面向非视距场景的智能超表面辅助WiFi呼吸监测方法

摘要: 本技术属于无线感知与生命体征监测,具体的说是涉及一种面向非视距场景的智能超表面辅助wifi呼吸监测方法。背景技术:1、呼吸是反映人体健康状态的重要生命体征之一,...
面向非视距场景的智能超表面辅助WiFi呼吸监测方法

本技术属于无线感知与生命体征监测,具体的说是涉及一种面向非视距场景的智能超表面辅助wifi呼吸监测方法。

背景技术:

1、呼吸是反映人体健康状态的重要生命体征之一,其变化能够为疾病诊断、睡眠监测、老年人看护及智能医疗等应用提供重要依据。因此,如何实现对人体呼吸的准确、连续且无感知监测,已成为当前生命体征检测领域的重要研究方向。

2、现有的呼吸监测方法主要可以分为接触式与非接触式两类。接触式方法通常依赖于可穿戴设备或专用传感器,如心电传感器、呼吸带、加速度计等,通过直接接触人体获取呼吸信号。然而,该类方法需要用户佩戴设备,使用过程不够便捷,且在长期监测或特定人群如老年人、病患中存在依从性较差的问题。

3、为克服接触式方法的局限性,现有技术提出了多种非接触式呼吸监测技术,例如基于摄像头、红外传感器以及声学信号的方法。基于摄像头的方法通常通过视觉信息分析人体胸部或腹部的运动变化来估计呼吸频率,但该类方法对环境光照条件依赖较强,且存在隐私泄露风险;基于红外或声学信号的方法虽然在一定程度上能够实现非接触式监测,但其感知范围有限,易受环境噪声干扰,稳定性较差。

4、近年来,随着无线通信技术的发展,基于wifi信号的无线感知方法因其无需额外设备、可利用现有无线基础设施以及具备良好隐私保护特性,逐渐成为非接触式呼吸监测的重要研究方向。该类方法通过分析信道状态信息(channel state information,csi)中包含的幅度与相位变化,实现对人体微小呼吸动作的感知。

5、然而,在实际复杂室内环境中,尤其是在非视距场景下,wifi信号传播往往受到墙体、家具等静态物体的强多径反射影响,使得信道中静态分量占主导地位,而由人体呼吸引起的动态变化幅度较小,容易被淹没。此外,实际系统中还存在自动增益控制、载波频偏及采样频偏等硬件因素引起的幅度和相位失真,进一步增加了呼吸信号提取的难度,从而导致呼吸监测精度和稳定性下降。

6、为改善上述问题,引入ris以调控无线传播环境成为一种有效途径。可重构智能表面能够通过改变其空间朝向或反射特性,构建可控的反射路径,从而增强特定传播路径上的信号强度,提高与人体呼吸相关的信号分量的可观测性。然而,现有基于wifi的呼吸监测方法多集中于传统信道处理技术,对于如何在ris辅助条件下有效分离静态多径分量与呼吸动态分量,以及如何提升非视距环境下呼吸信号提取精度,仍缺乏系统性的解决方案。

7、因此,亟需提出一种基于可重构智能表面辅助信道状态信息的呼吸监测方法,以在复杂环境中实现对人体呼吸信号的稳定提取与高精度估计。

技术实现思路

1、为了解决上述技术问题,本技术提供了一种面向非视距场景的智能超表面辅助wifi呼吸监测方法,该方法基于信道状态信息(channel state information,csi)对人体呼吸引起的无线信道微小变化进行感知,并通过引入ris调控无线传播环境,从而增强与人体呼吸相关的动态信号分量,该方法能够在复杂非视距环境中稳定获取人体呼吸信息,有效提升呼吸信号提取的准确性与鲁棒性。

2、为了达到上述目的,本技术是通过以下技术方案实现的:

3、本技术是一种面向非视距场景的智能超表面辅助wifi呼吸监测方法,包括如下步骤:

4、步骤1、在发射端、接收端和可重构智能表面ris构成的非视距场景的传播环境中,采集人体呼吸过程中的细粒度信道状态信息csi数据;

5、步骤2、基于步骤1构成的非视距场景的传播环境,构建无线传播路径,将人体胸部建模为周期性运动的反射体,建立基于可重构智能表面ris辅助传播路径的呼吸诱导的动态传播模型,建立信号相位随时间变化的信号相位变化量;

6、步骤3、根据步骤2建立的呼吸诱导的动态传播模型,对步骤1采集的人体呼吸过程中的细粒度信道状态信息csi数据进行校准,获得校准后的csi复信号;

7、步骤4、基于步骤3得到的校准后的csi复信号,构建ris增强csi比值模型,以削弱静态多径分量并增强呼吸动态分量,对不同时刻的校准后的csi复信号进行归一化处理,得到ris增强csi比值模型的近似表达结果;

8、步骤5、对步骤4得到的ris增强csi比值模型的近似表达结果进行幅度与相位分解,并对各子载波对应的幅度分量或相位分量进行频域分析,计算呼吸频率范围内的频谱特征,选取满足预设条件的子载波作为呼吸敏感信道集合;

9、步骤6、对选取呼吸敏感信道集合执行方向对齐、极性校正和相位对齐,得到跨信道一致的呼吸动态信号;

10、步骤7、对跨信道一致的呼吸动态信号进行聚合和平滑处理,得到融合后的呼吸动态时间序列,并在预设呼吸频段内进行频谱分析,提取预设呼吸段内频谱幅值最大的频率分量,将该频率分量作为人体呼吸频率估计结果。

11、本技术的进一步改进在于:步骤1具体包括如下步骤:

12、步骤1.1、发射端配置至少一根发射天线,接收端配置多根接收天线,并将接收端的多根接收天线布置于不同空间位置或不同高度,发射端与接收端均采用无线通信方式,以获取细粒度信道状态信息csi数据;

13、步骤1.2、在发射端与接收端之间设置遮挡物以形成非视距场景的传播环境,使无线通信信号的直达路径被阻断;

14、步骤1.3、在非视距场景的传播环境中部署可重构智能表面ris,所述可重构智能表面ris采用平面阵列结构且由多个子阵列单元构成,各子阵列单元的工作频段覆盖wifi通信频段;

15、步骤1.4、通过调整可重构智能表面ris相对于发射端、接收端及人体目标的位置关系,使入射的无线通信信号在预设方向上形成增强反射路径,使无线通信信号经由可重构智能表面ris反射后到达人体目标并被接收端接收,从而增强与人体呼吸相关的动态传播分量。

16、本技术的进一步改进在于:步骤2具体包括如下步骤:

17、步骤2.1、在由发射端、接收端和可重构智能表面ris构成的非视距场景的传播环境中,构建经由可重构智能表面ris反射的无线传播路径,使无线通信信号依次沿发射端-可重构智能表面ris-人体目标-可重构智能表面ris-接收端的无线传播路径进行传播,无线通信信号的无线传播路径的长度为:

18、

19、其中,表示时刻的无线通信信号的无线传播路径的长度,表示发射端与可重构智能表面ris之间的传播距离,表示可重构智能表面ris与人体目标之间随人体运动变化的传播距离,表示人体目标与可重构智能表面ris之间的传播距离,表示可重构智能表面ris与接收端之间的传播距离;

20、步骤2.2、将人体胸部建模为周期性运动的反射体,人体胸部在呼吸过程中围绕平衡位置做周期性位移变化,得到位移变化量:

21、

22、其中,表示人体胸部在时刻相对于平衡位置的位移变化量,表示胸部周期运动幅值,表示人体呼吸频率,表示呼吸运动初始相位;

23、步骤2.3、基于步骤2.1构建的发射端-可重构智能表面ris-人体目标-可重构智能表面ris-接收端的无线传播路径,建立基于可重构智能表面ris辅助传播路径的动态传播模型,用于描述人体呼吸运动引起的传播路径长度变化以及对应的信号相位变化关系,其中动态传播路径长度表示为:

24、

25、其中,表示时刻的动态传播路径的长度,表示人体胸部处于平衡位置时的参考传播路径长度,表示人体呼吸运动引起的传播路径长度变化量:

26、

27、其中,表示人体胸部呼吸位移变化量,表示人体胸部运动方向在无线传播路径方向上的投影系数;

28、步骤2.4、根据人体呼吸运动引起的传播路径长度变化量,建立信号相位随时间变化的信号相位变化量:

29、

30、结合人体胸部在呼吸过程中的位移变化量,则信号相位变化量写为:

31、

32、其中,为人体呼吸运动引起的信号相位变化量,为无线信号波长;为胸部呼吸运动位移幅值,为人体呼吸频率,为呼吸运动的初始相位;

33、信号相位变化量与人体胸部呼吸信号相位变化量具有相同的周期特性,满足:

34、

35、

36、其中,为信号相位变化周期,为人体胸部呼吸位移变化周期,表示信号相位变化频率,表示人体胸部位移变化频率,表示人体呼吸频率。

37、本技术的进一步改进在于:步骤3具体包括如下步骤:

38、步骤3.1、步骤1采集的人体呼吸过程中的细粒度信道状态信息csi数据随采样时间变化形成csi复信号序列,对csi复信号序列进行预处理,去除异常值,并对csi复信号序列进行平滑处理,其中,表示子载波索引,表示采样时刻;

39、步骤3.2、对步骤3.1得到的csi复信号序列进行幅度提取,获得csi幅度信息,并采用幅度归一化方法进行归一化处理,得到归一化幅度信息以抑制由自动增益控制引起的幅度波动;

40、步骤3.3、对步骤3.1得到的csi复信号序列进行相位提取,获得csi相位信息,并采用相位矫正方法进行校正处理,得到校准相位信息;

41、步骤3.4、根据步骤3.2得到的归一化幅度信息和步骤3.3得到的校准相位信息,构建校准后的csi复信号:

42、

43、其中,表示校准后的csi复信号;表示经过归一化处理后的归一化幅度信息,表示经过相位校正后的校准相位信息。

44、本技术的进一步改进在于:步骤4具体包括如下步骤:

45、步骤4.1、在实际无线通信信号的传播环境中,将步骤3得到的校准后的csi复信号分解为静态多径分量和呼吸动态分量:

46、

47、其中,表示与时间无关的静态多径分量,表示随时间变化的呼吸动态分量,表示子载波索引,表示采样时刻;

48、步骤4.2、选取参考时刻,将当前时刻的信道响应与参考时刻的信道响应进行归一化处理,构建ris增强csi比值模型:

49、;

50、其中,表示参考时刻对应的校准后的csi复信号,表示选取的参考时刻;

51、步骤4.3、将步骤4.1中静态多径分量和呼吸动态分量代入步骤4.2构建的ris增强csi比值模型,则ris增强csi比值模型写为:

52、,

53、在人体呼吸场景中,呼吸动态分量相对于静态多径分量满足:,在该条件下,对步骤4.2得到的ris增强的csi比值模型进行近似分析,得到:

54、;

55、其中,表示ris增强csi比值模型的近似表达结果。

56、本技术的进一步改进在于:步骤5具体包括如下步骤:

57、步骤5.1、对步骤4中获得的ris增强的csi比值模型的近似表达结果进行复数分解:

58、

59、其中表示幅度分量,表示相位分量;

60、步骤5.2、对幅度分量与相位分量在时间维度上进行频域分析,获取各子载波在预设呼吸频率范围内的频谱特征,表示为:

61、

62、其中,表示第个子载波对应的幅度或相位时间序列;表示采样时间长度,表示角频率;

63、步骤5.3、根据步骤5.2获得的频谱特征,计算各子载波在呼吸频率范围内的频谱能量分布,对所有子载波进行筛选,其中第个子载波的频谱能量表示为:

64、,

65、其中,表示第个子载波对应的呼吸频段的频谱能量,表示对应频率处的频谱幅值,选取满足:的子载波作为呼吸敏感信道集合:

66、,

67、其中,为预设能量阈值;

68、步骤5.4、基于步骤5.3确定的呼吸敏感信道集合,提取第个敏感信道的幅度时间序列或相位时间序列:

69、

70、

71、其中,。

72、本技术的进一步改进在于:步骤6具体包括如下步骤:

73、步骤6.1、对步骤5.4获得的各呼吸敏感信道集合中的各子载波对应复数csi进行方向对齐处理,第个呼吸敏感信道对应的复数csi信号表示为:

74、

75、其中,表示第个呼吸敏感信道对应的复数csi信号,由幅度分量和相位分量共同构成;

76、通过计算各呼吸敏感信道对应的复数csi信号实部与虚部变化量构成的协方差矩阵,估计各呼吸敏感信道对应的复数csi信号在复平面中的主导方向并进行旋转变换,其中,第个信道对应的协方差矩阵表示为:

77、

78、其中,表示由呼吸敏感子载波对应csi幅度分量和相位分量构成的第m个;和分别表示信道复数信号的实部和虚部,通过求取协方差矩阵最大特征值对应的特征向量确定主导方向角并进行旋转换:

79、

80、其中,表示方向对齐后的复数信号;

81、步骤6.2、在方向对齐处理的基础上,对部分信道存在符号相反的情况进行极性校正,使所有信道的变化方向保持一致;

82、步骤6.3、针对不同信道在时间维度上存在的相位偏移,对各信道的相位序列进行对齐处理,

83、,

84、其中,表示第个呼吸敏感信道经过方向对齐和极性校正后的复数信号;表示该信道相对于参考信道的相位偏移量;表示相位对齐后的复数信号。

85、本技术的进一步改进在于:步骤7具体包括如下步骤:

86、步骤7.1、对步骤6得到的跨信道一致的呼吸动态信号进行聚合处理,得到融合后的呼吸动态时间序列,并提取幅度信息,作为后续平滑和频谱分析输入表示为:

87、,

88、,

89、其中,表示融合后的呼吸动态时间序列;表示第个经过方向对齐、极性校正和相位对齐后的呼吸敏感信道对应的复数csi信号;表示第个呼吸敏感信道对应的融合权重;表示参与融合的呼吸敏感信道数量;表示对融合后的呼吸动态时间序列进行幅值提取后得到的幅度时间序列;

90、步骤7.2、对步骤7.1得到的幅度时间序列进行平滑处理,以抑制随机噪声,得到平滑后的呼吸动态时间序列:

91、,

92、其中,表示幅度时间序列平滑处理操作;

93、步骤7.3、对步骤7.2得到的平滑后的呼吸动态时间序列进行频谱分析,获得对应的频谱结果,表示为:

94、,

95、其中,表示融合后的呼吸动态时间序列对应的频谱结果;表示采样时间长度;表示频率;

96、步骤7.4、在预设呼吸频率范围内搜索频谱幅值最大的频率分量,将对应频率分量作为人体呼吸频率估计结果:

97、

98、其中,表示人体呼吸频率估计结果;表示预设呼吸频率范围。

99、本技术的有益效果是:

100、本技术通过在无线感知系统中引入可重构智能表面,在非视距环境下构建可控的信号反射路径,使无线信号能够经由可控反射传播至人体目标,从而有效增强与人体呼吸相关的传播分量,提高呼吸信号在复杂遮挡环境中的可观测性,克服传统方法在非视距场景下性能下降的问题。

101、本技术通过构建csi比值模型,对信道状态信息进行归一化处理,使原始信道中的静态多径分量在比值运算中得到有效削弱,同时突出人体呼吸引起的动态变化特征,从而实现对微弱呼吸信号的增强,提高呼吸信号与环境干扰之间的分离能力。

102、本技术通过对多信道信号进行呼吸敏感信道筛选以及方向对齐、极性校正和相位对齐处理,使不同信道的呼吸动态变化在幅度和相位上保持一致,避免多信道融合过程中出现信号抵消现象,从而显著提升融合信号的质量,提高呼吸特征提取与频率估计的准确性与稳定性。