非接触式生命体征监测的信号处理系统的制作方法

本发明涉及雷达信号处理技术领域，具体地，涉及一种基于微多普勒效应的非接触式生命体征监测的信号处理系统。

背景技术：

利用微波雷达发射一定频率的射频波，直接照射人体，人体的呼吸和心跳引起胸廓有规律的前后起伏，这种微运动将对雷达射频波进行微多普勒调制并反射。通过对雷达回波信号进行相位解调，可得到呼吸和心跳的频率信息，实现对生命体征的长期非接触式监测。基于微多普勒效应的非接触式生命体征监测解决了接触式监测需要附加接触设备的不便，在健康与医疗监测，安防，灾害急救以及智能家居等领域具有重要的应用潜力。

目前的微波生物雷达硬件具有多种结构，其中比较典型的是零中频正交双通道基带信号输出结构。在从基带信号进行信息提取时，利用复数信号解调方法可以有效消除检测零点问题，但是由呼吸引起的倍频谐波分量往往会掩盖由心跳运动调制引起的频谱峰值，无法有效的同时监测出呼吸和心跳频率。通过对双通道基带信号进行反正切解调，可直接提取出调制相位信息，但是需要精确的直流偏移补偿，而且抗噪性能较差。基带信号是一个非线性的频率调制信号，其时频表示为两个振荡的时频分量的叠加，由于呼吸和心跳引起的多普勒频移幅值较小，因此通过时频变换难以达到需要的时间和频率分辨率，导致估计精度较差。

上述信号解调算法均使用FFT(快速傅里叶变换)得到频谱峰值去直接估计出呼吸和心跳频率，但是一方面由于正常人体的呼吸频率一般在0.3-0.6Hz之间，普通的FFT(快速傅里叶变换)需要较长的采样时间才能得到较高的频率分辨率，以准确估计出呼吸和心跳频率。另一方面，较长的采样数据长度降低了时间分辨率，导致监测的灵敏度较差。因此为了克服上述信号处理方法的不足，对基于微多普勒效应的非接触式生命体征监测信息进行有效提取，急需开发有效的基带信号处理方法，以提高测试精确性和灵敏度。

技术实现要素：

针对现有技术中的缺陷，本发明的目的是提供一种非接触式生命体征监测的信号处理系统。

根据本发明提供的非接触式生命体征监测的信号处理系统，包括如下步骤：

I/Q通道信号处理模块：用于建立经过监测目标微多普勒调制的雷达回波基带信号数学模型，将I/Q通道信号I(t)和Q(t)结合为复数信号S(t)；

呼吸频率估计模块：用于根据雷达回波基带信号数学模型特点，定义相匹配的频率旋转算子将S(t)与相乘后进行傅里叶变换，以得到集中性高的频谱能量分布为目标函数对参数P进行寻优估计，得到呼吸频率f_r以及估计出的频率旋转算子

调制分量去除模块：用于将S(t)与估计出的频率旋转算子相乘，去除复数信号S(t)中由呼吸引起的调制分量，得到心跳调制分量信号；

心跳频率估计模块：基于频率旋转算子的参数化寻优估计得到心跳频率f_h。

优选地，所述I/Q通道信号处理模块中的雷达回波基带信号数学模型的表达式如下：

$I\left(t\right)=cos(\frac{4{\mathrm{\πx}}_r\left(t\right)}{\mathrm{\λ}}+\frac{4{\mathrm{\πx}}_h\left(t\right)}{\mathrm{\λ}}+\mathrm{\φ})$

$Q\left(t\right)=sin(\frac{4{\mathrm{\πx}}_r\left(t\right)}{\mathrm{\λ}}+\frac{4{\mathrm{\πx}}_h\left(t\right)}{\mathrm{\λ}}+\mathrm{\φ})$

式中：I(t)表示通道I输出信号，Q(t)表示通道Q输出信号，x_r(t)表示由呼吸引起的周期性胸廓运动位移，m_r表示由呼吸引起的胸廓运动最大幅值，f_r表示呼吸频率，t表示时间，表示呼吸信号初始相位，x_h(t)表示由心跳引起的周期性胸廓运动位移，m_h表示由心跳引起的胸廓运动最大幅值，f_h表示心跳频率，表示心跳信号初始相位，φ表示基带信号的剩余相位，λ表示雷达信号波长。

优选地，所述I/Q通道信号处理模块中将信号I(t)和Q(t)结合为复数信号S(t)，S(t)的公式如下：

式中：j表示虚数单位。

优选地，所述呼吸频率估计模块中的频率旋转算子的定义如下：

${\mathrm{\φ}}_P^R={\mathrm{\φ}}_{a,b,f}^R\left(t\right)=e^{-j*\[asin\left(2\mathrm{\π}ft\right)+bcos\left(2\mathrm{\π}ft\right)\]}$

式中：表示的具体形式，P表示控制频率旋转算子的参数，由a，b和f三个参数组成，a表示正弦函数系数，b表示余弦函数系数，f表示频率。

优选地，所述呼吸频率估计模块中的参数寻优估计的目标函数如下：

$\{{a_r}^{\′},{b_r}^{\′},{f_r}^{\′}\}=\underset{\{a,b,f\}}{\mathrm{argmax}}\left\{abs\left(fft\right(S\left(t\right)\·{\mathrm{\φ}}_P^R\left)\right(1\left)\right)\right\}$

式中：a_r'表示首次估计出的参数a，b_r'表示首次估计出的参数b，f_r'表示首次估计出的参数f，即呼吸频率f_r的估计值，fft(·)(1)表示取离散傅里叶变换在零频位置的值运算，abs(·)表示复数幅值运算，表示寻找取得最大值的参量a，b和f运算。

优选地，所述调制分量去除模块中将S(t)与相乘，

去除复数信号S(t)中由呼吸引起的调制分量，如下式所示：

优选地，所述步心跳频率估计模块中基于频率旋转算子的参数化寻优估计，将心跳调制分量信号与频率旋转算子相乘后进行傅里叶变换，得到集中性高的频谱能量分布为目标函数对参数P进行寻优估计，得到心跳频率f_h。

与现有技术相比，本发明具有如下的有益效果：

本发明提供的非接触式生命体征监测的信号处理系统基于基带信号的数学模型，通过频率旋转算子进行参数化寻优估计，对呼吸频率f_r和心跳频率f_h的估计精度高。由于本算法不是通过直接提取信号的频谱峰值位置来估计呼吸和心跳频率，因此不再受限于采样时间长度对估计频率分辨率的限制。利用较短的采样时间长度数据进行参数化寻优估计，即可获得高精度的f_r和f_h估计数值，测试灵敏度高。另外，本算法对I/Q通道的幅值和相位不平衡以及环境噪声抗性较强，算法鲁棒性好。

附图说明

通过阅读参照以下附图对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显：

图1为应用本发明提出的非接触式生命体征监测的信号处理系统的方法流程图；

图2(a)为本发明实施例中的通道I信号的时域波形图；

图2(b)为本发明实施例中的通道Q信号的时域波形图；

图3(a)为本发明实施例中的S(t)信号的归一化频谱图；

图3(b)为本发明实施例中的S(t)信号0-2Hz局部归一化频谱图；

图4为本发明实施例中的经过20次循环参数寻优估计得到的呼吸频率f_r的数值分布图；

图5为本发明实施例中的去除由呼吸引起的调制分量后的S(t)信号的局部归一化频谱图；

图6为本发明实施例中的经过20次循环参数寻优估计得到的心跳频率f_h的数值分布图。

具体实施方式

下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明，但不以任何形式限制本发明。应当指出的是，对本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变化和改进。这些都属于本发明的保护范围。

本实施例通过实际人体生命体征监测实验进行说明，测试实验采用10.525GHz微波雷达，具有零中频正交I/Q双通道基带信号输出架构。雷达天线正对测试人体的胸腔部位，距离人体1m，测试人体处于稳定的生理状态。雷达基带信号通过一个24位的DAQ(数据采集卡)进行信号采集，采样频率为50Hz，采样时间为10秒。

结合图1，一种非接触式生命体征监测的信号处理方法，包括以下步骤：

步骤S1：建立经过监测目标微多普勒调制的雷达回波基带信号数学模型，具体来讲为I/Q通道信号I(t)和Q(t)的数学模型，如下式所示：

$I\left(t\right)=cos(\frac{4{\mathrm{\πx}}_r\left(t\right)}{\mathrm{\λ}}+\frac{4{\mathrm{\πx}}_h\left(t\right)}{\mathrm{\λ}}+\mathrm{\φ})$

$Q\left(t\right)=sin(\frac{4{\mathrm{\πx}}_r\left(t\right)}{\mathrm{\λ}}+\frac{4{\mathrm{\πx}}_h\left(t\right)}{\mathrm{\λ}}+\mathrm{\φ})$

其中，分别是由呼吸和心跳引起的周期性胸廓运动数学模型，φ为基带信号的剩余相位，λ为雷达信号波长。

对双通道信号进行数据采集，如图2所示为通道I和Q信号的时域波形图。

将信号I(t)和Q(t)结合为复数信号S(t)：

如图3(a)所示为实验测试的S(t)信号的归一化频谱图，图3(b)所示为实验测试的S(t)信号0-2Hz范围的局部归一化频谱图,展示了由呼吸和心跳调制频段的频谱图。从图3(b)可以看出呼吸频率近似为24次/分钟，并具有倍频谐波分量。在呼吸的谐波分量的干扰下较难分辨出心跳调制分量的频率，特别是在噪声较强的情况下，心跳调制分量信号很容易淹没在呼吸倍频谐波和噪声中。

步骤S2：根据基于微多普勒效应的非接触式生命体征监测的回波基带信号数学模型特点，定义相匹配的频率旋转算子为：

${\mathrm{\φ}}_P^R={\mathrm{\φ}}_{a,b,f}^R\left(t\right)=e^{-j*\[asin\left(2\mathrm{\π}ft\right)+bcos\left(2\mathrm{\π}ft\right)\]}$

式中：P为控制频率旋转算子的参数，由a,b和f三个参数组成，j为虚数单位。

将S(t)与相乘，进行时频旋转运算，如下式所示：

其中G_s(f；P)为经过时频旋转后的信号。

对信号G_s(f；P)进行FFT(快速傅里叶变换)处理。通过选择合适的参数a,b和f可将基带复数信号中以零频为中心震荡的时频能量分布集中到零频，以得到集中性高的频谱能量分布，以零频处的离散傅里叶变换值最大为寻优准则，进行参数寻优估计，参数寻优估计的目标函数如下式所示：

$\{{a_r}^{\′},{b_r}^{\′},{f_r}^{\′}\}=\underset{\{a,b,f\}}{\mathrm{argmax}}\left\{abs\left(fft\right(G_s\left(f;P\right)\·{\mathrm{\φ}}_P^R\left)\right(1\left)\right)\right\}$

其中a_r'，b_r'和f_r'为通过参数寻优算法估计出的时频旋转算子的最优参数

由于实际生命体征监测中，由呼吸引起的调制分量远大于由心跳引起的调制分量，一般为10倍以上，因此该方法将首先估计得到由呼吸引起的调制分量。根据一般的呼吸频率先验知识或者初步的复数信号S(t)的傅里叶频谱，可大致将参数f的估计范围限定在一个较小的区间，如[0.1 0.6]。根据监测雷达的发射波波长和由呼吸引起的胸廓运动幅度(一般为1-6mm)先验知识，结合基带信号中呼吸调制分量信号模型的特点，可将参数a和b的寻优范围限定在一个较小的区间，如[-3 3]。通过参数寻优算法估计出最优的频率旋转算子参数，即可首先得到呼吸频率f_r,同时可得到参数a_r'和b_r'的数值。如图4所示为经过20次循环参数寻优估计得到的呼吸频率f_r的数值分布图。

步骤S3：将S(t)与由步骤2估计出的频率旋转算子相乘,去除复数信号S(t)中由呼吸引起的调制分量，如下式所示：

其中G_s(f；P_r)为去除呼吸调制分量后的信号。如图5所示为去除由呼吸引起的调制分量后的S(t)信号的局部归一化频谱图，可以看到由呼吸引起的调制分量基本被消除，由心跳引起的调制分量可大致辨别，但是在噪声比较大的情况下，很难通过FFT得到准确的心跳频率信息。

步骤S4：重复步骤S2估计出心跳的频率f_h。其中在对参数f_h,a_h和b_h设定寻优范围时，可根据正常人体的心跳频率先验知识将参数f_h的寻优范围限定在一个较小的区间，如[0.8 1.8]。根据监测雷达的发射波波长和由心跳引起的胸廓运动幅度(一般在0.1mm数量级级别)先验知识，结合基带信号中心跳调制分量信号模型的特点，可将参数a和b的寻优范围限定在一个较小的区间，如[-0.5 0.5]。通过参数寻优算法估计出最优的频率旋转算子参数，即可得到心跳频率f_h。如图6所示为经过20次循环参数寻优估计得到的心跳频率f_h的数值分布图。

以上对本发明的具体实施例进行了描述。需要理解的是，本发明并不局限于上述特定实施方式，本领域技术人员可以在权利要求的范围内做出各种变化或修改，这并不影响本发明的实质内容。在不冲突的情况下，本申请的实施例和实施例中的特征可以任意相互组合。