殷悅，于霄，呂昊，祁富貴，張自啟，王健琪

第四軍醫(yī)大學(xué) 生物醫(yī)學(xué)工程學(xué)院，陜西 西安 710032

引言

生物雷達(dá)是一種可穿透非金屬介質(zhì)、非接觸探測到生命體的特殊雷達(dá)，它具有分辨率高，穿透能力強(qiáng)的特點，可廣泛應(yīng)用于醫(yī)學(xué)監(jiān)護(hù)、災(zāi)后救援、反恐維穩(wěn)等方面[1-4]。1971年Caro等[5]研究的非接觸呼吸暫停探測器用于臨床上嬰兒呼吸暫停的探測，使雷達(dá)首次應(yīng)用于生物醫(yī)學(xué)領(lǐng)域，雷達(dá)式非接觸生命探測技術(shù)也逐漸成為了國內(nèi)外研究熱點。隨著硬件性能的不斷提高和信號處理技術(shù)的不斷發(fā)展，生物雷達(dá)不僅能探測到障礙物后生命體的存在，還能監(jiān)測到目標(biāo)的呼吸、心跳等生命體征信號[6-7]。本課題組在國內(nèi)率先研究生物雷達(dá)技術(shù)，成功研制出從毫米波段到分米波段的連續(xù)波（Continuous Wave，CW）生物雷達(dá)和超寬譜（Ultra-wide Band，UWB）生物雷達(dá)，在穿透廢墟探測生命體方面顯示出了很好的優(yōu)越性[8-11]。

生物雷達(dá)主要是利用電磁波的反射原理制成，它通過檢測由生命體活動所引起的各種微動，并從這些微動中得到呼吸、體動等有關(guān)信息，從而辨識有無生命。由于人與動物的生命體征有相似之處，我們利用現(xiàn)有的探測方案很難直接區(qū)分目標(biāo)是人還是動物。而在有些應(yīng)用場合，我們不僅關(guān)注能否探測到生命體，還要關(guān)注該生命體是人還是其它動物目標(biāo)。如在地震、塌方等災(zāi)害救援行動中有效區(qū)分人與動物，可以在救援過程中提高搜救效率，優(yōu)化救援資源，增強(qiáng)救援人員的搜救信心。如在城市反恐行動中關(guān)注人與動物的區(qū)別，可以提升反恐人員的安全系數(shù)，最大限度地保障反恐行動的順利實施。

國際上已越來越關(guān)注生命體辨識技術(shù)的研究。目前研究主要集中在兩方面。一是目標(biāo)活動狀態(tài)的辨識，莫斯科國立鮑曼技術(shù)大學(xué)的研究小組用3.6～4.0 GHz連續(xù)波生物雷達(dá)對大鼠靜止、睡眠、理毛活動狀態(tài)進(jìn)行探測，發(fā)現(xiàn)不同狀態(tài)的頻譜圖不同，從而辨別大鼠的活動狀態(tài)[12]。美國賓夕法尼亞大學(xué)用多普勒雷達(dá)探測人體站立時做出的四種肢體動作，提取信號能量作為特征向量分類，分類效果良好[13]。二是目標(biāo)類型的辨識，Kim等[14]對人、狗、自行車和汽車行進(jìn)時的多普勒頻譜中的步幅步頻信息分類，精度達(dá)96%。本課題組曾利用小波熵信息和微動系數(shù)分析方法來辨別墻后靜止的人和狗目標(biāo)，發(fā)現(xiàn)人和狗的相關(guān)系數(shù)曲線有明顯的不同，從而實現(xiàn)人與狗的辨識[11,15]。國內(nèi)外研究顯示，人和動物運動時的頻譜信息有所不同，令人與動物的區(qū)分變得可行。但是關(guān)于靜止目標(biāo)類型的辨識研究較少，主要是因為人和動物在靜態(tài)下的呼吸、體動等微動的雷達(dá)回波信號有一定相似性，用現(xiàn)有的基于呼吸回波的能量累積法能探測到生命體，但是很難區(qū)分人與動物。由此看來，基于生物雷達(dá)的人與動物的識別技術(shù)仍是國際難題，需要挖掘人與動物在雷達(dá)回波信號上的不同點，實現(xiàn)人與動物的識別區(qū)分。

生命信號由于受到生理活動和雷達(dá)接收端的干擾影響，使得信號信噪比低、隨機(jī)性強(qiáng)，因此接收到的生命信號屬于非線性、非穩(wěn)態(tài)信號，需要一種時頻分析方法來精確描述信號頻率隨時間的變化，反映其時變特性。1998年，Huang等[16]提出了一種新的信號處理方法——經(jīng)驗?zāi)B(tài)分解（Empirical Mode Decomposition，EMD），EMD可將任意信號分解為固有模態(tài)函數(shù)（Intrinsic Mode Function，IMF），能準(zhǔn)確描述信號頻率隨時間的變化，具有直觀、后驗及自適應(yīng)的特性，適合非平穩(wěn)、非線性的生物醫(yī)學(xué)信號的處理分析。Wu等[17]提出了聚合經(jīng)驗?zāi)B(tài)分解（Ensemble Empirical Mode Decomposition，EEMD）方法，對EMD進(jìn)行了改進(jìn)，抑制了EMD中出現(xiàn)的模態(tài)混疊并保持了其自適應(yīng)特性。

本文研究了基于UWB生物雷達(dá)的人與家兔的辨識。家兔的呼吸和心跳信號較微弱，并且易于控制其活動，與人體在壓埋狀態(tài)下呼吸心跳微弱且移動范圍有限的特點相似。提出了一種區(qū)分人體與動物目標(biāo)的UWB生物雷達(dá)回波新方法，該方法基于EEMD信號處理技術(shù)，將回波信號的各尺度分量從高頻到低頻不斷分解，再依據(jù)自相關(guān)函數(shù)特性重構(gòu)目標(biāo)的微動信號，利用重構(gòu)信號的頻帶能量比信息來區(qū)分人體與動物目標(biāo)。

1 UWB生物雷達(dá)系統(tǒng)

本課題組研發(fā)的UWB生物雷達(dá)非接觸生命探測系統(tǒng)工作原理，見圖1。脈沖振蕩器產(chǎn)生脈沖信號，一路觸發(fā)電磁脈沖發(fā)生器產(chǎn)生重復(fù)頻率為128 kHz的窄脈沖，通過發(fā)射天線輻射出去，一路經(jīng)過延時電路產(chǎn)生距離門，對接收天線接收到的雷達(dá)回波信號進(jìn)行等效時間采樣，得到不同距離點上的信號。再通過積分電路實現(xiàn)脈沖積累，經(jīng)過放大和濾波后，高速采集傳輸給計算機(jī)。系統(tǒng)參數(shù)，見表1。

圖1 UWB生物雷達(dá)系統(tǒng)原理圖

表1 UWB生物雷達(dá)系統(tǒng)參數(shù)

2 信號處理算法

2.1 經(jīng)驗?zāi)B(tài)分解

EMD本質(zhì)上是一組濾波過程，將信號中存在的不同尺度下的波動或變化趨勢逐級分解，產(chǎn)生一系列具有不同特征尺度的數(shù)據(jù)序列，每個序列稱為一個IMF分量。EMD可以處理非平穩(wěn)和瞬態(tài)問題，得到信號的局部頻譜特征，能根據(jù)分解過程中信號的特征自適應(yīng)發(fā)生改變，具有自適應(yīng)時頻分析的特點。

EMD分解基于3點假設(shè)：① 信號至少有一個極大值點和一個極小值點；② 特征時間尺度定義為相鄰兩極值點之間的時間間隔；③ 如果信號沒有極值點，只有拐點，可通過微分獲得極值點，然后再積分得到相應(yīng)分量[16]。具體處理如下：

（1）對一原始信號X(t)，用三次樣條函數(shù)插值連接所有極大值點形成上包絡(luò)線，所有極小值點形成下包絡(luò)線。X(t)與上下包絡(luò)線均值m1之差記為h1，則：

將h1作為新的X(t)，重復(fù)上述步驟直到hi滿足IMF的兩個條件：① 極值點數(shù)與過零點數(shù)相等或至多差1個；② 在任意一點，局部極大值和局部極小值的包絡(luò)線均值為0，即信號關(guān)于時間軸局部對稱[16]。此hi為第一階IMF，記為C1。

（2）在X(t)中去掉C1，有：

將r1作為新的給定信號X(t)，重復(fù)步驟（1），直到第n階的殘余信號rn為單調(diào)函數(shù)，不再滿足IMF的兩個條件，不能再篩分出IMF分量。

（3）原始信號X(t)可表示為n個IMF分量和一個殘余項的和，即：

式中各IMF分量Cj(t)代表信號從高到低不同頻率段的成分。rn(t)為殘量，代表信號平均趨勢。

2.2 聚合經(jīng)驗?zāi)B(tài)分解

在EMD分解中，若信號存在奇異點，極值點的分布就會發(fā)生改變，從而上下包絡(luò)線也會改變，進(jìn)而影響求得的IMF分量，使之不再滿足IMF的兩個條件。因此分解中可能會出現(xiàn)不同時間尺度特征成分被分解到一個IMF，或者同一時間尺度成分出現(xiàn)在不同IMF中，這種現(xiàn)象稱為模態(tài)混疊[18]。為了克服模態(tài)混疊的問題，Huang等[16]提出了EEMD處理方法。EEMD的原理是當(dāng)信號疊加上頻譜均勻分布的白噪聲時，分解時不同尺度的信號區(qū)域?qū)⒆詣佑成涞脚c白噪聲相關(guān)的頻率尺度上去。根據(jù)白噪聲的零均值特性，每次添加不同的白噪聲，經(jīng)過足夠多的測試求均值后，白噪聲會相互抵消，只剩有用信號[17,19]。每次給原始數(shù)據(jù)加入不同的白噪聲序列，重復(fù)分解得到多組IMF，對其求均值作為最終的IMF。人的微動數(shù)據(jù)經(jīng)過EEMD分解后得到的12階IMF分量曲線，見圖2。

圖2 EEMD分解得到的IMF分量曲線

2.3 自相關(guān)函數(shù)

信號的自相關(guān)函數(shù)表征信號x(t)在不同時刻t1和t2取值間的關(guān)聯(lián)程度，是從寬帶噪聲中檢測信號是否存在的有效手段。定義為：

式中的“E”為數(shù)學(xué)期望運算子。原始信號x(t)采樣點數(shù)為N，自相關(guān)后序列長度變?yōu)?N-1，且在第N點為峰值，關(guān)于第N點對稱。一般信號為1 Hz和5 Hz的正弦波疊加（圖3），采樣點數(shù)200點，從自相關(guān)曲線可以看出各采樣點的取值具有一定關(guān)聯(lián)，表現(xiàn)為較強(qiáng)相關(guān)性，其歸一化自相關(guān)函數(shù)值在對稱點200處最大，在其余點有緩慢振蕩趨勢，所以能量在其余點也會分布，計算出在采樣點[199,201]區(qū)域的能量集中比為6.22%[20]。而隨機(jī)噪聲各時刻的取值表現(xiàn)為弱相關(guān)性，其歸一化自相關(guān)函數(shù)值在其余點迅速衰減，能量大部分集中在對稱點附近，能量集中比為54.56%。因此，噪聲的歸一化自相關(guān)函數(shù)曲線在對稱點附近的能量集中比要比一般信號的能量集中比大。根據(jù)此性質(zhì)，從自相關(guān)函數(shù)曲線圖和能量集中比都可以區(qū)分噪聲和一般信號。

圖3 一般信號和噪聲信號的自相關(guān)函數(shù)

3 實驗及結(jié)果分析

3.1 材料和儀器

雷達(dá)探測選擇單發(fā)單收模式，采樣點數(shù)為2048點，探測范圍為6 m，采集時間約為1 min。實驗對象為由第四軍醫(yī)大學(xué)實驗動物中心提供的五只健康新西蘭兔（重約2.2 kg，雌雄不拘）和五名平均年齡為25歲的健康男性。雷達(dá)天線緊貼厚度約28 cm磚墻。兔作為被測目標(biāo)時放平臺中心處保持靜止?fàn)顟B(tài)，平臺中心高度正對雷達(dá)天線，距離天線3 m。人作為被測目標(biāo)時站立于同樣位置保持平靜呼吸。實驗場景，見圖4。

圖4 實驗場景圖

3.2 信號處理步驟

由于接收到的雷達(dá)回波有大量噪聲和雜波干擾，因此要先對原始回波進(jìn)行預(yù)處理。預(yù)處理步驟如下：首先對回波做時域歸一化。然后進(jìn)行去直流去除靜態(tài)雜波。再進(jìn)行低通濾波去除明顯的高頻噪聲。最后用基于最小均方誤差（Least Mean Square，LMS）算法自適應(yīng)濾波。經(jīng)過預(yù)處理，目標(biāo)區(qū)域信號明顯增強(qiáng)，直達(dá)波、背景噪聲和高頻干擾被有效抑制。

預(yù)處理后利用能量信息找到目標(biāo)的那一距離點的時域信號，對其做EEMD分解，其中附加的白噪聲的標(biāo)準(zhǔn)差為0.1，組數(shù)為50組，分解得到N階IMF分量。噪聲往往表現(xiàn)為高頻特性，主要集中在前幾階IMF中。隨著階數(shù)增加，噪聲分量逐漸減小，有用信號成分增加，信號的自相關(guān)函數(shù)在對稱點的能量集中比也逐漸下降。為了區(qū)分噪聲主導(dǎo)的IMF分量和有用信號主導(dǎo)的IMF分量，對每階IMF做自相關(guān)處理，再由公式(6)獲得每階IMF的自相關(guān)序列在采樣點區(qū)域[n1,n2]的能量集中比η(i),i-1,2…N，公式(7)獲得能量集中比下降率β(i),i-1,2…N。以能量集中比下降率β作為區(qū)分噪聲和有用信號的閾值參數(shù)。

式中，R(n)為離散自相關(guān)序列，能量集中區(qū)域n1，n2取自相關(guān)的對稱點前后各一點的區(qū)域。η(i)表示第i階IMF的自相關(guān)序列在能量集中區(qū)域的能量集中比。

若β(i)＞2則當(dāng)前階的能量集中比η(i)下降到比前j-1階能量集中比平均值的倍還小，說明第j階IMF開始往后為有用信號占主導(dǎo)，能量不再全集中于零點。噪聲與有用信號的分界點即為第j階IMF。其中，第一階IMF的能量集中比下降率β(1)為0。

由于生命體的微動信號多為低頻信號，因此前j-1階IMF分量幾乎全為高頻噪聲，根據(jù)公式(8)將第j階到第N階IMF分量重構(gòu)，獲得重構(gòu)信號sre(t)。重構(gòu)后保留了有用信號，去除了大部分噪聲。

人體在靜止時，生理體征微動可簡單近似為呼吸微動、心跳微動和其他人體微動的疊加[21]，其中呼吸引起的胸腔運動相對較明顯，信號能量較強(qiáng)，心跳引起的胸腔微動幅度太小，被呼吸所淹沒。因此雷達(dá)探測到的目標(biāo)微動信號主要由呼吸運動產(chǎn)生。兔子的呼吸頻帶主要分布在0.4～0.8 Hz，人的呼吸頻帶主要分布在0.2～0.4 Hz，以人的呼吸頻帶作為參考頻帶，那么兔的呼吸信號在參考頻帶上占的能量很小，能量占比比人的能量占比要低，因此根據(jù)能量占比信息在一定程度上可以辨識人和兔。由公式(9)求得重構(gòu)信號在參考頻帶0.2～0.4 Hz上的能量占比pr。

其中Ere為p重構(gòu)信號的頻域總能量，Ere_r為重構(gòu)信號在參考頻帶上的能量。

3.3 結(jié)果分析

一組兔子的目標(biāo)點信號進(jìn)行EEMD分解后的IMF自相關(guān)函數(shù)圖，見圖5。各階IMF自相關(guān)函數(shù)的能量集中比和能量下降率曲線圖，見圖6，可以看出第4階開始，能量集中比明顯下降，下降率大于2（藍(lán)色虛線為能量集中比下降率的閾值2）。因此噪聲和有用信號分界點為第4階IMF。從自相關(guān)函數(shù)圖也可觀察出前三階IMF為噪聲分量，說明用能量下降率判斷分界點的方法是準(zhǔn)確的。根據(jù)公式(8)將第4階以后的分量重構(gòu)，公式(9)求得能量占比pr=16.59%。

圖5 IMF自相關(guān)函數(shù)

圖6 各階IMF的能量集中比和能量比下降率曲線圖

各取人和兔的十組原始數(shù)據(jù)進(jìn)行數(shù)據(jù)處理，結(jié)果記錄，見表2。使用SPSS 17.0軟件進(jìn)行兩樣本t檢驗，結(jié)果表明人和兔的能量占比有顯著不同（P＜0.001），差異有統(tǒng)計學(xué)意義。分析得出，當(dāng)雷達(dá)探測出障礙物后有生命體存在時，利用目標(biāo)的能量占比信息可判斷是否為人體目標(biāo)，如果能量占比明顯低于38%，那么目標(biāo)很有可能是兔子。

表2 人和兔在參考頻帶上的能量占比（%）

4 總結(jié)與討論

本文首先分析了生物醫(yī)學(xué)信號的特點，根據(jù)其特點提出了用EEMD分析超寬帶雷達(dá)探測的生命微動信號的方法。EEMD解決了EMD模式混疊的問題，能有效提取生命體微動信號。EEMD處理后，將分解得到的各階IMF分量做自相關(guān)處理，利用噪聲和有用信號的自相關(guān)函數(shù)不同這一特性重構(gòu)目標(biāo)微動信號，去除大量噪聲。以重構(gòu)信號在參考頻帶上的能量占比作為特征參數(shù)區(qū)分人和兔，區(qū)分效果顯著。

綜上所述，本文利用頻帶能量比信息進(jìn)行了墻后靜止?fàn)顟B(tài)下人與兔的探測與辨識，為進(jìn)一步研究不同動物目標(biāo)與人類的辨識提供了新思路和新方法。下一步計劃從與人類生理參數(shù)相近的狗和豬生命體征信號中尋找更多的特征參數(shù)，進(jìn)行多特征參數(shù)辨識，提高人與不同動物辨識準(zhǔn)確度。