CN117169846A

CN117169846A - Vmd融合ewt对复杂环境中生命体征的探测方法

Info

Publication number: CN117169846A
Application number: CN202311151273.1A
Authority: CN
Inventors: 张朝霞; 陈帅; 海泽瑞; 王丽春; 符文林; 霍泽; 沈志远
Original assignee: Taiyuan University of Technology
Current assignee: Taiyuan University of Technology
Priority date: 2023-09-07
Filing date: 2023-09-07
Publication date: 2023-12-05

Abstract

本发明涉及雷达探测技术领域，现有的雷达探测声明体征信号都是基于实验中的理想环境，并不适用于实际复杂环境的生命探测，本发明提供一种VMD融合EWT对复杂环境中生命体征的探测方法，构造回波能量等高线投影图，选取能量分布数列进行特征提取，利用变分模态分解VMD生命混合信号，并以自适应重构的方式重组呼吸信号和心跳信号，进行经验小波变换，使得获取的生命信号更加清晰准确，根据信噪比获取呼吸和心跳信号，本发明能够在复杂环境中准确地定位生命数据，更精确地确定生命体的位置，本发明能够在存在环境噪声的情况下，更好地抑制噪声对生命信号的干扰，从而提高了生命检测的可靠性和准确性。

Description

VMD融合EWT对复杂环境中生命体征的探测方法

技术领域

本发明涉及雷达探测技术领域，具体来说涉及一种VMD融合EWT对复杂环境中生命体征的探测方法。

背景技术

目前煤矿的救援主要依靠人员和救援犬来搜救被困者。然而，这些方法无法准确且快速的定位幸存者的位置，若使用生命探测雷达利用雷达原理实现非接触式生命实时探测和定位，可及时判断被困者的生命体征状态，由此可见，非接触式生命实时探测和定位在煤矿安全以及人员搜救方面有着非常重要的作用。此外，非接触式生命实时探测在防疫工作、传染病病房、烧伤病房、新生儿重症监护病房、老年人居家医疗等领域的应用同样备受关注。

在生命体征探测中，传感器通常使用的是可穿戴的，或者使用光学传感器，如摄像头。这些方法都有缺点，比如需要经常与主体接触，无法在主体不知情下探测，或者缺乏隐私。目前，很多研究者利用超宽带雷达现已可以对静态人体目标实现定位和生命体征信号的提取，利用MUSIC算法、经验模态分解(EMD)算法处理回波信号，但其中实验环境较为理想化，若环境复杂，此类算法则无法达到预期效果，所以亟待一种能够在复杂环境下(有障碍物、有路过行人)，实现人体的生命体征信号的提取的方法。

发明内容

本发明所要解决的技术问题是克服了在复杂环境下(有障碍物、有路过行人)定位生命数据不准确、获取的心跳和呼吸信号信噪比不高、忽视了环境噪声，隐私泄露等问题，提出变分模态分解融合经验小波变换实现复杂环境的生命探测雷达的探测方法。

为解决上述技术问题，本发明是采用如下技术方案实现的：

一种VMD融合EWT对复杂环境中生命体征的探测方法，包括以下步骤：

步骤1、通过超宽带雷达采集复杂环境情况下，被测人体反射的回波信号；

步骤2、对采集的回波信号进行预处理后，构造回波能量等高线投影图定位被测人体位置；

步骤3、从定位的被测人体位置的等高线投影图的数据中选取能量分布数列进行特征提取，获取生命混合信号；

步骤4、利用变分模态分解VMD生命混合信号，并以自适应重构的方式重组呼吸信号和心跳信号；

步骤5、将步骤4中以自适应重构的方式重组的呼吸信号和心跳信号进行经验小波变换EWT，并对重构的呼吸和心跳信号的频谱进行分割划分，并比较各个分量与进行EWT变换前的重构信号的相关系数，依据信噪比获取呼吸和心跳信号；

步骤6、利用快速傅里叶变换得到呼吸信号和心跳信号的频谱，计算出心率和呼吸速率。

进一步，步骤2中，对采集的回波信号进行运动滤波处理，滤除静态背景噪声。

进一步，步骤3中，利用主成分分析法处理数列生命数据，获取一维时域的生命混合信号。

进一步，步骤4中，以自适应重构的方式重组呼吸信号和心跳信号方法如下：

根据变分模态分解VMD分解得到K个固有模态分量IMF，每个固有模态分量IMF都有对应的中心频率CenFs输出，将满足心跳和呼吸频率范围的中心频率CenFs对应的IMF进行重构，呼吸信号x_rp(t)和心跳信号x_hb(t)表示为：

其中IMF_j(t)表示第j个固有模态分量IMF。

进一步，步骤5中，相关系数获取方法如下：

步骤5.1对输入信号进行小波分解，得到小波系数和小波基函数；

步骤5.2将小波系数按照大小排序，将排在前面的小波系数作为信号的高频成分；

步骤5.3对信号进行EMD分解，得到若干个IMF分量；

步骤5.4对每个IMF分量进行小波分解，得到IMF的小波系数和小波基函数；

步骤5.5将IMF的小波系数按照大小排序，将排在前面的小波系数作为IMF的高频成分；

步骤5.6对IMF的高频成分进行小波反变换，得到IMF的高频分量；

步骤5.7将IMF的高频分量与信号的高频分量相加，得到EWT的分解结果；

再比较各个IMF分量与输入信号即重构信号的相关系数，如下式：

选取其中相关系数最大的分量作为呼吸和心跳信号。

综上所述，发明具有以下有益效果：

(1)提高定位准确性：本发明通过采用变分模态分解融合经验小波变换的方法，能够在复杂环境中准确地定位生命数据，有助于在存在障碍物和路过行人等情况下，更精确地确定生命体的位置。

(2)增强信号质量：通过对心跳和呼吸信号进行融合处理，本发明有效提高了信噪比，使得获取的生命信号更加清晰准确，从而减少了由于信号质量不佳而可能引起的误判或漏检。

(3)克服环境噪声：本发明在生命探测雷达中引入了变分模态分解和经验小波变换技术，能够在存在环境噪声的情况下，更好地抑制噪声对生命信号的干扰，从而提高了生命检测的可靠性和准确性。

附图说明

图1为本发明的流程示意图；

图2为本发明实施例所述的三维回波信号分布的示意图；

图3为本发明实施例所述的回波能量等高线投影示意图；

图4为本发明实施例所述的PCA特征提取后的生命混合信号示意图；

图5为本发明实施例所述K取15时VMD分解生命混合信号的示意图；

图6为本发明实施例所述重构的呼吸和心跳信号的示意图；

图7为本发明实施例所述EWT处理重构呼吸信号的示意图。

图8为本发明实施例所述EWT处理重构心跳信号的示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明的一部分实施例，而不是全部的实施例；基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

如图1～8所示，本发明公开了一种VMD融合EWT对复杂环境中生命体征的探测方法，包括以下步骤：

步骤1、通过超宽带雷达采集复杂环境情况下，被测人体反射的回波信号。

步骤2、对采集的回波信号进行预处理后，可见图2构建的传统三维模型只能看到杂波曲线，无法定位生命体征数据，即构造回波能量等高线投影图，如图3中250-270的距离门可定位被测人体位置。

步骤3、从定位的被测人体位置的等高线投影图的数据中选取能量分布数列进行特征提取，获取生命混合信号，如图4。

步骤4、如图5，利用变分模态分解VMD生命混合信号，设定频率范围，自动选择符合频率范围的IMF分量，并以自适应重构的方式重组呼吸信号和心跳信号，如图6所示。

步骤5、将步骤4中以自适应重构的方式重组的呼吸信号和心跳信号进行经验小波变换EWT，并对重构的呼吸和心跳信号的频谱进行分割划分，并比较各个分量与进行EWT变换前的重构信号的相关系数，依据信噪比获取呼吸和获取较高信噪比的呼吸和心跳信号，如图7和图8所示，频谱图中都存在明显的谱峰，即有较高的信噪比的呼吸和心跳信号。

步骤1中，所述的超宽带雷达采集人体回波信号包括：

生命体征的监测是由超宽带雷达发送脉冲波到接受发生的延迟来表示的，首先，设d₀是天线与胸部中心之间的距离,f_r是呼吸频率,A_r是呼吸振幅，f_h是心跳频率,A_h是心跳振幅，通过雷达能够测到被测人体位置。目标人体与雷达天线的距离表示为：

d(t)＝d₀+A_rsin(2πf_rt)+A_hsin(2πf_ht)

在理想环境下,只有胸腔在运动时,脉冲响应为：

其中∑_ia_iδ(τ-τ_i)是i个静止物体回波的求和,τ_i是静止物体回波的延时，a_cδ(τ-τ_c(t))是心跳呼吸引起的胸腔运动的回波,τ_c(t)是运动的胸腔回波的延时,c是光速,且τ₀＝2d₀/c,τ_r＝2A_r/c,τ_h＝2A_h/c。

综上雷达接受的回波信号表示为：

其中s(τ)为发射脉冲。

由于Matlab收集到的数据属于离散信号,所以雷达接受的回波信号是矩阵形式且表示为：

脉冲重复频率(PRF)为1/T_s,t＝nT_s,n＝0…N-1,δ_T是快时间域的采样间隔,N是快时间域的采样数,δ_R＝cδ_T/2是慢时间域的采样间隔,m＝0…M-1,M是慢时间域采样数,h[m,n]是呼吸和心跳信号,c[m]是杂波。

理想情况下,经过雷达预处理后，R[m,n]去除了杂波c[m],最终得到的信号为：

x[m,n]＝a_cs(mδ_T-τ_c(nT_s))

＝a_cs(mδ_R-cτ_c(nT_s))

＝h[m,n]

步骤2中，所述构造回波能量等高线投影图方法包括：

超宽带雷达对回波进行预处理后，由于在实验过程中有路过行人在雷达正前方横向穿过，会造成较强的杂波干扰，若在Matlab中对回波数据直接构造三维图则无法直观定位被测人体的生命数据位置，所以将三维图中的生命数据进行等高线投影，构造回波能量等高线投影图来准确定位被测人体的生命数据；

步骤2中，对采集的回波信号进行预处理包括：

对采集的回波信号进行运动滤波处理，滤除静态背景噪声。

步骤3中，所述特征数据的获取方法包括：

定位能量较强的生命数据区域，并且选取数列生命信号数据，进行主成分分析法(PCA)处理数列生命信号数据，获取综合人体呼吸和心跳特征的一维时域生命混合信号。

步骤4中，所述变分模态分解(VMD)生命混合信号方法如下：

VMD分解是将待测信号分解成确定个数的固有模态分量IMF，这些固有模态分量IMF都以中心频率CenFs为中心，且具有一定带宽。VMD的求解过程主要包含两点约束：

(1)要求每个模态分量中心频率的带宽之和最小；

(2)所有的模态分量之和等于原始信号。

VMD通过对变分问题进行求解，得到中心频率与带宽限制，找到各中心频率在频域中对应的有效成分，得到模态函数。模型构建涉及到维纳滤波、希尔伯特变换和解析信号等内容。下面简述VMD对原始回波信号的变分模型构造与求解两部分。

对任意一个待测信号x进行VMD分解可以得到模态分量集合和对应的中心频率集合，设这两个集合分别为{u_k(t)}＝{u₁,..,u_K}和{ω_k}＝{ω₁,..,ω_K}。

步骤i：通过希尔伯特变换求出每个模态函数的解析信号获得回波信号的单边频谱。

步骤ii：每个模态函数用一个混合指数项将其调制到对应中心频率的基频带上。

步骤iii：通过高斯平滑解调信号计算带宽，也就是求一个梯度二范数的平方根.得到的约束变分模为下式。

其中δ(t)为冲激函数,为对t求偏导。

然后先将拉格朗日乘法算子以及二次惩罚项加入到约束变分模型中，得到由约束变分模型转化的非约束变分模型，从而求得的增广拉格朗日函数，以此得出约束变分模型的最优解：

其中λ(t)为拉格朗日乘法算子,α为惩罚因子，为二次惩罚项。

然后使用乘法算子交替方向法不停更新和λⁿ⁺¹能够得出下式中的极值也就是最优解，再将进行傅里叶变换，模态函数和中心频率在频域的n次更新迭代表达式为：

步骤4中，所述基于VMD分解自适应重构的方式重组呼吸信号和心跳信号方法包括：

根据上述VMD分解得到K个IMF量，且每个IMF都有对应CenFs输出，而心跳和呼吸频率在正常情况下分别为1Hz～1.6Hz和0.2Hz～0.33Hz。所以本发明将设置一个呼吸心跳频率的范围，分别满足呼吸心跳频率范围的CenFs对应的IMF进行重构，由于K值越大，目标回波信号将会被分解的越细化，所以本发明将K值设置为20，即IMF_j(t),j＝1,2,...,20。假设满足呼吸频率范围的CenFs对应的IMF_j(t),j＝13,14,15。满足心跳频率范围的CenFs对应的IMF_j(t),j＝4,5,6,7。则呼吸信号x_rp(t)和心跳信号x_hb(t)表示为：

这种重构的优势是重构后的结果能够充分保留信号本身所固有的非线性和非平稳特征。

步骤5中，重构信号进行经验小波变换(EWT)，并比较各个分量与原信号的相关系数，具体包括：

(1)对输入信号进行小波分解，得到小波系数和小波基函数。

(2)将小波系数按照大小排序，将排在前面的小波系数作为信号的高频成分。

(3)对信号进行EMD分解，得到若干个IMF分量。

(4)对每个IMF分量进行小波分解，得到IMF的小波系数和小波基函数。

(5)将IMF的小波系数按照大小排序，将排在前面的小波系数作为IMF的高频成分。

(6)对IMF的高频成分进行小波反变换，得到IMF的高频分量。

(7)将IMF的高频分量与信号的高频分量相加，得到EWT的分解结果。

其中，再比较将各个IMF分量与输入信号(重构信号)的相关系数，如下式：

选取其中相关度最大的分量作为呼吸和心跳信号。

本发明所述的基于超宽带雷达的CNN与胶囊网络相结合人体跌倒检测方法，通过超宽带雷达采集复杂环境(有路过行人)情况下被测人体反射的回波信号；对采集的回波信号进行预处理后，构造回波能量等高线投影图定位被测人体生命数据的位置；从定位的数据位置中选取数列进行特征提取，从而获取的生命混合信号；利用变分模态分解(VMD)生命混合信号，并以自适应重构的方式重组呼吸信号和心跳信号；重构信号进行经验小波变换(EWT)对信号的频谱进行分割划分，并比较各个分量与原信号的相关系数，获取较高信噪比的呼吸和心跳信号；利用快速傅里叶变换得到相应信号频谱，计算出心率和呼吸速率。

具体而言，本发明首先通过在预设检测空间内设置超宽带雷达，来检测预设检测空间内有路过行人的情况下静态人体的回波信号，然后通过数据处理模块对回波信号进行相应的处理后得到回波信号并构造回波能量等高线投影图，再通过特征提取数列生命数据的特征，将将获取的生命混合信号进行VMD分解，呼吸和心跳信号的自适应重构，通过EWT变换以及相关系数比较得到高信噪比的生命信号，最后用快速傅里叶变换得到频率检测结果。

实施例

本发明实施例所述的一种变分模态分解融合经验小波变换实现复杂环境的生命探测雷达的探测方法，如图1所示，包括以下步骤：

步骤S1、通过超宽带雷达采集复杂环境，如有路过行人或车辆情况下被测人体反射的回波信号；

以居家环境为例，如图2所示，本实施例把超宽带雷达固定在房间角落处，设置1个发射天线和1个接收天线，天线水平方向视场角为±50°，垂直方向为±20°，为达到足够的检测区域，设立雷达架高度为1.5m。静坐目标人体距雷达1.3m，路过人体距雷达天线正前方0.3m且在探测时横向经过，从而通过超宽带雷达采集有路过行人下静坐人体目标的反射回波信号。

步骤S2、对采集的回波信号进行预处理后，构造回波能量等高线投影图定位被测人体生命数据的位置；

本实施例中，预处理主要为滤波处理，主要包括运动滤波，除去静态背景噪声，回波信号的三维图无法定位生命数据，如图2所示，经过构造回波能量等高线投影图，则可以直观定位生命数据的位置，如图3所示，在图2中所显示的曲线表示杂波，其他生命信号如呼吸、心跳的回波信号也无法显示。

步骤S3、从定位的数据位置中选取数列进行特征提取，从而获取的生命混合信号；

选取定位后能量较强的生命数据区域，选取数列生命信号数据，进行主成分分析法(PCA)执行以下步骤：

(1)用能量较强的时间序列数据构造一个矩阵，称其为“原始数据集”。

(2)建立原始数据集的协方差矩阵。

(3)对协方差矩阵进行特征值分解，得到特征向量。

(4)选择特征值最大的特征向量，命名为“主成分”。

(5)将原始数据集投影到主分量向量上，转换为一维数据。

经过PCA降维后生命混合信号的波形如图4所示。

步骤S4、利用变分模态分解(VMD)生命混合信号，并以自适应重构的方式重组呼吸信号和心跳信号。

本实施例中，此方法具体操作包括：

利用VMD算法在复杂环境内利用Matlab分离回波信号时，VMD的调用格式为[u,u_hat]＝VMD(signal,alpha,tau,K,DC,init,tol)，相关参数的含义及具体设置如下：

输入参数：

(1)signal：要分解的原始信号。

(2)alpha：惩罚因子，也称为平衡参数，会影响分离模态的宽度。一般取1000～3000，经过实验观测，本实施例取alpha为2000。

(3)tau：噪声容限参数，为0时，分解结果不受噪声影响，本实施例中将tau设置为0。

(4)K：要分解的IMF个数，本实验设置为20，即满足大模数的VMD分解。

(5)DC：表示直流分量，当第一个分量为直流分量即第一个模态的中心频率在零频附近时DC＝0。

(6)init：初始化的中心频率，本实施例中设置init为0，表示从0频开始。

(7)tol：收敛准则容忍度，所取的值越小，分离结果越精确。典型值一般设为1e-6。

输出参数：

(1)IMF：分解得到的各个IMF的时域信号。

(2)CenFs：分离出的各个IMF的中心频率。

生命混合信号经过分解后如图5所示，根据上述VMD分解得到K个IMF量且每个IMF都有对应CenFs输出，而心跳和呼吸频率在正常情况下分别为1Hz～1.6Hz和0.2Hz～0.33Hz。所以在Matlab中设置一个呼吸心跳频率的范围，分别满足呼吸心跳频率范围的CenFs对应的IMF进行重构，由于K值越大，目标回波信号将会被分解的越细化，所以本实施例将K值设置为20，即IMF_j(t),j＝1,2,...,20。假设满足呼吸频率范围的CenFs对应的IMF_j(t),j＝13,14,15.满足心跳频率范围的CenFs对应的IMF_j(t),j＝4,5,6,7。则呼吸信号x_rp(t)和心跳信号x_hb(t)表示为：

重构后得到得呼吸信号和心跳信号如图6。

步骤S5、重构信号进行经验小波变换(EWT)对信号的频谱进行分割划分，并比较各个分量与原信号的相关系数，获取较高信噪比的呼吸和心跳信号。

EWT是一由EMD的自适应分解理念和小波变换的紧支撑框架相融合种非平稳信号的处理方法，由于EWT可以自适应的选择频带和计算复杂度较低，所以可以避免模态混叠和过包络和欠包络的问题.方法结合了小波分析的可靠性，通过带通滤波器将原始信号重新组合，并且提取Fourier频谱的调幅调频成分，利用EWT算法处理重构后的呼吸和心跳信号，EWT的调用格式为[u,u_hat]＝EWT(signal,fs)，相关参数的含义及具体设置如下：

(1)signal：要分解的重构信号。

(2)fs：采样频率。

重构的呼吸和心跳信号经过EWT处理以及相应分量的频谱如图7，将各个IMF分量与输入信号(重构信号)的相关系数，如下式：

选取其中相关度最大的分量作为呼吸和心跳信号。

步骤S6，利用快速傅里叶变换得到相应信号频谱，计算出心率和呼吸速率。

其

具体而言，将选取出的呼吸和心跳信号通过Matlab利用快速傅里叶变换得出相应的频谱，再以各自的频率计算出呼吸速率和心率。

以上所述仅是本发明的优选实施方式，本发明的保护范围并不仅局限于上述实施例，凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理前提下的若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims

1.一种VMD融合EWT对复杂环境中生命体征的探测方法，其特征在于：包括以下步骤：

2.根据权利要求1所述的VMD融合EWT对复杂环境中生命体征的探测方法，其特征在于：所述步骤2中，对采集的回波信号进行运动滤波处理，滤除静态背景噪声。

3.根据权利要求1所述的VMD融合EWT对复杂环境中生命体征的探测方法，其特征在于：所述步骤3中，利用主成分分析法处理数列生命数据，获取一维时域的生命混合信号。

4.根据权利要求1所述的VMD融合EWT对复杂环境中生命体征的探测方法，其特征在于：所述步骤4中，以自适应重构的方式重组呼吸信号和心跳信号方法如下：

其中IMF_j(t)表示第j个固有模态分量IMF。

5.根据权利要求1所述的VMD融合EWT对复杂环境中生命体征的探测方法，其特征在于：所述步骤5中，相关系数获取方法如下：

步骤5.3对信号进行EMD分解，得到若干个IMF分量；

选取其中相关系数最大的分量作为呼吸和心跳信号。