一种基于毫米波雷达的多人生命体征监测方法

技术领域

本发明属于毫米波雷达生命体征监测领域，涉及雷达信号处理和和阵列信号处理技术，具体涉及一种基于毫米波雷达的多人生命体征监测方法。

背景技术

随着5G通信和物联网(Internet ofThings，IoT)技术的快速发展，智能健康监测设备在人们日常生活逐渐普及。通过对人体各项生理参数指标进行监测，能够实现对人体各个器官和肌肉活动的健康管理。呼吸、心跳等生命特征信号是判断人体心肺活动是否正常的重要依据，对其特征参数进行准确、实时的监测对临床疾病诊断、健康监测等领域的发展有着重要的促进作用。

传统的生命体征监测系统多为接触式设备，近年来开发有心电监测、信息化监护仪等产品，这些产品具有功能丰富，测量精度高，稳定性好等特点，但都需要用户一直佩戴才能实时获取生命体征信息。

为解决接触式生命体征监测系统的痛点，非接触式生命体征监测技术应运而生。毫米波雷达具有低功耗、抗干扰能力强、分辨率高等特性，能够在不与人体直接接触的情况下，准确、高效地实现呼吸、心率的实时监测，具有良好的舒适性。因此，基于毫米波雷达的生命体征监测技术在智能健康监测领域具有广泛的应用前景

呼吸和心跳会引起人体胸腔的起伏，进而引起雷达与被测人体之间的径向距离的变化。从雷达回波信号中测量该径向距离的变化，从而估计人体呼吸心跳速率是雷达检测生命体征的关键。毫米波频段的调频连续波(Frequency Modulated Continuous Wave,FMCW)可以实现大带宽，这使得雷达能够获得更好的距离分辨率。文献“G.Sacco,E.Piuzzi,E.Pittella,et al.An FMCW Radar for Localization and Vital Signs Measurementfor Different Chest Orientations[J].Sensors,2020,20(12):3489.”使用FMCW雷达搭配高增益天线，研究了在胸腔相对于雷达辐射方向不同角度情况下的生命体征检测问题。对于FMCW雷达，精确的谱估计算法决定了人体生命体征检测的准确率和可靠性。文献“H.Chang,C.Lin,Y.Lin,et al.DL-Aided NOMP:a Deep Learning-Based Vital SignEstimating Scheme Using FMCW Radar[C]//2020IEEE 91st Vehicular TechnologyConference(VTC2020-Spring).IEEE,2020:1-7.”使用匹配追踪算法结合深度学习方法增强了低信噪比下呼吸和心跳的估计精度。文献“C.Huang,G.Fang,H.Chuang,etal.Clutter-Resistant Vital Sign Detection Using Amplitude-Based Demodulationby EEMD-PCA-Correlation Algorithm for FMCW Radar Systems[C]//201949thEuropean Microwave Conference(EuMC).IEEE,2019:928-931.”使用雷达回波在慢时间轴上的幅度变化来表征生命体征信号，并采用集合经验模态分解结合主成分分析法，进一步提高心跳呼吸频率估计精度。文献“SUN L,HUANG S,LI Y,et al.Remote MeasurementofHuman Vital Signs Based on Joint-Range Adaptive EEMD[J].IEEE Access,IEEEAccess,2020,8:68514–68524.”提出了自适应集合经验模态分解的方法，同时使用多个距离上的相位信息实现自适应的心跳呼吸信号分离和估计，将估计误差限制在6bpm以下。文献“LEE H,KIM B-H,PARK J-K,et al.A Novel Vital-Sign Sensing Algorithm forMultiple Subjects Based on 24-GHz FMCW Doppler Radar[J].Remote Sensing,RemoteSensing,2019,11(10):1237.”使用超分辨谱估计技术，弥补了雷达的距离分辨率，结合FFT算法提取出的相位信息实现生命体征的探测，可以在距离上更好的区分多个目标实现多目标的探测。

但是，大多数研究仅针对单人进行生命体征监测。相比之下，多人呼吸心跳监测的难点在于如何对多个人体的雷达回波进行分离提取，在多人生命体征检测的场景中，存在着多种不理想因素，比如信号到达角失配、导向矢量误差以及样本协方差矩阵中含有期望信号成分等，降低了生命体征信号的分离效率。

发明内容

发明目的：为了克服现有技术中多人生命体征监测技术匮乏的问题，提供一种基于毫米波雷达的多人生命体征监测方法，实现了非接触式的多人生命体征监测，通过距离-方位角-仰角的联合估计，有效分离了不同人体的回波信号，去除了监测场景中的干扰信号，利用多种算法联合估计心率、呼吸速率，提高了监测精度，保证了良好的监测效果。

技术方案：为实现上述目的，本发明提供一种基于毫米波雷达的多人生命体征监测方法，包括如下步骤：

S1：利用毫米波雷达向人体发射调频连续波(Frequency Modulated ContinuousWave,FMCW)信号，并对回波信号进行混频提取中频信号；

S2：利用多重信号分类(Multiple Signal Classification，Music)算法估计人体相对雷达的方位角，并进行接收波束形成；

S3：对提取的中频信号进行距离维快速傅里叶变换(Fast Fourier Transform,FFT)得到不同人体所处距离门的位置，并对各距离门进行静态干扰去除，生成距离-方位角热图；

S4：利用Music算法估计人体相对雷达的仰角，并提取所得仰角对应的距离-方位角热图；

S5：采用二维恒虚警率(Two-dimensional Constant False-Alarm Rate,2D-CFAR)检测算法确定不同人体的检测点，并根据距离-方位角-仰角提取不同人体的中频信号；

S6：从不同人体分离后的中频信号中提取相位差信号，并利用FFT、峰间距、互相关等算法估计其心率、呼吸速率。

进一步地，所述步骤S1中中频信号的提取步骤为：

A1：假设发射天线数为M

其中，f

s

其中，

a(θ)＝[1,exp(jπsinθ),...,exp(jπ(M

A2：假设场景中共存在L,L≤M

其中，

b(θ)＝[1,exp(jπsinθ),...,exp(jπ(M

A3：将回波信号与发射信号混频后可以表示为

其中，(·)

其中，λ表示波长；

进一步地，所述步骤S2中利用Music算法估计人体相对雷达的方位角的步骤为：

B1：计算接收信号的协方差矩阵为：

R＝y(t)y

B2：计算协方差矩阵的特征值分解为：

R＝UΣU

其中，

B3：将特征值按照大小进行排序，把L个大特征值对应的特征向量视为信号子空间，把剩下M

其中，下标s和n分别代表信号和噪声；

B4：计算谱峰函数为：

B5：第l个人体相对雷达的方位角可以估计为：

进一步地，所述步骤S2中接收波束形成的步骤为：

其中，A

进一步地，所述步骤S3中对中频信号进行距离维FFT获取中值频率，并通过所得中值频率估计人体相对雷达的时延，得到不同人体所处距离门的位置，忽略发射、接收导向矢量后，计算L个人体的中频信号的FFT为：

其中，

进一步地，所述步骤S3中去除静态干扰的步骤为：

C1：假设雷达脉冲数为N

z

其中，z

C2：第n个接收天线所有脉冲距离维FFT的平均值为：

C3：第c个脉冲去除静态干扰后的数据为：

进一步地，所述步骤S3中距离-方位角热图的计算公式为：

其中，(·)

其中，

进一步地，所述步骤S4中利用Music算法估计人体相对雷达的仰角的步骤为：假设接收阵列垂直方向具有M

其中，

其中，

其中，

c(θ)＝[1,exp(jπsinθ),...,exp(jπ(M

进一步地，所述步骤S5中利用2D-CFAR检测算法确定不同人体的检测点的步骤为：设置虚警率和距离-方位角窗口大小，基于高斯分布概率密度估计噪声参数，计算阀值，判断整张热图是否检测完毕，确定检测点。

进一步地，所述步骤S6中对人体心率、呼吸速率的估计流程为：

D1：对中频信号，每一个帧周期内提取一次相位，若人体与雷达的距离-方位角-仰角发生变化，则需要对人体的距离-方位角-仰角进行跟踪，重新得出此时人体所处检测点，然后提取相位，循环发射N帧，即可得到目标的相位随帧数的变化曲线，也可看作目标相位与时间的关系；对所提取相位信号进行相位解缠绕，以确保相位值在[-π，π]之间，每当连续值之间的相位差大于/小于±π时，从相位中减去/加上2π；对相位信号逐帧作差得到相位差信号；

D2：依据呼吸和心跳频率的不同，利用带通滤波器滤波将呼吸和心跳的相位差信号进行滤波分离；

D3：对心跳的相位差信号进行运动干扰滤除(因为心率的测量是基于心脏收缩和舒张的微小运动产生的距离差，而引起的相位变化，依据微多普勒原理，当人的身体出现大幅摆动时，将会对其准确性造成影响)，此处通过将样本进行分割，设置能量阈值去判断是否符合心率的变化范围，通过丢弃大能量数据段并整合稳定状态下的数据段进行下一步的估计；

D4：采用频域的FFT和时域的峰间距、互相关等多种算法对呼吸和心跳的相位差信号进行处理，并取三种算法结果的平均值以获取当前时刻的呼吸和心跳频率；

D5：记录一段时间内的呼吸和心跳频率，根据置信度指标判断此时的真实频率，并输出呼吸、心跳频率随时间变化的关系；

D6：对心跳频率进行呼吸频率的谐波滤除(此处的心跳频率中很可能是呼吸频率的谐波，如：呼吸速率为30，心跳速率为60、90、120等，则此处的心跳速率大概率为呼吸速率的谐波干扰，而不是实际心跳速率)。

本发明提供了一种基于毫米波雷达的多人生命体征监测方法，首先采用毫米波雷达对人体发射FMCW信号，并将雷达回波信号与发射信号混频获取中频信号，然后分别采用FFT算法和MUSIC算法估计人体相对雷达的距离和方位角、仰角，生成距离-方位角-仰角剖面，并采用2D-CFAR算法确定不同人体的检测点，最后从目标检测点中提取不同人体的相位信号，估计呼吸、心跳速率。

上述方案可以归纳为如下两个步骤：

(1)利用毫米波雷达采集人体生命体征的中频信号，采用FFT、MUSIC、2D-CFAR等算法寻找不同人体的距离-方位角-仰角参数，根据参数的不同分离并提取不同人体的中频信号。

(2)从中频信号中提取相位信息，并采用FFT、峰间距、互相关、置信度等算法估计各人体的心跳、呼吸速率，获取生命体征信息。

有益效果：本发明与现有技术相比，实现了非接触式的多人生命体征监测，通过距离-方位角-仰角的联合估计，有效分离了不同人体的回波信号，去除了监测场景中的干扰信号，利用多种算法联合估计心率、呼吸速率，提高了监测精度，保证了良好的监测效果。

附图说明

图1是本发明的流程示意图；

图2是估计心跳、呼吸速率的算法流程图；

图3是毫米波雷达区域监测图；

图4是人员1的呼吸、心跳波形图，其中图4(a)是呼吸波形图，图4(b)是心跳波形图；

图5是人员2的呼吸、心跳波形图，其中图5(a)是呼吸波形图，图5(b)是心跳波形图。

具体实施方式

下面结合附图和具体实施例，进一步阐明本发明，应理解这些实施例仅用于说明本发明而不用于限制本发明的范围，在阅读了本发明之后，本领域技术人员对本发明的各种等价形式的修改均落于本申请所附权利要求所限定的范围。

一、本发明提供一种基于毫米波雷达的多人生命体征监测方法，如图1所示，包括如下步骤：

S1：利用毫米波雷达向人体发射FMCW信号，并对回波信号进行混频提取中频信号；

S2：利用Music算法估计人体相对雷达的方位角，并进行接收波束形成；

S3：对所述中频信号进行距离维FFT，并对各距离门进行静态干扰去除，生成距离-方位角热图；

S4：利用Music算法估计人体相对雷达的仰角，并提取所得仰角对应的距离-方位角热图；

S5：采用2D-CFAR检测算法确定不同人体的检测点，并根据距离-方位角-仰角提取不同人体的中频信号；

S6：从所述不同人体分离后的中频信号中提取相位差信号，并利用FFT、峰间距、互相关等算法估计其心率、呼吸速率。

步骤S1中中频信号的提取步骤为：

A1：假设发射天线数为M

其中，f

s

其中，

a(θ)＝[1,exp(jπsinθ),...,exp(jπ(M

A2：假设场景中共存在L,L≤M

其中，

b(θ)＝[1,exp(jπsinθ),...,exp(jπ(M

A3：将回波信号与发射信号混频后可以表示为

其中，(·)

其中，λ表示波长；

步骤S2中利用Music算法估计人体相对雷达的方位角的步骤为：

B1：计算接收信号的协方差矩阵为：

R＝y(t)y

B2：计算协方差矩阵的特征值分解为：

R＝UΣU

其中，

B3：将特征值按照大小进行排序，把L个大特征值对应的特征向量视为信号子空间，把剩下M

其中，下标s和n分别代表信号和噪声；

B4：计算谱峰函数为：

B5：第l个人体相对雷达的方位角可以估计为：

步骤S2中接收波束形成的步骤为：

其中，A

步骤S3中对中频信号进行距离维FFT获取中值频率，并通过所得中值频率估计人体相对雷达的时延，得到不同人体所处距离门的位置，忽略发射、接收导向矢量后，计算L个人体的中频信号的FFT为：

其中，

步骤S3中去除静态干扰的步骤为：

C1：假设雷达脉冲数为N

z

其中，z

C2：第n个接收天线所有脉冲距离维FFT的平均值为：

C3：第c个脉冲去除静态干扰后的数据为：

步骤S3中距离-方位角热图的计算公式为：

其中，(·)

其中，

步骤S4中利用Music算法估计人体相对雷达的仰角的步骤为：假设接收阵列垂直方向具有M

其中，

其中，

其中，

c(θ)＝[1,exp(jπsinθ),...,exp(jπ(M

步骤S5中利用2D-CFAR检测算法确定不同人体的检测点的步骤为：设置虚警率和距离-方位角窗口大小，基于高斯分布概率密度估计噪声参数，计算阀值，判断整张热图是否检测完毕，确定检测点。

如图2所示，步骤S6中对人体心率、呼吸速率的估计流程为：

D1：对中频信号，每一个帧周期内提取一次相位，若人体与雷达的距离-方位角-仰角发生变化，则需要对人体的距离-方位角-仰角进行跟踪，重新得出此时人体所处检测点，然后提取相位，循环发射N帧，即可得到目标的相位随帧数的变化曲线，也可看作目标相位与时间的关系；对所提取相位信号进行相位解缠绕，以确保相位值在[-π，π]之间，每当连续值之间的相位差大于/小于±π时，从相位中减去/加上2π；对相位信号逐帧作差得到相位差信号；

D2：依据呼吸和心跳频率的不同，利用带通滤波器滤波将呼吸和心跳的相位差信号进行滤波分离；

D3：对心跳的相位差信号进行运动干扰滤除(因为心率的测量是基于心脏收缩和舒张的微小运动产生的距离差，而引起的相位变化，依据微多普勒原理，当人的身体出现大幅摆动时，将会对其准确性造成影响)，此处通过将样本进行分割，设置能量阈值去判断是否符合心率的变化范围，通过丢弃大能量数据段并整合稳定状态下的数据段进行下一步的估计；

D4：采用频域的FFT和时域的峰间距、互相关等多种算法对呼吸和心跳的相位差信号进行处理，并取三种算法结果的平均值以获取当前时刻的呼吸和心跳频率；

D5：记录一段时间内的呼吸和心跳频率，根据置信度指标判断此时的真实频率，并输出呼吸、心跳频率随时间变化的关系；

D6：对心跳频率进行呼吸频率的谐波滤除(此处的心跳频率中很可能是呼吸频率的谐波，如：呼吸速率为30，心跳速率为60、90、120等，则此处的心跳速率大概率为呼吸速率的谐波干扰，而不是实际心跳速率)。

二、基于上述技术方案，为了验证本发明方法的效果，本实施例进行实验验证，具体如下：

下面将给出一个仿真实例来验证本发明的有效性。本示例采用3发4收的收发共置毫米波雷达系统，示例的仿真环境为MATLABR2021a。

具体的实验过程为：

步骤1：初始化系统参数

给出雷达系统的配置如表1。

表1雷达传感器参数

步骤2：毫米波雷达向监测区域发射FMCW；

步骤3：生成距离-方位角-仰角热图

图3给出了距离-方位角-仰角热图。由图3可知，毫米波雷达的监测距离为0-3m，监测方位角为-60～60°。图中两个红色框内表示两个被监测人目前所处的检测点，从目标检测点提取对应中频信号，即可完成不同监测人的雷达回波分离。

步骤4：显示呼吸、心跳相位差波形，估计呼吸、心跳速率

图4和图5分别给出了两个被监测人110帧的呼吸、心跳相位差波形，其中去除了大干扰、大噪声数据，同时心跳波形中去除了呼吸信号的谐波干扰。根据图4和图5给出了相位差波形，可以计算出：被监测人1的呼吸和心跳速率为22次/分钟和77次/分钟，被监测人2的呼吸和心跳速率为18次/分钟和83次/分钟。