CN116338682A - 一种基于se和ssd的超宽带雷达生命探测算法 - Google Patents
一种基于se和ssd的超宽带雷达生命探测算法 Download PDFInfo
- Publication number
- CN116338682A CN116338682A CN202310325336.4A CN202310325336A CN116338682A CN 116338682 A CN116338682 A CN 116338682A CN 202310325336 A CN202310325336 A CN 202310325336A CN 116338682 A CN116338682 A CN 116338682A
- Authority
- CN
- China
- Prior art keywords
- signal
- radar
- signals
- heartbeat
- 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 41
- 238000000034 method Methods 0.000 claims abstract description 37
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 20
- 230000001121 heart beat frequency Effects 0.000 claims abstract description 16
- 230000001629 suppression Effects 0.000 claims abstract description 10
- 230000035565 breathing frequency Effects 0.000 claims abstract description 7
- 238000001914 filtration Methods 0.000 claims abstract description 6
- 238000007781 pre-processing Methods 0.000 claims abstract description 5
- 239000011159 matrix material Substances 0.000 claims description 38
- 230000000241 respiratory effect Effects 0.000 claims description 29
- 210000000038 chest Anatomy 0.000 claims description 26
- 238000005070 sampling Methods 0.000 claims description 17
- 230000029058 respiratory gaseous exchange Effects 0.000 claims description 15
- 239000013598 vector Substances 0.000 claims description 15
- 230000007613 environmental effect Effects 0.000 claims description 10
- 238000001228 spectrum Methods 0.000 claims description 10
- 230000004044 response Effects 0.000 claims description 9
- 230000003595 spectral effect Effects 0.000 claims description 9
- 230000008859 change Effects 0.000 claims description 8
- 230000000694 effects Effects 0.000 claims description 7
- 230000003068 static effect Effects 0.000 claims description 7
- 238000012935 Averaging Methods 0.000 claims description 5
- 230000001934 delay Effects 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 5
- 230000009286 beneficial effect Effects 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 4
- 230000036387 respiratory rate Effects 0.000 claims description 4
- 238000012360 testing method Methods 0.000 claims description 3
- 210000000115 thoracic cavity Anatomy 0.000 claims description 3
- 230000003044 adaptive effect Effects 0.000 claims description 2
- 238000013178 mathematical model Methods 0.000 claims description 2
- 238000010183 spectrum analysis Methods 0.000 claims description 2
- 238000004364 calculation method Methods 0.000 claims 1
- 238000002592 echocardiography Methods 0.000 claims 1
- 238000005516 engineering process Methods 0.000 description 6
- 230000000149 penetrating effect Effects 0.000 description 3
- 230000036391 respiratory frequency Effects 0.000 description 3
- 230000004888 barrier function Effects 0.000 description 1
- 230000000747 cardiac effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/88—Radar or analogous systems specially adapted for specific applications
-
- 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
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/88—Radar or analogous systems specially adapted for specific applications
- G01S13/887—Radar or analogous systems specially adapted for specific applications for detection of concealed objects, e.g. contraband or weapons
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
- G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
- G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
- G01S7/414—Discriminating targets with respect to background clutter
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/14—Fourier, Walsh or analogous domain transformations, e.g. Laplace, Hilbert, Karhunen-Loeve, transforms
- G06F17/141—Discrete Fourier transforms
- G06F17/142—Fast Fourier transforms, e.g. using a Cooley-Tukey type algorithm
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Networks & Wireless Communication (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Algebra (AREA)
- Electromagnetism (AREA)
- Physiology (AREA)
- Cardiology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Pathology (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computing Systems (AREA)
- Discrete Mathematics (AREA)
- Pulmonology (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
Abstract
本发明公开了一种基于SE和SSD的超宽带雷达生命探测算法,属于雷达生命探测技术领域。该方法首先采用道信号相减法、直接减平均法、线性趋势抑制、自动控制增益、慢时间滤波等方法对原始雷达回波信号中的杂波与噪声信号进行预处理;然后通过计算沿慢时间方向的雷达接受脉冲的SE值峰值对应的时延进行回波选择从而定位目标。基于SE值选择和再组合这些相邻距离门上的信号,可以获得比单帧信号获得更多的生命体征信息,并且可以减少观察时间。采用SSD对雷达回波信号进行分解与重构,根据分解得到SSCs在呼吸和心跳频带内的能量百分比进行信号重构,并采用FFT计算呼吸和心跳的频率。利用本发明所提出的雷达生命探测方法,能准确定位目标并提取生命信息,有效的提高了信噪比,具有广阔的研究价值和应用前景。
Description
技术领域
本发明涉及超宽带雷达生命探测技术领域,特别涉及一种基于SE和SSD的超宽带雷达生命探测算法。
背景技术
超宽带雷达探测技术主要是针对生命救援提出来的,因此对其精准度、稳定性以及抗干扰能力均有着非常高的要求;现阶段世界各国采用的生命探测技术主要有:光波探测、红外线探测和声波探测等,这些技术虽然能探测到生命信号,但穿透能力差、精度低、抗干扰性差,难以在复杂、恶劣、多变的救援环境中获得有效的运用,对加快生命救援工作的进展影响不大;超宽带雷达探测技术作为一种新兴的生命体征探测手段,本质上是发射电磁波,因而具备极强的穿透能力,可以穿透非金属障碍物,并在人体表面发生反射,同时还具有距离分辨率高、穿透能力强、抗干扰能力强等优势,且不容易受到天气、温度、光照等外部环境因素的影响,是一种非常理想的生命体征探测方法,具备较好的应用前景。
发明内容
针对现有技术的不足,本发明提出一种基于SE和SSD的超宽带雷达生命探测算法。
本发明所采取的技术方案是一种基于SE和SSD的超宽带雷达生命探测算法,总体流程如图1所示,包括以下9个步骤。
步骤1:建立生命体征信号数学模型,具体步骤如下。
步骤1.1:假设在检测场景中,当雷达***与人体基准距离d0一定时,可认为二者之间的距离d(t)随着胸腔的运动而变化,而对于周围的静止环境而言,不同时间发射的脉冲具备相同的反射折射规律,因此脉冲响应为人体目标响应以及周围环境的响应之和,可表示为。
其中,δ(τ)为冲激函数;av为人体对雷达波的反射系数,ai为第i个静止环境因素对雷达波的反射系数;τv和τi分别为人体和第i个环境因素的对应时延。
步骤1.2:在忽略噪声除了人体微动(即呼吸和心跳运动)之外,测得的d(t)应为定值,根据脉冲型超宽带雷达生命探测的基本原理,雷达***的接收天线与人体胸部的瞬时距离可以表示为。
d(t)=d0+Δd=d0+Arsin(2πfrt)+Ahsin(2πfht) (2)
其中,d0为雷达天线前端与人体胸腔之间直路径的基准距离,可以认为是受困人员的定位距离;Ar和Ah分别表示受困人员因呼吸和心跳引起的胸腔幅度变化,Ar的幅度大约为1~2cm,心跳所引起的胸部振动幅度Ah为0.5mm左右,因为心跳引起的胸腔幅值相对变化较小,一般认为Δd主要为呼吸信号导致;fr为受困者的呼吸频率,fh为心跳频率;t为慢时间,即为实际的雷达测试时间。
步骤1.3:根据雷达波的速度、距离和时间三者关系,时延可以表示为。
其中,v是电磁波的传播速度(v=3×108m/s),τr、τh分别为呼吸和心跳信号引起的胸腔运动造成的回波信号时间延迟。
步骤1.4:假设超宽带脉冲雷达传播信号为p(τ),*代表卷积运算,n(t,τ)为随机环境噪声,则接收天线收到的回波信号为。
步骤1.5:对雷达回波信号进行离散处理得到雷达回波矩阵,其中τ=mδT,m=0,1,2…M-1为回波信号快时间,Tf表示快时间方向的采样间隔;t=nTs,n=0,1,2…N-1为回波信号慢时间,Ts表示慢时间方向的采样间隔。
步骤2:对原始雷达回波进行预处理以去除背景杂波,进一步提高信噪比,具体步骤如下。
步骤2.1:道信号相减法,对雷达回波信号中的背景杂波进行消除的最简单又直接的方法就是用每一行雷达回波信号与前一行雷达回波信号相减,在这一过程中保持恒定不变的量就会被消除,对于雷达回波矩RM×N,假设快时间序列为Yj,j=1,2,3,…,N,N为扫描时间采样点数,道信号相减法的结果。
Yj'=Yj+1-Yj (6)
步骤2.2:直接减平均法,对雷达回波数据沿扫描时间方向取平均值,即直流分量;直流分量由静止物体所产生,由于静止物体与探测装置间的距离固定不变,而人体的呼吸信号与心跳信号是呈周期性变化的,因此可以用原始数据减去这一平均值就可以达到去除直流分量的效果,则消除直流分量的结果为。
步骤2.3:线性趋势抑制,在实际应用中,雷达回波数据具有随慢时间变化的线性趋势,主要影响因素为雷达***中触发单元的时间抖动和漂移等;为了消除线性趋势,采用了线性趋势抑制(Linear Trend Suppression,LTS)方法,估计每个慢时间切片的线性趋势并将其从原本的慢时间切片中减去,公式为。
W=ΩT-X(XTX)-1XTΩT (8)
其中,X=[x1,x2],x1=[1,2,…,N]T,x2=[1,1,…,1]T。
步骤2.4:自动控制增益,由目标微动引起的雷达回波信号幅值主要与人体胸腔横向距离以及人体目标与雷达之间的相对距离有关,实际检测环境中的多径效应也会干扰目标回波,采用自动增益控制(Auto Gain Control,AGC)在慢时间方向增强微弱的生命体征信号,并且根据所选时间窗2λ+1中的能量计算了相应的增益系数,从而实现自适应控制,以第n1帧回波信号r(τ,n1)为例。
rE(τ,t)=gmask(τ,t)×r(τ,t) (10)
其中,gmask(τi,t)表示增益系数,而rE(t,τ)是AGC处理后的信号。
步骤2.5:由于人体呼吸的频率范围在0.1-0.8Hz之间,心跳的频率范围在0.8-2.5Hz之间,所以采用一个带通滤波器滤去高频的噪声信号,选择滤波器为巴特沃斯滤波器,它的平方幅度函数定义为。
步骤3:采用样本熵的方法来获取雷达回|波矩阵中人体目标的位置信息,具体步骤如下。
假设快时间m1,对长度为N慢时间序列X[m1,i]={y(1),y(2),…,y(i)},i=1,2,3,…,N,Y∈WM×N,按序号组成一组维数为q的向量序列,Yq(1),…,Yq(N-q+1),其中Yq(i)={y(i),y(i+1),…,y(i+q-1)},1≤i≤N-q+1,这些向量代表从第i个开始的q个连续的y的值。
定义向量Yq(i)和Yq(j)之间的距离之间的距离d[Yq(i),Yq(j)]为两者对应元素的最大差值的绝对值。
d[Yq(i),Yq(j)]=maxk=0,…,m-1(|x(i+k)-x(j+k)|) (12)
对于给定的Yq(i),统计Yq(i)和Yq(j)之间的距离小于等于r的j(1≤j≤N-q,j≠i)的数目,并记为Bi,对于1≤i≤N-q,定义。
定义B(q)(r)为。
增加维数到q+1,统计Yq+1(i)和Yq+1(j)之间的距离小于等于r的j(1≤j≤N-q,j≠i)的数目,并记为Ai,对于1≤i≤N-q,定义。
定义A(q)(r)为。
这样,B(q)(r)是两个序列在相似容r下的匹配q点的概率,而A(q)(r)是两个序列匹配q+1点的概率,样本熵的定义为。
当q为有限值时,可以用下式估计。
SampEn的取值范围为[0,1],SampEn的大小表示了慢时间序列X[m1,i]的复杂性,SampEn的值越小,说明时间序列变化越规则;反之,时间序列变化越随机。
在雷达回波矩阵WM×N中,人类目标位置范围的慢时间方向数据变化相对规则,所以人体目标区域对应的SE值较低,因此可以通过寻找SE值的最小值来确定人类目标的位置Ppos,从而得到目标的距离信息。
其中v=3×108m/s和Tf表示快时间方向的采样间隔。
假设人体胸腔的横向距离Dtho;然后根据快时间方向的采样间隔Tf,可以计算出人体胸腔距离在接受脉冲中占据的点数,即Ptho=2Dtho/vTf,其中v=3×108m/s;用ψ表示生命体征信号矩阵,然后可以将其表示为。
步骤4:范围估计,对人***置处的信号进行选取以及信号的再结合。
步骤5:对结合过的信号进行带通滤波的处理。
步骤6:对经过预处理后的信号进行SSD分解,具体操作步骤如下。
步骤6.1:构建新轨迹矩阵,设定生命体征信号向量ζ(t)的嵌入维数和数据长度分别为M和N,构造一个M行N列的矩阵X,矩阵X的第i行表示为ζi(ζ(i),…,ζ(N),ζ(1),…,ζ(i-1)),i=1,…M,矩阵X为。
将X矩阵的右下角元素搬至左上角,得到新轨迹函数X(N×K),其中K=N-M+1。
步骤6.2:通过自适应选择嵌入维度的大小M,计算出第j次迭代时残余分量Vj(n)的功率谱密度(Power Spectral Density,PSD),残余分量。
并估计与PSD最大峰值对应的频率fmax。
在第一次迭代过程中,若fmax/fs<10-3(fs为采样频率,10-3为阈值),M设定为N/3,余量信号可视为一个趋势分量。
当迭代次数大于1的时候,设定其中的嵌入维数M=1.2×(fs/fmax),是1.2倍分离的分量周期,有利于提高SSA辨识能力,确保SSD充分发挥自适应选择频谱滤波器的作用。
步骤6.3:重构经过j次迭代以后的奇异普分量,当迭代次数j=1时,从信号中检测出一个大的趋势项,通过首个左右特征向量来获取矩阵,对该矩阵进行对角平分获得信号分量g(1)(n)。
当迭代次数j>1时,时间尺度分量g(j)(n)频率成分集中在区间[fmax-Δf,fmax+Δf],其中Δf代表余量信号v(j)(n)二分之一的主峰带宽,将左特征向量在频段[fmax-Δf,fmax+Δf]中具有突出谱峰的主向量的序号建立为一个子集Ij=(Ij={i1,…,ip}),然后使用这些主分量构建成矩阵,最后对矩阵使用对角平均法获取相应SSC信号分量g(j)(n)。
步骤6.4:信号分解迭代停止条件设定,每次迭代分解获得新的奇异谱信号分量g(j)(n)时,也会得到新的余量信号。
v(j+1)(n)=v(j)(n)-g(j)(n) (23)
在j次迭代以后,余量信号与原信号的归一化均方误差NMSE(Normalized MeanSquared Error,NMSE)计算公式如下。
当归一化均方误差NMSE小于给定阈值(th=1%)时结束迭代分解;否则将余量信号v(j)(n)视为新输入信号继续分解流程,知道满足条件停止迭代。假设有m个奇异谱分量个数,SSD的分解结果为。
步骤7:计算呼吸信号、心跳信号百分比。
根据人的呼吸频带为0.1Hz~0.8Hz,心跳频带为0.8Hz~2.8Hz,假设人体回波信号被SSD分解m个SSC,在频域上对每个SSC计算呼吸和心跳的能量百分比,如下式。
其中,E(j)为第j个SSC的频域能量;Er(j)和Eh(j)分别为第j个SSC中的呼吸和心跳频带内的能量;δr和δh分别为判断呼吸和心跳的能量比阈值。
步骤8:将判断符合要求的SSC分量重构为呼吸和心跳信号。
将判断符合要求的SSC分量重构为呼吸和心跳信号。
Sr(t)=∑SSC(t) (28)
Sh(t)=∑SSC(t) (29)
步骤9:利用快速傅里叶变换(FFT)对重构后的信号进行频谱分析。
采用上述技术方案所产生的有益效果在于:本发明提供一种基于SE和SSD的超宽带雷达生命探测算法;该方法通过计算沿慢时间方向的雷达接受脉冲的SE值峰值对应的时延进行回波选择从而定位目标,由于人体呼吸时相对雷达有位移变化,故生命信号分布于被选择回波及其相邻距离门上,基于SE值选择和再组合这些相邻距离门上的信号,可以获得比单帧信号获得更多的生命体征信息,并且可以减少观察时间;采用SSD对雷达回波信号进行分解与重构,根据分解得到SSCs在呼吸和心跳频带内的能量百分比进行信号重构,并采用FFT计算呼吸和心跳的频率。
附图说明
图1为本发明一种基于SE和SSD的超宽带雷达生命探测算法流程图。
图2为本发明生命体征信号模型的图示。
图3为本发明距离检测和回波选择算法流程图。
图4为本发明预处理算法的结果,
其中,(a)雷达原始信号、RPS去除背景杂波的结果、线性趋势抑制结果和通过AGC算法处理后获得的结果;(b)LTS处理结果;(c)慢时间滤波前后对比结果。
图5为本发明SE算法定位距离曲线,
其中,(a)0.35m定位结果;(b)1.0m定位结果;(c)1.5m定位结果。
图6为本发明生命信号的SSD分解图。
图7为本发明SSC分量在呼吸和心跳频带内的能量占比图。
图8为本发明重构的呼吸信号和心跳信号结果图。
图9为本发明呼吸信号与心跳信号的频谱图,
其中,(a)呼吸信号频谱图;(b)心跳信号频谱图。
具体实施方式
下面结合附图对本发明的具体实施方式作进一步详细描述。
在雷达实际的探测过程中,雷达回波信号主要包括目标人体的生命体征信号及周围环境中的噪声干扰和一些其他的杂波信号,生命探测的主要目的是根据人体呼吸、心跳等生命信号的特点在复杂的回波信号中提取出人体的生命体征信息,整体的算法流程如图1所示,首先在预处理阶段通过道信号相减法对背景杂波进行简单消除;利用直接减平均法消除背景杂波中的直流分量;利用线性趋势抑制的方法消除雷达回波数据中的线性趋势;再通过自动增益控制降低多径效应,从慢时间方向上增强微弱的呼吸信号与心跳信号来提升人体生命体征的信噪比;最后用巴特沃斯低通滤波器滤除回波信号中的高频噪声;然后通过计算沿慢时间方向的雷达接受脉冲的SE值峰值对应的时延进行回波选择从而定位目标;最后采用SSD算法对雷达回波信号进行分解与重构,根据分解得到SSCs在呼吸和心跳频带内的能量百分比进行信号重构,并采用FFT计算呼吸和心跳的频率。
本实施方式的生命体征信号模型如图2所示,具体步骤如下。
假设在检测场景中,当雷达***与人体基准距离d0一定时,可认为二者之间的距离d(t)随着胸腔的运动而变化;而对于周围的静止环境而言,不同时间发射的脉冲具备相同的反射折射规律,因此脉冲响应为人体目标响应以及周围环境的响应之和,可表示为。
其中,δ(τ)为冲激函数;av为人体对雷达波的反射系数,ai为第i个静止环境因素对雷达波的反射系数;τv和τi分别为人体和第i个环境因素的对应时延。
在忽略噪声除了人体微动(即呼吸和心跳运动)之外,测得的d(t)应为定值,根据脉冲型超宽带雷达生命探测的基本原理,雷达***的接收天线与人体胸部的瞬时距离可以表示为。
d(t)=d0+Δd=d0+Arsin(2πfrt)+Ahsin(2πfht) (2)
其中,d0为雷达天线前端与人体胸腔之间直路径的基准距离,可以认为是受困人员的定位距离;Ar和Ah分别表示受困人员因呼吸和心跳引起的胸腔幅度变化,Ar的幅度大约为1~2cm,心跳所引起的胸部振动幅度Ah为0.5mm左右,因为心跳引起的胸腔幅值相对变化较小,一般认为Δd主要为呼吸信号导致;fr为受困者的呼吸频率,fh为心跳频率;t为慢时间,即为实际的雷达测试时间。
根据雷达波的速度、距离和时间三者关系,时延可以表示为。
其中,v是电磁波的传播速度(v=3×108m/s),τr、τh分别为呼吸和心跳信号引起的胸腔运动造成的回波信号时间延迟。
假设超宽带脉冲雷达传播信号为p(τ),*代表卷积运算,n(t,τ)为随机环境噪声,则接收天线收到的回波信号为。
对雷达回波信号进行离散处理得到雷达回波矩阵。
其中τ=mδT,m=0,1,2…M-1为回波信号快时间,Tf表示快时间方向的采样间隔;t=nTs,n=0,1,2…N-1为回波信号慢时间,Ts表示慢时间方向的采样间隔。
本实施方式的预处理算法的结果如图4所示,具体步骤如下。
道信号相减法:对雷达回波信号中的背景杂波进行消除的最简单又直接的方法就是用每一行雷达回波信号与前一行雷达回波信号相减,在这一过程中保持恒定不变的量就会被消除;对于雷达回波矩RM×N,假设快时间序列为Yj,j=1,2,3,…,N,N为扫描时间采样点数,道信号相减法的结果。
Yj'=Yj+1-Yj (6)
直接减平均法:对雷达回波数据沿扫描时间方向取平均值,即直流分量;直流分量由静止物体所产生,由于静止物体与探测装置间的距离固定不变,而人体的呼吸信号与心跳信号是呈周期性变化的,因此可以用原始数据减去这一平均值就可以达到去除直流分量的效果,则消除直流分量的结果为。
线性趋势抑制:在实际应用中,雷达回波数据具有随慢时间变化的线性趋势,主要影响因素为雷达***中触发单元的时间抖动和漂移等;为了消除线性趋势,采用了线性趋势抑制(Linear Trend Suppression,LTS)方法,估计每个慢时间切片的线性趋势并将其从原本的慢时间切片中减去,公式为。
W=ΩT-X(XTX)-1XTΩT (8)
其中,X=[x1,x2],x1=[1,2,…,N]T,x2=[1,1,…,1]T。
自动控制增益:由目标微动引起的雷达回波信号幅值主要与人体胸腔横向距离以及人体目标与雷达之间的相对距离有关,实际检测环境中的多径效应也会干扰目标回波,采用自动增益控制(Auto Gain Control,AGC)在慢时间方向增强微弱的生命体征信号,并且根据所选时间窗2λ+1中的能量计算了相应的增益系数,从而实现自适应控制,以第n1帧回波信号r(τ,n1)为例。
rE(τ,t)=gmask(τ,t)×r(τ,t) (10)
其中,gmask(τi,t)表示增益系数,而rE(t,τ)是AGC处理后的信号。
慢时间滤波:由于人体呼吸的频率范围在0.1-0.8Hz之间,心跳的频率范围在0.8-2.5Hz之间,所以采用一个带通滤波器滤去高频的噪声信号,选择滤波器为巴特沃斯滤波器,它的平方幅度函数定义为。
本实施方式的距离检测和回波选择算法流程如图3所示,具体步骤如下。
假设快时间m1,对长度为N慢时间序列X[m1,i]={y(1),y(2),…,y(i)},i=1,2,3,…,N,Y∈WM×N,按序号组成一组维数为q的向量序列,Yq(1),…,Yq(N-q+1),其中Yq(i)={y(i),y(i+1),…,y(i+q-1)},1≤i≤N-q+1,这些向量代表从第i个开始的q个连续的y的值。
定义向量Yq(i)和Yq(j)之间的距离之间的距离d[Yq(i),Yq(j)]为两者对应元素的最大差值的绝对值。
d[Yq(i),Yq(j)]=maxk=0,...,m-1(|x(i+k)-x(j+k)|) (12)
对于给定的Yq(i),统计Yq(i)和Yq(j)之间的距离小于等于r的j(1≤j≤N-q,j≠i)的数目,并记为Bi,对于1≤i≤N-q,定义。
定义B(q)(r)为。
增加维数到q+1,统计Yq+1(i)和Yq+1(j)之间的距离小于等于r的j(1≤j≤N-q,j≠i)的数目,并记为Ai,对于1≤i≤N-q,定义。
定义A(q)(r)为。
这样,B(q)(r)是两个序列在相似容r下的匹配q点的概率,而A(q)(r)是两个序列匹配q+1点的概率,样本熵的定义为。
当q为有限值时,可以用下式估计。
SampEn的取值范围为[0,1],SampEn的大小表示了慢时间序列X[m1,i]的复杂性,SampEn的值越小,说明时间序列变化越规则;反之,时间序列变化越随机。
在雷达回波矩阵WM×N中,人类目标位置范围的慢时间方向数据变化相对规则,所以人体目标区域对应的SE值较低,因此可以通过寻找SE值的最小值来确定人类目标的位置Ppos,从而得到目标的距离信息。
其中v=3×108m/s和Tf表示快时间方向的采样间隔。
假设人体胸腔的横向距离Dtho;然后根据快时间方向的采样间隔Tf,可以计算出人体胸腔距离在接受脉冲中占据的点数,即Ptho=2Dtho/vTf,其中v=3×108m/s。用ψ表示生命体征信号矩阵,然后可以将其表示为。
本实施方式的SE算法定位距离曲线如图5所示,在雷达接收回波的慢时间方向上,人***置范围的信号复杂度与非人***置范围的信号复杂度不同,并且人的呼吸和心跳信号比背景噪声变化规则,更具规律性;因此,非人***置范围的PE值较高,人***置范围的PE值较低;由图可知,0.35、1.0、1.5m的估计距离为0.3457m、1.0163m、1.5062m,相应的测量误差为0.0043m、0.0163m、0.0062m。
本实施方式的生命信号的SSD分解图如图6所示,具体步骤如下。
构建新轨迹矩阵:设定生命体征信号向量ζ(t)的嵌入维数和数据长度分别为M和N,构造一个M行N列的矩阵X,矩阵X的第i行表示为ζi(ζ(i),…,ζ(N),ζ(1),…,ζ(i-1)),i=1,…M,矩阵X为。
将X矩阵的右下角元素搬至左上角,得到新轨迹函数X(N×K),其中K=N-M+1。
通过自适应选择嵌入维度的大小M:计算出第j次迭代时残余分量Vj(n)的功率谱密度(Power Spectral Density,PSD),残余分量。
并估计与PSD最大峰值对应的频率fmax。
在第一次迭代过程中,若fmax/fs<10-3(fs为采样频率,10-3为阈值),M设定为N/3,余量信号可视为一个趋势分量。
当迭代次数大于1的时候,设定其中的嵌入维数M=1.2×(fs/fmax),是1.2倍分离的分量周期,有利于提高SSA辨识能力,确保SSD充分发挥自适应选择频谱滤波器的作用。
重构经过j次迭代以后的奇异普分量:当迭代次数j=1时,从信号中检测出一个大的趋势项,通过首个左右特征向量来获取矩阵,对该矩阵进行对角平分获得信号分量g(1)(n)。
当迭代次数j>1时,时间尺度分量g(j)(n)频率成分集中在区间[fmax-Δf,fmax+Δf]。其中Δf代表余量信号v(j)(n)二分之一的主峰带宽,将左特征向量在频段[fmax-Δf,fmax+Δf]中具有突出谱峰的主向量的序号建立为一个子集Ij=(Ij={i1,…,ip}),然后使用这些主分量构建成矩阵,最后对矩阵使用对角平均法获取相应SSC信号分量g(j)(n)。
信号分解迭代停止条件设定:每次迭代分解获得新的奇异谱信号分量g(j)(n)时,也会得到新的余量信号。
v(j+1)(n)=v(j)(n)-g(j)(n) (23)
在j次迭代以后,余量信号与原信号的归一化均方误差NMSE(Normalized MeanSquared Error,NMSE)计算公式如下。
当归一化均方误差NMSE小于给定阈值(th=1%)时结束迭代分解;否则将余量信号v(j)(n)视为新输入信号继续分解流程,知道满足条件停止迭代。假设有m个奇异谱分量个数,SSD的分解结果为。
本实施方式的SSC分量在呼吸和心跳频带内的能量占比如图7所示,从图中可以看出SSC9、SSC10、SSC11在呼吸频带中所占的能量百分比都达到90%以上,因而可以用这三个SSC分量重构呼吸信号;对于心跳信号只有SSC6在心跳频带中所占的能量百分比都达到90%以上,而其他SSC在心跳频带中所占的能量百分比都比较小,说明它们对心跳信号重构的贡献较少,所以用SSC6即可重构心跳信号。
本实施方式的重构的呼吸信号和心跳信号结果如图8所示,具体步骤如下。
根据人的呼吸频带为0.1Hz~0.8Hz,心跳频带为0.8Hz~2.8Hz,假设人体回波信号被SSD分解m个SSC,在频域上对每个SSC计算呼吸和心跳的能量百分比,如下式。
其中,E(j)为第j个SSC的频域能量;Er(j)和Eh(j)分别为第j个SSC中的呼吸和心跳频带内的能量;δr和δh分别为判断呼吸和心跳的能量比阈值;将判断符合要求的SSC分量重构为呼吸和心跳信号。
Sr(t)=∑SSC(t) (28)
Sh(t)=∑SSC(t) (29)
重构呼吸和心跳信号之后,分别使用FFT方法进行频域分析,本实施方式的呼吸信号与心跳信号的频谱如图9所示。
利用同一组雷达回波信号分别采用EEMD算法和SSD算法进行性能对比,对比结果如表1所示,其中Fr为呼吸频率,Fh为心跳频率,SNRr表示呼吸信号信噪比,SNFh表示心跳信号比。
表1
本文提出的基于SE和SSD的超宽带雷达生命探测算法较部分已有的生命探测方法具有显著的效果提升,与EEMD相比提高了信号分离的准确性和实时性,有效地提高了呼吸与心跳信号的信噪比。
虽然以上描述了本发明的具体实施方式,但是本领域内的熟练的技术人员应当理解,这些仅是举例说明,可以对这些实施方式做出多种变更或修改,而不背离本发明的原理和实质,本发明的范围仅由所附权利要求书限定。
Claims (7)
1.一种基于SE和SSD的超宽带雷达生命探测算法,其特征在于,该方法包括以下9个步骤:
步骤1:建立生命体征信号数学模型;
步骤2:对原始雷达回波进行预处理以去除背景杂波,进一步提高信噪比;
步骤3:采用样本熵的方法来获取雷达回波矩阵中人体目标的位置信息;
步骤4:范围估计,对人***置处的信号进行选取以及信号的再结合;
步骤5:对结合过的信号进行带通滤波的处理;
步骤6:对经过预处理后的信号进行SSD分解;
步骤7:计算呼吸信号、心跳信号百分比;
步骤8:将判断符合要求的SSC分量重构为呼吸和心跳信号;
步骤9:利用快速傅里叶变换(FFT)对重构后的信号进行频谱分析。
2.根据权利要求1所述的一种基于SE和SSD的超宽带雷达生命探测算法,其特征在于,所述步骤1的过程如下:
步骤1.1:假设在检测场景中,当雷达***与人体基准距离d0一定时,可认为二者之间的距离d(t)随着胸腔的运动而变化;而对于周围的静止环境而言,不同时间发射的脉冲具备相同的反射折射规律,因此脉冲响应为人体目标响应以及周围环境的响应之和,可表示为:
其中,δ(τ)为冲激函数;av为人体对雷达波的反射系数,ai为第i个静止环境因素对雷达波的反射系数;τv和τi分别为人体和第i个环境因素的对应时延;
步骤1.2:在忽略噪声除了人体微动(即呼吸和心跳运动)之外,测得的d(t)应为定值,根据脉冲型超宽带雷达生命探测的基本原理,雷达***的接收天线与人体胸部的瞬时距离可以表示为:
d(t)=d0+Δd=d0+Arsin(2πfrt)+Ahsin(2πfht) (2)
其中,d0为雷达天线前端与人体胸腔之间直路径的基准距离,可以认为是受困人员的定位距离;Ar和Ah分别表示受困人员因呼吸和心跳引起的胸腔幅度变化,Ar的幅度大约为1~2cm,心跳所引起的胸部振动幅度Ah为0.5mm左右,因为心跳引起的胸腔幅值相对变化较小,一般认为Δd主要为呼吸信号导致;fr为受困者的呼吸频率,fh为心跳频率;t为慢时间,即为实际的雷达测试时间;
步骤1.3:根据雷达波的速度、距离和时间三者关系,时延可以表示为:
其中,v是电磁波的传播速度(v=3×108m/s),τr、τh分别为呼吸和心跳信号引起的胸腔运动造成的回波信号时间延迟;
步骤1.4:假设超宽带脉冲雷达传播信号为p(τ),*代表卷积运算,n(t,τ)为随机环境噪声,则接收天线收到的回波信号为:
步骤1.5:对雷达回波信号进行离散处理得到雷达回波矩阵:
其中τ=mδT,m=0,1,2…M-1为回波信号快时间,Tf表示快时间方向的采样间隔;t=nTs,n=0,1,2…N-1为回波信号慢时间,Ts表示慢时间方向的采样间隔。
3.根据权利要求1所述的一种基于SE和SSD的超宽带雷达生命探测算法,其特征在于,所述步骤2的过程如下:
步骤2.1:道信号相减法,对雷达回波信号中的背景杂波进行消除的最简单又直接的方法就是用每一行雷达回波信号与前一行雷达回波信号相减,在这一过程中保持恒定不变的量就会被消除;对于雷达回波矩RM×N,假设快时间序列为Yj,j=1,2,3,…,N,N为扫描时间采样点数,道信号相减法的结果:
Yj'=Yj+1-Yj (6)
步骤2.2:直接减平均法,对雷达回波数据沿扫描时间方向取平均值,即直流分量;直流分量由静止物体所产生,由于静止物体与探测装置间的距离固定不变,而人体的呼吸信号与心跳信号是呈周期性变化的,因此可以用原始数据减去这一平均值就可以达到去除直流分量的效果,则消除直流分量的结果为:
步骤2.3:线性趋势抑制,在实际应用中,雷达回波数据具有随慢时间变化的线性趋势,主要影响因素为雷达***中触发单元的时间抖动和漂移等;为了消除线性趋势,采用了线性趋势抑制(Linear Trend Suppression,LTS)方法,估计每个慢时间切片的线性趋势并将其从原本的慢时间切片中减去,公式为:
W=ΩT-X(XTX)-1XTΩT (8)
其中,X=[x1,x2],x1=[1,2,…,N]T,x2=[1,1,…,1]T;
步骤2.4:自动控制增益,由目标微动引起的雷达回波信号幅值主要与人体胸腔横向距离以及人体目标与雷达之间的相对距离有关,实际检测环境中的多径效应也会干扰目标回波;采用自动增益控制(Auto Gain Control,AGC)在慢时间方向增强微弱的生命体征信号,并且根据所选时间窗2λ+1中的能量计算了相应的增益系数,从而实现自适应控制,以第n1帧回波信号r(τ,n1)为例:
rE(τ,t)=gmask(τ,t)×r(τ,t) (10)
其中,gmask(τi,t)表示增益系数,而rE(t,τ)是AGC处理后的信号;
步骤2.5:由于人体呼吸的频率范围在0.1-0.8Hz之间,心跳的频率范围在0.8-2.5Hz之间,所以采用一个带通滤波器滤去高频的噪声信号,选择滤波器为巴特沃斯滤波器,它的平方幅度函数定义为:
4.根据权利要求1所述的一种基于SE和SSD的超宽带雷达生命探测算法,其特征在于,所述步骤3的过程如下:
假设快时间m1,对长度为N慢时间序列X[m1,i]={y(1),y(2),…,y(i)},i=1,2,3,…,N,Y∈WM×N,按序号组成一组维数为q的向量序列,Yq(1),…,Yq(N-q+1),其中Yq(i)={y(i),y(i+1),…,y(i+q-1)},1≤i≤N-q+1,这些向量代表从第i个开始的q个连续的y的值;
定义向量Yq(i)和Yq(j)之间的距离之间的距离d[Yq(i),Yq(j)]为两者对应元素的最大差值的绝对值:
d[Yq(i),Yq(j)]=maxk=0,…,m-1(|x(i+k)-x(j+k)|) (12)
对于给定的Yq(i),统计Yq(i)和Yq(j)之间的距离小于等于r的j(1≤j≤N-q,j≠i)的数目,并记为Bi,对于1≤i≤N-q,定义:
定义B(q)(r)为:
增加维数到q+1,统计Yq+1(i)和Yq+1(j)之间的距离小于等于r的j(1≤j≤N-q,j≠i)的数目,并记为Ai,对于1≤i≤N-q,定义:
定义A(q)(r)为:
这样,B(q)(r)是两个序列在相似容r下的匹配q点的概率,而A(q)(r)是两个序列匹配q+1点的概率,样本熵的定义为:
当q为有限值时,可以用下式估计:
SampEn的取值范围为[0,1],SampEn的大小表示了慢时间序列X[m1,i]的复杂性,SampEn的值越小,说明时间序列变化越规则,反之时间序列变化越随机;
在雷达回波矩阵WM×N中,人类目标位置范围的慢时间方向数据变化相对规则,所以人体目标区域对应的SE值较低,因此可以通过寻找SE值的最小值来确定人类目标的位置Ppos,从而得到目标的距离信息:
其中v=3×108m/s和Tf表示快时间方向的采样间隔;
假设人体胸腔的横向距离Dtho;然后根据快时间方向的采样间隔Tf,可以计算出人体胸腔距离在接受脉冲中占据的点数,即Ptho=2Dtho/vTf,其中v=3×108m/s;用ψ表示生命体征信号矩阵,然后可以将其表示为:
5.根据权利要求1所述的一种基于SE和SSD的超宽带雷达生命探测算法,其特征在于,所述步骤6的过程如下:
步骤6.1:构建新轨迹矩阵,设定生命体征信号向量ζ(t)的嵌入维数和数据长度分别为M和N,构造一个M行N列的矩阵X,矩阵X的第i行表示为ζi(ζ(i),…,ζ(N),ζ(1),…,ζ(i-1)),i=1,…M,矩阵X为:
将X矩阵的右下角元素搬至左上角,得到新轨迹函数X(N×K),其中K=N-M+1;
步骤6.2:通过自适应选择嵌入维度的大小M,计算出第j次迭代时残余分量Vj(n)的功率谱密度(Power Spectral Density,PSD),残余分量:
并估计与PSD最大峰值对应的频率fmax;
在第一次迭代过程中,若fmax/fs<10-3(fs为采样频率,10-3为阈值),M设定为N/3,余量信号可视为一个趋势分量;
当迭代次数大于1的时候,设定其中的嵌入维数M=1.2×(fs/fmax),是1.2倍分离的分量周期,有利于提高SSA辨识能力,确保SSD充分发挥自适应选择频谱滤波器的作用。
步骤6.3:重构经过j次迭代以后的奇异普分量,当迭代次数j=1时,从信号中检测出一个大的趋势项,通过首个左右特征向量来获取矩阵,对该矩阵进行对角平分获得信号分量g(1)(n);
当迭代次数j>1时,时间尺度分量g(j)(n)频率成分集中在区间[fmax-Δf,fmax+Δf],其中Δf代表余量信号v(j)(n)二分之一的主峰带宽,将左特征向量在频段[fmax-Δf,fmax+Δf]中具有突出谱峰的主向量的序号建立为一个子集Ij=(Ij={i1,…,ip}),然后使用这些主分量构建成矩阵,最后对矩阵使用对角平均法获取相应SSC信号分量g(j)(n)。
步骤6.4:信号分解迭代停止条件设定,每次迭代分解获得新的奇异谱信号分量g(j)(n)时,也会得到新的余量信号:
v(j+1)(n)=v(j)(n)-g(j)(n) (23)
在j次迭代以后,余量信号与原信号的归一化均方误差NMSE(Normalized MeanSquared Error,NMSE)计算公式如下:
当归一化均方误差NMSE小于给定阈值(th=1%)时结束迭代分解;否则将余量信号v(j)(n)视为新输入信号继续分解流程,知道满足条件停止迭代,假设有m个奇异谱分量个数,SSD的分解结果为:
7.根据权利要求1所述的一种基于SE和SSD的超宽带雷达生命探测算法,其特征在于,所述步骤8的过程如下:
将判断符合要求的SSC分量重构为呼吸和心跳信号:
Sr(t)=∑SSC(t) (28)
Sh(t)=∑SSC(t) (29)。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310325336.4A CN116338682A (zh) | 2023-03-30 | 2023-03-30 | 一种基于se和ssd的超宽带雷达生命探测算法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310325336.4A CN116338682A (zh) | 2023-03-30 | 2023-03-30 | 一种基于se和ssd的超宽带雷达生命探测算法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116338682A true CN116338682A (zh) | 2023-06-27 |
Family
ID=86892693
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310325336.4A Pending CN116338682A (zh) | 2023-03-30 | 2023-03-30 | 一种基于se和ssd的超宽带雷达生命探测算法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116338682A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116819508A (zh) * | 2023-08-28 | 2023-09-29 | 烟台初心航空科技有限公司 | 基于tdr的雷达定位测距方法 |
CN117420538A (zh) * | 2023-12-18 | 2024-01-19 | 深圳捷扬微电子有限公司 | 一种超宽带***的测距方法 |
-
2023
- 2023-03-30 CN CN202310325336.4A patent/CN116338682A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116819508A (zh) * | 2023-08-28 | 2023-09-29 | 烟台初心航空科技有限公司 | 基于tdr的雷达定位测距方法 |
CN116819508B (zh) * | 2023-08-28 | 2023-11-07 | 烟台初心航空科技有限公司 | 基于tdr的雷达定位测距方法 |
CN117420538A (zh) * | 2023-12-18 | 2024-01-19 | 深圳捷扬微电子有限公司 | 一种超宽带***的测距方法 |
CN117420538B (zh) * | 2023-12-18 | 2024-03-08 | 深圳捷扬微电子有限公司 | 一种超宽带***的测距方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116338682A (zh) | 一种基于se和ssd的超宽带雷达生命探测算法 | |
CN111157960B (zh) | 基于毫米波雷达的生命体征信号增强方法及设备、提取方法及设备 | |
US7725150B2 (en) | System and method for extracting physiological data using ultra-wideband radar and improved signal processing techniques | |
CN106019271B (zh) | 一种基于变分模态分解的多人穿墙时变呼吸信号检测方法 | |
CN110161491B (zh) | 一种针对微弱生命体的测距和呼吸频率估计方法 | |
CN109324322A (zh) | 一种基于被动相控阵天线的测向与目标识别方法 | |
CN110879388B (zh) | 基于ir-uwb生物雷达信号的人与动物非接触探测区分方法 | |
CN107180259B (zh) | 一种基于***辨识的stap训练样本选择方法 | |
CN114767087B (zh) | 一种多目标呼吸频率估计方法、装置、设备和存储介质 | |
CN113702968A (zh) | 生命探测方法及其装置 | |
CN115067916A (zh) | 一种基于毫米波雷达的生命体征监测方法 | |
CN107526064A (zh) | 基于二维特征的自适应lfm信号参数估计方法 | |
CN116466316A (zh) | 一种基于pe和tvf-emd的超宽带雷达生命体征信号去噪算法 | |
CN116058818B (zh) | 基于多序列woa-vmd算法的超宽带雷达心率检测方法 | |
Haimovich et al. | SAR imagery of moving targets: Application of time-frequency distributions for estimating motion parameters | |
CN115016033A (zh) | 一种基于奇异谱分解算法的生命信息探测方法及*** | |
CN109541567A (zh) | 基于深度学习的高速机动目标检测方法 | |
Moazzeni et al. | Statistical model based SNR estimation method for speech signals | |
Lopatka et al. | Sperm whale click analysis using a recursive time-variant lattice filter | |
CN115015867A (zh) | 一种基于超宽带雷达的身份识别和跌倒检测方法 | |
Duk et al. | The potential of 2D wavelet transforms for target detection in sea-clutter | |
Rosenberg et al. | Sparse signal separation methods for target detection in sea-clutter | |
CN116224325A (zh) | 基于lfmcw雷达与欠定盲源分离的多人呼吸信号探测方法及*** | |
Wang et al. | LFM signal perception based on Wavelet transform and Time-Frequency Technology | |
Wang et al. | Respiration and heartbeat rates measurement based on convolutional sparse coding |
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 |