1.一种基于毫米波雷达的心率估计方法,其特征在于:包括以下步骤,S1、使用毫米波雷达对人体进行采样,获得M个调频连续波的扫频信号S(1),S(2),…,S(k),…,S(M),其中,第k个扫频信号S(k)=[s1(k),s2(k),…,sN(k)],1≤k≤M,N为一个扫频信号的采样点数;
S2、对M个调频连续波的扫频信号S(1),S(2),…,S(k),…,S(M)的每个采样点应用距离‑快速傅里叶变换,每个采样点得到对应的距离单元,构成距离‑慢时间矩阵,并定位人体到雷达的距离;
S3、确定人体到雷达的距离后,使用反正切函数提取人体相位,利用相位展开信号函数来展开相变超过设定阈值的相位,对展开后的相位作差,获得相邻帧相位差,使用内插值法来平滑超过阈值的差值,获得平滑处理后的相邻帧相位差;
S4、采用小波变换去除平滑后相位信号的噪声,得到去噪后的小波系数,进行小波逆变换以重构信号,获得重构后的相位信号;
S5、结合集合经验模态分解和独立分量分析方法即EEMD‑ICA方法分离重构后的相位信号中的心跳信号、呼吸信号、呼吸谐波和噪声,得到心跳波形;
S6、对于获得的心跳波形,使用多信号分类算法构造空间谱函数,通过谱峰搜索对心跳频率做出估计。
2.如权利要求1所述的基于毫米波雷达的心率估计方法,其特征在于:步骤S1中,获得M个调频连续波的扫频信号,具体为,S11、毫米波雷达的发射信号Xt(t)和接收信号Xr(t)分别为:2
Xt(t)=sin(2πfmin+πSt) (1)2
Xr(t)=sin[2πfmin(t‑τ)+πS(t‑τ) ] (2)其中,fmin为毫米波雷达的初始频率,S为频率增长斜率,τ为信号往返时间;
S12、混频器对发射信号和接受信号进行I/Q混合和低通滤波后,输出中频信号Y(t):其中,fmin为毫米波雷达的初始频率,S为频率增长斜率,τ为信号往返时间;
S13、对中频信号进行等间隔采样,得到扫频信号S(1),S(2),…,S(k),…,S(M)。
3.如权利要求1所述的基于毫米波雷达的心率估计方法,其特征在于:步骤S2中,对M个调频连续波的扫频信号S(1),S(2),…,S(k),…,S(M)的每个采样点应用距离‑快速傅里叶变换,每个采样点得到对应的距离单元,构成距离‑慢时间矩阵,并定位人体到雷达的距离,具体为,S21、对M个调频连续波的扫频信号S(1),S(2),…,S(k),…,S(M)的每个采样点应用距离‑快速傅里叶变换,每个采样点得到对应的距离单元,该距离单元为复信号,将距离单元按列放入矩阵,构成距离‑慢时间矩阵;
S22、对距离‑慢时间矩阵中的每一行即每个距离单元,通过减去平均值来消除静态杂波和直流分量的影响,获得去平均值后的距离单元dupq`:dupq`=dupq–mean(p) (4)
其中,dupq是距离‑慢时间矩阵第p行第q列的复信号,1≤q≤M,mean(p)是距离‑慢时间矩阵第p行复信号的平均值;
S23、由去平均值后的距离单元dupq`构成新的距离‑慢时间矩阵,获得新的距离‑慢时间矩阵的每一行的求和结果,将求和结果中最大的距离单元作为人体到雷达的距离。
4.如权利要求3所述的基于毫米波雷达的心率估计方法,其特征在于:步骤S3中,确定人体到雷达的距离后,使用反正切函数提取人体相位,利用相位展开函数来展开相变超过设定阈值的相位,对展开后的相位作差,获得相邻帧相位差,使用内插值法来平滑超过阈值的差值,获得平滑处理后的相邻帧相位差,具体为,S31、确定人体到雷达的距离后,可对人体所在距离单元的复信号使用反正切函数来提取人体的相位φ(n):其中,I(n)是人体所在距离单元中第n帧复信号的虚部,R(n)是人体所在距离单元中第n帧复信号的实部;
S32、利用相位展开函数来展开相变超过±π的相位:
其中,φ(n+1)是第n+1帧的相位;
S33、求相邻帧相位差φdiff(n):
φdiff(n)=φ(n+1)‑φ(n) (7)其中,0
S34、若相邻帧相位差φdiff(n)绝对值超过设定的阈值,则使用内插值法进行平滑处理,获得平滑处理后的相邻帧相位差φdiff(n)`:其中,φdiff(n‑1)是第n‑1个相位差值,φdiff(n+1)为第n+1个相位差值。
5.如权利要求1‑4任一项所述的基于毫米波雷达的心率估计方法,其特征在于:步骤S4中,采用小波变换去除平滑处理后的相邻帧相位差信号φdiff(n)`的噪声,得到去噪后的小波系数,进行小波逆变换以重构信号,获得重构后的相位信号,具体为,S41、采用小波变换从多个尺度对平滑处理后的相邻帧相位差φdiff(n)`进行分解,得到多尺度小波变换系数w;
S42、对多尺度小波变换系数w进行软阈值去噪处理,得到去噪后的小波系数wλ:其中,λwt是给定的阈值,sgn()是符号函数;
S43、对去噪后的小波系数wλ进行小波逆变换以重构信号,获得重构后的相位信号φre(n)。
6.如权利要求5所述的基于毫米波雷达的心率估计方法,其特征在于:步骤S5中,结合集合经验模态分解和独立分量分析方法即EEMD‑ICA方法分离重构后的相位信号中的心跳信号、呼吸信号、呼吸谐波和噪声,得到心跳波形,具体为,S51、使用集合经验模态分解EEMD对重构后的相位信号φre(n)进行信号分离,获得多个包含心跳信号、呼吸信号、呼吸谐波、噪声的固有模态函数即IMF分量,并获得分量集合;
S52、使用独立分量分析方法ICA对获得的分量集合进行分析,得到心跳波形。
7.如权利要求6所述的基于毫米波雷达的心率估计方法,其特征在于:步骤S51中,使用集合经验模态分解EEMD对重构后的相位信号φre(n)进行信号分离,获得多个包含心跳信号、呼吸信号、呼吸谐波、噪声的IMF分量,具体为,S511、通过K次将具有标准正态分布的白噪声加到重构后的相位信号φre(n)上,得到第i次增加白噪声后的新信号其中,ni(n)表示第i次增加的白噪声序列,i=1,2,…,K;
S512、对每次得到的增加白噪声后的新信号 进行经验模态分解即EMD分解,将信号分解成有限个IMF分量,以将人体无意识微小运动引起的噪声与心跳信号分离开;假设每次EMD分解得到P个IMF分量,则K次分解共得到K组IMF分量集合,且每组各包含P个IMF分量;
S513、根据不相关序列的统计平均值为零的原理,从K组IMF分量集合里选择对应的分量分别取平均,得到一组P个分量集合IMFS(n)。
8.如权利要求6所述的基于毫米波雷达的心率估计方法,其特征在于:步骤S52中,使用独立分量分析方法ICA对获得的分量集合IMFS(n)进行分析,得到心跳波形,具体为,S521、对步骤S51获得的分量集合建立ICA模型:X(n)=AE(n) (11)
其中,X(n)是信号观测值,即分量集合IMFS(n),E(n)是要估计的源信号,由真实的心跳波形、呼吸波形、呼吸谐波与噪声信号构成,A为混合矩阵;
S522、通过观测信号反向估计源信号E(n),建立ICA求解模型:Eest=WX(n) (12)
其中,Eest是源信号E(n)估计值,由多组分量构成,W是解混矩阵;
S523、通过解出解混矩阵W计算出源信号E(n)估计值Eest,然后从中提取出心跳波形。
9.如权利要求8所述的基于毫米波雷达的心率估计方法,其特征在于:步骤S523中,通过解出解混矩阵W计算出源信号E(n)估计值Eest,然后从中提取出心跳波形,具体为,S5231、将分量集合IMFS(n)零均值化,即对这组分量集合中每个IMF分量分别减去自身平均值,获得经过零均值化的分量集合;
S5232、将经过零均值化的分量集合进行白化处理,获得经过零均值化和白化处理后的分量集合;
S5233、对经过零均值化和白化处理后的分量集合IMFS(n)用最大似然法估计出解混矩阵W的每一行,并分别与分量集合IMFS(n)相乘,得到的乘积高斯不相关性最大,将其放入源信号E(n)估计值Eest中,最终得到独立分量的集合;
S5234、对源信号E(n)估计值Eest中每个独立分量做快速傅里叶变换,获得各个独立分量的频谱,接着在频域上计算各个独立分量的总频带能量和设定频率范围的心跳频带能量,并分别计算心跳频带能量与总频带能量的比值,取比值最大的独立分量作为心跳波形。