分解人体呼吸心跳微动混合信号的方法和装置

摘要

本发明涉及一种分解人体呼吸心跳微动混合信号的方法和装置，其中，分解人体呼吸心跳微动混合信号的方法包括：通过带通滤波器对混合信号进行噪声滤除；对混合信号进行第一次谐波去除以分离呼吸信号以及心跳信号；依据经验模态分解模型分别对分离后的呼吸信号以及心跳信号进行分解，完成人体呼吸心跳微动混合信号的分解。通过经验模态分解模型分别对分离后的呼吸信号以及心跳信号分别进行分解，分解后的信号瞬时评率具有分辨率高，谐波干扰小的目的。

说明书

技术领域

本发明涉及目标微动特性研究领域，具体涉及一种分解人体呼吸心跳微动混合信号的方法和装置。

背景技术

采用传统的滤波器提取基频信号，再利用频谱峰值搜索估计单个弱振动散射点，是一种常规的数据处理方法。然而，传统的带通滤波器分离信号面临以下风险：当两个弱微振动结构的振幅差别较大，并且振动频率比较接近，一个微振动的谐波分量可能会落入另一个振动源的频带内，并且信号强度大于另一个振动源的基频信号。例如，正常人的心跳振动幅度约为0.01mm个数量级，而人体呼吸引起的胸腔振动约为0.1mm到1mm个数量级，呼吸振动幅度远大于心跳振动幅度。呼吸的高次谐波分量都有可能落入基频滤波器频带范围内，并随着人体生理状态的不同和现场环境的不同，可能会大于心跳的基频信号，进而导致心跳频率具有较大的估计误差。

上述问题是目前亟待解决的。

发明内容

本发明的目的是提供一种分解人体呼吸心跳微动混合信号的方法和装置。

为了解决上述技术问题，本发明提供了一种分解人体呼吸心跳微动混合信号的方法，包括：

通过带通滤波器对混合信号进行噪声滤除；

对混合信号进行第一次谐波去除以分离呼吸信号以及心跳信号；

依据经验模态分解模型分别对分离后的呼吸信号以及心跳信号进行分解，完成人体呼吸心跳微动混合信号的分解。

进一步的，所述依据经验模态分解模型分别对分离后的呼吸信号以及心跳信号进行分解：

建立筛选条件；

依据筛选条件从呼吸信号或心跳信号的原始数据中得出一组自适应的基，并将该基定义为本征模函数IMF；

依据IMF重构信号，并提取微动多普勒特征信号，计算出呼吸信号和心跳信号的瞬时频率，完成对呼和心跳信号的分解；

其中，每个IMF代表一个特征尺度的数据序列，即经验模态分解模型将呼吸信号和心跳信号的原始数据序列分解成了不同频率的信号的叠加。

进一步的，所述筛选条件为：

在原始数据中，被筛选的数据序列的极值数目与跨零点数目相等或至多相差一个；

在原始数据中，被筛选的数据序列的最小值得到的下包络和最大值定义的上包络的均值为零。

进一步的，所依据筛选条件从呼吸信号或心跳信号的原始数据中得出一组自适应的基，并将该基定义为本征模函数IMF的方法包括：

步骤S1：原始数据序列为x(t)，t为原始数据的获取时刻，x(t)表示时间为t时的呼吸信号或心跳信号，剩余分量r

步骤S2：获取h

步骤S3：计算上下包络线的均值:

m

h

h

步骤S4：如果h

步骤S5：定义剩余值：

r

如果r

步骤S6：原始数据序列分解为一系列IMF和一个剩余量之和:

进一步的，所述停止条件S.D.定义为:

进一步的，所述依据IMF重构信号，并提取微动多普勒特征信号，计算出呼吸信号和心跳信号的瞬时频率，完成对呼吸和心跳信号的分解的方法包括：

对于每个IMF的实离散信号S(n),将实信号转化为复数：

其中H{imf(n)}为信号的Hilbert变换，imf(n)表示第n个IMF：

计算每个IMF分量的瞬时频率：

本发明还提供了一种计算机可读存储介质，述计算机可读存储介质中存储有一个或一个以上的指令，所述一个或一个以上的指令内的分解人体呼吸心跳微动混合信号的的装置的处理器执行时实现如上述的分解人体呼吸心跳微动混合信号的方法。

本发明还提供了一种分解人体呼吸心跳微动混合信号的的装置，包括：所述装置包括：存储器和处理器；所述存储器中存储有至少一条程序指令；所述处理器，通过加载并执行所述至少一条程序指令以实现如上述的分解人体呼吸心跳微动混合信号的方法。

本发明的有益效果是，本发明提供了一种分解人体呼吸心跳微动混合信号的方法和装置，其中，分解人体呼吸心跳微动混合信号的方法包括：通过带通滤波器对混合信号进行噪声滤除；对混合信号进行第一次谐波去除以分离呼吸信号以及心跳信号；依据经验模态分解模型分别对分离后的呼吸信号以及心跳信号进行分解，完成人体呼吸心跳微动混合信号的分解。通过经验模态分解模型分别对分离后的呼吸信号以及心跳信号分别进行分解，分解后的信号瞬时评率具有分辨率高，谐波干扰小的目的。

附图说明

下面结合附图和实施例对本发明进一步说明。

图1是本发明实施例所提供的分解人体呼吸心跳微动混合信号的方法流程图。

图2是本发明实施例所提供的原始呼吸心跳数据图。

图3是本发明实施例所提供的传统时频分析分解出的呼吸信号图。

图4是本发明实施例所提供的经分解人体呼吸心跳微动混合信号的方法处理得到呼吸信号图。

图5是本发明实施例所提供的传统时频分析分解出的心跳信号图。

图6是本发明实施例所提供的经分解人体呼吸心跳微动混合信号的方法处理得到心跳信号图。

图7是本发明实施例所提供的通过分解人体呼吸心跳微动混合信号的方法经处理后的心跳信号换算得到的心跳频率图。

图8是本发明实施例所提供的通过分解人体呼吸心跳微动混合信号的方法经处理后的呼吸信号换算得到的呼吸频率图。

具体实施方式

现在结合附图对本发明作进一步详细的说明。这些附图均为简化的示意图，仅以示意方式说明本发明的基本结构，因此其仅显示与本发明有关的构成。

实施例1

如图1所示，本实施例1提供了一种分解人体呼吸心跳微动混合信号的方法。通过经验模态分解模型分别对分离后的呼吸信号以及心跳信号分别进行分解，分解后的信号瞬时评率具有分辨率高，谐波干扰小的目的。

具体地，分解人体呼吸心跳微动混合信号的方法包括：

S110：通过带通滤波器对混合信号进行噪声滤除；

S120：对混合信号进行第一次谐波去除以分离呼吸信号以及心跳信号；

S130：依据经验模态分解模型分别对分离后的呼吸信号以及心跳信号进行分解，完成人体呼吸心跳微动混合信号的分解。

在本实施例中，步骤S130包括：

S131：建立筛选条件；

其中，所述筛选条件为：

在原始数据中，被筛选的数据序列的极值数目与跨零点数目相等或至多相差一个；

在原始数据中，被筛选的数据序列的最小值得到的下包络和最大值定义的上包络的均值为零。

S132：依据筛选条件从呼吸信号或心跳信号的原始数据中得出一组自适应的基，并将该基定义为本征模函数IMF。

在本实施例中，步骤S132包括：

步骤S1：原始数据序列为x(t)，t为原始数据的获取时刻，x(t)表示时间为t时的呼吸信号或心跳信号，剩余分量r

步骤S2：获取h

步骤S3：计算上下包络线的均值:

m

h

h

步骤S4：如果h

步骤S5：定义剩余值：

r

如果r

步骤S6：原始数据序列分解为一系列IMF和一个剩余量之和:

S133：依据IMF重构信号，并提取微动多普勒特征信号，计算出呼吸信号和心跳信号的瞬时频率，完成对呼和心跳信号的分解；

其中，每个IMF代表一个特征尺度的数据序列，即经验模态分解模型将呼吸信号和心跳信号的原始数据序列分解成了不同频率的信号的叠加。

步骤S133包括：

对于每个IMF的实离散信号S(n),将实信号转化为复数：

其中H{imf(n)}为信号的Hilbert变换：

计算每个IMF分量的瞬时频率：

本发明实施例还提供了一种计算机可读存储介质，述计算机可读存储介质中存储有一个或一个以上的指令，所述一个或一个以上的指令内的分解人体呼吸心跳微动混合信号的的装置的处理器执行时实现如上述的分解人体呼吸心跳微动混合信号的方法。

本发明实施例还提供了一种分解人体呼吸心跳微动混合信号的的装置，包括：所述装置包括：存储器和处理器；所述存储器中存储有至少一条程序指令；所述处理器，通过加载并执行所述至少一条程序指令以实现如上述的分解人体呼吸心跳微动混合信号的方法。

实施例2

目标1距离雷达50㎝，采样频率100Hz，周围无干扰人员，分别以传统算法与实施例1提供的分解人体呼吸心跳微动混合信号的方法进行数据处理，取采样数据；由数据分布图2-图8可见，本申请的分解人体呼吸心跳微动混合信号的方法将呼吸谐波对心跳的基频信号干扰降低了若干个数量级，使信号瞬时频率具有明显的高分辨率。

综上所述，本发明提供了一种分解人体呼吸心跳微动混合信号的方法和装置，其中，分解人体呼吸心跳微动混合信号的方法包括：通过带通滤波器对混合信号进行噪声滤除；对混合信号进行第一次谐波去除以分离呼吸信号以及心跳信号；依据经验模态分解模型分别对分离后的呼吸信号以及心跳信号进行分解，完成人体呼吸心跳微动混合信号的分解。通过经验模态分解模型分别对分离后的呼吸信号以及心跳信号分别进行分解，分解后的信号瞬时评率具有分辨率高，谐波干扰小的目的。

以上述依据本发明的理想实施例为启示，通过上述的说明内容，相关工作人员完全可以在不偏离本项发明技术思想的范围内，进行多样的变更以及修改。本项发明的技术性范围并不局限于说明书上的内容，必须要根据权利要求范围来确定其技术性范围。