基于毫米波雷达的生命体征用户认证系统（ViSUAR）原理与实现

创作时间:

作者:

@小白创作中心

基于毫米波雷达的生命体征用户认证系统（ViSUAR）原理与实现

引用

CSDN

https://m.blog.csdn.net/m0_60703264/article/details/144974399

本文将对基于毫米波雷达的生命体征用户认证系统（ViSUAR）进行深入探讨，该系统利用用户的心跳数据进行身份验证。运行user_check.m脚本后，系统将提示用户输入案例编号，数据库中已预先存储了三个案例，分别对应一位女性和两位男性参与者的未经处理的心跳数据，这些数据由调频连续波（FMCW）雷达采集。以下将详细阐述ViSUAR系统的工作流程，并分析其各个组成部分。

数据采集与预处理

系统首先通过FMCW雷达采集用户的胸部运动数据。雷达发射的毫米波信号在遇到目标（即用户的胸部）后发生反射，接收到的信号包含了用户心跳和呼吸等生命体征信息。user_check.m脚本允许用户选择一个预先录入的案例，该案例中已经包含了预处理后的用户数据，方便演示系统的后续步骤。实际应用中，雷达采集到的原始信号通常包含大量的噪声和干扰，需要进行预处理以提高后续算法的准确性。

生命体征信号提取

ViSUAR系统采用了多步骤的信号处理流程来提取用户的心跳信号：

胸部运动检测（距离双选择）：第一步是检测用户的胸部运动，这通常通过分析雷达接收信号的距离信息实现。距离双选择技术可能被用于识别与胸部运动相关的信号，滤除其他无关的信号。
相位估计：通过对接收信号进行相位估计，可以得到包含心跳和呼吸相关信息的信号。相位信息的提取依赖于对FMCW雷达信号的精细处理，需要考虑多径效应和噪声的影响。
经验模态分解（EMD）滤波：EMD是一种自适应的信号分解方法，可以将复杂信号分解成一系列具有不同时间尺度的本征模态函数（IMF）。在ViSUAR系统中，EMD用于对信号进行初步滤波，去除一部分噪声和与心跳无关的成分。EMD的参数选择对于滤波效果至关重要，需要根据具体情况进行调整。
IIR滤波：在EMD滤波之后，系统采用无限脉冲响应（IIR）滤波器进行二次滤波，进一步去除噪声，并提取与心跳相关的信号。IIR滤波器的设计需要仔细考虑滤波器的阶数、截止频率等参数，以确保在去除噪声的同时尽可能保留心跳信号的细节信息。这个步骤的关键在于精确地滤除呼吸等干扰信号，只保留心跳频率范围内的信号。

心脏周期识别与特征提取

经过滤波处理后，系统开始识别和提取心脏周期。这包括对心跳信号进行波峰检测，确定每个心跳周期的起始和结束时间。基于确定的心脏周期，系统会提取一系列特征，这些特征能够有效地表征用户独特的心跳模式。这些特征可能包括心跳间隔（RR间隔）、心跳波形的形态特征（例如，波峰和波谷的幅度、斜率等），以及基于小波变换或傅里叶变换提取的频域特征。

主成分分析（PCA）和用户身份认证

提取的多个心跳特征构成一个高维特征向量。为了降低特征维数并去除冗余信息，ViSUAR系统采用主成分分析（PCA）技术。PCA将高维特征向量变换到一个低维空间，并保留主要的特征信息。变换后的特征向量代表了用户的独特心跳模式，即用户的“心脏特征谱”。

最后，系统利用支持向量机（SVM）算法进行用户身份认证。SVM是一种有效的分类算法，能够根据用户的心脏特征谱对其进行身份验证。系统在训练阶段使用所有用户的“心脏特征谱”来训练SVM分类器。在验证阶段，系统将待验证用户的“心脏特征谱”输入到训练好的SVM分类器中，进行身份验证。

系统性能与局限性

ViSUAR系统的性能受到多种因素的影响，包括雷达的性能、信号处理算法的精度、以及用户的生理状态等。例如，运动、呼吸变化和身体姿态的变化都可能影响心跳信号的质量，从而降低系统的认证精度。此外，系统需要大量的训练数据来保证SVM分类器的泛化能力。该系统也可能受到其他环境因素的干扰，例如多用户环境下的信号混叠问题。

结论

ViSUAR系统提出了一种基于毫米波雷达的生命体征用户认证方法。通过多步骤的信号处理流程，系统能够有效地提取用户独特的心跳模式，并利用SVM算法实现用户身份验证。虽然该系统在演示中展现了一定的可行性，但其实际应用仍需进一步研究和改进，以提高其鲁棒性和可靠性，并解决潜在的隐私问题和安全隐患。未来的研究方向可以集中在提高信号处理算法的精度，开发更鲁棒的特征提取方法，以及研究更有效的身份验证算法等方面。此外，对不同人群（例如，年龄、性别、健康状况）的心跳数据进行更广泛的研究，将有助于提高系统的泛化能力。

部分代码

0;
for dd = 2:length(filter_HeartOut)-1
    if (filter_HeartOut(dd) > filter_HeartOut(dd-1)) && (filter_HeartOut(dd) > filter_HeartOut(dd+1))
        numPeaks = numPeaks +1 ;
        pPeakLocs(numPeaks) = dd;
        pPeakVals(numPeaks) = filter_HeartOut(dd);
    end
end
num_peaks = numPeaks;
pPeakLocs = pPeakLocs;
pPeakVals = pPeakVals;