漆 晶，汪正東，謝廣智

（重慶郵電大學(xué)通信與信息工程學(xué)院，重慶 400065）

0 引言

近年來(lái)，因?yàn)樾鹿诜窝滓咔榈牧餍?，非接觸式的人體生命體征檢測(cè)成為了研究的熱點(diǎn)，其在智能家居、醫(yī)療健康等領(lǐng)域都有著廣泛的應(yīng)用，如睡眠檢測(cè)［1］、嬰幼兒監(jiān)護(hù)［2］、駕駛員體征檢測(cè)［3］以及疲勞駕駛監(jiān)測(cè)［4］、姿態(tài)檢測(cè)［5-6］等。

在最近的幾十年時(shí)間里，基于雷達(dá)的生命體征信號(hào)提取技術(shù)已經(jīng)非常成熟，這也為后續(xù)應(yīng)用奠定了基礎(chǔ)。文獻(xiàn)［7］驗(yàn)證了每個(gè)人的通氣變量和氣流曲線組成了一個(gè)特定的特征，可以利用雷達(dá)檢測(cè)到的呼吸信號(hào)進(jìn)行人員識(shí)別。研究［8］表明，呼吸模式的個(gè)體性能可以長(zhǎng)期保持。文獻(xiàn)［9］提取了呼吸信號(hào)峰值功率譜密度、堆積密度與線性包絡(luò)誤差3個(gè)特征，將這些特征送入反向傳播神經(jīng)網(wǎng)絡(luò)得到了90%的識(shí)別準(zhǔn)確率。文獻(xiàn)［10］利用動(dòng)態(tài)分割技術(shù)檢測(cè)一段呼吸信號(hào)內(nèi)各種獨(dú)特的特征與模式，結(jié)合最近鄰算法（K-Nearest Neighbor，KNN）對(duì)6 個(gè)實(shí)驗(yàn)對(duì)象進(jìn)行了測(cè)試和驗(yàn)證，得到了95%的準(zhǔn)確率。文獻(xiàn)［11］采用快速傅里葉變換（Fast Fourier Transform，F(xiàn)FT）的方法提取呼吸信號(hào)頻域特征，送入支持向量機(jī)（Support Vector Machine，SVM）算法中分類(lèi)，在小數(shù)據(jù)集上得到比較高的準(zhǔn)確率?；谌斯ぬ崛√卣鞯姆绞捷^為復(fù)雜，提取的特征單一，對(duì)于呼吸模式如頻率、呼氣與吸氣面積等特征相近的人沒(méi)有辦法很好地區(qū)分開(kāi)。有學(xué)者［12］將雷達(dá)采集到的呼吸或心跳信號(hào)直接送入卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Networks，CNN）自動(dòng)提取特征，降低了提取特征的復(fù)雜度，最高得到82%的準(zhǔn)確率。文獻(xiàn)［13］提出了基于呼吸樣本空間（BSS）的身份識(shí)別算法，將包含時(shí)距信息的BSS 序列送入CNN 中建模以獲得分類(lèi)結(jié)果，得到接近85%的準(zhǔn)確率。

目前的研究大部分是基于呼吸特征進(jìn)行身份驗(yàn)證，其忽略了心電信號(hào)也具有特征性［14］，可以用來(lái)識(shí)別個(gè)體。雖然非接觸的雷達(dá)難以恢復(fù)出人體心電信號(hào)，但是本文嘗試用心跳信號(hào)來(lái)代替接觸式測(cè)量的心電信號(hào)，提出將心跳信號(hào)與呼吸信號(hào)結(jié)合的方式進(jìn)行身份驗(yàn)證，本文將基于胸腔信號(hào)樣本（Chest Cavity Signal，CCS）進(jìn)行身份驗(yàn)證。首先通過(guò)毫米波雷達(dá)FMCW 提取人體回波信號(hào)，再對(duì)回波信號(hào)進(jìn)行預(yù)處理，包括多幀背景消除，胸腔位置確定，選取整個(gè)胸腔區(qū)域?qū)?yīng)的多距離單元信號(hào)作為相位信號(hào)樣本，相位解繞，相位差分，將相位差分信號(hào)進(jìn)行變分模態(tài)（VMD）分解得到純凈的呼吸信號(hào)與心跳信號(hào)再胸腔信號(hào)恢復(fù)，最后將純凈的信號(hào)樣本切成小段并轉(zhuǎn)換為圖片即為胸腔信號(hào)樣本CCS。純凈CCS 信號(hào)樣本融合了呼吸與心跳的時(shí)域、頻域特征。為了避免人工提取特征造成的特征丟失，特征不足以及模型復(fù)雜等問(wèn)題，本文將CCS樣本送入二維卷積神經(jīng)網(wǎng)絡(luò)（2D CNN）中自動(dòng)提取特征，得到模型準(zhǔn)確率高達(dá)97.5%。

1 雷達(dá)信號(hào)檢測(cè)原理

1.1 體征信號(hào)特點(diǎn)

本文將利用毫米波雷達(dá)檢測(cè)到的人體呼吸、心跳信號(hào)進(jìn)行后續(xù)的身份驗(yàn)證。在正常情況下呼吸與心跳導(dǎo)致的胸部振動(dòng)情況如表1所示［15］。

毫米波雷達(dá)通過(guò)探測(cè)距離雷達(dá)R處人體目標(biāo)回波的相位信號(hào)來(lái)反映呼吸心跳引起的胸腔振動(dòng)。式（1）為胸腔振動(dòng)距離與相位的關(guān)系。

式中，Δφ為相位變化，ΔR為距離變化，λ為波長(zhǎng)。在本文中使用到的毫米波雷達(dá)波長(zhǎng)λ為5 mm，當(dāng)胸腔位移為1.25 mm時(shí)，回波信號(hào)的相位變化為π。

1.2 FMCW 雷達(dá)原理

毫米波雷達(dá)FMCW 發(fā)射的信號(hào)頻率是隨時(shí)間變化，并且一般是呈線性變化，所以也被稱(chēng)為L(zhǎng)FMCW。如圖1所示為FMCW 發(fā)射信號(hào)與接收信號(hào)的示意圖。當(dāng)發(fā)射信號(hào)遇到待測(cè)目標(biāo)后，反射的回波信號(hào)會(huì)被雷達(dá)接收天線所接收，從頻域上來(lái)看，發(fā)射信號(hào)與接收信號(hào)波形上保持一致，在時(shí)間上有一定的延時(shí)t0。

圖1 FMCW信號(hào)示意圖

式（2）為FMCW雷達(dá)的發(fā)射信號(hào)。

式中，fc為發(fā)射信號(hào)的起始發(fā)射頻率，B為雷達(dá)調(diào)制帶寬，T為FMCW一個(gè)Chirp的周期。

式中t0為時(shí)間延遲。假設(shè)雷達(dá)與目標(biāo)間存在傳播距離為R，則傳播的過(guò)程中產(chǎn)生了t0=2R/c的時(shí)間延遲，c為光速。

將發(fā)射信號(hào)與接收信號(hào)混頻得到中頻信號(hào)，中頻信號(hào)由式（4）表示:

式中，Δφ為中頻信號(hào)的相位，fb為頻率。Δφ與目標(biāo)距離R呈線性關(guān)系，由此驗(yàn)證式（1）。

2 雷達(dá)數(shù)據(jù)處理

2.1 距離維FFT

雷達(dá)原始數(shù)據(jù)是指將發(fā)射信號(hào)與接收信號(hào)混頻，再經(jīng)過(guò)AD 采樣得到的中頻信號(hào)，其包含著被測(cè)物體的距離、速度和角度等信息。在對(duì)雷達(dá)原始數(shù)據(jù)做FFT 時(shí)，可以獲得距離曲線，表達(dá)為R（n,m），距離曲線包含著目標(biāo)的距離信息（紅色框出），同時(shí)也混雜噪聲、靜態(tài)物體干擾等（藍(lán)色框出）。如圖2（a）所示距離曲線頻譜峰值所在的位置代表著目標(biāo)的位置。如圖2（b）頻譜圖中明亮區(qū)域代表反射回波功率大，存在被測(cè)物體，深色區(qū)域則代表沒(méi)有物體。

圖2 距離維FFT結(jié)果圖

2.2 基于多幀聯(lián)合的背景消除

雜波抑制方法主要是用來(lái)消除與實(shí)驗(yàn)?zāi)繕?biāo)無(wú)關(guān)的冗余干擾，達(dá)到提高目標(biāo)信雜比的效果。在本實(shí)驗(yàn)中，靜態(tài)的桌椅、墻壁等均屬于要去除的范圍。本文采用多幀聯(lián)合的方法來(lái)消除干擾項(xiàng)。

在環(huán)境中靜態(tài)干擾是不變的，但是人體目標(biāo)的相位是隨胸腔振動(dòng)每一幀變化的，且有一定的周期性。所以在多幀時(shí)間下，多幀信號(hào)的平均值可以被當(dāng)作前文所提到干擾與噪聲。背景干擾的表達(dá)式如式（5）:

式中，N代表中頻信號(hào)總共有N幀，n代表每幀的采樣點(diǎn)數(shù)，m代表第幾幀數(shù)據(jù)。得到背景干擾項(xiàng)式（5）后就可以計(jì)算去除了冗余干擾后的信號(hào)，如式（6）:

在圖2 的距離FFT 結(jié)果圖中可以明顯看出，人體目標(biāo)周?chē)嬖谝欢ǖ母蓴_。經(jīng)過(guò)多幀聯(lián)合背景消除后，如圖3所示回波信號(hào)的距離曲線與頻譜更加清晰。每個(gè)距離單元代表著距離為4.4 cm，根據(jù)圖像可判斷出經(jīng)過(guò)濾波后的信號(hào)峰值集中在0.6 m左右，與實(shí)驗(yàn)中人體目標(biāo)距離雷達(dá)的真實(shí)距離一致。

圖3 濾波后的距離FFT結(jié)果圖

2.3 相位提取與相位處理

目前大部分研究都是在多幀信號(hào)中連續(xù)提取單個(gè)目標(biāo)（最大能量處）距離單元的相位獲得胸腔振動(dòng)信號(hào)，也就是只提取一個(gè)點(diǎn)的振動(dòng)波形。但是人體目標(biāo)不是一個(gè)點(diǎn)，而是一個(gè)范圍，表1 中提到呼吸引起的胸腔振動(dòng)面積達(dá)到50 cm2，如果只提取一個(gè)距離單元的多幀相位信號(hào)，會(huì)損失整個(gè)胸腔的空間信息，造成特征丟失。因此本文選擇包含最大能量在內(nèi)的周?chē)?個(gè)距離單元，對(duì)每一個(gè)距離單元內(nèi)的多幀信號(hào)連續(xù)提取相位，得到包含空間信息的8條胸腔部位的振動(dòng)波形，以此來(lái)表征胸腔信號(hào)。圖3（b）中的紅色方框代表胸腔信號(hào)，黃色實(shí)線代表單個(gè)目標(biāo)距離門(mén)。

表征胸腔信號(hào)的8 條振動(dòng)波形包含著豐富的由呼吸、心跳引起的胸腔振動(dòng)信息，后續(xù)經(jīng)過(guò)處理便可得到含有完整特征的CCS 樣本。如圖4（a）所示，在使用反正切函數(shù)提取相位時(shí)，會(huì)導(dǎo)致相位信號(hào)存在卷繞，因此后續(xù)還需要對(duì)提取的相位信號(hào)進(jìn)行解卷繞和相位差分操作。得到的胸腔相位信號(hào)如圖4（b）所示。

2.4 呼吸心跳信號(hào)分離

變分模態(tài)分解（VMD）通過(guò)迭代的方式搜尋最優(yōu)變分模型確定每個(gè)模態(tài)分量的中心頻率和頻率帶寬，實(shí)現(xiàn)信號(hào)的頻域以及每個(gè)模態(tài)分量的自適應(yīng)部分［16］。根據(jù)呼吸與心跳的頻率特征，將相位信號(hào)分解為不同模態(tài)，保證各個(gè)模態(tài)之間信號(hào)頻率不重疊，從而分離出完整的呼吸信號(hào)與心跳信號(hào)，如圖5（a）、（b）為呼吸信號(hào)時(shí)域與頻域波形，如圖6（a）、（b）為心跳信號(hào)時(shí)域與頻域波形。

圖5 呼吸信號(hào)時(shí)域與頻域波形

圖6 心跳信號(hào)時(shí)域與頻域波形

2.5 CCS樣本制作

在提取到比較純凈的心跳信號(hào)與呼吸信號(hào)后，將其恢復(fù)為純凈的胸腔信號(hào)，如圖7（a）、（b）分別為胸腔信號(hào)的時(shí)域波形和頻域波形?？梢?jiàn)胸腔信號(hào)主要包含0.293 Hz 與1.22 Hz 兩種頻率，與呼吸心跳信號(hào)相對(duì)應(yīng)。

圖7 胸腔信號(hào)時(shí)域與頻域波形

胸腔信號(hào)在時(shí)域和頻域上包含了人特有的心跳呼吸特征，為了保留整個(gè)胸腔面積內(nèi)的特征，將胸腔信號(hào)制作為CCS樣本。

可判斷一個(gè)呼吸波形的周期約為60 個(gè)采樣點(diǎn)。因此本文將胸腔信號(hào)按照每60個(gè)采樣點(diǎn)截成小段數(shù)據(jù)，相當(dāng)于8 個(gè)距離單元，每個(gè)單元60 個(gè)采樣點(diǎn)的信號(hào)矩陣。將該矩陣轉(zhuǎn)換為灰度圖，調(diào)整灰度圖大小為32×64 作為CCS 樣本，如圖8所示，將CCS 送入二維卷積神經(jīng)網(wǎng)絡(luò)自動(dòng)提取特征，避免了人工提取特征的復(fù)雜操作，圖像中也充分保留了足夠的特征進(jìn)行訓(xùn)練。

圖8 CCS樣本

3 神經(jīng)網(wǎng)絡(luò)搭建

根據(jù)前文中的步驟已經(jīng)得到CCS 樣本，本文分別采集4 個(gè)保持正常呼吸節(jié)奏的志愿者數(shù)據(jù)（兩男兩女）。每人采集120 000 幀的數(shù)據(jù)，每幀時(shí)長(zhǎng)50 ms。在CCS 樣本制作時(shí)將每個(gè)人的數(shù)據(jù)劃分到3 s 的固定窗口中，每次滑窗3 s，總共得到8 000 個(gè)CCS 樣本，分別打上標(biāo)簽。如表2所示，8 000 個(gè)CCS 樣本按照4∶1 的比例劃分到訓(xùn)練集與測(cè)試集。

表2 數(shù)據(jù)集分配

CNN 是當(dāng)前用于圖像分類(lèi)中最先進(jìn)的體系結(jié)構(gòu)，它可以自動(dòng)提取對(duì)象特征，并且特征提取與特征分類(lèi)是一個(gè)同步進(jìn)行的過(guò)程［17］。本文搭建了一個(gè)2D CNN 模型，圖9 詳細(xì)描述了該模型的結(jié)構(gòu)信息，模型包括3 個(gè)3×3 的卷積層，分別對(duì)應(yīng)32，64，64 個(gè)通道，每個(gè)卷積層將ReLU 函數(shù)作為激活函數(shù)，可以有效緩解過(guò)擬合問(wèn)題的發(fā)生。在卷積層后都使用了一個(gè)2×2的最大池化層，對(duì)卷積層提取到的信息作進(jìn)一步降維，減少計(jì)算量的同時(shí)，還加強(qiáng)了圖像特征的不變性。

圖9 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖

4 實(shí)驗(yàn)與結(jié)果

4.1 實(shí)驗(yàn)參數(shù)介紹

本文采集體征信號(hào)的實(shí)驗(yàn)如圖10所示，實(shí)驗(yàn)采用毫米波雷達(dá)IWR6843ISK，其具有3根發(fā)射天線，4根接收天線，工作頻段在60～64 GHz之間。采集裝置如圖11所示，DCA1000采集卡從IWR6843ISK雷達(dá)板接收LVDS 數(shù)據(jù)，并通過(guò)以太網(wǎng)接口將數(shù)據(jù)傳輸?shù)絇C端。

圖10 雷達(dá)采集數(shù)據(jù)

圖11 采集裝置

表3為毫米波雷達(dá)發(fā)射信號(hào)的參數(shù)，實(shí)驗(yàn)中按照表中參數(shù)使用TI 配套的mmWave Studio 軟件進(jìn)行雷達(dá)參數(shù)配置。

表3 實(shí)驗(yàn)參數(shù)

4.2 實(shí)驗(yàn)結(jié)果

本文首先通過(guò)毫米波雷達(dá)采集原始數(shù)據(jù)，將數(shù)據(jù)進(jìn)行處理得到CCS 樣本，制作成數(shù)據(jù)集送入搭建好的神經(jīng)網(wǎng)絡(luò)模型中進(jìn)行訓(xùn)練，圖12驗(yàn)證結(jié)果顯示，4名志愿者身份驗(yàn)證的準(zhǔn)確率達(dá)到了97.5%。

圖12 CCS+CNN模型訓(xùn)練結(jié)果

圖13 為利用CCS 樣本結(jié)合2D CNN 訓(xùn)練得到的混淆矩陣。

圖13 CCS+CNN模型訓(xùn)練混淆矩陣

由混淆矩陣可知該系統(tǒng)模型對(duì)志愿者1 的準(zhǔn)確率為94%，對(duì)志愿者3的準(zhǔn)確率為98%，對(duì)其他兩位志愿者進(jìn)行身份驗(yàn)證的準(zhǔn)確率都達(dá)到了99%。

為了驗(yàn)證本文提出的利用CCS 作為特征樣本進(jìn)行身份驗(yàn)證整體模型的優(yōu)越性，本文對(duì)其他文獻(xiàn)中所提到的樣本與算法模型進(jìn)行對(duì)比驗(yàn)證，同樣通過(guò)毫米波雷達(dá)IWR6843ISK 采集數(shù)據(jù)，按照文獻(xiàn)中的方法得到相應(yīng)訓(xùn)練樣本，送入本文設(shè)計(jì)的神經(jīng)網(wǎng)絡(luò)模型中進(jìn)行訓(xùn)練。按照文獻(xiàn)［13］的單一信號(hào)樣本（記作SS）訓(xùn)練得到的結(jié)果如圖14所示，按文獻(xiàn)［14］的BSS 樣本訓(xùn)練得到的結(jié)果如圖15所示，可見(jiàn)訓(xùn)練結(jié)果準(zhǔn)確率偏低，且有過(guò)擬合的現(xiàn)象。

圖14 SS+CNN模型訓(xùn)練結(jié)果

圖15 BSS+CNN模型訓(xùn)練結(jié)果

4.3 對(duì)比分析

如表4所示，本文通過(guò)毫米波雷達(dá)提取到人體相位信號(hào)后，相比于其他算法增加了多幀背景消除背景噪聲以及VMD 信號(hào)分離與恢復(fù)的步驟，使用該算法可以降低實(shí)驗(yàn)樣本中的冗余信息，提高了信噪比，并使樣本中包含更多的特征信息。

表4 實(shí)驗(yàn)復(fù)雜度對(duì)比

呼吸心跳信號(hào)比較微弱，對(duì)信噪比的變化很敏感。且較高的信噪比可以幫助雷達(dá)系統(tǒng)降低誤報(bào)概率，有助于在更復(fù)雜的環(huán)境中提高檢測(cè)的精度。由于本文所用的CCS 樣本包含了8 條振動(dòng)波形，計(jì)算時(shí)取其平均信噪比作為整體信號(hào)信噪比。信噪比的定義如式（7）:

式中s（l）為呼吸與心跳信號(hào)頻譜峰值，s2（f）為信號(hào)頻譜的總能量。表5 展示了信號(hào)在經(jīng)過(guò)VMD 分解前后的信噪比情況。其中bf表示呼吸頻率，hf表示心跳頻率，SNR1 表示VMD 分解之前的信噪比，SNR2表示VMD分解之后CCS樣本的信噪比。

表5 信噪比分析

可見(jiàn)得到的CCS樣本在經(jīng)過(guò)了VMD分解之后信噪比至少提高了4 dB。CCS 較高的信噪比使后續(xù)特征提取更加充分，提高了神經(jīng)網(wǎng)絡(luò)分類(lèi)的準(zhǔn)確性。

在神經(jīng)網(wǎng)絡(luò)中不能只將準(zhǔn)確率作為評(píng)判標(biāo)準(zhǔn)，還需要引入損失函數(shù)，損失率越小，準(zhǔn)確率越高，越能調(diào)節(jié)神經(jīng)網(wǎng)絡(luò)內(nèi)部參數(shù)以提高網(wǎng)絡(luò)性能。在本文中采用解決多分類(lèi)問(wèn)題的交叉熵?fù)p失函數(shù)，定義如式（8）:

式中S表示Softmax 激活函數(shù)，yi是真實(shí)值結(jié)果，xi是預(yù)測(cè)結(jié)果。

表6 展示了本文所用算法與其他論文算法準(zhǔn)確率與損失率的對(duì)比，可以看出本文基于CCS 樣本的方法雖然增加了實(shí)驗(yàn)數(shù)據(jù)處理部分的復(fù)雜度，但是能獲得更高的準(zhǔn)確率與最小的損失率。

表6 實(shí)驗(yàn)結(jié)果對(duì)比

文獻(xiàn)［9-11］均需要人工提取特征的繁瑣步驟，提取的特征單一，對(duì)于呼吸頻率，呼氣與吸氣面積等特征相近的人沒(méi)有辦法很好地區(qū)分開(kāi)。文獻(xiàn)［12］雖然采用了CNN 自動(dòng)提取特征，但是僅僅輸入心跳或者呼吸信號(hào)，其特征丟失十分明顯，不足以支撐神經(jīng)網(wǎng)絡(luò)模型分辨出受試者。文獻(xiàn)［13］考慮到整個(gè)胸部區(qū)域存在一定的空間特征，卻忽略了相位信號(hào)當(dāng)中存在與呼吸信號(hào)頻率相近的噪聲，因此也難以得到較高的準(zhǔn)確率?？傮w來(lái)說(shuō)，本文提出的CCS 樣本包含了足夠的信息，選用CNN神經(jīng)網(wǎng)絡(luò)模型也能夠充分挖掘出樣本中特征，在受試者中取得的表現(xiàn)要優(yōu)于現(xiàn)有方法。

5 結(jié)束語(yǔ)

本文通過(guò)實(shí)驗(yàn)論證與對(duì)比分析，驗(yàn)證了基于毫米波雷達(dá)提取的CCS 樣本對(duì)于身份驗(yàn)證的準(zhǔn)確性。提出一種將純凈的人體胸腔信號(hào)（CCS）作為樣本進(jìn)行身份驗(yàn)證的方法。通過(guò)毫米波雷達(dá)提取人體體征信息，并解析出純凈的呼吸與心跳信號(hào)制作出CCS 樣本，采用2D CNN 充分挖掘CCS 樣本中的信息，成功以97.5%的準(zhǔn)確率驗(yàn)證4 位志愿者的身份，證明了通過(guò)毫米波雷達(dá)提取的CCS 樣本進(jìn)行身份驗(yàn)證的可行性。

目前已有研究證明［18-19］，通過(guò)毫米波雷達(dá)可以較為精確地恢復(fù)出人體心電（ECG）信號(hào)。因此，后續(xù)的工作會(huì)持續(xù)優(yōu)化整體算法，將恢復(fù)出的ECG信號(hào)融入CCS 樣本中，探索在復(fù)雜環(huán)境下驗(yàn)證多人身份，并能根據(jù)ECG 信號(hào)分析人體健康情況?；诤撩撞ɡ走_(dá)身份驗(yàn)證的研究，無(wú)論是智能家居領(lǐng)域還是醫(yī)療領(lǐng)域都有廣闊的前景。