些特殊场合无法使用,其应用范围受限;接触式的传感器也对用户的心理造成干扰,影响生命体征检测的准确度;接触式测量中有的技术对传感器安放的位置有较高的要求,使得用户需要主动介入检测,其用户接受程度受到影响。
不同于接触式感知,非接触式感知,也被称为设备无关(Device-free)或者非入侵(No-invasive)的感知技术,是一种被动式的感知技术,该技术不需要用户携带或接触任何传感器设备就可以实现对生命体征的检测。非接触式生命体征检测主要有基于光学传感器的,例如摄像头、激光雷达等;基于声学传感器的,例如音箱,声纳等;基于射频传感器的,例如雷达,WiFi,RFID,4G/5G等。非接触式体征检测不仅为生理信号检测提供了非侵入的、便捷的、适用场合更广的检测技术,也为一些特殊场合的生理信号检测提供了可能。在传感器或电极不方便或不可能直接接触人体的场合,非接触式的体征信号检测有重要的应用价值,甚至不可替代。
目前对非接触式检测有特殊需求的场合包括:大面积烧伤创伤等危重病人、传染病人以及精神病人等的生命体特征信息监测;婴儿的生命体征信息监测;成人的睡眠障碍类疾病监测;需要长时间或长期生命体征信号监测的场合;地震塌方等灾难救援时的生命探测等等。另外,在尽可能减小对人们日常生活干扰的前提下,实现家庭环境下的心跳、呼吸监测可以帮助疾病早期检测,防病于未然。
在现有的非接触检测技术中,基于光线的传感器主要包括摄像头、激光雷达等,该方式可以捕获丰富的、精细的信息,但是容易受到光线条件的影响,在非视距(Non Line ofSight,NLOS)范围内无法工作,并且存在严重的隐私问题。基于声波的方式具有隐私保护的特点,然而感知距离有限并且容易被环境噪声淹没。相比于前两种方式,基于像雷达、WiFi、4G/5G、Lora等射频信号的技术具有覆盖室内房间级别的感知范围,并且便于保护隐私。作为一种长距离的、低功耗的无线射频感知技术,Lora已经被用于人员定位、呼吸检测及行走识别的应用。Lora技术通信距离较长,但其感知极限距离往往小于通信距离,这就造成以通信需求进行部署的Lora节点在作为感知设备时,其在空间的分布相对稀疏,将存在大量的感知盲区。RFID标签以其低廉的价格受到了研究人员的关注,并实现了无接触人体感知,包括人体定位追踪、手势识别、人体呼吸检测等,但是RFID阅读器的价格往往较高,并且商用RFID功率较低,通信距离往往局限在设备周围,在居家环境中普适性较差。
随着4G/5G技术的蓬勃发展,已有工作探索了利用该技术实现呼吸检测、人群密度估计、运动检测、手势识别等。但是4G/5G信号往往会受到环境中其他移动的物体或者人的影响,如何准确找到基站的位置并剔除掉其他环境干扰是该技术走向实际应用需要解决的问题。广泛存在于日常生活环境中的WiFi信号已经被获取并用来进行无接触人体感知,包括呼吸检测、睡眠分析、位置估计、跌倒检测人员统计及手势识别等。然而WiFi的感知能力容易被天线数量、带宽及波长所限制。
近年来,非接触式生理信号检测使用的雷达主要有三种类型:连续波(ContinuousWave,CW)多普勒雷达、超宽带雷达(Ultra-Wideband,UWB)和调频连续波雷达(FrequencyModulated Continuous Wave,FMCW)雷达。连续波多普勒雷达具有结构简单、功耗低的优点,但没有距离分辨率,因此其生理信号检测容易受环境中其他物体或人体反射信号的干扰。超宽带雷达具有穿透力强、距离分辨率高等优点,但信号被脉冲宽度和峰值信号强度控制。FMCW雷达不仅具有超宽带雷达的测距能力,而且还具有连续波雷达的灵敏度和鲁棒性。此外,FMCW雷达具有体积小、重量轻、功耗低等优点。因此FMCW雷达成为非接触式生理信号检测的首要选择。
目前存在的基于FMCW雷达的非接触式生理信号检测方法存在关键的问题:来自环境和人体随机运动的噪声干扰及算法方案还无法满足现有的实际使用需求。首先人体所在环境中的物体也会反射雷达信号并且被接收天线捕获,如何从多径反射的信号中提取呼吸和心跳是重要的;其次,目前存在的大多方法都有一个基本的前提即人体在检测期间保持静止,这明显是不现实的,一些简单的身体运动是需要被考虑的,例如对于办公室工作人员,驾驶员等。目前存在的一些技术尝试解决在人体运动的情况下检测人体呼吸和心跳,这些方法中的参数大都是固定的。由于人体的运动具有一定的随机性,固定的参数并不能保证算法在所有条件下都有效。
为了解决存在的这些问题,本发明设计一套基于毫米波雷达的呼吸心跳检测方法。通过目标识别技术可以识别静止物体及人体,消除环境中桌子,椅子,沙发等静止物体反射的影响。提出的具有自适应因子的生理速率重构算法可以在人体随机运动的情况下成功计算呼吸心跳速率。
发明内容
针对现有技术中的不足,本发明提出了一套基于毫米波雷达的呼吸心跳检测方法、系统及装置。通过目标识别技术可以识别静止物体及人体,消除环境中桌子,椅子,沙发等静止物体反射的影响,相应的具有自适应因子的生理速率重构算法可以在人体随机运动的情况下成功计算呼吸心跳速率。
具体而言,本发明提供了以下技术方案:
一方面,本发明提供了一种基于毫米波雷达的呼吸心跳检测方法,所述方法包括:
步骤1、毫米波雷达向目标对象发射信号,经反射接收回波信号,基于雷达回波信号与发射信号的混合,获取中频信号;滤除所述中频信号中的高频部分,并进行采样,基于距离及相位的方差确定对应人体反射信号的距离箱,以提取人体反射的相位信息;
步骤2、对所述相位信息进行增强,获取增强相位信息;
步骤3、对所述增强相位信息进行小波包分解,基于分解后的低频分量重构呼吸信号,基于分解后的高频分量重构心跳信号;
步骤4、对重构呼吸信号、重构心跳信号进行生理速率重构;所述生理速率重构中,基于所述重构呼吸信号、重构心跳信号、传感矩阵构造损失函数,在损失函数中引入稀疏惩罚项及自适应因子,通过对损失函数的不断优化,获得对应的稀疏频谱,克服随机运动引起的噪声,获得重构呼吸信号、重构心跳信号对应的生理速率频谱,实现生理速率重构。
优选的,所述步骤1中,所述对雷达中频信号第ithchirp信号进行mthADC采样为:
其中Tf和Ts分别表示快时间轴和慢时间轴,λ表示chirp信号的波长,q表示雷达和目标对象的距离,AR表示信号的振幅,B表示信号的带宽,Td表示信号的持续时间。
进一步优选的,提取物体距离及相位信息。。
优选的,所述步骤1中,所述物体距离信息为:
其中z(r,i)表示环境中物体的距离信息,r为距离箱的标签,m表示第m个采样点,m的范围为0≤m≤M-1。
进一步优选的,上述的距离信息,可以通过对采样后chirp信号进行FFT转换获得。
优选的,获得环境中物体对应的距离信息后,利用对应距离箱的相位信息的方差来分辨静止物体及人体。静止物体(墙壁、桌子、椅子等)没有明显的运动,其引起的相位变化比较小,不会导致相位方差;人体本身具有呼吸心跳等运动,其将会引起相位变化,具有一定的相位方差。基于距离及相位信息的方差找到对应人体反射信号的距离箱,并提取人体反射的相位信息,可以消除环境中的多径效应带来的干扰问题。
优选的,所述步骤2中,通过一阶差分进行相位信息的增强。
优选的,所述步骤4中,所述损失函数增加L1范数,其表示为:
其中,γ为正则化参数,ρ为遗忘因子,e(u)为稀疏谱重构的递归误差,n表示稀疏谱的阶数,x(n)表示稀疏谱。
优选的,所述步骤4中,通过自适应因子去除随机运动引起的噪声,所述自适应因子为:
其中,γ为正则化参数,σ为原始呼吸或心跳信号的标准差,δ为自适应因子的阈值。
优选的,所述步骤4中进一步包括:引入自适应因子后,稀疏频谱的迭代公式为:
x(n+1)=x(n)+μψ(n)Z sgn(e(n))-μγadasgn(x(n))
Z=diag{ρn-1,ρn-2,...,1}
其中,μ是步长,η是零吸引因子,sgn(·)是符号函数,ρ为遗忘因子,e(u)为稀疏谱重构的递归误差,n表示稀疏谱的阶数,x(n)表示稀疏谱,Ψk为传感矩阵的行向量,k为传感矩阵的行数。
优选的,所述步骤3中,所述小波包分解为6级小波包分解。
此外,本发明还提供了一种基于毫米波雷达的呼吸心跳检测系统,所述系统包括:
目标检测模块,用于提取目标对象反射的相位信号,毫米波雷达发射信号,经反射接收回波信号,基于雷达回波信号与发射信号的混合,获取中频信号;滤除所述中频信号中的高频部分,并进行采样,获取物体距离及相位信息。基于物体距离信息及相位变化的方差确定目标对象反射的相位信号,并将其发送数据增强模块;
数据增强模块,用于对所述相位信息进行增强,获取增强相位信息,并将之发送信号分解模块;
信号分解模块,用于对所述增强相位信息进行小波包分解,基于分解后的低频分量重构呼吸信号,基于分解后的高频分量重构心跳信号;
所述小波包分解可以基于精度等方面要求,进行例如6级等小波包分解;
生理速率重构模块,对重构呼吸信号、重构心跳信号进行生理速率重构;所述生理速率重构中,基于所述重构呼吸信号、重构心跳信号、传感矩阵构造损失函数,在损失函数中引入稀疏惩罚项及自适应因子,通过对损失函数的不断优化,获得对应的稀疏频谱,克服随机运动引起的噪声,获得重构呼吸信号、重构心跳信号对应的生理速率频谱,实现生理速率重构。
优选的,所述雷达中频信号第ithchirp信号进行mthADC采样为:
其中Tf和Ts分别表示快时间轴和慢时间轴,λ表示chirp信号的波长,q表示雷达和目标对象的距离。
优选的,所述物体距离信息为:
其中z(r,i)表示环境中物体的距离信息,r为距离箱的标签,m表示第m个采样点,m的范围为0≤m≤M-1。
优选的,所述生理速率重构模块中,通过自适应因子去除随机运动引起的噪声,所述自适应因子为:
其中,γ为正则化参数,σ为原始呼吸或心跳信号的标准差,δ为自适应因子的阈值。
优选的,生理速率重构模块中,引入自适应因子后形成稀疏频谱迭代,稀疏频谱的迭代公式为:
X(n+1)=X(n)+μψ(n)Z sgn(e(n))-μγadasgn(x(n))
Z=diag{ρn-1,ρn-2,...,1}
其中,μ是步长,η是零吸引因子,sgn(·)是符号函数,ρ为遗忘因子,e(u)为稀疏谱重构的递归误差,n表示稀疏谱的阶数,x(n)表示稀疏谱,Ψk为传感矩阵的行向量,k为传感矩阵的行数。
此外,本发明又提供了一种基于毫米波雷达的呼吸心跳检测装置,所述装置包括处理器、存储器、总线结构,所述处理器调用所述存储器中的指令,以执行如上所述的基于毫米波雷达的呼吸心跳检测方法。
与现有技术相比,本发明的技术方案考虑到人体所在的环境物体反射信号对于呼吸心跳检测的影响,通过目标检测技术找到人体反射的信号,消除环境中多径效应带来的影响,提高了信噪比。由于呼吸心跳信号比较微弱,其容易被人体随机运动的噪声所淹没,利用一阶差分的方法增强呼吸心跳信号的周期性,并利用小波包分解技术将呼吸心跳信号分离并去除其他频段噪声的影响。将呼吸心跳稀疏谱重构和自适应滤波器相结合,得到具有高分辨率的呼吸心跳频谱,并针对人体运动的随机性,引入自适应因子来克服不同强度运动带来的干扰,最终实现了在人体随机运动情况下基于毫米波雷达的呼吸心跳检测,有效弥补了现有技术中非接触随机检测的技术空白。
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作简单地介绍,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的前提下,还可以根据这些附图获得其它的附图。
图1为本发明实施例的系统架构示意图;
图2为本发明实施例的目标检测模块消除环境噪音干扰效果示意图;
图3为本发明实施例的信号分解及重构方法示意图;
图4为本发明实施例的稀疏谱重构与自适应滤波器结合方式示意图。
具体实施方式
下面结合附图和具体实施例,进一步阐明本发明。应当明确,所描述的实施例仅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作出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
本领域技术人员应当知晓,下述具体实施例或具体实施方式,是本发明为进一步解释具体的发明内容而列举的一系列优化的设置方式,而该些设置方式之间均是可以相互结合或者相互关联使用的,除非在本发明明确提出了其中某些或某一具体实施例或实施方式无法与其他的实施例或实施方式进行关联设置或共同使用。同时,下述的具体实施例或实施方式仅作为最优化的设置方式,而不作为限定本发明的保护范围的理解。
在本发明的描述中,需要说明的是,术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。此外,术语“第一”、“第二”、“第三”仅用于描述目的,而不能理解为指示或暗示相对重要性。
实施例1
在一个具体的实施例中,本发明的检测系统,核心包括四个模块:目标检测模块、数据增强模块、信号分解模块及生理速率重构模块,如图1所示。在目标检测模块,通过对FMCW雷达chirp信号进行距离傅里叶变换获取对应环境中物体的距离信息,沿着具有反射物体的距离箱提取相位信息并计算相位信息的方差确定人体生理信号反射的位置。通过目标检测模块可以消除环境中多径效应带来的干扰,提高信噪比。在数据增强模块,对提取的相位信号进行一阶差分增强呼吸和心跳信号的周期性,降低环境及人体噪声带来的影响。在信号分解模块,根据呼吸和心跳所在频率范围的不同,利用小波包分解技术将其分离,去除其他频段噪声的影响。在生理速率重构模块,利用稀疏谱重构获取呼吸及心跳频率。将生理信号的稀疏谱重构映射到自适应滤波器并提出具有自适应因子的求解方法,在人体具有随机运动的情况下重构人体生理信号。
1.目标检测模块
FMCW雷达发射天线连续发送chirp信号,其中chirp信号我们采用如下表示方式:
其中AT表示信号的振幅,fmin表示信号开始频率,B表示信号的带宽,Td表示信号的持续时间,表示来自雷达发射机的相位噪声,j表示虚数单位。当发射信号遇到人体时会发生反射并且被接收天线捕获,在本实施例中,反射信号我们采用如下表示方式:
噪声项可以被忽略,也可以被忽略因为其比较小,AR表示接收信号的振幅。采用低通滤波器去除中频信号中的高频部分。对于每一个chirp信号,中频信号通过ADC进行采样,每个chirp得到M个采样点,为快时间轴采样。不同chirp信号对应的时间称为慢时间轴采样。对于ithchirp信号进行mthADC采样为:
其中Tf和Ts分别表示快时间轴和慢时间轴,λ表示chirp信号的波长,q表示雷达和目标对象的距离,j表示虚数单位。Chirp信号的频率和距离相关,为了得到环境中物体的距离信息,我们对ithchirp信号进行FFT,获得物体距离信息为:
其中z(r,i)表示环境中物体的距离信息,r为距离箱的标签,m表示第m个采样点,m的范围为0≤m≤M。根据公式(4),相位信息可以被提取,其表示为
在本实施例中可见,沿着慢时间轴的运动会引起比较大的相位变化。获得环境中物体对应的距离信息后,本发明利用对应距离箱的相位信息的方差来分辨静止物体及人体。静止物体(墙壁、桌子、椅子等)没有明显的运动,其引起的相位变化比较小,不会导致相位方差;人体本身具有呼吸心跳等运动,其将会引起相位变化,具有一定的相位方差。通过目标检测模块可以消除环境中多径效应带来的干扰,提高信噪比,如图2所示。
2.数据增强模块
根据公式(6),获取的相位信息包含人体生理信号、环境噪声及人体随机运动带来的干扰等。为了增强呼吸心跳信号的周期性,我们利用一阶差分的方法对相位信号进行处理,可以有效提升相位信号中呼吸及心跳信号的强度,对于接下来的分析处理具有非常大的帮助。
3.信号分解模块
根据生理学的知识,呼吸运动引起的胸部位移为1-12mm,呼吸频率为0.1-0.5Hz;心跳引起的胸部位移为0.2-0.5mm,心跳频率为0.8-2.0Hz。本实施例中,通过分析呼吸和心跳信号的特点,采用小波包分解对一阶差分增强后的相位信号进行分解。在一个优选的实施方式中,本发明对增强后的相位信号进行6级小波包分解,在第6层,可以得到包含64个节点的小波系数,这些节点间的频率差为0.15625Hz。分解后的信号中,我们基于低频分量重构呼吸信号,例如采用第1至第3个节点的低频分量用于重构呼吸信号,再利用高频分量进行心跳信号的重构,例如使用第6至第12个节点的高频分量用于重构心跳信号,如图3所示。小波包分析在多分辨率分析基础上进行了改进,能对信号进行更加精细的分析,它将频带进行多层次划分,对每个分解后的频带均进行再次的将半划分,并根据被分析信号的特征选择相应频带,使之与信号频谱相匹配,从而得到了比二进离散小波变换更精细的信号分解。小波包分解第一次分解后得到了两个部分(高频部分和低频部分),再次分解时不单单只对低频部分进行分解,而是对低频和高频两个部分同时进行将半分解。
4.生理速率重构模块
分解后得到的呼吸及心跳信号,由于其本身比较微弱且容易被噪声淹没的特点,普通的频谱分析方法导致可能会将其他的峰作为呼吸或者心跳信号对应的峰,造成检测精度较低。本发明采用稀疏谱重构的方式进行生理速率重构,并且将稀疏谱重构和自适应滤波器相结合,提出具有自适应因子的零吸引符号指数遗忘最小均方的算法。稀疏谱重构通过发展生理信号的稀疏性获得对应的高分辨率频谱,其一般表达式为
y=ψX+v
(7)
其中y表示原始的呼吸或者心跳信号,x是呼吸或者心跳的稀疏频谱,v表示为来自环境和人体的随机噪声,Ψ是已知的传感矩阵。已知原始生理信号及传感矩阵,求解欠定方程(7)得到具有稀疏性的生理信号频谱。传感矩阵Ψ被定义为,
其中,k和l分别为矩阵Ψ的行数和列数,在低信噪比条件下重构呼吸及心跳信号速率是比较困难的,自适应滤波器具有简单的结构并且在对抗噪声上具有良好的表现。因此,本方案利用将稀疏谱重构和自适应滤波器相结合,如图4所示。已知的呼吸或心跳信号对应自适应滤波器的期望值,传感矩阵对应自适应滤波器的输入,要求解的生理信号的稀疏谱对应自适应滤波器的系数。在一个优选的实施方式中,基于自适应滤波器的递归误差,获取映射到自适应滤波的稀疏谱重构的递归误差:
e(u)=y(u)-ψ(u)x(n) (9)
递归最小二乘定义为连续递归误差的权重之和:
其中ρ为遗忘因子,n表示稀疏谱的阶数,u表示递归误差的数量。常规的递归最小二乘方法不能产生稀疏解,因此本方案在原来的损失函数的基础上加入L1范数,||x(n)||1表示的是L1范数,实现稀疏惩罚。完整的损失函数可表示为,
其中γ为正则化参数,用来平衡梯度矫正和稀疏约束之间的比例。然而稀疏惩罚被固定的权重所限制,并不是总能获取高精度的呼吸及心跳频率。随机运动引起的噪声相对于呼吸心跳比较大并且具有一定随机性,稀疏惩罚固定的权重很难在随机运动的条件下提取呼吸及心跳速率。本发明引入自适应因子更好地调整对应不同运动。自适应因子被定义为,
其中γ为初始地正则化参数,也就是稀疏惩罚因子,σ为原始呼吸心跳信号的标准差,δ为自适应因子的阈值,防止自适应因子突变。引入自适应因子后,公式(11)可以写成
根据梯度下降可以得到稀疏频谱的迭代公式,
x(n+1)=x(n)+μψ(n)Z sgn(e(u))-μγadasgn(x(n)) (14)
Z=diag{ρn-1,ρn-2,...,1} (15)
其中μ是步长,决定了收敛速度。η是零吸引因子。sgn(·)是一个符号函数,其被定义为
通过不断地对损失函数进行优化,获得高分辨率的生理信号频谱。
实施例2
在另一个优选的实施例中,本发明的技术方案还可以通过方法步骤的方式来执行实现,该方法的实现,可以基于特定的硬件系统环境作为支撑,例如是拥有处理器、存储装置、I/O设备及支持一定基础运算算法的软件等来协同实现。
本发明提供的基于毫米波雷达的呼吸心跳检测方法包括:
步骤1、毫米波雷达发射信号,经反射接收回波信号,基于雷达回波信号与发射信号的混合,获取中频信号;滤除所述中频信号中的高频部分,并进行采样,获取相位信息及物体距离信息,基于物体距离及相位方差确定人体反射信号所在的距离箱,并提取人体反射的相位信息,从而作为后续人体相应信号增强及判断处理的基础;
步骤2、对所述相位信息进行增强,获取增强相位信息;
步骤3、对所述增强相位信息进行小波包分解,基于分解后的低频分量重构呼吸信号,基于分解后的高频分量重构心跳信号;
步骤4、对重构呼吸信号、重构心跳信号进行生理速率重构;所述生理速率重构中,基于所述重构呼吸信号、重构心跳信号、传感矩阵构造损失函数,在损失函数中引入稀疏惩罚项及自适应因子,通过对损失函数的不断优化,获得对应的稀疏频谱,克服随机运动引起的噪声,获得重构呼吸信号、重构心跳信号对应的生理速率频谱,实现生理速率重构。
所述步骤1中,所述对雷达中频信号第ithchirp信号进行mthADC采样为:
其中Tf和Ts分别表示快时间轴和慢时间轴,λ表示chirp信号的波长,q表示雷达和目标对象的距离。进一步优选的,获取相位及距离信息。
所述物体距离信息为:
其中z(r,i)表示环境中物体的距离信息,r为距离箱的标签,m表示第m个采样点,m的范围为0≤m≤M-1。
进一步优选的,上述的距离信息,可以通过对采样后chirp信号进行FFT转换获得。
获得环境中物体对应的距离信息后,利用对应距离箱的相位信息的方差来分辨静止物体及人体。静止物体(墙壁、桌子、椅子等)没有明显的运动,其引起的相位变化比较小,不会导致相位方差;人体本身具有呼吸心跳等运动,其将会引起相位变化,具有一定的相位方差。确定人体反射信号所在的距离箱并提取相位信号可以消除环境中的多径效应带来的干扰问题。
在一个具体的实施方式中,所述步骤2中,获取的相位信息包含人体生理信号、环境噪声及人体随机运动带来的干扰等。为了增强呼吸心跳信号的周期性,我们利用一阶差分的方法对相位信号进行处理,可以有效提升相位信号中呼吸及心跳信号的强度,对于接下来的分析处理具有非常大的帮助。
优选的,所述步骤4中,所述损失函数增加L1范数,其表示为:
其中,γ为正则化参数,ρ为遗忘因子,e(u)为稀疏谱重构的递归误差,n表示稀疏谱的阶数,x(n)表示稀疏谱。
优选的,所述步骤4中,通过自适应因子去除随机运动引起的噪声,所述自适应因子为:
其中,γ为正则化参数,σ为原始呼吸或心跳信号的标准差,δ为自适应因子的阈值。优选的,所述步骤4中进一步包括:引入自适应因子后,稀疏频谱的迭代公式为:
x(n+1)=x(n)+μψ(n)Z sgn(e(n))-μγadasgn(x(n))
Z=diag{ρn-1,ρn-2,...,1}
其中,μ是步长,η是零吸引因子,sgn(·)是符号函数,ρ为遗忘因子,e(u)为稀疏谱重构的递归误差,n表示稀疏谱的阶数,x(n)表示稀疏谱,Ψk为传感矩阵的行,k为传感矩阵的行数。
在一个具体的实施方式中,根据生理学的知识,呼吸运动引起的胸部位移为1-12mm,呼吸频率为0.1-0.5Hz;心跳引起的胸部位移为0.2-0.5mm,心跳频率为0.8-2.0Hz。通过分析呼吸和心跳信号的特点,在步骤3中,利用小波包分解对差分后的相位信号进行分解。对相位信号进行6级小波包分解,在第6层,可以得到包含64个节点的小波系数,这些节点间的频率差为0.15625Hz。第1至第3个节点的低频分量用于重构呼吸信号,第6至第12个节点的高频分量用于重构心跳信号。
实施例3
可以通过一装置的方式来实现,该基于毫米波雷达的呼吸心跳检测装置可以包括处理器、存储器、总线结构,所述处理器调用所述存储器中的指令,以执行。
在另外一个实施例中,本发明的技术方案,还可以通过装置的方式来实现,该装置可以执行如实施例2所述的基于毫米波雷达的呼吸心跳检测方法,或者搭载如实施例1所述的基于毫米波雷达的呼吸心跳检测系统。因此,可以由相应模块执行上述各个实施方式的每个步骤或几个步骤,并且该装置可以包括这些模块中的一个或多个模块。模块可以是专门被配置为执行相应步骤的一个或多个硬件模块、或者由被配置为执行相应步骤的处理器来实现、或者存储在计算机可读介质内用于由处理器来实现、或者通过某种组合来实现。
该装置可以利用总线架构来实现。总线架构可以包括任何数量的互连总线和桥接器,这取决于硬件的特定应用和总体设计约束。总线将包括一个或多个处理器、存储器和/或硬件模块的各种电路连接到一起。总线还可以将诸如外围设备、电压调节器、功率管理电路、外部天线等的各种其它电路连接。
总线可以是工业标准体系结构(ISA,Industry Standard Architecture)总线、外部设备互连(PCI,Peripheral Component)总线或扩展工业标准体系结构(EISA,ExtendedIndustry Standard Component)总线等。总线可以分为地址总线、数据总线、控制总线等。为便于表示,该图中仅用一条连接线表示,但并不表示仅有一根总线或一种类型的总线。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)或随机存储记忆体(Random AccessMemory,RAM)等。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种基于毫米波雷达的呼吸心跳检测方法,其特征在于,所述方法包括:
步骤1、毫米波雷达向目标对象发射信号,经反射接收回波信号,基于雷达回波信号与发射信号的混合,获取中频信号;滤除所述中频信号中的高频部分,并进行采样,基于距离及相位的方差确定对应人体反射信号的距离箱,以提取人体反射的相位信息;
步骤2、对所述相位信息进行增强,获取增强相位信息;
步骤3、对所述增强相位信息进行小波包分解,基于分解后的低频分量重构呼吸信号,基于分解后的高频分量重构心跳信号;
步骤4、对重构呼吸信号、重构心跳信号进行生理速率重构;所述生理速率重构中,基于所述重构呼吸信号、重构心跳信号、传感矩阵构造损失函数,在损失函数中引入稀疏惩罚项及自适应因子,通过对损失函数不断优化,获取对应的稀疏频谱,克服随机运动引起的噪声,获得重构呼吸信号、重构心跳信号对应的生理速率频谱,实现生理速率重构。
4.根据权利要求1所述的方法,其特征在于,所述步骤2中,通过一阶差分进行相位信息的增强。
7.根据权利要求6所述的方法,其特征在于,所述步骤4中进一步包括:引入自适应因子后,稀疏频谱的迭代公式为:
x(n+1)=x(n)+μψ(n)Zsgn(e(n))-μγada sgn(x(n))
Z=diag{ρn-1,ρn-2,...,1}
其中,μ是步长,η是零吸引因子,sgn(·)是符号函数,ρ为遗忘因子,e(u)为稀疏谱重构的递归误差,n表示稀疏谱的阶数,x(n)表示稀疏谱,Ψk为传感矩阵的行向量,k为传感矩阵的行数。
8.根据权利要求1所述的方法,其特征在于,所述步骤3中,所述小波包分解为6级小波包分解。
9.一种基于毫米波雷达的呼吸心跳检测系统,其特征在于,所述系统包括:
目标检测模块,用于提取目标对象反射的相位信号,毫米波雷达向目标对象发射信号,经反射后接收回波信号,基于雷达回波信号与发射信号的混合,获取中频信号;滤除所述中频信号中的高频部分,并进行采样,获取物体距离及相位信息,基于距离及相位的方差提取目标对象反射的相位信号并将其发送数据增强模块;
数据增强模块,用于对所述相位信息进行增强,获取增强相位信息,并将之发送信号分解模块;
信号分解模块,用于对所述增强相位信息进行小波包分解,基于分解后的低频分量重构呼吸信号,基于分解后的高频分量重构心跳信号;
生理速率重构模块,对重构呼吸信号、重构心跳信号进行生理速率重构;所述生理速率重构中,基于所述重构呼吸信号、重构心跳信号、传感矩阵构造损失函数,在损失函数中引入稀疏惩罚项及自适应因子,通过对损失函数的不断优化,获得对应的稀疏频谱,克服随机运动引起的噪声,获得重构呼吸信号、重构心跳信号对应的生理速率频谱,实现生理速率重构。
10.一种基于毫米波雷达的呼吸心跳检测装置,其特征在于,所述装置包括处理器、存储器、总线结构,所述处理器调用所述存储器中的指令,以执行权利要求1-8任一所述的基于毫米波雷达的呼吸心跳检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210010614.2A CN114305355B (zh) | 2022-01-05 | 2022-01-05 | 基于毫米波雷达的呼吸心跳检测方法、系统及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210010614.2A CN114305355B (zh) | 2022-01-05 | 2022-01-05 | 基于毫米波雷达的呼吸心跳检测方法、系统及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114305355A true CN114305355A (zh) | 2022-04-12 |
CN114305355B CN114305355B (zh) | 2023-08-22 |
Family
ID=81025294
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210010614.2A Active CN114305355B (zh) | 2022-01-05 | 2022-01-05 | 基于毫米波雷达的呼吸心跳检测方法、系统及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114305355B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114983373A (zh) * | 2022-06-02 | 2022-09-02 | 谢俊 | 一种检测人体心率的方法 |
CN115251866A (zh) * | 2022-09-01 | 2022-11-01 | 亿慧云智能科技(深圳)股份有限公司 | 一种采用毫米波雷达的连续血压检测方法、检测系统及可穿戴装置 |
Citations (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100198603A1 (en) * | 2009-01-30 | 2010-08-05 | QNX SOFTWARE SYSTEMS(WAVEMAKERS), Inc. | Sub-band processing complexity reduction |
CN102221696A (zh) * | 2010-04-14 | 2011-10-19 | 中国科学院电子学研究所 | 稀疏微波成像方法 |
CN105105737A (zh) * | 2015-08-03 | 2015-12-02 | 南京盟联信息科技有限公司 | 基于光电容积描记和谱分析的运动状态心率监测方法 |
CN105281779A (zh) * | 2015-11-04 | 2016-01-27 | 哈尔滨工业大学 | 多观测值向量稀疏度自适应压缩采样匹配追踪方法 |
CN105943012A (zh) * | 2016-04-30 | 2016-09-21 | 浙江师范大学 | 一种去除光电容积脉搏波信号中运动噪声的心率测量方法 |
CN106137167A (zh) * | 2016-07-21 | 2016-11-23 | 浙江师范大学 | 一种基于光电容积脉搏波信号的运动噪声检测方法 |
US20190156852A1 (en) * | 2016-06-08 | 2019-05-23 | Dolby Laboratories Licensing Corporation | Echo estimation and management with adaptation of sparse prediction filter set |
CN110011742A (zh) * | 2019-04-16 | 2019-07-12 | 西安交通大学 | 基于最大互相关熵准则鲁棒稀疏的宽带频谱感知算法 |
CN110353649A (zh) * | 2019-07-03 | 2019-10-22 | 北京科技大学 | 一种心率检测方法 |
CN110673119A (zh) * | 2019-10-30 | 2020-01-10 | 海鹰企业集团有限责任公司 | 基于压缩感知的非正则化方位估计方法及系统 |
US20200121214A1 (en) * | 2018-10-18 | 2020-04-23 | Deep Science, Llc | Systems and methods for detecting physiological information using multi-modal sensors |
US20200121215A1 (en) * | 2018-10-18 | 2020-04-23 | Deep Science, Llc | Systems and methods for micro impulse radar detection of physiological information |
CN111856452A (zh) * | 2020-05-21 | 2020-10-30 | 重庆邮电大学 | 基于omp的静态人体心跳和呼吸信号分离重构方法 |
CN112074226A (zh) * | 2018-05-16 | 2020-12-11 | 三菱电机株式会社 | 用于生命体征的远程测量的系统和方法 |
CN112545455A (zh) * | 2020-11-18 | 2021-03-26 | 北京邮电大学 | 多通道一体化非接触式生命体征监测系统 |
CN113116342A (zh) * | 2021-04-26 | 2021-07-16 | 上海交通大学 | 一种基于毫米波雷达的生命信号监测方法 |
WO2021184620A1 (zh) * | 2020-03-19 | 2021-09-23 | 南京昊眼晶睛智能科技有限公司 | 一种基于摄像头的非接触式心率、体温测量方法 |
US20210307621A1 (en) * | 2017-05-29 | 2021-10-07 | Saltor Pty Ltd | Method And System For Abnormality Detection |
-
2022
- 2022-01-05 CN CN202210010614.2A patent/CN114305355B/zh active Active
Patent Citations (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100198603A1 (en) * | 2009-01-30 | 2010-08-05 | QNX SOFTWARE SYSTEMS(WAVEMAKERS), Inc. | Sub-band processing complexity reduction |
CN102221696A (zh) * | 2010-04-14 | 2011-10-19 | 中国科学院电子学研究所 | 稀疏微波成像方法 |
CN105105737A (zh) * | 2015-08-03 | 2015-12-02 | 南京盟联信息科技有限公司 | 基于光电容积描记和谱分析的运动状态心率监测方法 |
CN105281779A (zh) * | 2015-11-04 | 2016-01-27 | 哈尔滨工业大学 | 多观测值向量稀疏度自适应压缩采样匹配追踪方法 |
CN105943012A (zh) * | 2016-04-30 | 2016-09-21 | 浙江师范大学 | 一种去除光电容积脉搏波信号中运动噪声的心率测量方法 |
US20190156852A1 (en) * | 2016-06-08 | 2019-05-23 | Dolby Laboratories Licensing Corporation | Echo estimation and management with adaptation of sparse prediction filter set |
CN106137167A (zh) * | 2016-07-21 | 2016-11-23 | 浙江师范大学 | 一种基于光电容积脉搏波信号的运动噪声检测方法 |
US20210307621A1 (en) * | 2017-05-29 | 2021-10-07 | Saltor Pty Ltd | Method And System For Abnormality Detection |
CN112074226A (zh) * | 2018-05-16 | 2020-12-11 | 三菱电机株式会社 | 用于生命体征的远程测量的系统和方法 |
US20200121214A1 (en) * | 2018-10-18 | 2020-04-23 | Deep Science, Llc | Systems and methods for detecting physiological information using multi-modal sensors |
US20200121215A1 (en) * | 2018-10-18 | 2020-04-23 | Deep Science, Llc | Systems and methods for micro impulse radar detection of physiological information |
CN110011742A (zh) * | 2019-04-16 | 2019-07-12 | 西安交通大学 | 基于最大互相关熵准则鲁棒稀疏的宽带频谱感知算法 |
CN110353649A (zh) * | 2019-07-03 | 2019-10-22 | 北京科技大学 | 一种心率检测方法 |
CN110673119A (zh) * | 2019-10-30 | 2020-01-10 | 海鹰企业集团有限责任公司 | 基于压缩感知的非正则化方位估计方法及系统 |
WO2021184620A1 (zh) * | 2020-03-19 | 2021-09-23 | 南京昊眼晶睛智能科技有限公司 | 一种基于摄像头的非接触式心率、体温测量方法 |
CN111856452A (zh) * | 2020-05-21 | 2020-10-30 | 重庆邮电大学 | 基于omp的静态人体心跳和呼吸信号分离重构方法 |
CN112545455A (zh) * | 2020-11-18 | 2021-03-26 | 北京邮电大学 | 多通道一体化非接触式生命体征监测系统 |
CN113116342A (zh) * | 2021-04-26 | 2021-07-16 | 上海交通大学 | 一种基于毫米波雷达的生命信号监测方法 |
Non-Patent Citations (3)
Title |
---|
付光明;穆平安;蒋睿杰;: "基于级联型LMS自适应滤波PPG信号心率估算", 电子测量技术, no. 22 * |
晏国杰;林云: "抗冲激干扰的稀疏惩罚约束遗漏最小均方算法", 电讯技术, vol. 56, no. 010 * |
杨秀芳;张伟;王若嘉;杨宇祥;杨大伟: "基于小波变换的雷达生命信号提取方法", 光子学报, vol. 42, no. 11 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114983373A (zh) * | 2022-06-02 | 2022-09-02 | 谢俊 | 一种检测人体心率的方法 |
CN115251866A (zh) * | 2022-09-01 | 2022-11-01 | 亿慧云智能科技(深圳)股份有限公司 | 一种采用毫米波雷达的连续血压检测方法、检测系统及可穿戴装置 |
Also Published As
Publication number | Publication date |
---|---|
CN114305355B (zh) | 2023-08-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114305355B (zh) | 基于毫米波雷达的呼吸心跳检测方法、系统及装置 | |
WO2021218753A1 (zh) | 一种手势识别方法以及相关装置 | |
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 | |
CN111142102B (zh) | 一种呼吸数据计算方法以及相关设备 | |
CN111568437B (zh) | 一种非接触式离床实时监测方法 | |
Uysal et al. | RF-based noncontact respiratory rate monitoring with parametric spectral estimation | |
Zhai et al. | A contactless on-bed radar system for human respiration monitoring | |
CN114924225A (zh) | 一种高精度室内定位方法、装置、设备及介质 | |
Liu et al. | mmRH: Noncontact vital sign detection with an FMCW mm-wave radar | |
CN116602640A (zh) | 基于自适应滤除杂波的毫米波雷达心率检测方法 | |
Wang et al. | HeRe: Heartbeat signal reconstruction for low-power millimeter-wave radar based on deep learning | |
Zhang et al. | An overview of algorithms for contactless cardiac feature extraction from radar signals: Advances and challenges | |
Adhikari et al. | Argosleep: Monitoring sleep posture from commodity millimeter-wave devices | |
CN112450900A (zh) | 一种基于智能音箱的非接触式心跳检测方法 | |
CN117055004A (zh) | 一种基于毫米波雷达稀疏点云的三维人体骨架估计方法 | |
CN116942142A (zh) | 一种基于毫米波雷达的人员智能化监测方法及相关设备 | |
CN114983359A (zh) | 一种基于ir-uwb雷达的生命体征检测方法 | |
Baird | Human activity and posture classification using single non-contact radar sensor | |
CN114680840A (zh) | 一种基于不同时长的非接触式的生命体征监测方法 | |
Liu et al. | PosMonitor: Fine-Grained Sleep Posture Recognition With mmWave Radar | |
Qiao et al. | Spectral Unmixing Successive Variational Mode Decomposition for Robust Vital Signs Detection Using UWB Radar | |
CN116033868A (zh) | 非接触式呼吸健康监测设备 | |
Chen et al. | Radar-based human motion recognition by using vital signs with ECA-CNN | |
CN215820931U (zh) | 一种基于毫米波雷达的生命体征检测与身份识别系统 | |
Wu et al. | A Novel Heart Rate Detection Algorithm with Small Observing Window using millimeter-wave Radar |
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 |