CN114742117B - 复杂室内场景下毫米波雷达的人体生命体征检测方法 - Google Patents

复杂室内场景下毫米波雷达的人体生命体征检测方法 Download PDF

Info

Publication number
CN114742117B
CN114742117B CN202210661805.5A CN202210661805A CN114742117B CN 114742117 B CN114742117 B CN 114742117B CN 202210661805 A CN202210661805 A CN 202210661805A CN 114742117 B CN114742117 B CN 114742117B
Authority
CN
China
Prior art keywords
point
heartbeat
target
value
respiration
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
CN202210661805.5A
Other languages
English (en)
Other versions
CN114742117A (zh
Inventor
张习之
刘军辉
刘百超
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.)
Changsha Microbrain Intelligent Technology Co ltd
Original Assignee
Changsha Microbrain Intelligent Technology Co ltd
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 Changsha Microbrain Intelligent Technology Co ltd filed Critical Changsha Microbrain Intelligent Technology Co ltd
Priority to CN202210661805.5A priority Critical patent/CN114742117B/zh
Publication of CN114742117A publication Critical patent/CN114742117A/zh
Application granted granted Critical
Publication of CN114742117B publication Critical patent/CN114742117B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
    • A61B5/0205—Simultaneously evaluating both cardiovascular conditions and different types of body conditions, e.g. heart and respiratory condition
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/05—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves 
    • A61B5/0507—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves  using microwaves or terahertz waves
    • 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
    • A61B5/7235—Details of waveform analysis
    • A61B5/725—Details of waveform analysis using specific filters therefor, e.g. Kalman or adaptive filters
    • 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
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
    • 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
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
    • A61B5/024—Detecting, measuring or recording pulse rate or heart rate
    • 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
    • A61B5/0816—Measuring devices for examining respiratory frequency
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction
    • 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
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Physiology (AREA)
  • Animal Behavior & Ethology (AREA)
  • Surgery (AREA)
  • General Health & Medical Sciences (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Medical Informatics (AREA)
  • Biomedical Technology (AREA)
  • Signal Processing (AREA)
  • Public Health (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Veterinary Medicine (AREA)
  • Biophysics (AREA)
  • Pathology (AREA)
  • Theoretical Computer Science (AREA)
  • Psychiatry (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • Cardiology (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Fuzzy Systems (AREA)
  • Mathematical Physics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Pulmonology (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本发明属于雷达技术领域，公开了复杂室内场景下毫米波雷达的人体生命体征检测方法，包括：根据样本数据对分类器进行训练；对毫米波雷达回波信号进行ADC数据采集，得到采样数据后进行FFT处理、静态杂波滤除以及CFAR与DOA估计，得到点云数据；对点云数据进行多普勒变换与特征提取，滤除运动幅度大的动点；对点云连续N帧的信号提取相位信息，估测呼吸与心跳频率；对连续N帧的点云信号进行特征提取；将提取后的特征输入至分类器中进行预测；输出场景内检测的人体目标呼吸心跳数据。本发明对杂波以及散射干扰的分类，并输出人体目标的生命体征检测结果；可排除场景内运动幅度大以及静态干扰项，保证检测稳定。

Description

复杂室内场景下毫米波雷达的人体生命体征检测方法
技术领域
本发明属于雷达技术领域，尤其涉及复杂室内场景下毫米波雷达的人体生命体征检测方法。
背景技术
随着社会与科技的发展，对人体生命活动的监测需求也不断扩大。生命体征参数是监测人体生命活动是否正常的主要依据，呼吸和心跳是最直接反应生命体征的参数。检测人体的呼吸以及心跳，常用的检测技术有接触式和非接触式两种。传统的接触式生命体征探测仪使用场景有限，操作复杂，且舒适度差。基于多普勒效应的雷达探测仪尺寸庞大，发射功率高，辐射较强，无法适用于室内场景。毫米波雷达具有环境适应性好、抗干扰能力强、测量精度高，可全天时全天候监控，在一定程度上具有隐私保护等优点，使其具有了较多应用场景。然而，由于呼吸心跳为微动特征，在室内这一复杂场景下，容易被其他目标所干扰，难以分离出合适的信号与特征，检测效果较差。
发明内容
有鉴于此，本发明提出一种复杂场景下毫米波雷达生命体征检测方法。雷达对接收到的回波信号进行距离FFT处理，并进行静态杂波滤除与CFAR，以筛出运动和微动点。对动点进行多普勒FFT变换，滤除运动幅度较大的动点。对剩余微动点构建相位差值序列，并进行分解获得其生命体征相关参数。将生命体征相关参数输入至KNN分类器，在分类器中，根据样本库计算特征向量的归一化距离，并依照设定的K值得到分类的预测值。最后在后处理器中处理预测值，依据目标的历史分类结果，得到最终的分类结果，以区分杂波以及散射干扰项与人体。并根据分类结果输出场景内的生命体征检测结果。本专利通过对场景内进行静态杂波滤除以及多普勒能量分类以过滤静态干扰点与动态干扰点。构建相位差值序列以得到生命体征的有关特征。通过对特征进行KNN分类器分类，以区分人体目标和杂波以及散射点，实现对人体目标的准确选择，提高了生命体征检测的稳定性与可靠性。使得毫米波雷达在室内复杂场景下，可以准确测量出人体的呼吸与心跳。
具体的，本发明公开的复杂室内场景下毫米波雷达的人体生命体征检测方法，包括以下步骤：
S1：根据已有的样本数据对KNN分类器进行训练，得到较好的K值；
S2：对毫米波雷达回波信号进行ADC数据采集，得到采样数据；
S3：对采样数据进行FFT处理以及静态杂波滤除以及CFAR与DOA估计，得到点云数据；
S4：对点云数据进行多普勒变换与特征提取，滤除运动幅度较大的动点；
S5：对连续N帧的点云信号提取相位信息，并构建相差序列，估测呼吸与心跳频率；
S6：对连续N帧的点云信号进行特征提取；
S7：将提取后的特征输入至训练好的KNN分类器中进行预测；
S8：对预测结果进行后处理，输出场景内检测的人体目标呼吸心跳数据。
进一步的，步骤S1中KNN训练过程如下：
S11：按照比例将样本分为训练样本与标签样本，其中训练与标签样本比例为M，样本标签分为两类，人、非人干扰项；
S12：将K值从小到大进行训练，以比较其误差率；
S13：重复M次；
S14：选取误差最小的结果为预测用的K值。
进一步的，步骤S4中动点滤除的过程如下：
S41：对选中的点云，设其距离单元为a，进行FFT变换；变换后的多普勒能量序列为S a (k)；
S42：根据设定的多普勒能量阈值，获取最大最小频率
Figure 512329DEST_PATH_IMAGE001
、
Figure 855586DEST_PATH_IMAGE002
，频谱的展宽与标准差
Figure 701182DEST_PATH_IMAGE003
、
Figure 898814DEST_PATH_IMAGE004
，根据设定的频率阈值f p 以及标准差阈值f st ，当
Figure 601191DEST_PATH_IMAGE005
或者
Figure 117230DEST_PATH_IMAGE006
且
Figure 563255DEST_PATH_IMAGE007
时，判断该点为运动点，其中abs()为取绝对值操作；
S43：当该点的多普勒特征不满足步骤S42条件时，对连续N帧的该点信号提取距离相上的信息，则连续N帧的能量序列为
Figure 100546DEST_PATH_IMAGE008
，其和与方差分别为：
Figure 223092DEST_PATH_IMAGE009
、
Figure 478624DEST_PATH_IMAGE010
；
S44：根据设定的能量阈值R t 和标准差阈值R st ，当
Figure 462760DEST_PATH_IMAGE011
且
Figure 136450DEST_PATH_IMAGE012
时，判断该点为运动点。
进一步的，步骤S5中对呼吸心跳的估测步骤如下：
S51：选取点的距离单元为a，连续N帧的相位信息为
Figure 118312DEST_PATH_IMAGE013
，对其进行解卷绕后，其相位序列为
Figure 172725DEST_PATH_IMAGE014
，相差序列为
Figure 898235DEST_PATH_IMAGE015
，
其中，解卷绕操作为：当
Figure 472436DEST_PATH_IMAGE016
时
Figure 638582DEST_PATH_IMAGE017
，当
Figure 603127DEST_PATH_IMAGE018
时
Figure 443913DEST_PATH_IMAGE019
；
S52：构建两个带通滤波器fitler1和fitler2，滤波器类型为巴特沃斯滤波器，处理后的心跳和呼吸信号分别为
Figure 810303DEST_PATH_IMAGE020
和
Figure 150280DEST_PATH_IMAGE021
；
S53：利用SG分解分别处理呼吸与心跳信号，处理后呼吸信号为
Figure 930017DEST_PATH_IMAGE022
，心跳信号为
Figure 997330DEST_PATH_IMAGE023
；
其中，SG分解操作为
Figure 529811DEST_PATH_IMAGE024
，f(n)为平滑后信号序列第n点的值，2m+1为平滑窗长度，c i 为信号序列s(n)在平滑窗里的权重；
S54：对呼吸和心跳信号序列进行FFT变换，获得变换后的信号序列为
Figure 289957DEST_PATH_IMAGE025
和
Figure 291411DEST_PATH_IMAGE026
，FFT变换后的峰值对应频率为呼吸与心跳的第一估计值
Figure 175797DEST_PATH_IMAGE027
和
Figure 251200DEST_PATH_IMAGE028
；
对未进行变换的呼吸心跳序列进行峰值计数，其计数结果为呼吸和心跳估算的第二估计值
Figure 493832DEST_PATH_IMAGE029
和
Figure 920265DEST_PATH_IMAGE030
；
S55：针对N帧的时间序列与滞后系数k，分别计算呼吸心跳两个估计值的自相关系数，第一估计值为
Figure 391698DEST_PATH_IMAGE031
和
Figure 337919DEST_PATH_IMAGE032
，第二估计值为
Figure 705447DEST_PATH_IMAGE033
和
Figure 665181DEST_PATH_IMAGE034
，
其中自相关系数计算方式为
Figure 877988DEST_PATH_IMAGE035
Figure 255880DEST_PATH_IMAGE036
为平均值，
Figure 10953DEST_PATH_IMAGE037
为样本点；
S56：根据呼吸心跳的自相关系数，利用加权公式分别计算当前帧a点呼吸和心跳的估计值
Figure 677557DEST_PATH_IMAGE038
和
Figure 740060DEST_PATH_IMAGE039
，其中加权公式为：
Figure 910141DEST_PATH_IMAGE040
，
Figure 150630DEST_PATH_IMAGE041
N为N帧时间序列，k为滞后系数，
Figure 789684DEST_PATH_IMAGE042
、
Figure 406610DEST_PATH_IMAGE043
、
Figure 946045DEST_PATH_IMAGE044
、
Figure 560697DEST_PATH_IMAGE045
分别为第i帧的呼吸第一、第二估计值及其自相关系数；
Figure 733052DEST_PATH_IMAGE046
、
Figure 862592DEST_PATH_IMAGE047
、
Figure 7266DEST_PATH_IMAGE048
、
Figure 838825DEST_PATH_IMAGE049
分别为第i帧的心跳第一、第二估计值及其自相关系数。
进一步的，步骤S6中提取的特征步骤如下：
S61：提取该点的点云特征；
S62：提取该点的微动特征。
进一步的，提取该点的点云特征包括以下步骤：
S611：根据选取包络单元范围，计算包络范围内的点云距离方位质心
Figure 436159DEST_PATH_IMAGE050
，
其中r i 为距离序列，
Figure 394888DEST_PATH_IMAGE051
和
Figure 144800DEST_PATH_IMAGE052
为距离序列下，在角度能量谱上最大值对应的角度单元，a为提取点距离单元，点包络的单元范围为2b+1；
S612：当前点云的多普勒能量上下包络特征
Figure 163572DEST_PATH_IMAGE053
，
Figure 763049DEST_PATH_IMAGE054
Figure 197573DEST_PATH_IMAGE055
是目标点的多普勒能量；
S613：当前点云的距离多普勒质心
Figure 113576DEST_PATH_IMAGE056
S614：对连续N帧的该点信号提取距离相上的信息，则连续N帧的能量序列为
Figure 988735DEST_PATH_IMAGE057
，其和与方差分别为：
Figure 622979DEST_PATH_IMAGE058
Figure 110461DEST_PATH_IMAGE059
。
进一步的，提取该点的微动特征的步骤如下：
S621：提取该点呼吸与心跳的第一估计值
Figure 880971DEST_PATH_IMAGE060
和
Figure 179228DEST_PATH_IMAGE061
，以及呼吸和心跳估算的第二估计值
Figure 51500DEST_PATH_IMAGE062
和
Figure 93405DEST_PATH_IMAGE063
；
S622：基于步骤S5中的第S54步，提取该点呼吸心跳两个估计值的自相关系数，分别为
Figure 170952DEST_PATH_IMAGE064
和
Figure 702427DEST_PATH_IMAGE065
，
Figure 983367DEST_PATH_IMAGE066
和
Figure 639083DEST_PATH_IMAGE067
；
S623：提取该点呼吸心跳估计值在时间窗范围N内的均值
Figure 321868DEST_PATH_IMAGE068
、
Figure 24245DEST_PATH_IMAGE069
、
Figure 307328DEST_PATH_IMAGE070
、
Figure 425456DEST_PATH_IMAGE071
与标准差
Figure 41377DEST_PATH_IMAGE072
、
Figure 852338DEST_PATH_IMAGE073
、
Figure 170187DEST_PATH_IMAGE074
、
Figure 341274DEST_PATH_IMAGE075
。
进一步的，步骤S7中KNN分类器运算过程如下
S71：得到步骤S5中提取的目标特征向量，输入向量为：A=(a 1…a n )
S72：计算输入特征向量与样本库向量之间的马氏距离
Figure 264230DEST_PATH_IMAGE076
，
cov(A,B)为向量A、B的协方差矩阵，其中向量A的第i个元素与向量B的第j个元素之间的协方差为
Figure 56213DEST_PATH_IMAGE077
，A、B分别为特征向量和样本库向量，E(a)为元素a的期望，
Figure 799041DEST_PATH_IMAGE078
和
Figure 586868DEST_PATH_IMAGE079
为特征向量内第i个和第j个特征的均值；
S73：根据K值选取距离最近的K个样本，并对标签数量进行统计；
S74：输出数量最大的标签为预测的分类结果。
进一步的，步骤S8中后处理与预测步骤如下：
S81：将所有目标与预测结果输入至后处理器中，并根据预测结果进行帧数累积，设定HC为该目标判定为人的帧数，NC为该目标判定为非人目标的帧数；当前帧目标为人时，HC+1，NC-1，目标为非人时则相反，同时，记录到当前帧为止，分类器连续判定为人的帧数S；
S82：计算目标的独立性，独立性由目标间的距离最小值来表征，
Figure 348020DEST_PATH_IMAGE080
，设定阈值为u 0，当u<u0时，该目标与其他目标相关联，为非独立目标，当前帧该目标的预测结果不进行更新；
S83：得出当前帧该目标的预测结果，并进行滑窗判定，HC<NC且S/HC<0.5时，目标判断为非人；HC>=NC或S/HC>=0.5时，目标判定为人；
S84：对判定为人的目标，基于其呼吸心跳的估计值
Figure 563100DEST_PATH_IMAGE081
和
Figure 278378DEST_PATH_IMAGE082
，对其进行N帧滑窗处理，估算其呼吸心跳的平均值
Figure 869896DEST_PATH_IMAGE083
、
Figure 236286DEST_PATH_IMAGE084
和方差
Figure 74798DEST_PATH_IMAGE085
、
Figure 854535DEST_PATH_IMAGE086
，
当
Figure 669651DEST_PATH_IMAGE087
时，输出呼吸频率
Figure 952865DEST_PATH_IMAGE088
，反之则输出上一帧该点呼吸频率估计值；当方差时
Figure 713011DEST_PATH_IMAGE089
，输出心率
Figure 963732DEST_PATH_IMAGE090
，反之则输出上一帧该点心率估计值。
相对于现有技术，本发明的有益效果如下：
基于目标的相关特征，基于KNN算法得出目标的分类信息，实现对杂波以及散射干扰的分类，并输出人体目标的生命体征检测结果；
基于毫米波雷达进行静态杂波滤除，滤除场景内的静态干扰点；进行多普勒变换，根据点云特征滤除大幅度运动干扰点。以排除场景内运动幅度较大以及静态干扰项，提高检测的稳定性；
对微动点构建相位差值序列，得到呼吸心跳相关特征与预测值。
附图说明
图1本发明生命体征检测方法流程图；
图2呼吸与心率估测流程图；
图3雷达软件结构图。
具体实施方式
下面结合附图对本发明作进一步的说明，但不以任何方式对本发明加以限制，基于本发明教导所作的任何变换或替换，均属于本发明的保护范围。
毫米波雷达具有稳定的探测性能与良好的环境适应性，结构简单、发射功率低、分辨率与灵敏度高、雷达尺寸小，可全天时全天候监控，在一定程度上具有隐私保护等优点。本发明利用静态杂波滤除以及点云特征排除室内场景中的运动目标与静态目标对微动信息的干扰，对微动目标构建相位差值序列，得到呼吸心跳的相关特征与预测值，利用KNN算法对微动点进行分类，将人体目标与杂波散射点分离，提高生命体征检测的稳定性与可靠性。具体包括以下步骤：
S1.根据已有的样本数据对KNN分类器进行训练，得到较好的K值。
其中KNN训练过程如下：
S11：按照比例将样本分为训练样本与标签样本，其中训练与标签样本比例为N；样本标签分为两类，人、非人干扰项；
S12：以一个较小的K值从小到大进行训练，以比较其误差率；
S13：重复N次；
S14：选取误差最小的结果为预测用的K值。
S2：对毫米波雷达回波信号进行ADC数据采集，得到采样数据。
S3：对采样数据进行FFT处理以及静态杂波滤除以及CFAR与DOA估计，得到点云数据。
S4：对点云数据进行多普勒变换与特征提取，滤除运动幅度较大的动点。
其中对动点滤除的过程如下：
S41选中的点云，设其距离单元为a，进行FFT变换。变换后的多普勒能量序列为S a (k)。
S42根据设定的多普勒能量阈值, 获取最大最小频率
Figure 569157DEST_PATH_IMAGE001
、
Figure 972457DEST_PATH_IMAGE002
，频谱的展宽与标准差
Figure 919815DEST_PATH_IMAGE003
、
Figure 80669DEST_PATH_IMAGE004
。
根据设定的频率阈值f p 以及标准差阈值f st ，当
Figure 66949DEST_PATH_IMAGE005
或者
Figure 528017DEST_PATH_IMAGE006
且
Figure 112189DEST_PATH_IMAGE007
时，判断该点为运动点，其中abs()为取绝对值操作。
S43：当该点的多普勒特征不满足以上条件时，对连续N帧的该点信号提取距离相上的信息，则连续N帧的能量序列为
Figure 88235DEST_PATH_IMAGE008
，其和与方差分别为：
Figure 301042DEST_PATH_IMAGE009
、
Figure 662622DEST_PATH_IMAGE010
。
S44：根据设定的能量阈值R t 和标准差阈值R st ，当
Figure 935471DEST_PATH_IMAGE011
且
Figure 133234DEST_PATH_IMAGE012
时，判断该点为运动点。
S5.对连续N帧的点云信号提取相位信息，并构建相差序列，估测呼吸与心跳频率。
其中对呼吸和心跳频率的估测步骤如下：
S51：选取点的距离单元为a，连续N帧的相位信息为
Figure 900464DEST_PATH_IMAGE013
，对其进行解卷绕后，其相位序列为
Figure 132863DEST_PATH_IMAGE014
，相差序列为
Figure 560302DEST_PATH_IMAGE015
，
其中，解卷绕操作为：当
Figure 510940DEST_PATH_IMAGE016
时
Figure 547773DEST_PATH_IMAGE017
，当
Figure 572361DEST_PATH_IMAGE018
时
Figure 701860DEST_PATH_IMAGE019
。
S52：构建两个带通滤波器fitler1和fitler2，滤波器类型为巴特沃斯滤波器，其带通频率分别0.1到0.5hz，0.8-4.0hz，阶数分别为4阶和8阶，处理后的心跳和呼吸信号分别为
Figure 811898DEST_PATH_IMAGE020
和
Figure 232515DEST_PATH_IMAGE021
。
S53：利用SG分解分别处理呼吸与心跳信号，处理后呼吸信号为
Figure 862342DEST_PATH_IMAGE022
，心跳信号为
Figure 913474DEST_PATH_IMAGE023
；
其中，SG分解操作为
Figure 822393DEST_PATH_IMAGE024
，f(n)为平滑后信号序列第n点的值，2m+1为平滑窗长度，c i 为信号序列s(n)在平滑窗里的权重。
S54：对呼吸和心跳信号序列进行FFT变换，获得变换后的信号序列为
Figure 984385DEST_PATH_IMAGE025
和
Figure 465788DEST_PATH_IMAGE026
，FFT变换后的峰值对应频率为呼吸与心跳的第一估计值
Figure 422243DEST_PATH_IMAGE027
和
Figure 552879DEST_PATH_IMAGE028
；对未进行变换的呼吸心跳序列进行峰值计数，其计数结果为呼吸和心跳估算的第二估计值
Figure 518561DEST_PATH_IMAGE029
和
Figure 168985DEST_PATH_IMAGE030
。
S55：针对N帧的时间序列与滞后系数k，分别计算呼吸心跳两个估计值的自相关系数，第一估计值为
Figure 47073DEST_PATH_IMAGE031
和
Figure 681317DEST_PATH_IMAGE032
，第二估计值为
Figure 434378DEST_PATH_IMAGE033
和
Figure 142571DEST_PATH_IMAGE034
，
其中自相关系数计算方式为
Figure 503145DEST_PATH_IMAGE035
Figure 380529DEST_PATH_IMAGE036
为平均值，
Figure 484751DEST_PATH_IMAGE037
为样本点。
S56：根据呼吸心跳的自相关系数，利用加权公式分别计算当前帧a点呼吸和心跳的估计值
Figure 562298DEST_PATH_IMAGE038
和
Figure 93773DEST_PATH_IMAGE039
，其中加权公式为：
Figure 374713DEST_PATH_IMAGE040
，
Figure 767779DEST_PATH_IMAGE041
N为N帧时间序列，k为滞后系数，
Figure 450565DEST_PATH_IMAGE042
、
Figure 152941DEST_PATH_IMAGE043
、
Figure 436024DEST_PATH_IMAGE044
、
Figure 819732DEST_PATH_IMAGE045
分别为第i帧的呼吸第一、第二估计值及其自相关系数；
Figure 432723DEST_PATH_IMAGE046
、
Figure 243684DEST_PATH_IMAGE047
、
Figure 295953DEST_PATH_IMAGE048
、
Figure 732620DEST_PATH_IMAGE049
分别为第i帧的心跳第一、第二估计值及其自相关系数。
S6：对连续N帧的点云信号进行特征提取。
提取特征的步骤如下：
设提取点距离单元为a，点包络的单元范围为2b+1，时间序列长度为N，
S61：提取该点的点云特征，包括以下步骤：
S611：根据选取包络单元范围，计算包络范围内的点云距离方位质心
Figure 452314DEST_PATH_IMAGE050
，
其中r i 为距离序列，
Figure 450488DEST_PATH_IMAGE051
和
Figure 724475DEST_PATH_IMAGE052
为距离序列下，在角度能量谱上最大值对应的角度单元，a为提取点距离单元，点包络的单元范围为2b+1。
S612当前点云的多普勒能量上下包络特征
Figure 715564DEST_PATH_IMAGE053
，
Figure 476716DEST_PATH_IMAGE054
Figure 691797DEST_PATH_IMAGE055
是目标点的多普勒能量。
S613：当前点云的距离多普勒质心
Figure 669724DEST_PATH_IMAGE056
。
S614：对连续N帧的该点信号提取距离相上的信息。则连续N帧的能量序列为
Figure 995663DEST_PATH_IMAGE091
，其和与方差分别为：
Figure DEST_PATH_305541DEST_PATH_IMAGE060
Figure 611321DEST_PATH_IMAGE059
。
S62：提取该点的微动特征，包括以下步骤：
S621：提取该点呼吸与心跳的第一估计值
Figure 934986DEST_PATH_IMAGE060
和
Figure 449144DEST_PATH_IMAGE061
，以及呼吸和心跳估算的第二估计值
Figure 267189DEST_PATH_IMAGE062
和
Figure 815982DEST_PATH_IMAGE063
。
S622：基于步骤S5中的第S54步，提取该点呼吸心跳两个估计值的自相关系数，分别为
Figure 559816DEST_PATH_IMAGE064
和
Figure 561270DEST_PATH_IMAGE065
，
Figure 432274DEST_PATH_IMAGE066
和
Figure 583377DEST_PATH_IMAGE067
。
S623：提取该点呼吸心跳估计值在时间窗范围N内的均值
Figure 248844DEST_PATH_IMAGE068
、
Figure 737594DEST_PATH_IMAGE069
、
Figure 661557DEST_PATH_IMAGE070
、
Figure 122625DEST_PATH_IMAGE071
与标准差
Figure 506464DEST_PATH_IMAGE072
、
Figure 685773DEST_PATH_IMAGE073
、
Figure 960896DEST_PATH_IMAGE074
、
Figure 260160DEST_PATH_IMAGE075
。
S7.将提取后的特征输入至训练好的KNN分类器中进行预测。
其中KNN分类器运算过程如下：
S71：得到步骤S5中提取的目标特征向量，输入向量为：A=(a 1…a n ) 。
S72：计算输入特征向量与样本库向量之间的马氏距离
Figure 595326DEST_PATH_IMAGE076
，
cov(A,B)为向量A、B的协方差矩阵，其中向量A的第i个元素与向量B的第j个元素之间的协方差为
Figure 478575DEST_PATH_IMAGE077
，A、B分别为特征向量和样本库向量，E(a)为元素a的期望，
Figure 557389DEST_PATH_IMAGE078
和
Figure 461892DEST_PATH_IMAGE079
为特征向量内第i个和第j个特征的均值。
S73：根据K值选取距离最近的K个样本，并对标签数量进行统计。
S74：输出数量最大的标签为预测的分类结果。
S8：对预测结果进行后处理，输出场景内检测的人体目标呼吸心跳数据。
后处理与预测步骤如下
S81：将所有目标与预测结果输入至后处理器中，并根据预测结果进行帧数累积，设定HC为该目标判定为人的帧数，NC为该目标判定为非人目标的帧数；当前帧目标为人时，HC+1，NC-1，目标为非人时则相反，同时，记录到当前帧为止，分类器连续判定为人的帧数S。
S82：计算目标的独立性，独立性由目标间的距离最小值来表征，
Figure 420489DEST_PATH_IMAGE080
，
设定阈值为u 0，当u<u0时，该目标与其他目标相关联，为非独立目标，当前帧该目标的预测结果不进行更新。
S83：得出当前帧该目标的预测结果，并进行滑窗判定，HC<NC且S/HC<0.5时，目标判断为非人；HC>=NC或S/HC>=0.5时，目标判定为人。
S84：对判定为人的目标，基于其呼吸心跳的估计值
Figure 105548DEST_PATH_IMAGE081
和
Figure 456895DEST_PATH_IMAGE082
，对其进行N帧滑窗处理，估算其呼吸心跳的平均值
Figure 497795DEST_PATH_IMAGE083
、
Figure 112447DEST_PATH_IMAGE084
和方差
Figure 534070DEST_PATH_IMAGE085
、
Figure 892370DEST_PATH_IMAGE086
，
当
Figure 833781DEST_PATH_IMAGE087
时，输出呼吸频率
Figure 367137DEST_PATH_IMAGE088
，反之则输出上一帧该点呼吸频率估计值；当方差时
Figure 26789DEST_PATH_IMAGE089
，输出心率
Figure 172468DEST_PATH_IMAGE090
，反之则输出上一帧该点心率估计值。
如图3所示，本发明还公开了一种毫米波雷达，包括：
回波处理模块，对毫米波雷达回波信号进行ADC数据采集，得到采样数据；
DSP处理模块，对采样数据进行FFT处理以及静态杂波滤除以及CFAR与DOA估计，得到点云数据；
点云信号处理模块，对点云数据进行多普勒变换与特征提取，滤除运动幅度设定阈值的动点；
呼吸心跳估测模块，对连续N帧的点云信号提取相位信息，并构建相差序列，估测呼吸与心跳频率；
特征提取模块，对连续N帧的点云信号进行特征提取
分类模块和后处理模块，将提取后的特征输入至训练好的KNN分类器中进行预测，对预测结果进行后处理；
结果输出模块，输出场景内检测的人体目标呼吸心跳数据。
相对于现有技术，本发明的有益效果如下：
基于目标的相关特征，基于KNN算法得出目标的分类信息，实现对杂波以及散射干扰的分类，并输出人体目标的生命体征检测结果；
基于毫米波雷达进行静态杂波滤除，滤除场景内的静态干扰点；进行多普勒变换，根据点云特征滤除大幅度运动干扰点。以排除场景内运动幅度较大以及静态干扰项，提高检测的稳定性；
对微动点构建相位差值序列，得到呼吸心跳相关特征与预测值。
本文所使用的词语“优选的”意指用作实例、示例或例证。本文描述为“优选的”任意方面或设计不必被解释为比其他方面或设计更有利。相反，词语“优选的”的使用旨在以具体方式提出概念。如本申请中所使用的术语“或”旨在意指包含的“或”而非排除的“或”。即，除非另外指定或从上下文中清楚，“X使用A或B”意指自然包括排列的任意一个。即，如果X使用A；X使用B；或X使用A和B二者，则“X使用A或B”在前述任一示例中得到满足。
而且，尽管已经相对于一个或实现方式示出并描述了本公开，但是本领域技术人员基于对本说明书和附图的阅读和理解将会想到等价变型和修改。本公开包括所有这样的修改和变型，并且仅由所附权利要求的范围限制。特别地关于由上述组件(例如元件等)执行的各种功能，用于描述这样的组件的术语旨在对应于执行所述组件的指定功能(例如其在功能上是等价的)的任意组件(除非另外指示)，即使在结构上与执行本文所示的本公开的示范性实现方式中的功能的公开结构不等同。此外，尽管本公开的特定特征已经相对于若干实现方式中的仅一个被公开，但是这种特征可以与如可以对给定或特定应用而言是期望和有利的其他实现方式的一个或其他特征组合。而且，就术语“包括”、“具有”、“含有”或其变形被用在具体实施方式或权利要求中而言，这样的术语旨在以与术语“包含”相似的方式包括。
本发明实施例中的各功能单元可以集成在一个处理模块中，也可以是各个单元单独物理存在，也可以多个或多个以上单元集成在一个模块中。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。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。上述提到的存储介质可以是只读存储器，磁盘或光盘等。上述的各装置或系统，可以执行相应方法实施例中的存储方法。
综上所述，上述实施例为本发明的一种实施方式，但本发明的实施方式并不受所述实施例的限制，其他的任何背离本发明的精神实质与原理下所做的改变、修饰、代替、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。

Claims (8)

1.复杂室内场景下毫米波雷达的人体生命体征检测方法，其特征在于，包括以下步骤：
S1：根据已有的样本数据对KNN分类器进行训练，得到误差最小的K值；
S2：对毫米波雷达回波信号进行ADC数据采集，得到采样数据；
S3：对采样数据进行FFT处理以及静态杂波滤除以及CFAR与DOA估计，得到点云数据；
S4：对点云数据进行多普勒变换与特征提取，滤除运动幅度设定阈值的动点；
S5：对连续N帧的S4步骤处理后的点云信号提取相位信息，并构建相差序列，估测呼吸与心跳频率；
S6：对连续N帧的S4步骤处理后的点云信号进行特征提取；
S7：将提取后的特征输入至训练好的KNN分类器中进行预测；
S8：对预测结果进行后处理，输出场景内检测的人体目标呼吸心跳数据；
其中步骤S4中动点滤除的过程如下：
S41：对选中的点云，设其距离单元为a，进行FFT变换；变换后的多普勒能量序列为Sa(k)；
S42：根据设定的多普勒能量阈值，获取最大最小频率
Figure FDA0003771430010000011
频谱的展宽与标准差
Figure FDA0003771430010000012
根据设定的频率阈值ft以及标准差阈值fst，当
Figure FDA0003771430010000013
或者
Figure FDA0003771430010000014
且
Figure FDA0003771430010000015
时，判断该点为运动点，其中abs()为取绝对值操作；
S43：当该点的多普勒特征不满足步骤S42条件时，对连续N帧的该点信号提取距离相上的信息，则连续N帧的能量序列为
Figure FDA0003771430010000021
其和与方差分别为：
Figure FDA0003771430010000022
S44：根据设定的能量阈值Rt和标准差阈值Rst，当
Figure FDA0003771430010000023
且
Figure FDA0003771430010000024
时，判断该点为运动点。
2.根据权利要求1所述的复杂室内场景下毫米波雷达的人体生命体征检测方法，其特征在于，步骤S1中KNN分类器的训练过程如下：
S11：按照比例将样本分为训练样本与标签样本，其中训练与标签样本比例为M，样本标签分为人和非人干扰项；
S12：将K值从小到大进行训练，以比较其误差率；
S13：重复M次；
S14：选取误差最小的结果为预测用的K值。
3.根据权利要求1所述的复杂室内场景下毫米波雷达的人体生命体征检测方法，其特征在于，步骤S5中对呼吸心跳的估测步骤如下：
S51：选取点的距离单元为a，连续N帧的相位信息为
Figure FDA0003771430010000025
对其进行解卷绕后，其相位序列为
Figure FDA0003771430010000026
相差序列为
Figure FDA0003771430010000027
其中，解卷绕操作为：当
Figure FDA0003771430010000028
时
Figure FDA0003771430010000029
当
Figure FDA00037714300100000210
时
Figure FDA00037714300100000211
S52：构建两个带通滤波器fitler1和fitler2，滤波器类型为巴特沃斯滤波器，处理后的心跳和呼吸信号分别为
Figure FDA00037714300100000212
和
Figure FDA00037714300100000213
S53：利用SG分解分别处理呼吸与心跳信号，处理后呼吸信号为
Figure FDA00037714300100000214
心跳信号为
Figure FDA00037714300100000215
其中，SG分解操作为
Figure FDA0003771430010000031
f(n)为平滑后信号序列第n点的值，2m+1为平滑窗长度，ci为信号序列s(n)在平滑窗里的权重；
S54：对呼吸和心跳信号序列进行FFT变换，获得变换后的信号序列为
Figure FDA0003771430010000032
和
Figure FDA0003771430010000033
FFT变换后的峰值对应频率为呼吸与心跳的第一估计值
Figure FDA0003771430010000034
和
Figure FDA0003771430010000035
对未进行变换的呼吸心跳序列进行峰值计数，其计数结果为呼吸和心跳估算的第二估计值
Figure FDA0003771430010000036
和
Figure FDA0003771430010000037
S55：针对N帧的时间序列与滞后系数k，分别计算呼吸心跳两个估计值的自相关系数，第一估计值为
Figure FDA0003771430010000038
和
Figure FDA0003771430010000039
第二估计值为
Figure FDA00037714300100000310
和
Figure FDA00037714300100000311
其中自相关系数计算方式为
Figure FDA00037714300100000312
Figure FDA00037714300100000319
为平均值，xi为样本点；
S56：根据呼吸心跳的自相关系数，利用加权公式分别计算当前帧a点呼吸和心跳的估计值
Figure FDA00037714300100000313
和
Figure FDA00037714300100000314
其中加权公式为：
Figure FDA00037714300100000315
Figure FDA00037714300100000316
N为N帧时间序列，k为滞后系数，
Figure FDA00037714300100000317
分别为第i帧的呼吸第一第二估计值及其自相关系数；
Figure FDA00037714300100000318
分别为第i帧的心跳第一第二估计值及其自相关系数。
4.根据权利要求1所述的复杂室内场景下毫米波雷达的人体生命体征检测方法，其特征在于，步骤S6中提取的特征步骤如下：
S61：提取该点的点云特征；
S62：提取该点的微动特征。
5.根据权利要求4所述的复杂室内场景下毫米波雷达的人体生命体征检测方法，其特征在于，提取该点的点云特征包括以下步骤：
S611：根据选取包络单元范围，计算包络范围内的点云距离方位质心
Figure FDA0003771430010000041
其中ri为距离序列，θi和
Figure FDA0003771430010000042
为距离序列下，在角度能量谱上最大值对应的角度单元，a为提取点距离单元，点包络的单元范围为2b+1；
S612：当前点云的多普勒能量上下包络特征
Figure FDA0003771430010000043
Figure FDA0003771430010000044
Figure FDA0003771430010000045
是目标点的多普勒能量；
S613：当前点云的距离多普勒质心
Figure FDA0003771430010000046
S614：对连续N帧的该点信号提取距离相上的信息，则连续N帧的能量序列为
Figure FDA0003771430010000047
其和与方差分别为：
Figure FDA0003771430010000051
Figure FDA0003771430010000052
6.根据权利要求4所述的复杂室内场景下毫米波雷达的人体生命体征检测方法，其特征在于，提取该点的微动特征的步骤如下：
S621：提取该点呼吸与心跳的第一估计值
Figure FDA0003771430010000053
和
Figure FDA0003771430010000054
以及呼吸和心跳估算的第二估计值
Figure FDA0003771430010000055
和
Figure FDA0003771430010000056
S622：基于步骤S5中的第S54步，提取该点呼吸心跳两个估计值的自相关系数，分别为
Figure FDA0003771430010000057
和
Figure FDA0003771430010000058
Figure FDA0003771430010000059
和
Figure FDA00037714300100000510
S623：提取该点呼吸心跳估计值在时间窗范围N内的均值
Figure FDA00037714300100000511
Figure FDA00037714300100000512
与标准差
Figure FDA00037714300100000513
7.根据权利要求1所述的复杂室内场景下毫米波雷达的人体生命体征检测方法，其特征在于，步骤S7中KNN分类器运算过程如下：
S71：得到步骤S5中提取的目标特征向量，输入向量为：A＝(a1…an)
S72：计算输入特征向量与样本库向量之间的马氏距离
Figure FDA00037714300100000514
cov(A,B)为向量A、B的协方差矩阵，其中向量A的第i个元素与向量B的第j个元素之间的协方差为covij＝cov(Ai,Bj)＝E[(Ai-μi)(Bj-μj)]，A、B分别为特征向量和样本库向量，E(a)为元素a的期望，μi和μj为特征向量内第i个和第j个特征的均值；
S73：根据K值选取距离最近的K个样本，并对标签数量进行统计；
S74：输出数量最大的标签为预测的分类结果。
8.根据权利要求1所述的复杂室内场景下毫米波雷达的人体生命体征检测方法，其特征在于，步骤S8中后处理与预测步骤如下：
S81：将所有目标与预测结果输入至后处理器中，并根据预测结果进行帧数累积，设定HC为该目标判定为人的帧数，NC为该目标判定为非人目标的帧数；当前帧目标为人时，HC+1，NC-1，目标为非人时则相反，同时，记录到当前帧为止，分类器连续判定为人的帧数S；
S82：计算目标的独立性，独立性由目标间的距离最小值来表征，
Figure FDA0003771430010000061
设定阈值为u0，当u<u0时，该目标与其他目标相关联，为非独立目标，当前帧该目标的预测结果不进行更新；
S83：得出当前帧该目标的预测结果，并进行滑窗判定，HC<NC且S/HC<0.5时，目标判断为非人；HC>＝NC或S/HC>＝0.5时，目标判定为人；
S84：对判定为人的目标，基于其呼吸心跳的估计值
Figure FDA0003771430010000062
和
Figure FDA0003771430010000063
对其进行N帧滑窗处理，估算其呼吸心跳的平均值
Figure FDA0003771430010000064
和方差
Figure FDA0003771430010000065
当
Figure FDA0003771430010000066
时，输出呼吸频率
Figure FDA0003771430010000067
反之则输出上一帧该点呼吸频率估计值；当方差时
Figure FDA0003771430010000068
输出心率
Figure FDA0003771430010000069
反之则输出上一帧该点心率估计值。
CN202210661805.5A 2022-06-13 2022-06-13 复杂室内场景下毫米波雷达的人体生命体征检测方法 Active CN114742117B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210661805.5A CN114742117B (zh) 2022-06-13 2022-06-13 复杂室内场景下毫米波雷达的人体生命体征检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210661805.5A CN114742117B (zh) 2022-06-13 2022-06-13 复杂室内场景下毫米波雷达的人体生命体征检测方法

Publications (2)

Publication Number Publication Date
CN114742117A CN114742117A (zh) 2022-07-12
CN114742117B true CN114742117B (zh) 2022-09-09

Family

ID=82287178

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210661805.5A Active CN114742117B (zh) 2022-06-13 2022-06-13 复杂室内场景下毫米波雷达的人体生命体征检测方法

Country Status (1)

Country Link
CN (1) CN114742117B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115281628B (zh) * 2022-08-04 2023-12-22 上海几何伙伴智能驾驶有限公司 一种面向汽车智能座舱的自适应生命体征监测方法
CN115128571B (zh) * 2022-09-02 2022-12-20 长沙莫之比智能科技有限公司 一种基于毫米波雷达的多人与非机动车识别方法
CN116449353B (zh) * 2023-06-20 2023-08-15 精华隆智慧感知科技（深圳）股份有限公司 一种睡眠过程人体存在检测方法、装置、设备及存储介质
CN116449330B (zh) * 2023-06-20 2023-10-13 精华隆智慧感知科技（深圳）股份有限公司 一种室内人数的估计方法、装置、计算机设备及存储介质
CN117331047A (zh) * 2023-12-01 2024-01-02 德心智能科技(常州)有限公司 基于毫米波雷达的人体行为数据分析方法及系统

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3637430B1 (en) * 2018-10-10 2023-11-15 Tata Consultancy Services Limited Real time unobtrusive monitoring of physiological signals
CN112066528A (zh) * 2020-08-10 2020-12-11 珠海格力电器股份有限公司 一种空调控制方法、装置、存储介质及空调
US20230341518A1 (en) * 2020-09-16 2023-10-26 Nodens Medical Ltd. Millimeterwave radar system for determining an activity record
CN111999726B (zh) * 2020-09-27 2022-05-17 四川长虹电器股份有限公司 一种基于毫米波雷达的人员定位方法
CN112263242A (zh) * 2020-10-26 2021-01-26 哈尔滨工业大学 基于fmcw雷达的呼吸检测及模式分类方法
CN112998668B (zh) * 2021-02-06 2022-08-23 路晟悠拜(重庆)科技有限公司 基于毫米波的非接触式远场多人体呼吸心率监测方法
CN113093170B (zh) * 2021-06-07 2021-08-13 长沙莫之比智能科技有限公司 一种基于knn算法的毫米波雷达室内人员检测方法

Also Published As

Publication number Publication date
CN114742117A (zh) 2022-07-12

Similar Documents

Publication Publication Date Title
CN114742117B (zh) 复杂室内场景下毫米波雷达的人体生命体征检测方法
Li et al. Sparsity-driven micro-Doppler feature extraction for dynamic hand gesture recognition
US11435443B2 (en) Integration of tracking with classifier in mmwave radar
CN112401856B (zh) 一种基于毫米波雷达的疗养院监护方法及系统
Rana et al. UWB localization employing supervised learning method
Regev et al. Classification of single and multi propelled miniature drones using multilayer perceptron artificial neural network
Bilik et al. Minimum divergence approaches for robust classification of ground moving targets
Yessad et al. Micro-Doppler classification for ground surveillance radar using speech recognition tools
CN111401168B (zh) 一种无人机的多层雷达特征提取与选择方法
CN113447905A (zh) 双毫米波雷达人体跌倒检测装置及检测方法
Molchanov et al. Classification of ground moving targets using bicepstrum-based features extracted from micro-Doppler radar signatures
US5376940A (en) Helicopter recognition radar processor
CN112137620A (zh) 一种基于超宽带雷达的人体微弱呼吸信号检测方法
CN116338684A (zh) 基于毫米波雷达与深度学习的人体跌倒检测方法及系统
CN114384489A (zh) 一种浴室跌倒检测雷达的水雾杂波滤除方法
Pegoraro et al. Deep learning for accurate indoor human tracking with a mm-wave radar
KR20220141748A (ko) 레이더 신호로부터 표적 정보를 추출하는 방법 및 컴퓨터 판독가능 저장 매체
CN112882016A (zh) 基于改进的稳健自适应波束形成的多人生命体征检测方法
CN112327286B (zh) 低复杂度下日常活动分类方法、装置、设备及存储介质
CN115469303A (zh) 一种检测人体姿态和生命体征的认知生物雷达方法与装置
CN112162249A (zh) 一种基于动态cfar的车载毫米波雷达遮挡检测方法及系统
Molchanov et al. Object recognition in ground surveillance Doppler radar by using bispectrum-based time-frequency distributions
CN110269642A (zh) 基于分数阶傅里叶变换和小波变换的多普勒心率估计方法
KR20200127388A (ko) 생체 fmcw 레이더를 위한 생체 심장 박동 파라미터 추정 장치 및 그 방법
Zheng et al. Hand gesture recognition based on range Doppler-angle trajectory and LSTM network using an MIMO 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