基于微波雷达的人体活动监测系统的制作方法

1.本发明涉及雷达监测技术领域，尤其涉及基于微波雷达的人体活动监测系统。


背景技术：

2.在过去的几年里，人体活动监测系统得到了广泛的应用和发展，如在医疗、体育、娱乐、安全等多个领域，传统的人体活动监测方法主要依赖于装备在人体上的传感器，如加速度计、陀螺仪等，来获取人体的运动数据，然而，这种方法要求用户必须佩戴特定设备，这在一定程度上限制了其应用范围和便利性，此外，这些设备可能会被环境因素干扰，如温度、湿度变化，或者由于佩戴位置、角度的改变等，可能影响到数据的准确性。
3.另外一种方法是通过视觉传感器，如摄像头，来捕捉人体的运动，但是这种方法在处理复杂背景、变化光照条件，或者进行三维运动捕捉时面临挑战，并且，视觉传感器可能会受到遮挡的影响，限制了其监测范围，更重要的是，视觉传感器可能涉及到用户的隐私问题。
4.微波雷达作为一种无源、无需直接接触的传感器，被广泛用于人体活动的监测，微波雷达通过发射微波，然后接收微波的反射信号，根据反射信号的变化情况，可以推断出人体的运动状态，然而，从微波雷达反射回的信号中提取出有用的人体活动信息是一项极具挑战性的任务，需要大量的数据处理和计算，此外，如何对收集到的大量数据进行有效的存储和处理，如何实现准确的活动识别等，都是现有技术需要解决的问题。
5.本发明提出了一种基于微波雷达的人体活动监测系统，该系统使用高效的信号处理和数据处理技术，包括使用卷积神经网络（cnn）和递归神经网络（rnn）进行特征提取和活动识别，使用高效的数据压缩算法进行数据存储，使得系统能够在无需用户佩戴特殊设备的情况下，准确且高效地监测人体活动。


技术实现要素：

6.有鉴于此，本发明的目的在于提出基于微波雷达的人体活动监测系统，以解决现有基于雷达监测人体活动不够准确，系统处理速度慢的问题。
7.基于上述目的，本发明提供了基于微波雷达的人体活动监测系统。
8.基于微波雷达的人体活动监测系统，包括微波雷达模块、信号处理模块、数据解析模块，其中；所述微波雷达模块，用于发射微波并接收反射回的微波；所述信号处理模块，用于处理由微波雷达模块接收的反射微波，将其转换为电信号；所述数据解析模块，用于解析电信号，识别和跟踪目标对象的活动。
9.进一步的，所述微波雷达模块可设置为不同的频率，以适应不同的环境和目标，所述微波雷达模块包括频率生成器、频率调整器、反射信号接收器；
频率生成器：频率生成器配置为产生多个不同频率的微波信号，每个微波信号对应一个特定的环境或目标；频率调整器：频率调整器与频率生成器电连接，配置为在频率生成器产生的多个不同频率的微波信号中选择一个或多个进行发射；反射信号接收器：反射信号接收器配置为接收由所述一个或多个微波信号反射回的信号。
10.进一步的，所述微波雷达模块还包括频率控制器，频率控制器与频率生成器和频率调整器电连接，配置为根据预设规则或实时分析的环境参数，控制频率生成器产生特定频率的微波信号，以及控制频率调整器选择特定的微波信号进行发射。
11.进一步的，所述信号处理模块包括噪声消除子模块，所述噪声消除子模块基于自适应滤波器，能够在多种环境噪声条件下有效识别并消除反射微波信号中的噪声成分，所述自适应滤波器根据实时的环境噪声情况自动调整滤波参数，提高噪声消除的效果，该噪声消除子模块还包含预设噪声模型库，当环境中存在预设的噪声模型时，快速匹配并准确消除，对微波雷达反射信号进行准确处理。
12.进一步的，所述数据解析模块包括特征提取子模块、活动识别子模块，所述特征提取子模块用于从电信号中提取目标对象活动的特征，所述特征提取子模块具备深度学习网络结构，用以在电信号中提取复杂和微妙的活动特征，使得活动监测更为精准，所述特征提取子模块还包含多模态特征整合器，处理来自不同频率微波的电信号，提取并整合更全面的活动特征，所述活动识别子模块用于根据提取的特征识别目标对象的具体活动。
13.进一步的，所述深度学习网络结构包括卷积神经网络（cnn）、递归神经网络（rnn），具体为：卷积神经网络（cnn）模型：输入层：二维数组形式的电信号强度图，每个单元代表一段时间内微波雷达的反射强度；卷积层1：通过一组滤波器，提取电信号图的局部特征；池化层1：通过最大池化或平均池化，减小特征图的尺寸，减少计算复杂度；卷积层2：继续通过另一组滤波器，提取更深层次的特征；池化层2：同样进行池化，进一步减小特征图尺寸；全连接层：将前面提取的特征展平，并通过全连接网络进行特征组合；输出层：根据特征判断目标对象的活动类型；卷积神经网络（cnn）用于处理从微波雷达模块反射回的信号并提取有用的特征，自动有效学习和提取空间特征，在本系统中，由微波雷达反射回的信号在空间分布上具有一定的模式；递归神经网络（rnn）模型：输入层：时间序列的特征向量，每个向量代表一段时间内的活动特征；rnn层：用于处理输入的时间序列数据，每一个时间步都会考虑前一个时间步的输出，在这一层，我们可以使用更先进的rnn变体，如长短期记忆网络（lstm）或门控循环单元（gru），来更好地处理长序列数据；输出层：根据rnn层的输出，进行最后的活动识别；
递归神经网络（rnn）用于处理时间序列数据，从而捕捉人体动作在时间维度上的特征。
14.进一步的，该系统还包括数据存储模块，用于存储解析后的人体活动数据，且数据存储模块包含内部存储单元和外部存储接口；内部存储单元可用于存储短期数据，以便快速访问和处理，用于实时活动监测或系统自我调整和优化；外部存储接口则可用于将数据备份至外部存储设备，以便进行长期存储和大数据分析；在数据存储模块中，还包含一个对收集的数据进行压缩，减少数据的存储空间的数据压缩子模块，数据压缩子模块使用高效的数据压缩算法，保证数据质量的同时显著降低数据的存储需求。
15.进一步的，所述数据压缩算法基于消除冗余信息或编码信息降低数据的体积，具体包括：huffman编码；哈夫曼编码（huffman coding）；run-length encoding (rle)；lempel-ziv-welch (lzw)；布尔赫-曼-赞德尔堡（burrows-wheeler transform，bwt）。
16.进一步的，所述微波雷达模块、信号处理模块、数据解析模块、数据存储模块集成于一个设备内或分布在多个设备上。
17.本发明的有益效果：本发明，具有显著提高人体活动监测精度的效果，微波雷达的使用使得系统无需用户佩戴任何设备，就能精准获取到人体活动的信息，这比传统的传感器设备有更高的便利性，在处理雷达信号时，通过卷积神经网络（cnn）和递归神经网络（rnn）对原始数据进行深度分析和处理，能够有效识别并剔除环境干扰，提取出真正的人体活动特征，从而显著提高了活动监测的准确度。
18.本发明，采用了高效的数据压缩算法，能够在保证数据质量的同时，显著减少数据存储和传输的时间和空间成本，这在面对大规模数据处理任务时具有显著的优势，其次，通过在本地进行数据预处理，将一部分计算负担前置，减轻了后续数据处理的压力，提高了整体的计算效率。
附图说明
19.为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
20.图1为本发明实施例的系统逻辑示意图；图2为本发明实施例的微波雷达模块示意图；图3为本发明实施例的信号处理模块示意图。
具体实施方式
21.为使本发明的目的、技术方案和优点更加清楚明白，以下结合具体实施例，对本发明进一步详细说明。
22.需要说明的是，除非另外定义，本发明使用的技术术语或者科学术语应当为本发明所属领域内具有一般技能的人士所理解的通常意义。本发明中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性，而只是用来区分不同的组成部分。“包括”或者“包含”等类似的词语意指出现该词前面的元件或者物件涵盖出现在该词后面列举的元件或者物件及其等同，而不排除其他元件或者物件。“连接”或者“相连”等类似的词语并非限定于物理的或者机械的连接，而是可以包括电性的连接，不管是直接的还是间接的。“上”、“下”、“左”、“右”等仅用于表示相对位置关系，当被描述对象的绝对位置改变后，则该相对位置关系也可能相应地改变。
23.请参阅附图1-附图3，基于微波雷达的人体活动监测系统，包括微波雷达模块、信号处理模块、数据解析模块，其中；微波雷达模块，用于发射微波并接收反射回的微波；信号处理模块，用于处理由微波雷达模块接收的反射微波，将其转换为电信号；数据解析模块，用于解析电信号，识别和跟踪目标对象的活动。
24.微波雷达模块可设置为不同的频率，以适应不同的环境和目标，微波雷达模块包括频率生成器、频率调整器、反射信号接收器；频率生成器：频率生成器配置为产生多个不同频率的微波信号，每个微波信号对应一个特定的环境或目标；频率调整器：频率调整器与频率生成器电连接，配置为在频率生成器产生的多个不同频率的微波信号中选择一个或多个进行发射；反射信号接收器：反射信号接收器配置为接收由一个或多个微波信号反射回的信号。
25.微波雷达模块还包括频率控制器，频率控制器与频率生成器和频率调整器电连接，配置为根据预设规则或实时分析的环境参数，控制频率生成器产生特定频率的微波信号，以及控制频率调整器选择特定的微波信号进行发射；该系统在使用微波雷达进行监测时，可以通过调整微波的频率来适应不同的环境和目标，提高了监测的准确性和适应性。
26.信号处理模块包括噪声消除子模块，噪声消除子模块基于自适应滤波器，能够在多种环境噪声条件下有效识别并消除反射微波信号中的噪声成分，自适应滤波器根据实时的环境噪声情况自动调整滤波参数，提高噪声消除的效果，该噪声消除子模块还包含预设噪声模型库，当环境中存在预设的噪声模型时，快速匹配并准确消除，对微波雷达反射信号进行准确处理，在此基础上，噪声消除子模块还包括了学习算法模块，该模块能够通过收集并学习实时环境噪声，不断更新和丰富噪声模型库，以便对未来可能出现的新型噪声进行预判和处理，进一步提高了系统的适应性和准确性。
27.数据解析模块包括特征提取子模块、活动识别子模块，特征提取子模块用于从电信号中提取目标对象活动的特征，特征提取子模块具备深度学习网络结构，用以在电信号中提取复杂和微妙的活动特征，使得活动监测更为精准，特征提取子模块还包含多模态特
征整合器，处理来自不同频率微波的电信号，提取并整合更全面的活动特征，活动识别子模块用于根据提取的特征识别目标对象的具体活动，此外，特征提取子模块还具备动态调整特征提取策略的能力，可以根据目标对象活动的实时变化，动态调整特征提取策略，进一步提高活动识别的准确性和适应性。
28.深度学习网络结构包括卷积神经网络（cnn）、递归神经网络（rnn），具体为：卷积神经网络（cnn）模型：输入层：二维数组形式的电信号强度图，每个单元代表一段时间内微波雷达的反射强度；卷积层1：通过一组滤波器，提取电信号图的局部特征；池化层1：通过最大池化或平均池化，减小特征图的尺寸，减少计算复杂度；卷积层2：继续通过另一组滤波器，提取更深层次的特征；池化层2：同样进行池化，进一步减小特征图尺寸；全连接层：将前面提取的特征展平，并通过全连接网络进行特征组合；输出层：根据特征判断目标对象的活动类型；卷积神经网络（cnn）用于处理从微波雷达模块反射回的信号并提取有用的特征，自动有效学习和提取空间特征，在本系统中，由微波雷达反射回的信号在空间分布上具有一定的模式，例如一个正在行走的人会产生特定的微波反射模式，这就需要cnn来提取这些模式中的特征；具体地，电信号会被整理为类似于图像的二维数组，其中每个点代表一段时间内微波雷达的反射强度，然后这个二维数组被送入cnn进行处理，cnn通过卷积层，池化层等一系列计算步骤，能够自动提取出人体活动所产生的空间特征；递归神经网络（rnn）模型：输入层：时间序列的特征向量，每个向量代表一段时间内的活动特征；rnn层：用于处理输入的时间序列数据，每一个时间步都会考虑前一个时间步的输出，在这一层，我们可以使用更先进的rnn变体，如长短期记忆网络（lstm）或门控循环单元（gru），来更好地处理长序列数据；输出层：根据rnn层的输出，进行最后的活动识别；递归神经网络（rnn）用于处理时间序列数据，从而捕捉人体动作在时间维度上的特征，比如在识别走路、跑步等连续的动作时，需要捕捉到这些动作在时间序列上的变化趋势，这时就需要rnn的帮助。
29.在我们的系统中，通过前面的处理，我们可以获取到一系列时间点上的人体活动特征。这些特征被送入rnn进行处理，通过rnn的特性，它可以考虑到之前时间点的信息，从而提取出动作在时间维度上的特征，例如动作的连续性、节奏性等。
30.因此，通过cnn和rnn的结合使用，我们可以从空间和时间两个维度上全面捕捉到人体活动的特征，从而提高活动监测的准确。
31.该系统还包括数据存储模块，用于存储解析后的人体活动数据，且数据存储模块包含内部存储单元和外部存储接口；内部存储单元可用于存储短期数据，以便快速访问和处理，用于实时活动监测或系统自我调整和优化；
外部存储接口则可用于将数据备份至外部存储设备，以便进行长期存储和大数据分析；在数据存储模块中，还包含一个对收集的数据进行压缩，减少数据的存储空间的数据压缩子模块，数据压缩子模块使用高效的数据压缩算法，保证数据质量的同时显著降低数据的存储需求。
32.此外，数据存储模块还包含了数据安全子模块，用于保护存储的数据安全。数据安全子模块包括数据加密功能，能对存储的数据进行加密，防止未经授权的访问和使用，同时，数据安全子模块还包括了数据完整性检查功能，能对存储的数据进行完整性检查，以确保数据在存储和传输过程中的完整性。
33.以上设计使得数据存储模块具有高效、安全且灵活的数据存储能力，可以满足不同的存储需求和安全要求。
34.数据压缩算法基于消除冗余信息或编码信息降低数据的体积，具体包括：huffman编码：这是一种基于字符频率的编码方式。字符出现的频率越高，编码长度越短，从而达到压缩数据的效果。
35.哈夫曼编码（huffman coding）：这种方法是一种用于无损数据压缩的熵编码（最优编码）算法。这种方法利用各个字符在要编码的字符串中出现的频率来建立最优的字符编码。
36.run-length encoding (rle)：这是一种简单的无损压缩算法，适用于含有大量连续重复数据的情况。其原理是将连续的相同数据替换为数据和其重复次数的组合。
37.lempel-ziv-welch (lzw)：lzw是一种通用的无损数据压缩算法，特别适用于处理大量重复出现的字符串。它基于词典技术，可以在处理过程中动态构建词典。
38.布尔赫-曼-赞德尔堡（burrows-wheeler transform，bwt）: bwt 是一种将相似的字符排在一起的变换方式，常与其他压缩算法一起使用，提高数据压缩率。
39.在处理雷达数据时，我们可以选用这些压缩算法中的一个或多个，根据具体的数据特性进行选择。例如，如果雷达数据存在大量的重复数据，那么可以使用rle或lzw；如果数据的字符分布比较均匀，可以考虑使用huffman编码等。同时，我们也可以考虑将多种压缩算法结合使用，以达到最优的压缩效果。
40.微波雷达模块、信号处理模块、数据解析模块、数据存储模块集成于一个设备内或分布在多个设备上。
41.本发明旨在涵盖落入所附权利要求的宽泛范围之内的所有这样的替换、修改和变型。因此，凡在本发明的精神和原则之内，所做的任何省略、修改、等同替换、改进等，均应包含在本发明的保护范围之内。

技术特征：
1.基于微波雷达的人体活动监测系统，其特征在于，包括微波雷达模块、信号处理模块、数据解析模块；其中，所述微波雷达模块，用于发射微波并接收反射回的微波；所述信号处理模块，用于处理由微波雷达模块接收的反射微波，将其转换为电信号；所述数据解析模块，用于解析电信号，识别和跟踪目标对象的活动。2.根据权利要求1所述的基于微波雷达的人体活动监测系统，其特征在于，所述微波雷达模块可设置为不同的频率，以适应不同的环境和目标，所述微波雷达模块包括频率生成器、频率调整器、反射信号接收器；频率生成器：频率生成器配置为产生多个不同频率的微波信号，每个微波信号对应一个特定的环境或目标；频率调整器：频率调整器与频率生成器电连接，配置为在频率生成器产生的多个不同频率的微波信号中选择一个或多个进行发射；反射信号接收器：反射信号接收器配置为接收由所述一个或多个微波信号反射回的信号。3.根据权利要求2所述的基于微波雷达的人体活动监测系统，其特征在于，所述微波雷达模块还包括频率控制器，频率控制器与频率生成器和频率调整器电连接，配置为根据预设规则或实时分析的环境参数，控制频率生成器产生特定频率的微波信号，以及控制频率调整器选择特定的微波信号进行发射。4.根据权利要求3所述的基于微波雷达的人体活动监测系统，其特征在于，所述信号处理模块包括噪声消除子模块，所述噪声消除子模块基于自适应滤波器，能够在多种环境噪声条件下有效识别并消除反射微波信号中的噪声成分，所述自适应滤波器根据实时的环境噪声情况自动调整滤波参数，提高噪声消除的效果，该噪声消除子模块还包含预设噪声模型库，当环境中存在预设的噪声模型时，快速匹配并准确消除，对微波雷达反射信号进行准确处理。5.根据权利要求4所述的基于微波雷达的人体活动监测系统，其特征在于，所述数据解析模块包括特征提取子模块、活动识别子模块，所述特征提取子模块用于从电信号中提取目标对象活动的特征，所述特征提取子模块具备深度学习网络结构，用以在电信号中提取复杂和微妙的活动特征，使得活动监测更为精准，所述特征提取子模块还包含多模态特征整合器，处理来自不同频率微波的电信号，提取并整合更全面的活动特征，所述活动识别子模块用于根据提取的特征识别目标对象的具体活动。6.根据权利要求5所述的基于微波雷达的人体活动监测系统，其特征在于，所述深度学习网络结构包括卷积神经网络（cnn）、递归神经网络（rnn），具体为：卷积神经网络（cnn）模型：输入层：二维数组形式的电信号强度图，每个单元代表一段时间内微波雷达的反射强度；卷积层1：通过一组滤波器，提取电信号图的局部特征；池化层1：通过最大池化或平均池化，减小特征图的尺寸，减少计算复杂度；卷积层2：继续通过另一组滤波器，提取更深层次的特征；池化层2：同样进行池化，进一步减小特征图尺寸；
全连接层：将前面提取的特征展平，并通过全连接网络进行特征组合；输出层：根据特征判断目标对象的活动类型；卷积神经网络（cnn）用于处理从微波雷达模块反射回的信号并提取有用的特征，自动有效学习和提取空间特征，在本系统中，由微波雷达反射回的信号在空间分布上具有一定的模式；递归神经网络（rnn）模型：输入层：时间序列的特征向量，每个向量代表一段时间内的活动特征；rnn层：用于处理输入的时间序列数据，每一个时间步都会考虑前一个时间步的输出，在这一层，我们可以使用更先进的rnn变体，如长短期记忆网络（lstm）或门控循环单元（gru），来更好地处理长序列数据；输出层：根据rnn层的输出，进行最后的活动识别；递归神经网络（rnn）用于处理时间序列数据，从而捕捉人体动作在时间维度上的特征。7.根据权利要求5所述的基于微波雷达的人体活动监测系统，其特征在于，该系统还包括数据存储模块，用于存储解析后的人体活动数据，且数据存储模块包含内部存储单元和外部存储接口；内部存储单元可用于存储短期数据，以便快速访问和处理，用于实时活动监测或系统自我调整和优化；外部存储接口则可用于将数据备份至外部存储设备，以便进行长期存储和大数据分析；在数据存储模块中，还包含一个对收集的数据进行压缩，减少数据的存储空间的数据压缩子模块，数据压缩子模块使用高效的数据压缩算法，保证数据质量的同时显著降低数据的存储需求。8.根据权利要求7所述的基于微波雷达的人体活动监测系统，其特征在于，所述数据压缩算法基于消除冗余信息或编码信息降低数据的体积，具体包括：huffman编码、哈夫曼编码（huffman coding）、run-length encoding (rle)、lempel-ziv-welch (lzw)、布尔赫-曼-赞德尔堡（burrows-wheeler transform，bwt）。9.根据权利要求1-8任一项所述的基于微波雷达的人体活动监测系统，其特征在于，所述微波雷达模块、信号处理模块、数据解析模块、数据存储模块集成于一个设备内或分布在多个设备上。

技术总结
本发明涉及雷达监测技术领域，具体涉及基于微波雷达的人体活动监测系统，包括微波雷达模块、信号处理模块、数据解析模块，其中；所述微波雷达模块，用于发射微波并接收反射回的微波；所述信号处理模块，用于处理由微波雷达模块接收的反射微波，将其转换为电信号；所述数据解析模块，用于解析电信号，识别和跟踪目标对象的活动。本发明，在提高微波雷达的精确度和计算速度方面，都具有显著的优势和价值。无论是在医疗健康、体育训练，还是在老年人照护、人体行为研究等领域，都有着广泛的应用潜力。都有着广泛的应用潜力。都有着广泛的应用潜力。


技术研发人员：陈伟达 王春风 傅海鑫 傅超阳 谢章秋
受保护的技术使用者：河北雄安亿晶云科技有限公司
技术研发日：2023.07.09
技术公布日：2023/10/7