引入時距信息的IR-UWB雷達多域特征融合呼吸模式識別方法

吳佳茜 梁步閣* 楊德貴 熊明耀 李元烽

（1.中南大學自動化學院，湖南長沙 410083；2.光電智能測控湖南省重點實驗室，湖南長沙 410083）

1 引言

隨著醫療技術的顯著發展以及人們對自身健康關注的加強，人體睡眠健康監測技術的研究熱度越來越高。呼吸是衡量健康狀況的重要指標，當呼吸發生異常時，一定程度上預示著疾病或其他危重情況，例如：肥胖、抑郁癥、阻塞性睡眠呼吸暫停綜合征、呼吸中樞衰竭等［1-2］。因此呼吸信號的監測和分析在睡眠健康應用中發揮著重要的作用，尤其是對異常情形下的呼吸障礙的捕捉與識別，能為睡眠監測、疾病預斷、術后觀察等提供重要依據。

生物雷達是一種新興的非接觸式探測技術，能全天候全天時、無創地、不侵犯隱私地實現體征監測，在生命體征檢測中有著愈發廣泛的應用，主要分為連續波（Continuous Wave，CW）、調頻連續波（Frequency Modulated Continuous Wave，FMCW）和IR-UWB 三種體制［3-7］。其中，CW 雷達結構簡單、集成度高，是目前使用較多的體征監測雷達，在呼吸辨識應用上主要通過提取呼吸波形的時域、頻域、能量域的統計特征［8-10］及呼吸氣流量的波形幾何特征［11-12］來進行呼吸模式的分類和不同個體之間的身份識別，但CW 雷達不具備距離分辨能力，存在無法實現目標定位的缺點。FMCW 雷達在CW 體制的基礎上解決了目標定位問題，更具有多目標生命體征檢測的能力，也逐漸廣泛應用于呼吸監測和分類，在呼吸特征的提取上，除了基于常規的統計特征［13-14］研究者還探索了MFCC 特征［15］、呼吸波形的物理運動特征和基于生理信息的動態分割特征［16］，但FMCW 雷達存在系統成本高、實時性較差的缺點。相較之下，IR-UWB 雷達穿透能力強、距離分辨率高、抗干擾能力強，同時具有結構簡單、功耗低、成本低廉等優點，尤其適合應用于睡眠健康監測領域［17-20］，成為了目前非接觸式生命體征監護領域的研究熱點。但在呼吸模式分類研究上大多也仍然是通過提取一維呼吸信號的振幅和頻率的統計特征來檢測呼吸異常事件［21-23］，而在超寬帶雷達探測中人體呼吸引起的胸腔起伏在回波上不是簡單的點目標，而是存在多個散射中心的距離擴展目標，產生的雷達回波將分布于多個距離單元中，蘊含著更加豐富的特征信息，共同表征著呼吸運動。文獻［24］、［25］提取了IR-UWB 雷達跨距離單元的呼吸回波信號構建呼吸樣本，分別實現了基于神經網絡的人體身份識別和呼吸速率、呼吸暫停的檢測，證明了挖掘跨距離單元呼吸信號中信息的可行性。

本文基于IR-UWB 雷達系統提出了一種引入時距信息的多域特征融合呼吸模式識別方法，算法首先提取呼吸距離門范圍，對雷達回波進行雜波濾除，實現微弱呼吸的信號增強；然后在時間維上選取一維呼吸信號提取信號波形的時域、頻域特征，同時根據呼吸在IR-UWB 雷達回波圖像上呈現出的規律周期特性，在距離維上選取包含多個距離門信號在內的二維時距圖像提取呼吸模式的形態特征。在圖像特征提取中，針對呼吸的雷達圖像受呼吸異常節律影響往往呈現包絡放縮和局部粘連特性的問題，本文提出了一種通過相位矩陣圖像處理獲取呼吸時距條帶的方法，去進一步提取條帶圖像中潛在的呼吸模式形態特征?；诶走_目標信號在時間和距離上的多域特征融合信息，實現不同呼吸模式的分類識別。

2 IR-UWB雷達呼吸信號回波模型分析

人體呼吸是一種具有周期性的生理行為，伴隨著胸腔的擴張和收縮起伏，這些周期性運動引起的位移會對雷達回波信號產生不同的調制效果，從而可以在距離上分辨出來，并以此來檢測人體體征信息。

本文實驗使用的是課題組自研的KUN-DC-1000 脈沖超寬帶雷達，發射機產生的頻移高斯脈沖信號可表示為

其中，τ為快時間，p(τ)為高斯脈沖包絡，fc為中心頻率。

雷達接收機接收到的回波信號是由探測場景內多散射點的回波疊加構成的。假設探測場景中存在M個散射點，忽略噪聲的影響，接收機前端接收到的反射信號可表示為

其中，t為慢時間，αi(t)為接收到的散射點的雷達散射截面積所決定的信號幅度，τi(t)為散射點與雷達之間的瞬時距離所決定的時間延遲。

對于人體呼吸運動而言，將呼吸引起的胸腔周期性起伏近似為簡諧運動進行簡化，則τ(t)可表示為

其中，d0是接收機與胸腔振動中心之間的距離，a為呼吸運動振幅，fb為呼吸頻率，c為光速。

接收信號經過混頻和低通濾波處理后，得到回波信號的表達式如下

對回波信號進行采樣，以離散形式存儲在二維回波矩陣R[m，n]中，可表示為

其中，m和n分別是快時間和慢時間采樣數，Tf和Ts分別為快時間和慢時間采樣間隔。根據式（5）對回波矩陣進行相應的信號處理和數據分析，則可以提取到不同距離維度的呼吸運動信息。

但睡眠監測雷達真實的測量環境往往是復雜的，除了人體目標，還存在著許多如墻壁、床、椅子、風扇等的干擾雜物，雷達回波中將混雜各種反射雜波。圖1顯示了分別在復雜和較為干凈的室內環境下實測的回波矩陣，可以看到相較于干凈的測量環境而言復雜環境下人體回波信號被大量雜波覆蓋，體征辨識困難，這使得對呼吸信息的檢測和特征提取更具有挑戰性。

3 人體目標呼吸特征精確提取算法

3.1 算法概述

基于人體呼吸信號監測和呼吸模式識別在睡眠監測方面的主要應用，本文將對六種不同的呼吸模式進行分類識別，包括正常呼吸和五類典型的異常呼吸模式：潮式呼吸、間停呼吸、嘆氣樣呼吸、比奧呼吸和庫式呼吸。

正常呼吸是均勻、規則的呼吸運動，頻次一般為12～20 次/分鐘；潮式呼吸是一種由淺慢逐漸加深加快又逐漸變減弱變緩最后暫停一段時間，似潮水漲退的一種呼吸模式，常見于腦炎、糖尿病等危重病人；間停呼吸是指正常呼吸時突然停止一段時間又繼續呼吸，如此反復進行，常見于睡眠呼吸暫停情況以及更加嚴重的顱內病變；嘆氣樣呼吸表現為正常呼吸節律中插入一次深大呼吸，并伴有嘆氣聲，常見于焦慮癥、神經衰弱或更為病危的昏迷瀕死情形；比奧呼吸的特點是呼吸急促同時伴隨著呼吸暫停，常見于中風、創傷等中樞神經系統疾??；庫式呼吸是急促深大的費力型呼吸，常見于劇烈運動、情緒激動的情形和糖尿病酮癥酸中毒的糖尿疾病患者［1-2，26-27］。圖2 顯示了不同呼吸模式的一維雷達波形和呼吸區域回波圖像。

圖2 不同呼吸模式的一維信號波形和二維時距圖像Fig.2 One-dimensional signal waveforms and two-dimensional time-range images of different respiratory modes

對于上述幾種呼吸模式的分類識別，本文提出引入時距圖像的IR-UWB 雷達呼吸模式多域特征精確提取方法，算法流程包括呼吸信號預處理和呼吸信號多域特征提取兩個部分，算法流程圖如圖3所示。

圖3 呼吸特征精確提取算法流程圖Fig.3 Algorithm flowchart for precise extraction of respiratory features

3.2 呼吸信號預處理

3.2.1 呼吸距離門范圍提取

常規的IR-UWB 雷達呼吸模式識別僅對單個距離門上的呼吸數據進行特征提取，但由于人體胸腔有一定的寬度存在多個散射點，且測量過程中人體存在隨機晃動，目標回波會分布在相鄰的多個距離門中。為了充分利用回波中的信息，首先需要提取呼吸回波距離門范圍。距離門范圍提取的關鍵在于中心距離門的尋找，本文從信號能量角度分析，非目標物體反射的回波信號具有時不變的特性，而呼吸時胸腔起伏反射的回波信號能量波動相對較大，波動越大信號能量的方差越大，因此可以采用最大方差法選取目標所在的中心距離門。具體步驟為：

（a）減均值處理：為了更加凸顯目標呼吸信號的能量，削弱回波中固定雜波的能量，首先對原始回波矩陣做減均值處理，即用歷史時間內的回波數據進行統計平均來估計每個距離下的雜波能量，在原始回波信號中減去。對于原始回波矩陣R[m，n]的減均值處理可表示為

式中，R′[m，n]是減均值處理后的數據矩陣，N為慢時間采樣點總數。算法雜波能量去除效果對比如圖4所示，目標呼吸的能量比重明顯提高。

圖4 減均值處理前后對比Fig.4 Comparison of results before and after mean reduction treatment

（b）最大方差法距離門尋優：基于方差分析選擇信號能量方差最大的快時間距離門作為最優中心距離門，信號能量方差隨快時間距離門的變化曲線如圖5所示。對于第m個距離門信號能量的方差σ2(m)和最優距離門l的計算方式為

圖5 信號能量方差隨快時間距離門的變化曲線Fig.5 Curve showing signal energy variance with fast time distance gate

（c）呼吸距離門范圍提?。哼x取中心距離門附近幾個距離門作為呼吸信號子矩陣的距離門范圍，記為l-l0～l+l0，其中l0的計算與人體胸部寬度和雷達的距離分辨率有關，本文實驗中設定l0=2。圖6顯示了根據距離門范圍分割出來的呼吸區域子圖，能清晰地顯現出呼吸周期。

圖6 呼吸區域子圖分割Fig.6 Respiratory region subgraph segmentation

3.2.2 子矩陣呼吸相位增強

根據呼吸距離門范圍劃分原始回波矩陣，得到呼吸回波子矩陣，對其進行信號處理，提取其中呼吸分量的相位信息，并進行增強處理，主要過程包括靜態雜波濾除、反正切解調、直流分量和線性趨勢去除、濾波四個步驟。

測量環境中擺放的雜亂物體反射回波會產生許多個靜態信號分量，且幅度遠遠大于目標信號分量，則對于同一距離門式（4）可改寫為

其中，第一項是靜態信號分量，As和θs是這些靜態物體反射回波的等效幅度和相位；第二項是目標信號分量，A(t)是信號幅度，θ0是人體軀干中心位置與雷達存在一定距離所產生的相位，x(t)表示胸腔位移［28］。

用復平面中的旋轉矢量來表示式（9），如圖7所示，理想狀態下目標分量Pm在復平面上的軌跡可以近似為以原點為圓心的一段圓弧，而靜態分量Ps的存在會使得目標分量偏離原點，從而導致隨目標心肺運動變化的相位測量值Δφr往往小于真實值Δφ，且靜態雜波分量越大，偏差越大。

圖7 靜態雜波去除原理示意圖Fig.7 Schematic diagram of static clutter removal principle

為了準確提取目標信息，采取圓擬合方法來消除靜態雜波分量的影響，即通過求解非線性最小二乘幾何擬合問題來估計復平面中數據圓的圓心位置和半徑長度，將圓心“平移”到原點。目標函數可寫為

其中N為數據點的個數，z=(z1，z2)和r為估計的圓心坐標和半徑。

經過靜態雜波去除后，利用反正切解調提取目標相位信息

其中Pπ為π 的倍數，代表相位解纏繞過程，目的是消除信號軌跡越過復平面中兩個相鄰象限邊界時發生的相位不連續性。

一般而言，θ0隨時間幾乎不變化，可以通過減均值消除相位曲線的直流分量

但睡眠狀態發生變化的情形下，胸腔起伏的中心位置有時會隨時間發生緩變的輕微移動，使得θ0呈現隨時間逐漸變大或減小的線性趨勢，對此采用線性趨勢消除算法［29］通過線性最小二乘擬合估計出呼吸相位在慢時間方向上的線性趨勢并減去，即

其中，β=[β1，β2]，β1=[0，1，…，N-1]Τ，β2=[1，1，…，1]Τ。

最后，考慮到人體呼吸頻率的合理范圍為0.1～0.8 Hz，對所提取的相位數據進行帶通濾波，消除高頻噪聲和不規則心跳的干擾以獲取盡可能干凈的呼吸信息。

呼吸相位信息提取效果如圖8所示，其中圖（a）顯示了靜態雜波濾除前后的數據IQ星座圖，可見該靜態雜波去除方法可以正確地擬合IQ 平面中目標運動形成的圓弧軌跡，較好地去除靜態雜波；圖（b）顯示了增強處理前后的相位曲線，可見該相位提取和增強處理方法能夠較好地消除靜態雜波和線性趨勢的影響，完整地保留并還原了呼吸的相位信息。

圖8 相位增強處理前后對比Fig.8 Comparison of results before and after phase-enhancement processing

3.3 呼吸模式多域特征提取

3.3.1 基于一維信號的波形特征提取

在呼吸相位提取預處理的基礎上，針對一維呼吸信號分別提取時域和頻域特征兩類典型特征。

（1）時域特征提取

不同呼吸模式的呼吸深度及其變化規律存在很大差異，正常呼吸的深度保持穩定，異常呼吸卻往往伴隨著不同程度的加深或減弱，而從時域波形中提取出來的波峰波谷信息能夠反映每個呼吸周期的潮氣水平和起伏強度，時域波形如圖9 所示。針對時域波形提取波峰、波谷信息，通過提煉數據的統計學特性，采用平均值、最大值、最小值、方差、峰谷值和波峰數量10 個特征參數構成時域特征向量。

圖9 呼吸波形的波峰波谷搜尋Fig.9 Peak and valley search results for respiratory waveforms

（2）頻域特征提取

呼吸頻率反映了呼吸節律，是區分呼吸模式的重要特征。正常呼吸的頻率較低且單一穩定，而異常呼吸模式則往往存在著不同的節律改變。因此，可以提取呼吸信號的頻域信息，以頻域頻帶、頻率變化來表征呼吸的節律，作為判斷呼吸模式的依據之一。本文從頻域頻帶分布和時頻變化兩方面分析頻域特征。

a.全局信號的頻帶特征

傳統方法往往是單一地提取頻譜峰值作為頻率特征，而頻帶曲線的形態反映了呼吸信號在整個探測時長內的頻率分量及其分布（平均頻域特征），不同呼吸模式的頻譜形態變化、頻率峰值的位置均有所差異。例如：正常呼吸和庫式呼吸的頻譜更加干凈，往往只有一個單一且尖銳的峰；潮式呼吸、間停呼吸和比奧呼吸中存在呼吸暫停，則頻譜會在零頻附近存在較高幅值。

因此，為了更好地體現不同呼吸模式的頻率成分，如圖10所示，本文基于頻帶曲線提取1/4頻帶面積和3/4 頻帶面積處所對應的頻率值分別作為頻帶的頻率下限flower和頻率上限fupper，并提取其對應的頻帶寬度fband，以這3 個特征共同構成頻帶分布特征，其中

圖10 某潮式呼吸頻譜Fig.10 Τidal breathing spectrum

b.局部信號的時頻特征

呼吸障礙相較于正常呼吸存在顯著的呼吸頻率變化，而呼吸的雷達回波信號屬于典型的非平穩信號，傅里葉分析得到的頻譜是全局信號分析，無法表現出信號局部的頻率。因此，采用時頻分析方法獲取呼吸信號的時頻圖像，可進一步提取描述呼吸頻率變化特性的時變特征。

短時傅里葉變換（Short-Τime Fourier Τransform，SΤFΤ）是常用的一種時頻分析方法，其本質是選取一定長度的窗函數，移動窗函數來截取局部信號進行傅里葉變換［30］，表達式為

其中，y(t)為呼吸雷達回波，w(t)為窗函數。對呼吸信號做SΤFΤ 分析，則可以獲得呼吸的頻率變化特征。

圖11展示了不同呼吸模式下的信號時頻圖，可以看出不同呼吸模式的時頻圖中頻率隨時間的變化規律存在顯著差異。本文利用重心法提取每段局部信號的重心頻率用以估計該短時間內的瞬時呼吸頻率，從中提取頻率時變特征。對于局部呼吸信號作SΤFΤ 計算得到的離散功率譜，重心頻率的計算公式可表示為

圖11 不同呼吸模式的時頻圖Fig.11 Τime-frequency plots of different respiratory patterns

其中，S(f)為功率譜，f1～f2為頻率范圍。對于得到的重心頻率數據G[fg1，fg2，…，fgk]，其中k為窗函數移動獲取的局部呼吸頻率的個數，求取其均值、方差、最大值、最小值、范圍5 個特征作為時頻特征，同上述3個頻帶分布特征共同構成頻率特征向量。

3.3.2 基于二維圖像的形態特征提取

呼吸信號的雷達回波時距圖像與單行呼吸信號波形類似，也呈周期性變化，但受目標呼吸節律影響，圖像往往呈現包絡放縮和局部粘連特性。圖12為分割出來的呼吸子圖，明暗區域表示人體呼吸的起伏。文獻［25］提出通過邊緣檢測、膨脹腐蝕的圖像處理來提取呼吸圖像中的“斑點”用以顯示呼吸周期，但這往往只適用于圖12（a）所示的“斑點”輪廓清晰的呼吸圖像中，而當人體呼吸較為微弱或者起伏較大時，“斑點”輪廓變得模糊且發生粘連，如圖12（b）所示，直接對圖像進行圖像處理效果不佳。

圖12 不同情形下的呼吸圖像Fig.12 Respiratory images in different situations

為此，本文提出了結合相位矩陣圖像處理提取子圖時距呼吸條帶來獲取呼吸周期的方法。具體步驟如下：

步驟1將由呼吸回波子矩陣提取出來的相位矩陣轉化為歸一化灰度圖。

步驟2對灰度矩陣進行圖像的滑窗閾值分割處理?？紤]不同呼吸周期中強度不同導致不同區域圖像灰度相差很大，這里采用基于滑窗的局部閾值方法，對相位灰度矩陣選取適宜的滑窗長度，沿慢時間方向滑動滑窗，在每個滑窗區域內對灰度矩陣做二值化處理得到二維檢測條帶圖。

步驟3用二值化矩陣提取呼吸子圖中的周期性呼吸時距條帶，用于后期特征提取。整個流程的處理結果如圖13所示。

圖13 呼吸時距條帶提取Fig.13 Extraction of breath time-interval bands

對處理得到的呼吸時距條帶分別提取以下圖像特征：

a.條帶寬度：寬度特征表征著呼吸的緩急程度，寬度越小代表呼吸越急促，寬度越大代表呼吸越平緩。

b.條帶間距：時距呼吸條帶的間距也包含著呼吸的快慢信息，間距越小代表呼吸越快，間距越大代表呼吸越慢。

c.條帶能量：能量特征表征著呼吸的強度，尤其是異常呼吸模式下的時距呼吸條帶能量具有相應的變化規律。條帶內能量越大代表當前呼吸強度越大，引起的胸腔起伏越大，能量越小代表呼吸越微弱，引起的胸腔起伏越小。

d.條帶峰寬比：不同呼吸狀態下時距呼吸條帶的能量空間形狀不同，用峰寬比表示，即能量峰值高度與呼吸條帶的寬度之比。峰寬比越大表示呼吸條帶空間形狀越尖銳，呼吸越劇烈。圖14所示為時距呼吸條帶峰寬比示意圖。

圖14 呼吸時距條帶峰寬比示意圖Fig.14 Schematic diagram of peak-to-width ratio of respiratory time-interval bands

求取以上特征的最大值、最小值、均值和方差共16個呼吸圖像的形態特征參數，共同構成圖像特征向量。

4 呼吸模式識別實驗與結果分析

4.1 數據采集

實驗使用課題組自研的KUN-DC-1000 脈沖超寬帶雷達進行數據采集，雷達系統參數如表1所示。實驗邀請了6 名體型不同、身體健康、年齡在22～25 歲之間的志愿者進行呼吸樣本采集，包括2 名女生和4 名男生。采集設置在空曠的走廊、有少數桌椅擺放的會議室和較多雜物堆放的實驗室這三個場景內進行，以模擬各類真實環境。志愿者臥躺在小床上，根據正常呼吸、潮式呼吸、間停呼吸、嘆氣樣呼吸、比奧呼吸和庫式呼吸六種呼吸模式的特點對每種呼吸進行模仿，單個測試時間為30 s，每個模式重復15 次，總共得到540 個呼吸數據，圖15 為數據采集過程。對采集到的雷達回波數據進行信號預處理和相應的呼吸特征提取，并添加對應的類別標簽1～6，完成特征數據集的構建。

表1 IR-UWB雷達系統參數Tab.1 IR-UWB radar system parameters

圖15 數據采集場景Fig.15 Data collection scenarios

4.2 實驗結果

為驗證本文提出的二維時距圖像特征及其與一維時域、頻域特征構成的融合特征在IR-UWB 雷達呼吸模式識別問題上的有效性，本文對傳統一維特征、二維時距圖像特征及多域融合特征的分類性能進行了對比，并分析引入所提圖像特征后對各種呼吸模式的分類效果。分類性能通過分類準確率AC、精確率PPV 和召回率ΤPR 三種評價指標衡量，評價指標定義如下：

其中，ΤP表示正確預測的正樣本數，ΤN表示正確預測的負樣本數，FP表示錯誤預測的正樣本數，FN 表示錯誤預測的負樣本數。實驗采用5折交叉驗證法來對分類模型進行訓練和驗證，即將所有數據分成5 部分，其中4/5 的數據用于訓練，1/5 的數據用于測試，重復此過程5 次，用5 次交叉訓練驗證得到的準確率平均值對分類模型性能進行評價。

首先，針對決策樹（DΤ）、線性判別（LDA）、K-最近鄰法（KNN）、支持向量機（SVM）四種現有研究工作中常見的機器學習模型對六種呼吸模式的不同特征數據進行分類識別，幾種典型分類器的分類準確率如表2所示。

表2 不同分類器對不同特征集的分類準確率Tab.2 Classification accuracies of different classifiers for different feature sets

從表2中可以看到，對于不同的機器學習模型，二維圖像特征與一維時、頻域特征對六種呼吸模式的分類效果相當，體現了所提二維圖像特征相較于傳統一維時、頻域特征的有效性，而將圖像特征與時、頻域特征融合，可以獲得更加高于一維特征的分類準確率?？傮w上看，采用圖像特征及融合特征的LDA、KNN、SVM 三種分類器都達到了90%以上的準確率，本文所提特征及特征融合處理表現出較好的呼吸模式區分度。其中SVM 分類器顯著優于其他分類器，可以實現96.3%的最佳準確率。

為評估時距圖像特征及融合特征在不同呼吸模式識別中的有效性，分析不同特征下采用SVM分類器對六種呼吸模式的分類結果，其準確率和性能對比曲線分別如表3 和圖16 所示。根據實驗結果，單獨使用時域特征或頻域特征時呼吸模式的識別效果欠佳；當同時使用時域特征和頻域特征進行分類時，識別率提高到了93.1%；使用本文提出的圖像特征識別準確率同樣大幅提高到了93.5%，分類效果明顯；而利用時域、頻域、圖像的融合特征進行呼吸模式分類，識別率可進一步提高到96.3%，各類呼吸模式的ΤPR、PPV 指數都有所提高，絕大部分呼吸模式能正確識別?？梢?，本文提出的引入時距信息的IR-UWB 雷達多域特征提取和呼吸模式識別方法能夠彌補單個距離門上提取的呼吸信號特征的不足，更好地表征呼吸，提高呼吸模式的識別準確率。

表3 不同特征集的SVM分類準確率Tab.3 SVM classification accuracies for different feature sets

圖16 不同特征集分類性能對比Fig.16 Comparison of classification performances with different feature sets

圖17顯示了采用SVM 分類器對六種呼吸模式分類的混淆矩陣。如圖所示，潮式呼吸、間停呼吸和嘆氣樣呼吸基本都能正確識別，比奧呼吸的少部分樣本數據易被識別為潮式呼吸和間停呼吸；而正常呼吸和庫式呼吸由于特征相近容易互相混淆，這是由于個體差異因素導致不同被測對象的正常呼吸和庫式呼吸存在臨界情形下頻率、幅度等相近的問題。

圖17 融合特征的SVM分類混淆矩陣Fig.17 SVM classification confusion matrix based on fusion features

5 結論

針對不同情形的呼吸模式分類，本文提出了引入時距信息的IR-UWB 雷達多域特征融合呼吸模式識別方法。區別于傳統方法僅在單個距離門的一維呼吸信號上提取特征，本文針對IR-UWB 雷達目標回波信息距離擴展的特性，在提取了一維呼吸信號時域、頻域特征的基礎上，還選取了多個距離門的呼吸數據，從時距圖像角度挖掘了呼吸模式在雷達回波圖像上呈現出來的形態特征。最后在實驗中驗證了融合多域特征識別的有效性，并基于SVM 分類器實現了正常呼吸和5 種呼吸障礙的識別，達到了96.3%的準確率。實驗結果表明本方法在呼吸模式的辨識上相較于傳統方法具有更優的識別性能。