王帥杰，李釗，張華，王夢夢，張自啟，王健琪，路國華

第四軍醫(yī)大學 生物醫(yī)學工程學院 醫(yī)學電子學教研室，西安 陜西 710032

一種基于連續(xù)波生物雷達的人體 步態(tài)非接觸檢測系統(tǒng)

王帥杰，李釗，張華，王夢夢，張自啟，王健琪，路國華

第四軍醫(yī)大學 生物醫(yī)學工程學院 醫(yī)學電子學教研室，西安 陜西 710032

人體步態(tài)是一個全身肌肉骨骼協(xié)調運行的復雜機制，具有特異性，可以作為身份判別或臨床疾病診斷的依據(jù)。本文介紹了一種基于連續(xù)波生物雷達的人體步態(tài)非接觸檢測系統(tǒng)， 通過對人體走動時產生的雷達回波信號進行頻譜分析，提取出人體步態(tài)信號的主要頻率， 并與加速度傳感器獲得的數(shù)據(jù)進行相干分析。實驗結果表明生物雷達可以非接觸地檢測到人體的步態(tài)信號，并與加速度檢測和視頻監(jiān)測結果具有較好的一致性。

人體步態(tài)分析；生物雷達；非接觸檢測系統(tǒng)；頻譜分析；相干分析；疾病診斷

引言

人體的探測識別主要是利用各種技術手段獲得人體生理或行為特征，從而對個人身份進行鑒定[1]，在災害救援、戰(zhàn)場救護、反恐安保等方面具有廣泛的應用前景。其他個人身份特征識別技術一般依靠指紋、虹膜以及人臉等，而步態(tài)檢測無需受試者配合、不需要接觸識別設備，具有非侵犯、容易采集、目標不易隱藏和偽裝等優(yōu)點[2-3]，因而受到國內外研究者的關注。目前，人體步態(tài)的非接觸檢測多采用光學圖像、超聲和生物雷達3種方式。基于光學圖像的步態(tài)非接觸檢測技術包含目標追蹤、視頻獲取、圖像處理與識別等多項內容，首先對視頻系統(tǒng)捕捉到的目標進行跟蹤檢測，并通過圖像處理技術提取目標的步態(tài)信息，再與樣本數(shù)據(jù)庫中儲存的數(shù)據(jù)進行比對，從而對目標進行分類與識別[4]?；诔暡綉B(tài)非接觸檢測利用機械波的多普勒效應，用頻率極高的機械波照射運動人體，回波含有經過人體運動調制的多普勒信息，對回波進行信號處理，可以將人體運動的多普勒信息提取出來，進而確定人體步態(tài)參數(shù)[5-7]。以上兩種步態(tài)非接觸檢測方式，都能夠獲取人體步態(tài)參數(shù)，但受光線、能見度、障礙物等外界因素影響較大[4-7]?；谏锢走_的人體步態(tài)信號非接觸檢測技術更具優(yōu)勢，主要表現(xiàn)在：不受光線影響，可全天候識別；可穿透衣物、偽裝甚至墻壁；可在煙、塵、霧等能見度低的天氣條件下使用等[8]。因此，基于生物雷達的人體步態(tài)非接觸檢測技術研究具有重要的研究意義。

目前，國內外對于人體步態(tài)非接觸檢測的研究主要利用超寬帶生物雷達，連續(xù)波雷達使用較少。但連續(xù)波雷達的多普勒效應對于人體步態(tài)檢測具有重要意義。Geisheimer等人利用一臺10.5 GHz的連續(xù)波雷達來檢測人體行走產生的微多普勒信號，并使用短時傅立葉變換與線調頻小波變換（Chirplet Transform，CT）來對信號進行處理，從人體步態(tài)信號中獲取了不同的特征[9]。Otero等詳述了利用連續(xù)波雷達獲取人走路時產生的多普勒特征信號，并利用傅立葉變換分析信號。這些關鍵特征信號在人類行走運動中具有代表性。他們針對不同性別的人進行了試驗，并開發(fā)了一個簡單的分類系統(tǒng)來進行識別[10]。Zhang將不同的時頻分析方法應用于人體步態(tài)雷達回波多組分非平穩(wěn)信號分析，并通過這些分析得到了人體步態(tài)時頻特征，為今后的研究奠定了基礎[11]。

1 材料與方法

1.1 實驗對象與系統(tǒng)

1.1.1 實驗對象

10名健康男性在知情同意的前提參加本研究，年齡22.0±2.0歲，所有實驗對象在實驗過程中盡量保持身體相對靜止，避免體動干擾影響檢測結果。

1.1.2 連續(xù)波生物雷達系統(tǒng)

利用連續(xù)波（Continuous-Wave，CW）生物雷達照射走動的人體目標，雷達回波信號被人體運動調制，使得回波信號包含了人體各部分微動調制產生的多普勒頻率。天線接收回波信號后，利用信號處理技術，提取回波信號中的關鍵特征信號[12]。用于實驗的CW雷達工作頻率為10.4 GHz，系統(tǒng)的工作原理，見圖1。

圖1 基于生物雷達的人體步態(tài)非接觸檢測技術原理

1.1.3 加速度傳感器

通過加速度傳感器獲取人體運動時手臂與胳膊的運動參數(shù)，以便與生物雷達獲得的數(shù)據(jù)進行對比驗證。因人體步態(tài)信號頻率較低，低頻（0～20 Hz）的加速度傳感器即可滿足要求。除此之外，加速度傳感器按輸出的不同還可分為模擬式和數(shù)字式兩種。其中模擬式加速度傳感器輸出值為電壓，體積較?。粩?shù)字式加速度傳感器集成了ADC電路，但體積偏大。綜上，本實驗采用低頻、模擬式加速度傳感器ADXL335。利用Biopac多通道生理信號采集系統(tǒng)將模擬信號轉換為數(shù)字信號，以便于后期處理。加速度傳感器在人體表面粘貼位置，見圖2。

圖2 加速度傳感器在人體表面粘帖位置圖

1.1.4 視頻監(jiān)控系統(tǒng)

視頻監(jiān)控系統(tǒng)被用來對人體目標進行觀測，以確認人體目標的狀態(tài)以及與生物雷達的相對位置關系。視頻監(jiān)控系統(tǒng)是由攝像、傳輸、控制、顯示、記錄5大部分組成。攝像機通過網線將視頻圖像傳輸?shù)接嬎銠C，再對視頻進行處理，并存檔以便與步態(tài)數(shù)據(jù)進行對比。本實驗采用2臺海康威視1080p高清攝像頭對人體目標進行記錄，視頻監(jiān)控系統(tǒng)原理，見圖3。

圖3 視頻監(jiān)控系統(tǒng)原理圖

1.2 數(shù)據(jù)處理方法

1.2.1 頻譜分析

人體步態(tài)作為一種非平穩(wěn)信號，具有明顯的周期性。傅立葉變換（Fourier Transform，F(xiàn)T）是處理周期信號的常用方法。連續(xù)時間信號x(t)的傅里葉變換可以表示為：

式中計算出來的是信號x(t)的連續(xù)頻譜。但是，在實際中能夠得到的是連續(xù)信號x(t)的離散采樣值x(nt)。因此需要利用離散信號x(nt)來計算信號x(t)的頻譜。有限長離散信號x(n),n=0,1,…,N-1的離散傅立葉變換（Discrete Fourier Transform，DFT）定義為：

為了計算簡便，采用與DFT等價的快速傅立葉變換（Fast Fourier Transformation，F(xiàn)FT）對濾波后的信號進行處理，可以得到信號的頻譜圖，以便進行頻譜分析。

1.2.2 相干分析

平方相干估計是一個值介于0和1之間的頻率函數(shù)，它通常被用來估計兩組信號在每個頻率上的一致性[13]。我們采用Welch’s重疊平均周期法計算信號x和y的功率譜密度為Pxx(f)和Pyy(f)，那么x和y的交叉功率譜密度Pxy(f)可由以下公式得到[14-15]：

使用Matlab進行相干分析，得到了兩組信號在各個頻率上的相干系數(shù)，畫出頻率—相干系數(shù)分布圖。圖中，x和y軸分別對應頻率和相干系數(shù)，當兩個信號在某種頻率成分上具有較高的一致性時，曲線將出現(xiàn)極大值。

2 結果

2.1 人體步態(tài)信號非接觸檢測

實驗中，錫箔紙被粘帖在人體四肢表面，以增強其雷達信號反射能力。生物雷達采樣頻率為1 kHz，人體步態(tài)信號通常在2 Hz以下，因此采用0.3～3 Hz的帶通濾波器對信號進行預處理[16]。經過FFT頻譜分析后，可得到信號頻譜圖，見圖4。

2.2 人體步態(tài)信號檢測對比結果

2.2.1 加速度傳感器

加速度傳感器x軸垂直于人體運動方向，y軸與人體運動方向保持水平，z軸與人體運動方向相同。人體面向生物雷達運動，生物雷達采集到的數(shù)據(jù)主要為與人體運動方向一致的z通道信號，故兩者相干性最好。為防止其他加速度傳感器帶來的干擾，我們每次只采集生物雷達與一個加速度傳感器的數(shù)據(jù)。由于手腕、手肘、膝蓋以及腳踝部位的運動具有對稱性，實驗只分析一組傳感器數(shù)據(jù)。加速度傳感器在人體表面的分布，見圖5。人體各部位加速度傳感器信號與頻譜分析，見圖6。

通過圖6中對比，可以發(fā)現(xiàn)，生物雷達獲取的數(shù)據(jù)與加速度傳感器得到的數(shù)據(jù)在頻率上具有一致性。人體四肢的頻率集中在0.7 Hz附近，也即人體四肢的步態(tài)頻率約為0.7 Hz。軀干的頻率集中在1.4 Hz附近，說明軀干的步態(tài)頻率約為四肢的兩倍，與理論上人體運動特征相符。

圖7為兩種信號的相干分析，可以發(fā)現(xiàn)，人體四肢的生物雷達信號與加速度傳感器信號在0.6～0.8 Hz的頻率范圍內表現(xiàn)出了較高的相干性，即主要頻率成分一致。與之前的信號頻率成分分析結果一致，軀干的相干性表現(xiàn)在1.4 Hz附近，證明了軀干步態(tài)頻率約為四肢的2倍。

2.2.2 視頻監(jiān)控系統(tǒng)

我們利用2個攝像機從實驗目標的前后進行視頻采集。視頻監(jiān)控系統(tǒng)攝像機分布，見圖8。

視頻監(jiān)控系統(tǒng)記錄了人體目標在生物雷達照射下的運動過程細節(jié)。通過視頻記錄，實驗中的人體目標的運動頻率約為0.7 Hz，與生物雷達和加速度傳感器得到的數(shù)據(jù)一致。

圖4 人體各部位生物雷達信號與頻譜分析

圖5 實驗人體目標

3 結論與討論

本文介紹了一種基于生物雷達的人體步態(tài)非接觸檢測系統(tǒng)，通過該系統(tǒng)獲取了人體步態(tài)信號。信號經過濾波處理后，利用Welch’s重疊平均周期法計算信號的功率譜，發(fā)現(xiàn)了可能含有人體步態(tài)信息的信號頻率。通過與加速度傳感器獲得的數(shù)據(jù)進行了對比，發(fā)現(xiàn)人體行走時四肢的步態(tài)信號頻率約為0.7 Hz，軀干步態(tài)信號頻率約為1.4 Hz。最后，視頻監(jiān)控系統(tǒng)驗證了實驗結論。

圖6 人體各部位加速度傳感器信號與頻譜分析

目前，檢測人體的步態(tài)信號主要采用加速度傳感器和視頻技術[4,17]。加速度傳感器需要緊貼身體，不僅對人體產生較大的束縛，還容易受到佩戴位置、相對運動等影響，造成信號誤差較大；視頻技術采用高分辨率攝像頭，能夠動態(tài)地記錄人體步態(tài)圖像，但設備價格昂貴。本文提出的生物雷達系統(tǒng)，能夠非接觸地檢測到人體的步態(tài)信號，拓展了生物雷達在醫(yī)學領域的應用，在非接觸檢測人體呼吸信號的基礎上增加了步態(tài)信號[18-19]。為了更準確地利用生物雷達檢測到人體的步態(tài)信號，下一步的研究將主要集中在人體步態(tài)信號的提取方面，即如何從復雜的生物雷達多普勒回波信號中有效地檢測到步態(tài)信號，采用傳統(tǒng)的數(shù)字濾波技術容易造成步態(tài)信號損失，可以采用自適應譜線增強技術檢測人體步態(tài)信號，抑制其他干擾信號。為了進一步驗證步態(tài)信號的準確性，在采用加速度傳感器和視頻系統(tǒng)的基礎上，還可以增加肌電信號檢測，對生物雷達數(shù)據(jù)具有較高的參考價值。

圖7 生物雷達與軀干加速度傳感器頻譜數(shù)據(jù)相干分析注：a.肘部；b.手腕；c.膝蓋；d.腳踝；e.軀干。

圖8 視頻監(jiān)控系統(tǒng)

在臨床工作中，有很多疾病會造成人體下肢病變，引起步態(tài)變化。生物雷達可以對步態(tài)異常進行分類與量化，為分析病情、制定治療方案提供參考。同時，步態(tài)分析還可記錄病人步態(tài)參數(shù)，并與健康人的參數(shù)進行比對，從而對康復病人進行健康評定。此外，基于生物雷達的人體步態(tài)非接觸檢測技術可以在不對人體產生影響的情況下獲取步態(tài)參數(shù)，可以為步態(tài)異常的基本過程和機制，以及關節(jié)、骨骼、肌肉等活動方式的醫(yī)學研究提供便利。

[1]Chen VC,Ling H.Time-frequency transforms for radar imaging and signal analysis[M].Boston,United States:Artech House,Inc.,2002.

[2]路國華,王健琪,楊國勝,等.生物雷達技術的研究現(xiàn)狀[J].國外醫(yī)學:生物醫(yī)學工程分冊,2004,27(6):368-370.

[3]王健琪,薛慧君,呂昊,等.非接觸生理信號檢測技術[J].中國醫(yī)療設備,2013,28(11):5-8.

[4]Little J,Boyd J.Recognizing people by their gait: the shape of motion[J].Videre:J Comp Vis Res,1998,1(2):1-32.

[5]Kalgaonkar K,Raj B.Acoustic doppler sonar for gait recogination[A]. Advanced Video and Signal Based Surveillance[C].London,United Kingdom:IEEE,2007:1-6.

[6]Zhang Z,Pouliquen P,Waxman A,et al.Acoustic micro-Doppler gait signatures of humans and animals[A].41st Annual Conference on Information Sciences and Systems[C].Baltimore,United States:IEEE,2007:627-630.

[7]Zhang Z,Pouliquen PO,Waxman A,et al.Acoustic micro-Doppler radar for human gait imaging[J].J Acoust Soc Am,2007,121(3):110-113.

[8]Mobasseri BG,Amin MG.A time-frequency classif er for human gait recognition[A].SPIE Defense,Security,and Sensing[C]. Florida,United States: International Society for Optics and Photonics,2009:1-9.

[9]Geisheimer JL,Marshall WS,Greneker E.A continuouswave (CW) radar for gait analysis: Signals[A].35th Asilomar Conference on Signals,Systems & Computers[C].Pacific Grove,United States: IEEE,2001:834-838.

[10]Otero M.Application of a continuous wave radar for human gait recognition[A].Signal Processing,Sensor Fusion,and Target Recognition[C].Orlando,United States: International Society for Optics and Photonics,2005:538-548.

[11]Zhang J.Basic gait analysis based on continuous wave radar[J].Gait & Posture,2012,36(4):667-671.

[12]Qi F,Li C,Wang S,et al.Contact-Free Detection of Obstructive Sleep Apnea Based on Wavelet Information Entropy Spectrum Using Bio-Radar[J].Entropy,2016,18(8):306.

[13]Kay SM.Modern spectral estimation[M].London,United Kingdom: Prentice Hall,1988.

[14]Rabiner LR,Gold B.Theory and application of digital signal processing[J].Proc IEEE,1975,63(11):1631.

[15]Welch PD.The use of fast Fourier transform for the estimation of power spectra: A method based on time averaging over short,modifed periodograms[J].IEEE Trans Audio Electroacoust, 1967,15(2):70-73.

[16]Tahmoush D,Silvious J.Radar micro-doppler for long range frontview gait recognition[A].Biometrics: Theory,Applications,and Systems,2009.BTAS’09.IEEE 3rd International Conference[C]. Washington,DC,United States: IEEE,2009:1-6.

[17]Shim ada Y,Ando S,Matsunaga T,et al.Clinical application of acceleration sensor to detect the swing phase of stroke gait in functional electrical stimulation[J].Tohoku J Exp Med,2005, 207(3):197-202.

[18]張華,孫 娜娜,張鵬飛,等.雷達式非接觸檢測中呼吸和心跳信號分離算法的研究[J].中國醫(yī)療設備,2013,28(11):9-11.

[19]胡冶,李川濤,祁富貴,等.非接觸呼吸與心跳監(jiān)護裝置的研制[J].中國醫(yī)療器械雜志,2015,(4):244-248.

A New Approach for Human Gait Non-contact Detecting System Based on Continuous-wave Bio-radar

Human gait is a complex mechanism by which a variety of muscles and bones must work together in precise coordination to create characteristic human locomotion, which can be used as an identif cation or clinical gait characterization for detecting pathological conditions. This article introduced a non-contact detecting system for human gait based on continuous-wave bio-radar. Through spectrum analysis of the radar echo signal generated during human walking, main frequency of the human gait signal was extracted. Correlation analyses were made with the data obtained from the acceleration sensor. Experimental results show that the bio-radar can detect the gait signal of human walking without contact, and has good consistency with the results of acceleration and video monitoring.

human gait analysis; bio-radar; non-contact detection system; spectrum analysis; correlation analysis; disease diagnosis

WANG Shuai-jie, LI Zhao, ZHANG Hua, WANG Meng-meng, ZHANG Zi-qi, WANG Jian-qi, LU Guo-hua
Department of Medical Electronics, School of Biomedical Engineering, the Fourth Military Medical University, Xi’an Shaanxi 710032, China

R318；TN957.51

A

10.3969/j.issn.1674-1633.2016.12.006

1674-1633(2016)12-0026-05

2016-09-20

2016-10-08

國家科技支撐計劃課題（2014BAK12B01）； 國家自然科學基金面上項目（61271102）；陜西省自然科學基金面上項目（2014JM2-6087）

路國華，副教授。主要研究方向：人體生理信號非基礎檢測技術。

通訊作者郵箱：lugh1976@fmmu.edu.cn