基于呼吸心跳时序混叠信号的毫米波雷达身份识别.pdf

第36卷第3期2023年9月Vol.36 No.3Sep.2023闽南师范大学学报（自然科学版）Journal of Minnan Normal University（Natural Science）基于呼吸心跳时序混叠信号的毫米波雷达身份识别刘梓隆1,林志伟1,张利1,何华斌1,2,蔡志明1,2*（1.福建理工大学电子电气与物理学院,福建 福州 350118；2.电子信息与电气技术国家级实验教学示范中心,福建理工大学 福州 350118）摘要：利用毫米波雷达检测人体生命体征，提出一种基于呼吸和心跳时序混叠信号的身份识别方法，构建由卷积神经网络（convolutional neural network，CNN）和长短期记忆网络（long short-term memory，LSTM）串联混合的分类网络用于分类识别.首先使用毫米波雷达分别对受测者进行回波数据采集；其次通过频谱分析和带通滤波器预处理出呼吸和心跳信息，最终组成三种数据集，每种数据集分别拥有3 200个样本序列；再将数据集送入分类网络进行身份信息识别.实验结果表明，所提出的分类模型对呼吸和心跳时序混叠信号样本较其他两种单独体征时序信号样本相比能够更高效的分类识别出受测者，分类结果平均识别准确率达到98%以上.关键词：毫米波雷达；身份识别；生命体征检测；卷积神经网络；长短期记忆网络中图分类号：TN957.51；TP391.4 文献标志码：A 文章编号：2095-7122（2023）03-0107-09Millimeter wave radar identity recognition based on aliased respiratory and heartbeat time sequence signalsLIU Zilong1,LIN Zhiwei1,ZHANG Li1,HE Huabin1,2,CAI Zhiming1,2*(1.School of Electronic,Electrical Engineering and Physics,Fujian University of Technology,Fuzhou 350118,China;2.National Demonstration Center for Experimental Electronic Information and Electrical,Technology Education,Fujian University of Technology,Fuzhou 350118,China)Abstract:The paper,with millimeter-wave radar to detect human vital signs,proposes an identity recognition method based on the temporal mixing of respiration and heartbeat signals,and builds a classification network consisting of convolutional neural network(CNN)and long short-term memory network(LSTM)in tandem for classification recognition.Firstly,the echo data are collected from the subjects be means of millimeter wave radar;secondly,the respiration and heartbeat information are pre-processed by spectral analysis and band-pass filter to form three data sets,each with 3 200 sample sequences;and then the data sets are fed into the classification network for identity recognition.The experimental results show that the proposed classification model can classify and identify the subjects more efficiently than the other two separate samples of respiratory and heartbeat temporal overlap signals,and the average recognition accuracy of the classification results is over 98%.Key words:millimeter wave radar;identity recognition;vital signs detection;convolutional neural network;long and short-term memory network随着科技和社会的同步发展，身份识别技术越来越普遍应用于日常生活.当前主流的身份识别模式分为密钥验证模式和生物特征验证模式.较传统的密钥验证而言，利用生物特征进行身份识别的验证方式，因其无需记忆密码、与生俱来、永不丢失等优势已然成为目前的发展趋势，逐步成为当今学术界和工收稿日期：2023-03-08基金项目：福建理工大学科研启动基金项目(GY-Z21064,GY-Z21065)作者简介：刘梓隆(1999)，男，福建仙游人，硕士生.*通信作者.E-mail:2023年闽南师范大学学报（自然科学版）业界研究的热点1.如人脸识别、指纹识别等经过多年来的研究实践沉淀，大多已经能稳定投入应用市场.然而它们也存在一定的局限性，如人脸识别对光照环境、拍摄角度等要求较高，指纹识别需要用户主动配合验证2.同时它们也都存在一定的特征仿制风险，在一定程度上涉及应用对象的隐私，会导致小部分人对其产生反感.经过近年来医学研究发现，每个人身体器官的大小和形状，及肌肉力量均存在差异，这使得心肺运动可以作为每个人独特的身份标志3；其次心肺运动是由人体中枢神经机制或化学反馈所控制的，这使得伪造或隐藏人体的心肺运动特征极其困难4；且心肺运动的生命体征信号相对复杂不容易被人为读取，故不易涉及应用人群的隐私问题.然而由于传统的生命体征检测仪器都是接触式人体检测，仪器设备体积较大，倘若投入到身份识别应用，则在应用人群和场景上会存在很大不便，这也正是该模式为何迟迟未深入研究投入到应用市场的主要原因之一.随着微电子与集成封装技术的进步发展，雷达相关的技术应用逐步迈向民用领域，特别是利用雷达进行人体相关活动的检测与识别已然成为近些年来的研究热点5.拥有高分辨率和强穿透能力的雷达，可以穿透人体表面的衣物检测到胸腔和心脏的微动，通过相关处理算法从而达到对人体呼吸心跳生命体征的提取与检测6-7.基于雷达的身份识别目前大多数研究方向是利用人的日常行为活动等来进行身份识别，如利用人体运动姿势来进行身份识别8.而使用雷达基于生命体征的身份识别是近些年来才兴起的一项研究9.2015年Rissacher等10首次尝试提出使用雷达提取心脏数据进行身份识别研究，其使用2.4 GHz多普勒雷达系统对多名受试者提取心脏信息，并使用ECG作为时间参考计算集合平均值，集成连续小波变换对雷达测量的平均心跳周期进行时频分析，并使用KNN算法识别参与者身份信息.相比于心跳特征的识别，利用呼吸特征进行识别也有相当不错的研究成果9.2016年Rahman等4也首次尝试提出使用雷达基于呼吸模式的身份识别研究，该团队同样采用2.4 GHz多普勒雷达从受测对象的呼吸运动检测中提取了三种不同的呼吸特征（峰值功率谱密度、线性包络误差和堆积密度），这些特征表达了呼吸能量和气流剖面相关现象，通过神经网络分类器进行相关训练和测试.以上几项研究都表明了所提到的身份识别方案的可行性，然而都仅限于单独提取呼吸或心跳作为身份识别的区分特征9.提出一种基于呼吸和心跳混叠时序信号的毫米波雷达身份识别技术.该项技术主要通过毫米波雷达采集受试者的回波信号，并对信号数据进行预处理分析出呼吸和心跳信息，再进一步处理成时序样本数据集并送入分类网络，最终分类识别出受试者身份信息.实验自行采集了5名受试者的毫米波雷达回波信号，采用频率分析和带通滤波器处理的方法检测出呼吸心跳数据，进一步处理出3种时序分类样本数据集进行对比分析；分类网络结合了卷积神经网络提取数据特征与长短期记忆网络处理时序特征的优势11，提出了一种基于CNN-LSTM的串联混合分类网络模型，最终对受试者的呼吸和心跳混叠时序样本数据集分类识别效果最佳，平均识别准确率达到98.75%.1 毫米波雷达生命体征检测1.1 FMCW雷达检测生命体征原理使用的毫米波雷达是调频连续波（FMCW）雷达，它可以探测多个目标的距离和速度，且拥有更高的带宽和分辨率.目前利用FMCW雷达检测人体生命体征的技术已经日渐成熟7.人体日常呼吸心跳会带动了胸腔的微小振动，一个正常的成年人的呼吸所引起的胸腔起伏位移能达到112 mm，心跳引起的位移是0.10.5 mm12.假设距离雷达R0处有一个人体目标，由于人体胸腔的微小运动，人体距离雷达的实际距离为R(t)=R0+r(t)，其中r(t)是胸腔随时间变化发生的位移.108刘梓隆，等：基于呼吸心跳时序混叠信号的毫米波雷达身份识别第3期FMCW雷达所发射的信号为线性调频脉冲信号（Chirp信号），其发射信号可表示为XTX(t)=ATXcos(2fct+BTct2+(t)，（1）其中：fc为Chirp信号的起始频率；B为带宽；ATX为发射信号的幅度；(t)为相位噪声；Tc为Chirp信号脉冲的宽度；而B Tc为Chirp信号的斜率，即频率的变化率.经过人体目标反射后接收到的信号表示为XRX(t)=ARXcos(2fc(t-)+BTc(t-)2+(t-).（2）式(2)中=2R()t c=2()R0+r()tc.发射信号XTX(t)和接收信号XRX(t)通过混频，再经过低通滤波器滤除高频信号，从而获得中频信号，即YIF(t)=AIFexp(j(2BTct+2fc-BTc2+D(t).（3）式(3)中的第三项为平方项，在实际应用中相较于前两项而言非常小，可忽略不计13；而D(t)由于在短距测量实验下存在距离相关效应，亦可忽略不计14.则公式(3)可进一步改写为YIF(t)=AIFexp(j(4B()R0+r()tcTct+4()R0+r()tc).（4）中频信号频率fIF=2B()R0+r()t()cTc，中频信号相位IF(t)=4()R0+r()tc.由于毫米波雷达的距离分辨率是厘米级的，而人呼吸心跳所带动的胸腔运动r(t)都是毫米级的位移，故r(t)的变化几乎不会影响到fIF.以起始载波频率77 GHz为例，计算得到起始载波波长c约为3.9 mm，当连续两次胸腔位移变化Dr(t)为1 mm时，经计算得出其相位变化DIF(t)=4Dr()t c3.22 rad18513.可见中频信号相位对r(t)的微小变化拥有较高的灵敏度，即人体呼吸心跳所引起的胸腔体表微动进一步调制了FMCW雷达的中频信号相位，通过该相位信息即可进一步获取人体的呼吸和心跳信息6.1.2 生命体征信号采集采用毫米波雷达数据采集模块，如图1所示.该模块由德州仪器公司（TI）的77 GHz毫米波雷达开发板 IWR1843BOOST 和 DCA1000EVM 雷达数据采集评估板组合而成.实验环境如图2所示.毫米波雷达模块放置于桌面上，使雷达天线与受试者胸部等高，受试者静坐于毫米波雷达采集模块正前方，雷达天线与受试者的距离为1.5 m.图1 毫米波雷达采集模块Fig.1 Millimeter wave radar acquisition moduleIWR1843BOOST+DCA1000EVMmmWave Studio+MATLAB受受试试者者R0 图2 实验环境Fig.2 Experimental environment通过PC端利用mmWave Studio发送毫米波雷达配置参数，用于控制毫米波雷达采集模块发收信号，具体参数配置如表1所示.实验采集的得到原始ADC数据即中频信号数据，以单Chirp为例，其原始ADC数据以1001 200的矩阵形式存储，如图3所示.1092023年闽南师范大学学报（自然科学版）图5 按帧均值化后的距离信息Fig.5 Distance information after frame averaging图4 静态杂波抑制前后的1D FFTFig.4 1D FFT before and after static clutter suppression图3 单Chirp原始ADC数据Fig.3 Raw ADC data of a single Chirp表1 雷达采集参数配置Tab.1 Parameter configuration of radar acquisition参数发射天线(Tx)数接收天线(Rx)数起始频率(GHz)调频斜率(GHz/s-1)扫频带宽(MHz)扫频时间(s)空闲时间(s)Tx起始时间(s)数值1177603 960.796670参数ADC起始时间(s)ADC采样频率(次/s)采样点数Chirp 数帧周期(ms)帧数实验采集时长(s)接收天线增益(dB)数值72 1801002501 20060301.3 生命体征信号提取采集后的原始ADC数据将在MATLAB上进行预处理.先对ADC数据的采样点数维进行1D FFT以确认出潜在目标的距离信息，再通过静态杂波抑制处理，如图4所示可直观对比，静态杂波抑制有效削弱了实验场景中其他静态非人体目标的回波能量，之后对距离信息按帧均值化，并搜寻出能量最大的距离单元，以此标记为人体目标，如图5所示标记出人体目标位于1.51 m处，在误差范围内与实际距离相符.110刘梓隆，等：基于呼吸心跳时序混叠信号的毫米波雷达身份识别第3期2 毫米波雷达身份识别2.1 身份识别数据集对5名年龄相近（增加识别难度）、健康年轻的成年受试者进行毫米波雷达回波信号数据采集.受试者基本信息如表2所示.在1.2和1.3的基础上对受试者进行雷达回波数据采集和回波数据预处理操作，从而得到的呼吸心跳信号，其中每个呼吸/心跳信号样本的采集时长都为60 s，每个样本共设置1 200个采样点数，总共实验采集得到1 600个呼吸信号信息和1 600个心跳信号信息.由于初始信号采集不稳定及滤波时延等因素，导致在生命体征时域波形中前100150个采样点内未能准确处理出对应幅值（如图9至图11所示）.由于实验的身份识别功能并非必要提取出呼吸和心跳的准确值，故在此预先指定排除前200个采样点数据，仅取用后1 000个采样点的稳定数据，作为实验用于分类的有效数据.为了进一步增加数据集样本量，再将每个样本数据前后均分为两个样本，即均分后每个样本序列拥有500个采样点数据.一个正常的成年人的呼吸频率范围在0.10.5 Hz，心跳频率范围在0.82.0 Hz，依据频率范围不同，利用两个切比雪夫II型IIR带通滤波器对相位差分后的结果进行滤波，从而区分出呼吸和心跳信号15.所得到的呼吸和心跳信号时域波形如图9和图10所示.经过多次采集与处理实验，通过时域寻峰计算处理出每分钟人体目标的呼吸和心跳次数，基本在正常健康成年人的呼吸和心跳指标范围内.将呼吸和心跳时域信号进一步混叠，可重构出同时携带二者特征的生命体征信号，其时域波形如图11所示.由1.1知，预获取人体目标的呼吸和心跳信息，需从相位信息入手.如图6所示，首先提取已标记的人体目标距离单元处的相位信息；再通过unwrap函数进行相位展开处理，如图7中频谱所示，较图6进一步抑制了非人体目标的所产生的相位波动；又由于呼吸的相位幅值总是叠加在心跳的相位幅值之上，故需进行一阶相位差分从而进一步增强心跳信号，如图8中频谱所示，较图7的心率频域峰值更加显著.图8 相位差分Fig.8 Phase difference图7 相位展开Fig.7 Phase unwrapping图6 人体目标相位信息Fig.6 Phase information of the human body图9 呼吸信号时域波形Fig.9 Time domain waveformof respiratory图10 心跳信号时域波形Fig.10 Time domain waveformof heartbeat图11 呼吸和心跳时域混叠波形Fig.11 Time domain aliasing waveform of respiratory and heartbeat1112023年闽南师范大学学报（自然科学版）实验最终将对比3种不同时序样本数据集方案，即单独呼吸时序样本数据集、单独心跳时序样本数据集，以及呼吸心跳时序混叠样本数据集.每种方案皆对应5类受试者样本，每类受试者皆有640个时序样本，即每种方案共拥有3 200个时序样本，其中每个时序样本都由500个采样点数据组成.实验中每种样本数据集都按8 1 1的比例随机分为训练集、验证集、测试集，即训练集样本共有2 560个，验证集和测试集分别有320个.2.2 分类网络模型实验采集的生命体征信号是时序数据，采用长短期记忆网络及其变种网络模型进行分类识别16.LSTM是一种带有记忆功能的循环时间神经网络，其对时序型数据处理具有非常好的效果，故被广泛应用于序列数据的分类和预测处理.如图12所示，一个LSTM网络模型由每一层LSTM层组成，而每层LSTM网络又由若干如图13所示的LSTM单元组成.单个LSTM单元结构中，从左到右分别由遗忘门、输入门和输出门构成了主要的信息控制门单元.其中遗忘门主要用于记忆筛选，即决策是否保留前一时刻的状态值ht-1给当前神经元状态；输入门则是从当前输入值xt中学习新的信息，即ht-1与xt输入到激活函数，从而得到用于判定信息更新情况的决策值it，再通过tanh函数来处理ht-1和xt得到待确定的记忆单元状态值Ct；而输出门则是决定最终输出ht，单元状态通过输出门过滤的ot与tanh函数处理后的记忆单元，进一步处理得到最终单元输出ht17.thth1thtx1tCtCtanhtanhtftitCto遗忘门输入门输出门 图13 LSTM单元基本结构Fig.13 The basic structure of the LSTMLSTM单元LSTM单元LSTM单元LSTM单元1x2x1nxnx1h2h1nhnh.rxrh一层LSTM网络输入网络输出 图12 单层LSTM网络结构Fig.12 Single-layer LSTM network structure卷积神经网络在数据特征提取方面具有独特优势，其网络模型通常主要包含：卷积层、池化层和全连接层18.卷积层主要是以指定步长滑动卷积核窗口通过与输入数据的局部区域进行卷积运算，在CNN中通常选择relu函数作为卷积神经网络的激活函数用于进一步解决非线性问题；池化层则是进行空间合并（子采样或下采样），一般采用平均池化或最大池化，即达到保持重要特征信息的同时也降低了特征的维度；而全连接层则是起到一个多层感知的作用，即该层每个神经元与其前一层的所有神经元进行全连接，进一步整合卷积层与池化层中所包含的可用于区分的局部特征信息，从而提升CNN网络性能18.表2 受试者基本信息Tab.2 Basic information about the participants受试者12345性别男男男女女身高/m1.781.731.831.691.60体重/kg6064805548112刘梓隆，等：基于呼吸心跳时序混叠信号的毫米波雷达身份识别第3期由于传统LSTM在对类似本文的小样本数据集的分类效果不佳，故提出采用CNN和LSTM串联混合分类网络模型，如图14所示.该模型分别融合了卷积神经网络提取数据空间特征与长短期记忆网络处理时序特征的特有优势，能更加高效的实现对序列样本的分类.其中模型以500个采样点的生命体征时序数据作为输入；CNN部分历经三层卷积，每层卷积输出都经过relu函数激活和最大池化处理，卷积和池化参数设置如图14所示；CNN部分处理结束再经扁平化处理后输入到LSTM部分；LSTM部分串联两层分别为256和64个隐藏单元的LSTM层；最后由5个神经元的全连接层，激活函数为softmax，得到五分类输出.2.3 分类性能评估指标实验在评价分类模型性能时，将基于准确率（Accuracy）、精确率（Precision）、召回率（Recall）、F1分数（F1_score）作为主要的指标.具体公式为Accuracy=TP+TNTP+FP+FN+TN，（5）Precision=TPTP+FP，（6）Recall=TPTP+FN，（7）F1_score=2PrecisionRecallPrecision+Recall.（8）其中：TP（True Positives）为被正确预判为正例的正例；FP（False Positives）为被错误预判为正例的负例；FN（false Negatives）为被错误预判为负例的正例；TN（True Negatives）为被正确预判为负例的负例.上述4个评估指标中，Accuracy指所有预判样本中正确预判的占比；Precision指所有预判为正例的准确率；Recall指所有实际为正例的样本中被正确预判的准确率；而F1_score结合了Precision和Recall指标，其包含了假正例和假负例，对于不平衡数据集更具有评估价值.2.4 实验结果分析在Windows 10系统和NVIDIA GeForce RTX 3060 12 GB GPU的平台上进行实验，分类网络模型的搭建也皆在MATLAB 2022 b的Deep Learning Toolbox上实现，均训练过程均采用Adam优化器.如图15至图17所示，分别为2.1中的3种时序样本数据集方案，CNN-LSTM混合模型下同样迭代次数下的训练和验证效果曲线.该模型对呼吸心跳时序混叠样本数据集和单独呼吸时序样本数据集的最终训练和验证的准确率及损失曲线在迭代1 200次左右都开始趋于稳定，而单独心跳时序样本数据集前期波动较大，在迭代2 600次左右才开始趋于稳定.三种数据集方案的验证准确率曲线最终皆能稳定在90%以上.ReluReluRelu扁平化.SoftmaxLSTM层256 LSTM卷积层167*1最大池化层5*1卷积层165*1卷积层323*1最大池化层5*1最大池化层3*1全连接层N500*1分类输出CNNLSTMLSTM层64 LSTM输入层输出层 图14 CNN-LSTM混合网络模型Fig.14 CNN-LSTM mixed network model1132023年闽南师范大学学报（自然科学版）将2.1中3种数据集方案送入传统的LSTM分类网络（MATLAB 2022b中Deep Network Designer的序列到标签LSTM分类网络示例模型）进行分类实验，基于4个评估指标（准确率、精确率、召回率、F1分数）与CNN-LSTM混合分类网络模型进行对比分析，最终实验分类结果对比如表3所示.图17 混叠样本数据集训练和验证曲线Fig.17 Training and validation curves ofmixed sequence sample data set图16 心跳样本数据集训练和验证曲线Fig.16 Training and validation curves ofheartbeat sequence sample data set图15 呼吸样本数据集训练和验证曲线Fig.15 Training and validation curves ofrespiratory sequence sample data set表3 实验分类结果对比Tab.3 Comparison of experimental classification results分类网络模型CNN-LSTMLSTM数据集单独呼吸时序样本单独心跳时序样本时序混叠样本单独呼吸时序样本单独心跳时序样本时序混叠样本Accuracy0.975 00.928 10.987 50.581 30.381 30.621 9Precision0.975 70.928 30.987 60.598 00.420 20.653 8Recall0.975 00.928 10.987 50.581 30.381 30.621 9F1_score0.975 30.928 20.987 50.589 50.399 80.637 4从实验结果的4个评估指标对比得出，在相同的数据集样本下，CNN-LSTM混合分类网络较传统LSTM分类网络而言，在对毫米波雷达采集的生命体征时序样本进行身份识别上具有更好的效果.对比三种不同的数据集方案可发现，应用同样的分类网络模型，在同样的迭代次数下，使用呼吸和心跳时序混叠样本作为身份识别数据集进行识别分类的4个评估指标都明显优于另外两种单独生命体征时序样本的数据集方案.这表明，在CNN-LSTM混合分类网络的支持下，提出的时序混叠样本在融合毫米波雷达所采集的呼吸和心跳关键序列特征信息上具有一定成效，可以较准确的识别出受试者身份信息，从而达到利用毫米波雷达进行身份识别的效果.3 总结与展望提出了一种基于呼吸和心跳时序混叠信号的毫米波雷达身份识别方法.采用融合呼吸和心跳特征的时序信号，较以往利用单独呼吸或心跳时序信号作为识别对象，具有更好的识别效果.提出的 CNN-114刘梓隆，等：基于呼吸心跳时序混叠信号的毫米波雷达身份识别第3期LSTM混合分类网络模型较传统LSTM分类网络，在识别毫米波雷达采集的生命体征时序样本的身份信息上具有更优的效果.经对比实验得出，时序混叠样本和CNN-LSTM混合分类网络，对5名受试者的平均识别准确率达到98.75%.实验结果进一步证明了应用毫米波雷达进行身份信息验证识别的可行性，其无需受试者主动配合接触检测，不易伪造，更不受光照等环境因素影响，具有非常可观的应用前景.今后将考虑扩大实验受试者数量，优化毫米波雷达准确提取呼吸心跳特征信息的能力，提高毫米波雷达身份识别在大范围应用下的识别准确率，并进一步深入探索毫米波雷达身份识别技术的相关应用.参考文献：1 孙冬梅,裘正定.生物特征识别技术综述J.电子学报,2001(增刊1):1744-1748.2 曹佳禾,陈君毅,王智铭,等.基于手掌毫米波雷达回波信号的身份识别J.国外电子测量技术,2022,41(3):170-176.3 HALL J E,HALL M E.Guyton and hall textbook of medical physiologyM.Philadelphia,PA:Elsevier Health Sciences,2020.4 RAHMAN A,YAVARI E,LUBECKE V M,et al.Noncontact Doppler radar unique identification system using neural network classifier on life signsC/IEEE Topical Conference on Biomedical Wireless Technologies,Networks,and Sensing Systems.Austin:IEEE Press 2016:46-48.5 张宁,李宏军,于江涛,等.用于非接触式生命体征检测的雷达技术研究进展J.半导体技术,2023,48(1):1-9,17.6 ALIZADEH M,SHAKER G,ALMEIDA J C M D,et al.Remote monitoring of human vital signs using mm-Wave FMCW radarJ.IEEE Access,2019,7:54958-54968.7 方震,简璞,张浩,等.基于FMCW雷达的非接触式医疗健康监测技术综述J.雷达学报,2022,11(3):499-516.8 DONG S,XIA W,LI Y,et al.Radar-based human identification using deep neural network for long-term stabilityJ.IET Radar,Sonar and Navigation,2020,14(10):1521-1527.9 ISLAM S M M,BORI-LUBECKE O,ZHENG Y,et al.Radar-based non-contact continuous identity authenticationJ.Remote Sensing,2020,12(14):2279.10 RISSACHER D,GALY D.Cardiac radar for biometric identification using nearest neighbour of continuous wavelet transform peakC/IEEE International Conference on Identity,Security and Behavior Analysis.Hong Kong:IEEE Press2015:1-6.11 郭峰,陈金川,谢云.基于CNN-LSTM的运动想象脑电四分类研究J.现代电子技术,2023,46(2):132-136.12 安美晨,王鹏,蔡超,等.静息态下基于变分模态分解的生命体征检测J.计算机工程与应用,2022,58(9):288-293.13 代霞.基于77 GHz FMCW雷达的生命体征检测算法研究D.成都:电子科技大学,2021.14 DROITCOUR A D,BORIC-LUBECKE O,LUBECKE V M,et al.Range correlation and I/Q performance benefits in single-chip silicon Doppler radars for noncontact cardiopulmonary monitoringJ.IEEE Transactions on Microwave Theory and Techniques,2004,52(3):838-848.15 AHMAD A,ROH J C,WANG D,et al.Vital signs monitoring of multiple people using a FMCW millimeter-wave sensorC/IEEE Radar Conference,2018:1450-1455.16 HOCHREITER S,SCHMIDHUBER J.Long short-term memoryJ.Neural Computation,1997,9(8):1735-1780.17 谭朝文,宗容,王威廉,等.适于卷积神经网络的心音预处理算法J.计算机仿真,2019,36(12):214-218.18 周飞燕,金林鹏,董军.卷积神经网络研究综述J.计算机学报,2017,40(6):1229-1251.责任编辑:姜生有115