基于胸腔信号样本的FMCW雷达身份验证.pdf
《基于胸腔信号样本的FMCW雷达身份验证.pdf》由会员分享,可在线阅读,更多相关《基于胸腔信号样本的FMCW雷达身份验证.pdf(9页珍藏版)》请在咨信网上搜索。
1、第5期2023年10月Vol.21 No.5October 2023雷达科学与技术Radar Science and TechnologyDOI:10.3969/j.issn.16722337.2023.05.010基于胸腔信号样本的FMCW雷达身份验证漆晶,汪正东,谢广智(重庆邮电大学通信与信息工程学院,重庆 400065)摘要:针对当前使用体征信号进行身份验证准确率低,且特征提取过程复杂的问题,本文在通过毫米波雷达检测生命体征的基础上,提出了一种将纯净的人体胸腔信号(Chest Cavity Signal,CCS)作为样本进行身份验证的方法。首先,对提取到的雷达原始信号进行预处理,消除与实
2、验无关的冗余干扰并提取相位信号。接着对含有干扰的相位信号进行变分模态分解(VMD),提取纯净的心跳与呼吸信号并制作CCS样本。最后将CCS样本送入二维卷积神经网络(2D CNN)中进行训练并验证身份,识别准确率达到了97.5%,实验证明本文提出的方法对于身份验证具有很好的效果。关键词:毫米波雷达;身份验证;变分模态分解;二维卷积神经网络;胸腔信号中图分类号:TN957文献标志码:A文章编号:16722337(2023)05053908FMCW Radar Authentication Based on Chest Cavity Signal SamplesQI Jing,WANG Zhengd
3、ong,XIE Guangzhi(School of Communication and Information Engineering,Chongqing University of Posts and Telecommunications,Chongqing 400065,China)Abstract:In order to solve the problem of low accuracy and complex feature extraction process in the current useof sign signals for identity verification,t
4、his paper proposes a method to use pure chest cavity signal(CCS)as a samplefor identity verification based on the detection of vital signs by millimeter wave radar.First,the raw radar signal is preprocessed to eliminate the redundant interference irrelevant to the experiment and extract the phase si
5、gnal.Then,variational modal decomposition(VMD)is performed on the phase signal containing interference to extract pure heartbeatand respiration signals and make CCS samples.Finally,CCS samples are sent into 2D convolutional neural network(2DCNN)for training and verification of identity,and the recog
6、nition accuracy rate reaches 97.5%.The experiment provesthat the proposed method has a good effect on identity verification.Key words:millimeter wave radar;identity authentication;VMD;2D CNN;CCS0引言近年来,因为新冠肺炎疫情的流行,非接触式的人体生命体征检测成为了研究的热点,其在智能家居、医疗健康等领域都有着广泛的应用,如睡眠检测1、婴幼儿监护2、驾驶员体征检测3以及疲劳驾驶监测4、姿态检测56等。在最
7、近的几十年时间里,基于雷达的生命体征信号提取技术已经非常成熟,这也为后续应用奠定了基础。文献 7 验证了每个人的通气变量和气流曲线组成了一个特定的特征,可以利用雷达检测到的呼吸信号进行人员识别。研究8表明,呼吸模式的个体性能可以长期保持。文献 9 提取了呼吸信号峰值功率谱密度、堆积密度与线性包络误差3个特征,将这些特征送入反向传播神经网络得到了90%的识别准确率。文献 10 利用动态分割技术检测一段呼吸信号内各种独特的特征与模式,结合最近邻算法(KNearest Neighbor,KNN)对6个实验对象进行了测试和验证,得到了95%的准确率。文献 11 采用快速傅里叶变换(Fast Fouri
8、er Transform,FFT)的方法提取呼吸信号频域特征,送入支持向量机(Support Vector Machine,SVM)算法中分类,在小数据集上得到比较高的准确率。基于人工提取特征的方式较为复杂,提取的特征单一,对于呼吸模式如频率、呼气与吸气面积等特征相近的人没有办法很好地区分开。有学者12将雷达采集到的呼吸或心跳信号直接送入卷积神经网络(Convolutional Neural Net收稿日期:20221205;修回日期:20230217雷达科学与技术第 21 卷 第 5 期works,CNN)自动提取特征,降低了提取特征的复杂度,最高得到82%的准确率。文献 13 提出了基于呼
9、吸样本空间(BSS)的身份识别算法,将包含时距信息的BSS序列送入CNN中建模以获得分类结果,得到接近85%的准确率。目前的研究大部分是基于呼吸特征进行身份验证,其忽略了心电信号也具有特征性14,可以用来识别个体。虽然非接触的雷达难以恢复出人体心电信号,但是本文尝试用心跳信号来代替接触式测量的心电信号,提出将心跳信号与呼吸信号结合的方式进行身份验证,本文将基于胸腔信号样本(Chest Cavity Signal,CCS)进行身份验证。首先通过毫米波雷达FMCW提取人体回波信号,再对回波信号进行预处理,包括多帧背景消除,胸腔位置确定,选取整个胸腔区域对应的多距离单元信号作为相位信号样本,相位解绕
10、,相位差分,将相位差分信号进行变分模态(VMD)分解得到纯净的呼吸信号与心跳信号再胸腔信号恢复,最后将纯净的信号样本切成小段并转换为图片即为胸腔信号样本CCS。纯净CCS信号样本融合了呼吸与心跳的时域、频域特征。为了避免人工提取特征造成的特征丢失,特征不足以及模型复杂等问题,本文将CCS样本送入二维卷积神经网络(2D CNN)中自动提取特征,得到模型准确率高达97.5%。1雷达信号检测原理1.1体征信号特点本文将利用毫米波雷达检测到的人体呼吸、心跳信号进行后续的身份验证。在正常情况下呼吸与心跳导致的胸部振动情况如表1所示15。表1体征信号引起的胸腔振动情况体征信号呼吸心跳频率/Hz0.10.5
11、0.82.0振幅/mm1120.10.5震动面积/cm25010毫米波雷达通过探测距离雷达R处人体目标回波的相位信号来反映呼吸心跳引起的胸腔振动。式(1)为胸腔振动距离与相位的关系。=4R(1)式中,为相位变化,R为距离变化,为波长。在本文中使用到的毫米波雷达波长为5 mm,当胸腔位移为1.25 mm时,回波信号的相位变化为。1.2FMCW雷达原理毫米波雷达FMCW发射的信号频率是随时间变化,并且一般是呈线性变化,所以也被称为LFMCW。如图1所示为FMCW发射信号与接收信号的示意图。当发射信号遇到待测目标后,反射的回波信号会被雷达接收天线所接收,从频域上来看,发射信号与接收信号波形上保持一致
12、,在时间上有一定的延时t0。ff0f0fBt0t0TttTX(t)RX(t)b(t)图1FMCW信号示意图式(2)为FMCW雷达的发射信号。TX(t)=ej(2 fct+BTt2)(2)式中,fc为发射信号的起始发射频率,B为雷达调制带宽,T为FMCW一个Chirp的周期。RX(t)=ej(2 fc(t-t0)+BT(t-t0)2)(3)式中t0为时间延迟。假设雷达与目标间存在传播距离为R,则传播的过程中产生了t0=2R/c的时间延迟,c为光速。将发射信号与接收信号混频得到中频信号,中频信号由式(4)表示:b(t)ej(4BRcTt+4R)=ej(fbt+)(4)式中,为中频信号的相位,fb为
13、频率。与目标距离R呈线性关系,由此验证式(1)。540漆晶:基于胸腔信号样本的FMCW雷达身份验证2023 年第 5 期2雷达数据处理2.1距离维FFT雷达原始数据是指将发射信号与接收信号混频,再经过AD采样得到的中频信号,其包含着被测物体的距离、速度和角度等信息。在对雷达原始数据做FFT时,可以获得距离曲线,表达为R(n,m),距离曲线包含着目标的距离信息(红色框出),同时也混杂噪声、静态物体干扰等(蓝色框出)。如图2(a)所示距离曲线频谱峰值所在的位置代表着目标的位置。如图2(b)频谱图中明亮区域代表反射回波功率大,存在被测物体,深色区域则代表没有物体。001123456723456710
14、5C.4FFT,dBC.m89(a)距离曲线C.mC.K6%112 00010 0008 0006 0004 0002 0002345678C.K(b)距离谱图图2距离维FFT结果图2.2基于多帧联合的背景消除杂波抑制方法主要是用来消除与实验目标无关的冗余干扰,达到提高目标信杂比的效果。在本实验中,静态的桌椅、墙壁等均属于要去除的范围。本文采用多帧联合的方法来消除干扰项。在环境中静态干扰是不变的,但是人体目标的相位是随胸腔振动每一帧变化的,且有一定的周期性。所以在多帧时间下,多帧信号的平均值可以被当作前文所提到干扰与噪声。背景干扰的表达式如式(5):B n =1Nm=1NR n,m(5)式中,
15、N代表中频信号总共有N帧,n代表每帧的采样点数,m代表第几帧数据。得到背景干扰项式(5)后就可以计算去除了冗余干扰后的信号,如式(6):R n,m =R n,m -B n(6)在图2的距离FFT结果图中可以明显看出,人体目标周围存在一定的干扰。经过多帧联合背景消除后,如图3所示回波信号的距离曲线与频谱更加清晰。每个距离单元代表着距离为4.4 cm,根据图像可判断出经过滤波后的信号峰值集中在0.6 m左右,与实验中人体目标距离雷达的真实距离一致。01234567C.m8901234567105dBC.4FFT(5K),(a)滤波后的距离曲线C.mC.K6%0.51.01.52.012 00010
16、 0008 0006 0004 0002 000(5K)(b)滤波后的距离谱图图3滤波后的距离FFT结果图541雷达科学与技术第 21 卷 第 5 期2.3相位提取与相位处理目前大部分研究都是在多帧信号中连续提取单个目标(最大能量处)距离单元的相位获得胸腔振动信号,也就是只提取一个点的振动波形。但是人体目标不是一个点,而是一个范围,表1中提到呼吸引起的胸腔振动面积达到50 cm2,如果只提取一个距离单元的多帧相位信号,会损失整个胸腔的空间信息,造成特征丢失。因此本文选择包含最大能量在内的周围8个距离单元,对每一个距离单元内的多帧信号连续提取相位,得到包含空间信息的8条胸腔部位的振动波形,以此来
17、表征胸腔信号。图3(b)中的红色方框代表胸腔信号,黄色实线代表单个目标距离门。表征胸腔信号的8条振动波形包含着丰富的由呼吸、心跳引起的胸腔振动信息,后续经过处理便可得到含有完整特征的CCS样本。如图4(a)所示,在使用反正切函数提取相位时,会导致相位信号存在卷绕,因此后续还需要对提取的相位信号进行解卷绕和相位差分操作。得到的胸腔相位信号如图4(b)所示。,?4radKs43210-1-2-3-40100 200 300 400 500 600 700 800 900 1 000(a)解绕前相位波形,?4radKs0-2.0-1.5-1.0-0.500.51.01.52.02.5100 200
18、300 400 500 600 700 800 900 1 000(b)差分后的相位波形图4相位波形2.4呼吸心跳信号分离变分模态分解(VMD)通过迭代的方式搜寻最优变分模型确定每个模态分量的中心频率和频率带宽,实现信号的频域以及每个模态分量的自适应部分16。根据呼吸与心跳的频率特征,将相位信号分解为不同模态,保证各个模态之间信号频率不重叠,从而分离出完整的呼吸信号与心跳信号,如图5(a)、(b)为呼吸信号时域与频域波形,如图6(a)、(b)为心跳信号时域与频域波形。radM(Hz0.250.200.150.100.050-0.05-0.10-0.15-0.20-0.250100 200 30
19、0 400 500 600 700 800 900 1 000(a)呼吸信号时域波形M(Hz250200150100500-10-8-6-4-2024X 0.293 333Y 228.2376810dB(b)呼吸信号频域波形图5呼吸信号时域与频域波形radM(Hz0.30-0.3-0.2-0.100.10.2100 200 300 400 500 600 700 800 900 1 000(a)心跳信号时域波形542漆晶:基于胸腔信号样本的FMCW雷达身份验证2023 年第 5 期M(Hz-10020406080100120-8-6-4-2024X 1.216 67Y 111.9146810d
20、B(b)心跳信号频域波形图6心跳信号时域与频域波形2.5CCS样本制作在提取到比较纯净的心跳信号与呼吸信号后,将其恢复为纯净的胸腔信号,如图7(a)、(b)分别为胸腔信号的时域波形和频域波形。可见胸腔信号主要包含0.293 Hz与1.22 Hz两种频率,与呼吸心跳信号相对应。radM(Hz0.40.30-0.3-0.4-0.5-0.2-0.100.10.2100 200 300 400 500 600 700 800 900 1 000(a)胸腔信号时域波形M(Hz-10050100150200250-8-6-4-2024X 0.293 333Y 228.511X 1.216 67Y 112.
21、2466810dB(b)胸腔信号频域波形图7胸腔信号时域与频域波形胸腔信号在时域和频域上包含了人特有的心跳呼吸特征,为了保留整个胸腔面积内的特征,将胸腔信号制作为CCS样本。可判断一个呼吸波形的周期约为 60 个采样点。因此本文将胸腔信号按照每60个采样点截成小段数据,相当于8个距离单元,每个单元60个采样点的信号矩阵。将该矩阵转换为灰度图,调整灰度图大小为3264作为CCS样本,如图8所示,将CCS送入二维卷积神经网络自动提取特征,避免了人工提取特征的复杂操作,图像中也充分保留了足够的特征进行训练。CCS图8CCS样本3神经网络搭建根据前文中的步骤已经得到 CCS样本,本文分别采集 4 个保
22、持正常呼吸节奏的志愿者数据(两男两女)。每人采集120 000帧的数据,每帧时长 50 ms。在 CCS样本制作时将每个人的数据划分到 3 s 的固定窗口中,每次滑窗 3 s,总共得到8 000 个 CCS 样本,分别打上标签。如表 2 所示,8 000 个 CCS 样本按照 4 1 的比例划分到训练集与测试集。表2数据集分配数据集训练集测试集志愿者11 600400志愿者21 600400志愿者31 600400志愿者41 600400CNN是当前用于图像分类中最先进的体系结构,它可以自动提取对象特征,并且特征提取与特征分类是一个同步进行的过程17。本文搭建了一个2D CNN模型,图9详细描
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 基于 胸腔 信号 样本 FMCW 雷达 身份验证
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【自信****多点】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【自信****多点】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。