基于MEEMD和apFFT的人體生命體征信號的提取研究

黃曉紅 尹揚帆 梁聰

摘 ?要： 非接觸式的人體生命體征信號的檢測在生產生活中有著非常重要的應用。為了準確提取人體生命體征信號，提出一種基于改進的集合經驗模態分解（MEEMD）和全相位頻譜（apFFT）分析的人體生命體征信號的檢測提取方法。進行了15組實驗，分別采集5名志愿者在3種距離下的雷達回波信號，實測數據分析處理結果表明，MEEMD有很好的分解效果，抑制了模態混疊效應，同時采用apFFT進行頻譜分析，與FFT相比，提高了呼吸和心跳信號的信噪比，說明基于MEEMD和apFFT的方法能夠準確地提取人體的心跳與呼吸信號，實現了人體生命體征的檢測。

關鍵詞： 人體生命體征; 信號提取; MEEMD; apFFT; 信號采集; 數據分析

中圖分類號： TN911.7?34 ? ? ? ? ? ? ? ? ? ? ? ? 文獻標識碼： A ? ? ? ? ? ? ? ? ? ? ? ?文章編號： 1004?373X（2020）23?0030?05

Abstract： The detection of non?contact human vital sign signals has a very important application in production and life. In order to accurately extract the vital sign signals of human body， a human vital sign signal detection and extraction method based on modified ensemble empirical mode decomposition （MEEMD） and all?phase FFT （apFFT） is proposed. Fifteen groups of experiments were carried out， and the radar echo signals of 5 volunteers at 3 different distances were collected. The measured data analysis results show that MEEMD has a good decomposition effect， suppressing the modal aliasing effect. In comparison with FFT， as for spectrum analysis， apFFT adopted with MEEMD can improve the signal?to?noise ratio of breathing and heartbeat signals. It shows the method based on MEEMD and apFFT can accurately extract the heartbeat and respiratory signals of human body， and realize the detection of human vital signs.

Keywords： human vital sign; signal extraction; MEEMD; apFFT; signal acquisition; data analysis

0 ?引 ?言

人體呼吸和心跳引起的胸腔振動屬于運動目標的微動，每個目標的微動特性一般是唯一的。目標微動會對雷達入射波產生一個額外的時變多普勒頻移，即雷達中的微多普勒。微多普勒反映了目標微動結構的動力學特征，可以廣泛應用于人體呼吸心跳信號的提取中[1]。采用FMCW毫米波雷達，對受測目標進行非接觸式生命信號檢測[2]，雖然能夠去除自由空間內其他物體，或者人體自身抖動的干擾，但是呼吸諧波的存在同樣會干擾測試結果。故針對呼吸和心跳信號的提取問題，選擇合適并且恰當的信號處理算法就顯得尤為重要。

傳統的雷達生命信號分離和提取的方法，例如采用帶通濾波器進行信號分離，不能有效地解決呼吸諧波對心跳信號的干擾問題[3?4]。1998年，經驗模態分解（Empirical Mode Decomposition，EMD）的提出為自適應信號處理方法提供了新的思路，并廣泛應用于非線性、非平穩信號的處理中，但其存在模態混疊問題[5?6]。

自EMD提出以來，關于模態分解的改進研究一直是一個熱點問題，其主要改進方法有如下幾種：集合經驗模態分解（EEMD）雖然能夠在一定程度上抑制模態混疊，但是分量中存在噪聲殘留[7];補充的總體平均經驗模態分解（CEEMD）效果與EEMD相比，減小了重構誤差;自適應加噪的集合經驗模態分解（CEEMDAN）雖然解決了EEMD中的噪聲殘留問題，但在其分解分量中可能存在虛假分量[8]。改進的集合經驗模態分解（Modified Ensemble Empirical Mode Decomposition，MEEMD）相對于以上幾種方法，能夠明顯抑制模態混淆，計算量降低，重構誤差小，具有明顯的優越性。全相位數字信號處理是一種能夠很好地減小頻譜泄露的信號處理方法[9]。相比于傳統FFT譜分析，全相位FFT譜分析能夠明顯抑制頻譜泄露，故非常適合做頻率估計[10]。

綜上，本文提出基于MEEMD和全相位頻譜（All?phase FFT，apFFT）分析的人體生命體征信號處理算法，實測數據處理結果表明，該算法具有良好的分解效果，對模態混疊有一定的抑制作用，能夠實現呼吸和心跳信號的分離和提取。

1 ?生命信號處理算法

1.1 ?改進的集合經驗模態分解算法（MEEMD）

對于任意非平穩信號[x（t）]，MEEMD方法分解步驟如下[11]：

1.2 ?apFFT分析

apFFT分析是將輸入信號進行全相位預處理后再進行FFT變換，全相位頻譜分析的最大優點就是頻譜泄露小[13]。

全相位預處理過程如下：

構造[N]點的Hanning窗，并對自身求卷積，得到[2N-1]點的卷積窗win1;計算[2N-1]點的win1的和，用win1的每一項與win1的和做商，得到[2N-1]點的歸一化卷積窗win2;將待測數據的1～（[2N-1]）項與win2相乘，得到加窗的[2N-1]項;將第1項和[N]+1項，第2項和[N+2]項，…，第[N-1]項和第[2N-1]項依次相加，得到經過預處理的[N]點序列，對序列進行FFT，即得到apFFT的結果[14?15]。

1.3 ?算法流程

本文提出基于MEEMD和apFFT的生命體征信號的提取算法，可以將雷達回波信號中高頻成分與低頻成分進行層層篩選，從而再進一步進行apFFT分析，繪制頻譜圖，達到提取呼吸與心跳信號的目的。

具體步驟如下：

1） 采用MEEMD對雷達回波信號進行分解，得到若干個信號分量。

2） 采用apFFT對分解得到的各個分量進行頻譜分析，頻譜峰值在0.2～0.6 Hz區間的屬于一類信號分量，在0.9～2 Hz區間的屬于二類信號分量。

3） 判斷一類信號中IMF分量的數量，若數量小于等于2，則直接利用這兩個IMF分量重構呼吸信號;若數量大于2，則選取兩個能量之和占此類信號總能量大于70%的IMF分量，用于重構呼吸信號。

4） 重復步驟3），從第二類信號中選擇合適的分量重構心跳信號。

2 ?實驗過程與結果分析

2.1 ?實驗數據的采集

2.1.1 ?雷達參數、實驗環境設備

實驗采用的毫米波雷達模塊，最大的有效全向輻射功率符合FCC規定，不會對人體產生危害。

雷達的具體參數為，載頻24 GHz，波長12.5 mm，帶寬150 MHz，采樣時間為20 s。

24 GHz雷達生命信號檢測的實驗環境和設備如圖1所示。被測者身高183 cm，體重90 kg，健康狀況良好，實驗者保持靜息狀態，站在雷達前，胸腔與雷達基本處于同一水平線。

2.1.2 ?雷達回波分析

雷達回波是對其接收到的信號進行采樣后得到的數據，為二維矩陣。鋸齒波周期中采樣點的數量為256，為[N]×256矩陣，[N]是慢時間采樣點的數量，對應每次雷達回波快拍，256是快時采樣點的數量，對應每次雷達回波的快時采樣，快時采樣點對應距離信息。首先，對矩陣進行二維FFT，結果得到復數矩陣，矩陣是256列，代表256個距離單元，由于雷達的距離分辨率為1 m，在實驗中人所在的位置是確定的，直接取出人所在的距離門信號即為人體生命體征信號。

2.2 ?實驗過程及結果

2.2.1 ?雷達生命信號提取

受測者距離雷達1.5 m，故選擇256列中的第二列信息，第二列雷達回波信號時域圖如圖2a）所示（由于雷達回波信號為復信號，故僅畫其實部圖），雷達回波信號頻域圖如圖2b）所示。

從圖2中可以看到，出現明顯峰值點的頻率在0.521 Hz與1.388 Hz，分別對應呼吸頻率與心跳頻率，而1.82 Hz處的峰值是呼吸的二次諧波，0.868 Hz不在呼吸和心跳的定義區間內，故不予考慮。通過和參考的心率（80 次/min，1.33 Hz）對比發現，此時雷達的檢測誤差為0.008 Hz。

2.2.2 ?呼吸、心跳信號提取

首先，對圖2中的雷達回波信號進行MEEMD分解，分解完成后得到11個分量，采用apFFT對每個分量進行頻譜分析，得到相應的頻譜圖，如圖3所示。

MEEMD提取呼吸與心跳信號基于以下原理：能夠反映生命體征信號的主要分量集中在低頻部分，其中心跳信號頻率的范圍約為0.8～2 Hz，呼吸信號頻率的范圍約為0.2～0.6 Hz。僅采用符合頻率范圍的部分信號分量對心跳和呼吸信號進行重構。

采用apFFT繪制MEEMD分解結果頻譜圖如圖4所示。

根據得到的頻譜圖中各個信號分量頻譜的譜峰值所處的頻率，對需要的各分量進行分類，選擇符合規定的分量重構心跳和呼吸信號。

一類IMF分量只含有IMF4和IMF6兩個分量，故直接求和重構，如圖5a）所示，求得譜峰值為1.388 Hz。二類IMF分量含有IMF8，IMF9兩個分量，故直接求和重構，如圖5b）所示，求得譜峰值為0.520 Hz。

2.2.3 ?性能分析

1） 信噪比比較

如表1～表3所示分別為5名被測試者在0.6 m，1.5 m和2.3 m采集的雷達生命信號經過MEEMD分解后，FFT和apFFT頻譜分析后的重構結果及信噪比。其中，[F1]表示呼吸頻率，[F2]表示心跳頻率，SNR1表示呼吸信號信噪比，SNR2表示心跳信號信噪比。信噪比的定義如下：

由表1～表3可以看出，相對于FFT，apFFT有效提高了呼吸和心跳信號的信噪比，信噪比分別平均提高了1.11 dB和0.99 dB。

2） 檢測誤差

表4～表6分別為志愿者在0.6 m，1.5 m，2.3 m處，基于本文方法提取得到的心跳信號頻率和心跳參考信號的誤差。由表4～表6可以看出，本文方法的測量誤差非常小。

3 ?結 ?語

本文采用毫米波雷達作為檢測硬件，提出一種基于MEEMD和apFFT的人體生命體征信號提取算法，實現了非接觸式人體生命體征信號檢測。實驗數據分析結果表明，該方法能夠準確得到人體的呼吸和心跳頻率，MEEMD提高了信號分離的準確性和實時性，同時采用apFFT進行頻譜分析，與FFT頻譜分析相比，有效地提高了呼吸與心跳信號的信噪比，說明將MEEMD與apFFT引入到呼吸與心跳信號分離處理以及重構方面的可行性和有效性。

參考文獻

[1] 李坡.雷達目標微動信號分離與參數估計方法研究[D].南京：南京理工大學，2012.

[2] KIM B S， JIN Y， KIM S， et al. A low?complexity FMCW surveillance radar algorithm using two random beat signals [J]. Sensors， 2019， 19（3）： 608.

[3] 王亮.基于超寬帶雷達生命探測算法研究[D].杭州：浙江大學，2017.

[4] 劉震宇，陳惠明，陸蔚，等.基于改進經驗模態分解的雷達生命信號檢測[J].儀器儀表學報，2018，39（12）：171?178.

[5] 詹武平，吳艷琴，黃順東，等.雷達寬帶回波周期特征提取的Hilbert?Huang變換方法[EB/OL].[2013?07?09].https：//www.doc88.com/p?2468786368747.html.

[6] LV Chenhuan， ZHAO Jun， WU Chao， et al. Optimization of the end effect of Hilbert?Huang transform （HAT） [J]. Chinese journal of mechanical engineering， 2017， 30（3）： 732?745.

[7] 雷亞國.基于改進Hilbert?Huang變換的機械故障診斷[J].機械工程學報，2011，47（5）：71?77.

[8] 韓慶陽，孫強，王曉東，等.CEEMDAN去噪在拉曼光譜中的應用研究[J].激光與光電子學進展，2015，52（11）：274?280.

[9] 王飛宇.基于全相位數字信號處理的基因識別算法研究[D].寧波：寧波大學，2014.

[10] 盧新寧.基于全相位FFT的鐵道信號頻率檢測算法研究[D].海口：海南大學，2013.

[11] 鄭旭，郝志勇，盧兆剛，等.基于MEEMD的內燃機機體活塞敲擊激勵與燃燒爆發激勵分離研究[J].振動與沖擊，2012，31（6）：109?113.

[12] 鄭近德，程軍圣，楊宇.改進的EEMD算法及其應用研究[J].振動與沖擊，2013，32（21）：21?26.

[13] 方漢方.基于FFT超聲波傳輸時間高精度測量的研究[D].成都：西華大學，2012.

[14] 王婧.基于水聲信號處理的明渠流量測量方法研究[D].沈陽：沈陽航空航天大學，2010.

[15] LIU Sujuan， LV Ning， CUI Jiashuai， et al. Improved blind timing skew estimation based on spectrum sparsity and ApFFT in time?interleaved ADCs [J]. IEEE transactions on instrumentation and measurement， 2019， 68（1）： 78?86.