一种用于公寓床的人体检测干扰过滤方法与流程

摘要: 本发明属于人体存在检测,具体涉及一种用于公寓床的人体检测干扰过滤方法。背景技术:1、目前公寓智能寝具、宿舍智能能耗管控、智能灯光休眠控制等场景中,普遍采用单一毫...
一种用于公寓床的人体检测干扰过滤方法与流程

本发明属于人体存在检测,具体涉及一种用于公寓床的人体检测干扰过滤方法。

背景技术:

1、目前公寓智能寝具、宿舍智能能耗管控、智能灯光休眠控制等场景中,普遍采用单一毫米波雷达、红外传感器实现床上人体检测。但公寓床场景环境复杂,存在大量高频、低频混合的非人体微动干扰:宿舍风扇持续旋转产生的固定频率机械微动与反射杂波、开窗通风或空调送风导致床帘持续摆动、床体结构受环境振动产生轻微抖动等。

2、现有检测技术存在明显技术缺陷:

3、1.单一24ghz雷达传感器仅能识别空间微动信号,无法区分人体呼吸、身体微动与风扇、床帘等环境微动干扰,极易出现误判,而多传感器方案多采用“依次确认”的级联检测逻辑(雷达先判→压力唤醒→红外终判),缺乏真正意义上的并行交叉验证;

4、2.传统滤波算法仅通过简单幅度阈值过滤干扰,未针对人体专属呼吸频带特征、周期稳定性特征进行精准区分;

5、3.现有多传感器融合场景多采用融合检测,即依靠单一传感器发起流程逐步顺序判断,若其中某一传感器失效,则整个系统无法工作,采集到的数据全部有误;

6、4.现多传感器场景使用加权判断时,多使用固定阈值,数据精准度依赖环境,在干扰较复杂的场景中算法容易失效。

7、综上,当前公寓床人体检测技术抗干扰能力弱、检测精度低,亟需一种多传感器并行交叉验证、状态互锁仲裁、自适应加权融合的检测方案。

技术实现思路

1、为了弥补现有技术的不足,本发明提供了一种用于公寓床的人体检测干扰过滤方法,以解决现有技术中公寓床人体检测抗干扰能力弱、检测精度低,传感器失效后系统无法正常工作等技术问题。

2、为实现上述目的,本发明的具体技术方案如下:

3、一种用于公寓床的人体检测干扰过滤方法,包括以下步骤:

4、步骤1,信号同步采集,通过部署于公寓床的多个传感器对多种原始信号进行同步采集,所述多个传感器包括毫米波雷达、压力传感器阵列和红外人体传感器;

5、步骤2,信号分解与多模态特征提取,对所述毫米波雷达采集的原始回波时域信号s(t)进行多尺度时频分解与重构,提取纯净呼吸时域信号;同时并行提取压力有效标识score_p和红外有效标识score_i;

6、步骤3,呼吸频带量化特征计算与周期稳定性校验,针对所述纯净呼吸时域信号,计算自相关系数r(τ)和周期稳定度score_r,并根据两者进行雷达特征综合判定;

7、步骤4,多传感器并行交叉验证与冲突仲裁,将所述呼吸周期稳定度score_r、压力有效标识score_p和红外有效标识score_i构建为三维状态向量;根据所述三维状态向量的取值组合执行状态互锁与冲突仲裁,输出仲裁结果;

8、步骤5,结果输出与基线自适应更新,根据步骤4的仲裁结果输出公寓床当前是否有人体的最终检测结果,并根据无人状态下的实时干扰信号均值、方差动态修正雷达信号基线阈值。

9、进一步的,所述步骤2中压力有效标识和红外有效标识的提取具体包括:

10、获取所述压力传感器阵列的检测信号,当压力均值处于预设人体重量区间、持续时长达到预设阈值且压力分布符合人体躺卧特征时,将压力有效标识score_p置为1;反之则置为0;

11、获取所述红外人体传感器的检测信号,当检测到人体热源且所述热源位于预设空间区域内时,将红外有效标识score_i置为1;反之则置为0。

12、进一步的,步骤2中通过对预处理后的毫米波雷达采集的原始回波时域信号s(t),采用五层小波多尺度分解算法进行时频域拆分,将信号按频带划分为高频细节分量和低频近似分量;

13、根据各层分量对应的频率范围,将包含风扇谐波、床带摆动、床体振动的高频细节分量系数置零,保留覆盖呼吸频带的有效分量;通过选择性逆离散小波变换对保留系数进行重构,输出0.15hz~0.6hz呼吸微动分量的纯净时域信号。

14、进一步的,所述步骤2中对步骤1中得到的原始回波时域信号s(t)的干扰过滤与有效呼吸特征分离的具体步骤如下:

15、步骤2-1,采用正交尺度滤波器 h[n] 和小波滤波器 g[n] ,对信号进行分层迭代滤波与下采样处理;

16、步骤2-2,按预设分解执行流程进行逐层迭代执行,将干扰的高频细节分量系数置零,保留覆盖呼吸频带的有效分量;

17、步骤2-3,选择性逆离散小波变换重构,采用选择性逆离散小波变换,对步骤2-2中保留的有效子带系数进行重构,具体为,采用合成低通滤波器、合成高通滤波器,对保留的有效子带系数逐层上采样、叠加滤波;

18、步骤2-4,按分解的逆序从第5层开始执行逐层重构,逐层递推至第0层,最终输出仅包含0.15hz~0.6hz呼吸微动分量的纯净时域信号,完成毫米波雷达信号的干扰过滤与有效呼吸特征分离。

19、多尺度时频分解采用五层小波多尺度分解算法,通过分层迭代滤波与下采样处理,将信号逐层拆分为低频近似分量与高频细节分量;

20、进一步的,所述步骤2-2中预设的分解执行流程具体如下:

21、步骤2-2-1,输入预处理完成的雷达原始回波时域信号(s(t)),将(s(t))作为初始第 0 层低频分量;

22、步骤2-2-2,第一层分解:对滤波下采样,输出第一层低频近似分量、第一层高频细节分量;

23、步骤2-2-3,分层迭代:仅对每层低频近似分量重复滤波、下采样操作,依次完成第2~5层分解,最终输出第5层低频近似分量,以及五层独立高频细节分量;

24、步骤2-2-4,子带频段划分,

25、:2.5~5hz,对应床体高频振动、瞬时脉冲干扰;

26、:1.25~2.5hz,对应风扇中高频谐波;

27、:0.625~1.25hz,对应风扇低速谐波、大幅床帘摆动干扰;

28、、、,0~0.625hz,覆盖人体呼吸专属频带0.15hz~0.6hz;分解完成后,将代表风扇、床帘、床体振动干扰的d1、d2、d3三层细节系数置零,保留a5、d4、d5呼吸特征相关子带系数,完成干扰频带隔离。

29、进一步的,所述步骤3具体包括以下步骤:

30、步骤3-1,采用归一化自相关算法,计算呼吸信号的周期相似性r(τ),

31、步骤3-2,在多个间隔相同的延迟时间点t1,t2,t3...tn,下分别计算对应的自相关系数,得到自相关系数序列并定义为周期值序列;t=[t1,t2,t3...tn]  其中,ti=r(τi),按如下公式6计算周期稳定度:

32、             公式6

33、式中:为平均周期,score_r为周期稳定度,取值范围[0,1];

34、步骤3-3,基于步骤3-1和步骤3-2中计算得到的自相关系数r(τ)和周期稳定度score_r的计算结果,执行雷达特征综合判定。

35、进一步的,步骤3-3中通过预设人体判定稳定度阈值score_th,与步骤3-2中计算得到的周期稳定度score_r,进行比对,对床上人体存在情况进行判断,当score_r ≥score_th,且自相关系数r(τ)≥0.7,则初步标记床上存在人体;当score_r < score_th,或信号无连续周期性峰值,则判定为非人体干扰,直接输出无人结果,终止本轮检测。

36、进一步的,所述步骤4具体包括以下步骤:

37、步骤4-1,状态向量定义,将步骤2和步骤3中获取的呼吸周期稳定度score_r、压力有效标识score_p和红外有效标识score_i定义为三维状态向量(score_r, score_p,score_i);

38、步骤4-2,状态互锁与冲突仲裁,基于步骤4-1中输出的三维状态向量,构建状态互锁与冲突仲裁机制;根据各特征标识的取值组合,执行如下八类状态判决:

39、状态一,全匹配状态,当score_r≥0.85、score_p=1、score_i=1时,仲裁结果为人体存在。

40、状态二,姿态补偿状态,当score_r≥0.85、score_p=0、score_i=1时,仲裁结果为人体存在,对应于坐/靠/悬脚床的非标准躺卧姿态。

41、状态三,降权状态,当score_r≥0.85、score_p=1、score_i=0时,仲裁结果为人体存在,对应于盖厚被或红外遮挡场景。

42、状态四,呼吸干扰状态,当score_r≥0.85、score_p=0、score_i=0时,仲裁结果为无人,判定为风扇干扰或床帘摆动等仅产生呼吸类干扰信号的场景。

43、状态五,雷达失效,当score_r<0.7、score_p=1、score_i=1时,仲裁结果为有人,判定为雷达失效的场景。

44、状态六,重物干扰状态,当score_r<0.7、score_p=1、score_i=0时,仲裁结果为无人,判定为书本、杂物等重物堆放于床上的场景。

45、状态七,热源干扰状态,当score_r<0.7、score_p=0、score_i=1时,仲裁结果为无人,判定为加热设备等外部热源干扰场景。

46、状态八,当score_r<0.7、score_p=0、score_i=0时,仲裁结果为无人,判定为真实无人状态。

47、进一步的,当呼吸周期稳定度score_r介于 0.7~0.85 之间的模糊区间,以及处于上述状态三的降权状态时,采用加权融合算法进行补充判决,具体如公式5所示,

48、score_all = w_r × score_r + w_p × score_p + w_i × score_i   公式5

49、其中,默认权重为w_r=0.45, w_p=0.35, w_i=0.20;融合判决规则为:当score_all≥0.65时判定为人体存在;当score_all<0.65时判定为无人。

50、进一步的,当其中一个传感器发生失效时,系统自动切换至降级模式,利用剩余有效传感器进行判决,失效传感器 降级判决逻辑如下:

51、当雷达失效时,依据压力载荷检测与红外热源稳定性进行综合判定:当两者同时满足时,判定为有人。

52、当压力失效时,依据呼吸特征与红外热源进行综合判定:当两者同时满足时,判定为有人。

53、当红外失效时,依据呼吸特征与压力载荷进行综合判定:当两者同时满足时,判定为有人。

54、各降级模式下,若剩余传感器的特征组合不足以支撑有人判定,则默认输出无人结果。

55、与现有技术相比,本发明有以下优点:

56、1、本发明通过五层小波多尺度分解实现了雷达信号中干扰频带与人体呼吸特征频带的精准分离,从源头上过滤了风扇、床帘摆动带来的环境微动干扰,解决了传统幅度阈值滤波无法区分同幅度干扰与有效信号的问题。

57、2、本发明通过采用多传感器并行同步采集、并行特征提取的方案,避免了传统级联检测逻辑中单传感器失效直接导致整个系统失效的问题,配合状态互锁冲突仲裁机制,可对不同干扰场景进行精准分类判决。

58、3、本发明通过设计针对传感器单一失效场景设计了降级判决逻辑,单传感器失效后系统仍可正常工作,大幅提升了系统的鲁棒性;针对模糊置信区间设计了自适应加权融合判决,提升了非标准场景下的检测精度。