基于能量聚焦和改進(jìn)變分模態(tài)分解的人體生命體征檢測(cè)算法

摘 要：針對(duì)調(diào)頻連續(xù)波（frequency modulated continuous wave，F(xiàn)MCW）雷達(dá)生命體征檢測(cè)在存在大規(guī)模的隨機(jī)人體運(yùn)動(dòng)場(chǎng)景中檢測(cè)準(zhǔn)確性過低的問題，提出了一種高精度的人體生命體征檢測(cè)算法。該算法首先通過能量聚焦選取胸部最佳距離窗，消除運(yùn)動(dòng)偽影的干擾；然后利用多項(xiàng)式擬合距離窗序列，消除距離窗的劇烈跳變，準(zhǔn)確提取相位信號(hào)；最后，通過基于自相關(guān)功率譜密度與加權(quán)排列熵的改進(jìn)變分模態(tài)分解（variational mode decomposition，VMD）算法去除相位信號(hào)中的大規(guī)模隨機(jī)人體運(yùn)動(dòng)成分，進(jìn)而可以精確估計(jì)出生命體征信號(hào)的呼吸速率（RR）和心率（HR）。使用77 GHz雷達(dá)模擬生活場(chǎng)景中存在大規(guī)模的隨機(jī)人體運(yùn)動(dòng)時(shí)的生命體征檢測(cè)實(shí)驗(yàn)中，盡管人體前后晃動(dòng)的幅度達(dá)到20 cm，RR和HR的估計(jì)精度依然可以達(dá)到97.7%和96.9%，與RETF-TVF-EMD算法對(duì)比，精度分別提高了5.2%和2.7%，與IAP-VMD算法對(duì)比，精度分別提升了14.3%和7.9%，實(shí)驗(yàn)結(jié)果證明該算法能夠精確估計(jì)大規(guī)模的隨機(jī)人體運(yùn)動(dòng)場(chǎng)景下的生命體征參數(shù)。

關(guān)鍵詞：調(diào)頻連續(xù)波（FMCW）雷達(dá)； 大規(guī)模隨機(jī)人體運(yùn)動(dòng)； 變分模態(tài)分解（VMD）； 最佳距離窗選擇

中圖分類號(hào)：TP957.51"" 文獻(xiàn)標(biāo)志碼：A

文章編號(hào)：1001-3695（2025）03-012-0735-07

doi：10.19734/j.issn.1001-3695.2024.08.0315

Algorithm for human vital sign detection based on energy focusing andimproved variational mode decomposition

Sun Xujie1，2， Huang Xiaohong1，2， Deng Zhenmiao3

（1.College of Artificial Intelligence， North China University of Science amp; Technology， Tangshan Hebei 063210， China; 2.Hebei Provincial Key Laboratory of Industrial Intelligent Perception， Tangshan Hebei 063026， China; 3.Sun Yat-sen University， Guangzhou 510275， China）

Abstract：This paper proposed a high-precision algorithm to improve detection accuracy for human vital sign monitoring using FMCW radar in environments with extensive random body movement. The algorithm initially selected the optimal chest distance window by focusing energy， effectively eliminating motion artifacts. It then applied polynomial fitting to the distance window sequence， reducing abrupt transitions and accurately extracting the phase signal. Finally， the improved VMD algorithm， which used autocorrelation power spectral density and weighted permutation entropy， removes large-scale random body motion components from the phase signal. This approach accurately estimated vital signs such as respiratory rate（RR） and heart rate（HR） . Experiments using a 77 GHz radar in scenarios simulating significant random body movements demonstrate that， even with a displacement amplitude of up to 20 cm， the method achieves RR and HR estimation accuracies of 97.7% and 96.9%， respectively. The accuracy improves by 5.2% and 2.7% over the RETF-TVF-EMD algorithm， and by 14.3% and 7.9% over the IAP-VMD algorithm. The experimental results demonstrate that the algorithm in this paper can accurately estimate vital sign parameters in scenarios involving large-scale random human body movements.

Key words：frequency modulated continuous wave（FMCW） radar; large-scale random body motion; variational mode decomposition（VMD）; best distance window selection

0 引言

檢測(cè)人體生命體征（如心率和呼吸頻率）是一種檢測(cè)患者病情是否惡化的常規(guī)做法，生命體征的變化可以揭示許多嚴(yán)重疾病的存在［1］。隨著人口老齡化水平越來越高［2］，能夠進(jìn)行居家長時(shí)間健康監(jiān)測(cè)的非接觸式監(jiān)測(cè)設(shè)備有著巨大的發(fā)展前景。

在非接觸式設(shè)備中，調(diào)頻連續(xù)波雷達(dá)有著結(jié)構(gòu)簡(jiǎn)單、探測(cè)距離長、探測(cè)靈敏度高、抗干擾能力強(qiáng)等優(yōu)點(diǎn)［3］。在過去幾十年中，學(xué)者們?cè)诨贔MCW雷達(dá)的生命體征檢測(cè)領(lǐng)域進(jìn)行了大量的研究，文獻(xiàn)［4］中提出了一種基于變分模態(tài)分解的FMCW雷達(dá)生命體征信號(hào)提取方法實(shí)現(xiàn)呼吸與心跳信號(hào)精確提取。文獻(xiàn)［5］中提出了一種基于Hampel濾波和離散小波變換的人體心率信號(hào)檢測(cè)方法，用于減小人體靜坐時(shí)的隨機(jī)抖動(dòng)對(duì)相位信號(hào)的影響，從而提取精確呼吸心跳頻率。文獻(xiàn)［6］中提出了一種新型的非接觸式床上雷達(dá)呼吸監(jiān)測(cè)系統(tǒng)，設(shè)計(jì)了一種簡(jiǎn)化的軀干模型和基于模式分解的呼吸重建方法，用于提取非平穩(wěn)呼吸運(yùn)動(dòng)信息。目前大多數(shù)研究中，無論人體處于何種姿勢(shì)，受試者都被要求保持靜止。這么做有助于鎖定受試者的胸部距離單元，從而提高測(cè)量準(zhǔn)確度。因?yàn)樵谶@種情況下，距離窗的選擇將會(huì)變得簡(jiǎn)單，僅僅通過尋找距離維功率峰值的方法就能找到胸部表面所在的最佳距離倉［7］。此外，一旦最佳距離倉被選定，那么在整個(gè)實(shí)驗(yàn)期間就無須再次進(jìn)行檢測(cè)。然而，靜止時(shí)的距離窗選擇方法存在局限性，一旦人體存在較大的隨機(jī)運(yùn)動(dòng)，人體胸部表面可能會(huì)偏離已經(jīng)選定的距離窗，來到其他距離窗內(nèi)，這時(shí)提取選定距離窗內(nèi)的相位就會(huì)無法得到正確的胸部位移信息。因此，保持靜止?fàn)顟B(tài)作為測(cè)量的前提限制了基于雷達(dá)的生命體征監(jiān)測(cè)系統(tǒng)的發(fā)展和應(yīng)用前景。在居家環(huán)境中，人體不可能一直處于靜止?fàn)顟B(tài)，會(huì)經(jīng)常性發(fā)生幅度大于呼吸心跳引起的胸部起伏幾十至上百倍的大規(guī)模的隨機(jī)運(yùn)動(dòng)［8］。如今，迫切需要一種算法能夠準(zhǔn)確測(cè)量大規(guī)模隨機(jī)人體運(yùn)動(dòng)下的生命體征。

對(duì)于距離窗進(jìn)行實(shí)時(shí)選擇能夠克服上述局限，然而，單一選取距離維功率峰值的方法無法滿足存在較大隨機(jī)人體運(yùn)動(dòng)下的實(shí)時(shí)距離窗選擇。首先需要說明的是，存在隨機(jī)人體運(yùn)動(dòng)時(shí)，受到身體各個(gè)部位運(yùn)動(dòng)的影響，雷達(dá)的距離時(shí)間圖中會(huì)產(chǎn)生運(yùn)動(dòng)偽影，這種明顯的偽影會(huì)干擾最佳距離窗的選?。?］。其次，當(dāng)人體運(yùn)動(dòng)時(shí)，人體對(duì)于電磁波的反射會(huì)受到運(yùn)動(dòng)的影響，使得功率最大的距離窗口產(chǎn)生了越過相鄰距離窗的跳變，這時(shí)僅通過距離窗內(nèi)功率的大小作為最佳距離窗選取的條件對(duì)于運(yùn)動(dòng)的速度與幅度較小的隨機(jī)人體運(yùn)動(dòng)來說顯然是不合常理的。

為了解決這一問題，文獻(xiàn)［10］中提出了一種利用兩個(gè)雷達(dá)天線進(jìn)行目標(biāo)跟蹤和消除隨機(jī)人體運(yùn)動(dòng)的算法，但是其在發(fā)生大規(guī)模隨機(jī)人體運(yùn)動(dòng)時(shí)只進(jìn)行目標(biāo)跟蹤，這可能導(dǎo)致無法積累足夠的數(shù)據(jù)進(jìn)行呼吸與心跳頻率的估計(jì)。文獻(xiàn)［11］中將隨機(jī)人體運(yùn)動(dòng)分成了三類，并分別對(duì)每類情況進(jìn)行分析，距離窗內(nèi)的運(yùn)動(dòng)通過能量閾值進(jìn)行抵消或丟棄數(shù)據(jù)，距離窗外的運(yùn)動(dòng)通過跟蹤距離窗進(jìn)行抵消。然而，作者對(duì)于距離窗的跟蹤方法較為簡(jiǎn)單，這往往會(huì)導(dǎo)致距離窗跟蹤誤差，從而出現(xiàn)提取的相位產(chǎn)生更大誤差的問題。

此外，從得到的相位中提取呼吸和心跳信號(hào)的方法有很多，如帶通濾波、小波變換和模態(tài)分解等［12～16］。然而，呼吸信號(hào)的高次諧波與心跳信號(hào)的頻譜范圍可能會(huì)產(chǎn)生重疊，從而降低帶通濾波提取的心跳信號(hào)的信噪比。小波變換的方法提取呼吸心跳信號(hào)會(huì)受到小波基函數(shù)的影響，呼吸與心跳因人而異，需要手動(dòng)選擇合適的小波基是該方法存在的缺陷。模態(tài)分解存在著模態(tài)混合和端點(diǎn)效應(yīng)的問題。VMD是一種基于頻率的完全非遞歸的信號(hào)分解算法，可以在一定程度上克服模態(tài)分解算法的諸多缺點(diǎn)，在許多之前的研究工作中已經(jīng)被用到，但這些研究主要著重于對(duì)心跳信號(hào)與呼吸諧波之間的分離，對(duì)于大規(guī)模隨機(jī)人體運(yùn)動(dòng)干擾消除的效果并不理想［4，17，18］。

近些年，許多研究都致力于解決上述問題，文獻(xiàn)［19］中提到的利用魯棒增強(qiáng)趨勢(shì)濾波（RETF）算法和基于時(shí)變?yōu)V波器的經(jīng)驗(yàn)?zāi)B(tài)分解（TVF-EMD）算法獲取人體生命體征的方法成功地提取到了存在大規(guī)模隨機(jī)人體運(yùn)動(dòng)干擾下的生命體征信號(hào)，但總體精度不高。文獻(xiàn)［20］中提到的利用改進(jìn)的自適應(yīng)參數(shù)變分模態(tài)分解（IAP-VMD）算法提取生命體征信號(hào)有著較高的精度，然而其方法只適用于存在較小幅度的隨機(jī)人體運(yùn)動(dòng)場(chǎng)景。

針對(duì)上述問題，本文提出了一種基于能量聚焦和改進(jìn)VMD的人體生命體征檢測(cè)算法。該方法通過能量聚集和多項(xiàng)式擬合來確定隨機(jī)人體運(yùn)動(dòng)中不斷變化的人體胸部最佳距離窗，并且通過兩次基于自相關(guān)功率譜密度與加權(quán)排列熵改進(jìn)的VMD算法對(duì)提取的相位信息進(jìn)行分解與重構(gòu)，實(shí)現(xiàn)處于大規(guī)模隨機(jī)人體運(yùn)動(dòng)干擾下的精確生命體征信號(hào)提取。

1 基于FMCW雷達(dá)的生命體征檢測(cè)原理

1.1 大規(guī)模人體隨機(jī)運(yùn)動(dòng)影響下的生命體征信號(hào)模型

在靜息狀態(tài)下，一個(gè)成年人的呼吸頻率在每分鐘12～25次，心跳頻率在每分鐘60～100次［21］，如表1所示。當(dāng)成年人在靜息狀態(tài)下長時(shí)間呼吸頻率小于每分鐘10次時(shí)，可以認(rèn)定為呼吸過緩，大于每分鐘24次時(shí)，可以認(rèn)定為呼吸急促。心跳頻率小于每分鐘60次，可以認(rèn)定為心跳過緩，大于每分鐘100次，可以認(rèn)定為心率過速。

2 大規(guī)模隨機(jī)人體運(yùn)動(dòng)影響下的生命體征提取

2.1 大規(guī)模隨機(jī)人體運(yùn)動(dòng)影響下生命體征檢測(cè)流程

本文提出的大規(guī)模隨機(jī)人體運(yùn)動(dòng)影響下的生命體征檢測(cè)流程如圖2所示。首先將雷達(dá)回波數(shù)據(jù)進(jìn)行距離維FFT處理，得到雷達(dá)距離時(shí)間圖，然后根據(jù)雷達(dá)距離時(shí)間圖的結(jié)果進(jìn)行最佳距離窗選擇，之后從提取到的最佳距離窗序列中進(jìn)行雷達(dá)回波數(shù)據(jù)的相位提取與相位解纏繞，最后通過改進(jìn)的VMD算法對(duì)相位信號(hào)進(jìn)行分解與重構(gòu)，最終得到的生命體征信號(hào)將進(jìn)行呼吸心跳頻率的估計(jì)。

2.2 基于能量聚集和多項(xiàng)式擬合的最佳距離窗選擇與相位提取

雷達(dá)回波數(shù)據(jù)順著快時(shí)間維進(jìn)行距離維FFT，可以得到如圖3所示的橫坐標(biāo)為距離、縱坐標(biāo)為慢時(shí)間的雷達(dá)距離時(shí)間圖。當(dāng)雷達(dá)參數(shù)固定后，雷達(dá)的距離分辨率，即每個(gè)距離窗單元的長度也隨之固定。相位的提取就發(fā)生在人體胸部表面處于的距離窗單元內(nèi)［23］。

本文提出了一種基于能量聚焦和多項(xiàng)式擬合的最佳距離窗選擇方法，用于存在較大隨機(jī)人體運(yùn)動(dòng)下的實(shí)時(shí)距離窗選擇問題。能量聚焦技術(shù)利用了距離時(shí)間圖中人體胸部存在一定的厚度，因此產(chǎn)生的回波能量會(huì)分散在胸部所在的幾個(gè)相鄰的距離窗內(nèi)，而其余距離倉內(nèi)沒有目標(biāo)只有噪聲和運(yùn)動(dòng)偽影影響，其能量會(huì)陡峭下降的原理。將人體胸部所處距離窗內(nèi)的能量進(jìn)行聚集，再進(jìn)行最佳距離窗的選擇，這樣可以大大減少由于隨機(jī)人體運(yùn)動(dòng)產(chǎn)生的信號(hào)噪聲與運(yùn)動(dòng)偽影的影響。

具體方法如圖4所示。當(dāng)人體按照v的速度隨著時(shí)間t進(jìn)行大規(guī)模隨機(jī)人體運(yùn)動(dòng)時(shí)，首先通過能量聚焦技術(shù)，選擇合適的距離窗單元。將雷達(dá)矩陣進(jìn)行距離維FFT，得到了N×M大小的距離維慢時(shí)間維矩陣A，能量聚焦具體表達(dá)式如下：

E（n，m）=∑n+k-1i=ne（i，m）=∑n+k-1i=np2（i，m）

（8）

k=「RchestRres

（9）

Ej（m）=max（{E（i，m）}Ni=1）

（10）

其中：E（n，m）為A中第m個(gè)慢時(shí)間維上第n個(gè)距離窗的能量聚焦值；e為當(dāng)前距離窗的能量幅度；p為當(dāng)前距離窗的功率幅度；k為進(jìn)行能量聚焦的距離窗數(shù)量；Rchest為胸部厚度；Rres為距離窗長度；「符號(hào)為向上取整;Ej（m）為第m個(gè)慢時(shí)間維上最大的能量聚焦值；j為第m個(gè)慢時(shí)間維上最大的能量聚焦值所對(duì)應(yīng)的距離窗索引；D=［d1，d2，…，dM］為每個(gè)慢時(shí)間點(diǎn)選取的最佳距離窗組成的距離窗序列；dm為第m慢時(shí)間下最大的能量聚焦值所對(duì)應(yīng)的距離窗索引值j。

在通過能量聚焦選取了距離窗序列D后，本文通過基于最小二乘法的多項(xiàng)式擬合方法進(jìn)一步消除隨機(jī)人體運(yùn)動(dòng)對(duì)距離窗的精確選取產(chǎn)生的影響。利用多項(xiàng)式擬合消除距離窗序列D中跳變的部分，進(jìn)一步平滑隨機(jī)人體運(yùn)動(dòng)導(dǎo)致的距離窗變化，得到多項(xiàng)式擬合后的序列DFIT，擬合后的序列更加符合隨機(jī)人體運(yùn)動(dòng)速度平緩的特點(diǎn)。

當(dāng)距離窗序列確定后，進(jìn)一步將A中對(duì)應(yīng)距離窗內(nèi)的復(fù)信號(hào)的相位提取出來，通過反正切函數(shù)對(duì)距離窗序列中的復(fù)信號(hào)進(jìn)行處理，計(jì)算其相位值。反正切函數(shù)表達(dá)式為

通過反正切函數(shù)計(jì)算出的相位處于［-π，π］，會(huì)出現(xiàn)相位變化后大于π或小于-π被翻折的情況，因此需要對(duì)得到的相位進(jìn)行相位解纏繞。由于解纏繞后的相位信號(hào)與胸部位移可以線性表示，可以直接對(duì)提取的相位信號(hào)進(jìn)行處理，得到所需的生命體征信號(hào)。

2.3 基于自相關(guān)功率譜密度與加權(quán)排列熵的改進(jìn)VMD進(jìn)行大規(guī)模隨機(jī)人體運(yùn)動(dòng)干擾消除

實(shí)際上，通過相位解纏繞提取的相位不光包含呼吸和心跳信號(hào)，還包含了隨機(jī)人體運(yùn)動(dòng)的影響，如圖5所示，大規(guī)模隨機(jī)人體運(yùn)動(dòng)嚴(yán)重改變了相位信號(hào)的幅值。如何消除這種影響，提取較為干凈的生命體征信號(hào)迫切需要研究。

為此，本文提出了一種基于自相關(guān)功率譜密度與加權(quán)排列熵所改進(jìn)VMD算法來對(duì)得到的相位信號(hào)進(jìn)行處理，進(jìn)而消除大規(guī)模隨機(jī)人體運(yùn)動(dòng)對(duì)于生命體征提取的干擾，算法流程如圖6所示。由于大規(guī)模隨機(jī)人體運(yùn)動(dòng)是人體無意識(shí)的自發(fā)行為，所以雷達(dá)采集到的大規(guī)模隨機(jī)人體運(yùn)動(dòng)信號(hào)有著無法預(yù)測(cè)的特點(diǎn)，屬于一種隨機(jī)信號(hào)。對(duì)于隨機(jī)信號(hào)進(jìn)行FFT，其結(jié)果是不收斂的，因此無法得到準(zhǔn)確的頻率譜結(jié)果，引入自相關(guān)功率譜密度可以更好地對(duì)提取的相位信號(hào)進(jìn)行頻率成分的分析。

首先，對(duì)相位信號(hào)進(jìn)行模態(tài)數(shù)量為K1的VMD分解，然后計(jì)算每一個(gè)固有模態(tài)函數(shù)（intrinsic mode functions，IMF）信號(hào)的自相關(guān)功率譜密度函數(shù)，獲得每個(gè)IMF信號(hào)功率隨頻率分布的信息，選擇合適的頻率作為閾值，自相關(guān)功率譜密度函數(shù)峰值頻率低于閾值的分量認(rèn)為是大規(guī)模隨機(jī)人體運(yùn)動(dòng)成分，將其舍去。然后將去除隨機(jī)人體運(yùn)動(dòng)的主要成分的相位信號(hào)進(jìn)行相加重構(gòu)。重構(gòu)后的信號(hào)僅僅消除了大幅度隨機(jī)人體運(yùn)動(dòng)的主要成分，隨機(jī)人體運(yùn)動(dòng)中包含的與呼吸心跳信號(hào)頻率區(qū)間相近的部分并未消除。再次使用VMD算法對(duì)重構(gòu)信號(hào)進(jìn)行分解，選擇更大的模態(tài)數(shù)量K2，充分分解重構(gòu)信號(hào)，接下來對(duì)每一個(gè)信號(hào)進(jìn)行自相關(guān)功率譜密度的計(jì)算，最后通過其峰值頻率選擇部分IMF信號(hào)分量作為潛在呼吸信號(hào)成分與心跳信號(hào)成分，將兩者分別進(jìn)行加權(quán)排列熵的計(jì)算。

排列熵是一種檢測(cè)序列隨機(jī)性和動(dòng)力學(xué)突變行為的方法，考慮排列熵計(jì)算只保留了順序信息，而大多數(shù)序列的振幅信息在單獨(dú)提取序數(shù)結(jié)構(gòu)時(shí)可能會(huì)丟失，為了分辨呼吸心跳信號(hào)分量與大規(guī)模隨機(jī)人體運(yùn)動(dòng)信號(hào)分量，其功率譜密度函數(shù)峰值幅度信息十分重要，因此具有相同順序模式但振幅變化不同的短序列可能需要不同權(quán)重，使用改進(jìn)的加權(quán)排列熵有利于計(jì)算多分量信號(hào)的突變，從而更好地計(jì)算各個(gè)分量的排列熵值。加權(quán)排列熵的表達(dá)式如下：

PermEn（m，τ）=-∑Ll=1pl ln pl

（12）

其中：m為給定的維數(shù)；τ為給定的時(shí)間延時(shí)；L為出現(xiàn)的排序索引的數(shù)量；pl為第l個(gè)排序索引的概率。在計(jì)算相同排序的概率時(shí)，需要基于方差對(duì)此序列進(jìn)行加權(quán)。權(quán)重計(jì)算如下：

wl=1m∑mk=1（xl+（k-1）τ-Xm，τl）2

（13）

其中：x為序列的值。給定維數(shù)為m，抽樣率為τ，可以生成一組向量序列Xm，τ1，…，Xm，τN-（m-1）τ，Xm，τi={x（i），x（i+τ），…，x（i+（m-1）τ）}，1≤i≤N-（m-1）τ，τ∈Euclid ExtraeBp+。Xm，τl為Xm，τi的平均值。

由于呼吸信號(hào)與心跳信號(hào)均為周期信號(hào)，所以其自相關(guān)功率譜密度譜峰更為尖銳，功率譜密度函數(shù)的頻率成分更單一，而大規(guī)模隨機(jī)人體運(yùn)動(dòng)信號(hào)頻率成分復(fù)雜，譜峰較多，故而可以通過計(jì)算出分量中熵值最小的分量來分離呼吸信號(hào)與心跳信號(hào)與大規(guī)模隨機(jī)人體運(yùn)動(dòng)信號(hào)分量，從而可以代替手動(dòng)選取，自適應(yīng)地提取出較為干凈的生命體征信號(hào)。

3 實(shí)驗(yàn)

3.1 實(shí)驗(yàn)設(shè)置

3.1.1 實(shí)驗(yàn)設(shè)備

本研究使用德州儀器公司生產(chǎn)的IWR1843BOOST雷達(dá)模塊，其工作頻段為77 GHz～81 GHz。ADC采樣模塊使用的是德州儀器公司生產(chǎn)的DCA1000EVM采集板。IWR1843BOOST雷達(dá)具有三個(gè)發(fā)射天線和四個(gè)接收天線，其中兩個(gè)為水平角發(fā)射天線和一個(gè)俯仰角發(fā)射天線，如圖7所示。本文使用兩個(gè)水平角發(fā)射天線和四個(gè)接收天線進(jìn)行數(shù)據(jù)采集。數(shù)據(jù)采集時(shí)，使用DCA1000EVM采集板對(duì)采集的數(shù)據(jù)進(jìn)行ADC采樣，并通過速度為1 Gbps的以太網(wǎng)口實(shí)時(shí)流式傳輸?shù)絇C機(jī)上，傳輸?shù)臄?shù)據(jù)通過PC機(jī)上的MATLAB軟件進(jìn)行處理和可視化。此外，由于人體在實(shí)驗(yàn)中存在晃動(dòng)，無法使用醫(yī)用貼片式心電儀，實(shí)驗(yàn)選擇指夾式心跳脈搏檢測(cè)儀與智能手環(huán)作為參考設(shè)備。

3.1.2 實(shí)驗(yàn)環(huán)境

如圖8所示，實(shí)驗(yàn)場(chǎng)景選擇為一個(gè)較為空曠的房間內(nèi)，但房間內(nèi)依然有桌子和椅子等干擾物，待測(cè)人員坐在離雷達(dá)1.5 m處的椅子上，雷達(dá)置于距地面高0.6 m處，正對(duì)待測(cè)人員的胸部。

3.1.3 雷達(dá)參數(shù)

實(shí)驗(yàn)中的雷達(dá)參數(shù)選取如表2所示。

距離分辨率可以計(jì)算為

Rres=c2Be

（14）

其中：c為光速；Be為雷達(dá)有效帶寬，可以算出實(shí)驗(yàn)時(shí)雷達(dá)的距離分辨率為4.50 cm。

3.2 實(shí)驗(yàn)內(nèi)容與結(jié)果分析

3.2.1 實(shí)驗(yàn)內(nèi)容

實(shí)驗(yàn)包含8位受測(cè)人員A～H，他們的身高體重參數(shù)如表3所示。雷達(dá)的采集周期為128 s，數(shù)據(jù)觀測(cè)窗口設(shè)為20 s。如圖9所示，首先，每個(gè)受測(cè)人員分別坐在椅子上，先是進(jìn)行8 s的靜止，然后依次進(jìn)行前后幅度為20 cm的緩慢晃動(dòng)，以模仿日常生活中出現(xiàn)的人體大規(guī)模隨機(jī)運(yùn)動(dòng)，受測(cè)人員左手食指上佩戴著指夾式心跳脈搏檢測(cè)儀以獲得對(duì)照數(shù)據(jù)。每位受測(cè)人員均已同意接受此次實(shí)驗(yàn)。

3.2.2 實(shí)驗(yàn)結(jié)果分析

圖10為基于能量聚集和多項(xiàng)式擬合的最佳距離窗選擇結(jié)果，圖中紅色虛線圓圈標(biāo)記運(yùn)動(dòng)偽影導(dǎo)致的距離窗跳變（參見電子版）?？梢钥闯?，與文獻(xiàn)［7］中的通過距離維功率峰值選取的方法作對(duì)比，使用本文所提距離窗跟蹤方法所得到的距離窗序列跳變更少，能夠更加準(zhǔn)確地跟蹤到了每個(gè)慢時(shí)間點(diǎn)的人體胸部所在的距離單元。

圖11（a）為從本文距離窗跟蹤算法獲得的距離窗序列中提取到的相位信號(hào)，如實(shí)驗(yàn)結(jié)果所示，受到大規(guī)模隨機(jī)人體運(yùn)動(dòng)的影響，生命體征所引起的相位變化已經(jīng)被嚴(yán)重破壞。從圖11（b）可以看出，通過每20 s對(duì)其直接進(jìn)行帶通濾波和頻率分析后，無法得到精準(zhǔn)的呼吸與心跳頻率。從頻域上看，心跳信號(hào)的幅度遠(yuǎn)小于呼吸信號(hào)，這導(dǎo)致心跳信號(hào)往往更容易受到隨機(jī)人體運(yùn)動(dòng)的影響。

圖12（a）為將相位信號(hào)進(jìn)行第一次VMD分解后的結(jié)果，其中VMD算法的模態(tài)數(shù)量設(shè)置為5。如圖12（b）所示，計(jì)算每一個(gè)模態(tài)分量的自相關(guān)功率譜密度，可以得到，IMF4與IMF5的自相關(guān)功率譜密度峰值功率均小于0.2 Hz，在重構(gòu)時(shí)將其舍去。重構(gòu)后可以得到去除大規(guī)模人體隨機(jī)運(yùn)動(dòng)主要成分的相位信號(hào)。如圖12（c）所示，此時(shí)，通過每20 s對(duì)其進(jìn)行帶通濾波和頻率分析后可以看出，呼吸頻率能夠在存在一定噪聲干擾誤差的情況下獲取，但心跳信號(hào)由于幅度較低，依舊被淹沒在了噪聲中。

圖13（a）為第二次VMD分解后的相位信號(hào)，其中VMD算法的模態(tài)數(shù)量設(shè)置為15。計(jì)算每一個(gè)IMF分量的自相關(guān)功率譜密度后可以得到：IMF15、IMF14、IMF13的峰值頻率在0.2～0.8 Hz，將這三個(gè)分量認(rèn)定為潛在的呼吸信號(hào)成分；IMF3至IMF9的峰值功率在0.9～2.4 Hz，將這七個(gè)分量認(rèn)定為潛在的心跳信號(hào)成分。如表4所示，通過分別對(duì)潛在的呼吸信號(hào)成分和潛在的心跳信號(hào)成分進(jìn)行權(quán)重排列熵的計(jì)算，可以得到每個(gè)分量的排列熵值，其中加粗的值是潛在的呼吸信號(hào)成分和潛在的心跳信號(hào)成分中最小排列熵值，其對(duì)應(yīng)的IMF14與IMF7被分別認(rèn)為是所需的呼吸信號(hào)與心跳信號(hào)。再將這兩個(gè)分量進(jìn)行重構(gòu)，獲得較為干凈的生命體征信號(hào)。如圖13（b）所示，此時(shí)通過每20 s對(duì)重構(gòu)后的生命體征信號(hào)進(jìn)行帶通濾波和頻率分析后可以看出，在使用本文方法后，已經(jīng)可以得到準(zhǔn)確的呼吸與心跳信號(hào)。

圖14為將濾波后的原始相位信號(hào)、第一次改進(jìn)的VMD分解重構(gòu)后的相位信號(hào)和第二次改進(jìn)的VMD分解重構(gòu)的相位信號(hào)進(jìn)行對(duì)比?？梢钥闯觯瑢?duì)比于另外兩個(gè)相位信號(hào)，經(jīng)過二次改進(jìn)的VMD分解重構(gòu)的相位信號(hào)在時(shí)域上看，波形的突變和毛刺更少、更加平穩(wěn)，這是因?yàn)橥ㄟ^更準(zhǔn)確的頻率分析方法，和利用加權(quán)排列熵自適應(yīng)的選取呼吸與心跳信號(hào)分量，有效消除了隨機(jī)人體運(yùn)動(dòng)對(duì)于生命體征信號(hào)的影響。表5展示了使用本文最佳距離窗跟蹤方法與使用距離維功率峰值選取方法得到8位測(cè)試人員的呼吸心率估計(jì)結(jié)果。

從表5中的數(shù)據(jù)可以看出，使用距離維功率峰值選取方法得到的呼吸心率估計(jì)結(jié)果與參考值差距過大，可以認(rèn)定為距離維功率峰值選取方法無法在存在大規(guī)模隨機(jī)人體運(yùn)動(dòng)的場(chǎng)景下使用。而使用本文最佳距離窗跟蹤方法獲得的呼吸心率估計(jì)結(jié)果與參考值對(duì)比，平均準(zhǔn)確率分別可以達(dá)到97.6%和96.7%。這表明本文最佳距離窗跟蹤方法在存在大規(guī)模隨機(jī)人體運(yùn)動(dòng)的場(chǎng)景下具有魯棒性，能夠精確獲得正確的最佳距離窗跟蹤序列。

表6展示了本文呼吸心跳信號(hào)提取算法與RETF-TVF-EMD［19］和IAP-VMD［20］提取算法得到的8位測(cè)試人員呼吸心率提取結(jié)果。

表6中數(shù)據(jù)表明，受到大規(guī)模隨機(jī)人體運(yùn)動(dòng)的影響，RETF-TVF-EMD與IAP-VMD提取算法得到的呼吸心率提取結(jié)果誤差較大，RETF-TVF-EMD提取的呼吸心率的平均準(zhǔn)確率分別僅有92.5%和94.2%，IAP-VMD提取的呼吸心率的平均準(zhǔn)確率分別僅有83.4%和89.0%。而本文方法的平均準(zhǔn)確率可以達(dá)到97.7%和96.9%，心率的最大誤差值小于4 bpm，能夠得到準(zhǔn)確的心跳呼吸頻率。

4 結(jié)束語

為解決如何在大規(guī)模隨機(jī)人體運(yùn)動(dòng)影響下準(zhǔn)確提取生命體征（即呼吸和心跳頻率）問題，本文提出了一種基于能量聚集和多項(xiàng)式擬合的最佳距離窗選擇與基于自相關(guān)功率譜密度和加權(quán)排列熵改進(jìn)的VMD結(jié)合的人體生命體征檢測(cè)算法。通過最佳距離窗選擇實(shí)驗(yàn)結(jié)果可以得到，本文最佳距離窗選擇方法能夠在大規(guī)模隨機(jī)人體運(yùn)動(dòng)的影響下獲得正確的最佳距離窗。通過與RETF-TVF-EMD和IAP-VMD的估計(jì)結(jié)果進(jìn)行對(duì)比，本文的生命體征提取算法在受到大規(guī)模隨機(jī)人體運(yùn)動(dòng)的影響下可以做到估計(jì)的呼吸與心率準(zhǔn)確率達(dá)到97.7%和96.9%，要高于RETF-TVF-EMD的92.5%和94.2%，遠(yuǎn)高于IAP-VMD的83.4%和89.0%，這證明了本方法在存在大規(guī)模隨機(jī)人體運(yùn)動(dòng)場(chǎng)景下的有效性。然而，實(shí)際生活中人體四肢的晃動(dòng)是無法避免的，下一步計(jì)劃研究消除人體四肢大幅度晃動(dòng)對(duì)生命體征參數(shù)估計(jì)的影響。

參考文獻(xiàn)：

［1］Ludikhuize J， Smorenburg S M， de Rooij S E，et al. Identification of deteriorating patients on general wards; measurement of vital parameters and potential effectiveness of the modified early warning score［J］. Journal of Critical Care， 2012， 27（4）： 424.e7-424.e13.

［2］Fang E F， Xie Chenglong， Schenkel J A， et al. A research agenda for ageing in China in the 21st century： focusing on basic and translational research， long-term care， policy and social networks［J］. Ageing Research Reviews， 2020， 64： 101174.

［3］Wei Jinyi， Huang Libo， Tong Panpan， et al. Realtime multi-target vital sign detection with 79 GHz FMCW radar［C］//Proc of IEEE MTT-S International Wireless Symposium. Piscataway， NJ： IEEE Press， 2020： 1-3.

［4］屈樂樂， 劉淑杰， 楊天虹， 等. 基于VMD的調(diào)頻連續(xù)波雷達(dá)生命信號(hào)提?。跩］. 電訊技術(shù)， 2022， 62（5）： 612-618. （Qu Lele， Liu Shujie， Yang Tianhong， et al. Life signal extraction for FMCW radar based on VMD［J］. Telecommunication Engineering， 2022， 62（5）： 612-618.）

［5］孔維濤， 歐陽鋒， 張順生， 等. 基于DWT及Hampel濾波的心率檢測(cè)方法［EB/OL］. （2023-12-26）. https：//kns.cnki.net/kcms/detail/32.1353.TN.20231225.1038.002.html.

［6］ Zhai Qian， Han Xiangyu， Han Yi， et al. A contactless on-bed radar system for human respiration monitoring［J］. IEEE Trans on Instrumentation and Measurement， 2022， 71： 4004210.

［7］趙媛. 基于FMCW雷達(dá)的生命特征信號(hào)干擾抑制和提取技術(shù)研究［D］. 煙臺(tái)： 煙臺(tái)大學(xué)， 2023. （Zhao Yuan. Research on interference suppression and extraction technology of life characteristic signals based on FMCW radar［D］.Yantai： Yantai University， 2023.）

［8］Singh A， Rehman S U， Yongchareon S， et al. Multi-resident non-contact vital sign monitoring using radar： a review［J］. IEEE Sensors Journal， 2021， 21（4）： 4061-4084.

［9］Wang Guochao， Munoz-Ferreras J M， Gu Changzhan， et al. Application of linear-frequency-modulated continuous-wave（LFMCW） radars for tracking of vital signs［J］. IEEE Trans on Microwave Theory and Techniques， 2014，62（6）： 1387-1399.

［10］Mercuri M， Lorato I R， Liu Yaohong， et al. Vital-sign monitoring and spatial tracking of multiple people using a contactless radar-based sensor［J］. Nature Electronics， 2019， 2： 252-262.

［11］Shang Hui， Zhang Xiongkui， Ma Yihao， et al. Random body movement cancellation method for FMCW radar vital sign detection［C］//Proc of IEEE International Conference on Signal， Information and Data Processing. Piscataway， NJ： IEEE Press， 2019： 1-4.

［12］Arsalan M， Santra A， Will C. Improved contactless heartbeat estimation in FMCW radar via Kalman filter tracking［J］. IEEE Sensors Letters， 2020， 4（5）： 7001304.

［13］He Mi， Nian Yongjian， Liu Bingwen. Noncontact heart beat signal extraction based on wavelet transform［C］//Proc of the 8th International Conference on Biomedical Engineering and Informatics. Pisca-taway， NJ： IEEE Press， 2015： 209-213.

［14］Li Meiyu， Lin J. Wavelet-transform-based data-length-variation technique for fast heart rate detection using 5.8-GHz CW Doppler radar［J］. IEEE Trans on Microwave Theory and Techniques， 2018， 66（1）： 568-576.

［15］Sun Li， Huang Shuaiming， Li Yusheng， et al. Remote measurement of human vital signs based on joint-range adaptive EEMD［J］. IEEE Access， 2020， 8： 68514-68524.

［16］楊俊， 黃俊， 陶威. 基于FMCW雷達(dá)的自適應(yīng)生命信號(hào)提取方法［J］. 雷達(dá)科學(xué)與技術(shù)， 2022， 20（2）： 187-194，201. （Yang Jun， Huang Jun， Tao Wei. Adaptive vital signal extraction method based on FMCW radar［J］. Radar Science and Technology， 2022， 20（2）： 187-194，201.）

［17］安美晨， 王鵬， 蔡超， 等. 靜息態(tài)下基于變分模態(tài)分解的生命體征檢測(cè)［J］. 計(jì)算機(jī)工程與應(yīng)用， 2022， 58（9）： 288-293. （An Meichen， Wang Peng， Cai Chao， et al. Vital signs detection based on variational modal decomposition in resting state［J］. Computer Engineering and Applications， 2022， 58（9）： 288-293.）

［18］韓宇， 張興敢. 基于改進(jìn)變分模態(tài)分解的生命體征檢測(cè)［J］. 南京大學(xué)學(xué)報(bào)：自然科學(xué)版， 2022， 58（4）： 680-688. （Han Yu， Zhang Xinggan. Vital signs detection based on improved variational mode decomposition［J］. Journal of Nanjing University：Natural Science， 2022， 58（4）： 680-688.）

［19］Fu Shuai， Ling Ming， Li Zhenhua， et al. A new method for vital sign detection using FMCW radar based on random body motion cancellation［J］. Biomedizinische Technik Biomedical Engineering， 2023， 68（6）： 617-632.

［20］Qu Lele， Liu Chuyan， Yang Tianhong， et al. Vital sign detection of FMCW radar based on improved adaptive parameter variational mode decomposition［J］. IEEE Sensors Journal， 2023， 23（20）： 25048-25060.

［21］Wu Qisong， Mei Zengyang， Lai Zhichao， et al. A non-contact vital signs detection in a multi-channel 77 GHz LFMCW radar system［J］. IEEE Access， 2021， 9： 49614-49628.

［22］Li Changzhi， Lin J. Random body movement cancellation in Doppler radar vital sign detection［J］. IEEE Trans on Microwave Theory and Techniques， 2008， 56（12）： 3143-3152.

［23］Yang Xiufang， Jiao Zhen， Yang Yankang. Researchon linear demodu-lation method of Doppler radar vital signal［C］//Proc of IEEE International Conference on Electrical Engineering， Big Data and Algorithms. Piscataway， NJ： IEEE Press， 2022： 1381-1385.