ICASSP 2023 | Cough Detection Using Millimeter-Wave FMCW Radar
此为一篇文章分享的连接地址
ICASSP 2023 | Cough Detection Using Millimeter-Wave FMCW Radar
毫米波感知领域的学术探讨 | ICASSP 2023会议报道：基于毫米波FMCW雷达的咳嗽检测技术研究
毫米波雷达技术近年来在生物医学领域取得了显著进展
Abstract
研究内容 *
提出了一种使用毫米波FMCW雷达检测人体咳嗽信号的信号处理方法
✅ 利用FMCW雷达的相位解调技术可以提取咳嗽引起的微小振动
运用身体运动伪像去除(BMAC)技术能够有效抑制（\Rightarrow 运动伪像能够轻易掩盖小振动）
✅ 即使存在大规模身体运动也可以测量咳嗽信号的振动频率
实验验证 *
进行了 仿真 来评估所提出方法检测咳嗽信号的概率和准确性
✅ 包括分析了FMCW线性调频非线性的影响
提出的技术还通过 60 GHz FMCW雷达进行了验证实验
贡献总结 *
首次使用FMCW雷达实现了咳嗽信号的检测
✅ 提出了身体运动伪像消除(BMAC)技术, 在存在身体运动的情况下检测咳嗽
通过仿真验证结果，分析了FMCW非线性性的影响
60GHz真实实验验证了所提出方法的有效性
1 Introduction
研究的背景和意义
- 传染病扩展,导致健康监测需求上升
- 毫米波雷达受到关注,并能够远程监测生命体征
- 仅仅通过生命体征无法准确判断呼吸状况
- 咳嗽是判断呼吸系统疾病的重要指标
毫米波咳嗽检测的挑战和问题
声音方法可侵犯隐私,受声学噪声影响
毫米波不受声学噪声影响，但研究很少
🚩 挑战：咳嗽带来大规模身体运动，运动伪像可压倒小振动
🚩 已有方法的不足 ：仅检测咳嗽行为,不提取特征 + 未充分解决运动伪像问题
本文创新和贡献
-
检测包含大规模运动的咳嗽 * 提出身体运动伪像消除(BMAC)技术
-
通过仿真和实验进行了验证
2 Signal Model and Methodology
- 咳嗽相关信号建模方案
- 基于FMCW雷达的技术方案
- 运动伪像消除算法
数值仿真过程
2.1. FMCW radar signal model
FMCW雷达的信号模型 * 基于时间窗内发射M次脉冲
- 每个脉冲都是由FMCW产生的线性调频信号
发送信号s_{TX}(t,m)被定义为\frac{1}{\sqrt{N_c}}p(t-mT_p)
接收的信号表示为s_{RX}(t,m)
离散后的基带信号 * s_b[k,m] = \alpha e^{j\frac{4\pi}{c}(d_0+x[m])(f_0+\gamma k)} + w_c[k,m] * 可用于后续的信号检测分析
总结：构建了FMCW雷达系统的精确信号模型 * 采用了线性调频发射技术
- 综合考虑了目标运动特征、测距精度以及环境噪声的影响
2.2. Cough vibration and body motion artifacts
分析：目标运动的两种组成成分
* 咳嗽振动$v[m]$
* 身体运动伪像$y[m]$咳嗽振动：
使用谐波模型表示
✅ v[m] = \sum\limits_{l=1}^{L}A_{v,l}\sin(2\pi l f_vm)
✅ L - 谐波数,A_{v,l} - 振幅,f_v - 基频
咳嗽振动特点
🚩 幅值较小(小于0.5mm)
🚩 频率范围80-240Hz
身体运动伪像: （特点）
* 幅值较大(大于0.1 m)
* **频谱从直流分量开始**
两者的区别 * 幅值大小不同 * 频率范围不同
分析得到问题的关键 * 运动伪像会覆盖咳嗽振动
* 需要对两者进行区分
2.3. Signal processing method
目标 :
* 从接收信号中提取咳嗽振动$v[m]$挑战 :存在身体运动伪像
Step 1: Estimate the phase of human body motion. 其中, \phi[k, m]表示第k个频率通道和第m个时间点上的相位角; s_b[k, m]是对应的复数信号.
步骤2：通过相位补偿消除身体运动的影响
- \hat{\phi}[k,m]被定义为其在位置(k,m)处的平均值。
- h_c被计算为指数函数的负数形式。
- \hat{s}_b则通过将原始信号s_b与复数h_c进行哈达玛积得到。
步骤3:FFT距离压缩 * s_c[m] = FFT(\hat{s}_b[*,m])
步骤4:FFT提取咳嗽频率 * S_c[l] = FFT(s_c[m])
* \hat{f}_v = \arg\max |S_c[l]|
总结：
关键技术 :
* 相位信息提取 * 相位补偿 * FFT范围压缩
处理流程 :
* 估计相位->补偿消除运动->FFT范围压缩->FFT提取频率
2.4. Effect of FMCW chirp non-linearity
FMCW线性调频信号可能存在非线性
非线性成分 :
* 周期性偏差:$\Delta f_p = 2\pi A_p\sin(2\pi f_pt)$
* 随机偏差:$w_f[k] \sim \mathcal{N}(0,\sigma_f^2)$线性调频带非线性 :
* $f_{chirp}[k] = \gamma k + f_0 + \Delta f_p + w_f[k]$周期性偏差影响:
* 可通过相位补偿消除
* 不影响最终咳嗽检测随机偏差影响:
* 导致相位估计错误
* 影响运动消除效果
* 降低咳嗽检测性能3 Numerical Simulations
对所提出的雷达系统用于检测咳嗽信号进行了数值模拟评估与验证
进行了3项仿真：
1 评估了根据振动幅度的检测概率随信噪比的变化 *
检测频率峰值的判据设定为5 dB
在没有身体运动的情况下,所需的SNR随振动检测线性减小:
SNR_{req} \propto A_{v}
当存在身体运动时,必须采用较高信噪比（SNR）以检测微米级（约-13 dB）的振动幅度。
- 当振动幅度降低时,必须使用更高的信号功率以提升检测概率
- 功能：基于模拟结果,可以设计雷达系统的规格及其覆盖范围来进行咳嗽检测
研究了检测10微米振动的振动频率均方根误差（RMSE）受信噪比（SNR）的影响；通过图表显示，在未采用BMAC情况下所得到的结果显著高于采用了BMAC后的结果。
- 当信号-to-噪声比（SNR）超过10 dB时,所提出的BMAC技术能够实现与静止状态下相同水平的检测精度。
- 在这种情况下,针对周期性振动场景的Cramér-Rao下界可被简便地计算为CRLB \approx \frac{6\sigma^2}{\pi^2E{A_{v,1}}^2}。
3 详细探讨了FMCW线性调频脉冲的非线性特性 * 尽管存在周期性偏差,但通过BMAC算法的非线性处理,检测精度得以保持
- 随机频率偏移可能会影响信号中身体运动抑制的效果, 如下图
当σ_f等于3 MHz时,难以准确定位振动现象,主要原因是所提出的BMAC算法在信号处理方面存在不足
4 Experiment Result
使用60 GHz FMCW雷达进行了咳嗽检测实验 *
人体目标位于0.8米处
受测时自愿咳嗽
雷达参数：
为了对比分析呼吸频率的实时监测数据中的最大值, 对处理后的信号应用短时傅里叶变换算法(STFT)
基于CPI内咳嗽的基础频率并非恒定 \Rightarrow 采用RMSE和RMSPE指标量化预测效果
测量结果：
使用所提出的雷达系统检测咳嗽信号的RMSE降低到9Hz,相对应频率误差4.4%
不使用BMAC算法时检测咳嗽频率的RMSE为76Hz,对应误差33%
实验结论：方法有效
5 Conclusion
- This work: utilizes a signal model.
- the processing mechanism replaces the traditional approach.
- the numerical analysis verifies the theoretical findings.
- the experimental testing validates the proposed method.