一种基于超宽带雷达的身份识别和跌倒检测方法技术

本发明专利技术公开了一种基于超宽带雷达的身份识别和跌倒检测方法，包括对雷达回波信号预处理；根据呼吸周期动态分割信号，获取目标的呼吸特征；从雷达回波信号包络中提取一些特征来描述目标雷达散射截面(RCS)，即目标的体态特征；根据雷达获取的时变距离信息，提取距离、速度和加速度的均值和方差作为目标运动特征进行身份识别；利用近似熵进行跌倒检测。本发明专利技术通过提取雷达回波信号中目标的呼吸特征、体态特征和运动特征的多模态特征，应用随机森林进行身份识别的平均准确率为86.3％，与其他方法相比准确率更高。通过基于近似熵的跌倒事件检测方法，检测跌倒事件引起的时间连续信号中的信号复杂度变化，跌倒检测准确率为96.53％，为跌倒检测提供新技术。跌倒检测提供新技术。跌倒检测提供新技术。

【技术实现步骤摘要】
一种基于超宽带雷达的身份识别和跌倒检测方法


[0001]本专利技术属于雷达检测识别
，具体地说，涉及一种基于超宽带雷达的身份识别和跌倒检测方法。

技术介绍

[0002]由于人口老龄化的快速增长及其在现代城市引发的众多相关问题，个人健康监护已成为研究人员重点关注的问题。当前迫切需要对家庭中的每个人进行具体健康监测。生物识别技术在安全性和个性化监控方面发挥着重要作用。此外，跌倒这一问题在居家的老年人群体中很常见并且通常会导致骨折或其他严重损伤。如果正确识别跌倒人员的身份，可以及时向其监护人或护工发出警告以避免造成严重损伤。因此，在居家环境中进行身份识别和跌倒检测能够及时预警跌倒事件，对避免严重损伤具有重大意义。
[0003]有鉴于此特提出本专利技术。

技术实现思路

[0004]本专利技术要解决的技术问题在于克服现有技术的不足，提供一种基于超宽带雷达的身份识别和跌倒检测方法((MAERIF)，以有效实现身份识别和跌倒检测，通过提取雷达回波信号中目标的呼吸特征、体态特征和运动特征的多模态特征，应用随机森林进行身份识别；通过基于近似熵的跌倒事件检测方法，检测跌倒事件引起的时间连续信号中的信号复杂度变化。
[0005]为解决上述技术问题，本专利技术采用技术方案的基本构思是：
[0006]一种基于超宽带雷达的身份识别方法，包括以下步骤：
[0007]步骤1，IR
‑
UWB雷达采集雷达回波信号并预处理；
[0008]步骤2，根据呼吸周期动态分割信号，经过高斯滤波后，峰值检测得到波峰和波谷，两个波谷之间的时间定义为一个呼吸周期，获取目标的呼吸特征；
[0009]步骤3，从雷达回波信号包络中提取一些特征来描述目标雷达散射截面(RCS)，即目标的体态特征；
[0010]步骤4，根据雷达获取的时变距离信息，提取距离、速度和加速度的均值和方差作为目标运动特征进行身份识别。
[0011]步骤5，根据目标的呼吸特征、体态特征和运动特征，结合随机森林算法进行身份识别。
[0012]进一步地，所述雷达回波信号主要包含人体产生的微动调制信号，IR
‑
UWB雷达发射和接收一次脉冲定义为一次雷达扫描，接收到的雷达信号被建模为：
[0013][0014]其中，i表示从发射端到接收端的第i路信号，表示人体微动回波信号的幅度，t
表示慢时间，τ表示快时间，δ表示狄拉克雷脉冲，res(d，t)表示场景中静态背景物体的回波。
[0015]进一步地，步骤1中预处理的具体过程：
[0016]101，从接收信号中减去平均值，去除原始雷达信号的直流(DC)和背景平稳杂波；
[0017]102，进行带通滤波，以减少不必要的成分，提高信噪比(SNR)；
[0018]103，继续采用基于时域滑动平均的方法来抑制噪声。
[0019]进一步地，所述呼吸特征包括：呼吸速率fr、呼气与吸气的持续时间Te、胸部收缩的强度Ic与舒张的强度Ir、胸部收缩的速度Vc与舒张的速度Vr、胸部收缩的加速度Ac与舒张的加速度Ar。
[0020]进一步地，高斯滤波识别呼吸信号模式：
[0021][0022]其中，高斯窗W(m
‑
t)以时间t为对称中心，σ为窗口扩展因子。
[0023]进一步地，目标运动特征提取采用主成分分析(PCA)方法：
[0024]将Mn
×
3＝{Sd，Sv，Sa}这三个值组成一个矩阵，矩阵Mn
×
3的协方差矩阵CM由下式定义，
[0025]C
M
＝MM
T
[0026]C
M
V＝Vλ
[0027]通过协方差矩阵计算特征值(λ)和特征向量(V)；其中，Sd，Sv，Sa分别代表一段时间内的距离、速度和加速度；λ＝{λ1，λ2，λ3}，V＝{V1，V2，V3}。
[0028]如上述一种基于超宽带雷达的身份识别方法在跌倒检测中的应用，跌倒检测的具体过程：
[0029]步骤1，根据雷达信号中能量最大值所在位置确定目标位置；
[0030]步骤2，使用卡尔曼滤波来平滑目标位置随时间的变化并得到时间序列信号；
[0031]步骤3，将时间序列信号划分为大小相等的窗口进行检测，计算每个窗口片段的近似熵；
[0032]步骤4，如果熵的局部最小值小于固定阈值，则认为跌倒事件的发生；否则被视为噪音或杂波。
[0033]采用上述技术方案后，本专利技术与现有技术相比具有以下有益效果。
[0034]本专利技术通过提取雷达回波信号中目标的呼吸特征、体态特征和运动特征的多模态特征，应用随机森林进行身份识别的平均准确率为86.3％，与其他方法相比准确率更高。通过基于近似熵的跌倒事件检测方法，检测跌倒事件引起的时间连续信号中的信号复杂度变化，跌倒检测准确率为96.53％，为跌倒检测提供新技术。
[0035]下面结合附图对本专利技术的具体实施方式作进一步详细的描述。
附图说明
[0036]附图作为本申请的一部分，用来提供对本专利技术的进一步的理解，本专利技术的示意性实施例及其说明用于解释本专利技术，但不构成对本专利技术的不当限定。显然，下面描述中的附图仅仅是一些实施例，对于本领域普通技术人员来说，在不付出创造性劳动的前提下，还可以
根据这些附图获得其他附图。在附图中：
[0037]图1MAERIF总览示意图。
[0038]图2原始信号与经过高斯滤波后的信号。
[0039]图3两个目标的距离加速度和速度加速度的点分布。其中，(a)目标1的距离
‑
加速度分布。(b)目标1的速度
‑
加速度分布。(c)目标2的距离
‑
加速度分布。(d)目标2的速度
‑
加速度分布。
[0040]图4基于卡尔曼滤波的轨迹优化。
[0041]图5时间序列信号的近似熵。
[0042]图6实施一中的实验环境。
[0043]图7 Identification results from different classifiers(不同分类器的识别结果)。
[0044]图8身份识别的混淆矩阵。
[0045]图9跌倒检测的时延Tfd分布。
[0046]需要说明的是，这些附图和文字描述并不旨在以任何方式限制本专利技术的构思范围，而是通过参考特定实施例为本领域技术人员说明本专利技术的概念。
具体实施方式
[0047]为使本专利技术实施例的目的、技术方案和优点更加清楚，下面将结合本专利技术实施例中的附图，对实施例中的技术方案进行清楚、完整地描述，以下实施例用于说明本专利技术，但不用来限制本专利技术的范围。
[0048]在本专利技术的描述中，需要说明的是，术语“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于超宽带雷达的身份识别方法，其特征在于，包括以下步骤：步骤1，IR
‑
UWB雷达采集雷达回波信号并预处理；步骤2，根据呼吸周期动态分割信号，经过高斯滤波后，峰值检测得到波峰和波谷，两个波谷之间的时间定义为一个呼吸周期，获取目标的呼吸特征；步骤3，从雷达回波信号包络中提取目标体态特征；步骤4，根据雷达获取的时变距离信息，提取距离、速度和加速度的均值和方差作为目标运动特征；步骤5，根据目标的呼吸特征、体态特征和运动特征，结合随机森林算法进行身份识别。2.根据权利要求1所述的一种基于超宽带雷达的身份识别方法，其特征在于，所述雷达回波信号主要包含人体产生的微动调制信号，IR
‑
UWB雷达发射和接收一次脉冲定义为一次雷达扫描，接收到的雷达信号被建模为：其中，i表示从发射端到接收端的第i路信号，表示人体微动回波信号的幅度，t表示慢时间，τ表示快时间，δ表示狄拉克雷脉冲，res(d,t)表示场景中静态背景物体的回波。3.根据权利要求1所述的一种基于超宽带雷达的身份识别方法，其特征在于，步骤1中预处理的具体过程：101，从接收信号中减去平均值，去除原始雷达信号的直流(DC)和背景平稳杂波；102，进行带通滤波，以减少不必要的成分，提高信噪比(SNR)；103，继续采用基于时域滑动平均的方法来抑制噪声。4.根据权利要求1所述的一种基于超宽带雷达的身份识别方法，其特征在于，所述呼吸特征包括：呼吸速率fr、呼气与吸气的持续时间Te、胸部收缩的强度I...

【专利技术属性】
技术研发人员：张金辉，央妮，姜夕康，丁奕，李蕾，张琳，
申请(专利权)人：中国人民解放军总医院，
类型：发明
国别省市：