一种基于超宽带雷达的呼吸信号检测算法的制作方法

本发明涉及电磁场与微波技术领域，具体涉及一种基于超宽带雷达的呼吸信号检测算法。

背景技术：

人类面临诸多自然灾害和人为灾害，灾害过程中或灾后被困生命受到严重的安全威胁，及时有效的生命定位和搜索成为一个至关重要的问题。老年人的实时健康状态监控是需要关注的问题。在某些犯罪环境和反恐、巷战等军事斗争环境中，犯罪分子或者敌对分子隐藏在各种掩体中，此时需要对他们进行及时准确的判断和定位。对生命体的及时准确的存在性判断和准确的位置判断，对生命呼吸状态的实时监控，以及其他潜在的应用，都会产生巨大价值。因此，非接触式的生命信号检测技术受到越来越多的关注和研究。

当前已经有多种应用超宽带雷达脉冲信号进行呼吸信号检测的算法，包括应用快速傅里叶变换(fft)的方法、应用小波变换的方法、应用奇异值分解的方法、应用等幅追踪的方法等。但应用fft方法的检测算法存在高次谐波，应用小波变换方法的检测算法无法获得位置信息，应用奇异值分解方法的算法计算复杂度高，应用等幅追踪方法的检测算法要求源信号信噪比高。本发明提出一种新的实用的基于超宽带雷达的呼吸信号检测算法。本算法针对呼吸信号微弱的问题，提出频域呼吸信号增强的方法，针对噪声种类多且干扰强的问题，提出分块策略和多重系数衰减的高斯噪声擦除方法，并且算法计算复杂度低，检测正确率高，鲁棒性好，具有工程应用价值。

技术实现要素：

本发明提出一种基于超宽带雷达的呼吸信号检测算法，有效抑制多种噪声干扰，有效检测弱呼吸信号并获得一维位置信息，方法步骤如下：

步骤1：超宽带雷达发射冲击脉冲并采样量化回波数据，形成二维慢时间—快时间矩阵r(m,n)；

步骤2：对二维矩阵沿慢时间方向应用motionfilter滤波去除背景杂波获得结果rmf(m,n)；

步骤3：对步骤2的结果沿慢时间方向分块为rmfⁱ(m,n)，优先分成20～30块，块数设为k，i＝1,2,...k；

步骤4：获取各分块频域幅度谱并进行呼吸信号增强，结果为rmfⁱ(f,l)：

对各块二维慢时间—快时间数据沿慢时间方向进行快速傅里叶变换(fft)，并获取二维距离—频率频域幅度谱，对各块频域幅度谱进行呼吸信号增强，步骤如下：

1)设置频率搜索范围f，优先设置f＝0.15～0.45hz，该范围f必须包含呼吸频率f0；

2)设置阈值y和增强比k；

3)扫描每个距离上f范围内的频率幅度值的变化，计算峰值区间内的峰值和pks并获得峰值区间旁的落差δr；

4)找到最大的落差，依据该落差与阈值y的差别，判断该峰是否是呼吸频率，如果是，则进行k倍增强；如果不是，则不对该频点的频率幅度值进行处理；

步骤5：对rmfⁱ(f,l)进行呼吸信号相关叠加，获得叠加和rmfs(f,l)：

步骤6：对rmfs(f,l)通过步骤4中的呼吸增强步骤进行呼吸信号增强，获得结果rs(f,l)；

步骤7：对rs(f,l)去除噪声均值并进行多重系数衰减的高斯噪声擦除过程，步骤如下：

1)获取步骤6后的距离—频域叠加和结果rs(f,l)；

2)由式获得噪声均值rs(f,l)减去该均值并取绝对值abs为取绝对值函数；

3)获取当前擦除系数a和每个距离上的高斯噪声均值，将每个距离上的频率幅度减去擦除系数与高斯噪声均值的乘积，取绝对值为频率幅度值；

4)迭代20～30次的步骤3)，最终获得检测结果。

在步骤1中，应用超宽带雷达采集回波数据时，慢时间采样数据应足量。

在步骤2中，motionfilter有多种滤波器参数，其中有fir2、fir3、fir4等，可选择其中一种滤波器进行滤波。滤波器如下：

fir2是一个二阶差分滤波器，使用以下公式:

y(n)＝w(1)·x(n)+w(2)·x(n-1)＝x(n)-x(n-1)w＝[1,-1]

fir3是一个三阶差分滤波器，使用以下公式:

y(n)＝w(1)·x(n)+w(2)·x(n-1)+w(3)·x(n-2)w＝[1,-0.8,-0.2]

fir4是一个四阶差分滤波器，使用以下公式:

y(n)＝w(1)·x(n)+w(2)·x(n-1)+w(3)·x(n-2)+w(4)·x(n-3)

w＝[1,-0.6,-0.3,-0.1]

在步骤3中，对二维回波数据沿慢时间方向分成多块，相邻两块的距离定义为块间距，块间距优先设置为40～70，块长l根据频率分辨率要求设置，prf是脉冲重复频率，δf是频率分辨率。当存在呼吸信号时，每一块数据都会包含呼吸频率信号，而各块间噪声不相关。

在步骤4和步骤6中，应用呼吸信号增强方法进行单块距离—频率数据呼吸信号增强和叠加和距离—频率数据呼吸信号增强。优先设置频率搜索范围f＝0.15～0.45hz，在此范围内搜索呼吸信号；峰值搜索方法中，根据频率分辨率设置峰值区间长度并获得峰值区间内的频率采样点的和作为当前峰值和pks；落差δr是峰值和与紧邻峰值区间的两个频点频率幅度值的和dpks求差，即，δr＝pks-dpks。

在步骤5中，对多块距离—频率数据进行呼吸信号相关叠加，某个距离上的慢时间回波信号r(t)的频域信号r(f)为：

r(f)＝a·δ(f-f0)+n(f)

其中，f0为呼吸频率，δ(f)为冲击信号，n(f)为频域噪声，k块数据rk(f),k＝1,2,……,k

rk(f)＝ak·δ(f-f0)+nk(f)

则k个距离-频域的rk(f)叠加和rs(f)为

其中当某个距离上没有呼吸信号时ak＝0，则

当这个距离上有呼吸信号时ak≠0，则

nk(f)是频域随机噪声，由于多块的叠加效应，ns(f)是稳态随机分布，则有

n(f)是高斯噪声，呼吸信号相关叠加有效增强呼吸信号，而在单块呼吸信号增强过程中误放大的随机噪声不会产生叠加干扰，整个频率观测空间上的随机噪声的叠加使得其呈现稳态随机分布。

在步骤7中，擦除系数a随擦除次数增多而减小。多重系数衰减的高斯噪声擦除过程逐步减弱整个频率观测空间中的噪声，期望噪声均值衰减为0。设rs(f,l)为步骤7的2)后的结果，设rs(f,l,j)为第j次擦除后的距离—频率结果，j＝0时为原结果，即

rs(f,l,0)＝rs(f,l)

在第j(j＞0)次擦除时，擦除系数为aj，沿频率向的高斯噪声均值为

则有

如果某个距离上存在呼吸信号，则该距离上只会保留下呼吸信号。擦除系数a随擦除次数x的增多递减，递减函数模型可选择指数模型、对数模型、余弦函数模型，优先选择余弦函数模型a＝k·cos(c·j)+b，其中j是擦除次数，j∈[0,j],j优先设置为20～30，a是擦除系数，递减范围优先设置为1.6～0，k、c、b是函数参数。

本发明的优点：

本发明对回波数据分块，利用各块数据间呼吸信号的频率相关性和噪声的频率不相关性，进行呼吸信号相关叠加，呼吸信号得到有效增强而随机分布的噪声信号不会得到增强；本发明应用呼吸信号增强的方法对单块呼吸信号增强，显著保护弱呼吸信号；对叠加和呼吸信号增强，则有效抑制整个频率观测空间上的多种噪声；多重系数衰减的高斯噪声擦除过程逐步减弱整个频率观测空间上的噪声均值，期望噪声均值衰减为0。该算法各个步骤都有效提高信噪比，并且计算效率高。

附图说明

图1本发明方法流程图；

图2是回波数据分块示意图；

图3是呼吸增强示意图；

图4是呼吸信号相关叠加示意图；

图5是多重系数衰减的高斯噪声擦除过程示意图；

图6为对实施样例的二维回波数据应用本发明进行检测的结果。

具体实施方式

通过实施样例，进一步阐述本发明。本发明方法流程图如图1所示。

(1)本样例中，观测环境中设置人体目标，使用超宽带雷达pulseon440以8hz的脉冲重复频率对观测环境发射脉冲并采样量化回波数据，形成二维慢时间—快时间数据r(m,n)。

(2)对回波数据r(m,n)在慢时间方向应用四阶差分motionfilterfir4滤波去除背景噪声，获得结果rmf(m,n)。

(3)对rmf(m,n)沿慢时间方向分块为rmfⁱ(m,n)。分块示意图如图2所示。图2中，虚线阵表示回波慢时间—快时间矩阵。三个实线矩形方框1、2、3各表示一个分块。块间距、块长的定义如图所示。块长以频率分辨率为依据，分辨率要求越高则块长越长；块间距最小为1，最大为块长。本样例中块长设置为256，块间距设置为64，块数为30块。

(4)获取各分块慢时间方向频域幅度谱，对各块频域幅度谱进行呼吸信号增强，结果为rmfⁱ(f,l)。呼吸增强方法示意图如图3所示，当搜索到呼吸频率处有峰值时，对该峰值进行扩大。由于单块呼吸信号弱，阈值应设置为较小值，增强比也应设置较小。呼吸增强过程如下：

1)设置频率检测范围f＝0.15～0.45hz；

2)设置阈值为y＝0.2，设置增强比为k＝2；

3)扫描每个距离上f范围内的频率幅度值的变化，计算峰值区间内的峰值和pks并获得峰值区间旁的落差δr：

设置峰值区间长度为3，获得峰值区间内的频率采样点的和作为当前峰值和，落差是峰值和与紧邻峰值区间的两个频点频率幅度值的和dpks求差，即，δr＝pks-dpks。

4)找到最大的落差，依据该落差与阈值y的差别，判断该峰是否是呼吸频率，如果是，则进行k倍增强；如果不是，则不对该频点的频率幅度值进行处理；

(5)对rmfⁱ(f,l)进行呼吸信号相关叠加获得叠加和rmfs(f,l)。呼吸信号相关叠加示意图如图4所示，图4(a)是单块慢时间—快时间数据变换到频域中某个距离上的频率分布示意图，多块距离—频率数据叠加并归一化后形成图4(b)，呼吸信号增强，频域噪声稳态随机分布于整个频域观测空间上。

(6)设置合理阈值和增强比对叠加和进行呼吸信号增强，获得结果rs(f,l)。由于叠加和呼吸信号较强，阈值应设置为较大值，数据归一化后设置为y＝0.8，增强比也应设置较大，设置为k＝6；步骤如(4)中的1)～4)；

(7)对rs(f,l)去除噪声均值并进行多重系数衰减的高斯噪声擦除，该方法示意图如图5所示。图5(a)是步骤(5)后的结果，图5(b)中虚线是噪声均值示意图，图5(c)是去除一次高斯噪声均值的结果。该方法步骤如下：

1)获取距离—频域叠加和结果rs(f,l)；

2)由式获得噪声均值rs(f,l)减去该均值并取绝对值abs为取绝对值函数；

3)擦除系数衰减函数应用余弦函数模型，(j是擦除次数，设置j∈[020])，获取当前擦除系数a和高斯噪声均值。将每个距离上的频率幅度减去擦除系数与高斯噪声均值的乘积，取绝对值为频率幅度值如下：

设rs(f,l)为步骤2)后的结果，设rs(f,l,j)为第j次擦除后的距离—频率结果，j＝0时为原结果，即

rs(f,l,0)＝rs(f,l)

在第j(j＞0)次擦除时，擦除系数为aj，沿频率向的高斯噪声均值为

则有

4)迭代步骤3)20次，最终获得检测结果，如图6所示，人体目标的呼吸频率为0.31hz，人体目标对雷达的参考距离为3.34m，检测结果正确。