CN112998668B - 基于毫米波的非接触式远场多人体呼吸心率监测方法 - Google Patents
基于毫米波的非接触式远场多人体呼吸心率监测方法 Download PDFInfo
- Publication number
- CN112998668B CN112998668B CN202110173869.6A CN202110173869A CN112998668B CN 112998668 B CN112998668 B CN 112998668B CN 202110173869 A CN202110173869 A CN 202110173869A CN 112998668 B CN112998668 B CN 112998668B
- Authority
- CN
- China
- Prior art keywords
- data
- signal
- millimeter wave
- distance
- input
- 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
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
- A61B5/725—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
- A61B5/7253—Details of waveform analysis characterised by using transforms
- A61B5/726—Details of waveform analysis characterised by using transforms using Wavelet 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
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Veterinary Medicine (AREA)
- Pathology (AREA)
- Physiology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Biophysics (AREA)
- Public Health (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Signal Processing (AREA)
- Psychiatry (AREA)
- Mathematical Physics (AREA)
- Cardiology (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Fuzzy Systems (AREA)
- Evolutionary Computation (AREA)
- Pulmonology (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
- Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)
Abstract
本发明提供了一种基于毫米波的非接触式远场多人体呼吸心率监测方法,包括:对监测的毫米波信号进行微多普勒运算,并将运算数据解调为微距离频谱数据和微角度频谱数据;采用带通滤波器对这两种频谱数据进行分离;基于微距离频谱数据和微角度频谱数据构建距离集合和角度集合,距离集合用于存储相应距离的多目标人体信号数据,角度集合用于存储相同距离相应角度的多目标人体信号数据;基于小波变换计算各个距离集合和角度集合内的多目标人体各自的呼吸频率,基于聚类密度算法计算各个距离集合和角度集合内的多目标人体各自的心跳频率。具有可远距离监测、可同时对多个目标人体监测、人体心率呼吸监测结果准确高和监测结果可参考意义大等优点。
Description
技术领域
本发明涉及物联网通信和医疗监测领域,具体涉及一种基于毫米波的非接触式远场多人体呼吸心率监测方法。
背景技术
毫米波,是指波长为1~10毫米的电磁波,它位于微波与远红外波相交叠的波长范围,因而兼有两种波谱的特点。与光波相比,毫米波受自然光和热辐射源影响小;有极宽的带宽,毫米波的频率范围为30GHz-300GHz,具有高精度、高分辨率的特点;毫米波的波束窄,在相同天线尺寸下毫米波的波束要比微波的波束窄得多,可以分辨相距更近的小目标或者更为清晰地观察目标的细节。和激光相比,毫米波的传播受气候的影响要小得多,可以认为具有全天候特性。和微波相比,毫米波元器件的尺寸要小得多更容易小型化。
在智能家居老年人监护、睡眠呼吸间歇患者的睡眠监护、病人状态监护、疲劳驾驶的预警、灾害发生后的生命体征追踪、安防场景下匿***员的探测等应用场景中,人体心率和呼吸的实时监测最为直接和重要。利用毫米波高精度、高分辨率的特点,目标人体的径向运动对毫米波载波产生相位上的调制,从而使得毫米波的反射信号与接收信号之间产生频率差,即多普勒频率。人体心跳引起的心脏跳动、人体呼吸引起的胸部起伏,会使得目标人体的多普勒频率附近产生边带频率,即微多普勒频率;采用毫米波对人体心率呼吸进行捕捉就是基于这一物理现象来实现的。
目前,现有技术中存在一些采用毫米波检测人体呼吸和心率的方法,比如中国专利CN111481184A公开了一种基于毫米波雷达技术的多目标呼吸心率监测方法与***,通过毫米波雷达模块进行无接触的心率和呼吸率的检测,避免了繁琐的接触式监测程序,同时不会冒犯被检测者的隐私,可以实时监控分析监测对象的呼吸心率数据,可预防监测对象突发意外疾病,或在发生突发情况是做到及时的警报。比如中国专利CN201811596373.4公开了一种针对卧床病人的非接触式生命体征监测方法,利用毫米波雷达不需要与被测对象直接接触的优点,利用波普勒效应,通过对接收到的毫米波雷达的一系列处理得到病人胸部表面的振动信息,进而计算出心率与呼吸频率。但现有技术仍存在诸多不足:
1、现有的利用毫米波技术检测人体心率呼吸的方法只能应用在近距离场景中,毫米波检测设备和被检测人体的距离需要在一米以内,才能保证检测的准确度。极大地限制了技术的实际落地,同时也大大降低了实际的用户体验。
2、现有的利用毫米波技术检测人体心率呼吸的方法大多是一对一进行检测,如果检测场景中存在多个人体目标,则难以进行区分识别、不能对每个人体目标进行准确监测。
3、在实际监测场景中,可能存在诸多干扰因素,比如在家居生活中家庭宠物心率呼吸的干扰、人体行走及肢体运动的干扰、浴室水雾和淋浴水流的干扰、家用电器设备(电风扇,扫地机器人等)的干扰等,现有的利用毫米波技术检测人体心率呼吸的方法没有对这些干扰因素进行解决,导致监测的人体心率呼吸结果不准确、参考意义不大。
发明内容
针对现有技术存在的上述不足,本发明的目的在于:提供一种基于毫米波的非接触式远场多人体呼吸心率监测方法,在保证检测准确度的前提下,可以在五米以上的远距离对人体呼吸和心率进行实时监测,并且可以同时对多个目标进行有效区分识别监测;还可以解决在实际监测场景中存在的诸多复杂信号的干扰。具有可远距离监测、可同时对多个目标人体监测、人体心率呼吸监测结果准确高和监测结果可参考意义大等优点。
一种基于毫米波的非接触式远场多人体呼吸心率监测方法,包括以下步骤:
通过至少一个毫米波传感设备向监测空间内发射线性调频连续毫米波,实时接收监测空间内反射的毫米波传感信号,并对接收的毫米波传感信号进行预处理;
对预处理后的毫米波传感信号进行微多普勒运算,将运算得到的微多普勒数据解调为微距离频谱数据和微角度频谱数据;并基于呼吸频率和心跳频率的差异,采用带通滤波器对这两种频谱数据进行分离;
基于分离后的微距离频谱数据和微角度频谱数据构建距离集合和角度集合,所述距离集合用于存储相应距离的多目标人体信号数据,所述角度集合用于存储相同距离相应角度的多目标人体信号数据;
通过神经网络模型分析确定各个目标人体的空间位置,并采用模式识别分类器对各个目标人体的信号数据进行分类识别;
基于小波变换计算各个距离集合和角度集合内的多目标人体各自的呼吸频率,基于聚类密度算法计算各个距离集合和角度集合内的多目标人体各自的心跳频率;
将各个目标人体的呼吸频率、心跳频率和空间位置信息实时发送到监测服务器或用户端。
进一步地,所述对接收的毫米波传感信号进行预处理,具体包括:
对接收的毫米波传感信号x(t)进行自相关函数和互相关函数分析,筛选出真实的毫米波传感信号s(t),其中,x(t)=s(t)+n(t),n(t)表示噪音信号;
将真实的毫米波传感信号由模拟信号转换为数字信号,并进行逆傅里叶变换,将频域数字信号转为时域数字信号;
对时域数字信号进行数字滤波处理、空间噪声处理、空间多径干扰串扰消除。
进一步地,所述对预处理后的毫米波传感信号进行微多普勒运算,将运算得到的微多普勒数据解调为微距离频谱数据和微角度频谱数据,具体包括:
所述毫米波传感信号包括初始毫米波传感信号和待识别毫米波传感信号,根据预处理后的初始毫米波传感信号构建空间环境静物模型;
对预处理后的待识别毫米波传感信号进行多普勒运算和微多普勒运算,基于空间环境静物模型屏蔽空间静物的传感信号以及无多普勒效应的传感信号,得到待识别毫米波传感信号的微多普勒数据;
对运算得到的微多普勒数据做I-Q解调,得到解析幅值RSS频谱和解析相位φ频谱;将解析幅值RSS频谱和解析相位φ频谱分别转换为微距离频谱数据和微角度频谱数据,确定多人体信号数据的极坐标。
进一步地,对毫米波传感信号中的动物相关信号进行剔除,具体包括:
针对解调数据的幅值RSS和角频率ω设定幅值RSS阀值和角频率ω阀值,保留幅值RSS阀值和角频率ω阀值内所有的周期性信号数据;
对解调后的各周期性信号数据做幅值RSS的能谱积分求和,并与预设的人体反射幅值RSS能谱积分求和值做比较,若解调的能谱积分和小于预设的能谱积分和,则判定为动物相关信号并剔除相关数据。
进一步地,对微多普勒数据进行I-Q解调的过程如下:
对微多普勒数据进行ADC采样,采样后输出的第n个数据为f(n),并基于采样率f(s)的数字振荡算法NCO生成sin(ωan)和cos(ωan);
通过第一乘法器将数据f(n)和sin(ωan)相乘,相乘后采用低通滤波算法LPF进行滤波,滤波后采用数据抽取算法以整数倍提取数据,获得数据I(n);
通过第二乘法器将数据f(n)和cos(ωan)相乘,相乘后采用低通滤波算法LPF进行滤波,滤波后采用数据抽取算法以整数倍提取数据,获得数据Q(n)。
进一步地,所述基于分离后的微距离频谱数据和微角度频谱数据构建距离集合和角度集合,具体包括:
基于解调后的微距离频谱数据和微角度频谱数据进行傅里叶逆变换FFT,得到距离脉冲函数D和角度脉冲函数Φ;
对距离脉冲函数D和角度脉冲函数Φ中函数点的所有数据进行运动目标甄别滤波MTI;基于呼吸频率和心跳频率的差异,采用带通滤波器对呼吸信号和心跳信号进行分离;
针对距离脉冲函数D中的数据采用汉明函数Hamming加权做距离傅里叶逆变换FFT,并基于距离傅里叶逆变换FFT的数据构建距离集合;
针对角度脉冲函数Φ中的数据采用汉明函数Hamming加权做角度傅里叶逆变换FFT;并基于角度傅里叶逆变换FFT的数据构建角度集合。
进一步地,采用数字带通滤波器对呼吸信号和心跳信号进行分离,所述数字带通滤波器包括第一加法器和第二加法器,输入信号X(n)输入第一加法器输入端,第一加法器输出端输出滤波信号Y'(n),滤波信号Y'(n)输入第二加法器输入端,第二加法器输出端输出信号Y(n),数字带通滤波器的算法如下:
输入信号X(n)经Z变换Z-i为信号X(n-1),信号X(n-1)经Z变换Z-i为信号X(n-2);滤波信号Y'(n)经Z变换Z-i为信号Y'(n-1),信号Y'(n-1)经Z变换Z-i为信号Y'(n-2);输出信号Y(n)经Z变换Z-i为信号Y(n-1),信号Y(n-1)经Z变换Z-i为信号Y(n-2);
输入信号X(n)乘正系数b0后输入第一加法器输入端,信号X(n-1)乘正系数b1后输入第一加法器输入端,信号X(n-2)乘正系数b2后输入第一加法器输入端;信号Y'(n-1)乘负系数-a1后输入第一加法器输入端,信号Y'(n-2)乘负系数-a2后输入第一加法器输入端;
滤波信号Y'(n)乘正系数b0后输入第二加法器输入端,信号Y'(n-1)乘正系数b1后输入第二加法器输入端,信号Y'(n-2)乘正系数b2后输入第二加法器输入端;信号Y(n-1)乘负系数-a1后输入第二加法器输入端,信号Y(n-2)乘负系数-a2后输入第二加法器输入端。
进一步地,所述基于小波变换计算各个距离集合和角度集合内的多人体各自的呼吸频率,基于聚类密度算法计算各个距离集合和角度集合内的多人体各自的心跳频率,具体包括:
在时间窗口T内,基于小波变换算法WT,计算符合呼吸频谱内的周期性峰值,用于剔除非周期性干扰信号,得到相应距离集合和角度集合内的多人体各自的呼吸频率;
在时间窗口T内,基于聚类密度算法DBSCAN,以带通数字滤波后的傅里叶逆变换FFT的不同峰值数据集合分类,去掉最大峰值密度集合和最小峰值密度集合,以中间的峰值密度集合为基准,计算该集合内的峰值周期,得到各个距离集合和角度集合内的多人体各自的心跳频率。
进一步地,所述基于聚类密度算法计算各个距离集合和角度集合内的多人体各自的心跳频率,具体包括:
输入所有的距离集合D'和角度集合A,设定每一个集合的数值区间半径ε,设定密度阈值ρ,输入的所有数据均为未读数据;
任意选定一个数据k为已读数据,若已读数据k的指定半径区间ε内有符合密度阈值ρ的数据,则创建一个新集合C,并将数据k添加到新的集合C中;
设N为数据k的半径区间ε内的所有数据的集合,对于集合N中的每个数据k若是未读的数据则标记为已读,若数据k的数值区间半径ε内有符合密度阈值ρ的数据则将数据添加到集合N内;
标记数据集合C为噪声应舍弃,标记数据集合N为取用数据;将所有未读数据重复上述流程直至没有未读数据,得到的数据集合N则为多人体各自的心跳频率。
进一步地,所述空间环境静物模型的构建方法如下:
通过毫米波传感设备对静态的监测空间进行N次扫描;获取每次扫描所对应的距离、角度和幅值数据,幅值为距离和角度的二维相关函数;
比较k时刻的幅值数据与k+1时刻的幅值数据是否在容差δ的容限范围内;
若k+1时刻在相同距离和角度的比较数据小于容差δ,即为真实空间环境静物的反射点云;
对每一个真实反射点云重做N次数据比较,确定空间环境静物的所有真实反射点云集,并对所有环境静物点云集数据和坐标进行存储。
相比于现有技术,本发明具有以下优点:
本发明提供了一种基于毫米波的非接触式远场多人体呼吸心率监测方法,在保证检测准确度的前提下,可以在五米以上的远距离对人体呼吸和心率进行实时监测,并且可以同时对多个目标进行有效区分识别监测;还可以解决在实际监测场景中存在的诸多复杂信号的干扰。具有可远距离监测、可同时对多个目标人体监测、人体心率呼吸监测结果准确高和监测结果可参考意义大等优点。
附图说明
图1为本发明实施例中基于毫米波的非接触式远场多人体呼吸心率监测方法的控制流程图;
图2为本发明实施例中对毫米波传感信号进行预处理的流程图;
图3为本发明实施例中对预处理后的毫米波传感信号进行微多普勒运算的流程图;
图4为本发明实施例中对毫米波传感信号中的动物相关信号进行剔除的流程图;
图5为本发明实施例中对微多普勒数据进行I-Q解调的流程图;
图6为本发明实施例中距离集合和角度集合的构建流程图;
图7为本发明实施例中数字带通滤波器的算法流程图;
图8为本发明实施例中聚类密度算法的算法流程图;
图9为本发明实施例中空间环境静物模型的构建流程图;
图10为本发明实施例中MTI运动目标甄别数字滤波的流程图;
图11为本发明实施例中长短期记忆递归神经网络LSTM的学习流程图;
图12为本发明实施例中KNN分类器的识别流程图;
图13为本发明实施例中对时域数字信号进行信号数字滤波的流程图;
图14为本发明实施例中对时域数字信号进行空间多径干扰消除的流程图;
图15为本发明实施例中对时域数字信号进行空间噪声处理的控制流程图;
图16为本发明实施例中毫米波传感设备的控制框图;
图17为本发明实施例中基于毫米波的非接触式远场多人体呼吸心率监测方法的整体原理流程图。
具体实施方式
下面将结合附图对本发明技术方案的实施例进行详细的描述。以下实施例仅用于更加清楚地说明本发明的技术方案,因此只是作为示例,而不能以此来限制本发明的保护范围。
实施例:
参照图1~图17,一种基于毫米波的非接触式远场多人体呼吸心率监测方法,包括以下步骤:
通过至少一个毫米波传感设备向监测空间内发射线性调频连续毫米波,实时接收监测空间内反射的毫米波传感信号,并对接收的毫米波传感信号进行预处理。具体地,监测空间由用户自由选定,监测空间可以是智能家居的客厅和卧室等,方便对老年人健康进行监护,也可以对睡眠呼吸间歇患者的睡眠监护;监测空间可以是病房,方便对病人状态监护;监测空间可以是汽车内部空间,方便对驾驶员疲劳驾驶的预警;监测空间可以是广阔的灾害现场,方便对灾害发生后的生命体征追踪;监测空间可以是公共空间,方便对安防场景下匿***员的探测等。毫米波传感设备的布置数量可以根据监测空间的大小、是否有阻隔墙等来具体确定。毫米波作用在空间内物体或人体身上会形成反射点云,根据反射点云的毫米波信号可以对物体或人体进去有效识别区分,进而分析人体的呼吸心率和空间位置等。
对预处理后的毫米波传感信号进行微多普勒运算,将运算得到的微多普勒数据解调为微距离频谱数据和微角度频谱数据;并基于呼吸频率和心跳频率的差异,采用带通滤波器对这两种频谱数据进行分离。具体地,利用毫米波段(30GHz-300GHz)的高精度,高分辨率的特点,目标人体的径向运动对毫米波载波产生相位上的调制,从而使得毫米波的反射信号与接收信号之间产生频率差,即多普勒频率。当人体心跳引起的心脏跳动,人体呼吸引起的胸部起伏,会是目标人体的多普勒频率附件产生边带频率,即微多普勒频率。毫米波对人体的心率呼吸的捕捉即基于这一物理现象来实现。
基于分离后的微距离频谱数据和微角度频谱数据构建距离集合和角度集合,所述距离集合用于存储相应距离的多目标人体信号数据,所述角度集合用于存储相同距离相应角度的多目标人体信号数据。
通过神经网络模型分析确定各个目标人体的空间位置,并采用模式识别分类器对各个目标人体的信号数据进行分类识别;具体地,运用RNN/LSTM神经网络模型来确定各个人体在监测空间FOV内的位置,应用KNN模式识别分类器算法对信号数据进行分类识别。在静物消除后空间内,所有幅值(RSS)及对应的极坐标集合构成数组矩阵,运用递归神经网络(RNN)下的长短期记忆递归神经网络(LSTM)进行机器学习,获得一个或多个人体的空间位置。
基于小波变换计算各个距离集合和角度集合内的多目标人体各自的呼吸频率,基于聚类密度算法计算各个距离集合和角度集合内的多目标人体各自的心跳频率;将各个目标人体的呼吸频率、心跳频率和空间位置信息实时发送到监测服务器或用户端。
上述基于毫米波的非接触式远场多人体呼吸心率监测方法,根据微距离频谱数据和微角度频谱数据构建距离集合和角度集合,然后基于小波变换计算各个距离集合和角度集合内的多目标人体各自的呼吸频率,基于聚类密度算法计算各个距离集合和角度集合内的多目标人体各自的心跳频率;这样,在保证检测准确度的前提下,可以在五米以上的远距离对人体呼吸和心率进行实时监测。并且通过神经网络模型分析确定各个目标人体的空间位置,并采用模式识别分类器对各个目标人体的信号数据进行分类识别;这样就可以同时对多个目标进行有效区分识别监测。还通过预处理、屏蔽空间静物的传感信号以及无多普勒效应的传感信号、剔除毫米波传感信号中的动物相关信号、剔除所有由人体的肢体运动和行走造成的非周期性干扰信号,从而解决在实际监测场景中存在的诸多复杂信号的干扰。具有可远距离监测、可同时对多个目标人体监测、人体心率呼吸监测结果准确高和监测结果可参考意义大等优点。
上述基于毫米波的非接触式远场多人体呼吸心率监测方法,为了能对远场(五米以上)微弱信号进行有效检测,使用具有多组发射和多组接收的分时复用的MINO天线结构,以提高***拾取微弱信号能力和方位角分辨率。参照图16,所述毫米波传感设备包括微带阵列天线、微处理器、毫米波芯片、发射端多路射频开关、接收端多路射频开关和通讯模块,所述微带阵列天线包括至少一组发射阵列和至少一组接收阵列;所述发射端多路射频开关的输出端和各个发射阵列连接,输入端分别与微处理器和毫米波芯片连接;所述接收端多路射频开关的输入端和各个接收阵列连接,输出端和毫米波芯片连接;所述微处理器和毫米波芯片通信连接,所述微处理器通过通讯模块分别和监测服务器、用户端通信连接。
具体地,接收阵列的排布是以所使用的频率的半波长λ/2为微带间的相互距离,发射阵列的排布是以所使用频率的波长λ为微带间的相互距离。发射端多路射频开关受微处理器信号控制,以确定所控制的发射阵列;对发射阵列1到发射阵列4依次扫描,每一发射阵列与之对应的接收数据做为一组集合,每完成一次发射端扫描,获取4组数据集合。毫米波芯片内的射频放大器将特定频率的毫米波由发射阵列发射出去。接收阵列天线将接收的毫米波信号,由接收端多路射频开关传递给毫米波芯片内的低噪放大器接收。毫米波芯片将接收到的毫米波反射信号处理后,由微处理器接收,并进入下一步算法处理。
参照图2,所述对接收的毫米波传感信号进行预处理,具体包括:
对接收的毫米波传感信号x(t)进行自相关函数和互相关函数分析,筛选出真实的毫米波传感信号s(t),其中,x(t)=s(t)+n(t),n(t)表示噪音信号;
将真实的毫米波传感信号由模拟信号转换为数字信号,并进行逆傅里叶变换,将频域数字信号转为时域数字信号;
对时域数字信号进行数字滤波处理、空间噪声处理、空间多径干扰串扰消除。
具体地,运用毫米波传感器的连续调频信号FMCW,对反射点云信号数据的每一扫描的四个集合组内信号数据x(t)=s(t)+n(t)(s(t)是实际信号、n(t)是噪声)进行自相关函数和互相关函数分析,筛选出真实的毫米波传感信号s(t),将环境噪声干扰,多径干扰以及反射和接收间的射频串扰,通过数字滤波算法消除以提高信噪比SNR。对时域数字信号依次进行数字滤波处理、空间多径干扰串扰消除和对可能的环境噪声和谐波噪声进行二次消除。对监测空间的微弱多普勒效应检测,通过自相关和互相关分析人体微动算法,可以进一步提高监测空间中目标人***置的识别准确率和人体计数准确性。
这样,可以解决在实际监测场景中存在的诸多复杂信号的干扰,保证目标人体心率呼吸监测结果准确性和可参考性。
参照图3,对预处理后的毫米波传感信号进行微多普勒运算,将运算得到的微多普勒数据解调为微距离频谱数据和微角度频谱数据,具体包括:
所述毫米波传感信号包括初始毫米波传感信号和待识别毫米波传感信号,根据预处理后的初始毫米波传感信号构建空间环境静物模型;
对预处理后的待识别毫米波传感信号进行多普勒运算和微多普勒运算,基于空间环境静物模型屏蔽空间静物的传感信号以及无多普勒效应的传感信号,得到待识别毫米波传感信号的微多普勒数据;
对运算得到的微多普勒数据做I-Q解调,得到解析幅值RSS频谱和解析相位φ频谱;将解析幅值RSS频谱和解析相位φ频谱分别转换为微距离频谱数据和微角度频谱数据,确定多人体信号数据的极坐标。
具体地,对点云数据分析建模,得到环境静物(墙壁,天花板,家具,家用大型电器及电视电脑等)的环境模型,剔除探测空间(FOV)内的静物。由于测量对象为10Hz以内的超低频信号,导入低通滤波算法LPF,得到全部10Hz内的低频信号数据,对原始点云数据再做低通滤波LPF并解析I-Q解调,获得幅值RSS频谱和相位φ频谱。这里幅值是距离的函数,而相位是角度的函数。由幅值RSS频谱和相位φ频谱转换微距离频谱和角度频谱,以确定各人体信号数据的极坐标。
这样,剔除监测空间内的静物干扰,可以进一步解决在实际监测场景中存在的诸多复杂信号的干扰,保证目标人体心率呼吸监测结果准确性和可参考性。
参照图4,对毫米波传感信号中的动物相关信号进行剔除,具体包括:
针对解调数据的幅值RSS和角频率ω设定幅值RSS阀值和角频率ω阀值,保留幅值RSS阀值和角频率ω阀值内所有的周期性信号数据;
对解调后的各周期性信号数据做幅值RSS的能谱积分求和,并与预设的人体反射幅值RSS能谱积分求和值做比较,若解调的能谱积分和小于预设的能谱积分和,则判定为动物相关信号并剔除相关数据。
具体地,对每一扫描的各个集合组内信号数据做RSS幅值和角频率ω解析,设定RSS阈值和ω阈值,保留所有符合阈值内的周期性信号数据。对解析后的各周期信号数据做幅值RSS的能谱积分求和,与预设的成人的反射幅值RSS能谱积分求和值做比较,以剔除宠物等动物的数值干扰。
这样,剔除监测空间内的宠物等动物干扰,可以进一步解决在实际监测场景中存在的诸多复杂信号的干扰,保证目标人体心率呼吸监测结果准确性和可参考性。
参照图5,对微多普勒数据进行I-Q解调的过程如下:
对微多普勒数据进行ADC采样,采样后输出的第n个数据为f(n),并基于采样率f(s)的数字振荡算法NCO生成sin(ωan)和cos(ωan);
通过第一乘法器将数据f(n)和sin(ωan)相乘,相乘后采用低通滤波算法LPF进行滤波,滤波后采用数据抽取算法以整数倍提取数据,获得数据I(n);
通过第二乘法器将数据f(n)和cos(ωan)相乘,相乘后采用低通滤波算法LPF进行滤波,滤波后采用数据抽取算法以整数倍提取数据,获得数据Q(n)。
参照图6,所述基于分离后的微距离频谱数据和微角度频谱数据构建距离集合和角度集合,具体包括:
基于解调后的微距离频谱数据和微角度频谱数据进行傅里叶逆变换FFT,得到距离脉冲函数D和角度脉冲函数Φ;
对距离脉冲函数D和角度脉冲函数Φ中函数点的所有数据进行运动目标甄别滤波MTI;基于呼吸频率和心跳频率的差异,采用带通滤波器对呼吸信号和心跳信号进行分离;
针对距离脉冲函数D中的数据采用汉明函数Hamming加权做距离傅里叶逆变换FFT,并基于距离傅里叶逆变换FFT的数据构建距离集合;
针对角度脉冲函数Φ中的数据采用汉明函数Hamming加权做角度傅里叶逆变换FFT;并基于角度傅里叶逆变换FFT的数据构建角度集合。
具体地,对I-Q解调数据做汉明函数(Hamming)加权运算,以抑制副瓣数据影响,提高主瓣数据的信噪比。对解调数据做FFT逆变换,形成距离脉冲的函数D,角度脉冲的函数Φ。对函数点的所有数据做运动目标甄别(MTI)滤波。由于心率信号是叠加在呼吸信号上的,两者的频率不同。呼吸频率在0.1Hz–0.5Hz的范围,心跳的频率在0.8Hz–4Hz范围。运用数字带通滤波器(4th-order IIR cascadedbi-quad digital filter)将这两类信号分割开来。对距离函数和角度函数用汉明(Hamming)函数加权做距离FFT和角度FFT。构造出不同的距离集合和角度集合。每一集合内有不同的人体心率呼吸数据。不同距离的人体数据在不同的距离集合内;相同距离集合内的人体数据,将由不同角度集合来区分开。
这样,提高了解调数据的信噪比,可以进一步解决在实际监测场景中存在的诸多复杂信号的干扰,保证目标人体心率呼吸监测结果准确性和可参考性。
参照图7,采用数字带通滤波器对呼吸信号和心跳信号进行分离,所述数字带通滤波器包括第一加法器和第二加法器,输入信号X(n)输入第一加法器输入端,第一加法器输出端输出滤波信号Y'(n),滤波信号Y'(n)输入第二加法器输入端,第二加法器输出端输出信号Y(n),数字带通滤波器的算法如下:
输入信号X(n)经Z变换Z-i为信号X(n-1),信号X(n-1)经Z变换Z-i为信号X(n-2);滤波信号Y'(n)经Z变换Z-i为信号Y'(n-1),信号Y'(n-1)经Z变换Z-i为信号Y'(n-2);输出信号Y(n)经Z变换Z-i为信号Y(n-1),信号Y(n-1)经Z变换Z-i为信号Y(n-2);
输入信号X(n)乘正系数b0后输入第一加法器输入端,信号X(n-1)乘正系数b1后输入第一加法器输入端,信号X(n-2)乘正系数b2后输入第一加法器输入端;信号Y'(n-1)乘负系数-a1后输入第一加法器输入端,信号Y'(n-2)乘负系数-a2后输入第一加法器输入端;
滤波信号Y'(n)乘正系数b0后输入第二加法器输入端,信号Y'(n-1)乘正系数b1后输入第二加法器输入端,信号Y'(n-2)乘正系数b2后输入第二加法器输入端;信号Y(n-1)乘负系数-a1后输入第二加法器输入端,信号Y(n-2)乘负系数-a2后输入第二加法器输入端。
上述基于毫米波的非接触式远场多人体呼吸心率监测方法,所述基于小波变换计算各个距离集合和角度集合内的多人体各自的呼吸频率,基于聚类密度算法计算各个距离集合和角度集合内的多人体各自的心跳频率,具体包括:
在时间窗口T内,基于小波变换算法WT,计算符合呼吸频谱内的周期性峰值,用于剔除非周期性干扰信号,得到相应距离集合和角度集合内的多人体各自的呼吸频率;
在时间窗口T内,基于聚类密度算法DBSCAN,以带通数字滤波后的傅里叶逆变换FFT的不同峰值数据集合分类,去掉最大峰值密度集合和最小峰值密度集合,以中间的峰值密度集合为基准,计算该集合内的峰值周期,得到各个距离集合和角度集合内的多人体各自的心跳频率。
其中,参照图8,所述基于聚类密度算法计算各个距离集合和角度集合内的多人体各自的心跳频率,具体包括:
输入所有的距离集合D'和角度集合A,设定每一个集合的数值区间半径ε,设定密度阈值ρ,输入的所有数据均为未读数据;
任意选定一个数据k为已读数据,若已读数据k的指定半径区间ε内有符合密度阈值ρ的数据,则创建一个新集合C,并将数据k添加到新的集合C中;
设N为数据k的半径区间ε内的所有数据的集合,对于集合N中的每个数据k若是未读的数据则标记为已读,若数据k的数值区间半径ε内有符合密度阈值ρ的数据则将数据添加到集合N内;
标记数据集合C为噪声应舍弃,标记数据集合N为取用数据;将所有未读数据重复上述流程直至没有未读数据,得到的数据集合N则为多人体各自的心跳频率。
具体地,运用RNN/LSTM神经网络模型来确定各个人体在探测空间FOV内的位置。记录距离集合内各数据峰值,在特定的时间窗口T内,根据峰值的周期性,剔除所有由人体的肢体运动和行走造成的非周期性干扰信号。应用KNN模式识别分类器算法对信号数据进行分类识别。在时间窗口T内,应用小波变换WT算法,计算符合呼吸频谱内的周期性峰值,得出相应距离集合和角度集合内的人体呼吸频率。由于心跳信号远弱于呼吸信号,易于受各类因素的干扰,因而对于特定时间T内的峰值计算,不采用简单的计算周期性峰值的方法,而是采用聚类密度算法(DBSCAN),以心率带通数字滤波后FFT的不同峰值数据集合分类,去掉最大和最小峰值密度集合,以中间的峰值密度集合为基准,计算此集合内的峰值周期,得出不同距离集合内和角度集合内的人体心跳频率。
这样,剔除所有由人体的肢体运动和行走造成的非周期性干扰信号,可以解决在实际监测场景中存在的诸多复杂信号的干扰,进一步提高目标人体心率呼吸监测结果准确性和可参考性。
具体实施时,一个或多个毫米波传感器通过局域网,无线局域网或运营商网络接入本地服务器或云端服务器。所得人体的各类信息通过信号通讯,连接入服务器,并由服务器连接用户运维平台及用户移动设备。
参照图9,所述空间环境静物模型的构建方法如下:
通过毫米波传感设备对静态的监测空间进行N次扫描;获取每次扫描所对应的距离、角度和幅值数据,幅值为距离和角度的二维相关函数;
比较k时刻的幅值数据与k+1时刻的幅值数据是否在容差δ的容限范围内;
若k+1时刻在相同距离和角度的比较数据小于容差δ,即为真实空间环境静物的反射点云;
对每一个真实反射点云重做N次数据比较,确定空间环境静物的所有真实反射点云集,并对所有环境静物点云集数据和坐标进行存储。
具体地,根据预处理后的初始毫米波传感信号分析计算空间静物的初始物理值,并基于初始物理值构建空间环境静物模型。具体地,所述初始物理值包括监测空间中环境静物的距离、角度以及初始毫米波传感信号的信号强度幅值RSS。环境静物包括沙发、电器、墙壁、天花板、家具、电脑电视等。这样,可以将监测空间中的静物目标数据预先存储,通过屏蔽监测空间中的环境静物,从而有助于提高目标人***置的识别准确率和多个人体计数准确性。
参照图10,采用MTI运动目标甄别数字滤波,具体甄别过程包括:
获取t时刻的时域数字信号x(t),滤波输出y(t)=x(t)-(1-K)w(t),其中,延时T加权函数w(t)是混频函数v(t)的延时w(t)=v(t-T),混频函数v(t)=y(t)+w(t)。
这样,可以对多个人体目标的进行甄别,从而有助于提高各个人***置的识别准确率和多个人体计数的准确性。
参照图11,所述神经网络采用长短期记忆递归神经网络LSTM,LSTM神经网络的学习过程如下:
S101:获取k时刻学习型数据向量Xk,并作为输入层,由权重值W确定输入权重向量U;
S102:确定k时刻隐含层的向量函数Sk=f(Uk·Xk+W·Sk-1);其中,Uk表示k时刻的输入权重向量,Sk-1表示k-1时刻隐含层的向量函数;
S103:设定输出权重向量V,确定k时刻输出层的向量函数Ok=g(V·Sk);
S104:完成k时刻数据学习,循环执行步骤S101~S103。
这样,通过长短期记忆递归神经网络LSTM可以有效分析待识别的各个目标人体在监测空间中的位置,空间位置识别准确率高,识别结果稳定。
参照图12,所述模式识别分类学习器采用KNN分类器,所述KNN分类器的识别过程如下:
获取子集空间内的数据集合,基于欧式距离函数计算数据样本;
获取数据样本中最靠近的k个训练样本,将k个样本基于距离做加权平均;
选择k个样本中出现最多的类别,以得到的加权平均值作为相应类别,这个识别的类别即为对应的姿态输出。
这样,通过KNN分类器对多个目标人体、微动人体、空间静物和环境干扰物进行分类聚合,从而确定多个目标人体和微动人体的数量,有助于提高目标人体计数准确性。
参照图13,对时域数字信号进行信号数字滤波,具体包括:
S201:设定数字滤波参数,对毫米波传感信号的时域数字信号进行抗扰均值数字滤波;
S202:由第K时刻的数据预测第K+1时刻的数据,由第K时刻的预测误差估计第K+1时刻的预测误差;
S203:根据第K时刻的数据和第K+1时刻的预测数据计算卡尔曼增益,计算数据最优估算值,计算当前时刻K的预测误差;
S204:循环步骤S202和步骤S203。
这样,可以将毫米波监测信号中的干扰信号初步过滤。
参照图14,对时域数字信号进行空间多径干扰串扰消除,具体包括:
S301:获取当前时刻K发射后接收的毫米波的时域数字信号SK,计算当前时刻K的权重QK;
S302:获取时刻K+1接收在K时刻发射的毫米波的时域数字信号SK+1,计算时刻K+1的权重QK+1;:
S303:生成多径干扰抵消量:ΔS=SK·QK-SK+1·QK+1,计算抵消干扰后的有效数据:S=SK-ΔS;
S304:循环步骤S301~步骤S303,直至所有数据收敛。
这样,可以将毫米波监测信号中的干扰信号和串扰信号有效消除。
参照图15,对毫米波监测信号的时域数字信号进行空间噪声处理,具体方法如下:
对毫米波监测信号的时域数字信号进行自相关数字噪声信号监测和互相关数字噪声信号监测,并筛选出数字噪声信号;
对数字噪声信号的相位差时域进行运算,将数字噪声信号导入延时器,延时器输出信号与前项噪声信号导入乘法器,乘法器输出信号导入积分器,积分器输出信号导入数字FIR滤波器,输出数字噪声函数。
这样,可以将毫米波监测信号中的噪声信号有效消除。针对在监测空间采集的毫米波信号,毫米波信号的预处理依次经过上述数字滤波、空间多径干扰消除、空间噪声处理等,可以将毫米波监测信号中的干扰信号、噪声信号、障碍物信号等有效消除。进而为后续的目标识别、目标状态分析提供有力的数据支持,保证目标识别的灵敏度、敏捷性,提高目标监测结果的准确性和可靠性,抗干扰能力强。
参照图17,上述基于毫米波的非接触式远场多人体呼吸心率监测方法,具体的原理流程如下:
首先,操作者通过监测服务器或用户端控制微带天线发射组的扫描,混频后的中频接收信号IF,ADC采样,对信号进行初级信号滤波,对每组扫描的数据做自相关函数和互相关函数分析,噪声模型建模,去噪消除和多径干扰串扰消除滤波。这样,毫米波传感设备使用具有多组发射和多组接收的分时复用的MINO天线结构,可以提高***拾取微弱信号能力和方位角分辨率,从而实现能够对远场(五米以上)微弱信号进行有效检测。而且通过数字滤波处理、空间多径干扰串扰消除和对可能的环境噪声和谐波噪声进行二次消除,可以解决在实际监测场景中存在的诸多复杂信号的干扰,保证目标人体心率呼吸监测结果准确性和可参考性。
然后,对数据进行多普勒及微多普勒运算,建立环境静物模型,屏蔽静物及无多普勒效应数据,对微多普勒数据做I-Q解调,获得解析幅值和解析相位,转换幅值相位为距离和角度,确定人体信号数据的极坐标,对解析数据的幅值和角频率设定阈值,保留阈值内的所有周期数据,对解析幅值能谱做积分求和,剔除宠物干扰数据。这样,剔除了监测空间内的静物干扰、宠物等动物干扰,提高了解调数据的信噪比,可以进一步解决在实际监测场景中存在的诸多复杂信号的干扰,保证目标人体心率呼吸监测结果准确性和可参考性。
再然后,对解调数据做汉明函数加权,对解调的相位数据FFT逆变换,距离脉冲域函数和角度脉冲域函数,对每个数据做运动目标甄别滤波MTI,对每个数据进行汉明函数加权处理,对每个数据进行距离FFT和角度FFT,从而得到距离数据集合1~n,以及角度数据集合1~n,得到人体1的峰值数据、人体n的峰值数据;通过RNN/LSTM机器学习模型确定人***置,保留周期性峰值数据,剔除由肢体突然运动及突然走动的非周期性峰值数据,KNN分类器对信号数据分类;再基于呼吸带通数字滤波0.1Hz-0.5Hz,心跳带通数字滤波0.8Hz-4Hz,经过小波变换算法WT,计算T时间窗口内的有效周期性峰值估算出该人体的呼吸频率,应用聚类密度算法DBSCAN计算该人体心跳通道的峰值密度。采取中位密度值,估算此密度集合T时间窗口内的周期性峰值数得心跳频率。这样,剔除所有由人体的肢体运动和行走造成的非周期性干扰信号,可以解决在实际监测场景中存在的诸多复杂信号的干扰,进一步提高目标人体心率呼吸监测结果准确性和可参考性。
最后,将各个目标人体的呼吸频率、心跳频率和空间位置信息实时发送到监测服务器或用户端。
上述基于毫米波的非接触式远场多人体呼吸心率监测方法,通过构建距离集合和角度集合,然后基于小波变换计算各个距离集合和角度集合内的多目标人体各自的呼吸频率,基于聚类密度算法计算各个距离集合和角度集合内的多目标人体各自的心跳频率;从而实现了在保证检测准确度的前提下,可以在五米以上的远距离对人体呼吸和心率进行实时监测。并且通过神经网络模型分析确定各个目标人体的空间位置,并采用模式识别分类器对各个目标人体的信号数据进行分类识别,还采用MTI运动目标甄别数字滤波甄别目标人体,从而实现了同时对多个目标进行有效区分识别监测。并且通过预处理、屏蔽空间静物的传感信号以及无多普勒效应的传感信号、剔除毫米波传感信号中的动物相关信号、剔除所有由人体的肢体运动和行走造成的非周期性干扰信号,从而解决在实际监测场景中存在的诸多复杂信号的干扰。具有可远距离监测、可同时对多个目标人体监测、人体心率呼吸监测结果准确高和监测结果可参考意义大等优点。
最后说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本发明技术方案的宗旨和范围,其均应涵盖在本发明的保护范围当中。
Claims (7)
1.一种基于毫米波的非接触式远场多人体呼吸心率监测方法,其特征在于,包括以下步骤:
通过至少一个毫米波传感设备向监测空间内发射线性调频连续毫米波,实时接收监测空间内反射的毫米波传感信号,并对接收的毫米波传感信号进行预处理;
对预处理后的毫米波传感信号进行微多普勒运算,将运算得到的微多普勒数据解调为微距离频谱数据和微角度频谱数据;并基于呼吸频率和心跳频率的差异,采用带通滤波器对这两种频谱数据进行分离,所述毫米波传感信号包括初始毫米波传感信号和待识别毫米波传感信号,根据预处理后的初始毫米波传感信号构建空间环境静物模型;
对预处理后的待识别毫米波传感信号进行多普勒运算和微多普勒运算,基于空间环境静物模型屏蔽空间静物的传感信号以及无多普勒效应的传感信号,得到待识别毫米波传感信号的微多普勒数据;
对运算得到的微多普勒数据做I-Q解调,得到解析幅值RSS频谱和解析相位φ频谱;将解析幅值RSS频谱和解析相位φ频谱分别转换为微距离频谱数据和微角度频谱数据,确定多人体信号数据的极坐标;
基于分离后的微距离频谱数据和微角度频谱数据构建距离集合和角度集合,所述距离集合用于存储相应距离的多目标人体信号数据,所述角度集合用于存储相同距离相应角度的多目标人体信号数据,基于解调后的微距离频谱数据和微角度频谱数据进行傅里叶逆变换FFT,得到距离脉冲函数D和角度脉冲函数Φ;
对距离脉冲函数D和角度脉冲函数Φ中函数点的所有数据进行运动目标甄别滤波MTI;基于呼吸频率和心跳频率的差异,采用带通滤波器对呼吸信号和心跳信号进行分离;
针对距离脉冲函数D中的数据采用汉明函数Hamming加权做距离傅里叶逆变换FFT,并基于距离傅里叶逆变换FFT的数据构建距离集合;
针对角度脉冲函数Φ中的数据采用汉明函数Hamming加权做角度傅里叶逆变换FFT;并基于角度傅里叶逆变换FFT的数据构建角度集合;
通过神经网络模型分析确定各个目标人体的空间位置,并采用模式识别分类器对各个目标人体的信号数据进行分类识别;
基于小波变换计算各个距离集合和角度集合内的多目标人体各自的呼吸频率,基于聚类密度算法计算各个距离集合和角度集合内的多目标人体各自的心跳频率,在时间窗口T内,基于小波变换算法WT,计算符合呼吸频谱内的周期性峰值,用于剔除非周期性干扰信号,得到相应距离集合和角度集合内的多人体各自的呼吸频率;
在时间窗口T内,基于聚类密度算法DBSCAN,以带通数字滤波后的傅里叶逆变换FFT的不同峰值数据集合分类,去掉最大峰值密度集合和最小峰值密度集合,以中间的峰值密度集合为基准,计算该集合内的峰值周期,得到各个距离集合和角度集合内的多人体各自的心跳频率;
将各个目标人体的呼吸频率、心跳频率和空间位置信息实时发送到监测服务器或用户端。
2.根据权利要求1所述的基于毫米波的非接触式远场多人体呼吸心率监测方法,其特征在于,所述对接收的毫米波传感信号进行预处理,具体包括:
对接收的毫米波传感信号x(t)进行自相关函数和互相关函数分析,筛选出真实的毫米波传感信号s(t),其中,x(t)=s(t)+n(t),n(t)表示噪音信号;
将真实的毫米波传感信号由模拟信号转换为数字信号,并进行逆傅里叶变换,将频域数字信号转为时域数字信号;
对时域数字信号进行数字滤波处理、空间噪声处理、空间多径干扰串扰消除。
3.根据权利要求1所述的基于毫米波的非接触式远场多人体呼吸心率监测方法,其特征在于,对毫米波传感信号中的动物相关信号进行剔除,具体包括:
针对解调数据的幅值RSS和角频率ω设定幅值RSS阀值和角频率ω阀值,保留幅值RSS阀值和角频率ω阀值内所有的周期性信号数据;
对解调后的各周期性信号数据做幅值RSS的能谱积分求和,并与预设的人体反射幅值RSS能谱积分求和值做比较,若解调的能谱积分和小于预设的能谱积分和,则判定为动物相关信号并剔除相关数据。
4.根据权利要求2所述的基于毫米波的非接触式远场多人体呼吸心率监测方法,其特征在于,对微多普勒数据进行I-Q解调的过程如下:
对微多普勒数据进行ADC采样,采样后输出的第n个数据为f(n),并基于采样率f(s)的数字振荡算法NCO生成sin(ωn)和cos(ωn);
通过第一乘法器将数据f(n)和sin(ωn)相乘,相乘后采用低通滤波算法LPF进行滤波,滤波后采用数据抽取算法以整数倍提取数据,获得数据I(n);
通过第二乘法器将数据f(n)和cos(ωn)相乘,相乘后采用低通滤波算法LPF进行滤波,滤波后采用数据抽取算法以整数倍提取数据,获得数据Q(n)。
5.根据权利要求1所述的基于毫米波的非接触式远场多人体呼吸心率监测方法,其特征在于,采用数字带通滤波器对呼吸信号和心跳信号进行分离,所述数字带通滤波器包括第一加法器和第二加法器,输入信号X(n)输入第一加法器输入端,第一加法器输出端输出滤波信号Y'(n),滤波信号Y'(n)输入第二加法器输入端,第二加法器输出端输出信号Y(n),数字带通滤波器的算法如下:
输入信号X(n)经Z变换Z-□为信号X(n-1),信号X(n-1)经Z变换Z-□为信号X(n-2);滤波信号Y'(n)经Z变换Z-□为信号Y'(n-1),信号Y'(n-1)经Z变换Z-□为信号Y'(n-2);输出信号Y(n)经Z变换Z-□为信号Y(n-1),信号Y(n-1)经Z变换Z-□为信号Y(n-2);
输入信号X(n)乘正系数b0后输入第一加法器输入端,信号X(n-1)乘正系数b1后输入第一加法器输入端,信号X(n-2)乘正系数b2后输入第一加法器输入端;信号Y'(n-1)乘负系数-a1后输入第一加法器输入端,信号Y'(n-2)乘负系数-a2后输入第一加法器输入端;
滤波信号Y'(n)乘正系数b0后输入第二加法器输入端,信号Y'(n-1)乘正系数b1后输入第二加法器输入端,信号Y'(n-2)乘正系数b2后输入第二加法器输入端;信号Y(n-1)乘负系数-a1后输入第二加法器输入端,信号Y(n-2)乘负系数-a2后输入第二加法器输入端。
6.根据权利要求1所述的基于毫米波的非接触式远场多人体呼吸心率监测方法,其特征在于,所述基于聚类密度算法计算各个距离集合和角度集合内的多人体各自的心跳频率,具体包括:
输入所有的距离集合D'和角度集合A,设定每一个集合的数值区间半径ε,设定密度阈值ρ,输入的所有数据均为未读数据;
任意选定一个数据k为已读数据,若已读数据k的指定半径区间ε内有符合密度阈值ρ的数据,则创建一个新集合C,并将数据k添加到新的集合C中;
设N为数据k的半径区间ε内的所有数据的集合,对于集合N中的每个数据k若是未读的数据则标记为已读,若数据k的数值区间半径ε内有符合密度阈值ρ的数据则将数据添加到集合N内;
标记数据集合C为噪声应舍弃,标记数据集合N为取用数据;将所有未读数据重复上述流程直至没有未读数据,得到的数据集合N则为多人体各自的心跳频率。
7.根据权利要求1所述的基于毫米波的非接触式远场多人体呼吸心率监测方法,其特征在于,所述空间环境静物模型的构建方法如下:
通过毫米波传感设备对静态的监测空间进行N次扫描;获取每次扫描所对应的距离、角度和幅值数据,幅值为距离和角度的二维相关函数;
比较k时刻的幅值数据与k+1时刻的幅值数据是否在容差δ的容限范围内;
若k+1时刻在相同距离和角度的比较数据小于容差δ,即为真实空间环境静物的反射点云;
对每一个真实反射点云重做N次数据比较,确定空间环境静物的所有真实反射点云集,并对所有环境静物点云集数据和坐标进行存储。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110173869.6A CN112998668B (zh) | 2021-02-06 | 2021-02-06 | 基于毫米波的非接触式远场多人体呼吸心率监测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110173869.6A CN112998668B (zh) | 2021-02-06 | 2021-02-06 | 基于毫米波的非接触式远场多人体呼吸心率监测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112998668A CN112998668A (zh) | 2021-06-22 |
CN112998668B true CN112998668B (zh) | 2022-08-23 |
Family
ID=76385168
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110173869.6A Active CN112998668B (zh) | 2021-02-06 | 2021-02-06 | 基于毫米波的非接触式远场多人体呼吸心率监测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112998668B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114246563B (zh) * | 2021-12-17 | 2023-11-17 | 重庆大学 | 基于毫米波雷达的心肺功能智能监测设备 |
CN114403848A (zh) * | 2022-01-05 | 2022-04-29 | 河南牧原智能科技有限公司 | 一种动物群体呼吸频率检测的方法、***及存储介质 |
CN114742117B (zh) * | 2022-06-13 | 2022-09-09 | 长沙莫之比智能科技有限公司 | 复杂室内场景下毫米波雷达的人体生命体征检测方法 |
CN115105035B (zh) * | 2022-06-16 | 2023-06-16 | 深圳市华屹医疗科技有限公司 | 生理特征检测方法、装置、计算机设备和存储介质 |
CN115721294B (zh) * | 2022-11-24 | 2023-09-12 | 北京金茂绿建科技有限公司 | 基于毫米波感知的呼吸监测方法、装置、电子设备和介质 |
CN116148850B (zh) * | 2023-04-23 | 2023-07-14 | 中南大学 | 一种远距离人体呼吸信号检测的方法、***及存储介质 |
CN116982957B (zh) * | 2023-09-12 | 2024-06-07 | 清澜技术(深圳)有限公司 | 基于毫米波雷达的非接触式生命体征数据监测方法 |
CN117724094B (zh) * | 2024-02-07 | 2024-05-07 | 浙江大华技术股份有限公司 | 生命体征检测方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109199398A (zh) * | 2018-10-09 | 2019-01-15 | 芜湖博高光电科技股份有限公司 | 一种人脸识别探测健康诊断装置 |
CN111568399A (zh) * | 2020-05-15 | 2020-08-25 | 中国人民解放军陆军军医大学 | 一种基于雷达的呼吸和心跳信号检测方法及*** |
CN111938623A (zh) * | 2020-08-25 | 2020-11-17 | 成都宋元科技有限公司 | 一种基于uwb定位引导的呼吸心率动态测量方法及装置 |
Family Cites Families (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106264509A (zh) * | 2016-08-16 | 2017-01-04 | 深圳欧德蒙科技有限公司 | 一种心率测量装置和方法 |
US11412937B2 (en) * | 2017-03-29 | 2022-08-16 | Texas Instruments Incorporated | Multi-person vital signs monitoring using millimeter wave (mm-wave) signals |
US10169874B2 (en) * | 2017-05-30 | 2019-01-01 | International Business Machines Corporation | Surface-based object identification |
US10677905B2 (en) * | 2017-09-26 | 2020-06-09 | Infineon Technologies Ag | System and method for occupancy detection using a millimeter-wave radar sensor |
TWI712392B (zh) * | 2019-02-27 | 2020-12-11 | 和碩聯合科技股份有限公司 | 多目標生命徵象偵測系統及方法 |
US20210030276A1 (en) * | 2019-07-29 | 2021-02-04 | DawnLight Technologies Inc. | Remote Health Monitoring Systems and Method |
CN111481184B (zh) * | 2020-04-24 | 2022-07-01 | 华侨大学 | 基于毫米波雷达技术的多目标呼吸心率监测方法与*** |
CN111856452B (zh) * | 2020-05-21 | 2022-09-20 | 重庆邮电大学 | 基于omp的静态人体心跳和呼吸信号分离重构方法 |
CN112014837B (zh) * | 2020-08-03 | 2023-06-20 | 杭州电子科技大学 | 一种基于毫米波雷达的体征无接触式智能监测*** |
CN111856455A (zh) * | 2020-09-04 | 2020-10-30 | 四川长虹电器股份有限公司 | 匹配不同雷达带宽的多目标心率呼吸测量方法及*** |
-
2021
- 2021-02-06 CN CN202110173869.6A patent/CN112998668B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109199398A (zh) * | 2018-10-09 | 2019-01-15 | 芜湖博高光电科技股份有限公司 | 一种人脸识别探测健康诊断装置 |
CN111568399A (zh) * | 2020-05-15 | 2020-08-25 | 中国人民解放军陆军军医大学 | 一种基于雷达的呼吸和心跳信号检测方法及*** |
CN111938623A (zh) * | 2020-08-25 | 2020-11-17 | 成都宋元科技有限公司 | 一种基于uwb定位引导的呼吸心率动态测量方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN112998668A (zh) | 2021-06-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112998668B (zh) | 基于毫米波的非接触式远场多人体呼吸心率监测方法 | |
Yang et al. | Dense people counting using IR-UWB radar with a hybrid feature extraction method | |
CN109507653A (zh) | 一种基于uwb的多信息感知生物雷达***及其获取目标信息的方法 | |
CN112998701A (zh) | 基于毫米波雷达的生命体征检测与身份识别***和方法 | |
US8358234B2 (en) | Determination of hostile individuals armed with weapon, using respiration and heartbeat as well as spectral analysis at 60 GHz | |
CN113534141A (zh) | 基于相控阵雷达技术的远距生命体征探测方法及装置 | |
US20230341518A1 (en) | Millimeterwave radar system for determining an activity record | |
CN112634566B (zh) | 基于毫米波的智能电子围栏构建方法及*** | |
CN112731380B (zh) | 一种基于毫米波的人体智能监测方法及监测设备 | |
Eryildirim et al. | A Bernoulli filter for extended target tracking using random matrices in a UWB sensor network | |
CN112686094A (zh) | 一种基于毫米波雷达的非接触式身份识别方法及*** | |
CN112859063A (zh) | 基于毫米波的多人体目标识别及计数方法 | |
Blumrosen et al. | Noncontact wideband sonar for human activity detection and classification | |
CN113591760B (zh) | 基于毫米波的远场多人体的步态监测方法 | |
Qiao et al. | Learning-refined integral null space pursuit algorithm for noncontact multisubjects vital signs measurements using SFCW-UWB and IR-UWB radar | |
US20200341115A1 (en) | Subject identification in behavioral sensing systems | |
Schroth et al. | Emergency response person localization and vital sign estimation using a semi-autonomous robot mounted SFCW radar | |
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 | |
Rui et al. | Estimation of human walking speed by Doppler radar for elderly care | |
Khawaja et al. | UWB radar based beyond wall sensing and tracking for ambient assisted living | |
Li et al. | Gait Recognition Using Spatio‐Temporal Information of 3D Point Cloud via Millimeter Wave Radar | |
CN114509749A (zh) | 一种室内定位检测***及方法 | |
WO2022101390A2 (en) | Optimization of dataset | |
Liang et al. | SFA-based ELM for remote detection of stationary objects | |
CN112731332A (zh) | 基于毫米波的静态目标存在识别方法及*** |
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 |