本發明涉及生物醫學信號處理與非接觸式傳感，特別涉及一種基于群體智能優化與改進小波閾值的毫米波雷達生命體征檢測方法。
背景技術：
1、毫米波雷達因其具有非接觸、穿透性強、保護隱私等優點，在睡眠監測、健康監護、災害救援等生命體征檢測場景中展現出巨大潛力。雷達接收到的信號中混合了由胸腔和體表微動引起的呼吸、心跳信號以及環境噪聲、電路噪聲和隨機體動干擾。呼吸信號（約0.1-0.4?hz）與心跳信號（約0.8-2.0?hz）頻率相近、能量懸殊，且常被淹沒在噪聲中，導致信號頻帶混疊嚴重。因此，如何從復雜噪聲背景中魯棒、準確地分離出微弱的呼吸與心跳信號，是當前技術面臨的核心挑戰。
2、自適應信號分解方法，如完全自適應噪聲集合經驗模態分解（ceemdan），被廣泛用于處理此類非平穩、非線性信號。然而，ceemdan的分解效果嚴重依賴于其關鍵參數（如添加噪聲的幅值和集成次數）的設置，傳統方法多依賴經驗試錯，缺乏自適應性，易導致模態混疊或分量失真，影響后續分離精度。此外，即便經過分解重構，分離出的生命體征信號中仍存在殘留噪聲，傳統的小波閾值去噪方法存在不連續、恒定偏差等缺陷，難以在保證信號細節的同時有效濾除噪聲，尤其在低信噪比條件下性能下降顯著。因此，亟需一種能夠自動優化分解參數并實現精細化后處理的自適應信號處理方法。
技術實現思路
1、本發明的目的是提供一種基于群體智能優化與改進小波閾值的毫米波雷達生命體征檢測方法，通過構建“參數優化-信號分離-噪聲抑制”的級聯處理框架，解決因ceemdan參數依賴人工經驗、呼吸心跳信號頻帶混疊以及傳統小波閾值去噪性能不足的問題。
2、根據本發明的一個方面，提供一種基于群體智能與改進小波閾值的毫米波體征檢測方法，所述方法包括：
3、s1、獲取毫米波雷達采集的原始生命體征信號；
4、s2、構建融合樣本熵、皮爾遜相關系數與峭度的多目標適應度函數；
5、s3、利用改進的哈里斯鷹優化算法對所述多目標適應度函數進行優化，自適應求解ceemdan分解算法的最優參數組合；
6、s4、基于所述最優參數組合對原始生命體征信號進行ceemdan分解，得到若干本征模態函數分量；
7、s5、基于主頻率占比、皮爾遜相關系數與頻帶能量分布的三維評價準則，對所述本征模態函數分量進行篩選與重構，得到初步分離的呼吸信號與心跳信號；
8、s6、采用改進的小波閾值去噪算法對重構后的呼吸信號與心跳信號分別進行二次去噪；
9、s7、對去噪后的呼吸與心跳信號進行頻譜分析，提取呼吸率與心率。
10、在上述技術方案中，結合背景技術中存在的技術問題以及方案中采用的技術特征，本方法的有點主要體現在以下幾個方面：
11、（1）針對背景技術中ceemdan分解參數依賴人工經驗試錯、缺乏自適應性的問題，本方案構建了融合樣本熵、皮爾遜相關系數與峭度的多目標適應度函數，并利用改進的哈里斯鷹優化算法對所述多目標適應度函數進行優化，自適應求解ceemdan分解算法的最優參數組合。ceemdan的分解效果嚴重依賴于關鍵參數（如添加噪聲的幅值和集成次數）的設置，傳統方法多依賴經驗試錯，缺乏自適應性。本方案通過構建綜合考慮信號復雜度（樣本熵）、相關性（皮爾遜相關系數）及統計特征（峭度）的多目標函數，將參數選擇問題轉化為多目標優化問題。進一步地，采用改進的哈里斯鷹優化算法對該函數進行尋優，能夠自動搜索使分解質量最佳（即適應度函數最小化）的參數組合。該過程避免了人工經驗調參的主觀性和低效性，實現了分解參數的自適應確定，為后續信號分離提供了準確且具有適應性的輸入條件。
12、（2）針對背景技術中呼吸與心跳信號頻帶混疊嚴重、難以精準分離的問題，本方案在ceemdan分解的基礎上，提出了基于主頻率占比、皮爾遜相關系數與頻帶能量分布的三維評價準則，對所述本征模態函數分量進行篩選與重構。呼吸信號與心跳信號頻率相近、能量懸殊，常被淹沒在噪聲中，導致信號頻帶混疊。本方案并未將所有分解得到的本征模態函數分量簡單疊加，而是引入了一套多維度的篩選機制。該準則中的主頻率占比用于衡量分量在預設生理頻帶（呼吸頻帶或心跳頻帶）內的能量集中程度；皮爾遜相關系數用于衡量分量與原始信號的相關性強弱；頻帶能量分布用于衡量分量頻譜的尖銳程度。通過加權綜合這三個維度的指標，能夠從眾多分量中精確識別出分別屬于呼吸和心跳的有效成分，解決了單一指標易受干擾、分離不準的問題，實現了對呼吸和心跳信號的精準重構。
13、（3）針對背景技術中傳統小波閾值去噪方法存在不連續、恒定偏差等缺陷的問題，本方案采用改進的小波閾值去噪算法對重構后的呼吸信號與心跳信號分別進行二次去噪。傳統小波閾值去噪方法（如硬閾值函數不連續，軟閾值函數存在恒定偏差）在低信噪比條件下性能下降顯著。本方案采用的改進小波閾值去噪算法包含一個連續可導的閾值函數（如雙曲正切函數形式），該函數在閾值點處連續，避免了硬閾值函數重構信號產生振蕩的問題；同時，當小波系數較大時，處理后系數趨近于原始系數，減少了軟閾值函數帶來的恒定偏差，能夠更好地保留信號細節。此外，該算法采用基于子帶特性的自適應閾值規則，根據各分解層的噪聲水平動態調整閾值，實現了精細化、自適應的噪聲濾除，在抑制殘留噪聲的同時保護了呼吸和心跳信號的微弱特征。
14、綜上所述，本方案通過構建多目標函數引導參數優化、設計多維準則精準分離信號、引入改進閾值函數精細去噪，形成了一套完整的“參數優化-信號分離-噪聲抑制”處理流程，從整體上解決了背景技術中存在的參數依賴經驗、信號分離不準和去噪性能不足的問題。
15、在一些實施例中，所述多目標適應度函數的構建方法包括：
16、計算ceemdan分解后所有imf分量的樣本熵均值、與原始生命體征信號的皮爾遜相關系數絕對值均值、以及峭度絕對值均值；
17、將三者加權求和，構建適應度函數，其表達式為：
18、
19、其中，為預設權重，且。
20、在上述技術方案中，針對背景技術中ceemdan分解參數依賴人工經驗試錯、缺乏自適應性的問題，本方案構建了融合樣本熵、皮爾遜相關系數與峭度的多目標適應度函數，將參數優化問題轉化為多目標函數的極小化問題。
21、具體而言，該適應度函數的構建方法包括：計算ceemdan分解后所有imf分量的樣本熵均值、與原始信號的皮爾遜相關系數絕對值均值、以及峭度絕對值均值；將三者加權求和，并采用特定的函數形式，其表達式為。該函數形式具有以下技術含義：樣本熵均值用于量化各分量的復雜度，理想的生命體征信號應具有較低復雜度，故該項期望值越小越好；相關系數絕對值均值用于衡量各分量與原始信號的相關程度，相關程度越高表示分量包含的有效信息越多，故采用1減去該項，使得整體函數值越小對應相關性越高；峭度絕對值均值用于捕捉信號中的沖擊特征，該項有助于保留心跳等瞬態成分。通過上述三項指標的加權組合，該函數能夠從復雜度、相關性、沖擊特性三個維度綜合評估ceemdan分解的質量。該適應度函數的構建，將難以直接量化的分解效果評價問題轉化為可計算的目標函數，為后續利用優化算法自動搜索最優分解參數提供了量化依據。同時，該函數中三項指標相互補充：樣本熵關注信號的規則性，相關系數關注信息的保真度，峭度關注瞬態特征的保留，三者結合能夠更全面地評價分解結果對不同信號成分的適應程度。此外，函數中采用的形式，使得三項指標在極小化框架下具有統一的方向性，便于后續優化算法的迭代尋優。該構建方法為ceemdan參數的自適應選擇奠定了基礎，避免了傳統方法依賴人工經驗試錯的局限性。
22、在一些實施例中，所述改進的哈里斯鷹優化算法包括以下步驟：
23、初始化種群，設置搜索維度、邊界和最大迭代次數；
24、計算個體適應度，確定當前最優解；
25、更新逃逸能量，并引入動態自適應逃逸能量因子以平衡探索與開發；
26、在開發階段引入拉普拉斯交叉算子和動態自適應權重因子，增強種群多樣性和局部搜索能力；
27、根據逃逸能量與隨機數的組合，采用軟圍攻、硬圍攻、快速俯沖式軟圍攻或快速俯沖式硬圍攻策略更新個體位置；
28、迭代至最大次數，輸出最優參數組合。
29、在上述技術方案中，針對背景技術中ceemdan分解參數依賴人工經驗試錯、缺乏自適應性的問題，本方案引入改進的哈里斯鷹優化算法對多目標適應度函數進行尋優，從而實現分解參數的自動求解。該改進算法在標準哈里斯鷹算法的基礎上，通過多項策略對其位置更新機制進行了優化。
30、具體而言，該改進算法的流程包括：初始化種群并設置搜索維度、邊界及最大迭代次數；計算個體適應度以確定當前最優解；更新逃逸能量e，并引入動態自適應逃逸能量因子以平衡全局探索與局部開發能力；在開發階段引入拉普拉斯交叉算子和動態自適應權重因子，以增強種群多樣性和局部搜索精度；根據逃逸能量與隨機數的不同組合，采用軟圍攻、硬圍攻、快速俯沖式軟圍攻或快速俯沖式硬圍攻策略更新個體位置；迭代至最大次數后輸出最優參數組合。
31、該算法的創造性體現在對標準哈里斯鷹優化器的多處改進。首先，動態自適應逃逸能量因子的引入改進了算法在迭代過程中對探索階段與開發階段的平衡能力，使得算法在前期能夠廣泛搜索潛在解空間，在后期能夠圍繞最優解進行精細挖掘。其次，拉普拉斯交叉算子策略通過對適應度較優的個體進行基于拉普拉斯分布的交叉操作，生成新的子代個體并與父代競爭，該機制增加了種群的多樣性，有助于算法跳出局部最優解。再次，動態自適應權重因子的引入改進了開發階段的攻擊行為，通過隨迭代次數自適應調整的權重，增強了對獵物位置的逼近能力，提升了局部搜索的收斂精度。此外，算法保留了標準hho中基于逃逸能量和隨機數的四象限圍攻策略（軟圍攻、硬圍攻、快速俯沖式軟圍攻、快速俯沖式硬圍攻），并根據改進后的動態因子對相關計算式進行了適配調整，使得圍攻行為更加適應復雜的參數尋優任務。
32、上述多項改進策略的有機結合，使得該算法在求解ceemdan參數優化問題時，相比傳統經驗試錯法或標準群體智能算法，具有更強的全局尋優能力、更高的收斂精度和更好的種群多樣性。通過該算法自適應求解得到的最優參數組合，能夠使ceemdan分解更適應原始信號的特征，為后續呼吸與心跳信號的精準分離提供了更優的輸入條件，從而提升了整個生命體征檢測方法的自適應性和魯棒性。
33、在一些實施例中，所述動態自適應逃逸能量因子的更新公式為：
34、
35、其中，為(0,1)內的隨機數，為當前迭代次數，為最大迭代次數。
36、在上述技術方案中，在標準哈里斯鷹優化算法中，逃逸能量通常采用線性遞減策略（），用于控制算法在迭代過程中從探索階段向開發階段的過渡。然而，線性遞減策略在迭代后期易導致種群多樣性快速喪失，使算法陷入局部最優。針對該問題，本方案設計了一種動態自適應逃逸能量因子e1的更新公式，其表達式為：該公式的創造性體現在其復合函數結構所帶來的非線性調節特性。具體而言，該公式由三部分構成：第一部分提供了隨迭代次數遞減的基本趨勢，與標準算法保持一致；第二部分引入了隨機擾動，增強了算法的隨機搜索能力，有助于避免早熟收斂；第三部分是一個基于指數函數的非線性衰減因子，其中包含自然常數的冪函數形式。該非線性因子在迭代前期（較小）取值較大，使得的整體值相對較高，有利于算法在前期維持較強的探索能力；在迭代后期（接近1），該因子取值趨近于0.9-?0.5?=?0.4，使得e1整體值降低但仍保持一定的非零范圍，避免了逃逸能量過早衰減至零，從而在迭代后期仍保留一定的跳出局部最優的能力。
37、與標準算法中的線性遞減策略相比，該動態自適應因子具有以下技術效果：首先，非線性衰減特性使得算法能夠在迭代過程中根據當前進度自適應調整探索與開發的平衡，在前期維持較高的探索概率以充分搜索解空間，在后期保持適度的逃逸能量以防止種群陷入局部最優。其次，公式中包含的隨機項使得逃逸能量的取值在每一次迭代中具有隨機波動性，增加了種群行為的多樣性，有助于算法在復雜多峰函數尋優中保持活力。再次，基于指數函數的非線性設計使得逃逸能量的衰減速率在迭代過程中呈現先慢后快再趨緩的特點，這種非單調的衰減曲線相比線性策略能夠更精細地匹配智能優化算法在不同階段的搜索需求。
38、該動態自適應逃逸能量因子的引入，改進了標準哈里斯鷹算法在探索與開發平衡控制上的不足，使得改進后的算法在求解ceemdan參數優化問題時具有更強的全局搜索能力和更高的收斂精度，為后續呼吸與心跳信號的精準分離提供了更優的參數輸入。
39、在一些實施例中，所述拉普拉斯交叉算子的生成方式為：
40、計算交叉系數，服從拉普拉斯分布；
41、生成兩個子代個體：
42、
43、其中，為兩個父代的位置坐標；
44、比較子代與父代適應度，保留較優個體。
45、在上述技術方案中，在標準哈里斯鷹優化算法中，個體位置的更新主要依賴圍繞獵物的圍攻策略，缺乏顯式的交叉操作機制，易導致種群在迭代后期多樣性下降，陷入局部最優。針對該問題，本方案在改進的哈里斯鷹優化算法的開發階段引入了拉普拉斯交叉算子，其生成方式為：首先計算服從拉普拉斯分布的交叉系數β；然后基于兩個父代個體和生成兩個子代個體；最后比較子代與父代的適應度，保留適應度更優的個體進入下一代。
46、該拉普拉斯交叉算子的創造性體現在其分布特性、生成機制以及與選擇策略的結合方式。首先，交叉系數β服從拉普拉斯分布，該分布具有比高斯分布更長的拖尾特性，能夠以一定概率產生較大的隨機步長，從而在個體更新中引入更強的擾動。當β取正值時，子代個體將向遠離父代的方向探索；當β取負值時，子代個體將在兩個父代之間或其反方向生成。這種基于拉普拉斯分布的系數生成方式，相比均勻分布或高斯分布，能夠在維持局部搜索能力的同時，保留一定的概率進行大步長探索，有助于增加種群的多樣性。其次，該算子利用兩個父代個體之間的差異信息作為縮放基準，使得子代個體的生成幅度與父代間的距離自適應相關。當兩個父代個體相距較遠時，子代個體的探索范圍相應擴大；當父代個體收斂到相近區域時，子代個體的擾動幅度自然減小。這種自適應特性使得該算子能夠在算法迭代的不同階段自動調整搜索步長，前期有利于探索，后期有利于精細搜索。再次，該算子與選擇策略相結合，生成子代后與父代進行適應度比較，僅保留較優個體。這種競爭機制確保了種群整體質量不會因交叉操作而下降，同時允許接受一定概率的劣化解以維持多樣性，但最終通過適應度篩選保證了收斂方向。此外，該拉普拉斯交叉算子并非替代原有的哈里斯鷹圍攻策略，而是作為補充機制，在開發階段對適應度較優的個體施加額外擾動。這種“圍攻+交叉”的雙重更新機制，使得算法在圍繞當前最優解進行局部開發的同時，能夠通過交叉操作在當前較優解附近生成新的候選解，進一步挖掘局部區域內的潛在更優解。
47、該拉普拉斯交叉算子的引入，有效增強了改進哈里斯鷹優化算法在迭代過程中的種群多樣性，降低了算法陷入局部最優的風險，同時保持了收斂效率。通過生成多樣化的候選解并與父代競爭，該算子提升了算法對復雜多峰函數（如ceemdan參數優化問題）的全局尋優能力，為自適應求解最優分解參數提供了更可靠的優化基礎。
48、在一些實施例中，所述三維評價準則的構建包括：
49、對每個imf分量，計算其在預設呼吸頻帶和心跳頻帶內的能量占比、；計算其與原始生命體征信號的皮爾遜相關系數絕對值；計算其頻譜能量集中度；
50、構建呼吸信號評分函數與心跳信號評分函數：
51、
52、
53、其中，為預設的權重系數；
54、篩選評分高于閾值的imf分量進行疊加重構，得到初步分離的呼吸信號和心跳信號。
55、在上述技術方案中，呼吸信號與心跳信號頻率相近、能量懸殊，且常被淹沒在噪聲中，導致信號頻帶混疊嚴重，如何從分解后的本征模態函數分量中準確分離出呼吸和心跳信號是核心技術挑戰。針對該問題，本方案構建了一種基于主頻率占比、皮爾遜相關系數與頻帶能量分布的三維評價準則，用于對ceemdan分解得到的imf分量進行篩選與重構。
56、該準則的構建方法包括：對每個imf分量，首先計算其在預設呼吸頻帶和心跳頻帶內的能量占比；其次計算其與原始生命體征信號的皮爾遜相關系數絕對值；再次計算其頻譜能量集中度；然后構建呼吸信號評分函數和心跳信號評分函數；最后篩選評分高于對應閾值的imf分量進行疊加重構，得到初步分離的呼吸信號與心跳信號。
57、該準則的創造性體現在多維度綜合評價機制的設計。首先，頻帶能量占比、用于衡量分量在目標生理頻帶內的能量集中程度，該指標直接反映了分量與呼吸或心跳信號的頻帶匹配度，是信號歸屬判斷的基礎依據。其次，皮爾遜相關系數絕對值用于衡量分量與原始信號的相關性強弱，該指標能夠識別出包含原始信號有效成分較多的分量，避免因過度依賴頻帶特征而丟失與原始信號相關性高但頻帶略有偏移的有效分量。再次，頻譜能量集中度用于衡量分量頻譜的尖銳程度，該指標能夠區分具有明確主頻的周期性信號與寬譜噪聲，有助于篩選出頻譜純凈、周期性強的呼吸或心跳分量。上述三個維度從不同角度對imf分量進行評價：頻帶能量占比關注頻域匹配度，相關系數關注時域相關性，能量集中度關注頻譜純凈度。三者相互補充，形成一個立體的評價體系。單一的頻帶能量占比可能因頻帶混疊而產生誤判；單一的相關系數可能因噪聲干擾而產生偏差；單一的能量集中度可能忽略信號與原始信號的整體相關性。通過將三者加權組合，該準則能夠綜合權衡各維度的信息，提高分量篩選的準確性和魯棒性。評分函數和的構建采用相同的權重系數α、θ、γ，但分別代入不同的頻帶能量占比、，使得同一分量可以獲得兩個不同的評分值，分別表征其作為呼吸分量和作為心跳分量的適宜程度。這種設計允許一個分量同時參與呼吸和心跳的評分競爭，最終根據評分高低決定其歸屬，適應了實際信號中可能存在的頻帶重疊情況。篩選評分高于閾值的imf分量進行疊加重構，將定量評價結果轉化為具體的信號重構操作。通過設定合適的閾值，可以剔除評分較低、可能包含噪聲或干擾的分量，僅保留高質量的有效分量參與重構，從而提升重構信號的純凈度。
58、該三維評價準則的引入，解決了傳統方法中單純依賴頻帶劃分或主觀經驗篩選分量所導致的分離不準問題。通過多維度綜合評分，能夠從復雜的imf集合中精準識別出呼吸和心跳信號的有效成分，為后續去噪和頻率提取提供高質量的輸入信號，從而提升了整個生命體征檢測方法的分離精度和魯棒性。
59、在一些實施例中，所述改進的小波閾值去噪算法包括：
60、采用連續可導的閾值函數：
61、
62、其中，為原始小波系數，為閾值處理后的小波系數，為閾值，為大于0的調節參數。
63、在上述技術方案中，傳統的小波閾值去噪方法存在固有缺陷：硬閾值函數在閾值點處不連續，導致重構信號產生振蕩和偽吉布斯現象；軟閾值函數雖然連續，但處理后的小波系數與原始系數之間存在恒定偏差，導致信號細節過度平滑。針對上述問題，本方案提出了一種改進的小波閾值去噪算法，該算法采用連續可導的閾值函數，該閾值函數的創造性體現在其函數形式的設計及其帶來的數學性質。首先，該函數在處連續：當從右側趨近于時，趨近于0，，因此趨近于0，與左側的0值連續銜接，克服了硬閾值函數在閾值點處不連續的問題。其次，該函數在定義域內連續可導，保證了重構信號的平滑性，避免了因閾值處理引入的偽振蕩。該函數在大幅值系數區域的行為也具有優勢。當時，取值較大，函數趨近于1，因此趨近于。這意味著對于幅值較大的信號系數（通常對應信號的主要成分），該閾值函數能夠近乎無衰減地保留原始系數，克服了軟閾值函數對所有大于閾值的系數進行統一收縮所導致的恒定偏差問題。調節參數的引入為閾值函數提供了靈活性。的取值控制著函數的陡峭程度：當取值較大時，函數在閾值點附近變化劇烈，趨近于硬閾值函數的特性；當取值較小時，函數在閾值點附近變化平緩，具有一定的平滑特性。通過調整a的取值，可以在保留信號細節與抑制噪聲之間進行權衡，適應不同信號特征和噪聲水平的需求。該閾值函數與傳統閾值函數的區別在于：硬閾值函數為分段常數型，在閾值點處跳變；軟閾值函數為分段線性型，存在恒定偏差；而本方案采用的型函數是一種光滑的非線性收縮函數，兼具連續性和漸近無偏性。相比其他非線性閾值函數（如garrote函數），函數具有明確的數學表達和可調節的陡峭參數，實現更為簡便且參數物理意義清晰。將這一改進閾值函數應用于步驟s6的二次去噪中，能夠在有效濾除呼吸信號和心跳信號中殘留噪聲的同時，更好地保留信號的細節特征。對于呼吸信號，該函數能夠保持其周期性波形的完整性；對于幅值微弱的心跳信號，該函數的漸近無偏特性能夠減少對細節系數的過度衰減，有助于保留心跳的沖擊特征。
64、在一些實施例中，所述閾值為自適應閾值，其計算公式為：
65、
66、其中，為第層小波系數的噪聲標準差估計值，為信號長度。
67、在上述技術方案中，傳統小波閾值去噪方法在低信噪比條件下性能下降顯著，且固定閾值難以適應不同分解層上噪聲水平的差異。針對該問題，本方案在改進的小波閾值去噪算法中，采用基于子帶特性的自適應閾值規則。該閾值計算公式的創造性體現在其分層自適應機制的設計。首先，公式中包含基礎項，該形式源自donoho提出的通用閾值，其理論依據是高斯白噪聲的最大幅值以高概率不超過該閾值，能夠有效去除噪聲成分。但通用閾值對所有分解層采用相同閾值，未考慮信號與噪聲在不同尺度上的分布差異。本方案在此基礎上引入了分層衰減因子，該因子隨分解層數的增加而遞減。由于小波分解的多分辨率特性，隨著分解層數的增加，細節系數對應的頻帶逐漸降低，信號成分的能量占比逐漸增高，而噪聲成分的能量通常隨尺度增加而衰減。因此，在高頻層（較?。┬枰^大的閾值以抑制較強噪聲，在低頻層（較大）需要較小的閾值以保護信號細節。衰減因子恰好實現了這一自適應調節：當時，因子為0.707，閾值衰減較少；當時，因子約為0.177，閾值顯著降低，使得低頻細節系數更易被保留。該分層衰減因子的底數設計為，即約0.707，該數值的選取與小波分解的頻率倍頻特性相關。每增加一層分解，頻帶寬度減半，噪聲能量在各層間也存在相應的衰減規律，采用能夠近似匹配噪聲能量隨尺度衰減的趨勢，實現閾值與層數的合理匹配。公式中的為第層小波系數的噪聲標準差估計值，通常基于該層細節系數的中位數絕對偏差進行估計。這一估計方法對異常值不敏感，能夠魯棒地反映各層實際噪聲水平。結合分層閾值因子，該公式實現了逐層自適應：既考慮了各層噪聲水平的實際差異（通過），又引入了基于層數的先驗衰減規律（通過(），二者結合使得閾值設定更加精細合理。與改進閾值函數的配合使用，該自適應閾值構成了完整的去噪方案。閾值函數提供了連續可導的非線性收縮機制，而自適應閾值則為該函數提供了隨層數變化的輸入參數。對于高頻層，較大的使得更多小波系數被置零或收縮，有效濾除噪聲；對于低頻層，較小的使得信號主成分對應的系數得以保留，同時閾值函數的大幅值漸近無偏特性保證了這些系數不被過度衰減。該自適應閾值規則的引入，解決了傳統固定閾值方法在不同分解層上統一處理所導致的欠去噪或過度平滑問題。通過結合層數相關的衰減因子和實際噪聲水平估計，該規則能夠根據各層小波系數的特性動態調整去噪強度，實現精細化、自適應的噪聲濾除。這一機制與改進閾值函數共同作用，為步驟s7的頻譜分析提供了更高質量的輸入信號，從而提升了呼吸率和心率提取的準確性。
68、在一些實施例中，所述頻譜分析采用快速傅里葉變換，分別在預設的呼吸頻帶和心跳頻帶內搜索去噪后的信號頻譜的頻譜峰值，提取呼吸率和心率。
69、在上述技術方案中，毫米波雷達接收到的信號中混合了呼吸、心跳信號以及環境噪聲、電路噪聲和隨機體動干擾，經過前述步驟的參數優化、信號分離與二次去噪后，需要從處理后的信號中準確提取呼吸率與心率。針對該需求，本方案采用快速傅里葉變換進行頻譜分析，其具體實現方式為：分別在預設的呼吸生理頻帶和心跳生理頻帶內，搜索經步驟s6去噪后的信號頻譜的頻譜峰值，將峰值頻率轉換為呼吸率和心率。該頻譜分析方法的創造性體現在與前述步驟的銜接機制以及頻帶限定搜索策略的應用。首先，該方法與步驟s6的輸出緊密銜接，直接對經改進小波閾值去噪后的呼吸信號與心跳信號進行處理。步驟s5的改進小波閾值去噪算法通過連續可導的閾值函數和自適應閾值規則，有效抑制了殘留噪聲并保留了信號細節，為頻譜分析提供了更純凈、信噪比更高的輸入信號，使得后續的峰值檢測更加準確可靠。其次，該方法采用預設生理頻帶限定搜索范圍。呼吸生理頻帶通常設定為0.1-0.4?hz，對應呼吸率6-24次/分鐘；心跳生理頻帶通常設定為0.8-2.0?hz，對應心率48-120次/分鐘。在搜索頻譜峰值時，僅在對應的生理頻帶內尋找最大值，而非在全頻帶范圍內搜索。這一限定具有以下技術意義：一方面，排除生理頻帶外可能存在的噪聲干擾、諧波分量或體動偽跡對峰值檢測的影響，提高頻率提取的準確性；另一方面，減少搜索范圍，降低因頻帶外偶然出現的較大幅值導致的誤檢概率，增強提取結果的魯棒性。再次，該方法采用快速傅里葉變換作為頻譜分析工具，fft算法計算效率高，能夠滿足實時或近實時生命體征監測的應用需求。結合步驟s5去噪后的信號質量，fft得到的頻譜具有清晰的峰值特征，便于通過峰值檢測算法準確定位主峰頻率。該頻譜分析方法與前述步驟共同構成了完整的檢測流程：步驟s2-s3實現參數自適應優化，步驟s4-s5實現信號精準分離，步驟s6實現殘留噪聲抑制，步驟s7將上述處理結果轉化為具體的生理參數。每一步的輸出均為下一步的輸入提供質量保障，頻譜分析作為最終輸出環節，直接驗證了前述各步驟的有效性，并將處理結果量化為可讀的呼吸率和心率。該方法的技術貢獻在于，通過頻帶限定搜索策略，充分利用了呼吸與心跳信號的生理先驗知識，避免了盲目搜索可能導致的誤判；通過與改進小波閾值去噪算法的銜接，保證了輸入頻譜的信號質量，使得峰值檢測具有更高的可信度。該頻譜分析方法簡單有效，與前述復雜處理步驟形成互補，共同實現了對毫米波雷達生命體征信號的高精度、高魯棒自適應檢測。
70、根據本發明的另一個方面，提供一種基于群體智能與改進小波閾值的毫米波體征檢測裝置，基于上述的方法，所述裝置包括：
71、信號采集模塊，用于獲取毫米波雷達采集的原始生命體征信號；
72、適應度函數模塊，用于構建融合樣本熵、皮爾遜相關系數與峭度的多目標適應度函數；
73、求解模塊，用于利用改進的哈里斯鷹優化算法對所述多目標適應度函數進行優化，自適應求解ceemdan分解算法的最優參數組合；
74、分解模塊，用于基于所述最優參數組合對原始生命體征信號進行ceemdan分解，得到若干本征模態函數分量；
75、分離模塊，用于提出基于主頻率占比、皮爾遜相關系數與頻帶能量分布的三維評價準則，對所述本征模態函數分量進行篩選與重構，得到初步分離的呼吸信號與心跳信號；
76、去噪模塊，用于采用改進的小波閾值去噪算法對重構后的呼吸信號與心跳信號分別進行二次去噪；
77、提取模塊，用于對去噪后的呼吸與心跳信號進行頻譜分析，提取呼吸率與心率。
78、在上述技術方案中，為了更好的使用上述方法，本技術提出一種基于群體智能與改進小波閾值的毫米波體征檢測裝置，各個模塊對應上述方法的各個步驟，其具體的原理已在上文中描述，此處不再贅述。