基于波束形成的抗干扰呼吸检测方法技术

本公开提供一种基于波束形成的抗干扰呼吸检测方法，利用WiFi设备对目标区域内存在干扰个体的情况下对待检测目标的呼吸状态进行检测，呼吸检测方法包括：操作S1：构建基于WiFi设备接收天线阵列的导向矢量；操作S2：获得波束形成的最佳权重；操作S3：将接收天线阵列接收到的原始信号转换到空域；操作S4：选取时间窗，对转换到空域后的信号做相邻帧差分，实现目标区域内静止物体信号的消除和干扰个体信号的增强；操作S5：计算每个位置波束形成后得到的间序列的呼吸噪声比；操作S6：将目标区域重叠地分成若干子区域，选择干扰较小的子区域；以及操作S7：寻找待检测目标的呼吸最可能存的位置提取信号，进而得到待检测目标的呼吸状态参数。状态参数。状态参数。

【技术实现步骤摘要】
基于波束形成的抗干扰呼吸检测方法


[0001]本公开涉及信号处理
，尤其涉及一种基于波束形成的抗干扰呼吸检测方法。

技术介绍

[0002]呼吸状态是一种重要的人体生命体征。在过去数十年内，随着物联网等技术的发展，用户对普适性地健康监测的需求越来越急切。传统的呼吸监测技术要求人体和传感器紧密接触以测量胸腔的起伏，从而导致较为不适的用户体验，不适合长时间使用。与依赖传感器的接触式呼吸检测相比，非接触式呼吸检测系统不需要用户佩戴任何设备，具有更好的用户体验。基于电磁波的呼吸感知能够利用电磁波全天候、无接触、可在非视距条件下传播等特性，实现对呼吸的长期监测。而基于电磁信号的技术根据硬件前端的不同，又可细分为基于 WiFi/基于雷达的技术。与雷达相比，基于 WiFi 的技术能够复用已有 WiFi设施，无需额外的硬件成本。
[0003]WiFi设备中的信道状态信息(Channel State Information, CSI)描述了信号在传播过程中经历的衰减和相移。人体呼吸导致的胸腔振动会使得信道状态信息的测量值呈现周期性变化，从而为利用信道状态信息对人体呼吸频率进行估计提供了可能。
[0004]现有的方法在环境中只有一个被检测目标时，取得了良好的结果。然而，在实际环境中，检测目标周围可能存在其他的个体，当环境中同时存在其他运动目标时，信号不仅会被目标用户反射，还会受到干扰者的影响。在这种情况下，基于现有方法提取的信号将不再与目标用户的呼吸作用相一致，这导致系统的性能急剧下降。

技术实现思路

>[0005]（一）要解决的技术问题基于上述问题，本公开提供了一种基于波束形成的抗干扰呼吸检测方法，以缓解现有技术中对检测目标进行信号提取时受到干扰而与目标的呼吸作用不一致等技术问题。
[0006]（二）技术方案本公开提供一种基于波束形成的抗干扰呼吸检测方法，利用WiFi设备对目标区域内存在干扰个体的情况下对待检测目标的呼吸状态进行检测，所述呼吸检测方法包括：操作S1：构建基于WiFi设备接收天线阵列的导向矢量；操作S2：获得波束形成的最佳权重；操作S3：将接收天线阵列接收到的原始信号转换到空域；操作S4：选取时间窗，对转换到空域后的信号做相邻帧差分，实现目标区域内静止物体信号的消除和干扰个体信号的增强；操作S5：计算每个位置波束形成后得到的间序列的呼吸噪声比；操作S6：将目标区域重叠地分成若干子区域，选择干扰较小的子区域；以及操作S7：寻找待检测目标的呼吸最可能存的位置提取信号，进而得到待检测目标的呼吸状态参数。
[0007]根据本公开实施例，操作S1中，对于WiFi设备上的均匀接收天线阵列，相对于第一根接收天线上的第一个子载波，中心频率f
c
的第m根接收天线、第k个子载波上的联合相位
移φ
mk
(θ
l, τ
l
)可以表示为：，其中，θ
l
为到达角，τ l
为飞行时间，d为两个接收天线的间距， 为频率间隔，c为光速；得到的导向矢量a(θ
l, τ
l
)为：a(θ
l, τ
l
)=[ 1φ
21 (θ
l, τ
l )
ꢁ…ꢁ
φ
mk (θ
l, τ
l
)
ꢁ…ꢁ
φ
MK
θ
l, τ
l
)]T
；其中，M为接收天线总数，K为单根接收天线上的子载波的总数。
[0008]根据本公开实施例，操作S2中，为了在抑制干扰加噪声的影响的同时增强待测目标的呼吸信号，可以通过最大化输出信干噪比 SINR 来获得最优的波束形成加权向量w：，其中，P
tar
是待测目标的的功率，P
i+n
是干扰加噪声的功率，a为构建的导向矢量，R
i+n
是干扰加噪声协方差矩阵；由于R
i+n
矩阵不能直接从数据中得到，所以通常用样本协方差矩阵代替R
i+n
矩阵，同时考虑样本较小时，使用对角线因子加载的方式，得到的加权向量w可表示为：，，α和β是经验参数，I是单位矩阵，N是样本数量。
[0009]根据本公开实施例，操作S3中，通过下式将接收天线阵列接收到的原始信号Y(θ,τ)转换到空域：Y(θ,τ)= W
H (θ,τ)X ;其中W为波束形成加权矩阵，X为原始信号矩阵，维度为(M
×
K,n
t
)，M、K分别为天线总数、单根接收天线上的子载波的总数，W表达式为：；其中，n
A
、n
τ
是可能存在信号的AoA、ToF点数；Y(θ,τ)是一个维度为(n
A
×
n
τ
, n
t
)的二维时空矩阵，n
t
表示信号的时间长度，其中每一行表示对应位置(θ,τ)的时间序列。
[0010]根据本公开实施例，操作S4中，对转换到空域后的信号信号做相邻帧差分，实现室内静止物体信号的消除和干扰个体信号的增强，如下式所示：，其中，Y
*t
表示 t时刻的信号，Y
*t+1
表示 t+1时刻的信号，为差分信号。
[0011]进一步地，通过将不同时间下的差分信号相加，得到干扰个体运动的区域，用于作
为呼吸提取的约束。
[0012]根据本公开实施例，操作S5中，呼吸噪声比可以根据功率谱密度计算：，，其中，(W
H
(θ,τ)X）表示(θ,τ) 位置下波束形成后得到的信号矢量，BNR为呼吸噪声比，PSD功率谱密度，H
B
(f)表示PSD每个频率点的能量，正常呼吸范围为10次/秒到37次/秒，此范围内的最大能量为P
breath
，BNR越大，信号的周期性越好。
[0013]根据本公开实施例，操作S6中，定义区域的干扰因子I： ；其中N
all
是角度距离(θ,τ)转换成(x,y)坐标后，整个子区域中的 (x,y) 坐标的数量，N
i
是子区域中干扰者运动经过的坐标数量；当干扰因子大于设定的阈值，认为此区域受干扰个体影响较大，将其去掉。
[0014]根据本公开实施例，操作S7中，在去除严重干扰的子区域后，将每个干扰较小的子区域的所有位置的呼吸噪声比的值相加，选择具有最大呼吸噪声比的子区域，然后从此区域呼吸噪声比最大的位置，即处提取呼吸信号，然后对获得的呼吸信号的时间序列进行滤波，计算得到待测目标的呼吸速率。
[0015]（三）有益效果从上述技术方案可以看出，本公开基于波束形成的抗干扰呼吸检测方法至少具有以下有益效果其中之一或其中一部分：（1）利用阵列信号处理技术提高信噪比，降低干扰，使得提取人体反射是自然的；（2）阵列信号处理中，自适应波束形成具有较高的分辨率和较高的抗干扰能力；（3本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于波束形成的抗干扰呼吸检测方法，利用WiFi设备对目标区域内存在干扰个体的情况下对待检测目标的呼吸状态进行检测，所述呼吸检测方法包括：操作S1：构建基于WiFi设备接收天线阵列的导向矢量；操作S2：获得波束形成的最佳权重；操作S3：将接收天线阵列接收到的原始信号转换到空域；操作S4：选取时间窗，对转换到空域后的信号做相邻帧差分，实现目标区域内静止物体信号的消除和干扰个体信号的增强；操作S5：计算每个位置波束形成后得到的间序列的呼吸噪声比；操作S6：将目标区域重叠地分成若干子区域，选择干扰较小的子区域；以及操作S7：寻找待检测目标的呼吸最可能存的位置提取信号，进而得到待检测目标的呼吸状态参数。2.根据权利要求1所述的基于波束形成的抗干扰呼吸检测方法，操作S1中，对于WiFi设备上的均匀接收天线阵列，相对于第一根接收天线上的第一个子载波，中心频率f
c
的第m根接收天线、第k个子载波上的联合相位移φ
mk
(θ
l, τ
l
)可以表示为：，其中，θ
l
为到达角，τ l
为飞行时间，d为两个接收天线的间距，为频率间隔，c为光速；得到的导向矢量a(θ
l, τ
l
)为：a(θ
l, τ
l
)=[ 1φ
21 (θ
l, τ
l )
ꢁ…ꢁ
φ
mk (θ
l, τ
l
)
ꢁ…ꢁ
φ
MK
θ
l, τ
l
)]
T
；其中，M为接收天线总数，K为单根接收天线上的子载波的总数。3.根据权利要求1所述的基于波束形成的抗干扰呼吸检测方法，操作S2中，为了在抑制干扰加噪声的影响的同时增强待测目标的呼吸信号，可以通过最大化输出信干噪比 SINR 来获得最优的波束形成加权向量w：，其中，P
tar
是待测目标的的功率，P
i+n
是干扰加噪声的功率，a为构建的导向矢量，R
i+n
是干扰加噪声协方差矩阵；由于R
i+n
矩阵不能直接从数据中得到，所以通常用样本协方差矩阵代替R
i+n
矩阵，同时考虑样本较小时，使用对角线因子加载的方式，得到的加权向量w可表示为：，，α和β是经验参数，I是单位矩阵，N是样本数量。4.根据权利要求1所...

【专利技术属性】
技术研发人员：陈彦，谢学诚，张东恒，张冬，孙启彬，吴曼青，
申请(专利权)人：中国科学技术大学，
类型：发明
国别省市：