黃曉紅 尹揚(yáng)帆 梁聰

摘 ?要： 非接觸式的人體生命體征信號(hào)的檢測在生產(chǎn)生活中有著非常重要的應(yīng)用。為了準(zhǔn)確提取人體生命體征信號(hào)，提出一種基于改進(jìn)的集合經(jīng)驗(yàn)?zāi)B(tài)分解（MEEMD）和全相位頻譜（apFFT）分析的人體生命體征信號(hào)的檢測提取方法。進(jìn)行了15組實(shí)驗(yàn)，分別采集5名志愿者在3種距離下的雷達(dá)回波信號(hào)，實(shí)測數(shù)據(jù)分析處理結(jié)果表明，MEEMD有很好的分解效果，抑制了模態(tài)混疊效應(yīng)，同時(shí)采用apFFT進(jìn)行頻譜分析，與FFT相比，提高了呼吸和心跳信號(hào)的信噪比，說明基于MEEMD和apFFT的方法能夠準(zhǔn)確地提取人體的心跳與呼吸信號(hào)，實(shí)現(xiàn)了人體生命體征的檢測。

關(guān)鍵詞： 人體生命體征; 信號(hào)提取; MEEMD; apFFT; 信號(hào)采集; 數(shù)據(jù)分析

中圖分類號(hào)： TN911.7?34 ? ? ? ? ? ? ? ? ? ? ? ? 文獻(xiàn)標(biāo)識(shí)碼： A ? ? ? ? ? ? ? ? ? ? ? ?文章編號(hào)： 1004?373X（2020）23?0030?05

Abstract： The detection of non?contact human vital sign signals has a very important application in production and life. In order to accurately extract the vital sign signals of human body， a human vital sign signal detection and extraction method based on modified ensemble empirical mode decomposition （MEEMD） and all?phase FFT （apFFT） is proposed. Fifteen groups of experiments were carried out， and the radar echo signals of 5 volunteers at 3 different distances were collected. The measured data analysis results show that MEEMD has a good decomposition effect， suppressing the modal aliasing effect. In comparison with FFT， as for spectrum analysis， apFFT adopted with MEEMD can improve the signal?to?noise ratio of breathing and heartbeat signals. It shows the method based on MEEMD and apFFT can accurately extract the heartbeat and respiratory signals of human body， and realize the detection of human vital signs.

Keywords： human vital sign; signal extraction; MEEMD; apFFT; signal acquisition; data analysis

0 ?引 ?言

人體呼吸和心跳引起的胸腔振動(dòng)屬于運(yùn)動(dòng)目標(biāo)的微動(dòng)，每個(gè)目標(biāo)的微動(dòng)特性一般是唯一的。目標(biāo)微動(dòng)會(huì)對(duì)雷達(dá)入射波產(chǎn)生一個(gè)額外的時(shí)變多普勒頻移，即雷達(dá)中的微多普勒。微多普勒反映了目標(biāo)微動(dòng)結(jié)構(gòu)的動(dòng)力學(xué)特征，可以廣泛應(yīng)用于人體呼吸心跳信號(hào)的提取中[1]。采用FMCW毫米波雷達(dá)，對(duì)受測目標(biāo)進(jìn)行非接觸式生命信號(hào)檢測[2]，雖然能夠去除自由空間內(nèi)其他物體，或者人體自身抖動(dòng)的干擾，但是呼吸諧波的存在同樣會(huì)干擾測試結(jié)果。故針對(duì)呼吸和心跳信號(hào)的提取問題，選擇合適并且恰當(dāng)?shù)男盘?hào)處理算法就顯得尤為重要。

傳統(tǒng)的雷達(dá)生命信號(hào)分離和提取的方法，例如采用帶通濾波器進(jìn)行信號(hào)分離，不能有效地解決呼吸諧波對(duì)心跳信號(hào)的干擾問題[3?4]。1998年，經(jīng)驗(yàn)?zāi)B(tài)分解（Empirical Mode Decomposition，EMD）的提出為自適應(yīng)信號(hào)處理方法提供了新的思路，并廣泛應(yīng)用于非線性、非平穩(wěn)信號(hào)的處理中，但其存在模態(tài)混疊問題[5?6]。

自EMD提出以來，關(guān)于模態(tài)分解的改進(jìn)研究一直是一個(gè)熱點(diǎn)問題，其主要改進(jìn)方法有如下幾種：集合經(jīng)驗(yàn)?zāi)B(tài)分解（EEMD）雖然能夠在一定程度上抑制模態(tài)混疊，但是分量中存在噪聲殘留[7];補(bǔ)充的總體平均經(jīng)驗(yàn)?zāi)B(tài)分解（CEEMD）效果與EEMD相比，減小了重構(gòu)誤差;自適應(yīng)加噪的集合經(jīng)驗(yàn)?zāi)B(tài)分解（CEEMDAN）雖然解決了EEMD中的噪聲殘留問題，但在其分解分量中可能存在虛假分量[8]。改進(jìn)的集合經(jīng)驗(yàn)?zāi)B(tài)分解（Modified Ensemble Empirical Mode Decomposition，MEEMD）相對(duì)于以上幾種方法，能夠明顯抑制模態(tài)混淆，計(jì)算量降低，重構(gòu)誤差小，具有明顯的優(yōu)越性。全相位數(shù)字信號(hào)處理是一種能夠很好地減小頻譜泄露的信號(hào)處理方法[9]。相比于傳統(tǒng)FFT譜分析，全相位FFT譜分析能夠明顯抑制頻譜泄露，故非常適合做頻率估計(jì)[10]。

綜上，本文提出基于MEEMD和全相位頻譜（All?phase FFT，apFFT）分析的人體生命體征信號(hào)處理算法，實(shí)測數(shù)據(jù)處理結(jié)果表明，該算法具有良好的分解效果，對(duì)模態(tài)混疊有一定的抑制作用，能夠?qū)崿F(xiàn)呼吸和心跳信號(hào)的分離和提取。

1 ?生命信號(hào)處理算法

1.1 ?改進(jìn)的集合經(jīng)驗(yàn)?zāi)B(tài)分解算法（MEEMD）

對(duì)于任意非平穩(wěn)信號(hào)[x（t）]，MEEMD方法分解步驟如下[11]：

1.2 ?apFFT分析

apFFT分析是將輸入信號(hào)進(jìn)行全相位預(yù)處理后再進(jìn)行FFT變換，全相位頻譜分析的最大優(yōu)點(diǎn)就是頻譜泄露小[13]。

全相位預(yù)處理過程如下：

構(gòu)造[N]點(diǎn)的Hanning窗，并對(duì)自身求卷積，得到[2N-1]點(diǎn)的卷積窗win1;計(jì)算[2N-1]點(diǎn)的win1的和，用win1的每一項(xiàng)與win1的和做商，得到[2N-1]點(diǎn)的歸一化卷積窗win2;將待測數(shù)據(jù)的1～（[2N-1]）項(xiàng)與win2相乘，得到加窗的[2N-1]項(xiàng);將第1項(xiàng)和[N]+1項(xiàng)，第2項(xiàng)和[N+2]項(xiàng)，…，第[N-1]項(xiàng)和第[2N-1]項(xiàng)依次相加，得到經(jīng)過預(yù)處理的[N]點(diǎn)序列，對(duì)序列進(jìn)行FFT，即得到apFFT的結(jié)果[14?15]。

1.3 ?算法流程

本文提出基于MEEMD和apFFT的生命體征信號(hào)的提取算法，可以將雷達(dá)回波信號(hào)中高頻成分與低頻成分進(jìn)行層層篩選，從而再進(jìn)一步進(jìn)行apFFT分析，繪制頻譜圖，達(dá)到提取呼吸與心跳信號(hào)的目的。

具體步驟如下：

1） 采用MEEMD對(duì)雷達(dá)回波信號(hào)進(jìn)行分解，得到若干個(gè)信號(hào)分量。

2） 采用apFFT對(duì)分解得到的各個(gè)分量進(jìn)行頻譜分析，頻譜峰值在0.2～0.6 Hz區(qū)間的屬于一類信號(hào)分量，在0.9～2 Hz區(qū)間的屬于二類信號(hào)分量。

3） 判斷一類信號(hào)中IMF分量的數(shù)量，若數(shù)量小于等于2，則直接利用這兩個(gè)IMF分量重構(gòu)呼吸信號(hào);若數(shù)量大于2，則選取兩個(gè)能量之和占此類信號(hào)總能量大于70%的IMF分量，用于重構(gòu)呼吸信號(hào)。

4） 重復(fù)步驟3），從第二類信號(hào)中選擇合適的分量重構(gòu)心跳信號(hào)。

2 ?實(shí)驗(yàn)過程與結(jié)果分析

2.1 ?實(shí)驗(yàn)數(shù)據(jù)的采集

2.1.1 ?雷達(dá)參數(shù)、實(shí)驗(yàn)環(huán)境設(shè)備

實(shí)驗(yàn)采用的毫米波雷達(dá)模塊，最大的有效全向輻射功率符合FCC規(guī)定，不會(huì)對(duì)人體產(chǎn)生危害。

雷達(dá)的具體參數(shù)為，載頻24 GHz，波長12.5 mm，帶寬150 MHz，采樣時(shí)間為20 s。

24 GHz雷達(dá)生命信號(hào)檢測的實(shí)驗(yàn)環(huán)境和設(shè)備如圖1所示。被測者身高183 cm，體重90 kg，健康狀況良好，實(shí)驗(yàn)者保持靜息狀態(tài)，站在雷達(dá)前，胸腔與雷達(dá)基本處于同一水平線。

2.1.2 ?雷達(dá)回波分析

雷達(dá)回波是對(duì)其接收到的信號(hào)進(jìn)行采樣后得到的數(shù)據(jù)，為二維矩陣。鋸齒波周期中采樣點(diǎn)的數(shù)量為256，為[N]×256矩陣，[N]是慢時(shí)間采樣點(diǎn)的數(shù)量，對(duì)應(yīng)每次雷達(dá)回波快拍，256是快時(shí)采樣點(diǎn)的數(shù)量，對(duì)應(yīng)每次雷達(dá)回波的快時(shí)采樣，快時(shí)采樣點(diǎn)對(duì)應(yīng)距離信息。首先，對(duì)矩陣進(jìn)行二維FFT，結(jié)果得到復(fù)數(shù)矩陣，矩陣是256列，代表256個(gè)距離單元，由于雷達(dá)的距離分辨率為1 m，在實(shí)驗(yàn)中人所在的位置是確定的，直接取出人所在的距離門信號(hào)即為人體生命體征信號(hào)。

2.2 ?實(shí)驗(yàn)過程及結(jié)果

2.2.1 ?雷達(dá)生命信號(hào)提取

受測者距離雷達(dá)1.5 m，故選擇256列中的第二列信息，第二列雷達(dá)回波信號(hào)時(shí)域圖如圖2a）所示（由于雷達(dá)回波信號(hào)為復(fù)信號(hào)，故僅畫其實(shí)部圖），雷達(dá)回波信號(hào)頻域圖如圖2b）所示。

從圖2中可以看到，出現(xiàn)明顯峰值點(diǎn)的頻率在0.521 Hz與1.388 Hz，分別對(duì)應(yīng)呼吸頻率與心跳頻率，而1.82 Hz處的峰值是呼吸的二次諧波，0.868 Hz不在呼吸和心跳的定義區(qū)間內(nèi)，故不予考慮。通過和參考的心率（80 次/min，1.33 Hz）對(duì)比發(fā)現(xiàn)，此時(shí)雷達(dá)的檢測誤差為0.008 Hz。

2.2.2 ?呼吸、心跳信號(hào)提取

首先，對(duì)圖2中的雷達(dá)回波信號(hào)進(jìn)行MEEMD分解，分解完成后得到11個(gè)分量，采用apFFT對(duì)每個(gè)分量進(jìn)行頻譜分析，得到相應(yīng)的頻譜圖，如圖3所示。

MEEMD提取呼吸與心跳信號(hào)基于以下原理：能夠反映生命體征信號(hào)的主要分量集中在低頻部分，其中心跳信號(hào)頻率的范圍約為0.8～2 Hz，呼吸信號(hào)頻率的范圍約為0.2～0.6 Hz。僅采用符合頻率范圍的部分信號(hào)分量對(duì)心跳和呼吸信號(hào)進(jìn)行重構(gòu)。

采用apFFT繪制MEEMD分解結(jié)果頻譜圖如圖4所示。

根據(jù)得到的頻譜圖中各個(gè)信號(hào)分量頻譜的譜峰值所處的頻率，對(duì)需要的各分量進(jìn)行分類，選擇符合規(guī)定的分量重構(gòu)心跳和呼吸信號(hào)。

一類IMF分量只含有IMF4和IMF6兩個(gè)分量，故直接求和重構(gòu)，如圖5a）所示，求得譜峰值為1.388 Hz。二類IMF分量含有IMF8，IMF9兩個(gè)分量，故直接求和重構(gòu)，如圖5b）所示，求得譜峰值為0.520 Hz。

2.2.3 ?性能分析

1） 信噪比比較

如表1～表3所示分別為5名被測試者在0.6 m，1.5 m和2.3 m采集的雷達(dá)生命信號(hào)經(jīng)過MEEMD分解后，F(xiàn)FT和apFFT頻譜分析后的重構(gòu)結(jié)果及信噪比。其中，[F1]表示呼吸頻率，[F2]表示心跳頻率，SNR1表示呼吸信號(hào)信噪比，SNR2表示心跳信號(hào)信噪比。信噪比的定義如下：

由表1～表3可以看出，相對(duì)于FFT，apFFT有效提高了呼吸和心跳信號(hào)的信噪比，信噪比分別平均提高了1.11 dB和0.99 dB。

2） 檢測誤差

表4～表6分別為志愿者在0.6 m，1.5 m，2.3 m處，基于本文方法提取得到的心跳信號(hào)頻率和心跳參考信號(hào)的誤差。由表4～表6可以看出，本文方法的測量誤差非常小。

3 ?結(jié) ?語

本文采用毫米波雷達(dá)作為檢測硬件，提出一種基于MEEMD和apFFT的人體生命體征信號(hào)提取算法，實(shí)現(xiàn)了非接觸式人體生命體征信號(hào)檢測。實(shí)驗(yàn)數(shù)據(jù)分析結(jié)果表明，該方法能夠準(zhǔn)確得到人體的呼吸和心跳頻率，MEEMD提高了信號(hào)分離的準(zhǔn)確性和實(shí)時(shí)性，同時(shí)采用apFFT進(jìn)行頻譜分析，與FFT頻譜分析相比，有效地提高了呼吸與心跳信號(hào)的信噪比，說明將MEEMD與apFFT引入到呼吸與心跳信號(hào)分離處理以及重構(gòu)方面的可行性和有效性。

參考文獻(xiàn)

[1] 李坡.雷達(dá)目標(biāo)微動(dòng)信號(hào)分離與參數(shù)估計(jì)方法研究[D].南京：南京理工大學(xué)，2012.

[2] KIM B S， JIN Y， KIM S， et al. A low?complexity FMCW surveillance radar algorithm using two random beat signals [J]. Sensors， 2019， 19（3）： 608.

[3] 王亮.基于超寬帶雷達(dá)生命探測算法研究[D].杭州：浙江大學(xué)，2017.

[4] 劉震宇，陳惠明，陸蔚，等.基于改進(jìn)經(jīng)驗(yàn)?zāi)B(tài)分解的雷達(dá)生命信號(hào)檢測[J].儀器儀表學(xué)報(bào)，2018，39（12）：171?178.

[5] 詹武平，吳艷琴，黃順東，等.雷達(dá)寬帶回波周期特征提取的Hilbert?Huang變換方法[EB/OL].[2013?07?09].https：//www.doc88.com/p?2468786368747.html.

[6] LV Chenhuan， ZHAO Jun， WU Chao， et al. Optimization of the end effect of Hilbert?Huang transform （HAT） [J]. Chinese journal of mechanical engineering， 2017， 30（3）： 732?745.

[7] 雷亞國.基于改進(jìn)Hilbert?Huang變換的機(jī)械故障診斷[J].機(jī)械工程學(xué)報(bào)，2011，47（5）：71?77.

[8] 韓慶陽，孫強(qiáng)，王曉東，等.CEEMDAN去噪在拉曼光譜中的應(yīng)用研究[J].激光與光電子學(xué)進(jìn)展，2015，52（11）：274?280.

[9] 王飛宇.基于全相位數(shù)字信號(hào)處理的基因識(shí)別算法研究[D].寧波：寧波大學(xué)，2014.

[10] 盧新寧.基于全相位FFT的鐵道信號(hào)頻率檢測算法研究[D].?？冢汉Ｄ洗髮W(xué)，2013.

[11] 鄭旭，郝志勇，盧兆剛，等.基于MEEMD的內(nèi)燃機(jī)機(jī)體活塞敲擊激勵(lì)與燃燒爆發(fā)激勵(lì)分離研究[J].振動(dòng)與沖擊，2012，31（6）：109?113.

[12] 鄭近德，程軍圣，楊宇.改進(jìn)的EEMD算法及其應(yīng)用研究[J].振動(dòng)與沖擊，2013，32（21）：21?26.

[13] 方漢方.基于FFT超聲波傳輸時(shí)間高精度測量的研究[D].成都：西華大學(xué)，2012.

[14] 王婧.基于水聲信號(hào)處理的明渠流量測量方法研究[D].沈陽：沈陽航空航天大學(xué)，2010.

[15] LIU Sujuan， LV Ning， CUI Jiashuai， et al. Improved blind timing skew estimation based on spectrum sparsity and ApFFT in time?interleaved ADCs [J]. IEEE transactions on instrumentation and measurement， 2019， 68（1）： 78?86.