基于RFID的呼吸监测在动态环境中的鲁棒性研究

研究内容

他们首先分析了移动人员对RFID信号的影响，发现移动人员会造成信号的衰减和多径效应，导致信号质量下降和相位跳变。为了解决这个问题，他们提出了一种基于卡尔曼滤波（Kalman Filter）和自适应阈值（Adaptive Threshold）的算法，可以有效地消除移动人员对信号的干扰，并且可以实时地估计呼吸频率和深度。他们在实验室和宿舍等不同场景下进行了实验，验证了他们的算法的鲁棒性和准确性。

算法内容

他们的算法分为两个步骤：信号预处理和呼吸参数估计。
信号预处理的目的是去除移动人员对RFID信号的干扰。他们使用了卡尔曼滤波，这是一种常用的信号处理方法，可以根据观测到的信号和一个数学模型，来预测和更新信号的真实状态。他们假设RFID信号由三部分组成：呼吸引起的周期性变化、移动人员引起的随机变化和噪声。他们利用卡尔曼滤波，可以从观测到的信号中分离出呼吸引起的部分，并且消除移动人员和噪声引起的部分。
呼吸参数估计的目的是从预处理后的信号中提取出呼吸频率和深度。他们使用了自适应阈值，这是一种根据信号特征动态调整阈值大小的方法，可以有效地检测出信号中呼吸周期性变化所对应的峰值和谷值。他们根据峰值和谷值之间的时间间隔，可以计算出呼吸频率。他们根据峰值和谷值之间的幅度差，可以计算出呼吸深度。