CN116327160B - 毫米波雷达生命特征检测中目标随机身体运动的误差校正方法 - Google Patents
毫米波雷达生命特征检测中目标随机身体运动的误差校正方法 Download PDFInfo
- Publication number
- CN116327160B CN116327160B CN202310025935.4A CN202310025935A CN116327160B CN 116327160 B CN116327160 B CN 116327160B CN 202310025935 A CN202310025935 A CN 202310025935A CN 116327160 B CN116327160 B CN 116327160B
- Authority
- CN
- China
- Prior art keywords
- target
- signal
- modal
- radar
- signals
- 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
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 68
- 238000000034 method Methods 0.000 title claims abstract description 30
- 238000012937 correction Methods 0.000 title claims abstract description 23
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 42
- 230000000241 respiratory effect Effects 0.000 claims abstract description 21
- 230000029058 respiratory gaseous exchange Effects 0.000 claims description 26
- 230000003595 spectral effect Effects 0.000 claims description 10
- 238000001228 spectrum Methods 0.000 claims description 10
- 239000013598 vector Substances 0.000 claims description 5
- 238000003491 array Methods 0.000 claims description 3
- 239000000654 additive Substances 0.000 claims description 2
- 230000000996 additive effect Effects 0.000 claims description 2
- 230000003190 augmentative effect Effects 0.000 claims description 2
- 238000005056 compaction Methods 0.000 claims description 2
- 238000005457 optimization Methods 0.000 claims description 2
- 238000000926 separation method Methods 0.000 claims description 2
- 230000000007 visual effect Effects 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 9
- 230000000694 effects Effects 0.000 description 5
- 239000011159 matrix material Substances 0.000 description 5
- 238000004088 simulation Methods 0.000 description 4
- 230000003044 adaptive effect Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000036391 respiratory frequency Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000001121 heart beat frequency Effects 0.000 description 1
- 238000009532 heart rate measurement Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000000704 physical effect Effects 0.000 description 1
- 230000036387 respiratory rate Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 239000000779 smoke Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- 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
- A61B5/0507—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves using microwaves or terahertz waves
-
- 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
- A61B5/7235—Details of waveform analysis
- A61B5/725—Details of waveform analysis using specific filters therefor, e.g. Kalman or adaptive filters
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B2560/00—Constructional details of operational features of apparatus; Accessories for medical measuring apparatus
- A61B2560/02—Operational features
- A61B2560/0223—Operational features of calibration, e.g. protocols for calibrating sensors
-
- 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
- A61B5/024—Detecting, measuring or recording pulse rate or heart rate
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/08—Detecting, measuring or recording devices for evaluating the respiratory organs
- A61B5/0816—Measuring devices for examining respiratory frequency
-
- 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)
- Surgery (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Physiology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Veterinary Medicine (AREA)
- Animal Behavior & Ethology (AREA)
- Physics & Mathematics (AREA)
- Public Health (AREA)
- Cardiology (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Pulmonology (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Psychiatry (AREA)
- Signal Processing (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种毫米波雷达生命特征检测中目标随机身体运动的误差校正方法,该方法包括从雷达回波信号中分离各个目标的信号;跟踪每个目标检测时间内的回波信号;基于距离对齐和相位补偿算法来校正检测期间目标随机身体运动导致的呼吸心跳检测误差;提取目标的相位信号,并使用逐次变分模态分解算法将相位信号分解成N个模态;识别生命特征对应的K个模块,根据K个模块重构呼吸信号和心跳信号。本发明可以实现同时检测雷达视野范围内的多个目标的生命特征;校正了雷达检测过程中目标身体随机运动带来的检测误差;采用逐次变分模态分解算法来提取目标的呼吸心跳信号,不需要事先设定模态个数,并且相比于变分模态分解算法收敛速度更快。
Description
技术领域
本发明涉及雷达健康监测技术领域,具体涉及一种校正目标随机身体运动影响的生命特征检测方法。
背景技术
目前,关于人体生命特征的检测方法主要分为接触式和非接触式两种,接触式是通过穿戴设备,采用压力传感器或电极等采集生命信号,但是穿戴不方便。非接触式的检测方法主要有红外、激光、雷达等,其中雷达不受光线、温度、烟雾等环境因素的影响,并且雷达成本较低,目前应用比较普遍。
由于雷达是通过检测目标呼吸心跳导致的胸腔微动来提取生命特征的,而呼吸心跳导致的胸腔微动幅度一般为1cm,所以生命特征包含在目标回波信号的相位中。目前已有的毫米波雷达非接触式呼吸心跳检测仪器,要求被检测人员在检测期间保持身体的静止,因为目标的运动会掩盖微弱的生命信号,干扰检测的准确率。这种配合式的检测要求极大的限制了雷达生命检测设备的应用,并且无法保证检测目标在检测期间完全保持相对静止,目标的随机身体运动(random body movement,RBM)会导致呼吸频率和心率检测的准确性。为了提高检测准确性,需要校正RBM的影响。
现有技术中,校正RBM影响的方法主要有三种:
现有技术一:基于多雷达系统的RBM校正算法
在检测目标的前后各放置一个相同的雷达,发射相同的信号[1]。由于人体胸腔的构造,呼吸心跳导致人体胸腔和后背向相反方向移动,在两个雷达的回波信号中表现为同相分量。而由于人体身体的运动是单向的,在前后两个雷达的回波信号中表现为反相分量:
其中x(t)是目标生命信号,vt是目标身体随机运动。
将前后两个雷达的目标信号相乘,消除随机身体运动带来的影响:
除了前后放置两个雷达的解决方法,还有研究员提出在目标前方左右相同位置各放置一个雷达,通过计算两个雷达目标回波信号的相位信息做差分操作,从而在RBM的影响下增强呼吸和心跳信号的谱峰[2]。还有人提出在目标正前方放置发射天线,围绕发射天线上下左右四个象限各放置一个相同的接收雷达,通过四个接收天线的目标信号相位做差分得到6个差分相位信号。对6个差分相位信号进行加权和来组合来自6个不同接收对的差分相位,消除RBM的影响[3]。
现有技术一的缺点:现有技术一是基于多个雷达系统中,每个雷达接收到的目标信号进行相关运算校正RBM对相位信号的影响。该方法需要用到多个雷达或天线,增加了整个生命特征检测系统的复杂性;多个雷达之间的相对安装位置固定,限制了在实际应用中的广泛使用;需要保证每个雷达发射的信号完全一致,信号之间的误差会影响校正的效率,但是由于硬件的温漂和零漂等影响,难以保证发射信号完全一致。
现有技术二:基于图像设备的RBM校正算法
基于图像设备的校正方法是在雷达位置处放置一个摄像头,用来检测目标的运动情况,然后用估计的目标运动速度来校正RBM的影响[4]。通过基本的图像处理算法计算图像设备每一帧图像中,人体目标所占像素个数,通过目标所占像素点数目的变化来估计目标的运动情况。
现有技术二的缺点:首先基于图像设备的目标运动是通过图像中目标所占像素点个数的变化趋势来估计的,因此受目标初始位置的影响比较大。如果目标初始位置离图像设备比较近,则相同的目标运动情况导致的像素点变化趋势大,而目标初始位置离图像设备比较远,则像素点的变化趋势较小。同时,图像设备会侵犯用户的隐私,因此不适合在室内和车内等隐私环境内使用。
现有技术三:基于目标距离多普勒矩阵的RBM校正算法
基于目标距离多普勒矩阵的RBM校正算法需要对目标回波数据矩阵进行快时间采样维和慢时间维度进行FFT,得到目标的距离多普勒矩阵,对目标的多普勒维进行谱峰搜索得到目标的运动速度信息。使用动目标检测技术可以得到整个呼吸心跳检测期间目标的运动时间段和对应的速度。
现有技术三的缺点:因为在检测期间目标的RBM主要来自于身体的晃动,这种晃动的幅度和速度一般比较小,因此距离多普勒图的动目标速度比较小,谱峰靠近0速度维,而距离-多普勒图对小速度的估计精度比较低。并且为了得到目标的距离多普勒矩阵,每一帧需要发射多个chirp信号,增加了雷达系统接收数据的大小,而同一帧内的chirp信号的相位信息之间相差很小,因此对生命信号而言是冗余数据。
本发明参考文献如下:
[1]Li C,Lin J.Random Body Movement Cancellation in Doppler RadarVital Sign Detection[J].IEEE Transactions on Microwave Theory&Techniques,2008,56:3143-3152.
[2]Han K,Hong S.Differential Phase Doppler Radar With CollocatedMultiple Receivers for Noncontact Vital Signal Detection[J].IEEE Transactionson Microwave Theory and Techniques,2019,67(3):1233-1243.
[3]Yu R,Dutta A,Chiriyath A,et al.Motion-Tolerant Non-Contact Heart-Rate Measurements from Radar Sensor Fusion[J].Sensors(Basel,Switzerland),21(5):1774-1790.
[4]Gu C,Wang G,Li Y,et al.A Hybrid Radar-Camera Sensing System WithPhase Compensation for Random Body Movement Cancellation in Doppler VitalSign Detection[J].IEEE Transactions on Microwave Theory&Techniques,2013,61(12Part2):4678-4688.
发明内容
本发明所要解决的技术问题为:本发明基于毫米波雷达非接触式生命特征检测中目标随机身体运动对目标回波信号频率和相位的影响,提出一种毫米波雷达在目标随机身体运动情况下的生命特征检测方法。该方法主要包括从雷达接收信号中分离每个目标的回波信号,跟踪每个目标检测时间内的回波信号,以及基于距离对齐和相位补偿算法来校正检测期间目标随机身体运动导致的呼吸心跳检测误差,并且使用逐次变分模态分解算法将相位信号分解成N个模态,同时从中重构出呼吸信号和心跳信号。本发明所提出的毫米波雷达在目标随机身体运动情况下的生命特征检测方法,同现有技术相比,在系统实现难易程度和校正准确性方面具有显著优势,主要包括:(1)在整个检测期间跟踪环境中不同目标的回波信号,避免多目标之间的相互干扰;(2)只需要一个雷达就可以实现对目标随机身体运动的校正,简化了整个检测系统,同时系统目标信号数据存储大小较小,对硬件实现要求低;(3)该方法是在软件算法阶段校正RBM影响,不需要对雷达射频系统进行改变。
本发明采用的技术方案为:
步骤1、使用空间波束形成方法从雷达回波信号中分离各个目标的信号。从雷达接收到的回波数据中,使用空间波束形成方法,分离出每个目标各自的回波信号,减少多目标之间的干扰。
雷达可以检测到环境中的多个目标的回波信号,并且计算得到每个目标的距离di和方位角θi。对不同雷达天线通道的中频信号求其加权得到每个目标回波信号,根据不同目标的距离和方位角得到不同的权重向量,从而分离不同目标的回波信号。对第i个目标,其方位角为θi,该目标的回波信号为:
其中M为天线阵列数,ym(t)是每个通道的接收信号,ωm(θi)是天线权重系数。y(t)是雷达输出信号。
步骤2、跟踪每个目标检测时间内的回波信号。从分离得到的每个目标的回波信号,跟踪整个检测期间由于目标身体随机运动导致的目标回波信号的变化。
选择第一帧目标所在距离单元作为参考距离单元,并设置以该帧目标距离单元为中心的搜索窗口,选择下一帧搜索窗口内的最大能量对应的距离单元作为目标距离单元,同时更新搜索窗口;遍历整个检测时间段内的所有帧的目标距离单元,距离单元上的相位就是目标呼吸心跳导致的相位变化,可以得到目标的回波信号。
步骤3、对所述的跟踪得到的目标的回波信号,使用基于距离对齐和相位补偿算法来校正检测期间目标随机身体运动导致的呼吸心跳检测误差。
根据雷达发射信号和接收信号混频原理可得,雷达输出中频信号y(t)为:
其中j为虚数符号,fd是中频信号频率,λ是雷达发射信号的波长,d0是目标初始距离,v是目标随机身体晃动的速度,x(t)是目标呼吸和心跳导致的微动。
根据所述公式(4)可知,检测期间目标身体随机运动不但会影响目标中频信号的频率,导致谱峰偏移,同时还会影响目标中频信号的相位,掩盖相位信号中微弱的生命信号。本发明提出了一种基于距离对齐和相位补偿的方法来校正随机身体运动的影响,距离对齐可以消除中频信号频率带来的谱峰偏移影响,而相位校正通过估计的速度来校正相位信号中随机身体运动的影响。
距离对齐原理:将整个检测期间每个目标的距离单元对齐到同一个距离单元上,消除随机身体运动带来的中频信号谱峰偏移影响。在距离对齐阶段保存了每一帧目标所在的距离单元,对这些距离单元进行平滑拟合,得到目标的运动轨迹,从而可以估算出对应身体运动的速度v′,根据估计的速度对目标相位进行补偿:
步骤4、从所述的校正之后的目标信号中提取相位信号,并使用逐次变分模态分解算法将相位信号分解成N个模态。对每个目标的中频相位信号进行逐次变分模态分解,得到N个模态分量,其物理原理是N个自适应的维纳滤波器。
步骤5、从所述的N个模态中识别生命特征对应的K个模块,根据所述K个模块重构呼吸信号和心跳信号。对分解得到的每个模态进行FFT,得到其频谱图,搜索谱峰对应的频率,从而判断该模态属于呼吸信号还是心跳信号。然后将得到的生命特征的K个模态,重构得到目标的呼吸信号和心跳信号。
本发明技术方案带来的有益效果为:
根据每个目标的距离和角度信息,可以从雷达回波信号中分离出距离不同,或距离相同角度不同的多个目标各自的回波信号,从而可以同时检测环境中多个目标的生命特征。通过跟踪每个目标的运动轨迹,可以估计出目标的运动情况和对应的运动速度,从而使用基于距离对齐和相位补偿的方法来校正随机身体运动带来的影响。并且本发明提出的方法只需要一个雷达系统即可实现随机运动的校正,降低了系统的复杂性和使用的局限性。同时每帧只需要发射一个chirp信号,减少了雷达射频端的工作负担,而且不会增加冗余数据,大大降低了对硬件实现的要求。使用逐次变分模态分解算法将目标的相位信息分解成N个模态分量,并且从中分别识别出呼吸和心跳对应的模态分量,从而重构出目标的呼吸信号和心跳信号,用于后面生命特征参数(呼吸频率和心率)的检测。
附图说明
图1为毫米波雷达生命特征检测系统示意图。
图2为毫米波雷达生命特征检测系统应用场景示意图。
图3为多目标空间波束分离示意图。
图4为目标距离单元跟踪示意图。
图5为目标距离单元对齐示意图。
图6(a)为目标距离单元跟踪结果图。
图6(b)为平滑拟合目标运动轨迹图。
图7为逐次变分模态分解算法流程图。
图8为生命特征模态分量选择原理示意图。
图9(a)为检测期间仿真目标距离时间图。
图9(b)为仿真目标相位信号。
图9(c)为雷达检测的仿真目标呼吸信号与真实呼吸信号对比图。
图9(d)为雷达检测的仿真目标心跳信号与真实心跳信号对比图。
图10(a)为校正RBM后仿真目标相位信号。
图10(b)为校正RBM后雷达检测的仿真目标呼吸信号与真实呼吸信号对比图。
图10(c)为校正RBM后雷达检测的仿真目标心跳信号与真实心跳信号对比图。
图11(a)为检测期间实测目标距离时间图。
图11(b)为未校正RBM影响时雷达检测到的实测目标呼吸、心跳信号。
图11(c)为校正RBM影响后雷达检测到的实测目标呼吸、心跳信号。
具体实施方式
下面结合附图以及具体实施例进一步说明本发明。
本发明一种毫米波雷达在目标随机身体运动情况下的生命特征检测方法,具体步骤如下:
步骤一、分离多个目标的回波信号
图2是本发明提出的毫米波雷达在目标随机身体运动情况下的生命特征检测方法的实际应用场景之一,雷达可以检测到环境中的多个目标的回波信号,并且计算得到每个目标的距离di和方位角θi。采用图3所示的空间波束形成算法,对不同雷达天线通道的中频信号求其加权得到每个目标回波信号,根据不同目标的距离和方位角得到不同的权重向量,从而分离不同目标的回波信号。对第i个目标,其方位角为θi,该目标的回波信号为:
其中M为天线阵列数,ym(t)是每个通道的接收信号,ωm(θi)是天线权重系数。y(t)是雷达输出信号。
采用常规波束形成算法,其各天线通道的加权就是对应的各通道的空域延时,加权向量为:
其中θi为第i个目标的方位角,L为天线阵列的间隔。
步骤二、跟踪每个目标检测时间内的回波信号。
目标身体随机运动会影响目标中频信号的频率,使得目标距离时间图的谱峰产生偏移,同时影响目标中频信号的相位,从而导致相位信号中微弱的生命信号产生变化。基于距离对齐和相位补偿的方法来校正随机身体运动的影响,距离对齐可以消除中频信号频率带来的谱峰偏移影响,而相位校正通过估计的速度来校正相位信号中随机身体运动的影响。
采用图4所示目标跟踪原理和图5所示的距离对齐原理,解决谱峰偏移问题。先将目标检测阶段得到的当前目标所在的距离单元d0作为第0帧目标的距离单元,即距离对齐的参考单元。以当前目标所在单元为中心,上下两个距离单元的5个距离单元作为下一帧目标检测的范围,并在下一帧中搜索目标。在下一帧的窗口范围内选择回波最强点对应作为目标,如果偏移了参考距离单元,则将其移到参考位置,同时更新下一帧的目标检测范围。以此类推,直到将所有帧的目标距离对齐,此时该距离单元上的所有目标信号都对应中频信号频率峰值处的信号,消除了RBM对中频信号频率的影响。
步骤三、目标随机身体运动校正
采用图6(a)目标距离单元跟踪结果和图6(b)平滑拟合目标运动轨迹所示的速度补偿原理:在距离对齐阶段记录了每一帧对应的目标所在距离单元的信息,显示了检测期间目标的运动趋势,通过对目标距离单元变化趋势进行平滑拟合处理,可以得到目标的运动轨迹。设置运动幅度阈值,其中运动幅度超过阈值的部分视为身体的随机运动,估算出对应身体运动的速度v′,根据估计的速度对目标相位进行补偿:
步骤四、相位信号逐次变分模态分解
对每个目标的回波相位信号进行逐次变分模态分解,得到N个模态分量,每个模态包含不同的频率分量信息。
逐次变分模态分解算法(Successive variational mode decomposition,SVMD)是一种自适应信号分解算法,它的物理性质是一组自适应的维纳滤波器,将信号分解成不同中心频率和带宽的窄带模态分量。相比于变分模态分解算法(Variational modedecomposition,VMD),不需要事先设置分解的模态个数,并且每次分解出一个模态分量,然后再从剩余信号中继续分解,直到满足停止条件。分解得到N个模态分量:
其中f(t)是目标相位信号,{ui}={u1,...,uN}代表所有模态分量,{fi}={f1,...,fN}代表每次分解之后的残余信号。
对第L个模态分量的分解问题,可以看作是一个带约束条件的多目标优化问题:
其中α是平衡J1、J2和J3的参数,uL是第L次分解的模态分量,ωL是第L个模态分量的中心频率,fr是第L次分解后的剩余信号,约束条件是所有模态分量之和等于输入信号,J1是模紧凑准则:
其中δ(t)是狄拉克函数,对时间变量求导。
J2是残余信号fu(t)和第L个模态分量的频谱重叠最小化准则:
其中βL(t)是中心频率为ωL的陷波滤波器的脉冲响应。
J3是第L个模态分量与前L-1个模态频谱重叠最小化准则。
其中βi(t),i=1,2,...,L-1是前L-1个模态分量中心频率ωi,i=1,2,...,L-1的陷波滤波器的脉冲响应。
为了求解公式(10)中的约束问题,引入拉格朗日惩罚算子λ构造增广拉格朗日函数:
SVMD的算法流程图如图7所示:输入目标相位信号f(t),初始化相关参数:模态数L初始化为0,平衡参数的最小值αmin设置为10,最小值αmax设置为20000,模态收敛准则的容差ε1设置为10-6,分解停止参数ε2设置为0,加性噪声方差σ2设置为0。
循环分解输入信号,直到满足迭代停止条件,每次分解开始,更新模态数L,平衡参数α初始化为最小值,模态分量设置为0,第一次分解的模态分量的中心频率/>设置为0,之后每次分解的模态分量的中心频率/>初始化为上一次分解得到的中心频率ωL-1,拉格朗日乘子/>初始化为0。
采用交替方向乘法器算法(ADMM)实现模态分量模态中心频率/>和拉格朗日惩罚算子/>的迭代更新。
第L次分解的模态分量更新为/>
其中是输入信号的单边频谱信号,αm是迭代更新的平衡参数,/>是频域迭代更新的拉格朗日乘子,/>是迭代更新的模态分量中心频率,ωi为前L-1个模态的中心频率,ω为频率变量
模态中心频率更新为/>
拉格朗日惩罚算子更新为/>
其中为第L次分解的模态分量,/>是对应模态分量的中心频率。
步骤五、呼吸心跳信号重构
解调之后得到的目标相位信号为:
包含了中频信号的初始相位、呼吸信号xr(t)、心跳信号xh(t)和噪声信号n(t),分解得到的N个模态包含上述四部分信号。生命特征模态分量的选择方法如图8所示:对每个模态分量进行FFT操作,由于每个模态是一个窄带信号,其频谱能量分布在对应带宽范围内,取其谱峰对应的频率作为该模态分量的信号频率。因为人体的呼吸频率范围在0.1Hz~0.7Hz之间,而心跳频率范围在0.9Hz~2Hz之间,所以可以根据每个模态的频率将模态分为呼吸信号模态、心跳信号模态和噪声模态。选择呼吸和心跳对应的模态,求和得到呼吸信号和心跳信号,从而可以得到目标的呼吸频率和心率等生命特征参数。
参照本发明的仿真结果分析如图9(a)-(d)所示,图9(a)是检测期间目标与雷达的距离时间图,可以看到在3-7s人体向后晃动,15-19s人体向前晃动,图9(b)是目标相位信号,可以明显看到在两次运动期间目标相位发生了严重的变形,图9(c)和(d)是雷达检测到的目标呼吸信号和心跳信号与真实信号的对比,在身体运动时间段内雷达检测到的信号发生变形,波峰发生偏移。图10(a)和图10(b)是使用本发明的基于距离对齐和相位补偿的随机身体运动校正方法的仿真结果,可以发现在身体运动时间段内的目标相位得到了明显的补偿,减少了RBM带来的失真,并且雷达检测到的目标呼吸、心跳信号与真实信号趋势一致。
实测结果分析如图11(a)-(c)所示,如图10(a)所示实际测试期间目标在5-20s之间发生了多次随机运动,雷达检测到的目标呼吸、心跳信号在此期间发生了一定程度失真,如图10(b)所示,而使用本发明的方法校正RBM的影响之后,雷达检测到的目标呼吸和心跳信号如图10(c)所示,运动期间的失真得到了较好的改善。可以明显发现本发明在校正人体随机运动的影响方面存在很大的优势,不仅在仿真上得到了理想的结果,同时在实际的检测中效果也很明显。
需要指出的是,图11(a)-(c)给出的实施结果仅仅是本发明技术具体实施中的一个示例。
Claims (4)
1.一种毫米波雷达生命特征检测中目标随机身体运动的误差校正方法,其特征在于,包括如下步骤:
步骤1、使用空间波束形成方法从雷达回波信号中分离各个目标的信号;从雷达接收到的回波数据中,使用空间波束形成方法,分离出每个目标各自的回波信号,减少多目标之间的干扰;
步骤2、跟踪每个目标检测时间内的回波信号;从分离得到的每个目标的回波信号,跟踪整个检测期间由于目标身体随机运动导致的目标回波信号的变化;
步骤3、对所述的跟踪得到的目标的回波信号,使用基于距离对齐和相位补偿算法来校正检测期间目标随机身体运动导致的呼吸心跳检测误差;
步骤4、从校正之后的目标信号中提取相位信号,并使用逐次变分模态分解算法将相位信号分解成N个模态;对每个目标的中频相位信号进行逐次变分模态分解,得到N个模态分量;
步骤5、从N个模态中识别生命特征对应的K个模块,根据K个模块重构呼吸信号和心跳信号;对分解得到的每个模态进行FFT,得到其频谱图,搜索谱峰对应的频率,从而判断该模态属于呼吸信号还是心跳信号;然后将得到的生命特征的K个模态,重构得到目标的呼吸信号和心跳信号;
在步骤1中,雷达检测到环境中的多个目标的回波信号,并且计算得到每个目标的距离di和方位角θi;对不同雷达天线通道的中频信号求其加权得到每个目标回波信号,根据不同目标的距离和方位角得到不同的权重向量,从而分离不同目标的回波信号;对第i个目标,其方位角为θi,该目标的回波信号为:
其中,M为天线阵列数,ym(t)是每个通道的接收信号,ωm(θi)是天线权重系数;y(t)是雷达输出信号;
在步骤2中,选择第一帧目标所在距离单元作为参考距离单元,设置以该帧目标距离单元为中心的搜索窗口,选择下一帧搜索窗口内的最大能量对应的距离单元作为目标距离单元,同时更新搜索窗口;遍历整个检测时间段内的所有帧的目标距离单元,距离单元上的相位就是目标呼吸心跳导致的相位变化,得到目标的回波信号;
在步骤3中,根据雷达发射信号和接收信号混频原理得到,雷达输出中频信号y(t)为:
其中,j为虚数符号,fd是中频信号频率,λ是雷达发射信号的波长,d0是目标初始距离,v是目标随机身体晃动的速度,x(t)是目标呼吸和心跳导致的微动;
将整个检测期间每个目标的距离单元对齐到同一个距离单元上,消除随机身体运动带来的中频信号谱峰偏移影响;在距离对齐阶段保存了每一帧目标所在的距离单元,对这些距离单元进行平滑拟合,得到目标的运动轨迹,从而估算出对应身体运动的速度v′,根据估计的速度对目标相位进行补偿:
在步骤4中,分解得到N个模态分量:
其中,f(t)是目标相位信号,{ui}={u1,...,uN}代表所有模态分量,
{fi}={f1,...,fN}代表每次分解之后的残余信号;
对第L个模态分量的分解问题,看作是一个带约束条件的多目标优化问题:
其中,α是平衡J1、J2和J3的参数,uL是第L次分解的模态分量,ωL是第L个模态分量的中心频率,fr是第L次分解后的剩余信号,约束条件是所有模态分量之和等于输入信号,J1是模紧凑准则:
其中,δ(t)是狄拉克函数,对时间变量求导;
J2是残余信号fu(t)和第L个模态分量的频谱重叠最小化准则:
其中,βL(t)是中心频率为ωL的陷波滤波器的脉冲响应;
J3是第L个模态分量与前L-1个模态频谱重叠最小化准则;
其中,βi(t),i=1,2,...,L-1是前L-1个模态分量中心频率ωi,i=1,2,...,L-1的陷波滤波器的脉冲响应;
在步骤5中,解调之后得到的目标相位信号为:
包含了中频信号的初始相位、呼吸信号xr(t)、心跳信号xh(t)和噪声信号n(t),分解得到的N个模态包含上述四部分信号;对每个模态分量进行FFT操作,由于每个模态是一个窄带信号,其频谱能量分布在对应带宽范围内,取其谱峰对应的频率作为该模态分量的信号频率;根据每个模态的频率将模态分为呼吸信号模态、心跳信号模态和噪声模态;选择呼吸和心跳对应的模态,求和得到呼吸信号和心跳信号,从而得到目标的呼吸频率和心率等生命特征参数。
2.根据权利要求1所述的毫米波雷达生命特征检测中目标随机身体运动的误差校正方法,其特征在于:采用波束形成算法,其各天线通道的加权就是对应的各通道的空域延时,加权向量为:
其中θi为第i个目标的方位角,L为天线阵列的间隔。
3.根据权利要求1所述的毫米波雷达生命特征检测中目标随机身体运动的误差校正方法,其特征在于:引入拉格朗日惩罚算子λ构造增广拉格朗日函数:
其中,输入目标相位信号f(t),初始化相关参数:模态数L初始化为0,平衡参数的最小值αmin设置为10,最小值αmax设置为20000,模态收敛准则的容差ε1设置为10-6,分解停止参数ε2设置为0,加性噪声方差σ2设置为0;
循环分解输入信号,直到满足迭代停止条件,每次分解开始,更新模态数L,平衡参数α初始化为最小值,模态分量设置为0,第一次分解的模态分量的中心频率/>设置为0,之后每次分解的模态分量的中心频率/>初始化为上一次分解得到的中心频率ωL-1,拉格朗日乘子/>初始化为0。
4.根据权利要求3所述的毫米波雷达生命特征检测中目标随机身体运动的误差校正方法,其特征在于:采用交替方向乘法器算法ADMM实现模态分量模态中心频率/>和拉格朗日惩罚算子/>的迭代更新;
第L次分解的模态分量更新为/>
其中,是输入信号的单边频谱信号,αm是迭代更新的平衡参数,/>是频域迭代更新的拉格朗日乘子,/>是迭代更新的模态分量中心频率,ωi为前L-1个模态的中心频率,ω为频率变量;
模态中心频率更新为/>
拉格朗日惩罚算子更新为/>
其中,为第L次分解的模态分量,/>是对应模态分量的中心频率。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310025935.4A CN116327160B (zh) | 2023-01-09 | 2023-01-09 | 毫米波雷达生命特征检测中目标随机身体运动的误差校正方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310025935.4A CN116327160B (zh) | 2023-01-09 | 2023-01-09 | 毫米波雷达生命特征检测中目标随机身体运动的误差校正方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116327160A CN116327160A (zh) | 2023-06-27 |
CN116327160B true CN116327160B (zh) | 2023-11-28 |
Family
ID=86882910
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310025935.4A Active CN116327160B (zh) | 2023-01-09 | 2023-01-09 | 毫米波雷达生命特征检测中目标随机身体运动的误差校正方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116327160B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111537966A (zh) * | 2020-04-28 | 2020-08-14 | 东南大学 | 一种适用于毫米波车载雷达领域的阵列天线误差校正方法 |
CN113440120A (zh) * | 2021-06-17 | 2021-09-28 | 北京航空航天大学 | 一种基于毫米波雷达的人员呼吸心跳检测方法 |
CN115153459A (zh) * | 2022-04-25 | 2022-10-11 | 西南交通大学 | 一种吸顶式毫米波雷达心跳呼吸检测装置及检测方法 |
CN115281628A (zh) * | 2022-08-04 | 2022-11-04 | 上海几何伙伴智能驾驶有限公司 | 一种面向汽车智能座舱的自适应生命体征监测方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11125869B2 (en) * | 2018-10-16 | 2021-09-21 | Infineon Technologies Ag | Estimating angle of human target using mmWave radar |
US11844589B2 (en) * | 2021-05-03 | 2023-12-19 | Qualcomm Incorporated | Multi-sensor system for cardiovascular and respiratory tracking |
-
2023
- 2023-01-09 CN CN202310025935.4A patent/CN116327160B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111537966A (zh) * | 2020-04-28 | 2020-08-14 | 东南大学 | 一种适用于毫米波车载雷达领域的阵列天线误差校正方法 |
CN113440120A (zh) * | 2021-06-17 | 2021-09-28 | 北京航空航天大学 | 一种基于毫米波雷达的人员呼吸心跳检测方法 |
CN115153459A (zh) * | 2022-04-25 | 2022-10-11 | 西南交通大学 | 一种吸顶式毫米波雷达心跳呼吸检测装置及检测方法 |
CN115281628A (zh) * | 2022-08-04 | 2022-11-04 | 上海几何伙伴智能驾驶有限公司 | 一种面向汽车智能座舱的自适应生命体征监测方法 |
Non-Patent Citations (1)
Title |
---|
一种低信噪比下稳健的ISAR平动补偿方法;李东;赵婷;宋伟;刘庆华;曾浩;张成祥;;电子学报(第09期);2049-2056 * |
Also Published As
Publication number | Publication date |
---|---|
CN116327160A (zh) | 2023-06-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhang et al. | A robust motion compensation approach for UAV SAR imagery | |
CN103091674B9 (zh) | 基于hrrp序列的空间目标高分辨成像方法 | |
CN101676744B (zh) | 一种复杂背景低信噪比下弱小目标高精度跟踪方法 | |
WO2018049595A1 (zh) | 一种基于交替方向乘子法的稳健稀疏恢复stap方法及其系统 | |
CN106526591B (zh) | 机动目标高分辨isar子孔径融合成像方法 | |
CN106199600B (zh) | 基于多普勒估计的方位多通道合成孔径雷达成像方法 | |
CN114259213B (zh) | 杂波背景下毫米波mimo雷达的邻近多目标生命体征检测方法 | |
CN108459706A (zh) | 基于相对运动轨迹跟踪的Wi-Fi手势识别方法 | |
CN110954885B (zh) | 基于sbl的捷变频雷达自适应目标重构方法 | |
CN110148165B (zh) | 一种基于粒子群优化的三维干涉isar图像配准方法 | |
CN111722225B (zh) | 基于先验相位结构信息的双基sar两维自聚焦方法 | |
CN116327160B (zh) | 毫米波雷达生命特征检测中目标随机身体运动的误差校正方法 | |
CN113341392B (zh) | 一种基于多站雷达微多普勒运动测向的人体行为分类方法 | |
CN112906476B (zh) | 一种基于信杂噪比损失的机载雷达训练样本选择方法 | |
CN113253227B (zh) | 一种基于simo多普勒雷达的弱约束步态轨迹处理方法 | |
CN112684446B (zh) | 基于最小熵准则的Bi-ISAR横向定标与畸变校正方法 | |
Yang et al. | A novel channel inconsistency estimation method for azimuth multichannel SAR based on maximum normalized image sharpness | |
CN111175747B (zh) | 一种基于多通道复图像空间的相位误差估计方法 | |
CN115421115B (zh) | 一种用于联合相位校正与isar成像的重赋权交替方向乘子法 | |
Thammakhoune et al. | Moving target imaging for synthetic aperture radar via RPCA | |
CN115601278A (zh) | 基于子图像配准的高精度运动误差补偿的方法 | |
CN115015924A (zh) | 一种参数优化二维空变相位误差补偿的isar成像方法 | |
Yang et al. | ISAR Imaging for Non-cooperative Targets based on Sharpness Criterion under Low SNR | |
JP2007263948A (ja) | 画像レーダ装置 | |
CN113435299B (zh) | 基于空-时匹配的双基前视sar杂波抑制方法 |
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 |