基于EEMD和頻帶能量比特性的人與動物雷達微動信號辨識

殷悅，于霄，呂昊，祁富貴，張自啟，王健琪

第四軍醫大學 生物醫學工程學院，陜西 西安 710032

引言

生物雷達是一種可穿透非金屬介質、非接觸探測到生命體的特殊雷達，它具有分辨率高，穿透能力強的特點，可廣泛應用于醫學監護、災后救援、反恐維穩等方面[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，使雷達首次應用于生物醫學領域，雷達式非接觸生命探測技術也逐漸成為了國內外研究熱點。隨著硬件性能的不斷提高和信號處理技術的不斷發展，生物雷達不僅能探測到障礙物后生命體的存在，還能監測到目標的呼吸、心跳等生命體征信號[6-7]。本課題組在國內率先研究生物雷達技術，成功研制出從毫米波段到分米波段的連續波（Continuous Wave，CW）生物雷達和超寬譜（Ultra-wide Band，UWB）生物雷達，在穿透廢墟探測生命體方面顯示出了很好的優越性[8-11]。

生物雷達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，我們利用現有的探測方案很難直接區分目標是人還是動物。而在有些應用場合，我們不僅關注能否探測到生命體，還要關注該生命體是人還是其它動物目標。如在地震、塌方等災害救援行動中有效區分人與動物，可以在救援過程中提高搜救效率，優化救援資源，增強救援人員的搜救信心。如在城市反恐行動中關注人與動物的區別，可以提升反恐人員的安全系數，最大限度地保障反恐行動的順利實施。

國際上已越來越關注生命體辨識技術的研究。目前研究主要集中在兩方面。一是目標活動狀態的辨識，莫斯科國立鮑曼技術大學的研究小組用3.6～4.0 GHz連續波生物雷達對大鼠靜止、睡眠、理毛活動狀態進行探測，發現不同狀態的頻譜圖不同，從而辨別大鼠的活動狀態[12]。美國賓夕法尼亞大學用多普勒雷達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]。二是目標類型的辨識，Kim等[14]對人、狗、自行車和汽車行進時的多普勒頻譜中的步幅步頻信息分類，精度達96%。本課題組曾利用小波熵信息和微動系數分析方法來辨別墻后靜止的人和狗目標，發現人和狗的相關系數曲線有明顯的不同，從而實現人與狗的辨識[11,15]。國內外研究顯示，人和動物運動時的頻譜信息有所不同，令人與動物的區分變得可行。但是關于靜止目標類型的辨識研究較少，主要是因為人和動物在靜態下的呼吸、體動等微動的雷達回波信號有一定相似性，用現有的基于呼吸回波的能量累積法能探測到生命體，但是很難區分人與動物。由此看來，基于生物雷達的人與動物的識別技術仍是國際難題，需要挖掘人與動物在雷達回波信號上的不同點，實現人與動物的識別區分。

生命信號由于受到生理活動和雷達接收端的干擾影響，使得信號信噪比低、隨機性強，因此接收到的生命信號屬于非線性、非穩態信號，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——經驗模態分解（Empirical Mode Decomposition，EMD），EMD可將任意信號分解為固有模態函數（Intrinsic Mode Function，IMF），能準確描述信號頻率隨時間的變化，具有直觀、后驗及自適應的特性，適合非平穩、非線性的生物醫學信號的處理分析。Wu等[17]提出了聚合經驗模態分解（Ensemble Empirical Mode Decomposition，EEMD）方法，對EMD進行了改進，抑制了EMD中出現的模態混疊并保持了其自適應特性。

本文研究了基于UWB生物雷達的人與家兔的辨識。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。提出了一種區分人體與動物目標的UWB生物雷達回波新方法，該方法基于EEMD信號處理技術，將回波信號的各尺度分量從高頻到低頻不斷分解，再依據自相關函數特性重構目標的微動信號，利用重構信號的頻帶能量比信息來區分人體與動物目標。

1 UWB生物雷達系統

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

圖1 UWB生物雷達系統原理圖

表1 UWB生物雷達系統參數

2 信號處理算法

2.1 經驗模態分解

EMD本質上是一組濾波過程，將信號中存在的不同尺度下的波動或變化趨勢逐級分解，產生一系列具有不同特征尺度的數據序列，每個序列稱為一個IMF分量。EMD可以處理非平穩和瞬態問題，得到信號的局部頻譜特征，能根據分解過程中信號的特征自適應發生改變，具有自適應時頻分析的特點。

EMD分解基于3點假設：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)，用三次樣條函數插值連接所有極大值點形成上包絡線，所有極小值點形成下包絡線。X(t)與上下包絡線均值m1之差記為h1，則：

將h1作為新的X(t)，重復上述步驟直到hi滿足IMF的兩個條件：① 極值點數與過零點數相等或至多差1個；② 在任意一點，局部極大值和局部極小值的包絡線均值為0，即信號關于時間軸局部對稱[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)，重復步驟（1），直到第n階的殘余信號rn為單調函數，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 聚合經驗模態分解

在EMD分解中，若信號存在奇異點，極值點的分布就會發生改變，從而上下包絡線也會改變，進而影響求得的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在不同IMF中，這種現象稱為模態混疊[18]。為了克服模態混疊的問題，Huang等[16]提出了EEMD處理方法。EEMD的原理是當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域將自動映射到與白噪聲相關的頻率尺度上去。根據白噪聲的零均值特性，每次添加不同的白噪聲，經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]。每次給原始數據加入不同的白噪聲序列，重復分解得到多組IMF，對其求均值作為最終的IMF。人的微動數據經過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 自相關函數

信號的自相關函數表征信號x(t)在不同時刻t1和t2取值間的關聯程度，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”為數學期望運算子。原始信號x(t)采樣點數為N，自相關后序列長度變為2N-1，且在第N點為峰值，關于第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200點，從自相關曲線可以看出各采樣點的取值具有一定關聯，表現為較強相關性，其歸一化自相關函數值在對稱點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]區域的能量集中比為6.22%[20]。而隨機噪聲各時刻的取值表現為弱相關性，其歸一化自相關函數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函數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。根據此性質，從自相關函數曲線圖和能量集中比都可以區分噪聲和一般信號。

圖3 一般信號和噪聲信號的自相關函數

3 實驗及結果分析

3.1 材料和儀器

雷達探測選擇單發單收模式，采樣點數為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大學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。雷達天線緊貼厚度約28 cm磚墻。兔作為被測目標時放平臺中心處保持靜止狀態，平臺中心高度正對雷達天線，距離天線3 m。人作為被測目標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

由于接收到的雷達回波有大量噪聲和雜波干擾，因此要先對原始回波進行預處理。預處理步驟如下：首先對回波做時域歸一化。然后進行去直流去除靜態雜波。再進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）算法自適應濾波。經過預處理，目標區域信號明顯增強，直達波、背景噪聲和高頻干擾被有效抑制。

預處理后利用能量信息找到目標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準差為0.1，組數為50組，分解得到N階IMF分量。噪聲往往表現為高頻特性，主要集中在前幾階IMF中。隨著階數增加，噪聲分量逐漸減小，有用信號成分增加，信號的自相關函數在對稱點的能量集中比也逐漸下降。為了區分噪聲主導的IMF分量和有用信號主導的IMF分量，對每階IMF做自相關處理，再由公式(6)獲得每階IMF的自相關序列在采樣點區域[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作為區分噪聲和有用信號的閾值參數。

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

若β(i)＞2則當前階的能量集中比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，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，根據公式(8)將第j階到第N階IMF分量重構，獲得重構信號sre(t)。重構后保留了有用信號，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，心跳引起的胸腔微動幅度太小，被呼吸所淹沒。因此雷達探測到的目標微動信號主要由呼吸運動產生。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重構信號的頻域總能量，Ere_r為重構信號在參考頻帶上的能量。

3.3 結果分析

一組兔子的目標點信號進行EEMD分解后的IMF自相關函數圖，見圖5。各階IMF自相關函數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。從自相關函數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確的。根據公式(8)將第4階以后的分量重構，公式(9)求得能量占比pr=16.59%。

圖5 IMF自相關函數

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據進行數據處理，結果記錄，見表2。使用SPSS 17.0軟件進行兩樣本t檢驗，結果表明人和兔的能量占比有顯著不同（P＜0.001），差異有統計學意義。分析得出，當雷達探測出障礙物后有生命體存在時，利用目標的能量占比信息可判斷是否為人體目標，如果能量占比明顯低于38%，那么目標很有可能是兔子。

表2 人和兔在參考頻帶上的能量占比（%）

4 總結與討論

本文首先分析了生物醫學信號的特點，根據其特點提出了用EEMD分析超寬帶雷達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分量做自相關處理，利用噪聲和有用信號的自相關函數不同這一特性重構目標微動信號，去除大量噪聲。以重構信號在參考頻帶上的能量占比作為特征參數區分人和兔，區分效果顯著。

綜上所述，本文利用頻帶能量比信息進行了墻后靜止狀態下人與兔的探測與辨識，為進一步研究不同動物目標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相近的狗和豬生命體征信號中尋找更多的特征參數，進行多特征參數辨識，提高人與不同動物辨識準確度。