薛帥康,王小月,許致火,劉微雪,黃同輝
(南通大學(xué) a.信息科學(xué)技術(shù)學(xué)院;b.交通與土木工程學(xué)院,江蘇 南通 226019)
2017年聯(lián)合國《世界人口老齡化發(fā)展報(bào)告》顯示,全球60歲及以上的人口占總?cè)丝诘?3%,并以每年3%的速度增長。據(jù)2016年第四次中國城鄉(xiāng)老人生活狀況抽樣調(diào)查數(shù)據(jù)顯示,中國失能、半失能老年人大致有4 063萬人,占老年人口的18.3%,健康老齡化成為中國人口發(fā)展目標(biāo)[1]。人口老齡化帶來老人健康問題,而大多數(shù)子女由于房貸和生活的壓力,并不能總是在老人身邊照顧,對老年人健康狀況的監(jiān)測變得十分必要。
呼吸、心跳等人體生命體征是現(xiàn)代衛(wèi)生保健和醫(yī)療應(yīng)用的重要指標(biāo)[2],表征著人體的健康狀況。傳統(tǒng)的人體生命體征檢測通常采用穿戴式傳感器、粘貼式電極、呼吸帶等儀器,如心電圖、指夾式脈搏血氧儀、電子血壓測量機(jī)等[3],雖然這些接觸式心跳檢測方法測量精度較高,但是電極的刺激會引起人體不適[4]。
與上述檢測方法相比,雷達(dá)對于呼吸和心跳的監(jiān)測具有很大優(yōu)勢。雷達(dá)具有較強(qiáng)的信號穿透性,信號波長越長,穿透能力越強(qiáng),能在墻壁遮擋情況下對人體呼吸和心跳進(jìn)行檢測,有利于災(zāi)害應(yīng)急救援[5]。同時(shí)雷達(dá)的檢測范圍更為廣闊,可以實(shí)現(xiàn)一定區(qū)域的多人檢測,且檢測不易受外界環(huán)境條件的影響,穩(wěn)定性更好。研究表明,無接觸技術(shù)能夠持續(xù)地監(jiān)測用戶的健康狀況,這使其能夠在發(fā)生暈厥、心臟驟停等緊急情況時(shí)及時(shí)示警,降低死亡或致殘的風(fēng)險(xiǎn),從而減輕社會醫(yī)療負(fù)擔(dān)[6],這使得雷達(dá)檢測技術(shù)在人體呼吸心跳監(jiān)測領(lǐng)域擁有較為廣泛的應(yīng)用。
脈沖超寬帶雷達(dá)[7]、連續(xù)波(Continuous Wave,CW)多普勒雷達(dá)[8-9]、調(diào)頻連續(xù)波(Frequency Modulated Continuous Wave,FMCW)雷達(dá)[10-11]等都可實(shí)現(xiàn)對人體呼吸心跳的檢測。雷達(dá)通過獲取人體的胸腔起伏信號,實(shí)現(xiàn)對人體呼吸心跳的檢測。人體胸腔的起伏很微弱,屬于毫米級范疇[12],位于毫米波段的雷達(dá)可實(shí)現(xiàn)小位移的精確測量,對呼吸心跳的檢測更準(zhǔn)確[13]。
本文簡要描述了不同雷達(dá)系統(tǒng)對人體呼吸和心跳信號檢測的基本原理,總結(jié)了不同雷達(dá)系統(tǒng)在人體呼吸心跳檢測方面的優(yōu)缺點(diǎn);從數(shù)據(jù)預(yù)處理、呼吸心跳分離、呼吸率和心率估計(jì)三個(gè)方面介紹了雷達(dá)信號處理算法,系統(tǒng)歸納了每一方面的最新研究進(jìn)展;分析了現(xiàn)有研究中存在的局限性,并對未來的研究趨勢進(jìn)行了展望。
根據(jù)雷達(dá)射頻回波信號處理結(jié)構(gòu)的不同,CW雷達(dá)系統(tǒng)分為基于混頻器的CW雷達(dá)和基于六端口接收機(jī)的CW雷達(dá)。CW雷達(dá)發(fā)射復(fù)信號為
STX(t)=ATXej[2πfct+φ0]。
(1)
式中:fc為載波頻率;ATX為發(fā)射信號的振幅;φ0為初始相位。
假設(shè)人體的徑向距離為d0,呼吸心跳產(chǎn)生的胸腔位置變化為x(t),由雷達(dá)作用人體后向散射得到的接收信號為
SRX(t)=ARXej[2πfc(t-td)+φ1]。
(2)
對于基于混頻器的CW雷達(dá),接收信號經(jīng)過混頻和低通濾波后,其基帶復(fù)信號表示為
(3)
式中:Δφ=φ1-φ0為相位差;AIF為基帶信號振幅。利用反正切法,可得到人體的胸腔位移信號x(t)為
(4)
圖1為六端口接收機(jī)結(jié)構(gòu)示意圖,包括2個(gè)輸入端口和4個(gè)輸出端口。
圖1 六端口接收機(jī)結(jié)構(gòu)[14]
輸入端口P1和P2對應(yīng)發(fā)射信號STX和接收信號SRX,即
P1=ATXej[2πfct+φ0]=A+jB,
(5)
P2=ARXej[2πfc(t-td)+φ1]=C+jD。
(6)
式中:A=ATXcos(2πfct+φ0);B=ATXsin(2πfct+φ0);C=ARXcos(2πfc(t-td)+φ1);D=ARXsin(2πfc(t-td)+φ1)。P1和P2在輸出端口的相位差為0,π/2,π和3π/2,通過計(jì)算得到輸出信號B3,B4,B5,B6為
B3=0.25|P1+jP2|2,
(7)
B4=0.25|jP1+P2|2,
(8)
B5=0.25|jP1+jP2|2,
(9)
B6=0.25|P1-P2|2。
(10)
將式(5)、(6)代入到式(7)~(10)中得到
B3=0.25|(A-D)+j(B+C)|2,
(11)
B4=0.25|(C-B)+j(A+D)|2,
(12)
B5=0.25|-(B+D)+j(A+C)|2,
(13)
B6=0.25|(A-C)+j(B-D)|2。
(14)
而P1和P2的相位差可表示為
(15)
即由六端口接收機(jī)的輸出,可得到人體的胸腔位移
(16)
FMCW雷達(dá)具有多種頻率調(diào)制方式,在人體呼吸心跳檢測中,大多采用線性調(diào)頻方式。假設(shè)fc為載波頻率,Tc為信號掃描周期,B為雷達(dá)信號的帶寬,FMCW雷達(dá)發(fā)射復(fù)信號為
(17)
式中:ATX為發(fā)射信號的振幅;φ0為初始相位。
接收信號為發(fā)射信號延時(shí)td,
(18)
式中:ARX為接收信號的振幅;φ1為接收信號相位。
接收信號經(jīng)過混頻和低通濾波后,其基帶復(fù)信號表示為
(19)
式中:Δφ=φ1-φ0相位差;AIF為基帶信號振幅。為得到表征胸腔位移的相位信號,需要消除式(19)指數(shù)中的第一項(xiàng)。對基帶復(fù)信號采樣得到
(20)
式中:Ts為快時(shí)間采樣周期;m,n為采樣數(shù)。將采樣信號組成快慢時(shí)間矩陣,如圖2所示,先對快時(shí)間行進(jìn)行快速傅里葉變換(Fast Fourier Transform,FFT)求得人體位置坐標(biāo),再提取位置坐標(biāo)處的慢時(shí)間列,從而消除式(19)指數(shù)中的第一項(xiàng),最后將慢時(shí)間列代入式(4)得到人體的胸腔位移信號x(t)。
圖2 FMCW雷達(dá)基帶信號快慢時(shí)間矩陣
典型的脈沖超寬帶雷達(dá)由波形產(chǎn)生器、發(fā)射機(jī)、接收機(jī)、收發(fā)天線和信號處理器等部件組成。脈沖超寬帶雷達(dá)通過測量從人體胸部反射的窄脈沖的飛行時(shí)間變化,實(shí)現(xiàn)對呼吸心跳的檢測[15]。
超寬帶雷達(dá)的發(fā)射復(fù)信號為
STX(t,nT)=p(t,nT)ej2πfct。
(21)
接收信號為
SRX(t,nT)=p(t-td,nT)ej2πfc(t-td)。
(22)
式中:p(t,nT)表示第n個(gè)持續(xù)時(shí)間為τ的窄脈沖,t為時(shí)間,T為脈沖重復(fù)周期;fc為載頻。
接收信號經(jīng)過混頻和低通濾波后,其基帶復(fù)信號表示為
SIF(t,nT)=p(t-td,nT)e-j2πfctd。
(23)
利用式(4)得到人體的胸腔位移信號x(t)。
雷達(dá)系統(tǒng)通過檢測人體胸腔位移變化,實(shí)現(xiàn)人體呼吸和心跳信號檢測,如圖3所示。表1總結(jié)了不同雷達(dá)系統(tǒng)檢測人體呼吸心跳信號的優(yōu)缺點(diǎn)。
表1 不同雷達(dá)系統(tǒng)檢測人體呼吸心跳信號優(yōu)缺點(diǎn)
圖3 雷達(dá)檢測人體呼吸和心跳信號
雷達(dá)搭載平臺分為兩種:固定式平臺和移動(dòng)式平臺。在固定式平臺中,雷達(dá)安裝在桌面或墻壁上,如圖4,整個(gè)檢測過程中雷達(dá)靜止不動(dòng)。在移動(dòng)式平臺中,雷達(dá)安裝在無人車或無人機(jī)上,如圖5,雷達(dá)移動(dòng)掃描某區(qū)域,并根據(jù)有效的微多普勒信號檢測人體生命體征。
圖4 桌面固定式平臺
圖5 機(jī)載移動(dòng)平臺[20]
現(xiàn)有雷達(dá)系統(tǒng)使用I/Q解調(diào)器,其具有提高信噪比、避免零點(diǎn)等優(yōu)點(diǎn)[21]。I/Q解調(diào)器、六端口接收機(jī)都可將雷達(dá)復(fù)信號轉(zhuǎn)換為I/Q信號,本文主要討論利用的雷達(dá)采集的I/Q數(shù)據(jù)進(jìn)行人體呼吸和心跳信號檢測的算法流程。
以正常人的數(shù)據(jù)為例,整個(gè)人體呼吸和心跳信號檢測信號處理流程如圖6所示,主要分成數(shù)據(jù)預(yù)處理、人體呼吸心跳信號分離、呼吸率心率估計(jì)三部分,其中數(shù)據(jù)預(yù)處理包含去直流偏置、I/Q不平衡消除和相位解纏。
圖6 人體呼吸和心跳信號檢測處理流程
2.1.1 去直流偏置與I/Q不平衡消除
由于呼吸心跳信號比較微弱,由誤差干擾引起的人體呼吸和心跳信號失真,會導(dǎo)致對呼吸率和心率的錯(cuò)誤估計(jì)[22],因而需要消除數(shù)據(jù)采集過程中混入的誤差。來自靜止物體的反射(雜波)和硬件缺陷產(chǎn)生直流偏移[23],混頻器之間的幅度和相位失配引起I/Q通道不平衡[24],這兩部分是誤差的主要來源。誤差消除方法分為模擬域消除方法和數(shù)字域消除方法。在模擬域消除方面,優(yōu)化硬件電路可保證I路和Q路的平衡,包括選用更好的混頻器、放大器和低通濾波器[25],但這必定會提高成本,且降低電路的通用性。與之相比,數(shù)字域消除方法即利用算法消除誤差,無需改變硬件電路,通用性更強(qiáng)。本節(jié)主要介紹現(xiàn)有的數(shù)字域誤差消除方法。
在直流偏置補(bǔ)償方面,將數(shù)據(jù)的均值作為直流偏置的估計(jì)是最常用的算法[26],但此種算法精度較低。為提高估計(jì)精度,文獻(xiàn)[27]提出了基于壓縮感知的直流偏置估計(jì)方法,將直流偏置補(bǔ)償問題化為圓擬合問題,通過l1范數(shù)最小化,估計(jì)直流偏置,但在提高估計(jì)精度的同時(shí)也提高了其復(fù)雜度。為了降低復(fù)雜度,文獻(xiàn)[28]提出使用圓心動(dòng)態(tài)直流偏移跟蹤方法,使用高效的梯度下降算法來實(shí)現(xiàn)動(dòng)態(tài)直流偏移跟蹤與校正,有效提高直流偏置估計(jì)的實(shí)時(shí)性。在I/Q不平衡消除方面,文獻(xiàn)[24,29]中提出了基于橢圓擬合I/Q不平衡補(bǔ)償,利用類似于Gram-Schmidt正交化的方法校正I/Q不平衡。為了提高估計(jì)的魯棒性和精度,文獻(xiàn)[25]進(jìn)一步提出了Levenberg-Marquardt方法,通過最小化與橢圓上投影的正交距離,迭代來實(shí)現(xiàn)橢圓的擬合,消除I/Q不平衡。數(shù)字域誤差消除方法通過建立 I/Q不平衡的校正與直流偏置補(bǔ)償?shù)哪P?將其轉(zhuǎn)化為優(yōu)化問題,再利用相應(yīng)的算法求解,實(shí)現(xiàn)數(shù)據(jù)補(bǔ)償。通過這種方式的誤差消除,會降低系統(tǒng)實(shí)時(shí)性,且存在殘留誤差,不適合實(shí)時(shí)性和精度要求較高的應(yīng)用場景。
2.1.2 相位解纏
利用式(4)返回的相位值區(qū)間為[-π,π],超過區(qū)間范圍的相位會被折疊到[-π,π]內(nèi),產(chǎn)生相位纏繞。為了恢復(fù)實(shí)際的相位,需要對相位解纏繞。
現(xiàn)有的相位解纏方法有差分法、微分與交叉乘法(Differential and Cross-Multiply,DACM)、擴(kuò)展微分與交叉乘法。差分法通過對纏繞相位整體±π實(shí)現(xiàn)相位解纏。DACM解纏法對式(4)中的相位進(jìn)行微分,再整體積分直接得到真實(shí)的相位。擴(kuò)展DACM解纏法與DACM相比,求解表達(dá)式更簡單,計(jì)算量更小。各方法的比較如表2所示。
表2 雷達(dá)相位解纏方法比較
人體呼吸和心跳信號分離方法大致可分為頻域?yàn)V波信號分離方法、小波信號分解重構(gòu)方法、模態(tài)分解重構(gòu)方法、最優(yōu)化信號處理算法。
2.2.1 頻域?yàn)V波信號分離法
人體呼吸的頻域范圍在0.1~0.5 Hz,心跳的頻域范圍在0.8~2 Hz[21],根據(jù)呼吸和心跳頻域范圍設(shè)計(jì)帶通濾波器,分離呼吸和心跳信號。設(shè)計(jì)無限長脈沖響應(yīng)(Infinite Impulse Response,IIR)帶通濾波器,比如,巴特沃斯型和橢圓型,實(shí)現(xiàn)呼吸心跳分離。有限長脈沖響應(yīng)(Finite Impulse Response,FIR)濾波器階數(shù)達(dá)到百階,使用較少。
2.2.2 小波分解重構(gòu)信號處理方法
小波分解重構(gòu)的實(shí)現(xiàn)人體呼吸心跳分離的基本原理如圖7所示,φ(t)表示雷達(dá)相位信號,LP為低通濾波器,HP為高通濾波器,↓2表示下2采樣。小波變換將雷達(dá)相位信號分解為不同頻率分量,在呼吸頻率范圍進(jìn)行信號重構(gòu)得到呼吸信號,在心跳頻率范圍進(jìn)行信號重構(gòu)得到心跳信號[31-32]。小波分解重構(gòu)信號處理方法中小波函數(shù)的選擇直接影響小波分解重構(gòu)的效果,一般情況下,小波函數(shù)階數(shù)越高,分解越精細(xì),但是計(jì)算量越大,應(yīng)用時(shí)需要根據(jù)情況選擇合適的小波函數(shù)。
圖7 小波分解重構(gòu)原理
2.2.3 模態(tài)分解重構(gòu)方法
模態(tài)分解方法分為經(jīng)驗(yàn)?zāi)B(tài)分解(Empirical Mode Decomposition,EMD)與變分模態(tài)分解(Variational Mode Decomposition,VMD)兩類。對于EMD,圖8給出了分解流程:雷達(dá)相位信號被分解成N個(gè)本征模態(tài)函數(shù)(Intrinsic Mode Function,IMF),對IMF分量進(jìn)行FFT,將頻譜峰值在0.1~0.5 Hz范圍內(nèi)的IMF分量歸為呼吸信號,將頻譜峰值在0.8~2 Hz范圍內(nèi)的IMF分量歸為心跳信號,其余IMF分量則視為噪聲干擾,用分類的IMF分量重構(gòu)得到呼吸和心跳信號。相比于EMD算法,一些改進(jìn)EMD算法,如集合經(jīng)驗(yàn)?zāi)J椒纸?Ensemble Empirical Mode Decomposition,EEMD)、互補(bǔ)集合經(jīng)驗(yàn)?zāi)B(tài)分解(Complete Ensemble Empirical Mode Decomposition,CEEMD),在人體呼吸和心跳信號分離的應(yīng)用中具有更高的精度。而VMD是一種自適應(yīng)、完全非遞歸的模態(tài)變分方法,其通過在頻域中分割信號,得到信號的有效分解分量,進(jìn)而重構(gòu)出人體呼吸和心跳信號[34-35]。EMD、EEMD、VMD等模態(tài)分解算法種類眾多,技術(shù)相對成熟,但是其計(jì)算量較大,實(shí)時(shí)性差,應(yīng)用時(shí)需要根據(jù)經(jīng)驗(yàn)選擇合適IMF分解次數(shù),減少迭代次數(shù),以提高算法實(shí)時(shí)性。
圖8 EMD算法的流程
2.2.4 最優(yōu)化信號處理算法
最優(yōu)化信號處理算法基于呼吸心跳信號的頻率范圍不同,建立優(yōu)化模型,通過求解模型實(shí)現(xiàn)呼吸心跳的分離。文獻(xiàn)[11]提出了一種基于正交匹配追蹤的壓縮感知方法,通過設(shè)置稀疏值,得到呼吸心跳的頻率。當(dāng)呼吸諧波頻率位于心跳頻率范圍內(nèi)時(shí),會對心跳估計(jì)產(chǎn)生干擾,使得上述算法估計(jì)誤差增大。為了抑制呼吸諧波產(chǎn)生的干擾,文獻(xiàn)[36]中提出了一種基于雙參數(shù)最小均方濾波器的信號恢復(fù)和分離方法,在基頻處提取呼吸信號,并從混合信號中剔除呼吸信號得到心跳信號,消除了呼吸諧波的干擾。雖然上述算法消除了呼吸諧波干擾,但其步驟繁瑣且實(shí)時(shí)性差。文獻(xiàn)[6]從相位和距離兩種信息的組合中提取生命信號,通過距離積分消除相互干擾,用自回歸方法檢索生命信號,算法實(shí)現(xiàn)簡單且實(shí)時(shí)性較高。為了提高呼吸心跳信號估計(jì)精度,文獻(xiàn)[37]提出了外推變換和多重信號分類(Multiple Signal Classification,MUSIC)的二維參數(shù)相結(jié)合的方法,用外推變換提高距離信息的分辨率,針對目標(biāo)外推變換后的幅度和相位信息,應(yīng)用MUSIC算法估計(jì)出呼吸和心跳頻率。將優(yōu)化方法應(yīng)用到呼吸心跳分離中,相較于傳統(tǒng)的頻域分析,在研究思路上有很大創(chuàng)新,值得進(jìn)一步研究。
呼吸速率與心率的估計(jì)分為時(shí)域估計(jì)和頻域估計(jì)。時(shí)域估計(jì)根據(jù)呼吸和心跳的波形變化得到呼吸心跳速率。頻域估計(jì)根據(jù)呼吸心跳的頻域值得到頻率估計(jì),進(jìn)而轉(zhuǎn)換成呼吸率與心率。
在頻域估計(jì)方面,最常用的方法為最大頻率估計(jì)法[38],通過對呼吸與心跳時(shí)域信號進(jìn)行FFT,將信號轉(zhuǎn)換到頻域,其呼吸心跳的頻率范圍內(nèi)的最大頻率作為呼吸與心跳的頻率估計(jì)。但是最大頻率估計(jì)方法對噪聲抑制較差,Welch、MUSIC等譜估計(jì)方法可抑制噪聲,提高估計(jì)精度。
在時(shí)域估計(jì)方面,文獻(xiàn)[39]中使用峰值檢測算法,檢測呼吸和心跳波形的極大值(或極小值)數(shù)目,再結(jié)合時(shí)間長度,得到呼吸和心跳速率的估計(jì)。當(dāng)噪聲干擾較大時(shí),上述算法估計(jì)精度下降。為此,文獻(xiàn)[40]利用峰值檢測算法對同一目標(biāo)進(jìn)行多次測量,取多次測量的平均值作為對速率的估計(jì),從而提高估計(jì)精度。雖然采用多次測量的均值可以提高估計(jì)精度,但是上述算法不能識別信號中的錯(cuò)誤峰值。文獻(xiàn)[6]使用算法識別并保存呼吸心跳波形的峰值點(diǎn),根據(jù)呼吸心跳頻率范圍去除錯(cuò)誤的峰值點(diǎn),得到呼吸和心跳的速率估計(jì),其估計(jì)精度更高。文獻(xiàn)[18]對呼吸心跳信號進(jìn)行自相關(guān)運(yùn)算,計(jì)算出自相關(guān)運(yùn)算后的峰值數(shù),作為呼吸和心跳速率的估計(jì)。
由于呼吸心跳信號引起的變化十分微弱,在系統(tǒng)誤差和噪聲干擾的情況下,盡管許多文獻(xiàn)針對不同的問題提出了相應(yīng)的解決方法,但是這些方法都存在不足,仍有改進(jìn)的空間。
呼吸和心跳的分離主要利用其頻范圍不同,頻率范圍基于正常人體數(shù)據(jù)劃定。對呼吸心跳信號進(jìn)行分離時(shí),位于呼吸心跳頻域范圍的干擾噪聲并不能消除,這將對心跳信號產(chǎn)生影響,目前尚未有相關(guān)的方法用于呼吸心跳頻域范圍噪聲的消除。由于呼吸信號引起的位移遠(yuǎn)大于心跳信號引起的位移,使得呼吸諧波的能量與心跳相近,在進(jìn)行呼吸心跳的分離時(shí),由呼吸信號產(chǎn)生的位于心跳頻率范圍的諧波分量將會干擾對心跳信號的判別。有少量文獻(xiàn)針對這一問題提出了相應(yīng)的方法,例如文獻(xiàn)[41]中利用對心跳的二次諧波進(jìn)行估計(jì)來減少呼吸諧波的干擾,但并沒有學(xué)者對呼吸諧波的抑制進(jìn)行深入研究并提出相應(yīng)的方法。
現(xiàn)有的呼吸心率估計(jì)方法基于假定呼吸心跳在一段時(shí)間內(nèi)不會發(fā)生較大的波動(dòng)。在實(shí)際應(yīng)用中,當(dāng)發(fā)生突發(fā)情況,例如受到驚嚇、刺激等,呼吸心跳會發(fā)生急劇變化。在這種情況下,現(xiàn)有的估計(jì)方法對呼吸心跳的估計(jì)不準(zhǔn)確,失去實(shí)際意義,并不能及時(shí)反映真實(shí)的呼吸心跳的速率。
現(xiàn)有的很多呼吸心跳檢測方法建立在人體靜止不動(dòng)且雷達(dá)離人體距離較近又對準(zhǔn)胸口位置的理想條件下。在實(shí)際應(yīng)用中,人處于隨機(jī)運(yùn)動(dòng)狀態(tài),且雷達(dá)不能一直正對人體,對于隨機(jī)運(yùn)動(dòng)的消除不可或缺?,F(xiàn)有的一些隨機(jī)運(yùn)動(dòng)消除的方法,實(shí)現(xiàn)起來較為復(fù)雜,且只對劇烈運(yùn)動(dòng)有較好的消除效果[42]。如何簡化隨機(jī)運(yùn)動(dòng)消除的系統(tǒng),對慢運(yùn)動(dòng)帶來的干擾實(shí)現(xiàn)準(zhǔn)確的消除,是未來的一個(gè)研究方向。
現(xiàn)有的呼吸心跳檢測方法主要基于單目標(biāo)的檢測,而在實(shí)際應(yīng)用中需要實(shí)現(xiàn)對多人的檢測。現(xiàn)有的許多文獻(xiàn)都是使用超寬帶雷達(dá)實(shí)現(xiàn)對多人的檢測,基于其他雷達(dá)的多人呼吸心跳檢測的相關(guān)研究較少,且利用雷達(dá)進(jìn)行呼吸心跳檢測的可靠性仍然有待提高。因此,如何實(shí)現(xiàn)可靠的多目標(biāo)檢測,讓雷達(dá)系統(tǒng)人體呼吸心跳信號檢測用于醫(yī)療健康服務(wù),是未來的一個(gè)主要趨勢。
利用雷達(dá)測量出的人體呼吸和心跳信號,準(zhǔn)確識別人體狀態(tài)(呼吸困難、呼吸暫停、心臟驟停等)具有很大的應(yīng)用價(jià)值。目前的一些研究使用機(jī)器學(xué)習(xí)、人工神經(jīng)網(wǎng)絡(luò)等方法識別人體狀態(tài),準(zhǔn)確率不足,且算法復(fù)雜度較高。如何提高人體狀態(tài)識別的準(zhǔn)確率,降低算法復(fù)雜度,是未來的一個(gè)研究方向。