CN115067916A - 一种基于毫米波雷达的生命体征监测方法 - Google Patents

Abstract

一种基于毫米波雷达的生命体征监测方法，使用基于自适应阈值函数的小波阈值去噪方法，对采集的信号进行去噪处理，可以获得纯净的生命体征信号，并且该方法可以通过调节控制因子的大小来适应不同的信号，达到更好的去噪效果；在生命体征频率估计时，使用Hamming窗函数与MUSIC算法相结合的方法，通过使用Hamming窗函数对滑窗数据进行处理，再利用MUSIC算法构建空间谱，进行谱峰搜索，获得心跳和呼吸的频率。该方法具有更好的平稳性、抗噪性和分辨率，不仅可以剔除测量环境中杂波对结果的影响，还可以减少呼吸谐波对心率估计的影响，进一步提高了呼吸和心跳信号频率估计结果的准确性。

Description

一种基于毫米波雷达的生命体征监测方法

技术领域

本发明属于生命体征识别领域，具体涉及一种基于毫米波雷达的生命体征监测方法，旨在提高心跳信号和呼吸信号频率估计的准确性。

背景技术

在医学领域，心跳频率和呼吸频率是用来衡量人体健康情况的重要生理指标。通过毫米波雷达探测人体胸腔的微小位移，从而获取心跳和呼吸信号，再对其进行处理，可以计算得到心跳频率和呼吸频率，为医学治疗与监护提供参考。在面对传染性疾病时，使用毫米波雷达对患者进行非接触式监测，可以减少医护人员与病患的接触，有效降低病情传染的风险，是一种便捷、安全的生命体征监测方案。

用雷达监测生命体征信号时，主要有信号采集、信号预处理、信号分离、频率估计等环节。信号采集是通过雷达发射信号并接收回波信号；信号预处理阶段通过傅里叶变换和反正切函数来获取胸腔位移信息，并进行相位展开，再对获得的相位信号进行去噪处理；信号分离阶段对去噪后的信号进行带通滤波，分离出心跳和呼吸信号；频率估计阶段通过多信号分类算法分别估计出心跳频率和呼吸频率。

在预处理阶段，由于信号采集时接收到的雷达回波信号含有多种干扰信号和噪声，如被测人员的呼吸谐波、测量场景中人或设备的移动、电线干扰等，会导致信号纯净度不高，并影响最终结果的准确性。常见的去噪方法有带通滤波、小波阈值去噪等。带通滤波可以滤除部分噪声，但是仍然可能含有呼吸二次谐波或三次谐波，导致分离出来的心跳信号不够纯净。传统小波阈值去噪实际上是特征提取和低通滤波的综合，不仅可以起到滤波器的作用，还可以在降噪后保留信号特征，但它需要人为选取小波基和分解层数，并且不是完全自适应的，选取不同的阈值和阈值函数会对去噪效果造成影响。

频率估计是生命体征监测的重要环节。常见的频率估计方法主要有短时傅里叶变换、经验模态分解、多信号分类算法等。这些方法有一定效果，但也存在局限。短时傅里叶变换在分析平稳信号时性能较好，但分析非平稳信号时效果不佳。经验模态分解是一种自适应的信号处理方法，适合处理非线性、非平稳信号，但在经验模分解的过程中，若局部极值在短时间内发生多次变化将会导致模态混叠问题，从而影响信号分析结果。MUSIC算法具有估计精确度高的优点，但抗噪性不高，会对频率估计结果的准确性造成影响。

发明内容

针对上述缺陷，本发明提出了一种基于毫米波雷达的生命体征监测方法，在信号预处理阶段，采用基于自适应阈值函数的小波阈值去噪算法来去除信号噪声，提升信号纯度。在频率估计时，将Hamming窗函数与MUSIC算法相结合，以提高算法的频率分辨率和抗噪性能，提升估计结果的准确性。

一种基于毫米波雷达的生命体征监测方法，其特征在于：所述方法包括如下步骤：

步骤1，信号采集；使用毫米波雷达对人体进行生命体征信号的采集，并将采集到的信号进行数字化处理；

步骤2，信号预处理，包括定位、展开和去噪；

步骤2.1，目标定位；对步骤1得到的数据进行快速傅里叶变换，将时域信号转变为频域信号，得到频谱图，频谱中峰值的位置对应目标的距离；

步骤2.2，相位展开；对步骤2.1中获得的频域信号的峰值处，即目标所在位置处的信号，使用反正切函数获得相位值，再通过加减2π的倍数进行相位展开，通过相位随时间的变化体现出胸腔的周期性运动；

步骤2.3，基于自适应阈值函数的小波阈值去噪；对目标位置上的生命体征信号进行降噪处理，通过使用基于自适应阈值函数的小波阈值去噪方法去除噪声，获得纯净的生命体征信号；

步骤3，信号分离；使用滤波器对信号进行带通滤波，分离出心跳区频谱[0.8-2.0]Hz和呼吸区频谱[0.1-0.5]Hz的信号；

步骤4，频率估计；滤波处理后，使用Hamming窗函数与MUSIC算法相结合的频率估计方法，分别对呼吸和心跳信号进行频率估计，获得心跳频率和呼吸频率值。

进一步地，步骤1中，通过毫米波雷达生成线性调频脉冲，发射并接触到目标后，形成回波信号，被接收天线接收；通过混频器将发射信号和回波信号进行混合后得到了中频信号，再进行数字化得到数字化中频信号y(t)，以供后续进行信号处理得到被监测者的呼吸频率和心跳频率。

进一步地，步骤1中，设目标人物与雷达的距离为S₀，用S(t)表示雷达与胸腔间的时变距离，发射线性调频脉冲的调频率为K，周期为T，最大波长为λ_max，波的往返延迟时间为t_d，则y(t)如式(1)所示。

其中，t是时间，c是光速，A是振幅。

进一步地，步骤2.3中，将得到的相位信号进行四层小波分解，得到一组小波分解系数W_L,j；再用阈值函数对得到的小波系数进行阈值处理，去除噪声信号对应的系数，并生成一组新的小波系数M_L,j；最后利用M_L,j进行小波重构，得到重构信号，即为去噪后的信号。

进一步地，步骤2.3中，基于自适应阈值函数的小波阈值去噪方法具体包括如下步骤：采用自适应阈值选取方法，如式(2)所示，对阈值的取值进行动态调整：

其中，thr_L,j为第j层的阈值，δ_j＝MAD_j/0.6745，MAD_j为第j层小波系数的中值，n为相位信号长度，L为小波分解的总层数，j为当前的分解层数；

采用的自适应阈值函数如式(3)所示：

其中，W_L,j为小波分解系数，L为小波分解的总层数，j为当前的分解层数，thr_L,,j为公式(2)中求得的阈值，m为调节因子，通过改变m的大小来控制阈值函数。

进一步地，步骤4中，包括如下分步骤：

步骤4.1：Hamming窗处理；首先，选取长度为N的数据滑窗对数据进行划分，再使用式(4)所示的Hamming窗函数K(a)，对呼吸信号或心跳信号的数据进行加窗处理，如式(5)所示，得到X(t)，它是一个N×1维的矩阵；

式中，b(t)为步骤3分离出的呼吸信号，h(t)为步骤3分离出的心跳信号；

步骤4.2：MUSIC算法估计频率；

对信号X(t)使用MUSIC算法进行谱峰估计；首先通过滑窗将X(t)划分成长度为K的各段，总共划分成J段，构造成K×J维的矩阵F，其中K要小于慢时间维的采样数，且K>J，进而求出协方差矩阵A，如式(6)所示，其中H表示矩阵的共轭转置；

A＝FF^H (6)

求出矩阵A的特征值和特征向量，对特征值进行排序，其中前J个较大的特征值对应的特征向量组成信号子空间，后K-J个特征值对应的特征向量组成噪声子空间R_K；

构建搜索频率向量V(w)，如式(7)所示。再根据式(8)所示的空间谱函数U(w)得到空间谱；

V(w)＝[1,e^jw,...,e^j(k-1)w]^T (7)

其中j表示第j列，w＝2πf/f_s，f_s表示慢时间维的采样率，f为对应点的频率值；

对空间谱进行谱峰搜索，得到对应峰值位置的频率f，基于健康情况时的正常呼吸或心跳频率为准则，对谱峰搜索得到的峰值进行选择，最终计算出呼吸频率或心跳频率。

本发明的有益效果：

(1)本发明使用基于自适应阈值函数的小波阈值去噪方法，对采集的信号进行去噪处理，可以获得纯净的生命体征信号，并且该方法可以通过调节控制因子的大小来适应不同的信号，达到更好的去噪效果。

(2)在生命体征频率估计时，本发明使用Hamming窗函数与MUSIC算法相结合的方法，通过使用Hamming窗函数对滑窗数据进行处理，再利用MUSIC算法构建空间谱，进行谱峰搜索，获得心跳和呼吸的频率。该方法具有更好的平稳性、抗噪性和分辨率，不仅可以剔除测量环境中杂波对结果的影响，还可以减少呼吸谐波对心率估计的影响，进一步提高了呼吸和心跳信号频率估计结果的准确性。

附图说明

图1是本发明实施例中的基于毫米波雷达的生命体征监测方法的流程图。

图2是本发明实施例中的毫米波雷达测量生命体征信号的示意图。

图3是本发明实施例中的基于自适应阈值函数的小波阈值去噪的流程示意图。

图4是本发明实施例中的呼吸信号频率估计的流程示意图。

图5是本发明实施例中的MUSIC算法的流程示意图。

具体实施方式

下面结合说明书附图对本发明的技术方案做进一步的详细说明。

整体发明流程如图1所示。

步骤1：信号采集。

如图2所示，雷达信号生成器生成一个线性调频脉冲(Chirp)，经过发射天线发射线性调频脉冲，接触到目标后，形成回波信号，被接收天线接收。混频器将发射信号和回波信号进行混合后得到了中频信号，得到的中频信号通过模拟数字转换器(Analog-to-Digital Converter，ADC)进行数字化，得到数字化中频信号y(t)，以供后续进行信号处理得到被监测者的呼吸频率和心跳频率。

具体地，假设目标人物与雷达的距离为S₀，用S(t)表示雷达与胸腔间的时变距离，发射Chirp信号的调频率为K，周期为T，最大波长为λ_max，波的往返延迟时间为t_d，则y(t)如式(1)所示。

其中，t是时间，c是光速，A是振幅。

步骤2：信号预处理。

步骤2.1：目标定位。

对每个Chirp应用傅里叶变换，将信号从时域转换到频域，形成中频信号的频谱图，由于频率与目标距离成正比，所以频谱中峰值的位置直接对应目标的距离单元。

步骤2.2：相位展开。

步骤2.1中得到的目标距离单元由复信号表示，复信号由包含振幅和相位的复数组成，通过反正切函数，如式(2)所示，可以计算出信号的相位值

相位值在[-π,π]之间。

其中，I为复信号的实部，Q为复信号的虚部。

但是当胸腔位移大于λ_max/4，即两个连续样本之间的相位差绝对值超过π时，实际相位值可能不落在[-π,π]之间，此时需要通过加减2π的倍数进行相位展开，从而获得实际的胸腔位移信息。

步骤2.3：基于自适应阈值函数的小波阈值去噪。

如图3所示，将得到的相位信号进行四层小波分解，得到一组小波分解系数W_L,j；再用阈值函数对得到的小波系数进行阈值处理，去除噪声信号对应的系数，并生成一组新的小波系数M_L,j；最后利用M_L,j进行小波重构，得到重构信号，即为去噪后的信号。

该过程中最重要的是阈值和阈值函数的选取，它决定了去噪的效果。本发明采用一种自适应阈值选取方法，如式(3)所示，可以对阈值的取值进行动态调整。

其中，thr_L,j为第j层的阈值，δ_j＝MAD_j/0.6745，MAD_j为第j层小波系数的中值，n为相位信号长度，L为小波分解的总层数，j为当前的分解层数。当j变大时，thr_L,j变小，符合噪声随小波分解的分布规律，能够减少偏差，使阈值的选取更合理。

本发明采用的自适应阈值函数如式(4)所示，该阈值函数的灵活性较好，对不同特征的信号适应性强。

其中，W_L,j为小波分解系数，L为小波分解的总层数，j为当前的分解层数，thr_L,,j为公式(3)中求得的阈值，m为调节因子，可以通过改变m的大小来控制阈值函数。

步骤3：信号分离。

使用带通滤波器对步骤2.3中得到的重构信号进行滤波分离。分离得到频率范围在0.8Hz-2.0Hz的心跳信号和频率范围在0.1Hz-0.5Hz的呼吸信号。

步骤4：频率估计。

本环节使用Hamming窗函数与MUSIC算法相结合的频率估计方法，对步骤3中得到的呼吸信号b(t)和心跳信号h(t)分别进行频率估计。这里以呼吸信号b(t)的处理为例进行介绍，其流程如图4所示，h(t)的处理过程类似。

步骤4.1：Hamming窗处理。

首先，选取长度为N的数据滑窗对数据进行划分，这样既可以提高数据的稳定性，又可以显示数据的局部波动。再使用式(5)所示的Hamming窗函数K(a)，对数据进行加窗处理，如式(6)所示，得到X(t)，它是一个N×1维的矩阵。

X(t)＝b(t)×K(a) (6)

步骤4.2：MUSIC算法估计频率。

对信号X(t)使用MUSIC算法进行谱峰估计，其流程如图5所示。首先通过滑窗将X(t)划分成长度为K的各段，总共划分成J段，构造成K×J维的矩阵F，其中K要小于慢时间维的采样数，且K>J，进而求出协方差矩阵A，如式(7)所示，其中H表示矩阵的共轭转置。

A＝FF^H (7)

求出矩阵A的特征值和特征向量，对特征值进行排序，其中前J个较大的特征值对应的特征向量组成信号子空间，后K-J个特征值对应的特征向量组成噪声子空间R_K。

构建搜索频率向量V(w)，如式(8)所示。再根据式(9)所示的空间谱函数U(w)得到空间谱。

V(w)＝[1,e^jw,...,e^j(k-1)w]^T (8)

其中j表示第j列，w＝2πf/f_s，f_s表示慢时间维的采样率，f为对应点的频率值。

对空间谱进行谱峰搜索，得到对应峰值位置的频率f。成人在正常情况下，呼吸频率是12-25次/分，一般不超过20次/分，以此为判断准则，对谱峰搜索得到的峰值进行选择，可最终计算出呼吸频率。

心跳频率的估计与上述过程类似。最后，根据成人在正常情况下的心跳频率是60-100次/分，选择谱峰搜索得到的峰值，可得到心跳频率。

本发明提出了一种基于毫米波雷达的生命体征监测方法。在同一个数据集上进行了对比实验。对比的两个算法如下。

(1)对比算法1：不进行基于自适应阈值函数的小波阈值去噪和Hamming窗处理，其它步骤流程均与本专利方法相同。

(2)对比算法2：参考文献(张兰春,顾海潮.基于毫米波雷达的生命体征检测[J].农业装备与车辆工程,2022,60(3):79-82.)中的方法。

实验结果如表1所示。从表1可以看出，本专利提出方法的呼吸结果准确率和心跳结果准确率均优于其它两种方法。

表1算法准确率比较

综上所述，本方法采用基于自适应阈值函数的小波阈值去噪算法来去除信号噪声，并将Hamming窗函数与MUSIC算法相结合，提高了频率分辨率和抗噪性能，准确率具有明显优势。本方法是真实有效的。

以上所述仅为本发明的较佳实施方式，本发明的保护范围并不以上述实施方式为限，但凡本领域普通技术人员根据本发明所揭示内容所作的等效修饰或变化，皆应纳入权利要求书中记载的保护范围内。

Claims (6)

1.一种基于毫米波雷达的生命体征监测方法，其特征在于：所述方法包括如下步骤：

步骤1，信号采集；使用毫米波雷达对人体进行生命体征信号的采集，并将采集到的信号进行数字化处理；

步骤2，信号预处理，包括定位、展开和去噪；

步骤2.1，目标定位；对步骤1得到的数据进行快速傅里叶变换，将时域信号转变为频域信号，得到频谱图，频谱中峰值的位置对应目标的距离；

步骤2.2，相位展开；对步骤2.1中获得的频域信号的峰值处，即目标所在位置处的信号，使用反正切函数获得相位值，再通过加减2π的倍数进行相位展开，通过相位随时间的变化体现出胸腔的周期性运动；

步骤2.3，基于自适应阈值函数的小波阈值去噪；对目标位置上的生命体征信号进行降噪处理，通过使用基于自适应阈值函数的小波阈值去噪方法去除噪声，获得纯净的生命体征信号；

步骤3，信号分离；使用滤波器对信号进行带通滤波，分离出心跳区频谱[0.8-2.0]Hz和呼吸区频谱[0.1-0.5]Hz的信号；

步骤4，频率估计；滤波处理后，使用Hamming窗函数与MUSIC算法相结合的频率估计方法，分别对呼吸和心跳信号进行频率估计，获得心跳频率和呼吸频率值。

2.根据权利要求1所述的一种基于毫米波雷达的生命体征监测方法，其特征在于：步骤1中，通过毫米波雷达生成线性调频脉冲，发射并接触到目标后，形成回波信号，被接收天线接收；通过混频器将发射信号和回波信号进行混合后得到了中频信号，再进行数字化得到数字化中频信号y(t)，以供后续进行信号处理得到被监测者的呼吸频率和心跳频率。

3.根据权利要求2所述的一种基于毫米波雷达的生命体征监测方法，其特征在于：步骤1中，设目标人物与雷达的距离为S₀，用S(t)表示雷达与胸腔间的时变距离，发射线性调频脉冲的调频率为K，周期为T，最大波长为λ_max，波的往返延迟时间为t_d，则y(t)如式(1)所示。

其中，t是时间，c是光速，A是振幅。

4.根据权利要求1所述的一种基于毫米波雷达的生命体征监测方法，其特征在于：步骤2.3中，将得到的相位信号进行四层小波分解，得到一组小波分解系数W_L,j；再用阈值函数对得到的小波系数进行阈值处理，去除噪声信号对应的系数，并生成一组新的小波系数M_L,j；最后利用M_L,j进行小波重构，得到重构信号，即为去噪后的信号。

5.根据权利要求4所述的一种基于毫米波雷达的生命体征监测方法，其特征在于：步骤2.3中，基于自适应阈值函数的小波阈值去噪方法具体包括如下步骤：采用自适应阈值选取方法，如式(2)所示，对阈值的取值进行动态调整：

其中，thr_L,j为第j层的阈值，δ_j＝MAD_j/0.6745，MAD_j为第j层小波系数的中值，n为相位信号长度，L为小波分解的总层数，j为当前的分解层数；

采用的自适应阈值函数如式(3)所示：

其中，W_L,j为小波分解系数，L为小波分解的总层数，j为当前的分解层数，thr_L,,j为公式(2)中求得的阈值，m为调节因子，通过改变m的大小来控制阈值函数。

6.根据权利要求1所述的一种基于毫米波雷达的生命体征监测方法，其特征在于：步骤4中，包括如下分步骤：

步骤4.1：Hamming窗处理；首先，选取长度为N的数据滑窗对数据进行划分，再使用式(4)所示的Hamming窗函数K(a)，对呼吸信号或心跳信号的数据进行加窗处理，如式(5)所示，得到X(t)，它是一个N×1维的矩阵；

式中，b(t)为步骤3分离出的呼吸信号，h(t)为步骤3分离出的心跳信号；

步骤4.2：MUSIC算法估计频率；

对信号X(t)使用MUSIC算法进行谱峰估计；首先通过滑窗将X(t)划分成长度为K的各段，总共划分成J段，构造成K×J维的矩阵F，其中K要小于慢时间维的采样数，且K>J，进而求出协方差矩阵A，如式(6)所示，其中H表示矩阵的共轭转置；

A＝FF^H (6)

求出矩阵A的特征值和特征向量，对特征值进行排序，其中前J个较大的特征值对应的特征向量组成信号子空间，后K-J个特征值对应的特征向量组成噪声子空间R_K；

构建搜索频率向量V(w)，如式(7)所示。再根据式(8)所示的空间谱函数U(w)得到空间谱；

V(w)＝[1,e^jw,...,e^j(k-1)w]^T (7)

其中j表示第j列，w＝2πf/f_s，f_s表示慢时间维的采样率，f为对应点的频率值；

对空间谱进行谱峰搜索，得到对应峰值位置的频率f，基于健康情况时的正常呼吸或心跳频率为准则，对谱峰搜索得到的峰值进行选择，最终计算出呼吸频率或心跳频率。

Images