本發(fā)明屬于雷達(dá)技術(shù)及生命體征檢測的，具體涉及一種tdm-mimo毫米波雷達(dá)的多目標(biāo)生命體征檢測方法。

背景技術(shù)：

1、隨著社會(huì)和科技的不斷進(jìn)步，人體生命體征檢測技術(shù)也在不斷發(fā)展。生命體征參數(shù)是評估人體生理狀況的主要標(biāo)準(zhǔn)，包括心跳、呼吸、血壓和體溫等基本生理參數(shù)，其中呼吸和心跳是最直接反映生命體征的關(guān)鍵指標(biāo)。人體活動(dòng)檢測主要是人體呼吸和心跳的監(jiān)測，檢測技術(shù)分為接觸式和非接觸式兩種。其中，接觸式技術(shù)需直接接觸人體，但有時(shí)可能不便，如佩戴不適或特殊情況下無法佩戴；相比之下，非接觸式體征檢測技術(shù)主要利用雷達(dá)、紅外傳感器和計(jì)算機(jī)視覺等實(shí)現(xiàn)遠(yuǎn)程檢測，無需直接接觸人體，具有明顯便利優(yōu)勢。毫米波雷達(dá)以其適應(yīng)環(huán)境強(qiáng)、抗干擾能力高、測量精度優(yōu)越等優(yōu)點(diǎn)，越來越廣泛地應(yīng)用于檢測人體生命體征；這種技術(shù)在多個(gè)領(lǐng)域都顯示了廣泛的實(shí)用性，包括駕駛員疲勞檢測、醫(yī)院病患監(jiān)控以及睡眠監(jiān)測等方面。

2、除此之外，相比于傳統(tǒng)的生命體征探測儀器，毫米波雷達(dá)具有體積小、功耗低、舒適性好等優(yōu)點(diǎn)，在一定程度上可以保護(hù)被測者的隱私，可以實(shí)現(xiàn)全天候的監(jiān)控，使用前景較為廣泛。然而，現(xiàn)有的毫米波雷達(dá)在進(jìn)行生命體征檢測時(shí)效果不理想，難以自動(dòng)分離目標(biāo)的心跳和呼吸信號。申請?zhí)枮?02111548515.1的中國專利文獻(xiàn)中提供了一種雜波背景下毫米波mimo雷達(dá)的鄰近多目標(biāo)生命體征檢測方法，其利用空時(shí)編碼、二維平滑以及空間譜估計(jì)對多個(gè)目標(biāo)實(shí)現(xiàn)二維平面定位，并對分離后的多個(gè)人體目標(biāo)對應(yīng)的生命體征信號及雜波散射點(diǎn)相位信號進(jìn)行變分多模態(tài)分解，進(jìn)而獲得各個(gè)人體目標(biāo)對應(yīng)的生命體征參數(shù)。但該發(fā)明的變分模態(tài)分解的懲罰因子大小以及模態(tài)分解個(gè)數(shù)需要人為指定，當(dāng)選取不合適的分解層數(shù)時(shí)容易導(dǎo)致過分解和欠分解，對呼吸和心跳信號的提取造成干擾。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明的主要目的在于克服現(xiàn)有技術(shù)的缺點(diǎn)與不足，提供一種tdm-mimo毫米波雷達(dá)的多目標(biāo)生命體征檢測方法，具有較強(qiáng)的環(huán)境適應(yīng)性及可靠的檢測精度。

2、為了達(dá)到上述目的，本發(fā)明一方面采用一種tdm-mimo毫米波雷達(dá)的多目標(biāo)生命體征檢測方法，包括下述步驟：

3、在毫米波mimo雷達(dá)的tdm-mimo模式下，控制發(fā)射天線對目標(biāo)區(qū)域發(fā)射信號，同時(shí)控制接收天線接收目標(biāo)區(qū)域反射回的回波信號，進(jìn)行提取重組構(gòu)成陣列信號；所述目標(biāo)區(qū)域包括多個(gè)人體目標(biāo)；

4、對陣列信號進(jìn)行距離fft并使用相量均值相消算法進(jìn)行靜態(tài)雜波濾除得到濾波信號；

5、將濾波信號進(jìn)行前后向空間平滑以及空間譜估計(jì)，并進(jìn)行二維恒虛警率檢測分離出目標(biāo)區(qū)域內(nèi)的有效點(diǎn)云；對有效點(diǎn)云進(jìn)行聚類，得到目標(biāo)區(qū)域內(nèi)多個(gè)人體目標(biāo)，實(shí)現(xiàn)人體目標(biāo)的二維平面定位；

6、選取出各聚類目標(biāo)內(nèi)空間譜估計(jì)最大值點(diǎn)的相位信號序列進(jìn)行相位解纏繞及平滑處理得到相位差值序列；

7、使用改進(jìn)正弦算法引導(dǎo)蜣螂優(yōu)化算法對變分模態(tài)分解算法的參數(shù)進(jìn)行迭代優(yōu)化，并使用迭代優(yōu)化后的參數(shù)對相位差值序列進(jìn)行變分模態(tài)分解，得到各個(gè)人體目標(biāo)的生命體征參數(shù)。

8、作為優(yōu)選的技術(shù)方案，所述發(fā)射天線發(fā)射的信號表示為：

9、

10、其中，xm(t)為第m個(gè)發(fā)射天線發(fā)射的信號，t為信號發(fā)射時(shí)間，fc為起始頻率，tr為發(fā)射天線交替工作的切換時(shí)間，β為線性頻率增量，λ為波長，dm＝(m-1)dtx，dtx為兩個(gè)發(fā)射天線之間的距離，θm(tx)為第m個(gè)發(fā)射天線到目標(biāo)區(qū)域的偏離角，θm(t)為第m個(gè)發(fā)射天線的相位噪聲；

11、所述接收天線接收目標(biāo)區(qū)域反射回的回波信號表示為：

12、

13、其中，xmn(t)為第n個(gè)接收天線接收到的第m個(gè)發(fā)射天線發(fā)射的信號，為第n個(gè)接收天線的反射系數(shù)，δt為同一個(gè)發(fā)射信號被不同接收天線接收的延遲時(shí)間，dn＝(n-1)drx，drx為兩個(gè)接收天線的距離，θn(rx)為目標(biāo)到第n個(gè)接收天線的到達(dá)角，θmn(t)為第m個(gè)發(fā)射天線發(fā)射的信號在第n個(gè)接收天線的相位噪聲；

14、將接收天線接收的信號與基頻信號經(jīng)過混頻器得到中頻信號，表示為：

15、

16、其中，tx為隨機(jī)的發(fā)射天線x，δθmn(t)為第m個(gè)發(fā)射天線發(fā)射的信號在第n個(gè)接收天線的相位差。

17、作為優(yōu)選的技術(shù)方案，所述實(shí)現(xiàn)人體目標(biāo)的二維平面定位，具體為：

18、對濾波信號進(jìn)行前后向空間平滑得到子陣信號z；

19、利用空間譜估計(jì)得到子陣信號z的譜函數(shù)pmusic(r,θ)，表示為：

20、

21、其中，r為目標(biāo)對應(yīng)的位置，θ為目標(biāo)對應(yīng)的方位角，a(r,θ)為子陣信號z的導(dǎo)向矢量，a(r,θ)h為子陣信號z的共軛轉(zhuǎn)置矩陣，un為子陣信號z進(jìn)行奇異值分解后得到的噪聲子空間，為un的共軛轉(zhuǎn)置矩陣；

22、對空間譜估計(jì)后的結(jié)果進(jìn)行距離角度估計(jì)得出粗略點(diǎn)云圖；

23、使用二維恒虛警率檢測對粗略點(diǎn)云圖中的噪聲進(jìn)行濾除，篩選出有效點(diǎn)云；

24、對篩選出的有效點(diǎn)云進(jìn)行聚類，把每一聚類中心作為一個(gè)人體目標(biāo)分離出多個(gè)人體目標(biāo)得到其距離與方位。

25、作為優(yōu)選的技術(shù)方案，所述得到相位差值序列，具體為：

26、選取出各聚類目標(biāo)內(nèi)空間譜估計(jì)最大值點(diǎn)的相位信號序列使用微分交叉相乘進(jìn)行相位解纏繞，得到各人體目標(biāo)的相位信息表示為：

27、

28、其中，d為第d個(gè)人體目標(biāo)，n為第d個(gè)人體目標(biāo)的相位信號序列總數(shù)，ω[k]為第k個(gè)相位信號序列的頻率，δt為相位信號序列間的間隔時(shí)間，i[k]為第k個(gè)相位信號序列的實(shí)數(shù)部分，q[k]為第k個(gè)相位信號序列的虛數(shù)部分，i[k-1]為第k-1個(gè)相位信號序列的實(shí)數(shù)部分，q[k-1]為第k-1個(gè)相位信號序列的虛數(shù)部分；

29、對各人體目標(biāo)的相位信息進(jìn)行一階相位差分，得到各目標(biāo)的差值序列表示為：

30、

31、其中，為第d個(gè)人體目標(biāo)第n+1個(gè)相位信號序列的相位信息；

32、對各目標(biāo)的差值序列進(jìn)行savitzky-golay平滑濾波處理，得到各目標(biāo)的相位差值序列。

33、作為優(yōu)選的技術(shù)方案，所述得到各個(gè)人體目標(biāo)的生命體征參數(shù)，具體為：

34、初始化改進(jìn)正弦算法引導(dǎo)蜣螂優(yōu)化算法的參數(shù)、模態(tài)分解數(shù)量k及懲罰因子α的范圍；所述參數(shù)包括種群數(shù)量、最大迭代次數(shù)、優(yōu)化蜣螂位置的上界、優(yōu)化蜣螂位置的下界和種群中不同個(gè)體的分配比例；

35、采用伯努利混沌映射算法初始化各蜣螂的初始位置，表示為：

36、

37、其中，zn+1為生成的混沌隨機(jī)序列中第n+1個(gè)數(shù)，zn為生成的混沌隨機(jī)序列中第n個(gè)數(shù)，β為映射參數(shù)；

38、使用蜣螂初始位置的參數(shù)對各目標(biāo)的相位差值序列進(jìn)行變分模態(tài)分解，得到種群中各個(gè)體的多個(gè)模態(tài)分量；

39、更新滾球蜣螂位置、繁育球位置、小蜣螂位置及偷竊蜣螂位置；

40、更新后計(jì)算種群中各個(gè)體的模糊熵作為優(yōu)化的適應(yīng)值，取出最小模糊熵作為當(dāng)前最優(yōu)解xb(t)；

41、利用自適應(yīng)高斯-柯西變異擾動(dòng)對當(dāng)前最優(yōu)解進(jìn)行擾動(dòng)產(chǎn)生當(dāng)前新解hb(t)，擾動(dòng)公式為：

42、

43、其中，為高斯變異算子的權(quán)重系數(shù)，tmax為最大迭代次數(shù)，gauss(σ)為高斯變異算子，為柯西變異算子的權(quán)重系數(shù)，cauchy(σ)為柯西變異算子；

44、依據(jù)貪婪規(guī)則對比當(dāng)前新解hb(t)與當(dāng)前最優(yōu)解xb(t)進(jìn)行位置更新，重復(fù)上述步驟直至達(dá)到最大迭代次數(shù)輸出最優(yōu)位置；所述位置更新公式為：

45、

46、其中，f[hb(t)]為當(dāng)前新解hb(t)的適應(yīng)值，f[xb(t)]為當(dāng)前最優(yōu)解xb(t)的適應(yīng)值；

47、使用最優(yōu)位置的參數(shù)進(jìn)行變分模態(tài)分解，得到各個(gè)人體目標(biāo)的生命體征參數(shù)。

48、作為優(yōu)選的技術(shù)方案，所述使用蜣螂初始位置的參數(shù)對各目標(biāo)的相位差值序列進(jìn)行變分模態(tài)分解，具體為：

49、初始化模態(tài)分量μk、中心頻率ωk、拉格朗日乘子λ和n＝0，選擇合適的模態(tài)分解數(shù)量k和懲罰因子α；

50、基于下式更新模態(tài)分量μk、中心頻率ωk及拉格朗日乘子λ，公式為：

51、

52、其中，n為迭代次數(shù)，ω為頻率，為第n+1次迭代中第k個(gè)模態(tài)分量，為第n+1次迭代中第i個(gè)模態(tài)分量，為第n次迭代中第i個(gè)模態(tài)分量，為第k個(gè)模態(tài)分量第n+1次迭代的頻率，為第n+1次迭代的拉格朗日乘子，為第n次迭代的拉格朗日乘子，γ為噪聲容限，原始信號；

53、重復(fù)迭代更新，直至滿足迭代約束條件；所述迭代約束條件表示為：

54、

55、其中，ε為設(shè)定精度。

56、作為優(yōu)選的技術(shù)方案，所述滾球蜣螂位置的更新公式為：

57、

58、其中，xi(t+1)為第i個(gè)滾球蜣螂在t次迭代更新后的位置，xi(t)為第i個(gè)滾球蜣螂在第t次迭代更新前的位置，α∈{1,-1}為方向選擇因子，k為搜索步長，xi(t-1)為第i個(gè)滾球蜣螂在第t-1次迭代更新前的位置，b為大于0小于1的常數(shù)，δx為當(dāng)前迭代次數(shù)中第i個(gè)滾球蜣螂的位置與適應(yīng)度最差滾球蜣螂的位置差值，δ＝rand(1)為0-1范圍內(nèi)的隨機(jī)數(shù)，st∈(0.5,1]為全局搜索概率，r1為非線性遞減函數(shù)，ωt為第t次迭代的慣性權(quán)重，r2為區(qū)間[0,2π]上的隨機(jī)數(shù)，r3為區(qū)間[-2,2]上的隨機(jī)數(shù)，pi(t)為第t次迭代中模糊熵最小的滾球蜣螂位置，ωmax為頻率ω的最大值，ωmin為ω的最小值，tmax為最大迭代次數(shù)；

59、所述繁育球位置的更新公式為：

60、bi(t+1)＝x*+b1×(bi(t)-lb*)+b2×(bi(t)-ub*),

61、lb*＝max(x*×(1-r),lb),

62、ub*＝min(x*×(1-r),ub),

63、其中，bi(t+1)為第i個(gè)繁育球在第t次迭代更新后的位置，x*為當(dāng)前局部最佳位置，b1和b2為兩個(gè)大小為1×d的獨(dú)立隨機(jī)向量，d為維數(shù)，bi(t)為第t次迭代時(shí)第i個(gè)繁育球更新前的位置，lb*為雌性蜣螂產(chǎn)卵區(qū)域的下界，ub*為雌性蜣螂產(chǎn)卵區(qū)域的上界，lb為優(yōu)化蜣螂位置的下界，ub為優(yōu)化蜣螂位置的上界；

64、所述小蜣螂位置的更新公式為：

65、xsi(t+1)＝xsi(t)+c1×(xsi(t)-lbb)+c2×(xsi(t)-ubb),

66、lbb＝max(xb×(1-r),lb),

67、ubb＝mib(xb×(1-r),ub),

68、其中，xsi(t+1)為第t次迭代中第i個(gè)小蜣螂更新后的位置，xsi(t)為第i只小蜣螂在第t次迭代更新前的位置，c1為服從正態(tài)分布的隨機(jī)數(shù)，c2為(0,1)的隨機(jī)向量，lbb為最佳覓食區(qū)域的下界，ubb為最佳覓食區(qū)域的上界，xb表示全局最佳位置；

69、所述偷竊蜣螂位置的更新公式為：

70、xti(t+1)＝xb+s×g×(|xti(t)-x*|+|xti(t)-xb|),

71、其中，xti(t+1)為第t次迭代中第i個(gè)偷竊蜣螂更新后的位置，xb為全局最佳位置，s為敞亮，g為正態(tài)分布的隨機(jī)向量，xti(t)為第t次迭代中第i個(gè)偷竊蜣螂更新前的位置，x*為當(dāng)前局部最佳位置；

72、所述當(dāng)前局部最佳位置為當(dāng)前迭代次數(shù)中滾球蜣螂更新后適應(yīng)度最好的位置；

73、所述全局最佳位置為當(dāng)前迭代中種群內(nèi)所有個(gè)體更新前適應(yīng)度最好的個(gè)體位置。

74、作為優(yōu)選的技術(shù)方案，所述模糊熵的計(jì)算方法為：

75、對種群中各個(gè)體的多個(gè)模態(tài)分量進(jìn)行重構(gòu)，得到m維時(shí)間序列，重構(gòu)公式為：

76、

77、其中，每一模態(tài)分量是一個(gè)n維時(shí)間序列{μ(j),1≤j≤n}，x(i)為第i個(gè)模態(tài)分量重構(gòu)后的向量序列，μ0(i)為第i個(gè)模態(tài)分量重構(gòu)后的向量序列均值；

78、計(jì)算種群中各個(gè)體的兩個(gè)模態(tài)分量重構(gòu)后m維時(shí)間序列間的距離公式為：

79、

80、其中，n為n維時(shí)間序列的長度，μ(i+k)-μ0(i)為第i維時(shí)間序列的原始值與平均值差值，(μ(j+k)-μ0(j))為第j維時(shí)間序列的原始值與平均值差值；

81、引入隸屬度函數(shù)計(jì)算種群中各個(gè)體的任意兩個(gè)模態(tài)分量重構(gòu)后m維時(shí)間序列之間的隸屬度以及種群中各個(gè)體的任意模態(tài)分量重構(gòu)后的m維時(shí)間序列除自身以外所有隸屬度的平均值φm(z,r)，公式為：

82、

83、其中，z為相似度度量指數(shù)，r為n維時(shí)間序列的標(biāo)準(zhǔn)差；

84、求得種群中各個(gè)體的多個(gè)模態(tài)分量的模糊熵，表示為：

85、fuzzyen(m,z,r)＝lnφm(z,r)-lnφm+1(z,r)

86、其中，φm+1(z,r)為種群中各個(gè)體的任意模態(tài)分量重構(gòu)后的m+1維時(shí)間序列的除自身以外所有隸屬度的平均值。

87、本發(fā)明另一方面提供一種tdm-mimo毫米波雷達(dá)的多目標(biāo)生命體征檢測系統(tǒng)，包括信號采集模塊、信號濾波模塊、二維定位模塊、相位計(jì)算模塊及參數(shù)獲得模塊；

88、所述信號采集模塊用于在毫米波mimo雷達(dá)的tdm-mimo模式下，控制發(fā)射天線對目標(biāo)區(qū)域發(fā)射信號，同時(shí)控制接收天線接收目標(biāo)區(qū)域反射回的回波信號，進(jìn)行提取重組構(gòu)成陣列信號；所述目標(biāo)區(qū)域包括多個(gè)人體目標(biāo)；

89、所述信號濾波模塊用于對陣列信號進(jìn)行距離fft并使用相量均值相消算法進(jìn)行靜態(tài)雜波濾除得到濾波信號；

90、所述二維定位模塊用于將濾波信號進(jìn)行前后向空間平滑以及空間譜估計(jì)，并進(jìn)行二維恒虛警率檢測分離出目標(biāo)區(qū)域內(nèi)的有效點(diǎn)云；對有效點(diǎn)云進(jìn)行聚類，得到目標(biāo)區(qū)域內(nèi)多個(gè)人體目標(biāo)，實(shí)現(xiàn)人體目標(biāo)的二維平面定位；

91、所述相位計(jì)算模塊用于選取出各聚類目標(biāo)內(nèi)空間譜估計(jì)最大值點(diǎn)的相位信號序列進(jìn)行相位解纏繞及平滑處理得到相位差值序列；

92、所述參數(shù)獲得模塊用于使用改進(jìn)正弦算法引導(dǎo)蜣螂優(yōu)化算法對變分模態(tài)分解算法的參數(shù)進(jìn)行迭代優(yōu)化，并使用迭代優(yōu)化后的參數(shù)對相位差值序列進(jìn)行變分模態(tài)分解，得到各個(gè)人體目標(biāo)的生命體征參數(shù)。

93、本發(fā)明還一方面提供一種計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，存儲(chǔ)有程序，當(dāng)程序被處理器執(zhí)行時(shí)，實(shí)現(xiàn)一種tdm-mimo毫米波雷達(dá)的多目標(biāo)生命體征檢測方法。

94、本發(fā)明與現(xiàn)有技術(shù)相比，具有如下優(yōu)點(diǎn)和有益效果：

95、本發(fā)明提供了一種tdm-mimo毫米波雷達(dá)的多目標(biāo)生命體征檢測方法，可以實(shí)現(xiàn)多人體目標(biāo)定位并分解出生命體征信號，其中改進(jìn)正弦算法引導(dǎo)蜣螂優(yōu)化算法的變分模態(tài)分解算法以模糊熵作為優(yōu)化指標(biāo)，可自行根據(jù)優(yōu)化參數(shù)自動(dòng)迭代出適用于心跳與呼吸信號分離的最佳vmd分解參數(shù)，彌補(bǔ)了變分模態(tài)分解時(shí)人為預(yù)設(shè)模態(tài)分解數(shù)和懲罰因子大小容易導(dǎo)致信號過分解或欠分解的缺點(diǎn)，使得毫米波雷達(dá)人體生命特征檢測具有更強(qiáng)的環(huán)境適應(yīng)性以及有效提高了檢測的可靠性與自動(dòng)化程度。