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。

他们做出的主要工作

• 他们是第一个在动态环境中实现RFID-based RM的研究团队，他们克服了移动人员对信号的干扰，提高了系统的鲁棒性!
• 他们提出了一种基于卡尔曼滤波和自适应阈值的算法，可以实时地估计呼吸频率和深度，且具有较高的准确性
• 他们在不同场景下进行了大量的实验，验证了他们的算法和系统的有效性和可行性

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。

为了观察天线周围人的移动区域对信号相位的影响，我们在一个固定的盒子上贴上一个RFID标签，并将天线放置在距离标签1.5米的地方，使天线正对标签，如图5b所示。在地面上画一条红线作为3 dB波束宽度边界。如图6a所示，志愿者被要求在不阻挡LOS路径的情况下，在3dB区域内、外以及随机地进出3dB区域。由于志愿者移动得更靠近天线，所以到标签的不同移动距离，即，来自上行链路信号的影响对信号相位引入有限的影响，并且可以被忽略。