基于胸腔信號樣本的FMCW雷達身份驗證

漆 晶，汪正東，謝廣智

（重慶郵電大學通信與信息工程學院，重慶 400065）

0 引言

近年來，因為新冠肺炎疫情的流行，非接觸式的人體生命體征檢測成為了研究的熱點，其在智能家居、醫(yī)療健康等領(lǐng)域都有著廣泛的應用，如睡眠檢測［1］、嬰幼兒監(jiān)護［2］、駕駛員體征檢測［3］以及疲勞駕駛監(jiān)測［4］、姿態(tài)檢測［5-6］等。

在最近的幾十年時間里，基于雷達的生命體征信號提取技術(shù)已經(jīng)非常成熟，這也為后續(xù)應用奠定了基礎(chǔ)。文獻［7］驗證了每個人的通氣變量和氣流曲線組成了一個特定的特征，可以利用雷達檢測到的呼吸信號進行人員識別。研究［8］表明，呼吸模式的個體性能可以長期保持。文獻［9］提取了呼吸信號峰值功率譜密度、堆積密度與線性包絡(luò)誤差3個特征，將這些特征送入反向傳播神經(jīng)網(wǎng)絡(luò)得到了90%的識別準確率。文獻［10］利用動態(tài)分割技術(shù)檢測一段呼吸信號內(nèi)各種獨特的特征與模式，結(jié)合最近鄰算法（K-Nearest Neighbor，KNN）對6 個實驗對象進行了測試和驗證，得到了95%的準確率。文獻［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頻域特征，送入支持向量機（Support Vector Machine，SVM）算法中分類，在小數(shù)據(jù)集上得到比較高的準確率。基于人工提取特征的方式較為復雜，提取的特征單一，對于呼吸模式如頻率、呼氣與吸氣面積等特征相近的人沒有辦法很好地區(qū)分開。有學者［12］將雷達采集到的呼吸或心跳信號直接送入卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Networks，CNN）自動提取特征，降低了提取特征的復雜度，最高得到82%的準確率。文獻［13］提出了基于呼吸樣本空間（BSS）的身份識別算法，將包含時距信息的BSS 序列送入CNN 中建模以獲得分類結(jié)果，得到接近85%的準確率。

目前的研究大部分是基于呼吸特征進行身份驗證，其忽略了心電信號也具有特征性［14］，可以用來識別個體。雖然非接觸的雷達難以恢復出人體心電信號，但是本文嘗試用心跳信號來代替接觸式測量的心電信號，提出將心跳信號與呼吸信號結(jié)合的方式進行身份驗證，本文將基于胸腔信號樣本（Chest Cavity Signal，CCS）進行身份驗證。首先通過毫米波雷達FMCW 提取人體回波信號，再對回波信號進行預處理，包括多幀背景消除，胸腔位置確定，選取整個胸腔區(qū)域?qū)亩嗑嚯x單元信號作為相位信號樣本，相位解繞，相位差分，將相位差分信號進行變分模態(tài)（VMD）分解得到純凈的呼吸信號與心跳信號再胸腔信號恢復，最后將純凈的信號樣本切成小段并轉(zhuǎn)換為圖片即為胸腔信號樣本CCS。純凈CCS 信號樣本融合了呼吸與心跳的時域、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雜等問題，本文將CCS樣本送入二維卷積神經(jīng)網(wǎng)絡(luò)（2D CNN）中自動提取特征，得到模型準確率高達97.5%。

1 雷達信號檢測原理

1.1 體征信號特點

本文將利用毫米波雷達檢測到的人體呼吸、心跳信號進行后續(xù)的身份驗證。在正常情況下呼吸與心跳導致的胸部振動情況如表1所示［15］。

毫米波雷達通過探測距離雷達R處人體目標回波的相位信號來反映呼吸心跳引起的胸腔振動。式（1）為胸腔振動距離與相位的關(guān)系。

式中，Δφ為相位變化，ΔR為距離變化，λ為波長。在本文中使用到的毫米波雷達波長λ為5 mm，當胸腔位移為1.25 mm時，回波信號的相位變化為π。

1.2 FMCW 雷達原理

毫米波雷達FMCW 發(fā)射的信號頻率是隨時間變化，并且一般是呈線性變化，所以也被稱為LFMCW。如圖1所示為FMCW 發(fā)射信號與接收信號的示意圖。當發(fā)射信號遇到待測目標后，反射的回波信號會被雷達接收天線所接收，從頻域上來看，發(fā)射信號與接收信號波形上保持一致，在時間上有一定的延時t0。

圖1 FMCW信號示意圖

式（2）為FMCW雷達的發(fā)射信號。

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

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

將發(fā)射信號與接收信號混頻得到中頻信號，中頻信號由式（4）表示:

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

2 雷達數(shù)據(jù)處理

2.1 距離維FFT

雷達原始數(shù)據(jù)是指將發(fā)射信號與接收信號混頻，再經(jīng)過AD 采樣得到的中頻信號，其包含著被測物體的距離、速度和角度等信息。在對雷達原始數(shù)據(jù)做FFT 時，可以獲得距離曲線，表達為R（n,m），距離曲線包含著目標的距離信息（紅色框出），同時也混雜噪聲、靜態(tài)物體干擾等（藍色框出）。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，存在被測物體，深色區(qū)域則代表沒有物體。

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消除與實驗目標無關(guān)的冗余干擾，達到提高目標信雜比的效果。在本實驗中，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)合的方法來消除干擾項。

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

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

在圖2 的距離FFT 結(jié)果圖中可以明顯看出，人體目標周圍存在一定的干擾。經(jīng)過多幀聯(lián)合背景消除后，如圖3所示回波信號的距離曲線與頻譜更加清晰。每個距離單元代表著距離為4.4 cm，根據(jù)圖像可判斷出經(jīng)過濾波后的信號峰值集中在0.6 m左右，與實驗中人體目標距離雷達的真實距離一致。

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中連續(xù)提取單個目標（最大能量處）距離單元的相位獲得胸腔振動信號，也就是只提取一個點的振動波形。但是人體目標不是一個點，而是一個范圍，表1 中提到呼吸引起的胸腔振動面積達到50 cm2，如果只提取一個距離單元的多幀相位信號，會損失整個胸腔的空間信息，造成特征丟失。因此本文選擇包含最大能量在內(nèi)的周圍8個距離單元，對每一個距離單元內(nèi)的多幀信號連續(xù)提取相位，得到包含空間信息的8條胸腔部位的振動波形，以此來表征胸腔信號。圖3（b）中的紅色方框代表胸腔信號，黃色實線代表單個目標距離門。

表征胸腔信號的8 條振動波形包含著豐富的由呼吸、心跳引起的胸腔振動信息，后續(xù)經(jīng)過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，會導致相位信號存在卷繞，因此后續(xù)還需要對提取的相位信號進行解卷繞和相位差分操作。得到的胸腔相位信號如圖4（b）所示。

2.4 呼吸心跳信號分離

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

圖5 呼吸信號時域與頻域波形

圖6 心跳信號時域與頻域波形

2.5 CCS樣本制作

在提取到比較純凈的心跳信號與呼吸信號后，將其恢復為純凈的胸腔信號，如圖7（a）、（b）分別為胸腔信號的時域波形和頻域波形?？梢娦厍恍盘栔饕?.293 Hz 與1.22 Hz 兩種頻率，與呼吸心跳信號相對應。

圖7 胸腔信號時域與頻域波形

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

可判斷一個呼吸波形的周期約為60 個采樣點。因此本文將胸腔信號按照每60個采樣點截成小段數(shù)據(jù)，相當于8 個距離單元，每個單元60 個采樣點的信號矩陣。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)自動提取特征，避免了人工提取特征的復雜操作，圖像中也充分保留了足夠的特征進行訓練。

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)，每幀時長50 ms。在CCS 樣本制作時將每個人的數(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CCS 樣本，分別打上標簽。如表2所示，8 000 個CCS 樣本按照4∶1 的比例劃分到訓練集與測試集。

表2 數(shù)據(jù)集分配

CNN 是當前用于圖像分類中最先進的體系結(jié)構(gòu)，它可以自動提取對象特征，并且特征提取與特征分類是一個同步進行的過程［17］。本文搭建了一個2D CNN 模型，圖9 詳細描述了該模型的結(jié)構(gòu)信息，模型包括3 個3×3 的卷積層，分別對應32，64，64 個通道，每個卷積層將ReLU 函數(shù)作為激活函數(shù)，可以有效緩解過擬合問題的發(fā)生。在卷積層后都使用了一個2×2的最大池化層，對卷積層提取到的信息作進一步降維，減少計算量的同時，還加強了圖像特征的不變性。

圖9 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖

4 實驗與結(jié)果

4.1 實驗參數(shù)介紹

本文采集體征信號的實驗如圖10所示，實驗采用毫米波雷達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雷達板接收LVDS 數(shù)據(jù)，并通過以太網(wǎng)接口將數(shù)據(jù)傳輸?shù)絇C端。

圖10 雷達采集數(shù)據(jù)

圖11 采集裝置

表3為毫米波雷達發(fā)射信號的參數(shù)，實驗中按照表中參數(shù)使用TI 配套的mmWave Studio 軟件進行雷達參數(shù)配置。

表3 實驗參數(shù)

4.2 實驗結(jié)果

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

圖12 CCS+CNN模型訓練結(jié)果

圖13 為利用CCS 樣本結(jié)合2D CNN 訓練得到的混淆矩陣。

圖13 CCS+CNN模型訓練混淆矩陣

由混淆矩陣可知該系統(tǒng)模型對志愿者1 的準確率為94%，對志愿者3的準確率為98%，對其他兩位志愿者進行身份驗證的準確率都達到了99%。

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

圖14 SS+CNN模型訓練結(jié)果

圖15 BSS+CNN模型訓練結(jié)果

4.3 對比分析

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

表4 實驗復雜度對比

呼吸心跳信號比較微弱，對信噪比的變化很敏感。且較高的信噪比可以幫助雷達系統(tǒng)降低誤報概率，有助于在更復雜的環(huán)境中提高檢測的精度。由于本文所用的CCS 樣本包含了8 條振動波形，計算時取其平均信噪比作為整體信號信噪比。信噪比的定義如式（7）:

式中s（l）為呼吸與心跳信號頻譜峰值，s2（f）為信號頻譜的總能量。表5 展示了信號在經(jīng)過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

可見得到的CCS樣本在經(jīng)過了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)分類的準確性。

在神經(jīng)網(wǎng)絡(luò)中不能只將準確率作為評判標準，還需要引入損失函數(shù)，損失率越小，準確率越高，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問題的交叉熵損失函數(shù)，定義如式（8）:

式中S表示Softmax 激活函數(shù)，yi是真實值結(jié)果，xi是預測結(jié)果。

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

表6 實驗結(jié)果對比

文獻［9-11］均需要人工提取特征的繁瑣步驟，提取的特征單一，對于呼吸頻率，呼氣與吸氣面積等特征相近的人沒有辦法很好地區(qū)分開。文獻［12］雖然采用了CNN 自動提取特征，但是僅僅輸入心跳或者呼吸信號，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［13］考慮到整個胸部區(qū)域存在一定的空間特征，卻忽略了相位信號當中存在與呼吸信號頻率相近的噪聲，因此也難以得到較高的準確率。總體來說，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

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

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