超宽带雷达物联网呼吸心跳体征提取.docx
- 文档编号:26031093
- 上传时间:2023-06-17
- 格式:DOCX
- 页数:34
- 大小:1.04MB
超宽带雷达物联网呼吸心跳体征提取.docx
《超宽带雷达物联网呼吸心跳体征提取.docx》由会员分享,可在线阅读,更多相关《超宽带雷达物联网呼吸心跳体征提取.docx(34页珍藏版)》请在冰豆网上搜索。
超宽带雷达物联网呼吸心跳体征提取
超宽带雷达物联网呼吸心跳体征提取
摘要
超宽带雷达具有发射功率低,穿透性强,灵敏度高,目标识别能力好等优势。
该雷达在生命体征获取,目标数量识别,目标定位,目标追踪等方面有着广泛应用。
在可见度低的环境,如云雾,雨雪,烟雾等天气情况下仍能保持良好性能,同时可以避免图像识别引发的个人隐私侵犯的问题。
基于超宽带雷达的呼吸心跳生命体征提取是超宽带雷达的重要应用场景之一。
物联网(InternetofThings,IoT)是以互联网、传统电信网等作为载体,将各个能行使独立功能的终端设备联系起来,通过远程控制等方法实现互联互通的网络。
构建超宽带雷达物联网可以有效提高生命体征提取的精确度,同时获取目标不同运动状态的数据。
本文结合国内外研究进展,深入研究了超宽带雷达的特性,在实测之前对雷达脉冲的发射和接收过程进行仿真;仿真后搭建了超宽带雷达物联网,并在车内环境下对对驾驶员的生命体征进行检测和提取。
针对车内复杂的多径反射现象,对实测数据使用经验模态分解和变分模态分解两种算法进行处理,提取生命体征,并进行了比较。
对于影响提取精度的驾驶员相关行为,先采用深度学习的方法识别运动模式,在运动情况下采用运动干扰消除算法,保证提取的精确度。
结果表明,静止状态识别的准确度可以达到93.3%,运动状态准确度为88.5%。
本文的工作主要有:
对脉冲超宽带雷达生命体征检测过程进行仿真;搭建超宽带雷达物联网进行数据采集并提取生命体征;运用深度学习方法识别运动模式,对运动干扰消除方法展开讨论;以上工作内容为超宽带雷达物联网的进一步推广和应用打下了基础。
关键词超宽带雷达物联网呼吸心跳体征信号处理仿真卷积神经网络深度学习
第一章绪论
一.1 研究背景
一.1.1 超宽带技术
超宽带技术的定义是发射纳秒级别的窄脉冲,频谱极宽,美国联邦通信委员会(FCC)的定义是:
比中心频率高25%或者是大于1.5GHz的带宽[1]。
超宽带技术具有高精确度、低功耗、数据传输速率高以及抗干扰能力强等优点。
由于只能提供十几米以内的近距离传输,超宽带技术通常被用于室内网络环境中,通过无线通信连接各种设备,这使得物联网的构建变得更加方便,同时可以实现短距离高速数据传输。
无线通信技术发展迅速,用户需求也在不断增长,超宽带技术有广阔的应用前景,除了数据传输速率高之外,超宽带技术拥有可以达到毫米级的距离分辨力,这为呼吸心跳体征的提取,精准定位,目标追踪等功能的实现提供了可能性[2]。
一.1.2 超宽带雷达
超宽带短距通信与传统的载波通信系统有很大不同,超宽带信号持续的时间短,有着一些其他通信方式所不具备的特性。
最大的特点是超宽带技术的宽带特性,超宽带技术通过与雷达技术的结合可以使得所具有的诸多优点最好的得以应用。
本文主要讨论基于脉冲超宽带雷达所展开的研究。
超宽带雷达的短脉冲达到纳秒级,提供良好的距离分辨率,并具有极其精确的距离测量和分辨率。
它可以识别呼吸和心跳产生的轻微的身体运动,并使呼吸心跳标志提取。
超宽带雷达还具有很强的穿透能力,能够有效穿透衣物的屏障,也可以应用于墙体探测,也可以起到地震救援场景的作用,如某些低能见度条件下的雾气如雾,在雨,雪,烟等恶劣天气条件下,超宽带雷达在图像处理算法太低而无法工作时仍然可以很好地检测到[3]。
它具有出色的分辨率和穿透力可以检测轻微的运动甚至检测静止的物体,这可以在分析后讨论或消除。
值得一提的是,当探测目标涉及人群时,由于不涉及视频监测,不会具体识别目标身份,UWB雷达可以在保证高精度的同时极大地保护目标的隐私。
在超宽带雷达中,天线的作用是非常重要的,能够保证雷达具有良好的角度和距离分辨力。
在雷达的反射截面范围内,超宽带天线能够代替整个系列的用于覆盖整个频带范围的窄带天线阵列。
在超宽带雷达的应用中,实时感知周围多变的环境是最主要的要求之一。
超宽带雷达可以作为一个智能传感器应用于多种场景之中,雷达发射端发射脉冲信号,经过物体多径反射后在接收端得到多个反射信号,反射信号通过多次的的信号处理,可以获得多种有用信息,呼吸心跳体征提取就是一个重要的应用场景[4]。
一.2 超宽带雷达国内外研究现状
一.2.1 国际研究
近年来,国际上开展了大量的对于超宽带雷达的研究,研究的主要内容大体可以分为以下三类:
1.对于生命体征的检测;在[5]中,使用了基于时变傅里叶序列系数的方法来检测不同接收信号下处于障碍物背后的人的呼吸信号;在[6]中,分析了超宽带信号与人体之间的相互作用关系,通过对接收信号进行处理和分析,分离得到有效的心跳信号;在[7]中,同时对多个位于相同距离的目标呼吸心跳监测,能够对最多四种目标进行检测和区分。
2.对于室内环境中多目标的计数和追踪;在[8]中,提出了通过计算信号的有效峰值来进行人数检测的算法;在[9]中,提出了基于人群通过能量进行检测的方法并进行了仿真验证;在[10]中,作者提出了一种基于接收信号中的人数模式来进行人数的判别方法;在[11]中,作者进行了移动目标的检测;在[12]中,进行了多人体目标的检测。
3.用于成像技术;在[13]中,作者提出了一种超宽带3D成像技术,并在仿真中加以验证;在[14]中,对超分辨率雷达图像进行了精确的近场重构。
一.2.2 国内研究
近些年来国内对于超宽带雷达的研究与国际上相类似,主要包括:
1.用UWB雷达来进行生命信号的检测。
包括:
从雷达反射信号中提取呼吸和心跳等重要信息,进行分析和重建,并进行生命信息的检测;运动目标的实时生命体征监测,首先,通过将最大回波幅度映射到快速时间延迟并补偿大幅度的运动来获得生命体征。
其次,采用变分非线性解调模式分解来提取心跳在某一瞬间的瞬时频率。
最后,利用双参数指数阈值扩展了基于小波分解的杂波去除方法,实现了运动目标的生命体征监测。
对信号处理算法进行了分析和改进[3];提出了导数短时傅里叶变换抑制。
增强和增强生命信号;小波变换去除噪声并使用聚类模式进行分解[15]。
2.将超宽带雷达应用于目标检测和跟踪。
包括:
在多径环境下,多基地超宽带雷达的定位与跟踪技术的研究;对雷达系统目标检测和跟踪的相关算法的研究;对无载波超宽带雷达目标检测算法研究;结合神经网络和模式识别的目标检测[16]等方面的研究。
3.将超宽带雷达应用于室内人体目标定位和追踪。
包括:
基于交互多模型而扩展的卡尔曼滤波(IMM-EKF)追踪算法;基于人体多散射的回波模型,实现了对单人、多人目标的距离轨迹追踪。
一.3 研究内容及意义
基于超宽带雷达传感器节点的物联网被称为超宽带雷达物联网(InternetofUWBRadars,IoUWB)。
IoUWB对于时空数据处理的应用场景很多,其中最为典型的一种就是生命体征监测。
基于UWB雷达传感器节点的物联网用于探索IoUWB时空数据中的不同运动干扰,结合深度学习的方法来进行目标运动模式的识别,并讨论有针对性的运动干扰消除算法以实现对于多种运动模式的目标的呼吸心跳体征监测。
通过汽车内部环境中IoUWB系统的信号采集,可以获得目标的呼吸心跳信号,并能够依据获取到的呼吸心跳信号估计处被测目标的身体状况,IoUWB系统的应用场景非常广泛,如车内驾驶员和乘客身体状况的监测,医院病人身体状况的监测,养老院智能养老系统中生命体征的监测等。
高精度呼吸心跳特征提取是长期生命体征监测和短期异常检测研究进行的基础,是UWB雷达系统能够得以推广应用的重要基础支持。
除此之外,非接触式呼吸心跳提取技术可以将人体从传统的需要穿戴的设备中解放出来,这对于在烧伤患者等无法在体表穿戴设备的情况,地震废墟等救援场景下获取呼吸心跳等生命信息具有重要应用价值;通过UWB雷达来进行呼吸心跳体征的获取不会对被监测目标的隐私构成威胁,对使用者的隐私保护方面具有指导意义[17]。
本次毕业设计的内容主要由四部分组成:
1.学习掌握超宽带雷达的无线传播特性和人体生理信号的特点;
2.深入了解UWB雷达的发送信号,工作场景和传输特征以及雷达的各项特征,调研并对发送和接收过程中可能存在的干扰源展开探讨并提出可行的去噪方式,对雷达的发送和接收的整个过程进行仿真;
3.研究设计超宽带雷达物联网并部署实施,成功采集数据;
4.综合前面的工作,对采集到的数据进行分析处理,并结合神经网络,对车内检测目标的运动模式做出识别;
5.研读论文《VitalSignMonitoringandMobilePhoneUsageDetectionUsingIR-UWBRadarforIntendedUseinCarCrashPrevention》,对其中提出的运动干扰消除的方法展开讨论;
一.4 本文的安排
本文主要分为四部分。
第一部分为第二章,对超宽带雷达的无线传输特性进行简单明了的阐述,模拟了IR-UWB雷达发射和接收信号的过程,包括:
UWB雷达发射信号的波形和传播方式,雷达信号传播所经过的信道的参数和建立模型,接收信号中时延的产生原因和模型;通过查阅资料得到人体生理信号的特点和相关参数。
仿真内容包括:
IR-UWB雷达信号的设计,IEEE802.15.3a信道模型的设计,接收信号中时延和噪声的添加。
估算和评估,最后提出了一套可行的脉冲超宽带雷达仿真方案。
第二部分是第三章,主要介绍了车载场景中IoUWB的搭建和数据的采集。
本文主要介绍了IoUWB的组成和工作原理,并介绍了数据采集过程中的具体步骤和情况。
之后,介绍了一些常用于信号处理的算法,并通过对实测数据的处理对算法的优点和不足进行了介绍,对两种算法进行了比较。
第三部分为第四章,主要阐述了深度学习相关的背景,并将之前采集到的车内信号用卷积神经网络进行训练,实现对车内运动模式的识别,并围绕运动干扰消除算法展开讨论,为今后信号处理与深度学习相融合打下了坚实的基础,并且为之后进一步的工作指明了方向。
一.5 本章小结
本章首先简述了本次毕业设计所研究内容的背景,对国内外超宽带雷达系统和超宽带雷达系统的现状和研究进展进行了细致的介绍和分类,之后引出了本次毕业设计研究的具体内容:
超宽带雷达对呼吸心跳体征的获取。
随后又阐述了使用雷达进行呼吸心跳体征获取的前景和意义,以及论文的四个讨论方向。
最后对论文的组织结构做了简要的说明。
第二章
超宽带雷达无线传播特性
二.1 超宽带信号的发射与接收
超宽带雷达一般发射和接收单个或者多个频带脉冲,且每个频带宽度至少为500MHz。
在单频带脉冲超宽带雷达中,超宽带脉冲信号通常持续时间非常短,因此占空比极低,频谱处在基带,具有合适的电磁脉冲波形。
由于其无载波特性,无法将脉冲信号搬移至特定的频段中去,这样的超宽带雷达称为脉冲超宽带通信雷达。
这种系统下,信号进行直接的发射和接收,系统复杂度低,成本也较低。
多频带超宽带雷达分为无载波和有载波(正交频分复用)两种类型。
无载波系统接近于多个单脉冲超宽带系统的叠加;正交频分复用系统是通过将频带切分为很多子带来实现的。
超宽带通信雷达中的UWB脉冲波形形式很多,常用的有拉普拉斯(Laplacian)脉冲、厄密特(Hermite)脉冲、升余弦脉冲、高斯函数脉冲,以及各种组合方式的脉冲等。
其中,采用高斯函数及其各阶导函数形成的脉冲使用最普遍[18]。
脉冲电磁技术由于他的空间分辨率很高,能够穿透场景中的物体进行监测的能力和易于对目标进行检测的特性而广泛应用于军事和民用雷达的使用中的。
正是因为脉冲系统拥有这些优良特性而使得IR-UWB雷达成为商用短距离,低功率室内通信系统的理想选择。
二.2 人体生理信号的特点与提取
人体器官组织因某些原因会向人脑发送生理信息,人体有多种类型的生理信号,包括:
物理信号如血压、心电等,化学信号如人体肌肉、血液的酸碱度等,生物信号如各种酶、ATP等。
其特点是:
第一,产生迅速,传递迅速,作用迅速,第二,某些信号有一定频率,第三,专一性[19]。
人体各种信号并不是相互独立的,相互之间有一定的关联程度,可以通过多种信号来推测出目标当前的健康状况,并能够通过深度学习对目标的运动状态,所处姿态等进行检测。
呼吸心跳是人体最基本的生命特征信息之一。
它是反映人体健康的重要参数,有助于个体疾病的诊断和预防生命危险。
本文基于超宽带雷达系统的高精度,通过检测呼吸和心跳所引起的胸腔的振幅,经过去除杂波,信号选择和相关分解算法处理来实现超宽带雷达系统对于呼吸心跳特征的提取最终实现呼吸心跳信息的无线监测[20]。
在本文中将呼吸和心跳引起的体动用正弦函数来表示,通过正弦函数随时间的变化来描述呼吸心跳的过程:
式(2-1)
其中A为呼吸引起的体动的最大幅度,
为呼吸的频率;B为心跳引起的体动的最大幅度,
为心跳的频率。
二.3 超宽带信号室内传播的信道模型
与传统雷达相比,超宽带雷达信号与目标之间的相互作用明显不同。
超宽带雷达最大的特点为其发射信号的频率带宽很宽,因此被测目标可能会产生具有不同共振频率的散射成分,超宽带雷达的发射信号的波长要比被测目标的直径小得多,会导致被测目标的反射信号产生空间分离问题,即由同一目标的不同部分所反射的超宽带信号在不同时间到达雷达。
这些都是仿真中需要考虑的问题[21]。
Adel.A.M.Saleh和Reinaldo.A.Valenzuela在1987年提出了一种超宽带信号室内多径传播的信道模型[22],称为S-V信道模型,信道的冲激响应式为
式(2-2)
其中𝛿(·)为冲激函数,Npath为信道中产生的多径数,𝑎𝑛是第n径信号的增益或衰减,𝜏𝑛是第n径信号的传播时延。
考虑到信道中存在着噪声,所以在超宽带雷达接收端接收到的信号上叠加噪声为:
式(2-3)
其中𝑟(𝑡)为接收信号,𝑠(𝑡)为发射信号,𝑛(𝑡)为接收端收到信号中叠加的噪声。
由于超宽带雷达系统发射的信号会经过多径反射,并最终由雷达接收器以信号簇的形式捕获。
信号簇的到达时间,即每个信号簇的第一路径信号的到达时间,近似被认为是具有参数λ的泊松分布,并且每个簇信号中的剩余多径信号都服从参数为Λd额泊松分布。
由于每个信号簇都是由多个径的信号组成的,所以可以认为λ>>Λ。
在S-V信道模型中,信号簇的数量理论上是无穷大的。
但是信号簇中每一径都被认为服从瑞利分布,因此每个信号簇中的第一条路径信号的功率呈指数衰减,信号簇中每条剩余路径的功率也呈指数衰减[23]。
S-V信道模型,是以下列结论为支撑:
(1)室内传播信道是准静止的,即随时间的变化非常小;
(2)发射端和接收端的极化状态与信道的冲激响应之间是准相互独立的;(3)接收到的信号簇到达时间服从指数分布,信号簇的幅度服从瑞利分布[24]。
IEEE802.15.3a工作组对S-V模型进行了改进,提出了一组新的UWB室内信道模型,作为评估提出的各种UWB系统的基础[25]。
主要将S-V模型中的簇内每径的幅度分布改为对数正态分布,并给出了信道冲击响应和路径损耗模型,考虑了遮蔽效应。
路径损耗模型采用了窄带系统在自由空间的传播损耗模型,表达式为:
式(2-4)[26]
式中:
为信号波长;
、
为收发天线的增益;
为发射功率;d为收发天线的间距。
多径信道的冲激响应式为:
式(2-5)
式中:
是第i个实现中多径增益参数;
是第l簇的时延;
是第l簇中第k径相对于第l簇第一径的时延;
表示对数正态分布的阴影效应。
二.4
仿真的基本思路及其过程
图2-1脉冲超宽带雷达信号仿真三维图
二.4.1 脉冲超宽带信号的生成
XeThruX4Radar发射波形为:
,雷达的采样频率
为23.328GHz,载频
为7.29GHz,采样点数设为350。
仿真波形如图所示:
图2-2XeThruX4Radar发射脉冲信号仿真波形
二.4.2 仿真的参数及过程
本仿真主要分四部分:
脉冲超宽带信号的发射,802.15.3a信道的仿真,基于目标距离和呼吸心跳过程的传播时延仿真和信号的接收的仿真来进行。
参数:
(雷达的采样率)
(雷达的载频频率)
(脉冲持续时间)
(发射增益)
(接受增益)
发射信号:
基于雷达使用手册中给出的参数和信号发送的公式进行仿真。
802.15.3a信道:
分别对0-4米视距内(无遮挡)、0-4米非视距内(有遮挡)和4-10米非视距内(有遮挡)进行建模,以便在多种场景下进行仿真,使得本仿真更贴近真实实验场景。
传播时延仿真:
传播时延时由雷达与目标距离和呼吸心跳引起的轻微震动相叠加来决定的,因此需要将对呼吸心跳引起的轻微体表震动模型和雷达与人距离一起加以考虑来确定。
接收信号:
通过IEEE802.15.3a标准信道仿真后的脉冲信号添加时延后来决定。
过程:
1.初始化参数;
2.生成脉冲信号
3.脉冲信号通过特定的信道
4.添加时延、噪声和衰落
5.预处理
6.对预处理后的信号进行分解
接收信号的代数式为:
式(2-6)
其中,
为目标与雷达距离,
为雷达采样频率,
为人体呼吸频率,
为人体心跳频率,
为载波频率,
为常量。
二.4.3 仿真环境比较
仿真中在一个面积为100平方米的正方形区域内,放置一部脉冲超宽带雷达,通过不同的信道(有无障碍物),与雷达不同距离来进行测试。
由于采样环境可能不同,信道的参数也有所不同,对与雷达在不同环境中的仿真波形进行了构建和比较:
图2-3有遮挡物时的仿真波形图2-4无遮挡物时的仿真波形
经过比较,障碍物的干扰主要体现在信号通过信道之后频谱波形的集中位置和波形的宽度,由于车内环境密闭和多铁质物品等高反射的特点,决定使用有遮挡物的信道模型作为之后仿真中使用的信道。
二.4.4 仿真结果及分析
选取仿真信号中有目标生命体征信息位置的信号,绘制时间-幅度曲线来分析信号以获取目标的生命体征信息,仿真结果如图2-5:
图2-5呼吸心跳体征信号波形随时间变化关系
仿真频带结果:
图2-6获取到的心跳频率图2-7获取到的呼吸频率
仿真结果显示获取得到呼吸心跳频率与仿真中预先设定的频率相一致,说明这次仿真达到了预期效果。
除此之外,经过分析,实验中可能存在的干扰信号有环境中的直流成分,直达波以及车内环境下的一些高反射物体(铁质座椅、车辆外壳等)在封闭环境中导致的多径反射信号。
综合来说,仿真中合理的模型的建立,可与想到的干扰,衰落成分的添加以及合理的对接收到信号的处理方法,对之后基于时间连续性的信号处理方法的提出,带来了相当的引导和启示,为之后在实际场景中数据的采集和信号处理算法的改进奠定了一定的基础。
二.5 本章小结
本章主要介绍了超宽带雷达的分类与超宽带信号发射和接收特点。
之后介绍了超宽带信号在多种环境下的信道模型。
然后本章系统介绍了本次毕业设计中的仿真的相关工作,包括对雷达发射的脉冲信号的仿真,对信道的仿真,以及对接收到的信号的处理方法的具体内容及流程,仿真的环境和各类参数的设定。
最后,对仿真得到的结果进行了分析并对本仿真方法进行评估,为今后真是数据采集和分析打下了基础。
第三章
超宽带雷达物联网的搭建和数据分析
三.1 超宽带雷达物联网
物联网(InternetofThings,缩写IoT)是以互联网、传统电信网等媒介作为信息承载体,将所有能独立行使功能的物体互联互通的网络[27]。
通过物联网可以用对机器、设备、人员进行集中管理、控制,能实现对多种物体进行控制,并对得到的数据进行整体处理,功能类似自动化操控系统,同时通过收集这些数据,汇聚成大数据,有助于实现机器学习和人工智能,实现物与物相联。
单个雷达采集的数据对于目标所处角度,目标运动状态,目标所处环境都有很高的敏感性。
为了使得到的数据更加稳定,更加准确,也便于研究不同雷达位置对于所测数据准确率的影响,我决定搭建三雷达超宽带雷达物联网。
搭建超宽带雷达物联网的效果图如图3-1:
雷达二
雷达一
图3-1雷达布设
雷达布局方式及具体数据如表3-1:
表3-1雷达布局方式表
测试雷达
角度
距离
雷达一
0°
0.8米
雷达二
40°
1.2米
雷达三
80°
1.8米
三.2 车内超宽带雷达物联网数据采集
三.2.1 数据采集的过程
在上一章的仿真中,主要对室内和车内环境下使用超宽带雷达进行信号、信道和发送接收过程行仿真,有了一个对脉冲超宽带雷达信号发射、接收过程的总体了解,然而仿真和实际测试之间仍然有一定的差别,在实际场景中并不一定完全吻合。
因此,需要在具体的工作环境下进行数据的采集,并对数据进行处理和分析,才能真正解决脉冲超宽带雷达对呼吸心跳体征提取的问题。
我们进行数据采集使用的是XETHRU公司生产的型号为X4的脉冲超宽带雷达,中心频率为7.3GHz。
如图3-2所示;测量的同时使用利康牌血氧仪作为参照对比,如图3-3所示:
图3-2XETHRUX4脉冲超宽带雷达图3-3血氧仪
该脉冲超宽带雷达由两部分组成:
雷达芯片模块和雷达天线。
此外,还有用于为雷达供电和数据传输的传输线。
在数据采集中,设定雷达数据采集有效范围为10m,测试的内容主要从以下三个方面来考虑:
目标角度的不同(与雷达间的夹角);目标运动状态的不同(开车与静坐)。
详细的测试内容为:
1.角度的比较通过对于三个雷达所获取的数据的比较来实现,分别为正对雷达,雷达与目标胸膛正前方呈40°,雷达与目标胸膛正前方呈80°;
2.运动状态为静止状态和驾驶状态两种情形;
采集过程如图3-4所示(红色画圈处为雷达):
图3-4采集过程
三.2.2 数据分析
采集到的数据,既可以以作为之后处理和分析中所用到的实验数据,也可作为构建神经网络所需要的数据集和测试集。
分析的结果分为以下三个方面:
1.由于车内环境的特殊性,接收到的信号多径效应明显,接收到的信号时延扩展明显,目标的不同位置会分别对雷达信号进行反射,另外,信号会在车内发生多次反射,这都加大了接收到的信号的复杂程度;
2.接收到的信号对目标与雷达之间的角度非常敏感,人体与雷达所成角度会对结果有很大应影响。
比如人体正对雷达与侧面反射的信号中呼吸心跳体征信息的强度和识别难度差别巨大;
3.接收到的信号对目标的运动状态非常敏感,人体姿态的变化会对结果有很大应影响。
比如当目标处在静止状态下,反射后接收到的信号平稳有规律(大致为正弦波形);但是在其他运动状态下,反射后接收到的信号的随机性波动很强,对信号的处理有较大的干扰。
三.2.3 数据预处理
接收到的信号中不仅包含人体反射的多径回波,还包含着周围环境反射的信号以及其他引入的噪声,会对之后的信号分解造成干扰,所以需要对采集到的信号进行预处理,使信号更加理想,便于之后的处理。
预处理的主要步骤有:
去直流,带通滤波和去杂波三项。
接收到信号需要先进行的是信号中直流成分的去除,主要方法是对整个信号取平均值,求得直流成分大小,之后在原始信号上减去计算出的直流成分大小,得到不含直流成分的信号。
接下来将去除直流成分的信号通过带通滤波器,选取含有呼吸心跳信息频率范围的信号;最后通过主成分分析(principalcomponentsanalysis缩写,PCA)[28]方法来去除其他无用杂波的干扰。
预处理算法的流程如图3-5,预处理前后的三维图如图3-6和3-7所示:
图3-5预处理流程
图3-6预处理前的雷达信号图3-7预处理后的雷达信号
预处理之后面临的主要问题是预处理之后的信号中呼吸心跳分离的问题
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 宽带 雷达 联网 呼吸 心跳 体征 提取