基于FMCW雷達的多目標生命體征信號檢測

潘 良, 劉 康, 張遠輝

(中國計量大學 機電工程學院，浙江 杭州 310018)

1 引 言

隨著醫(yī)學技術(shù)的不斷發(fā)展,人們對于生命體征信號監(jiān)測在嬰兒監(jiān)護、智慧養(yǎng)老等場景的應用需求越來越高。傳統(tǒng)的生命體征檢測方法[1]如心電監(jiān)護儀、智能手環(huán)、血氧儀等,需要接觸患者的身體,這些檢測方式不僅不方便,而且容易造成交叉感染。因此,非接觸式生命體征檢測技術(shù)成為了醫(yī)學領域的研究熱點[2,3]。

調(diào)頻連續(xù)波(frequency modulated continuous wave,FMCW)雷達是一種新型的非接觸式生命體征檢測技術(shù)。它利用FMCW雷達信號的特性,來探測物體并接受反射信號,通過雷達回波信號的相位變化獲取運動目標位移信息,從而得到高精度的人體呼吸和心跳等生命體征信息。相比傳統(tǒng)的接觸式生命體征檢測技術(shù),FMCW雷達檢測方式具有不接觸、微動檢測靈敏度高,成本低等優(yōu)點。對于另外兩種同樣應用于生命體征檢測研究的不同體制雷達,連續(xù)波(continuous wave,CW)雷達[4]和超寬帶(ultra-wideband,UWB)雷達[5,6],相較于FMCW雷達CW雷達雖然具備生命體征檢測的能力,但卻不具備距離檢測的功能,無法進行多目標體征檢測;UWB脈沖雷達具備距離分辨力,能實現(xiàn)多目標生命體征檢測,但由于窄脈沖特性,信號易干擾,并且結(jié)構(gòu)復雜,通常應用于需要穿透障礙物或長遠距離等特殊場景下的生命體征檢測研究。而FMCW雷達所具備的高精度,高信噪比,集成度高等特點,為醫(yī)學檢測和診斷提供了方便、可靠的數(shù)據(jù)支持。

當前,國內(nèi)外關(guān)于FMCW雷達生命體征檢測通常是針對靜態(tài)單目標的研究[7～9]。特別是在生命體征信號提取算法上進行了大量研究,Tariq A等[10]提出了利用連續(xù)小波變換(continue wavelet transform,CWT)算法進行生命信號的提取,但只能在1 m范圍內(nèi)提取出準確的心跳信號,并且CWT依賴于基函數(shù),無論是在時間上還是頻率上的分辨率都很有限;Hu W等[11]提出連續(xù)小波變換與經(jīng)驗模態(tài)分解(empirical mode decomposition,EMD)相結(jié)合的方法,實現(xiàn)了心肺信號分離與提取,但是EMD存在模態(tài)混疊、端點效應、模態(tài)數(shù)不可預測等缺陷。隨后,在Zosso D等[12]提出變分模態(tài)分解(variational mode decomposition,VDM)算法的基礎上,Duan Z等[13]利用變分模態(tài)分解算法對呼吸和心跳信號進行了分離,在變分框架中自適應分解信號,解決了EMD模態(tài)混疊問題,但是VDM分解的模態(tài)數(shù)需要針對性設置,環(huán)境適應性弱。

相比于單個目標的呼吸心跳檢測,多目標呼吸心跳檢測存在難點:一是在于多個人體目標的檢測與干擾濾除;二是心跳信號干擾濾除等。文獻[14]中Ahmad等采用了距離門限以及波束形成技術(shù)實現(xiàn)對多目標的距離-方位角二維定位,初步提出多目標信號分離的方案,并在此基礎上提出了對呼吸頻率和心率的理論估計算法,驗證了采用毫米波雷達進行多目標生命體征檢測的可能性。文獻[15]中,任偉等針對當多個人體目標處于同一平面內(nèi),且雷達與多個目標共線時,會導致雷達無法檢測較遠距離目標的問題,提出一種新的雷達空間布置方案,即將雷達布置在高處,并利用毫米波雷達高分辨率特性從距離維區(qū)分共線目標,同時結(jié)合多種手段辨別人體目標和靜止雜波。該方法可以有效地提取出正對毫米波雷達且不同距離的兩個共線靜止目標的呼吸信號,但并沒有對心跳信號進行分析。

針對于上述問題,本文提出了一種基于FMCW雷達的多目標生命體征信號檢測方法,利用一種改進的單元平均恒虛警率(cell averaging constant false alarm rate,CA-CFAR)算法實現(xiàn)多個目標位置的檢測;同時,利用自動多尺度峰值檢測(automatic multiscale-based peak detection,AMPD)算法估計呼吸率與心率,過濾無效的波峰干擾,提高對心跳呼吸速率檢測的魯棒性;進而實現(xiàn)多個人體目標的呼吸、心跳信號的檢測。

2 雷達檢測原理與信號模型

毫米波雷達檢測人體呼吸和心跳是通過探測由于人體胸腔或心臟微小起伏所引起的在特定距離門上的FMCW信號的相位變化實現(xiàn)的,因為心臟和呼吸均為小尺度的振動,因此這里假設檢測對象在測量期間基本保持在相同的距離門限內(nèi);然后在對這個距離門限內(nèi)目標的中頻信號相位變化做檢測,即可得到相應的呼吸心跳特征。如果人體胸腔微動距離為ΔR,雷達波長為λ,則對應的相位變化Δφ可以由公式(1)表示:

(1)

根據(jù)圖1所示的調(diào)頻連續(xù)波發(fā)射接收信號的模型圖,雷達發(fā)射信號ST(t)的數(shù)學模型[16]可表示為:

(2)

圖1 FMCW調(diào)頻連續(xù)波

(3)

雷達回波信號和發(fā)射信號具有相同的信號波形,二者在時域上存在延遲,td為回波時延,c為光速,計算公式為:

(4)

雷達發(fā)射信號和接受信號混頻后,得到中頻信號SIF,公式如下:

SIF=ST(t)⊕SR(t)

=A2ej(2πfIFt+φ)

(5)

由式(2)、式(3)和式(4)可推得式(5),中頻信號SIF可看作具有頻率為fIF和相位為φ的正弦信號,由式(5)可以看出,通過對SIF的頻域分析可以得到目標的距離信息R,根據(jù)目標位置的相位變化可以得到目標的微動變化。當進行多個目標檢測時,需要檢測n個目標在不同時刻t的相位變化Δφi,得到第i個目標胸腔微動信號的離散形式:

(6)

3 信號處理算法

根據(jù)生命體征檢測的基本原理和所建立的信號模型,算法的處理流程主要包括多目標距離檢測、多目標相位提取、多目標生命體征信號提取3個步驟。雷達信號處理流程如圖2所示。

圖2 雷達信號處理流程圖

3.1 多目標距離單元檢測

3.1.1 距離維FFT

首先,對雷達原始的模擬數(shù)字轉(zhuǎn)換(analog-to-digital converter,ADC)數(shù)據(jù)進行距離維傅里葉變換(fast Fourier transform,FFT),即可得到包含目標信息的距離維圖譜。

3.1.2 靜態(tài)雜波濾除

在復雜的環(huán)境中,一些金屬物品、墻面等具有反射能量強特性的物體,會對雷達回波信號產(chǎn)生較強的影響,對真實目標造成干擾,掩蓋人體目標信息。本文采用動目標顯示(moving target indication, MTI)進行靜態(tài)雜波濾除得到一維距離信息D。MTI利用雜波抑制濾波器來抑制雜波,提高雷達信號的信噪比,以便于后續(xù)的恒虛警檢測。

3.1.3 改進的單元平均恒虛警檢測

對于多目標檢測過程中,由于目標遠近距離不同,反射能量高度不同,不能簡單地通過固定門限去篩選目標。CFAR檢測算法能夠很好地解決此問題,其原理是根據(jù)檢測的實際環(huán)境中雜波和噪聲干擾的變化,選定對應的檢測門限值,最終完成多目標檢測的目的,其中CA-CFAR算法是其最基本的形式。

然而,在實際應用中,由于被測者屬于體目標,接收到雷達電磁波的照射會產(chǎn)生多個反射點,導致峰值位置附近多個點被檢測的問題,即1個目標在目標附近的距離門限被重復檢測,需要對重復目標去重操作[17];因此,本文提出1種改進的單元平均恒虛警率算法。算法的目標檢測策略如下:首先,為提高信號的信噪比和幅值,以及避免連續(xù)幀之間目標峰值在相鄰距離單元內(nèi)跳動而干擾后續(xù)的目標相位提取,需對靜態(tài)濾除后的距離維頻譜數(shù)據(jù)做多幀疊加;然后再對疊加后的一維距離信息D做CA-CFAR目標檢測得到可能的目標距離單元,同時對D做差分處理得到Ddiff,在可能的目標距離單元位置通過Ddiff判斷是否為極大值點;最后保留目標所占據(jù)的多個相近距離單元中的極大值點為目標位置。具體算法流程如圖3所示。該方法具有傳統(tǒng)CA-CFAR自適應檢測門限、便于復雜場景下的多目標檢測特點的同時,又能有效的剔除重復點,算法上沒有太多的冗雜,便于后續(xù)的實時檢測處理。

圖3 改進的CA-CFAR算法流程

3.2 多目標相位提取

3.2.1 相位提取

雷達在檢測到目標位置信息R后,需要提取相應位置的IQ數(shù)據(jù)計算目標的相位信息φ(t)。相位計算公式如下所示:

(7)

式中:I(t)為目標位置R處距離維FFT數(shù)據(jù)的實部;Q(t)為目標位置R處距離維FFT數(shù)據(jù)的虛部。

3.2.2 相位解纏繞

用反正切函數(shù)直接計算得到的相位,會使得相位值折疊在(-π,π]之間,需要進行解纏繞處理,即對于相位不連續(xù)點,補償2π的整數(shù)倍,將相位展開,得到解纏繞后的相位信息φunwrap(t)。

3.2.3 相位差分

由于目標的位移存在相位偏移,需要對φunwrap(t)信號進行相位差分處理得到相位差分信號φdiff(t)。相位差分的方法是通過后一幀的中頻信號相位減去前一幀的中頻信號相位,以消除相位偏移常數(shù),同時增強生命體征信號中的心跳信號分量。

3.3 多目標生命體征信號提取

3.3.1 帶通濾波

為了進一步消除干擾,提取出目標的呼吸信號Xb(t)和心跳信號Xh(t),需要對φdiff(t)信號進行帶通濾波處理。根據(jù)正常的呼吸心跳頻率范圍,呼吸信號和心跳信號的IIR(infinite impulse response)帶通濾波器的帶通頻率分別設置為0.15～0.8 Hz和1～2.5 Hz,即呼吸的采集頻率范圍為9～48 bpm(bpm為每分鐘跳動次數(shù),beat per minute),心跳的采集頻率范圍為60～150 bpm。

3.3.2 自動多尺度峰值檢測算法

由于心跳信號通常較為微弱,再加上受到呼吸頻率多次諧波以及環(huán)境噪聲的影響,對信號做簡單的FFT處理來分析其主頻率特性來計算頻率,極有可能出現(xiàn)心跳真實頻率處的幅值低于幅頻特性曲線中其他頻率處的幅值。因此引入AMPD算法。

AMPD算法[18]是1種通過分析信號的局部最大尺度圖(local maxima scalogram, LMS)的方式來檢測信號的峰值。用X=[x1,x2,x3,…,xN]表示采集得到的N個采樣點的生命信號,AMPD算法通過1個滑動窗來計算該信號的局部最大尺度值,滑動窗的長度wk(wk=2k|k=1,2,…,L)是1個不斷變化的量,其中k被定義為信號的分析尺度,L=[N/2]-1?；瑒哟按笮‰S著不同的尺度k值而變化,以不同的分辨率來覆蓋整個生命信號X。通過在信號中每個尺度k處執(zhí)行式(8)的標準來搜索局部最大值,對于每個k值,當i=k+2,…,N-k+1時有:

(8)

由此得到1個矩陣M,即:

(9)

其中第k行就包含了對應的滑動窗的長度wk,L×N大小的矩陣M的所有元素都為布爾類型。該矩陣M被稱為信號X的LMS。

接下來需要通過LMS來計算峰值檢測的最大尺度λ,即通過對矩陣M的行求和,得到向量γ:

(10)

向量γ=[γ1,γ2,…γL]表示不同尺度k下的局部極大值的相關(guān)分布,其中,γ最大值對應的尺度λ=argmax(γk)即為峰值檢測的最大尺度。隨后需要將矩陣M中k>λ的所有mk,i元素移除,得到大小為λ×N新的矩陣Mnew,k∈{1,2,…,λ},矩陣Mnew中元素為1的位置就是在每個尺度k下的局部最大值(潛在峰值點的位置)。如果對于每個尺度k,矩陣Mnew中某一列i的所有元素值都為1,則這一列所對應的采樣點i的位置即是有效峰值點。由此,可以計算出Mnew中所有列元素全為1的列標i,進而得出這組信號X的所有有效峰值點位置和個數(shù)。最后,通過時間窗內(nèi)的有效峰值個數(shù)np估算心跳呼吸速率,計算公式如下:

(11)

式中:N為信號采樣點數(shù);pframe為雷達數(shù)據(jù)每幀的周期。

4 實驗及分析

4.1 實驗準備

實驗分析了2個目標時的實驗結(jié)果,并以3個不同的測試場景(單個目標、雙目標、三目標)為例,采用TI awr1642雷達板進行多組實驗驗證。雷達參數(shù)設置如表1所示。

表1 雷達參數(shù)配置表

在實際測試過程中,當被測目標與雷達距離超過3 m后,目標的呼吸、心跳信號的幅值有所衰減,特別是心跳信號信噪比會大幅降低;因此實驗設定的生命信號有效檢測距離為0.4～3 m,根據(jù)雷達參數(shù)推算的距離分辨率為0.0335 m,對應的有效距離單元范圍約為12～90。此外多目標場景下,為了避免共線干擾,不同目標之間的距離差和方位角應分別大于0.4 m和20°。故如圖4所示,實驗設置的3個測試場景,場景一、二、三分別對應單目標、雙目標、3個目標的測試場景。目標位置與雷達的距離-方位角信息如下:場景一中目標位置與雷達的距離-方位角信息為(1 m, 0°),場景二為(1 m, 30°)和(1.5 m, 0°),場景三為(1 m, 30°)、(1.5 m, 0°)和(2 m, -30°)。另外,場景中放置金屬貨架作為靜態(tài)干擾目標與人體目標信號形成對比。在進行生命體征檢測時,雷達模組放置的垂直高度應與人體胸腔位置高度相近,被測目標應在雷達的有效檢測距離內(nèi),多目標場景下應保持不同目標之間的距離差,避免干擾。在測試的同時,使用指夾式脈搏血氧儀對目標進行測量作為實際值對照。

圖4 三種測試場景及俯視示意圖

4.2 實驗結(jié)果

4.2.1 靜態(tài)雜波濾除

圖5對比了靜態(tài)濾除前后的目標信息,圖中①④⑤為靜態(tài)雜波,②③為2個人體目標信息,其中,①為距離維的直流分量干擾,②③④⑤分別對應圖4(b)中的人體目標一、人體目標二、金屬貨架以及墻壁的位置。實驗結(jié)果表明,該方法可以有效地剔除靜態(tài)雜波干擾,保留目標信息。

圖5 靜態(tài)雜波濾除

4.2.2 改進的單元平均恒虛警檢測

圖6對比了傳統(tǒng)CA-CFAR算法和改進后的CA-CFAR算法多目標檢測效果。改進后的CA-CFAR算法檢測結(jié)果如圖6(b)所示,去除了圖6(a)中的目標距離單元附近的重復點。

圖6 兩種算法目標檢測效果對比

4.2.3 多目標相位提取

圖7(a)為2個不同目標提取到的未解纏繞時的相位信息,將其展開后得到圖7(b)的相位波形,接著進行相位差分,消除相位偏移,得到圖7(c)的多目標相位信息。

圖7 多目標相位提取

4.2.4 多目標呼吸和心跳信號分離

通過帶通濾波后,分別得到2個目標的呼吸信號和心跳信號,如圖8所示。

圖8 多目標的呼吸及心跳信號

4.2.5 多目標心跳和呼吸頻率估算

對目標一的呼吸和心跳信號做FFT頻譜分析和AMPD算法有效峰值檢測,分別得到圖9、圖10所示結(jié)果,在該時間段內(nèi)目標的呼吸速率和心跳速率實際值分別為22 bpm和78 bpm。

圖9 呼吸及心跳信號頻譜圖

圖10 基于AMPD算法的有效峰值檢測

分析圖9(c)和圖9(d)中的幅頻特性曲線可知,呼吸頻率為0.34 Hz×60 s≈20 bpm,心率為1.42 Hz×60 s≈85 bpm,心跳頻譜中呼吸諧波干擾較大,影響真實心率的提取。

圖10(a)、10(b)中,在30 s的時間窗內(nèi),信號的采樣點數(shù)N為600,在利用AMPD算法進行頻率估計時,首先需計算呼吸和心跳信號峰值檢測的最大尺度λB、λH分別為19和7,由AMPD算法得到目標呼吸和心跳信號的有效波峰分別為11次和40次。值得注意的是,根據(jù)AMPD算法原理,由輸入信號計算得到的LMS矩陣中所有列元素全為1處所對應的列標為有效峰值點位置,信號首尾部分無法滿足該條件而存在峰值檢測盲區(qū),盲區(qū)具體長度為信號峰值檢測的最大尺度λ,但λ隨輸入信號的時序變化而變化。根據(jù)此時輸入的呼吸和心跳信號,AMPD算法波峰檢測的有效采樣點范圍分別為[λB,(N-λB)]和[λH,(N-λH)],故圖10(a)呼吸信號中最后一個不完整波形的波峰并未檢測。這就要求我們在使用AMPD算法時選取合適的時間窗,時間窗越長,信號累計的采樣點數(shù)越多,即可忽略此影響;但若時間窗過長,則會降低信號頻率檢測的速率。在本次實驗中選取的計算時間窗為30 s,即30 s計算一次心跳呼吸信號的速率,忽略有效波峰檢測范圍與實際時間窗誤差的影響,由式(11)計算可得呼吸速率為22 bpm,心跳速率為80 bpm。對比FFT頻譜分析算法可以看出,對于心跳呼吸這種非平穩(wěn)準周期信號,AMPD算法對信號具有良好的自適應性,無需調(diào)參;抗噪能力強,可以濾除無效波峰干擾,減少檢測誤差。

4.3 多場景驗證

為了研究本文方法在不同人數(shù)檢測場景下,呼吸心跳信號檢測的可行性和準確率,以及對比FFT、AMPD這兩種頻譜估計算法的性能。實驗驗證了3種場景下,連續(xù)180 s內(nèi)的心跳呼吸實時檢測結(jié)果。

4.3.1 單個目標測試結(jié)果

在圖4(a)中的單目標測試場景下,測得目標呼吸速率實際值為19 bpm,心率實際值為78 bpm;雷達的實時檢測結(jié)果如圖11所示,呼吸速率檢測誤差保持在±1 bpm,心率檢測誤差保持在±3 bpm。

圖11 場景一測試結(jié)果

4.3.2 雙目標測試結(jié)果

圖12中顯示的是雷達在圖4(b)中雙目標測試場景下的呼吸速率和心跳速率實時檢測結(jié)果,實驗表明本文方法能夠有效地檢測到2個目標的心跳和呼吸,二者呼吸速率檢測誤差保持在±2 bpm,心率檢測誤差保持在±5 bpm。

圖12 場景二測試結(jié)果

4.3.3 3個目標測試結(jié)果

在圖4(c)中場景下,雷達對3個目標進行心跳、呼吸的實時檢測,結(jié)果如圖13所示。在檢測過程中,雖然結(jié)果波動變大,但是呼吸速率檢測誤差任保持在±2 bpm,心率檢測誤差保持在±6 bpm。

圖13 場景三測試結(jié)果

4.3.4 多組實驗誤差統(tǒng)計與分析

重復上述3個測試場景,分別用FFT頻譜分析法以及AMPD算法估算180 s內(nèi)呼吸速率、心率,并將實時檢測結(jié)果的平均值與實際值對比,記錄數(shù)據(jù)如表2所示。

表2 多組實驗的呼吸速率、心率檢測結(jié)果及誤差

從上述的實驗結(jié)果分析,本文介紹的算法流程可以實現(xiàn)不同場景的多目標心跳呼吸信號檢測,驗證了算法的可行性與實時性。另外,本文所運用的AMPD算法相較于傳統(tǒng)的FFT頻譜分析法,呼吸速率和心率檢測的平均誤差率分別降低了3.67%和3.31%,并保持呼吸檢測誤差在±2 bpm以內(nèi),心跳檢測誤差在±6 bpm以內(nèi),驗證了算法的準確性。同時,對比來看,檢測時目標越少,相互干擾越低,檢測精度越高;目標離雷達徑向距離越近,反射信號的能量強度越高,檢測精度越高。

5 結(jié) 論

為了解決多目標場景下雷達生命體征檢測中所存在的多個人體目標檢測與干擾濾除以及心跳信號干擾濾除等難題,本文提出了1種基于FMCW雷達的多目標生命體征信號檢測方法,實現(xiàn)了多目標生命體征檢測。

實驗結(jié)果分析表明:該方法中的靜態(tài)濾除算法以及改進的CA-CFAR算法解決了多目標檢測過程中的靜態(tài)雜波干擾、目標位置重復檢測等問題;其中的AMPD算法能夠濾除心跳信號中的無效波峰,相較于常用的頻譜分析估算方法能更準確地估算呼吸和心跳速率;不同場景的測試結(jié)果驗證了該方法的可行性和準確性。