一种多普勒雷达生理信号检测用信号分离去噪方法及系统技术方案

本发明专利技术公开了一种多普勒雷达生理信号检测用信号分离去噪方法及系统，利用ICEEMDAN将含噪雷达信号分解成一系列固有模态函数；其次，通过SampEn对每个IMF进行分析，找出包含噪声的前几个IMF，并通过小波阈值对这些IMF进行去噪；最后，为了提取准确的呼吸信号和心跳信号，对所有的IMF进行频谱分析和KL散度计算，选择合适的IMF重构呼吸信号和心跳信号。此外，通过实验验证了该算法的有效性。结果表明，该算法具有比其他现有技术更好的降噪性能且误差值最低。有效的解决了在噪声条件下的生理信号分离困难的问题，较好的体现了生理信号的细节特征和非平稳特性，最大程度地保留信号的细节。可以用于多普勒雷达生理信号检测的信号分离和去噪。离和去噪。离和去噪。

【技术实现步骤摘要】
一种多普勒雷达生理信号检测用信号分离去噪方法及系统


[0001]本专利技术属于
，具体涉及一种多普勒雷达生理信号检测用信号分离去噪方法及系统。

技术介绍

[0002]近年来，基于多普勒雷达的非接触式生理信号检测引起了广泛关注。基于多普勒雷达的非接触心肺信号检测技术不仅拥有接触式测量的诸多优点，而且具备了特别的能力，即可在一定距离内不与受试者直接接触且受试者未察觉的情况下进行非接触检测。这种检测方式不易受到环境因素的影响，例如温度、湿度、天气状况等，不会受到衣物等非金属物体的遮挡。对于特殊场合的长期生理监测具有重要意义。特别是在健康监测和睡眠监测领域，雷达发挥着重要的作用。在雷达结构方面，典型的雷达系统目前包括未调制雷达、FMCW雷达和混合模式雷达。雷达系统中的模拟电路虽然可以去除一部分噪声，但在相近的距离内，仍然会接收到其他物体和人体自身抖动造成的干扰信号。此外，心跳信号很可能淹没在呼吸谐波中，这使得很难提取心跳信号。因此，需要一种合适的去噪算法来去除含噪雷达信号中的噪声干扰，提取出纯净的呼吸和心跳信号。
[0003]传统的雷达生理信号处理方法大多采用滤波来达到去除噪声、分离呼吸和心跳信号的目的。然而，由于通带范围的限制，只能去除重要信号频带之外的噪声。无法去除带内噪声和呼吸谐波干扰，并且由于阻带的衰减，无法获得相对准确的生理信号。其他一些常用方法为：自适应噪声抵消算法，峰值检测算法和小波去噪。用自适应噪声抵消算法从不规则噪声信号中提取周期性生理信号时，由于参考信号输入的限制，自适应信号滤波需要两个信号输入，即两个雷达，给实验操作带来困难，降低了精度；用峰值检测算法来提取生理信号时，由于雷达的工作特性，雷达传感器获得的生命体征不像传统的心电信号那样明显，即使这种算法可以获得心率信息，但由于算法本身的限制，无法进行时频域分析，所以它不能反映生理信号的时变特征和其他细节特征；在去噪问题上，一些研究应用小波去噪来模拟胸壁运动，通过仿真添加不同的噪声信号对雷达信号进行去噪，以增强算法的适应性，然而，仍不能分离心跳信号中的噪声，并且不能在不同的时间尺度上处理该信号。
[0004]虽然还有一些其他的方法用于环境、系统去噪和杂波抑制，但对呼吸信号谐波问题和心跳信号去噪效果都不理想。

技术实现思路

[0005]本专利技术所要解决的技术问题在于针对上述现有技术中的不足，提供一种多普勒雷达生理信号检测用信号分离去噪方法及系统，有效地解决了从含噪雷达信号中提取准确的呼吸和心跳信号的问题，能够在不同的时间尺度上分别对信号进行去噪，最大程度地保留信号的细节。
[0006]本专利技术采用以下技术方案：
[0007]一种多普勒雷达生理信号检测用信号分离去噪方法，包括以下步骤：
[0008]S1、采集雷达原始信号；
[0009]S2、对步骤S1采集的雷达原始信号进行预处理；
[0010]S3、采用ICEEMDAN方法对步骤S2预处理后的雷达原始信号进行分解，得到n个模态分量IMF；
[0011]S4、计算步骤S3得到的每个模态分量IMF的样本熵，识别含噪模态分量 IMF和真实模态分量IMF；
[0012]S5、利用改进的小波阈值对步骤S4识别的含噪模态分量IMF进行去噪，同时依据频率挑选出潜在的呼吸信号和心跳信号；
[0013]S6、计算步骤S5中潜在呼吸信号和心跳信号的KL散度值，根据KL散度值选择一个或两个IMF
s
重建呼吸信号和心跳信号。
[0014]具体的，步骤S2中，预处理具体为：
[0015]移除原始雷达信号的基线。
[0016]具体的，步骤S3具体为：
[0017]S301、使用EMD分解雷达原始信号，获取第一个残余分量和第一个模态分量；
[0018]S302、将第一个残余分量的局部平均值作为第二个残余分量，获取第二个模态分量；
[0019]S303、依次计算第k个残余分量，获取第k个模态分量，完成n个模态分量 IMF提取。
[0020]进一步的，步骤S301中，IMF1分量为：
[0021]IMF1＝x
‑
r1[0022]其中，x为雷达信号，r1为第1个残差分量。
[0023]进一步的，第k阶残余分量IMF
K
为：
[0024]IMF
k
＝r
k
‑1‑
r
k
[0025]其中，r
k
‑1为第k
‑
1个残差分量，r
k
为第k个残差分量，k＝3,4,...,n。
[0026]具体的，步骤S4中，每个IMF的样本熵SampEn(m,r,N)具体为：
[0027][0028]其中，B
m
(r)是指在m个点的匹配下容限为r的概率；A
m
(r)是匹配m+1个点的概率，m为维数，r为阈值，N为时间序列的长度。
[0029]进一步的，将SampEn(m,r,N)大于0.5的IMF分量作为含噪IMF分量。
[0030]具体的，步骤S5中，小波阈值进行去噪时的小波基函数为sym6和sym4；选择频率为0.2～0.6Hz和0.9～1.5Hz的IMF
s
作为潜在的呼吸信号和心跳信号。
[0031]具体的，步骤S6中，选择散度值最小的一个或两个IMF
s
重建呼吸信号和心跳信号，KL散度值D(p||q)计算如下：
[0032][0033]其中，p(x)和q(x)分别表示每个IMF的概率分布和原始信号的概率分布。
[0034]第二方面，本专利技术实施例提供了一种多普勒雷达生理信号检测用信号分离去噪系统，包括：
[0035]采集模块，采集雷达原始信号，并对雷达原始信号进行预处理；
[0036]分解模块，采用ICEEMDAN方法对采集模块预处理后的雷达原始信号进行分解，得到n个模态分量IMF；
[0037]识别模块，计算分解模块得到的每个模态分量IMF的样本熵，识别含噪模态分量IMF和真实模态分量IMF；
[0038]挑选模块，利用改进的小波阈值对识别模块识别的含噪模态分量IMF进行去噪，同时依据频率挑选出潜在的呼吸信号和心跳信号；
[0039]分离模块，计算挑选模块中潜在呼吸信号和心跳信号的KL散度值，根据 KL散度值选择一个或两个IMF
s
重建呼吸信号和心跳信号。
[0040]与现有技术相比，本专利技术至少具有以下有益效果：
[0041]本专利技术一种多普勒雷达生理信号检测用信号分离去噪方法，针对噪声条件下微弱的生理信号提取，提出了一套基于ICEEMDAN
‑
SampEn
‑
IWT的非平稳生理信号去噪提取算法，最大程度还原信号的细节特征和非平稳、非线性特性，基于ICEEMDAN、样本熵和改进小波阈值对雷达生理信号进行分离的去噪，具有更好的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种多普勒雷达生理信号检测用信号分离去噪方法，其特征在于，包括以下步骤：S1、采集雷达原始信号；S2、对步骤S1采集的雷达原始信号进行预处理；S3、采用ICEEMDAN方法对步骤S2预处理后的雷达原始信号进行分解，得到n个模态分量IMF；S4、计算步骤S3得到的每个模态分量IMF的样本熵，识别含噪模态分量IMF和真实模态分量IMF；S5、利用改进的小波阈值对步骤S4识别的含噪模态分量IMF进行去噪，同时依据频率挑选出潜在的呼吸信号和心跳信号；S6、计算步骤S5中潜在呼吸信号和心跳信号的KL散度值，根据KL散度值选择一个或两个IMF
s
重建呼吸信号和心跳信号。2.根据权利要求1所述的多普勒雷达生理信号检测用信号分离去噪方法，其特征在于，步骤S2中，预处理具体为：移除原始雷达信号的基线。3.根据权利要求1所述的多普勒雷达生理信号检测用信号分离去噪方法，其特征在于，步骤S3具体为：S301、使用EMD分解雷达原始信号，获取第一个残余分量和第一个模态分量；S302、将第一个残余分量的局部平均值作为第二个残余分量，获取第二个模态分量；S303、依次计算第k个残余分量，获取第k个模态分量，完成n个模态分量IMF提取。4.根据权利要求3所述的多普勒雷达生理信号检测用信号分离去噪方法，其特征在于，步骤S301中，IMF1分量为：IMF1＝x
‑
r1其中，x为雷达信号，r1为第1个残差分量。5.根据权利要求3所述的多普勒雷达生理信号检测用信号分离去噪方法，其特征在于，第k阶残余分量IMF
K
为：IMF
k
＝r
k
‑1‑
r
k
其中，r
k
‑1为第k
‑
1个残差分量，r
k
为第k个残差分量，k＝3...

【专利技术属性】
技术研发人员：李晓玲，王龙，薛景一，陈漳沂，施乐洋，孙智鹏，
申请(专利权)人：西安交通大学，
类型：发明
国别省市：