CN116602640A - 基于自适应滤除杂波的毫米波雷达心率检测方法 - Google Patents
基于自适应滤除杂波的毫米波雷达心率检测方法 Download PDFInfo
- Publication number
- CN116602640A CN116602640A CN202310583799.0A CN202310583799A CN116602640A CN 116602640 A CN116602640 A CN 116602640A CN 202310583799 A CN202310583799 A CN 202310583799A CN 116602640 A CN116602640 A CN 116602640A
- Authority
- CN
- China
- Prior art keywords
- signal
- signals
- heartbeat
- heartbeat signal
- time
- 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.)
- Pending
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 56
- 230000003044 adaptive effect Effects 0.000 title claims abstract description 42
- 238000001914 filtration Methods 0.000 title claims abstract description 15
- 239000011159 matrix material Substances 0.000 claims abstract description 49
- 239000013598 vector Substances 0.000 claims abstract description 36
- 238000000034 method Methods 0.000 claims abstract description 23
- 238000012549 training Methods 0.000 claims abstract description 14
- 230000015654 memory Effects 0.000 claims abstract description 13
- 230000000241 respiratory effect Effects 0.000 claims abstract description 11
- 230000004044 response Effects 0.000 claims description 27
- 238000012545 processing Methods 0.000 claims description 22
- 230000003068 static effect Effects 0.000 claims description 14
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 6
- 238000002156 mixing Methods 0.000 claims description 6
- 230000010355 oscillation Effects 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 5
- 238000007781 pre-processing Methods 0.000 claims description 5
- 238000000354 decomposition reaction Methods 0.000 claims description 4
- 238000005070 sampling Methods 0.000 claims description 4
- 230000003595 spectral effect Effects 0.000 claims description 4
- 230000006399 behavior Effects 0.000 claims description 3
- FFBHFFJDDLITSX-UHFFFAOYSA-N benzyl N-[2-hydroxy-4-(3-oxomorpholin-4-yl)phenyl]carbamate Chemical compound OC1=C(NC(=O)OCC2=CC=CC=C2)C=CC(=C1)N1CCOCC1=O FFBHFFJDDLITSX-UHFFFAOYSA-N 0.000 claims description 3
- 125000004122 cyclic group Chemical group 0.000 claims description 3
- 239000006185 dispersion Substances 0.000 claims description 3
- 230000009977 dual effect Effects 0.000 claims description 3
- 230000002708 enhancing effect Effects 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 230000000630 rising effect Effects 0.000 claims description 3
- 238000005259 measurement Methods 0.000 abstract description 8
- 238000002474 experimental method Methods 0.000 description 16
- 238000005516 engineering process Methods 0.000 description 13
- 230000033001 locomotion Effects 0.000 description 6
- 238000012544 monitoring process Methods 0.000 description 6
- QVFWZNCVPCJQOP-UHFFFAOYSA-N chloralodol Chemical compound CC(O)(C)CC(C)OC(O)C(Cl)(Cl)Cl QVFWZNCVPCJQOP-UHFFFAOYSA-N 0.000 description 5
- 230000008447 perception Effects 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 3
- 230000029058 respiratory gaseous exchange Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 206010052428 Wound Diseases 0.000 description 1
- 208000027418 Wounds and injury Diseases 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010835 comparative analysis Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000002354 daily effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000002565 electrocardiography Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 238000009532 heart rate measurement Methods 0.000 description 1
- 208000015181 infectious disease Diseases 0.000 description 1
- 230000002458 infectious effect Effects 0.000 description 1
- 230000005764 inhibitory process Effects 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 230000003340 mental effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000149 penetrating effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000011897 real-time detection Methods 0.000 description 1
- 230000000284 resting effect Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 208000019116 sleep disease Diseases 0.000 description 1
- 208000020685 sleep-wake disease Diseases 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000010998 test method Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000012795 verification 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
- A61B5/02—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
- A61B5/05—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
- A61B5/08—Detecting, measuring or recording devices for evaluating the respiratory organs
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
- A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
- A61B5/113—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb occurring during breathing
-
- 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
- A61B5/7203—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal
-
- 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
- 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
- A61B5/7253—Details of waveform analysis characterised by using transforms
- A61B5/7257—Details of waveform analysis characterised by using transforms using Fourier transforms
-
- 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
-
- 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)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Pathology (AREA)
- Veterinary Medicine (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Biophysics (AREA)
- Physiology (AREA)
- Signal Processing (AREA)
- Artificial Intelligence (AREA)
- Psychiatry (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Cardiology (AREA)
- Mathematical Physics (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Dentistry (AREA)
- Pulmonology (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)
Abstract
本发明公开基于自适应滤除杂波的毫米波雷达心率检测方法。本发明包括步骤：步骤一，毫米波雷达生命检测系统获取含有目标人体呼吸心跳信号的中频信号数据矩阵，中频信号数据矩阵进行预处理得到解缠信号和生命体征相位信息；步骤二，生命体征相位信息中提取得到心跳信号；步骤三，通过对数据库中的心跳信号的状态进行训练，构建小波散射‑长短时记忆网络，判断步骤二心跳信号的状态；步骤四，选择心跳信号的状态对应的参考噪声向量，构建递归最小二乘法的自适应滤波器滤除参考噪声，得到纯净的心跳信号；步骤五，快速傅里叶变换对纯净的心跳信号进行心率估计。本发明具有运算量小，测量精度高，稳定性强，实时实现的优点。
Description
技术领域
本发明属于雷达信号处理及生理信号检测领域，具体涉及基于自适应滤除杂波的毫米波雷达心率检测方法。
背景技术
人体的心跳可以反应人体生命体征信息及健康信息。一方面，心跳可判断有无生命体存在，以及生命体的基本状态；另一方面，心跳的异常往往伴随着医学上的突发紧急事件。因此对人体的心率进行检测是非常有价值的。传统用于人体心跳检测的方法主要有：心电图、心音、光电式脉搏测量法。这些检测设备往往装置体积较大、成本较高，操作较为复杂，使用场合和使用群体受限。随着健康关注度的提高和科学技术的发展，大量便携式或可穿戴式的生命体征检测设备出现在人们的生活中，如智能手环、智能腰带、腕带式脉搏血氧仪、穿戴式心电采集装置等。这些技术大多可以实现无创且安全的检测，但仍是基于接触式检测技术。接触式测量需要传感器和人体接触，可能会让用户感到不舒服，在一些特殊场合无法使用，其应用范围受限；接触式的传感器也对用户的心理造成干扰，影响生命体征检测的准确度；接触式测量中有的技术对传感器安放的位置有较高的要求，使得用户需要主动接入检测，其用户接受程度受到影响。
不同于接触式感知，非接触式感知，也被称为设备无关(Device-free)或者非入侵(No-invasive)的感知技术，是一种被动式的感知技术，该技术不需要用户携带或接触任何传感器设备就可以实现对生命体征的检测。非接触式生命体征检测主要有基于光学传感器的，例如摄像头、激光雷达等；基于声学传感器的，例如音箱，声呐等；基于射频传感器的，例如雷达，WIFI，RFID、4G/5G等。非接触式体征检测不仅为生理信号检测提供了非侵入的、便捷的、适用场合更广的检测技术，也为一些特殊场合的生理信号检测提供了可能。在传感器或电极不方便或不可能直接接触人体的场合，非接触式的体征信号检测有重要的应用价值，甚至不可替代。
目前对非接触式检测有需求的场合包括：大面积烧伤创伤等危重病人、传染病人以及精神病人等的生命体征信息监测；婴儿的生命体征信息监测；成人的睡眠障碍类疾病监测；需要长时间或长期生命体征信号检测的场合；地震塌方等灾难救援是的生命探测等等。另外，在尽可能减小对人们日常生活干扰的前提下，实现对家庭环境下的心跳、呼吸监测可以帮助疾病早期检测，防病于未然。
在现有的非接触检测技术中，基于光线的传感器主要包括摄像头、激光雷达等，该方式可以捕获丰富的、精细的信息，但是容易受到光线条件的影响，在非视距(Non LineofSight,NLOS)范围内无法工作，并且存在严重的隐私问题。基于声波的方式具有隐私保护的特点，然而感知距离有限并且容易被环境噪声淹没。相比于前两种方式，基于雷达、WIFI、4G/5G、Lora等射频信号的技术具有覆盖室内房间级别的感知范围，并且便于保护隐私。作为一种长距离的、低功耗的的无线射频感知技术，Lora已经被用于人员定位、呼吸监测及行走识别的应用。Lora技术通信距离较长，但其感知极限距离往往小于通信距离，这就造成以通信需求进行部署的Lora节点在作为感知设备时，其在空间的分布相对稀疏，将存在大量的感知盲区。RFID标签以其低廉的价格受到了研究人员的关注，并实现无接触人体感知，包括人体定位追踪、手势识别、人体呼吸监测等，但是RFID阅读器的价格往往较高，并且商用RFID功率较低，通信距离往往局限在设备周围，在居家环境中普适性较差。
随着4G/5G技术的蓬勃发展，已有工作探索了利用该技术实现呼吸检测、人群密度估计，运动检测、手势识别等。但是4G/5G信号往往会受到环境中其他移动的物体或者人的影响，如何准确找到基站的位置并剔除掉其他环境干扰是该技术走向实际应用需要解决的问题。广泛存在于日常生活环境中的WIFI信号已经被获取并用来进行无接触人体感知，包括呼吸检测、睡眠分析、位置估计、跌倒检测人员统计及手势识别等。然而WIFI的感知能力容易被天线数量、带宽及波长所限制。
近年来，非接触式生理信号检测使用的雷达主要有三种类型：连续波(ContinuousWave,CW)多普勒雷达、超宽带雷达(Ultra-Wideband,UWB)和调频连续波雷达(FrequencyModulated Continuous Wave,FMCW)雷达。连续波多普勒雷达具有结构简单、功耗低的优点，但没有距离分辨率，因此其生理信号检测容易受环境中其他物体或人体反射信号的干扰。超宽带雷达具有穿透力强、距离分辨率高等优点，但信号被脉冲宽度和峰值信号强度控制。FMCW雷达不仅具有超宽带雷达的测距能力，而且还具有连续波雷达的灵敏度和鲁棒性。此外，FMCW雷达具有体积小、重量轻、功耗低等优点。因此FMCW雷达成为非接触式生理信号检测的首要选择。
目前基于FMCW雷达的非接触式生理信号检测方法存在关键问题：当人体处于不同状态下对于心率检测技术还无法满足现有的实际使用需求。当人体处于静止状态和身体随机运动状态下时，由于干扰信号不同提取出的心跳信号有较大差异，身体的微小运动仍会对心率检测产生巨大的影响。目前存在的一些技术尝试解决在人体运动的情况检测人体的心跳，这些方法中的参数大都是固定的。由于人体的运动具有一定的随机性，固定的参数并不能保证方法在所有条件下都有效。而且，目前常见的测频方法，测频精度都不够高或者计算量巨大，难以实现心率的实时检测。
发明内容
针对现有技术存在的不足，本发明的目的在于提出基于自适应滤除杂波的毫米波雷达心率检测方法，在不同状态下实现非接触式心率高精度检测，有效地滤除心跳信号中的呼吸谐波、交调信号，同时方法稳定性高，同时兼具实时实现功能。
为了达到上述技术目的，本发明采用的技术方案如下：
基于自适应滤除杂波的毫米波雷达心率检测方法，包括以下步骤：
步骤一，采用毫米波雷达生命检测系统获取含有目标人体呼吸心跳信号的中频信号数据矩阵，对中频信号数据矩阵进行预处理得到解缠信号和生命体征相位信息yr(t)；
步骤二，从生命体征相位信息yr(t)中提取得到心跳信号ur(t)；
步骤三，通过对Physio Net ECG-ID数据库中的心跳信号的状态进行训练，构建小波散射-长短时记忆网络(WSN-LSTM)，判断步骤二得到的心跳信号ur(t)的状态；
步骤四，选择心跳信号ur(t)的状态对应的参考噪声向量构建递归最小二乘法(RLS)的自适应滤波器滤除参考噪声，得到纯净的心跳信号ur'(t)；
步骤五，使用快速傅里叶变换(FFT)对纯净的心跳信号ur'(t)进行心率估计。
优选，所述的毫米波雷达生命检测系统包括发射端和接收端；
所述的发射端包括信号发生器、压控振荡器、功率放大器和发射天线；
所述的接收端包括依次连接的接收天线、低噪声放大器、混频器、带通滤波器、模数转换器和数字信号处理器；
压控振荡器与混频器相连接。
优选，步骤一采用毫米波雷达生命检测系统获取含有目标人体呼吸心跳信号的中频信号数据矩阵，具体包括以下步骤：
步骤1.1，压控振荡器收到信号发生器发出的部分射频信号通过功率放大器对其进行调制得到发射信号，发射信号由发射天线发射；信号发生器发出的另一部分射频信号进入混频器作为混频器的本振信号；
步骤1.2，由发射天线发射的发射信号遇到目标人体被反射，接收天线接收被反射的信号，即回波信号，经过低噪声放大器放大后发送给混频器；
步骤1.3，混频器对接收天线接收的回波信号和本振信号做混频处理，并将混频处理后的信号发送给带通滤波器进行处理得到中频信号；
步骤1.4，中频信号进入模数转换器进行A/D采样，再经数字信号处理器处理得到中频信号数据矩阵。
优选，步骤一对中频信号数据矩阵进行预处理得到解缠信号和生命体征相位信息yr(t)，具体包括以下步骤：
步骤1.5，对得到的中频信号数据矩阵进行Q点的距离维傅里叶变换(Range-FFT)，得到距离矩阵R[m,n]；其中，距离矩阵R[m,n]的每一行为一个距离单元，每一个距离单元的平均值视为该距离单元的静态杂波；
然后，将距离矩阵R[m,n]的静态杂波去除后得到预处理的距离矩阵R'[m,n]，
其中，Q为Range-FFT的点数，m,n分别代表距离矩阵的行号和列号；
步骤1.6，从预处理的距离矩阵R'[m,n]中提取出包含生命体征信息的相位信号
步骤1.7，为了使相位信号始终在[-π,π]内，对相位信号/>进行相位解缠得到解缠信号φ(t)，
其中，φ(t)表示t时刻的解缠信号，表示t+1时刻的相位信号；
步骤1.8，对解缠信号φ(t)进行相位差处理得到相位差信号，从而减少频率偏移增强心跳信号；
步骤1.9，对相位差信号进行脉冲噪声去除处理后得到生命体征相位信息yr(t)。
优选，所述的步骤二具体包括以下步骤：
步骤2.1，将生命体征相位信息yr(t)分解为心跳信号(期望模式)ur(t)和残差信号fk(t)；
然后，基于人体正常的心率范围，且心跳信号ur(t)在中心频率wr附近，通过最小化处理得到心跳信号的带宽I1，
其中δ(t)为狄拉克分布，*为卷积，wr为中心频率，i和j为复数单位；
步骤2.2，基于残差信号fk(t)与心跳信号ur(t)之间的频谱重叠最小化定义惩罚函数I2,
其中，γ(t)为滤波器的脉冲响应；
步骤2.3，设定心跳信号ur(t)、残差信号fk(t)和中心频率wr三者之间满足为收敛条件，其中η为平衡参数，然后通过迭代子优化求取心跳信号ur(t)，具体步骤如下所述：
步骤2.3.1，将生命体征相位信息yr(t)、心跳信号ur(t)、残差信号fk(t)和拉格朗日乘子λ(t)通过变分模式转化为频域表示的生命体征相位信息心跳信号/>残差信号/>和拉格朗日乘子/>
步骤2.3.2，初始化频域表示的心跳信号残差信号/>和中心频率wr，设循环变量m，令m＝0，
步骤2.3.3，使用乘数算法的交替方向法计算和/>通过对偶上升计算频域表示的拉格朗日乘子/>
其中τ为更新参数，w为时刻t的频域表示；
步骤2.3.4，设定判别精度ζ，且ζ＞0，
若与/>之间的收敛满足下式时，
则停止迭代，即求得频域表示的心跳信号
否则，令m＝m+1，继续执行步骤2.3.3-2.3.4；
步骤2.4，将步骤2.3得到的频域表示的心跳信号转化为心跳信号ur(t)即得。
优选，所述的步骤三具体包括以下步骤：
步骤3.1，将Physio Net的ECG-ID数据库中的静止状态下和微动状态下的心跳信号建立元胞数组，输入小波散射网络(WSN)进行特征提取特征系数；
步骤3.2(离线学习)，根据提取的特征系数构建静止状态下和微动状态下的训练集样本，并将训练集样本输入长短时记忆网络(LSTM)模型进行模型训练，使用MATLAB建立小波散射-长短时记忆网络(WSN-LSTM)混合网络模型；
步骤3.3(在线判断)，将步骤二变分提取的心跳信号输入WSN-LSTM混合网络模型的判别器判断当前心跳信号的状态。
优选，所述的步骤四具体包括以下步骤：
步骤4.1，根据判别器输出的心跳信号的状态，在Physio Net的ECG-ID数据库中选择静止状态或微动状态对应的参考噪声向量
步骤4.2，设自适应滤波器的时变单位脉冲响应系数为wt(i),0≤i≤p-1，p为自适应滤波器的阶数，将参考噪声向量输入自适应滤波器计算噪声估计xi(t)，
其中，为自适应滤波器的时变单位脉冲响应向量，参考噪声向量/>为p维矩阵，
步骤4.3，由于步骤二提取的心跳信号ur(t)和参考噪声向量都是非平稳信号，然后基于RLS算法的最小二乘误差准则，通过噪声估计xi(t)与参考噪声向量/>的最小化定义收敛系数V，
其中，min[·]表示最小化，γ为加权因子，0＜γ≤1，l为自变量，1≤l≤t，为t时刻的参考噪声向量，
步骤4.4，基于噪声估计xi(t)和参考噪声向量满足收敛系数V的条件下，确定参数矩阵P(t)、预失真器系数z(t)、卡尔曼增益g(t)，然后，通过递推得到自适应滤波器时变单位脉冲响应向量/>具体步骤如下所述，
步骤4.4.1，当t＝0时，对参数矩阵P(t)、预失真器系数z(t)、脉冲响应系数wt(i)初始化，令P(0)＝δIp、z(0)＝[1,0,…,0]T、w0(0)＝0p,
其中δ为初始化系数，且δ＞1,Ip为p阶单位矩阵，
步骤4.4.2，令t＝t+1，
更新t时刻的参数矩阵P(t)，
P(t)＝[P(t-1)-g(t)zH(t)]/γ
其中，H表示共轭转置符号，
更新t时刻预失真器系数z(t)，
其中，上标*表示共轭，
更新t时刻的卡尔曼增益g(t)，
更新t时刻自适应滤波器的时变单位脉冲响应系数wt(i)，
步骤4.4.3，若t＜p时，继续执行步骤4.4.2，
否则，停止执行步骤4.4.2的循环，并将计算的自适应滤波器的时变单位脉冲响应系数wt(i)构建得到自适应滤波器的时变单位脉冲响应向量
步骤4.5，通过步骤4.1筛选的参考噪声向量和步骤4.4获得的自适应滤波器时变单位脉冲响应向量/>计算得到噪声估计xi(t)，然后将步骤二得到的心跳信号ur(t)中消除噪声估计xi(t)即得到纯净的心跳信号ur’(t)，
ur’(t)＝ur(t)-xi(t)。
本发明与现有技术相比，有益的技术效果是：
1.本发明的变分提取心跳信号的方法相比原有的类经验模态分解方法，能够有效地滤除心跳信号中的呼吸谐波、交调信号等杂波，得到的心跳信号更加纯净，运算量大大减少。
2.本发明利用深度学习对心跳信号进行分类，实现了准确识别。为后续在不同心跳信号状态下的自适应滤波奠定了基础。
3.本发明的RLS方法能够自动调整有限长单位冲激响应滤波器系数的最小二乘法，而无需对输入心跳信号的统计特性做出假设，而且从Physio Net ECG-ID获取参考噪声数据，利用WSN-LSTM模型对心率信号状态进行判别，解决了参考噪声的选取问题。而且，进一步的具体实施例部分也证明了本发明方法相比于现有技术的精确度和鲁棒性均有大幅提高。
附图说明
图1为本发明基于FMCW雷达的非接触生命体征检测模型。
图2为本发明方法的整体流程图。
图3为小波散射-长短时记忆网络模型。
图4为本发明基于RLS算法的自适应滤波器框图。
图5为两组不同实验的心跳信号的频谱比较图。
图6为实验一与实验二心率值与实际参考值的比较。
具体实施方式
为了进一步对本发明进行说明，下面结合实例给出具体实施实例，需要说明的是，以下所述仅为本发明的实施例而已，并不以本发明为限制，凡在本发明的精神和原则之内所做的均等修改、等同替换和改进，均应包含在本发明的专利涵盖范围内。
本实施例给出了一种基于自适应滤除杂波的毫米波雷达心率检测方法，如图1至图4所示，该方法具体包括以下步骤：
步骤一，采用毫米波雷达生命检测系统获取含有目标人体呼吸心跳信号的中频信号数据矩阵，对中频信号数据矩阵进行预处理得到解缠信号和生命体征相位信息yr(t)；
步骤二，从生命体征相位信息yr(t)中提取得到心跳信号ur(t)；
步骤三，通过对Physio Net ECG-ID数据库中的心跳信号的状态进行训练，构建小波散射-长短时记忆网络(WSN-LSTM)，判断步骤二得到的心跳信号ur(t)的状态；
步骤四，选择心跳信号ur(t)的状态对应的参考噪声向量构建递归最小二乘法(RLS)的自适应滤波器滤除参考噪声，得到纯净的心跳信号ur'(t)；
步骤五，使用快速傅里叶变换(FFT)对纯净的心跳信号ur'(t)进行心率估计。
具体的，步骤一是采用毫米波雷达生命检测系统来获取含有目标人体呼吸心跳信号的中频信号，
所述的毫米波雷达生命检测系统包括发射端和接收端；
所述的发射端包括信号发生器、压控振荡器、功率放大器和发射天线；
所述的接收端包括依次连接的接收天线、低噪声放大器、混频器、带通滤波器、模数转换器和数字信号处理器；
压控振荡器与混频器相连接。
在本实施例中，选择工作在77-81GHz的德州仪器(TI)毫米波雷达(AWR 1642)来获取生命体征A/D数据。生命体征A/D数据通过USB从采集板DCA 1000发送到PC端，利用MATLAB对测量数据进行处理。
表1雷达系统的主要参数如下表所示
| 参数 | 数值 |
| 初始频率 | 77GHz |
| 频率带宽 | 3.99GHz |
| 频率斜率 | 70MHz |
| 样本数 | 200 |
| ADC采样时间 | 50μs |
| ADC初始时间 | 7μs |
| 帧时间 | 50ms |
所述方法具体包括以下子步骤：
步骤1.1，压控振荡器收到信号发生器发出的部分射频信号通过功率放大器对其进行调制得到发射信号，发射信号由发射天线发射；信号发生器发出的另一部分射频信号进入混频器作为混频器的本振信号；
步骤1.2，由发射天线发射的发射信号遇到目标人体被反射，接收天线接收被反射的信号，即回波信号，经过低噪声放大器放大后发送给混频器；
步骤1.3，混频器对接收天线接收的回波信号和本振信号做混频处理，并将混频处理后的信号发送给带通滤波器进行处理得到中频信号；
步骤1.4，中频信号进入模数转换器进行A/D采样，再经数字信号处理器处理得到中频信号数据矩阵。
具体的，步骤一对中频信号数据矩阵进行预处理得到解缠信号和生命体征相位信息yr(t)，具体包括以下步骤：
步骤1.5，对得到的中频信号数据矩阵进行Q点的距离维傅里叶变换(Range-FFT)，得到距离矩阵R[m,n]；其中，距离矩阵R[m,n]的每一行为一个距离单元，每一个距离单元的平均值视为该距离单元的静态杂波；
然后，将距离矩阵R[m,n]的静态杂波去除后得到预处理的距离矩阵R'[m,n]，
其中，Q为Range-FFT的点数，本例中设置Range-FFT的点数Q＝256；m,n分别代表距离矩阵的行号和列号；
步骤1.6，从预处理的距离矩阵R'[m,n]中提取出包含生命体征信息的相位信号
步骤1.7，为了使相位信号始终在[-π,π]内，对相位信号/>进行相位解缠得到解缠信号φ(t)，
其中，φ(t)表示t时刻的解缠信号，表示t+1时刻的相位信号；
步骤1.8，对解缠信号φ(t)进行相位差处理得到相位差信号，从而减少频率偏移增强心跳信号；
步骤1.9，对相位差信号进行脉冲噪声去除处理后得到生命体征相位信息yr(t)。
具体的，所述的步骤二主要有变分提取将心跳信号在生命体征相位信息yr(t)中提取出来。具体包括以下步骤：
步骤2.1，将生命体征相位信息yr(t)分解为心跳信号(期望模式)ur(t)和残差信号fk(t)；
然后，基于人体正常的心率范围，且心跳信号ur(t)在中心频率wr附近，通过最小化处理得到心跳信号的带宽I1，
其中δ(t)为狄拉克分布，*为卷积，wr为中心频率，i和j为复数单位；
步骤2.2，基于残差信号fk(t)与心跳信号ur(t)之间的频谱重叠最小化定义惩罚函数I2,
其中，γ(t)为滤波器的脉冲响应；
步骤2.3，设定心跳信号ur(t)、残差信号fk(t)和中心频率wr三者之间满足为收敛条件，其中η为平衡参数，然后通过迭代子优化求取心跳信号ur(t)，具体步骤如下所述：
步骤2.3.1，将生命体征相位信息yr(t)、心跳信号ur(t)、残差信号fk(t)和拉格朗日乘子λ(t)通过变分模式转化为频域表示的生命体征相位信息心跳信号/>残差信号/>和拉格朗日乘子/>
步骤2.3.2，初始化频域表示的心跳信号残差信号/>和中心频率wr，设循环变量m，令m＝0，
步骤2.3.3，使用乘数算法的交替方向法计算和/>通过对偶上升计算频域表示的拉格朗日乘子/>
其中τ为更新参数，w为时刻t的频域表示；
步骤2.3.4，设定判别精度ζ，且ζ＞0，
若与/>之间的收敛满足下式时，
则停止迭代，即求得频域表示的心跳信号
否则，令m＝m+1，继续执行步骤2.3.3-2.3.4；
步骤2.4，将步骤2.3得到的频域表示的心跳信号转化为心跳信号ur(t)即得。
在本实施例中，设置中心频率wr＝1.2；判别精度ζ＝1e-7；平衡参数η＝20000。
具体的，所述的步骤三包括以下步骤：
步骤3.1，将Physio Net的ECG-ID数据库中的静止状态下和微动状态下的心跳信号建立元胞数组，输入小波散射网络(WSN)进行特征提取特征系数；
步骤3.2(离线学习)，根据提取的特征系数构建静止状态下和微动状态下的训练集样本，并将训练集样本输入长短时记忆网络(LSTM)模型进行模型训练，使用MATLAB建立小波散射-长短时记忆网络(WSN-LSTM)混合网络模型；
步骤3.3(在线判断)，将步骤二变分提取的心跳信号输入WSN-LSTM混合网络模型的判别器判断当前心跳信号的状态。
具体的，所述的步骤四包括以下步骤：
步骤4.1，根据判别器输出的心跳信号的状态，在Physio Net的ECG-ID数据库中选择静止状态或微动状态对应的参考噪声向量
步骤4.2，设自适应滤波器的时变单位脉冲响应系数为wt(i),0≤i≤p-1，p为自适应滤波器的阶数，将参考噪声向量输入自适应滤波器计算噪声估计xi(t)，
其中，为自适应滤波器的时变单位脉冲响应向量，参考噪声向量/>为p维矩阵，
步骤4.3，由于步骤二提取的心跳信号ur(t)和参考噪声向量都是非平稳信号，然后基于RLS算法的最小二乘误差准则，通过噪声估计xi(t)与参考噪声向量/>的最小化定义收敛系数V，
其中，min[·]表示最小化，γ为加权因子，0＜γ≤1，l为自变量，1≤l≤t，为t时刻的参考噪声向量，
步骤4.4，基于噪声估计xi(t)和参考噪声向量满足收敛系数V的条件下，确定参数矩阵P(t)、预失真器系数z(t)、卡尔曼增益g(t)，然后，通过递推得到自适应滤波器时变单位脉冲响应向量/>具体步骤如下所述，
步骤4.4.1，当t＝0时，对参数矩阵P(t)、预失真器系数z(t)、脉冲响应系数wt(i)初始化，令P(0)＝δIp、z(0)＝[1,0,…,0]T、w0(0)＝0p,
其中δ＝10，Ip为p阶单位矩阵，
步骤4.4.2，令t＝t+1，
更新t时刻的参数矩阵P(t)，
P(t)＝[P(t-1)-g(t)zH(t)]/γ
其中，H表示共轭转置符号，
更新t时刻预失真器系数z(t)，
其中，上标*表示共轭，
更新t时刻的卡尔曼增益g(t)，
更新t时刻自适应滤波器的时变单位脉冲响应系数wt(i)，
步骤4.4.3，若t＜p时，继续执行步骤4.4.2，
否则，停止执行步骤4.4.2的循环，并将计算的自适应滤波器的时变单位脉冲响应系数wt(i)构建得到自适应滤波器的时变单位脉冲响应向量/>
步骤4.5，通过步骤4.1筛选的参考噪声向量和步骤4.4获得的自适应滤波器时变单位脉冲响应向量/>计算得到噪声估计xi(t)，然后将步骤二得到的心跳信号ur(t)中消除噪声估计xi(t)即得到纯净的心跳信号ur’(t)，
ur’(t)＝ur(t)-xi(t)。
实验验证
为了验证本发明的技术方案，设置了以下对照实验：
实验一：通过快速傅里叶变换(FFT)对心跳信号进行测频，得到估计心率fb。
实验二：变分提取心跳信号、构建小波散射-长短时记忆网络(WSN-LSTM)判断心跳信号的状态、递归最小二乘法(RLS)滤除参考噪声得到纯净的心跳信号，傅里叶变换(FFT)对心跳信号进行测频，得到估计心率fb。
试验时，志愿者与雷达保持1m的距离，胸部与雷达处于同一水平位置。对每个志愿者分别进行正常静止测试和身体微运动(前后、左右倾斜)状态下的测试，每次测试持续60秒。其他实验条件的如设备参数、环境等一致。
试验结果如图5和图6所示。图5的心跳信号的谱图中表明：通过实验一的心跳分量包含更多杂波(呼吸谐波、交叉调谐信号等)，并且峰值不显著。本发明的实验二能有效地抑制其它杂波，心跳信号的峰值清晰可见，呼吸谐波、交叉调谐信号等的伪峰能够有效去除，即本发明表征出优异的杂波抑制效果。图6显示，实验一在0s-20s处与参考信号值具有较大的差异，相比之下，本发明与心率参考值波动趋势相同，基本真实反映当前心率波动情况。
为了评估心率估计的准确性，利用POLAR H10胸带传感器测量心率作为参考心率，选择10名不同年龄和性别的人用两种试验方法多次实验求均值，并使用平均绝对误差作为测试度量，定义为
其中：
W表示观察时间内的时间窗口总数；
BPMtrue(l)表示时间窗内的参考值；
BPMest(l)表示时间窗内的测量值；
试验结果显示：10名志愿者不同状态下，采用实验二、实验一测得的心率平均绝对误差分别为1.18bpm和3.64bpm，通过实验二测得的最大平均绝对误差为1.82bpm。表明：实验一的测量精度较低，而实验二(本发明)经过多次广泛的实验，在相同情况下仍然保持较高的精度。
为了进一步验证本发明方法的稳定性，通过计算7组不同状态数据的平均绝对误差标准差，对稳定性进行了比较分析，如表2所示。
表2不同实验测量心率运动的平均绝对误差
在距离雷达1米处，静止状态下实验二心率检测方法的标准差为0.47，而实验一的标准差高达3.9。结果表明，本发明具有较高的稳定性。而且，由于心率数据的训练是离线进行的，因此与传统方法相比，计算速度大大提高。
综上所述，在心跳数据训练完成的情况下，本发明具有更好的检测性能(精度更高、计算速度更快和稳定性更优)，能够判断不同身体状态下的心跳信号，估计的心率值与参考心率值基本一致。具体的，本发明基于自适应滤除杂波的毫米波雷达心率检测方法对心跳信号的状态进行判断，有效的解决了人体处于不同情况下心跳信号干扰差异较大的问题，使用自适应滤波器有效的滤除了呼吸谐波、交调信号和其他不需要的信号，完成对心跳信号的精确提取，解决了现有技术对不同状态下心率估计差异较大的问题。
以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本申请中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离所述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的但不限于具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (4)
1.基于自适应滤除杂波的毫米波雷达心率检测方法，其特征在于，包括以下步骤：
步骤一，采用毫米波雷达生命检测系统获取含有目标人体呼吸心跳信号的中频信号数据矩阵，对中频信号数据矩阵进行预处理得到解缠信号和生命体征相位信息yr(t)；
步骤二，从生命体征相位信息yr(t)中变分提取得到心跳信号ur(t)；
步骤三，通过对Physio Net ECG-ID数据库中的心跳信号的状态进行训练，构建小波散射-长短时记忆网络(WSN-LSTM)，判断步骤二得到的心跳信号ur(t)的状态；
步骤四，选择心跳信号ur(t)的状态对应的参考噪声向量构建递归最小二乘法(RLS)的自适应滤波器滤除参考噪声，得到纯净的心跳信号ur'(t)；
步骤五，使用快速傅里叶变换(FFT)对纯净的心跳信号ur'(t)进行心率估计；
其中，所述的步骤二具体包括以下步骤：
步骤2.1，将生命体征相位信息yr(t)分解为心跳信号ur(t)和残差信号fk(t)；
然后，基于人体正常的心率范围，且心跳信号ur(t)在中心频率wr附近，通过最小化处理得到心跳信号的带宽I1，
其中δ(t)为狄拉克分布，*为卷积，wr为中心频率，i和j为复数单位；
步骤2.2，基于残差信号fk(t)与心跳信号ur(t)之间的频谱重叠最小化定义惩罚函数I2,
其中，γ(t)为滤波器的脉冲响应；
步骤2.3，设定心跳信号ur(t)、残差信号fk(t)和中心频率wr三者之间满足为收敛条件，其中η为平衡参数，然后通过迭代子优化求取心跳信号ur(t)，具体步骤如下所述：
步骤2.3.1，将生命体征相位信息yr(t)、心跳信号ur(t)、残差信号fk(t)和拉格朗日乘子λ(t)通过变分提取转化为频域表示的生命体征相位信息心跳信号/>残差信号和拉格朗日乘子/>
步骤2.3.2，初始化频域表示的心跳信号残差信号/>和中心频率wr，设循环变量m，令m＝0，
步骤2.3.3，使用乘数算法的交替方向法计算和/>通过对偶上升计算频域表示的拉格朗日乘子/>
其中τ为更新参数，w为时刻t的频域表示；
步骤2.3.4，设定判别精度ζ，且ζ＞0，
若与/>之间的收敛满足下式时，
则停止迭代，即求得频域表示的心跳信号
否则，令m＝m+1，继续执行步骤2.3.3-2.3.4；
步骤2.4，将步骤2.3得到的频域表示的心跳信号转化为心跳信号ur(t)即得；
所述的步骤三具体包括以下步骤：
步骤3.1，将Physio Net的ECG-ID数据库中的静止状态下和微动状态下的心跳信号建立元胞数组，输入小波散射网络(WSN)进行特征提取特征系数；
步骤3.2，根据提取的特征系数构建静止状态下和微动状态下的训练集样本，并将训练集样本输入长短时记忆网络(LSTM)模型进行模型训练，使用MATLAB建立小波散射-长短时记忆网络(WSN-LSTM)混合网络模型；
步骤3.3，将步骤二变分提取的心跳信号输入小波散射-长短时记忆网络(WSN-LSTM)混合网络模型的判别器判断当前心跳信号的状态；
所述的步骤四具体包括以下步骤：
步骤4.1，根据小波散射-长短时记忆网络(WSN-LSTM)混合网络模型的判别器输出的心跳信号的状态，在Physio Net的ECG-ID数据库中选择静止状态或微动状态对应的参考噪声向量
步骤4.2，设自适应滤波器的时变单位脉冲响应系数为wt(i),0≤i≤p-1，p为自适应滤波器的阶数，将参考噪声向量输入自适应滤波器计算噪声估计xi(t)，
其中，为自适应滤波器的时变单位脉冲响应向量，
步骤4.3，由于步骤二提取的心跳信号ur(t)和参考噪声向量都是非平稳信号，通过噪声估计xi(t)与参考噪声向量/>的最小化定义收敛系数V，
其中，min[·]表示最小化，γ为加权因子，0＜γ≤1，l为自变量，1≤l≤t，为t时刻的参考噪声向量，
步骤4.4，基于噪声估计xi(t)和参考噪声向量满足收敛系数V的条件下，确定参数矩阵P(t)、预失真器系数z(t)、卡尔曼增益g(t)，然后，通过递推得到自适应滤波器时变单位脉冲响应向量/>具体步骤如下所述，
步骤4.4.1，当t＝0时，对参数矩阵P(t)、预失真器系数z(t)、脉冲响应系数wt(i)初始化，令P(0)＝δIp、z(0)＝[1,0,…,0]T、w0(0)＝0p,
其中δ为初始化系数，且δ＞1,Ip为p阶单位矩阵，
步骤4.4.2，令t＝t+1，
更新t时刻的参数矩阵P(t)，
P(t)＝[P(t-1)-g(t)zH(t)]/γ
其中，H表示共轭转置符号，
更新t时刻预失真器系数z(t)，
其中，上标*表示共轭，
更新t时刻的卡尔曼增益g(t)，
更新t时刻自适应滤波器的时变单位脉冲响应系数wt(i)，
步骤4.4.3，若t＜p时，继续执行步骤4.4.2，
否则，停止执行步骤4.4.2的循环，并将计算的自适应滤波器的时变单位脉冲响应系数wt(i)构建得到自适应滤波器的时变单位脉冲响应向量
步骤4.5，通过步骤4.1筛选的参考噪声向量和步骤4.4获得的自适应滤波器时变单位脉冲响应向量/>计算得到噪声估计xi(t)，然后将步骤二得到的心跳信号ur(t)中消除噪声估计xi(t)即得到纯净的心跳信号ur’(t)，
ur’(t)＝ur(t)-xi(t)。
2.如权利要求1所述的基于自适应滤除杂波的毫米波雷达心率检测方法，其特征在于，所述的毫米波雷达生命检测系统包括发射端和接收端；
所述的发射端包括信号发生器、压控振荡器、功率放大器和发射天线；
所述的接收端包括依次连接的接收天线、低噪声放大器、混频器、带通滤波器、模数转换器和数字信号处理器；
压控振荡器与混频器相连接。
3.如权利要求1所述的基于自适应滤除杂波的毫米波雷达心率检测方法，其特征在于，步骤一采用毫米波雷达生命检测系统获取含有目标人体呼吸心跳信号的中频信号数据矩阵，具体包括以下步骤：
步骤1.1，压控振荡器收到信号发生器发出的部分射频信号通过功率放大器对其进行调制得到发射信号，发射信号由发射天线发射；信号发生器发出的另一部分射频信号进入混频器作为混频器的本振信号；
步骤1.2，由发射天线发射的发射信号遇到目标人体被反射，接收天线接收被反射的信号，即回波信号，经过低噪声放大器放大后发送给混频器；
步骤1.3，混频器对接收天线接收的回波信号和本振信号做混频处理，并将混频处理后的信号发送给带通滤波器进行处理得到中频信号；
步骤1.4，中频信号进入模数转换器进行A/D采样，再经数字信号处理器处理得到中频信号数据矩阵。
4.如权利要求1所述的基于自适应滤除杂波的毫米波雷达心率检测方法，其特征在于，步骤一对中频信号数据矩阵进行预处理得到解缠信号和生命体征相位信息yr(t)，具体包括以下步骤：
步骤1.5，对得到的中频信号数据矩阵进行Q点的距离维傅里叶变换(Range-FFT)，得到距离矩阵R[m,n]；其中，距离矩阵R[m,n]的每一行为一个距离单元，每一个距离单元的平均值视为该距离单元的静态杂波；
然后，将距离矩阵R[m,n]的静态杂波去除后得到预处理的距离矩阵R'[m,n]，
其中，Q为Range-FFT的点数，m,n分别代表距离矩阵的行号和列号；
步骤1.6，从预处理的距离矩阵R'[m,n]中提取出包含生命体征信息的相位信号
步骤1.7，为了使相位信号始终在[-π,π]内，对相位信号/>进行相位解缠得到解缠信号φ(t)，
其中，φ(t)表示t时刻的解缠信号，表示t+1时刻的相位信号；
步骤1.8，对解缠信号φ(t)进行相位差处理得到相位差信号，从而减少频率偏移增强心跳信号；
步骤1.9，对相位差信号进行脉冲噪声去除处理后得到生命体征相位信息yr(t)。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310583799.0A CN116602640A (zh) | 2023-05-19 | 2023-05-19 | 基于自适应滤除杂波的毫米波雷达心率检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310583799.0A CN116602640A (zh) | 2023-05-19 | 2023-05-19 | 基于自适应滤除杂波的毫米波雷达心率检测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116602640A true CN116602640A (zh) | 2023-08-18 |
Family
ID=87681357
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310583799.0A Pending CN116602640A (zh) | 2023-05-19 | 2023-05-19 | 基于自适应滤除杂波的毫米波雷达心率检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116602640A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117491966A (zh) * | 2024-01-03 | 2024-02-02 | 天津爱仕凯睿科技发展有限公司 | 一种毫米波雷达信号处理方法及系统 |
-
2023
- 2023-05-19 CN CN202310583799.0A patent/CN116602640A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117491966A (zh) * | 2024-01-03 | 2024-02-02 | 天津爱仕凯睿科技发展有限公司 | 一种毫米波雷达信号处理方法及系统 |
| CN117491966B (zh) * | 2024-01-03 | 2024-03-22 | 天津爱仕凯睿科技发展有限公司 | 一种毫米波雷达信号处理方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Duan et al. | Non-contact detection of vital signs using a UWB radar sensor | |
| Shang et al. | Multiple object localization and vital sign monitoring using IR-UWB MIMO radar | |
| 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 | |
| CN114305355B (zh) | 基于毫米波雷达的呼吸心跳检测方法、系统及装置 | |
| Zhai et al. | A contactless on-bed radar system for human respiration monitoring | |
| CN116602640A (zh) | 基于自适应滤除杂波的毫米波雷达心率检测方法 | |
| 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 | |
| Toda et al. | ECG signal reconstruction using FMCW radar and convolutional neural network | |
| Qiao et al. | Spectral unmixing successive variational mode decomposition for robust vital signs detection using uwb radar | |
| Liu et al. | mmRH: Noncontact vital sign detection with an FMCW mm-wave radar | |
| Zhang et al. | An overview of algorithms for contactless cardiac feature extraction from radar signals: Advances and challenges | |
| Toda et al. | ECG signal reconstruction using FMCW radar and a convolutional neural network for contactless vital-sign sensing | |
| Adhikari et al. | Argosleep: Monitoring sleep posture from commodity millimeter-wave devices | |
| Zhao et al. | Multi-target vital signs remote monitoring using mmWave FMCW radar | |
| El-Samad et al. | Heartbeat rate measurement using microwave systems: single-antenna, two-antennas, and modeling a moving person | |
| CN113288078B (zh) | 睡眠质量监测方法、装置及系统 | |
| Pu et al. | RF-heartbeat: Robust and contactless heartbeat monitoring based on FMCW radar | |
| Gao et al. | A new direction for biosensing: RF sensors for monitoring cardio-pulmonary function | |
| Zhang et al. | Radar-Beat: Contactless beat-by-beat heart rate monitoring for life scenes | |
| Obeid et al. | Position-free vital sign monitoring: Measurements and processing | |
| Liang et al. | SFA-based ELM for remote detection of stationary objects | |
| Rong et al. | Non-contact cardiac parameters estimation using radar acoustics for healthcare iot | |
| KR102060102B1 (ko) | Uwb를 이용한 노령자 및 취약자 거동 관리 방법 | |
| Walid et al. | Accuracy assessment and improvement of FMCW radar-based vital signs monitoring under Practical Scenarios | |
| Tazen et al. | Non-contact heart rate measurement based on adaptive notch filter and elimination of respiration harmonics |
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 |