Loading [MathJax]/jax/output/SVG/jax.js

不同领域下超宽带雷达探测呼吸心跳信号研究综述

郑学召 丁文 黄渊 蔡国斌 马扬 刘盛铠 周博

王建秋, 刘康, 王煜, 等. 涡旋电磁波雷达成像分辨力研究[J]. 雷达学报, 2021, 10(5): 680–690. doi: 10.12000/JR21054
引用本文: 郑学召, 丁文, 黄渊, 等. 不同领域下超宽带雷达探测呼吸心跳信号研究综述[J]. 雷达学报(中英文), 2025, 14(1): 204–228. doi: 10.12000/JR24154
WANG Jianqiu, LIU Kang, WANG Yu, et al. Resolution analysis of vortex electromagnetic radar imaging[J]. Journal of Radars, 2021, 10(5): 680–690. doi: 10.12000/JR21054
Citation: ZHENG Xuezhao, DING Wen, HUANG Yuan, et al. A review of UWB radar detection of respiration and heartbeat signals in different scenarios[J]. Journal of Radars, 2025, 14(1): 204–228. doi: 10.12000/JR24154

不同领域下超宽带雷达探测呼吸心跳信号研究综述

DOI: 10.12000/JR24154 CSTR: 32380.14.JR24154
基金项目: 国家自然科学基金(52174197),国家重点研发计划(2023YFC3010905),陕西省科协青年人才托举计划(20240205)
详细信息
    作者简介:

    郑学召,博士,教授,博士生导师,主要研究方向为矿山应急技术与管理、UWB雷达生命信息探测技术

    丁 文,硕士生,主要研究方向为矿山应急技术与管理、UWB雷达回波信号处理、有效特征提取与识别

    黄 渊,博士生,主要研究方向为矿山应急技术与管理、UWB雷达回波特征

    蔡国斌,博士生,主要研究方向为矿山应急救援、UWB雷达弱回波信号增强与提取

    马 扬,硕士生,主要研究方向为矿山应急技术与管理、UWB雷达回波信号处理、人员定位与量化识别

    刘盛铠,硕士生,主要研究方向为矿山应急技术与管理、激光雷达信号处理

    周 博,硕士生,主要研究方向为矿山应急救援、UWB雷达回波特征提取

    通讯作者:

    丁文 2695900258@qq.com

    黄渊 hy_xust@163.com

  • 责任主编:金添 Corresponding Editor: JIN Tian
  • 中图分类号: TN95; TD77

A Review of UWB Radar Detection of Respiration and Heartbeat Signals in Different Scenarios

Funds: The National Natural Science Foundation of China (52174197), The National Key Research and Development Program of China (2023YFC3010905), Shaanxi Provincial Association for Science and Technology Young Talent Support Program (20240205)
More Information
  • 摘要: 超宽带(UWB)雷达由于具有结构简单、发射功率低、穿透能力强、分辨能力高、传输速度快等诸多优势,逐渐成为多探测场景广泛应用的生命信息探测技术及装备。要完成生命信息的有效探测,关键是利用雷达回波信息处理技术从UWB雷达回波中提取被测人员的呼吸心跳信号,这对不同场景实现生命信息的判定、位置信息的获取、疾病的监测和预防以及保障人员安全具有至关重要的意义。为此,该文介绍了UWB雷达及分类、电磁散射机理和探测原理;分析了呼吸心跳信号的雷达回波模型构建现状;从时域、频域、时频域分析方法等角度梳理了现有呼吸心跳信号的提取方法;并从矿山救援、地震救援、医疗健康、穿墙探测等场景归纳了呼吸心跳信号提取的研究进展。总结了当前研究中存在的主要问题,展望了未来研究工作应重点关注的领域。

     

  • 雷达成像技术[1-3]不受气候条件限制,在军事和民用领域中得到了充分发展和应用。以合成孔径雷达[4-6]为代表的雷达成像技术,结合带宽信号与合成孔径处理实现目标高分辨图像。然而,距离-多普勒原理要求雷达工作在侧视或者斜视模式,难以实现前视目标成像,存在固有的视野盲区。为延拓雷达成像视场范围,以单脉冲成像技术[7]、阵列成像技术[8]、波束扫描-解卷积成像技术[9]为代表的前视成像方案得到广泛关注,尽管分辨性能多数受限于实孔径或超分辨算法,但相关研究极大促进了雷达前视成像技术的发展。

    回波相位差异性是雷达成像的关键。传统成像雷达通过雷达-目标间相对运动、波束扫描、阵列等方式在目标处形成差异性激励相位,并结合回波特性提出成像方法,实现目标成像。然而,当对电磁波波前进行特殊调制,即电磁波不再以等相位波前形式与目标相互激励,而是以特定差异性调制的波前与目标相互作用,同样可以使得目标信息被差异性度量。因此,通过合理设计波前调制方式,有望使得回波调制上更为丰富的目标信息,实现前视成像。

    近年来,波前调制雷达成像技术逐步发展,形成以微波关联成像[10]为代表的随机波前调制技术和以涡旋电磁波雷达成像[11]为代表的确定波前调制技术。前者通过构造时空不相关的探测信号形成随机辐射场,而后者基于轨道角动量[12-15](Orbital Angular Momentum, OAM),对电磁波相位波前进行调控,形成辐射场相位分布呈螺旋状的涡旋电磁波。在涡旋电磁波照射下,目标方位角与OAM模式数间构成了傅里叶变换意义下的对偶变量,不依赖于雷达-目标间相对运动、波束扫描、阵列等传统方式,形成了新的、独立的方位相位项,有望实现前视目标超分辨成像。文献[16]建立了涡旋电磁波雷达二维成像模型,提出了基于二维傅里叶变换的成像方法,实现了多发-多收和多发-单收模式下前视目标二维成像。针对不同模态波束指向不一致问题,文献[17]提出了基于同心圆环阵列的涡旋电磁波雷达成像方法,通过设计不同圆环阵列半径实现主瓣指向一致,大大提升了成像质量。面向更高分辨、更低OAM模态成像需求,文献[18]和文献[19]研究了基于多信号分类算法、基于旋转不变技术的信号参数估计算法的超分辨成像,文献[20]则建立了稀疏表征的涡旋电磁波雷达成像模型,研究了稀疏贝叶斯学习、增强稀疏贝叶斯学习、变分贝叶斯推理等重构方法,仿真和实测结果验证了有效性。此外,文献[21]还研究了双模态复用成像方法,在相同OAM模态范围照射下,该成像模式下能节省50%的照射积累时间,大大提高成像效率。

    随着涡旋电磁波雷达成像技术的发展,在涡旋电磁波产生与调控、辐射场优化与设计、涡旋电磁波雷达成像原理与模型、成像方法以及实验验证等方面取得一系列重要成果,验证了涡旋电磁波雷达成像技术的可行性。面向实际应用,需进一步提升涡旋电磁波雷达前视成像分辨性能。一方面,当前各类成像超分辨算法的提出,相对集中地展现了超分辨成像方法在提升分辨性能方面的潜力。另一方面,从成像体制角度,系统分析分辨力影响因素,进行雷达参数设计,有望提升涡旋电磁波雷达方位基本分辨力。本文将重点对方位成像基本分辨力展开研究,为面向分辨性能提升的涡旋电磁波雷达参数设计与优化提供参考。

    基于圆形阵列天线(Uniform Circular Antenna, UCA)产生携带不同OAM模态的涡旋电磁波,如图1(a)所示,N天线阵元均匀分布于半径为a的圆周上,相邻两阵元之间调制相位差为Δφ=2πl/N, l为OAM模式数。每个阵元发射带宽为B、调频率为K的线性调频信号,附有确定相位调制量ϕn=2π(n1)/N, n=1,2,,N。单个接收天线位于坐标原点,则空间任意位置P(r,θ,φ)处目标散射回波为[16,22]

    图  1  涡旋电磁波雷达成像示意图
    Figure  1.  Diagram of the vortex electromagnetic radar imaging
    sr(t,l)=NejlπMm=1{σmJl(kasinθ)ejlφmrect[tτmT]ejπK(tτm)2ej2πfc(tτm)} (1)

    其中,t为快时间变量,T为脉冲持续周期,fc为信号中心频率,k为波数。M为目标散射点个数,τm为目标时延,Jl()l阶第1类Bessel函数。

    与传统电磁波等相位波前激励相比,不同模态涡旋波照射,使得回波中蕴含的目标信息不尽相同,主要体现在附加项Jl(kasinθ)ejlφm中。发射带宽信号频率与目标斜距间对偶关系为距离向分辨提供了有效支撑,而OAM模式数与目标方位间对偶关系则为方位向提供了分辨基础,因此通过发射携带不同轨道角动量模态、具有一定带宽的涡旋电磁波,可实现雷达目标前视二维成像,成像处理流程如图1(b)所示。

    基于涡旋电磁波雷达成像原理,理论上遍历大OAM模态范围照射,能实现更佳的分辨效果。然而,由于涡旋电磁波独特的物理属性,其不可避免地存波束中空,也存在随OAM模式数变化的幅度项Jl(kasinθ),显然,第1类贝塞尔函数窗的幅度加权将直接影响目标方位分辨性能。因此,本节将从考虑贝塞尔幅度项与否两个角度入手,分别分析涡旋电磁波雷达方位成像分辨力。

    本文所述雷达工作在多发-单收方式。约定轨道角动量变量l对应OAM时域,其进行傅里叶变换得到的频域变量fl对应OAM频域。在同等配置情况下,实孔径成像雷达的方位空间分辨率ρrel由天线孔径D=2a、工作波长λ以及雷达-目标间距离RT决定[18,22]

    ρrel=RTλD (2)

    对于涡旋电磁波雷达,根据式(1)所推导的回波模型,不考虑贝塞尔幅度项、仅考虑包含目标方位角信息的相位项exp(jlφ)时,雷达极坐标系下的目标方位角φ与OAM模式数l之间构成傅里叶变换意义下的对偶变量,且OAM变量l与快时间变量t之间不存在耦合关系,可直接在OAM域中进行傅里叶变换实现目标方位成像,对应扩展函数表示为

    PSF(φ)=lmaxlmaxexp(jlφ)dl2lmaxsinc(lmaxφ) (3)

    其中,lmax=lmin为最大OAM模式数。目标方位角分辨率ρφ可由扩展函数第一零点位置表征。此外,根据空间几何关系,定义涡旋电磁波雷达空间方位分辨率为ρvor,超实孔径雷达分辨率为γ,则有

    ρφ=πlmax=2πΔlρvor=RTsinθTρφ=2πRTsinθTΔlγ=ρrelρvor=ϑΔl2πsinθT} (4)

    由于UCA产生的非0模态涡旋波束宽度不为λ/D,故定义涡旋电磁波雷达波长孔径比(Ratio of Wavelength to Aperture, RWA)为ϑ=λ/D。得知,空间分辨率与目标距离、成像俯仰角以及OAM模态范围有关;超实孔径雷达分辨性能则与波长孔径比、OAM模态范围、成像俯仰角有关。图2(a)图2(c)图2(e)分别仿真了空间分辨率随成像距离、成像俯仰角以及OAM模态范围的变化曲线,可见,成像距离越近、成像仰角越小、OAM模态范围越大,空间方位分辨率越高。图2(b)图2(d)图2(f)则给出了超实孔径雷达分辨率关于波长孔径比、成像俯仰角以及OAM模态范围变化的曲线,可见,波长孔径比越大、OAM模态范围越大、成像俯仰角越小,超实孔径雷达分辨性能越好。从物理机制角度看,一方面,忽略贝塞尔幅度项影响时,涡旋电磁波雷达不受波束能量中空、不同OAM模态波束指向不一致影响,波束内目标能被不同OAM模态涡旋电磁波的差异性辐射场有效度量;另一方面,尽管实际中不同OAM模态回波的信噪比性能表现不一致,若雷达系统具有足够高的灵敏度,仍然能提取出目标相位差异性信息。涡旋电磁波具有理论无限正交本征态,且随着遍历照射的OAM模态范围越大,成像俯仰角越小,与目标相互激励的辐射场螺旋相位变化越剧烈,更多轨道角动量模态将调制上目标方位角信息,相当于在由无限正交OAM本征态张成的一个无穷维Hilbert观测空间中,不断延拓目标方位角信息在轨道角动量这一观测域中的被观测长度,理论上分辨性能可无限提升。

    图  2  理想情况涡旋电磁波雷达方位空间分辨率以及超实孔径雷达分辨率曲线
    Figure  2.  Ideally spatial-resolution and the super resolution as a function of different influence factors

    忽略贝塞尔幅度项的影响,通过参数设计,涡旋电磁波雷达成像能实现良好的空间分辨率以及超实孔径雷达分辨效果。然而,实际回波受到贝塞尔幅度项Jl(kasinθ)调制,其特殊数学性质表现出的幅度加权形式,将对方位分辨性能产生影响。

    3.2.1   贝塞尔幅度项相位补偿

    贝塞尔幅度项Jl(kasinθ)=Jl(πsinθ/ϑ),是关于OAM模式数的函数。如图3(a)所示,一方面,贝塞尔幅度项绝对值会随着OAM模式数的变化而变化,表现为OAM时域回波的幅度加权窗;另一方面,贝塞尔幅度项符号也会随着OAM模式数的变化而发生改变。当贝塞尔项呈现负值时,将会在OAM时域引入一个相位干扰项exp(jπ),导致点目标方位扩展函数如图3(b)中蓝色曲线所示,不具有类sinc函数包络形状,无法实现方位聚焦成像。图中仿真参数设置为:圆环阵列半径a=0.2149m、中心频率fc=10GHz、成像俯仰角θT=30、OAM模态范围l[20,20]。文献[22]针对这一问题中提出了相位补偿方法:

    图  3  贝塞尔相位补偿及对应的点扩展函数图
    Figure  3.  Bessel term compensation and the corresponding point spread function of azimuth
    ψl={(i)l,Jl(kasinθ)<0(i)l,Jl(kasinθ)>0 (5)

    通过在OAM时域乘以相位补偿因子式(5),补偿后点目标方位扩展函数为

    PSF(φ)=lmaxlmax|Jl(kasinθ)|exp(jlφ)dl (6)

    经相位补偿,结果如图3(a)图3(b)中红色实线所示,可以发现,贝塞尔幅度项关于OAM时域包络整体呈现正值,类sinc函数包络表明能实现目标聚焦成像。

    3.2.2   贝塞尔幅度项影响有效OAM模态范围

    考察涡旋电磁波雷达方位向成像过程,在OAM时域回波中表现为幅度加权窗函数wl(θ,ϑ)=|Jl(πsinθ/ϑ)|与相位项ejlφT的乘积形式,根据傅里叶变换性质,转换到OAM频域中,则可以表示为F[wl(θ,ϑ)]F[exp(jlφT)]的卷积形式:

    F[wl(θ,ϑ)ejlφT]=F[wl(θ,ϑ)]F[exp(jlφT)] (7)

    其中,F[]为傅里叶变换符号,为卷积符号。F[exp(jlφT)]=δ(flφT/2π)为关于目标方位的冲激函数,F[wl(θ,ϑ)]则为方位成像包络。

    由3.1节分析可知,不考虑贝塞尔幅度项,等效于对OAM时域回波幅度进行了矩形窗rect(l,Δl)加权,发射端遍历的OAM模态范围越大,等效的OAM时域矩形窗越宽,对应得到的方位分辨性能越好。然而,在贝塞尔幅度加权窗wl(θ,ϑ)影响下,高阶模态回波能量不断减弱,使得发射端遍历不同OAM模态得到的回波成分对成像分辨力贡献不同,进而导致方位分辨性能不再由实际发射OAM模态范围Δl决定,而是由实际有效OAM模态范围Δleffective决定。

    由于贝塞尔幅度窗wl(θ,ϑ)是关于成像俯仰角θ和波长孔径比ϑ的函数,故不同的参数设计与选取,将使wl(θ,ϑ)表现出不同的加权窗形式,进而影响有效OAM模态范围Δleffective以及分辨性能。图4(a)给出了小成像俯仰角场景/小波长孔径比情况下贝塞尔幅度项-OAM模式数的变化曲线,成像方位剖面如图4(b)所示,可以发现,当OAM照射模态由lmax=2增加到lmax=4时,剖面图明显变“窄”,而当OAM模态由lmax=4增加到lmax=5,甚至lmax=40时,得到方位剖面几乎重合,意味着固定天线波长孔径比、成像俯仰角参数时,增加OAM模态范围照射并不能持续提升方位分辨性能,只有增大有效OAM模态照射才能提升方位分辨性能。这一点可以从图4(a)中得到验证,绿色点划线为实际有效OAM模态窗,当OAM模态超出有效窗范围,OAM回波幅值急剧衰减,逐渐趋向于零。

    图  4  不同参数下贝塞尔幅度窗及方位剖面图
    Figure  4.  Bessel windows and azimuth profiles with different parameters

    图4(c)图4(d)进一步仿真了大成像俯仰角下贝塞尔项-OAM模式数曲线和方位剖面图,与图4(a)图4(b)相比,有效OAM模式数范围更宽,方位剖面更“窄”。本质原因是在相同UCA波长、孔径参数下,随着OAM模式数的增大,涡旋电磁波束指向角越大,导致小成像俯仰角处目标仅能被少数OAM模态照射,而大俯仰角处目标能被更多OAM模态照射。图4(e)图4(f)则分析了大波长孔径比条件下的贝塞尔项-OAM模式数曲线和方位剖面图,与图4(a)图4(b)相比,有效OAM模式数范围更窄,方位剖面更“宽”。原因在于相同成像俯仰角下,波长孔径比越大的UCA产生相同OAM模态涡旋电磁波指向越大,导致目标仅能被少数OAM模态照射,有效OAM模态减少,分辨率降低。

    波长孔径比越小、成像俯仰角越大,有效OAM模态范围越大,实现的方位角分辨性能越佳。然而,涡旋电磁波雷达方位空间分辨率是由方位角分辨和成像几何关系共同决定的,因此,需要结合有效OAM模态范围和成像几何关系,分析空间分辨性能及超实孔径雷达分辨性能。

    3.2.3   有效OAM模态范围计算与分辨性能分析

    上节提出涡旋电磁波雷达方位分辨性能由有效照射OAM模态范围决定。本节首先给出有效OAM模态范围的计算方法,然后基于有效OAM模态理论分析涡旋电磁波雷达方位空间分辨性能以及超实孔径雷达分辨性能。

    贝塞尔幅度窗wl(θ,ϑ)是关于OAM模式数、成像俯仰角以及波长孔径比的函数,没有数学解析式,难以直接得到方位扩展函数。因此,本文提出了一种基于数值计算的有效OAM模态范围确定方法,计算流程如图5所示,首先,根据发射信号中心频率、UCA孔径以及成像俯仰角等参数,借助数值计算软件仿真得到该输入参数下的方位剖面图,以(Impulse Response Width, IRW)指标衡量方位角分辨率,计算对应剖面图IRW值;然后,通过遍历不同OAM模态范围照射,得到方位IRW值-不同OAM模态范围的曲线;最后,根据上节中理论分析易知,随着OAM模式数的增大,方位分辨性能不断提升,当最大发射OAM模式数增加到lthreshold时,此后再继续增加发射OAM模式数,方位分辨性能不再提升,而该临界值lthreshold则对应有效OAM模态范围Δleffective=2lthreshold

    图  5  有效OAM模态范围计算流程
    Figure  5.  The flowchart of the effective OAM modes scope calculation

    因此,在贝塞尔幅度项影响下,方位分辨性能不再由发射端遍历的OAM模态范围决定,而是由实际有效OAM模态范围决定,修正后方位分辨率、空间分辨率以及超实孔径雷达分辨率可以表示为

    ρφeffctive=2πΔleffectiveρaeffctive=2πsinθTRTΔleffectiveγeffctiveρrelρaeffctiveγeffctive=κϑΔleffective2πsinθT+δ} (8)

    其中,κ, δ为固定常数系数。

    图6(a)展示的是成像俯仰为7、不同波长孔径比下的方位IRW-最大发射OAM模态曲线,根据有效OAM模态范围计算方法,得到不同波长孔径参数下的有效OAM模态范围Δleffective分别为20, 28和92。结果与理论分析一致:随着波长孔径比增大,有效OAM模态范围不断缩小。图6(b)则表明随着波长孔径比增大,方位空间分辨率不断下降;固定波长孔径比,改变成像俯仰角,得到方位IRW-最大发射OAM模态曲线如图6(c)所示,空间分辨率-最大发射OAM模态曲线如图6(d)所示,可以发现,随着成像俯仰角的增大,方位角分辨率得到提升,但空间分辨率却不断下降,其原因在于大俯仰角对空间分辨率的恶化程度强于方位角分辨率对空间分辨率的提升程度。

    图  6  方位分辨率及空间分辨率曲线
    Figure  6.  Curves of azimuth resolution and spatial resolution

    超实孔径雷达分辨率随波长孔径比和成像俯仰角的变化曲线如图7(a)图7(c)所示,图7(b)图7(d)则进一步仿真了超实孔径雷达分辨率/最大有效OAM模式数关于波长孔径比和成像俯仰角的曲线。比较图7(a)图7(b)可以看出,随着波长孔径比的增大,方位超实孔径雷达分辨性能不断提升,对应的有效OAM模态范围呈下降趋势。比较图7(c)图7(d)可以发现,随着成像俯仰角的增大,方位超实孔径雷达分辨性能呈下降趋势,而有效OAM模态范围呈现扩大趋势,意味着方位角分辨率对超实孔径雷达分辨性能的提升效果弱于成像俯仰几何关系对超实孔径雷达分辨性能的影响。

    图  7  方位超实孔径雷达分辨率曲线
    Figure  7.  Curves of azimuth super real aperture radar resolution

    此外,由于贝塞尔幅度项为三元函数,且没有解析表达式,难以直接推导其OAM频域变换结果,得到有效OAM模态范围。因此,本文从数据拟合角度,得到有效OAM模态范围与超实孔径雷达分辨率的一组近似表达式。仿真参数设置为:波长孔径比ϑ[0.018,0.36],成像俯仰角θ[1,40],遍历不同OAM模态范围lmax[1,100]。基于本文所提方法,得到有效OAM模态范围随波长孔径比、成像俯仰角的变化结果,如图8(a)中计算结果曲面所示。通过数据分析发现,计算得到的有效OAM模态范围Δleffective与成像俯仰角θ、波长孔径比倒数ϑ1都近似成正比,式(9)为有效OAM模态范围函数的近似表达式,拟合结果如图8(a)中粉色曲面所示。图8(b)则给出了有效OAM模态范围计算结果与拟合结果间误差曲面,可以发现整体拟合效果较好,仅在ϑ[0.017,0.03]很小区域内的拟合误差偏大。

    图  8  有效OAM模态范围与超实孔径雷达分辨率函数拟合
    Figure  8.  Effective OAM modes scope and super real aperture radar resolution function fitting
    Δleffectivep1θ+p2q1ϑ+q22.706θ+15.8819.89ϑ+0.2458 (9)

    同样地,基于本文所提方法,得到超实孔径雷达分辨率随波长孔径比、成像俯仰角的变化结果,如图8(c)中计算结果曲面所示。进一步结合式(8)、式(9),拟合得到超实孔径雷达分辨率表达式为

    γeffctiveκϑ(p1θ+p2)2πsinθ(q1ϑ+q2)+δϑ(0.3664θ+2.1502)πsinθ(19.89ϑ+0.2458)+1.039 (10)

    其中,拟合参数ˆκ=0.2709, ˆδ=1.039图8(d)仿真了超实孔径雷达分辨率计算结果与拟合结果间误差曲面,整体拟合效果较好,仅在成像俯仰角θ[1,2]很小区域内拟合误差偏大,同时也验证了拟合得到的有效OAM模态范围与超实孔径雷达分辨率函数的有效性。

    综上,随着波长孔径比的增加,涡旋电磁波雷达方位角分辨性能不断下降,空间分辨性能不断下降,而超实孔径雷达分辨性能不断提升;随着成像俯仰角的增加,方位角分辨性能不断提升,空间分辨性能不断下降,超实孔径雷达分辨性能也不断下降;而随着OAM模式数的增大,方位角分辨、空间分辨和超分性能都表现为先不断提升,当达到有效OAM模态范围后,性能趋于稳定。因此,改变波长孔径比、成像俯仰角参数不能同时提升方位角分辨率、空间分辨率和超实孔径雷达分辨率。需在不改变波长孔径比、成像俯仰角前提下,提升有效OAM模态范围,如采用AR超分辨谱估计、稀疏超分辨重构等方法实现有效OAM模态范围延拓,实现3个性能同时提升。

    本文分别从考虑与不考虑贝塞尔项的涡旋电磁波雷达成像模型出发,基于点目标扩展函数,对方位成像分辨力展开研究。不考虑贝塞尔幅度项时,理论上,增大OAM模态照射范围,方位分辨性能可无限提升。考虑贝塞尔幅度项影响,首先,分析了方位成像过程,揭示了方位分辨性能受贝塞尔幅度窗影响,由有效OAM模态范围决定的现象:有效OAM模态范围越大,方位分辨性能越好。其次,提出了一种有效OAM模态范围计算方法,得到修正后的方位角分辨率、空间分辨率以及超实孔径雷达分辨率表达式。最后,通过仿真实验对方位分辨性能影响因素展开分析,揭示了其变化规律:随着波长孔径比的增加,方位角分辨率不断下降,方位空间分辨率不断下降,而超实孔径雷达分辨率不断提升;随着成像俯仰角的增加,涡旋电磁波雷达方位角分辨率不断提升,方位空间分辨率不断下降,而超实孔径雷达分辨率不断下降。面向实际应用,未来研究工作应重点关注涡旋电磁波雷达成像体制设计与超分辨成像方法,在不改变波长孔径比、成像俯仰角参数前提下,研究贝塞尔幅度项补偿方法,增大有效OAM模态范围,实现涡旋电磁波雷达方位角分辨率、方位空间分辨率以及超实孔径雷达分辨率的大幅、同时提升。此外,更为精准的有效OAM模态范围及超实孔径雷达成像分辨率函数关系拟合,将为涡旋电磁波雷达系统设计与优化提供重要支撑。

  • 图  1  UWB雷达优点和应用领域

    Figure  1.  UWB radar advantages and application areas

    图  2  脉冲波UWB雷达回波时延

    Figure  2.  Pulsed-wave UWB radar echo time delay

    图  3  UWB雷达探测原理示意图

    Figure  3.  Schematic of UWB radar detection principle

    图  4  呼吸心跳的多普勒探测原理

    Figure  4.  Principle of Doppler detection of respiratory heartbeat

    图  5  雷达探测的实际呼吸心跳波形

    Figure  5.  Actual respiratory heartbeat waveform detected by radar

    图  6  正弦与尖脉冲呼吸心跳拟合波形对比[25]

    Figure  6.  Comparison of fitted waveforms for sinusoidal and apical pulse respiratory heartbeats[25]

    图  7  雷达回波模型构建过程示意图

    Figure  7.  Schematic diagram of the radar echo model construction process

    图  8  雷达回波在时域、频域的关系示意

    Figure  8.  Schematic of the relationship between radar echo in time and frequency domains

    图  9  小波变换分解重构原理[42]

    Figure  9.  Principle of wavelet transform decomposition and reconstruction[42]

    图  10  VMD-WOA算法流程[58]

    Figure  10.  Flow of VMD-WOA algorithm[58]

    图  11  文献[63]重构信号的频谱

    Figure  11.  Spectrogram of reconstructed signal from Ref. [63]

    图  12  UWB雷达在矿山救援中的应用示意图

    Figure  12.  Schematic diagram of the application of UWB radar in mine rescue

    图  13  不同信噪比环境下各算法信号提取性能[74]

    Figure  13.  Signal extraction performance of each algorithm in different SNR environments[74]

    图  14  文献[86]实验结果及现有同类方法对比

    Figure  14.  Comparison of experimental results of Ref. [86] and existing similar methods

    图  15  自适应小波尺度选择方法的呼吸心跳分离效果[89]

    Figure  15.  Respiratory heartbeat separation effect of adaptive wavelet scale selection method[89]

    图  16  文献[90]所提方法与接触式传感器、带通滤波器、EMD算法和WT算法分离效果对比

    Figure  16.  Comparison of the separation effect of the proposed method in Ref. [90] with contact sensor, bandpass filter, EMD algorithm and WT algorithm

    图  17  文献[93]提取的呼吸波形

    Figure  17.  Respiratory waveforms extracted from Ref. [93]

    图  18  文献[97]雷达与心电图探测心跳信号LF/HF比值的比较

    Figure  18.  Comparison of LF/HF ratio of heartbeat signals detected by radar and ECG in Ref. [97]

    图  19  文献[33]所提方法与现有方法提取心跳信号准确度对比

    Figure  19.  Comparison of accuracy of extracting heartbeat signals between the proposed method in Ref. [33] and existing methods

    图  20  文献[21]所提方法与IIR, FFT和CEEMDAN的呼吸心跳信号分离效果对比

    Figure  20.  Comparison of the effectiveness of the proposed method in Ref. [21] with IIR, FFT and CEEMDAN for the separation of respiratory heartbeat signals

    图  21  UWB雷达监测驾驶员状况的应用

    Figure  21.  Application of UWB radar to monitor driver status

    图  22  文献[102]探测结果

    Figure  22.  Ref. [102] detection results

    表  1  UWB雷达分类对比

    Table  1.   Comparison of UWB radars classifications

    特性 连续波 脉冲波
    调频连续波 步进频率连续波 高斯脉冲波
    探测原理 多普勒效应、干涉相位 回波时延、干涉相位、多普勒效应
    表达方程 S(t)=Acos(2\pi f0t+πKt2)
    其中,A为振幅,f0为初始频率,K为调频斜率
    S(t)=Acos(2π(f0t+nΔf)t)
    其中,A为振幅,f0为初始频率,Δf为频率步进间隔,n为当前步进的索引
    S(t)=nAp(tnT)
    其中,A为振幅,p(t)为脉冲形状函数,
    T为脉冲间隔
    波形图像
    优点 高距离分辨率、高速度分辨率 高距离分辨率、高图像分辨率 高时间、频率分辨率,脉冲持续时间极短(纳秒级),利于探测微弱信号
    缺点 存在非线性问题、不适用于远距离探测 制造难度大、信号处理复杂、不适用于远距离探测 距离分辨率受到脉冲宽度限制、需要高采样率、模数转换器要求高
    应用领域 医疗健康(跌倒检测)、汽车雷达、无人机避障雷达 医疗健康、交通监控 矿山救援与地震救援等需穿透障碍物的复杂灾害环境
    下载: 导出CSV

    表  2  干涉相位在连续波、脉冲波UWB雷达系统的优缺点对比

    Table  2.   Comparison of advantages and disadvantages of interferometric phase in continuous wave and pulsed wave UWB radar systems

    雷达系统优点缺点
    连续波UWB雷达实时动态监测能力强时域分辨率低、信号处理复杂
    脉冲波UWB雷达时域分辨率高、多径分析能力强脉冲信号的不连续性造成相位跳变,增加信号处理难度
    下载: 导出CSV

    表  3  呼吸心跳运动参数

    Table  3.   Respiratory heartbeat exercise parameters

    生命体征 频率(Hz) 胸腔振幅(mm) 胸腔振动面积(cm3)
    呼吸 0.1~0.5 4~12 50
    心跳 0.8~2.0 0.2~0.5 10
    下载: 导出CSV

    表  4  时域、频域和时频域分析方法对比

    Table  4.   Comparison of time-domain, frequency-domain and time-frequency-domain analysis methods

    方法 优点 缺点 适用场景 典型方法
    时域分析
    方法
    易实现、适应性强、计算量小
    且效率快、便于直接观察
    低信噪比环境处理能力不强、
    易丢失信息、抗干扰性差
    用于睡眠、临床、健康检测
    的呼吸心跳信号提取
    时域相关法、脉冲压缩法、
    时域差分法
    频域分析
    方法
    频谱精度高、计算量小,对幅度
    变化较大的信号处理能力强
    存在边缘效应与信号失真、
    不能反映信号的时变特性
    用于滤波去噪,在医疗健康
    场景中提取呼吸心跳信号
    傅里叶变换、快速傅里叶变换、
    频谱减法
    时频分析
    方法
    利于非线性、不平稳及瞬时信号
    的处理、多分辨率强、准确性高
    运算复杂、性能依赖参数
    选择、存在边缘效应
    用于灾害救援、医疗健康检测
    等场景的多种信号处理任务
    短时傅里叶变换、小波变换、希尔
    伯特-黄变换、模态分解系列算法
    下载: 导出CSV

    表  5  EMD算法重构信号的频谱峰值

    Table  5.   Spectral peaks of signal reconstructed by EMD algorithm

    重构信号 频谱峰值
    重构呼吸信号 0.1~0.5 Hz
    重构心跳信号 0.8~2.0 Hz
    噪声干扰 其他频率
    下载: 导出CSV

    表  6  部分模态分解算法的优缺点对比

    Table  6.   Comparison of advantages and disadvantages of some modal decomposition algorithms

    方法优点缺点
    EMD适应性较强、探测效果较好、速度快存在模态混叠和虚假分量、IMF物理意义模糊
    EEMD无模态混叠现象、IMF物理意义明确计算量大、工作效率低、模块响应时间长
    CEEMD计算量小、响应速度快、可消除重构信号的噪声依据经验选择参数、不适用于低信噪比环境
    VMD可有效避免模态混叠和端点效应,探测性能强计算时间长、参数选择效率低、实时性差
    下载: 导出CSV

    表  7  各神经网络方法的性能及优缺点对比

    Table  7.   Comparison of performance and advantages and disadvantages of each neural network method

    方法 性能 优点 缺点
    卷积神经
    网络
    可有效处理复杂信号且捕捉信号中的
    时空相关性
    高效的数据处理能力,精度高、
    鲁棒性强、适应性强
    需预定义不同大小的卷积核,数据库要求
    高,且存在退化现象、难以提高精度
    残差神经
    网络
    可训练非常深的网络且可提取微弱信号 深度加深而计算量不增加、无退化现象
    和梯度消失问题、训练效率高
    计算量大、数据需求量大、
    设计和调试难度大
    前馈人工神经
    网络
    可实现小数据集输入信号到输出结果的
    非线性映射
    结构简单、计算效率高 难以捕捉信号的时空相关性,对输入信号的
    设计和选择要求较高
    循环神经
    网络
    可提取序列化数据的动态信息并进行分类,
    可学习特征在时间上的周期关系
    非独立的点序列组信号处理能力及
    适应性强、记忆前序信息
    计算成本高、输入信息易损失,反向传播长
    时依赖下存在梯度爆炸和梯度消失
    长短期记忆
    网络
    可有效捕捉信号中时序依赖关系且记忆
    长期的依赖关系
    可有效处理长时间依赖性,序列数据
    适应性强,缓解梯度消失问题
    计算量大、参数多且调节难度大
    下载: 导出CSV

    表  8  各场景信号提取面临的问题与难点

    Table  8.   Problems and difficulties faced in signal extraction for each scene

    场景问题、难点
    矿山救援场景穿透能力与分辨率相互制约
    地震救援场景背景杂波和电磁干扰严重
    医疗健康场景实时性和准确性要求更高
    穿墙探测场景三维数据显示精度要求高
    汽车驾驶场景躯体、车辆抖动干扰严重
    下载: 导出CSV
  • [1] 刘新, 阎焜, 杨光耀, 等. UWB-MIMO穿墙雷达三维成像与运动补偿算法研究[J]. 电子与信息学报, 2020, 42(9): 2253–2260. doi: 10.11999/JEIT190356.

    LIU Xin, YAN Kun, YANG Guangyao, et al. Study on 3D imaging and motion compensation algorithm for UWB-MIMO through-wall radar[J]. Journal of Electronics & Information Technology, 2020, 42(9): 2253–2260. doi: 10.11999/JEIT190356.
    [2] 罗朋, 胡振峰, 田世伟, 等. UWB雷达芯片的研究现状与发展[J]. 电子与信息学报, 2022, 44(4): 1176–1192. doi: 10.11999/JEIT211082.

    LUO Peng, HU Zhenfeng, TIAN Shiwei, et al. The status and trends of UWB radar integrated circuit[J]. Journal of Electronics & Information Technology, 2022, 44(4): 1176–1192. doi: 10.11999/JEIT211082.
    [3] 郑学召, 丁文, 蔡国斌, 等. 面向钻孔救援的UWB雷达回波信息处理关键问题研究进展[J]. 煤矿安全, 2023, 54(10): 219–225. doi: 10.13347/j.cnki.mkaq.2023.10.030.

    ZHENG Xuezhao, DING Wen, CAI Guobin, et al. Research progress on key issues of UWB radar echo information processing for borehole rescue[J]. Safety in Coal Mines, 2023, 54(10): 219–225. doi: 10.13347/j.cnki.mkaq.2023.10.030.
    [4] 肖明国, 张彪, 康玉国, 等. 面向钻孔救援的UWB雷达探测技术研究进展[J]. 煤炭技术, 2024, 43(6): 174–177. doi: 10.13301/j.cnki.ct.2024.06.036.

    XIAO Mingguo, ZHANG Biao, KANG Yuguo, et al. Research progress of UWB radar detection technology for drilling rescue[J]. Coal Technology, 2024, 43(6): 174–177. doi: 10.13301/j.cnki.ct.2024.06.036.
    [5] 文虎, 刘盛铠, 郑学召, 等. 基于钻孔救援的UWB雷达波传输衰减研究及展望[J]. 工矿自动化, 2023, 49(4): 42–49. doi: 10.13272/j.issn.1671-251x.18053.

    WEN Hu, LIU Shengkai, ZHENG Xuezhao, et al. Research and prospect of UWB radar wave transmission attenuation based on borehole rescue[J]. Journal of Mine Automation, 2023, 49(4): 42–49. doi: 10.13272/j.issn.1671-251x.18053.
    [6] 敬芳菲. 基于超宽带雷达的生命体征提取技术研究[D]. [硕士论文], 电子科技大学, 2022. doi: 10.27005/d.cnki.gdzku.2022.002229.

    JING Fangfei. Vital signs extraction technology based on UWB radar[D]. [Master dissertation], University of Electronic Science and Technology of China, 2022. doi: 10.27005/d.cnki.gdzku.2022.002229.
    [7] QU Xiaodong, GAO Weicheng, MENG Haoyu, et al. Indoor human behavior recognition method based on wavelet scattering network and conditional random field model[J]. IEEE Transactions on Geoscience and Remote Sensing, 2023, 61: 5104815. doi: 10.1109/tgrs.2023.3276023.
    [8] 屈乐乐, 刘淑杰, 杨天虹, 等. 基于多通道的调频连续波雷达生命信号提取[J]. 电子与信息学报, 2022, 44(4): 1318–1326. doi: 10.11999/JEIT211073.

    QU Lele, LIU Shujie, YANG Tianhong, et al. Life signal extraction based on multi-channel frequency modulated continuous wave radar[J]. Journal of Electronics & Information Technology, 2022, 44(4): 1318–1326. doi: 10.11999/JEIT211073.
    [9] 马铖. 面向低信噪杂比环境的随机信号雷达生命探测方法研究[D]. [硕士论文], 太原理工大学, 2022. doi: 10.27352/d.cnki.gylgu.2022.000168.

    MA Cheng. Research on life detection method of random signal radar in low signal to noise and clutter ratio environment[D]. [Master dissertation], Taiyuan University of Technology, 2022. doi: 10.27352/d.cnki.gylgu.2022.000168.
    [10] CHUNG S W, SHIH C C, and HUANG C C. Freehand three-dimensional ultrasound imaging of carotid artery using motion tracking technology[J]. Ultrasonics, 2017, 74: 11–20. doi: 10.1016/j.ultras.2016.09.020.
    [11] TSANG T K K and EL-GAMAL M N. Ultra-wideband (UWB) communications systems: An overview[C]. The 3rd International IEEE-NEWCAS Conference, Quebec, Canada, 2005: 381–386. doi: 10.1109/NEWCAS.2005.1496688.
    [12] 赵尤信, 姚海飞, 李佳慧, 等. 超宽带雷达生命探测技术研究[J]. 工矿自动化, 2023, 49(9): 178–186. doi: 10.13272/j.issn.1671-251x.18111.

    ZHAO Youxin, YAO Haifei, LI Jiahui, et al. Research on ultra wideband radar life detection technology[J]. Journal of Mine Automation, 2023, 49(9): 178–186. doi: 10.13272/j.issn.1671-251x.18111.
    [13] CHEN Xiaomin and KIAEI S. Monocycle shapes for ultra wideband system[C]. 2002 IEEE International Symposium on Circuits and Systems, Phoenix-Scottsdale, USA, 2002: 1. doi: 10.1109/ISCAS.2002.1009911.
    [14] LOPES A, OSÓRIO D F N, SILVA H, et al. Equivalent pipeline processing for IR-UWB and FMCW radar comparison in vital signs monitoring applications[J]. IEEE Sensors Journal, 2022, 22(12): 12028–12035. doi: 10.1109/jsen.2022.3173218.
    [15] 邢孟道, 谢意远, 高悦欣, 等. 电磁散射特征提取与成像识别算法综述[J]. 雷达学报, 2022, 11(6): 921–942. doi: 10.12000/JR22232.

    XING Mengdao, XIE Yiyuan, GAO Yuexin, et al. Electromagnetic scattering characteristic extraction and imaging recognition algorithm: A review[J]. Journal of Radars, 2022, 11(6): 921–942. doi: 10.12000/JR22232.
    [16] HUANG Peng, HAI Yu, LI Zhongyu, et al. UWB-radar target scattering characteristic estimation method using joint Low-Rank and sparse characteristic[C]. IGARSS 2023–2023 IEEE International Geoscience and Remote Sensing Symposium, Pasadena, USA, 2023: 6037–6040. doi: 10.1109/IGARSS52108.2023.10282414.
    [17] RICHARDS M A. Fundamentals of Radar Signal Processing[M]. 2nd ed. Chicago: McGraw-Hill Education, 2014: 71–75.
    [18] GAO Xiaomeng, JIANG Xiaonan, BI Songjie, et al. Measurement of the complex human Atrial-Ventricular motions using Contact-Based Doppler radar[C]. 2019 IEEE 20th Wireless and Microwave Technology Conference (WAMICON), Cocoa Beach, USA, 2019: 1–5. doi: 10.1109/WAMICON.2019.8765441.
    [19] 丁鹭飞, 耿富录. 雷达原理[M]. 3版. 西安: 西安电子科技大学出版社, 2019: 235–239.

    DING Lufei and GENG Fulu. Principle of Radar[M]. 3rd ed. Xi’an: Xidian University Press, 2019: 235–239.
    [20] 漆晶, 汪正东, 谢广智. 基于胸腔信号样本的FMCW雷达身份验证[J]. 雷达科学与技术, 2023, 21(5): 539–546, 554. doi: 10.3969/j.issn.1672-2337.2023.05.010.

    QI Jing, WANG Zhengdong, and XIE Guangzhi. FMCW radar authentication based on chest cavity signal samples[J]. Radar Science and Technology, 2023, 21(5): 539–546, 554. doi: 10.3969/j.issn.1672-2337.2023.05.010.
    [21] LI Zhi, JIN Tian, DAI Yongpeng, et al. Through-wall multi-subject localization and vital signs monitoring using UWB MIMO imaging radar[J]. Remote Sensing, 2021, 13(15): 2905. doi: 10.3390/rs13152905.
    [22] LIU Fan, ZHANG Tingting, and CAO Pan. Asynchronous integration of communication and localization systems using IR-UWB signals[C]. 2021 IEEE Military Communications Conference, San Diego, USA, 2021: 521–527. doi: 10.1109/MILCOM52596.2021.9652951.
    [23] 张崇超, 张长春, 张群英. EEMD在超宽带雷达生命信号提取中的应用[J]. 电子测量技术, 2012, 35(4): 76–80, 101. doi: 10.19651/j.cnki.emt.2012.04.019.

    ZHANG Chongchao, ZHANG Changchun, and ZHANG Qunying. Applications of EEMD in vital signal detection for UWB radar[J]. Electronic Measurement Technology, 2012, 35(4): 76–80, 101. doi: 10.19651/j.cnki.emt.2012.04.019.
    [24] WANG Jun, ZHU He, LEI Peng, et al. CNN based classification of rigid targets in space using radar micro-Doppler signatures[J]. Chinese Journal of Electronics, 2019, 28(4): 856–862. doi: 10.1049/cje.2018.08.003.
    [25] 刘翼群. 生命探测雷达信号处理算法研究[D]. [硕士论文], 西安电子科技大学, 2019.

    LIU Yiqun. Research on signal processing algorithm of life detection radar[D]. [Master dissertation], Xidian University, 2019.
    [26] PATERNIANI G, SGRECCIA D, DAVOLI A, et al. Radar-based monitoring of vital signs: A tutorial overview[J]. Proceedings of the IEEE, 2023, 111(3): 277–317. doi: 10.1109/jproc.2023.3244362.
    [27] LI Zongwei, PEI Yanbin, WANG Yuqi, et al. An enhanced respiratory mechanics model based on double-exponential and fractional calculus[J]. Frontiers in Physiology, 2023, 14: 1273645. doi: 10.3389/fphys.2023.1273645.
    [28] 高晓阳. 生命探测雷达目标辨识算法研究[D]. [硕士论文], 西安电子科技大学, 2021.

    GAO Xiaoyang. Research on target recognition algorithm of life detection radar[D]. [Master dissertation], Xidian University, 2021.
    [29] LAZARO A, GIRBAU D, and VILLARINO R. Analysis of vital signs monitoring using an IR-UWB radar[J]. Progress in Electromagnetics Research, 2010, 100: 265–284. doi: 10.2528/pier09120302.
    [30] SHYU K K, CHIU L J, LEE P L, et al. Detection of breathing and heart rates in UWB radar sensor data using FVPIEF-based two-layer EEMD[J]. IEEE Sensors Journal, 2019, 19(2): 774–784. doi: 10.1109/jsen.2018.2878607.
    [31] 吴佳茜, 梁步阁, 杨德贵, 等. 引入时距信息的IR-UWB雷达多域特征融合呼吸模式识别方法[J]. 信号处理, 2024, 40(2): 236–249. doi: 10.16798/j.issn.1003-0530.2024.02.002.

    WU Jiaxi, LIANG Buge, YANG Degui, et al. IR-UWB radar multi-domain feature fusion respiratory pattern recognition method with time-distance information[J]. Journal of Signal Processing, 2024, 40(2): 236–249. doi: 10.16798/j.issn.1003-0530.2024.02.002.
    [32] 郭继坤, 王保生, 郝维来, 等. 基于超宽带信号的矿井塌方体下生命特征的检测方法[J]. 黑龙江科技大学学报, 2017, 27(1): 73–76, 96. doi: 10.3969/j.issn.2095-7262.2017.01.016.

    GUO Jikun, WANG Baosheng, HAO Weilai, et al. Research on detection method of life under mine based on ultra-wideband signal[J]. Journal of Heilongjiang University of Science & Technology, 2017, 27(1): 73–76, 96. doi: 10.3969/j.issn.2095-7262.2017.01.016.
    [33] HUO Ze, ZHANG Zhaoxia, YIN Yonggen, et al. Research on multitarget vital sign detection using IR-UWB radar in occlusion scenarios[J]. IEEE Sensors Journal, 2024, 24(9): 15327–15336. doi: 10.1109/jsen.2024.3380831.
    [34] HUANG Ling, WANG Zhao, TIAN Ming, et al. Influence of Parameters on Radar Localization of Human Target under Complex Shielding Environment[M]. KIM K J and KIM H Y. Information Science and Applications. Singapore: Springer, 2020: 3–9. doi: 10.1007/978-981-15-1465-4_1.
    [35] YANG Degui, ZHU Zhengliang, ZHANG Junchao, et al. The overview of human localization and vital sign signal measurement using handheld IR-UWB through-wall radar[J]. Sensors, 2021, 21(2): 402. doi: 10.3390/s21020402.
    [36] SHYU K K, CHIU L J, LEE P L, et al. UWB simultaneous breathing and heart rate detections in driving scenario using multi-feature alignment two-layer EEMD method[J]. IEEE Sensors Journal, 2020, 20(17): 10251–10266. doi: 10.1109/jsen.2020.2992687.
    [37] 杨国成, 余慧敏. 基于N次峰值捕捉的超宽带雷达生命体征检测[J]. 电子测量与仪器学报, 2020, 34(11): 204–210. doi: 10.13382/j.jemi.B2003126.

    YANG Guocheng and YU Huimin. Vital sign detection of ultra-wideband radar based on N peaks capture[J]. Journal of Electronic Measurement and Instrumentation, 2020, 34(11): 204–210. doi: 10.13382/j.jemi.B2003126.
    [38] JING Fangfei, LIANG Jing, WANG Yizhu, et al. Harmonics and intermodulation products-based fuzzy logic (HIPBFL) algorithm for vital sign frequency estimation using a UWB radar[J]. Expert Systems with Applications, 2023, 228: 120294. doi: 10.1016/j.eswa.2023.120294.
    [39] YAN Meihui, LUO Zhongtao, HE Zishu, et al. The five-domain-six-map method for signal analysis in over-the-horizon radar[C]. 2021 IEEE Radar Conference (RadarConf21), Atlanta, USA, 2021: 1–6. doi: 10.1109/RadarConf2147009.2021.9455249.
    [40] PAN Tianze, GUO Yuanyue, GUO Weiwei, et al. Detection of vital sign based on UWB radar by a time domain coherent accumulation method[J]. IEEE Sensors Journal, 2023, 23(15): 17054–17063. doi: 10.1109/jsen.2023.3283552.
    [41] ZHAO Dawei, WANG Jun, CHEN Gang, et al. Clutter cancellation based on frequency domain analysis in passive bistatic radar[J]. IEEE Access, 2020, 8: 43956–43964. doi: 10.1109/access.2020.2977961.
    [42] 薛帅康, 王小月, 许致火, 等. 面向人体呼吸心跳同时监测的雷达信号处理方法综述[J]. 电讯技术, 2023, 63(12): 1995–2002. doi: 10.20079/j.issn.1001-893x.220904002.

    XUE Shuaikang, WANG Xiaoyue, XU Zhihuo, et al. A review of radar signal processing for simultaneous monitoring of human vital signs[J]. Telecommunication Engineering, 2023, 63(12): 1995–2002. doi: 10.20079/j.issn.1001-893x.220904002.
    [43] TURLEY M. Impulsive noise rejection in HF radar using a linear prediction technique[C]. The International Conference on Radar (IEEE Cat. No.03EX695), Adelaide, Australia, 2003: 358–362. doi: 10.1109/RADAR.2003.1278767.
    [44] LU Lian, REN Weixin, and WANG Shidong. Fractional Fourier transform: Time-frequency representation and structural instantaneous frequency identification[J]. Mechanical Systems and Signal Processing, 2022, 178: 109305. doi: 10.1016/j.ymssp.2022.109305.
    [45] LI Tingpeng, WANG Zelong, and LIU Jiying. Evaluating effect of blanket jamming on radar via robust time-frequency analysis and peak to average power ratio[J]. IEEE Access, 2020, 8: 214504–214519. doi: 10.1109/access.2020.3040514.
    [46] SUN Kewen, JIN Tian, and YANG Dongkai. An improved time-frequency analysis method in interference detection for GNSS receivers[J]. Sensors, 2015, 15(4): 9404–9426. doi: 10.3390/s150409404.
    [47] LAO Guochao, YIN Canbin, YE Wei, et al. A frequency domain extraction based adaptive joint time frequency decomposition method of the maneuvering target radar echo[J]. Remote Sensing, 2018, 10(2): 266. doi: 10.3390/rs10020266.
    [48] LIU Meiru, XIA Hong, SUN Lin, et al. Vibration signal analysis of main coolant pump flywheel based on Hilbert-Huang transform[J]. Nuclear Engineering and Technology, 2015, 47(2): 219–225. doi: 10.1016/j.net.2014.12.010.
    [49] 朱少民, 夏虹, 尹文哲, 等. 基于变分模态分解和希尔伯特变换的转子非平稳信号故障特征识别[J]. 哈尔滨工程大学学报, 2024, 45(5): 825–832. doi: 10.11990/jheu.202205050.

    ZHU Shaomin, XIA Hong, YIN Wenzhe, et al. Fault feature identification for rotor non-stationary signals based on VMD-HT[J]. Journal of Harbin Engineering University, 2024, 45(5): 825–832. doi: 10.11990/jheu.202205050.
    [50] TOMA R N, KIM C H, and KIM J M. Bearing fault classification using ensemble empirical mode decomposition and convolutional neural network[J]. Electronics, 2021, 10(11): 1248. doi: 10.3390/electronics10111248.
    [51] CHENG Yao, WANG Zhiwei, CHEN Bingyan, et al. An improved complementary ensemble empirical mode decomposition with adaptive noise and its application to rolling element bearing fault diagnosis[J]. ISA Transactions, 2019, 91: 218–234. doi: 10.1016/j.isatra.2019.01.038.
    [52] PENG Kecheng, CAO Xiaoqun, LIU Bainian, et al. Ensemble empirical mode decomposition with adaptive noise with convolution based gated recurrent neural network: A new deep learning model for South Asian high intensity forecasting[J]. Symmetry, 2021, 13(6): 931. doi: 10.3390/sym13060931.
    [53] CHUI K T, GUPTA B B, LIU R W, et al. Handling data heterogeneity in electricity load disaggregation via optimized complete ensemble empirical mode decomposition and wavelet packet transform[J]. Sensors, 2021, 21(9): 3133. doi: 10.3390/s21093133.
    [54] WU Shiyou, TAN Kai, XIA Zhenghuan, et al. Improved human respiration detection method via ultra-wideband radar in through-wall or other similar conditions[J]. IET Radar, Sonar & Navigation, 2016, 10(3): 468–476. doi: 10.1049/iet-rsn.2015.0159.
    [55] LIANG Xiaolin, ZHANG Hao, YE Shengbo, et al. Improved denoising method for through-wall vital sign detection using UWB impulse radar[J]. Digital Signal Processing, 2018, 74: 72–93. doi: 10.1016/j.dsp.2017.12.004.
    [56] 高磊. 非接触人体体征信号提取及分离方法研究[D]. [硕士论文], 南京理工大学, 2017.

    GAO Lei. Research on non-contact human body signal extraction and separation methods[D]. [Master dissertation], Nanjing University of science and Technology, 2017.
    [57] SUN Li, HUANG Shuaiming, LI Yusheng, et al. Remote measurement of human vital signs based on joint-range adaptive EEMD[J]. IEEE Access, 2020, 8: 68514–68524. doi: 10.1109/access.2020.2985286.
    [58] 弭晴, 马永涛, 黄祉同. 基于多序列WOA-VMD算法的超宽带雷达心率检测[J]. 传感技术学报, 2024, 37(7): 1144–1153. doi: 10.3969/j.issn.1004-1699.2024.07.006.

    MI Qing, MA Yongtao, and HUANG Zhitong. Heart rate detection based on multi-sequence WOA-VMD algorithm using UWB radar[J]. Chinese Journal of Sensors and Actuators, 2024, 37(7): 1144–1153. doi: 10.3969/j.issn.1004-1699.2024.07.006.
    [59] NAISHADHAM K, PIOU J E, REN Lingyun, et al. Estimation of cardiopulmonary parameters from ultra wideband radar measurements using the state space method[J]. IEEE Transactions on Biomedical Circuits and Systems, 2016, 10(6): 1037–1046. doi: 10.1109/tbcas.2015.2510652.
    [60] REN Lingyun, WANG Haofei, NAISHADHAM K, et al. Phase-based methods for heart rate detection using UWB impulse Doppler radar[J]. IEEE Transactions on Microwave Theory and Techniques, 2016, 64(10): 3319–3331. doi: 10.1109/tmtt.2016.2597824.
    [61] LI Meiyu and LIN J. Wavelet-transform-based data-length-variation technique for fast heart rate detection using 5.8-GHz CW Doppler radar[J]. IEEE Transactions on Microwave Theory and Techniques, 2018, 66(1): 568–576. doi: 10.1109/tmtt.2017.2730182.
    [62] YANG Guocheng and YU Huimin. Vital signs detection based on UWB radar using trajectory capture and peak capture[C]. 2020 3rd International Conference on Electron Device and Mechanical Engineering (ICEDME), Suzhou, China, 2020: 657–661. doi: 10.1109/ICEDME50972.2020.00155.
    [63] WANG Yong, WANG Wen, ZHOU Mu, et al. Remote monitoring of human vital signs based on 77-GHz mm-wave FMCW radar[J]. Sensors, 2020, 20(10): 2999. doi: 10.3390/s20102999.
    [64] QIAO Lihong, LI Xin, XIAO Bin, et al. Learning-refined integral null space pursuit algorithm for noncontact multisubjects vital signs measurements using SFCW-UWB and IR-UWB radar[J]. IEEE Transactions on Instrumentation and Measurement, 2022, 71: 8506013. doi: 10.1109/tim.2022.3218031.
    [65] 何密, 平钦文, 戴然. 深度学习融合超宽带雷达图谱的跌倒检测研究[J]. 雷达学报, 2023, 12(2): 343–355. doi: 10.12000/JR22169.

    HE Mi, PING Qinwen, and DAI Ran. Fall detection based on deep learning fusing ultrawideband radar spectrograms[J]. Journal of Radars, 2023, 12(2): 343–355. doi: 10.12000/JR22169.
    [66] MALEŠEVIĆ N, PETROVIĆ V, BELIĆ M, et al. Contactless real-time heartbeat detection via 24 GHz continuous-wave Doppler radar using artificial neural networks[J]. Sensors, 2020, 20(8): 2351. doi: 10.3390/s20082351.
    [67] 周金海, 吴耿俊, 雷雯, 等. 基于呼吸样本空间的超宽带雷达身份识别[J]. 电子测量与仪器学报, 2022, 36(1): 118–125. doi: 10.13382/j.jemi.B2104217.

    ZHOU Jinhai, WU Gengjun, LEI Wen, et al. UWB radar identification based on breathing sample space[J]. Journal of Electronic Measurement and Instrumentation, 2022, 36(1): 118–125. doi: 10.13382/j.jemi.B2104217.
    [68] HE Mi, NIAN Yongjian, XU Luping, et al. Adaptive separation of respiratory and heartbeat signals among multiple people based on empirical wavelet transform using UWB radar[J]. Sensors, 2020, 20(17): 4913. doi: 10.3390/s20174913.
    [69] ZHAO Heng, HONG Hong, MIAO Dongyu, et al. A noncontact breathing disorder recognition system using 2.4-GHz digital-IF Doppler radar[J]. IEEE Journal of Biomedical and Health Informatics, 2019, 23(1): 208–217. doi: 10.1109/jbhi.2018.2817258.
    [70] 侯敏. 基于深度学习的人体微动特性分析与步态识别[D]. [硕士论文], 西安电子科技大学, 2021. doi: 10.27389/d.cnki.gxadu.2021.001623.

    HOU Min. Analysis of human micro-motion characteristics and gait recognition based on deep learning[D]. [Master dissertation], Xidian University, 2021. doi: 10.27389/d.cnki.gxadu.2021.001623.
    [71] 郑学召, 孙梓峪, 郭军, 等. 矿山钻孔救援多源信息探测技术研究与应用[J]. 煤田地质与勘探, 2022, 50(11): 94–102. doi: 10.12363/issn.1001-1986.22.05.0421.

    ZHENG Xuezhao, SUN Zhiyu, GUO Jun, et al. Research and application of multi-source information detection technology for drilling rescue of mine[J]. Coal Geology & Exploration, 2022, 50(11): 94–102. doi: 10.12363/issn.1001-1986.22.05.0421.
    [72] 王保生. 超宽带信号穿透塌方体衰减特性及生命特征检测方法研究[D]. [硕士论文], 黑龙江科技大学, 2017.

    WANG Baosheng. Study on attenuation characteristics and life characteristics detection method of ultra wide band signal through landslide[D]. [Master dissertation], Heilongjiang University of Science and Technology, 2017.
    [73] 李欣欣. 遮蔽环境下基于超宽带雷达的生命探测技术研究[D]. [硕士论文], 兰州理工大学, 2023. doi: 10.27206/d.cnki.ggsgu.2023.000714.

    LI Xinxin. Research on life detection technology based on Ultra-Wide-Band radar in sheltered environment[D]. [Master dissertation], Lanzhou University of Technology, 2023. doi: 10.27206/d.cnki.ggsgu.2023.000714.
    [74] 潘俊, 叶盛波, 史城, 等. 基于先验信噪比估计的超宽带穿墙雷达呼吸信号检测算法研究[J]. 电子与信息学报, 2022, 44(4): 1241–1248. doi: 10.11999/JEIT211042.

    PAN Jun, YE Shengbo, SHI Cheng, et al. Study on respiration signal detection algorithm of Ultra-WideBand through-wall radar based on a priori signal-to-noise ratio estimation[J]. Journal of Electronics & Information Technology, 2022, 44(4): 1241–1248. doi: 10.11999/JEIT211042.
    [75] LI Jing, LIU Lanbo, ZENG Zhaofa, et al. Advanced signal processing for vital sign extraction with applications in UWB radar detection of trapped victims in complex environments[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2014, 7(3): 783–791. doi: 10.1109/jstars.2013.2259801.
    [76] MAO Kai, ZHU Qiuming, YE Xijuan, et al. UWB channel modeling and simulation with continuous frequency response[J]. China Communications, 2022, 19(11): 88–98. doi: 10.23919/jcc.2022.11.007.
    [77] CAI Jiajia, ZHOU Hao, HUANG Weimin, et al. Ship detection and direction finding based on time-frequency analysis for compact HF radar[J]. IEEE Geoscience and Remote Sensing Letters, 2021, 18(1): 72–76. doi: 10.1109/lgrs.2020.2967387.
    [78] 瑞泽, 熊明耀, 梁步阁. 穿墙雷达呼吸信号提取算法研究[J]. 电子技术, 2021, 50(7): 106–108.

    RUI Ze, XIONG Mingyao, and LIANG Buge. Study on algorithm of breathing signal extraction for through wall radar[J]. Electronic Technology, 2021, 50(7): 106–108.
    [79] WANG Kun, ZENG Zhaofa, and SUN Jiguang. Through-wall detection of the moving paths and vital signs of human beings[J]. IEEE Geoscience and Remote Sensing Letters, 2019, 16(5): 717–721. doi: 10.1109/lgrs.2018.2881311.
    [80] NEZIROVIC A, YAROVOY A G, and LIGTHART L P. Signal processing for improved detection of trapped victims using UWB radar[J]. IEEE Transactions on Geoscience and Remote Sensing, 2010, 48(4): 2005–2014. doi: 10.1109/tgrs.2009.2036840.
    [81] ALAM M J, O’SHAUGHNESSY D D, and SELOUANI S A. Speech enhancement based on novel two-step a priori SNR estimators[C]. 9th Annual Conference of the International Speech Communication Association, Brisbane, Australia, 2008: 565–568.
    [82] ZHANG Jingwen, QI Qingjie, CHENG Huifeng, et al. A multi-target localization and vital sign detection method using ultra-wide band radar[J]. Sensors, 2023, 23(13): 5779. doi: 10.3390/s23135779.
    [83] 樊哲宁, 朱嘉健, 王立新, 等. 基于超宽带雷达及支持向量机的灾后人体呼吸信号识别方法与试验研究[J]. 震灾防御技术, 2021, 16(3): 597–604. doi: 10.11899/zzfy20210320.

    FAN Zhening, ZHU Jiajian, WANG Lixin, et al. An approach and experiments for human respiratory signal recognition based on UWB radar and support vector machine[J]. Technology for Earthquake Disaster Prevention, 2021, 16(3): 597–604. doi: 10.11899/zzfy20210320.
    [84] PAN Jun, YE Shengbo, NI Zhikang, et al. Enhancement of vital signals based on low-rank, sparse representation for UWB through-wall radar[J]. Remote Sensing Letters, 2022, 13(1): 98–106. doi: 10.1080/2150704x.2021.1995069.
    [85] LIANG Xiao, PAN Jun, ZHENG Zhijie, et al. Enhancement of vital signals for UWB through-wall radar using nonconvex regularization[J]. Remote Sensing Letters, 2023, 14(4): 392–401. doi: 10.1080/2150704x.2023.2204197.
    [86] LIANG Xiao, YE Shengbo, SONG Chenyang, et al. Enhancement of vital signals for UWB through-wall radar using low-rank and block-sparse matrix decomposition[J]. Remote Sensing, 2024, 16(4): 620. doi: 10.3390/rs16040620.
    [87] ISLAM S M M, BORIĆ-LUBECKE O, and LUBECKE V M. Identity authentication in two-subject environments using microwave Doppler radar and machine learning classifiers[J]. IEEE Transactions on Microwave Theory and Techniques, 2022, 70(11): 5063–5076. doi: 10.1109/tmtt.2022.3197413.
    [88] PURNOMO A T, LIN Dingbing, ADIPRABOWO T, et al. Non-contact monitoring and classification of breathing pattern for the supervision of people infected by COVID-19[J]. Sensors, 2021, 21(9): 3172. doi: 10.3390/s21093172.
    [89] 胡锡坤, 金添. 基于自适应小波尺度选择的生物雷达呼吸与心跳分离方法[J]. 雷达学报, 2016, 5(5): 462–469. doi: 10.12000/JR16103.

    HU Xikun and JIN Tian. Adaptive wavelet scale selection-based method for separating respiration and heartbeat in bio-radars[J]. Journal of Radars, 2016, 5(5): 462–469. doi: 10.12000/JR16103.
    [90] YE Chen, GUI Guan, and OHTSUKI T. Deep clustering with LSTM for vital signs separation in contact-free heart rate estimation[C]. ICC 2020–2020 IEEE International Conference on Communications (ICC), Dublin, Ireland, 2020: 1–6. doi: 10.1109/ICC40277.2020.9149328.
    [91] QIAO Lihong, WANG Zehua, XIAO Bin, et al. Spectral unmixing successive variational mode decomposition for robust vital signs detection using UWB radar[J]. IEEE Transactions on Instrumentation and Measurement, 2023, 72: 8502813. doi: 10.1109/tim.2023.3274171.
    [92] KANG Sun, KIM D K, LEE Y, et al. Non-contact diagnosis of obstructive sleep apnea using impulse-radio ultra-wideband radar[J]. Scientific Reports, 2020, 10(1): 5261. doi: 10.1038/s41598-020-62061-4.
    [93] ZHENG Tianyue, CHEN Zhe, ZHANG Shujie, et al. MoRe-Fi: Motion-robust and fine-grained respiration monitoring via deep-learning UWB radar[C]. The 19th ACM Conference on Embedded Networked Sensor Systems, Coimbra, Portugal, 2021: 111–124. doi: 10.1145/3485730.3485932.
    [94] 徐向阳. 基于UWB生物雷达的心跳呼吸提取技术实现[D]. [硕士论文], 西安电子科技大学, 2018.

    XU Xiangyang. Realization on extracting technology of heartbeat and respiration based on UWB bioradar[D]. [Master dissertation], Xidian University, 2018.
    [95] 陶启明. 基于超宽带雷达的生命特征信息提取技术研究[D]. [硕士论文], 西安电子科技大学, 2022. doi: 10.27389/d.cnki.gxadu.2022.003124.

    TAO Qiming. Vital sign monitoring using ultra wide band radar[D]. [Master dissertation], Xidian University, 2022. doi: 10.27389/d.cnki.gxadu.2022.003124.
    [96] YUAN Zhonghang, LU Shuaibing, HE Yi, et al. Nmr-VSM: Non-touch motion-robust vital sign monitoring via UWB radar based on deep learning[J]. Micromachines, 2023, 14(7): 1479. doi: 10.3390/mi14071479.
    [97] AHMED S, LEE Y, LIM Y H, et al. Noncontact assessment for fatigue based on heart rate variability using IR-UWB radar[J]. Scientific Reports, 2022, 12(1): 14211. doi: 10.1038/s41598-022-18498-w.
    [98] 乔嘉豪. 基于生物雷达的心跳分离与特征提取方法研究[D]. [硕士论文], 西安工业大学, 2023. doi: 10.27391/d.cnki.gxagu.2023.000594.

    QIAO Jiahao. Research on the method of heartbeat separation and feature extraction based on bio-radar[D]. [Master dissertation], Xi’an Technological University, 2023. doi: 10.27391/d.cnki.gxagu.2023.000594.
    [99] LIANG Xiaolin and JIANG Yongling. Detection of breathing rates in through-wall UWB radar utilizing JTFA[J]. KSII Transactions on Internet and Information Systems (TIIS), 2019, 13(11): 5527–5545. doi: 10.3837/tiis.2019.11.014.
    [100] JIN Yanghao, CHEN Jianlai, LIANG Buge, et al. First demonstration of using signal processing approach to suppress signal ringing in impulse UWB through-wall radar[J]. IEEE Geoscience and Remote Sensing Letters, 2022, 19: 3505505. doi: 10.1109/lgrs.2021.3070407.
    [101] ZHENG Tianyue, CHEN Zhe, CAI Chao, et al. V2iFi: In-vehicle vital sign monitoring via compact RF sensing[J]. Proceedings of the ACM on Interactive, Mobile, Wearable and Ubiquitous Technologies, 2020, 4(2): 70. doi: 10.1145/3397321.
    [102] SCHIRES E, GEORGIOU P, and LANDE T S. Vital sign monitoring through the back using an UWB impulse radar with body coupled antennas[J]. IEEE Transactions on Biomedical Circuits and Systems, 2018, 12(2): 292–302. doi: 10.1109/TBCAS.2018.2799322.
  • 期刊类型引用(5)

    1. 汪思源,曲毅,陈怡君. 基于U-Net的涡旋电磁波雷达成像方法. 空军工程大学学报. 2024(03): 77-85 . 百度学术
    2. 潘浩然,马晖,胡敦法,刘宏伟. 基于涡旋电磁波新体制的雷达前视三维成像. 雷达学报. 2024(05): 1109-1122 . 本站查看
    3. 毛德庆,杨建宇,杨明杰,张永超,张寅,黄钰林. IAA-Net:一种实孔径扫描雷达迭代自适应角超分辨成像方法. 雷达学报. 2024(05): 1073-1091 . 本站查看
    4. 马晖,胡敦法,师竹雨,刘宏伟. 基于涡旋电磁波的雷达应用研究进展. 现代雷达. 2023(05): 27-41 . 百度学术
    5. 袁航,罗迎,陈怡君,苏令华. 基于反正弦圆环天线阵列的二维成像. 北京航空航天大学学报. 2023(06): 1487-1494 . 百度学术

    其他类型引用(10)

  • 加载中
图(22) / 表(8)
计量
  • 文章访问数: 693
  • HTML全文浏览量: 182
  • PDF下载量: 268
  • 被引次数: 15
出版历程
  • 收稿日期:  2024-08-07
  • 修回日期:  2024-09-17
  • 网络出版日期:  2024-10-12
  • 刊出日期:  2025-02-28

目录

/

返回文章
返回