[发明专利]一种基于毫米波雷达的生命体征监测方法

说明书

一种基于毫米波雷达的生命体征监测方法，使用基于自适应阈值函数的小波阈值去噪方法，对采集的信号进行去噪处理，可以获得纯净的生命体征信号，并且该方法可以通过调节控制因子的大小来适应不同的信号，达到更好的去噪效果；在生命体征频率估计时，使用Hamming窗函数与MUSIC算法相结合的方法，通过使用Hamming窗函数对滑窗数据进行处理，再利用MUSIC算法构建空间谱，进行谱峰搜索，获得心跳和呼吸的频率。该方法具有更好的平稳性、抗噪性和分辨率，不仅可以剔除测量环境中杂波对结果的影响，还可以减少呼吸谐波对心率估计的影响，进一步提高了呼吸和心跳信号频率估计结果的准确性。

技术领域

本发明属于生命体征识别领域，具体涉及一种基于毫米波雷达的生命体征监测方法，旨在提高心跳信号和呼吸信号频率估计的准确性。

背景技术

在医学领域，心跳频率和呼吸频率是用来衡量人体健康情况的重要生理指标。通过毫米波雷达探测人体胸腔的微小位移，从而获取心跳和呼吸信号，再对其进行处理，可以计算得到心跳频率和呼吸频率，为医学治疗与监护提供参考。在面对传染性疾病时，使用毫米波雷达对患者进行非接触式监测，可以减少医护人员与病患的接触，有效降低病情传染的风险，是一种便捷、安全的生命体征监测方案。

用雷达监测生命体征信号时，主要有信号采集、信号预处理、信号分离、频率估计等环节。信号采集是通过雷达发射信号并接收回波信号；信号预处理阶段通过傅里叶变换和反正切函数来获取胸腔位移信息，并进行相位展开，再对获得的相位信号进行去噪处理；信号分离阶段对去噪后的信号进行带通滤波，分离出心跳和呼吸信号；频率估计阶段通过多信号分类算法分别估计出心跳频率和呼吸频率。

在预处理阶段，由于信号采集时接收到的雷达回波信号含有多种干扰信号和噪声，如被测人员的呼吸谐波、测量场景中人或设备的移动、电线干扰等，会导致信号纯净度不高，并影响最终结果的准确性。常见的去噪方法有带通滤波、小波阈值去噪等。带通滤波可以滤除部分噪声，但是仍然可能含有呼吸二次谐波或三次谐波，导致分离出来的心跳信号不够纯净。传统小波阈值去噪实际上是特征提取和低通滤波的综合，不仅可以起到滤波器的作用，还可以在降噪后保留信号特征，但它需要人为选取小波基和分解层数，并且不是完全自适应的，选取不同的阈值和阈值函数会对去噪效果造成影响。

频率估计是生命体征监测的重要环节。常见的频率估计方法主要有短时傅里叶变换、经验模态分解、多信号分类算法等。这些方法有一定效果，但也存在局限。短时傅里叶变换在分析平稳信号时性能较好，但分析非平稳信号时效果不佳。经验模态分解是一种自适应的信号处理方法，适合处理非线性、非平稳信号，但在经验模分解的过程中，若局部极值在短时间内发生多次变化将会导致模态混叠问题，从而影响信号分析结果。MUSIC算法具有估计精确度高的优点，但抗噪性不高，会对频率估计结果的准确性造成影响。

发明内容

针对上述缺陷，本发明提出了一种基于毫米波雷达的生命体征监测方法，在信号预处理阶段，采用基于自适应阈值函数的小波阈值去噪算法来去除信号噪声，提升信号纯度。在频率估计时，将Hamming窗函数与MUSIC算法相结合，以提高算法的频率分辨率和抗噪性能，提升估计结果的准确性。

一种基于毫米波雷达的生命体征监测方法，其特征在于：所述方法包括如下步骤：

步骤1，信号采集；使用毫米波雷达对人体进行生命体征信号的采集，并将采集到的信号进行数字化处理；

步骤2，信号预处理，包括定位、展开和去噪；

步骤2.1，目标定位；对步骤1得到的数据进行快速傅里叶变换，将时域信号转变为频域信号，得到频谱图，频谱中峰值的位置对应目标的距离；

步骤2.2，相位展开；对步骤2.1中获得的频域信号的峰值处，即目标所在位置处的信号，使用反正切函数获得相位值，再通过加减2π的倍数进行相位展开，通过相位随时间的变化体现出胸腔的周期性运动；