CN115016033A - 一种基于奇异谱分解算法的生命信息探测方法及系统 - Google Patents
一种基于奇异谱分解算法的生命信息探测方法及系统 Download PDFInfo
- Publication number
- CN115016033A CN115016033A CN202210825999.8A CN202210825999A CN115016033A CN 115016033 A CN115016033 A CN 115016033A CN 202210825999 A CN202210825999 A CN 202210825999A CN 115016033 A CN115016033 A CN 115016033A
- Authority
- CN
- China
- Prior art keywords
- singular
- human body
- heartbeat
- respiratory
- energy
- 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
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V11/00—Prospecting or detecting by methods combining techniques covered by two or more of main groups G01V1/00 - G01V9/00
-
- 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
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Geophysics (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本申请提出的一种基于奇异谱分解算法的生命信息探测方法及系统,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背景杂波;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生命体征信号;利用奇异谱分解算法对所述生命体征信号进行分解,得到所述生命体征信号对应的各奇异谱分量;根据各奇异谱分量在呼吸和心跳频带内的能量百分比,重构呼吸和心跳信号;对重构后的呼吸和心跳信号分别进行傅里叶变换,得到所述人体目标的生命信息。本发明提供的技术方案,基于奇异谱分解算法,可以准确快速的探测到人体目标的生命信息。
Description
技术领域
本申请涉及生命信息探测技术领域,尤其涉及一种基于奇异谱分解算法的生命信息探测方法及系统。
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。
现有探测生命信息中的呼吸频率和心跳频率是通过单帧信号的傅里叶频谱分析获得。但是当采样频率固定时,时间序列越长,频谱越好,因此需要长期客观的数据,但是降低了雷达的效率。除此之外,由改进的模式分解(Empirical Mode Decomposition,EMD),如总体平均经验模态分解(Ensemble Empirical Mode Decomposition,EEMD)、自适应白噪声的完整经验模态分解(Complete Ensemble Empirical Mode Decomposition of AdaptiveNoise,CEEMDAN)及其衍生出的通过划分高、低频分量降噪的诸多方法中,大部分只是针对分量中的高频成分进行降噪处理而忽略了低频分量中的少量噪声,这样的低频分量直接用于重构会严重影响频率估计精度,进而使得生命信息探测的准确性较低。
发明内容
本申请提供一种基于奇异谱分解算法的生命信息探测方法及系统,以至少解决相关技术中的生命信息探测的准确性较低的技术问题。
本申请第一方面实施例提出一种基于奇异谱分解算法的生命信息探测方法,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背景杂波;
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生命体征信号;
利用奇异谱分解算法对所述生命体征信号进行分解,得到所述生命体征信号对应的各奇异谱分量;
根据各奇异谱分量在呼吸和心跳频带内的能量百分比,重构呼吸和心跳信号;
对重构后的呼吸和心跳信号分别进行傅里叶变换,得到所述人体目标的生命信息。
优选的,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生命体征信号,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样本熵和所述人体目标的胸腔距离在接受脉冲中占据的点数;
将样本熵最小值对应的距离门作为所述人体目标所在的距离门,并基于所述人体目标所在的距离门确定所述人体目标所在位置;
根据所述位置和所述人体目标的胸腔距离在接受脉冲中占据的点数确定所述人体目标所在位置对应距离门的相邻距离门;
提取所述人体目标所在位置对应距离门的回波信号及其相邻距离门的回波信号,并将提取的所述回波信号重组排列成行,得到所述人体目标的生命体征信号。
优选的,所述利用奇异谱分解算法对所述生命体征信号进行分解,得到所述生命体征信号对应的各奇异谱分量,包括:
利用奇异谱分解算法将所述生命体征信号分解成m个奇异谱分量和一个趋势项之和;
其中,所述m是基于所述生命体征信号分解过程中的迭代次数确定的。
优选的,所述根据各奇异谱分量在呼吸和心跳频带内的能量百分比,重构呼吸和心跳信号,包括:
分别确定各奇异谱分量在呼吸频带内的能量百分比及各奇异谱分量在心跳频带内的能量百分比;
分别在各奇异谱中筛选出呼吸频带内的能量百分大于预设的呼吸能量比阈值的奇异谱分量和心跳频带内的能量百分比大于预设的心跳能量比阈值的奇异谱分量;
基于所述呼吸频带内的能量百分大于预设的呼吸能量比阈值的奇异谱分量重构呼吸信号;
基于所述心跳频带内的能量百分比大于预设的心跳能量比阈值的奇异谱分量重构心跳信号。
进一步的,所述基于所述呼吸频带内的能量百分大于预设的呼吸能量比阈值的奇异谱分量重构呼吸信号,包括:
确定所述呼吸频带内的能量百分大于预设的呼吸能量比阈值的各奇异谱分量之和,并将所述各奇异谱分量之和作为重构的呼吸信号;
所述基于所述心跳频带内的能量百分比大于预设的心跳能量比阈值的奇异谱分量重构心跳信号,包括:
确定所述心跳频带内的能量百分大于预设的心跳能量比阈值的各奇异谱分量之和,并将所述各奇异谱分量之和作为重构的心跳信号。
本申请第二方面实施例提出一种基于奇异谱分解算法的生命信息探测系统,包括:
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背景杂波;
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生命体征信号;
分解模块,用于利用奇异谱分解算法对所述生命体征信号进行分解,得到所述生命体征信号对应的各奇异谱分量;
重构模块,用于根据各奇异谱分量在呼吸和心跳频带内的能量百分比,重构呼吸和心跳信号;
变换模块,用于对重构后的呼吸和心跳信号分别进行傅里叶变换,得到所述人体目标的生命信息。
优选的,所述提取模块,包括:
计算单元,用于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样本熵和所述人体目标的胸腔距离在接受脉冲中占据的点数;
第一确定单元,用于将样本熵最小值对应的距离门作为所述人体目标所在的距离门,并基于所述人体目标所在的距离门确定所述人体目标所在位置;
第二确定单元,用于根据所述位置和所述人体目标的胸腔距离在接受脉冲中占据的点数确定所述人体目标所在位置对应距离门的相邻距离门;
提取单元,用于提取所述人体目标所在位置对应距离门的回波信号及其相邻距离门的回波信号,并将提取的所述回波信号重组排列成行,得到所述人体目标的生命体征信号。
优选的,所述分解模块,用于:
利用奇异谱分解算法将所述生命体征信号分解成m个奇异谱分量和一个趋势项之和;
其中,所述m是基于所述生命体征信号分解过程中的迭代次数确定的。
优选的,所述重构模块,包括:
第三确定单元,用于分别确定各奇异谱分量在呼吸频带内的能量百分比及各奇异谱分量在心跳频带内的能量百分比;
筛选单元,用于分别在各奇异谱中筛选出呼吸频带内的能量百分大于预设的呼吸能量比阈值的奇异谱分量和心跳频带内的能量百分比大于预设的心跳能量比阈值的奇异谱分量;
第一重构单元,用于基于所述呼吸频带内的能量百分大于预设的呼吸能量比阈值的奇异谱分量重构呼吸信号;
第二重构单元,用于基于所述心跳频带内的能量百分比大于预设的心跳能量比阈值的奇异谱分量重构心跳信号。
进一步的,所述第一重构单元,用于:
确定所述呼吸频带内的能量百分大于预设的呼吸能量比阈值的各奇异谱分量之和,并将所述各奇异谱分量之和作为重构的呼吸信号;
所述第二重构单元,用于:
确定所述心跳频带内的能量百分大于预设的心跳能量比阈值的各奇异谱分量之和,并将所述各奇异谱分量之和作为重构的心跳信号。
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奇异谱分解算法的生命信息探测方法及系统,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背景杂波;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生命体征信号;利用奇异谱分解算法对所述生命体征信号进行分解,得到所述生命体征信号对应的各奇异谱分量;根据各奇异谱分量在呼吸和心跳频带内的能量百分比,重构呼吸和心跳信号;对重构后的呼吸和心跳信号分别进行傅里叶变换,得到所述人体目标的生命信息。本发明提供的技术方案,基于奇异谱分解算法,可以准确快速的探测到人体目标的生命信息。
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一种基于奇异谱分解算法的生命信息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奇异谱分解算法的生命信息探测系统的结构图。
图3为根据本申请一个实施例提供的一种基于奇异谱分解算法的生命信息探测系统中提取模块的结构图;
图4为根据本申请一个实施例提供的一种基于奇异谱分解算法的生命信息探测系统中的重构模块的结构图。
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奇异谱分解算法的生命信息探测方法及系统。
实施例1
图1为根据本申请一个实施例提供的一种基于奇异谱分解算法的生命信息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背景杂波;
其中,所述雷达回波矩阵的计算式可以为:
式中,τ=mTf,m=1,2,3,…,M,M∈Z+,Tf为快时间方向的采样间隔;t=nTs,n=1,2,…,N,N∈Z+,Z+为正整数,Ts为慢时间方向的采样间隔,τ和t分别表示雷达扫描数据中的快时间和慢时间,Av为目标人体微动回波的幅值。
需要说明的是,采用道信号相减法或时间减平法或线性趋势抑制或自动增益控制法或慢时间滤波法对雷达回波矩阵中的背景杂波进行消除。
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生命体征信号;
在本公开实施例中,所述步骤2包括:
步骤2-1: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样本熵和所述人体目标的胸腔距离在接受脉冲中占据的点数;
其中,所述样本熵的计算如下所示:
假设快时间m1,对长度为N慢时间序列X[m1,i]={y(1),y(2),…,y(i)},i=1,2,3,…,N,Y∈RM×N,按序号组成一组维数为q的向量序列,Yq(1),…,Yq(N-q+1),其中Yq(i)={y(i),y(i+1),…,y(i+q-1)},1≤i≤N-q+1,这些向量代表从第i个开始的q个连续的y的值。定义向量Yq(i)和Yq(j)之间的距离d[Yq(i),Yq(j)]为两者对应元素的最大差值的绝对值,即d[Yq(i),Yq(j)]=maxk=0,…,m-1(|x(i+k)-x(j+k)|),对于给定的Yq(i),统计Yq(i)和Yq(j)之间的距离小于等于r的j(1≤j≤N-q,j≠i)的数目,并记为Bi。对于1≤i≤N-q,定义:定义B(q)(r)为:增加维数到q+1,统计Yq+1(i)和Yq+1(j)之间的距离小于等于r的j(1≤j≤N-q,j≠i)的数目,并记为Ai。对于1≤i≤N-q,定义:定义A(q)(r)为:这样,B(q)(r)是两个序列在相似容r下的匹配q点的概率,而A(q)(r)是两个序列匹配q+1点的概率。样本熵的定义为:当q为有限值时,可以用下式估计:样本熵(SampEn)的取值范围为[0,1],SampEn的大小表示了慢时间序列X[m1,i]的复杂性,SampEn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。
需要说明的是,所述人体目标的胸腔距离在接受脉冲中占据的点数的计算式可以为:
Ptho=2Dtho/vTf
式中,Ptho为人体目标的胸腔距离在接受脉冲中占据的点数,Dtho为人体目标的胸腔的横向距离,v=3×108m/s,Tf为快时间方向的采样间隔。
步骤2-2:将样本熵最小值对应的距离门作为所述人体目标所在的距离门,并基于所述人体目标所在的距离门确定所述人体目标所在位置;
需要说明的是,根据人体目标所在的距离门Ppos,利用公式对人体目标进行距离估计,式中,Range为人体目标距雷达天线之间的距离。v为电磁波传播速度,在本实施例中等于3×108m/s,Tf为快时间采样间隔。
步骤2-3:根据所述位置和所述人体目标的胸腔距离在接受脉冲中占据的点数确定所述人体目标所在位置对应距离门的相邻距离门;
需要说明的是,选取与所述人体目标所在位置对应距离门的Ptho个相邻距离门为确定的所述人体目标所在位置对应距离门的相邻距离门。
步骤2-4:提取所述人体目标所在位置对应距离门的回波信号及其相邻距离门的回波信号,并将提取的所述回波信号重组排列成行,得到所述人体目标的生命体征信号。
步骤3:利用奇异谱分解算法对所述生命体征信号进行分解,得到所述生命体征信号对应的各奇异谱分量;
在本公开实施例中,所述步骤3包括:
利用奇异谱分解算法将所述生命体征信号分解成m个奇异谱分量和一个趋势项之和;
其中,所述m是基于所述生命体征信号分解过程中的迭代次数确定的。
具体的,所述奇异谱分解算法将所述生命体征信号分解成m个奇异谱分量和一个趋势项之和,包括:
(1)构建新轨迹矩阵:设定生命体征信号向量ζ(t)的嵌入维数和数据长度分别为M和N,构造一个M行N列的矩阵X,矩阵X的第i行表示为ζi(ζ(i),…ζ(N),ζ(1),…,ζ(i-1)),i=1,…M,矩阵X为:将X矩阵的右下角元素搬至左上角,得到新轨迹函数X(N×K),其中K=N-M+1。
(2)通过自适应选择嵌入维度的大小M:计算出第j次迭代时残余分量Vj(n)的功率谱密度(Power Spectral Density,PSD),残余分量:并估计与PSD最大峰值对应的频率fmax。在第一次迭代过程中,若fmax/fs<10-3(fs为采样频率,10-3为阈值),M设定为N/3,余量信号可视为一个趋势分量。当迭代次数大于1的时候,设定其中的嵌入维数M=1.2×(fs/fmax),是1.2倍分离的分量周期,有利于提高SSA辨识能力,确保SSD充分发挥自适应选择频谱滤波器的作用。
(3)重构经过j次迭代以后的奇异普分量:当迭代次数j=1时,从信号中检测出一个大的趋势项,通过首个左右特征向量来获取矩阵对该矩阵进行对角平分获得信号分量g(1)(n)。当迭代次数j>1时,时间尺度分量g(j)(n)频率成分集中在区间[fmax-Δf,fmax+Δf]。其中Δf代表余量信号v(j)(n)二分之一的主峰带宽。将左特征向量在频段[fmax-Δf,fmax+Δf]中具有突出谱峰的主向量的序号建立为一个子集Ij=(Ij={i1,…,ip}),然后使用这些主分量构建成矩阵最后对矩阵使用对角平均法获取相应SSC信号分量g(j)(n)。
(4)信号分解迭代停止条件设定:每次迭代分解获得新的奇异谱信号分量g(j)(n)时,也会得到新的余量信号:v(j+1)(n)=v(j)(n)-g(j)(n),在j次迭代以后,余量信号与原信号的归一化均方误差NMSE(Normalized Mean Squared Error,NMSE)计算公式如下:当归一化均方误差NMSE小于给定阈值(th=1%)时结束迭代分解;否则将余量信号v(j)(n)视为新输入信号继续分解流程,知道满足条件停止迭代。假设有m个奇异谱分量个数,SSD的分解结果为:
步骤4:根据各奇异谱分量在呼吸和心跳频带内的能量百分比,重构呼吸和心跳信号;
在本公开实施例中,所述步骤4包括:
分别确定各奇异谱分量在呼吸频带内的能量百分比及各奇异谱分量在心跳频带内的能量百分比;
分别在各奇异谱中筛选出呼吸频带内的能量百分大于预设的呼吸能量比阈值的奇异谱分量和心跳频带内的能量百分比大于预设的心跳能量比阈值的奇异谱分量;
基于所述呼吸频带内的能量百分大于预设的呼吸能量比阈值的奇异谱分量重构呼吸信号;
基于所述心跳频带内的能量百分比大于预设的心跳能量比阈值的奇异谱分量重构心跳信号。
进一步的,所述基于所述呼吸频带内的能量百分大于预设的呼吸能量比阈值的奇异谱分量重构呼吸信号,包括:
确定所述呼吸频带内的能量百分大于预设的呼吸能量比阈值的各奇异谱分量之和,并将所述各奇异谱分量之和作为重构的呼吸信号;
进一步的,所述基于所述心跳频带内的能量百分比大于预设的心跳能量比阈值的奇异谱分量重构心跳信号,包括:
确定所述心跳频带内的能量百分大于预设的心跳能量比阈值的各奇异谱分量之和,并将所述各奇异谱分量之和作为重构的心跳信号。
步骤5:对重构后的呼吸和心跳信号分别进行傅里叶变换,得到所述人体目标的生命信息。
综上所述,本申请提出的一种基于奇异谱分解算法的生命信息探测方法包括: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背景杂波;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生命体征信号;利用奇异谱分解算法对所述生命体征信号进行分解,得到所述生命体征信号对应的各奇异谱分量;根据各奇异谱分量在呼吸和心跳频带内的能量百分比,重构呼吸和心跳信号;对重构后的呼吸和心跳信号分别进行傅里叶变换,得到所述人体目标的生命信息。本发明提供的技术方案,基于奇异谱分解算法,可以准确快速的探测到人体目标的生命信息。
实施例2
图2为根据本申请一个实施例提供的一种基于奇异谱分解算法的生命信息探测系统,如图2所示,所述系统包括:
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背景杂波;
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生命体征信号;
分解模块300,用于利用奇异谱分解算法对所述生命体征信号进行分解,得到所述生命体征信号对应的各奇异谱分量;
重构模块400,用于根据各奇异谱分量在呼吸和心跳频带内的能量百分比,重构呼吸和心跳信号;
变换模块500,用于对重构后的呼吸和心跳信号分别进行傅里叶变换,得到所述人体目标的生命信息。
在本公开实施例中,如图3所示,所述提取模块200,包括:
计算单元201,用于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样本熵和所述人体目标的胸腔距离在接受脉冲中占据的点数;
第一确定单元202,用于将样本熵最小值对应的距离门作为所述人体目标所在的距离门,并基于所述人体目标所在的距离门确定所述人体目标所在位置;
第二确定单元203,用于根据所述位置和所述人体目标的胸腔距离在接受脉冲中占据的点数确定所述人体目标所在位置对应距离门的相邻距离门;
提取单元204,用于提取所述人体目标所在位置对应距离门的回波信号及其相邻距离门的回波信号,并将提取的所述回波信号重组排列成行,得到所述人体目标的生命体征信号。
在本公开实施例中,所述分解模块300,用于:
利用奇异谱分解算法将所述生命体征信号分解成m个奇异谱分量和一个趋势项之和;
其中,所述m是基于所述生命体征信号分解过程中的迭代次数确定的。
在本公开实施例中,如图4所示,所述重构模块400,包括:
第三确定单元401,用于分别确定各奇异谱分量在呼吸频带内的能量百分比及各奇异谱分量在心跳频带内的能量百分比;
筛选单元402,用于分别在各奇异谱中筛选出呼吸频带内的能量百分大于预设的呼吸能量比阈值的奇异谱分量和心跳频带内的能量百分比大于预设的心跳能量比阈值的奇异谱分量;
第一重构单元403,用于基于所述呼吸频带内的能量百分大于预设的呼吸能量比阈值的奇异谱分量重构呼吸信号;
第二重构单元404,用于基于所述心跳频带内的能量百分比大于预设的心跳能量比阈值的奇异谱分量重构心跳信号。
进一步的,所述第一重构单元403,用于:
确定所述呼吸频带内的能量百分大于预设的呼吸能量比阈值的各奇异谱分量之和,并将所述各奇异谱分量之和作为重构的呼吸信号;
所述第二重构单元404,用于:
确定所述心跳频带内的能量百分大于预设的心跳能量比阈值的各奇异谱分量之和,并将所述各奇异谱分量之和作为重构的心跳信号。
综上所述,本申请提出的一种基于奇异谱分解算法的生命信息探测系统,基于奇异谱分解算法,可以准确快速的探测到人体目标的生命信息。
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)
1.一种基于奇异谱分解算法的生命信息探测方法,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背景杂波;
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生命体征信号;
利用奇异谱分解算法对所述生命体征信号进行分解,得到所述生命体征信号对应的各奇异谱分量;
根据各奇异谱分量在呼吸和心跳频带内的能量百分比,重构呼吸和心跳信号;
对重构后的呼吸和心跳信号分别进行傅里叶变换,得到所述人体目标的生命信息。
2.如权利要求1所述的方法,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生命体征信号,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样本熵和所述人体目标的胸腔距离在接受脉冲中占据的点数;
将样本熵最小值对应的距离门作为所述人体目标所在的距离门,并基于所述人体目标所在的距离门确定所述人体目标所在位置;
根据所述位置和所述人体目标的胸腔距离在接受脉冲中占据的点数确定所述人体目标所在位置对应距离门的相邻距离门;
提取所述人体目标所在位置对应距离门的回波信号及其相邻距离门的回波信号,并将提取的所述回波信号重组排列成行,得到所述人体目标的生命体征信号。
3.如权利要求1所述的方法,其特征在于,所述利用奇异谱分解算法对所述生命体征信号进行分解,得到所述生命体征信号对应的各奇异谱分量,包括:
利用奇异谱分解算法将所述生命体征信号分解成m个奇异谱分量和一个趋势项之和;
其中,所述m是基于所述生命体征信号分解过程中的迭代次数确定的。
4.如权利要求1所述的方法,其特征在于,所述根据各奇异谱分量在呼吸和心跳频带内的能量百分比,重构呼吸和心跳信号,包括:
分别确定各奇异谱分量在呼吸频带内的能量百分比及各奇异谱分量在心跳频带内的能量百分比;
分别在各奇异谱中筛选出呼吸频带内的能量百分大于预设的呼吸能量比阈值的奇异谱分量和心跳频带内的能量百分比大于预设的心跳能量比阈值的奇异谱分量;
基于所述呼吸频带内的能量百分大于预设的呼吸能量比阈值的奇异谱分量重构呼吸信号;
基于所述心跳频带内的能量百分比大于预设的心跳能量比阈值的奇异谱分量重构心跳信号。
5.如权利要求4所述的方法,其特征在于,所述基于所述呼吸频带内的能量百分大于预设的呼吸能量比阈值的奇异谱分量重构呼吸信号,包括:
确定所述呼吸频带内的能量百分大于预设的呼吸能量比阈值的各奇异谱分量之和,并将所述各奇异谱分量之和作为重构的呼吸信号;
所述基于所述心跳频带内的能量百分比大于预设的心跳能量比阈值的奇异谱分量重构心跳信号,包括:
确定所述心跳频带内的能量百分大于预设的心跳能量比阈值的各奇异谱分量之和,并将所述各奇异谱分量之和作为重构的心跳信号。
6.一种基于奇异谱分解算法的生命信息探测系统,其特征在于,包括:
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背景杂波;
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生命体征信号;
分解模块,用于利用奇异谱分解算法对所述生命体征信号进行分解,得到所述生命体征信号对应的各奇异谱分量;
重构模块,用于根据各奇异谱分量在呼吸和心跳频带内的能量百分比,重构呼吸和心跳信号;
变换模块,用于对重构后的呼吸和心跳信号分别进行傅里叶变换,得到所述人体目标的生命信息。
7.如权利要求6所述的生命信息探测系统,其特征在于,所述提取模块,包括:
计算单元,用于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样本熵和所述人体目标的胸腔距离在接受脉冲中占据的点数;
第一确定单元,用于将样本熵最小值对应的距离门作为所述人体目标所在的距离门,并基于所述人体目标所在的距离门确定所述人体目标所在位置;
第二确定单元,用于根据所述位置和所述人体目标的胸腔距离在接受脉冲中占据的点数确定所述人体目标所在位置对应距离门的相邻距离门;
提取单元,用于提取所述人体目标所在位置对应距离门的回波信号及其相邻距离门的回波信号,并将提取的所述回波信号重组排列成行,得到所述人体目标的生命体征信号。
8.如权利要求6所述的生命信息探测系统,其特征在于,所述分解模块,用于:
利用奇异谱分解算法将所述生命体征信号分解成m个奇异谱分量和一个趋势项之和;
其中,所述m是基于所述生命体征信号分解过程中的迭代次数确定的。
9.如权利要求6所述的生命信息探测系统,其特征在于,所述重构模块,包括:
第三确定单元,用于分别确定各奇异谱分量在呼吸频带内的能量百分比及各奇异谱分量在心跳频带内的能量百分比;
筛选单元,用于分别在各奇异谱中筛选出呼吸频带内的能量百分大于预设的呼吸能量比阈值的奇异谱分量和心跳频带内的能量百分比大于预设的心跳能量比阈值的奇异谱分量;
第一重构单元,用于基于所述呼吸频带内的能量百分大于预设的呼吸能量比阈值的奇异谱分量重构呼吸信号;
第二重构单元,用于基于所述心跳频带内的能量百分比大于预设的心跳能量比阈值的奇异谱分量重构心跳信号。
10.如权利要求9所述的生命信息探测系统,其特征在于,所述第一重构单元,用于:
确定所述呼吸频带内的能量百分大于预设的呼吸能量比阈值的各奇异谱分量之和,并将所述各奇异谱分量之和作为重构的呼吸信号;
所述第二重构单元,用于:
确定所述心跳频带内的能量百分大于预设的心跳能量比阈值的各奇异谱分量之和,并将所述各奇异谱分量之和作为重构的心跳信号。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210825999.8A CN115016033A (zh) | 2022-07-14 | 2022-07-14 | 一种基于奇异谱分解算法的生命信息探测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210825999.8A CN115016033A (zh) | 2022-07-14 | 2022-07-14 | 一种基于奇异谱分解算法的生命信息探测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115016033A true CN115016033A (zh) | 2022-09-06 |
Family
ID=83080237
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210825999.8A Pending CN115016033A (zh) | 2022-07-14 | 2022-07-14 | 一种基于奇异谱分解算法的生命信息探测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115016033A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115835463A (zh) * | 2022-11-29 | 2023-03-21 | 普杰软件(南京)有限公司 | 一种智能照明控制系统 |
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 |
CN118410328A (zh) * | 2024-06-27 | 2024-07-30 | 中国科学院自动化研究所 | 基于滑动奇异谱的人体生命体征雷达信号处理方法及设备 |
-
2022
- 2022-07-14 CN CN202210825999.8A patent/CN115016033A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115835463A (zh) * | 2022-11-29 | 2023-03-21 | 普杰软件(南京)有限公司 | 一种智能照明控制系统 |
CN115835463B (zh) * | 2022-11-29 | 2023-09-08 | 普杰软件(南京)有限公司 | 一种智能照明控制系统 |
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 |
CN118410328A (zh) * | 2024-06-27 | 2024-07-30 | 中国科学院自动化研究所 | 基于滑动奇异谱的人体生命体征雷达信号处理方法及设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115016033A (zh) | 一种基于奇异谱分解算法的生命信息探测方法及系统 | |
Stanković et al. | A tutorial on sparse signal reconstruction and its applications in signal processing | |
Du et al. | Noise robust radar HRRP target recognition based on scatterer matching algorithm | |
Leigsnering et al. | Compressive sensing in through-the-wall radar imaging | |
Erol et al. | Radar data cube analysis for fall detection | |
CN111132622B (zh) | 超声成像设备以及使用超声成像设备的杂波滤波方法 | |
CN104156929B (zh) | 基于全局滤波的红外弱小目标背景抑制方法及其装置 | |
CN107831473A (zh) | 基于高斯过程回归的距离‑瞬时多普勒图像序列降噪方法 | |
CN116058818B (zh) | 基于多序列woa-vmd算法的超宽带雷达心率检测方法 | |
Tivive et al. | Clutter removal in through-the-wall radar imaging using sparse autoencoder with low-rank projection | |
Zhao et al. | Subband maximum eigenvalue detection for radar moving target in sea clutter | |
CN116338682A (zh) | 一种基于se和ssd的超宽带雷达生命探测算法 | |
Abdulatif et al. | Towards adversarial denoising of radar micro-Doppler signatures | |
CN111273284B (zh) | 一种人体躯干微动状态变化特征提取方法 | |
CN115015907A (zh) | 一种基于稀疏表示的粒子滤波检测前跟踪方法及装置 | |
Qu et al. | Indoor human behavior recognition method based on wavelet scattering network and conditional random field model | |
Xu et al. | Range-spread target detection in white Gaussian noise via two-dimensional non-linear shrinkage map and geometric average integration | |
Wagner | Morphological component analysis in SAR images to improve the generalization of ATR systems | |
CN117192491A (zh) | 一种编码雷达波形抗间歇采样转发干扰方法及装置 | |
Rudrappa et al. | Distinguishing living and non living subjects in a scene based on vital parameter estimation | |
Tivive et al. | Through the wall scene reconstruction using low rank and total variation | |
Duk et al. | The potential of 2D wavelet transforms for target detection in sea-clutter | |
CN113901863B (zh) | 基于加权组稀疏贝叶斯学习的人体活动分类方法 | |
CN114424930B (zh) | 基于奇异值分解的超宽带uwb生命信号数据处理方法和装置 | |
CN112617748B (zh) | 基于调频连续波雷达的体征数据处理方法及系统 |
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 |