SFCW生物雷達人體細粒度運動信號微多普勒特征增強方法研究

祁富貴，岳超，梁福來，呂昊，李川濤，李釗，劉淼，王健琪

第四軍醫大學，a.生物醫學工程學院 電子學教研室；b.學員旅四營十六連，陜西 西安 710032

SFCW生物雷達人體細粒度運動信號微多普勒特征增強方法研究

祁富貴a，岳超b，梁福來a，呂昊a，李川濤a，李釗a，劉淼a，王健琪a

第四軍醫大學，a.生物醫學工程學院 電子學教研室；b.學員旅四營十六連，陜西 西安 710032

目的本文提出了一種基于反權重系數的綜合距離累積時頻變換方法，增強了步進頻連續波超寬帶生物雷達人體細粒度運動信號的微多普勒特征。方法基于雙通道步進頻連續波（SFCW）雷達系統，通過將人體運動超寬帶雷達信號不同距離單元信號分別進行時頻變換得到各自時間-頻率譜，然后根據各自相對應合理權重沿距離軸進行累積。結果基于反權重綜合距離累積時頻譜效果好，信號特征明顯，較遠距離穿墻情況下，運動信號微多普勒特征因衰減較大而較為微弱時，本方法優勢十分明顯。結論此法充分利用人體運動SFCW超寬帶雷達信號不同距離單元信息，在保證信號特征完整性和原始性的基礎上合理有效地增強運動信號時間-頻譜中的微多普勒特征。

超寬帶生物雷達；人體細粒度運動；穿墻探測；反權重系數；步進頻連續波；微多普勒

0 前言

人體運動狀態探測識別、分類在實際應用中具有重要的應用價值，比如在反恐行動中對恐怖分子或被挾持人員的狀態分析，各種災害現場搜救人員對被困人員狀況的掌控，公共安全防護中異常行為人員的識別，以及傷員術后肢體恢復情況的評價等情況均需要時刻掌握人體運動狀態[1-2]。生物雷達因其免受光線和探測角度影響可實現全天候穿透探測，逐漸成為探測技術研究熱點。目前，針對連續波生物雷達在自由空間下對人體運動信號的探測與識別的研究已取得較大的進展[3-4]，然而考慮在反恐行動、災害搜救等實際穿墻探測環境下對穿透探測性能、抗干擾能力和信號質量的要求，本研究采用的步進頻連續波（Stepped Frequency Continuous Wave，SFCW）超寬帶生物雷達，其抗干擾能力強且具備較高的分辨率和穿透性，能夠提供運動信號的距離信息，在后期識別中具有獨特的優勢。

在反恐行動和災害搜救等實際場景中，包含身體各部分細微變化的細粒度運動出現頻率最高，比如手勢、原地跳躍，揮手、蹲下起立等。而對于此類細粒度運動，單純依賴主體運動多普勒特征進行識別分類的方法將失效[5]，而由四肢運動形成的微多普勒特征將成為最重要的識別信號。Chen等[6-7]指出除目標主體運動外，其目標各部件運動也存在各自的微多普勒特征，可以反映復雜人體結構運動特征，為目標細微運動分類（尤其是人體不同運動分類）提供了新思路[8-9]。同時，時頻變換作為有效非平穩信號分析工具，可以將含有多頻率組分的信號在時頻域上的不同特征更加高效地體現出來，不僅能夠區分粗粒度運動，更能較好地區分僅有細微差別的細粒性運動，為人體運動狀態分析識別提供有效信息。目前，研究者們在自由空間下利用聯合時頻分布技術對除軀干運動外的各肢體（手臂和腿）運動形成的微多普勒特征進行分析，從而對揮手、走-停-走[10]，擺單臂行走、雙臂行走等有距離運動[4]進行識別分類。

在穿透探測中，由于穿墻回波信號衰減較大或者因目標離雷達較遠而信號較弱時，微多普勒特征容易變得十分微弱，運動整體時頻譜特征變得模糊，導致運動特征可識別度降低。Kim等[8-9]基于人體運動微多普勒時頻譜特征值，利用智能識別算法對爬行、持槍行走等7種運動狀態進行識別分類，在自由空間下效果優異，但在穿墻條件下較近距離內運動信號微多普勒特征已急劇削弱，識別分類準確率變低。為此，針對運動幅度較大、非平穩、隨機性強的人體運動信號，本研究提出了一種基于反權重系數人體運動超寬帶雷達信號時間—頻率譜綜合距離累積方法。本方法對人體運動超寬帶雷達信號不同距離單元上的不同頻譜特征信息充分利用，以期使得人體細粒度運動微多普勒特征更加明顯，為后期人體運動的有效特征提取和高效識別準確率奠定基礎。

1 材料與方法

1.1 SFCW雷達實驗平臺

本研究基于雙通道SFCW雷達系統，系統的主要技術指標：工作帶寬0.5～3.5 GHz，發射機步進點數101～301（可調），發射機頻率采樣間隔30 MHz，最大發射功率10 dBm，動態范圍≥72 dB，AD精度≥12 bit，采樣率為4 ms/次。天線系統采用1發2收天線陣，天線采用平面對數螺旋天線，發射天線與接收天線采用交叉極化，整個SFCW雷達采集系統，見圖1(a)。

利用SFCW雷達穿墻探測人體運動場景，見圖1(b)，受試者位于實驗室磚墻一側，正對緊貼磚墻另一側的雷達。采集數據時，每次僅有一位受試者位于磚墻一側以自然狀態執行特定動作，每個特定動作重復執行并持續20 s左右，雷達探測回波經后期軟件采集得到原始離散信號。本研究分別在隔墻3 m處采集原地踏步、原地跳躍和蹲下撿物信號，然后分別在4、5、6 m處采集原地踏步信號。

圖1 SFCW雷達采集系統及實驗場景圖

1.2 基于不同距離累積方式的人體運動超寬帶雷達信號時頻分析方法

SFCW超寬帶雷達因其具有距離分辨率可使人體運動各部位的距離信息變化在雷達回波時間-距離圖像上明顯地表現出來。在超寬帶雷達中，運動信號經過采樣后得到sig(t)，其表示處于一個相鄰處理間隔（Coherent Processing Interval，CPI）的一個目標散射中心信號。在此CPI中，其假定目標運動維持在單個距離單元中，并且每個距離單元都得到一個信號，即可獲得一系列信號{Sigil(t)}（i表示距離單元索引）。此時對單個距離單元信號進行時頻變換是分析微多普勒特征的有效方法。文獻[5]指出，如果目標在CPI中運動距離處于單個距離單元長度內，則此方法有效。若目標在CPI中運動距離超出單個距離單元長度，此時散射中心信號將分布于多個距離單元，此方法將失效。根據本系統參數和采樣率參數，在CPI內，人體運動各散射中心運動均處于單個不同距離單元內。

原地踏步運動在SFCW雷達原始回波時間-距離像上主要分布在1200～1500點（圖2(a)）。對此單通道原始回波依次進行距離壓縮、去背景和低通濾波（截止頻率為60 Hz）等預處理，得到原地踏步SFCW雷達回波預處理信號（圖2(b)），其運動起伏變化在圖像上清晰可見。在對回波預處理信號進行時頻分析時，不同距離單元信號的利用方式將對時頻分析效果產生重要影響。在以往研究方法主要有優選一點法和有效距離平均法兩種。

1.2.1 最優一點法和有效距離平均法

（1）最優一點法：在距離單元上取信號最優一點。通過在超寬帶雷達時間距離像中選擇最強或者信號特征代表性最優的距離單元信號sigbest，然后進行時頻分析。本研究基于能量最強原則選擇最優點。

（2）有效距離平均法：將有效運動特征范圍內不同距離單元上部分信號疊加求平均，然后得到sigaverage，并對其進行時頻分析。

以上兩種方法常見于超寬帶雷達人體呼吸心跳信號探測時，由于人體呼吸相對于體動幅度小、規律性強、平穩性好，取最優點并不會丟失過多信號特征。有效距離內多點信號合理平均時，合理個數距離單元平均后不易造成信號特征丟失，可以增強信號能量，提高信噪比。

1.2.2 基于反權重系數人體運動超寬帶雷達信號時間-頻率譜綜合距離累積方法

對于人體原地踏步、跳躍等細粒度運動，根據其原始時間-距離圖可以發現：運動跨多距離單元，幅度大、非平穩、弱周期，運動人體各散射中心（各肢體結構）的運動將粗略地分布于不同的距離單元，從而對回波信號形成不同的頻率調制。另外，超寬帶雷達信號經過穿墻衰減之后，各組分微多普勒特征將被削弱，使得運動整體時頻譜特征變得模糊，不利于人體運動狀態分析識別。因此本研究提出基于反權重系數人體運動超寬帶雷達信號時間-頻率譜綜合距離累積方法，充分利用超寬帶雷達信號不同距離單元上不同散射中心信號的時頻信息，對人體運動信號微多普勒時頻譜特征進行增強。首先，筆者需要得到聯合距離-時間-頻率分布（Joint-Range-Time-Frequency-Representation，JRTFR）[11]，見圖3。

圖2 原地踏步SFCW雷達信號預處理前后時間-距離圖

圖3 超寬帶雷達信號聯合距離-時間-頻率分布流程圖

通過對每個距離單元信號進行時頻變換得到時間-頻率譜（Time-Frequency-Representation，TFR）并將不同距離單元上的TFR按順序聚集從而得到整個人體運動超寬帶雷達信號在有效距離內的JRTFR立方體，三坐標軸分別表示距離、時間、頻率，見圖3。然后，將整個JRTFR沿距離軸對每個距離單元信號所得TFR按相應反權重系數進行距離累積。最終將得到整個運動信號綜合距離累積時頻分布（Comprehensive Distance Accumulation Time-Frequency Representation，CDATFR）。

本文基于增強由肢體運動所形成的微多普勒特征的目的，采用反權重系數對不同距離單元時頻譜進行綜合距離累積，反權重累積如公式(1)所示：(1)

其中ωi表示不同距離單元TFR所對應的權重，si表示不同距離單元所得到的TFR，i=1...n，n表示運動信號TFR信號有效距離單元長度。

在選擇權重系數ω時，本研究根據人體細粒度運動超寬帶雷達信號獨有特點而采用反權重系數進行距離累積。以圖2原地踏步信號為例，在原始雷達回波信號偽彩圖的運動特征有效范圍內，在距離軸方向上中間部分主要來源于散射面積較大的軀干運動和少量肢體運動，其能量較強。而在向其兩側能量逐漸減弱，主要來源于散射面積較小的肢體運動和逐漸減少的軀干運動，如手臂和腿的運動。當信號經過穿墻衰減或者因目標離雷達較遠而信號較弱時，肢體造成的微多普勒將急劇衰減。為此，將能量值較弱的距離單元TFR賦予較大的權重而能量值較大的距離單元TFR賦予較小的權重，從而利用反權重系數ω增強由手臂、腿等肢體運動形成微多普勒特征。

2 結果

本研究采用短時傅里葉變換（STFT）對人體運動雷達信號進行時間-頻率譜分析，其中窗函數采用0.42 s的Hanning窗。本實驗主要分為兩部分：

（1）第一部分主要利用基于3種距離累積方法的時頻變換對相同距離處不同人體細粒度運動穿墻探測超寬帶信號進行時間-頻率譜分析。以原地踏步、原地跳躍和蹲下撿物為例，其實驗結果，見圖4。

（2）第二部分主要利用基于3種距離累積方法的時頻變換對不同距離處相同人體細粒度運動穿墻探測超寬帶信號進行時間-頻率譜分析，以原地踏步為例。實驗結果，見圖5。

圖4(b)表明有效距離內信號平均法距離累積后再進行時頻分析，效果最差。圖4(a)表明取最優一點時頻分析效果稍好但信號特征較弱。圖4(c)表明基于反權重綜合距離累積時頻譜效果最好，信號特征明顯。

圖4 人體穿墻3 m SFCW雷達信號時頻譜

圖5 人體人體原地踏步運動SFCW穿墻雷達信號時頻譜

圖5分別為穿墻4 m、5 m、6 m處原地踏步運動信號基于三種距離累積方式條件下STFT時頻譜。通過觀察可以發現，在穿墻4 m處，距離平均法已經失效，所得時頻譜微多普勒特征已急劇削弱，很難看出原地踏步運動變化特征。最優一點法效果優于距離平均法，在穿墻5 m處仍可以較為粗略的看出原地踏步運動的節律性變化，但此時由手臂和腿等肢體運動形成的高頻微多普勒特征已極其微弱并且較為混亂模糊。而本文提出的綜合距離累積時頻變換方法性能優越。雖然與3 m處原地踏步動作時頻譜圖4(c)相比，隨著穿墻距離增加，部分能量較為微弱的肢體運動信號高頻微多普勒特征已經被急劇削弱。但其在穿墻6 m處也能較好的表現出原地踏步運動的節律性變化，軀干運動多普勒特征和肢體運動微多普勒特征仍能明顯區分，利于運動特征分析。因此，在較遠距離穿墻情況下，運動信號微多普勒特征因衰減較大而較為微弱時，本方法優勢十分明顯。

3 討論

第一部分實驗結果中，對于原地踏步、原地跳躍、蹲下撿物3種跨多個距離單元的大幅度、非平穩信號，人體各個肢體結構的散射中心將粗略地分布于不同的距離單元，因而不同距離單元信號將包含不同肢體的運動信息，并且相鄰距離單元信號具有一定的相關性。若采用最優一點法，將丟失許多不同肢體結構所形成的微多普勒信息。若采用有效距離平均法，分布在不同距離單元內信號的正負值很容易相互抵消或者被改變從而導致運動特征被減弱或者被改變。然而采用本研究提出的綜合距離累積時頻變換方法則可以清楚的看出人體運動的節律性變化，并且由軀干運動形成的多普勒特征和肢體運動所形成的微多普勒特征也可以明顯區分。如圖4(c)所示，由于在原地踏步、原地跳躍和蹲下撿物時，人體軀干運動頻率較低但散射面積大、能量強，因此其在時頻圖中就主要分布在0～8 Hz以內，而手臂和腿等肢體運動速度快故瞬時頻率高，因而在時頻圖中主要分布于8 Hz以上。另外，由于肢體運動在原地跳躍時比踏步時更加隨機不規律，故而從原地跳躍時頻譜中就可看出包含高頻信息的微多普勒特征變化更加紊亂。

第二部分實驗結果中，隨著穿墻距離的增大，人體運動的高頻微多普勒特征相對低頻微多普勒特征衰減更快。這可能是因為距離增大，手臂等肢體相對軀干運動速度快、散射面積較小，其形成的高頻微多普勒衰減更快并更容易淹沒于隨機無規律噪聲和干擾中，因而更難在時頻譜中表現出有規律的運動特征。

4 結論

本研究基于穿墻探測的需求選擇SFCW雷達對人體細粒度運動進行穿透探測。針對人體運動超寬帶雷達信號微多普勒特征容易由于穿墻探測或者距離增大而急劇衰減，從而不利于人體運動信號的有效分析和識別的問題，本研究提出了一種基于反權重系數綜合距離累積時頻變換方法。其充分利用人體運動SFCW超寬帶雷達信號不同距離單元信息，在較好地保證信號特征完整性和原始性的基礎上增強運動信號微多普勒特征。

在實驗研究中，首先通過基于3種距離累積方式的時頻處理方法對同一穿墻距離處原地踏步、原地跳躍和蹲下撿物3種穿墻超寬帶雷達信號進行時頻譜分析，結果表明本研究提出的綜合距離累積時頻變換方法針對人體細粒度運動信號處理效果優于目前常用的最優一點法和距離平均法，證明了此方法對不同運動信號的廣泛適用性。另外，實驗還通過基于3種距離累積方式的時頻處理方法對不同穿墻距離處的原地踏步穿墻超寬帶雷達信號進行時頻譜分析，結果表明綜合距離累積時頻變換方法在運動信號微多普勒特征因穿墻或距離增而削弱時，可以較好地增強微多普勒特征。

本研究提出的綜合距離累積時頻變換方法能夠高效利用人體運動超寬帶雷達信號距離信息，較大程度上合理增強運動信號中微多普勒特征，為穿墻探測或遠距離探測條件下人體細粒度運動的有效分析和準確識別奠定了基礎。在下一步研究中，希望對隨著距離增大運動高頻微多普勒特征削弱過快問題進行深入研究并提出相應的解決方法。

[1] Fairchild DP,Narayanan RM.Micro-doppler radar classification of human motions under various training scenarios[C].SPIE Defense,Security,and Sensing.International Society for Optics and Photonics,2013:873407-873411.

[2] Bryan JD,Kwon J,Lee N,et al.Application of ultra-wide band radar for classification of human activities[J].IET Radar Sonar Navig,2012,6(3):172-179.

[3] Fairchild DP,Narayanan RM.Classification and modeling of human activities using empirical mode decomposition with S-band and millimeter-wave micro-Doppler radars[C].SPIE Defense,Security,and Sensing.International Society for Optics and Photonics,2012:83610X-15.

[4] Lyonnet B,Ioana C,Amin MG.Human gait classification using microDoppler time-frequency signal representations[C].Radar Conference,2010 IEEE.IEEE,2010: 915-919.

[5] Smith GE,Ahmad F,Amin MG.Micro-Doppler processing for ultra-wideband radar data[C].SPIE Defense,Security,and Sensing.International Society for Optics and Photonics,2012: 83610L-83610L-10.

[6] Chen VC.Analysis of radar micro-Doppler with time-frequencytransform[C].Statistical Signal and Array Processing,2000. Proceedings of the Tenth IEEE Workshop on.IEEE,2000:463-466.

[7] Chen VC,Li F,Ho SS,et al.Micro-Doppler effect in radar:phenomenon, model, and simulation study[J].IEEE T Aero Elec Sys,2006,42 (1):2-21.

[8] Kim Y,Ling H.Human activity classification based on micro-Doppler signatures using an artificial neural network[C]. Antennas and Propagation Society International Symposium, 2008.AP-S 2008.IEEE.IEEE,2008:1-4.

[9] Kim Y,Ling H.Human activity classification based on micro-Doppler signatures using a support vector machine[J].IEEE T Geosci Remote S,2009,47(5):1328-1337.

[10] Lai CP,Ruan Q,Narayanan RM.Hilbert-Huang Transform (HHT) analysis of human activities using through-wall noise radar[C].Signals,Systems and Electronics,2007.ISSSE'07. International Symposium on.IEEE,2007:115-118.

[11] Chen VC.Joint time-frequency analysis for radar signal and imaging[C].Geoscience and Remote Sensing Symposium, 2007.IGARSS 2007.IEEE International.IEEE,2007:5166-5169.

A Study on the Micro-Doppler Signature Enhanced Technique for the Finer-Grained Human Activity Signal Acquired by the SFCW Bio-radar

QI Fu-guia, YUE Chaob, LIANG Fu-laia, LV Haoa, LI Chuan-taoa, LI Zhaoa, LIU Miaoa, WANG Jian-qia
a.Teaching and Research Section of Electronics, School of Biomedical Engineering; b.No.16 Company of the 4thBattalion, Student Brigade,the Fourth Military Medical University, Xi’an Shaanxi 710032, China

ObjectiveA comprehensive distance accumulation time-frequency transform method based on the anti-weights factor is proposed in this study, so as to enhance the micro-Doppler signatures of the finer-grained human activity, which would be weakened dramatically due to the process of penetrating the wall and the increasing detection range, which is not conducive to effective analysis and accurate recognition of finer-grained human activity.MethodsThe corresponding time-frequency representation (TFR) was obtained by performing a time-frequency transform in each range based on the stepped frequency continuous wave radar signal of the finer-grained human activity.ResultsA comprehensive time-frequency representation was obtained from the summation of the different TFRs based on their corresponding weight along the range axis. Consequently, the time-micro-Doppler signature reflected in the time-frequency representation was enhanced significantly.ConclusionThe technique guaranteed the integrity and primitive characteristics of the signal and laida good foundation for analyzing effectively and recognizing accurately the finer-grained human activity when detecting through-wall or remotely.

TN957.51

A

10.3969/j.issn.1674-1633.2016.02.009

1674-1633(2016)02-0039-05

2015-11-20

國家重大科研儀器設備研制專項（61327805）；國家科技支撐計劃課題（2014BAK12B02）。

王健琪，第四軍醫大學生物醫學工程系電子學教研室主任，教授，博士生導師，主要研究方向：生物雷達生命探測。

通訊作者郵箱：wangjq@fmmu.edu.cn

Abstract:: ultra-wideband radar; finer-grained human activity; through-wall detection; anti-weights factor; distance accumulation; micro-Doppler