CN115281628A - 一种面向汽车智能座舱的自适应生命体征监测方法 - Google Patents

Abstract

本发明公开了一种面向汽车智能座舱的自适应生命体征监测方法，其特征在于，包括以下步骤：车载毫米波雷达对车内的人体目标进行探测；检测人体目标所在位置；提取人体目标回波相位；将人体目标回波中的心跳信号和呼吸信号分离；对于分离后的呼吸信号直接进行频率估计；对于心跳信号，利用自适应对消方法消除干扰后，再进行频率估计。在车载环境下，本发明可实现无接触式的驾驶员健康状态监测，包括呼吸和心跳频率的测量。面向智能座舱的应用背景，通过自适应滤波的思想，本发明可将车身震动及环境噪声引起的干扰消除，降低呼吸和心跳频率的测量误差。

Description

一种面向汽车智能座舱的自适应生命体征监测方法

技术领域

本发明涉及一种生命体征监测方法。

背景技术

智能座舱系统通过独立感知模块获取驾驶员的生理和行为状态信息，为人车交互提供决策依据，由此判断驾驶员疲劳程度及身体健康状态。独立感知模块感知信息的精确度决定了决策系统的准确度，因此如何将传感器端原始数据转化为系统可理解的信息是目前亟待解决的重要问题。目前常见的生命体征监测设备多为可穿戴的光学传感器，通过光体积变化描记图法记录和检测血流状态，从而实现心率估计。由于此类设备必须随身佩戴，导致其舒适度和灵活性较差。而毫米波雷达为无接触式生命体征检测提供了可能性。同时由于毫米波雷达全天时、全天候的工作特性，可对驾驶员健康状态进行持续稳定的监测。

现有基于毫米波雷达的呼吸心跳监测方法多基于回波相位信息，而相位信息较为敏感，容易受到其他运动干扰，导致呼吸和心跳频率估计误差增大。当前已有研究人员针对类似问题提出方案，如专利CN202110573898.1中通过小波变化将生命体征信号变换到时频域，滤除呼吸和心跳信号以外的频率分量。而车载场景下，行驶状态下车身存在振动，车内环境复杂，对相位信息造成极大干扰，此类方法无法对实时变化的舱内环境信息做出灵活处理。

发明内容

本发明要解决的技术问题是：现有基于毫米波雷达的呼吸心跳监测方法容易受到其他运动干扰。

为了解决上述技术问题，本发明的技术方案是提供了一种面向汽车智能座舱的自适应生命体征监测方法，其特征在于，包括以下步骤：

步骤1、车载毫米波雷达对车内的人体目标进行探测，获得回波混频信号；

步骤2、在回波混频信号的快时间域FFT，在距离维检测人体目标所在位置；

步骤3、检测到目标所在位置后，提取人体目标回波相位，具体包括以下步骤：

步骤301、基于人体目标回波计算得到t时刻的目标回波缠绕相位

步骤302、对目标回波缠绕相位

进行解缠处理，包括以下步骤：

步骤3021、将相位补偿值的初始值设为0；

步骤3022、计算目标回波缠绕相位

的差分

式中，

表示t-1时刻的目标回波缠绕相位；

步骤3023、若

则按照下式更新t时刻的相位补偿值

式中，

表示t-1时刻的相位补偿值；

若

则按照下式更新t时刻的相位补偿值

若

则相位补偿值保持不变；

步骤3024、将目标回波缠绕相位

与步骤3023获得的相位补偿值

相加，得到解缠后的t时刻的目标回波相位

即有

步骤4、提取每个时刻的目标回波相位，得到目标回波相位序列，随后通过带通滤波器将人体目标回波中的心跳信号和呼吸信号分离；

步骤5、对于分离后的呼吸信号直接进行频率估计；

对于心跳信号的处理包括以下步骤：

步骤501、通过步骤4得到的心跳信号为存在干扰的心跳信号x(n)，利用自适应对消方法消除心跳信号x(n)中的干扰，其中：

在自适应对消方法中，基于环境信息以及行驶信息生成参考信号d(n)，将参考信号d(n)输入自适应滤波器，并结合自适应对消方法的总输出y(n)控制自适应滤波器中抽头加权系数w(1),w(2),...,w(n)的更新和调整，令自适应权值W(n)＝[w(1),w(2),...,w(n)]，获得最优的自适应权值W(n)后，由自适应滤波器消除实时输入的心跳信号x(n)中的干扰，输出干扰对消后的心跳信号；

步骤502、获得干扰对消后的心跳信号后，将心跳信号变换至频域，在频域将呼吸的谐波分量频率滤除；

步骤503、消除呼吸谐波干扰后，在频域进行峰值搜索，确定心跳频率。

优选地，步骤2中，通过恒虚警算法在距离维检测人体目标所在位置。

优选地，步骤301中，分别获取人体目标回波的实部和虚部，通过反正切算法计算得到所述t时刻的目标回波缠绕相位

式中，S_vi表示人体目标回波；Im(S_vi)表示人体目标回波的虚部；Re(S_vi)表示人体目标回波的实部。

优选地，步骤501中，以最小化均方误差原则

更新自适应权值W(n)，迭代多次后得到最优的自适应权值W(n)，其中，ξ(n)表示均方根误差，ξ(n)＝E[e²(n)]，e(n)表示输出误差，e(n)＝y(n)-d(n)，y(n)＝x(n)W^H(n)。

为了消除车载环境中的干扰，本发明提出一种面向智能座舱的自适应生命体征监测方法，基于自适应滤波的思想，通过干扰对消，去除车身振动和环境噪声的干扰，实现高精度的呼吸和心跳频率估计。

本发明具有如下有益效果：

(1)在车载环境下可实现无接触式的驾驶员健康状态监测，包括呼吸和心跳频率的测量；

(2)面向智能座舱的应用背景，通过自适应滤波的思想，可将车身震动及环境噪声引起的干扰消除，降低呼吸和心跳频率的测量误差。

附图说明

图1为本发明的流程图；

图2为自适应对消滤波器的原理图；

图3示意了受干扰的生命体征信号；

图4示意了干扰对消后的生命体征信号；

图5示意了干扰对消后的呼吸信号波形；

图6示意了干扰对消后的心跳波形。

具体实施方式

下面结合具体实施例，进一步阐述本发明。应理解，这些实施例仅用于说明本发明而不用于限制本发明的范围。此外应理解，在阅读了本发明讲授的内容之后，本领域技术人员可以对本发明作各种改动或修改，这些等价形式同样落于本申请所附权利要求书所限定的范围。

如图1所示，本发明公开的一种面向汽车智能座舱的自适应生命体征监测方法具体包括以下步骤：

步骤1、车载毫米波雷达对人体进行探测，对回波混频后得到距离-慢时间信号H_l(f,t)：

式(1)中：f表示频率变量；t表示时间变量；σ_l(t)表示人体第l个散射点的散射截面积；T_p表示慢时间周期；γ表示发射波形的调频斜率；c表示光速；r_l(t)表示人体第l个散射点相对雷达的距离；f₀表示发射波形的中心频率。

本实施例中，所采用车载雷达为调频连续波(FMCW)体制，具体发射波形参数如图3所示，其中发射频率为60GHz，调频斜率为1MHz/us，脉内采样频率为4000MHz，帧间隔为，取512帧数据。

步骤2、在距离-慢时间信号H_l(f,t)的快时间域FFT，通过恒虚警算法(ConstantFalse-Alarm Rate，CFAR)在距离维检测目标所在位置，可以采用的恒虚警算法包括但不限于单元平均(Cell Averaging，CA)类CFAR、统计排序(Order Statistics，OS)类CFAR以及削减平均(Trimmed Mean，TM)类CFAR等。本实施例中的恒虚警算法采用CA-CFAR方法。

步骤3、人体在进行呼吸或心跳等生命活动时会引起胸腔运动，导致回波相位发生变化，因此检测到目标所在位置后，提取目标回波相位，具体包括以下步骤：

t时刻的目标回波S_vi(t)可以表示为：

式(2)中：

表示t时刻的目标回波相位；λ表示波长；r(t)表示t时刻的胸腔位移。

式(2)中，胸腔位移和目标回波相位成一定比例关系，如下式(3)所示：

分别获取目标回波的实部和虚部，通过反正切算法计算得到t时刻的目标回波缠绕相位

式(4)中，S_vi＝S_vi(t)表示目标回波；Im(S_vi)表示目标回波的虚部；Re(S_vi)表示目标回波的实部。

由于反正切算法计算得到的目标回波缠绕相位

在[-π,π]内，实际回波相位远大于[-π,π]，因需要对式(4)所得的目标回波缠绕相位

进行解缠处理，包括以下步骤：

步骤301、将相位补偿值的初始值设为0；

步骤302、计算目标回波缠绕相位

的差分

式(5)中，

表示t-1时刻的目标回波缠绕相位；

步骤303、若

则按照下式(6)更新t时刻的相位补偿值

式(6)中，

表示t-1时刻的相位补偿值；

若

则按照下式(7)更新t时刻的相位补偿值

若

则相位补偿值保持不变；

步骤304、将目标回波缠绕相位

与步骤303获得的相位补偿值

相加，得到解缠后的t时刻的目标回波相位：

步骤4、提取每个时刻的目标回波相位，得到目标回波相位序列。由于呼吸和心跳频率所属频段不同，呼吸频率在0.1-0.5Hz以内，心跳频率常在0.8-2Hz以内，因此在得到目标回波相位序列后，通过带通滤波器将目标回波信号中的心跳信号和呼吸信号分离。带通滤波器包括但不限于FIR滤波器及IIR滤波器等。

步骤5、呼吸引起的胸腔运动幅度较大，因此对于分离后的呼吸信号可直接进行频率估计，包括但不限于FFT、时域自相关、峰值检测以及EMD分解等方法。本实施例中的呼吸频率为12次/分钟，人工计数结果为12次/分钟，得到相对估计误差为0。

对于心跳信号的处理包括以下步骤：

步骤501、由于心脏跳动幅度相对微弱，且频段与车身震动频段相同，车身震动和车内环境噪声都将对心跳信号造成极大干扰，通过步骤4得到的心跳信号为存在干扰的心跳信号x(n)。因此本发明提出，基于一定的先验知识，对参考信号进行建模，基于自适应对消的方式消除干扰。

自适应对消的具体流程如图2所示，存在干扰的心跳信号x(n)作为输入，令参考信号为d(n)，参考信号d(n)与心跳信号x(n)中的真实心跳信号分量不相关，且与心跳信号x(n)中由车身震动产生的干扰信号分量相关。

自适应对消由运行在参考传感器输出端的自适应滤波器组成。本实施例中，参考传感器为智能座舱系统内除毫米波雷达外的其他传感器，通过这些传感器可以获得车辆的环境信息以及车辆的行驶信息，基于环境信息以及行驶信息生成参考信号d(n)。本实施例中，首先在无人的车载环境使用雷达进行测试，得到环境回波，去除其中的静止杂波后，得到环境中震动的目标回波，提取回波的相位信息并对其进行解缠处理，将由此得到的相位序列作为参考信号。此外，还可通过激光雷达、相机等其他传感器，获取车载环境中各目标轮廓，计算其散射截面积，同时根据汽车行驶速度、轨迹等运动状态，估算车身的震动频率、幅度等信息，对其建模，并基于理论雷达回波模型构造参考信号。

自适应滤波器用于估计干扰，最终从心跳信号x(n)中消去干扰估值。自适应对消的总输出用于控制自适应滤波器中抽头加权系数w(1),w(2),...,w(n)的更新和调整。令自适应权值W(n)＝[w(1),w(2),...,w(n)]，则自适应对消的总输出y(n)表示为：

y(n)＝x(n)W^H(n) (9)

输出误差e(n)表示为：

e(n)＝y(n)-d(n) (10)

均方根误差ξ(n)表示为：

ξ(n)＝E[e²(n)] (11)

以最小化均方误差原则更新自适应权值W(n)，如下式(11)所示：

可通过多种方式最小化，包括但不限于求取滤波器维纳解、梯度下降等算法。迭代多次后得到最优的自适应权值W(n)，输出干扰对消后的心跳信号。

步骤502、获得干扰对消后的心跳信号后，由于心跳信号相对微弱，且幅度较小，容易被呼吸信号谐波干扰，因此将心跳信号变换至频域，在频域将呼吸的谐波分量频率滤除；

步骤503、消除呼吸谐波干扰后，在频域进行峰值搜索，确定心跳频率。本实施例中，估计得到的心跳频率为74次/分钟，运动手环测量结果为78次/分钟，与其做对比进行误差估计，得到相对估计误差为5％。

Claims (4)

1.一种面向汽车智能座舱的自适应生命体征监测方法，其特征在于，包括以下步骤：

步骤1、车载毫米波雷达对车内的人体目标进行探测，获得回波混频信号；

步骤2、在回波混频信号的快时间域FFT，在距离维检测人体目标所在位置；

步骤3、检测到目标所在位置后，提取人体目标回波相位，具体包括以下步骤：

步骤301、基于人体目标回波计算得到t时刻的目标回波缠绕相位

步骤302、对目标回波缠绕相位

进行解缠处理，包括以下步骤：

步骤3021、将相位补偿值的初始值设为0；

步骤3022、计算目标回波缠绕相位

的差分

式中，

表示t-1时刻的目标回波缠绕相位；

步骤3023、若

则按照下式更新t时刻的相位补偿值

式中，

表示t-1时刻的相位补偿值；

若

则按照下式更新t时刻的相位补偿值

若

则相位补偿值保持不变；

步骤3024、将目标回波缠绕相位

与步骤3023获得的相位补偿值

相加，得到解缠后的t时刻的目标回波相位

即有

步骤4、提取每个时刻的目标回波相位，得到目标回波相位序列，随后通过带通滤波器将人体目标回波中的心跳信号和呼吸信号分离；

步骤5、对于分离后的呼吸信号直接进行频率估计；

对于心跳信号的处理包括以下步骤：

步骤501、通过步骤4得到的心跳信号为存在干扰的心跳信号x(n)，利用自适应对消方法消除心跳信号x(n)中的干扰，其中：

在自适应对消方法中，基于环境信息以及行驶信息生成参考信号d(n)，将参考信号d(n)输入自适应滤波器，并结合自适应对消方法的总输出y(n)控制自适应滤波器中抽头加权系数w(1),w(2),...,w(n)的更新和调整，令自适应权值W(n)＝[w(1),w(2),...,w(n)]，获得最优的自适应权值W(n)后，由自适应滤波器消除实时输入的心跳信号x(n)中的干扰，输出干扰对消后的心跳信号；

步骤502、获得干扰对消后的心跳信号后，将心跳信号变换至频域，在频域将呼吸的谐波分量频率滤除；

步骤503、消除呼吸谐波干扰后，在频域进行峰值搜索，确定心跳频率。

2.如权利要求1所述的一种面向汽车智能座舱的自适应生命体征监测方法，其特征在于，步骤2中，通过恒虚警算法在距离维检测人体目标所在位置。

3.如权利要求1所述的一种面向汽车智能座舱的自适应生命体征监测方法，其特征在于，步骤301中，分别获取人体目标回波的实部和虚部，通过反正切算法计算得到所述t时刻的目标回波缠绕相位

式中，S_vi表示人体目标回波；Im(S_vi)表示人体目标回波的虚部；Re(S_vi)表示人体目标回波的实部。

4.如权利要求1所述的一种面向汽车智能座舱的自适应生命体征监测方法，其特征在于，步骤501中，以最小化均方误差原则

更新自适应权值W(n)，迭代多次后得到最优的自适应权值W(n)，其中，ξ(n)表示均方根误差，ξ(n)＝E[e²(n)]，e(n)表示输出误差，e(n)＝y(n)-d(n)，y(n)＝x(n)W^H(n)。

Images