CN115363547B - 一种基于超宽带雷达相参积累的人体生命体征检测方法 - Google Patents

一种基于超宽带雷达相参积累的人体生命体征检测方法 Download PDF

Info

Publication number
CN115363547B
CN115363547B CN202211312958.5A CN202211312958A CN115363547B CN 115363547 B CN115363547 B CN 115363547B CN 202211312958 A CN202211312958 A CN 202211312958A CN 115363547 B CN115363547 B CN 115363547B
Authority
CN
China
Prior art keywords
human body
ultra
signals
dimensional
frequency
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
CN202211312958.5A
Other languages
English (en)
Other versions
CN115363547A (zh
Inventor
郭圆月
潘天泽
应奎
余新宇
胡文涛
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.)
University of Science and Technology of China USTC
Original Assignee
University of Science and Technology of China USTC
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 University of Science and Technology of China USTC filed Critical University of Science and Technology of China USTC
Priority to CN202211312958.5A priority Critical patent/CN115363547B/zh
Publication of CN115363547A publication Critical patent/CN115363547A/zh
Application granted granted Critical
Publication of CN115363547B publication Critical patent/CN115363547B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physiology (AREA)
  • Engineering & Computer Science (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Biophysics (AREA)
  • Pathology (AREA)
  • Veterinary Medicine (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Medical Informatics (AREA)
  • Cardiology (AREA)
  • Physics & Mathematics (AREA)
  • Animal Behavior & Ethology (AREA)
  • General Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Pulmonology (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Psychiatry (AREA)
  • Signal Processing (AREA)
  • Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本发明公开了一种基于超宽带雷达相参积累的人体生命体征检测方法，属于检测生命体征信息领域，方法包括：超宽带雷达向人体发射短脉冲信号，采集回波信号得到快时间、慢时间二维回波数据矩阵；首先进行去除直流分量、静止杂波以及快时间维滤波等预处理；其次根据最大标准差方法锁定人体基准距离门，提取前后若干个距离门系列一维信号，完成相位补偿后进行时域相参积累处理，获得相参积累信号；最后根据变分模态分解算法分别分离出呼吸模态和心跳模态，通过傅里叶变换，完成对人体呼吸频率和心跳频率的检测。本发明可有效抑制环境的各类噪声和干扰，实现呼吸和心跳信号从雷达回波信号中准确的提取与分离。

Description

一种基于超宽带雷达相参积累的人体生命体征检测方法
技术领域
本发明涉及检测生命体征信息技术领域，涉及一种基于超宽带雷达相参积累的人体生命体征检测方法。
背景技术
生命体征作为衡量健康情况的一项重要指标，可用于辨别是否存在生命以及当前生命体的生理机能。生命体征主要指呼吸、心率、体温、脉搏、血压等生命信息，其中，呼吸和心率最能直接反映当前人体的生理状态。目前生命体征检测方式主要分为两大类，接触式检测和非接触式检测。医院常见的心电监护仪和市场上的一些便携式或可穿戴式的体征检测产品，如指甲式脉搏血氧计、穿戴式心电记录仪，智能手环等大部分是采用接触式生命体征检测技术来实现的。尽管接触式生命体征检测能获得较高的准确度，但在一些特定场合，由于传染性病毒传播能力极强，接近患者进行检测是极其危险的；在一些难以使用复杂的有线连接的情况下，如对婴儿、皮肤大面积烧伤受害者进行心电图（ECG）监测，或在建筑物倒塌、地震期间人类被埋的救援任务中，非接触式生命体征检测发挥着至关重要的作用。基于电磁波检测的超宽带雷达技术作为一种新兴的非接触式生命体征检测手段，具有可以穿透非金属障碍物；不易受到天气、温度、光照等环境因素的影响；保护隐私等优势，在非接触式生命体征检测方面具有独特的优势。但是由于人体的呼吸心跳信号强度微弱，心跳信号强度更是只有呼吸信号强度的十分之一左右，存在心跳信号容易受到环境噪声和呼吸信号谐波干扰的问题，利用常规信号处理方式并无法准确有效的检测生命体征信息。
有鉴于此，特提出本发明。
发明内容
本发明的目的是提供了一种基于超宽带雷达相参积累的人体生命体征检测方法，能从待检测人体的超宽带雷达回波中准确地提取并分离呼吸信号和心跳信号，实现非接触式准确检测人体的呼吸和心跳，进而解决现有技术中存在的上述技术问题。
本发明的目的是通过以下技术方案实现的：
一种基于超宽带雷达相参积累的人体生命体征检测方法，包括：
步骤S1，通过超宽带雷达向待检测人体发射超宽带短脉冲信号；
步骤S2，接收经过待检测人体反射后形成的回波数据，对回波数据采样后得到原始二维回波矩阵；
步骤S3，对原始二维回波矩阵通过去除直流分量、去除静止杂波以及抑制噪声进行预处理得到预处理后的二维回波矩阵；
步骤S4，从预处理后的二维回波矩阵中根据最大标准差方法锁定人体基准距离门；
步骤S5，提取人体基准距离门前后若干个距离门的一维信号作为系列一维信号，对系列一维信号进行相位补偿后，采用时域相参积累方法进行处理，获得相参积累信号；
步骤S6，采用变分模态分解算法从所述相参积累信号分离得出呼吸模态和心跳模态，对分离得到的呼吸模态和心跳模态进行频谱变换得出频谱信息，通过所述频谱信息得到待检测人体的呼吸频率和心跳频率。
与现有技术相比，本发明所提供的基于超宽带雷达相参积累的人体生命体征检测方法，其有益效果包括：
通过对超宽带雷达采集的原始二维回波数据进行一系列预处理，首先去除原始二维回波数据的直流分量，并采用自适应背景抵消对去除直流分量的二维回波数据矩阵的慢时间维去除静止杂波，进一步采用IIR带通滤波器对去除静止杂波二维回波数据矩阵快时间维进行噪声抑制，增强微弱的心跳呼吸信号；不拘泥于传统的常规方法只选取单一的距离门信号进行生命体征检测，而是选取人体基准距离门前后若干个距离门得到的系列一维信号，对该系列一维信号进行相位补偿，进一步采用时域相参积累方法进行处理来提高信噪比，对时域相参积累信号采用VMD算法进行处理，完成待检测人体的呼吸频率和心跳频率的检测；该方法解决了采用超宽带雷达检测生命体征信息时，心跳信号容易受到噪声和呼吸信号谐波干扰的问题，能够准确的将人体呼吸和心跳信号从回波信号中提取并分离出来，得到准确的检测结果。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他附图。
图1是本发明实施例提供的基于超宽带雷达相参积累的人体生命体征检测方法流程图。
图2是本发明实施例提供的检测方法中超宽带雷达采集的原始回波数据矩阵图。
图3是本发明实施例提供的检测方法中对原始回波数据矩阵进行预处理的结果图。
图4是本发明实施例提供的检测方法中预处理后矩阵不同快时间距离门的标准误差函数图。
图5是传统方法只选取一个距离门的信号波形图。
图6是本发明实施例提供的检测方法中时域相参积累处理得到的相参积累信号波形图。
图7是本发明实施例提供的基于超宽带雷达相参积累的人体生命体征检测方法检测到呼吸信号的时域波形图。
图8是本发明实施例提供的基于超宽带雷达相参积累的人体生命体征检测方法检测到呼吸信号的频域波形图。
图9是本发明实施例提供的基于超宽带雷达相参积累的人体生命体征检测方法检测到心跳信号的时域波形图。
图10是本发明实施例提供的基于超宽带雷达相参积累的人体生命体征检测方法检测到心跳信号的频域波形图。
图11是本发明实施例提供的基于超宽带雷达相参积累的人体生命体征检测方法和传统单一距离门法以及心电仪测得的呼吸率对比图。
图12是本发明实施例提供的基于超宽带雷达相参积累的人体生命体征检测方法和传统单一距离门法以及心电仪测得的心率对比图。
具体实施方式
下面结合本发明的具体内容，对本发明实施例中的技术方案进行清楚、完整地描述；显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例，这并不构成对本发明的限制。基于本发明的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明的保护范围。
首先对本文中可能使用的术语进行如下说明：
术语“和/或”是表示两者任一或两者同时均可实现，例如，X和/或Y表示既包括“X”或“Y”的情况也包括“X和Y”的三种情况。
术语“包括”、“包含”、“含有”、“具有”或其它类似语义的描述，应被解释为非排它性的包括。例如：包括某技术特征要素（如原料、组分、成分、载体、剂型、材料、尺寸、零件、部件、机构、装置、步骤、工序、方法、反应条件、加工条件、参数、算法、信号、数据、产品或制品等），应被解释为不仅包括明确列出的某技术特征要素，还可以包括未明确列出的本领域公知的其它技术特征要素。
术语“由……组成”表示排除任何未明确列出的技术特征要素。若将该术语用于权利要求中，则该术语将使权利要求成为封闭式，使其不包含除明确列出的技术特征要素以外的技术特征要素，但与其相关的常规杂质除外。如果该术语只是出现在权利要求的某子句中，那么其仅限定在该子句中明确列出的要素，其他子句中所记载的要素并不被排除在整体权利要求之外。
除另有明确的规定或限定外，术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解，例如：可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本文中的具体含义。
术语“中心”、“纵向”、“横向”、“长度”、“宽度”、“厚度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”“内”、“外”、“顺时针”、“逆时针”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述和简化描述，而不是明示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本文的限制。
下面对本发明所提供的基于超宽带雷达相参积累的人体生命体征检测方法进行详细描述。本发明实施例中未作详细描述的内容属于本领域专业技术人员公知的现有技术。本发明实施例中未注明具体条件者，按照本领域常规条件或制造商建议的条件进行。本发明实施例中所用试剂或仪器未注明生产厂商者，均为可以通过市售购买获得的常规产品。
如图1所示，本发明实施例提供一种基于超宽带雷达相参积累的人体生命体征检测方法，包括：
步骤S1，通过超宽带雷达向待检测人体发射超宽带短脉冲信号；
步骤S2，接收经过待检测人体反射后形成的回波数据，对回波数据采样后得到原始二维回波矩阵；
步骤S3，对原始二维回波矩阵通过去除直流分量、去除静止杂波以及抑制噪声进行预处理得到预处理后的二维回波矩阵；
步骤S4，从预处理后的二维回波矩阵中根据最大标准差方法锁定人体基准距离门；
步骤S5，提取人体基准距离门前后若干个距离门的一维信号作为系列一维信号，对系列一维信号进行相位补偿后，采用时域相参积累方法进行处理，获得相参积累信号；
步骤S6，采用变分模态分解算法(VMD)从所述相参积累信号分离得出呼吸模态和心跳模态，对分离得到的呼吸模态和心跳模态进行频谱变换得出频谱信息，通过所述频谱信息得到待检测人体的呼吸频率和心跳频率。
上述检测方法的步骤S1中，发射的所述超宽带短脉冲信号为调制高斯脉冲信号，第m个周期的超宽带短脉冲信号
Figure 855628DEST_PATH_IMAGE001
表示为：
Figure 374334DEST_PATH_IMAGE002
其中，A为超宽带雷达发射超宽带脉冲信号的幅值；
Figure 598642DEST_PATH_IMAGE003
为控制脉冲宽度的标准差；τ为快时间；T s 为超宽带雷达发射信号的重复周期；f c 为超宽带雷达发射信号的中心频率。
上述检测方法的步骤S2中，发射M个超宽带短脉冲信号，采样量化形成的所述原始二维回波矩阵R[m,n]表征为：
Figure 394560DEST_PATH_IMAGE004
上式中，αl、τl分别是周围第l个静止目标冲激响应的幅度和延时；
Figure 678911DEST_PATH_IMAGE005
、/>
Figure 419334DEST_PATH_IMAGE006
分别是待检测人体胸腔冲激响应的幅度和延时；T f 表示快时间维的采样周期；n=1，2，…，N，其中N是快时间总采样点数；m=1，2，…，M，其中M是发射超宽带短脉冲信号总数。
上述检测方法的步骤S3中，按以下方式对原始二维回波矩阵去除直流分量、静止杂波以及快时间维滤波进行预处理，包括：
步骤S31，去除直流分量，采用均值相减法去除原始二维回波矩阵R[m,n]的直流分量，得到的去除直流分量的二维回波矩阵O[m,n]为：
Figure 447333DEST_PATH_IMAGE007
其中，c[n]是原始二维回波矩阵R[m,n]每列的均值；
Figure 97757DEST_PATH_IMAGE008
步骤S32，去除静止杂波，采用自适应背景抵消方法对去除直流分量的二维回波矩阵O[m,n]进行去除静止杂波，得到的去除静止杂波的二维回波矩阵V[m,n]为：
Figure 553009DEST_PATH_IMAGE009
/>
其中，静止杂波Q[m,n]为：
Figure 46307DEST_PATH_IMAGE010
其中，η∈[0,1],一般取值为0.9, Q[m,1]=O[m,1]；
步骤S33，抑制噪声，采用IIR带通滤波器对去除静止杂波的二维回波矩阵V[m,n]快时间维进行噪声抑制，得到预处理后的二维回波矩阵T[m,n]，IIR带通滤波器的差分公式如下：
Figure 612418DEST_PATH_IMAGE011
其中，a0，a1，···a6；b1，b2，···b6为滤波器系数，T[m,0]， T[m,1]，…，T[m, 6]均为0；滤波之后得到预处理后的二维回波矩阵T[m,n]。
上述检测方法的步骤S4中，人体基准距离门是预处理后的二维回波矩阵T[m,n]标准差最大的快时间距离门
Figure 117348DEST_PATH_IMAGE012
，为：
Figure 743502DEST_PATH_IMAGE013
其中，SD n 为预处理后的二维回波矩阵T[m,n]不同快时间距离门的标准差；
Figure 458517DEST_PATH_IMAGE014
为预处理后的二维回波矩阵T[m,n]不同快时间距离门的均值。
上述检测方法的步骤S5中，按以下方式提取人体基准距离门前后若干个距离门的一维信号作为系列一维信号，对系列一维信号进行相位补偿后，采用时域相参积累方法进行处理，获得相参积累信号，包括：
步骤S51，在预处理后的二维回波矩阵T[m,n]中，根据待检测人体的胸腔厚度，选取人体基准距离门前后各5个快时间距离门，获取系列一维信号S i (m)表征为：
Figure 828318DEST_PATH_IMAGE015
，/>
Figure 453335DEST_PATH_IMAGE016
对S i (m)进行[-1,1]归一化处理得到：
Figure 578286DEST_PATH_IMAGE017
其中，min[ ]表示最小值操作符，max[ ]表示最大值操作符；
步骤S52，按以下方式对系列一维信号进行相位补偿，以第一个信号为基准，对与其反相的信号进行反向处理得到的相位补偿后的信号
Figure 452701DEST_PATH_IMAGE018
为：
Figure 360614DEST_PATH_IMAGE019
上式中, ΔΦ表示为
Figure 371295DEST_PATH_IMAGE020
和/>
Figure 808093DEST_PATH_IMAGE021
的相位差；/>
步骤S53，采用时域积累方法获得相参积累信号s(t m )，该相参积累信号s(t m )表征为：
Figure 904225DEST_PATH_IMAGE022
其中，t m 为离散慢时间，t m =mT s ；m=1，2，…，M，其中M是发射脉冲信号总数；T s 是脉冲信号的重复周期。
上述检测方法的步骤S6中，按以下方式采用变分模态分解算法从所述相参积累信号分离得出呼吸模态和心跳模态，对分离得到的呼吸模态和心跳模态进行频谱变换得出频谱信息，通过所述频谱信息得到待检测人体的呼吸频率和心跳频率，包括：
步骤S61，采用变分模态分解算法对相参积累信号s(t m )进行模态分解，提取呼吸模态与心跳模态，提取模态分量的参数模型表征为：
Figure 209304DEST_PATH_IMAGE023
其中，K为需要分解的模态个数；
Figure 808913DEST_PATH_IMAGE024
分别是分解后第K个模态分量和其对应的中心频率；/>
Figure 947770DEST_PATH_IMAGE025
分别是所有模态分量和中心频率的集合，呼吸模态分量和心跳模态分量包含于/>
Figure 859094DEST_PATH_IMAGE026
之中；/>
Figure 374389DEST_PATH_IMAGE027
是模态分量/>
Figure 359663DEST_PATH_IMAGE028
的希尔伯特变换，/>
Figure 138263DEST_PATH_IMAGE029
是冲激函数，/>
Figure 943408DEST_PATH_IMAGE030
表示梯度运算符，/>
Figure 590290DEST_PATH_IMAGE031
表示平方范数运算符，
Figure 430070DEST_PATH_IMAGE032
表示所有模态分量之和；
步骤S62，求解模态分量
Figure 379571DEST_PATH_IMAGE033
和中心频率/>
Figure 937592DEST_PATH_IMAGE034
：引入拉格朗日乘法算子λ，将约束参数模型转变为非约束参数模型，得到增广拉格朗日表达式：
Figure 122585DEST_PATH_IMAGE035
上式中，α为二次惩罚因子，作用是降低高斯噪声的干扰；
Figure 82451DEST_PATH_IMAGE036
为约束函数；利用交替方向乘子算法，求解各模态分量/>
Figure 202854DEST_PATH_IMAGE037
和对应的中心频率/>
Figure 576066DEST_PATH_IMAGE038
；
步骤S63，检测呼吸频率和心跳频率：对每个模态分量
Figure 971276DEST_PATH_IMAGE028
进行傅里叶变换，得到/>
Figure 254489DEST_PATH_IMAGE028
的频谱：/>
Figure 76952DEST_PATH_IMAGE039
，搜寻每个模态分量
Figure 937460DEST_PATH_IMAGE028
频谱的峰值频率/>
Figure 339623DEST_PATH_IMAGE040
，如果/>
Figure 274081DEST_PATH_IMAGE040
∈ [0.2,0.5]Hz，即为当前时间段待检测人体的呼吸频率；如果/>
Figure 267445DEST_PATH_IMAGE040
∈[0.9,1.7]Hz，即为当前时间段待检测人体的心跳频率，完成对待检测人体呼吸频率和心跳频率的检测。
综上可见，与现有技术相比，本发明实施例的检测方法通过对超宽带雷达采集的原始二维回波数据进行一系列预处理，首先去除原始二维回波数据的直流分量，并采用自适应背景抵消对去除直流分量的二维回波数据矩阵的慢时间维去除静止杂波，进一步采用IIR带通滤波器对去除静止杂波二维回波数据矩阵快时间维进行噪声抑制，增强微弱的心跳呼吸信号；不拘泥于传统的常规方法只选取单一的距离门信号进行生命体征检测，而是选取人体基准距离门前后若干个距离门得到的系列一维信号，对该系列一维信号进行相位补偿，进一步采用时域相参积累方法进行处理来提高信噪比，对时域相参积累信号采用VMD算法进行处理，完成待检测人体的呼吸频率和心跳频率的检测；该方法解决了采用超宽带雷达检测生命体征信息时，心跳信号容易受到噪声和呼吸信号谐波干扰的问题，能够准确的将人体呼吸和心跳信号从回波信号中提取并分离出来，得到准确的检测结果。
为了更加清晰地展现出本发明所提供的技术方案及所产生的技术效果，下面以具体实施例对本发明实施例所提供的基于超宽带雷达相参积累的人体生命体征检测方法进行详细描述。
实施例1
参见图1，本发明实施例一种基于超宽带雷达相参积累的人体生命体征检测方法，包括步骤如下：
步骤S1：产生和发射超宽带信号；
通过超宽带雷达发射的超宽带脉冲信号源产生中心频率为4.3GHz、带宽为2GHz的调制高斯脉冲信号，并由超宽带雷达的发射天线向待检测人体发射，该超宽带脉冲信号
Figure 21774DEST_PATH_IMAGE001
表示为：
Figure 617841DEST_PATH_IMAGE041
（1）
其中，A为超宽带雷达发射超宽带脉冲信号的幅值；
Figure 610067DEST_PATH_IMAGE042
为控制脉冲宽度的标准差；τ为快时间；T s 为超宽带雷达发射信号的重复周期；f c 为超宽带雷达发射信号的中心频率；
步骤S2：接收待检测人体的回波数据；
超宽带雷达发射的调制高斯脉冲信号经过待检测人体的反射，在超宽带雷达的接收天线处被接收，通过ADC采样量化回波数据，形成一个大小M×N的原始二维回波矩阵R[m, n]，如图2所示。n=1，2，…，N，其中，N为快时间维，即快时间总采样点数，是图2中的横坐标维；m=1，2，…，M，其中，M为慢时间维，即发射超宽带短脉冲信号总数，是图2中的纵坐标维；快时间为超宽带雷达发射的脉冲信号传播的时间，其单位为ns；慢时间为超宽带雷达对待检测人体的探测时间，其单位为s；
步骤S3：对原始二维回波矩阵R[m,n]进行去除直流分量、去除静止杂波和快时间维滤波的预处理；
步骤S31：采用均值相减法去除原始二维回波矩阵R[m,n]的直流分量，得到去除直流分量的二维回波矩阵O[m,n]，处理方法如下：
计算原始二维回波矩阵R[m,n]慢时间维均值c[n]：
Figure 774332DEST_PATH_IMAGE043
（2）
通过以下均值相减法公式计算得出去除直流分量的二维回波矩阵O[m,n]：
Figure 609433DEST_PATH_IMAGE044
（3）
得到去直流分量的二维回波矩阵O[m,n]；
步骤S32：对去除直流分量的二维回波矩阵O[m,n]，采用自适应背景抵消对去除静止杂波得到去除静止杂波后的二维回波矩阵V[m,n]，公式为：
Figure 150136DEST_PATH_IMAGE045
（4）
其中，η∈[0,1],一般取值为0.9, Q[m,1]=O[m,1]；
超宽带雷达接收回波数据通常包括待检测人体和周围静止目标（如桌椅、墙壁等）的反射回波，静止杂波的幅度远大于待检测人体回波，从而使得待检测人体回波淹没于静止杂波中，因此采用自适应背景抵消对去除静止杂波；
步骤S33：采用IIR带通滤波器对去除静止杂波的二维回波矩阵V[m,n]快时间维进行噪声抑制：
Figure 996869DEST_PATH_IMAGE046
（5）
其中，a0，a1，···a6；b1，b2，···b6为滤波器系数，T[m,0]， T[m,1]，…，T[m, 6]均为0；滤波之后得到预处理后的二维回波矩阵T[m,n]，如图3所示。
步骤S4：采用标准差最大法锁定人体基准距离门
Figure 597615DEST_PATH_IMAGE047
；
Figure 654433DEST_PATH_IMAGE048
（6）
其中，SD n 为预处理后的二维回波矩阵T[m,n]不同快时间距离门的标准差；
Figure 202089DEST_PATH_IMAGE049
为预处理后的二维回波矩阵不同快时间距离门的均值；N是快时间总采样点数；M是发射超宽带短脉冲信号总数；
步骤S5：获取相参积累信号；
步骤S51：根据待检测人体胸腔厚度，选取人体基准距离门前后各5个快时间距离门，则系列一维信号S i (m)可以表示为：
Figure 700066DEST_PATH_IMAGE050
（7）
对选取的所有一维慢时间信号进行[-1,1]归一化处理：
Figure 471713DEST_PATH_IMAGE051
；/>
步骤S52：以其中第一个信号为基准，对与其反相的信号进行相位补偿，得到相位补偿后的信号
Figure 15827DEST_PATH_IMAGE018
为：
Figure 898332DEST_PATH_IMAGE052
（8）
上式中,ΔΦ表示为
Figure 719658DEST_PATH_IMAGE053
和/>
Figure 662206DEST_PATH_IMAGE054
的相位差；
在相位补偿处理后再进行时域相参积累得到相参积累信号s(t m )，如图6所示，图5则是传统单一距离门法得到的慢时间信号；
Figure 100140DEST_PATH_IMAGE055
（9）
其中，t m 为离散慢时间，t m = mT s， m是慢时间采样点数，m = 1，2，…，M；T s 是脉冲信号的重复周期，T s =80ms；
步骤S6：变分模态分解（VMD）算法分解相参积累信号s(t m )，并对提取的呼吸模态、心跳模态分别做FFT变换：
步骤S61：假设相参积累信号s(t m )被分解为K个分量，保证分解信号为具有中心频率的有限带宽的模态分量，同时各模态的估计带宽之和最小，约束条件为所有模态之和与原始信号相等，则相应提取呼吸、心跳模态的参数优化模型可以表征为：
Figure 379812DEST_PATH_IMAGE056
（10）
其中，K为需要分解的模态个数；
Figure 586802DEST_PATH_IMAGE024
分别是分解后第K个模态分量和其对应的中心频率；/>
Figure 169093DEST_PATH_IMAGE025
分别是所有模态分量和中心频率的集合，呼吸模态分量和心跳模态分量包含于/>
Figure 94324DEST_PATH_IMAGE026
之中；/>
Figure 912107DEST_PATH_IMAGE027
是模态分量/>
Figure 239184DEST_PATH_IMAGE028
的希尔伯特变换，/>
Figure 726797DEST_PATH_IMAGE029
是冲激函数，/>
Figure 139324DEST_PATH_IMAGE030
表示梯度运算符，/>
Figure 760798DEST_PATH_IMAGE031
表示平方范数运算符，
Figure 942380DEST_PATH_IMAGE032
表示所有模态分量之和；
步骤S62：然后引入拉格朗日乘法算子λ，将约束参数模型转变为非约束参数模型，得到增广拉格朗日表达式为：
Figure 397632DEST_PATH_IMAGE057
（11）
上式中，α为二次惩罚因子，作用是降低高斯噪声的干扰；
Figure 500718DEST_PATH_IMAGE036
为约束函数；利用交替方向乘子算法，求解各模态分量/>
Figure 660304DEST_PATH_IMAGE058
和对应的中心频率/>
Figure 961972DEST_PATH_IMAGE038
；模态分量/>
Figure 588125DEST_PATH_IMAGE059
和中心频率/>
Figure 178507DEST_PATH_IMAGE038
的参数模型主要求解过程如下：
Figure 548308DEST_PATH_IMAGE060
（12.1）
Figure 297958DEST_PATH_IMAGE061
（12.2）
Figure 95013DEST_PATH_IMAGE062
（12.3）
式中，γ为噪声容忍度，满足信号分解的保真度要求，
Figure 172690DEST_PATH_IMAGE063
和/>
Figure 408500DEST_PATH_IMAGE064
分别对应/>
Figure 684760DEST_PATH_IMAGE065
和/>
Figure 121558DEST_PATH_IMAGE066
的傅里叶变换。
初始化
Figure 217690DEST_PATH_IMAGE067
和最大迭代次数/>
Figure 522769DEST_PATH_IMAGE068
；
利用公式 (12.1) 和 (12.2) 更新
Figure 387957DEST_PATH_IMAGE069
和/>
Figure 995656DEST_PATH_IMAGE070
；
利用公式 (12.3) 更新；
精度收敛判据ε＞0，若不满足
Figure 579084DEST_PATH_IMAGE071
且 n＜N，则返回步骤S62，否则完成迭代，输出最终的/>
Figure 687854DEST_PATH_IMAGE069
和/>
Figure 407549DEST_PATH_IMAGE072
；
步骤S63：如图7和图9所示对提取的呼吸模态、心跳模态分别做FFT变换；在正常呼吸频段0.2-0.5Hz内的频谱峰值频率即为当前时间段的呼吸频率，在正常心跳频段0.9-1.7Hz内的频谱峰值频率即为当前心跳频率，如图8所示，测得目标的呼吸率为0.333Hz，约20次/分钟（BPM）；如图10所示，测得的心率为1.167Hz，约70次/分钟（BPM）。
下面通过一组实测数据对本发明检测方法的效果作进一步说明。
实验采集距离雷达1.7m的人体回波数据，一共2分钟，雷达采集同时使用接触式心电仪检测呼吸率和心率，并进行数据进行对比。对2分钟的数据进行滑窗处理，窗长为24s，滑动步长为4s，分别采用传统单一距离门法和本发明相参积累方法进行处理，并且都采用VMD算法提取呼吸模态和心跳模态。图11为本发明的基于超宽带雷达相参积累的人体生命体征检测方法和传统单一距离门法以及心电仪测得的呼吸率对比图；图12为本发明的基于超宽带雷达相参积累的生命体征检测方法和传统单一距离门法以及心电仪测得的心率对比图。通过比较可以看出，本发明的相参积累处理之后心跳信号的检测准确率明显提高，而传统单一距离门法检测的结果，其检测的呼吸率准确率较高，但是检测的心率和心电仪参考数据相比有着较大误差。
综上可见，本发明实施例的检测方法，可有效抑制环境的各类噪声和干扰，能在一定区域内、隔着某些介质，如衣物、木板等，且在不接触被测人体目标的情况下从雷达回波信号中准确的提取与分离呼吸信号和心跳信号，实现对人体体征的准确检测，很好的解决了由于人体的呼吸心跳信号强度微弱，心跳信号强度更是只有呼吸信号强度的十分之一左右，现有方法利用超宽带雷达系统检测生命体征时，容易受到周围环境杂波和噪声干扰，加大了在低信噪比的回波信号中提取呼吸、心跳信号的难度。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明披露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求书的保护范围为准。本文背景技术部分公开的信息仅仅旨在加深对本发明的总体背景技术的理解，而不应当被视为承认或以任何形式暗示该信息构成已为本领域技术人员所公知的现有技术。

Claims (5)

1.一种基于超宽带雷达相参积累的人体生命体征检测方法，其特征在于，包括：
步骤S1，通过超宽带雷达向待检测人体发射超宽带短脉冲信号；
步骤S2，接收经过待检测人体反射后形成的回波数据，对回波数据采样后得到原始二维回波矩阵；
步骤S3，对原始二维回波矩阵通过去除直流分量、去除静止杂波以及抑制噪声进行预处理得到预处理后的二维回波矩阵；
步骤S4，从预处理后的二维回波矩阵中根据最大标准差方法锁定人体基准距离门；
所述步骤S4中，人体基准距离门是预处理后的二维回波矩阵T[m,n]标准差最大的快时间距离门
Figure 363522DEST_PATH_IMAGE001
，为：
Figure 371009DEST_PATH_IMAGE002
其中，SD n 为预处理后的二维回波矩阵T[m,n]不同快时间距离门的标准差；
Figure 150747DEST_PATH_IMAGE003
为预处理后的二维回波矩阵T[m,n]不同快时间距离门的均值；N是快时间总采样点数；M是发射超宽带短脉冲信号总数；
步骤S5，提取人体基准距离门前后若干个距离门的一维信号作为系列一维信号，对系列一维信号进行相位补偿后，采用时域相参积累方法进行处理，获得相参积累信号；
所述步骤S5中，按以下方式提取人体基准距离门前后若干个距离门的一维信号作为系列一维信号，对系列一维信号进行相位补偿后，采用时域相参积累方法进行处理，获得相参积累信号，包括：
步骤S51，在预处理后的二维回波矩阵T[m,n]中，根据待检测人体的胸腔厚度，选取人体基准距离门前后各5个快时间距离门，获取系列一维信号S i (m)表征为：
Figure 342694DEST_PATH_IMAGE004
对S i (m)进行[-1,1]归一化处理得到：
Figure 970115DEST_PATH_IMAGE005
其中，min[ ]表示最小值操作符，max[ ]表示最大值操作符；
步骤S52，按以下方式对系列一维信号进行相位补偿，以第一个信号为基准，对与其反相的信号进行反向处理得出相位补偿后的信号
Figure 792578DEST_PATH_IMAGE006
为：
Figure 387507DEST_PATH_IMAGE007
上式中,ΔΦ表示为
Figure 399457DEST_PATH_IMAGE008
和
Figure 68335DEST_PATH_IMAGE009
的相位差；
在相位补偿处理后再进行时域相参积累得到相参积累信号s(t m )，该相参积累信号s(t m )表征为：
Figure 124016DEST_PATH_IMAGE010
其中，t m 为离散慢时间，t m =mT s ；m=1，2，…，M，其中M是发射脉冲信号总数；T s 是脉冲信号的重复周期；
步骤S6，采用变分模态分解算法从所述相参积累信号分离得出呼吸模态和心跳模态，对分离得到的呼吸模态和心跳模态进行频谱变换得出频谱信息，通过所述频谱信息得到待检测人体的呼吸频率和心跳频率。
2.根据权利要求1所述的基于超宽带雷达相参积累的人体生命体征检测方法，其特征在于，所述步骤S1中，发射的所述超宽带短脉冲信号为调制高斯脉冲信号，第m个周期的超宽带短脉冲信号
Figure 691395DEST_PATH_IMAGE011
表示为：
Figure 959565DEST_PATH_IMAGE012
其中，A为超宽带雷达发射超宽带脉冲信号的幅值；
Figure 14109DEST_PATH_IMAGE013
为控制脉冲宽度的标准差；τ为快时间；T s 为超宽带雷达发射信号的重复周期；f c 为超宽带雷达发射信号的中心频率。
3.根据权利要求2所述的基于超宽带雷达相参积累的人体生命体征检测方法，其特征在于，所述步骤S2中，发射M个超宽带短脉冲信号，采样量化形成的所述原始二维回波矩阵R[m,n]表征为：
Figure 257002DEST_PATH_IMAGE014
上式中，αl、τl分别是周围第l个静止目标冲激响应的幅度和延时；
Figure 498628DEST_PATH_IMAGE015
、
Figure 836068DEST_PATH_IMAGE016
分别是待检测人体胸腔冲激响应的幅度和延时；T f 表示快时间维的采样周期；n=1，2，…，N，其中N是快时间总采样点数；m=1，2，…，M，其中M是发射超宽带短脉冲信号总数。
4.根据权利要求1-3任一项所述的基于超宽带雷达相参积累的人体生命体征检测方法，其特征在于，所述步骤S3中，按以下方式对原始二维回波矩阵去除直流分量、静止杂波以及快时间维滤波进行预处理，包括：
步骤S31，去除直流分量，采用均值相减法去除原始二维回波矩阵R[m,n]的直流分量，得到的去除直流分量的二维回波矩阵O[m,n]为：
Figure 479539DEST_PATH_IMAGE017
其中，c[n]是原始二维回波矩阵R[m,n]每列的均值:
Figure 627755DEST_PATH_IMAGE018
步骤S32，去除静止杂波，采用自适应背景抵消方法对去除直流分量的二维回波矩阵O[m,n]进行去除静止杂波，得到的去除静止杂波的二维回波矩阵V[m,n]为：
Figure 418993DEST_PATH_IMAGE019
其中,静止杂波
Figure 497808DEST_PATH_IMAGE020
为：
Figure 808834DEST_PATH_IMAGE021
其中,η∈[0,1]，Q[m,1]=O[m,1]；
步骤S33，抑制噪声，采用IIR带通滤波器对去除静止杂波的二维回波矩阵V[m,n]快时间维进行噪声抑制，得到预处理后的二维回波矩阵T[m,n]，IIR带通滤波器的差分公式如下：
Figure 642798DEST_PATH_IMAGE022
其中，a0，a1，···a6；b1，b2，···b6为滤波器系数，T[m,0]， T[m,1]，…，T[m,6]均为0；滤波之后得到预处理后的二维回波矩阵T[m,n]。
5.根据权利要求1所述的基于超宽带雷达相参积累的人体生命体征检测方法，其特征在于，所述步骤S6中，按以下方式采用变分模态分解算法从所述相参积累信号分离得出呼吸模态和心跳模态，对分离得到的呼吸模态和心跳模态进行频谱变换得出频谱信息，通过所述频谱信息得到待检测人体的呼吸频率和心跳频率，包括：
步骤S61，采用变分模态分解算法对相参积累信号s(t m )进行模态分解，提取呼吸模态与心跳模态，提取模态分量的参数模型表征为：
Figure 593437DEST_PATH_IMAGE023
其中，K为需要分解的模态个数；
Figure 288991DEST_PATH_IMAGE024
分别是分解后第K个模态分量和其对应的中心频率；
Figure 641475DEST_PATH_IMAGE025
分别是所有模态分量和中心频率的集合，呼吸模态分量和心跳模态分量包含于
Figure 646340DEST_PATH_IMAGE026
之中；
Figure 84275DEST_PATH_IMAGE027
是模态分量
Figure 317941DEST_PATH_IMAGE028
的希尔伯特变换，
Figure 790511DEST_PATH_IMAGE029
是冲激函数，
Figure 966277DEST_PATH_IMAGE030
表示梯度运算符，
Figure 891508DEST_PATH_IMAGE031
表示平方范数运算符，
Figure 928865DEST_PATH_IMAGE032
表示所有模态分量之和；
步骤S62，求解模态分量
Figure 990362DEST_PATH_IMAGE033
和中心频率
Figure 337030DEST_PATH_IMAGE034
：引入拉格朗日乘法算子λ，将约束参数模型转变为非约束参数模型，得到增广拉格朗日表达式：
Figure 749557DEST_PATH_IMAGE035
上式中，α为二次惩罚因子，作用是降低高斯噪声的干扰；
Figure 590605DEST_PATH_IMAGE036
为约束函数；利用交替方向乘子算法，求解各模态分量
Figure 772188DEST_PATH_IMAGE033
和对应的中心频率
Figure 24177DEST_PATH_IMAGE034
；
步骤S63，检测呼吸频率和心跳频率：对每个模态分量
Figure 924000DEST_PATH_IMAGE028
进行傅里叶变换，得到
Figure 303160DEST_PATH_IMAGE028
的频谱：
Figure 604829DEST_PATH_IMAGE037
，搜寻每个模态分量
Figure 27720DEST_PATH_IMAGE028
频谱的峰值频率
Figure 414839DEST_PATH_IMAGE038
，如果
Figure 597689DEST_PATH_IMAGE038
∈ [0.2,0.5]Hz，即为当前时间段待检测人体的呼吸频率；如果
Figure 488285DEST_PATH_IMAGE038
∈[0.9,1.7]Hz，即为当前时间段待检测人体的心跳频率，完成对待检测人体呼吸频率和心跳频率的检测。
CN202211312958.5A 2022-10-19 2022-10-19 一种基于超宽带雷达相参积累的人体生命体征检测方法 Active CN115363547B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211312958.5A CN115363547B (zh) 2022-10-19 2022-10-19 一种基于超宽带雷达相参积累的人体生命体征检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211312958.5A CN115363547B (zh) 2022-10-19 2022-10-19 一种基于超宽带雷达相参积累的人体生命体征检测方法

Publications (2)

Publication Number Publication Date
CN115363547A CN115363547A (zh) 2022-11-22
CN115363547B true CN115363547B (zh) 2023-03-24

Family

ID=84073820

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211312958.5A Active CN115363547B (zh) 2022-10-19 2022-10-19 一种基于超宽带雷达相参积累的人体生命体征检测方法

Country Status (1)

Country Link
CN (1) CN115363547B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN117420538B (zh) * 2023-12-18 2024-03-08 深圳捷扬微电子有限公司 一种超宽带系统的测距方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11346936B2 (en) * 2018-01-16 2022-05-31 Infineon Technologies Ag System and method for vital signal sensing using a millimeter-wave radar sensor
CN108614259A (zh) * 2018-05-02 2018-10-02 电子科技大学 一种基于超宽带雷达传感器的心跳呼吸特征监测方法
CN115054221A (zh) * 2022-06-21 2022-09-16 无锡威孚高科技集团股份有限公司 一种基于毫米波雷达的生命体征提取方法

Also Published As

Publication number Publication date
CN115363547A (zh) 2022-11-22

Similar Documents

Publication Publication Date Title
CN115363547B (zh) 一种基于超宽带雷达相参积累的人体生命体征检测方法
CN111568399B (zh) 一种基于雷达的呼吸和心跳信号检测方法及系统
CN111856452B (zh) 基于omp的静态人体心跳和呼吸信号分离重构方法
CN109805931B (zh) 基于太赫兹多普勒雷达的远距离生命微动信号检测方法
CN106175723A (zh) 一种基于fmcw宽带雷达的多生命监护系统
CN112220464A (zh) 一种基于uwb雷达的人体呼吸心跳信号检测方法和系统
CN113273978B (zh) 一种基于超宽带雷达的人体呼吸和心跳频率的检测方法
CN114305364B (zh) 基于毫米波雷达的血压检测方法、系统及设备
CN113854992A (zh) 基于77GHz毫米雷达的非接触式精确心率检测方法
Shi et al. Neural network based real-time heart sound monitor using a wireless wearable wrist sensor
CN115644840A (zh) 基于毫米波雷达的生命体征检测方法
CN114305355B (zh) 基于毫米波雷达的呼吸心跳检测方法、系统及装置
Le et al. Multivariate correlation of higher harmonics for heart rate remote measurement using UWB impulse radar
Qiao et al. Learning-refined integral null space pursuit algorithm for noncontact multisubjects vital signs measurements using SFCW-UWB and IR-UWB radar
CN115736872A (zh) 一种基于毫米波雷达实时计算心率的方法
CN112450900B (zh) 一种基于智能音箱的非接触式心跳检测方法
CN105105739B (zh) 短距离无线心率及心率变异性检测方法
Pavlov et al. Algorithm of signal processing in ultra-wideband radar designed for remote measuring parameters of patient's cardiac activity
Xue et al. Accurate multi-target vital signs detection method for FMCW radar
CN116725507A (zh) 基于拟合匹配滤波与Double-CZT的雷达高精度心率检测方法
Pan et al. A spectrum estimation approach for accurate heartbeat detection using Doppler radar based on combination of FTPR and TWV
Kew et al. Wearable patch-type ECG using ubiquitous wireless sensor network for healthcare monitoring application
Shi et al. Noncontact Doppler radar-based heart rate detection on the SVD and ANC
Cao et al. A novel frequency tracking algorithm for non-contact vital sign monitoring
Obeid et al. Position-free vital sign monitoring: Measurements and processing

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