论文部分内容阅读
为预测性感知人体健康状况,在日常生活中保障生命安全,非接触式生命体征监测技术得到发展。WiFi通信技术覆盖范围广、部署简单且成本低,可以在不接触人体的情况下实现对生命体征的提取。WiFi中接收信号强度(Received Signal Strength,RSS)最先被用来进行感知,但RSS存在粗粒度、检测精度低等缺点。近年来,研究者发现WiFi信号中的信道状态信息(Channel State Information,CSI)可以更细粒度地感知,能够解决RSS信息检测精度低等问题。因此,基于CSI的生命体征提取方法研究具有极大的实用价值和重要意义。本文的主要工作如下:(1)本文提出了一种基于CSI信号的生命体征提取方法。人体生理参数中,心肺信号极具有代表意义。本文深入分析了RSS和CSI信息两者的差别,结合生物医学技术,提出了基于CSI的呼吸频率与心率提取算法。利用WiFi设备和配置好Intel 5300网卡与驱动的笔记本进行通信,采集CSI数据包,对CSI信号进行预处理消除大部分噪声干扰。由于呼吸与心跳信号混杂不易区分,根据波形特点,采用了不同的分离方法及特征提取算法。(2)根据不同子载波对呼吸信号的敏感度不同,本文提出了一种更为严格的三重子载波选择算法。选出的三个最佳子载波分别提取呼吸频率,然后取平均获得最终呼吸频率。相比直接采用单条最佳子载波提取,该提取算法的准确率更高。心跳信号波形较为复杂,提取的关键在于识别QRS波,本文提出了一种基于改进小波变换的QRS波识别方法,在确定R峰位置后,根据心跳信号波形特点,可直接计算出心跳频率,通过MIT-BIH Arrhythmia数据库证明了识别算法的有效性。(3)本文利用现有实验条件,研制了实际监测平台,验证了本文算法的可行性。通过实际场景测试,本文算法对呼吸频率提取的最优精度为94.6%,心率为90.2%,实现了呼吸频率及心率的监测。通过与其他提取算法的实验比较,证明了本文算法的准确性和鲁棒性。该论文有图43幅,表8个,参考文献82篇。