[发明专利]一种基于超宽带雷达传感器的心跳呼吸特征监测方法

说明书

本发明公开一种基于超宽带雷达传感器的心跳呼吸特征监测方法，涉及心跳信号检测技术领域，包括如下步骤：将检测到的呼吸信号和心跳信号作为回波信号；将回波信号进行预处理，并且选取距离门得到一维信号；将得到的一维信号用经典模态分解算法进行模态分解，得到模态个数K以及这K个具体模态；根据模态个数K和这K个具体模态，通过变分模态分解算法对步骤2中的一维信号进行模态分解后，提取呼吸模态和心跳模态；将提取出的呼吸模态和心跳模态分别进行频谱变换得到各自的频域信息，由频域信息可以直接得到单目标每分钟的呼吸次数和心跳次数。本发明解决了目前的方法抗干扰性差、准确度低下和模态混叠的问题。

技术领域

本发明涉及心跳信号检测技术领域，尤其涉及一种基于超宽带雷达传感器的心跳呼吸特征监测方法。

背景技术

美国联邦通信委员会(FCC)发布的超宽带无线电设备规范定义了超宽带信号，即绝对带宽大于500MHz的信号。超宽带信号主要信号形式有两种：窄脉冲载体形式UWB和调制载波形式UWB。生物雷达在人体体征检测方面有越来越多研究。不论是在普通的健康管理，还是在发生自然灾害后对生命的探测，心跳和呼吸的健康状态都是极为重要的。

现有对人体的体征检测方法有接触式和非接触式两种。接触式方法需要电极或传感器与人体接触来采集信号，有一定的应用限制，例如当皮肤损伤或其他不允许接触式测量的情况。非接触式方法有激光、红外、雷达信号等方式。但是在发生自然灾害时，往往会有很多废墟阻挡红外和激光的传播，不能达到测量人体体征的目的。基于雷达信号是应用范围最广的一种，而超宽带雷达信号更是具有穿透力强、发射功率低、测距分辨率高等优势。因此这些年也有一些学者利用超宽带雷达信号来对人体进行体征检测。但是因为雷达信号会有较多杂波和噪声，也会有呼吸和心跳之间的谐波影响，所以被检测的人体姿势以及运动状态会影响检测的准确率。

现有对人体非接触性雷达检测算法主要有两部分，一类是基于傅里叶变换的信号处理方法，一类是经典模态分解算法(EMD算法)。

基于傅里叶变换的信号处理算法，是采用一系列滤波手段，提取呼吸、心跳波形，并通过相关傅里叶变换到频域，得到呼吸、心跳的频域特征。这种方法只能得到全局特征，无法得到人体体征瞬时的情况。并且这种方法对原始信号的纯净性要求很高：当杂波和噪声较多时，很难提取到所需信号特征。

经验模态分解算法(EMD算法)是根据信号的局部极值相关特征来将信号分解成一系列模态的算法，关键在于模态的分解，分解后的模态满足两个条件：(a)极值个数和零点个数相等或最多相差一个(b)任一点处的极大值和极小值的包络平均值为零。它是循环算法，直到最后一个序列为单调函数不可再分解为止。EMD算法比基于傅里叶变换的算法要更加适合于呼吸、心跳这种非平稳信号，但是它存在端点效应和模态混叠等缺点。

发明内容

本发明的目的在于：为解决现有的基于超宽带雷达传感器的心跳呼吸特征监测方法抗干扰性差、准确度低下和模态混叠的问题，本发明提供一种基于超宽带雷达传感器的心跳呼吸特征监测方法。

本发明的技术方案如下：

一种基于超宽带雷达传感器的心跳呼吸特征监测方法，包括如下步骤：

步骤1：检测单目标在一种或多种状态下的呼吸信号和心跳信号，并将检测到的呼吸信号和心跳信号作为回波信号；

步骤2：将回波信号进行去除杂波和噪声预处理，并且选取距离门得到一维信号，见图1；

步骤3：将步骤2中得到的一维信号用经典模态分解算法进行模态分解，得到模态个数K以及这K个具体模态，具体见图2；

步骤4：根据模态个数K和这K个具体模态，通过变分模态分解算法对步骤2中的一维信号进行模态分解后，提取呼吸模态和心跳模态；