国产日韩欧美一区二区三区三州_亚洲少妇熟女av_久久久久亚洲av国产精品_波多野结衣网站一区二区_亚洲欧美色片在线91_国产亚洲精品精品国产优播av_日本一区二区三区波多野结衣 _久久国产av不卡

?

模態(tài)聯(lián)合空域估計的毫米波雷達呼吸心率檢測

2024-05-23 09:34:21廖濤萬相奎貢文新武明虎王濱輝
陜西科技大學學報 2024年3期

廖濤 萬相奎 貢文新 武明虎 王濱輝

文章編號:2096-398X2024)03-0188-09

(湖北工業(yè)大學 湖北省電網(wǎng)智能控制與裝備工程技術研究中心, 湖北 武漢 430068)

摘 要:在毫米波雷達檢測人體呼吸率和心率過程中,周圍環(huán)境存在的靜態(tài)雜波使得雷達極難分辨人體胸腔運動信息,從而影響了呼吸信號和心跳信號的分離.同時,由于呼吸信號在高頻帶的諧波分量與心跳信號所處低頻帶部分的頻率相近,很難分離.為解決上述問題,提出了一種模態(tài)聯(lián)合空域估計的檢測方法,主要采用單輪集成經驗模態(tài)分解SEEMD)算法將胸腔相位信號分解為各模態(tài)分量,以消除靜態(tài)雜波對呼吸心跳信號的影響,再采用多重信號分類MUSIC)算法將心跳模態(tài)分量信號由時域轉換到空域中估計其頻率,以消除呼吸諧波的影響.實驗結果表明,本方法檢測下的呼吸率準確率為95.76%,心率準確率為98.76%.與傳統(tǒng)算法相比,本文所提方法下的呼吸率和心率估計更為準確.

關鍵詞:毫米波雷達; 單輪集成經驗模態(tài)分解; 多重信號分類

中圖分類號:TN953+.2??? 文獻標志碼: A

Modal joint airspace estimation for respiration and heart rate detection by millimeter wave radar

LIAO Tao, WAN Xiang-kui*, GONG Wen-xin, WU Ming-hu, WANG Bin-hui

Hubei Power Grid Intelligent Control and Equipment Engineering Technology Research Center, Hubei University of Technology, Wuhan 430068, China)

Abstract:In the process of detecting human respiration and heart rate using millimeter wave radar,the static clutter in the environment makes it extremely difficult for the radar to discriminate the information about the movement of the human chest cavity,which affects the separation of respiration and heart rate signals.At the same time,it is difficult to separate the harmonic components of the respiration signal in the high-frequency band and the heartbeat signal in the low-frequency band because the frequencies of the harmonic components in the high-frequency band are similar.To solve the above problems,this paper proposes a joint modal spatial domain estimation detection method,which mainly adopts an single ensemble empirical modal decomposition SEEMD) algorithm to decompose the thoracic phase signal into each modal component to eliminate the influence of static noise on the respiratory heartbeat signal,and then uses a multiple signal classification MUSIC) algorithm to convert the heartbeat modal component signals from the time domain to the spatial domain to estimate their frequencies to eliminate the influence of respiratory harmonics.The experimental results show that the accuracy of respiratory rate under the detection of this paper's method is 95.76%,and the accuracy of heart rate is 98.76%.Compared with the traditional algorithms,the proposed method is more accurate in estimating respiratory rate and heart rate.

Key words:millimeter wave radar; single ensemble empirical mode decomposition; multiple signal classification

0 引言

目前,檢測生命體征信號的設備主要為接觸式和非接觸式兩類[1].由于接觸式設備需要使用者佩戴電極片等,逐漸被非接觸式設備所取代.非接觸式檢測生命體征信號主要有紅外檢測、雷達回波檢測、光學檢測三類方式[2].其中,因毫米波雷達回波具有強抗干擾性和穿透性[3],逐漸成為非接觸式檢測生命體征信號的主流方式.

在采用毫米波雷達檢測生命體征的研究中,Alizadeh等[4]使用77 GHz的毫米波雷達提取中頻信號的相位來檢測重要信號的分量.在該研究中,由參考傳感器和雷達估計的呼吸率和心率之間的相關性分別為94%和80%.而所提出的運動目標指示集成經驗模態(tài)分解Moving Target Indication-Ensemble Empirical Mode Decomposition,MTI-EEMD)方式可以很好的重建呼吸和心跳信號,但在實驗中應用的檢測范圍較短.Xu 等[5]研究了基于220GHz的太赫茲生物雷達系統(tǒng),采用經驗模態(tài)分解Empirical Mode Decomposition,EMD)來分離生命體征信號.但是,采用EMD的方式分離信號會存在模態(tài)混疊和終點效應的問題,不能很好的分離出呼吸和心跳信號.Changjiang Deng等[6]嘗試采用擴展微分、交叉乘Differential and Cross Multiplication ,DACM)算法和改進集成經驗模態(tài)分解Ensemble Empirical Mode Decomposition ,EEMD)算法結合的方式來改善胸腔相位信號的模糊和呼吸心跳信號分離后波形不佳的問題,但其檢測精確度還有待進一步提高.hang Xin等[7]采用改進的形態(tài)成分分析Improved Morphological Component Analysis,IMCA)算法抑制不同組件間的相互干擾,之后使用自適應參數(shù)優(yōu)化變分模態(tài)分解Adaptive Variational Mode Decomposition,APVMD)算法分離呼吸和心跳信號,雖有著良好的干擾抑制效果,但依舊存在終點效應的問題.Wang Haili等[8]則使用深度學習算法重建心跳信號,使心率檢測有著較高準確率,但卻忽略了呼吸率檢測的準確率.Liu Luyao等[9]采用小波包分解Wave Let Packet Decomposition,WPD)算法分離呼吸心跳信號,再使用零吸引符號指數(shù)遺忘最小二乘法估計心率和呼吸率,對于噪聲有著良好的抑制效果,但無法處理呼吸諧波對于心率估計的影響.所以,需要一種既能有效抑制噪聲對目標信號的干擾,又能克服呼吸諧波對心率估計影響的檢測方法.

針對上述問題,本文首次提出了一種基于毫米波雷達的模態(tài)聯(lián)合空域估計呼吸率和心率的檢測方法.此方法的優(yōu)點在于:通過單輪集成經驗模態(tài)分解Single Ensemble Empirical Modal Decomposition,SEEMD)算法將毫米波雷達獲取到的中頻相位信號分解為多個模態(tài)分量,通過模態(tài)選擇呼吸信號和心跳信號,有效的避免了噪聲信號的干擾;然后,采用多重信號分類Multiple Signal Classification,MUSIC)算法將心跳時域信號轉換到空域中實現(xiàn)對心率的估計,消除了呼吸諧波對心率估計造成的影響.

1 毫米波雷達呼吸心率檢測原理

[JP3]毫米波雷達檢測人體胸腔位移情況,并從胸腔位移信息中分離出呼吸信號和心跳信號[10,11],從而估算出被測人員的呼吸率和心率.毫米波雷達通過發(fā)射TX)天線發(fā)射線性調頻連續(xù)波FMCW)信號STt):

STt)=ATcos2πfct+πkt2+φt))(1)

式(1)中:AT為發(fā)射功率;φt)為相位噪聲;fc為線性調頻起始頻率;k為線性調頻斜率.線性調頻連續(xù)波波形如圖1a)、b)所示.在圖1b)中,B為發(fā)射信號帶寬;T為發(fā)射信號周期.

雷達接收到的信號SRt)為:

SRt)=αATcos2πfct-td)+πkt-td)2+φt-td))(2)

td=2Rt)/c(3)

式2)、3)中:α為常系數(shù),td為發(fā)射信號與接收信號的時間延遲,Rt)為雷達與人體的徑向距離,c為光速.

發(fā)射信號與接收信號混頻[12]之后的中頻信號Yt)為:

Yt)=ARexpj2πfbt+φbt)+Δφt)))(4)

φbt)=2πfctd+πkt2d(5)

式4)、5)中:,AR為接收信號功率,fb為拍頻,φbt)為中頻信號相位,Δφt)為殘余相位噪聲.

由于殘余信號噪聲在距離較短時可以忽略不計.此外,在實際應用中πkt2d很小,在拍頻信號的相位表達式中也可以忽略[13].因此,可得到被測者微小距離變化ΔR與拍頻相位變化Δφb的關系表達式為:

Δφb=4πλΔR(6)

式6)中:λ為波長.

在獲取到中頻信號之后,進行一維快速傅里葉變換Fast Fourier Transformation,F(xiàn)FT)得到被測者距離維度的信息,由此確定檢測目標.其中,每個變換之后的線性調頻信號表示不同時間下的特定距離[14].為了測量生命信號隨時間的變化,需在檢測時間內發(fā)射多個chirp.因此,通過對連續(xù)時間下的距離維FFT的相位提取,可以獲得生命體征信號的相位信息,即呼吸信號和心跳信號.其檢測流程如圖2所示.

2 呼吸心跳信號處理

2.1 算法整體結構

圖3為人體生命體征信號中呼吸、心跳頻率檢測的整體算法流程.主要包括呼吸心跳信號預處理、信號分離、呼吸心跳信號檢測3個步驟.經ADC采樣獲取到中頻信號,之后去除直流分量,進行距離維FFT變換,通過反正切方式求解相位,之后再進行相干積累加強信號.由于求解的相位存在相位纏繞的問題,在相位提取中需要進行相位解纏繞和相位差分步驟.在得到準確的相位變化信息后,通過SEEMD算法進行呼吸、心跳信號的分離.由于心跳信號的信噪比較小,且在心率估計中需要精確度較高的估計方法,采用MUSIC算法估計心跳頻率能夠滿足需求.最后采用FFT譜估計方法估計呼吸率.

2.2 呼吸心跳信號預處理

在獲取到中頻信號后,首先需要消除由于硬件發(fā)熱等原因造成的直流偏移現(xiàn)象對信號的干擾,此步驟為去除直流[15],其具體方法為:

g′t)=gt)-gt)(7)

式7)中:gt)為原始中頻信號,gt)[TX-]為中頻信號的均值,g′t)為去除直流分量后的中頻信號,也為拍頻信號.

然后進行距離維FFT操作,并求解相位,具體的相位求解方法通過反正切函數(shù)法求得,如下式8)所示:

φbt)=arctanQt)/It))(8)

式8)中:It)為I通道內的數(shù)據(jù),即實部數(shù)據(jù);Qt)為Q通道內的數(shù)據(jù),即虛部數(shù)據(jù).

在得到拍頻相位信號φbt)之后,進行相位積累以增強目標信號的信噪比.然后,通過相位展開和相位差分步驟得到預處理之后的信號.首先進行相位解纏繞,如式9)所示:

φt)=φbt)-2π,φbt)>π

φbt),其他

φbt)+2π,φbt)<π(9)

式9)中:φt)為解纏繞之后的相位信號.

解纏繞之后需對新的信號做差分運算,如式10)所示:

φ′t)=φt)-φt-1)(10)

得到的相位差信號φ′t)將作為提取到的相位信號參與到后續(xù)呼吸心跳信號的分離步驟中.

2.3 呼吸心跳信號分離

在提取到相位信號后,需要從中分離出呼吸心跳信號以方便后續(xù)呼吸心率的估算.選用SEEMD算法從相位信號中分離出所需的呼吸和心跳信號.SEEMD在以集成經驗模態(tài)分解Ensemble Empirical Mode Decomposition,EEMD)算法基礎上,減少[JP3]了白噪聲添加次數(shù),以此在相位信號分解過程中減少人為噪聲干擾對目標信號分離的影響.采用SEEMD算法分離出呼吸心跳信號的流程圖如圖4所示.

SEEMD僅在首輪相位信號分解時加入白噪聲輔助,分解效果與分解次數(shù)成正比.分解的模態(tài)信號分量稱為IMF分量,例如第一次分解出來的信號稱為IMF1分量,后續(xù)依次類推.SEEMD方法的具體過程如下方式實現(xiàn).

首先向提取的相位信號xt)中加入一次白噪聲wt),得到新的信號yt)為:

yt)=xt)+wt)(11)

對信號yt)多次分解得到各個模態(tài)分量,IMF分量表達式為:

yt)=∑Ni=1imfjt)+rNt)(12)

式12)中:N為分解次數(shù),j為IMF分量下標索引,rNt)為噪聲分量.

由于傳統(tǒng)的EEMD算法會在重復上述步驟中不斷引入新的白噪聲,直到相位信號中的所有信息全部分解.每一次引入白噪聲均會使得目標信號被掩蓋,而不引入白噪聲則會使得目標信號分離過程中會出現(xiàn)模態(tài)混疊現(xiàn)象.而SEEMD僅在首輪相位信號分解時引入白噪聲,次輪及后續(xù)分解則不引入白噪聲.次輪及后續(xù)分量表達式為:

yit)=∑[DD]Ni=1[DD)]imfijt)(13)

將分解得到的所有分量替換為平均分量,得到最終的IMF分量表達式為:

imfjt)=1n∑[DD]ni=1[DD)]imfijt)(14)

獲取到最終的IMF分量后,根據(jù)經驗選取較好的信號段作為信號分量,舍棄含有噪聲的IMF分量.具體的經驗選取依據(jù)醫(yī)生普遍認同的成年人的生命體征參數(shù),即成年人呼吸頻率的正常值為每分鐘12~20次、成年人心率的正常值為每分鐘60~100次[16].該依據(jù)適用于時域信號的經驗選擇,若為頻域信號,考慮到諧波的影響需適當擴大信號的頻率段選取范圍,即成年人的呼吸和心跳頻率分別為0.1~0.5 Hz、0.8~2 Hz[17,18].最后根據(jù)呼吸心跳信號頻率從信號分量中選取對應的呼吸信號和心跳信號.

2.4 呼吸心跳信號檢測

在分離得到呼吸信號和心跳信號后,需要分別估計對應的呼吸率和心率.在呼吸率的估計中,由于人體因呼吸而引起的胸腔起伏強度高于心跳影響的起伏,所以選擇FFT譜估計的方法.而在心率估計中,由于心跳信號微弱,容易淹沒在呼吸諧波之中,需要高精度估計算法準確的估計出心率,所以選擇MUSIC算法估計心率.MUSIC算法與傳統(tǒng)的信號處理方法如:FFT譜估計等)相比具有更高的準確率,采用MUSIC算法估計心率的流程圖如圖5所示.

圖5 MUSIC算法估計心率流程圖

MUSIC算法通過自相關將輸入的時域信號分解為大特征信號和小特征信號兩類,強自相關性信號為大特征信號,弱自相關性信號為小特征信號.實際上,大特征信號為MUSIC算法確定的目標信號,小特征信號為噪聲信號.根據(jù)兩個特征信號子空間的正交性確定角度,得到檢測信號的空間信息,并構建角度—頻率域,即為空域.在空域中找到峰值角度,將峰值角度對應的頻率作為目標信號的頻率,從而實現(xiàn)了空域下的頻率估計.將前面處理得到心跳信號作為該算法的輸入信號st),則具體實現(xiàn)過程按以下方式實現(xiàn).

首先,對輸入信號st)截取成長度為N*M的信號mt),即為構建成N*M的數(shù)據(jù)矩陣.此時,信號mt)可表示為:

mt)=∑[DD]Mi=1[DD)]sit)aωi)+vt)=Ast)+nt)(15)

式15)中:aωi)為方向向量,vt)為噪聲向量,A為角度向量,nt)為總的噪聲向量.方向向量aωi)可表示為:

aωi)=[1,e-j2πωi,…,e-j2πN-1)ωi]T(16)

式16)中:ωi為對應的角度.所以,角度向量A可表示為:

A=[aω1),…,aωN)](17)

數(shù)據(jù)矩陣構建完成后,求特征向量空間U和噪聲子向量UN.然后將[0,2π]分成個數(shù)為Nw的角度點,Nw的大小與陣元間距、陣元數(shù)量、陣列幾何形狀有關.但本實驗采用單發(fā)單收獲取人體胸腔位移信息,使得Nw的大小受陣元間距、陣元數(shù)量、陣列幾何形狀等因素影響較小,可以忽略.所以,為使該算法具有普遍性,構建一般情況下的搜索角度向量Aw)的表達式為:

Aw)=11…1e-j2πN1e-j2πN2…e-j2πNwe-j2πN1N-1)e-j2πN2N-1)…e-j2πNwN-1)N×Nw(18)

構建代價函數(shù)Pw為:

Pw=1AHw)UNUHNAw)(19)

式19)中:AHw)為搜索角度向量Aw)的共軛矩陣,UHN為噪聲子向量UN的共軛矩陣.

找到代價函數(shù)Pw的峰值,得出每個峰值角度點,再尋找到峰值角度對應的頻率值,該值包含呼吸頻率、心跳頻率、各個高次諧波的頻率.具體的選取則根據(jù)實際的判斷來選擇,由此得到所需的心跳頻率fhr.

呼吸信號的處理相較于心跳信號的處理方式則稍微簡單,因呼吸運動產生的胸腔微動位移強度大于心跳運動的微動位移強度,直接對呼吸信號進行FFT便能較好的從噪聲信號中分辨出呼吸頻率.由此可以得到所需的呼吸頻率fbr.最終,心率Heart Rate,HR)及呼吸率Breath Rate,BR)由式20)、21)求得.

HR=fhr×60???? min-1(20)

BR=fbr×60????? min-1(21)

3 實驗結果與分析

本次實驗中,毫米波雷達設備為IWR6843IS和DCA1000EVM.設置毫米波雷達套件高度為1米,雷達板與被測者的徑向距離為1米,且將測試者周圍雜物清空.測試場景及檢測結果如圖6和圖7所示,測試者坐在毫米波雷達板前,保持身體靜止不動,同時佩戴武漢思創(chuàng)電子有限公司生產的商用712T病人監(jiān)護儀.此設備通過了美國醫(yī)療儀器促進協(xié)會AAMI)制定的AAMI EC57:2012標準,將712T病人監(jiān)護儀的實際檢測值作為參考值.IWR6843IS具有3個發(fā)射天線和4個接收天線,但在本次實驗中只使用到了一個發(fā)射天線和一個接收天線.

3.1 呼吸心跳信號預處理結果

實驗設備采集到中頻信號,經去除直流分量和距離維的FFT操作后,可得到被測目標的位置關系,如圖8a)所示.此步驟的意義在于確認檢測目標的存在,以防止環(huán)境周圍存在其他強反射干擾而使得毫米波雷達誤判為檢測目標的情況.此外,去直流的操作減少了毫米波雷達硬件在使用過程中發(fā)熱而造成的直流偏移,即基線漂移,使獲取的目標信號更加突出.

圖8a)為2 047個調頻脈沖chirp)信號下的三維熱圖.從圖中可知有兩個突出目標,靠近0 m位置的為基線漂移導致的直流分量,并不是被測目標,所以檢測到的目標距離在1 m左右.為減少雜波信號的影響,先將直流分量去除,結果如圖8b)所示.后續(xù)則通過反正切函數(shù)求解被測者所在距離位置的相位,在得到相位信號后便可以進行呼吸和心跳信號的分離.

3.2 呼吸心跳信號分離結果

中頻相位信號在經過預處理之后,使得目標信號呼吸信號和心跳信號)的信噪比得到增強,但此時的信號依舊存在噪聲.為了抑制噪聲對呼吸心跳信號的影響,采用SEEMD算法分離目標信號.此方法在有無噪聲信號的情況下均適用,且可在不同時間尺度上提取信號的相關特征,分解后的各IMF分量如圖9所示.在此節(jié),將APVMD和EEMD算法作為評價本文方法性能的參考算法.

通過圖9可知,SEEMD將預處理后的相位信號自適應分解為了10個IMF分量.考慮到圖9中各IMF分量圖均為時域信號,可初步的將各IMF分量的時域信號峰值作為頻次的估算值,經驗選取依據(jù)為:成年人呼吸頻率的正常值為每分鐘12~20次、成年人心率的正常值為每分鐘60~100次,將此作為判斷IMF分量信號的標準.從圖9中可得出,IMF5分量圖中時域峰值處于心率的正常值范圍內,IMF7分量圖中時域峰值處于呼吸頻率正常值范圍內,由此將IMF5分量信號作為心跳信號,IMF7分量信號作為呼吸信號,其余分量信號則作為噪聲信號.

在圖10中,將本文方法與傳統(tǒng)的模態(tài)分解算法進行比較.APVMD算法為自適應算法,其決策受到收斂標準差取值的影響.此外,APVMD在分離呼吸和心跳信號時,設定的呼吸信號和心跳信號的頻帶范圍也會影響到呼吸信號和心跳信號分離的準確性.本文中,APVMD算法的收斂標準差設定為1×10-7,目標信號的頻帶范圍設定為[fvital-e,fvital+e],其中fvital為目標信號呼吸信號或者心跳信號),e為誤差,e∈[0.1,0.2].而EEMD算法為半自適應算法,只要確定了該算法的附加噪聲標準差和對信號處理的迭代次數(shù),EEMD就會自適應將同一個輸入信號分解為確定數(shù)量的模態(tài)分量.本文中,EEMD算法的附加噪聲標準差設定為0.2,迭代次數(shù)設定為100.通過對比結果可知,本文方法可清晰的觀察到呼吸峰值與心跳峰值,去除噪聲的效果最好.而EEMD算法在心跳頻帶內存在大量雜波干擾,APVMD算法在呼吸頻帶內受到噪聲干擾.所以,本文方法對分離呼吸心跳信號過程中的雜波信號具有強抑制效果.

3.3 呼吸心跳信號預處理結果

在心率和呼吸率檢測中,采用MUSIC算法估計心率、FFT譜估計呼吸率.在估計心率時,由于SEEMD分離的心跳信號中依舊存在噪聲影響,需在含有噪聲的心跳信號中精準識別心跳信號.首先采取自相關處理,如圖11所示.信號作自相關處理后,由于噪聲信號是隨機的,自相關后噪聲信噪比會減小,而心跳信號信噪比會增強.在圖11中,心跳信號自相關在時延階數(shù)時間序列的延遲時間)為200階時相關系數(shù)達到最大值,即在此時延間隔下的信號具有強依賴,來自于同一個信號.通過峰值角度對應的頻率確定心跳信號的頻率,對應的空域圖如圖12所示.

由圖12可知,MUSIC算法估計出的心跳信號頻率約為1.42 Hz,通過式20)計算可得出心率約為85.2 BPM.而呼吸信號則采取FFT譜估計的方式獲取呼吸信號的頻率,頻譜圖如圖13所示.在圖13中,F(xiàn)FT譜估計下的呼吸信號頻率約為0.32 Hz,通過式21)計算可得出呼吸率約為19.2 BPM.

3.4 實驗檢測結果分析

本次實驗檢測樣本數(shù)為50組,分為25組健康成年男性和25組健康成年女性,年齡均在20~25歲范圍內.其心率檢測結果如圖14a)所示,呼吸率檢測結果如圖14b)所示.

在圖14中,與712T商用設備參考值對比,本文方法的檢測結果更加接近參考值,其次為APVMD方法的檢測值,EEMD方法檢測結果偏離最大.所以,可初步判定本文方法具有較好的呼吸率和心率檢測精度.為定量的反映出各方法的精確度值,對于檢測結果采取如式22)進行精確度計算.

Er=|Mv-Rv|Rv×100%(22)

式22)中:Er為檢測誤差,Mv為所有實驗的總檢測值,Rv為所有實驗的總參考值.

由圖14可得出,712T病人監(jiān)護儀的心率的平均值為81.99 BPM,呼吸率的平均值為17.24 BPM.所以,本文方法與傳統(tǒng)方法的對比結果分析如表1所示.

在表1中,本文方法的心率檢測結果平均值為82.18 BPM,方差為1.61,誤差為1.24%,檢測準確度為98.76%;呼吸率檢測結果的平均值為17.97 BPM,方差為0.99,誤差為4.24%,檢測準確度為95.76%.與APVMD算法相比,心率檢測準確率提升了1.24%,呼吸率檢測準確率提升了1.35%;與EEMD算法相比,心率檢測準確率提升了2.13%,呼吸率檢測準確率提升了2.3%.實驗數(shù)據(jù)表明,本文方法利用毫米波雷達對人體呼吸率和心率檢測具有高準確性和可靠性.

4 結論

本文針對毫米波雷達檢測胸腔運動過程中出現(xiàn)的靜態(tài)雜波問題和心率估計中出現(xiàn)的呼吸諧波問題,提出了一種新的毫米波雷達檢測呼吸率和心率的方法.該方法通過SEEMD算法以模態(tài)選取的方式分離呼吸信號和心跳信號,有效避免了靜態(tài)雜波的干擾;再聯(lián)合MUSIC算法將心跳時域信號轉換到空域中估計心率,克服了呼吸諧波的影響;最后,通過實測實驗驗證該方法的可行性和檢測準確率.實驗結果表明,所提方法具有高準確率和魯棒性.與傳統(tǒng)算法相比,該方法對靜態(tài)雜波和呼吸諧波有著顯著的抑制效果,并在睡眠監(jiān)測、遠程輔助診療等場景中具有廣闊的應用前景.

參考文獻

[1] 張?zhí)m春,顧海潮.基于毫米波雷達的生命體征檢測.農業(yè)裝備與車輛工程,2022,603):79-82.

[2] 胡雨璇,夏朝陽,徐 豐.一種魯棒的毫米波雷達人體呼吸心跳測量方法.上海航天中英文),2022,393):130-137.

[3] Marco Mercuri,Pietro Russo,Miguel Glassee,et al.Automatic radar-based 2-D localization exploiting vital signs signatures.Scientific Reports,2022,12:68-76.

[4] Alizadeh M,Shaker G,Morita P.P,et al.Remote monitoring of human vital signs using mm-wave FMCW radar.IEEE Access,2019,7:54 958-54 968.

[5] Xu ,Liu T.Vital sign sensing method based on EMD in terahertz band.Eurasip J.Adv.Signal Processing,2014,2014:75.

[6] Changjiang Deng,Didi Xu,Weihua Yu.Non-contact detection of vital signs based on improved adaptive EEMD algorithm.Sensors,2022,7:6 423.

[7] hang Xin,Liu henyu,ong Yongan,et al.Mutual interference suppression using signal separation and adaptive mode decomposition in noncontact vital sign measurements.IEEE Transactions on Instrumentation and Measurement,2022,71:1-15.

[8] Wang Haili,Du Fuchuan,hu Hao,et al.HeRe:Heartbeat signal reconstruction for low-power millimeter-wave radar based on deep learning.IEEE Transactions on Instrumentation and Measurement,2023,72:1-15.

[9] Liu Luyao,hang Jie,Qu Ying,et al.mmRH:Noncontact vital sign detection with an FMCW mm-wave radar.IEEE Sensors Journal,2023,23:8 856-8 866.

[10] 張 鑫.毫米波生物雷達的抗干擾方法研究[D].廣州:廣東工業(yè)大學,2022.

[11] Liu Jingtao,Li Yuchen,Gu Changzhan.Solving phase ambiguity in interferometric displacement measurement with millimeter-wave FMCW radar sensors.IEEE Sensors Journal,2022,22:8 482-8 489.

[12] 薛毅松.基于毫米波雷達的非接觸式健康監(jiān)測系統(tǒng)研究[D].成都:電子科技大學,2022.

[13] Jiacheng Wu,Naim Dahnoun.A health monitoring system with posture estimation and heart rate detection based on millimeter-wave radar.Microprocessors and Microsystems,2022,94:104 670.

[14] 顧海潮,麥云飛,張?zhí)m春,等.駕駛員生命體征信號檢測系統(tǒng)的設計與實現(xiàn).農業(yè)裝備與車輛工程,2022,607):77-80,85.

[15] 陳云飛.FMCW毫米波體征檢測雷達研究與設計[D].成都:四川師范大學,2022.

[16] 汪新坤,曹 樂,張文艷.基于諧波陷波器改進HMLD的呼吸心跳分離算法.智能計算機與應用,2023,131):142-148.

[17] 牛國臣,田一博,熊 渝.融合毫米波與激光雷達的障礙物檢測與跟蹤方法.北京航空航天大學學報,2022,415):1-16.

[18] 郭建業(yè).基于毫米波雷達的人員定位算法研究[D].南京:南京郵電大學,2022.

【責任編輯:陳 佳】

基金項目:湖北省自然科學基金項目2022CFA007); 湖北省武漢市知識創(chuàng)新專項項目(2022020801010258)

作者簡介:廖 濤1999—),男,湖北宜昌人,在讀碩士研究生,研究方向:雷達信號處理、毫米波雷達在醫(yī)療上的應用

通訊作者:萬相奎1976—),男,湖北廣水人,教授,博士,研究方向:雷達信號處理、智能感知技術,xkwan@hbut.edu.cn

离岛区| 米易县| 江达县| 鄂托克前旗| 海口市| 镇雄县| 滨州市| 恭城| 广南县| 尚志市| 濮阳市| 留坝县| 和平区| 扎鲁特旗| 汨罗市| 习水县| 汽车| 太谷县| 大安市| 扶余县| 房产| 两当县| 报价| 三亚市| 泗阳县| 彰武县| 林芝县| 台前县| 饶阳县| 会宁县| 兴山县| 巴彦县| 丁青县| 临清市| 美姑县| 南皮县| 上高县| 色达县| 墨玉县| 江达县| 榕江县|