研究目的
通过解决稀疏自适应算法在体动变化情况下恒定正则化参数的局限性,提高多普勒雷达非接触式心跳检测的准确性。
研究成果
提出的IZA-SLMS算法结合自适应REPA和TWV技术,在不同身体运动状态下显著提高了心率估算精度,与标准ZA-SLMS相比,坐姿时平均绝对误差降低达0.34 BPM,打字时降低0.27 BPM。这表明该算法在非接触式心跳检测中具有更强的鲁棒性,有望应用于健康监测领域。未来工作可探索更大规模数据集和更多运动类型。
研究不足
该研究仅限于特定活动(坐着打字)和五名受试者的小样本量。自适应参数(如AREPA中的δ)通过实验试错设定,可能无法推广至所有场景。雷达系统的性能可能受到实验中未控制的环境因素影响。
1:实验设计与方法选择:
本研究采用改进的零吸引符号最小均方(IZA-SLMS)算法,结合自适应正则化参数(AREPA)和时间窗变化(TWV)技术进行心跳信号的稀疏频谱重建(SSR)。设计原理是根据身体运动产生的噪声强度,自适应平衡梯度校正与稀疏惩罚。
2:样本选择与数据来源:
从五名受试者执行两种活动(静坐和使用笔记本电脑打字)中采集数据,每次测量2分钟并重复两次。真实心率(HR)通过同步记录的ECG信号获取。
3:实验设备与材料清单:
工作频率为24 GHz、发射功率1 mW的连续波(CW)多普勒雷达,置于距离受试者1米、高度80厘米处。用于参考测量的ECG传感器。
4:1米、高度80厘米处。用于参考测量的ECG传感器。
实验流程与操作步骤:
4. 实验流程与操作步骤:雷达信号经带通滤波(0.4–5 Hz)、奇异谱分析(SSA)和时间差分预处理。使用提出的算法(IZA-SLMS及带TWV的IZA-SLMS)进行SSR,参数设置为步长μ=1e-5、最大迭代次数C=5000及自适应零吸引因子。TWV通过以Δt=0.5秒变化约8秒的时间窗长度来组合频谱进行峰值追踪。
5:4–5 Hz)、奇异谱分析(SSA)和时间差分预处理。使用提出的算法(IZA-SLMS及带TWV的IZA-SLMS)进行SSR,参数设置为步长μ=1e-最大迭代次数C=5000及自适应零吸引因子。TWV通过以Δt=5秒变化约8秒的时间窗长度来组合频谱进行峰值追踪。
数据分析方法:
5. 数据分析方法:通过心率估计的平均绝对误差(AAE)和平均绝对误差百分比(AAEP)评估性能,并与RM-FOCUSS和标准ZA-SLMS算法对比。
独家科研数据包,助您复现前沿成果,加速创新突破
获取完整内容