计算机研究与发展

作者：邱杰凡,徐一帆,徐瑞吉,周栋利,池凯凯,

关键词：毫米波雷达, 生命体征监测, 运动状态识别, 滑动窗口采样, 残差网络, 变分模态分解,

使用基于调频连续波的毫米波雷达监测生命体征信息,具有无接触、隐私保护性好、高分辨率以及抗干扰性好等优势，逐渐成为研究热点.然而，目前研究者主要关注如何提高被测对象处于稳态（如静止）时的体征监测效果，但受制于肢体运动对雷达信号的干扰，使得该技术在非稳态场景中的应用受到限制.提出一种基于人体运动状态识别的非稳态场景体征监测方法，以best-effort方式实现了存在大幅度肢体动作的场景中对体征信息的监测，并且能够识别对应的动作类型.首先，根据运动特征计算出带有距离-主导速度信息的特征频谱图.其次，使用一种滑动窗口采样方法以采集连续样本.随后训练ResNet-18网络来识别运动状态以及分类运动类型.最后，基于运动状态分类结果，在运动间歇期提取信号的相位信息，采用变分模态分解算法进行呼吸速率和心率的提取.实验结果表明，训练后的网络可以精确地识别运动状态和运动类型，识别准确率接近97%，识别延迟小于1.1s.对呼吸和心率的监测结果的平均绝对误差（MAD）下降到1.7bpm和3.4bpm.

来源：2024年第2期

《计算机研究与发展》期刊编辑部

查看计算机研究与发展杂志2024年第2期