【TI-mmWave】生命特征提取：呼吸&心跳检测（AWR1243+DCA1000）

〇、毫米波雷达的应用

  • 汽车雷达AWR——高级辅助驾驶系统(Advanced Driving Assistance System, ADAS)
    1.接近度传感器(~20m)：开车门告警、自动停车、车内人员检测（驾驶员的心跳呼吸检测）；
    2.短距和超短距雷达(~80m)：盲点检测(Blind Spot Detection, BSD);
    3.车载前向雷达(~200m): 自适应巡航(Adaptive Cruise Control, ACC), 自动紧急制动(Autonomous Emergency Braking, AEB)
  • 工业雷达IWR(IWR与WAR功能相同，主要的区别是AWR系列的芯片要符合汽车安全等级，需要通过ASIL-B的等级认证，价格更高)
    1.液位检测
    2.双备份的安防领域监控（与摄像头融合，多传感器融合）、室内人员跟踪与人数统计（考虑到环境和个人隐私问题）
    3.无人机测高和避障
    4.医疗：呼吸心跳检测(~0.5m)
    TI毫米波雷达应用介绍：
    https://edu.21ic.com/video/2625
  • 本章节的研究重点是心跳和呼吸的检测。
    应用背景：驾驶员的心跳呼吸检测，及时发现驾驶员的健康问题，防止突发疾病造成交通事故。
    优势：非接触式，不需要佩戴任何设备；毫米波检测精度高；单芯片解决方案，体积小。

一、毫米波雷达生命特征提取原理

1.TI官方资料

2.中文社区资料：

3.参考文献

  • 张兰春,顾海潮.基于毫米波雷达的生命体征检测[J].农业装备与车辆工程,2022,60(03):79-82.

二、实验配置

  • 雷达参数配置
    起始频率Fstart=77GHz（波长lambda=4mm），帧周期50mm（相应的采样频率Fs=20Hz），帧数2400，观测时间t=120s。

三、算法流程

0.算法流程图

1.原始生命体征信号 --> 距离FFT

%% 距离维FFT
% 时延误差校正
tI = 5.6248e-10; % Instrument delay for range calibration (corresponds to a 8.44cm range offset)
t = (0:Nadc-1)*Ts;
rangeBiasCorrector = exp(-1j*2*pi*K*tI*t).';
rawData = rawData.*rangeBiasCorrector;
% 距离FFT
nFFTtime = 1024; 
rangeData = fft(rawData,nFFTtime).';
% 作图
rangeAxis = rangeRes*(0:nFFTtime-1)*(Nadc/nFFTtime);
[X,Y] = meshgrid(rangeAxis,(1:Nchirp));  
figure;
mesh(X,Y,abs(rangeData));
xlabel('距离(m)');
ylabel('脉冲chrip数');
zlabel('幅度');
title('距离维-1DFFT结果');


由上图可见，待检测人员位于雷达正前方58cm左右，提取相应的距离门信息以获取相位信息。

2.相位计算

相位计算：检测范围限定-->最大值查找-->相位提取

%% 提取相位
angleData = angle(rangeData);

detaR = rangeRes*(Nadc/nFFTtime);
% Range-bin tracking 找出能量最大的点，即人体的位置  
rangeAbs = abs(rangeData);

rangeSum = sum(rangeAbs);
% 限定检测距离
minRange = 0.3;
maxRange = 1.5;
minIndex = floor(minRange/detaR);
maxIndex = ceil(maxRange/detaR);
rangeSum(1:minIndex) = 0;
rangeSum(maxIndex:end) = 0;
[~,index] = max(rangeSum);

%% 取出能量最大点的相位  extract phase from selected range bin
angleTarget = angleData(:,index);%1024个chrip的某列range bin的相位
% 提取相位信号（原始）
figure;
plot(1:Nchirp,angleTarget);
xlabel('时间/点数（N）：对应每个chrip');
ylabel('相位');
title('未展开相位信号');

phi=angleTarget;

3.相位解缠绕

%% 进行相位解缠
% unwrap函数：
phi=unwrap(phi);
figure;
plot(phi);
xlabel('点数（N）：对应每个chrip');
ylabel('相位（rad）');
title('解缠后的相位');
angle_fft_last = phi;

4.相位差计算

相位差计算目的是获得ΔR信息。

%% phase difference 相位差分
%通过减去连续的相位值，对展开的相位执行相位差运算，
angle_fft_last2=zeros(1,Nchirp);
for i = 2:Nchirp
    angle_fft_last2(i) = angle_fft_last(i) - angle_fft_last(i-1);
end 

figure;
plot(angle_fft_last2);
xlabel('点数（N）：对应每个chrip');
ylabel('相位（rad）');
title('相位差分后信号');

5.脉冲噪声去除

噪声去除采用的方法是滑动平均滤波。

%% 脉冲噪声去除：滑动平均滤波（选取0.25s(50ms*5)的滑动窗口，窗口长度为5）
%   去除由于测试环境引起的脉冲噪声
phi=smoothdata(angle_fft_last2,'movmean',5);
figure;
plot(phi);
title('滑动平均滤波相位信号');

6.信号分离与速率计算

分离呼吸和心跳信号并计算呼吸和心跳速率。

6.1 对相位差信号做FFT

%对相位差分信号作FFT 
N1=length(phi);
FS=20;                            % 帧周期50ms --> Fs = 1/0.05 = 20Hz
FFT = abs(fft(phi));              %--FFT取模，幅度
f=(0:N1-1)*(FS/N1);             %其中每点的频率
%傅里叶变换结果对称
figure;
plot(f(1:N1/8),FFT(1:N1/8)) %取前一部分放大观察
xlabel('频率（f/Hz）');
ylabel('幅度');
title('相位信号FFT  ');


可见，呼吸和心跳信号频率在不同的频段，可通过带通滤波器分离两种信号。
滤波器设计参考：

6.2 呼吸信号分离

%%  IIR带通滤波 Bandpass Filter 0.1-0.5hz，输出呼吸信号
fs =20; %呼吸心跳信号的采样率
%设计IIR，4阶巴特沃斯带通滤波器
load('coe3.mat', 'breath_pass');
breath_data = filter(breath_pass,phi); 

figure;
plot(breath_data);
xlabel('时间(s)');
ylabel('幅度');
title('呼吸时域波形');
%% FFT-Peak
breath = abs(fft(breath_data));                                     

figure;
plot(f(1:130),breath(1:130));   %取前一部分放大观察
xlabel('频率（f/Hz）');
ylabel('幅度');
title('呼吸信号FFT  ');

[~,breath_index] = max(breath); %谱峰最大值搜索

breath_count =(fs*(breath_index-1)/Nchirp)*60;        %呼吸频率解算


可见，呼吸信号频率为0.225Hz，即呼吸速率为0.225*60=13.5次/分钟。

6.3 心跳信号分离

%% IIR带通滤波 Bandpass Filter 0.8-2hz，输出心跳的数据
%  设计IIR，8阶巴特沃斯带通滤波器
load('coe4.mat', 'heart_pass');

heart_data = filter(heart_pass,phi); 
 
figure;
plot(heart_data);
xlabel('时间(s)');
ylabel('幅度');
title('心跳时域波形');

N1=length(heart_data);
f=(0:N1-1)*(fs/N1);       %其中每点的频率
heart=abs(fft(heart_data));

figure;
plot(f(1:200),heart(1:200));
xlabel('频率（f/Hz）');
ylabel('幅度');
title('心跳信号FFT');

[~,heart_index] = max(heart);
% 判断是否有人
%
heart_count =(fs*(heart_index-1)/Nchirp)*60;%心跳频率解算



可见，心跳频率为1.217Hz，即心跳速率为1.217*60 ≈ 73次/分钟。

讨论

1.传统的提取算法限于近距离出的检测(~1m)，远距离检测呼吸和心跳始终是一个很大的挑战；
2.呼吸或身体抖动带来的谐波干扰会导致心跳信号检测不准。
3.提升系统鲁棒性，例如结合模态分解分离呼吸和心跳波形，使用MUSIC算法来估计频谱等。
4.动态位置人员的跟踪与生命体征监测；多用户的生命体征监测。

posted @ 2024-07-27 17:10  Fangrx  阅读(292)  评论(0)  编辑  收藏  举报