ICASSP 2023 | Cough Detection Using Millimeter-Wave FMCW Radar

原文链接：https://mp.weixin.qq.com/s?__biz=Mzg4MjgxMjgyMg==&mid=2247486540&idx=1&sn=6ebd9f58e9f08a369904f9c48e12d136&chksm=cf51beb5f82637a3c65cf6fa53e8aa136021e35f63a58fdd7154fc486a285ecde8b8521fa499#rd

ICASSP 2023 | Cough Detection Using Millimeter-Wave FMCW Radar

毫米波感知论文阅读 | ICASSP 2023, Cough Detection Using Millimeter-Wave FMCW Radar

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
  
  ✅ 采用身体运动伪像消除(BMAC)技术可以抑制运动伪像 $\Rightarrow$ （运动伪像可以轻易掩盖小振动）
  
  ✅ 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

传染病蔓延,对健康监测需求增长
毫米波雷达受关注,能远程监测生命体征
- 仅监测生命体征不足以判断呼吸状况
- 咳嗽是判断呼吸系统疾病的关键症状

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

咳嗽信号的信号模型
使用FMCW雷达的检测方法
运动伪像消除技术

数值仿真

2.1. FMCW radar signal model

FMCW雷达的信号模型
- 在相干处理时间内发射M次脉冲
- 每个脉冲为FMCW线性调频信号
发射信号
- $s_{TX}(t,m) = \frac{1}{\sqrt{N_c}}p(t-mT_p)$
- $p(t)=e^{j(2\pi f_0t+\pi\gamma t^2)}$
- $N_c$ - 脉冲数, $T_p$ - 脉冲重复间隔
- $\gamma$ - 频率斜率, $f_0$ - 载波频率
接收信号
- $s_{RX}(t,m) = \alpha s_{TX}(t-\frac{2(d_0+x[m])}{c},m) + w_c(t,m)$
- $\alpha$ - 衰减系数, $d_0$ - 初始距离
- $x [m]$ - 目标运动, $w_c$ - 噪声
离散后基带信号
- $s_b[k,m] = \alpha e^{j\frac{4\pi}{c}(d_0+x[m])(f_0+\gamma k)} + w_c[k,m]$
- 用于后续检测分析
总结：建立了FMCW雷达的精确信号模型
- 包含线性调频发射信号
- 考虑了目标运动、距离、噪声等参数

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
  
  ✅ $\sum\limits_{l=1}^{L}A_{v,l}\sin(2\pi l f_vm)$
  
  ✅ $L$ - 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
步骤1:估计身体运动的相位
- $\phi[k,m] = \angle s_b[k,m] = \tan^{-1}\left(\frac{Im(s_b[k,m])}{Re(s_b[k,m])}\right)$
步骤2:相位补偿消除身体运动
- $\hat{\phi}[k,m] = \text{moving average of } \phi[k,m]$
- $h_c = e^{-j\hat{\phi}[k,m]}$
- $\hat{s}_b = s_b \odot h_c$
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

进行了数值模拟来评估和验证所提出的雷达系统检测咳嗽信号
- 使用了具有2 GHz带宽的FMCW线性调频脉冲
- 脉冲重复间隔(PRI)为2.5 kHz,相干积累间隔(CPI)为2秒
- 使用了0.25米位移的随机身体运动
- 为噪声模拟,进行了1000个样本的蒙特卡罗模拟

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:
  
  $SNR_{req} \propto A_{v}$
- 在存在身体运动的情况下,需要大于约-13 dB的较大SNR来检测20 um的振动幅度
- 当振动幅度减小时,需要更大的信号功率来增加检测概率
- 作用：从模拟结果可以设计雷达系统规格及其覆盖范围以进行咳嗽检测
2 评估了检测10 um振动的振动频率的均方根误差(RMSE)随SNR的变化
- 如下图，没有使用BMAC时的RMSE远大于使用BMAC时的RMSE
- 当SNR大于10 dB时,所提出的BMAC技术可以提供与没有身体运动情况下相同的检测精度
- 这里,周期性振动的Cramer-Rao下界简单计算为 $\approx \frac{6\sigma^2}{\pi^2E{A_{v,1}}^2}$
3 分析了FMCW线性调频脉冲非线性的影响
- 周期性偏差不会影响检测精度,因为BMAC算法具有非线性缓解作用
- 随机频率偏差会影响身体运动抑制的性能, 如下图
- 当 $\sigma_f$ =3 MHz时,很难估计振动,因为所提出的BMAC算法未能准确提取身体运动

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：
为了比较检测到的咳嗽频率峰值,对处理后的信号执行短时傅里叶变换(STFT)
- 由于CPI内咳嗽的基本频率不是常数 $\Rightarrow$ 用RMSE和RMSPE评估精度
- 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