廖涛 万相奎 贡文新 武明虎 王滨辉

文章编号：2096-398X2024）03-0188-09

（湖北工业大学 湖北省电网智能控制与装备工程技术研究中心， 湖北 武汉 430068）

摘 要：在毫米波雷达检测人体呼吸率和心率过程中，周围环境存在的静态杂波使得雷达极难分辨人体胸腔运动信息，从而影响了呼吸信号和心跳信号的分离.同时，由于呼吸信号在高频带的谐波分量与心跳信号所处低频带部分的频率相近，很难分离.为解决上述问题，提出了一种模态联合空域估计的检测方法，主要采用单轮集成经验模态分解SEEMD）算法将胸腔相位信号分解为各模态分量，以消除静态杂波对呼吸心跳信号的影响，再采用多重信号分类MUSIC）算法将心跳模态分量信号由时域转换到空域中估计其频率，以消除呼吸谐波的影响.实验结果表明，本方法检测下的呼吸率准确率为95.76%，心率准确率为98.76%.与传统算法相比，本文所提方法下的呼吸率和心率估计更为准确.

关键词：毫米波雷达； 单轮集成经验模态分解； 多重信号分类

中图分类号：TN953+.2    文献标志码： A

Modal joint airspace estimation for respiration and heart rate detection by millimeter wave radar

LIAO Tao， WAN Xiang-kui*， GONG Wen-xin， WU Ming-hu， WANG Bin-hui

Hubei Power Grid Intelligent Control and Equipment Engineering Technology Research Center， Hubei University of Technology， Wuhan 430068， China）

Abstract：In the process of detecting human respiration and heart rate using millimeter wave radar，the static clutter in the environment makes it extremely difficult for the radar to discriminate the information about the movement of the human chest cavity，which affects the separation of respiration and heart rate signals.At the same time，it is difficult to separate the harmonic components of the respiration signal in the high-frequency band and the heartbeat signal in the low-frequency band because the frequencies of the harmonic components in the high-frequency band are similar.To solve the above problems，this paper proposes a joint modal spatial domain estimation detection method，which mainly adopts an single ensemble empirical modal decomposition SEEMD） algorithm to decompose the thoracic phase signal into each modal component to eliminate the influence of static noise on the respiratory heartbeat signal，and then uses a multiple signal classification MUSIC） algorithm to convert the heartbeat modal component signals from the time domain to the spatial domain to estimate their frequencies to eliminate the influence of respiratory harmonics.The experimental results show that the accuracy of respiratory rate under the detection of this paper's method is 95.76%，and the accuracy of heart rate is 98.76%.Compared with the traditional algorithms，the proposed method is more accurate in estimating respiratory rate and heart rate.

Key words：millimeter wave radar; single ensemble empirical mode decomposition; multiple signal classification

0 引言

目前，檢测生命体征信号的设备主要为接触式和非接触式两类［1］.由于接触式设备需要使用者佩戴电极片等，逐渐被非接触式设备所取代.非接触式检测生命体征信号主要有红外检测、雷达回波检测、光学检测三类方式［2］.其中，因毫米波雷达回波具有强抗干扰性和穿透性［3］，逐渐成为非接触式检测生命体征信号的主流方式.

在采用毫米波雷达检测生命体征的研究中，Alizadeh等［4］使用77 GHz的毫米波雷达提取中频信号的相位来检测重要信号的分量.在该研究中，由参考传感器和雷达估计的呼吸率和心率之间的相关性分别为94%和80%.而所提出的运动目标指示集成经验模态分解Moving Target Indication-Ensemble Empirical Mode Decomposition，MTI-EEMD）方式可以很好的重建呼吸和心跳信号，但在实验中应用的检测范围较短.Xu 等［5］研究了基于220GHz的太赫兹生物雷达系统，采用经验模态分解Empirical Mode Decomposition，EMD）来分离生命体征信号.但是，采用EMD的方式分离信号会存在模态混叠和终点效应的问题，不能很好的分离出呼吸和心跳信号.Changjiang Deng等［6］尝试采用扩展微分、交叉乘Differential and Cross Multiplication ，DACM）算法和改进集成经验模态分解Ensemble Empirical Mode Decomposition ，EEMD）算法结合的方式来改善胸腔相位信号的模糊和呼吸心跳信号分离后波形不佳的问题，但其检测精确度还有待进一步提高.hang Xin等［7］采用改进的形态成分分析Improved Morphological Component Analysis，IMCA）算法抑制不同组件间的相互干扰，之后使用自适应参数优化变分模态分解Adaptive Variational Mode Decomposition，APVMD）算法分离呼吸和心跳信号，虽有着良好的干扰抑制效果，但依旧存在终点效应的问题.Wang Haili等［8］则使用深度学习算法重建心跳信号，使心率检测有着较高准确率，但却忽略了呼吸率检测的准确率.Liu Luyao等［9］采用小波包分解Wave Let Packet Decomposition，WPD）算法分离呼吸心跳信号，再使用零吸引符号指数遗忘最小二乘法估计心率和呼吸率，对于噪声有着良好的抑制效果，但无法处理呼吸谐波对于心率估计的影响.所以，需要一种既能有效抑制噪声对目标信号的干扰，又能克服呼吸谐波对心率估计影响的检测方法.

针对上述问题，本文首次提出了一种基于毫米波雷达的模态联合空域估计呼吸率和心率的检测方法.此方法的优点在于：通过单轮集成经验模态分解Single Ensemble Empirical Modal Decomposition，SEEMD）算法将毫米波雷达获取到的中频相位信号分解为多个模态分量，通过模态选择呼吸信号和心跳信号，有效的避免了噪声信号的干扰；然后，采用多重信号分类Multiple Signal Classification，MUSIC）算法将心跳时域信号转换到空域中实现对心率的估计，消除了呼吸谐波对心率估计造成的影响.

1 毫米波雷达呼吸心率检测原理

[JP3]毫米波雷达检测人体胸腔位移情况，并从胸腔位移信息中分离出呼吸信号和心跳信号［10，11］，从而估算出被测人员的呼吸率和心率.毫米波雷达通过发射TX）天线发射线性调频连续波FMCW）信号STt）：

STt）=ATcos2πfct+πkt2+φt））（1）

式（1）中：AT为发射功率；φt）为相位噪声；fc为线性调频起始频率；k为线性调频斜率.线性调频连续波波形如图1a）、b）所示.在图1b）中，B为发射信号带宽；T为发射信号周期.

雷达接收到的信号SRt）为：

SRt）=αATcos2πfct－td）+πkt－td）2+φt－td））（2）

td=2Rt）/c（3）

式2）、3）中：α为常系数，td为发射信号与接收信号的时间延迟，Rt）为雷达与人体的径向距离，c为光速.

发射信号与接收信号混频［12］之后的中频信号Yt）为：

Yt）=ARexpj2πfbt+φbt）+Δφt）））（4）

φbt）=2πfctd+πkt2d（5）

式4）、5）中：，AR为接收信号功率，fb为拍频，φbt）为中频信号相位，Δφt）为残余相位噪声.

由于残余信号噪声在距离较短时可以忽略不计.此外，在实际应用中πkt2d很小，在拍频信号的相位表达式中也可以忽略［13］.因此，可得到被测者微小距离变化ΔR与拍频相位变化Δφb的关系表达式为：

Δφb=4πλΔR（6）

式6）中：λ为波长.

在获取到中频信号之后，进行一维快速傅里叶变换Fast Fourier Transformation，FFT）得到被測者距离维度的信息，由此确定检测目标.其中，每个变换之后的线性调频信号表示不同时间下的特定距离［14］.为了测量生命信号随时间的变化，需在检测时间内发射多个chirp.因此，通过对连续时间下的距离维FFT的相位提取，可以获得生命体征信号的相位信息，即呼吸信号和心跳信号.其检测流程如图2所示.

2 呼吸心跳信号处理

2.1 算法整体结构

图3为人体生命体征信号中呼吸、心跳频率检测的整体算法流程.主要包括呼吸心跳信号预处理、信号分离、呼吸心跳信号检测3个步骤.经ADC采样获取到中频信号，之后去除直流分量，进行距离维FFT变换，通过反正切方式求解相位，之后再进行相干积累加强信号.由于求解的相位存在相位缠绕的问题，在相位提取中需要进行相位解缠绕和相位差分步骤.在得到准确的相位变化信息后，通过SEEMD算法进行呼吸、心跳信号的分离.由于心跳信号的信噪比较小，且在心率估计中需要精确度较高的估计方法，采用MUSIC算法估计心跳频率能够满足需求.最后采用FFT谱估计方法估计呼吸率.

2.2 呼吸心跳信号预处理

在获取到中频信号后，首先需要消除由于硬件发热等原因造成的直流偏移现象对信号的干扰，此步骤为去除直流［15］，其具体方法为：

g′t）=gt）－gt）（7）

式7）中：gt）为原始中频信号，gt）[TX-]为中频信号的均值，g′t）为去除直流分量后的中频信号，也为拍频信号.

然后进行距离维FFT操作，并求解相位，具体的相位求解方法通过反正切函数法求得，如下式8）所示：

φbt）=arctanQt）/It））（8）

式8）中：It）为I通道内的数据，即实部数据；Qt）为Q通道内的数据，即虚部数据.

在得到拍频相位信号φbt）之后，进行相位积累以增强目标信号的信噪比.然后，通过相位展开和相位差分步骤得到预处理之后的信号.首先进行相位解缠绕，如式9）所示：

φt）=φbt）－2π，φbt）>π

φbt），其他

φbt）+2π，φbt）<π（9）

式9）中：φt）为解缠绕之后的相位信号.

解缠绕之后需对新的信号做差分运算，如式10）所示：

φ′t）=φt）－φt－1）（10）

得到的相位差信号φ′t）将作为提取到的相位信号参与到后续呼吸心跳信号的分离步骤中.

2.3 呼吸心跳信号分离

在提取到相位信号后，需要从中分离出呼吸心跳信号以方便后续呼吸心率的估算.选用SEEMD算法从相位信号中分离出所需的呼吸和心跳信号.SEEMD在以集成经验模态分解Ensemble Empirical Mode Decomposition，EEMD）算法基础上，减少[JP3]了白噪声添加次数，以此在相位信号分解过程中减少人为噪声干扰对目标信号分离的影响.采用SEEMD算法分离出呼吸心跳信号的流程图如图4所示.

SEEMD仅在首轮相位信号分解时加入白噪声辅助，分解效果与分解次数成正比.分解的模态信号分量称为IMF分量，例如第一次分解出来的信号称为IMF1分量，后续依次类推.SEEMD方法的具体过程如下方式实现.

首先向提取的相位信号xt）中加入一次白噪声wt），得到新的信号yt）为：

yt）=xt）+wt）（11）

对信号yt）多次分解得到各个模态分量，IMF分量表达式为：

yt）=∑Ni=1imfjt）+rNt）（12）

式12）中：N为分解次数，j为IMF分量下标索引，rNt）为噪声分量.

由于传统的EEMD算法会在重复上述步骤中不断引入新的白噪声，直到相位信号中的所有信息全部分解.每一次引入白噪声均会使得目标信号被掩盖，而不引入白噪声则会使得目标信号分离过程中会出现模态混叠现象.而SEEMD仅在首轮相位信号分解时引入白噪声，次轮及后续分解则不引入白噪声.次轮及后续分量表达式为：

yit）=∑[DD]Ni=1[DD）]imfijt）（13）

将分解得到的所有分量替换为平均分量，得到最终的IMF分量表达式为：

imfjt）=1n∑[DD]ni=1[DD）]imfijt）（14）

获取到最终的IMF分量后，根据经验选取较好的信号段作为信号分量，舍弃含有噪声的IMF分量.具体的经验选取依据医生普遍认同的成年人的生命体征参数，即成年人呼吸频率的正常值为每分钟12～20次、成年人心率的正常值为每分钟60～100次［16］.该依据适用于时域信号的经验选择，若为频域信号，考虑到谐波的影响需适当扩大信号的频率段选取范围，即成年人的呼吸和心跳频率分别为0.1～0.5 Hz、0.8～2 Hz［17，18］.最后根据呼吸心跳信号频率从信号分量中选取对应的呼吸信号和心跳信号.

2.4 呼吸心跳信号检测

在分离得到呼吸信号和心跳信号后，需要分别估计对应的呼吸率和心率.在呼吸率的估计中，由于人体因呼吸而引起的胸腔起伏强度高于心跳影响的起伏，所以选择FFT谱估计的方法.而在心率估计中，由于心跳信号微弱，容易淹没在呼吸谐波之中，需要高精度估计算法准确的估计出心率，所以选择MUSIC算法估计心率.MUSIC算法与传统的信号处理方法如：FFT谱估计等）相比具有更高的准确率，采用MUSIC算法估计心率的流程图如图5所示.

图5 MUSIC算法估计心率流程图

MUSIC算法通过自相关将输入的时域信号分解为大特征信号和小特征信号两类，强自相关性信号为大特征信号，弱自相关性信号为小特征信号.实际上，大特征信号为MUSIC算法确定的目标信号，小特征信号为噪声信号.根据两个特征信号子空间的正交性确定角度，得到检测信号的空间信息，并构建角度—频率域，即为空域.在空域中找到峰值角度，将峰值角度对应的频率作为目标信号的频率，從而实现了空域下的频率估计.将前面处理得到心跳信号作为该算法的输入信号st），则具体实现过程按以下方式实现.

首先，对输入信号st）截取成长度为N*M的信号mt），即为构建成N*M的数据矩阵.此时，信号mt）可表示为：

mt）=∑[DD]Mi=1[DD）]sit）aωi）+vt）=Ast）+nt）（15）

式15）中：aωi）为方向向量，vt）为噪声向量，A为角度向量，nt）为总的噪声向量.方向向量aωi）可表示为：

aωi）=［1，e－j2πωi，…，e－j2πN－1）ωi］T（16）

式16）中：ωi为对应的角度.所以，角度向量A可表示为：

A=［aω1），…，aωN）］（17）

数据矩阵构建完成后，求特征向量空间U和噪声子向量UN.然后将［0，2π］分成个数为Nw的角度点，Nw的大小与阵元间距、阵元数量、阵列几何形状有关.但本实验采用单发单收获取人体胸腔位移信息，使得Nw的大小受阵元间距、阵元数量、阵列几何形状等因素影响较小，可以忽略.所以，为使该算法具有普遍性，构建一般情况下的搜索角度向量Aw）的表达式为：

Aw）=11…1e－j2πN1e－j2πN2…e－j2πNwe－j2πN1N－1）e－j2πN2N－1）…e－j2πNwN－1）N×Nw（18）

构建代价函数Pw为：

Pw=1AHw）UNUHNAw）（19）

式19）中：AHw）为搜索角度向量Aw）的共轭矩阵，UHN为噪声子向量UN的共轭矩阵.

找到代价函数Pw的峰值，得出每个峰值角度点，再寻找到峰值角度对应的频率值，该值包含呼吸频率、心跳频率、各个高次谐波的频率.具体的选取则根据实际的判断来选择，由此得到所需的心跳频率fhr.

呼吸信号的处理相较于心跳信号的处理方式则稍微简单，因呼吸运动产生的胸腔微动位移强度大于心跳运动的微动位移强度，直接对呼吸信号进行FFT便能较好的从噪声信号中分辨出呼吸频率.由此可以得到所需的呼吸频率fbr.最终，心率Heart Rate，HR）及呼吸率Breath Rate，BR）由式20）、21）求得.

HR=fhr×60     min－1（20）

BR=fbr×60      min－1（21）

3 实验结果与分析

本次实验中，毫米波雷达设备为IWR6843IS和DCA1000EVM.设置毫米波雷达套件高度为1米，雷达板与被测者的径向距离为1米，且将测试者周围杂物清空.测试场景及检测结果如图6和图7所示，测试者坐在毫米波雷达板前，保持身体静止不动，同时佩戴武汉思创电子有限公司生产的商用712T病人监护仪.此设备通过了美国医疗仪器促进协会AAMI）制定的AAMI EC57：2012标准，将712T病人监护仪的实际检测值作为参考值.IWR6843IS具有3个发射天线和4个接收天线，但在本次实验中只使用到了一个发射天线和一个接收天线.

3.1 呼吸心跳信号预处理结果

实验设备采集到中频信号，经去除直流分量和距离维的FFT操作后，可得到被测目标的位置关系，如图8a）所示.此步骤的意义在于确认检测目标的存在，以防止环境周围存在其他强反射干扰而使得毫米波雷达误判为检测目标的情况.此外，去直流的操作减少了毫米波雷达硬件在使用过程中发热而造成的直流偏移，即基线漂移，使获取的目标信号更加突出.

图8a）为2 047个调频脉冲chirp）信号下的三维热图.从图中可知有两个突出目标，靠近0 m位置的为基线漂移导致的直流分量，并不是被测目标，所以检测到的目标距离在1 m左右.为减少杂波信号的影响，先将直流分量去除，结果如图8b）所示.后续则通过反正切函数求解被测者所在距离位置的相位，在得到相位信号后便可以进行呼吸和心跳信号的分离.

3.2 呼吸心跳信号分离结果

中频相位信号在经过预处理之后，使得目标信号呼吸信号和心跳信号）的信噪比得到增强，但此时的信号依旧存在噪声.为了抑制噪声对呼吸心跳信号的影响，采用SEEMD算法分离目标信号.此方法在有无噪声信号的情况下均适用，且可在不同时间尺度上提取信号的相关特征，分解后的各IMF分量如图9所示.在此节，将APVMD和EEMD算法作为评价本文方法性能的参考算法.

通过图9可知，SEEMD将预处理后的相位信号自适应分解为了10个IMF分量.考虑到图9中各IMF分量图均为时域信号，可初步的将各IMF分量的时域信号峰值作为频次的估算值，经验选取依据为：成年人呼吸频率的正常值为每分钟12～20次、成年人心率的正常值为每分钟60～100次，将此作为判断IMF分量信号的标准.从图9中可得出，IMF5分量图中时域峰值处于心率的正常值范围内，IMF7分量图中时域峰值处于呼吸频率正常值范围内，由此将IMF5分量信號作为心跳信号，IMF7分量信号作为呼吸信号，其余分量信号则作为噪声信号.

在图10中，将本文方法与传统的模态分解算法进行比较.APVMD算法为自适应算法，其决策受到收敛标准差取值的影响.此外，APVMD在分离呼吸和心跳信号时，设定的呼吸信号和心跳信号的频带范围也会影响到呼吸信号和心跳信号分离的准确性.本文中，APVMD算法的收敛标准差设定为1×10－7，目标信号的频带范围设定为［fvital－e，fvital+e］，其中fvital为目标信号呼吸信号或者心跳信号），e为误差，e∈［0.1，0.2］.而EEMD算法为半自适应算法，只要确定了该算法的附加噪声标准差和对信号处理的迭代次数，EEMD就会自适应将同一个输入信号分解为确定数量的模态分量.本文中，EEMD算法的附加噪声标准差设定为0.2，迭代次数设定为100.通过对比结果可知，本文方法可清晰的观察到呼吸峰值与心跳峰值，去除噪声的效果最好.而EEMD算法在心跳频带内存在大量杂波干扰，APVMD算法在呼吸频带内受到噪声干扰.所以，本文方法对分离呼吸心跳信号过程中的杂波信号具有强抑制效果.

3.3 呼吸心跳信号预处理结果

在心率和呼吸率检测中，采用MUSIC算法估计心率、FFT谱估计呼吸率.在估计心率时，由于SEEMD分离的心跳信号中依旧存在噪声影响，需在含有噪声的心跳信号中精准识别心跳信号.首先采取自相关处理，如图11所示.信号作自相关处理后，由于噪声信号是随机的，自相关后噪声信噪比会减小，而心跳信号信噪比会增强.在图11中，心跳信号自相关在时延阶数时间序列的延迟时间）为200阶时相关系数达到最大值，即在此时延间隔下的信号具有强依赖，来自于同一个信号.通过峰值角度对应的频率确定心跳信号的频率，对应的空域图如图12所示.

由图12可知，MUSIC算法估计出的心跳信号频率约为1.42 Hz，通过式20）计算可得出心率约为85.2 BPM.而呼吸信号则采取FFT谱估计的方式获取呼吸信号的频率，频谱图如图13所示.在图13中，FFT谱估计下的呼吸信号频率约为0.32 Hz，通过式21）计算可得出呼吸率约为19.2 BPM.

3.4 實验检测结果分析

本次实验检测样本数为50组，分为25组健康成年男性和25组健康成年女性，年龄均在20～25岁范围内.其心率检测结果如图14a）所示，呼吸率检测结果如图14b）所示.

在图14中，与712T商用设备参考值对比，本文方法的检测结果更加接近参考值，其次为APVMD方法的检测值，EEMD方法检测结果偏离最大.所以，可初步判定本文方法具有较好的呼吸率和心率检测精度.为定量的反映出各方法的精确度值，对于检测结果采取如式22）进行精确度计算.

Er=|Mv－Rv|Rv×100%（22）

式22）中：Er为检测误差，Mv为所有实验的总检测值，Rv为所有实验的总参考值.

由图14可得出，712T病人监护仪的心率的平均值为81.99 BPM，呼吸率的平均值为17.24 BPM.所以，本文方法与传统方法的对比结果分析如表1所示.

在表1中，本文方法的心率检测结果平均值为82.18 BPM，方差为1.61，误差为1.24%，检测准确度为98.76%；呼吸率检测结果的平均值为17.97 BPM，方差为0.99，误差为4.24%，检测准确度为95.76%.与APVMD算法相比，心率检测准确率提升了1.24%，呼吸率检测准确率提升了1.35%；与EEMD算法相比，心率检测准确率提升了2.13%，呼吸率检测准确率提升了2.3%.实验数据表明，本文方法利用毫米波雷达对人体呼吸率和心率检测具有高准确性和可靠性.

4 结论

本文针对毫米波雷达检测胸腔运动过程中出现的静态杂波问题和心率估计中出现的呼吸谐波问题，提出了一种新的毫米波雷达检测呼吸率和心率的方法.该方法通过SEEMD算法以模态选取的方式分离呼吸信号和心跳信号，有效避免了静态杂波的干扰；再联合MUSIC算法将心跳时域信号转换到空域中估计心率，克服了呼吸谐波的影响；最后，通过实测实验验证该方法的可行性和检测准确率.实验结果表明，所提方法具有高准确率和鲁棒性.与传统算法相比，该方法对静态杂波和呼吸谐波有着显著的抑制效果，并在睡眠监测、远程辅助诊疗等场景中具有广阔的应用前景.

参考文献

［1］ 张兰春，顾海潮.基于毫米波雷达的生命体征检测.农业装备与车辆工程，2022，603）：79-82.

［2］ 胡雨璇，夏朝阳，徐 丰.一种鲁棒的毫米波雷达人体呼吸心跳测量方法.上海航天中英文），2022，393）：130-137.

［3］ Marco Mercuri，Pietro Russo，Miguel Glassee，et al.Automatic radar-based 2-D localization exploiting vital signs signatures.Scientific Reports，2022，12：68-76.

［4］ Alizadeh M，Shaker G，Morita P.P，et al.Remote monitoring of human vital signs using mm-wave FMCW radar.IEEE Access，2019，7：54 958-54 968.

［5］ Xu ，Liu T.Vital sign sensing method based on EMD in terahertz band.Eurasip J.Adv.Signal Processing，2014，2014：75.

［6］ Changjiang Deng，Didi Xu，Weihua Yu.Non-contact detection of vital signs based on improved adaptive EEMD algorithm.Sensors，2022，7：6 423.

［7］ hang Xin，Liu henyu，ong Yongan，et al.Mutual interference suppression using signal separation and adaptive mode decomposition in noncontact vital sign measurements.IEEE Transactions on Instrumentation and Measurement，2022，71：1-15.

［8］ Wang Haili，Du Fuchuan，hu Hao，et al.HeRe：Heartbeat signal reconstruction for low-power millimeter-wave radar based on deep learning.IEEE Transactions on Instrumentation and Measurement，2023，72：1-15.

［9］ Liu Luyao，hang Jie，Qu Ying，et al.mmRH：Noncontact vital sign detection with an FMCW mm-wave radar.IEEE Sensors Journal，2023，23：8 856-8 866.

［10］ 张 鑫.毫米波生物雷达的抗干扰方法研究［D］.广州：广东工业大学，2022.

［11］ Liu Jingtao，Li Yuchen，Gu Changzhan.Solving phase ambiguity in interferometric displacement measurement with millimeter-wave FMCW radar sensors.IEEE Sensors Journal，2022，22：8 482-8 489.

［12］ 薛毅松.基于毫米波雷达的非接触式健康监测系统研究［D］.成都：电子科技大学，2022.

［13］ Jiacheng Wu，Naim Dahnoun.A health monitoring system with posture estimation and heart rate detection based on millimeter-wave radar.Microprocessors and Microsystems，2022，94：104 670.

［14］ 顾海潮，麦云飞，张兰春，等.驾驶员生命体征信号检测系统的设计与实现.农业装备与车辆工程，2022，607）：77-80，85.

［15］ 陈云飞.FMCW毫米波体征检测雷达研究与设计［D］.成都：四川师范大学，2022.

［16］ 汪新坤，曹 乐，张文艳.基于谐波陷波器改进HMLD的呼吸心跳分离算法.智能计算机与应用，2023，131）：142-148.

［17］ 牛国臣，田一博，熊 渝.融合毫米波与激光雷达的障碍物检测与跟踪方法.北京航空航天大学学报，2022，415）：1-16.

［18］ 郭建业.基于毫米波雷达的人员定位算法研究［D］.南京：南京邮电大学，2022.

【责任编辑：陈 佳】

基金项目：湖北省自然科学基金项目2022CFA007）； 湖北省武汉市知识创新专项项目（2022020801010258）

作者简介：廖 涛1999—），男，湖北宜昌人，在读硕士研究生，研究方向：雷达信号处理、毫米波雷达在医疗上的应用

通讯作者：万相奎1976—），男，湖北广水人，教授，博士，研究方向：雷达信号处理、智能感知技术，xkwan@hbut.edu.cn