基于胸腔信號樣本的FMCW雷達身份驗證

漆 晶，汪正東，謝廣智

（重慶郵電大學通信與信息工程學院，重慶 400065）

0 引言

近年來，因為新冠肺炎疫情的流行，非接觸式的人體生命體征檢測成為了研究的熱點，其在智能家居、醫療健康等領域都有著廣泛的應用，如睡眠檢測［1］、嬰幼兒監護［2］、駕駛員體征檢測［3］以及疲勞駕駛監測［4］、姿態檢測［5-6］等。

在最近的幾十年時間里，基于雷達的生命體征信號提取技術已經非常成熟，這也為后續應用奠定了基礎。文獻［7］驗證了每個人的通氣變量和氣流曲線組成了一個特定的特征，可以利用雷達檢測到的呼吸信號進行人員識別。研究［8］表明，呼吸模式的個體性能可以長期保持。文獻［9］提取了呼吸信號峰值功率譜密度、堆積密度與線性包絡誤差3個特征，將這些特征送入反向傳播神經網絡得到了90%的識別準確率。文獻［10］利用動態分割技術檢測一段呼吸信號內各種獨特的特征與模式，結合最近鄰算法（K-Nearest Neighbor，KNN）對6 個實驗對象進行了測試和驗證，得到了95%的準確率。文獻［11］采用快速傅里葉變換（Fast Fourier Transform，FFT）的方法提取呼吸信號頻域特征，送入支持向量機（Support Vector Machine，SVM）算法中分類，在小數據集上得到比較高的準確率。基于人工提取特征的方式較為復雜，提取的特征單一，對于呼吸模式如頻率、呼氣與吸氣面積等特征相近的人沒有辦法很好地區分開。有學者［12］將雷達采集到的呼吸或心跳信號直接送入卷積神經網絡（Convolutional Neural Networks，CNN）自動提取特征，降低了提取特征的復雜度，最高得到82%的準確率。文獻［13］提出了基于呼吸樣本空間（BSS）的身份識別算法，將包含時距信息的BSS 序列送入CNN 中建模以獲得分類結果，得到接近85%的準確率。

目前的研究大部分是基于呼吸特征進行身份驗證，其忽略了心電信號也具有特征性［14］，可以用來識別個體。雖然非接觸的雷達難以恢復出人體心電信號，但是本文嘗試用心跳信號來代替接觸式測量的心電信號，提出將心跳信號與呼吸信號結合的方式進行身份驗證，本文將基于胸腔信號樣本（Chest Cavity Signal，CCS）進行身份驗證。首先通過毫米波雷達FMCW 提取人體回波信號，再對回波信號進行預處理，包括多幀背景消除，胸腔位置確定，選取整個胸腔區域對應的多距離單元信號作為相位信號樣本，相位解繞，相位差分，將相位差分信號進行變分模態（VMD）分解得到純凈的呼吸信號與心跳信號再胸腔信號恢復，最后將純凈的信號樣本切成小段并轉換為圖片即為胸腔信號樣本CCS。純凈CCS 信號樣本融合了呼吸與心跳的時域、頻域特征。為了避免人工提取特征造成的特征丟失，特征不足以及模型復雜等問題，本文將CCS樣本送入二維卷積神經網絡（2D CNN）中自動提取特征，得到模型準確率高達97.5%。

1 雷達信號檢測原理

1.1 體征信號特點

本文將利用毫米波雷達檢測到的人體呼吸、心跳信號進行后續的身份驗證。在正常情況下呼吸與心跳導致的胸部振動情況如表1所示［15］。

毫米波雷達通過探測距離雷達R處人體目標回波的相位信號來反映呼吸心跳引起的胸腔振動。式（1）為胸腔振動距離與相位的關系。

式中，Δφ為相位變化，ΔR為距離變化，λ為波長。在本文中使用到的毫米波雷達波長λ為5 mm，當胸腔位移為1.25 mm時，回波信號的相位變化為π。

1.2 FMCW 雷達原理

毫米波雷達FMCW 發射的信號頻率是隨時間變化，并且一般是呈線性變化，所以也被稱為LFMCW。如圖1所示為FMCW 發射信號與接收信號的示意圖。當發射信號遇到待測目標后，反射的回波信號會被雷達接收天線所接收，從頻域上來看，發射信號與接收信號波形上保持一致，在時間上有一定的延時t0。

圖1 FMCW信號示意圖

式（2）為FMCW雷達的發射信號。

式中，fc為發射信號的起始發射頻率，B為雷達調制帶寬，T為FMCW一個Chirp的周期。

式中t0為時間延遲。假設雷達與目標間存在傳播距離為R，則傳播的過程中產生了t0=2R/c的時間延遲，c為光速。

將發射信號與接收信號混頻得到中頻信號，中頻信號由式（4）表示:

式中，Δφ為中頻信號的相位，fb為頻率。Δφ與目標距離R呈線性關系，由此驗證式（1）。

2 雷達數據處理

2.1 距離維FFT

雷達原始數據是指將發射信號與接收信號混頻，再經過AD 采樣得到的中頻信號，其包含著被測物體的距離、速度和角度等信息。在對雷達原始數據做FFT 時，可以獲得距離曲線，表達為R（n,m），距離曲線包含著目標的距離信息（紅色框出），同時也混雜噪聲、靜態物體干擾等（藍色框出）。如圖2（a）所示距離曲線頻譜峰值所在的位置代表著目標的位置。如圖2（b）頻譜圖中明亮區域代表反射回波功率大，存在被測物體，深色區域則代表沒有物體。

圖2 距離維FFT結果圖

2.2 基于多幀聯合的背景消除

雜波抑制方法主要是用來消除與實驗目標無關的冗余干擾，達到提高目標信雜比的效果。在本實驗中，靜態的桌椅、墻壁等均屬于要去除的范圍。本文采用多幀聯合的方法來消除干擾項。

在環境中靜態干擾是不變的，但是人體目標的相位是隨胸腔振動每一幀變化的，且有一定的周期性。所以在多幀時間下，多幀信號的平均值可以被當作前文所提到干擾與噪聲。背景干擾的表達式如式（5）:

式中，N代表中頻信號總共有N幀，n代表每幀的采樣點數，m代表第幾幀數據。得到背景干擾項式（5）后就可以計算去除了冗余干擾后的信號，如式（6）:

在圖2 的距離FFT 結果圖中可以明顯看出，人體目標周圍存在一定的干擾。經過多幀聯合背景消除后，如圖3所示回波信號的距離曲線與頻譜更加清晰。每個距離單元代表著距離為4.4 cm，根據圖像可判斷出經過濾波后的信號峰值集中在0.6 m左右，與實驗中人體目標距離雷達的真實距離一致。

圖3 濾波后的距離FFT結果圖

2.3 相位提取與相位處理

目前大部分研究都是在多幀信號中連續提取單個目標（最大能量處）距離單元的相位獲得胸腔振動信號，也就是只提取一個點的振動波形。但是人體目標不是一個點，而是一個范圍，表1 中提到呼吸引起的胸腔振動面積達到50 cm2，如果只提取一個距離單元的多幀相位信號，會損失整個胸腔的空間信息，造成特征丟失。因此本文選擇包含最大能量在內的周圍8個距離單元，對每一個距離單元內的多幀信號連續提取相位，得到包含空間信息的8條胸腔部位的振動波形，以此來表征胸腔信號。圖3（b）中的紅色方框代表胸腔信號，黃色實線代表單個目標距離門。

表征胸腔信號的8 條振動波形包含著豐富的由呼吸、心跳引起的胸腔振動信息，后續經過處理便可得到含有完整特征的CCS 樣本。如圖4（a）所示，在使用反正切函數提取相位時，會導致相位信號存在卷繞，因此后續還需要對提取的相位信號進行解卷繞和相位差分操作。得到的胸腔相位信號如圖4（b）所示。

2.4 呼吸心跳信號分離

變分模態分解（VMD）通過迭代的方式搜尋最優變分模型確定每個模態分量的中心頻率和頻率帶寬，實現信號的頻域以及每個模態分量的自適應部分［16］。根據呼吸與心跳的頻率特征，將相位信號分解為不同模態，保證各個模態之間信號頻率不重疊，從而分離出完整的呼吸信號與心跳信號，如圖5（a）、（b）為呼吸信號時域與頻域波形，如圖6（a）、（b）為心跳信號時域與頻域波形。

圖5 呼吸信號時域與頻域波形

圖6 心跳信號時域與頻域波形

2.5 CCS樣本制作

在提取到比較純凈的心跳信號與呼吸信號后，將其恢復為純凈的胸腔信號，如圖7（a）、（b）分別為胸腔信號的時域波形和頻域波形。可見胸腔信號主要包含0.293 Hz 與1.22 Hz 兩種頻率，與呼吸心跳信號相對應。

圖7 胸腔信號時域與頻域波形

胸腔信號在時域和頻域上包含了人特有的心跳呼吸特征，為了保留整個胸腔面積內的特征，將胸腔信號制作為CCS樣本。

可判斷一個呼吸波形的周期約為60 個采樣點。因此本文將胸腔信號按照每60個采樣點截成小段數據，相當于8 個距離單元，每個單元60 個采樣點的信號矩陣。將該矩陣轉換為灰度圖，調整灰度圖大小為32×64 作為CCS 樣本，如圖8所示，將CCS 送入二維卷積神經網絡自動提取特征，避免了人工提取特征的復雜操作，圖像中也充分保留了足夠的特征進行訓練。

圖8 CCS樣本

3 神經網絡搭建

根據前文中的步驟已經得到CCS 樣本，本文分別采集4 個保持正常呼吸節奏的志愿者數據（兩男兩女）。每人采集120 000 幀的數據，每幀時長50 ms。在CCS 樣本制作時將每個人的數據劃分到3 s 的固定窗口中，每次滑窗3 s，總共得到8 000 個CCS 樣本，分別打上標簽。如表2所示，8 000 個CCS 樣本按照4∶1 的比例劃分到訓練集與測試集。

表2 數據集分配

CNN 是當前用于圖像分類中最先進的體系結構，它可以自動提取對象特征，并且特征提取與特征分類是一個同步進行的過程［17］。本文搭建了一個2D CNN 模型，圖9 詳細描述了該模型的結構信息，模型包括3 個3×3 的卷積層，分別對應32，64，64 個通道，每個卷積層將ReLU 函數作為激活函數，可以有效緩解過擬合問題的發生。在卷積層后都使用了一個2×2的最大池化層，對卷積層提取到的信息作進一步降維，減少計算量的同時，還加強了圖像特征的不變性。

圖9 神經網絡結構圖

4 實驗與結果

4.1 實驗參數介紹

本文采集體征信號的實驗如圖10所示，實驗采用毫米波雷達IWR6843ISK，其具有3根發射天線，4根接收天線，工作頻段在60～64 GHz之間。采集裝置如圖11所示，DCA1000采集卡從IWR6843ISK雷達板接收LVDS 數據，并通過以太網接口將數據傳輸到PC端。

圖10 雷達采集數據

圖11 采集裝置

表3為毫米波雷達發射信號的參數，實驗中按照表中參數使用TI 配套的mmWave Studio 軟件進行雷達參數配置。

表3 實驗參數

4.2 實驗結果

本文首先通過毫米波雷達采集原始數據，將數據進行處理得到CCS 樣本，制作成數據集送入搭建好的神經網絡模型中進行訓練，圖12驗證結果顯示，4名志愿者身份驗證的準確率達到了97.5%。

圖12 CCS+CNN模型訓練結果

圖13 為利用CCS 樣本結合2D CNN 訓練得到的混淆矩陣。

圖13 CCS+CNN模型訓練混淆矩陣

由混淆矩陣可知該系統模型對志愿者1 的準確率為94%，對志愿者3的準確率為98%，對其他兩位志愿者進行身份驗證的準確率都達到了99%。

為了驗證本文提出的利用CCS 作為特征樣本進行身份驗證整體模型的優越性，本文對其他文獻中所提到的樣本與算法模型進行對比驗證，同樣通過毫米波雷達IWR6843ISK 采集數據，按照文獻中的方法得到相應訓練樣本，送入本文設計的神經網絡模型中進行訓練。按照文獻［13］的單一信號樣本（記作SS）訓練得到的結果如圖14所示，按文獻［14］的BSS 樣本訓練得到的結果如圖15所示，可見訓練結果準確率偏低，且有過擬合的現象。

圖14 SS+CNN模型訓練結果

圖15 BSS+CNN模型訓練結果

4.3 對比分析

如表4所示，本文通過毫米波雷達提取到人體相位信號后，相比于其他算法增加了多幀背景消除背景噪聲以及VMD 信號分離與恢復的步驟，使用該算法可以降低實驗樣本中的冗余信息，提高了信噪比，并使樣本中包含更多的特征信息。

表4 實驗復雜度對比

呼吸心跳信號比較微弱，對信噪比的變化很敏感。且較高的信噪比可以幫助雷達系統降低誤報概率，有助于在更復雜的環境中提高檢測的精度。由于本文所用的CCS 樣本包含了8 條振動波形，計算時取其平均信噪比作為整體信號信噪比。信噪比的定義如式（7）:

式中s（l）為呼吸與心跳信號頻譜峰值，s2（f）為信號頻譜的總能量。表5 展示了信號在經過VMD 分解前后的信噪比情況。其中bf表示呼吸頻率，hf表示心跳頻率，SNR1 表示VMD 分解之前的信噪比，SNR2表示VMD分解之后CCS樣本的信噪比。

表5 信噪比分析

可見得到的CCS樣本在經過了VMD分解之后信噪比至少提高了4 dB。CCS 較高的信噪比使后續特征提取更加充分，提高了神經網絡分類的準確性。

在神經網絡中不能只將準確率作為評判標準，還需要引入損失函數，損失率越小，準確率越高，越能調節神經網絡內部參數以提高網絡性能。在本文中采用解決多分類問題的交叉熵損失函數，定義如式（8）:

式中S表示Softmax 激活函數，yi是真實值結果，xi是預測結果。

表6 展示了本文所用算法與其他論文算法準確率與損失率的對比，可以看出本文基于CCS 樣本的方法雖然增加了實驗數據處理部分的復雜度，但是能獲得更高的準確率與最小的損失率。

表6 實驗結果對比

文獻［9-11］均需要人工提取特征的繁瑣步驟，提取的特征單一，對于呼吸頻率，呼氣與吸氣面積等特征相近的人沒有辦法很好地區分開。文獻［12］雖然采用了CNN 自動提取特征，但是僅僅輸入心跳或者呼吸信號，其特征丟失十分明顯，不足以支撐神經網絡模型分辨出受試者。文獻［13］考慮到整個胸部區域存在一定的空間特征，卻忽略了相位信號當中存在與呼吸信號頻率相近的噪聲，因此也難以得到較高的準確率。總體來說，本文提出的CCS 樣本包含了足夠的信息，選用CNN神經網絡模型也能夠充分挖掘出樣本中特征，在受試者中取得的表現要優于現有方法。

5 結束語

本文通過實驗論證與對比分析，驗證了基于毫米波雷達提取的CCS 樣本對于身份驗證的準確性。提出一種將純凈的人體胸腔信號（CCS）作為樣本進行身份驗證的方法。通過毫米波雷達提取人體體征信息，并解析出純凈的呼吸與心跳信號制作出CCS 樣本，采用2D CNN 充分挖掘CCS 樣本中的信息，成功以97.5%的準確率驗證4 位志愿者的身份，證明了通過毫米波雷達提取的CCS 樣本進行身份驗證的可行性。

目前已有研究證明［18-19］，通過毫米波雷達可以較為精確地恢復出人體心電（ECG）信號。因此，后續的工作會持續優化整體算法，將恢復出的ECG信號融入CCS 樣本中，探索在復雜環境下驗證多人身份，并能根據ECG 信號分析人體健康情況。基于毫米波雷達身份驗證的研究，無論是智能家居領域還是醫療領域都有廣闊的前景。