基于调频连续波雷达的多目标生命体征实时检测*

吴志军， 韦金宜， 黄李波， 白 傑

(同济大学 汽车学院，上海 201804)

0 引 言

非接触式生命体征检测无需与被测目标发生物理接触，可探测远距离目标，不仅避免了繁琐的线束和电极的束缚，拓宽了应用范围，还可以避免被测目标在受检过程中产生心理压力，使检测结果更加真实情况，在家庭与医疗健康监护、驾驶员生命状态监控等方面有着广泛的应用。

相较于无法测距且易受周围运动物体的回波干扰的单频连续波(continous wavelet,CW)雷达、受限于脉冲宽度和信号强度且结构复杂的超宽带(ultra wide band,UWB)雷达等各种其他体制与结构的雷达系统，调频连续波(frequency modulated continous wave,FMCW)雷达易于调制，带宽大，分辨率高，发射功率较低且信号处理流程简单，具有不可替代的优势。

传统的生命体征检测通常仅针对静态单目标，如连续小波变换(continuous wavelet transform，CWT)与经验模态分解(empirical mode decomposition，EMD)。CWT依赖于基函数，无论是在时间上还是频率上的分辨率都很有限[1]。文献[2]首次将基于EMD的多普勒雷达数据分析方法成功应用于人类受试者的心脏和呼吸速率检测，但EMD存在端点效应、本征模函数筛分迭代停止的标准制定和模态混叠这三大问题，分解结果易受呼吸和心脏谐波的影响。

多目标生命体征检测方面的研究目前很少有人涉足，且国内外的相关研究文献非常少。文献[3]提出变分模态分解(variational mode decomposition，VMD)的方法，但只能检测呼吸率，无法提取微弱的心跳信号频率。此外，还有采用自注入锁定雷达、互注入锁定波束扫描阵列以及双波束混合多普勒雷达的多种多目标生命体征检测方法[4]，但这些方法的原理以及依赖的雷达系统结构都十分复杂，成本昂贵且耗时严重。

本文基于FMCW雷达开发了低成本多目标生命体征实时检测系统。采用动目标显示(moving target indication,MTI)与多次滤波提高原始信号信噪比(signal-to-noise ratio,SNR)，基于单元平均恒虚警(cell averaging constant false alarm rate,CA-CFAR)自适应检测门限与最小间距阈值实现多目标检测，通过目标轨迹跟踪有效提取多个目标的相位，并给出信号处理与频谱分析方法，保证准确性的同时提高了计算效率。

1 雷达系统原理

FMCW雷达系统连续发射线性调频脉冲信号为s(t)

(1)

式中fc为起始频率，B为调制带宽，T为线性脉冲信号持续时间。

对于距离雷达系统R处的单一目标，接收电磁波并反射回波，由于电磁波在雷达与目标之间传播而产生td的时延，雷达接收到的回波信号r(t)可表示为

(2)

td=2R/c

(3)

将s(t)与r(t)进行混频得到拍频信号b(t)

(4)

(5)

Δφb=4π/λΔR/λ

(6)

可以看出拍频信号的相位部分φb与目标径向距离R呈线性关系，源自目标的极为微小的位移便会引起相位较大的变化，中频信号的相位变化可以很好描述源自被测目标的微小位移。

对于多个目标的生命体征检测场景，雷达系统会接收源自多个目标的回波信号，此时拍频信号如式(7)

(7)

式中num为探测环境当中的目标总数目，fbi,φbi分别为第i个目标的拍频信号分量的频率与相位。跟踪num个目标所在的距离单元，提取连续n次慢采样的相位，得到多个目标生命信号的离散形式

(8)

上述生命信号包含心跳信号、呼吸信号与环境噪声，将心跳与呼吸信号近似为呈周期性变化的正弦波信号，假设其具有稳定的频率，有

xi(t)=AHsin(2πfHt+φH)+ABsin(2πfBt+φB)+z

(9)

2 信号处理流程

基于上述原理以及建立的生命信号模型，后续的信号处理主要有回波预处理、目标检测与跟踪、生命体征信号提取分析三个步骤。

2.1 回波预处理

环境当中由金属材料制成或者具有尖角形状的静态物体会反射能量很强的回波信号，例如：桌角、金属门窗框等等，这些静态目标的回波信号能量强度甚至高于真实的待测目标，导致真实目标被淹没，目标检测出现严重误差，进而无法提取目标生命体征信号。

考虑到源自待测目标胸腔的起伏振动是随时间变化的信号，而环境当中静态目标的回波信号不随时间改变。采用MTI方法：取大小为n的滑窗，针对同一个距离单元计算连续n个慢采样点的平均值，作为该距离单元处的静态环境杂波分量；然后将滑窗内的全部慢采样数据减去该均平均值；对运算结果再次取平均值，作为当前时刻去除静态杂波分量的运算结果,如图1。

图1 MTI方法去除静态杂波前后的信号

由于检测环境当中存在一些背景噪声，再加上去除静态杂波过程中可能引入一些新的微小能量波动，对去除杂波后的回波数据进行指数加权平均与递推平均滤波，以提升回波信号的SNR。结果如图2所示,2 m之外的“微亮”区域已经基本消失，说明该区域范围内的大部分噪声已经被滤除。

图2 雷达回波经过滤波降噪后回波信号效果

2.2 目标检测与跟踪

基于分布式目标的雷达方程[5]，随着传播距离的增大，雷达电磁波的回波强度会显著衰减。距离雷达系统较近的目标回波能量高，距离维投影的幅值也高，而对于远处的目标，雷达回波能量已经显著衰减，距离维投影的幅值也会降低。如果采用固定的检测门限可能对于远处目标过高，而对于近处目标过低。为了解决这个问题，采用基于CA-CFAR自适应检测门限，根据采样数据附近杂波强度的变化，自动调节检测门限大小，从而实现检测概率的最大化并使虚警概率保持恒定[6]。

针对单目标、双目标以及三目标的实验场景，任意取某一时刻采集的回波数据基于CA-CFAR自适应门限进行多目标检测，检测结果如图3所示，其中虚线代表CA-CFAR检测门限，实线代表这一帧回波数据的距离维投影，黑色圆圈代表超过检测门限的采样点。可以看出，实线的峰值附近存在多个黑色圆圈，即同一个目标有可能产生多个超过检测门限的采样点。

图3 三种场景的CA-CFAR检测结果

这是由于被测目标属于体目标，接收到雷达电磁波的照射会产生多个反射点。同时，被测目标因心跳、呼吸引起胸腔的起伏振动，甚至带动腹部的起伏振动，即人体不同部位可能包含相同或者相似的生命体征振动信号。这些具有相似频率成分的回波信号强度也相近，分布在相邻的距离单元中，导致一个目标存在多个距离很近的采样点，甚至在距离维投影中形成多个峰值，如图4所示。

图4 某一帧距离维投影中的目标“分裂”情况

当目标静止不动时，通常源自目标胸部的雷达回波具有最大的能量值与最高的峰值。设定距离阈值D，当CA-CFAR检测门限之上的采样点距离小于D时，判定为同一个目标，并保留幅值峰值A更高的那一个。考虑到人体所占空间大小，本文将D取为15 cm。

当目标缓慢移动时，需要针对多个目标进行位置跟踪，并将源自不同目标的生命体征信息前后关联起来。考虑到计算效率与系统实时性的要求，采用基于加权欧氏距离相似性度量的最近邻关联(nearest neighbor data association，NNDA)算法与卡尔曼滤波(Kalman filtering，KF)状态估计。图5为多目标轨迹跟踪结果。

图5 多目标场景下的雷达回波距离维投影及移动轨迹跟踪结果

2.3 生命体征信号提取与分析

提取目标所在距离单元的相位信息，得到如图6(a)所示的波形。相位值介于[-π,π]之间，因此需要进行相位展开处理才能获得实际的胸腔振动情况。相位展开前、后的波形如图6所示。

图6 相位展开前、后的波形

为了进一步增强心跳信号并消除回波信号中的相位漂移，对相位展开后的波形进行差分处理。相位差分是通过不断将当前采样点展开相位与前一采样点做差实现的，图6(b)经过相位差分处理后的波形如图7(a)所示，周期性变化的规律更加直观，但仍然存在脉冲噪声。经脉冲滤波后得到图7(b)，幅值基本稳定在±0.4左右，信号整体波动的周期较为稳定。

图7 差分处理及去噪后波形

由于呼吸频率通常在0.1～0.6 Hz范围内，心跳频率通常在0.8～3.3 Hz范围内，采用IIR带通滤波初步分离呼吸信号与心跳信号，针对两组信号做快速傅里叶变换(fast Fourier translation，FFT)，根据其幅频特性曲线中的最大值即可判断主要频率成分，进而转换为呼吸率与心率。

如图8，呼吸频率为0.339 8 Hz×60≈20次/min，心率为1.339 Hz×60≈80次/min，与真实值相同。由于心跳信号通常较为微弱，再加上受到呼吸频率多次谐波以及环境噪声的影响，极有可能出现心跳真实频率处的幅值低于幅频特性曲线中其他频率处的幅值，因此引入自相关频谱分析方法。

图8 呼吸、心跳FFT结果

自相关方法(autocorrelation method)，通过计算采样信号与采样信号本身在不同采样时刻的互相关函数值，给出采样信号在不同时延下的采样点数值相关程度

(10)

式中N为输入待处理信号sn(x)的长度，sn(x)为带通滤波后包含心跳信号成分的时域信号片段，Δx为自相关间隔长度(也即时延)，Δx的取值范围Fs/fend～Fs/fstart,Fs为采样频率。根据最大值Rmax(Δxm)对应的时延Δxm可以获得信号的主要频率成分ftarget=Fs/Δxm。

如图9，采样频率Fs=20 Hz，横坐标为15时Rn(Δx)取最大值，可以推算出来频率ftarget=Fs/Δxm=20/15=1.333 Hz，对应的心率为80次/min，与FFT结果一致；同理，呼吸率为ftarget=Fs/Δxm=20/56=0.357 Hz，即21次/min，与真值20次/min的误差在允许范围内。

图9 心跳、呼吸信号自相关频谱分析方法的运算结果

FFT与自相关频率分析两种频谱估计方法各有优势与局限性，结合两种方法的置信度给出生命体征估计决策方案:对于呼吸频率：如果FFT方法的置信度超过阈值CFFT>Cthresh，且两种方法的估值之差小于阈值，即|BFFFT-BRcorr|Cthresh，且两种方法的估值之差小于阈值，即|HRFFT-HRcorr|

FFT置信度计算方法如式(11)，fpeak为目标所在距离门以及左右相邻的距离单元能量值加和，fpeak为整个信号段具有的总能量值，CFFT的计算方法类似于信噪比；自相关频率分析方法的置信度计算方法如式(12)，Rf_max(Δx)为自相关信号的最大值，Rf(0)为时延为0时自相关运算结果

CFFT=fpeak/(fsignal-fpeak)

(11)

Ccorr=Rf_max(Δx)/Rf(0)

(12)

3 实验结果

以图10所示的实验场景为例，目标轨迹跟踪结果如图5，生命体征的实时估计结果如图11。目标1距离雷达系统较近，呼吸率真值为20次/min，心率真值为80次/min，检测结果在目标位置发生移动时稍有偏差，但误差在1次/min以内；目标2距离雷达系统相对较远，呼吸率真值为22次/min，心率真值为73次/min，检测结果在目标移动时产生偏差，检测误差在±2次/min以内。经过多组相似场景的实验，检测误差保持在3次/min之内，可以验证本文提出的实时多目标生命体征检测方法的准确性与稳定性。

图10 非接触式生命体征检测实验场景

图11 双目标动态跟踪场景下生命体征检测结果

4 结 论

本文针对多目标场景，提出一种基于调频连续波雷达的非接触式生命体征检测方法。通过多组实验，验证了所提检测方法的实时性、稳定性与准确性。