沖激超寬帶雷達(dá)多生命特征檢測(cè)初步研究

（1.電子科技大學(xué) 電子工程學(xué)院，成都 610054； 2.成都理工大學(xué) 地球探測(cè)與信息技術(shù)教育部重點(diǎn)實(shí)驗(yàn)室，成都 610059）

摘 要：

研究了多生命特征檢測(cè)問(wèn)題；在分析沖激超寬帶雷達(dá)生命特征檢測(cè)原理的基礎(chǔ)上，針對(duì)多個(gè)生命特征的檢測(cè)問(wèn)題，引入并詳細(xì)介紹了高分辨率MUSIC算法；采用諧波模型模擬了回波數(shù)據(jù)中多個(gè)疊加的生命特征，并分別采用FFT和MUSIC算法進(jìn)行了分析。結(jié)果表明，相對(duì)FFT方法，MUSIC算法壓制了噪聲和旁瓣影響，進(jìn)而能夠較好地估計(jì)多個(gè)呼吸頻率。沖激超寬帶雷達(dá)探測(cè)方法聯(lián)合MUSIC算法能完成多個(gè)生命特征的檢測(cè)。

關(guān)鍵詞：微動(dòng)目標(biāo)； 沖激超寬帶； 多生命檢測(cè)； MUSIC算法

中圖分類號(hào)：TN958文獻(xiàn)標(biāo)志碼：A

文章編號(hào)：1001-3695(2009)04-1263-03

Preliminary study of multi-life detection using impulse UWB radar

LI Wen-chao1，2， WANG Xu-ben2， HE Yong-bo2， YU Zhen-hua2

（1.School of Electronic Engineering， University of Electronic Science Technology of China， Chengdu 610054， China; 2. Key Laboratory of Earth Exploration Information Technique for Ministry of Education， Chengdu University of Technology， Chengdu 610059， China）

Abstract:

This paper studied issues of multi-life detection. On the basis of analyzing the principle of life detection using impulse ultra wideband (UWB) radar， introduced and described the high-resolution MUSIC algorithm in detail， in response to multi-life detection issues. Used harmonic model to simulate multiple superimposed life features of echo data， according to the actual conditions， used MUSIC and FFT algorithm to analyze the simulation. The results show that MUSIC algorithm can suppress the impact of noise and sidelobe， and identify multiple respiratory rates better than FFT method .Multi-life detection issues can be well resolved using the detection method of impulse UWB combined the high resolution MUSIC algorithm.

Key words：micro-motion object; impulse UWB; multi-life detection; MUSIC algorithm

長(zhǎng)期以來(lái)，雷達(dá)主要用來(lái)檢測(cè)運(yùn)動(dòng)或靜止的目標(biāo)，很少涉及微動(dòng)目標(biāo)的檢測(cè)。在災(zāi)害救助、反恐等領(lǐng)域，呼吸、心跳等微動(dòng)目標(biāo)特征的非接觸式檢測(cè)變得越來(lái)越重要[1]。近年來(lái)一些學(xué)者相繼研究了連續(xù)波雷達(dá)探測(cè)生命特征方法，如文獻(xiàn)[2]提出了連續(xù)波雷達(dá)頻域積累方法用于生命特征檢測(cè)；文獻(xiàn)[3]闡述了基于諧波模型的人體狀態(tài)識(shí)別方法等，均取得了不錯(cuò)的效果。但同時(shí)它們也存在不足，如無(wú)法有效獲得生命特征的距離信息等。沖激超寬帶雷達(dá)具有分辨率高、穿透能力強(qiáng)等優(yōu)點(diǎn)，而且能夠測(cè)定目標(biāo)體的距離信息，目前在國(guó)內(nèi)外引起了極大的關(guān)注，并相繼應(yīng)用于生命特征檢測(cè)領(lǐng)域[4~6]。對(duì)于多個(gè)生命特征的檢測(cè)問(wèn)題，國(guó)內(nèi)目前尚未見(jiàn)到相關(guān)報(bào)道。

1 生命特征檢測(cè)原理

圖1為沖激超寬帶雷達(dá)探測(cè)廢墟中人體呼吸模型示意圖。其中虛線部分是人體處在吸氣狀態(tài)（由于心跳所引起的體表微動(dòng)與呼吸相比較小，這里生命特征僅考慮人體呼吸）。發(fā)射與接收天線固定在一處，假設(shè)垂直正對(duì)人體，距離為d0，由于廢墟的相對(duì)介電常數(shù)與人體相差較大，輻射的沖激超寬帶信號(hào)穿過(guò)廢墟，遇到人體后部分能量被反射回來(lái)進(jìn)入接收天線。

設(shè)人體呼吸造成的體表微動(dòng)p(t)以頻率f呈正弦規(guī)律變化（即呼吸頻率為f），最大幅度為a：

p(t)=a sin 2πft（1）

這樣，人體表與天線距離變?yōu)?/p>

d(t)=d0+p(t)=d0+a sin 2πft（2）

接收脈沖的時(shí)延為

τb(t)=2d(t)/v=2(d0+a sin2πft)/v（3）

其中：v為電磁波在廢墟中的傳播速度。從式（3）可以看出，人體表微動(dòng)對(duì)時(shí)延起到了調(diào)制作用，引起周期性變化，變化頻率與呼吸頻率相同。更加具體的，若目標(biāo)體是靜止不動(dòng)的物體，則每次反射時(shí)延位置相同；若是存在周期運(yùn)動(dòng)特征（呼吸），則時(shí)延位置呈一定周期變化。圖2為存在周期微動(dòng)的探測(cè)回波數(shù)據(jù)示意圖。

綜合以上分析，可以根據(jù)回波數(shù)據(jù)中是否存在周期變化特征，進(jìn)而初步判斷是否存在生命特征。但在實(shí)際環(huán)境中，靜止物體和天線直接耦合波等往往造成很強(qiáng)雜波，干擾很大，致使無(wú)法直接從回波數(shù)據(jù)中觀測(cè)到周期性變化。一般要采取背景相消處理方法，對(duì)接收信號(hào)進(jìn)行處理。具體方法為：取任一接收信號(hào)或多個(gè)接收信號(hào)的平均值作為參考信號(hào)（背景信號(hào)），將各接收信號(hào)與參考信號(hào)相減。這樣就把靜止目標(biāo)體與天線直接耦合波所造成的影響去掉，對(duì)于后期的周期特征檢測(cè)具有重要的意義。以上是單個(gè)生命（呼吸）特征的情況，當(dāng)存在多個(gè)生命特征時(shí)，可分為兩種情況：a)當(dāng)多個(gè)生命特征與天線距離不等時(shí)，根據(jù)式（3）及圖2分析，探測(cè)結(jié)果將在不同時(shí)延處表現(xiàn)出周期變化特征，從而判斷多個(gè)生命特征。b)當(dāng)多個(gè)生命特征與天線距離相等時(shí)，如某一點(diǎn)存在多個(gè)生命特征或者多個(gè)生命特征分布在與天線距離相等的不同位置時(shí)，則探測(cè)結(jié)果所呈現(xiàn)的周期變化特征就會(huì)相互重疊，造成無(wú)法直接判斷是否存在多個(gè)生命特征。這里可以根據(jù)多個(gè)生命特征頻率的差異，把存在周期變化特征處的數(shù)據(jù)提取出來(lái)進(jìn)行頻譜分析，從而判斷是否存在多個(gè)生命特征。由于每個(gè)人的呼吸頻率差異不大，這里選用MUSIC譜估計(jì)方法，并與FFT方法進(jìn)行對(duì)比。



2 MUSIC 算法

假設(shè)數(shù)據(jù)x(n)是由M個(gè)（復(fù)）正弦信號(hào)（呼吸特征）加白噪聲組成，其自相關(guān)函數(shù)為[7]

Rx(k)=∑Mi=1Aiexp(jwik)+σ2δ(k)（4）

其中：Ai、 wi 分別是第i個(gè)（復(fù)）正弦的功率及頻率，而正弦信號(hào)的σ2是白噪聲的方差。如果由(p+1)個(gè)Rx(k)組成相關(guān)陣：

Rp=Rx(0)R*x(1)…R*x(p)Rx(1)Rx(0)…R*x(p-1)Rx(p)Rx(p-1)…Rx(0)（5）

定義信號(hào)向量為

ei=[1，exp(jwi)，…，exp(jwip)]T（6）

那么Rp=Sp+σ2I（7）

其中Sp=∑Mi=1AieieHi（8）

為信號(hào)陣。若p＞M，則Sp是奇異的。式中的I為(p+1)×(p+1)單位陣。將Sp特征分解，得

Sp=∑p+1i=1λiViVHi（9）

Vi是對(duì)應(yīng)于特征值λi的特征向量，且它們之間是相互正交的，即

VHiVj=1 i=j0 i≠j（10）

單位陣I也可用特征向量Vi表示為

I=∑p+1i=1ViVHi（11）

可證明，信號(hào)陣Sp的最大秩為M，M＜p+1，那么Sp將有p+1-M個(gè)零特征值。將特征值按從大到小順序排列，那么Sp的特征分解可寫為

Sp=∑Mi=1λiViVHi（12）

其中：V1，V2，…，Vm稱為主特征向量。

由上面的分析得到

Rp=∑Mi=1(λi+σ2)ViVHi+∑p+1i=M+1σ2ViVHi（13）

式（13）即為相關(guān)陣的特征分解。顯然，Rp和信號(hào)矩陣Sp有著相同的特征向量。它們的所有特征向量V1，V2，…，Vp+1形成了一個(gè)p+1維的向量空間，且它們是互相正交的。進(jìn)一步，該向量空間又可分成兩個(gè)子空間:一個(gè)由特征向量VM+1，VM+2，…，Vp+1張成的噪聲空間，每個(gè)向量的特征值都是σ2；另一個(gè)是由主特征向量V1，V2，…，Vm張成的信號(hào)空間，其特征值分別是(σ2+λ1)，(σ2+λ2)，…，(σ2+λM)。

由于信號(hào)向量ei和噪聲空間的各個(gè)向量VM+1，VM+2，…，Vp+1都是正交的，與它們的線性組合也是正交的，即

eHi=(∑p+1k=M+1Vk)=0；i=1，2，…，M（14）

令e(w)=[1，exp(jw)，…，exp(jwp)]T，則有

eH(w)∑p+1k=M+1VkVHke(w)=∑p+1k=M+1|eH(w)Vk|2（15）

當(dāng)w=wi時(shí)，即e(w)=e(wi)=ei，又由式（14）可知，式（15）應(yīng)為零。那么根據(jù)最大似然譜估計(jì)和空間譜定義，功率譜中對(duì)應(yīng)最大功率的頻率應(yīng)由式（16）求得：

P∧x(w)=1/∑p+1k=M+1|eH(w)Vk|2（16）

在嚴(yán)格的w=wi處，應(yīng)是無(wú)窮大，但Vk是由相關(guān)矩陣分解得到的，而相關(guān)陣是估計(jì)出的，必有誤差。所以在實(shí)際中P^x(w)為有限值，但呈現(xiàn)尖的峰值，其峰值對(duì)應(yīng)的頻率即是正弦信號(hào)的頻率，也就是生命特征的頻率。

3 仿真結(jié)果與分析

這里采用諧波模型模擬從雷達(dá)探測(cè)數(shù)據(jù)中提取的人體呼吸特征，結(jié)果如圖3（a）、圖4(a)和圖5(a)所示，分別為單個(gè)、兩個(gè)、三個(gè)呼吸頻率信號(hào)。頻率設(shè)置如表1所示。其中圖3（b）、圖4(b)、圖5(b)分別為加入高斯白噪聲后的信號(hào)，信噪比分別為-5，-3，0dB。圖3（c）、圖4(c)、圖5(c)分別為FFT分析結(jié)果；圖3（d）、圖4(d)、圖5(d)分別為MUSIC算法分析結(jié)果。



從上面結(jié)果可以看出，F(xiàn)FT算法與MUSIC算法均能識(shí)別出單個(gè)及多個(gè)呼吸頻率。相對(duì)于FFT，MUSIC算法能更好地抑制噪聲和旁瓣的影響，具有較好的分辨能力，這對(duì)于低信噪比情況下的微弱信號(hào)檢測(cè)是有利的。另外根據(jù)MUSIC算法估計(jì)的呼吸頻率結(jié)果，如表1所示，與實(shí)際設(shè)置頻率相比誤差是很小的，相對(duì)誤差最大為2.55% 。

表1 MUSIC算法估計(jì)呼吸頻率結(jié)果

呼吸頻率實(shí)際值/Hz估計(jì)值/Hz

單個(gè)呼吸頻率0.250.253 9

兩個(gè)呼吸頻率0.200.300.20510.302 7

三個(gè)呼吸頻率0.210.260.330.214 80.263 70.332 0

4 結(jié)束語(yǔ)

通過(guò)諧波模型模擬了雷達(dá)探測(cè)回波數(shù)據(jù)中的人體呼吸特征，并采用FFT和MUSIC算法進(jìn)行了分析。結(jié)果表明MUSIC算法對(duì)呼吸頻率的估計(jì)相對(duì)誤差最大為2.55%，相比FFT方法，能很好地壓制噪聲和旁瓣影響，具有較好的分辨能力；沖激超寬帶雷達(dá)檢測(cè)方法聯(lián)合MUSIC算法可以完成多生命特征的檢測(cè)，為今后實(shí)際數(shù)據(jù)的分析奠定了基礎(chǔ)，將在災(zāi)害救助、反恐等領(lǐng)域得到廣泛應(yīng)用。

需要指出的是，本文并未考慮心跳的影響，實(shí)際中是存在誤差的，對(duì)此將會(huì)進(jìn)行深入研究。

參考文獻(xiàn)：

[1]CHEN Kun-mu， HUANG Yong， ZHANG Jian-ping. Microwave life-detection systems for searching human subjects under earthquake rubble or behind barrier[J]. IEEE Trans on Biomedical Enginee-ring， 2000，4(1):105-114.

[2]倪安勝，王健琪，楊國(guó)勝，等. 基于FFT頻域積累的非接觸生命參數(shù)信號(hào)檢測(cè)[J]. 第四軍醫(yī)大學(xué)學(xué)報(bào)，2003， 24(2):172-175.

[3]史林，姜敏，黃莉. 基于諧波模型的生命探測(cè)雷達(dá)人體狀態(tài)識(shí)別方法[J].西安電子科技大學(xué)學(xué)報(bào):自然科學(xué)版， 2005，32（2）:179-183。

[4]VENKATESH S， ANDERSON C， RIVERA N V， et al. Implementation and analysis of respiration rate estimation using impulse-based UWB[C]//Proc of IEEE Military Communications Conference (IEEE MILCOM05 ). 2005.

[5]YAROVOY A G， MATUZAS J， LEVITAS B， et al. UWB radar for human being detection[C]//Proc of International Radar Conference. 2005:1-3.

[6]路國(guó)華，楊國(guó)勝，王健琪，等. 基于微功率超寬帶雷達(dá)檢測(cè)人體生命信號(hào)的研究[J]. 醫(yī)療衛(wèi)生裝備，2005，26（2）:15-17.

[7]張賢達(dá).現(xiàn)代信號(hào)處理[M].北京：清華大學(xué)出版社，2002.