SFCW生物雷達(dá)人體細(xì)粒度運(yùn)動(dòng)信號(hào)微多普勒特征增強(qiáng)方法研究

祁富貴，岳超，梁福來(lái)，呂昊，李川濤，李釗，劉淼，王健琪

第四軍醫(yī)大學(xué)，a.生物醫(yī)學(xué)工程學(xué)院 電子學(xué)教研室；b.學(xué)員旅四營(yíng)十六連，陜西 西安 710032

SFCW生物雷達(dá)人體細(xì)粒度運(yùn)動(dòng)信號(hào)微多普勒特征增強(qiáng)方法研究

祁富貴a，岳超b，梁福來(lái)a，呂昊a，李川濤a，李釗a，劉淼a，王健琪a

第四軍醫(yī)大學(xué)，a.生物醫(yī)學(xué)工程學(xué)院 電子學(xué)教研室；b.學(xué)員旅四營(yíng)十六連，陜西 西安 710032

目的本文提出了一種基于反權(quán)重系數(shù)的綜合距離累積時(shí)頻變換方法，增強(qiáng)了步進(jìn)頻連續(xù)波超寬帶生物雷達(dá)人體細(xì)粒度運(yùn)動(dòng)信號(hào)的微多普勒特征。方法基于雙通道步進(jìn)頻連續(xù)波（SFCW）雷達(dá)系統(tǒng)，通過(guò)將人體運(yùn)動(dòng)超寬帶雷達(dá)信號(hào)不同距離單元信號(hào)分別進(jìn)行時(shí)頻變換得到各自時(shí)間-頻率譜，然后根據(jù)各自相對(duì)應(yīng)合理權(quán)重沿距離軸進(jìn)行累積。結(jié)果基于反權(quán)重綜合距離累積時(shí)頻譜效果好，信號(hào)特征明顯，較遠(yuǎn)距離穿墻情況下，運(yùn)動(dòng)信號(hào)微多普勒特征因衰減較大而較為微弱時(shí)，本方法優(yōu)勢(shì)十分明顯。結(jié)論此法充分利用人體運(yùn)動(dòng)SFCW超寬帶雷達(dá)信號(hào)不同距離單元信息，在保證信號(hào)特征完整性和原始性的基礎(chǔ)上合理有效地增強(qiáng)運(yùn)動(dòng)信號(hào)時(shí)間-頻譜中的微多普勒特征。

超寬帶生物雷達(dá)；人體細(xì)粒度運(yùn)動(dòng)；穿墻探測(cè)；反權(quán)重系數(shù)；步進(jìn)頻連續(xù)波；微多普勒

0 前言

人體運(yùn)動(dòng)狀態(tài)探測(cè)識(shí)別、分類在實(shí)際應(yīng)用中具有重要的應(yīng)用價(jià)值，比如在反恐行動(dòng)中對(duì)恐怖分子或被挾持人員的狀態(tài)分析，各種災(zāi)害現(xiàn)場(chǎng)搜救人員對(duì)被困人員狀況的掌控，公共安全防護(hù)中異常行為人員的識(shí)別，以及傷員術(shù)后肢體恢復(fù)情況的評(píng)價(jià)等情況均需要時(shí)刻掌握人體運(yùn)動(dòng)狀態(tài)[1-2]。生物雷達(dá)因其免受光線和探測(cè)角度影響可實(shí)現(xiàn)全天候穿透探測(cè)，逐漸成為探測(cè)技術(shù)研究熱點(diǎn)。目前，針對(duì)連續(xù)波生物雷達(dá)在自由空間下對(duì)人體運(yùn)動(dòng)信號(hào)的探測(cè)與識(shí)別的研究已取得較大的進(jìn)展[3-4]，然而考慮在反恐行動(dòng)、災(zāi)害搜救等實(shí)際穿墻探測(cè)環(huán)境下對(duì)穿透探測(cè)性能、抗干擾能力和信號(hào)質(zhì)量的要求，本研究采用的步進(jìn)頻連續(xù)波（Stepped Frequency Continuous Wave，SFCW）超寬帶生物雷達(dá)，其抗干擾能力強(qiáng)且具備較高的分辨率和穿透性，能夠提供運(yùn)動(dòng)信號(hào)的距離信息，在后期識(shí)別中具有獨(dú)特的優(yōu)勢(shì)。

在反恐行動(dòng)和災(zāi)害搜救等實(shí)際場(chǎng)景中，包含身體各部分細(xì)微變化的細(xì)粒度運(yùn)動(dòng)出現(xiàn)頻率最高，比如手勢(shì)、原地跳躍，揮手、蹲下起立等。而對(duì)于此類細(xì)粒度運(yùn)動(dòng)，單純依賴主體運(yùn)動(dòng)多普勒特征進(jìn)行識(shí)別分類的方法將失效[5]，而由四肢運(yùn)動(dòng)形成的微多普勒特征將成為最重要的識(shí)別信號(hào)。Chen等[6-7]指出除目標(biāo)主體運(yùn)動(dòng)外，其目標(biāo)各部件運(yùn)動(dòng)也存在各自的微多普勒特征，可以反映復(fù)雜人體結(jié)構(gòu)運(yùn)動(dòng)特征，為目標(biāo)細(xì)微運(yùn)動(dòng)分類（尤其是人體不同運(yùn)動(dòng)分類）提供了新思路[8-9]。同時(shí)，時(shí)頻變換作為有效非平穩(wěn)信號(hào)分析工具，可以將含有多頻率組分的信號(hào)在時(shí)頻域上的不同特征更加高效地體現(xiàn)出來(lái)，不僅能夠區(qū)分粗粒度運(yùn)動(dòng)，更能較好地區(qū)分僅有細(xì)微差別的細(xì)粒性運(yùn)動(dòng)，為人體運(yùn)動(dòng)狀態(tài)分析識(shí)別提供有效信息。目前，研究者們?cè)谧杂煽臻g下利用聯(lián)合時(shí)頻分布技術(shù)對(duì)除軀干運(yùn)動(dòng)外的各肢體（手臂和腿）運(yùn)動(dòng)形成的微多普勒特征進(jìn)行分析，從而對(duì)揮手、走-停-走[10]，擺單臂行走、雙臂行走等有距離運(yùn)動(dòng)[4]進(jìn)行識(shí)別分類。

在穿透探測(cè)中，由于穿墻回波信號(hào)衰減較大或者因目標(biāo)離雷達(dá)較遠(yuǎn)而信號(hào)較弱時(shí)，微多普勒特征容易變得十分微弱，運(yùn)動(dòng)整體時(shí)頻譜特征變得模糊，導(dǎo)致運(yùn)動(dòng)特征可識(shí)別度降低。Kim等[8-9]基于人體運(yùn)動(dòng)微多普勒時(shí)頻譜特征值，利用智能識(shí)別算法對(duì)爬行、持槍行走等7種運(yùn)動(dòng)狀態(tài)進(jìn)行識(shí)別分類，在自由空間下效果優(yōu)異，但在穿墻條件下較近距離內(nèi)運(yùn)動(dòng)信號(hào)微多普勒特征已急劇削弱，識(shí)別分類準(zhǔn)確率變低。為此，針對(duì)運(yùn)動(dòng)幅度較大、非平穩(wěn)、隨機(jī)性強(qiáng)的人體運(yùn)動(dòng)信號(hào)，本研究提出了一種基于反權(quán)重系數(shù)人體運(yùn)動(dòng)超寬帶雷達(dá)信號(hào)時(shí)間—頻率譜綜合距離累積方法。本方法對(duì)人體運(yùn)動(dòng)超寬帶雷達(dá)信號(hào)不同距離單元上的不同頻譜特征信息充分利用，以期使得人體細(xì)粒度運(yùn)動(dòng)微多普勒特征更加明顯，為后期人體運(yùn)動(dòng)的有效特征提取和高效識(shí)別準(zhǔn)確率奠定基礎(chǔ)。

1 材料與方法

1.1 SFCW雷達(dá)實(shí)驗(yàn)平臺(tái)

本研究基于雙通道SFCW雷達(dá)系統(tǒng)，系統(tǒng)的主要技術(shù)指標(biāo)：工作帶寬0.5～3.5 GHz，發(fā)射機(jī)步進(jìn)點(diǎn)數(shù)101～301（可調(diào)），發(fā)射機(jī)頻率采樣間隔30 MHz，最大發(fā)射功率10 dBm，動(dòng)態(tài)范圍≥72 dB，AD精度≥12 bit，采樣率為4 ms/次。天線系統(tǒng)采用1發(fā)2收天線陣，天線采用平面對(duì)數(shù)螺旋天線，發(fā)射天線與接收天線采用交叉極化，整個(gè)SFCW雷達(dá)采集系統(tǒng)，見(jiàn)圖1(a)。

利用SFCW雷達(dá)穿墻探測(cè)人體運(yùn)動(dòng)場(chǎng)景，見(jiàn)圖1(b)，受試者位于實(shí)驗(yàn)室磚墻一側(cè)，正對(duì)緊貼磚墻另一側(cè)的雷達(dá)。采集數(shù)據(jù)時(shí)，每次僅有一位受試者位于磚墻一側(cè)以自然狀態(tài)執(zhí)行特定動(dòng)作，每個(gè)特定動(dòng)作重復(fù)執(zhí)行并持續(xù)20 s左右，雷達(dá)探測(cè)回波經(jīng)后期軟件采集得到原始離散信號(hào)。本研究分別在隔墻3 m處采集原地踏步、原地跳躍和蹲下?lián)煳镄盘?hào)，然后分別在4、5、6 m處采集原地踏步信號(hào)。

圖1 SFCW雷達(dá)采集系統(tǒng)及實(shí)驗(yàn)場(chǎng)景圖

1.2 基于不同距離累積方式的人體運(yùn)動(dòng)超寬帶雷達(dá)信號(hào)時(shí)頻分析方法

SFCW超寬帶雷達(dá)因其具有距離分辨率可使人體運(yùn)動(dòng)各部位的距離信息變化在雷達(dá)回波時(shí)間-距離圖像上明顯地表現(xiàn)出來(lái)。在超寬帶雷達(dá)中，運(yùn)動(dòng)信號(hào)經(jīng)過(guò)采樣后得到sig(t)，其表示處于一個(gè)相鄰處理間隔（Coherent Processing Interval，CPI）的一個(gè)目標(biāo)散射中心信號(hào)。在此CPI中，其假定目標(biāo)運(yùn)動(dòng)維持在單個(gè)距離單元中，并且每個(gè)距離單元都得到一個(gè)信號(hào)，即可獲得一系列信號(hào){Sigil(t)}（i表示距離單元索引）。此時(shí)對(duì)單個(gè)距離單元信號(hào)進(jìn)行時(shí)頻變換是分析微多普勒特征的有效方法。文獻(xiàn)[5]指出，如果目標(biāo)在CPI中運(yùn)動(dòng)距離處于單個(gè)距離單元長(zhǎng)度內(nèi)，則此方法有效。若目標(biāo)在CPI中運(yùn)動(dòng)距離超出單個(gè)距離單元長(zhǎng)度，此時(shí)散射中心信號(hào)將分布于多個(gè)距離單元，此方法將失效。根據(jù)本系統(tǒng)參數(shù)和采樣率參數(shù)，在CPI內(nèi)，人體運(yùn)動(dòng)各散射中心運(yùn)動(dòng)均處于單個(gè)不同距離單元內(nèi)。

原地踏步運(yùn)動(dòng)在SFCW雷達(dá)原始回波時(shí)間-距離像上主要分布在1200～1500點(diǎn)（圖2(a)）。對(duì)此單通道原始回波依次進(jìn)行距離壓縮、去背景和低通濾波（截止頻率為60 Hz）等預(yù)處理，得到原地踏步SFCW雷達(dá)回波預(yù)處理信號(hào)（圖2(b)），其運(yùn)動(dòng)起伏變化在圖像上清晰可見(jiàn)。在對(duì)回波預(yù)處理信號(hào)進(jìn)行時(shí)頻分析時(shí)，不同距離單元信號(hào)的利用方式將對(duì)時(shí)頻分析效果產(chǎn)生重要影響。在以往研究方法主要有優(yōu)選一點(diǎn)法和有效距離平均法兩種。

1.2.1 最優(yōu)一點(diǎn)法和有效距離平均法

（1）最優(yōu)一點(diǎn)法：在距離單元上取信號(hào)最優(yōu)一點(diǎn)。通過(guò)在超寬帶雷達(dá)時(shí)間距離像中選擇最強(qiáng)或者信號(hào)特征代表性最優(yōu)的距離單元信號(hào)sigbest，然后進(jìn)行時(shí)頻分析。本研究基于能量最強(qiáng)原則選擇最優(yōu)點(diǎn)。

（2）有效距離平均法：將有效運(yùn)動(dòng)特征范圍內(nèi)不同距離單元上部分信號(hào)疊加求平均，然后得到sigaverage，并對(duì)其進(jìn)行時(shí)頻分析。

以上兩種方法常見(jiàn)于超寬帶雷達(dá)人體呼吸心跳信號(hào)探測(cè)時(shí)，由于人體呼吸相對(duì)于體動(dòng)幅度小、規(guī)律性強(qiáng)、平穩(wěn)性好，取最優(yōu)點(diǎn)并不會(huì)丟失過(guò)多信號(hào)特征。有效距離內(nèi)多點(diǎn)信號(hào)合理平均時(shí)，合理個(gè)數(shù)距離單元平均后不易造成信號(hào)特征丟失，可以增強(qiáng)信號(hào)能量，提高信噪比。

1.2.2 基于反權(quán)重系數(shù)人體運(yùn)動(dòng)超寬帶雷達(dá)信號(hào)時(shí)間-頻率譜綜合距離累積方法

對(duì)于人體原地踏步、跳躍等細(xì)粒度運(yùn)動(dòng)，根據(jù)其原始時(shí)間-距離圖可以發(fā)現(xiàn)：運(yùn)動(dòng)跨多距離單元，幅度大、非平穩(wěn)、弱周期，運(yùn)動(dòng)人體各散射中心（各肢體結(jié)構(gòu)）的運(yùn)動(dòng)將粗略地分布于不同的距離單元，從而對(duì)回波信號(hào)形成不同的頻率調(diào)制。另外，超寬帶雷達(dá)信號(hào)經(jīng)過(guò)穿墻衰減之后，各組分微多普勒特征將被削弱，使得運(yùn)動(dòng)整體時(shí)頻譜特征變得模糊，不利于人體運(yùn)動(dòng)狀態(tài)分析識(shí)別。因此本研究提出基于反權(quán)重系數(shù)人體運(yùn)動(dòng)超寬帶雷達(dá)信號(hào)時(shí)間-頻率譜綜合距離累積方法，充分利用超寬帶雷達(dá)信號(hào)不同距離單元上不同散射中心信號(hào)的時(shí)頻信息，對(duì)人體運(yùn)動(dòng)信號(hào)微多普勒時(shí)頻譜特征進(jìn)行增強(qiáng)。首先，筆者需要得到聯(lián)合距離-時(shí)間-頻率分布（Joint-Range-Time-Frequency-Representation，JRTFR）[11]，見(jiàn)圖3。

圖2 原地踏步SFCW雷達(dá)信號(hào)預(yù)處理前后時(shí)間-距離圖

圖3 超寬帶雷達(dá)信號(hào)聯(lián)合距離-時(shí)間-頻率分布流程圖

通過(guò)對(duì)每個(gè)距離單元信號(hào)進(jìn)行時(shí)頻變換得到時(shí)間-頻率譜（Time-Frequency-Representation，TFR）并將不同距離單元上的TFR按順序聚集從而得到整個(gè)人體運(yùn)動(dòng)超寬帶雷達(dá)信號(hào)在有效距離內(nèi)的JRTFR立方體，三坐標(biāo)軸分別表示距離、時(shí)間、頻率，見(jiàn)圖3。然后，將整個(gè)JRTFR沿距離軸對(duì)每個(gè)距離單元信號(hào)所得TFR按相應(yīng)反權(quán)重系數(shù)進(jìn)行距離累積。最終將得到整個(gè)運(yùn)動(dòng)信號(hào)綜合距離累積時(shí)頻分布（Comprehensive Distance Accumulation Time-Frequency Representation，CDATFR）。

本文基于增強(qiáng)由肢體運(yùn)動(dòng)所形成的微多普勒特征的目的，采用反權(quán)重系數(shù)對(duì)不同距離單元時(shí)頻譜進(jìn)行綜合距離累積，反權(quán)重累積如公式(1)所示：(1)

其中ωi表示不同距離單元TFR所對(duì)應(yīng)的權(quán)重，si表示不同距離單元所得到的TFR，i=1...n，n表示運(yùn)動(dòng)信號(hào)TFR信號(hào)有效距離單元長(zhǎng)度。

在選擇權(quán)重系數(shù)ω時(shí)，本研究根據(jù)人體細(xì)粒度運(yùn)動(dòng)超寬帶雷達(dá)信號(hào)獨(dú)有特點(diǎn)而采用反權(quán)重系數(shù)進(jìn)行距離累積。以圖2原地踏步信號(hào)為例，在原始雷達(dá)回波信號(hào)偽彩圖的運(yùn)動(dòng)特征有效范圍內(nèi)，在距離軸方向上中間部分主要來(lái)源于散射面積較大的軀干運(yùn)動(dòng)和少量肢體運(yùn)動(dòng)，其能量較強(qiáng)。而在向其兩側(cè)能量逐漸減弱，主要來(lái)源于散射面積較小的肢體運(yùn)動(dòng)和逐漸減少的軀干運(yùn)動(dòng)，如手臂和腿的運(yùn)動(dòng)。當(dāng)信號(hào)經(jīng)過(guò)穿墻衰減或者因目標(biāo)離雷達(dá)較遠(yuǎn)而信號(hào)較弱時(shí)，肢體造成的微多普勒將急劇衰減。為此，將能量值較弱的距離單元TFR賦予較大的權(quán)重而能量值較大的距離單元TFR賦予較小的權(quán)重，從而利用反權(quán)重系數(shù)ω增強(qiáng)由手臂、腿等肢體運(yùn)動(dòng)形成微多普勒特征。

2 結(jié)果

本研究采用短時(shí)傅里葉變換（STFT）對(duì)人體運(yùn)動(dòng)雷達(dá)信號(hào)進(jìn)行時(shí)間-頻率譜分析，其中窗函數(shù)采用0.42 s的Hanning窗。本實(shí)驗(yàn)主要分為兩部分：

（1）第一部分主要利用基于3種距離累積方法的時(shí)頻變換對(duì)相同距離處不同人體細(xì)粒度運(yùn)動(dòng)穿墻探測(cè)超寬帶信號(hào)進(jìn)行時(shí)間-頻率譜分析。以原地踏步、原地跳躍和蹲下?lián)煳餅槔鋵?shí)驗(yàn)結(jié)果，見(jiàn)圖4。

（2）第二部分主要利用基于3種距離累積方法的時(shí)頻變換對(duì)不同距離處相同人體細(xì)粒度運(yùn)動(dòng)穿墻探測(cè)超寬帶信號(hào)進(jìn)行時(shí)間-頻率譜分析，以原地踏步為例。實(shí)驗(yàn)結(jié)果，見(jiàn)圖5。

圖4(b)表明有效距離內(nèi)信號(hào)平均法距離累積后再進(jìn)行時(shí)頻分析，效果最差。圖4(a)表明取最優(yōu)一點(diǎn)時(shí)頻分析效果稍好但信號(hào)特征較弱。圖4(c)表明基于反權(quán)重綜合距離累積時(shí)頻譜效果最好，信號(hào)特征明顯。

圖4 人體穿墻3 m SFCW雷達(dá)信號(hào)時(shí)頻譜

圖5 人體人體原地踏步運(yùn)動(dòng)SFCW穿墻雷達(dá)信號(hào)時(shí)頻譜

圖5分別為穿墻4 m、5 m、6 m處原地踏步運(yùn)動(dòng)信號(hào)基于三種距離累積方式條件下STFT時(shí)頻譜。通過(guò)觀察可以發(fā)現(xiàn)，在穿墻4 m處，距離平均法已經(jīng)失效，所得時(shí)頻譜微多普勒特征已急劇削弱，很難看出原地踏步運(yùn)動(dòng)變化特征。最優(yōu)一點(diǎn)法效果優(yōu)于距離平均法，在穿墻5 m處仍可以較為粗略的看出原地踏步運(yùn)動(dòng)的節(jié)律性變化，但此時(shí)由手臂和腿等肢體運(yùn)動(dòng)形成的高頻微多普勒特征已極其微弱并且較為混亂模糊。而本文提出的綜合距離累積時(shí)頻變換方法性能優(yōu)越。雖然與3 m處原地踏步動(dòng)作時(shí)頻譜圖4(c)相比，隨著穿墻距離增加，部分能量較為微弱的肢體運(yùn)動(dòng)信號(hào)高頻微多普勒特征已經(jīng)被急劇削弱。但其在穿墻6 m處也能較好的表現(xiàn)出原地踏步運(yùn)動(dòng)的節(jié)律性變化，軀干運(yùn)動(dòng)多普勒特征和肢體運(yùn)動(dòng)微多普勒特征仍能明顯區(qū)分，利于運(yùn)動(dòng)特征分析。因此，在較遠(yuǎn)距離穿墻情況下，運(yùn)動(dòng)信號(hào)微多普勒特征因衰減較大而較為微弱時(shí)，本方法優(yōu)勢(shì)十分明顯。

3 討論

第一部分實(shí)驗(yàn)結(jié)果中，對(duì)于原地踏步、原地跳躍、蹲下?lián)煳?種跨多個(gè)距離單元的大幅度、非平穩(wěn)信號(hào)，人體各個(gè)肢體結(jié)構(gòu)的散射中心將粗略地分布于不同的距離單元，因而不同距離單元信號(hào)將包含不同肢體的運(yùn)動(dòng)信息，并且相鄰距離單元信號(hào)具有一定的相關(guān)性。若采用最優(yōu)一點(diǎn)法，將丟失許多不同肢體結(jié)構(gòu)所形成的微多普勒信息。若采用有效距離平均法，分布在不同距離單元內(nèi)信號(hào)的正負(fù)值很容易相互抵消或者被改變從而導(dǎo)致運(yùn)動(dòng)特征被減弱或者被改變。然而采用本研究提出的綜合距離累積時(shí)頻變換方法則可以清楚的看出人體運(yùn)動(dòng)的節(jié)律性變化，并且由軀干運(yùn)動(dòng)形成的多普勒特征和肢體運(yùn)動(dòng)所形成的微多普勒特征也可以明顯區(qū)分。如圖4(c)所示，由于在原地踏步、原地跳躍和蹲下?lián)煳飼r(shí)，人體軀干運(yùn)動(dòng)頻率較低但散射面積大、能量強(qiáng)，因此其在時(shí)頻圖中就主要分布在0～8 Hz以內(nèi)，而手臂和腿等肢體運(yùn)動(dòng)速度快故瞬時(shí)頻率高，因而在時(shí)頻圖中主要分布于8 Hz以上。另外，由于肢體運(yùn)動(dòng)在原地跳躍時(shí)比踏步時(shí)更加隨機(jī)不規(guī)律，故而從原地跳躍時(shí)頻譜中就可看出包含高頻信息的微多普勒特征變化更加紊亂。

第二部分實(shí)驗(yàn)結(jié)果中，隨著穿墻距離的增大，人體運(yùn)動(dòng)的高頻微多普勒特征相對(duì)低頻微多普勒特征衰減更快。這可能是因?yàn)榫嚯x增大，手臂等肢體相對(duì)軀干運(yùn)動(dòng)速度快、散射面積較小，其形成的高頻微多普勒衰減更快并更容易淹沒(méi)于隨機(jī)無(wú)規(guī)律噪聲和干擾中，因而更難在時(shí)頻譜中表現(xiàn)出有規(guī)律的運(yùn)動(dòng)特征。

4 結(jié)論

本研究基于穿墻探測(cè)的需求選擇SFCW雷達(dá)對(duì)人體細(xì)粒度運(yùn)動(dòng)進(jìn)行穿透探測(cè)。針對(duì)人體運(yùn)動(dòng)超寬帶雷達(dá)信號(hào)微多普勒特征容易由于穿墻探測(cè)或者距離增大而急劇衰減，從而不利于人體運(yùn)動(dòng)信號(hào)的有效分析和識(shí)別的問(wèn)題，本研究提出了一種基于反權(quán)重系數(shù)綜合距離累積時(shí)頻變換方法。其充分利用人體運(yùn)動(dòng)SFCW超寬帶雷達(dá)信號(hào)不同距離單元信息，在較好地保證信號(hào)特征完整性和原始性的基礎(chǔ)上增強(qiáng)運(yùn)動(dòng)信號(hào)微多普勒特征。

在實(shí)驗(yàn)研究中，首先通過(guò)基于3種距離累積方式的時(shí)頻處理方法對(duì)同一穿墻距離處原地踏步、原地跳躍和蹲下?lián)煳?種穿墻超寬帶雷達(dá)信號(hào)進(jìn)行時(shí)頻譜分析，結(jié)果表明本研究提出的綜合距離累積時(shí)頻變換方法針對(duì)人體細(xì)粒度運(yùn)動(dòng)信號(hào)處理效果優(yōu)于目前常用的最優(yōu)一點(diǎn)法和距離平均法，證明了此方法對(duì)不同運(yùn)動(dòng)信號(hào)的廣泛適用性。另外，實(shí)驗(yàn)還通過(guò)基于3種距離累積方式的時(shí)頻處理方法對(duì)不同穿墻距離處的原地踏步穿墻超寬帶雷達(dá)信號(hào)進(jìn)行時(shí)頻譜分析，結(jié)果表明綜合距離累積時(shí)頻變換方法在運(yùn)動(dòng)信號(hào)微多普勒特征因穿墻或距離增而削弱時(shí)，可以較好地增強(qiáng)微多普勒特征。

本研究提出的綜合距離累積時(shí)頻變換方法能夠高效利用人體運(yùn)動(dòng)超寬帶雷達(dá)信號(hào)距離信息，較大程度上合理增強(qiáng)運(yùn)動(dòng)信號(hào)中微多普勒特征，為穿墻探測(cè)或遠(yuǎn)距離探測(cè)條件下人體細(xì)粒度運(yùn)動(dòng)的有效分析和準(zhǔn)確識(shí)別奠定了基礎(chǔ)。在下一步研究中，希望對(duì)隨著距離增大運(yùn)動(dòng)高頻微多普勒特征削弱過(guò)快問(wèn)題進(jìn)行深入研究并提出相應(yīng)的解決方法。

[1] Fairchild DP,Narayanan RM.Micro-doppler radar classification of human motions under various training scenarios[C].SPIE Defense,Security,and Sensing.International Society for Optics and Photonics,2013:873407-873411.

[2] Bryan JD,Kwon J,Lee N,et al.Application of ultra-wide band radar for classification of human activities[J].IET Radar Sonar Navig,2012,6(3):172-179.

[3] Fairchild DP,Narayanan RM.Classification and modeling of human activities using empirical mode decomposition with S-band and millimeter-wave micro-Doppler radars[C].SPIE Defense,Security,and Sensing.International Society for Optics and Photonics,2012:83610X-15.

[4] Lyonnet B,Ioana C,Amin MG.Human gait classification using microDoppler time-frequency signal representations[C].Radar Conference,2010 IEEE.IEEE,2010: 915-919.

[5] Smith GE,Ahmad F,Amin MG.Micro-Doppler processing for ultra-wideband radar data[C].SPIE Defense,Security,and Sensing.International Society for Optics and Photonics,2012: 83610L-83610L-10.

[6] Chen VC.Analysis of radar micro-Doppler with time-frequencytransform[C].Statistical Signal and Array Processing,2000. Proceedings of the Tenth IEEE Workshop on.IEEE,2000:463-466.

[7] Chen VC,Li F,Ho SS,et al.Micro-Doppler effect in radar:phenomenon, model, and simulation study[J].IEEE T Aero Elec Sys,2006,42 (1):2-21.

[8] Kim Y,Ling H.Human activity classification based on micro-Doppler signatures using an artificial neural network[C]. Antennas and Propagation Society International Symposium, 2008.AP-S 2008.IEEE.IEEE,2008:1-4.

[9] Kim Y,Ling H.Human activity classification based on micro-Doppler signatures using a support vector machine[J].IEEE T Geosci Remote S,2009,47(5):1328-1337.

[10] Lai CP,Ruan Q,Narayanan RM.Hilbert-Huang Transform (HHT) analysis of human activities using through-wall noise radar[C].Signals,Systems and Electronics,2007.ISSSE'07. International Symposium on.IEEE,2007:115-118.

[11] Chen VC.Joint time-frequency analysis for radar signal and imaging[C].Geoscience and Remote Sensing Symposium, 2007.IGARSS 2007.IEEE International.IEEE,2007:5166-5169.

A Study on the Micro-Doppler Signature Enhanced Technique for the Finer-Grained Human Activity Signal Acquired by the SFCW Bio-radar

QI Fu-guia, YUE Chaob, LIANG Fu-laia, LV Haoa, LI Chuan-taoa, LI Zhaoa, LIU Miaoa, WANG Jian-qia
a.Teaching and Research Section of Electronics, School of Biomedical Engineering; b.No.16 Company of the 4thBattalion, Student Brigade,the Fourth Military Medical University, Xi’an Shaanxi 710032, China

ObjectiveA comprehensive distance accumulation time-frequency transform method based on the anti-weights factor is proposed in this study, so as to enhance the micro-Doppler signatures of the finer-grained human activity, which would be weakened dramatically due to the process of penetrating the wall and the increasing detection range, which is not conducive to effective analysis and accurate recognition of finer-grained human activity.MethodsThe corresponding time-frequency representation (TFR) was obtained by performing a time-frequency transform in each range based on the stepped frequency continuous wave radar signal of the finer-grained human activity.ResultsA comprehensive time-frequency representation was obtained from the summation of the different TFRs based on their corresponding weight along the range axis. Consequently, the time-micro-Doppler signature reflected in the time-frequency representation was enhanced significantly.ConclusionThe technique guaranteed the integrity and primitive characteristics of the signal and laida good foundation for analyzing effectively and recognizing accurately the finer-grained human activity when detecting through-wall or remotely.

TN957.51

A

10.3969/j.issn.1674-1633.2016.02.009

1674-1633(2016)02-0039-05

2015-11-20

國(guó)家重大科研儀器設(shè)備研制專項(xiàng)（61327805）；國(guó)家科技支撐計(jì)劃課題（2014BAK12B02）。

王健琪，第四軍醫(yī)大學(xué)生物醫(yī)學(xué)工程系電子學(xué)教研室主任，教授，博士生導(dǎo)師，主要研究方向：生物雷達(dá)生命探測(cè)。

通訊作者郵箱：wangjq@fmmu.edu.cn

Abstract:: ultra-wideband radar; finer-grained human activity; through-wall detection; anti-weights factor; distance accumulation; micro-Doppler