CN114779238A - 一种基于雷达信号的生命探测方法及系统 - Google Patents
一种基于雷达信号的生命探测方法及系统 Download PDFInfo
- Publication number
- CN114779238A CN114779238A CN202210365344.7A CN202210365344A CN114779238A CN 114779238 A CN114779238 A CN 114779238A CN 202210365344 A CN202210365344 A CN 202210365344A CN 114779238 A CN114779238 A CN 114779238A
- Authority
- CN
- China
- Prior art keywords
- human body
- detected
- determining
- frequency
- 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
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/88—Radar or analogous systems specially adapted for specific applications
-
- 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
- A61B5/02—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
- A61B5/05—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves
-
- 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
-
- 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
-
- 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
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Veterinary Medicine (AREA)
- Physiology (AREA)
- Public Health (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Animal Behavior & Ethology (AREA)
- Surgery (AREA)
- Cardiology (AREA)
- Signal Processing (AREA)
- Pulmonology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Radar, Positioning & Navigation (AREA)
- Psychiatry (AREA)
- Remote Sensing (AREA)
- Electromagnetism (AREA)
- Computer Networks & Wireless Communication (AREA)
- General Physics & Mathematics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本申请提出的一种基于雷达信号的生命探测方法及系统,所述方法包括:采用超宽带雷达对待探测区域进行探测,得到雷达回波矩阵,并滤除所述雷达回波矩阵中的静态杂波;根据滤除杂波后的雷达回波矩阵提取待探测区域内人体目标的体表振动信号;利用模态分解法对所述体表振动信号进行模态分解;利用小波分析法确定所述各本征模态函数的主频率,并筛选出所述主频率在预设的呼吸和心跳频带范围内的本征模态函数;基于筛选出的本征模态函数重构呼吸和心跳信号;基于随机共振系统和重构的所述呼吸及心跳信号确定探测到的人体目标的生命体征信息。本发明提供的技术方案,抗干扰能力强可以准确快速的探测到待测目标的呼吸频率和心跳频率。
Description
技术领域
本申请涉及生命探测技术领域,尤其涉及一种基于雷达信号的生命探测方法及系统。
背景技术
生命探测雷达是一种综合微功率超宽带雷达技术与生物医学工程技术研制而成的高科技救生设备,专业用于地震灾害、塌方事故等紧急救援任务中幸存人员的搜索定位。它利用纳秒级电磁波脉冲频谱宽、穿透性强、分辨力高、抗干扰性好、功耗低等特性,可以穿透非金属介质,向远距离发射纳秒级脉冲电磁波,基于人体运动在雷达回波上产生的时域多普勒效应,来分析探测范围中是否有人体目标存在,并获取所述人体目标的具体位置和生命体征信息。
现有的研究生命探测算法抗干扰能力差,当探测环境中存在强电磁干扰或者高强度噪声时,难以将弱生命体征信号从雷达回波信号中分离并提取出来,同时现有算法很难进一步分离出心跳信号,即便能够提取出心跳频率,信号的信噪比也很高,准确性较差,进而影响救援的及时性和准确性。
发明内容
本申请提供一种基于雷达信号的生命探测方法及系统,以至少解决相关技术中的抗干扰能力差及不能准确的提取出心跳频率的技术问题。
本申请第一方面实施例提出一种基于雷达信号的生命探测方法,所述方法包括:
采用超宽带雷达对待探测区域进行探测,得到所述待探测区域对应的雷达回波矩阵,并滤除所述雷达回波矩阵中的静态杂波;
根据滤除杂波后的雷达回波矩阵提取待探测区域内人体目标的体表振动信号;
利用模态分解法对所述体表振动信号进行模态分解,得到所述滤体表振动信号对应的各本征模态函数;
利用小波分析法确定所述各本征模态函数的主频率,并筛选出所述主频率在预设的呼吸和心跳频带范围内的本征模态函数;
基于筛选出的本征模态函数重构呼吸和心跳信号;
基于随机共振系统和重构的所述呼吸及心跳信号确定探测到的人体目标的生命信息。
本申请第二方面实施例提出一种基于雷达信号的生命探测系统,所述生命探测系统包括:
第一滤波模块,用于采用超宽带雷达对待探测区域进行探测,得到所述待探测区域对应的雷达回波矩阵,并滤除所述雷达回波矩阵中的静态杂波;
提取模块,用于根据滤除杂波后的雷达回波矩阵提取待探测区域内人体目标的体表振动信号;
模态分解模块,用于利用模态分解法对所述体表振动信号进行模态分解,得到所述体表振动信号对应的各本征模态函数;
筛选模块,用于利用小波分析法确定所述各本征模态函数的主频率,并筛选出所述主频率在预设的呼吸和心跳频带范围内的本征模态函数;
重构模块,用于基于筛选出的本征模态函数重构呼吸和心跳信号;
确定模块,用于基于随机共振系统和重构的所述呼吸及心跳信号确定探测到的人体目标的生命信息。
本申请的实施例提供的技术方案至少带来以下有益效果:
本申请提出的一种基于雷达信号的生命探测方法及系统中,所述方法包括,采用超宽带雷达对待探测区域进行探测,得到所述待探测区域对应的雷达回波矩阵,并滤除所述雷达回波矩阵中的静态杂波;根据滤除杂波后的雷达回波矩阵提取待探测区域内人体目标的体表振动信号;利用模态分解法对所述体表振动信号进行模态分解,得到所述体表振动信号对应的各本征模态函数;利用小波分析法确定所述各本征模态函数的主频率,并筛选出所述主频率在预设的呼吸和心跳频带范围内的本征模态函数;基于筛选出的本征模态函数重构呼吸和心跳信号;基于随机共振系统和重构的所述呼吸及心跳信号确定探测到的人体目标的生命信息。本发明提供的技术方法,抗干扰能力强可以准确的将生命体征信号从雷达回波信号中分离并提取出来,同时也可以准确的提取出心跳频率。
本申请附加的方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本申请的实践了解到。
附图说明
本申请上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解,其中:
图1为根据本申请一个实施例提供的基于雷达信号的生命探测方法的流程示意图;
图2为根据本申请一个实施例提供的一种基于雷达信号的生命探测系统的结构图。
具体实施方式
下面详细描述本申请的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,旨在用于解释本申请,而不能理解为对本申请的限制。
下面参考附图描述本申请实施例的一种基于雷达信号的生命探测方法及系统。
实施例1
图1为根据本申请一个实施例提供的一种基于雷达信号的生命探测方法的流程示意图,如图1所示,可以包括:
步骤1:采用超宽带雷达对待探测区域进行探测,得到所述待探测区域对应的雷达回波矩阵,并滤除所述雷达回波矩阵中的静态杂波;
需要说明的是,假设超宽带脉冲雷达发射脉冲信号为s(τ),则天线接收到的回波信号为:式中,n(τ,t)为接收机随机噪声信号。接着,对回波信号进行离散化处理,可以获得:式中,R(m,n)为雷达回波矩阵,δs和Ts分别表示快时间和慢时间的采样间隔,M和N分别表示快时间和慢时间的采样点总数,τv(t)为人体微动回波的时延,t和τ分别为慢时间和快时间,av为人体微动回波的幅度,ai为环境中静止物体回波的幅度,τi(t)为环境中静止物体回波的时延。
需要说明的是,所述滤除所述雷达回波矩阵中的静态杂波,包括:
利用减平均方法滤除所述雷达回波矩阵中的静态杂波。
其中,减平均方法具体的实现过程为:首先在一定的采样周期内寻找得到该周期的静止物体回波信号,接着利用每一束接收脉冲减去参考接收脉冲就可以得到目标回波信号。参考接收脉冲的表达式为:式中,M为每个采样周期的采样点数,i为当前采样周期数,N为参考脉冲总采样周期数。由此,得到的处理之后信号为:R[m,n]=R[m,n]-C[m]。
步骤2:根据滤除杂波后的雷达回波矩阵提取待探测区域内人体目标的体表振动信号;
在本公开实施例中,所述根据滤除杂波后的雷达回波矩阵提取待探测区域内人体目标的体表振动信号,包括:
计算所述滤除杂波后的雷达回波矩阵中各距离门对应慢时间序列的状态参数;
需要说明的是,所述状态参数包括:排列熵值或近似熵值或样本熵值或模糊熵值或方差或标准差或峰度或能量。
利用满足预设条件的状态参数对应的距离门确定所述待探测区域内的人体目标所在位置;
根据所述人体目标所在位置,从所述滤除杂波后的雷达回波矩阵中提取人体目标所在位置的距离门对应的慢时间序列,并将所述慢时间序列作为各人体目标的体表振动信号。
需要说明的是,所述利用满足预设条件的状态参数对应的距离门确定所述待探测区域内人体目标所在位置,包括:
将所述排列熵值最小值对应的距离门作为所述待探测区域内人体目标所在的距离门,然后基于所述距离门确定人体目标所在的位置;
示例的,设定快时间点m(即距离门m),慢时间序列长度为N,则慢时间序列表示为X[m,i]={y(1),y(2),...,y(i)},i=1,2,3...,N;Y∈RM×N,对它进行相空间重构,得到重构矩阵Y:
j=1,2,3,...,K,式中,τd为延迟时间,q为嵌入维数,K=N-(q-1)τd。在本实施例中,排列熵的参数设置如下:q为7,τd为1。相空间矩阵的每一行称为重构分量。将第j个重构分量中的元素按升序排列,得到新的重构分量:Xj={x(j+(j1-1)τd)≤x(j+(j2-1)τd)≤...≤x(j+(jq-1)τd)},式中,j1,j2,...,jq表示Xj维中各元素的位置。若其中元素相等,则按j值大小排序。对相空间矩阵的任意重构分量可以得到一组序列:S(l)={j1,j2,...,jq},其中,l={1,2,...,K},且K≤q!。q维序列产生q!种S(l)排序。计算每种S(l)序列不同排序的概率,所有的排序的概率和为1。则X[m,i]的排列熵可定义为:Hp的大小表示了慢时间序列X[m,i]的复杂性,Hp的值越小,说明时间序列变化越规则。反之,时间序列变化越随机。在雷达回波矩阵RM×N中,人类目标位置范围的慢时间方向数据变化相对规则,所以人体目标区域对应的排列熵值较低。
或者,将所述近似熵值最小值对应的距离门作为所述待探测区域内人体目标所在的距离门,然后基于所述距离门确定人体目标所在的位置;
示例的,设定快时间点m(即距离门m),慢时间序列长度为N,则慢时间序列表示为X[m,i]={y(1),y(2),...,y(i)},i=1,2,3...,N;Y∈RM×N,对所述慢时间序列重构b维向量;其中,所述b维向量可以表示为Yk={y(k),y(k+1),...,y(k+b-1)},k=1,2,3...,N-b+1,参数b通常设置为2或3;
计算重构的b维向量中任一向量与所述重构的b维向量中其他向量之间的距离,其中,所述距离为两向量对应元素差值的绝对值的最大值;
将b增加1,重复上述步骤得到φb+1(r),从而求出距离门m的近似熵A为A=φb+1(r)-φb(r)。
或者,将所述样本熵值最小值对应的距离门作为所述待探测区域内人体目标所在的距离门,然后基于所述距离门确定人体目标所在的位置;
或者,将所述模糊熵值最小值对应的距离门作为所述待探测区域内人体目标所在的距离门,然后基于所述距离门确定人体目标所在的位置;
或者,将所述方差最大值对应的距离门作为所述待探测区域内人体目标所在的距离门,然后基于所述距离门确定人体目标所在的位置;
示例的,计算每个距离门的方差,然后选择最大方差距离门作为人体目标所在距离门,所述距离门m的方差的计算公式为:
其中,m为距离门标号,N为慢时间采样点,Rm,i表示距离门m在第i个慢时间采样点的幅度值。
或者,将所述标准差最大值对应的距离门作为所述待探测区域内人体目标所在的距离门,然后基于所述距离门确定人体目标所在的位置,
示例的,计算每个距离门的标准差,然后选择最大标准差距离门作为人体目标所在距离门,所述距离门m的标准差计算公式为:
或者,将所述峰度最大值对应的距离门作为所述待探测区域内人体目标所在的距离门,然后基于所述距离门确定人体目标所在的位置,
示例的,计算每个距离门的峰度,然后选择最大峰度距离门作为人体目标所在距离门。所述距离门m的峰度计算公式为:
或者,将所述能量最大值对应的距离门作为所述待探测区域内人体目标所在的距离门,然后基于所述距离门确定人体目标所在的位置。
示例的,首先计算每个距离门的能量,然后选择最大能量距离门作为人体目标所在距离门。所述距离门m的能量计算公式为:
需要说明的是,然后基于所述距离门确定人体目标所在的位置,包括:
在本公开实施例中,在利用模态分解法对所述体表振动信号进行模态分解,之前还包括:对所述体表振动信号进行巴特沃斯滤波;
其中,所述对所述体表振动信号进行巴特沃斯滤波,包括:
利用巴特沃斯滤波器滤除所述体表振动信号中大于预设频率的高频信号。
需要说明的是,所述预设频率可以为3Hz,所述巴特沃斯滤波器的振幅和频率关系如下:
其中:H(jη)为巴特沃斯滤波器的输出振幅;ηc为截止频率;Nf为滤波阶数,滤波器的过渡带与其大小有关,阶数越大,过渡带越陡峭。
步骤3:利用模态分解法对滤波后的体表振动信号进行模态分解,得到所述滤波后的体表振动信号对应的各本征模态函数;
需要说明的是,所述模态分解法,可以包括:集成经验模态分解法、经验模态分解法、基于时变滤波器的经验模态分解法和基于窗平均经验模态分解法。
示例的,所述集成经验模态分解(Ensemble Empirical Mode Decomposition,EEMD)向原始信号中加入高斯白噪声,使原始信号在不同尺度上具有连续性,从而促进模态分解,其分解过程为:
(1)在滤波后的体表振动信号x(t)中添加白噪声,得到含噪x'(t);
(2)对x'(t)进行EMD经验模态分解,得到对应的本征模态函数IMF;
(3)重复(1)、(2)M次,要求每次加入原信号白噪声不同,但其标准差相同;
(4)将M次对应层的本征模态函数IMF叠加并取平均,作为最后的对应层本征模态函数IMF。
示例的,所述对x'(t)进行EMD经验模态分解,包括:
(1)确定信号x'(t)上所有的极大值点和极小值点,将所有的极大值点和极小值点分别用三次样条曲线连接起来,并将这两条曲线分别作为x'(t)的上下包络线。计算出它们的平均值曲线q1(t),用x'(t)减去q1(t),得h1(t)=x'(t)-q1(t);
(2)判断h1(t)是否满足IMF的条件。如果h1(t)不满足IMF的条件,将h1(t)作为原信号,重复上面的步骤(1)得到h2(t);这样依次筛选k次,直到hk(t)成为一个IMF。如此就从原信号中分解出了第一个IMF,称为第一阶IMF,即c1(t)=hk(t)。从原信号中减去c1(t),得到第一阶剩余信号r1(t),即r1(t)=x'(t)-c1(t)。
(3)把r1(t)作为新的原信号,重复步骤(1)和(2),获得r2(t)。对后面的rg(t)也进行同样的筛选,这样依次得到第二阶IMF,...,第n阶IMF和第二阶剩余信号,...,第n阶剩余信号。当第n阶IMF分量cn(t)或其余量rn(t)小于预先设定的值或rn(t)变成一个单调函数时,筛选结束。
步骤4:利用小波分析法确定所述各本征模态函数的主频率,并筛选出所述主频率在预设的呼吸和心跳频带范围内的本征模态函数;
需要说明的是,确定所述各本征模态函数的主频率,包括:
利用小波分析法对所述各本征模态函数的时频特性进行分析,确定所述各本征模态函数的各频率对应的小波方差;
需要说明的是,在本实施例中选择complex morlet小波作为基小波函数,对各本征模态函数进行小波分析得到各本征模态函数对应的小波变换系数矩阵,求各小波变换系数矩阵中各频率对应的小波方差;
将每个本征模态函数中小波方差最大值对应的频率作为所述每个本征模态函数对应的主频率。
步骤5:基于筛选出的本征模态函数重构呼吸和心跳信号;
在本公开实施例中,所述基于筛选出的本征模态函数重构呼吸和心跳信号,包括:
将筛选出的主频率在预设的呼吸频带范围内的呼吸信号的各本征模态函数相加得到重构的呼吸信号;
将筛选出的主频率在预设的心跳频带范围内的心跳信号的各本征模态函数相加得到重构的心跳信号。
其中,所述预设的呼吸频带范围可以为0.1Hz~0.5Hz,预设的心跳频带范围可以为0.8Hz~3.0Hz。
步骤6:基于随机共振系统和重构的所述呼吸及心跳信号确定探测到的人体目标的生命信息。
在本公开实施例中,所述基于随机共振系统和重构的所述呼吸及心跳信号确定探测到的人体目标的生命信息,包括:
计算所述呼吸信号的四阶累积量,并对所述呼吸信号的四阶累积量进行快速傅里叶变换,以提取人体目标的呼吸频率;
将所述心跳信号输入随机共振系统中,利用寻优算法进行随机共振系统参数的自适应寻优,得到优化后的随机共振结果,然后对所述优化后的随机共振结果进行快速傅里叶变换,以提取人体目标的心跳频率。
需要说明的是,所述寻优算法包括:粒子群算法、人工鱼群算法和蚁群算法。
采用四阶龙格-库塔算法(Runge-Kutta)对所述模型进行数值求解,如下式所示:
k1=h*(a*x(i)-b*x(i).^3+x1(i));
k2=h*(a*(x(i)+k1/2)-b*(x(i)+k1/2).^3+x1(i));
k3=h*(a*(x(i)+k2/2)-b*(x(i)+k2/2).^3+x1(i+1));
k4=h*(a*(x(i)+k3)-b*(x(i)+k3).^3+x1(i+1));
x(i+1)=x(i)+(1/6)*(k1+2*k2+2*k3+k4);
式中,x(i)为系统输出,x1(i)为系统输入,h为数值计算步长。
在本公开实施例中,将重构的心跳信号作为系统输入,将随机共振系统输出信号的信噪比作为适应度函数,利用粒子群算法对随机共振系统的结构参数a、b和计算步长h三个参数进行协同优化。
其中,所述的粒子群算法包括:
设在D维空间中,粒子群X=(x1,…,x e,…,xE)由E个粒子组成,其中第e个粒子的位置表示为一个D维向量Xe=(Xe1,Xe2,...,XeD)T,粒子速度表示为Ve=(Ve1,Ve2,...,VeD)T,个体极值表示为Pbeste=(Pe1,Pe2,...,PeD)T,群体极值表示为Nbest=(N1,N2,...,ND)T。在本实施例中,D为3。
步骤1:设置粒子数量E,参数a、b和h的搜索范围,最大迭代次数Tmax,最大搜索速度取最大调整步长的10%~20%,这里的最大调整步长指的是所设定的粒子位置范围的上限值减去粒子位置范围的下限值所得的差值。随机初始化各个粒子的位置和速度,设置各个粒子的个体极值坐标为其当前位置,设置群体极值为个体极值最大的粒子的当前位置。
步骤2:根据上述公式计算各个粒子的适应度函数值,与该粒子当前的个体极值进行比较,若大于后者,则设置Pbeste为该粒子的位置,并更新个体极值。若在该粒子邻域内所有粒子的个体极值最大值大于当前的Nbest,则设置Nbest为该粒子的位置,并更新群体极值。
步骤3:按照公式更新所有粒子的位置和速度。其中,所述更新的计算式为:Vi(t+1)=wVi(t)+c1r1(t)[Pbeste(t)-Ve(t)]+c2r2(t)[Nbest(t)-Ve(t)]、Xe(t+1)=Xe(t)+Ve(t+1),其中,j=1,2,…,D;t为当前迭代次数;r1,r2为均匀分布于[0,1]之间的随机数;c1,c2为学习因子,通常取c1=c2=2;w为惯性权重,即保持原来速度的系数,其计算公式为式中,wmax为惯性权重上限,wmin为惯性权重下限,Tmax为最大迭代次数。
步骤4:判断当前的迭代次数是否达到最大迭代次数Tmax,若满足条件则停止迭代,并输出经过粒子群算法寻找到的最优参数a、b和h,否则转至步骤2。
需要说明的是,在得到随机共振系统参数最优时的系统输出的结果后,还需要对随机共振系统参数最优时的系统输出结果进行快速傅里叶变换提取峰值频率,再经过尺度变换后得到人体目标的心跳频率。
具体的,所述尺度变换的具体过程为:fh=fmax×h×fs
式中,fh为心跳频率,fmax为峰值频率,fs为雷达的慢时间采样频率。
综上所述本申请提出的一种基于雷达信号的生命探测方法,采用超宽带雷达对待探测区域进行探测,得到所述待探测区域对应的雷达回波矩阵,并滤除所述雷达回波矩阵中的静态杂波;根据滤除杂波后的雷达回波矩阵提取待探测区域内人体目标的体表振动信号;利用模态分解法对所述体表振动信号进行模态分解,得到所述体表振动信号对应的各本征模态函数;利用小波分析法确定所述各本征模态函数的主频率,并筛选出所述主频率在预设的呼吸和心跳频带范围内的本征模态函数;基于筛选出的本征模态函数重构呼吸和心跳信号;基于随机共振系统和重构的所述呼吸及心跳信号确定探测到的人体目标的生命信息。本发明提供的技术方法,抗干扰能力强可以准确快速的探测环境中人体目标的呼吸频率和心跳频率。
实施例2
进一步地,图2为根据本申请一个实施例提供的一种基于雷达信号的生命探测系统,如图2所示,所述生命探测系统包括:
第一滤波模块100,用于采用超宽带雷达对待探测区域进行探测,得到所述待探测区域对应的雷达回波矩阵,并滤除所述雷达回波矩阵中的静态杂波;
提取模块200,用于根据滤除杂波后的雷达回波矩阵提取待探测区域内人体目标的体表振动信号;
模态分解模块300,用于利用模态分解法对所述体表振动信号进行模态分解,得到所述体表振动信号对应的各本征模态函数;
筛选模块400,用于利用小波分析法确定所述各本征模态函数的主频率,并筛选出所述主频率在预设的呼吸和心跳频带范围内的本征模态函数;
重构模块500,用于基于筛选出的本征模态函数重构呼吸和心跳信号;
确定模块600,用于基于随机共振系统和重构的所述呼吸及心跳信号确定探测到的人体目标的生命信息。
在本公开实施例中,所述根据滤除杂波后的雷达回波矩阵提取待探测区域内人体目标的体表振动信号,包括:
计算所述滤除杂波后的雷达回波矩阵中各距离门对应慢时间序列的状态参数;
将满足预设条件的状态参数对应的距离门作为所述待探测区域内的人体目标所在位置;
根据所述人体目标所在位置,从所述滤除杂波后的雷达回波矩阵中提取人体目标所在位置的距离门对应的慢时间序列,并将所述慢时间序列作为各人体目标的体表振动信号。
需要说明的是,所述状态参数,包括:排列熵值或近似熵值或样本熵值或模糊熵值或方差或标准差或峰度或能量;
需要说明的是,所述将满足预设条件的状态参数对应的距离门作为所述待探测区域内人体目标所在位置,包括:
将所述排列熵值最小值对应的距离门作为所述待探测区域内人体目标所在位置,或者,
将所述近似熵值最小值对应的距离门作为所述待探测区域内人体目标所在的距离门,然后基于所述距离门确定人体目标所在的位置,或者,
将所述样本熵值最小值对应的距离门作为所述待探测区域内人体目标所在的距离门,然后基于所述距离门确定人体目标所在的位置,或者,
将所述模糊熵值最小值对应的距离门作为所述待探测区域内人体目标所在的距离门,然后基于所述距离门确定人体目标所在的位置,或者,
将所述方差最大值对应的距离门作为所述待探测区域内人体目标所在位置,或者,
将所述标准差最大值对应的距离门作为所述待探测区域内人体目标所在位置,或者,
将所述峰度最大值对应的距离门作为所述待探测区域内人体目标所在位置,或者,
将所述能量最大值对应的距离门作为所述待探测区域内人体目标所在位置。
在本公开实施例中,在利用模态分解法对所述体表振动信号进行模态分解,之前还包括:对所述体表振动信号进行巴特沃斯滤波;
其中,所述对所述体表振动信号进行巴特沃斯滤波,包括:
利用巴特沃斯滤波器滤除所述体表振动信号中大于预设频率的高频信号。
需要说明的是,所述模态分解法,包括:
集成经验模态分解法、经验模态分解法、基于时变滤波器的经验模态分解法和基于窗平均经验模态分解法。
具体的,利用小波分析法确定所述各本征模态函数的主频率,包括:
利用小波分析法对所述各本征模态函数的时频特性进行分析,确定所述各本征模态函数的各频率对应的小波方差;
将每个本征模态函数中小波方差最大值对应的频率作为所述每个本征模态函数对应的主频率。
在本公开实施例中,所述重构模块500具体用于:
将筛选出的主频率在预设的呼吸频带范围内的呼吸信号的各本征模态函数相加得到重构的呼吸信号;
将筛选出的主频率在预设的心跳频带范围内的心跳信号的各本征模态函数相加得到重构的心跳信号。
在本公开实施例中,所述确定模块600具体用于:
计算所述呼吸信号的四阶累积量,并对所述呼吸信号的四阶累积量进行快速傅里叶变换,以提取人体目标的呼吸频率;
将所述心跳信号输入随机共振系统中,利用寻优算法进行随机共振系统参数的自适应寻优,得到优化后的随机共振结果,然后对所述优化后的随机共振结果进行快速傅里叶变换,以提取人体目标的心跳频率。
进一步的,所述寻优算法包括:粒子群算法、人工鱼群算法和蚁群算法。
综上所述本申请提出的一种基于雷达信号的生命探测系统,抗干扰能力强可以准确快速的探测环境中人体目标的呼吸频率和心跳频率。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为,表示包括一个或更多个用于实现定制逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分,并且本申请的优选实施方式的范围包括另外的实现,其中可以不按所示出或讨论的顺序,包括根据所涉及的功能按基本同时的方式或按相反的顺序,来执行功能,这应被本申请的实施例所属技术领域的技术人员所理解。
尽管上面已经示出和描述了本申请的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本申请的限制,本领域的普通技术人员在本申请的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (10)
1.一种基于雷达信号的生命探测方法,其特征在于,所述方法包括:
采用超宽带雷达对待探测区域进行探测,得到所述待探测区域对应的雷达回波矩阵,并滤除所述雷达回波矩阵中的静态杂波;
根据滤除杂波后的雷达回波矩阵提取待探测区域内人体目标的体表振动信号;
利用模态分解法对所述体表振动信号进行模态分解,得到所述体表振动信号对应的各本征模态函数;
利用小波分析法确定所述各本征模态函数的主频率,并筛选出所述主频率在预设的呼吸和心跳频带范围内的本征模态函数;
基于筛选出的本征模态函数重构呼吸和心跳信号;
基于随机共振系统和重构的所述呼吸及心跳信号确定探测到的人体目标的生命信息。
2.如权利要求1所述的生命探测方法,其特征在于,所述根据滤除杂波后的雷达回波矩阵提取待探测区域内人体目标的体表振动信号,包括:
计算所述滤除杂波后的雷达回波矩阵中各距离门对应慢时间序列的状态参数;
利用满足预设条件的状态参数对应的距离门确定所述待探测区域内的人体目标所在位置;
根据所述人体目标所在位置,从所述滤除杂波后的雷达回波矩阵中提取人体目标所在位置的距离门对应的慢时间序列,并将所述慢时间序列作为各人体目标的体表振动信号。
3.如权利要求2所述的生命探测方法,其特征在于,所述状态参数,包括:排列熵值或近似熵值或样本熵值或模糊熵值或方差或标准差或峰度或能量;
所述利用满足预设条件的状态参数对应的距离门确定所述待探测区域内的人体目标所在位置,包括:
将所述排列熵值最小值对应的距离门作为所述待探测区域内人体目标所在的距离门,然后基于所述距离门确定人体目标所在的位置,或者,
将所述近似熵值最小值对应的距离门作为所述待探测区域内人体目标所在的距离门,然后基于所述距离门确定人体目标所在的位置,或者,
将所述样本熵值最小值对应的距离门作为所述待探测区域内人体目标所在的距离门,然后基于所述距离门确定人体目标所在的位置,或者,
将所述模糊熵值最小值对应的距离门作为所述待探测区域内人体目标所在的距离门,然后基于所述距离门确定人体目标所在的位置,或者,
将所述方差最大值对应的距离门作为所述待探测区域内人体目标所在的距离门,然后基于所述距离门确定人体目标所在的位置,或者,
将所述标准差最大值对应的距离门作为所述待探测区域内人体目标所在的距离门,然后基于所述距离门确定人体目标所在的位置,或者,
将所述峰度最大值对应的距离门作为所述待探测区域内人体目标所在的距离门,然后基于所述距离门确定人体目标所在的位置,或者,
将所述能量最大值对应的距离门作为所述待探测区域内人体目标所在的距离门,然后基于所述距离门确定人体目标所在的位置。
4.如权利要求1所述的生命探测方法,其特征在于,在利用模态分解法对所述体表振动信号进行模态分解,之前还包括:对所述体表振动信号进行巴特沃斯滤波;
其中,对所述体表振动信号进行巴特沃斯滤波,包括:
利用巴特沃斯滤波器滤除所述体表振动信号中大于预设频率的高频信号。
5.如权利要求1所述的生命探测方法,其特征在于,所述模态分解法,包括:
集成经验模态分解法、经验模态分解法、基于时变滤波器的经验模态分解法和基于窗平均经验模态分解法。
6.如权利要求5所述的生命探测方法,其特征在于,确定所述各本征模态函数的主频率,包括:
利用小波分析法对所述各本征模态函数的时频特性进行分析,确定所述各本征模态函数的各频率对应的小波方差;
将每个本征模态函数中小波方差最大值对应的频率作为所述每个本征模态函数对应的主频率。
7.如权利要求6所述的生命探测方法,其特征在于,所述基于筛选出的本征模态函数重构呼吸和心跳信号,包括:
将筛选出的主频率在预设的呼吸频带范围内的呼吸信号的各本征模态函数相加得到重构的呼吸信号;
将筛选出的主频率在预设的心跳频带范围内的心跳信号的各本征模态函数相加得到重构的心跳信号。
8.如权利要求7所述的生命探测方法,其特征在于,所述基于随机共振系统和重构的所述呼吸及心跳信号确定探测到的人体目标的生命信息,包括:
计算所述呼吸信号的四阶累积量,并对所述呼吸信号的四阶累积量进行快速傅里叶变换,以提取人体目标的呼吸频率;
将所述心跳信号输入随机共振系统中,利用寻优算法进行随机共振系统参数的自适应寻优,得到优化后的随机共振结果,然后对所述优化后的随机共振结果进行快速傅里叶变换,以提取人体目标的心跳频率。
9.如权利要求8所述的生命探测方法,其特征在于,
所述寻优算法包括:粒子群算法、人工鱼群算法和蚁群算法。
10.一种基于雷达信号的生命探测系统,其特征在于,所述生命探测系统包括:
第一滤波模块,用于采用超宽带雷达对待探测区域进行探测,得到所述待探测区域对应的雷达回波矩阵,并滤除所述雷达回波矩阵中的静态杂波;
提取模块,用于根据滤除杂波后的雷达回波矩阵提取待探测区域内人体目标的体表振动信号;
模态分解模块,用于利用模态分解法对所述体表振动信号进行模态分解,得到所述体表振动信号对应的各本征模态函数;
筛选模块,用于利用小波分析法确定所述各本征模态函数的主频率,并筛选出所述主频率在预设的呼吸和心跳频带范围内的本征模态函数;
重构模块,用于基于筛选出的本征模态函数重构呼吸和心跳信号;
确定模块,用于基于随机共振系统和重构的所述呼吸和心跳信号确定探测到的人体目标的生命信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210365344.7A CN114779238A (zh) | 2022-04-07 | 2022-04-07 | 一种基于雷达信号的生命探测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210365344.7A CN114779238A (zh) | 2022-04-07 | 2022-04-07 | 一种基于雷达信号的生命探测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114779238A true CN114779238A (zh) | 2022-07-22 |
Family
ID=82427982
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210365344.7A Pending CN114779238A (zh) | 2022-04-07 | 2022-04-07 | 一种基于雷达信号的生命探测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114779238A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115969339A (zh) * | 2023-02-13 | 2023-04-18 | 山东师范大学 | 非接触的心率监测方法、系统、存储介质及设备 |
CN116058818A (zh) * | 2023-02-21 | 2023-05-05 | 天津大学 | 基于多序列woa-vmd算法的超宽带雷达心率检测方法 |
CN117031464A (zh) * | 2023-07-25 | 2023-11-10 | 南京航空航天大学 | 一种舱内运动活体与动目标干扰区分方法和装置 |
-
2022
- 2022-04-07 CN CN202210365344.7A patent/CN114779238A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115969339A (zh) * | 2023-02-13 | 2023-04-18 | 山东师范大学 | 非接触的心率监测方法、系统、存储介质及设备 |
CN116058818A (zh) * | 2023-02-21 | 2023-05-05 | 天津大学 | 基于多序列woa-vmd算法的超宽带雷达心率检测方法 |
CN116058818B (zh) * | 2023-02-21 | 2024-05-10 | 天津大学 | 基于多序列woa-vmd算法的超宽带雷达心率检测方法 |
CN117031464A (zh) * | 2023-07-25 | 2023-11-10 | 南京航空航天大学 | 一种舱内运动活体与动目标干扰区分方法和装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114779238A (zh) | 一种基于雷达信号的生命探测方法及系统 | |
CN109407067B (zh) | 基于时频图卷积神经网络的雷达动目标检测与分类一体化方法 | |
CN108520199B (zh) | 基于雷达图像与生成对抗模型的人体动作开集识别方法 | |
CN106778610B (zh) | 一种基于时频图像特征的脉内调制识别方法 | |
CN101634709B (zh) | 基于多尺度积和主成分分析的sar图像变化检测方法 | |
CN110007366B (zh) | 一种基于多传感器融合的生命搜寻方法以及系统 | |
CN108447041B (zh) | 一种基于增强学习的多源图像融合方法 | |
US20180083656A1 (en) | Blind Source Separation of Signals Having Low Signal-to-Noise Ratio | |
CN104793253A (zh) | 基于数学形态学的航空电磁数据去噪方法 | |
CN107167802A (zh) | 一种基于超宽带雷达的呼吸信号检测算法 | |
CN109871733A (zh) | 一种自适应海杂波信号去噪方法 | |
CN109031229B (zh) | 一种杂波环境下目标跟踪的概率假设密度方法 | |
CN113850204A (zh) | 一种基于深度学习和超宽带雷达的人体动作识别方法 | |
CN114677419A (zh) | 基于三维卷积网络的雷达多普勒信号低慢小目标检测方法 | |
Kwon et al. | Human detection by deep neural networks recognizing micro-Doppler signals of radar | |
Nuhoglu et al. | Image segmentation for radar signal deinterleaving using deep learning | |
CN113341392B (zh) | 一种基于多站雷达微多普勒运动测向的人体行为分类方法 | |
Xu et al. | Marine radar small target classification based on block-whitened time–frequency spectrogram and pre-trained CNN | |
CN108196238B (zh) | 高斯背景下基于自适应匹配滤波的杂波图检测方法 | |
CN105204010A (zh) | 低信杂比合成孔径雷达图像的地物目标检测方法 | |
CN108387879B (zh) | 基于自适应归一化匹配滤波的杂波图单元中值检测方法 | |
Yun et al. | Radar signal recognition algorithms based on neural network and grey relation theory | |
Bagwe et al. | Automated Radar Signal Analysis Based on Deep Learning | |
CN104463325A (zh) | 一种极地探冰雷达原始数据噪声抑制方法 | |
CN115345216A (zh) | 一种融合先验信息的fmcw雷达干扰消除方法 |
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 |