超宽带雷达物联网的搭建和数据分析.docx

1、超宽带雷达物联网的搭建和数据分析超宽带雷达物联网的搭建和数据分析1.1超宽带雷达物联网物联网（Internet of Things,缩写IoT）是以互联网、传统电信网等媒介作为 信息承载体，将所有能独立行使功能的物体互联互通的网络卩71。通过物联网可 以用对机器、设备、人员进行集中管理、控制，能实现对多种物体进行控制，并 对得到的数据进行整体处理，功能类似自动化操控系统，同时通过收集这些数据, 汇聚成大数据，有助于实现机器学习和人工智能，实现物与物相联。单个雷达采集的数据对于LI标所处角度，LI标运动状态，目标所处环境都有 很高的敬感性。为了使得到的数据更加稳定，更加准确，也便于研究不同雷达位

2、 置对于所测数据准确率的影响，我决定搭建三雷达超宽带雷达物联网。搭建超宽带雷达物联网的效果图如图3-1：图3-1雷达布设雷达布局方式及具体数据如表3-1：表3-1 雷达布局方式表测试雷达角度距离雷达一00.8米雷达二401.2米雷达三801.8米1.2车内超宽带雷达物联网数据采集1.2.1数据采集的过程在上一章的仿真中，主要对室内和车内环境下使用超宽带雷达进行信号、信 道和发送接收过程行仿真，有了一个对脉冲超宽带雷达信号发射、接收过程的总 体了解，然而仿真和实际测试之间仍然有一定的差别，在实际场景中并不一定完 全吻合。因此，需要在具体的工作环境下进行数据的采集，并对数据进行处理和分析，才能真正

3、解决脉冲超宽带雷达对呼吸心跳体征提取的问题。我们进行数据采集使用的是XETHRU公司生产的型号为X4的脉冲超宽带 雷达，中心频率为7.3GHz。如图3-2所示；测量的同时使用利康牌血氧仪作为 参照对比，如图33所示：该脉冲超宽带雷达山两部分组成：雷达芯片模块和雷达天线。此外，还有用 于为雷达供电和数据传输的传输线。在数据采集中，设定雷达数据采集有效范围为10m,测试的内容主要从以下 三个方面来考虑：H标角度的不同（与雷达间的夹角）；标运动状态的不同（开 车与静坐）。详细的测试内容为：1.角度的比较通过对于三个雷达所获取的数据的比较来实现，分别为正对 雷达，雷达与目标胸膛正前方呈40 ,雷达与目

4、标胸膛正前方呈80 ；2.运动状态为静止状态和驾驶状态两种悄形；采集过程如图3-4所示（红色画圈处为雷达）：1.2.2数据分析采集到的数据，既可以以作为之后处理和分析中所用到的实验数据，也可作为构建神经网络所需要的数据集和测试集。分析的结果分为以下三个方面：1由于车内环境的特殊性，接收到的信号多径效应明显，接收到的信号时 延扩展明显，口标的不同位置会分别对雷达信号进行反射，另外，信号会在车内 发生多次反射，这都加大了接收到的信号的复杂程度；2.接收到的信号对口标与雷达之间的角度非常敬感，人体与雷达所成角度 会对结果有很大应影响。比如人体正对雷达与侧面反射的信号中呼吸心跳体征信 息的强度和识别难

5、度差别巨大；3.接收到的信号对U标的运动状态非常敬感，人体姿态的变化会对结果有 很大应影响。比如当目标处在静止状态下，反射后接收到的信号平稳有规律（大 致为正弦波形）；但是在其他运动状态下，反射后接收到的信号的随机性波动很 强，对信号的处理有较大的干扰。1.2.3数据预处理接收到的信号中不仅包含人体反射的多径回波，还包含着周圉环境反射的信 号以及其他引入的噪声，会对之后的信号分解造成干扰，所以需要对采集到的信 号进行预处理，使信号更加理想，便于之后的处理。预处理的主要步骤有：去直 流，带通滤波和去杂波三项。接收到信号需要先进行的是信号中直流成分的去除，主要方法是对整个信号 取平均值，求得直流成

6、分大小，之后在原始信号上减去计算出的直流成分大小, 得到不含直流成分的信号。接下来将去除直流成分的信号通过带通滤波器，选取 含有呼吸心跳信息频率范围的信号；最后通过主成分分析（principal components analysis缩写，PCA）绚方法来去除其他无用杂波的干扰。预处理算法的流程如图3-5,预处理前后的三维图如图3-6和3-7所示:图3-5 预处理流程图3-6 预处理前的雷达信号 图3-7 预处理后的雷达信号预处理之后面临的主要问题是预处理之后的信号中呼吸心跳分离的问题，呼 吸心跳分离中主要用到的算法有经验模态分解(Empiiical Mode Decomposition, 简

7、称EMD)算法和变分模态分解(Variation Mode Decomposition,简称VMD) 算法，接下来主要对这两种方法展开讨论。1.3信号分解算法简介从预处理后的信号中并不能直接提取呼吸心跳信号。信号经过预处理只是去 除了其中混杂的直流分量，无用杂波等信号，仍然无法分离呼吸和心跳信号。笫 一步是要从预处理后的信号中挑选出适合进行分解的一列信号。车内背景环境以 静态为主，预处理之后的信号中，呼吸心跳所带动胸腔周期性运动产生的能量要 远大于周围环境。基于这一原理，通常我们通过寻找方差最大的那一列作为其中 能量最大的一列，并将其作为生命体征信号最大体现的信号来处理。挑选出适合研究的一列信

8、号后，要分离呼吸心跳信号，得到生命体征信号的 具体数值还需要经过信号处理算法的处理。车内环境下山于强反射物体比较多 (车内设施、汽车外壳等)，车内封闭环境，易导致多径反射等特点，接收到的 信号中有大量多径反射信号、直达波等，这些信号和包含有呼吸心跳的信号混叠 在一起，如何对信号进行分解来得到呼吸心跳信号是实验中的一个主要问题。本次毕业设讣中用到的分解算法有以下两利I:经验模态分解算法和变分模态 分解算法。下面将对这两种算法进行简单的介绍：信号处理流程框图如图3-8：1.3.1经验模态分解算法；经验模态分解是由黃铐（N. E. Huang）于美国国家宇航局与其他人在1998 年开创性地提出的一种

9、自适应信号时频处理方法，尤其适用于对非线性非平稳信 号的分析和处理。EMD方法是依据数据自身时间尺度特征进行信号分解的，不需要预先设定 任何基函数。这是区别于其他方法的一个显著特征。基于这一特点，EMD方法 在理论上可以分解任何类型的信号，因此在处理非平稳及非线性数据上，具有很 强适用性，有非常明显的优势，适合于分析非线性、非平稳的信号序列，具有很 高的信噪比。EMD方法的根本LI的是将一个频率不规则的信号波形分解成多个单一频率 的波（本征模函数Intrinsic Mode Function, IMF）+残波的形式。最终结果化为：雷 达波型=E IMFs+余波的形式。EMD方法的特点是：算法是

10、通过算法过程定 义的，而并非山确定的理论公式定义的29】。EMD分解实质就是为了获得本征模函数，IMF必须满足以下两个条件：1.函数在整个时间范围内，局部极值点和过零点的数LI必须相等，或最多 相差一个；2.在任意时刻点，局部最大值的包络（上包络线）和局部最小值的包络（下 包络线）平均必须为零。EMD分解过程如下：第一步，找出雳达数据所构成的序列X（t）的所有极大值点，用三次样条插值函数拟合成原数据的上包络线。第二步，找出x(r)的所有 极小值点，用同样的方法拟合成数据的下包络线。计算上包络线与下包络线的平 均值记作用所测得的数据序列X(t)减去讣算出的平均值皿，得到一个新的 序列山：X(t)

11、 - mi = hi 式(3-1)山所测得的雷达的数据减去包络取平均值所得到的模态，如果还有负的局部 极大值或正的局部极小值，则还需要重复上述过程进行分解，以得到最终的本征 模函数。但是曲于EMD分解缺乏数学理论依据，给算法改进和进一步提升性能都带 来了很大障碍。处理后得到的带宽仍然比较宽，不便于进一步的呼吸心跳体征提 取。分解的IMF分量个数不能人为设定，不便于实验中的调整。EMD算法处理后会将雷达信号分解为若干模态，通过挑选其中频率在呼吸 频率范围内(0.15Hz至0.5Hz)的拟合模态来选取包含呼吸心跳信息的模态。EMD算法分解后的模态如图3-9所示:I I| I “屮 I |师卜，0

12、J們网叫抑V卩卩山处理后的结果图可以看出，EMD算法可以将信号分解为包含有心跳频率 信息的模态，从而可以获取到心跳信息；但是得到的频谱图上频带带宽比较宽， 且包含大量杂乱的频率，不便于信息的提取。1.3.2变分模态分解算法；Konstantin Dragoniiretskiy 和 Dominique Zosso 在 2014 年提出了 一种新型的 信号分解方法：变分模态分解。该方法主要以自适应的方式来确定相关频带，并 同时对相应的模式进行估计。使得它们之间的误差有一个合理的平衡。VMD方 法的一个特点是在处理噪声方面具有很大的优势。VMD算法的基本思想是寻找模式的集合及其各自的中心频率，使得模

13、式共 同再现输入信号。该算法的一个主要特点为通过其处理后的各解析信号的瞬时频 率具有物理意义。为了将希尔伯特补充的分析信号向下移动以到达基带位置，需要复杂的谐波 混合，之后变分模型评佔模式的带宽为一范数。得到的优化方案可以描述为：使 得每个模式都可以直接在傅里叶域中迭代更新。对应于模态中心频率的当前估计 的窄带维纳滤波器被应用于所有其他模态的雳达信号估讣残差；然后将中心频率 重新估计为模态功率谱的重心30oVMD的LI标是将输入的雷达信号分解为很多离散的子信号，这样可以确保 再现输入信号时仍能够具有特定的稀疏性。每种模态的稀疏度先验被选择为其在 谱域中的带宽。换句话说，我们假设每个模态紧凑的圉

14、绕在中心脉冲的附近，这 将与分解一起确定。为了描述模态的带宽大小，算法作者给出的方案为：1)将 每种模态都通过希尔伯特变换来讣算相关的解析信号，这样就能获得单边频谱了。 2)将每种模态都通过调整到相应的大致的中心频率的指数相混合，将模态的频 谱搬运到“基带”。3)通过解调雷达信号的高斯平滑度估计带宽，即梯度的平方 范数卩1】。值得一提的是重建约束有多种方法。VMD釆用的是二次惩罚项和拉格朗日 乘数的方法，这样可以让问题不受约束。二次惩罚的核心是鼓励重建保真度，其 中常常伴随有加性高斯噪声。惩罚项的权車和数据中的噪声水平成反比，这一理 论是依据贝叶斯理论得出的。如果不设置噪声，权重应当设为无限大

15、，这样才能 保证数据保真度，达到消除噪声的目的。VMD方法的主要优点：有理论依据，便于分析和改进；分解的IMF分量个 数可以人为设定；得到的频谱比较窄，可以很好的处理分辨接近的频率。但是对 于存在频谱混叠情况的信号表现仍然很差，而且存在分解过多的话，则信号不够连续的问题。VMD算法处理后会将雷达信号分解为若干模态，通过挑选其中频率在呼吸 频率范围内(0.15Hz至0.5Hz)的拟合模态来选取包含呼吸心跳信息的模态cVMD 算法分解后的模态如图3-11所示：山处理后的结果图可以看出，VMD算法可以将雷达信号分解为包含有心跳 频率信息的模态，从而可以获取到心跳信息；频谱图上带宽比较窄，有利于心跳

16、信息的提取。133处理结果分析比较在具体实验中，我们使用EMD算法通过逐层分解将预处理之后得到的信号分解为多个不同的模态，每个模态中都有各自的波峰，通过波峰来对应其所对应 的频率，再通过频率范围与呼吸心跳频率范围相对照确定哪个模态是含有呼吸心 跳信息的模态，通过讣算来获得所要求的呼吸心跳特征具体数值；VMD算法则 是首先通过维纳滤波器，之后经过泛函分析，使输出尽可能接近雷达接收到的信 号，通过最小均方误差的形式来实现，为了增强稳定性，给信号添加一个正则信 号，最终得到最小均方误差和正则化信号之和的形式，很好地增强了鲁棒性，接 下来，把信号逐层分解分解为使用者设定的多个不同的模态，通过合理性分析

17、和 选取，获得所要的呼吸心跳信息。实测数据经过EMD和VMD算法处理后的频谱图如图3-13和3-14所示：0350.30250.20150.10050K 1262 Y 0.3224JuL：0 8 -6-4 -2 0 2 4 6 8 10图3-13 EMD算法处理后的频谱图 图3-14 VMD算法处理后的频谱图从图中可以看出，EMD方法处理后的频谱图频带较宽且伴随有大量的干扰; 相比之下，VMD算法处理后的频谱图频带要窄得多，也更为集中，更方便处理 和最终呼吸心跳体征的获取。对釆集到的数据进行处理和分析，结果如图3-15所示：EMD VMD图3-15实测数据准确率图不同雷达采集到的数据处理后准确

18、率对比结果如表3-2所示:表3-2 不同雷达数損处理结果表准确率偏差范围雷达一94%5% 到+8%雷达二93%-13% 到+14%雷达三90%20% 到+16%结果显示：雷达一（正对被测H标）测量的结果准确率最高，雷达三（被测 LI标右侧80处）准确度最低。结论为雷达对呼吸心跳体征的监测精确度随着 雷达与胸口所呈角度的增大而降低。正对胸口时准确度最高。对采集到的数据运用VMD、EMD和VNCMD算法进行处理得到结果如表3-3 所示。表33 不同算法数据处理结果麦准确率偏差范围EMD89%-12% 到+10%VMD94o8% 到+7%山实测数据也可以看出：EMD算法处理后的精确度大致为89%,

19、VMD算 法处理后的精确度为94%,得到结论VMD算法在频带的处理和最终获取到的 呼吸心跳的精确度方面要优于EMD算法。1.3.4 小结超宽带雷达用于信号的获取及处理经过多年的发展，相关算法已经比较成熟 和完善。在本节中，对VMD和EMD两种算法从处理后的频谱图中频带宽度和 最终获得的呼吸心跳数值的精确度作了对比，并得出VMD算法要优于EMD算 法的结论，对之后信号处理方法的选择有参考借鉴意义。1.4本章小结本章主要阐述了数据采集方法和具体场景，成功搭建三雷达的超宽带雷达物 联网系统并进行了相关的生命体征信号釆集。通过脉冲超宽带雷达物联网的搭建, 可以实现多角度对LI标呼吸心跳体征进行监测，可

20、以有效提高呼吸心跳体征监测 的准确率。同时通过比较多角度获取到的心跳值和血氧仪的测量结果，可以得出 正对被测L1标胸膛时，雳达所测得的心跳数据准确率最高的结论。对信号进行预 处理，有效去除信号中的直流、杂波等无关信号，有利于之后信号分解的进行。 之后对采集到的数据进行了处理和分析，并对雷达的布放位置对于呼吸心跳信号 采集的精确度作了讨论。对预处理算法进行了介绍，对比预处理前后的信号，直 观形象反映了预处理算法的作用。最后对EMD算法和VMD算法的原理进行简 单介绍，对比例两种方法处理信号的结果，分别从处理后的频带和最后获得的心 跳值的准确率进行了对比。通过脉冲超宽带雷达物联网的搭建，生命体征信号的 采集，获得的信号的处理，对超宽带雷达工作的原理有了更深刻的认识，为今后 的学习做好了准备。