A funcionalidade de pesquisa está em construção.
A funcionalidade de pesquisa está em construção.

The original paper is in English. Non-English content has been machine-translated and may contain typographical errors or mistranslations. ex. Some numerals are expressed as "XNUMX".
Copyrights notice

The original paper is in English. Non-English content has been machine-translated and may contain typographical errors or mistranslations. Copyrights notice

Open Access
A Novel Remote-Tracking Heart Rate Measurement Method Based on Stepping Motor and mm-Wave FMCW Radar
Abra o Access
Um novo método de medição de frequência cardíaca com rastreamento remoto baseado em motor de passo e radar FMCW de ondas mm

Yaokun HU, Xuanyu PENG, Takeshi TODA

  • Exibições de texto completo

    320

  • Cite isto
  • Free PDF (9.5MB)

Resumo:

O sujeito deve estar imóvel para medições convencionais de sinais vitais sem contato baseadas em radar. Além disso, o alcance de medição é limitado pelo design do próprio módulo de radar. Embora a precisão das medições tenha melhorado, as perspectivas para a sua aplicação poderiam ter sido desenvolvidas mais rapidamente. Este artigo propôs um novo método de rastreamento adaptativo baseado em radar para medir a frequência cardíaca da pessoa monitorada em movimento. O módulo do radar é fixado em uma placa circular e acionado por motores de passo para girá-lo. Para proteger a privacidade do usuário, o método utiliza processamento de sinal de radar para detectar a posição do sujeito para controlar um motor de passo que ajusta a faixa de medição do radar. Os resultados dos experimentos de rota fixa revelaram que quando o sujeito se movia a uma velocidade de 0.5 m/s, os valores médios de RMSE para medições de frequência cardíaca estavam todos abaixo de 2.85 batimentos por minuto (bpm), e quando se movia a uma velocidade de 1 m/s, todos estavam abaixo de 4.05 bpm. Quando os indivíduos caminharam em rotas e velocidades aleatórias, o RMSE das medidas ficou abaixo de 6.85 bpm, com valor médio de 4.35 bpm. O tempo médio do intervalo RR do sinal de batimento cardíaco reconstruído foi altamente correlacionado com os dados do eletrocardiograma (ECG), com coeficiente de correlação de 0.9905. Além disso, este estudo não apenas avaliou o efeito potencial do balanço do braço (movimento de caminhada mais normal) na medição da frequência cardíaca, mas também demonstrou a capacidade do método proposto para medir a frequência cardíaca em um cenário com várias pessoas.

Publicação
IEICE TRANSACTIONS on Communications Vol.E107-B No.6 pp.470-486
Data de publicação
2024/06/01
Publicitada
ISSN online
1745-1345
DOI
10.23919/transcom.2023EBP3143
Tipo de Manuscrito
PAPER
Categoria
Sentindo

1. Introdução

O número de idosos que vivem sozinhos e em lares de idosos está a aumentar devido à longevidade. É difícil detectar potenciais problemas médicos no corpo de uma pessoa idosa. No entanto, as doenças cardiovasculares são a principal causa de morte no Japão, sendo responsáveis ​​por 25.5% de todas as mortes [1]. O desenvolvimento de um sistema interno de monitorização da frequência cardíaca para idosos que vivem sozinhos é urgentemente necessário devido a esta crescente questão social.

As medidas convencionais de contato são inadequadas para monitoramento contínuo e 2 horas por dia e idosos com problemas de pele. A pesquisa sobre medições de frequência cardíaca sem contato baseadas em radar ganhou popularidade recentemente. Em [3], eles estimaram que os sinais vitais do sujeito foram estimados usando um radar FMCW de ondas milimétricas. Os autores de [8.4] propuseram uma abordagem de aprimoramento diferencial e empregaram um radar FMCW com frequência portadora central de 4 GHz para medir com precisão a frequência cardíaca. Em [5], um algoritmo de busca de espaço nulo integral refinado com aprendizado foi sugerido para aquisição adaptativa de sinais vitais com um radar UWB de rádio de impulso (IR-UWB) e um radar UWB de onda contínua de frequência escalonada. Para monitoramento de sinais vitais sem contato, um radar Doppler de onda contínua (CW) que opera como um loop de fase bloqueada em uma configuração de desmodulador de fase foi proposto em [XNUMX].

Radar IR-UWB [4], [8], [9], radar CW Doppler [5], [10]-[14] e radar FMCW [2], [15]-[18] são os tipos de radares que são atualmente mais utilizados neste campo de estudo. Os níveis máximos de energia do sinal que podem ser transmitidos não são muito altos, o que reduz a precisão e a relação sinal-ruído (SNR) dos radares IR-UWB [19]. Da mesma forma, como o radar Doppler CW não possui capacidade de alcance [20], as medições estão sujeitas a interferências e são, portanto, inadequadas para acompanhar os sinais vitais de alvos em movimento. O radar FMCW combina as vantagens dos dois primeiros, com boas capacidades de medição de alcance e velocidade, e o radar FMCW de banda milimétrica é extremamente sensível. Pode medir efetivamente o deslocamento da superfície da pele humana. Portanto, este estudo utiliza o radar FMCW na faixa de 77-81 GHz.

A maioria dos estudos de estimativa de sinais vitais baseados em radar exige que os indivíduos permaneçam imóveis, inclusive em pé, sentados em uma cadeira ou descansando na cama [2]-[20]. Isto limita a aplicação de métodos de medição da frequência cardíaca baseados em radar. Por esta razão, os autores de [21], [22] e [23] tentaram utilizar o radar IR-UWB e o radar FMCW, respectivamente, para estimar a frequência cardíaca de uma pessoa em movimento. No entanto, os sujeitos da pesquisa mencionada acima só conseguiam se mover lentamente. Para resolver esse problema, propusemos um método aprimorado de seleção de intervalo adaptativo (IARBS) para medições de frequência cardíaca de indivíduos em movimento com base no radar FMCW [24]. Os sujeitos mantiveram uma alta precisão de medição quando caminharam a uma velocidade média de 1 m/s. Contudo, devido às características do radar, o alcance de medição pode ser limitado. É um desafio cobrir toda a sala, mesmo com técnicas de formação de feixe. Quando o ângulo é muito grande, o feixe se alarga, o ganho da antena cai e o desempenho é prejudicado. Se houver vários radares na sala, eles poderão interferir uns nos outros e aumentar o ruído de fundo. Além disso, esses métodos aumentam o custo do sistema de medição, o que não contribui para a popularidade da aplicação.

Os autores de [34] propuseram uma nova abordagem para montar radar em um robô móvel. No entanto, pode não ser apropriado para idosos que vivam sozinhos, em lares de idosos ou em observações clinicamente isoladas. Existe um risco de segurança porque o idoso pode tropeçar nos fios porque o robô deve estar conectado à fonte de energia. É difícil monitorar continuamente se um método de carregamento é empregado. Em [26], foi proposto um método para alterar adaptativamente a orientação do radar, adquirindo a posição do sujeito através de uma câmera. No entanto, o processamento de imagens por meio de câmeras é sensível à iluminação ambiente e envolve questões de privacidade pessoal. Além disso, as medições da frequência cardíaca dos sujeitos em movimento não foram avaliadas no estudo acima mencionado.

Em [27], propusemos e discutimos a possibilidade de utilizar um motor de passo para alterar a orientação do radar, mas apenas verificamos isso através de uma simulação simples. Este artigo aprimora o método de [27] e propõe uma nova técnica de medição de frequência cardíaca de rastreamento remoto adaptativo, baseada em radar, para resolver os problemas mencionados acima. Neste estudo, construímos um dispositivo de medição real. O módulo do radar é fixado a uma placa circular giratória. O radar mede a frequência cardíaca enquanto mede a posição da pessoa monitorada, que é então processada e transmitida a um motor de passo para acionar a rotação do módulo do radar. Um motor de passo é usado neste estudo pelos seguintes motivos. Como o motor de passo não possui escovas, ele é mais confiável. Além disso, não acumula o erro de uma etapa para a próxima e, portanto, possui melhor precisão de posicionamento. Além disso, o motor é simples e barato, pois sua resposta é baseada apenas em um pulso de entrada digital.

A pessoa monitorada pode estar sempre dentro da faixa de medição ideal devido à orientação do radar ajustada de forma adaptativa. Em seguida, após a amostragem dos dados brutos do radar, os intervalos de alcance onde o sujeito está localizado são selecionados ao longo da dimensão de tempo usando o método IARBS, e suas informações de fase são extraídas. As informações de deslocamento da superfície da pele humana, provocadas pelo tronco, batimentos cardíacos e respiração do corpo, podem ser obtidas usando as informações de mudança de fase. Sugerimos o uso da abordagem de decomposição empírica de conjunto completo aprimorada com ruído adaptativo (ICEEMDAN) para extrair o sinal de batimento cardíaco e determinar sua frequência cardíaca [28]. Neste estudo, continuamos a utilizar esta técnica para analisar os dados experimentais e avaliar a precisão do sistema de medição proposto.

Neste estudo, construímos um dispositivo de medição real, utilizando um motor de passo para mudar a direção do radar e ajustar a faixa ideal para medir a frequência cardíaca. O sistema de medição proposto rastreia um objeto em movimento usando processamento de sinal de radar. Mesmo que este sujeito caminhe a uma velocidade média de 1 m/s e o ângulo horizontal em relação ao módulo de radar varie bastante. Isto aumenta significativamente o potencial de aplicação de medições remotas de frequência cardíaca baseadas em radar. Até onde sabemos, este é o primeiro estudo que desafia esse campo.

O princípio de utilização do radar FMCW para detectar sinais vitais é explicado na Seção. 2. O método proposto é explicado detalhadamente na Seção. 3. Os experimentos e conclusões são apresentados nas Seções. 4 e 5, respectivamente.

2. Princípio para medições de frequência cardíaca

A Figura 1 mostra a estrutura do sistema de medição de frequência cardíaca baseado em radar FMCW para pessoas em movimento. Conforme mostrado na Fig. 2, o gerador de rampa emite periodicamente um sinal de chiado ascendente com uma duração de tempo de \(T_{\mathrm{c}}\) e frequências que variam de \(f_{\min}\) para \(f_{\max}\) em intervalos de tempo específicos. A inclinação da modulação de frequência linear ascendente de cada chirp é \(K_{\mathrm{s}}\), e a largura de banda de varredura é \(B={f_{\max}}-f_{\min =}T_{\mathrm{c}}K_{\mathrm{s}}\).

FIG. 1  O diagrama de blocos do módulo de radar FMCW. O conversor analógico-digital, o amplificador de baixo ruído e o amplificador de potência são indicados pelas siglas PA, LNA e ADC. O computador recebe os dados brutos para processar os sinais.

FIG. 2  O diagrama tempo-frequência dos chirps transmitidos e recebidos do caso de Tx único e Rx único.

FIG. 3  O fluxograma do processamento proposto.

O amplificador de potência amplifica cada sinal de chirp antes da transmissão. O módulo de radar recebe o sinal após ser refletido pelo objeto e o amplifica por meio de um amplificador de baixo ruído. Os sinais transmitidos e recebidos são correlacionados pelo misturador em fase e quadratura (I/Q) para gerar o sinal de frequência intermediária (IF). Como existem quatro receptores (com a mesma configuração), também existem quatro sinais IF. Depois que o conversor analógico-digital (ADC) amostra cada sinal IF, as informações de fase podem ser preservadas. Os dados brutos amostrados são transmitidos quadro a quadro ao computador para processamento de sinal. Cada sinal IF pode ser definido pela seguinte equação:

\[\begin{eqnarray*} s_{\mathrm{if}}(t)&=&A_{\mathrm{t}}A_{\mathrm{r}}\exp \left(j\left(2\pi f_{\min}t_{\mathrm{d}}+2\pi K_{\mathrm{s}}t_{\mathrm{d}}t-\pi K_{\mathrm{s}}{t}_{\mathrm{d}}^{2}\right)\right)\nonumber \\ &\approx& A_{\mathrm{t}}A_{\mathrm{r}}\exp \left(j\left(2\pi f_{\min}t_{\mathrm{d}}+2\pi K_{\mathrm{s}}t_{\mathrm{d}}t\right)\right)t_{\mathrm{d}}< t< T_{\mathrm{c}} \tag{1} \end{eqnarray*}\]

onde \(A_{\mathrm{t}}\) é a magnitude associada à potência de transmissão e \(A_{\mathrm{r}}\) está relacionado a \(A_{\mathrm{t}}\) pela equação do radar. Atraso de tempo, \(t_{\mathrm{d}}\) entre o sinal que está sendo transmitido e recebido. Porque \(\pi K_{\mathrm{s}}{t}_{\mathrm{d}}^{2}\) em (1) é pequeno, pode ser desconsiderado [2], [28]. A relação entre a distância instantânea \(R_0\) e tempo de atraso \(t_{\mathrm{d}}\) do alvo medido e do módulo de radar pode ser expresso como:

\[\begin{equation*} R_0=\frac{\mathrm{c}t_{\mathrm{d}}}{2} \tag{2} \end{equation*}\]

onde \(\mathrm{c}\) representa a velocidade da luz. Combinando (1) e (2), a frequência do sinal IF e suas informações de fase podem ser expressas como

\[\begin{equation*} f_{\mathrm{b}}=\frac{2K_{\mathrm{s}}R_{0}}{\mathrm{c}},\quad \varphi(t)=4\pi f_{\min}\frac{\left(R_0+x(t)\right)}{\mathrm{c}} \tag{3} \end{equation*}\]

onde \(x(t)\) pode ser interpretado como o deslocamento da cavidade torácica causado pelos batimentos cardíacos e pela respiração do alvo. A estimativa da frequência cardíaca geralmente pode ser realizada com apenas um sinal IF.

3. Sistema de Medição Proposto

Conforme mencionado na introdução, a incapacidade de alterar a orientação do módulo de radar é uma desvantagem dos métodos convencionais de medição da frequência cardíaca baseados em radar. Portanto, é impossível estimar a frequência cardíaca uma vez que o sujeito tenha saído de uma faixa específica. Um método de medição da frequência cardíaca com motor combinado com um radar FMCW de ondas milimétricas é proposto neste estudo como uma solução para o problema acima mencionado e para aumentar a aplicabilidade do método de medição. A abordagem proposta utiliza processamento de sinal de radar para calcular as informações de movimento do alvo, que são então enviadas a um motor de passo para ajustar a orientação do módulo de radar. Desta forma, o monitoramento adaptativo da frequência cardíaca em tempo real é realizado.

O fluxograma de processamento de sinais do método proposto é mostrado na Figura 3, onde a seção do computador é dividida em seções para monitoramento da frequência cardíaca e controle de rotação do motor de passo.

3.1 Controle de Rotação do Motor de Passo

O ADC faz uma amostragem do sinal IF, que é então enviado a um computador em quadros para processamento do sinal. Em pesquisas de medição de frequência cardíaca baseadas em radar, 0.05 s é uma escolha típica para o período do quadro [2], [15]. Um período de quadro \(T_{\mathrm{f}}\) de 0.05 s é comparável à amostragem do sinal de batimento cardíaco do alvo a uma frequência de amostragem de 20 Hz porque a frequência cardíaca humana média é inferior a 2 Hz, o que satisfaz o teorema da amostragem. No entanto, o encurtamento excessivo do período do quadro leva a uma transmissão de dados mais frequente do módulo do radar para o computador, o que pode aumentar a possibilidade de perda de dados. Portanto, neste estudo, o comprimento do quadro foi fixado em 0.05 s.

Como mostrado na Fig. 4, este estudo emite \(L\) sinais chirp em um ciclo de quadro único para executar cálculos FFT multidimensionais, em contraste com outros estudos que emitem apenas um sinal chirp em cada quadro. Uma matriz de dados brutos com \(L\) linhas e \(N\) colunas são geradas para cada quadro após cada sinal chirp ser amostrado \(N\) vezes. Um intervalo FFT é executado primeiro na dimensão de tempo rápido dos dados brutos de cada quadro para gerar a matriz de perfil de intervalo (RPM). Em seguida, um Doppler-FFT é aplicado à dimensão de tempo lento do RPM para criar uma matriz Doppler de alcance (RDM).

FIG. 4  Diagrama do período do quadro em relação ao período de rotação.

Um fluxograma do cálculo do ângulo de rotação do motor de passo é mostrado na Fig. 5. Assumindo um período de quadro de 0.05 s, a distância máxima percorrida em um único quadro é de apenas 10 cm, mesmo que o sujeito caminhe em uma velocidade maior. de 2m/s. Portanto, a distância percorrida pelo sujeito em um ciclo de quadro único é relativamente pequena e, considerando os altos requisitos em tempo real deste método de medição, não é necessário girar o motor quadro a quadro. Em vez disso, determina se um motor de passo é necessário para corrigir o alinhamento do radar, detectando a posição do sujeito a cada \(M\) quadros (um período de rotação \(T_{\mathrm{r}}\)). O módulo de cálculo do ângulo de rotação do motor recebe o RDM do \(kM+1\) o quadro (\(k=1, 2, 3, \ldots, K\)) como entrada, conforme ilustrado na Fig.

FIG. 5  Fluxograma de cálculo do ângulo de rotação.

A interferência causada por outros objetos e o ruído produzido pelo receptor do radar devido à temperatura, ao clima e outros fatores influenciam a qualidade do sinal do radar. Portanto, as células do intervalo contendo os candidatos alvo e seus desvios Doppler são identificadas realizando o processamento 2D-CA-CFAR para cada RDM. 2D-CA-CFAR, 2D-OS-CFAR e outros algoritmos CFAR estão sendo cada vez mais utilizados [29], [30]. 2D-OS-CFAR tem melhor desempenho em cenários com numerosos alvos de interferência forte, mas o esforço computacional é substancial [31]. 2D-CA-CFAR é computacionalmente simples e apresenta bom desempenho em situações de ruído puro. O algoritmo 2D-CA-CFAR foi escolhido porque o contexto ambiental deste estudo não é complexo, o sujeito é apenas uma pessoa e a exigência de desempenho em tempo real é alta. Além disso, como a onda milimétrica tem uma largura de banda de varredura alta, a célula bin de alcance corresponde a um pequeno intervalo de distância; portanto, as células de proteção e referência do algoritmo CA-CFAR não afetam o alcance mensurável do radar. Algoritmos relacionados a CFAR não são o tópico principal deste trabalho, e as correlações entre probabilidade de alarme falso, limite de julgamento e probabilidade de detecção são discutidas com mais detalhes em [31].

Os objetos no RDM que excedem o limite após o processamento 2D-CA-CFAR são chamados de candidatos alvo. As velocidades instantâneas dos candidatos alvo no \(kM+1\) Os quadros são calculados usando o deslocamento Doppler. Todos os candidatos alvo, incluindo o sujeito, permanecem imóveis quando as velocidades são zero. Como resultado, o ângulo de rotação \(\theta_{\mathrm{r}}^{kM+1}\) é zero e o motor não precisa ser ajustado para alterar a orientação do módulo de radar.

Uma matriz candidata alvo (TCM) \({\boldsymbol{A}}_{\mathrm{TCM}}^{kM+1}\) é criado se \(u\) (\(u=1,2,3,\ldots, U\)) alvos móveis são detectados no \(kM+1\)º quadro, com o número de colunas representando o número de candidatos. A primeira linha é a distância \(R_{kM+1}\) do radar, e a segunda linha representa a informação de velocidade instantânea \(v_{kM+1}\), conforme mostrado em (4).

\[\begin{equation*} \boldsymbol{A}_{\mathrm{TCM}}^{kM+1}= \begin{bmatrix} R_1^{kM+1} & R_2^{kM+1} & R_3^{kM+1} & \cdots & R_U^{kM+1} \\ v_1^{kM+1} & v_2^{kM+1} & v_3^{kM+1} & \cdots & v_U^{kM+1} \end{bmatrix} \tag{4} \end{equation*}\]

O ângulo instantâneo do objeto pode ser calculado pela seguinte

\[\begin{equation*} \theta =\sin^{-1}\frac{\lambda\Delta\omega}{2\pi\mathrm{d}}, \tag{5} \end{equation*}\]

onde \(\lambda\) é o comprimento de onda, \(\Delta\omega\) é a diferença de fase obtida após o processamento do ângulo FFT na direção da antena com base nos dados obtidos por RDM, e \(\mathrm{d}\) é o passo das antenas do receptor. O significado geométrico de \(\theta\) é o ângulo de chegada (AoA) do objeto com o módulo de radar no plano horizontal.

Supõe-se que o ponto de coordenadas do radar seja a origem do sistema de coordenadas e a orientação inicial do módulo do radar seja a direção positiva do eixo y, a partir do qual o sistema de coordenadas absolutas é estabelecido. A posição inicial e a velocidade do alvo são \((0, R_1^0)\) e zero, respectivamente. Além disso, ângulo \(\theta_{\mathrm{a}}^{kM+1}\) é formado pelas orientações iniciais e atuais do radar e é atualizado em tempo real. A orientação do radar muda ao rastrear o alvo. Portanto, utilizando \(\theta_{\mathrm{a}}^{kM+1}\) é necessário mapear as coordenadas atuais do alvo nas coordenadas absolutas iniciais. Desta forma, o TCM pode ser expandido para cinco linhas, conforme mostrado em (6), com a terceira linha representando a informação do ângulo e a quarta e quinta linhas representando as coordenadas absolutas do eixo x e do eixo y, respectivamente. As direções dos eixos x e y são definidas na Fig.

\[\begin{eqnarray*} &&\!\!\!\!\! \boldsymbol{A}_{\mathrm{TCM}}^0= \begin{bmatrix} R_1^0\\ 0\\ 0\\ 0\\ R_1^0 \end{bmatrix}, \nonumber \\ &&\!\!\!\!\! \boldsymbol{A}_{\mathrm{TCM}}^{kM+1}\nonumber\\ &&\!\!\!\!\! = \mbox{$ \begin{bmatrix} R_1^{kM+1} & \cdots & R_U^{kM+1} \\ v_1^{kM+1} & \cdots & v_U^{kM+1} \\ \theta_1^{kM+1} & \cdots & \theta_{U}^{kM+1} \\ R_1^{kM+1}\sin(\theta_1^{kM+1}+\theta_{\mathrm{a}}^{(k-1)M+1}) & \cdots & R_U^{kM+1}\sin (\theta_U^{kM+1}+\theta_{\mathrm{a}}^{(k-1)M+1}) \\ R_1^{kM+1}\cos (\theta_1^{kM+1}+\theta_{\mathrm{a}}^{(k-1)M+1}) & \cdots & R_U^{kM+1}\cos (\theta_U^{kM+1}+\theta_{\mathrm{a}}^{(k-1)M+1}) \end{bmatrix} $} \nonumber\\ &&\!\!\!\!\! \tag{6} \end{eqnarray*}\]

Embora o assunto possa gerar vários candidatos-alvo, a desordem também pode existir no TCM. Portanto, uma faixa de valores é especificada com base nas informações anteriores de movimento do alvo, o que é muito semelhante ao método aprimorado de seleção de faixa de faixa que propusemos anteriormente [24]. A distinção é que o intervalo de valores especificado neste estudo é expandido de uma linha unidimensional para uma superfície bidimensional. Todos os candidatos-alvo dentro de um intervalo específico são considerados produzidos pelo sujeito e criando uma nova matriz-alvo \(\boldsymbol{A}_{\mathrm{TM}}^{kM+1}\). Então, calculando a média ao longo de cada linha do \(\boldsymbol{A}_{\mathrm{TM}}^{kM+1}\) produz uma matriz de decisão de rotação \(\boldsymbol{A}_{\mathrm{DM}}^{kM+1}\) para esse quadro com uma coluna e cinco linhas, conforme mostrado em (7).

\[\begin{equation*} \boldsymbol{A}_{\mathrm{DM}}^{kM+1}= \begin{bmatrix} \overline{R}^{kM+1}\\ \overline{v}^{kM+1}\\ \overline{\theta}^{kM+1}\\ \overline{R}^{kM+1}\sin\left(\overline{\theta}^{kM+1} +\theta_{\mathrm{a}}^{(k-1)M+1}\right) \\ \overline{R}^{kM+1}\cos \left(\overline{\theta}^{kM+1}+\theta_{\mathrm{a}}^{(k-1)M+1}\right) \end{bmatrix}, \tag{7} \end{equation*}\]

onde \(\overline{\theta}^{kM+1}\) é o ângulo entre o assunto e a direção positiva do módulo de radar. Para obter o \(\boldsymbol{A}_{\mathrm{TM}}^{kM+1}\), o intervalo específico de valores para o TCM atual é definido como

  1. As coordenadas centrais do círculo são definidas com os valores \({\boldsymbol{A}_{\mathrm{DM}}^{(k-1)M+1}}_{(4,1)}\) e \({\boldsymbol{A}_{\mathrm{DM}}^{(k-1)M+1}}_{(5,1)}\) do período de rotação anterior.
  2. O processo de caminhada humana pode ser aproximado como um movimento uniforme, então o raio \(r_{\mathrm{s}}^{kM+1}\) da faixa específica de valores pode ser calculada usando (8) e (9). A unidade de proteção \(\beta _{\mathrm{s}}\) também é introduzido para aumentar a tolerância a falhas, considerando que ocasionalmente há aceleração do estado estacionário para o estado uniforme.
    \[\begin{eqnarray*} &&\!\!\!\!\! r_{\mathrm{s}}^{kM+1}=\left(\left|\overline{v}^{(k-1)M+1}\right|T_{\mathrm{r}}\right) +\beta_{\mathrm{s}}, \tag{8} \\ &&\!\!\!\!\! \beta_{\mathrm{s}}=\frac{1}{2} a_{\mathrm{s}}{T_{\mathrm{r}}}^2, \tag{9} \end{eqnarray*}\]
    onde \(a_{\mathrm{s}}\) é a aceleração do sujeito, e o valor pode ser ajustado com base nas condições do ambiente e no fundo da aplicação.
  3. Suponha que a matriz TCM tenha \(u\) (\(u=1,2,3,\ldots,U\)) candidatos-alvo. Então, os candidatos-alvo que satisfazem (10) são retidos para formar \(\boldsymbol{A}_{\mathrm{TM}}^{kM+1}\). Isto é comparado com a matriz \(\boldsymbol{A}_{\mathrm{TCM}}^0\) quando \(k\) é zero.
    \[\begin{equation*} r_{\mathrm{s}}^{kM+1}\geq \sqrt{\begin{array}{@{}l@{}} \left({\boldsymbol{A}_{\mathrm{TCM}}^{kM+1}}_{(4,u)}- {\boldsymbol{A}_{\mathrm{DM}}^{(k-1)M+1}}_{(4,1)}\right)^2+ \\ \left({\boldsymbol{A}_{\mathrm{TCM}}^{kM+1}}_{(5,u)}- {\boldsymbol{A}_{\mathrm{DM}}^{(k-1)M+1}}_{(5,1)}\right)^2 \end{array}} \tag{10} \end{equation*}\]

Quando \(\boldsymbol{A}_{\mathrm{TCM}}^{kM+1}\) or \(\boldsymbol{A}_{\mathrm{TM}}^{kM+1}\) está vazia, \(\boldsymbol{A}_{\mathrm{DM}}^{kM+1}\) herda a matriz \(\boldsymbol{A}_{\mathrm{DM}}^{(k-1)M+1}\) exceto para o segundo elemento (informação de velocidade instantânea), porque não há alvo móvel em uma determinada faixa. Portanto, o valor do segundo elemento é zero.

Em contraste, \(\boldsymbol{A}_{\mathrm{TM}}^{kM+1}\) é calculada a média ao longo da direção da linha para produzir \(\boldsymbol{A}_{\mathrm{DM}}^{kM+1}\) se não estiver vazio. \({\boldsymbol{A}_{\mathrm{DM}}^{kM+1}}_{(3,1)}\) é o ângulo de chegada do sujeito, e seu ângulo com a direção positiva do eixo y em coordenadas absolutas é \({\boldsymbol{A}_{\mathrm{DM}}^{kM+1}}_{(3,1)}+\theta_{\mathrm{a}}^{(k-1)M+1}\).

O valor limite do ângulo de rotação \(\theta_{\mathrm{s}}\) está definido para filtrar o ângulo \({\boldsymbol{A}_{\mathrm{DM}}^{kM+1}}_{(3,1)}\). Se o movimento do sujeito resultar apenas numa ligeira mudança de ângulo, não é essencial rodar o motor para alterar a orientação do radar. Assim, o método proposto pode ser utilizado para garantir que o sujeito esteja sempre dentro da faixa medida e não precisamente na linha média do azimute do radar. Rotações frequentes e breves para frente e para trás podem reduzir a precisão das medições da frequência cardíaca. O Algoritmo I calcula o ângulo \(\theta_{\mathrm{r}}^{kM+1}\) o motor precisa girar a cada período e atualiza o ângulo \(\theta_{\mathrm{a}}^{kM+1}\). Finalmente, o motor de passo opera de acordo com o ângulo \(\theta_{\mathrm{r}}^{kM+1}\).

No cenário multisujeito, independentemente de os outros sujeitos estarem estacionários, suas informações não serão incluídas no \(\boldsymbol{A}\)TM uma vez que não estão dentro de um intervalo específico. Normalmente, o intervalo específico é muito pequeno. Por exemplo, se o período de rotação for de 0.2 se a velocidade média for de 1 m/s, o raio do alcance de busca será de apenas cerca de 0.2 m. A probabilidade de outros sujeitos entrarem nesta faixa é muito baixa. Um objeto pode gerar mais de um ponto candidato alvo. Mesmo que os outros motivos estejam próximos do motivo monitorizado, apenas alguns pontos de outros motivos existem dentro do intervalo específico. Então, o processamento médio no cálculo de \(\boldsymbol{A}\)DM removerá seu efeito. Portanto, o método de rastreamento proposto também pode travar corretamente o alvo sem interferência de outros sujeitos em um cenário multissujeito.

3.2 Monitoramento da frequência cardíaca

A abordagem mencionada acima garante que o assunto esteja constantemente dentro da faixa de medição. Ao examinar o RPM, as informações de mudança de fase \(\varphi(t)\) pode ser obtido na célula do intervalo onde o assunto está localizado. O deslocamento da pele torácica \(x(t)\) é determinado usando as informações de mudança de fase, e esse deslocamento é então utilizado para extrair o sinal de batimento cardíaco e determinar a frequência cardíaca.

Conforme discutido na introdução, os indivíduos tiveram que permanecer imóveis (sentado, em pé ou deitado) para a medição na maioria dos estudos anteriores utilizando monitorização da frequência cardíaca baseada em radar. Além disso, os sujeitos estavam normalmente próximos do radar. Nessa situação, técnicas como a detecção de pico de RPM podem identificar rapidamente a célula da faixa na qual o sujeito está localizado. Além disso, uma vez localizada a célula do compartimento de faixa, nenhuma modificação adicional é necessária durante o ciclo de medição.

Em contraste, os sujeitos deste estudo foram acompanhados por dois estados, movimento e estacionário, implicando que as células do intervalo alvo estavam em constante mudança. Além disso, como a busca de pico de RPM ou a busca de pico de RDM é suscetível a ruído, é um desafio localizar as células do intervalo alvo usando apenas esses métodos. Portanto, sugerimos a abordagem aprimorada de seleção de intervalo adaptativo [24], que também é utilizada neste estudo, para coletar informações de fase de alta qualidade com precisão e rapidez.

A confirmação da localização inicial e a seleção do intervalo adaptativo são duas partes do método IARBS. O DRM inicial \(\boldsymbol{D}_{\mathrm{i}}\) é obtido na primeira etapa acumulando imediatamente os sinais up-chirp de \(H\) frames, o que garante que a célula bin do intervalo apropriado \(\alpha^H_{\text{optimal}}\) é adquirido no início.

Na segunda etapa, começando pelo quadro \(H+1\), a velocidade instantânea do sujeito, conforme determinado pelos dados dos quadros anteriores, limita adaptativamente a faixa de busca de pico do DRM para cada quadro. A seguir estão as justificativas para não utilizar diretamente os dados da matriz \(\boldsymbol{A}\)DM. É necessário um alto desempenho em tempo real para a rotação do motor, e a função de cálculo do ângulo de rotação calcula rapidamente a posição aproximada do sujeito por \(M\) quadros. No entanto, a medição da frequência cardíaca deve obter com precisão a célula do intervalo ideal.

\(\mathrm{a}^{H+j}_{\max}\), \(\alpha^{H+j}_{\min}\) e \(\alpha^{H+j}_{\text{optimal}}\) são os limites superior e inferior da faixa de busca de pico e os resultados para o quadro \(H+j\) (\(j = 1, 2, 3, \ldots, J\)), respectivamente. Seu relacionamento é definido por (11), (12) e (13).

\[\begin{eqnarray*} &&\!\!\!\!\! \alpha_{\min}^{H+j}=\alpha_{\text{optimal}}^{H+(j-1)} -\left\lceil\frac{{v}_{\mathrm{m}}^{H+j}T_{\mathrm{f}}}{R_{\mathrm{bin}}}\right\rceil -\beta_{\mathrm{p}}^{H+j}, \tag{11} \\ &&\!\!\!\!\! \alpha_{\max}^{H+j}=\alpha_{\text{optimal}}^{H+(j-1)} +\left\lceil\frac{{v}_{\mathrm{m}}^{H+j}T_{\mathrm{f}}}{R_{\mathrm{bin}}}\right\rceil +\beta_{\mathrm{p}}^{H+j}, \tag{12} \\ &&\!\!\!\!\! \beta_{\mathrm{p}}^{H+j}=\left\lceil\eta\left(\frac{\alpha_{\max}^{H+j}-\alpha_{\min}^{H+j} +1}{2}\right)\right\rceil, \tag{13} \end{eqnarray*}\]

onde \(\lceil\ldots\rceil\) arredonda o elemento para o próximo número inteiro maior e \(R\)caixa representa o comprimento de cada célula do intervalo. A velocidade instantânea do assunto no quadro \(H+(j-1)\) enquadrar \(H+j\) é representado por \(v^{\textit{H+j}}_{\mathrm{m}}\). O coeficiente \(\eta\) (\(0 \leq \eta \leq 1\)) e a faixa de busca de pico determinam o comprimento da célula de proteção, representado como \(\beta^{H+j}_{\mathrm{p}}\). \(H\) e \(\eta\) são normalmente definidos em 0.5 e 0.1, respectivamente, de acordo com [24].

Depois de escolher a célula bin de intervalo ideal, \(L\) informações de fase (\(L\) sinais de chirp por quadro) podem ser coletados para cada quadro e calculada a média para melhorar a qualidade da fase. Isto implica que cada quadro extrai um valor de fase no intervalo ideal ao qual corresponde. Em seguida, as informações de fase de cada quadro em uma janela de observação são agrupadas em ordem de tempo, o que fornece as informações de fase \(\varphi(t)\) ao longo do tempo.

Podem ocorrer tremores repentinos ou ruídos no corpo durante a medição, e janelas de observação mais longas proporcionarão melhor imunidade a interferências. A medição também será mais precisa porque quanto mais longos os dados, maior será a resolução dos compartimentos FFT. Em contraste, uma janela de observação mais curta proporciona um melhor desempenho em tempo real. O comprimento da janela de observação deve ser ajustado de acordo com a aplicação. Além disso, se as janelas subsequentes forem consecutivas, a primeira etapa do método IARBS pode ser ignorada após o processamento da primeira janela de observação. Finalmente, o deslocamento torácico do sujeito \(x(t)\) é determinado usando (3).

Junto com o sinal de batimento cardíaco, \(x(t)\) inclui o sinal de respiração e outros ruídos (por exemplo, tremores do corpo e do radar). A transformada wavelet e o filtro passa-banda são duas técnicas para extrair sinais de batimento cardíaco [32]-[35]. No entanto, estas técnicas convencionais têm limitações porque o sinal do batimento cardíaco difere de pessoa para pessoa e a frequência cardíaca humana está próxima dos harmónicos de ordem superior da frequência respiratória.

Um método aprimorado de decomposição de modo empírico (EMD) chamado ICEEMDAN pode dividir adaptativamente um sinal em um número limitado de funções de modo intrínseco (IMFs), dependendo da escala de tempo do sinal [36], [37]. Portanto, este estudo utiliza o método ICEEMDAN para decompor o \(x(t)\) e reconstruir o sinal de batimento cardíaco, confirmado em nosso trabalho anterior. O relacionamento entre \(x(t)\) e cada FMI, e o resíduo \(r_n(t)\) é dado por (14).

\[\begin{equation*} x(t)=\sum_{i=1}^n \mathit{IMF}_i(t)+r_n(t)\quad i=1,2,3,\ldots,n \tag{14} \end{equation*}\]

Depois, todos os FMI realizam uma análise espectral. O FMI com energia concentrada de 0.8 Hz a 2.0 Hz como o FMI do coração é extraído para reconstruir o sinal de batimento cardíaco, e a frequência cardíaca pode ser calculada [28].

4. Experimente

4.1 Equipamento

Neste experimento foi utilizado um motor de passo com especificação NEMA17 e uma placa de desenvolvimento Arduino UNO foi utilizada para conectar o motor ao computador. As informações angulares do sujeito foram transmitidas do computador para o Arduino via comunicação serial. Este motor é um motor de passo híbrido que combina os benefícios dos tipos de ímã reativo e permanente. Possui alta resolução, velocidade e torque, e os parâmetros específicos estão listados na Tabela 1.

O módulo de radar utilizado nesta pesquisa foi baseado no Texas Instruments Inc. IWR1443. Ele opera em frequências na faixa de 77-81 GHz e pode chiar continuamente até 4 GHz. No entanto, o módulo de radar só pode enviar sinais chirp com largura de banda de 3.6 GHz durante a operação, devido às leis locais do Japão. Além disso, a potência isotrópica radiada efetiva máxima (EIRP) está em conformidade com a Lei de Rádio Japonesa e os regulamentos FFC. Não causa danos ao corpo humano. Em contraste com o modo SISO utilizado pelas técnicas tradicionais de medição da frequência cardíaca, neste estudo, o radar utiliza um modo 1Tx4Rx para coletar dados sobre o ângulo do sujeito. Os principais parâmetros do módulo radar estão listados na Tabela 2.

tabela 1  Lista de parâmetros do motor.

tabela 2  Parâmetros principais do módulo radar.

Embora o modo MIMO forneça uma resolução angular melhor que o modo SIMO, o modo SIMO é utilizado neste estudo pelas seguintes razões.

Em primeiro lugar, o pano de fundo desta aplicação é o acompanhamento médico de idosos que vivem sozinhos. Na maioria dos casos, normalmente não há interferência de outros alvos móveis após a triagem usando processamento FFT de alcance e Doppler-FFT.

Em segundo lugar, conforme discutido na Seção. 3, após bloquear o sujeito alvo usando o método proposto, o alcance da seleção do alvo atual é restrito ao plano espacial com base na posição alvo do período de rotação anterior. Portanto, mesmo que outros sujeitos estejam presentes durante o procedimento de medição, o método proposto garante que não haja interferência deles.

Terceiro, empregar o modo 3Tx4Rx para radar aumentará inevitavelmente o período do quadro e a quantidade de computação. Isto reduzirá o desempenho em tempo real da rotação do motor e levará à possibilidade de o sujeito estar fora da faixa de medição. Os dados do SISO são utilizados para calcular o deslocamento torácico; portanto, mudar para o modo MIMO enquanto mantém um tempo de quadro constante reduzirá o comprimento dos dados SISO. A qualidade da fase do sinal IF é subsequentemente reduzida. Para aumentar a precisão da medição, este estudo concentra-se na qualidade da fase do sinal IF, em vez de apenas na precisão angular e na resolução angular do assunto alvo.

Além disso, propusemos em [24] um método de medição para medir simultaneamente a frequência cardíaca de várias pessoas durante a caminhada. O método proposto para este estudo rastreia um sujeito-alvo e mede os sinais vitais, visando maximizar a faixa de medição. Teoricamente, também pode obter os sinais vitais de outras pessoas dentro da faixa de medição. Além disso, o algoritmo de cálculo do ângulo de rotação do motor pode ser inicializado para alterar o assunto alvo.

Um diagrama físico do hardware é mostrado na Fig. 6. Um suporte segura o módulo do radar em uma placa circular e o motor de passo gira a placa. Uma fonte de alimentação DC alimenta o motor.

FIG. 6  O diagrama físico do hardware.

4.2 Ambiente Experimental e Rota

O experimento para este estudo tem quatro partes: um experimento de rota fixa, um experimento de rota aleatória, um experimento de comparação de balanço de braço (movimento de caminhada mais normal) e um experimento de cenário multissujeito.

Existem cinco rotas fixas, A, B, C, D e E, conforme mostrado na Fig. 7 (a) e (b). As rotas A, B e C são linhas horizontais com pontos médios de 0.5, 1 e 1.5 m do módulo do radar e suas extremidades estão em um ângulo de 90 graus do radar. Mova-se em linha reta com uma velocidade média de aproximadamente 0.5 m/s e 1 m/s, começando no extremo direito de cada rota. Para simplificar, as rotas são denotadas como A1, B1, C1 (velocidade média de 0.5 m/s) e A2, B2 e C2 (velocidade média de 1 m/s), respectivamente. As direções dos eixos x e y também são definidas nas várias subparcelas da Fig.

FIG. 7  Mapas de percursos pedestres de assuntos.

A Rota D é um arco de 180 graus com raio de um metro centrado nas coordenadas do radar. As coordenadas do ponto de partida são \((1, 0)\) e também se deslocam com velocidade média de 0.5 m/s (rota D1) e 1 m/s (rota D2), respectivamente.

As rotas acima avaliam a viabilidade do método proposto, enquanto a rota E é considerada pela sua aplicabilidade. O sujeito percorreu a rota E em um percurso de 4 m \(\times\) Retângulo de 2 m a uma velocidade típica de caminhada de 1 m/s. Além disso, no experimento de rota fixa, o sujeito tentou encarar o módulo do radar com a frente ou com a parte de trás do corpo.

A rota aleatória é então um passeio livre dentro de um \(4.5 \times 5\) área de metro quadrado na frente do módulo de radar para medir ainda mais o potencial de aplicação prática do método proposto.

Existem duas rotas para o experimento de comparação do balanço do braço, conforme mostrado na Figura 7 (d). As rotas F1 e G1 indicam cenas sem oscilação de braço, enquanto F2 e G2 indicam cenas com oscilação de braço. Os sujeitos se moviam ao longo do percurso para frente e para trás a uma velocidade média não superior a 1 m/s.

O experimento de cenário multisujeito visa demonstrar que o sistema de medição proposto pode rastrear com precisão o sujeito alvo neste caso. Este experimento foi conduzido com três sujeitos simultaneamente, conforme mostrado na Figura 7 (e). O sujeito I, como alvo, caminhou para frente e para trás entre 0.5 m e 3.5 m na frente do radar a uma velocidade média não superior a 1 m/s (com balanço do braço). Os sujeitos II e III caminharam aleatoriamente ao longo de uma linha reta horizontal a 1 e 3 m da frente do radar, respectivamente. Este experimento pode observar se a orientação do radar sofre interferência de outras pessoas enquanto o sistema de medição rastreia o sujeito I.

Os sujeitos alternaram entre caminhar e ficar em pé constantemente durante cada período de medição de 60 segundos para simular o movimento das pessoas na sala. A Figura 8 retrata o cenário experimental real. Além disso, o sujeito usou um dispositivo de ECG para registrar dados de frequência cardíaca durante a medição.

FIG. 8  Cenários de experiência.

4.3 Análise de Parâmetros

O ângulo de potência horizontal esquerdo do radar é \(\theta_{\text{left}}\), e a distância mínima de medição é \(R_{\min}\). A seguinte equação deve ser satisfeita pelas variáveis M e \(\theta_{\mathrm{s}}\).

\[\begin{equation*} MT_{\mathrm{f}}v_{\mathrm{p}}< \frac{\left|\theta _{\text{left}}-\theta_{\mathrm{s}}\right| \pi R_{\min}}{180^\circ}, \tag{15} \end{equation*}\]

onde \(v_{\mathrm{p}}\) é a velocidade com que a pessoa se move em condições normais. Conforme mostrado na Fig. 9, suponha que a distância do sujeito ao radar seja precisamente \(R_{\min}\) e que o ângulo do sujeito com a linha central do radar é infinitamente próximo de \(\theta_{\mathrm{s}}\). No próximo período de rotação, a distância possível a pé do sujeito é no máximo \(MT_{\mathrm{f}}v_{\mathrm{p}}\) para garantir que esteja dentro da faixa de medição. No contexto da aplicação deste sistema de medição, os idosos que vivem sozinhos normalmente não se deslocam em ambientes fechados a velocidades superiores a 1 m/s. Este experimento define M e \(\theta_{\mathrm{s}}\) para 4 e 5 graus porque \(R_{\min}\) é de 0.5 m e o ângulo de meia potência de azimute e elevação é de cerca de 70 e 10 graus, respectivamente.

FIG. 9  A figura mostra como selecionar o ângulo de rotação mínimo apropriado pelo ângulo de meia potência do radar.

4.4 Resultados Experimentais

Seis voluntários participaram deste experimento, e a Tabela 3 lista suas alturas e pesos. Para melhor avaliar a abordagem proposta, é necessário reduzir ao máximo os fatores variáveis ​​entre os diferentes sujeitos. Portanto, a altura do módulo do radar foi ajustada de acordo com a altura torácica do voluntário antes do início da medição para tentar manter ambos no mesmo plano horizontal. Cada voluntário participou de todos os percursos deste experimento.

tabela 3  Informações sobre assuntos.

A Figura 10 mostra as funções de distribuição cumulativa (CDF) dos valores absolutos da AoA medida (\(\left|\text{Angle}\right| \colon \left|{\boldsymbol{A}_{\mathrm{DM}}^{kM+1}}_{(3,1)}\right|\)) para cada período de rotação da rota fixa e dos experimentos de rota aleatória para todos os sujeitos. No geral, os sujeitos permaneceram dentro da faixa de medição ideal de mais ou menos 35 graus na frente do radar durante todo o ciclo de medição.

FIG. 10  As funções de distribuição cumulativa dos valores absolutos das informações angulares do sujeito medido.

Devido à velocidade angular mais rápida dos sujeitos, à medida que se moviam ao longo da rota A, os valores de AoA para a rota A foram maiores do que aqueles medidos para as outras rotas. Os resultados das rotas B e C mostraram que em 90 por cento dos casos, os sujeitos tinham uma AoA inferior a 10 graus. Os valores de AoA aumentaram com a velocidade de movimento do sujeito. Contudo, o efeito não é particularmente substancial, de acordo com os resultados combinados de todas as experiências de rota fixa.

Os resultados da rota D mostram que o sistema de medição rastreia com precisão mesmo quando o ângulo do sujeito muda em até 180 graus. Assim, dependendo dos requisitos da aplicação, é possível posicionar o módulo de radar no centro da sala para medidas de rastreamento de 360 ​​graus. A velocidade angular do sujeito em relação ao radar durante a rota D foi maior que a das rotas A, B e C, o que levou a uma diferença mais significativa nos resultados do CDF das rotas D1 e D2 do que as demais rotas. Além disso, o sistema de medição pode rastrear com precisão o sujeito durante passeios aleatórios. Em alguns casos, o ângulo da posição do sujeito foi de aproximadamente 30 graus. Porém, nenhuma posição do sujeito ficou fora da faixa ideal de medição, o que demonstra a confiabilidade do sistema.

Como a rota E contém linhas retas semelhantes às rotas AC, a Fig. 11 mostra apenas os resultados da trilha traçada para um sujeito caminhando pelas rotas D e E. Os resultados mostram que a trilha de rastreamento ainda é bastante precisa, mesmo que o método proposto seja rápido. detecta a localização aproximada do sujeito e a envia ao motor.

FIG. 11  Os resultados da trilha traçada para um sujeito caminhando pelas rotas D e E.

A RPM de um sujeito caminhando ao longo da rota D2 e ​​os resultados ótimos do intervalo alcançados pelo método IARBS são mostrados na Figura 12 (a) e (b). As fases extraídas dos compartimentos de faixa ideal são então unidas ao longo da dimensão de tempo lento para calcular o \(x(t)\) do sujeito, como mostrado na Fig. 12 (c).

FIG. 12  O RPM (a) de um sujeito caminhando ao longo da rota D2, os resultados ótimos do intervalo (b) alcançados pelo método IARBS e as informações de mudança de fase costurada (c) são mostrados nesta figura.

Em seguida, \(x(t)\) foi decomposto num número finito de FMI utilizando o método ICEEMDAN. O processamento FFT é realizado neles para selecionar o FMI coração entre os FMI. A análise foi realizada com janela de observação de 30 s. Os resultados após decomposição pelo ICEEMDAN são mostrados na Figura 13, com os domínios de tempo e frequência de cada FMI à esquerda e à direita, respectivamente. De acordo com a análise no domínio da frequência, o FMI cardíaco e o FMI respiratório foram FMI3 e FMI5. Este estudo concentrou-se no sinal de batimento cardíaco porque o sinal de respiração é um componente de baixa frequência simples de extrair. Finalmente, o sinal de batimento cardíaco foi reconstruído. Finalmente, o FMI3 foi usado para reconstruir o sinal de batimento cardíaco e estimar a frequência cardíaca.

FIG. 13  Resultados da decomposição do ICEEMDAN. Os lados esquerdo e direito são o domínio do tempo e o domínio da frequência, respectivamente.

Além disso, os dados de mudança de fase e os FMI de baixa frequência demonstram que caminhar provoca a \(x(t)\) sinal varie mais do que quando o sujeito está imóvel [28].

A Figura 14 (a) mostra uma comparação no domínio da frequência do sinal de batimento cardíaco reconstruído e do sinal de ECG. Esses dados de medição foram obtidos usando a rota D2. As frequências cardíacas obtidas pelo método proposto e pelo ECG foram de 1.767 Hz e 1.833 Hz, respectivamente, com erro absoluto de aproximadamente 3.96 batimentos por minuto (bpm), e a acurácia foi de aproximadamente 96.4%.

FIG. 14  (a) A comparação no domínio da frequência do sinal de batimento cardíaco reconstruído e do sinal de ECG. (b) A comparação no domínio do tempo das formas de onda de batimento cardíaco reconstruídas e da forma de onda de ECG.

O espectro das medições é mais amplo que o do ECG. A seguir estão algumas das possíveis razões para esse fenômeno. Em primeiro lugar, existe uma diferença fundamental entre o ECG, um sinal elétrico, e a medição da frequência cardíaca baseada em radar, medida por um sinal de deslocamento da pele. Em segundo lugar, a pele do tórax humano não é plana e o deslocamento da pele causado pelos batimentos cardíacos é ligeiramente diferente em cada local. Em terceiro lugar, o sujeito estava andando e havia inevitavelmente uma pequena quantidade de ruído em comparação com o que estava parado. O método ICEEMDAN minimizou ao máximo a amplitude do termo de interferência. Neste campo de pesquisa, a maior atenção é dada à precisão das medições da frequência cardíaca e do intervalo RR. Portanto, a praticidade do método proposto não é afetada.

A Tabela 4 lista a precisão média da medição da frequência cardíaca para cada rota. A precisão aumentou com a proximidade do radar ou com velocidades mais lentas, e a rota A1 teve a maior precisão de medição, 98.42%. Os resultados das rotas F e G mostram que balançar o braço durante a caminhada diminui a precisão da medição da frequência cardíaca em aproximadamente 0.3% a 0.56%. A precisão das medições da frequência cardíaca diminuiu 0.53%, enquanto outras pessoas interferiram. A precisão média geral da medição, incluindo a rota aleatória, ficou acima de 96%, mantendo assim um alto nível de precisão.

tabela 4  Precisão da medição da frequência cardíaca [%].

Para observar melhor os detalhes, uma parte da forma de onda de batimento cardíaco reconstruída é comparada com sua forma de onda de ECG correspondente no domínio do tempo, como mostrado na Figura 14(b). Os resultados mostraram uma correlação mais alta entre o intervalo RR da forma de onda do batimento cardíaco medido (espaçamento entre losangos) e os dados do ECG. Enquanto isso, a Figura 15 mostra a correlação entre o tempo médio do intervalo RR de todas as medições do experimento de rota fixa, experimento de rota aleatória e o ECG correspondente. Os dados do radar e do ECG foram as coordenadas horizontal e vertical, respectivamente. O coeficiente de correlação \(\gamma\) dos dois conjuntos de dados foi calculado usando (16), e seu coeficiente de correlação foi de 0.9905, indicando uma alta correlação entre eles.

\[\begin{equation*} \gamma=\frac{1}{P-1}\sum_{i=1}^P\left(\frac{F_i-\mu F}{\sigma F}\right) \left(\frac{E_i-\mu E}{\sigma E}\right), \tag{16} \end{equation*}\]

onde \(P\) e \(i\) são o número total de dados e seus índices, respectivamente. \(F\) são os dados medidos pelo radar e \(E\) são os dados de ECG usados ​​como referência. As médias dos dois dados são \(\mu F\) e \(\mu E\) e seus desvios padrão são \(\sigma F\) e \(\sigma E\). A Figura 16 mostra o CDF do erro absoluto de todas as medições experimentais de rota fixa e aleatória. Em 80% das medidas o erro absoluto ficou abaixo de 2.9 bpm. Não houve casos em que o erro absoluto excedeu 6 bpm, mesmo quando foram considerados os resultados da rota aleatória.

FIG. 15  A correlação do intervalo RR medido por radar com dados de ECG.

FIG. 16  As funções de distribuição cumulativa do erro absoluto da medição da frequência cardíaca.

Para analisar ainda mais quantitativamente os resultados da medição da frequência cardíaca do método proposto, foram analisados ​​​​dados de streaming de 60 s com uma janela de observação de 30 s e um passo deslizante de 1 s. Em seguida, a frequência cardíaca para cada janela de observação é calculada e contrastada com os dados do ECG para determinar a raiz do erro quadrático médio (RMSE), conforme mostrado em (17).

\[\begin{equation*} \text{RMSE}=\sqrt{\frac{1}{Q}\sum_{i=1}^Q\left(\mathit{HRR}_i-\mathit{HRE}_i\right)^2}, \tag{17} \end{equation*}\]

onde \(Q\) e \(i\) são o número total de janelas de observação e seus números de índice, respectivamente. HRR e HRE são as frequências cardíacas medidas por cada janela de observação e frequência cardíaca de referência (dados de ECG), respectivamente.

A Tabela 5 apresenta o RMSE das medidas de frequência cardíaca dos experimentos de rota fixa e aleatória. Os resultados demonstram que à medida que a distância e a velocidade aumentam, o RMSE da estimativa da frequência cardíaca também aumenta. De acordo com o valor médio do RMSE para cada rota, o RMSE é aproximadamente 1.2 bpm menor quando o sujeito caminha a 0.5 m/s em vez de 1 m/s. Especulamos que a precisão pode ser afetada porque o motor de passo gira com mais frequência, fazendo com que a placa fixa vibre e gere ruído. Enquanto isso, os resultados experimentais de [24] demonstraram que a velocidade do sujeito pode afetar a precisão com que o método IARBS escolhe o intervalo ideal. Além disso, a associação positiva entre RMSE e distância aumentará menos rapidamente ou deixará de ser significativa se a distância do sujeito ao radar exceder 1 m. Da mesma forma, quando o sujeito se move a uma velocidade de 1 m/s, a taxa na qual o RMSE aumenta com a distância diminuirá. Portanto, os resultados experimentais mostraram que os valores de RMSE do método proposto para estimativa da frequência cardíaca convergiram para um determinado valor e foram estáveis.

tabela 5  O RMSE da medição da frequência cardíaca (o experimento de rota fixa e aleatória) [BPM].

As estimativas da frequência cardíaca são altamente precisas mesmo quando as informações angulares do sujeito mudam significativamente, como evidenciado pelos RMSEs médios de 2.45 bpm e 3.68 bpm para as rotas D1 e D2, respectivamente. Os resultados para cada voluntário no experimento de rota aleatória variaram significativamente. Porém, os RMSEs ficaram todos abaixo de 6.9 ​​bpm, com valor médio de 4.35 bpm. Alguns dos RMSEs maiores são causados ​​pela passagem de longos períodos com a lateral do corpo voltada para o radar, o que diminui a precisão da medição.

A Tabela 6 apresenta o RMSE das medições de frequência cardíaca do experimento de comparação de balanço de braço. Apesar das variações individuais, a oscilação do braço do sujeito durante todo o processo de medição pode afetar a precisão da medição. Durante o balanço do braço, o RMSE médio das rotas F e G diminuiu 0.49 bpm e 0.25 bpm, respectivamente. Essa influência é causada pelo movimento do músculo torácico anterior esquerdo quando o braço é balançado, e o movimento do braço também causa uma mudança na fase do sinal IF.

tabela 6  O RMSE da medição da frequência cardíaca (o experimento de comparação do balanço do braço) [BPM].

As Figuras 17 (a), (b) e (c) representam o RPM do experimento de cenário multisujeito, o RDM de um determinado quadro durante a medição e os resultados do intervalo ideal do sujeito alvo alcançado pelo método IARBS , respectivamente. O sujeito alvo esteve sempre dentro da faixa de medição e a rotação do módulo do radar não foi perturbada por outras pessoas. A Figura 17(b) mostra o RDM quando o sujeito alvo e outros sujeitos se sobrepõem no RPM. O método IARBS pode ajustar de forma adaptativa a faixa de busca de pico com base na velocidade do sujeito alvo no tempo anterior. É robusto para outros assuntos que entram repentinamente em sua faixa de busca de pico. Mesmo que outros indivíduos estejam na mesma faixa que o indivíduo alvo por um período prolongado, suas frequências cardíacas podem ser separadas pelo método ICEEMDAN. A Figura 17 (c) mostra que o método IARBS pode selecionar com precisão o intervalo ideal do sujeito alvo no cenário multi-sujeito. No entanto, existem muitos fatores de interferência neste caso, como a possível presença de movimentos de braço e tremores do corpo de vários sujeitos simultaneamente em uma célula de intervalo.

FIG. 17  O RPM (a) do experimento de cenário multisujeito, o RDM (b) de um determinado quadro durante a medição e os resultados do intervalo ideal (c) do sujeito alvo alcançado pelo método IARBS são mostrados nesta figura.

Conforme discutido na Seção. 3, janelas de observação mais longas resultam em melhor imunidade a interferências. A Figura 18 compara os dados do FMI cardíaco e do ECG no domínio da frequência para cada janela de observação no experimento do cenário multisujeito. Os dados do ECG mostraram que a frequência cardíaca média durante o período de medição foi de 1.402 Hz. Nenhum pico significativo no FMI cardíaco tornou difícil estimar a frequência cardíaca, independentemente de a janela de observação ser de 30, 40 ou 50 s. A frequência de pico é de 1.417 Hz quando a janela de observação é de 60 s, e o erro absoluto é de cerca de 0.9 bpm em comparação com os dados do ECG, com precisão de 98.93%. As precisões de medição dos seis sujeitos foram 95.37%, 98.93%, 95.55%, 96.28%, 95.49% e 95.69%, respectivamente, com um valor médio de 96.22%. A precisão da medição deste experimento também foi influenciada pelos movimentos aleatórios dos sujeitos não-alvo, que foram semelhantes ao experimento de rota aleatória. Os resultados experimentais mostram que a medição da frequência cardíaca para o sujeito alvo ainda mantém uma alta precisão em cenários com múltiplas pessoas.

FIG. 18  Comparação dos dados do FMI cardíaco e do ECG no domínio da frequência para cada janela de observação no experimento do cenário multisujeito.

Além disso, é um desafio melhorar o desempenho em tempo real, encurtando a janela de observação sempre que a frequência cardíaca é medida usando análise de domínio de tempo-frequência baseada em FFT, incluindo o método ICEEMDAN. Por exemplo, quando o período do quadro é de 0.05 s (típico) e a janela de observação está abaixo de 10 s e 5 s, a resolução de frequência do espectro será tão baixa quanto 0.1 Hz e 0.2 Hz. Enquanto isso, o algoritmo baseado em EMD (ICEEMDAN) é necessário para o comprimento dos dados, o que não é suficiente para separar os componentes de frequência individuais se for muito curto. [15], [28], usando algoritmos baseados em EMD para medir a frequência cardíaca com o sujeito estacionário, empregaram uma janela de observação de pelo menos 15 s. Como o sujeito deste estudo estava em movimento, a avaliação foi tentada com uma janela de observação de 30 segundos ou mais.

A Figura 19 mostra dois espectros de FMI cardíaco medidos com uma janela de observação de 10 segundos. Conforme mostrado na Figura 19 (a) e (b), a frequência cardíaca pode ser facilmente detectada quando a interferência é baixa no espectro do IMF cardíaco. No entanto, a resolução de baixa frequência do espectro resultou num erro de medição de 0.2 Hz. Devido à escassez dos dados, a estimativa da frequência cardíaca se tornará difícil quando o ICEEMDAN não puder extrair eficientemente o FMI cardíaco de alta qualidade e baixa interferência, como mostrado na Fig. A interferência ocorre aleatoriamente e, claramente, janelas de observação mais longas possuem melhor robustez.

FIG. 19  Em (a) e (c), os dois espectros do FMI cardíaco foram medidos com uma janela de observação de 10 segundos, e os dados de ECG correspondentes são mostrados em (b) e (d).

A fim de compensar o desempenho em tempo real e a estabilidade do sistema de medição, as seguintes tentativas são consideradas em trabalhos futuros. Uma delas é encurtar o período do quadro tanto quanto possível para aumentar o comprimento dos dados, desde que o hardware do radar suporte isso. A outra é que o aplicativo usa uma exibição dinâmica geral atrasada ao exibir formas de onda de batimentos cardíacos. A próxima medição e processamento são realizados simultaneamente durante a exibição da forma de onda anterior. Quando a forma de onda anterior estiver quase concluída, a próxima forma de onda será exibida imediatamente depois.

Como este estudo é o primeiro a estimar a frequência cardíaca ajustando a faixa de medição do radar por meio de motores de passo, os resultados da medição são difíceis de comparar quantitativamente com outros artigos. Portanto, o foco principal é a comparação e análise qualitativa dos resultados deste experimento com os de medições de outros trabalhos.

A maioria dos métodos de estimativa de frequência cardíaca baseados em radar, como os de [2]-[20], não podem realizar medições de rastreamento em alvos móveis, enquanto o método proposto oferece essa possibilidade.

No experimento em [23], o sujeito se movia lentamente e a frequência cardíaca foi medida com 90% de precisão. Em [21], os sujeitos realizaram apenas movimentos para trás e para frente com faixa de erro de medição de 0-8 bpm. Por outro lado, os sujeitos deste experimento foram mais rápidos e os RMSEs das medições ficaram todos abaixo de 7 bpm. Além disso, a precisão média da medição para cada rota excedeu 96%. A precisão da medição em nosso estudo anterior [24] foi de 95.88%. Isso ocorre porque o sujeito esteve consistentemente dentro da faixa de medição ideal neste experimento, o que aumentou a precisão.

Os seis participantes em [15] estavam em estado estacionário. Nas distâncias de 1 m, 1.5 m, 2 m e 2.5 m do radar, os valores médios do RMSE para estimativa da frequência cardíaca foram de aproximadamente 2.39 bpm, 2.57 bpm, 3.23 bpm e 4.69 bpm, respectivamente. Embora os resultados das rotas B e C tenham sido superiores a 2.39 e 2.57 bpm, a maior distância na rota E foi de cerca de 3.61 m, e o valor médio do RMSE foi de apenas 3.67 bpm. Além disso, o método proposto pode alterar a orientação do radar para ajustar a faixa de medição e estimar a frequência cardíaca de uma pessoa em movimento, tornando-o mais vantajoso para aplicação.

5. Conclusão

Em conclusão, este estudo propõe um novo método de rastreamento adaptativo baseado em radar para medir a frequência cardíaca de um sujeito em movimento. O algoritmo proposto é empregado para determinar a posição do sujeito para controlar um motor de passo que ajusta a faixa de medição do radar. Os resultados dos experimentos de rota fixa revelaram que quando o sujeito se movia a uma velocidade de 0.5 m/s, os valores médios de RMSE para medições de frequência cardíaca estavam todos abaixo de 2.85 bpm, e quando se movia a uma velocidade de 1 m/s , todos estavam abaixo de 4.05 bpm. Quando os indivíduos caminharam em rotas e velocidades aleatórias, o RMSE das medidas ficou abaixo de 6.85 bpm, com valor médio de 4.35 bpm. Além disso, este estudo não apenas avaliou o efeito potencial do balanço do braço (movimento de caminhada mais normal) na medição da frequência cardíaca, mas também demonstrou a capacidade do método proposto para medir a frequência cardíaca em um cenário com múltiplas pessoas.

Enquanto isso, a precisão geral da medição foi superior a 96%, quando a rota aleatória foi incluída. Além disso, os intervalos RR do sinal de batimento cardíaco reconstruído e os dados de ECG foram altamente correlacionados, com um coeficiente de correlação de 0.9905. No futuro, pretendemos melhorar a plataforma experimental para reduzir o ruído gerado pelo radar durante sua rotação para melhorar a precisão das medições.

Agradecimentos

Este estudo foi apoiado pela Escola de Ciência e Tecnologia da Faculdade de Ciência e Tecnologia da Universidade Nihon. Este estudo envolveu seres humanos em sua pesquisa. A aprovação de todos os procedimentos e protocolos éticos e experimentais foi concedida pela Diretriz de Ética em Pesquisa da Universidade Nihon. Os autores gostariam de agradecer a Kosuke Otsu por sua ajuda na coleta dos dados experimentais.

Referências

[1] S. Yasuda, Y. Miyamoto, and H. Ogawa, “Current status of cardiovascular medicine in the aging society of Japan,” Circulation, vol.138, no.10, pp.965-967, Sept. 2018.
CrossRef

[2] M. Alizadeh, G. Shaker, J.C.M.D. Almeida, P.P. Morita, and S. Safavi-Naeini, “Remote monitoring of human vital signs using mm-wave FMCW radar,” IEEE Access, vol.7, pp.54958-54968, 2019.
CrossRef

[3] Y. Xiong, Z. Peng, C. Gu, S. Li, D. Wang, and W. Zhang, “Differential enhancement method for robust and accurate heart rate monitoring via microwave vital sign sensing,” IEEE Trans. Instrum. Meas., vol.69, no.9, pp.7108-7118, Sept. 2020.
CrossRef

[4] L. Qiao X. Li, B. Xiao, M. He, X. Bi, W. Li, and X. Gao, “Learning-refined integral null space pursuit algorithm for noncontact multisubjects vital signs measurements using SFCW-UWB and IR-UWB radar,” IEEE Trans. Instrum. Meas., vol.71, pp.1-13, 2022.
CrossRef

[5] M. Mercuri, Y. Liu, I. Lorato, T. Torfs, F. Wieringa, A. Bourdoux, and C.V. Hoof, “A direct phase-tracking Doppler radar using wavelet independent component analysis for non-contact respiratory and heart rate monitoring,” IEEE Trans. Biomed. Circuits Syst., vol.12, no.3, pp.632-643, June 2018.
CrossRef

[6] D. Yang, Z. Zhu, and B. Liang, “Vital sign signal extraction method based on permutation entropy and EEMD algorithm for ultra-wideband radar,” IEEE Access, vol.7, pp.178879-178890, Dec. 2019
CrossRef

[7] X. Shang, J. Liu, and J. Li, “Multiple object localization and vital sign monitoring using IR-UWB MIMO radar,” IEEE Trans. Aerosp. Electron. Syst., vol.56, no.6, pp.4437-4450, Dec. 2020.
CrossRef

[8] H. Shen, C. Xu, Y. Yang, L. Sun, Z. Cai, L. Bai, E. Clancy, and X. Huang, “Respiration and heartbeat rates measurement based on autocorrelation using IR-UWB radar,” IEEE Trans. Circuits Syst. II, Exp. Briefs, vol.65, no.10, pp.1470-1474, Oct. 2018.
CrossRef

[9] P. Wang, F. Qi, M. Liu, F. Liang, H. Xue, Y. Zhang, H. Lv, and J. Wang “Noncontact heart rate measurement based on an improved convolutional sparse coding method using IR-UWB radar,” IEEE Access, vol.7, pp.158492-158502, Oct. 2019.
CrossRef

[10] W. Xia, Y. Li, and S. Dong, “Radar-based high-accuracy cardiac activity sensing,” IEEE Trans. Instrum. Meas., vol.70, pp.1-13, 2021.
CrossRef

[11] V.L. Petrović, M.M. Janković, A.V. Lupšić, V.R. Mihajlović and J.S. Popović-Božović, “High-accuracy real-time monitoring of heart rate variability using 24 GHz continuous-wave Doppler radar,” IEEE Access, vol.7, pp.74721-74733, 2019.
CrossRef

[12] J. Park, Y. Jeong, G. Lee, J. Oh, and J. Yang, “915-MHz continuous-wave Doppler radar sensor for detection of vital signs,” Electronics, vol.8, no.5, 561, 2019.
CrossRef

[13] M. Mercuri, Y. Liu, I. Lorato, T. Torfs, F. Wieringa, A. Bourdoux, and C.V. Hoof, “A direct phase-tracking Doppler radar using wavelet independent component analysis for non-contact respiratory and heart rate monitoring,” IEEE Trans. Biomed. Circuits Syst., vol.12, no.3, pp.632-643, June 2018.
CrossRef

[14] N.T. Phuong Nguyen, P.-Y. Lyu, M.H. Lin, C.-C. Chang, and S.-F. Chang, “A short-time autocorrelation method for noncontact detection of heart rate variability using CW Doppler radar,” 2019 IEEE MTT-S International Microwave Biomedical Conference (IMBioC), pp.1-4, 2019.
CrossRef

[15] L. Sun, S. Huang, Y. Li, C. Gu, H. Pan, H. Hong, and X. Zhu, “Remote measurement of human vital signs based on joint-range adaptive EEMD,” IEEE Access, vol.8, pp.68514-68524, April 2020.
CrossRef

[16] X. Zhang, Z. Liu, Y. Kong, and C. Li, “Mutual interference suppression using signal separation and adaptive mode decomposition in noncontact vital sign measurements,” IEEE Trans. Instrum. Meas., vol.71, no.4001015, pp.1-15, 2022.
CrossRef

[17] T.K.V. Dai, K. Oleksak, T. Kvelashvili, F. Foroughian, C. Bauder, P. Theilmann, A.E. Fathy, and O. Kilic, “Enhancement of remote vital sign monitoring detection accuracy using multiple-input multiple-output 77 GHz FMCW radar,” IEEE J. Electromagn. RF Microw. Med. Biol., vol.6, no.1, pp.111-122, March 2022.
CrossRef

[18] J. Liu, Y. Li, C. Li, C. Gu, and J.-F. Mao, “Accurate measurement of human vital signs with linear FMCW radars under proximity stationary clutters,” IEEE Trans. Biomed. Circuits Syst., vol.15, no.6, pp.1393-1404, Dec. 2021.
CrossRef

[19] G. Wang, J. Muñoz-Ferreras, C. Gu, C. Li and R. Gómez-García, “Application of linear-frequency-modulated continuous-wave (LFMCW) radars for tracking of vital signs,” IEEE Trans. Microw. Theory Techn., vol.62, no.6, pp.1387-1399, June 2014.
CrossRef

[20] G. Wang, C. Gu, T. Inoue, and C. Li, “A hybrid FMCW-interferometry radar for indoor precise positioning and versatile life activity monitoring,” IEEE Trans. Microw. Theory Techn., vol.62, no.11, pp.2812-2822, Nov. 2014.
CrossRef

[21] Y. Rong, K.V. Mishra, and D.W. Bliss, “Multiple moving targets heartbeat estimation and recovery using multi-frequency radars,” 2021 IEEE Radar Conference (RadarConf21), pp.1-5, 2021.
CrossRef

[22] X. Yang, X. Zhang, H. Qian, Y. Ding, and L. Zhang, “MMT-HEAR: Multiple moving targets heartbeats estimation and recovery using IR-UWB radars,” 2020 42nd Annual International Conference of the IEEE Engineering in Medicine & Biology Society (EMBC), pp.5733-5736, 2020.
CrossRef

[23] A. Morimatsu, S. Matsuguma, and A. Kajiwara, “Heart rate estimation of a moving person using 79 GHz-band UWB radar,” 2019 IEEE Sensors Applications Symposium (SAS), Sophia Antipolis, France, pp.1-5, May 2019.
CrossRef

[24] Y. Hu and T. Toda, “Remote vital signs measurement of indoor walking persons using mm-wave FMCW radar,” IEEE Access, vol.10, pp.78219-78230, July 2022.
CrossRef

[25] P. Zhao, C.X. Lu, B. Wang, C. Chen, L. Xie, M. Wang, N. Trigoni, and A. Markham, “Heart rate sensing with a robot mounted mmWave radar,” 2020 IEEE International Conference on Robotics and Automation (ICRA), pp.2812-2818, Aug. 2020.
CrossRef

[26] K. Gupta, Srinivas M.B., Soumya J, O.J. Pandey, and L.R. Cenkeramaddi, “Automatic contact-less monitoring of breathing rate and heart rate utilizing the fusion of mmWave radar and camera steering system,” IEEE Sensors J., vol.22, no.22, pp.22179-22191, Nov. 2022.
CrossRef

[27] X. Peng, Y. Hu, and T. Toda, “Design and evaluation of remote tracking heart rate measurement based on millimeter-wave FMCW radar,” IEICE Commun. Express, vol.11, no.6, pp.330-335, June 2022.
CrossRef

[28] Y. Hu and T. Toda, “The effect of multi-directional on remote heart rate measurement using PA-LI joint ICEEMDAN method with mm-wave FMCW radar,” IEICE Trans. Commun., vol.E105-B, no.2, pp.159-167, Feb. 2022.
CrossRef

[29] Q. Zheng, L. Yang, J. Li, T. Hu, J. Zhu, C. Song, and Z. Xu, “A target detection scheme with decreased complexity and enhanced performance for range-Doppler FMCW radar,” IEEE Trans. Instrum. Meas., vol.70, no.8001113, pp.1-13, 2021.
CrossRef

[30] V.V. Tien, T. Vu Hop, L.H. Nam, N. Van Loi, and T.T. Thanh, “An adaptive 2D-OS-CFAR thresholding in clutter environments: Test with real data,” 2018 5th International Conference on Signal Processing and Integrated Networks (SPIN), pp.116-119, Sept. 2018.
CrossRef

[31] M. Kronauge and H. Rohling, “Fast two-dimensional CFAR procedure,” IEEE Trans. Aerosp. Electron. Syst., vol.49, no.3, pp.1817-1823, July 2013.
CrossRef

[32] D.R. Morgan and M.G. Zierdt, “Novel signal processing techniques for Doppler radar cardiopulmonary sensing,” Signal Processing, vol.89, no.1, pp.45-66, Jan. 2009.
CrossRef

[33] T.K.V. Dai, Y. Yu, P. Theilmann, A.E. Fathy, and O. Kilic, “Remote vital sign monitoring with reduced random body swaying motion using heartbeat template and wavelet transform based on constellation diagrams,” IEEE J. Electromagn. RF Microw. Med. Biol., vol.6, no.3, pp.429-436, Jan. 2022.
CrossRef

[34] S. Sato, Y. Hu, and T. Toda, “A study of multi-directional heart-rate-estimation with discrete wavelet transform and band pass filter with 77 GHz-band FMCW radar,” IEICE 1st Int. Conf. on Emerging Technologies for Communs. (ICETC), G1-4, Dec. 2020.

[35] M. Li and J. Lin, “Wavelet-transform-based data-length-variation technique for fast heart rate detection using 5.8-GHz CW Doppler radar,” IEEE Trans. Microw. Theory Techn., vol.66, no.1, pp.568-576, Jan. 2018.
CrossRef

[36] N.E. Huang, Z. Shen, S.R. Long, M.L.C. Wu, H.H. Shih, Q. Zheng, N.C. Yen, C. Tung, and H.H. Liu, “The empirical mode decomposition and the Hilbert spectrum for nonlinear and non-stationary time series analysis,” Proc. R. Soc. Lond. A, vol.454, no.1971, pp.903-995, March 1998
CrossRef

[37] M.A. Colominas, G. Schlotthauer, and M.E. Torres, “Improve complete ensemble EMD: A suitable tool for biomedical signal processing,” Biomedical Signal Processing and Control, vol.14, pp.19-29, Nov. 2014.
CrossRef

autores

Yaokun Hu ORCID logo

received his B.E. degree in electrical engineering and automation from the College of Electric Information, Hunan Institute of Engineering, China, in 2017, and his M.E. degree in electrical engineering from the Graduate School of Science and Technology, Nihon University, Japan, in 2021, respectively. He is currently pursuing a Ph.D. degree in electrical engineering at the Graduate School of Science and Technology, Nihon University, Japan. He joined Fujitsu Ltd., Japan, in 2021, and is working in R&D. His current research interests include radar signal processing, biomedical signal processing, and machine learning.

Xuanyu Peng ORCID logo

received her B.E. degree in electrical engineering and automation from the College of Electric Information, Hunan Institute of Engineering, China, in 2017, and her M.S. degree in electromechanical engineering from the Faculty of Science and Technology, University of Macau, Macau S.A.R, China, in 2020, respectively. From 2020 to 2023, she was an assistant teacher at the College of Intelligent Manufacturing, Hunan Vocational Institute of Technology, China. From 2023, She will be pursuing a Ph.D. degree in electrical engineering at the Graduate School of Science and Technology, Nihon University, Japan. Her current research interests include signal processing, control algorithms and intelligent robots.

Takeshi Toda ORCID logo

received a B.E. degree in electrical engineering from Nihon University, Tokyo, Japan in 1992, an M.S. degree in electronic engineering from the University of Electro-Communications, Tokyo, Japan in 1994, and a D.E. degree from the Tokyo Institute of Technology, Tokyo, Japan in 2004. From 1994 to 2004, he worked at Fujitsu Laboratories Ltd., Kawasaki, Japan. From 2004 to 2005, he worked at eAccess Ltd., in Tokyo, Japan. From 2005 to 2008, he worked at the Kyocera Corp., R&D Center, Yokohama, Japan. He is currently a professor at the College of Science and Technology, Nihon University, Tokyo, Japan. His current research interests include radar signal processing, machine learning, and system-information engineering.

Palavra-chave