用于抑制身体运动效应的毫米波雷达生命体征检测方法技术

本发明专利技术公开了一种用于抑制身体运动效应的毫米波雷达生命体征检测方法，步骤为：从雷达信号中提取出包含生命体征信息的相位数据，然后进行多通道平均处理，再用高通滤波器提取出心跳信号；对心跳信号使用双能量门限检测方法检测身体运动，并判定身体运动模式，选取最大期望算法的初始分布参数；使用最大期望算法滤除运动伪影；使用快速傅里叶变换谱分析方法获取被测目标的心率。本发明专利技术提出的MCA处理+APSEM方法+FFT谱分析方法的非接触式心率检测框架，实现了对检测过程中身体运动造成的强干扰的抑制，有利于在被测者存在身体运动的检测环境下获取准确的心率测量结果。环境下获取准确的心率测量结果。环境下获取准确的心率测量结果。

【技术实现步骤摘要】
用于抑制身体运动效应的毫米波雷达生命体征检测方法


[0001]本专利技术涉及一种用于抑制身体运动效应的毫米波雷达生命体征检测方法，属于雷达信号处理中的非接触式生命体征检测领域。

技术介绍

[0002]非接触式生命体征检测是雷达信号处理中的一个重要研究方向，在医疗健康监测领域、灾难救援、军事安全等众多领域有着极为广阔的应用前景。基于雷达的生命体征检测技术的原理是：雷达发射特定波形的电磁波，照射到人体运动的胸腔壁后产生回波，经过人体胸腔壁调制后的回波包含有胸腔的位移信息，通过对雷达混频后的中频信号进行相应的处理，得到人体的呼吸和心跳频率。
[0003]同时，毫米波技术的集成进一步推进了该方向的发展。由于毫米波雷达全天时、全天候的工作特性以及其具有波束窄、分辨率高、体积小便于携带等优点，将毫米波雷达应用于非接触式生命体征检测近年来已经成为了一个热门的研究领域。呼吸和心跳引起的身体表面的局部振动，其振幅分别约为5毫米和200～500微米。毫米波雷达具有检测小振幅振动的能力，可以准确地检测生命体征。此外，毫米波雷达发射的雷达信号还可以穿透衣服、废墟等非金属物质，检测到人体呼吸和心跳产生的微动信息。
[0004]但是，在实际检测过程中，被测者的身体运动幅度一般比呼吸及心跳活动引起的胸腔位移幅度大得多，从而形成极强的干扰信号，大大降低生命体征检测的准确性。

技术实现思路

[0005]本专利技术提出了一种用于抑制身体运动效应的毫米波雷达生命体征检测方法，其目的是：抑制身体运动对生命体征检测的干扰，从而确保实现极高准确度的生命体征估计。
[0006]本专利技术技术方案如下：
[0007]一种用于抑制身体运动效应的毫米波雷达生命体征检测方法，步骤为：
[0008]步骤S1、雷达信号预处理：从雷达信号中提取出包含生命体征信息的相位数据，然后对相位数据进行多通道平均处理，再用高通滤波器提取出心跳信号；
[0009]步骤S2、选择参数：对心跳信号使用双能量门限检测方法检测身体运动，并判定身体运动模式；依据心跳信号所属的身体运动模式，自适应地选取最大期望算法的初始分布参数；
[0010]步骤S3、使用最大期望算法滤除运动伪影：将受身体运动干扰的心跳信号建模为观测序列，并定义观测序列所对应的隐变量状态序列；为观测序列中的每一个样本的方差引入一个标量权重进行加权；将权重的先验分布预设为Gamma分布，步骤S2所选取的初始分布参数即为初始的Gamma分布参数；根据已建立的模型，使用最大期望算法求解隐变量，输出滤除身体运动伪影后的心跳信号；
[0011]步骤S4、使用快速傅里叶变换谱分析方法获取被测目标的心率：对滤除身体运动伪影后的心跳信号进行快速傅里叶变换，得到心跳信号的频谱；在人体心跳频率范围内寻
找频谱中的最大峰值，该最大峰值所对应的位置即为被测目标的心跳频率。
[0012]作为所述用于抑制身体运动效应的毫米波雷达生命体征检测方法的进一步改进，步骤S1的具体方法为：对雷达中频信号进行距离维快速傅里叶变换，然后选取被测目标所在距离单元，提取出相位数据并进行相位解缠；对同一被测目标对应的四个通道的相位数据执行多通道平均处理，以增强生命体征特征；然后对处理后的相位数据使用截止频率为0.8Hz的高通滤波器，提取出心跳信号。
[0013]作为所述用于抑制身体运动效应的毫米波雷达生命体征检测方法的进一步改进，步骤S2包括：
[0014]步骤21、使用双能量门限检测方法检测身体运动：
[0015]假设x(i)表示心跳信号中第i个样本点的幅度，将第i个样本点附近的M个样本点的能量之和定义为第i个样本点对应的能量统计量，表示为：
[0016][0017]将第i个样本点的能量统计量与两个能量门限值E
th1
、E
th2
进行比较，其中E
th1
＜E
th2
；通过比较结果判定是否发生了身体运动：
[0018][0019]上式中，D
i
等于
‑
1时表示这段信号中没有身体运动发生，D
i
等于0时不进行判决，D
i
等于1时则表示有身体运动发生；
[0020]上述门限值E
th1
和E
th2
是由前一时刻没有发生身体运动时的信号能量的统计平均值和标准偏差决定的：
[0021][0022]上式中，E
th1
(k)和E
th2
(k)分别表示第k个心跳信号采样点对应的两个门限值，E
mean
(k
‑
1)表示前k
‑
1个心跳信号采样点对应的能量平均值，E
std
(k
‑
1)表示前k
‑
1个心跳信号采样点对应的能量值的标准差；β1和β2是两个权重系数。
[0023]作为所述用于抑制身体运动效应的毫米波雷达生命体征检测方法的进一步改进，步骤S2还包括：
[0024]步骤22、身体运动模式判别及自适应参数的选择：
[0025]计算出身体运动时间占心跳信号总时长的百分比t
out
；计算心跳信号中能量最大值与其对应的第二能量门限E
th2
的比值E
r
；
[0026]根据t
out
和E
r
，将身体运动划分为五种模式：
[0027](1)当t
out
＞8％&E
r
≥2时，身体运动模式为Model1：高强度身体运动；
[0028](2)当t
out
＞8％&E
r
＜2时，身体运动模式为Mode2：中等强度身体运动；
[0029](3)当4％＜t
out
≤8％时，身体运动模式为Mode3：低强度身体运动；
[0030](4)当t
out
≤4％&E
r
≥2.5时，身体运动模式为Mode4：微弱身体运动；
[0031](5)当t
out
≤4％&E
r
＜2.5时，身体运动模式为Mode5：几乎未发生身体运动；
[0032]然后根据身体运动模式确定相应的初始Gamma分布参数<a0,b0>：
[0033][0034]作为所述用于抑制身体运动效应的毫米波雷达生命体征检测方法的进一步改进，步骤S3包括：
[0035]步骤31、模型建立：
[0036]将心跳信号建模为观测序列L代表心跳信号的长度，元素G
k
为观测值；该观测序列对应的隐变量状态序列表示为元素U
k
为状态变量；观测序列和隐变量状态序列的关系表示为：
[本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种用于抑制身体运动效应的毫米波雷达生命体征检测方法，其特征在于步骤为：步骤S1、雷达信号预处理：从雷达信号中提取出包含生命体征信息的相位数据，然后对相位数据进行多通道平均处理，再用高通滤波器提取出心跳信号；步骤S2、选择参数：对心跳信号使用双能量门限检测方法检测身体运动，并判定身体运动模式；依据心跳信号所属的身体运动模式，自适应地选取最大期望算法的初始分布参数；步骤S3、使用最大期望算法滤除运动伪影：将受身体运动干扰的心跳信号建模为观测序列，并定义观测序列所对应的隐变量状态序列；为观测序列中的每一个样本的方差引入一个标量权重进行加权；将权重的先验分布预设为Gamma分布，步骤S2所选取的初始分布参数即为初始的Gamma分布参数；根据已建立的模型，使用最大期望算法求解隐变量，输出滤除身体运动伪影后的心跳信号；步骤S4、使用快速傅里叶变换谱分析方法获取被测目标的心率：对滤除身体运动伪影后的心跳信号进行快速傅里叶变换，得到心跳信号的频谱；在人体心跳频率范围内寻找频谱中的最大峰值，该最大峰值所对应的位置即为被测目标的心跳频率。2.如权利要求1所述的用于抑制身体运动效应的毫米波雷达生命体征检测方法，其特征在于：步骤S1的具体方法为：对雷达中频信号进行距离维快速傅里叶变换，然后选取被测目标所在距离单元，提取出相位数据并进行相位解缠；对同一被测目标对应的四个通道的相位数据执行多通道平均处理，以增强生命体征特征；然后对处理后的相位数据使用截止频率为0.8Hz的高通滤波器，提取出心跳信号。3.如权利要求2所述的用于抑制身体运动效应的毫米波雷达生命体征检测方法，其特征在于，步骤S2包括：步骤21、使用双能量门限检测方法检测身体运动：假设x(i)表示心跳信号中第i个样本点的幅度，将第i个样本点附近的M个样本点的能量之和定义为第i个样本点对应的能量统计量，表示为：将第i个样本点的能量统计量与两个能量门限值E
th1
、E
th2
进行比较，其中E
th1
＜E
th2
；通过比较结果判定是否发生了身体运动：上式中，D
i
等于
‑
1时表示这段信号中没有身体运动发生，D
i
等于0时不进行判决，D
i
等于1时则表示有身体运动发生；上述门限值E
th1
和E
th2
是由前一时刻没有发生身体运动时的信号能量的统计平均值和标准偏差决定的：上式中，E
th1
(k)和E
th2
(k)分别表示第k个心跳信号采样点对应的两个门限值，E
mean
(k
‑
1)
表示前k
‑
1个心跳信号采样点对应的能量平均值，E
std
(k
‑
1)表示前k
‑
1个心跳信号采样点对应的能量值的标准差；β1和β2是两个权重系数。4.如权利要求3所述的用于抑制身体运动效应的毫米波雷达生命体征检测方法，其特征在于，步骤S2还包括：步骤22、身体运动模式判别及自适应参数的选择：计算出身体运动时间占心跳信号总时长的百分比t
out
；计算心跳信号中能量最大值与其对应的第二能量门限E
th2
的比值E
r
；根据t
out
和E
r
，将身体运动划分为五种模式：(1)当t
out
＞8％&E
r
≥2时，身体运动模式为Model1：高强度身体运动；(2)当t
out
＞8％&E
r
＜2时，身体运动模式为Mode2：中等强度身体运动；(3)当4％＜t
out
≤8％时，身体运动模式为Mode3：低强度身体运动；(4)当t
out

【专利技术属性】
技术研发人员：刘云学，陈泽坤，胡国英，刘玉儒，
申请(专利权)人：烟台大学，
类型：发明
国别省市：