[发明专利]一种适用于微动干扰场景的目标人体运动状态识别方法

权利要求书

1.一种适用于微动干扰场景的目标人体运动状态识别方法，其特征在于，包括以下步骤：

1)搭建连续波雷达收发机，获取目标空间内人体运动形成的多谱勒信号，包括目标人体信号和其他人体的微动信号；

2)运用经验模态分解算法，去除目标空间内其他人体微动作所产生的微多普勒信号，提取目标人体产生的信号；所述目标人体产生的信号包括多普勒信号和微多谱勒信号；

3)运用短时傅立叶变换和Hermite多窗口，对目标人体信号进行时频能量谱分析，并对该信号进行能量聚集；

4)运用能量聚集后所得的时频能量谱，提取人体躯干运动和摆臂运动的特征；

5)运用集成学习思想，将Bagging和决策树组合形成运动状态分类器，实现静止、跑步、爬行、单臂运动、双臂运动、无臂运动共6种运动状态的识别。

2.根据权利要求1所述的目标人体运动状态识别方法，其特征在于，所述步骤2)中，运用经验模态分解算法，去除目标空间内其他人体微动作所产生的微多普勒信号，提取目标人体产生的信号，具体如下：

2.1)运用经验模态分解算法，将雷达回波信号分解为多个本征模态函数IMF，具体步骤如下：

2.1.1)获取步骤1)得到的原始信号数据序列x(t)的所有极大值点和极小值点，分别运用三次样条插值函数拟合出原始信号数据序列的上包络线和下包络线并求得上、下包络线的平均曲线：

2.1.2)使用原始信号数据序列x(t)减去上下包络的平均曲线，得到余量h₁(t)，若h₁(t)不满足IMF条件，则用h₁(t)代替x(t)；重复前面的过程直到所得到的h_N(t)满足IMF条件，则分解得到了第一个IMF，记为C₁(t)，具体公式如下：

C₁(t)＝h_N(t)

r₁(t)＝x(t)-C₁(t)

其中，r₁(t)为信号x(t)的剩余部分；

2.1.3)对信号剩余部分r₁(t)，将剩余部分r₁(t)代替原始信号数据序列x(t)继续按步骤2.1.1)至2.1.2)分解，直到所得剩余信号为一单调信号或者其值小于预先设定的门限，最终分解得到所有的IMF及残差分量，公式如下：

x(t)＝C₁(t)+C₂(t)+…+C_n(t)+r_n(t)；

2.2)分解得到的IMF函数按频率成分大小分布，去除掉包含有目标空间内其他人体微动作所产生的微多普勒信号所对应的IMF，将剩余分解得到的IMF函数进行求和实现信号重构，获得离散复数信号。

3.根据权利要求1所述的目标人体运动状态识别方法，其特征在于，所述步骤3)中，运用短时傅立叶变换和Hermite多窗口，对目标人体信号进行时频能量谱分析，并对该信号进行能量聚集；具体如下：

3.1)获取步骤2.2)得到的重构信号，并计算K阶Hermite函数，K＝0，1，2，3，并将K阶Hermite函数作为多窗口函数引入短时傅里叶变换，公式如下：

其中，P_k(t)为K阶Hermite函数；

3.2)通过选择不同阶次Hermite函数的最优加权系数d_k，计算经过多窗口处理后的功率谱估计并得到时间频率能量谱，其中K＝4时，d₀＝1.875d₁＝-1.375d₂＝0.625d₃＝-0.125，公式如下所示：

3.3)在频域上加长度固定的窗P(l)，其长度为2L+1，其中，L为频域窗P(l)自变量l取值范围，在时频点(n,m)进行能量谱计算的同时，对同时刻点的邻近频率点以f＝k为对称轴进行能量谱求和，再将这一结果补充到能量谱分析结果中，最终结果作为能量聚集后的时频能量谱，公式如下：