一种基于连续波生物雷达的人体 步态非接触检测系统

王帅杰，李钊，张华，王梦梦，张自启，王健琪，路国华

第四军医大学 生物医学工程学院 医学电子学教研室，西安 陕西 710032

一种基于连续波生物雷达的人体 步态非接触检测系统

王帅杰，李钊，张华，王梦梦，张自启，王健琪，路国华

第四军医大学 生物医学工程学院 医学电子学教研室，西安 陕西 710032

人体步态是一个全身肌肉骨骼协调运行的复杂机制，具有特异性，可以作为身份判别或临床疾病诊断的依据。本文介绍了一种基于连续波生物雷达的人体步态非接触检测系统， 通过对人体走动时产生的雷达回波信号进行频谱分析，提取出人体步态信号的主要频率， 并与加速度传感器获得的数据进行相干分析。实验结果表明生物雷达可以非接触地检测到人体的步态信号，并与加速度检测和视频监测结果具有较好的一致性。

人体步态分析；生物雷达；非接触检测系统；频谱分析；相干分析；疾病诊断

引言

人体的探测识别主要是利用各种技术手段获得人体生理或行为特征，从而对个人身份进行鉴定[1]，在灾害救援、战场救护、反恐安保等方面具有广泛的应用前景。其他个人身份特征识别技术一般依靠指纹、虹膜以及人脸等，而步态检测无需受试者配合、不需要接触识别设备，具有非侵犯、容易采集、目标不易隐藏和伪装等优点[2-3]，因而受到国内外研究者的关注。目前，人体步态的非接触检测多采用光学图像、超声和生物雷达3种方式。基于光学图像的步态非接触检测技术包含目标追踪、视频获取、图像处理与识别等多项内容，首先对视频系统捕捉到的目标进行跟踪检测，并通过图像处理技术提取目标的步态信息，再与样本数据库中储存的数据进行比对，从而对目标进行分类与识别[4]。基于超声步态非接触检测利用机械波的多普勒效应，用频率极高的机械波照射运动人体，回波含有经过人体运动调制的多普勒信息，对回波进行信号处理，可以将人体运动的多普勒信息提取出来，进而确定人体步态参数[5-7]。以上两种步态非接触检测方式，都能够获取人体步态参数，但受光线、能见度、障碍物等外界因素影响较大[4-7]。基于生物雷达的人体步态信号非接触检测技术更具优势，主要表现在：不受光线影响，可全天候识别；可穿透衣物、伪装甚至墙壁；可在烟、尘、雾等能见度低的天气条件下使用等[8]。因此，基于生物雷达的人体步态非接触检测技术研究具有重要的研究意义。

目前，国内外对于人体步态非接触检测的研究主要利用超宽带生物雷达，连续波雷达使用较少。但连续波雷达的多普勒效应对于人体步态检测具有重要意义。Geisheimer等人利用一台10.5 GHz的连续波雷达来检测人体行走产生的微多普勒信号，并使用短时傅立叶变换与线调频小波变换（Chirplet Transform，CT）来对信号进行处理，从人体步态信号中获取了不同的特征[9]。Otero等详述了利用连续波雷达获取人走路时产生的多普勒特征信号，并利用傅立叶变换分析信号。这些关键特征信号在人类行走运动中具有代表性。他们针对不同性别的人进行了试验，并开发了一个简单的分类系统来进行识别[10]。Zhang将不同的时频分析方法应用于人体步态雷达回波多组分非平稳信号分析，并通过这些分析得到了人体步态时频特征，为今后的研究奠定了基础[11]。

1 材料与方法

1.1 实验对象与系统

1.1.1 实验对象

10名健康男性在知情同意的前提参加本研究，年龄22.0±2.0岁，所有实验对象在实验过程中尽量保持身体相对静止，避免体动干扰影响检测结果。

1.1.2 连续波生物雷达系统

利用连续波（Continuous-Wave，CW）生物雷达照射走动的人体目标，雷达回波信号被人体运动调制，使得回波信号包含了人体各部分微动调制产生的多普勒频率。天线接收回波信号后，利用信号处理技术，提取回波信号中的关键特征信号[12]。用于实验的CW雷达工作频率为10.4 GHz，系统的工作原理，见图1。

图1 基于生物雷达的人体步态非接触检测技术原理

1.1.3 加速度传感器

通过加速度传感器获取人体运动时手臂与胳膊的运动参数，以便与生物雷达获得的数据进行对比验证。因人体步态信号频率较低，低频（0～20 Hz）的加速度传感器即可满足要求。除此之外，加速度传感器按输出的不同还可分为模拟式和数字式两种。其中模拟式加速度传感器输出值为电压，体积较小；数字式加速度传感器集成了ADC电路，但体积偏大。综上，本实验采用低频、模拟式加速度传感器ADXL335。利用Biopac多通道生理信号采集系统将模拟信号转换为数字信号，以便于后期处理。加速度传感器在人体表面粘贴位置，见图2。

图2 加速度传感器在人体表面粘帖位置图

1.1.4 视频监控系统

视频监控系统被用来对人体目标进行观测，以确认人体目标的状态以及与生物雷达的相对位置关系。视频监控系统是由摄像、传输、控制、显示、记录5大部分组成。摄像机通过网线将视频图像传输到计算机，再对视频进行处理，并存档以便与步态数据进行对比。本实验采用2台海康威视1080p高清摄像头对人体目标进行记录，视频监控系统原理，见图3。

图3 视频监控系统原理图

1.2 数据处理方法

1.2.1 频谱分析

人体步态作为一种非平稳信号，具有明显的周期性。傅立叶变换（Fourier Transform，FT）是处理周期信号的常用方法。连续时间信号x(t)的傅里叶变换可以表示为：

式中计算出来的是信号x(t)的连续频谱。但是，在实际中能够得到的是连续信号x(t)的离散采样值x(nt)。因此需要利用离散信号x(nt)来计算信号x(t)的频谱。有限长离散信号x(n),n=0,1,…,N-1的离散傅立叶变换（Discrete Fourier Transform，DFT）定义为：

为了计算简便，采用与DFT等价的快速傅立叶变换（Fast Fourier Transformation，FFT）对滤波后的信号进行处理，可以得到信号的频谱图，以便进行频谱分析。

1.2.2 相干分析

平方相干估计是一个值介于0和1之间的频率函数，它通常被用来估计两组信号在每个频率上的一致性[13]。我们采用Welch’s重叠平均周期法计算信号x和y的功率谱密度为Pxx(f)和Pyy(f)，那么x和y的交叉功率谱密度Pxy(f)可由以下公式得到[14-15]：

使用Matlab进行相干分析，得到了两组信号在各个频率上的相干系数，画出频率—相干系数分布图。图中，x和y轴分别对应频率和相干系数，当两个信号在某种频率成分上具有较高的一致性时，曲线将出现极大值。

2 结果

2.1 人体步态信号非接触检测

实验中，锡箔纸被粘帖在人体四肢表面，以增强其雷达信号反射能力。生物雷达采样频率为1 kHz，人体步态信号通常在2 Hz以下，因此采用0.3～3 Hz的带通滤波器对信号进行预处理[16]。经过FFT频谱分析后，可得到信号频谱图，见图4。

2.2 人体步态信号检测对比结果

2.2.1 加速度传感器

加速度传感器x轴垂直于人体运动方向，y轴与人体运动方向保持水平，z轴与人体运动方向相同。人体面向生物雷达运动，生物雷达采集到的数据主要为与人体运动方向一致的z通道信号，故两者相干性最好。为防止其他加速度传感器带来的干扰，我们每次只采集生物雷达与一个加速度传感器的数据。由于手腕、手肘、膝盖以及脚踝部位的运动具有对称性，实验只分析一组传感器数据。加速度传感器在人体表面的分布，见图5。人体各部位加速度传感器信号与频谱分析，见图6。

通过图6中对比，可以发现，生物雷达获取的数据与加速度传感器得到的数据在频率上具有一致性。人体四肢的频率集中在0.7 Hz附近，也即人体四肢的步态频率约为0.7 Hz。躯干的频率集中在1.4 Hz附近，说明躯干的步态频率约为四肢的两倍，与理论上人体运动特征相符。

图7为两种信号的相干分析，可以发现，人体四肢的生物雷达信号与加速度传感器信号在0.6～0.8 Hz的频率范围内表现出了较高的相干性，即主要频率成分一致。与之前的信号频率成分分析结果一致，躯干的相干性表现在1.4 Hz附近，证明了躯干步态频率约为四肢的2倍。

2.2.2 视频监控系统

我们利用2个摄像机从实验目标的前后进行视频采集。视频监控系统摄像机分布，见图8。

视频监控系统记录了人体目标在生物雷达照射下的运动过程细节。通过视频记录，实验中的人体目标的运动频率约为0.7 Hz，与生物雷达和加速度传感器得到的数据一致。

图4 人体各部位生物雷达信号与频谱分析

图5 实验人体目标

3 结论与讨论

本文介绍了一种基于生物雷达的人体步态非接触检测系统，通过该系统获取了人体步态信号。信号经过滤波处理后，利用Welch’s重叠平均周期法计算信号的功率谱，发现了可能含有人体步态信息的信号频率。通过与加速度传感器获得的数据进行了对比，发现人体行走时四肢的步态信号频率约为0.7 Hz，躯干步态信号频率约为1.4 Hz。最后，视频监控系统验证了实验结论。

图6 人体各部位加速度传感器信号与频谱分析

目前，检测人体的步态信号主要采用加速度传感器和视频技术[4,17]。加速度传感器需要紧贴身体，不仅对人体产生较大的束缚，还容易受到佩戴位置、相对运动等影响，造成信号误差较大；视频技术采用高分辨率摄像头，能够动态地记录人体步态图像，但设备价格昂贵。本文提出的生物雷达系统，能够非接触地检测到人体的步态信号，拓展了生物雷达在医学领域的应用，在非接触检测人体呼吸信号的基础上增加了步态信号[18-19]。为了更准确地利用生物雷达检测到人体的步态信号，下一步的研究将主要集中在人体步态信号的提取方面，即如何从复杂的生物雷达多普勒回波信号中有效地检测到步态信号，采用传统的数字滤波技术容易造成步态信号损失，可以采用自适应谱线增强技术检测人体步态信号，抑制其他干扰信号。为了进一步验证步态信号的准确性，在采用加速度传感器和视频系统的基础上，还可以增加肌电信号检测，对生物雷达数据具有较高的参考价值。

图7 生物雷达与躯干加速度传感器频谱数据相干分析注：a.肘部；b.手腕；c.膝盖；d.脚踝；e.躯干。

图8 视频监控系统

在临床工作中，有很多疾病会造成人体下肢病变，引起步态变化。生物雷达可以对步态异常进行分类与量化，为分析病情、制定治疗方案提供参考。同时，步态分析还可记录病人步态参数，并与健康人的参数进行比对，从而对康复病人进行健康评定。此外，基于生物雷达的人体步态非接触检测技术可以在不对人体产生影响的情况下获取步态参数，可以为步态异常的基本过程和机制，以及关节、骨骼、肌肉等活动方式的医学研究提供便利。

[1]Chen VC,Ling H.Time-frequency transforms for radar imaging and signal analysis[M].Boston,United States:Artech House,Inc.,2002.

[2]路国华,王健琪,杨国胜,等.生物雷达技术的研究现状[J].国外医学:生物医学工程分册,2004,27(6):368-370.

[3]王健琪,薛慧君,吕昊,等.非接触生理信号检测技术[J].中国医疗设备,2013,28(11):5-8.

[4]Little J,Boyd J.Recognizing people by their gait: the shape of motion[J].Videre:J Comp Vis Res,1998,1(2):1-32.

[5]Kalgaonkar K,Raj B.Acoustic doppler sonar for gait recogination[A]. Advanced Video and Signal Based Surveillance[C].London,United Kingdom:IEEE,2007:1-6.

[6]Zhang Z,Pouliquen P,Waxman A,et al.Acoustic micro-Doppler gait signatures of humans and animals[A].41st Annual Conference on Information Sciences and Systems[C].Baltimore,United States:IEEE,2007:627-630.

[7]Zhang Z,Pouliquen PO,Waxman A,et al.Acoustic micro-Doppler radar for human gait imaging[J].J Acoust Soc Am,2007,121(3):110-113.

[8]Mobasseri BG,Amin MG.A time-frequency classif er for human gait recognition[A].SPIE Defense,Security,and Sensing[C]. Florida,United States: International Society for Optics and Photonics,2009:1-9.

[9]Geisheimer JL,Marshall WS,Greneker E.A continuouswave (CW) radar for gait analysis: Signals[A].35th Asilomar Conference on Signals,Systems & Computers[C].Pacific Grove,United States: IEEE,2001:834-838.

[10]Otero M.Application of a continuous wave radar for human gait recognition[A].Signal Processing,Sensor Fusion,and Target Recognition[C].Orlando,United States: International Society for Optics and Photonics,2005:538-548.

[11]Zhang J.Basic gait analysis based on continuous wave radar[J].Gait & Posture,2012,36(4):667-671.

[12]Qi F,Li C,Wang S,et al.Contact-Free Detection of Obstructive Sleep Apnea Based on Wavelet Information Entropy Spectrum Using Bio-Radar[J].Entropy,2016,18(8):306.

[13]Kay SM.Modern spectral estimation[M].London,United Kingdom: Prentice Hall,1988.

[14]Rabiner LR,Gold B.Theory and application of digital signal processing[J].Proc IEEE,1975,63(11):1631.

[15]Welch PD.The use of fast Fourier transform for the estimation of power spectra: A method based on time averaging over short,modifed periodograms[J].IEEE Trans Audio Electroacoust, 1967,15(2):70-73.

[16]Tahmoush D,Silvious J.Radar micro-doppler for long range frontview gait recognition[A].Biometrics: Theory,Applications,and Systems,2009.BTAS’09.IEEE 3rd International Conference[C]. Washington,DC,United States: IEEE,2009:1-6.

[17]Shim ada Y,Ando S,Matsunaga T,et al.Clinical application of acceleration sensor to detect the swing phase of stroke gait in functional electrical stimulation[J].Tohoku J Exp Med,2005, 207(3):197-202.

[18]张华,孙 娜娜,张鹏飞,等.雷达式非接触检测中呼吸和心跳信号分离算法的研究[J].中国医疗设备,2013,28(11):9-11.

[19]胡冶,李川涛,祁富贵,等.非接触呼吸与心跳监护装置的研制[J].中国医疗器械杂志,2015,(4):244-248.

A New Approach for Human Gait Non-contact Detecting System Based on Continuous-wave Bio-radar

Human gait is a complex mechanism by which a variety of muscles and bones must work together in precise coordination to create characteristic human locomotion, which can be used as an identif cation or clinical gait characterization for detecting pathological conditions. This article introduced a non-contact detecting system for human gait based on continuous-wave bio-radar. Through spectrum analysis of the radar echo signal generated during human walking, main frequency of the human gait signal was extracted. Correlation analyses were made with the data obtained from the acceleration sensor. Experimental results show that the bio-radar can detect the gait signal of human walking without contact, and has good consistency with the results of acceleration and video monitoring.

human gait analysis; bio-radar; non-contact detection system; spectrum analysis; correlation analysis; disease diagnosis

WANG Shuai-jie, LI Zhao, ZHANG Hua, WANG Meng-meng, ZHANG Zi-qi, WANG Jian-qi, LU Guo-hua
Department of Medical Electronics, School of Biomedical Engineering, the Fourth Military Medical University, Xi’an Shaanxi 710032, China

R318；TN957.51

A

10.3969/j.issn.1674-1633.2016.12.006

1674-1633(2016)12-0026-05

2016-09-20

2016-10-08

国家科技支撑计划课题（2014BAK12B01）； 国家自然科学基金面上项目（61271102）；陕西省自然科学基金面上项目（2014JM2-6087）

路国华，副教授。主要研究方向：人体生理信号非基础检测技术。

通讯作者邮箱：lugh1976@fmmu.edu.cn