一种通过雷达实现人体运动状态识别的方法与流程

本发明属于无线传感技术领域，更具体地，涉及一种通过雷达实现人体运动状态识别的方法。

背景技术：

目前，针对人体运动状态的识别已经成为无线传感领域的热点研究方向。

现有的针对人体运动状态的识别方法主要是通过分析多普勒信号来实现。然而，由于该方法在识别过程中使用的有效信息量比较少，造成识别准确度偏低。为了解决该问题，人们提出了使用微多普勒信号进行分析的方法，但该方法的复杂度较高。

技术实现要素：

针对现有技术的以上缺陷或改进需求，本发明提供了一种通过雷达实现人体运动状态识别的方法，其目的在于，解决现有使用微多普勒信号实现人体运动状态识别的方法中存在的复杂度较高的技术问题。

为实现上述目的，按照本发明的一个方面，提供了一种通过雷达实现人体运动状态识别的方法，包括以下步骤：

(1)通过雷达获取人体反射波信号：

(2)使用时频分析方法对获得的人体反射波信号进行处理，以得到人体微动信号；

(3)对得到的人体微动信号进行特征提取，以得到运动特征和包络特征；

(4)使用基于决策树的支持向量机对得到的运动特征和包络特征进行分类。

优选地，步骤(1)是通过软件无线电设备实现的雷达功能，且获取的人体反射波信号为：

其中a表示雷达信号的幅度，r(t)表示人体与雷达之间的距离，c表示光速，f0表示雷达的中心频率；

优选地，步骤(2)中的时频分析方法是短时傅里叶变换方法。

优选地，步骤(2)包括以下子步骤：

(2-1)利用m阶hermite函数对人体反射波信号进行处理，以得到原始谱分析结果mwstft(t,ω)：

其中m为任意自然数，dm为不同阶次hermite函数的最优加权系数，hm(τ-t)为hermite函数，且m为0到m-1之间的任意自然数；

(2-2)以时间为度量，分别提取分布在原始谱分析结果mwstft(t,ω)中各个时刻的频率分布，并对提取到的频率分布进行二次求导，以得到矩阵a：

(2-3)将矩阵a中接近0的元素所对应的谱分析结果mwstft(t,ω)中的时频点判断为平缓信号点，将矩阵a中不接近0的元素所对应的谱分析结果mwstft(t,ω)中的时频点判断为振荡信号点；

(2-4)利用频域矩形窗对谱分析结果mwstft(t,ω)中的时频点进行处理，以得到最终谱分析结果作为人体微动信号：

其中(n,k)表示离散点，re表示实部信号，l(n,k)表示频域矩形窗，其长度为a表示矩阵a中的元素。

优选地，步骤(3)包括以下子步骤：

(3-1)采用阈值分割法对人体微动信号进行处理，得到纯净的人体微动信号作为运动特征，该信号中频率随时间变化呈正弦趋势的是摆臂微动信号，频率随时间变化呈线性趋势的是躯干微动信号；

(3-2)对于躯干微动信号而言，获取每个时间点上能量的最大值及其对应的频率，从而形成初始时间-频率包络曲线；

(3-3)采用曲线拟合方法对步骤(3-2)得到的初始时间-频率包络曲线进行扩展，以得到最终时间-频率包络曲线f±(t)，其中f±(t)分别表示前向和后向的最终时间-频率包络曲线。

(3-4)对于摆臂微动信号而言，在每个时间点分别从其频率分布的两端分别进行遍历，将两个方向上第一个信号点作为包络点，从而得到手臂前向运动的包络曲线ffront(t)以及手臂后向运动的包络曲线fback(t)；

(3-5)对步骤(3-3)和(3-4)得到的包络曲线进行特征提取，以得到包络特征。

优选地，步骤(3-1)具体为，首先采集不同环境下的背景信号，经过时频分析后，得到对应的能量谱密度矩阵p0；然后对人体微动信号进行时频分析，以得到能量谱密度矩阵p1，以相同的能量范围(pmin,pmax)和能量粒度p对矩阵p0和p1进行能量分布统计以得到一维矩阵p0n和p1n，其中pmin表示p0和p1中的最小值，pmax表示p0和p1中的最大值，且p可为任意自然数；然后，对以上两个统计结果进行减法运算，以得到统计能量差矩阵δpn，对统计能量差矩阵进行边界检测，从而得到对应的切割阈值，然后将人体微动信号上不同时频点的值与切割阈值进行比较，将小于切割阈值的时频点的值设置为-120db，将大于等于切割阈值的时频点的值进行保留，最终得到纯净的人体微动信号。

优选地，运动特征是躯干运动多普勒频率、躯干运动多普勒信号带宽、手臂前向摆动微多普勒频偏、手臂后向摆动微多普勒频偏、以及手臂摆动微多普勒信号带宽。

优选地，步骤(3-3)是采用以下公式：

其中f(t)表示拟合的曲线，n表示初始时间-频率包络曲线上的时间点数量，yt表示初始时间-频率包络曲线。

优选地，包络特征包括手臂前向运动相对于躯干运动的均方根、手臂后向运动相对于躯干运动的均方根、手臂前向运动与后向运动均方根比、手臂前向运动包络均方根、手臂后向运动包络均方根、摆臂周期、以及摆臂对时间差。

优选地，手臂前向运动相对于躯干运动的均方根等于：

手臂后向运动相对于躯干运动的均方根等于：

手臂前向运动与后向运动均方根比就是上述两个公式相除的结果；

手臂前向运动包络均方根等于：

其中表示手臂前向运动的包络曲线ffront(t)的平均值；

手臂后向运动包络均方根等于：

其中表示手臂后向运动的包络曲线fback(t)的平均值；

摆臂周期是通过提取手臂前向运动的包络曲线ffront(t)以及手臂后向运动的包络曲线fback(t)的峰值点，通过对所有临近峰值点的时间间隔进行均值计算从而得到；

摆臂对时间差是通过在一个摆臂过程期间，提取手臂前向运动的包络曲线ffront(t)以及手臂后向运动的包络曲线fback(t)之间峰值的时间间隔求取均值来实现。

总体而言，通过本发明所构思的以上技术方案与现有技术相比，能够取得下列有益效果：

(1)由于本发明采用时频分析的方法，其将微动信号有效分离为躯干微动信号和手臂微动信号，方便地获取到对应的包络信号，以简单的方式提取包络信号的特征，从而在保证分类精度的同时，具有较低的复杂度。

(2)本发明在短时傅里叶变换的基础上采用hermite多窗口函数，并利用频域矩形窗对谱分析结果中的时频点进行处理，在提高信号时频聚集性的基础上抑制多信号分量的交叉项影响，进而实现对多分量信号的有效分离。

(3)本发明通过软件无线电设备实现雷达功能，降低了设备成本，且设计灵活，可随时根据需要改变频段。

附图说明

图1示出本发明方法的步骤(1)中获取到的原始人体反射波信号；

图2示出本发明的原始谱分析结果；

图3示出本发明的人体微动信号；

图4示出本发明切割阈值处理后得到纯净的人体微动信号；

图5示出本发明的初始时间-频率包络曲线；

图6示出本发明的最终时间-频率包络曲线；

图7示出手臂前后向运动的包络曲线；

图8示出本发明使用基于决策树的支持向量机对得到的运动特征和包络特征进行分类的结果；

图9是本发明通过雷达实现人体运动状态识别的方法的流程图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。

如图9所示，本发明通过雷达实现人体运动状态识别的方法包括以下步骤：

(1)通过雷达获取人体反射波信号，其可表示为：

其中a表示雷达信号的幅度，r(t)表示人体与雷达之间的距离，c表示光速，f0表示雷达的中心频率；

本步骤是通过软件无线电设备实现的雷达功能，降低了设备成本，且设计灵活，可随时根据需要改变频段。

如图1所示，其为本步骤中获取到的原始人体反射波信号。

(2)使用时频分析方法对获得的人体反射波信号进行处理，以得到人体微动信号；

具体而言，本发明中的时频分析方法可以是短时傅里叶变换方法、小波变换方法、wigner-ville分布方法、以及希尔伯特黄变换(hilbert-huangtransform，简称hht)方法，优选为短时傅里叶变换方法。

在使用短时傅里叶变换方法时，本步骤包括以下子步骤：

(2-1)利用m阶hermite函数对人体反射波信号进行处理，以得到原始谱分析结果mwstft(t,ω)(如图2所示)：

其中m为任意自然数，其取值越大，则处理结果越精确，但复杂度高，反之则处理结果越不精确，复杂度低，dm为不同阶次hermite函数的最优加权系数，各阶次最优加权系数的总和为1(如下表1所示)，hm(τ-t)为hermite函数，且m为0到m-1之间的任意自然数；

表1hermite函数最优加权系数表

(2-2)以时间为度量，分别提取分布在原始谱分析结果mwstft(t,ω)中各个时刻的频率分布，并对提取到的频率分布进行二次求导，以得到矩阵a：

(2-3)将矩阵a中接近0的元素所对应的谱分析结果mwstft(t,ω)中的时频点判断为平缓信号点，将矩阵a中不接近0的元素所对应的谱分析结果mwstft(t,ω)中的时频点判断为振荡信号点；

在本步骤中，接近0的元素指的是范围在0到0.1之间的元素。

(2-4)利用频域矩形窗对谱分析结果mwstft(t,ω)中的时频点进行处理，以得到最终谱分析结果作为人体微动信号(结果如图3所示)：

其中(n,k)表示离散点，re表示实部信号，l(n,k)表示频域矩形窗，其长度为：

其中a表示矩阵a中的元素。

(3)对得到的人体微动信号进行特征提取，以得到运动特征和包络特征；

本步骤具体包括以下子步骤：

(3-1)采用阈值分割法对人体微动信号进行处理，得到纯净的人体微动信号作为运动特征，该信号中频率随时间变化呈正弦趋势的是摆臂微动信号，频率随时间变化呈线性趋势的是躯干微动信号；

具体而言，本步骤首先采集不同环境(例如室内、走廊、大厅等环境)下的背景信号，经过时频分析后，得到对应的能量谱密度矩阵p0；然后对人体微动信号进行时频分析，以得到能量谱密度矩阵p1，以相同的能量范围(pmin,pmax)和能量粒度p(其中pmin表示p0和p1中的最小值，pmax表示p0和p1中的最大值，且p可为任意自然数)对矩阵p0和p1进行能量分布统计以得到一维矩阵p0n和p1n；然后，对以上两个统计结果进行减法运算，以得到统计能量差矩阵δpn，对统计能量差矩阵进行边界检测，从而得到对应的切割阈值，然后将人体微动信号上不同时频点的值与切割阈值进行比较，将小于切割阈值的时频点的值设置为-120db，将大于等于切割阈值的时频点的值进行保留，最终得到纯净的人体微动信号，如图4所示。

通过本步骤，最终得到的运动特征是躯干运动多普勒频率、躯干运动多普勒信号带宽、手臂前向摆动微多普勒频偏、手臂后向摆动微多普勒频偏、以及手臂摆动微多普勒信号带宽。

(3-2)对于躯干微动信号而言，获取每个时间点上能量的最大值及其对应的频率，从而形成初始时间-频率包络曲线(如图5所示)；

(3-3)采用曲线拟合方法对步骤(3-2)得到的初始时间-频率包络曲线进行扩展，以得到最终时间-频率包络曲线f±(t)；其中f±(t)指的是前向(+)和后向(-)的最终时间-频率包络曲线。

具体而言，本步骤是采用以下公式：

其中f(t)表示拟合的曲线，n表示初始时间-频率包络曲线上的时间点数量，yt表示初始时间-频率包络曲线。

本步骤处理后的曲线如图6所示。

(3-4)对于摆臂微动信号而言，在每个时间点分别从其频率分布的两端分别进行遍历，将两个方向上第一个信号点作为包络点，从而得到手臂前向运动的包络曲线ffront(t)以及手臂后向运动的包络曲线fback(t)(如图7所示)；

(3-5)对于步骤(3-3)和(3-4)得到的包络曲线进行特征提取，以得到包络特征；

具体而言，包络特征包括手臂前向运动相对于躯干运动的均方根、手臂后向运动相对于躯干运动的均方根、手臂前向运动与后向运动均方根比、手臂前向运动包络均方根、手臂后向运动包络均方根、摆臂周期、以及摆臂对时间差；

其中手臂前向运动相对于躯干运动的均方根等于：

手臂后向运动相对于躯干运动的均方根等于：

手臂前向运动与后向运动均方根比就是上述两个公式相除的结果；

手臂前向运动包络均方根等于：

其中表示手臂前向运动的包络曲线ffront(t)的平均值；

手臂后向运动包络均方根等于：

其中表示手臂后向运动的包络曲线fback(t)的平均值；

摆臂周期是通过提取手臂前向运动的包络曲线ffront(t)以及手臂后向运动的包络曲线fback(t)的峰值点，通过对所有临近峰值点的时间间隔进行均值计算，从而得到。

摆臂对时间差是通过在一个摆臂过程期间，提取手臂前向运动的包络曲线ffront(t)以及手臂后向运动的包络曲线fback(t)之间峰值的时间间隔求取均值来实现。

(4)使用基于决策树的支持向量机对得到的运动特征和包络特征进行分类。

如图8所示，其中各个分类结果编号对应不同的运动状态分类，编号(1)～(6)分别表示静止，正常行走，跑步，爬行，单臂负重行走以及双臂负重行走。其中svm1使用多普勒频移以及多普勒带宽作为分类特征，对高低速运动进行区分；svm2使用多普勒频移结合微多普勒带宽等对跑动与行走状态进行区分；svm3使用双臂微多普勒信号带宽以及摆臂离散度对爬行与静止状态进行区分；svm4使用双臂相对躯干离散程度对有无摆臂运动进行区分；svm5使用摆臂周期以及前后向摆臂间隔等作为单双臂行走进行区分。

本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。