黨小超，張金龍，郝占軍，安 瑩

（1.西北師范大學 計算機科學與工程學院，蘭州 730070；2.甘肅省物聯(lián)網(wǎng)工程研究中心，蘭州 730070）

0 概述

自2002 年美國聯(lián)邦通信委員會（Federal Communications Commission，F(xiàn)CC）批準民用微波的頻率范圍為3.1～10.6 GHz［1］以來，超寬帶（Ultra Wide Band，UWB）因具有低功耗、強穿透能力、強抗干擾能力、高分辨率等特性，被廣泛用于地震災害救援、室內(nèi)定位［2-3］、穿墻檢測等任務中。雷達可以通過感知由呼吸和心跳所引起的身體表面微動信息進行人體目標檢測［4］。脈沖超寬帶（Impulse Radio Ultra Wide Band，IR-UWB）雷達是通過雷達發(fā)射端發(fā)射電磁波，利用傳播介質(zhì)到達人體，電磁波脈沖經(jīng)過人體的散射產(chǎn)生相應的回波信號，回波信號通過介質(zhì)傳播到雷達接收端，隨后被接收端接收進行數(shù)據(jù)采樣。與微波多普勒雷達相比，IR-UWB 雷達的功耗更低、尺寸更小和信噪比（Signal-to-Noise Ratio，SNR）更高，在復雜環(huán)境下具有抗雜波、高魯棒、高精度等特性［5-6］，可檢測人體內(nèi)部的宏觀和微觀運動［6］。文獻［7］針對IR-UWB 信號在穿墻過程中由墻體參數(shù)估計誤差所導致的時間誤差問題，提出基于圖像使用迭代算法的目標范圍估計方法。文獻［8］介紹了微波多普勒雷達是一種非接觸式檢測生命體征的替代方法［9］。但是，多普勒雷達系統(tǒng)難以穿透材料以及存在零點問題［10］。IR-UWB 雷達信號由于良好的材料穿透性，因此可以輕易地穿透墻體，進行生命體征的檢測和目標識別［11-12］。

人體呼吸會引起人體胸腔壁微動，產(chǎn)生微弱的呼吸回波信號。IR-UWB 雷達系統(tǒng)采集的原始回波信息中通常包含線性趨勢、靜態(tài)雜波、諧波干擾等干擾信號，近些年國內(nèi)外研究人員對此進行了大量研究以抑制這些雜波信息。文獻［13］使用自適應雜波消除技術(shù)消除類似呼吸的大量雜波。文獻［14］通過快速傅里葉變換（Fast Fourier Transform，F(xiàn)FT）研究人體呼吸回波信號中的時域特征。文獻［15］采用有限差分時域數(shù)值模擬方法成功模擬了地震災害后被困人員的心跳、呼吸等生命體征信息。文獻［16］提出一種復雜度低的最大似然（Maximum Likelihood，ML）估計方法來估計加性高斯白噪聲（Additive White Gaussian Noise，AWGN）中的人體呼吸周期。文獻［17］采用奇異值分解在低信噪比條件下提取人類呼吸信號的相關信息。文獻［18］利用回波經(jīng)驗模式分解（Empirical Mode Decomposition，EMD）提取雷達回波信號，隨后通過獨立主成分分析和雜波抑制對雷達穿墻檢測進行研究。文獻［19］使用復信號解調(diào)來消除雜波。文獻［20］通過時域自相關技術(shù)、快采樣均值濾波算法對信號作降噪處理，提高回波信號信噪比。針對現(xiàn)有非接觸式呼吸檢測方法難以根據(jù)低信噪比的接收信號準確估計出人體呼吸頻率和到達時間（Time of Arrival，TOA）范圍的問題，本文提出一種有效的非接觸式呼吸檢測方法。

1 IR-UWB 雷達與呼吸回波模型

1.1 IR-UWB 雷達原理

在對呼吸運動引起的胸腔表面的微動信息進行建模的過程中，不論是室內(nèi)還是室外環(huán)境，都存在各種干擾信息、噪聲以及多徑效應的影響。IR-UWB 雷達接收到的原始回波會包括許多無用的信息，因此要將呼吸信號從含有眾多干擾信號的原始回波中提取出來，如圖1 所示。實驗對象為一個人相對靜止地坐在一個高40 cm 的椅子上，面朝置于桌子上離地80 cm 的IRUWB雷達設備，雷達的發(fā)射天線（Transmit Antenna，TX）位于設備的頂端，相應的雷達接收天線（Receive Antenna，RX）位于設備的底部。

圖1 基于IR-UWB 雷達的呼吸信號提取Fig.1 Respiration signal extraction based on IR-UWB radar

IR-UWB 雷達利用雷達發(fā)射端發(fā)射電磁波，通過傳播介質(zhì)到達人體胸腔表面，隨后經(jīng)過人體的反射、散射形成雷達回波信號，回波信號經(jīng)過傳播介質(zhì)到達雷達接收端，然后被接收端接收。通過IRUWB 雷達，可以從接收信號的傳播延遲變化中檢測到受試目標。電磁波脈沖經(jīng)發(fā)射天線發(fā)射出來后接觸人體形成反射脈沖，通過反射脈沖的振幅變化以及到達時間可以進行胸腔微動信息評估，然后從中分析得出呼吸頻率、幅度信息以及目標范圍。收發(fā)天線到被檢測目標的距離［5］可表示如下：

其中：d0表示收發(fā)天線到人體胸腔的標稱距離；Ar表示呼吸的位移幅度；fr表示呼吸頻率。若歸一化接收脈沖用δ(t)表示，則總脈沖響應可表示如下：

其中：t表示觀測時間；τ表示傳播時間；avδ(τ-τv(t))表示由胸腔璧的微小運動所形成的傳播時間為τv(t)、幅值為av的脈沖響應；表示由每個靜態(tài)目標i在傳播時間為τi、幅值為ai時所產(chǎn)生的單個脈沖響應的總和。傳播時間如式（3）所示：

其 中：τ0=2d0/C；τr=2Ar/C；C表示光 速，為3.0×108m/s。接收到的IR-UWB 雷達信號可表示如下：

其中：s(τ)表示傳播信號；*表示卷積操作。

1.2 呼吸回波模型

IR-UWB 雷達信號采樣過程中需對時域信息進行采樣，采樣時通常涉及兩個時間軸：1）快時間域，即單個脈沖信號傳播時域信息的時間軸；2）慢時間域，即用來表示脈沖之間的先后關系的時間軸。為簡化模型，假設在理想情況下，即忽略靜態(tài)回波及其他雜波，式（2）可轉(zhuǎn)化為如下離散時間二維回波矩陣（m×n矩陣）：

其中：m和n分別代表慢時間域和快時間域的采樣數(shù)；Ts和Tf分別表示慢時間域和快時間域的采樣間隔。圖2 給出了呼吸回波模型的動態(tài)特征，使用行向量記錄一定小范圍內(nèi)不同觀察時間的接收信號，利用列向量記錄從不同距離反射的一個脈沖，其中虛線框表示目標所在的檢測范圍。從圖2 可以看出：胸腔璧在快時間域上周期性移動；在慢時間域上，t和t+1T 具有相似的波形。

圖2 呼吸回波模型的動態(tài)特征Fig.2 Dynamic characteristics of the respiration echo models

式（5）經(jīng)過離散化可表示如下：

其中：δT表示快速采樣時間間隔；TS表示持續(xù)脈沖時間；m為快時間域的采樣數(shù)；n為慢時間域的采樣數(shù)；δR=vδT/2；h[m,n]表示人體微動信號；c[m]表示靜態(tài)雜波。在實驗過程中，接收信號中還可能包含線性趨勢、AWGN、非靜態(tài)雜波及其他未知雜波，因此接收信號可表示為如下：

其中：a[m,n]表示線性趨勢；w[m,n]表示AWGN；q[m,n]表示非靜態(tài)雜波；g[m,n]表示其他未知雜波。

在靜態(tài)環(huán)境中，去除所有雜波后的理想雷達回波可表示如下：

為獲得呼吸頻率fr，在每個慢時間域上對R(τ,t)進行傅里葉變換（Fourier Transformation，F(xiàn)T），如式（9）所示：

其中：U(v)為快時間域經(jīng)過FT 后的IR-UWB 脈沖；f和v分別表示慢時間域和快時間域的頻譜?；谪惾麪柡瘮?shù)，?(v,f)可表示如下：

通過式（16）和（17）可求解得到呼吸頻率fr。

2 基于IR-UWB 雷達的非接觸式呼吸檢測

首先，對原始IR-UWB 雷達回波信號進行線性趨勢消除。然后，通過兩個五階巴特沃斯濾波器對其進行濾波，并使用平滑濾波器得到平滑的采樣回波信號。對采樣回波信號在慢時間域內(nèi)進行FT 后通過窗口選擇，對受試目標進行呼吸頻率估計，同時對采樣回波信號使用基于雷達回波信號的超值峰度（Excess Kurtosis，EK）與均方根（Root Mean Square，RMS）的TOA 范圍估計算法（簡稱為EK-RMS 算法），得到受試目標的TOA 范圍。最后，將呼吸頻率和TOA 范圍的目標信息進行比對，得到受試目標的呼吸頻率。基于IR-UWB 雷達的非接觸式呼吸檢測流程如圖3 所示。

圖3 基于IR-UWB 雷達的非接觸式呼吸檢測流程Fig.3 Procedure of non-contact respiration detection based on IR-UWB radar

2.1 靜態(tài)雜波去除

IR-UWB 雷達接收到的回波信號除了包含被測目標的信號以外，還包含周圍環(huán)境經(jīng)反射、散射所接收到的信號，其中靜態(tài)雜波是一個顯著的影響因素，可表示如下：

從回波信號R[m,n]中消除靜態(tài)雜波得到Ω[m,n]：

使用LTS 算法可有效消除回波信號中的線性趨勢［17］：

2.2 雜波抑制

IR-UWB 雷達回波信號是由實驗環(huán)境、檢測目標與天線的方位角、介電常數(shù)、濕度以及電磁波極化所共同決定的［21］，由于這些參數(shù)會隨著環(huán)境變化很能準確預測，因此本文使用巴特沃斯濾波器進行估計，n階巴特沃斯濾波器的幅度和頻率關系可表示如下：

其中：G表示濾波器的放大率；H表示傳遞函數(shù)；n表示濾波器的階數(shù)；Ω表示信號的角頻率；Ωc表示截止頻率。巴特沃斯濾波器階數(shù)越高，幅頻特性越好，即濾波器性能越好，計算復雜度越高。通過前期大量實驗驗證得出，濾波器階數(shù)選擇為五階，即n=5 時，具有良好的濾波效果，同時考慮到計算復雜度，選擇一個五階巴特沃斯低通濾波器和一個五階巴特沃斯高通濾波器，分別設置截止頻率Ωc為0.103 7 和0.022 2。歸一化截止頻率可表示如下：

其中：fs表示在快時間域內(nèi)的采樣頻率，在每個索引記為n的慢時間域周期內(nèi)，均對快時間域上的脈沖回波信號Wm×n進行濾波，濾波后得到：

因為使用五階巴特沃斯濾波器，所以設置Nb=Na=5，其中ai和bi表示濾波器系數(shù)。本文采用平滑濾波器抑制非靜態(tài)雜波：

2.3 TOA 范圍估計

經(jīng)過濾波處理后，大部分雜波得到抑制，高斯噪聲w[m,n]是影響呼吸回波信號的主要因素。頻譜峰度可用于提取非高斯信號，還可以確定其在頻率中的位置。本文基于雷達回波信號的超值峰度與均方根對目標進行TOA 范圍估計。下面給出每個快速時間域為m的EK：

其中：κ4、κ2分別表示樣本的四階中心距和二階中心距；E表示樣本期望。S[m,n]和EK 的RMS 表示分別如式（26）、式（27）所示：

短時傅里葉變換（Short Time Fourier Transform，STFT）和小波變換（Wavelet Transform，WT）已被廣泛應用于生命體征信號分析，然而由于STFT 主要依賴信號的時間寬度進行分析，在實際實驗過程中時間寬度是很難確定的，因此本文選取在時域中具有可擴展性的WT 進行信號分析。WT 適用于非平穩(wěn)信號的分析，且窗口尺寸可變。若給定時域信號T(τ)，則連續(xù)WT 可以表示如下：

為從回波信號中獲取目標對象的TOA 范圍估計，頻率窗口寬度設置為0.6～1.2 GHz，則受試目標與IR-UWB 雷達之間的距離估計如下：

其中：表示對應矩陣最大的TOA 估計。

2.4 呼吸頻率估計

由于IR-UWB 雷達發(fā)射脈沖經(jīng)過人體反射會形成原始雷達回波，原始雷達回波中存在大量雜波信號，為驗證EK-RMS 算法對這些雜波信號的抑制或消除作用，進行算法性能分析，截取受試者A 在室外空曠環(huán)境下1 m 處所采集到的IR-UWB 雷達回波信號，歸一化幅度后的頻譜圖如圖4 所示。

圖4 信號處理頻譜圖Fig.4 Signal processing spectrogram

由圖4 可以看出，原始IR-UWB 回波信號含有大量雜波，基于EK-RMS 算法對原始回波信號進行巴特沃斯和平滑濾波后，大量雜波信號得以抑制，最終經(jīng)過傅里葉變換的呼吸頻率在0.229 7 Hz 處幅值達到峰值，可以得出該受試者的呼吸頻率約為0.229 7 Hz。

3 實驗與結(jié)果分析

3.1 數(shù)據(jù)處理

實驗由1 個由Novelda 開發(fā)的X4M02 IR-UWB雷達和1 臺筆記本電腦組成。IR-UWB 雷達由發(fā)射天線、接收天線、雷達模塊、微控制單元（Micro Controller Unit，MCU）、存儲單元和供電單元組成，如圖5 所示。

圖5 IR-UWB 雷達實物圖Fig.5 IR-UWB radar diagram

3.1.1 實驗設備

IR-UWB 雷達發(fā)射機帶寬為1.4 GHz，傳感器中心頻率為7.29 GHz，接收器以23.328 GS/s 的速度接收回波信號，并且可以連續(xù)覆蓋5 m 的探測距離。雷達設備包括處理器、內(nèi)存、數(shù)字基帶、模擬前端、脈沖發(fā)生器、低噪聲放大器（Low Noise Amplifier，LNA）、收發(fā)端、電源管理單元（Power Management Unit，PMU）和串行 外設接 口（Serial Peripheral Interface，SPI）。脈沖發(fā)生器產(chǎn)生高頻脈沖，并在處理器的控制下通過發(fā)射天線發(fā)出，到達人體胸腔后產(chǎn)生回波，由接收天線接收雷達回波，IR-UWB 雷達發(fā)射脈沖的時間間隔由脈沖重復頻率（Pulse Repetition Frequency，PRF）決定。

數(shù)據(jù)采集端為1 臺Intel i5-9500 CPU、內(nèi)存為8 GB 的筆記本電腦，筆記本電腦通過USB 接口與雷達控制模塊相連接，進行數(shù)據(jù)采集并向雷達MCU 發(fā)送控制命令。

3.1.2 實驗環(huán)境

本文分別在室內(nèi)空曠、室外空曠以及室內(nèi)復雜環(huán)境下對4 名受試者（2 男2 女）通過IR-UWB 雷達采集回波信號，并對收集到的回波信號進行處理分析，使用本文所提出的EK-RMS 算法進行受試目標的呼吸頻率和TOA 范圍估計。

室內(nèi)復雜環(huán)境選擇噪聲干擾較多的實驗室，實驗室有辦公桌、板凳、電腦等家居，大小為5 m×5 m；室內(nèi)空曠環(huán)境選擇比較空曠的教學樓一樓大廳，大小為5 m×5 m；室外空曠環(huán)境選擇室外無人的花園，大小為5 m×5 m。實驗環(huán)境如圖6 所示，采取數(shù)據(jù)的IR-UWB 雷達放置在一個高80 cm 的三角架上。實驗過程中受試者保持相對靜止，坐在一個高40 cm的板凳或臺子上，受試者胸腔離地80 cm，并且上身保持挺直胸腔面對IR-UWB 雷達進行均勻呼吸。

圖6 實驗環(huán)境設置Fig.6 Setting of experimental environments

3.2 結(jié)果分析

在采集IR-UWB 雷達數(shù)據(jù)時，不同的實驗環(huán)境、測量距離、實驗人員等因素都會對回波信號產(chǎn)生影響。本文通過設計多組對比實驗，測試EK-RMS 算法性能。4 名受試者的基本信息如表1 所示，對4 名受試者使用呼吸綁帶測量20 min 內(nèi)的呼吸次數(shù)并計算平均呼吸頻率。

表1 受試者基本信息Table 1 Basic information of subjects

IR-UWB 雷達數(shù)據(jù)采集設置PRF 為600 kHz、平均采集數(shù)量Na為30。通過6 個片段同時進行采樣，每個片段的時間窗口設置為124 ms、采樣數(shù)N為682，快時間域內(nèi)的樣本數(shù)量N×6=4 092，因此每個脈沖信號接收時間為N×Na/PRF=0.034 1s，在60 s 內(nèi)可接收1 759 個脈沖。在室內(nèi)復雜、室內(nèi)空曠和室外空曠實驗環(huán)境中，4 名受試者面朝雷達坐著，保持均勻呼吸，距離雷達1 m、2 m、3 m、4 m 和5 m 的地方進行數(shù)據(jù)采集，每組數(shù)據(jù)分別采集5 次，每次采集有效數(shù)據(jù)時長為20 min。

3.2.1 探測距離對呼吸回波信號的影響

為探究受試者距IR-UWB 雷達設備的遠近對呼吸回波信號的影響，設計對照實驗，在室內(nèi)復雜、室內(nèi)空曠和室外空曠實驗環(huán)境下，受試者A、B、C 和D分別距離IR-UWB 雷達1 m、2 m、3 m、4 m 和5 m 的情況下進行呼吸頻率估計，實驗結(jié)果如圖7 所示。由圖7 可以看出，在同一個環(huán)境下目標距離雷達相同的距離時，所估計呼吸頻率與平均呼吸頻率變化基本一致，但是隨著受試者離雷達的距離增加，所估計的數(shù)據(jù)誤差增大。

圖7 受試者呼吸頻率估計Fig.7 Estimation of respiration frequency of subjects

在3 種不同的實驗環(huán)境下計算并比較4 名受試者的呼吸頻率和TOA 范圍在距離IR-UWB 雷達1 m、2 m、3 m、4 m 和5 m 時的平均估計誤差，結(jié)果如表2 所示。由表2 可以看出，探測距離增大，估計誤差也逐漸增大。經(jīng)計算探測距離分別為1 m、2 m、3 m、4 m 和5 m 時，呼吸頻率的平均估計誤差分別為3.92%、4.59%、4.67%、5.82%和6.74%。在探測距離為1 m 時誤差最小，在平均估計誤差為2.99%的室外空曠環(huán)境下所估計的呼吸頻率值更加平穩(wěn)，更加接近平均呼吸頻率。當探測距離為1 m、2 m 和3 m 時，呼吸頻率的估計誤差最小且在5%以內(nèi)，究其原因為IR-UWB 雷達發(fā)射脈沖受到的干擾更小。由表2 還可以看出，隨著受試目標距IR-UWB 雷達的距離增加，TOA 范圍的估計誤差也逐漸增加。當探測距離為1 m、2 m、3 m、4 m 和5 m 時，TOA 范圍的平均估計誤差分別約為0.114 m、0.145 m、0.180 m、0.219 m和0.257 m。實驗結(jié)果表明，使用EK-RMS 算法進行受試目標呼吸頻率估計準確率更高，且呼吸頻率的平均估計誤差約為5.15%，TOA 范圍的平均估計誤差約為0.183 m。

表2 受試者的呼吸頻率和TOA 范圍估計誤差對比Table 2 Comparison of estimation errors of respiration frequency and TOA range of subjects

3.2.2 受試環(huán)境對呼吸回波信號的影響

為探究環(huán)境對IR-UWB 雷達回波信號的影響，分別在室內(nèi)空曠環(huán)境和室外空曠環(huán)境下，對4 名受試者分別在探測距離為1 m、2 m、3 m、4 m 和5 m 的條件下進行呼吸頻率估計，實驗結(jié)果如圖8 所示。由圖8 可以看出，4 名受試者在室外空曠環(huán)境下呼吸頻率估計值更加平穩(wěn)且更接近使用呼吸綁帶所測得的平均呼吸頻率，受多徑效應和環(huán)境影響因素干擾，4 名受試者在室內(nèi)復雜環(huán)境下所估計的呼吸頻率波動較大。

圖8 3 種實驗環(huán)境下的呼吸頻率估計Fig.8 Estimation of respiration frequency under three experimental environments

為進一步驗證復雜環(huán)境和空曠環(huán)境對IR-UWB 雷達回波信號的影響，設計2 組對比實驗：1）受試者A 分別在室內(nèi)復雜環(huán)境和室內(nèi)空曠環(huán)境下，進行呼吸頻率和TOA 范圍估計，實驗結(jié)果如圖9 所示；2）受試者A 分別在室內(nèi)空曠環(huán)境和室外空曠環(huán)境下，進行呼吸頻率和TOA 范圍估計，實驗結(jié)果如圖10 所示。

圖9 室內(nèi)環(huán)境下的實驗結(jié)果Fig.9 Experimental results under indoor environments

圖10 空曠環(huán)境下的實驗結(jié)果Fig.10 Experimental results under outdoor environments

第1 組對比實驗通過觀察受試者A 的呼吸頻率估計柱狀圖可以看出，在室內(nèi)空曠環(huán)境下使用EKRMS 算法相比在室內(nèi)復雜環(huán)境下估計的呼吸頻率更加接近平均呼吸頻率，誤差更小，這是實驗所預期的，因為復雜環(huán)境干擾較大。通過觀察受試者A 的TOA 范圍估計圖可以看出，使用EK-RMS 算法估計出的TOA 范圍誤差基本穩(wěn)定在0.20 左右。室內(nèi)復雜環(huán)境由于多徑效應的影響，回波信號中含有大量的雜波，對受試目標的TOA 范圍估計造成影響，在室內(nèi)空曠環(huán)境下估計的TOA 范圍相比室內(nèi)復雜環(huán)境更加精準、誤差更小。

第2 組對比實驗通過觀察受試者A 在室內(nèi)空曠和室外空曠環(huán)境下估計的呼吸頻率，可以看出：室外空曠環(huán)境下使用EK-RMS 算法進行呼吸頻率估計更加準確，究其原因可能由于室內(nèi)環(huán)境下，鋼筋混凝土對IR-UWB 雷達信號有干擾；相比室內(nèi)空曠環(huán)境，在室外空曠環(huán)境下使用EK-RMS 算法對受試目標進行TOA 范圍估計誤差更小。

實驗結(jié)果表明，EK-RMS 算法具有較高的魯棒性和準確性，在室內(nèi)復雜、室內(nèi)空曠以及室外空曠環(huán)境下的平均呼吸頻率估計誤差分別為6.498%、5.086%和3.860%，平均TOA 范圍估計誤差分別約為0.287 m、0.188 m 和0.074 m。

3.2.3 室內(nèi)復雜環(huán)境下物品擺放對算法性能的影響考慮到室內(nèi)復雜環(huán)境下不同的物品擺放會對算法性能產(chǎn)生影響，將受試者分別在距離雷達1 m、2 m、3 m、4 m 和5 m 處進行呼吸頻率估計，在受試者和雷達之間分別放置實驗室常見物品（桌子、凳子、飲水機和電腦），計算呼吸頻率估計準確率和誤差累計分布函數(shù)（Cumulative Distribution Function，CDF）值，實驗結(jié)果如圖11 所示。由圖11（a）可以看出，隨著探測距離的逐漸增大，算法準確率有不同程度的下降。當受試者和雷達之間放置凳子和桌子時，對雷達回波影響較小。當放置飲水機和電腦時，對雷達回波影響較大，導致算法準確率下降。由圖11（b）可以看出，凳子和桌子對算法性能影響較小，飲水機其次，電腦對算法影響最大。通過計算得知，當分別將桌子、凳子、飲水機和電腦放置在受試者和雷達之間時，呼吸頻率估計的平均準確率分別約為95.02%、94.45%、93.58%和91.98%。

圖11 物品擺放對算法性能的影響Fig.11 The impact of item placement on algorithm performance

3.2.4 算法性能比較

將EK-RMS 算法與FFT 算 法［14］、Phase-Based 算法［22］以及WT-Window 算法［23］進行呼吸頻率估計誤差對比，實驗結(jié)果如表3 所示。由表3 可以看出，EKRMS 算法在探測距離為1 m、2 m、3 m、4 m 和5 m 時的呼吸頻率估計誤差分別為3.92%、4.59%、4.67%、5.82% 和6.74%，相比FFT算法、Phase-Based 算法、WT-Window 算法誤差率平均降低了4.424%、3.012%、1.288%，證明了EK-RMS 算法準確率更高。

表3 4 種算法的呼吸頻率估計誤差對比Table 3 Comparison of estimation errors of respiratory frequency of four algorithms %

圖12 給出了4 種算法的SNR，可以看出隨著探測距離的增加，4 種算法的SNR 有不同程度的降低，EK-RMS 算法的SNR 穩(wěn)定于-3～7 dB，明顯優(yōu)于FFT算法、Phase-Based 算法以及WT-Window 算法，證明了EK-RMS 算法具有高魯棒性，且對雜波信號有明顯的抑制或消除作用。

圖12 4 種算法的信噪比對比Fig.12 SNR comparison of four algorithms

4 結(jié)束語

本文提出一種基于IR-UWB 雷達的非接觸式呼吸檢測方法，對原始IR-UWB 雷達回波信號進行線性趨勢消除，通過五階巴特沃斯濾波器與平滑濾波器處理得到平滑的采樣回波信號，并在慢時間域內(nèi)對采樣回波信號進行傅里葉變換后實現(xiàn)呼吸頻率估計。針對受試目標的探測距離不確定問題，采用EK-RMS 算法進行連續(xù)小波變換的TOA 估計得到最終受試目標的TOA 范圍。實驗結(jié)果表明，EK-RMS算法能準確提取出受試目標的呼吸特征并獲得位置信息，具有魯棒性強、易于實現(xiàn)等特點。下一步將利用IR-UWB 雷達進行多人生命體征測量，達到實時監(jiān)測多人呼吸頻率和心率的目的。