毫米波WiFi系統(tǒng)中多目標(biāo)無(wú)源定位與生命體征檢測(cè)算法

李文,陳志剛,姬智

(西安交通大學(xué)電子與信息學(xué)部,710049,西安)

無(wú)線通信技術(shù)的發(fā)展使室內(nèi)無(wú)線無(wú)源定位和生命體征檢測(cè)在老年人健康監(jiān)測(cè)、大型施工場(chǎng)所的安全管理和搶險(xiǎn)救災(zāi)等方面具有越來(lái)越重要的應(yīng)用[1-8]。WiFi網(wǎng)絡(luò)由于部署廣泛、成本低等優(yōu)勢(shì),在室內(nèi)無(wú)源定位和生命體征檢測(cè)領(lǐng)域受到了關(guān)注并獲得了大量的研究[9-12]。

在無(wú)源定位方面,Adib等[13]利用調(diào)頻載波技術(shù),將時(shí)延的差異映射載波頻率的偏移,而后利用人體運(yùn)動(dòng)連續(xù)性及其速度的實(shí)際約束設(shè)計(jì)濾波器消除室內(nèi)多徑效應(yīng)。然而,該系統(tǒng)每次只獲取目標(biāo)的一個(gè)位置參數(shù),即到達(dá)角(angle of arrival,AOA)或飛行時(shí)間(time of flight,ToF),然后進(jìn)行三角測(cè)量來(lái)估計(jì)人的位置,從而限制了應(yīng)用。Qian等[14]建立信號(hào)傳播路徑長(zhǎng)度變化率與人體目標(biāo)位置與速度的幾何關(guān)系模型,通過(guò)估計(jì)速度跟蹤目標(biāo)位置。然而,由于該算法對(duì)信號(hào)功率預(yù)處理進(jìn)行除噪和信號(hào)提取,會(huì)導(dǎo)致信號(hào)傳播路徑長(zhǎng)度變化率信息缺失,進(jìn)而影響后續(xù)的速度檢測(cè)及位置跟蹤,降低定位精度。

在生命體征檢測(cè)方面,文獻(xiàn)[15]基于商用WiFi設(shè)備采集信道狀態(tài)信息(channel state information,CSI),首先進(jìn)行數(shù)據(jù)校準(zhǔn)并選擇對(duì)人體微小運(yùn)動(dòng)敏感的子載波,而后利用基于功率譜密度的k均值聚類方法,對(duì)睡眠狀態(tài)下人體目標(biāo)的呼吸和心跳頻率進(jìn)行估計(jì),此外還對(duì)儀器位置與呼吸心跳頻率估計(jì)準(zhǔn)確度間的關(guān)系進(jìn)行了研究探索,實(shí)驗(yàn)表明,由于CSI信息對(duì)細(xì)微動(dòng)作引起的變化不敏感,導(dǎo)致上述系統(tǒng)對(duì)不同姿勢(shì)下呼吸和心跳頻率的檢測(cè)魯棒性差。Zhang等[16]利用稀疏恢復(fù)法找出多徑室內(nèi)環(huán)境中的主導(dǎo)路徑,推導(dǎo)出相應(yīng)的復(fù)衰減系數(shù),然后利用該復(fù)衰減系數(shù)的相位變化來(lái)提取詳細(xì)的呼吸狀態(tài)和呼吸率,然而由于WiFi資源有限,該系統(tǒng)在多人場(chǎng)景下同樣失效。

綜上所述,由于室內(nèi)環(huán)境復(fù)雜,多徑效應(yīng)嚴(yán)重,基于WiFi的無(wú)源定位和檢測(cè)技術(shù)受限于系統(tǒng)帶寬以及天線陣列的物理尺寸,難以有效提取目標(biāo)直接反射徑,估計(jì)精度受到了嚴(yán)重制約。

近年來(lái),毫米波以其帶寬大、波長(zhǎng)短、波束窄等優(yōu)勢(shì)引起了人們的關(guān)注。毫米波具有高空間分辨率,可以有效識(shí)別人體由于呼吸和心跳引起的胸腔起伏變化,而由于毫米波信號(hào)空間衰減大,反射信號(hào)更加微弱且難以提取。Zeng等[17]使用毫米波芯片級(jí)收發(fā)模塊、喇叭天線和旋轉(zhuǎn)平臺(tái),通過(guò)窮舉搜索構(gòu)建室內(nèi)無(wú)人、有人情況下的接收信號(hào)強(qiáng)度(received signal strength,RSS)數(shù)據(jù)庫(kù),而后比對(duì)兩個(gè)數(shù)據(jù)庫(kù)之間的RSS差異確定目標(biāo)相對(duì)于收發(fā)端的角度,進(jìn)而實(shí)現(xiàn)位置估計(jì)。該方法成本較高,且受限于空間環(huán)境,魯棒性不強(qiáng)。Adib等[18]利用調(diào)頻連續(xù)波(frequency modulated continuous wave,FMCW)雷達(dá),研究了距離雷達(dá)設(shè)備8 m處待檢測(cè)人員在不同方向的呼吸心跳檢測(cè)結(jié)果。但是復(fù)雜環(huán)境下,尤其在人體運(yùn)動(dòng)、設(shè)備抖動(dòng)、呼吸諧波干擾等情況下,人體呼吸心跳檢測(cè)準(zhǔn)確性和實(shí)時(shí)性仍待提高[19-22]。目前,國(guó)外及國(guó)內(nèi)部分廠家已研制出毫米波雷達(dá)芯片用于室內(nèi)無(wú)源檢測(cè),文獻(xiàn)[23-24]利用毫米波雷達(dá)芯片發(fā)送和接收線性調(diào)頻脈沖信號(hào),通過(guò)提取分析目標(biāo)反射的線性調(diào)頻信號(hào)的相位進(jìn)行位置估計(jì)和生命體征檢測(cè)。由于基于雷達(dá)的無(wú)源定位及感知需要額外部署雷達(dá)設(shè)備,因此不能長(zhǎng)時(shí)間連續(xù)采集信號(hào),且只能對(duì)特定區(qū)域的目標(biāo)進(jìn)行檢測(cè),而本文提出基于毫米波WiFi的無(wú)源定位和生命體征檢測(cè)方法則能夠利用已部署的WiFi設(shè)施,實(shí)現(xiàn)連續(xù)、全方位的檢測(cè),實(shí)施簡(jiǎn)捷方便,效率更高。

本文提出了一種基于空間交替廣義期望最大化(space alternating generalized expectation maximization,SAGE)的多目標(biāo)毫米波無(wú)源定位和生命體征檢測(cè)方法。該方法利用毫米波WiFi系統(tǒng),首先根據(jù)人體目標(biāo)本身的生命體征特點(diǎn),對(duì)采集信號(hào)進(jìn)行濾波預(yù)處理,有效提取多目標(biāo)直接反射徑成分,進(jìn)而將多目標(biāo)定位和生命體征檢測(cè)轉(zhuǎn)化為多目標(biāo)直接反射徑成分的角度、時(shí)延和頻率等參數(shù)估計(jì)問(wèn)題,并采用SAGE算法聯(lián)合估計(jì)多信號(hào)成分參數(shù),基于估計(jì)的目標(biāo)直接反射徑參數(shù)實(shí)現(xiàn)無(wú)源目標(biāo)定位和生命體征檢測(cè)。該算法利用毫米波系統(tǒng)具有更高空間域角度分辨率和更高時(shí)延分辨率,采用SAGE算法對(duì)信號(hào)進(jìn)行空時(shí)頻域聯(lián)合處理,迭代地實(shí)現(xiàn)多目標(biāo)直接反射徑參數(shù)估計(jì),有效克服無(wú)源多目標(biāo)直接反射徑相互干擾且難以有效地分離和提取的問(wèn)題,降低了運(yùn)算復(fù)雜度,提高了參數(shù)估計(jì)精度。不同于其他算法只能對(duì)目標(biāo)進(jìn)行位置或者生命體征的單一估計(jì),所提算法將人體目標(biāo)的生命體征(即呼吸和心跳頻率)看作多徑信號(hào)參數(shù),將室內(nèi)定位和生命體征檢測(cè)建模為多徑信號(hào)參數(shù)估計(jì)問(wèn)題,利用SAGE算法實(shí)現(xiàn)多目標(biāo)位置參數(shù)和生命體征的聯(lián)合估計(jì),能夠同時(shí)估計(jì)人體目標(biāo)的位置和生命體征信息,所以在智慧養(yǎng)老、大型施工場(chǎng)所安全管理和緊急救援等場(chǎng)景下具有更廣泛的應(yīng)用。

1 系統(tǒng)模型

本模型中,發(fā)射端使用全向天線,接收端假設(shè)使用間隔為λ/2的均勻線性陣列,其中λ為波長(zhǎng)。假設(shè)發(fā)射信號(hào)模型是窄帶的,則信道響應(yīng)可以表示為

(1)

式中:αl、τl、φl(shuí)和vl分別表示第l條徑的復(fù)增益、到達(dá)時(shí)間(TOA)、到達(dá)角和多普勒頻率;L為多徑的個(gè)數(shù)。對(duì)某個(gè)有限的時(shí)間間隔,第l條路徑的幅度、TOA和AOA是時(shí)間不變的。假設(shè)信道是準(zhǔn)靜態(tài)的,可以忽略多普勒頻率。因此,第m個(gè)天線單元的信道傳遞函數(shù)可表示為

(2)

式中:d為天線陣列陣元間距;fn為第n個(gè)載波;N為載波總數(shù)。則陣列的信道響應(yīng)H(n)=[H1(n),…,HM(n)]T,m=1,…,M可以表示為

(3)

在目標(biāo)直接反射徑中,人體目標(biāo)呼吸心跳會(huì)引起胸腔周期性的起伏會(huì)導(dǎo)致目標(biāo)直接反射徑的時(shí)延也會(huì)發(fā)生變化。假設(shè)發(fā)射端通過(guò)人體目標(biāo)到達(dá)接收端的距離可表示為

r(t)=r0+Δr(t)

(4)

式中:r0為信號(hào)從發(fā)射端通過(guò)人體目標(biāo)到達(dá)接收端的平均距離;Δr(t)為人體目標(biāo)由于呼吸和心跳而引起的胸腔的起伏位移變化。由于人的呼吸和心跳具有規(guī)律性,則Δr(t)可以用正弦信號(hào)近似表示為

Δr(t)=AHsin(2πfHt+φH)+ABsin(2πfBt+φB)

(5)

式中:AH、fH、φH、AB、fB、φB分別為人體心跳和呼吸的幅度、頻率和初相位。信號(hào)由發(fā)射端直接經(jīng)過(guò)目標(biāo)反射到達(dá)接收端的時(shí)延則為

τ(t)=r(t)/c=(r0+AHsin(2πfHt+φH)+

ABsin(2πfBt+φB))/c=

r0/c+(AHsin(2πfHt+φH)+

ABsin(2πfBt+φR))/c=τ0+τ′(t)

式中:c為光速;τ0為信號(hào)從發(fā)射端通過(guò)人體目標(biāo)到達(dá)接收端的平均時(shí)延;τ′(t)為心跳、呼吸引起的時(shí)變時(shí)延。目標(biāo)在t時(shí)刻、第n個(gè)子載波上的信道響應(yīng)可以表示為

(6)

式中N(n)=[N1(n),…,NM(n)]T為加性高斯白噪聲。

式(6)可簡(jiǎn)化為

(7)

式中:S(n,t;θl)=α(φl(shuí))αlexp(-j2πfnτl(t))為第l條徑的響應(yīng)。對(duì)于第l條徑,所要估計(jì)的參數(shù)有αl、φl(shuí)、τ0,l、AH,l、AB,l、fB,l,令待估計(jì)向量θl=[αl,φl(shuí),τ0,l,AH,l,fH,l,AB,l,fB,l],由于有L條多徑,參數(shù)向量可以表示為Θ=[θ1,…,θL]T。

由式(7)可知,室內(nèi)環(huán)境無(wú)線信道響應(yīng)中同時(shí)包含了靜態(tài)環(huán)境中的多徑成分和無(wú)源目標(biāo)直接反射的多徑成分。傳統(tǒng)有源無(wú)線定位通?；谥鄙鋸絽?shù)的幾何解算實(shí)現(xiàn),毫米波無(wú)源定位、感知問(wèn)題的本質(zhì)是實(shí)現(xiàn)目標(biāo)直接反射徑成分的分離和提取,以及多徑信號(hào)成分的參數(shù)估計(jì)。由于直射徑具有時(shí)延最短特征易于分辨和提取,而毫米波目標(biāo)直接反射徑成分沒(méi)有明顯的幾何特征且信號(hào)強(qiáng)度較弱,易受到其他多徑的干擾,難以有效地提取和估計(jì)。因此,目標(biāo)直接反射徑難以有效分辨、提取和估計(jì)成為制約毫米波無(wú)源定位和感知精度提升的瓶頸。此外,由于人體呼吸心跳頻率及幅度都在很小的范圍內(nèi)變化(呼吸、心跳頻率為0.2～2.0 Hz;呼吸、心跳幅度為0.1～12 mm),在無(wú)源條件下,呼吸和心跳所引起的信道響應(yīng)變化更容易被其他徑淹沒(méi),使定位和生命體征檢測(cè)難度更大。

2 基于SAGE的無(wú)源定位和感知

針對(duì)毫米波無(wú)源定位與感知技術(shù)難點(diǎn),根據(jù)人體呼吸和心跳頻率范圍對(duì)采集信號(hào)進(jìn)行濾波預(yù)處理,有效提取多目標(biāo)直接反射徑成分;進(jìn)一步采用SAGE算法實(shí)現(xiàn)多目標(biāo)直接反射徑的參數(shù)估計(jì),最后基于估計(jì)的時(shí)延和出發(fā)角度實(shí)現(xiàn)的幾何無(wú)源定位和生命體征檢測(cè)。

2.1 目標(biāo)直接反射徑的提取

室內(nèi)環(huán)境的多徑效應(yīng)是制約定位和生命體征檢測(cè)精度的重要因素,如何克服多徑效應(yīng),有效提取目標(biāo)直接反射徑是室內(nèi)定位和生命體征檢測(cè)的重點(diǎn)。首先利用毫米波帶寬大、波長(zhǎng)短、波束窄的特點(diǎn),能夠更清晰地觀察目標(biāo)的細(xì)節(jié),減少多徑干擾并充分利用多徑信息,提高空間多徑參數(shù)的分辨率,進(jìn)而提高定位和檢測(cè)精度。其次,利用人體目標(biāo)固有的呼吸和心跳頻率在一定范圍內(nèi)變化(成人呼吸頻率為0.2～0.6 Hz,心跳頻率為0.8～2.0 Hz)的特性對(duì)獲得的信號(hào)在0.2～2.0 Hz范圍內(nèi)進(jìn)行濾波,將其他范圍的頻率分量衰減到極低水平,將人體目標(biāo)之外的多徑以及噪聲的影響降低。

基于此,提取的目標(biāo)直接反射徑成分在t時(shí)刻、第n個(gè)子載波上的信道響應(yīng)可以表示為

H′(n,t)=α(φ1)αlexp(-j2πfnτl(t))

(8)

式中L′為目標(biāo)直接反射徑數(shù)。

2.2 基于SAGE算法的多徑信號(hào)參數(shù)估計(jì)

(9)

(10)

假如{Xl(n,t),l=1,…,L′}是已知的,可以通過(guò)最大化最大似然函數(shù)得到每條徑的參數(shù)。然而,實(shí)際上Xl(n,t)并不是已知的,則可通過(guò)從不完整數(shù)據(jù)中減去除第l條路徑之外的所有L-1條路徑的估計(jì)響應(yīng)得到,即

(11)

在M步驟中,SAGE算法將信道參數(shù)矩陣分割成更小空間維數(shù),即將θl劃分為相對(duì)應(yīng)的參數(shù)子集{AB,l,fB,l,αl}、{AH,l,fH,l,αl}、{τ0,l,αl}和{φl(shuí),αl},對(duì)每個(gè)子集執(zhí)行對(duì)數(shù)似然函數(shù)的最大化,同時(shí)保持其他參數(shù)固定。人體呼吸幅度和頻率是同時(shí)影響響應(yīng)的相位,應(yīng)該搜索幅度和頻率所組成二維平面上的峰值以確定其使目標(biāo)函數(shù)最大的組合,心跳幅度和頻率的估計(jì)也是如此,即最大化步驟可以表示為

SAGE算法基于最大似然估計(jì)的原理進(jìn)行多參數(shù)聯(lián)合估計(jì),能夠同時(shí)估計(jì)多個(gè)靜止人體目標(biāo)的位置信息和生命體征參數(shù)。所提算法根據(jù)人體目標(biāo)的特征合理設(shè)置初始值,基于信道空-時(shí)-頻域響應(yīng),交替地迭代估計(jì)各目標(biāo)直接反射徑參數(shù),因而能夠獲得較低的計(jì)算復(fù)雜度和較高的參數(shù)估計(jì)精度。

2.3 基于時(shí)延和到達(dá)角的幾何定位

根據(jù)估計(jì)出的目標(biāo)直接反射徑時(shí)延,可以得到信號(hào)經(jīng)過(guò)目標(biāo)反射到達(dá)接收端的距離,由于信號(hào)發(fā)射端即無(wú)線接入點(diǎn)(access point,AP)、信號(hào)接收端(monitoring point,MP)坐標(biāo)已知,結(jié)合估計(jì)出的到達(dá)角,利用幾何關(guān)系可唯一地確定目標(biāo)位置。

將室內(nèi)場(chǎng)景建模為二維平面,假定已知發(fā)射端AP的坐標(biāo)是(xAP,yAP),天線陣列的中心坐標(biāo)為(xMP,yMP),目標(biāo)位置坐標(biāo)為(x,y),如圖1所示。

因此,目標(biāo)的位置(x,y)可以通過(guò)聯(lián)立式(17)、(18)得到二元二次方程組求出,即

(17)

τ=

(18)

在系統(tǒng)中由于收發(fā)端之間沒(méi)有經(jīng)過(guò)時(shí)鐘同步,式(18)中的τ可以通過(guò)已知的真實(shí)直射徑與估計(jì)直射徑之間的時(shí)延偏差進(jìn)行校正。

3 實(shí)驗(yàn)與仿真結(jié)果

本節(jié)對(duì)所提算法進(jìn)行實(shí)驗(yàn)驗(yàn)證并仿真:實(shí)驗(yàn)驗(yàn)證毫米波WiFi系統(tǒng)檢測(cè)無(wú)源人體心跳和呼吸頻率方案的可行性;為方便計(jì),通過(guò)仿真評(píng)估所提算法在復(fù)雜多徑和多人體目標(biāo)場(chǎng)景下的無(wú)源定位和體征檢測(cè)性能。

3.1 實(shí)驗(yàn)結(jié)果

為驗(yàn)證毫米波WiFi系統(tǒng)檢測(cè)無(wú)源人體心跳和呼吸頻率的可行性,在微波暗室環(huán)境下進(jìn)行實(shí)驗(yàn)。收發(fā)端分別使用兩個(gè)30 GHz頻段的喇叭天線,利用矢量網(wǎng)絡(luò)分析儀測(cè)試室內(nèi)環(huán)境的信道頻率響應(yīng)(channel frequency response,CFR),測(cè)量1個(gè)目標(biāo)在2個(gè)不同位置的信道響應(yīng),結(jié)合本算法對(duì)目標(biāo)直接反射徑時(shí)延、人體目標(biāo)的呼吸和心跳頻率進(jìn)行估計(jì)。

實(shí)驗(yàn)場(chǎng)景設(shè)置如下:以MP為原點(diǎn),經(jīng)過(guò)MP的水平線為x軸,AP與MP的連線為y軸建立坐標(biāo)軸,其中MP坐標(biāo)為(0,0),AP坐標(biāo)為(0,2) m,位置1坐標(biāo)為(-1.2,1) m,位置2坐標(biāo)(-0.75,0.5) m。實(shí)驗(yàn)框圖如圖2所示。

為自動(dòng)連續(xù)采集信號(hào)數(shù)據(jù),利用LabVIEW軟件遠(yuǎn)程控制矢量網(wǎng)絡(luò)分析儀(vector network analyzer,VNA)。實(shí)驗(yàn)中,將LabVIEW安裝在筆記本電腦上,VNA和筆記本電腦之間用網(wǎng)線連接,其中,VNA的頻率范圍為30 ～32 GHz,子載波間隔為5 MHz,則掃描點(diǎn)數(shù)為401,結(jié)合LABVIEW軟件實(shí)際采樣效果,每200 ms采集一次信道響應(yīng),即每秒采集信道響應(yīng)次數(shù)為5次,連續(xù)采集30 s數(shù)據(jù)。為將估計(jì)結(jié)果與實(shí)際結(jié)果進(jìn)行比對(duì),在實(shí)驗(yàn)過(guò)程中,利用華為手環(huán)記錄實(shí)驗(yàn)期間目標(biāo)的心率,呼吸頻率由人工計(jì)數(shù)完成。

驗(yàn)證實(shí)驗(yàn)估計(jì)結(jié)果如表1所示。從表1可以看出,在兩個(gè)不同位置目標(biāo)直接反射徑的時(shí)延和呼吸心跳頻率的估計(jì)值和理論值都非常接近,其中,人體目標(biāo)的呼吸、心跳頻率估計(jì)精度分別可達(dá)97.1%、97.7%。因此,所提算法能夠在微波暗室環(huán)境下獲得較高定位和生命體征檢測(cè)精度。

表1 不同位置人體目標(biāo)時(shí)延和生命體征參數(shù)估計(jì)結(jié)果

3.2 仿真結(jié)果

基于雷達(dá)的無(wú)源定位和感知與基于WiFi的無(wú)源定位和感知適用于不同的系統(tǒng),技術(shù)原理不同,考慮到算法仿真時(shí)的公平性,本小節(jié)將本文所提方法與已有的同樣基于WiFi系統(tǒng)的各類算法進(jìn)行對(duì)比。

結(jié)合驗(yàn)證實(shí)驗(yàn)環(huán)境的設(shè)置,考慮后續(xù)實(shí)地實(shí)驗(yàn)的進(jìn)一步開(kāi)展,將仿真環(huán)境進(jìn)行如下設(shè)置:收發(fā)端距離為5 m,采用天線個(gè)數(shù)為20的均勻線陣,方向圖個(gè)數(shù)為20,信噪比為0,載波頻率為30～32 GHz,子載波間隔為5 MHz,每200 ms采集一次信道響應(yīng),即每秒采集信道響應(yīng)次數(shù)為5次,連續(xù)采集30 s數(shù)據(jù)。在此仿真環(huán)境中對(duì)所提算法在復(fù)雜多徑和多人體目標(biāo)場(chǎng)景下的無(wú)源定位和體征檢測(cè)性能進(jìn)行分析,并在相同仿真環(huán)境下與已有無(wú)源定位和感知方法進(jìn)行對(duì)比。

3.2.1 無(wú)源定位性能

本小節(jié)分別在單目標(biāo)、2個(gè)目標(biāo)和3個(gè)目標(biāo)場(chǎng)景下分析算法的定位性能,并在毫米波環(huán)境下對(duì)基于相控陣的無(wú)源目標(biāo)定位算法 (Polar)[25]、基于WiFi的分米級(jí)無(wú)源跟蹤及速度檢測(cè)算法(Widar)[14]進(jìn)行仿真,將其定位性能進(jìn)行對(duì)比。不同數(shù)量目標(biāo)場(chǎng)景下算法累積誤差分布曲線如圖3所示,仿真結(jié)果表明,在不同目標(biāo)場(chǎng)景下本文所提方法定位誤差在0.1 m以內(nèi),說(shuō)明目標(biāo)個(gè)數(shù)對(duì)定位精度影響不大。這是由于所提算法能夠充分利用毫米波的高空間-時(shí)延分辨率,對(duì)不同目標(biāo)的區(qū)分更加有效,其次利用人體固有特征進(jìn)行濾波,保證了目標(biāo)直接反射徑信道響應(yīng)的準(zhǔn)確性,同時(shí)充分利用時(shí)域、頻域和天線空間域的信息,使基于SAGE算法的多參數(shù)估計(jì)更加精確。

圖4展示了所提算法與Polar、Widar算法在定位性能上的對(duì)比,由于Polar算法中,角度估計(jì)只依賴于方向圖,且在估計(jì)時(shí)延時(shí)并沒(méi)有考慮環(huán)境不穩(wěn)定帶來(lái)的影響,導(dǎo)致時(shí)延估計(jì)沒(méi)有所提算法精度高。Widar算法則是在對(duì)數(shù)據(jù)預(yù)處理時(shí),信號(hào)傳播路徑長(zhǎng)度變化率信息會(huì)有缺失,進(jìn)而會(huì)影響目標(biāo)速度檢測(cè)及位置跟蹤,導(dǎo)致定位精度下降。所提算法充分利用時(shí)延、頻率和角度信息,將多目標(biāo)定位轉(zhuǎn)化為多參數(shù)估計(jì)問(wèn)題,同時(shí)結(jié)合人體特征提取目標(biāo)直接反射徑,使得定位精度更高,且在多目標(biāo)場(chǎng)景下依然保持較高的定位精度。

3.2.2 生命體征檢測(cè)性能

本小節(jié)分析所提算法在單目標(biāo)、多目標(biāo)場(chǎng)景下呼吸和心跳頻率檢測(cè)的性能,并將基于WiFi的室內(nèi)人體呼吸狀態(tài)檢測(cè)算法 (Breathtrack)[16]推廣至毫米波環(huán)境下仿真,與所提算法進(jìn)行比較。

圖5展示了本文所提方法在單個(gè)目標(biāo)、2個(gè)目標(biāo)和3個(gè)目標(biāo)場(chǎng)景下呼吸和心跳頻率估計(jì)精度,其平均估計(jì)精度分別為98.77%、96.83%,總體來(lái)看,生命體征檢測(cè)精度受目標(biāo)個(gè)數(shù)影響不大,這是由于所提算法利用了毫米波傳播信號(hào),具有更高的空間分辨率,同時(shí)對(duì)時(shí)頻空三維的數(shù)據(jù)信息進(jìn)行分析,使測(cè)量的信道更接近真實(shí)值。從圖5可以看出,隨著目標(biāo)個(gè)數(shù)的增加,呼吸、心跳頻率估計(jì)精度會(huì)有所降低,這是因?yàn)闊o(wú)源目標(biāo)個(gè)數(shù)的增加導(dǎo)致信道響應(yīng)更加復(fù)雜,一定程度上降低所提算法的參數(shù)估計(jì)性能。

圖6對(duì)本算法和對(duì)比算法在單個(gè)目標(biāo)、兩個(gè)目標(biāo)情況下的呼吸頻率檢測(cè)精度進(jìn)行了比較?？芍獑蝹€(gè)目標(biāo)場(chǎng)景下所提算法和對(duì)比算法的呼吸頻率估計(jì)精度都比較高,但是在增加目標(biāo)數(shù)后,對(duì)比算法呼吸頻率估計(jì)精度急劇下降,而所提算法性能依然較好。這是由于Breathtrack算法的前提是目標(biāo)直接反射徑需要滿足塊相干條件(即多徑時(shí)延-到達(dá)角向量之間的相關(guān)性較小)才能有效識(shí)別,而路徑之間在空間上需要分離的很好,通常要求兩條路徑角度相差60°,或者路徑長(zhǎng)度相差8 m,這在室內(nèi)環(huán)境中很難達(dá)到,所以當(dāng)室內(nèi)只有1個(gè)目標(biāo)存在時(shí),呼吸頻率估計(jì)精度較高,當(dāng)有2個(gè)目標(biāo)存在時(shí),其塊相干性不能滿足,導(dǎo)致目標(biāo)呼吸頻率估計(jì)精度急劇下降。所提算法充分利用信道響應(yīng)的時(shí)域、頻域和空域信息,有效提取目標(biāo)直接反射徑,并通過(guò)多參數(shù)聯(lián)合估計(jì),通過(guò)反復(fù)迭代逐步逼近真實(shí)值,多個(gè)目標(biāo)對(duì)參數(shù)估計(jì)精度影響較小。

4 結(jié) 論

本文提出了一種基于SAGE算法的多目標(biāo)毫米波無(wú)源定位和生命體征檢測(cè)方法,該方法利用毫米波提供的大帶寬和目標(biāo)本身體征先驗(yàn)信息,對(duì)采集信號(hào)進(jìn)行濾波提取多目標(biāo)直接反射徑成分,進(jìn)一步采用SAGE算法聯(lián)合估計(jì)多目標(biāo)直接反射徑信號(hào)成分參數(shù),最后基于估計(jì)的目標(biāo)直接反射徑參數(shù)實(shí)現(xiàn)無(wú)源目標(biāo)定位和生命體征檢測(cè)。該方法采用SAGE算法對(duì)信號(hào)進(jìn)行空時(shí)頻域聯(lián)合處理,交替地迭代實(shí)現(xiàn)多目標(biāo)直接反射徑參數(shù)估計(jì),有效克服了無(wú)源多目標(biāo)直接反射徑相互干擾且難以有效地分離和提取的問(wèn)題,降低了運(yùn)算復(fù)雜度,提高了參數(shù)估計(jì)精度。實(shí)驗(yàn)、仿真結(jié)果驗(yàn)證了所提算法的可行性和有效性。