CN112137604A - 一种基于连续波多普勒雷达的呼吸心跳检测方法及*** - Google Patents
一种基于连续波多普勒雷达的呼吸心跳检测方法及*** Download PDFInfo
- Publication number
- CN112137604A CN112137604A CN202011139152.1A CN202011139152A CN112137604A CN 112137604 A CN112137604 A CN 112137604A CN 202011139152 A CN202011139152 A CN 202011139152A CN 112137604 A CN112137604 A CN 112137604A
- Authority
- CN
- China
- Prior art keywords
- signal
- heartbeat
- respiration
- individuals
- phase
- 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
- A61B5/72—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
- A61B5/7225—Details of analog processing, e.g. isolation amplifier, gain or sensitivity adjustment, filtering, baseline or drift compensation
-
- 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
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Signal Processing (AREA)
- Physiology (AREA)
- Molecular Biology (AREA)
- Animal Behavior & Ethology (AREA)
- Pathology (AREA)
- Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Veterinary Medicine (AREA)
- Surgery (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Cardiology (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Psychiatry (AREA)
- Pulmonology (AREA)
- Power Engineering (AREA)
- Radar Systems Or Details Thereof (AREA)
- Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)
Abstract
本发明提供一种基于连续波多普勒雷达的呼吸心跳检测方法,包括获取雷达探测人体呼吸时所生成的I/Q信号;对I/Q信号进行校正;对校正后的I/Q信号进行解调,得到呼吸和心跳所引起的胸腔速率时域信息;利用差分进化算法,在胸腔速率时域信息上拟合出呼吸和心跳的相关信息。实施本发明,能克服现有技术所存在的问题,准确计算出呼吸和心跳的振幅、频率、相位等信息,提高雷达生命特征提取的性能。
Description
技术领域
本发明涉及呼吸检测技术领域,尤其涉及一种基于连续波多普勒雷达的呼吸心跳检测方法。
背景技术
呼吸和心跳是人体一项重要的生命特征,它能够反映出人类近日的身体健康状况。对呼吸速率进行长期地监测,可以及时地检测和诊断出心血管疾病和肺部疾病,降低病人心跳骤停的风险。此外,呼吸和心跳还能够反映出人类的睡眠质量,从而可以判断出一系列睡眠有关的疾病,给人类的身体及时提出预警。因此,呼吸和心跳检测技术在临床医学上显得尤为重要。
近年来,雷达生命探测技术在呼吸和心跳检测方面的应用具有极大的优势,在无需与人体直接接触的基础上,可以远距离探测是否有生命体征存在,广泛应用于灾后救援。而且该方法不容易受到光照、温度等其他因素的干扰,具有较好的隐私性,不会给受试者造成侵犯感。因此,有必要提高雷达生命探测技术,提高生命特征提取的准确率,而研究雷达呼吸信号处理方法是提高雷达生命体征探测技术必不可少的途径。
在现有技术中,雷达呼吸信号提取方法已存在多种方式。例如,中国发明专利CN106037651B(201610416920.0)使用主成分分析方法分析预设时间段的实时心率数据,推算出心率周期,通过所述心率周期对所述心率数据进行修正,得到准确的心率信息。类似的线性解调方法还有小角度近似方法、通道选择。但是上述线性解调方法不适应于频率较高的雷达。又如,中国发明专利CN106175731A(专利申请号201610651539.2)提出了一种非接触式生命体征监测的信号处理方法,将接收到的I/Q通道信号结合为复信号,对复信号进行快速傅里叶变化,基于能量占比判断和频率范围限定,从频率细节分量中筛选出呼吸和心跳频域。但是呼吸的谐波能量有时会高于呼吸本身的能量,在这种情况下,对复信号进行FFT通常无法同时准确的估计出呼吸和心跳的频率信息。又如,中国发明专利CN105232026A(2015107134.X)提出了对I/Q两路信号进行反正切解调算法,对待测人体进行心跳和呼吸信号提取。然而反正切解调方法非常依赖于准确的直流偏移补偿和正交通道失衡消除。又如,中国发明专利CN110987150A(201911295312.9)针对反正切解调中产生的直流偏移补偿和正交通道失衡消除问题,提出对采集到的基带I/Q信号进行圆拟合与圆心估计,得到初始化I/Q通道基带信号直流偏移量和估计值,从基带信号中减去偏移量,采用反正切解调实现目标微振动时域信息提取。当呼吸I/Q信号形成的弧长太短,采用上述方法估计的中心方差会很大,导致无法得到准确的结果。又如,中国发明专利CN111142084A(201911291687.8)提出对I/Q通道两路信号进行反正切解调,然后利用快速傅里叶变换对解调后的信号进行时—频分析,从而得到呼吸和心跳参数。但是基于快速傅里叶变换方法不可避免地会受到时间窗口对频率分辨率的影响,使用该方法提取出的呼吸和心跳特征会产生较大的误差。
然而,上述雷达生命特征信号提取方法均存在不足之处。因此,亟需一种新的雷达生命特征信号提取方法,能克服现有技术所存在的问题,准确计算出呼吸和心跳的振幅、频率、相位等信息,提高雷达生命特征提取的性能。
发明内容
本发明实施例所要解决的技术问题在于,提供一种基于连续波多普勒雷达的呼吸心跳检测方法及***,能克服现有技术所存在的问题,准确计算出呼吸和心跳的振幅、频率、相位等信息,提高雷达生命特征提取的性能。
为了解决上述技术问题,本发明实施例提供了一种基于连续波多普勒雷达的呼吸心跳检测方法,包括以下步骤:
获取雷达探测人体呼吸时所生成的I/Q信号;
对所述I/Q信号进行校正;
对校正后的I/Q信号执行解调算法,得到呼吸和心跳所引起的胸腔速率时域信息;
利用差分进化算法,在所述胸腔速率时域信息上拟合出呼吸和心跳的相关信息。
其中,所述对所述I/Q信号进行校正,得到校正后的I/Q数据的步骤具体包括:
对所述I/Q信号的相位偏移进行消除;以及
对消除相位偏移后的I/Q信号的直流分量和增益误差进行消除。
其中,所述对所述I/Q信号的相位偏移进行消除的步骤具体包括:
第一步、对所述I/Q信号取n个数据采样点,记为X=[I1,I2,I3...In],Y=[Q1,Q2,Q3...Qn];其中,X和Y分别表示为所采集到的I/Q两路通道中的n个数据采样点;AI和AQ表示I/Q两路的幅值,DCI和DCQ表示I/Q两路的直流偏置,xr(t)表示呼吸引起的周期性胸廓位移,xh(t)表示心跳引起的周期性胸廓位移,λ表示雷达信号波长,φ(t)表示I/Q信号的相位差;
第二步、根据n个数据采样点在I/Q通道的数据平面图形成的椭圆形状,得到下列椭圆方程:
I2+A×Q2+B×IQ+C×I+D×Q+E=0;
其中,所述对消除相位偏移后的I/Q信号的直流分量和增益误差进行消除的步骤具体包括:
第一步、对要估计的参数进行初始化C=[0 1 0]T,并初始化估计误差协方差矩阵P=1000*W,其中W为三维单位矩阵。
第二步、取S个Ic,Qc数据,构建矩阵,其中S为n;令
第三步、依次取出矩阵H,N的值来计算增益矩阵K=P×Nj T/(1+Nj×P×Nj T)。其中Nj为上述步骤计算出来的矩阵N的第j行。并且更新估计误差协方差P=(W-K×Nj)×P,计算估计参数C=C+K×(Hj-Nj×C)。其中,j=1,2...,S-1。
第四步、计算完S个Ic,Qc数据后,得到S个I/Q数据最终的参数估计值C。保存估计的椭圆零点DCI,DCQ,以及比例系数值a,DCI=C(1),DCQ=C(3)/C(2),其中,C(1),C(2),C(3)均为C的分量,DCI表示I信号的零点偏移,DCQ表示Q信号的零点偏移,a表示I信号与Q信号增益的比值;
其中,所述对校正后的I/Q信号执行解调算法,得到呼吸和心跳所引起的胸腔速率时域信息的步骤具体包括:
其中,所述利用差分进化算法,在所述胸腔速率时域信息上拟合出呼吸和心跳的相关信息的步骤具体包括:
步骤S4.1、取某时间窗口内计算出来的速率值,X=[x1,x2,x3...xn],t=[0.02,0.04,0.06...7.98],其中t表示该窗口内I/Q数据对应的采样时间,X表示时间t对应的速率变化;
步骤S4.2、确定相应的优化参数,所述优化参数包括呼吸和心跳变量的取值范围,优化的终止条件,种群大小NP,以及变异因子;
步骤S4.3、由公式yi,j 0=rand()×(Xmaxj-Xminj)+Xminj设定呼吸和心跳范围,并随机产生NP个初始个体yi 0来构建一个初始种群;其中,y0={y1 0,y2 0,...,yi 0,...,yNP 0},j表示呼吸和心跳的振幅、频率、相位作为个体的变量信息所对应的维度;
步骤S4.4、根据目标函数计算出每个个体的适应度;其中,所述目标函数为个体变量构成的函数值Yi与速率值Xi两者之间的差值Yi-Xi;所述个体变量构成的函数Yi为呼吸和心跳引起的胸腔速率随时间的变化函数为Yi=-yi,1×2π×yi,2×sin(2π×yi,2×t+yi,3)-yi,4×2π×yi,5×sin(2π×yi,5×t+yi,6);yi,1,yi,2,yi,3,yi,4,yi,5,yi,6分别对应个体i中的呼吸和心跳振幅、频率、相位值;
步骤S4.5、对初始种群中的每一个个体执行变异操作,产生一个变异个体;其中,变异个体由公式vi=yp1+F×(yp2-yp3)生成,p1,p2,p3为随机生成的种群y中的个体索引,且满足p1≠p2≠p3≠i;F为初始设置的变异因子;
步骤S4.7、根据上述目标函数Yi-Xi分别计算出初始种群个体和交叉后个体的适应度,将两者的适应度值进行比较;如果交叉个体的适应度值小,则交叉个体作为下一代个体;否则,初始种群中的个体将被遗传到下一代。
步骤S4.8、重复执行步骤S4.4到S6.7,直到迭代达到指定的迭代次数;
步骤S4.9、选取出个体适应度值最小的个体,且个体适应度值最小个体中的值分别对应呼吸的振幅、频率和相位,以及心跳的振幅、频率和相位。
本发明实施例还提供了一种基于连续波多普勒雷达的呼吸心跳检测***,包括获取单元、校正单元、计算单元和结果输出单元;其中,
所述获取单元,用于获取雷达探测人体呼吸时所生成的I/Q信号;
所述校正单元,用于对所述I/Q信号进行校正;
所述计算单元,用于对校正后的I/Q信号执行解调算法,得到呼吸和心跳所引起的胸腔速率时域信息;
所述结果输出单元,用于利用差分进化算法,在所述胸腔速率时域信息上拟合出呼吸和心跳的相关信息。
实施本发明实施例,具有如下有益效果:
通过与基准信号相比较,本发明主要是通过对雷达探测人体呼吸时所生成的I/Q信号进行校正,消除信号中存在的直流分量、增益误差和相位失衡等问题,然后再通过对I/Q信号解调来构造出胸腔速率与时间的函数,并通过差分进化算法计算出每一秒的呼吸和心跳的振幅、频率、相位信息,从而克服了现有技术所存在的问题,具有非常好的生命体征提取性能,能够在较短的时间内获得比较高的频率分辨率,在***的实时性、灵敏性方面得到更好的结果。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术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,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,根据这些附图获得其他的附图仍属于本发明的范畴。
图1为本发明实施例提供的基于连续波多普勒雷达的呼吸心跳检测方法的流程图;
图2为本发明实施例提供的基于连续波多普勒雷达的呼吸心跳检测方法的应用场景中雷达60s时间内探测出来的I/Q信号平面图;
图3为本发明实施例提供的基于连续波多普勒雷达的呼吸心跳检测方法的应用场景中雷达60s时间内探测出来的I/Q信号校正之后的平面图;
图4为本发明实施例提供的基于连续波多普勒雷达的呼吸心跳检测方法的应用场景中使用雷达信号解调出来的在60s时间内胸腔速率随时间变化的曲线图;
图5为本发明实施例提供的基于连续波多普勒雷达的呼吸心跳检测方法的应用场景中为1~8s内对胸腔速率进行差分进化优化算法拟合结果的效果图;
图6为本发明实施例提供的基于连续波多普勒雷达的呼吸心跳检测方法的应用场景中使用差分进化优化算法估算出来的呼吸和心跳参数函数与实际的速率变化对比图;
图7为本发明实施例提供的基于连续波多普勒雷达的呼吸心跳检测方法的应用场景中使用差分进化优化算法估算出来的呼吸频率以及其他方法估计的呼吸频率与参考频率的对比图;
图8为本发明实施例提供的基于连续波多普勒雷达的呼吸心跳检测***的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明作进一步地详细描述。
如图1所示,为本发明实施例中,提供的一种基于连续波多普勒雷达的呼吸心跳检测方法,所述方法包括以下步骤:
步骤S1、获取雷达探测人体呼吸时所生成的I/Q信号;
具体过程为,PC端设置采样频率为50Hz开始采集呼吸信号;其中,采集到的呼吸信号为I/Q信号,可以表示为:
其中,AI和AQ表示I/Q两路的幅值,DCI和DCQ表示I/Q两路的直流偏置,xr(t)表示呼吸引起的周期性胸廓位移,xh(t)表示心跳引起的周期性胸廓位移,λ表示雷达信号波长,φ(t)表示I/Q信号的相位差;
步骤S2、对所述I/Q信号进行校正;
具体过程为,包括对I/Q信号的相位偏移进行消除;以及对消除相位偏移后的I/Q信号的直流分量和增益误差进行消除的步骤。
一方面,对I/Q信号的相位偏移进行消除时,可以用手在雷达传感器前来回移动,采集一定时间段(如8s)数据,估计I、Q两通道之间的相位偏差。由于每次采集I/Q信号时,I信号与Q信号之间的相位偏移差基本上是稳定的,所以可以保存I信号与Q信号之间的相位偏移差,便于消除I/Q信号的相位失衡问题。
此时,对应的步骤具体实现如下:
第一步、对I/Q信号取n(如400)个数据采样点,记为X=[I1,I2,I3...In],Y=[Q1,Q2,Q3...Qn];其中,X和Y分别表示为所采集到的I/Q两路通道中的n个数据采样点;例如,取8s内所采集到的I/Q数据,共400个数据点。记为X=[I1,I2,I3...I400],Y=[Q1,Q2,Q3...Q400];
第二步、如图2所示,根据n个数据采样点在I/Q通道的数据平面图形成的椭圆形状,即根据椭圆的一般形式得到下列椭圆方程:
I2+A×Q2+B×IQ+C×I+D×Q+E=0;
第五步、根据相位偏移差φ,计算其中,Ic和Qc为消除相位偏置之后的I/Q信号,I,Q为雷达所采集到的原始I/Q信号。另特别说明,整个算法都是缓冲8s的数据并构建窗口大小为8s,重叠1s的时间窗口,针对每一个8秒窗口的数据进行处理。
另一方面,上述得到的Ic,Qc数据只是消除了I/Q信号的相位偏移问题,还需要估计出I/Q信号的零点偏移与增益比值参数,以消除I/Q信号中存在的直流分量、增益误差问题。
此时,对应的步骤具体实现如下:
第一步、对要估计的参数进行初始化C=[010]T,并初始化估计误差协方差矩阵P=1000*W,其中W为三维单位矩阵。
第二步、取S个Ic,Qc数据,构建矩阵,其中S为n(如400);令
第三步、依次取出矩阵H,N的值来计算增益矩阵K=P×Nj T/(1+Nj×P×Nj T)。其中Nj为上述步骤计算出来的矩阵N的第j行。并且更新估计误差协方差P=(W-K×Nj)×P,计算估计参数C=C+K×(Hj-Nj×C)。其中,j=1,2...,S-1;
第四步、计算完S个Ic,Qc数据后,得到S个I/Q数据最终的参数估计值C。保存估计的椭圆零点DCI,DCQ,以及比例系数值a,DCI=C(1),DCQ=C(3)/C(2),其中,C(1),C(2),C(3)均为C的分量,DCI表示I信号的零点偏移,DCQ表示Q信号的零点偏移,a表示I信号与Q信号增益的比值;
步骤S3、在使用非线性解调方法时,由于提取的相位值可能会超出反正切解调技术得到的相位范围(-π/2,π/2),直接采用反正切解调会出现相位纠缠问题,导致得到的胸腔运动轨迹产生极大的误差。本申请进行求导得到速率信息有助于解决该误差。对校正后的I/Q信号执行差分运算,得到呼吸和心跳所引起的胸腔速率时域信息;
步骤S4、利用差分进化算法,在所述胸腔速率时域信息上拟合出呼吸和心跳的相关信息。
具体过程为,在胸腔速率时域信息(即速率与时间的曲线)上,采用差分进化算法将呼吸和心跳参数作为个体变量,对胸腔速率曲线进行拟合,提取出呼吸和心跳的幅值、频率、相位等参数信息,具体计算步骤如下:
步骤S4.1、取某时间窗口内计算出来的速率值,X=[x1,x2,x3...xn],t=[0.02,0.04,0.06...7.98],其中t表示该窗口内I/Q数据对应的采样时间,X表示时间t对应的速率变化;
步骤S4.2、确定相应的优化参数,所述优化参数包括呼吸和心跳变量的取值范围,优化的终止条件,种群大小NP,以及变异因子;例如,种群大小NP设置为100,变异因子为0.3。一般情况下呼吸和心跳振幅、频率和相位范围大致为Xmin=[0 0.2 -pi 0 0.8 -pi];Xmax=[5 0.8 pi 0.8 1.2 pi];
步骤S4.3、由公式yi,j 0=rand()×(Xmaxj-Xminj)+Xminj设定呼吸和心跳范围,并随机产生NP个初始个体yi 0来构建一个初始种群;其中,y0={y1 0,y2 0,...,yi 0,...,yNP 0},j表示呼吸和心跳的振幅、频率、相位作为个体的变量信息所对应的维度;
步骤S4.4、根据目标函数计算出每个个体的适应度;其中,目标函数为个体变量构成的函数值Yi与速率值Xi两者之间的差值Yi-Xi;个体变量构成的函数Yi为呼吸和心跳引起的胸腔速率随时间的变化函数为Yi=-yi,1×2π×yi,2×sin(2π×yi,2×t+yi,3)-yi,4×2π×yi,5×sin(2π×yi,5×t+yi,6);yi,1,yi,2,yi,3,yi,4,yi,5,yi,6分别对应个体i中的呼吸和心跳振幅、频率、相位值;应当说明的是,该函数Yi是通过胸腔位移变化函数x(t)求导得到的,其中x(t)=yi,1×cos(2π×yi,2+yi,3)+yi,4×cos(2π×yi,5+yi,6);
步骤S4.5、对初始种群中的每一个个体执行变异操作,产生一个变异个体;其中,变异个体由公式vi=yp1+F×(yp2-yp3)生成,p1,p2,p3为随机生成的种群y中的个体索引,且满足p1≠p2≠p3≠i;F为初始设置的变异因子;
步骤S4.7、根据上述目标函数Yi-Xi分别计算出初始种群个体和交叉后个体的适应度,将两者的适应度值进行比较;如果交叉个体的适应度值小,则交叉个体作为下一代个体;否则,初始种群中的个体将被遗传到下一代。
步骤S4.8、重复执行步骤S4.4到S6.7,直到迭代达到指定的迭代次数;其中,迭代次数选择为300;
步骤S4.9、选取出群体y中个体适应度值最小的个体ybest,且个体适应度值最小个体ybest中的值分别对应呼吸的振幅、频率和相位,以及心跳的振幅、频率和相位。
如图3所示,给出了60s内采集到的I/Q信号校正后的平面图。通过多普勒雷达采集到的I/Q信号由于雷达传感器本身硬件***存在误差,导致I/Q信号的平面图为椭圆形状,而经过对图2的I/Q信号进行校正之后,I/Q信号平面图的中心位于原点,并且与x轴平行。
如图4所示,为胸腔速率在60s的时间内,胸腔速率随时间变化的曲线图。
如图5所示,为1~8s内对胸腔速率进行差分进化优化算法拟合结果的效果图。在该窗口内计算得到的呼吸频率、振幅分别为0.339hz、3.715mm,心跳频率、振幅分别为1.028hz、0.525mm。差分进化优化算法估算得到的参数函数与胸腔速率变化基本吻合,这说明差分进化算法能够有效的提取出呼吸和心跳的相关参数。
如图6所示,为差分进化优化算法在60s时间范围内估计的呼吸频率以及参数化解调方法、傅里叶变换方法和参考频率的对比图。其中,差分进化优化算法估计到的呼吸频率与参考频率基本吻合,平均绝对误差为0.00019hz,估计效果最差的为傅里叶变换方法,平均绝对误差为0.035hz,参数化解调方法估计的效果较好,平均绝对误差为0.002hz。
如图7所示,为差分进化优化算法在60s时间范围内估计的心跳频率以及参数化解调方法、傅里叶变换方法和参考频率的对比图。其中,差分进化优化算法估计到的心跳频率与参考频率基本吻合,平均绝对误差为0.002hz,估计效果最差的为傅里叶变换方法,平均绝对误差为0.03hz,参数化解调方法估计的效果较好,平均绝对误差为0.009hz。
如图8所示,为本发明实施例中,提供的一种基于连续波多普勒雷达的呼吸心跳检测***,包括获取单元110、校正单元120、计算单元130和结果输出单元140;其中,
所述获取单元110,用于获取雷达探测人体呼吸时所生成的I/Q信号;
所述校正单元120,用于对所述I/Q信号进行校正;
所述计算单元130,用于对校正后的I/Q信号执行解调算法,得到呼吸和心跳所引起的胸腔速率时域信息;
所述结果输出单元140,用于利用差分进化算法,在所述胸腔速率时域信息上拟合出呼吸和心跳的相关信息。
实施本发明实施例,具有如下有益效果:
通过与基准信号相比较,本发明主要是通过对雷达探测人体呼吸时所生成的I/Q信号进行校正,消除信号中存在的直流分量、增益误差和相位失衡等问题,然后再通过对I/Q信号解调来构造出胸腔速率与时间的函数,并通过差分进化算法计算出每一秒的呼吸和心跳的振幅、频率、相位信息,从而克服了现有技术所存在的问题,具有非常好的生命体征提取性能,能够在较短的时间内获得比较高的频率分辨率,在***的实时性、灵敏性方面得到更好的结果。
值得注意的是,上述***实施例中,所包括的各个部件只是按照功能逻辑进行划分的,但并不局限于上述的划分,只要能够实现相应的功能即可;另外,各功能单元的具体名称也只是为了便于相互区分,并不用于限制本发明的保护范围。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成,所述的程序可以存储于一计算机可读取存储介质中,所述的存储介质,如ROM/RAM、磁盘、光盘等。
以上所揭露的仅为本发明较佳实施例而已,当然不能以此来限定本发明之权利范围,因此依本发明权利要求所作的等同变化,仍属本发明所涵盖的范围。
Claims (7)
1.一种基于连续波多普勒雷达的呼吸心跳检测方法,其特征在于,包括以下步骤:
获取雷达探测人体呼吸时所生成的I/Q信号;
对所述I/Q信号进行校正;
对校正后的I/Q信号进行解调,得到呼吸和心跳所引起的胸腔速率时域信息;
利用差分进化算法,在所述胸腔速率时域信息上拟合出呼吸和心跳的相关信息。
2.如权利要求1所述的基于连续波多普勒雷达的呼吸心跳检测方法,其特征在于,所述对所述I/Q信号进行校正,得到校正后的I/Q数据的步骤具体包括:
对所述I/Q信号的相位偏移进行消除;以及
对消除相位偏移后的I/Q信号的直流分量和增益误差进行消除。
3.如权利要求2所述的基于连续波多普勒雷达的呼吸心跳检测方法,其特征在于,所述对所述I/Q信号的相位偏移进行消除的步骤具体包括:
AI和AQ表示I/Q两路的幅值,DCI和DCQ表示I/Q两路的直流偏置,xr(t)表示呼吸引起的周期性胸廓位移,xh(t)表示心跳引起的周期性胸廓位移,λ表示雷达信号波长,φ(t)表示I/Q信号的相位差;
第二步、根据n个数据采样点在I/Q通道的数据平面图形成的椭圆形状,得到下列椭圆方程:
I2+A×Q2+B×IQ+C×I+D×Q+E=0;
4.如权利要求3所述的基于连续波多普勒雷达的呼吸心跳检测方法,其特征在于,所述对消除相位偏移后的I/Q信号的直流分量和增益误差进行消除的步骤具体包括:
第一步、对要估计的参数进行初始化C=[0 1 0]T,并初始化估计误差协方差矩阵P=1000*W,其中W为三维单位矩阵;
第二步、取S个Ic,Qc数据,构建矩阵,其中S为n;令
第三步、依次取出矩阵H,N的值来计算增益矩阵K=P×Nj T/(1+Nj×P×Nj T);其中Nj为上述步骤计算出来的矩阵N的第j行,j=1,2...,S-1;并且更新估计误差协方差P=(W-K×Nj)×P,计算估计参数C=C+K×(Hj-Nj×C);
第四步、计算完S个Ic,Qc数据后,得到S个I/Q数据的最终参数估计值C;保存估计的椭圆零点DCI,DCQ,以及比例系数值a,DCI=C(1),DCQ=C(3)/C(2),其中,C(1),C(2),C(3)均为C的分量,DCI表示I信号的零点偏移,DCQ表示Q信号的零点偏移,a表示I信号与Q信号增益的比值;
6.如权利要求5所述的基于连续波多普勒雷达的呼吸心跳检测方法,其特征在于,所述利用差分进化算法,在所述胸腔速率时域信息上拟合出呼吸和心跳的相关信息的步骤具体包括:
步骤S4.1、取某时间窗口内计算出来的速率值,X=[x1,x2,x3...xn],t=[0.02,0.04,0.06...7.98],其中t表示该窗口内I/Q数据对应的采样时间,X表示时间t对应的速率变化;
步骤S4.2、确定相应的优化参数,所述优化参数包括呼吸和心跳变量的取值范围,优化的终止条件,种群大小NP,以及变异因子;
步骤S4.3、由公式yi,j 0=rand()×(Xmaxj-Xminj)+Xminj设定呼吸和心跳范围,并随机产生NP个初始个体yi 0来构建一个初始种群;其中,y0={y1 0,y2 0,...,yi 0,...,yNP 0},j表示呼吸和心跳的振幅、频率、相位作为个体的变量信息所对应的维度;
步骤S4.4、根据目标函数计算出每个个体的适应度;其中,所述目标函数为个体变量构成的函数值Yi与速率值Xi两者之间的差值Yi-Xi;所述个体变量构成的函数Yi为呼吸和心跳引起的胸腔速率随时间的变化函数为Yi=-yi,1×2π×yi,2×sin(2π×yi,2×t+yi,3)-yi,4×2π×yi,5×sin(2π×yi,5×t+yi,6);yi,1,yi,2,yi,3,yi,4,yi,5,yi,6分别对应个体i中的呼吸和心跳振幅、频率、相位值;
步骤S4.5、对初始种群中的每一个个体执行变异操作,产生一个变异个体;其中,变异个体由公式vi=yp1+F×(yp2-yp3)生成,p1,p2,p3为随机生成的种群y中的个体索引,且满足p1≠p2≠p3≠i;F为初始设置的变异因子;
步骤S4.7、根据上述目标函数Yi-Xi分别计算出初始种群个体和交叉后个体的适应度,将两者的适应度值进行比较;如果交叉个体的适应度值小,则交叉个体作为下一代个体;否则,初始种群中的个体将被遗传到下一代;
步骤S4.8、重复执行步骤S4.4到S6.7,直到迭代达到指定的迭代次数;
步骤S4.9、选取出个体适应度值最小的个体,且个体适应度值最小个体中的值分别对应呼吸的振幅、频率和相位,以及心跳的振幅、频率和相位。
7.一种基于连续波多普勒雷达的呼吸心跳检测***,其特征在于,包括获取单元、校正单元、计算单元和结果输出单元;其中,
所述获取单元,用于获取雷达探测人体呼吸时所生成的I/Q信号;
所述校正单元,用于对所述I/Q信号进行校正;
所述计算单元,用于对校正后的I/Q信号执行解调算法,得到呼吸和心跳所引起的胸腔速率时域信息;
所述结果输出单元,用于利用差分进化算法,在所述胸腔速率时域信息上拟合出呼吸和心跳的相关信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011139152.1A CN112137604B (zh) | 2020-10-22 | 2020-10-22 | 一种基于连续波多普勒雷达的呼吸心跳检测方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011139152.1A CN112137604B (zh) | 2020-10-22 | 2020-10-22 | 一种基于连续波多普勒雷达的呼吸心跳检测方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112137604A true CN112137604A (zh) | 2020-12-29 |
CN112137604B CN112137604B (zh) | 2022-09-27 |
Family
ID=73954482
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011139152.1A Active CN112137604B (zh) | 2020-10-22 | 2020-10-22 | 一种基于连续波多普勒雷达的呼吸心跳检测方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112137604B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112914554A (zh) * | 2021-03-24 | 2021-06-08 | 湖南万脉医疗科技有限公司 | 一种呼吸机无创呼吸频率监测方法及*** |
CN113589249A (zh) * | 2021-07-16 | 2021-11-02 | 中山艾朗格科技有限公司 | 校准单频连续波多普勒雷达的直流偏移的信号处理方法 |
CN117064349A (zh) * | 2023-08-17 | 2023-11-17 | 德心智能科技(常州)有限公司 | 毫米波雷达与智能床联动的姿态控制方法及*** |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102046076A (zh) * | 2008-04-03 | 2011-05-04 | Kai医药公司 | 非接触式生理运动传感器及其使用方法 |
US20160200276A1 (en) * | 2013-08-14 | 2016-07-14 | Iee International Electronics & Engineering S.A. | Radar sensing of vehicle occupancy |
CN109480845A (zh) * | 2018-11-28 | 2019-03-19 | 温州大学 | 一种基于24ghz多普勒传感器的非接触呼吸检测方法 |
CN110584631A (zh) * | 2019-10-10 | 2019-12-20 | 重庆邮电大学 | 一种基于fmcw雷达的静态人体心跳和呼吸信号提取方法 |
-
2020
- 2020-10-22 CN CN202011139152.1A patent/CN112137604B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102046076A (zh) * | 2008-04-03 | 2011-05-04 | Kai医药公司 | 非接触式生理运动传感器及其使用方法 |
US20160200276A1 (en) * | 2013-08-14 | 2016-07-14 | Iee International Electronics & Engineering S.A. | Radar sensing of vehicle occupancy |
CN109480845A (zh) * | 2018-11-28 | 2019-03-19 | 温州大学 | 一种基于24ghz多普勒传感器的非接触呼吸检测方法 |
CN110584631A (zh) * | 2019-10-10 | 2019-12-20 | 重庆邮电大学 | 一种基于fmcw雷达的静态人体心跳和呼吸信号提取方法 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112914554A (zh) * | 2021-03-24 | 2021-06-08 | 湖南万脉医疗科技有限公司 | 一种呼吸机无创呼吸频率监测方法及*** |
CN113589249A (zh) * | 2021-07-16 | 2021-11-02 | 中山艾朗格科技有限公司 | 校准单频连续波多普勒雷达的直流偏移的信号处理方法 |
CN117064349A (zh) * | 2023-08-17 | 2023-11-17 | 德心智能科技(常州)有限公司 | 毫米波雷达与智能床联动的姿态控制方法及*** |
CN117064349B (zh) * | 2023-08-17 | 2024-02-06 | 德心智能科技(常州)有限公司 | 毫米波雷达与智能床联动的姿态控制方法及*** |
Also Published As
Publication number | Publication date |
---|---|
CN112137604B (zh) | 2022-09-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112137604B (zh) | 一种基于连续波多普勒雷达的呼吸心跳检测方法及*** | |
Islam et al. | A time-frequency domain approach of heart rate estimation from photoplethysmographic (PPG) signal | |
Sayadi et al. | A model-based Bayesian framework for ECG beat segmentation | |
US11234613B2 (en) | Respiration estimation method and apparatus | |
Zakrzewski et al. | Comparison of center estimation algorithms for heart and respiration monitoring with microwave Doppler radar | |
Sayadi et al. | Model-based fiducial points extraction for baseline wandered electrocardiograms | |
EP3785610A1 (en) | Method of processing a signal representing a physiological rhythm | |
CN106175731A (zh) | 非接触式生命体征监测的信号处理*** | |
CN114403820B (zh) | 一种移动目标的生命体征检测方法及*** | |
Jean Effil et al. | Wavelet scattering transform and long short-term memory network-based noninvasive blood pressure estimation from photoplethysmograph signals | |
CN116784818A (zh) | 基于毫米波雷达的呼吸心跳信号检测方法及*** | |
Saluja et al. | A supervised learning approach for real time vital sign radar harmonics cancellation | |
Cuesta-Frau et al. | Enhanced modified moving average analysis of T-wave alternans using a curve matching method: a simulation study | |
Fedotov | A robust method for detecting the QRS complex of the ECG signal | |
CN110269642A (zh) | 基于分数阶傅里叶变换和小波变换的多普勒心率估计方法 | |
Ahamed et al. | An efficient method for heart rate monitoring using wrist-type photoplethysmographic signals during intensive physical exercise | |
Kang et al. | Pulse Rate Estimation using PPG Affected with Motion Artifacts Base d on VMD and Hilbert Transform | |
Sameera et al. | Enhancing beat-to-beat analysis of heart signals with respiration harmonics reduction through demodulation and template matching | |
Dong et al. | A novel ecg-derived respiration method combining frequency-domain feature and interacting multiple model smoother | |
Zamrath et al. | Robust and computationally efficient approach for Heart Rate monitoring using photoplethysmographic signals during intensive physical excercise | |
Wang et al. | Photoplethysmography-based heart action monitoring using a growing multilayer network | |
Zhidong | Noninvasive diagnosis of coronary artery disease based on instantaneous frequency of diastolic murmurs and SVM | |
JP6538620B2 (ja) | 呼吸推定方法および装置 | |
Nunes et al. | Hilbert transform-based ECG modeling | |
Vysiya et al. | Automatic detection of cardiac arrhythmias in ECG signal for IoT application |
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 |