一种基于毫米波雷达的人体呼吸和心跳信号准确提取方法技术

本发明专利技术公开了一种基于毫米波雷达的人体呼吸和心跳信号准确提取方法

【技术实现步骤摘要】
一种基于毫米波雷达的人体呼吸和心跳信号准确提取方法


[0001]本专利技术属于生命信号检测技术，具体涉及一种基于毫米波雷达的人体呼吸和心跳信号准确提取方法
。

技术介绍

[0002]现代社会对于呼吸和心跳等生命信号的检测具有极其重要的意义
。
呼吸和心跳作为人体基本的生理功能指标，其变化可以提供宝贵的健康信息，对于疾病预防
、
医疗诊断
、
监护护理和安全防护等方面至关重要
。
首先，呼吸和心跳是评估人体生命活动的关键参数之一
。
通过监测呼吸和心跳的频率
、
节律和幅度等特征，可以判断一个人的呼吸系统和心血管系统的功能状态
。
异常的呼吸和心跳信号可能暗示着各种健康问题，如心脏病
、
呼吸系统疾病
、
睡眠障碍等
。
因此，及时准确地监测呼吸和心跳信号对于早期疾病发现和治疗具有重要意义
。
[0003]然而，传统的呼吸和心跳监测方法存在一些缺陷
。
例如，接触式传感器需要与人体直接接触，可能造成不适感或干扰，尤其对于长时间的监测不太适宜
。
此外，摄像设备常常需要明亮的光线和良好的环境条件，对隐私性有一定的侵犯，并且在复杂的背景下可能受到干扰
。
因此，需要一种非接触
、
便捷
、
准确的方法来监测呼吸和心跳信号
。
在这方面，毫米波雷达技术展现出巨大的潜力和优势
。
毫米波雷达利用毫米波频段的电磁波进行探测和成像，具有高分辨率
、
强穿透力和非接触式检测的特点
。
对于呼吸和心跳信号的监测，毫米波雷达可以通过测量毫米波在人体与环境之间的反射和散射特性，实时获取呼吸和心跳的信息
。
[0004]毫米波雷达测量呼吸和心跳信号的优势在于其非接触性，无需与人体直接接触，避免了传统方法可能带来的不适感或干扰
。
此外，毫米波具有较高的分辨率，能够实现对人体微小运动的高精度成像和检测
。
它具有较强的穿透力，能够穿过衣物和障碍物，实现对人体内部的信号检测
。
因此，毫米波雷达作为一种先进的无线传感技术，在呼吸和心跳信号的检测领域具有巨大的潜力和优势
。
它可以为健康监测
、
医疗诊断和安全防护等方面提供更加便捷
、
准确和可靠的解决方案
。
本专利技术提出了一种基于毫米波雷达的人体呼吸和心跳信号准确提取方法，首先通过奇异谱分析
(Singular Spectrum Analysis,SSA)
去噪，随后采用自适应噪声完备集合经验模态分解
(Complete Ensemble Empirical Mode Decomposition with Adaptive Noise,CEEMDAN)
对呼吸和心跳信号分离，最后分别采用
FastICA
和二阶导
FastICA(Second Order Derivative FastICA,SOD
‑
ICA)
提取呼吸信号和心跳信号
。
该方法实现了生命信号的高效去噪，完成了呼吸和心跳信号的精确分离，并采用对信号求二阶导的方法抑制了呼吸谐波心跳信号的干扰，实现了呼吸和心跳信号的准确提取
。

技术实现思路

[0005]本专利技术的目的是提供一种高效的非接触式呼吸和心跳信号提取方法，它通过
SSA
算法以及
CEEMDAN
算法实现了呼吸和心跳信号的降噪及分离
。
当心跳信号中存在呼吸谐波干扰时，通过对信号求二阶导可充分抑制呼吸谐波的干扰，该方法在抑制呼吸谐波的同时保证了呼吸和心跳信号的准确率
。
[0006]本专利技术所述的一种基于毫米波雷达的人体呼吸和心跳信号准确提取方法，包括以下步骤：
[0007]步骤一
、
采用调频连续波
(frequency modulated continuous wave,FMCW)
雷达采集人体胸腔位置相位信号
。
首先对每一帧的中频信号做快速傅里叶变换
(fast fourier transform,FFT)
可得到人体所在位置
。
随后将每一帧数据中人体位置相位信号提取出来得到
x(t)。
[0008]步骤二
、
采用奇异谱分析对
x(t)
去噪，利用
x(t)
构造一个轨迹矩阵
X
，对轨迹矩阵构造协方差矩阵
S
＝
XX
T
，在对
S
进行奇异值分解后可得到若干个降序排列的特征值
λ
i
，每个特征值对应特征向量
U
i
。X
可表示为多个子矩阵的和，特征值越大则对应的子矩阵所包含的信号成分越重要
。
通常选取前
c
个最大特征值重构
X
得到重构后的生命信号序列
X(t)。
[0009]步骤三
、
采用自适应噪声完备集合经验模态分解
(Complete Ensemble Empirical Mode Decomposition with Adaptive Noise,CEEMDAN)
对呼吸和心跳信号分离
。
将具有标准正态分布的高斯白噪声
n
g
(t)
添加到
X(t)
上，得到
g
个信号序列，对每个信号进行
EMD
分解得到
IMF
1,g
(t)。
对
g
个
IMF
求平均得到第一个分量
IMF1(t)。
则第一个残余分量
r1(t)
为
r1(t)
＝
X(t)
‑
IMF1(t)。
随后，将白噪声
n
g
(t)
添加到残余分量
r1(t)
上重复上述步骤即可得到
IMF2(t)。
重复上述步骤，直到残余分量为单调函数为止，
X(t)
经过
CEEMDAN
之后可以得到
J
个
IMF
分量及一个残差分量
。
计算每个
IMF
信号中
0.1
‑
0.5Hz
的分量以及
0.8
‑
2.0Hz
分量所占的百分比
。<本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于毫米波雷达的人体呼吸和心跳信号准确提取方法，其特征在于包括以下步骤：步骤一
、
采用调频连续波
(frequency modulated continuous wave,FMCW)
雷达采集人体胸腔位置相位信号
。
首先对每一帧的中频信号做快速傅里叶变换
(fast fourier transform,FFT)
可得到人体所在位置
。
随后将每一帧数据中人体位置相位信号提取出来得到
x(t)。
步骤二
、
采用奇异谱分析对相位信号
x(t)
去噪，对
x(t)
构造一个轨迹矩阵
X
，对于长度为
N
的
x(t)
，设置一个长度为
L
的窗口，
L
需满足1＜
L≤N/2。
可得到轨迹矩阵对轨迹矩阵构造协方差矩阵
S
＝
XX
T
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2)
在对
S
进行奇异值分解后可得到若干个降序排列的特征值
λ
i
，每个特征值对应特征向量
U
i
。
则
X
可表示为多个子矩阵的和：其中
R
为非零特征值个数
。
特征值越大则对应的子矩阵所包含的信号成分越重要
。
若选取了前
c
个最大特征值重构
X
，则重构后的
X
可表示为采用对角线平均法进行提取经过运算后即可得到重构后的生命信号序列
X(t)。
步骤三
、
采用自适应噪声完备集合经验模态分解
(Complete Ensemble Empirical Mode Decomposition with Adaptive Noise,CEEMDAN)
对呼吸和心跳信号分离
。
将具有标准正态分布的高斯白噪声
n
g
(t)
添加到
X(t)
上，得到
g
个信号序列，对每个信号进行
EMD
分解得到
IMF
1,g
(t)。
则
CEEMDAN
分解的第一个分量
IMF1(t)
可通过下式计算：其中，
g
＝
1,2,
…
,G。
可得到第一个残余分量
r1(t)
为：
r1(t)
＝
X(t)
‑
IMF1(t)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(6)
然后，将白噪声
n
g
(t)
添加到残余分量
r1(t)
上重复公式
(5)
即可得到
IMF2(t)。
重复上述步骤，直到残余分量为单调函数为止，
X(t)
经过
CEEMDAN
之后可以得到
J
个
IMF
...

【专利技术属性】
技术研发人员：王勇，刘恒，周牧，何维，杨小龙，庞宇，
申请(专利权)人：重庆邮电大学，
类型：发明
国别省市：