CN115470864A - 一种基于脉冲超宽带雷达的身份识别方法 - Google Patents
一种基于脉冲超宽带雷达的身份识别方法 Download PDFInfo
- Publication number
- CN115470864A CN115470864A CN202211228520.9A CN202211228520A CN115470864A CN 115470864 A CN115470864 A CN 115470864A CN 202211228520 A CN202211228520 A CN 202211228520A CN 115470864 A CN115470864 A CN 115470864A
- Authority
- CN
- China
- Prior art keywords
- radar
- energy concentration
- matrix
- vector
- column
- 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.)
- Granted
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
- A61B5/05—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
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
- A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- Pathology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Physiology (AREA)
- Veterinary Medicine (AREA)
- Heart & Thoracic Surgery (AREA)
- Mathematical Physics (AREA)
- Theoretical Computer Science (AREA)
- Cardiology (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Psychiatry (AREA)
- Signal Processing (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- Fuzzy Systems (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Pulmonology (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明提出一种基于脉冲超宽带雷达的身份识别方法,属于雷达信号处理领域;当脉冲超宽带雷达采集被测人员的雷达回波信号后,依次进行预处理,选取能量集中列和能量集中区并进行滑动切片,对每个切片进行变分模态分解得到表征生命体征的心跳频率和呼吸频率信息;将所有切片的生命体征特征向量组成能量集中波形,输入身份识别神经网络,分别经过编码器和解码器的注意力模块,卷积层和全连接层,实现对被测人员的身份识别。本发明可实现无接触式的身份识别,且对被检测人员的行为动作无特定需求,使用了心跳、呼吸和体态多种特征,鲁棒性较高。
Description
技术领域
本发明属于雷达信号处理领域,涉及一种基于脉冲超宽带雷达的身份识别方法。
背景技术
城市化趋势使得城市人口数量增加,结构复杂化,加大了城市管理的难度。无论是在公共安全等涉及大规模人员的场景,还是在智慧城市和智能家居等与个人生活息息相关的场景,身份识别都起到了举足轻重的作用。
目前,针对身份识别的技术实现主要包括三类:基于可见光视频信号的身份识别、基于指纹采集的身份识别和基于虹膜认证的身份识别。
其中,基于可见光视频信号的身份识别使用较为广泛,但有以下缺点:一是依赖一定的光照条件,在弱光或者无光条件下识别准确率会大幅度下降,甚至完全无法正常工作;二是存在视野盲区,容易受到障碍物的阻挡而无法正常识别;三是隐私问题,智能家居场景下家中安装摄像头侵犯个人隐私,不利于使用和推广。
基于指纹采集的身份识别发展较为成熟,但也有一定缺点:一是某些群体的指纹特征少,识别难度大;二是当人员指纹因为受伤等因素而受损时可能导致无法正常识别;三是需要人员接触且设备上常有指纹残留,存在安全隐患。
由于人体虹膜的确定性和独特性,基于虹膜认证的身份识别可靠性高,但也存在一定缺陷:一是设备的小型化,便携化难以实现;二是虹膜识别设备造价相对较高,难以实现大范围推广。
脉冲超宽带(Impulse Radio Ultra-Wide Band,IR-UWB)雷达的出现,为上述难题的解决提供了一种思路。
脉冲超宽带雷达具有功耗低,时间、空间分辨率高和定位精准的特点。当人体处于雷达探测区域时,雷达回波信号会受到人体运动(包括身体部位的微运动)的调制,产生微多普勒(micro-Doppler,MD)效应。由于不同个体具有不同的运动特征,产生的微多普勒效应也因人而异,这种差异使基于脉冲超宽带雷达的人员识别成为可能。
与人脸识别相比,雷达识别不依赖光线条件,也不存在隐私问题。与指纹采集相比,雷达识别可以提供非接触的解决方案,且不需要被测目标有意识地配合。与虹膜认证相比,雷达体积较小,成本较低。因此,雷达识别在安全监控领域具有很大的吸引力和应用潜力。
但是,目前相关文献均存在一些待改进之处。例如文献1:CN202110677924.5公开了一种基于呼吸样本空间的超宽带雷达身份识别方法,仅使用呼吸频率作为身份识别的主要特征;文献2:CN202111532892.6公开了一种基于毫米波雷达的身份识别方法,仅使用心跳频率实现身份识别,二者都没有进行更多特征提取的工作。
发明内容
针对上述问题,本发明公开一种基于脉冲超宽带雷达的身份识别方法,利用心跳、呼吸频率和体态,无接触式地对目标进行身份识别。
所述基于脉冲超宽带雷达的身份识别方法,具体步骤如下:
步骤一、脉冲超宽带雷达持续发射脉冲信号,经有效探测区域内被测人员、杂物、墙体以及地面反射后,接收信号以二维回波信号矩阵M1形式被接收天线接收,并进行储存;
二维回波信号矩阵记为
行向量表示快时间维度,与探测距离呈正相关;列向量表示慢时间维度,与数据累计时间呈正相关;其中xi=[xi1xi2…xij…xin],xij代表雷达采样的回波信号值。
步骤二、对二维回波信号矩阵M1进行预处理,得到预处理后的信号矩阵M2:
预处理包括:去除直流,进行带通滤波,使用主成分分析法PCA去除信号中的杂波;
具体为:
步骤2-1:对二维雷达回波信号矩阵M1,计算每个行向量的平均值,并将每个行向量减去对应的平均值,得到去除直流的雷达回波信号矩阵M1a;
步骤2-2:对矩阵M1a,利用汉明窗构造带通滤波器,获取频带为6.5GHz-8GHz的雷达数据,记为矩阵M1b。
步骤2-3:使用主成分分析法对矩阵M1b进行降维,将矩阵分解为包含不同能量主元的子空间,去除能量占比最高的主元,得到预处理后的信号矩阵M2。
步骤三、从预处理后的信号矩阵M2中选取能量集中列,并以其为中心选取能量集中区;
具体为:计算信号矩阵M2中各个列向量所有元素的绝对值的和,取其中最大和值对应的列向量作为能量集中列;以能量集中列为中心,选取前l-1个,后l个,总计2l个列向量作为能量集中区。
l根据实际需要人为设定。
步骤四、对能量集中区应用滑动时间窗口,按信号矩阵M2的行进行数据切片,对每个切片分别进行计算,得到各切片对应的反映被测人员体态的体态特征向量V1。
具体为:针对当前时刻,设定滑动窗口覆盖能量集中区的数据范围以及步进,沿雷达信号累计时间增长的方向滑动。
然后,利用滑动窗口覆盖的区域,进行六种数学特征的计算,形成1×6的体态特征向量V1。
偏度:S=E[(xij-μ)/σ]3;散度:K=E[(xij-ρ)4]/(E[(xij-ρ)2]2,
步骤五、针对每个数据切片中能量集中列所表示的信号波形应用变分模态分解,从而得到各切片下被测人员的心跳频率和呼吸频率信息;
具体步骤为:
首先,针对当前切片,被测人员通过呼吸和心跳,带动胸腔起伏从而影响胸腔到雷达的距离变化d(t);
表示为:
其中代表呼吸引起的胸腔位移相关的傅里叶级数展开式的系数;代表心跳引起的胸腔位移相关的傅里叶级数展开式的系数;d0表示雷达到人体的静态距离,Nb,Nk分别表示非直流傅里叶展开式的系数数量;fb、fh表示非直流傅里叶展开式对应的频率。
然后,距离变化d(t)导致能量集中列的数值发生变化,由于该列中包含呼吸和心跳频率,运用变分模态分解算法,将距离变化d(t)视为多个正弦函数的叠加,并将能量集中列对应的信号分解成具有不同频率的子信号;
能量集中列被分解成k个,则第k个子信号μk(t)为:
最后,选取中心频率在0.8-2Hz范围内的子信号作为心跳频率;选取中心频率在0.1-0.5Hz范围内的子信号作为呼吸频率;
步骤六、将各数据切片的心跳频率和呼吸频率分别添加到各自对应的体态特征向量V1中,对向量V1中的最大值进行归一化,并替换对应数据切片的能量集中列的末端数据,得到生命体征特征向量V2。
步骤七、设置身份识别神经网络,将所有数据切片的生命体征特征向量V2作为数据集,输入身份识别神经网络进行训练。
身份识别神经网络由编码器和解码器构成,两部分均为三层结构。
输入向量被重构为20*5的矩阵输入解码器顶层;解码器的各层由卷积核大小为3*3的卷积层堆叠构造,各层之间从上至下由下采样连接,分别输出20*5,10*3和5*2的特征图。
然后,特征图被输入解码器的对应层进行数据连接和卷积,解码器各层由下至上由上采样连接;
最终在顶层输出20*5的特征图,该特征图在20*1的卷积后输入全连接层,得到身份识别结果。
步骤八、对新的待识别人员进行身份识别时,利用脉冲超宽带雷达采集二维回波信号并经过上述处理后得到对应的各生命体征特征向量V2,输入到训练好的身份识别神经网络中,直接输出身份识别结果。
本发明的优点在于:
1.一种基于脉冲超宽带雷达的身份识别方法,可实现无接触式的身份识别,且对被检测人员的行为动作无特定需求,无需以特定方式——比如走、跑——运动,站在雷达前方探测区域即可实现身份识别。
2.一种基于脉冲超宽带雷达的身份识别方法,使用了心跳、呼吸和体态多种特征,鲁棒性较高。
3.一种基于脉冲超宽带雷达的身份识别方法,所述身份识别神经网络分类器参数设置无需手动调整,即能够自动提取输入信号中的有效特征。
附图说明
图1为本发明基于脉冲超宽带雷达实现人员身份检测原理图;
图2为本发明一种基于脉冲超宽带雷达的身份识别方法的流程图;
图3为本发明对被测人员进行探测后的雷达信号能量集中列示意图;
图4为本发明对被测人员进行探测后的雷达信号能量集中区示意图;
图5为本发明采用的身份识别神经网络结构图。
具体实施方式
下面结合实施例和附图对本发明做进一步详细解释说明。
本发明公开了一种基于脉冲超宽带雷达的身份识别方法,如图1所示,当脉冲超宽带雷达采集被测人员的雷达回波信号后,依次进行预处理,选取能量集中列和能量集中区并进行滑动切片,对每个切片进行变分模态分解得到表征生命体征的心跳频率和呼吸频率信息;将所有切片的生命体征特征向量组成能量集中波形,输入身份识别神经网络,分别经过编码器和解码器的注意力模块,卷积层和全连接层,实现对被测人员的身份识别。
如图2所示,具体步骤如下:
步骤一、脉冲超宽带雷达持续发射脉冲信号,经有效探测区域内被测人员、杂物、墙体以及地面反射后,被接收天线接收,接收信号以二维雷达回波信号矩阵M1形式进行储存;
二维回波信号矩阵记为
行向量表示快时间维度,与探测距离呈正相关;列向量表示慢时间维度,与数据累计时间呈正相关;其中xi=[xi1xi2…xij…xin],xij代表雷达采样的回波信号值。
步骤二、对二维回波信号矩阵M1进行预处理,得到预处理后的信号矩阵M2:
预处理包括:去除直流,进行带通滤波,使用主成分分析法(Principal ComponentAnalysis,PCA)去除信号中的杂波;
具体为:
步骤2-1:对二维雷达回波信号矩阵M1,计算每个行向量的平均值,并将每个行向量减去对应的平均值,得到去除直流的雷达回波信号矩阵M1a;
步骤2-2:对矩阵M1a,利用汉明窗构造带通滤波器,获取频带为6.5GHz-8GHz的雷达数据,记为矩阵M1b。
步骤2-3:使用主成分分析法对矩阵M1b进行降维,将矩阵分解为包含不同能量主元的子空间,包含杂波的主元往往能量占比最高,将其去除以实现抑制杂波,得到预处理后的信号矩阵M2。
步骤三、从预处理后的信号矩阵M2中选取能量集中列,并以其为中心选取能量集中区;
具体为:计算信号矩阵M2中各个列向量所有元素的绝对值的和,取其中最大和值对应的列向量作为能量集中列;以能量集中列为中心,选取前l-1个,后l个,总计2l个列向量作为能量集中区。
l根据实际需要人为设定,本实施例选取l为50,总计100个列向量作为能量集中区。。
步骤四、对能量集中区应用滑动时间窗口,按信号矩阵M2的行进行数据切片,对每个切片分别进行计算,得到各切片对应的反映被测人员体态的体态特征向量V1。
具体为:针对当前时刻,设定滑动窗口覆盖能量集中区的数据范围以及步进,滑动窗口滑动方向与雷达信号累计时间增长的方向一致。
本实施例中,滑动窗口参数设置为:任意时刻,滑动窗口覆盖能量集中区的100行,100列数据,由于脉冲超宽带雷达每秒采集100帧(行)数据,即覆盖时间为5秒。滑动窗口以每次10行,即0.5秒的步进沿累计时间增长的方向滑动。
然后,利用滑动窗口覆盖的区域,进行最大能量,均值,方差,均方差,偏度和散度六种数学特征的计算,形成1×6的体态特征向量V1。
偏度:S=E[(xij-μ)/σ]3;散度:K=E[(xij-μ)4]/(E[(xij-μ)2]2,
步骤五、针对每个数据切片,对能量集中列所表示的信号波形应用变分模态分解(Variational Mode Decomposition,VMD),从而得到被测人员的心跳频率和呼吸频率信息;
由于呼吸和心率通过胸腔的起伏体现,而胸腔的起伏会影响胸腔到达雷达的距离,距离的变化体现在能量集中列的各个数值上;由于能量集中列表示的信号包含呼吸和心跳的频率,需要利用分解算法将这个信号分解成具有不同频率的子信号,再选择心跳和呼吸频率;
具体步骤为:
首先,计算心跳和呼吸引起的人体胸口到雷达距离的变化d(t);
表示为:
其中代表呼吸引起的胸腔位移相关的傅里叶级数展开式的系数;代表心跳引起的胸腔位移相关的傅里叶级数展开式的系数;d0表示雷达到人体的静态距离,Nb,Nk分别表示非直流傅里叶展开式的系数数量;fb、fh表示非直流傅里叶展开式对应的频率。
然后,运用变分模态分解算法,将距离变化d(t)视为多个正弦函数的叠加,并将能量集中列对应的信号分解为与原信号长度一致,但具有自身中心频率的子信号。
最后,选取中心频率在0.8-2Hz范围内的子信号,其中心频率对应心跳频率,即每分钟50-120次;选取中心频率在0.1-0.5Hz范围内的子信号,其中心频率对应呼吸频率,即每分钟6-30次。
步骤六、将各数据切片的心跳频率和呼吸频率分别添加到各自对应的体态特征向量V1中,对向量V1中的最大值进行归一化,并替换对应数据切片的能量集中列的末端数据,得到生命体征特征向量V2。
本实施例选择长度为100.
步骤七、设置身份识别神经网络,将所有数据切片的生命体征特征向量V2作为数据集,输入身份识别神经网络进行训练,经过身份识别神经网络分类,输出结果为身份信息。
身份识别神经网络由编码器和解码器构成,两部分均为三层结构。
输入向量被重构为20*5的矩阵输入解码器顶层。
解码器的各层由卷积核大小为3*3的卷积层堆叠构造,各层之间从上至下由下采样连接,分别输出20*5,10*3和5*2的特征图。
然后,特征图被输入解码器的对应层进行数据连接和卷积,解码器各层由下至上由上采样连接;
最终在顶层输出20*5的特征图,该特征图在20*1的卷积后输入全连接层,得到身份识别结果。
步骤八、对新的待识别人员进行身份识别时,利用脉冲超宽带雷达采集二维回波信号并经过上述处理后得到对应的各生命体征特征向量V2,输入到训练好的身份识别神经网络中,直接输出身份识别结果。
实施例:
选用脉冲超宽带雷达为Novelda XeThru X4M03,其工作中心频率为7.29GHz,采样频率为23.328GHz。将脉冲超宽带雷达安装在距离地面1.4米高度的支架上,测试场地的长宽高分别为3米、3米和2.5米。被检测人员为一名成年男性,年龄为22岁,体重为75kg,身高为174cm,站立于脉冲超宽带雷达前1米处进行测试。
处理流程的步骤如下:
步骤1:对脉冲超宽带雷达进行参数设置;
具体包括:设置脉冲超宽带雷达采样帧率为20帧每秒;设置探测范围为3米,即每一帧拥有437个不同对应实际距离的采样点。
步骤2:脉冲超宽带雷达对测试场地持续地发送脉冲信号,经有效探测区内人体、杂物、墙体以及地面的反射后,被接收天线接收,所述接收信号以二维雷达回波信号矩阵的形式进行储存和进一步分析;
其中,雷达回波信号矩阵的行向量表示快时间维度,与探测距离呈正相关,如前所述,探测距离在本实例中设置为3米,即本实例中雷达回波信号矩阵的每一个行向量的长度固定为437;雷达回波信号矩阵的列向量表示慢时间维度,与数据累计时间呈正相关,如前所述,采样帧率被设置为20帧每秒,即本实例中雷达回波信号矩阵的列向量长度每秒钟增加20。
步骤3:针对被检测人员,步骤2中的雷达测试时长为5秒,即得到一个100*437大小的雷达回波信号矩阵,记为M1。将测试时长设置为5秒的原因是,首先考虑到不能将测试时长设置得过长,否则系统的识别效率偏低。其次,5秒的时长内能采集到足够的信息,以获取心跳、呼吸频率和体态数学特征,保证识别的准确性。
步骤4:去除回波信号矩阵M1中的直流量,构造带通滤波器获取频带为6.5GHz-8GHz的雷达数据,并使用主成分分析法去除杂波,得到预处理后的信号矩阵M2。
步骤5:计算信号矩阵M2中各个列向量所有元素的绝对值的和,取其中最大值对应的列向量作为能量集中列,如图3所示;以能量集中列为中心,选取前后各50个,总计100个列向量作为能量集中区,如图4所示。
对能量集中区进行最大能量,均值,方差,均方差,偏度和散度的计算,得到体态特征向量V1。对能量集中列所表示的信号波形应用变分模态分解算法,得到心跳和呼吸频率。将心跳、呼吸频率添加到向量V1中,根据其中的最大值进行归一化,并替换对应数据切片的能量集中列的末端数据,得到长度为100的生命体征特征向量V2。
步骤6:将生命体征特征向量V2输入到训练后的身份识别神经网络中,通过身份识别神经网络进行身份识别,输出雷达探测范围内人员的身份识别结果。
身份识别神经网络将生命体征特征向量重整为5*20的矩阵,利用编码器的3层结构得到3个大小分别为20*5,10*3和5*2的特征图。这些特征图在对应层级与解码器进行数据连接,在解码器的顶层得到一个20*5的特征图,该特征图在20*1的卷积后输入全连接层,得到身份识别结果,如图5所示。
本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样,倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内,则本申请也意图包含这些改动和变型在内。
Claims (6)
1.一种基于脉冲超宽带雷达的身份识别方法,其特征在于,具体步骤包括:
首先、脉冲超宽带雷达持续发射脉冲信号,经有效探测区域内被测人员、杂物、墙体以及地面反射后,接收信号以二维回波信号矩阵M1形式被接收天线接收,并进行储存;
然后、对二维回波信号矩阵M1进行预处理,得到预处理后的信号矩阵M2,从中选取能量集中列,并以其为中心选取能量集中区;
接着、对能量集中区应用滑动时间窗口,按信号矩阵M2的行进行数据切片,对每个切片分别进行计算,得到各切片对应的反映被测人员体态的体态特征向量V1;对各切片中的能量集中列所表示的信号波形应用变分模态分解,从而得到各切片下被测人员的心跳频率和呼吸频率信息;
具体步骤为:
首先,针对当前切片,被测人员通过呼吸和心跳,带动胸腔起伏从而影响胸腔到雷达的距离变化d(t);
表示为:
其中代表呼吸引起的胸腔位移相关的傅里叶级数展开式的系数;代表心跳引起的胸腔位移相关的傅里叶级数展开式的系数;d0表示雷达到人体的静态距离,Nb,Nk分别表示非直流傅里叶展开式的系数数量;fb、fh表示非直流傅里叶展开式对应的频率;
然后,距离变化d(t)导致能量集中列的数值发生变化,由于该列中包含呼吸和心跳频率,运用变分模态分解算法,将距离变化d(t)视为多个正弦函数的叠加,并将能量集中列对应的信号分解成具有不同频率的子信号;
能量集中列被分解成k个,则第k个子信号μk(t)为:
最后,选取中心频率在0.8-2Hz范围内的子信号作为心跳频率;选取中心频率在0.1-0.5Hz范围内的子信号作为呼吸频率;
进一步、将各数据切片的心跳频率和呼吸频率分别添加到各自对应的体态特征向量V1中,对向量V1中的最大值进行归一化,并替换对应数据切片的能量集中列的末端数据,得到生命体征特征向量V2;
最后、设置身份识别神经网络,将所有数据切片的生命体征特征向量V2作为数据集,输入身份识别神经网络进行训练;对新的待识别人员进行身份识别时,利用脉冲超宽带雷达采集二维回波信号并经过上述处理后得到对应的各生命体征特征向量V2,输入到训练好的身份识别神经网络中,直接输出身份识别结果。
3.如权利要求1所述的一种基于脉冲超宽带雷达的身份识别方法,其特征在于,所述预处理包括:去除直流,进行带通滤波,使用主成分分析法PCA去除信号中的杂波;
具体为:
步骤2-1:对二维雷达回波信号矩阵M1,计算每个行向量的平均值,并将每个行向量减去对应的平均值,得到去除直流的雷达回波信号矩阵M1a;
步骤2-2:对矩阵M1a,利用汉明窗构造带通滤波器,获取频带为6.5GHz-8GHz的雷达数据,记为矩阵M1b;
步骤2-3:使用主成分分析法对矩阵M1b进行降维,将矩阵分解为包含不同能量主元的子空间,去除能量占比最高的主元,得到预处理后的信号矩阵M2。
4.如权利要求1所述的一种基于脉冲超宽带雷达的身份识别方法,其特征在于,所述能量集中列和能量集中区的选取,具体为:
计算信号矩阵M2中各个列向量所有元素的绝对值的和,取其中最大和值对应的列向量作为能量集中列;以能量集中列为中心,选取前l-1个,后l个,总计2l个列向量作为能量集中区;
l根据实际需要人为设定。
6.如权利要求1所述的一种基于脉冲超宽带雷达的身份识别方法,其特征在于,所述身份识别神经网络由编码器和解码器构成,两部分均为三层结构;
输入向量被重构为20*5的矩阵输入解码器顶层;解码器的各层由卷积核大小为3*3的卷积层堆叠构造,各层之间从上至下由下采样连接,分别输出20*5,10*3和5*2的特征图;
然后,特征图被输入解码器的对应层进行数据连接和卷积,解码器各层由下至上由上采样连接;
最终在顶层输出20*5的特征图,该特征图在20*1的卷积后输入全连接层,得到身份识别结果。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211193970 | 2022-09-28 | ||
CN2022111939709 | 2022-09-28 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115470864A true CN115470864A (zh) | 2022-12-13 |
CN115470864B CN115470864B (zh) | 2023-05-23 |
Family
ID=84336296
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211228520.9A Active CN115470864B (zh) | 2022-09-28 | 2022-10-09 | 一种基于脉冲超宽带雷达的身份识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115470864B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180106897A1 (en) * | 2015-04-20 | 2018-04-19 | Resmed Sensor Technologies Limited | Detection and identification of a human from characteristic signals |
CN110309817A (zh) * | 2019-07-19 | 2019-10-08 | 北京理工大学 | 一种参数自适应优化vmd的脉搏波运动伪影去除方法 |
CN112998701A (zh) * | 2021-03-27 | 2021-06-22 | 复旦大学 | 基于毫米波雷达的生命体征检测与身份识别系统和方法 |
CN113435283A (zh) * | 2021-06-18 | 2021-09-24 | 浙江大学 | 一种基于呼吸样本空间的超宽带雷达身份识别方法 |
WO2022104868A1 (zh) * | 2020-11-19 | 2022-05-27 | 华中师范大学 | 一种基于毫米波雷达的非接触式实时生命体征监测系统及方法 |
US20220206111A1 (en) * | 2020-12-23 | 2022-06-30 | Air Force Medical University | Non-contact method for detectiing and distinguishing human and animal based on ir-uwb bio-radar signal |
CN115015867A (zh) * | 2022-05-31 | 2022-09-06 | 中国人民解放军总医院 | 一种基于超宽带雷达的身份识别和跌倒检测方法 |
-
2022
- 2022-10-09 CN CN202211228520.9A patent/CN115470864B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180106897A1 (en) * | 2015-04-20 | 2018-04-19 | Resmed Sensor Technologies Limited | Detection and identification of a human from characteristic signals |
CN110309817A (zh) * | 2019-07-19 | 2019-10-08 | 北京理工大学 | 一种参数自适应优化vmd的脉搏波运动伪影去除方法 |
WO2022104868A1 (zh) * | 2020-11-19 | 2022-05-27 | 华中师范大学 | 一种基于毫米波雷达的非接触式实时生命体征监测系统及方法 |
US20220206111A1 (en) * | 2020-12-23 | 2022-06-30 | Air Force Medical University | Non-contact method for detectiing and distinguishing human and animal based on ir-uwb bio-radar signal |
CN112998701A (zh) * | 2021-03-27 | 2021-06-22 | 复旦大学 | 基于毫米波雷达的生命体征检测与身份识别系统和方法 |
CN113435283A (zh) * | 2021-06-18 | 2021-09-24 | 浙江大学 | 一种基于呼吸样本空间的超宽带雷达身份识别方法 |
CN115015867A (zh) * | 2022-05-31 | 2022-09-06 | 中国人民解放军总医院 | 一种基于超宽带雷达的身份识别和跌倒检测方法 |
Non-Patent Citations (4)
Title |
---|
BOEDINOEGROHO,H等: "Development of fatigue detection device based on IR-UWB and optic sensor to driver" * |
SOUMYA PRAKASH RANA等: "Remote Vital Sign Recognition through Machine Learning augmented UWB" * |
陈玉豪: "基于超宽带雷达的呼吸心跳检测算法研究" * |
魏忠诚等: "基于WI-FI信号的身份识别技术研究" * |
Also Published As
Publication number | Publication date |
---|---|
CN115470864B (zh) | 2023-05-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110133610B (zh) | 基于时变距离-多普勒图的超宽带雷达动作识别方法 | |
CN107341786B (zh) | 小波变换与联合稀疏表示的红外与可见光图像融合方法 | |
CN102499664B (zh) | 基于视频图像的非接触式生命体征的检测方法及检测系统 | |
CN112998701A (zh) | 基于毫米波雷达的生命体征检测与身份识别系统和方法 | |
US9177203B2 (en) | Target detection device and target detection method | |
US20240000345A1 (en) | MILLIMETER-WAVE (mmWave) RADAR-BASED NON-CONTACT IDENTITY RECOGNITION METHOD AND SYSTEM | |
CN113017630B (zh) | 一种视觉感知情绪识别方法 | |
Abdu et al. | Activity classification based on feature fusion of FMCW radar human motion micro-Doppler signatures | |
CN110070078B (zh) | 一种基于传感器与机器视觉的酒驾检测方法及系统 | |
CN107290741A (zh) | 基于加权联合距离时频变换的室内人体姿态识别方法 | |
CN104305964A (zh) | 头戴式疲劳检测装置及方法 | |
CN113435283B (zh) | 一种基于呼吸样本空间的超宽带雷达身份识别方法 | |
CN1797420A (zh) | 一种基于统计纹理分析的人脸识别方法 | |
CN103971106A (zh) | 多视角人脸图像性别识别方法及装置 | |
CN112617813A (zh) | 一种基于多传感器的非侵入式跌倒检测方法及系统 | |
CN116343284A (zh) | 基于注意力机制的多特征户外环境情绪识别方法 | |
CN115211858A (zh) | 一种基于深度学习的情绪识别方法、系统及可存储介质 | |
Ning et al. | Fall detection algorithm based on gradient boosting decision tree | |
Liu et al. | LSTM Neural Network for Beat Classification in ECG Identity Recognition. | |
CN110840401A (zh) | 一种心率值测定方法、装置、设备及可读存储介质 | |
CN115470864B (zh) | 一种基于脉冲超宽带雷达的身份识别方法 | |
CN112545455A (zh) | 多通道一体化非接触式生命体征监测系统 | |
CN115015867B (zh) | 一种基于超宽带雷达的身份识别和跌倒检测方法 | |
CN102222217B (zh) | 人体动作热释电装置及其识别方法 | |
Lynn et al. | ECG-based biometric human identification based on backpropagation neural network |
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 |